如果你體檢報(bào)告上寫著一項(xiàng)指標(biāo)異常醫(yī)生讓你“復(fù)查”你心里會(huì)咯噔一下嗎假如這項(xiàng)檢查的準(zhǔn)確率高達(dá)99%真有病的人99%能查出來(lái)沒(méi)病的人也有98%的概率會(huì)得到陰性結(jié)果結(jié)果你的報(bào)告是陽(yáng)性——你覺(jué)得你真有病的概率是多少直覺(jué)會(huì)告訴你“這么準(zhǔn)的檢查陽(yáng)性了大概率跑不掉吧?！钡阃曦惾~斯公式后你會(huì)得到一個(gè)反常識(shí)的答案可能連三分之一都不到。這就是概率論最有意思的地方它不反直覺(jué)但你的直覺(jué)需要被訓(xùn)練。條件概率、全概率公式、貝葉斯公式這三個(gè)名字放在一起勸退了不知道多少初學(xué)者。大家不是怕公式長(zhǎng)而是不知道這些符號(hào)到底在算什么。我當(dāng)年學(xué)的時(shí)候也一樣考完試就忘干凈直到后來(lái)用“畫圖”的方式重新理解了一遍才真正覺(jué)得通了。這篇文章不堆抽象推導(dǎo)就用面積圖、樹狀圖和能算出口的實(shí)例把這三個(gè)概念徹底掰開(kāi)揉碎。這篇文章適合誰(shuí)正在學(xué)概率論與數(shù)理統(tǒng)計(jì)的學(xué)生、準(zhǔn)備期末考試的考研黨、想搞懂機(jī)器學(xué)習(xí)里貝葉斯思想的開(kāi)發(fā)者以及所有“學(xué)了但總覺(jué)得沒(méi)學(xué)透”的人。咱們不搞題海戰(zhàn)術(shù)直接把底層邏輯拉通。1. 條件概率先學(xué)會(huì)“縮小樣本空間”再談?dòng)?jì)算條件概率是整個(gè)邏輯鏈的地基。全概率公式和貝葉斯公式本質(zhì)上都是在條件概率之上蓋樓所以這一節(jié)必須真正吃透而不是背一個(gè) P(A|B) P(AB) / P(B) 就完事。1.1 在紙上畫兩個(gè)相交的圓你就能看懂條件概率我剛學(xué)條件概率時(shí)最大的困惑是為什么明明 P(A) 算得好好的非要除以一個(gè) P(B)P(B) 又不等于 1憑什么可以當(dāng)分母后來(lái)我換了個(gè)方式理解把整個(gè)樣本空間 Ω 想象成一個(gè)長(zhǎng)方形區(qū)域面積代表概率總和 1。事件 A 是一個(gè)圓事件 B 是另一個(gè)圓這兩個(gè)圓有相交的部分 AB。P(A) 就是 A 這個(gè)圓的面積在長(zhǎng)方形里的占比P(B) 就是 B 的面積占比P(AB) 是交集部分的面積占比?，F(xiàn)在題目告訴你“B 已經(jīng)發(fā)生了”這意味著什么意味著樣本空間從原來(lái)那個(gè)大大長(zhǎng)方形 Ω 縮小到了 B 這個(gè)圓的范圍。B 以外的地方在你知道這個(gè)條件的那一刻就已經(jīng)被排除了相當(dāng)于世界變小了。在這個(gè)縮小的世界里A 能發(fā)生的部分只有 AB 那塊交集所以概率不再是“AB 在 Ω 中的占比”而是“AB 在 B 中的占比”。分母自然就是 P(B)。這就是條件概率最核心的一句人話條件概率的本質(zhì)是縮小樣本空間然后在新空間里重新算比例。我在紙上畫過(guò)無(wú)數(shù)次這張圖每次畫完都覺(jué)得公式是“長(zhǎng)”在圖上而不是硬背下來(lái)的。P(A|B) 的圖意就是把目光從整個(gè)長(zhǎng)方形收回到 B 圓內(nèi)部再看 A 圓占了多大。1.2 乘法公式是條件概率的“逆向版本”條件概率定義式兩邊同乘 P(B)就得到乘法公式P(AB) P(B) × P(A|B)這個(gè)公式初看好像是定義式的簡(jiǎn)單變形沒(méi)什么新東西。