贝叶斯定理 (Bayes' Theorem)

核心摘要

贝叶斯定理是概率论中的一个核心定理，描述了在已知一些先验知识的前提下，某事件发生的条件概率。它提供了一种数学框架，让我们能够根据新的证据（数据）来不断更新对某个假设的置信度。 关联概念：条件概率、全概率公式、先验概率与后验概率

1. 严格定义与数学表达

设 $\Omega$ 为样本空间，$A$和$B$是$\Omega$中的两个事件，且$P(B) > 0$。根据条件概率的定义，在事件 $B$已经发生的条件下，事件$A$发生的概率$P(A|B)$ 可以由以下公式计算：

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

变量解析

• $P(A|B)$：后验概率 (Posterior probability)。在观察到证据 $B$之后，假设$A$ 成立的概率。这是我们通常想要计算的最终结果。
• $P(A)$：先验概率 (Prior probability)。在观察到任何特定证据之前，假设 $A$ 成立的初始概率。它代表了我们的基础认知或历史统计。
• $P(B|A)$：似然度 (Likelihood)。如果假设 $A$是真实的，那么观察到证据$B$ 的概率。
• $P(B)$：边缘概率 (Marginal probability) / 证据因子。在所有可能的情况下，观察到证据 $B$ 的总概率。通常充当归一化常数，确保后验概率的总和为 1。

---

2. 定理推导过程

贝叶斯定理的推导直接源于条件概率 (Conditional Probability) 的乘法法则。

1. 根据条件概率定义，事件 $A$和事件$B$同时发生的联合概率$P(A \cap B)$ 可以表示为： $$P(A \cap B) = P(A|B)P(B)$$
2. 同理，互换 $A$和$B$ 的位置，联合概率也可以表示为： $$P(A \cap B) = P(B|A)P(A)$$
3. 将上述两式联立，可得： $$P(A|B)P(B) = P(B|A)P(A)$$
4. 两边同时除以 $P(B)$（前提是 $P(B) \neq 0$），即得出贝叶斯公式： $$P(A|B) = \frac{P(B|A)P(A)}{P(B)}$$

结合全概率公式的展开形式

在实际应用中，$P(B)$往往不容易直接获得。假设集合$\lbrace A_1, A_2, \dots, A_n\rbrace $是样本空间$\Omega$的一个完备事件组（即它们两两互斥，且并集为$\Omega$），那么根据全概率公式，$P(B)$ 可以展开为： $$P(B) = \sum_{i=1}^{n} P(B|A_i)P(A_i)$$ 代入原公式，得到最常用的扩展形式： $$P(A_i|B) = \frac{P(B|A_i)P(A_i)}{\sum_{k=1}^{n} P(B|A_k)P(A_k)}$$

---

3. 经典案例分析：医疗检测问题

这是贝叶斯定理最经典的教科书级应用，深刻揭示了直觉与数学事实之间的偏差（即基础概率谬误 Base Rate Fallacy）。

【问题背景】 假设有一种罕见疾病，在人群中的发病率为 $0.1\%$（即 $1000$个人中有$1$ 人患病）。现有一种针对该疾病的血液检测技术，其准确率参数如下：

• 真阳性率 (Sensitivity)：如果一个人确实患病，检测结果呈阳性的概率为 $99\%$。
• 假阳性率 (False Positive Rate)：如果一个人没有患病，检测结果仍然呈阳性的概率为 $5\%$。

【问题】：如果某人的检测结果呈阳性，那么他真正患病的概率是多少？

直觉陷阱

很多人直觉上认为，既然检测准确率高达 $99\%$，那么呈阳性后患病的概率应该在 $95\%$到$99\%$ 之间。但事实上并非如此。

【严密解答】 我们定义以下事件：

• $A$：该人实际上患有该疾病。
• $\neg A$：该人实际上没有患病。
• $B$：检测结果呈阳性。

根据题目已知条件，我们有：

1. 先验概率：$P(A) = 0.001$，从而未患病概率 $P(\neg A) = 0.999$
2. 似然度（真阳性率）：$P(B|A) = 0.99$
3. 假阳性率：$P(B|\neg A) = 0.05$

我们需要计算的是后验概率 $P(A|B)$。

步骤 1：计算边缘概率 $P(B)$（即任何一个人去检测，呈阳性的总概率） $$P(B) = P(B|A)P(A) + P(B|\neg A)P(\neg A)$$ $$P(B) = (0.99 \times 0.001) + (0.05 \times 0.999)$$ $$P(B) = 0.00099 + 0.04995 = 0.05094$$

步骤 2：应用贝叶斯定理 $$P(A|B) = \frac{P(B|A)P(A)}{P(B)}$$ $$P(A|B) = \frac{0.00099}{0.05094} \approx 0.0194 \text{ 或 } 1.94\%$$

结论分析

即便检测结果呈阳性，该人真正患病的概率也仅为 1.94%！ 为什么会这样？因为先验概率（基础发病率）太低了。由于健康人群基数极大，即使假阳性率只有 $5\%$，所产生的“虚假警报”数量也远远超过了真正的病人数量。这就解释了为什么在进行大规模罕见病筛查时，单一阳性结果往往需要复查。

---

标签: #数学/概率论 #贝叶斯统计 #笔记模板