贝叶斯定理 (Bayes’ Theorem) 简介
欢迎学习统计学中最具威力的工具之一！贝叶斯定理听起来可能很深奥，但它实际上是一种非常符合逻辑的方法，让我们在获得新资讯时能够“更新”我们原有的认知。在 Pearson Edexcel 9ST0 课程中，这个课题会出现在 Paper 1，其核心在于如何巧妙地运用条件概率 (conditional probability)。
你可以把它想象成当侦探。你先对谁可能犯罪有一个初步的预测（即先验概率，prior probability），接着你发现了新的证据，然后利用这些证据来改变你对谁是最有可能的嫌疑人的看法（即后验概率，posterior probability）。在本章中，我们将学习如何将这些逻辑推测转化为精确的计算。
快速复习：在深入探讨之前，请记住条件概率的写法是 \(P(A|B)\)，意思是“在事件 B 已经发生的情况下，事件 A 发生的概率”。
1. 全概率公式 (The Law of Total Probability)
在我们使用贝叶斯定理之前，需要先理解公式的“下半部分”。这被称为全概率公式。
别担心这个名字听起来很高深——它仅仅是指通过检视所有可能发生的途径，来计算某个事件发生的总概率。
想象你要计算一名学生考试及格的概率 (\(P(Pass)\))。学生分为两类：有复习的 (\(S\)) 和没有复习的 (\(S'\))。
要计算及格的总概率，你需要将以下两项相加：
1. 有复习且及格的概率： \(P(S \cap Pass)\)
2. 没有复习但及格的概率： \(P(S' \cap Pass)\)
以数学术语来说，如果你有三个涵盖所有可能性的事件 \(A_1, A_2, A_3\)，那么事件 \(B\) 的总概率为：
\(P(B) = P(B|A_1)P(A_1) + P(B|A_2)P(A_2) + P(B|A_3)P(A_3)\)
核心重点：要找到某个结果的总概率，只需将所有导致该结果的可能路径的概率相加即可。
2. 理解贝叶斯定理
贝叶斯定理本质上是一个分数。它问的是：“已知结果 B 已经发生，那么它是由事件 A 引起的概率是多少？”
贝叶斯定理的公式为：
\(P(A|B) = \frac{P(B|A)P(A)}{P(B)}\)
让我们拆解这些部分：
• \(P(A|B)\)：后验概率 (Posterior)。在我们获得新证据后，想要找出更新后的概率。
• \(P(A)\)：先验概率 (Prior)。在获得新证据之前我们已知的概率。
• \(P(B|A)\)：概似度 (Likelihood)。如果 A 为真，出现证据 B 的可能性有多大？
• \(P(B)\)：全概率 (Total Probability)。证据发生的总概率（所有路径之和）。
一个简单的类比：
想象你听到一声“喵”(\(B\))。你想知道这声音来自猫 (\(A\)) 的概率。
“喵”声就是你的证据。分数的分子是“有一只猫且发出该声音”的概率。分数的分母是“任何事物”发出“喵”声的总概率（也许是你的朋友在恶作剧！）。
3. 使用树状图（秘密武器）
课程大纲明确提到，对于最多三个事件的情况，可以使用树状图 (tree diagrams)。这是解决贝叶斯定理题目且不会迷失在公式中的最可靠方法。
逐步解题步骤：
1. 画出树状图：从“原因”或“先验”事件开始（例如：工厂 A、工厂 B、工厂 C）。
2. 添加第二层分支：这些是“结果”（例如：次品或良品）。
3. 沿路径相乘：将每条路径上的概率相乘，得出该特定路径的概率。
4. 计算总和：将所有导致你感兴趣结果的路径的结果相加（这就是你的分母）。
5. 应用贝叶斯定理：将题目要求的那一条特定路径的概率，除以你刚刚计算出的总和 (Total)。
记忆法：贝叶斯定理就是：（目标路径）÷（所有可能路径的总和）。
4. 现实范例：医疗检测
这是一道经典的考试题型。假设某疾病影响了 1% 的人口 (\(P(D) = 0.01\))。一种针对该疾病的检测对于患病者有 99% 的准确率 (\(P(Positive|D) = 0.99\))，但对于健康的人，会有 2% 的假阳性率 (\(P(Positive|Healthy) = 0.02\))。如果你检测结果呈阳性，你实际上患病的概率是多少？
步骤 1：分子（患病且检测呈阳性的路径）：
\(P(D \cap Positive) = 0.01 \times 0.99 = 0.0099\)
步骤 2：分母（检测呈阳性的总概率）：
路径 1（患病且阳性）： \(0.01 \times 0.99 = 0.0099\)
路径 2（健康且阳性）： \(0.99 \times 0.02 = 0.0198\)
总 \(P(Positive) = 0.0099 + 0.0198 = 0.0297\)
步骤 3：计算：
\(P(D|Positive) = \frac{0.0099}{0.0297} \approx 0.333\) 或 33.3%
等等！你看到了吗？即使检测的“准确率”高达 99%，如果你检测呈阳性，实际患病的概率也只有 33%！这就是为什么贝叶斯定理如此重要——它考虑到了该疾病本身非常罕见这一事实。
5. 常见错误避坑指南
1. 搞混 \(P(A|B)\) 和 \(P(B|A)\)：
一定要仔细阅读题目。 \(P(Defective|Machine A)\) 是机器 A 生产出次品的概率；而 \(P(Machine A|Defective)\) 则是在已知物品是次品的情况下，它由机器 A 生产的概率。贝叶斯定理就是连接这两者的桥梁。
2. 忘记分母：
许多学生只计算了分数的“上半部分”。请记住，你必须除以该证据发生的总概率。
3. 未检查概率之和是否为 1：
树状图的第一层分支（先验概率）之和必须始终等于 1。如果你有三家工厂，它们的生产份额总和必须是 100%。
快速复习框：
• 先验概率 (Prior)：获得证据前的概率。
• 条件概率 (Conditional)：“如果”部分（例如：如果来自工厂 A，则有 5% 概率是次品）。
• 后验概率 (Posterior)：获知证据后的“更新”概率。
• 树状图：整理数据的最佳伙伴。
总结
贝叶斯定理只是一种反转条件概率的方法。我们使用树状图来找出事件发生的所有途径（全概率），然后建立一个分数，算出特定的“原因”导致我们观察到的“结果”的概率。保持分支清晰，沿路径相乘，并用“目标路径”除以“总路径”，你就能掌握它！