但它的直觀含義很實(shí)用“AB 同時(shí)發(fā)生的概率”等于“B 先發(fā)生的概率”乘以“B 發(fā)生后 A 再發(fā)生的概率”。你把它想成兩段路從起點(diǎn)走到事件 B 的地盤概率是 P(B)到了 B 的地盤之后再?gòu)?B 的地盤走到 A 的地盤概率是 P(A|B)。兩段路都走通最終才是 A 和 B 都發(fā)生。這個(gè)“兩段路”的思路在后面畫樹狀圖時(shí)非常關(guān)鍵。樹狀圖每一層的路徑概率相乘本質(zhì)上就是在反復(fù)用乘法公式。如果 A 發(fā)生不影響 B 發(fā)生的概率也就是 P(A|B) P(A)那么乘法公式就退化成 P(AB) P(A) × P(B)這就是獨(dú)立事件的定義。獨(dú)立性不是“兩個(gè)事件沒(méi)有交集”而是“知道其中一個(gè)發(fā)生對(duì)另一個(gè)的概率沒(méi)有任何影響”。畫圖看的話獨(dú)立不是說(shuō)兩個(gè)圓不相交而是 AB 這塊面積與 B 的面積之比恰好等于 A 的面積在整個(gè)空間中的占比——這是一種非常特殊的比例關(guān)系。1.3 一個(gè)經(jīng)典例子有兩個(gè)孩子的家庭為了把條件概率的“反直覺(jué)”體現(xiàn)出來(lái)看一個(gè)經(jīng)典問(wèn)題一個(gè)家庭有兩個(gè)孩子已知其中一個(gè)是女孩另一個(gè)也是女孩的概率是多少假設(shè)孩子性別獨(dú)立且等概率樣本空間是 { 男男男女女男女女 }各占 1/4。已知至少一個(gè)是女孩樣本空間縮小到 { 男女女男女女 }三個(gè)等可能的情況里只有“女女”滿足條件所以答案是 1/3而不是 1/2。很多人第一反應(yīng)是 1/2那是因?yàn)槟X子里默認(rèn)“已知老大是女孩”這樣樣本空間只剩 { 女男女女 } 兩種答案才是 1/2。這兩個(gè)問(wèn)題長(zhǎng)相差不多答案完全不同區(qū)別就在于前者的條件是“存在一個(gè)女孩”沒(méi)有指定哪一個(gè)后者的條件指定了一個(gè)確切的位置。在圖上前者是 B “至少一個(gè)女孩”這個(gè)圓后者是 B “老大是女孩”這個(gè)圓。樣本空間縮小的范圍不一樣結(jié)果當(dāng)然不一樣。這個(gè)例子每次講都很能說(shuō)明問(wèn)題條件概率不是“套公式看運(yùn)氣”而是先搞清楚條件到底把樣本空間縮小成了什么樣子。2. 全概率公式分情況討論的加權(quán)平均有了條件概率和乘法公式接下來(lái)可以處理一類更復(fù)雜的問(wèn)題結(jié)果不好直接算但原因可以切成幾塊。全概率公式的“全”字說(shuō)的不是全部概率而是把整個(gè)樣本空間做一個(gè)完整的劃分然后窮盡所有可能路徑。2.1 先看一個(gè)不用公式也能算的簡(jiǎn)單例子假設(shè)一個(gè)班要選課60% 的同學(xué)選數(shù)學(xué)40% 的同學(xué)選物理。選數(shù)學(xué)的同學(xué)中有 80% 能一次及格選物理的同學(xué)中有 70% 能一次及格。問(wèn)隨機(jī)抽一個(gè)同學(xué)他一次及格的概率是多少這道題不會(huì)做的人會(huì)卡在“及格的人來(lái)自兩個(gè)不同的群體比例不一樣怎么合并”其實(shí)很簡(jiǎn)單及格的人包含兩部分——選數(shù)學(xué)且及格以及選物理且及格。