条件概率与贝叶斯定理

从联合概率到贝叶斯更新——信息如何改变信念

**预计时间：**25 分钟读 + 15 分钟做习题 = 40 分钟。

一、核心概念定义

条件概率（Conditional Probability）

给定事件 B 发生（P(B) > 0），事件 A 的条件概率定义为：

P(A|B) = P(A ∩ B) / P(B)

直观理解：在 B 已经发生的”缩小后”的样本空间里，A 发生的比例。

关键洞察：P(A|B) ≠ P(B|A)。这是最致命的直觉错误。医生看到一个”阳性检测结果”时，P(患病|阳性) 远大于 P(阳性|患病) —— 后者是检测的准确率，前者才是你真正关心的。

乘法公式

由条件概率定义可得：P(A ∩ B) = P(A|B) × P(B) = P(B|A) × P(A)

这是贝叶斯定理的推导基础。

贝叶斯定理（Bayes’ Theorem）

P(A|B) = P(B|A) × P(A) / P(B)

其中：

• P(A)：先验概率（Prior）——在看到数据 B 之前，你对 A 的信念
• P(B|A)：似然（Likelihood）——如果 A 为真，观察到数据 B 的概率
• P(A|B)：后验概率（Posterior）——看到数据 B 后，你对 A 的更新信念
• P(B)：边际似然（Marginal Likelihood）——归一化常数，确保后验概率总和为 1

贝叶斯定理的本质：新证据（B）通过似然（P(B|A)）修正旧信念（P(A)），得到新信念（P(A|B)）。

二、学科直觉

1. 先验不是偏见，是起点：贝叶斯框架最被误解的是”先验”。先验不是”主观偏见”——它是你在看到数据之前的所有知识的数学编码。一个信息充分的人先验强（方差小），一个无知的人先验弱（方差大，接近均匀分布）。好的先验让数据更新更有效率。
2. 似然回答”如果假设为真，我会看到什么”：P(B|A) 是一个反事实——“假设 A 是真的，我观察到 B 的可能性有多大？” 这是科学推理的核心：理论预测数据，数据检验理论。
3. 后验是信念的更新，不是真理的发现：贝叶斯更新是一个动态过程。今天看到数据 D1，后验变成 P(θ|D1)；明天看到 D2，再用 P(θ|D1) 作为先验，得到 P(θ|D1,D2)。信念永远在进化，永远不会”最终确定”。

三、跨学科应用

投资：如何不被先验困住

投资者最常见的问题不是”没有先验”，而是先验太强、更新太慢。死多头看了十份坏财报仍坚信”长期价值不变”——这是先验方差太小，似然项撼不动后验。

芒格的应对：“我试图摧毁我最珍视的信念。” 这是主动放大先验方差（承认自己可能错），让新证据能修正信念。芒格式先验 = “我不确定，但我有基于经验的 rough estimate”。

医疗诊断：为什么检测阳性不等于患病

假设某种疾病的患病率 P(患病) = 1%。检测的灵敏度 P(阳性|患病) = 99%，特异度 P(阴性|健康) = 99%。

问：检测阳性的人真的患病的概率 P(患病|阳性) 是多少？

用贝叶斯定理：

• P(患病|阳性) = 0.99 × 0.01 / [0.99 × 0.01 + 0.01 × 0.99] = 0.0099 / 0.0198 ≈ 50%

震惊的结论：即使检测准确率 99%，阳性结果也只有 50% 的概率真患病——因为疾病本身太罕见（先验 1%）。

产品决策：用户反馈的贝叶斯解读

你上线了一个新功能，第一个用户说”太复杂了”。你的后验怎么更新？

• 先验：基于历史数据，“第一个用户反馈”通常是噪音（P(功能不好|单条负面反馈) 很低）
• 似然：如果功能真的不好，用户说”太复杂”的概率是多少？
• 后验：结合先验和似然，得到更新后的信念

贝叶斯智慧：单条反馈不应该大幅改变你的信念。你需要持续更新——10 个用户说同样的话，后验才会显著移动。

练习题

单选题

案例分析

反事实思考题

下一步：Lesson 0003 · 随机变量与分布族——把离散事件推广到连续结果。