Bayes’ Theorem

贝叶斯定理 (Bayes’ Theorem)：高等数学 (9665) 学习笔记

你好，未来的统计学家！本章我们将深入探讨概率论中最强大且迷人的概念之一：贝叶斯定理。它是我们在获得新证据时，用以更新自身认知（概率预测）的数学工具。

如果这听起来有些复杂，请不要担心——我们将通过清晰的步骤和树状图（Tree Diagrams）等可视化辅助工具将其拆解。掌握贝叶斯定理不仅对于通过 FS1 考试至关重要，更是理解从医学诊断到人工智能等现实世界中概率运作逻辑的核心！

---

1. 重温条件概率（基础知识）

贝叶斯定理本质上是条件概率的逆向应用。让我们先快速回顾一下基础公式：

已知事件 \(B\) 已经发生的情况下，事件 \(A\) 发生的条件概率为：

$$P(A|B) = \frac{P(A \cap B)}{P(B)}$$

其中：

• \(P(A|B)\) 是在 \(B\) 发生的条件下 \(A\) 发生的概率。
• \(P(A \cap B)\) 是 \(A\) 和 \(B\) 同时发生的概率（交集）。
• \(P(B)\) 是事件 \(B\) 发生的概率。

贝叶斯定理解决的问题

在许多现实场景中，我们往往知道 \(P(B|A)\)（即“已知原因求结果”的概率），但我们需要求解的是 \(P(A|B)\)（即“已知结果求原因”的概率）。这两者绝不相同！

类比： 想象一家工厂。知道机器生产出次品的概率 (\(P(\text{Faulty} | \text{Machine A})\)) 很容易。但如果要反过来计算——在已知某件产品是次品的情况下，它是 A 机器生产出来的概率 (\(P(\text{Machine A} | \text{Faulty})\))，虽然难度更大，但其价值却高得多。这正是贝叶斯定理能帮我们计算的内容。

2. 全概率公式与树状图

教学大纲要求你熟练使用树状图。这是可视化和计算条件概率的绝佳工具，尤其是在处理贝叶斯公式中的分母时，通常需要用到全概率公式（Law of Total Probability）。

构建树状图

树状图通常从一系列初始事件开始，这些事件必须是互斥的（不能同时发生）且完备的（涵盖了所有可能的结果）。

假设初始事件为 \(A_1\) 和 \(A_2\)，且次要事件 \(B\) 可能在 \(A_1\) 或 \(A_2\) 发生之后出现。

• 第一步：初始分支

  第一组分支代表无条件概率，例如 \(P(A_1)\) 和 \(P(A_2)\)。

• 第二步：次级分支

  第二组分支代表条件概率，例如 \(P(B|A_1)\) 和 \(P(B'|A_1)\)。

乘法法则（沿分支路径）

要计算交集的概率（即沿着某条特定路径走到底），你需要进行乘法运算：

$$P(A_1 \cap B) = P(A_1) \times P(B|A_1)$$

全概率公式（求和分支）

要计算事件 \(B\) 的总概率，你需要将所有导致 \(B\) 发生的路径的概率相加。这是贝叶斯定理分母部分的关键步骤。

如果 \(A_1\) 和 \(A_2\) 构成了样本空间的一个划分：

$$P(B) = P(A_1 \cap B) + P(A_2 \cap B)$$

代入乘法法则后，得到全概率公式的正式表达：

$$P(B) = P(B|A_1)P(A_1) + P(B|A_2)P(A_2)$$

大纲提示： 你必须能够将此方法应用于涉及最多三个事件的问题（例如：三台不同的机器 \(A_1, A_2, A_3\) 共同生产产品 \(B\)）。

3. 正式的贝叶斯定理

贝叶斯定理将 \(P(A|B)\) 和 \(P(B|A)\) 这两个条件概率联系在了一起。它只需将全概率公式代入标准条件概率公式即可推导出来。

公式表达

对于两个事件 \(A\) 和 \(B\)：

$$P(A|B) = \frac{P(B|A)P(A)}{P(B)}$$

在 \(A\) 是导致 \(B\) 发生的一组互斥且完备事件（\(A_i\)）中的一个时：

$$P(A_i|B) = \frac{P(B|A_i)P(A_i)}{\sum_j P(B|A_j)P(A_j)}$$

这看起来很吓人，但请记住它的结构：

$$P(\text{原因} | \text{结果}) = \frac{P(\text{结果} | \text{原因}) \times P(\text{原因})}{\text{结果的总概率}}$$

术语解析

• \(P(A_i)\)：先验概率 (Prior Probability)

  这是在引入任何新证据 (\(B\)) 之前，你对原因 \(A_i\) 的初始信念或已知概率。

• \(P(B|A_i)\)：似然概率 (Likelihood)