選數(shù)學(xué)且及格0.6 × 0.8 0.48選物理且及格0.4 × 0.7 0.28總及格率0.48 0.28 0.76這不就是加權(quán)平均嗎權(quán)重就是選數(shù)學(xué)和選物理的比例各項(xiàng)及格率是各自的“內(nèi)部比例”。全概率公式的直觀含義說(shuō)白了就是分情況討論然后加起來(lái)。2.2 完備事件組為什么敢切成幾塊然后相加全概率公式的嚴(yán)謹(jǐn)之處在于用來(lái)“切分樣本空間”的幾個(gè)事件必須滿足兩個(gè)條件。兩兩互斥任意兩個(gè)事件沒(méi)有交集不能重疊。并集為全集所有事件加起來(lái)要完整覆蓋整個(gè)樣本空間不能漏掉任何一種情況。滿足這兩個(gè)條件的一組事件 A1, A2, ..., An 稱為樣本空間的一個(gè)劃分也叫完備事件組。這個(gè)“完備”值得強(qiáng)調(diào)它保證了你切分得干凈利落——不重不漏。全概率公式寫出來(lái)就是這個(gè)樣子P(B) P(A1) × P(B|A1) P(A2) × P(B|A2) ... P(An) × P(B|An)其中 A1 到 An 是對(duì) Ω 的一個(gè)劃分。B 是你關(guān)心的結(jié)果事件。你可能會(huì)問(wèn)這不就是把“原因”加權(quán)求和嗎對(duì)就是。而且每一步背后都站著乘法公式P(Ai) × P(B|Ai) P(AiB)也就是“從第 i 條路徑到達(dá)結(jié)果 B”的概率。2.3 工廠次品率標(biāo)準(zhǔn)的三段式計(jì)算看一個(gè)幾乎所有概率論課本都會(huì)出現(xiàn)的工廠模型。某工廠有三條生產(chǎn)線甲、乙、丙生產(chǎn)同一種零件產(chǎn)量占比分別為 50%、30%、20%次品率分別為 2%、1%、1.5%問(wèn)隨機(jī)抽一個(gè)零件它是次品的概率是多少這個(gè)問(wèn)題的結(jié)構(gòu)非常清晰三條生產(chǎn)線就是樣本空間的一個(gè)劃分因?yàn)橐粋€(gè)零件必然來(lái)自且只能來(lái)自其中一條線三者互斥且并集為全集。把數(shù)據(jù)代進(jìn)去P(次品) 0.5 × 0.02 0.3 × 0.01 0.2 × 0.015 0.01 0.003 0.003 0.016也就是 1.6% 的總體次品率。這個(gè)結(jié)果比任何一條生產(chǎn)線的次品率都高嗎沒(méi)有。它夾在最低的 1% 和最高的 2% 之間偏向占產(chǎn)量最大的甲線。因?yàn)榧拙€貢獻(xiàn)了 0.01 的次品率占了總體次品率的大頭。這就是加權(quán)平均的“權(quán)重”在起作用。2.4 樹狀圖把全概率公式畫成一種“窮舉路徑”全概率公式最配的圖是樹狀圖尤其是做選擇題和填空題時(shí)畫樹狀圖幾乎能避免所有公式套錯(cuò)的問(wèn)題。樹狀圖畫法很簡(jiǎn)單第一層是從根出發(fā)的幾個(gè)分支分別是 A1, A2, ..., An分支上標(biāo) P(Ai)每個(gè)分支再長(zhǎng)出第二層分支代表 B 發(fā)生或不發(fā)生邊上標(biāo) P(B|Ai) 或 P(B?|Ai)。每條從根到樹葉的路徑就是一個(gè)“完整事件”路徑上所有概率相乘就是該路徑的概率。想求“B 發(fā)生”的總概率就把所有通向“B”的葉子路徑概率加起來(lái)。這就是全概率公式的圖論版本乘法對(duì)應(yīng)“路徑分段相乘”加法對(duì)應(yīng)“不同路徑相加”。關(guān)鍵是畫圖時(shí)別漏分支。我見(jiàn)過(guò)太多學(xué)生列式時(shí)只寫了兩個(gè)生產(chǎn)線那種一眼能看明白的一旦變成 4 個(gè)原因就開(kāi)始丟項(xiàng)。