贝叶斯定理计算器

总概率 P(B)	0.0882
公式	P(A\|B) = P(B\|A)·P(A) / P(B)

什么是贝叶斯定理？

贝叶斯定理告诉我们：当出现新的证据 B 时，应如何更新对某个假设 A 成立的概率判断。它把我们事先持有的先验信念，通过权衡"在假设成立时证据出现的可能性"与"证据本身整体出现的可能性"，转化为更新后的后验信念。这一思想是统计学、机器学习、医学诊断、垃圾邮件过滤以及在不确定情况下做出理性决策的基石。

如何使用本计算器

请输入三个概率值，每个都介于 0 到 1 之间：

P(A)——先验概率，即假设成立的事前概率（例如某种疾病的患病率/基础发生率）。
P(B|A)——似然度，即假设 A 成立时观测到该证据的概率（例如检测的灵敏度）。
P(B|¬A)——假阳性率，即假设 A 不成立时仍观测到该证据的概率。

计算器会依据全概率公式自动算出证据出现的总概率 $P(B)$，再返回后验概率 $P(A|B)$。

公式详解

核心公式为 $P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}$。由于 $P(B)$ 往往无法直接得知，我们将其展开为

$$P(A \mid B) = \frac{\text{P(B|A)} \cdot \text{P(A)}}{\text{P(B|A)} \cdot \text{P(A)} + \text{P(B|¬A)} \cdot \left(1 - \text{P(A)}\right)}$$

这样就把"真阳性"与"假阳性"两部分贡献合并起来，得到证据整体出现的频率。

树状图从根节点分出两条假设分支，每条又分为检测阳性和阴性两种结果 — 概率树展示先验概率如何分成似然和假阳性两个分支。

实例演算

假设某种疾病的患病率为 1%，即 $P(A) = 0.01$。该检测能在 90% 的情况下正确识别出患者，$P(B|A) = 0.9$；但同时存在 8% 的假阳性率，$P(B|¬A) = 0.08$。于是

$$P(B) = 0.9 \times 0.01 + 0.08 \times 0.99 = 0.009 + 0.0792 = 0.0882$$

后验概率为

$$P(A|B) = \frac{0.009}{0.0882} \approx 0.102$$

约为 10.2%。也就是说，即便检测结果"呈阳性"，此人多半其实是健康的——这正是忽视基础发生率（base-rate neglect）的经典案例。

两个相互重叠的矩形代表不同总体，重叠区域被高亮以显示后验概率 — 将后验概率可视化为相对于所有阳性结果的高亮重叠区域。

后验如何在不同场景中变化

贝叶斯定理结合了先验概率 $P(A)$、真阳性率（似然）$P(B \mid A)$ 和假阳性率 $P(B \mid \neg A)$ 得到更新的后验 $P(A \mid B)$。结果中最令人惊讶的单一特征是其对基础率 $P(A)$ 的敏感性：当某种条件很罕见时，即使是高度准确的测试也会产生较低的后验概率。下表将测试特征固定在某些地方，并改变输入以使这种依赖性变得可见。

场景	先验 P(A)	似然 P(B\|A)	假阳性 P(B\|¬A)	后验 P(A\|B)
罕见条件，准确的测试	0.01	0.99	0.05	0.1667
罕见条件，较低的假阳性率	0.01	0.99	0.01	0.5
中等基础率，准确的测试	0.10	0.99	0.05	0.6875
常见条件，准确的测试	0.50	0.99	0.05	0.9519
罕见条件，高假阳性率	0.01	0.90	0.20	0.0435

从前两行往下读可以看出，将假阳性率从 0.05 降低到 0.01 会使后验从约 17% 提高到 50%，尽管基础率和灵敏度没有变化。从第一、三、四行可以看出，随着先验从 1% 上升到 50%，同一测试将后验从 17% 推高到约 95%。最后一行演示了相反的极端情况：罕见条件加上高假阳性率使后验保持在 5% 以下，尽管真阳性率为 90%。

解释您的后验概率

后验 $P(A \mid B)$ 是在观察到证据 $B$ 之后假设 $A$ 为真的概率。它回答了实际问题"鉴于此阳性结果，条件实际存在的可能性有多大？" — 这通常是决策制定者想要知道的。

重要的是不要将后验与似然 $P(B \mid A)$ 混淆。似然（在测试背景下通常称为灵敏度或真阳性率）是在 $A$ 为真的假设下看到证据的概率。这两个条件概率指向相反的方向，它们仅在特殊情况下相等。测试可以有 99% 的真阳性率，但仍能产生远低于 99% 的后验 — 这种差异由基础率和假阳性率驱动。

基础率 $P(A)$ 是这种差距的驱动力。当 $A$ 罕见时，真实情况的池很小，因此即使是应用于大型 $\neg A$ 人群的适度假阳性率也可能产生比真阳性更多的假阳性。忽视基础率并将阳性结果解读为接近确定是著名的基础率谬误。

最后，贝叶斯更新是迭代的。一旦您计算出后验，它可以作为下一个独立证据的先验。例如，观察第二个阳性测试意味着您将第一个后验作为 $P(A)$ 反馈并再次更新。重复的独立证据逐步完善估计，这就是为什么贝叶斯推理是序列测试、垃圾邮件过滤和许多机器学习模型的基础。

关键术语和变量

先验 — $P(A)$: 在观察证据之前分配给假设 $A$ 的概率。在测试背景下，这是条件的患病率或基础率。
似然 — $P(B \mid A)$: 当 $A$ 为真时观察到证据 $B$ 的概率。对于诊断测试，这是灵敏度或真阳性率。
假阳性率 — $P(B \mid \neg A)$: 当 $A$ 为假时观察到证据 $B$ 的概率。对于诊断测试，它等于 $1 - \text{特异性}$。
证据/边际似然 — $P(B)$: 在所有假设下观察到证据的总概率，通过全概率法则计算为 $P(B) = P(B \mid A)\,P(A) + P(B \mid \neg A)\,\bigl(1 - P(A)\bigr)$。它是标准化后验的分母。
后验 — $P(A \mid B)$: 考虑证据 $B$ 后 $A$ 的更新概率。它是贝叶斯定理的输出。
基础率: 先验 $P(A)$ 的另一个名称 — 假设在人群中的基础频率，独立于任何特定的测试结果。
贝叶斯定理: 关联这些量的规则：$P(A \mid B) = \dfrac{P(B \mid A)\,P(A)}{P(B)}$。记号 $P(X \mid Y)$ 读作"给定 $Y$ 时 $X$ 的概率"，$\neg A$ 表示"非 $A$"，即假设的补集。