条件概率 · 贝叶斯定理

在方阵上数出条件概率与贝叶斯

概率里最反直觉、也最实用的一块，是「知道了某件事之后，另一件事的概率怎么变」。这一页用方阵——一个点代表一个人——把抽象的条件概率摊成能数的格子：先建立条件概率的换分母直觉，再用它推出贝叶斯定理，并复现容易误判的假阳性悖论。

1 · 条件概率：把分母从「所有人」换成「B 这群人」

一句话：条件概率 P(A|B) 是「已知 B 发生了，这时 A 发生的概率」。它和无条件的 P(A) 区别只在分母——不再除以全体，而是只在 B 这群里数 A: $P(A|B) = P(A\cap B) / P(B)$ 。下面把 100 个人摊成方阵，一个点一个人，直观地看这个「换分母」。

每个点按是否属于 A / B 分成四类（见图例）。拖三个滑块改变这群人的构成，再点「条件于 B」：所有不在 B 的点会变暗——视野缩小到 B 这群，这时亮着的点里 A（莓红）占的比例，就是 P(A|B)。

1.1 · 三个概率，一张表里全有了

联合 $P(A\cap B)$ = 四格里「既 A 又 B」那格 ÷ 100;边缘 P(B) = B 那一列的合计 ÷ 100;条件 P(A|B) =「A∩B」那格 ÷ B 列合计（不是 ÷100!）。所以恒等式 $P(A\cap B) = P(A|B)\cdot P(B)$ 不过是「先圈出 B，再在 B 里取 A」的两步连乘。

1.2 · 最常见的错觉：P(A|B) ≠ P(B|A)

「下雨时我多半带伞」和「我带伞时多半在下雨」是两回事——前者是 P(伞|雨)，后者是 P(雨|伞)，分母一个是「下雨的日子」、一个是「带伞的日子」，数值可以差很远。点「条件于 B」看 P(A|B)，再点「条件于 A」看 P(B|A)——同一批人、同一个方阵，两个比例却往往不相等。把这两者混为一谈，就是检察官谬误、误读检测结果的根源。如何从一个换算到另一个，正是下面的贝叶斯定理要回答的。

1.3 · 它真实跑在哪里

朴素贝叶斯分类器（垃圾邮件：P(垃圾|出现"中奖")）、推荐与广告的点击率 P(点击|看到)、医学 / 风控里「出现某症状 / 某特征后的风险」、以及一切「带条件的统计」。独立性也由它定义：P(A|B)=P(A) ⇔ A 与 B 独立（知道 B 对 A 没有信息）。

2 · 贝叶斯定理：一次检测，如何更新你的置信

条件概率一节给出 $P(A|B) \ne P(B|A)$ 。但两者之间有一座桥，这就是贝叶斯定理。最典型的场景：有一种病，你做了检测，结果阳性。检测「很准」（有病几乎必中）。那么你真有病的概率是多少？直觉常以为是 99%，但正确答案往往低得多。

检测的准确度告诉你的是 P(+ | 有病)（有病的人里测出阳性的比例）。可你想知道的是 P(有病 | +)（测出阳性的人里真有病的比例）——分母完全不同！贝叶斯定理负责把前者换算成后者，关键变量是那个最容易被忽略的患病率（先验 prior）。下面 1000 人，拖滑块看四类人怎么分，再点「只看阳性」清点：阳性里到底几个真有病。

2.1 · 把方阵翻译成公式

后验 = 真阳 ÷ 所有阳性 = 真阳 ÷（真阳 + 假阳）。写成概率就是贝叶斯定理：
$P(D|+) = P(+|D)\cdot P(D) / [ P(+|D)\cdot P(D) + P(+|\neg D)\cdot P(\neg D) ]$
分子 =「有病且测出阳性」，分母 =「所有测出阳性的」（有病的真阳 + 没病的假阳）。先验 P(D) 同时出现在分子里——病越罕见，分子越小，后验被假阳性稀释得越严重。

2.2 · base-rate 假阳性悖论：为什么「99% 准」还是不够

保持灵敏度 99%、假阳率 5%，把患病率拖到 1%:1000 人里只有约 10 个真病人（全被测出 → 10 真阳），但 990 个健康人里有约 50 个被误报（假阳）。于是阳性共 60 人，真有病的只有 10 个 → $P(D|+) \approx 10/60 \approx 17%$ 。检测明明「很准」，阳性里却约八成是误报。
根源：健康人基数太大，哪怕每人只有 5% 的小概率误报，绝对数量也能淹没真正的病人。忽略这个基础患病率 (base rate)、直接把「检测准确度」当成「患病概率」，就是base-rate 谬误。这也是为什么罕见病要二次复检：第一次的后验，成了第二次的先验，置信被一步步更新。

2.3 · 用全概率公式手算一遍：0.1% 患病率的极端情形

把上面的参数推到更极端：患病率 P(D)=0.1%（每 1000 人一例）、检测无假阴（灵敏度 P(+|D)=1）、假阳率 $P(+|\neg D)=5%$ 。一个人测出阳性，他真有病的概率是多少？
先用全概率公式算出分母——任何人测出阳性的总概率 P(+)，它由「有病且阳性」和「没病但阳性」两条路径合成：
$P(+) = P(+|D)\cdot P(D) + P(+|\neg D)\cdot P(\neg D) = 1 \times 0.001 + 0.05 \times 0.999 = 0.001 + 0.04995 = 0.05095$
再代入贝叶斯定理，分子是「有病且阳性」这一条路径：
$P(D|+) = P(+|D)\cdot P(D) / P(+) = 0.001 / 0.05095 \approx 0.0196$
所以阳性者真有病的概率只有约 1.96%。把上面三个滑块拨到患病率 0.1% / 灵敏度 100% / 假阳率 5%，再点「只看阳性」，方阵里的真阳与假阳之比会还原出同一个数。

关键仍是基数差:1000 人里只有 1 个病人（必被测出 → 1 真阳），而 999 个健康人中有约 999 × 5% ≈ 50 人被误报（假阳）。阳性共约 51 人，真有病的只有 1 个——患病率从前一节的 1% 再降一个数量级到 0.1%，后验也随之从约 17% 跌到约 2%。先验越低，同一份「准」检测给出的阳性结果越不可信，这正是罕见病强调复检、不以单次阳性下结论的原因。

2.4 · 它真实跑在哪里

医学筛查（癌症 / 罕见病的复检策略）、垃圾邮件与风控（贝叶斯过滤、反欺诈打分）、机器学习（朴素贝叶斯、贝叶斯推断与 MAP 估计）、A/B 与在线学习（用数据不断把先验更新成后验）。凡是「拿到新证据，理性地修正原有判断」，底层都是这一个式子。

一条主线： $P(A|B) = P(A\cap B) / P(B)$ 是定义；把它对 A、B 写两遍再相除，就得到贝叶斯定理 $P(A|B) = P(B|A)\cdot P(A) / P(B)$ 。左边是你看到证据后的置信（后验），右边的 P(A) 是你看到证据前的置信（先验）——整个系列就是把这一个式子，变成你能在方阵上数出来的东西。