樹狀圖能把所有分支都擺在你面前漏沒(méi)漏一眼就知道。3. 貝葉斯公式用結(jié)果倒推原因的“逆運(yùn)算”全概率公式解決的是“從原因推結(jié)果”給定各條路徑的概率求結(jié)果發(fā)生的總概率?，F(xiàn)實(shí)里更常見(jiàn)的問(wèn)題是反過(guò)來(lái)的已經(jīng)知道結(jié)果發(fā)生了想判斷它更可能來(lái)自哪個(gè)原因。這就是貝葉斯公式干的事。3.1 同一個(gè)樹狀圖把視線從“根”挪到“葉”回到工廠的例子?，F(xiàn)在不是“抽一個(gè)零件問(wèn)次品率”而是“抽到一個(gè)次品零件請(qǐng)問(wèn)它來(lái)自甲生產(chǎn)線的概率有多大”在樹狀圖上這個(gè)問(wèn)題可以被看得很清楚。整棵樹里第二層葉子為“次品”的路徑有三條甲 → 次品乙 → 次品丙 → 次品三條路徑的概率分別是 0.010、0.003、0.003。顯然甲這條路徑的“貢獻(xiàn)”最大?，F(xiàn)在已知結(jié)果落到“次品”這個(gè)葉子上了想知道來(lái)自甲這條路徑的比例其實(shí)就是拿甲的路徑概率除以三條路徑概率的總和P(甲|次品) 0.010 / (0.010 0.003 0.003) 0.010 / 0.016 0.625這就是貝葉斯公式在這個(gè)例子中的含義。注意看分母 0.016 是不是特別眼熟這正是上一節(jié)全概率公式算出來(lái)的總次品率。所以貝葉斯公式并不是什么新東西它的分母就是全概率公式的結(jié)果分子是“你關(guān)心的那條路徑”的概率。你已經(jīng)在全概率這棵樹的底部算過(guò)所有葉子現(xiàn)在只是反過(guò)身來(lái)問(wèn)這片葉子里的果實(shí)有多少是從某根樹枝掉下來(lái)的3.2 公式與“先驗(yàn)后驗(yàn)”的視角寫成通用形式貝葉斯公式長(zhǎng)這樣P(Ak|B) P(Ak) × P(B|Ak) / Σ [P(Ai) × P(B|Ai)]其中分母是對(duì)所有 i 求和也就是全概率公式。分子正是你想知道的那個(gè)原因 Ak 到結(jié)果 B 的路徑概率。公式里的三個(gè)角色各有名字P(Ak)看到證據(jù) B 之前你對(duì)原因 Ak 的主觀概率叫先驗(yàn)概率P(B|Ak)在原因 Ak 下結(jié)果 B 發(fā)生的可能性叫似然度P(Ak|B)看到證據(jù) B 之后你更新過(guò)的概率叫后驗(yàn)概率用大白話講貝葉斯公式就是一個(gè)“觀點(diǎn)修正”工具你原先相信什么先驗(yàn)又觀察到了一些證據(jù)B證據(jù)在各個(gè)假設(shè)下出現(xiàn)的可能性不同似然綜合之后你對(duì)原因的看法發(fā)生了改變后驗(yàn)。這個(gè)“信息更新”的視角特別重要。它讓概率論從“算靜態(tài)比例”升級(jí)成了“動(dòng)態(tài)學(xué)習(xí)工具”——機(jī)器學(xué)習(xí)里的貝葉斯分類器、垃圾郵件過(guò)濾器、推薦系統(tǒng)里的很多模型底層都有這個(gè)邏輯。3.3 體檢陽(yáng)性的反直覺(jué)計(jì)算基率是魔鬼現(xiàn)在回到開(kāi)頭那個(gè)體檢問(wèn)題。假設(shè)某種病的患病率是 1%也就是人群中 100 個(gè)人里有 1 個(gè)真的生病。某檢測(cè)方法的靈敏度有病的人檢出陽(yáng)性的概率為 99%特異度也很高沒(méi)病的人有 98% 會(huì)得到陰性結(jié)果也就是說(shuō)誤報(bào)率只有 2%?