貝氏定理 (Bayes’ Theorem) 簡介
歡迎學習統計學中最具威力的工具之一！貝氏定理聽起來可能很深奧，但它實際上是一種非常符合邏輯的方法，讓我們在獲得新資訊時能夠「更新」我們原有的認知。在 Pearson Edexcel 9ST0 課程中，這個課題會出現在 Paper 1，其核心在於如何巧妙地運用條件概率 (conditional probability)。
你可以把它想像成當偵探。你先對誰可能犯罪有一個初步的預測（即先驗概率，prior probability），接著你發現了新的證據，然後利用這些證據來改變你對誰是最有可能的嫌疑人的看法（即後驗概率，posterior probability）。在本章中，我們將學習如何將這些邏輯推測轉化為精確的計算。
快速複習：在深入探討之前，請記住條件概率的寫法是 \(P(A|B)\)，意思是「在事件 B 已經發生的情況下，事件 A 發生的概率」。
1. 全概率公式 (The Law of Total Probability)
在我們使用貝氏定理之前，需要先理解公式的「下半部分」。這被稱為全概率公式。
別擔心這個名字聽起來很高深——它僅僅是指透過檢視所有可能發生的途徑，來計算某個事件發生的總概率。
想像你要計算一名學生考試及格的概率 (\(P(Pass)\))。學生分為兩類：有溫習的 (\(S\)) 和沒有溫習的 (\(S'\))。
要計算及格的總概率，你需要將以下兩項相加：
1. 有溫習且及格的概率： \(P(S \cap Pass)\)
2. 沒有溫習但及格的概率： \(P(S' \cap Pass)\)
以數學術語來說，如果你有三個涵蓋所有可能性的事件 \(A_1, A_2, A_3\)，那麼事件 \(B\) 的總概率為：
\(P(B) = P(B|A_1)P(A_1) + P(B|A_2)P(A_2) + P(B|A_3)P(A_3)\)
核心重點：要找到某個結果的總概率，只需將所有導致該結果的可能路徑的概率相加即可。
2. 理解貝氏定理
貝氏定理本質上是一個分數。它問的是：「已知結果 B 已經發生，那麼它是由事件 A 引起的概率是多少？」
貝氏定理的公式為：
\(P(A|B) = \frac{P(B|A)P(A)}{P(B)}\)
讓我們拆解這些部分：
• \(P(A|B)\)：後驗概率 (Posterior)。在我們獲得新證據後，想要找出更新後的概率。
• \(P(A)\)：先驗概率 (Prior)。在獲得新證據之前我們已知的概率。
• \(P(B|A)\)：概似度 (Likelihood)。如果 A 為真，出現證據 B 的可能性有多大？
• \(P(B)\)：全概率 (Total Probability)。證據發生的總概率（所有路徑之和）。
一個簡單的類比：
想像你聽到一聲「喵」(\(B\))。你想知道這聲音來自貓 (\(A\)) 的概率。
「喵」聲就是你的證據。分數的分子是「有一隻貓且發出該聲音」的概率。分數的分母是「任何事物」發出「喵」聲的總概率（也許是你的朋友在惡作劇！）。
3. 使用樹狀圖（秘密武器）
課程大綱明確提到，對於最多三個事件的情況，可以使用樹狀圖 (tree diagrams)。這是解決貝氏定理題目且不會迷失在公式中的最可靠方法。
逐步解題步驟：
1. 畫出樹狀圖：從「原因」或「先驗」事件開始（例如：工廠 A、工廠 B、工廠 C）。
2. 添加第二層分支：這些是「結果」（例如：次品或良品）。
3. 沿路徑相乘：將每條路徑上的概率相乘，得出該特定路徑的概率。
4. 計算總和：將所有導致你感興趣結果的路徑的結果相加（這就是你的分母）。
5. 應用貝氏定理：將題目要求的那一條特定路徑的概率，除以你剛剛計算出的總和 (Total)。
記憶法：貝氏定理就是：（目標路徑）÷（所有可能路徑的總和）。
4. 現實範例：醫療檢測
這是一道經典的考試題型。假設某疾病影響了 1% 的人口 (\(P(D) = 0.01\))。一種針對該疾病的檢測對於患病者有 99% 的準確率 (\(P(Positive|D) = 0.99\))，但對於健康的人，會有 2% 的假陽性率 (\(P(Positive|Healthy) = 0.02\))。如果你檢測結果呈陽性，你實際上患病的概率是多少？
步驟 1：分子（患病且檢測呈陽性的路徑）：
\(P(D \cap Positive) = 0.01 \times 0.99 = 0.0099\)
步驟 2：分母（檢測呈陽性的總概率）：
路徑 1（患病且陽性）： \(0.01 \times 0.99 = 0.0099\)
路徑 2（健康且陽性）： \(0.99 \times 0.02 = 0.0198\)
總 \(P(Positive) = 0.0099 + 0.0198 = 0.0297\)
步驟 3：計算：
\(P(D|Positive) = \frac{0.0099}{0.0297} \approx 0.333\) 或 33.3%
等等！你看到了嗎？即使檢測的「準確率」高達 99%，如果你檢測呈陽性，實際患病的概率也只有 33%！這就是為什麼貝氏定理如此重要——它考慮到了該疾病本身非常罕見這一事實。
5. 常見錯誤避坑指南
1. 搞混 \(P(A|B)\) 和 \(P(B|A)\)：
一定要仔細閱讀題目。 \(P(Defective|Machine A)\) 是機器 A 生產出次品的機率；而 \(P(Machine A|Defective)\) 則是在已知物品是次品的情況下，它由機器 A 生產的機率。貝氏定理就是連接這兩者的橋樑。
2. 忘記分母：
許多學生只計算了分數的「上半部分」。請記住，你必須除以該證據發生的總概率。
3. 未檢查概率之和是否為 1：
樹狀圖的第一層分支（先驗概率）之和必須始終等於 1。如果你有三家工廠，它們的生產份額總和必須是 100%。
快速複習框：
• 先驗概率 (Prior)：獲得證據前的概率。
• 條件概率 (Conditional)：「如果」部分（例如：如果來自工廠 A，則有 5% 機率是次品）。
• 後驗概率 (Posterior)：獲知證據後的「更新」概率。
• 樹狀圖：整理數據的最佳夥伴。
總結
貝氏定理只是一種反轉條件概率的方法。我們使用樹狀圖來找出事件發生的所有途徑（全概率），然後建立一個分數，算出特定的「原因」導致我們觀察到的「結果」的概率。保持分支清晰，沿路徑相乘，並用「目標路徑」除以「總路徑」，你就能掌握它！