贝叶斯公式:由结果推原因的例题与树状图
更新于
贝叶斯公式回答的是「结果已经发生,它由第 i 个原因造成的概率有多大」:P(Aᵢ|B)=P(Aᵢ)P(B|Aᵢ) ÷ ΣP(Aⱼ)P(B|Aⱼ)。分子是第 i 个原因走到结果 B 的那一条路径的概率,分母是所有原因走到 B 的路径概率之和。其中 P(Aᵢ) 叫先验概率,是看到结果之前对原因的估计;P(Aᵢ|B) 叫后验概率,是看到结果之后修正过的估计。下面用树状图把路径画出来,配疾病检测、产品溯源、复检三道例题,最后对照分子分母写反的错误。
先验、后验与树状图的读法
树状图从左往右画两层:第一层是原因,每个分支标上先验概率;第二层是结果,每个分支标上条件概率 P(B|Aᵢ)。一条路径的概率等于沿途各分支相乘。读图求后验分三步:
- 圈出结果:把所有以 B 结尾的叶子找出来。
- 算分母:这些叶子的路径概率相加,就是 P(B),这一步就是全概率。
- 算分子:只取经过原因 Aᵢ 的那一条路径,除以分母即得 P(Aᵢ|B)。
结果在某个原因下特别常见、在其他原因下很少见,后验会比先验高出很多;结果在各个原因下出现的机会差不多,后验就几乎等于先验。
例 1:疾病检测阳性,真患病的概率
例 1:某病在人群中的患病率为 1%。检测对患者呈阳性的概率是 95%,对健康人误报阳性的概率是 4%。一个人检测为阳性,求他真的患病的概率。
设 D 为患病、H 为健康,先验 P(D)=0.01,P(H)=0.99。树状图上以「阳性」结尾的叶子有两片:患病且阳性 0.01×0.95=0.0095,健康且阳性 0.99×0.04=0.0396。

后验的算式见下方公式图。
后验只有约 19.3%,远低于「患者检出阳性」的 95%。换成人数更直观:10000 人里 100 名患者中 95 人阳性,9900 名健康人中 396 人被误报阳性。健康人基数太大,4% 的误报压过了真阳性。

例 2、例 3:产品溯源与复检
例 2(产品溯源):两条流水线分别生产 70% 和 30% 的产品,次品率分别为 2% 和 5%。抽到一件次品,求它来自第二条流水线的概率。
两条路径的概率是 0.7×0.02=0.014 与 0.3×0.05=0.015,分母为 0.029。所以 P(第二条|次品)=0.015/0.029=15/29≈ 0.517,第一条对应 14/29,两者相加为 1。第二条只占三成产量,却贡献了一半以上的次品。

例 3(复检):例 1 中阳性的人再做一次同样的检测,结果仍为阳性。假设已知是否患病时两次检测相互独立,求此时患病的概率。
第一次检测后的后验 95/491 成为这次的先验。沿用人数:491 名阳性者里 95 名患者、396 名健康人;按期望人数计,第二次检测后,患者中有 95×0.95=90.25 人仍为阳性,健康人中有 396×0.04=15.84 人再次被误报。
P(D|两次阳性)=90.25÷(90.25+15.84)=90.25÷106.09≈ 0.851
一次阳性约 19%,两次阳性升到约 85%,这就是初筛阳性要复检的道理:上一步的后验作为下一步的先验,证据越多,估计越准。

分子分母写反与其他常见错误
| 错误 | 例 1 里会算出 | 怎么发现 |
|---|---|---|
| 分子分母写反 | 0.0491÷0.0095≈5.17 | 概率大于 1,一定写反了 |
| 把 P(+∣D) 当成 P(D∣+) | 95% | 与人数表的 95÷491 对不上 |
| 分母只写一条路径 | 0.0095÷0.0095=1 | 后验恒为 1,等于没算 |
| 分母漏了误报那一支 | 分母少了 0.0396 | 分母应等于全部阳性的概率 |
第二行最常见:「患病的人有多大概率阳性」是树上某一条分支标的数,「阳性的人有多大概率患病」要把以阳性结尾的路径全部收齐再算比例。分母的算法就是全概率公式:按原因划分,把每条路径的概率加起来。
把树状图与推导录进笔记
做贝叶斯题时,先画树状图、再写推导,两者放在一起复习最有用。在本站公式编辑页把公式工具栏右端的「LaTeX / 可视化」开关切到「LaTeX」,条件概率的竖线写 \mid,约等号写 \approx;树状图可以用嵌套的 cases 环境近似画出两层分支,箭头上的概率写在 \xrightarrow{0.95} 里。
\text{人群}\begin{cases}\xrightarrow{0.01}\text{患病}\begin{cases}\xrightarrow{0.95}\text{阳性}\\\xrightarrow{0.05}\text{阴性}\end{cases}\\\xrightarrow{0.99}\text{健康}\begin{cases}\xrightarrow{0.04}\text{阳性}\\\xrightarrow{0.96}\text{阴性}\end{cases}\end{cases}
本文第一张树状图就是这段源码的渲染效果,改掉患病率与检测准确率,就能套用到别的筛查题。
录完在「可视化」模式里核对:分子只取一条路径,分母收齐所有路径。文字题可以先按 自然语言公式 的方法把原因与结果各写成一句话。
具体可以这样做:把例 3 的两步更新录成两行,第一行写一次阳性后的 95/491,第二行写两次阳性后的 90.25/106.09,从「导出」选「Word(含公式)」交作业;导出需要登录并开通本站会员。
延伸阅读
常见问题
- 贝叶斯公式和全概率公式什么关系?
- 两者用的是同一个完备事件组,方向相反。全概率公式由因求果,已知各个原因的概率和每个原因下结果的概率,求结果的概率;贝叶斯公式由果溯因,已知结果已经发生,求它来自某个原因的概率。贝叶斯公式的分母正是全概率公式算出的结果概率,所以做题时通常先按全概率求出分母,再用某一个原因的那一项作分子。