，F(xiàn)在一個(gè)人拿到了陽(yáng)性報(bào)告他真有病的概率是多大按貝葉斯公式算一遍。假設(shè) 10000 個(gè)人來(lái)體檢有病的人10000 × 1% 100 人其中陽(yáng)性100 × 99% 99 人其中陰性漏檢1 人沒(méi)病的人10000 × 99% 9900 人其中陽(yáng)性誤報(bào)9900 × 2% 198 人其中陰性9702 人那么拿到陽(yáng)性報(bào)告的一共有 99 198 297 人。這 297 人里真正有病的只有 99 人P(有病|陽(yáng)性) 99 / 297 ≈ 33.3%準(zhǔn)確率如此之高的檢測(cè)一個(gè)陽(yáng)性結(jié)果卻只意味著三分之一左右的真實(shí)患病概率。你或許會(huì)覺(jué)得離譜但這不是公式的錯(cuò)而是你沒(méi)把“患病率只有 1%”這個(gè)先驗(yàn)信息放進(jìn)去。99% 是“有病 → 陽(yáng)性”的概率我們需要的是“陽(yáng)性 → 有病”的概率兩者方向完全相反數(shù)值天差地別。忽略先驗(yàn)、只看靈敏度是初學(xué)者最容易犯的錯(cuò)。來(lái)都來(lái)了順手再算一個(gè)如果患病率降到 0.1%也就是 10000 人里只有 10 個(gè)病人其他人不變那陽(yáng)性結(jié)果里真有病的概率會(huì)變成多少有病且陽(yáng)性10 × 99% ≈ 9.9 人沒(méi)病且誤報(bào)9990 × 2% ≈ 199.8 人P(有病|陽(yáng)性) 9.9 / (9.9 199.8) ≈ 4.7%先驗(yàn)概率從 1% 降到 0.1%陽(yáng)性預(yù)測(cè)值直接從 33% 掉到不足 5%。同樣的檢測(cè)精度在不同人群中結(jié)果完全不一樣。這也是為什么醫(yī)生會(huì)對(duì)高風(fēng)險(xiǎn)人群推薦篩查而對(duì)普通人反復(fù)強(qiáng)調(diào)“陽(yáng)性不等于確診”——基率變了后驗(yàn)就變了。3.4 貝葉斯公式在圖上的打開(kāi)方式把樹倒過(guò)來(lái)看全概率的樹狀圖是“因 → 果”方向的根是劃分葉是結(jié)果。貝葉斯公式相當(dāng)于把一棵樹的視角反轉(zhuǎn)已知樹葉是“陽(yáng)性”或“次品”你要判斷它來(lái)自哪根樹枝。畫圖時(shí)有個(gè)小技巧先畫完整樹狀圖標(biāo)好每條路徑的聯(lián)合概率然后在“結(jié)果葉”旁邊把同一結(jié)果的所有路徑概率寫出來(lái)求總和最后算“目標(biāo)路徑概率”除以“總和”。這個(gè)流程幾乎不會(huì)漏項(xiàng)。我在教學(xué)和實(shí)際做題中凡是遇到貝葉斯的題都鼓勵(lì)大家先畫樹再代公式。畫出來(lái)以后你會(huì)覺(jué)得答案幾乎是“看得見(jiàn)”的而不是硬套出來(lái)的。4. 同一道題正推與反推三步判斷該用哪個(gè)公式很多初學(xué)者分不清什么時(shí)候用全概率、什么時(shí)候用貝葉斯。其實(shí)這兩個(gè)公式解決的是同一個(gè)流程的不同方向。用一個(gè)完整的例子感受一下這種“正反”關(guān)系比背十遍區(qū)別都有用。4.1 一個(gè)場(chǎng)景兩種問(wèn)法假設(shè)某快遞公司有三個(gè)中轉(zhuǎn)倉(cāng)庫(kù)訂單配送延誤主要發(fā)生在倉(cāng)庫(kù)環(huán)節(jié)。甲倉(cāng)處理了全部訂單的 50%延誤率 3%乙倉(cāng)處理 30%延誤率 5%丙倉(cāng)處理 20%延誤率 8%。