如何向10岁小孩解释清楚贝叶斯定理 ！

贝叶斯定理在提出来后的很长一段时间，大家并没有觉得它有什么作用，并一直受到主流统计学派的排斥。

直到计算机的诞生，贝叶斯定理的强大作用才逐渐显现出来。人们发现，贝叶斯定理可以广泛应用于数据分析、模式识别、统计决策，甚至是当前最热门的人工智能领域，可以说，掌握并应用贝叶斯定理，是每个人必备的技能。

这里推荐两个视频，它们用深入浅出的方式解释了贝叶斯定理：

1. https://www.youtube.com/watch?v=Pu675cHJ7bg
2. https://www.youtube.com/watch?v=HZGCoVF3YvM

为了弄清楚贝叶斯定理到底要解决什么问题，我们先来看一个现实生活中的例子：

假设有一种疾病，其发病率为0.1%。针对这种疾病的以下检测非常准确：

• 如果一个人患病，测试的准确率为99%（即有1%的人虽然患病但测试结果为阴性没有检测出）。；
• 如果一个人未患病，测试的误报率为2%（即有2%的人虽然未患病但测试结果为阳性）。

现在，如果一个人测试显示阳性，请问他患病的概率是多少？

如果我们从大街上随便找一个人，那么他患病的概率就是0.1%，因为这个概率是基于历史统计数据的先验概率。

然而，当这个人接受测试并得出阳性结果后，我们需要计算在这种情况下他实际患病的概率，也就是计算条件概率：在测试结果为阳性的条件下，患病的概率是多少？

从直觉上看，这个人的患病概率应该大于0.1%，但显然不会达到99%。究竟是多少，如何计算呢？我们暂且搁置这个问题，先通过一个更简单的例子来理解条件概率的概念。

为了理解条件概率，我们换一个更简单的例子：假设我们掷两个骰子，一共可能出现的结果有6×6=36种，下图中的每个两位数都代表两次掷骰子得到的数字，例如43表示第一次掷出4，第二次掷出3：

一共可能出现的结果就是所谓的样本空间，这里样本空间大小为36，因此每个样本的概率均为1/36，这一点很好理解。如果我们定义事件A为：至少有一个骰子是2，那么事件A的样本空间如下图红色部分所示：

事件A一共有11种情况，因此事件A发生的概率P(A)为11/36：

我们再定义事件B：两个骰子之和为7，那么事件B的样本空间如下图绿色部分所示：

事件B一共有6种情况，同理我们得到事件B发生的概率P(B)为6/36：

接下来我们用P(A∩B)表示A和B同时发生的概率，A∩B就是A和B的交集，如下图蓝色部分所示：

可以看出事件A和事件B同时发生只有两种情况，因此，P(A∩B)为 2/36：

接下来我们就可以讨论条件概率了。我们用P(A|B)表示在B发生的条件下，A发生的概率。由于B已经发生，所以，样本空间就是B的样本数量6，而要发生A则只能是A、B同时发生，即A∩B，有两种情况。因此，计算P(A|B)如下：

同理，我们用P(B|A)表示在A发生的条件下，B发生的概率。此时，分子仍然是A∩B的样本数量，但分母变成A的样本数量：

可见，条件概率P(A|B)和P(B|A)是不同的。我们再回到A、B同时发生的概率，观察P(A∩B)可以改写为：

同理，P(A∩B)还可以改写为：

因此，根据上述两个等式，我们推导出下面的等式：

把左边的P(A∩B)去掉，我们得到等式：

最后，整理一下等式，我们推导出贝叶斯定理如下：

它用于计算在条件B发生时事件A发生的概率。通常，我们将A改写为H，表示Hypothesis（假设）；将B改写为E，表示Evidence（证据）。贝叶斯定理的核心意义在于：给定一个先验概率P(H)，在出现证据E的情况下，计算后验概率P(H|E)。