  这是假设原因 \(A_i\) 为真时，观察到证据 \(B\) 的可能性。

• \(P(A_i|B)\)：后验概率 (Posterior Probability)

  这是在观察到证据 \(B\) 之后，对原因 \(A_i\) 更新后的概率。这就是我们要计算的目标值。

• \(P(B)\)：证据（或边际概率）

  这是观察到事件 \(B\) 的总概率，使用全概率公式计算得出。

4. 贝叶斯定理的步骤化应用

贝叶斯定理的题目遵循固定的程序。如果你按照以下步骤操作，即使数字看起来很乱，通常也能顺利求解。

示例场景：医学检测

某种罕见疾病在人口中的发病率为 1%。某项检测的准确率为 90%（即如果患病，有 90% 的概率检测出阳性；如果健康，有 90% 的概率检测出阴性）。

如果一个人检测结果为阳性，他确实患病的概率是多少？

目标：求解 \(P(\text{患病} | \text{阳性检测结果})\)

第一步：定义事件并设定先验概率

• \(D\)：患病。\(P(D) = 0.01\)（先验概率）
• \(D'\)：不患病（健康）。\(P(D') = 1 - 0.01 = 0.99\)
• \(T\)：检测结果阳性。

第二步：设定似然概率（条件概率）

• 检测出患病（真阳性）：\(P(T|D) = 0.90\)
• 漏诊（假阴性）：\(P(T'|D) = 1 - 0.90 = 0.10\)
• 健康人检测阴性（真阴性）：\(P(T'|D') = 0.90\)
• 健康人检测阳性（假阳性）：\(P(T|D') = 1 - 0.90 = 0.10\)

第三步：计算分子（交集）

我们需要“患病且检测阳性”的概率：

$$P(D \cap T) = P(T|D)P(D) = 0.90 \times 0.01 = 0.009$$

第四步：计算分母（阳性检测的总概率 \(P(T)\)）

阳性检测结果可能由两种情况引起：真阳性（路径 1）或假阳性（路径 2）。

• 路径 1：\(P(D \cap T) = 0.009\)（来自第三步）
• 路径 2：\(P(D' \cap T) = P(T|D')P(D') = 0.10 \times 0.99 = 0.099\)

$$P(T) = P(D \cap T) + P(D' \cap T) = 0.009 + 0.099 = 0.108$$

第五步：应用贝叶斯公式（计算后验概率）

$$P(D|T) = \frac{P(D \cap T)}{P(T)} = \frac{0.009}{0.108} \approx 0.0833$$

核心要点： 尽管检测的准确率高达 90%，但一个阳性结果的人真正患病的概率却只有约 8.33%！这是因为该病非常罕见（先验概率低），导致健康人出现假阳性的总数（0.099）远高于真正患病者被检测出的数量（0.009）。

常见的易错点

• 没有使用全概率公式： 最大的错误就是忘记通过求和所有可能导致事件 \(B\) 发生的路径来计算分母 \(P(B)\)。
• 搞混条件： 一定要仔细检查题目给出的是 \(P(A|B)\) 还是 \(P(B|A)\)。结构至关重要。
• 事件非完备： 确保你的初始事件 (\(A_1, A_2, \dots\)) 涵盖了 100% 的可能性。如果它们相加不等于 1，你的全概率计算就会出错。

5. 多个事件下的贝叶斯定理（最多三个）

在高等数学 (9665) 中，你可能会遇到包含多达三个互斥且完备事件的问题，例如 \(A_1, A_2, A_3\)。这通常发生在产品由三个不同来源（工厂、班次、机器）生产的情况下。

如果我们想求已知结果 \(B\) 专门来自来源 \(A_1\) 的概率，我们使用扩展后的公式：

$$P(A_1|B) = \frac{P(B|A_1)P(A_1)}{P(B|A_1)P(A_1) + P(B|A_2)P(A_2) + P(B|A_3)P(A_3)}$$

使用树状图处理三个事件的流程

方法与之前一致，只是多了一个分支！

• 全概率分母 \(P(B)\) 将是三个乘积之和：

  路径 1：\(P(B|A_1)P(A_1)\)

  路径 2：\(P(B|A_2)P(A_2)\)

  路径 3：\(P(B|A_3)P(A_3)\)

示例背景： 三个班次（早班 \(A_1\)、中班 \(A_2\)、晚班 \(A_3\)）生产螺栓。我们已知各班次的生产百分比 (\(P(A_i)\)) 和各自的次品率 (\(P(B|A_i)\))。如果发现一个随机的次品 (\(B\))，我们可以利用上述公式来确定它来自晚班的概率，即 \(P(A_3|B)\)。