已知某訂單發(fā)生了延誤請(qǐng)問(wèn)它來(lái)自甲倉(cāng)的概率是多少這題如果只問(wèn)“隨機(jī)抽一單它延誤的概率”就是全概率現(xiàn)在問(wèn)“已知延誤來(lái)自甲倉(cāng)”就是貝葉斯。先算全概率P(D) 0.5 × 0.03 0.3 × 0.05 0.2 × 0.08 0.015 0.015 0.016 0.046隨機(jī)抽一單延誤率是 4.6%。再算貝葉斯P(甲|D) 0.5 × 0.03 / 0.046 0.015 / 0.046 ≈ 0.326所以延誤訂單里來(lái)自甲倉(cāng)的比例約為 32.6%。而甲倉(cāng)在訂單總量里占 50%——延誤讓它“看起來(lái)”沒(méi)那么多了因?yàn)橐冶麄}(cāng)的延誤率更高在延誤訂單里的相對(duì)份額被拉高了。4.2 實(shí)操中如何判斷三步走第一步找“結(jié)果事件”。題目問(wèn)的是不是某個(gè)已經(jīng)發(fā)生的結(jié)果延誤、陽(yáng)性、次品只要是就朝著全概率或貝葉斯方向走。第二步找“劃分事件”?？纯搭}目里有沒(méi)有一組互斥且完整的原因三個(gè)倉(cāng)庫(kù)、三條生產(chǎn)線、不同選課人群。如果有恭喜你這是萬(wàn)能鑰匙。第三步看題目問(wèn)的方向問(wèn)“總結(jié)果概率”用全概率問(wèn)“已知結(jié)果來(lái)自哪個(gè)原因”用貝葉斯。這個(gè)流程在處理應(yīng)用題時(shí)比單純背公式更管用因?yàn)楹芏囝}不會(huì)直接告訴你該用哪個(gè)公式而是給了你一堆條件讓你自己組織。4.3 表格全概率和貝葉斯的分工一覽為了避免記混把兩者的分工和所需條件放在一起看更清楚。對(duì)比項(xiàng)全概率公式貝葉斯公式已知各原因的概率 P(Ai)各原因下結(jié)果概率 P(B|Ai)同上分母部分所求結(jié)果 B 的總概率 P(B)已知結(jié)果 B某個(gè)原因 Ai 的概率 P(Ai|B)方向從因到果正推從果到因反推可視方式樹狀圖所有通向結(jié)果的葉子加起來(lái)目標(biāo)路徑概率除以所有通向結(jié)果葉子概率之和可以看出貝葉斯公式的分母本來(lái)就是全概率公式的結(jié)果分子只是其中一條路徑。所以能把全概率算明白貝葉斯就只差最后一步除法。4.4 別小看這個(gè)例子它同時(shí)演示了“加權(quán)”和“反推”這個(gè)快遞例子是我個(gè)人比較喜歡用的一個(gè)例子因?yàn)閿?shù)字小、每一步都能直接看出經(jīng)濟(jì)含義而且和工廠那道題形成對(duì)照。工廠題側(cè)重“求次品率”快遞題側(cè)重“延誤訂單的來(lái)源結(jié)構(gòu)”。把兩道題并排做一遍你會(huì)發(fā)現(xiàn)同樣的 0.015、0.015、0.016 三個(gè)數(shù)一次是用來(lái)加總一次是用來(lái)當(dāng)分子分母。這種感覺(jué)一旦建立起來(lái)再看到類似結(jié)構(gòu)就不會(huì)慌了。5. 翻車清單初學(xué)貝葉斯最容易踩的四個(gè)坑這一節(jié)是我在教別人和復(fù)盤自己學(xué)習(xí)過(guò)程之后總結(jié)出來(lái)的。公式本身并不難難的是理解場(chǎng)景和避免一些低級(jí)失誤。5.1 把 P(A|B) 和 P(B|A) 搞混這是最經(jīng)典的方向性錯(cuò)誤。檢測(cè)設(shè)備給的是“有病 → 陽(yáng)性”的靈敏度你要的是“陽(yáng)性 → 有病”的概率。兩者不等價(jià)差別可能非常懸殊。