计算

有了贝叶斯定理，让我们回到之前提出的问题：假设有一种疾病，其发病率为0.1%。针对这种疾病的检测非常准确：

• 如果一个人患病，测试的准确率为99%（即有1%的人虽然患病但测试结果为阴性没有检测出）。；
• 如果一个人未患病，测试的误报率为2%（即有2%的人虽然未患病但测试结果为阳性）。

现在，如果一个人的测试结果为阳性，求他实际患病的概率是多少？用H表示患病，E表示测试为阳性，那么，我们要计算在测试为阳性的条件下，一个人患病的概率，就是计算P(H|E)。根据贝叶斯定理，计算如下：

先验概率 P(H)表示患病的概率，根据发病率可知，P(H)=0.1%；

P(E|H)表示在患病的情况下，测试为阳性的概率，根据“如果有病，则准确率是99%”的信息可知，P(E|H)=99%，P(E|H)=99%；

P(E)表示在所有人中测试为阳性的概率。这个概率就稍微复杂点，因为它是指对所有人（包含病人和健康人）进行测试，结果阳性的概率。为了更好地理解P(E)，我们假设检测了10万人：

• 患病人数：根据0.1%的发病率，100人患病，99900人健康。
• 患病者的检测结果：在100名患病者中，99人检测结果为阳性，1人未检出阳性。
• 健康者的检测结果：在99900名健康者中，误报率为2%，即1998人检测结果为阳性，97902人检测结果为阴性。

下图显示了检测为阳性的结果的分布：

所以，对于10万人的样本空间来说，事件E=显示阳性的概率为(99+1998)/100000=2.097%。带入贝叶斯定理，计算P(H|E)：

计算结果为患病的概率为4.721%，这个概率远小于99%，且与大多数人的直觉不同，原因在于庞大的健康人群导致的误报数量远多于病人，当出现“检测阳性”的证据时，患病的概率从先验概率0.1%提升到4.721%，但这还远不足以确诊。

贝叶斯定理的另一种表示

有时直接计算P(E)可能相当困难，甚至无法准确得知P(E)的值。此时我们需要采用贝叶斯定理的另一种形式来解决问题。假设我们用P(H)表示事件H发生的概率，用^{H表示事件H不发生，P(}H)就表示事件H不发生的概率。显然P(^{H)=1-P(H)。下图红色部分表示H，红色部分以外则表示}H：

下图中的绿色部分表示事件E：

可见，P(E)可以分为两部分，一部分是事件E和事件H的交集，另一部分是E和^H的交集：

将前面介绍的公式P(A∩B)=P(A|B)xP(B)代入其中可得：

把P(E)替换掉，我们得到贝叶斯定理的另一种写法：

可以看到，如果我们用这个公式来计算，就不必计算P(E)了。再次回到开头的问题：

• 如果一个人患病，测试的准确率为99%（即有1%的人虽然患病但测试结果为阴性没有检测出）。；
• 如果一个人未患病，测试的误报率为2%（即有2%的人虽然未患病但测试结果为阳性）。

现在，如果一个人测试显示阳性，请问他患病的概率是多少？

• P(E|H)表示患病时检测阳性的概率=99%；
• P(H)表示患病的概率=0.1%；
• P(E|^H)表示没有患病但检测阳性的概率=2%；
• P(^H)表示没有患病的概率=1-P(H)=99.9%。

代入公式，计算：

结果和前面的方法计算结果一样——4.721%。

假设这个人再次接受检测，结果仍然为阳性。那么我们可以继续使用贝叶斯定理来计算他患病的概率。这时，先验概率 P(H)已经从之前的 0.1% 上升到了 4.721%，而条件概率P(E|H)和P(E|^H)仍保持不变，计算新的P(H|E)：

我们会发现，最后得到的结果为71%，也就是说，两次阳性检测结果使得患病的先验概率从 0.1% 提升到 4.721%，再进一步提高到 71%。

贝叶斯定理的核心思想在于，不断根据新的证据调整先验概率，逐步将其转变为后验概率，使我们的判断更加接近客观事实。