體檢例子已經(jīng)充分證明靈敏度 99% 時(shí)陽(yáng)性預(yù)測(cè)值可能只有 33%反過(guò)來(lái)如果某種表現(xiàn)能 99% 指向某種原因那它顯然非?！按_定”但如果你只拿后者當(dāng)作前者的概率連感覺(jué)都會(huì)跑偏。一個(gè)實(shí)用的檢查辦法寫完公式后把每個(gè)概率翻譯回“人話”——P(A|B) 是“已知 BA 的概率”P(B|A) 是“已知 AB 的概率”。如果一句話就能說(shuō)清兩者區(qū)別這個(gè)坑基本就算避開(kāi)了。5.2 劃分事件不互斥或不完備“劃分”這個(gè)詞看起來(lái)嚴(yán)絲合縫但做題時(shí)經(jīng)常有人隨手寫出一組所謂的“原因”結(jié)果它們之間有交集。舉個(gè)反面例子把學(xué)生的狀態(tài)劃分為“喜歡數(shù)學(xué)”和“喜歡英語(yǔ)”然后套全概率公式。這顯然不行因?yàn)橐粋€(gè)學(xué)生可能兩者都喜歡也可能兩者都不喜歡——這兩個(gè)事件既不互斥也不完備。正確做法是先定義好“按什么標(biāo)準(zhǔn)切”“喜歡數(shù)學(xué)”和“不喜歡數(shù)學(xué)”才是一組互斥且完備的劃分。記住一個(gè)檢驗(yàn)技巧任取兩個(gè)劃分事件問(wèn)自己“一個(gè)人可能同時(shí)屬于它們嗎”如果可能互斥不成立“一個(gè)人一定屬于其中某個(gè)嗎”如果不是完備不成立。兩條同時(shí)通過(guò)劃分才是合法可用的。5.3 忽略先驗(yàn)概率貝葉斯公式里的 P(Ak) 是后驗(yàn)計(jì)算的關(guān)鍵“底數(shù)”。很多人看到靈敏度和誤報(bào)率就直接拿來(lái)做判斷完全忽略了患病率、缺陷率、正常比例這些先驗(yàn)信息。這幾乎是貝葉斯問(wèn)題里最隱蔽的坑。因?yàn)橄闰?yàn)不一定出現(xiàn)在題面很顯眼的位置有時(shí)候藏在“合格率是 95%”“人群中患病率很低”這類看似普通的句子里。做任何貝葉斯題第一步都要主動(dòng)問(wèn)自己先驗(yàn)在哪它在人群中的占比是多少?zèng)]有先驗(yàn)貝葉斯公式無(wú)從談起。5.4 只記公式不畫圖導(dǎo)致漏項(xiàng)見(jiàn)過(guò)不少同學(xué)背公式很熟但代的時(shí)候把分母的求和項(xiàng)寫少了。比如上面工廠的例子有人列式時(shí)只寫了甲乙兩條線忘了丙線。這種失誤完全可以通過(guò)畫樹狀圖避免——把每個(gè)劃分事件分支都畫出來(lái)再去數(shù)葉子而不是憑空在腦子里列式。樹狀圖的好處就是強(qiáng)制你枚舉完整。漏項(xiàng)的另一個(gè)根源是題目里給的是“陰性率”“合格率”這類互補(bǔ)概率換算成陽(yáng)性率、次品率時(shí)出錯(cuò)。寫公式前先統(tǒng)一口徑比如把“沒(méi)病的人 98% 陰性”換算成“沒(méi)病的人 2% 陽(yáng)性”再往公式里代能減少很多低級(jí)錯(cuò)誤。我個(gè)人學(xué)習(xí)概率論的經(jīng)驗(yàn)是不要一開(kāi)始就鉆到計(jì)算技巧里先把這三個(gè)概念在“圖”上畫明白——面積圖理解條件概率樹狀圖理解全概率倒置的樹理解貝葉斯。圖一旦在腦子里定型公式就不是死記硬背的東西了。這套思維對(duì)后續(xù)學(xué)統(tǒng)計(jì)推斷、機(jī)器學(xué)習(xí)里的樸素貝葉斯模型都非常有用。遇到具體的貝葉斯計(jì)算題不要急著套公式先把先驗(yàn)找出來(lái)把劃分畫出來(lái)再計(jì)算這條路就不容易走偏。