本科数学 · 随机事件与概率：贝叶斯的反直觉

三

模块三：概率论与数理统计

Probability & Statistics · 和不确定性打交道

世界充满偶然，但偶然不是乱撞——它有规律。概率论告诉你"随机事件长期怎么分布"，数理统计告诉你"从一小撮样本怎么反推整体"。保险定价、A/B 测试、推荐系统、贝叶斯垃圾邮件过滤，都是这套语言；而信息论一节，直接就是分类模型的损失函数本身。本模块 5 节。

这一模块在整条线里的位置：前面微积分管"确定性的变化"，线代管"确定性的变换"，这一块专管"说不清的事"。因为现实数据全是带噪的，机器学习本质就是"在不确定里找规律"。学完能看懂贝叶斯滤波、A/B 检验为什么这么做；到了研究生你会学测度论、随机过程、概率图模型，把概率抬到严格化。这个知识在 AI 里直接用来做贝叶斯推断、隐马尔可夫模型、强化学习的奖励期望。

本模块要学什么 · 一张小图

地基：⑰随机事件与概率（贝叶斯） → 模型：⑱随机变量与分布 → 大数现象：⑲大数定律与中心极限定理 → ⑳信息论：熵、交叉熵与 KL → 反推：㉑参数估计与假设检验
依赖链：会算概率 → 用分布函数建模 → 中心极限告诉你"为什么数据长成正态" → 信息论接过"分布"往下走，告诉你两个分布差多远（这就是损失函数） → 统计用样本反推总体。

随机事件与概率：贝叶斯的反直觉

Probability · 看证据更新猜测

【章首引子】体检报告"阳性"，检测准确率 99%——你是不是完了？别急。如果这个病本身只有千分之一的人得，那你真得病的概率其实只有 约 9%。因为基率太低，假阳性比真阳性还多。这就是贝叶斯公式最反直觉的一击。

卡必背公式 / 记忆口诀

贝叶斯 P(A|B)=P(B|A)P(A)/P(B)

常用分布正态/二项/泊松

大数定律+中心极限定理

口诀：概率核心——分布对号入座

① 是什么：概率公理与贝叶斯

啥条件概率与贝叶斯公式

样本空间：所有可能结果的集合；事件是其中一部分。概率公理：概率在 0 到 1 之间，必然事件为 1。条件概率 P(A|B)：在 B 已发生的前提下 A 发生的概率。独立性：A 不影响 B。

贝叶斯公式：P(A|B) = P(B|A)·P(A) / P(B)。大白话：看到证据 B 后，反过来更新你对 A 的相信程度。P(A) 叫先验，P(A|B) 叫后验。全概率公式：P(A) = Σ P(A|Bᵢ)P(Bᵢ)（把情况拆块分别算再加起来）。

② 怎么想到的：基率思维

思解题心法

先找基率 P(A)：这个事本身多常见？别被"准确率 99%"骗了。

列 P(B|A) 和 P(B|¬A)：真阳性率和假阳性率。

套贝叶斯：后验 = 似然 × 先验 / 证据。

③ 完整解法：三个例题

证随机事件与概率：贝叶斯的反直觉的核心定理与公式

核心定理：①加法公式：$P(A\cup B)=P(A)+P(B)-P(A\cap B)$。②条件概率定义：$P(A\,|\,B)=\frac{P(A\cap B)}{P(B)}$（要求 $P(B)>0$）。③乘法公式与独立性：$P(A\cap B)=P(A)\,P(B\,|\,A)$；独立时 $P(A\cap B)=P(A)\,P(B)$。④全概率公式：若 $A_1,\ldots,A_n$ 构成划分，则 $P(B)=\sum\limits_{i=1}^{n}P(B\,|\,A_i)\,P(A_i)$。⑤贝叶斯公式：$P(A_i\,|\,B)=\frac{P(B\,|\,A_i)\,P(A_i)}{\sum\limits_{j}P(B\,|\,A_j)\,P(A_j)}$。

推导思路：①由条件概率的定义写出两式：$P(A\,|\,B)=\frac{P(A\cap B)}{P(B)}$ 与 $P(B\,|\,A)=\frac{P(A\cap B)}{P(A)}$。②两式解出的是同一个交集概率，于是连等：$P(A\cap B)=P(A\,|\,B)\,P(B)=P(B\,|\,A)\,P(A)$。③两边同除以 $P(B)$（要求 $P(B)>0$），得 $P(A\,|\,B)=\frac{P(B\,|\,A)\,P(A)}{P(B)}$——这就是贝叶斯公式的雏形。④最后把分母用全概率公式展开：$P(B)=\sum\limits_{j}P(B\,|\,A_j)\,P(A_j)$，其中 $A_j$ 两两互斥且并起来是整个样本空间，于是得到完整形式。

直觉把握：贝叶斯就是"先有个老看法（先验），来了新证据，把看法更新成新看法（后验）"。最经典的震撼是体检阳性不等于得病——因为病的先验概率太低，假阳性的人数反而压过了真病人。AI/工程里，朴素贝叶斯分类器、贝叶斯神经网络、VAE 里的后验 $p(z\,|\,x)$、RLHF 中把 reward model 当先验来约束策略，用的都是同一个公式。

例题1：病发病率 0.1%，准确率 99%，阳性后真病概率

【审题】经典基率谬误。

思路：1000 人算一遍。

逐步解法：1000 人里约 1 个真病（检出），其余 999 健康人里 1% 误诊 ≈ 10 个假阳性。P(病|阳) = 1/(1+10) ≈ 9%。

例题2：两个骰子，已知至少一个 6，两个都是 6 的概率

【审题】条件概率。

思路：数样本点。

逐步解法："至少一个 6"有 11 种，其中 (6,6) 只 1 种。= 1/11，不是 1/6。

例题3：垃圾邮件过滤

【审题】看到"中奖"二字，多大概率是垃圾？

思路：贝叶斯分类。

逐步解法：统计历史：垃圾邮件里"中奖"出现频率高，正常邮件里低。贝叶斯把"看到词"反推"是不是垃圾"。这就是朴素贝叶斯分类的祖宗。

概率核心公式 $\text{条件概率} P(A|B) = P(AB)/P(B)$ | $\text{乘法公式} P(AB) = P(A|B)P(B)$
$\text{全概率} P(A) = \Sigma P(A|B_i)P(B_i)$ | $\text{贝叶斯} P(A|B) = P(B|A)P(A)/P(B)$
独立：$P(AB) = P(A)P(B)$

④ 用途与案例

医疗诊断

检测阳性别慌，先算基率。传染病筛查、癌症早筛都要做贝叶斯校正。

AI 朴素贝叶斯

垃圾邮件过滤、文本分类、情感分析——贝叶斯分类器是最经典的机器学习之一。

风控反欺诈

"这笔交易多大概率是欺诈"——根据历史特征用贝叶斯更新判断。

法律证据

DNA 匹配、指纹证据的"似然比"，本质都是贝叶斯推理。

⑤ 延展

展知识衔接地图

往研究生走：朴素贝叶斯 → 贝叶斯统计/贝叶斯网络（概率图模型、MCMC）。往 AI 走：贝叶斯推断是概率机器学习（贝叶斯神经网络、变分推断）的根基。

思维陷阱

基率谬误：忘了"这事本来多罕见"。检测准确率再高，病本身极罕见时假阳性也会淹没真阳性。看到"准确率 99%"先问：这个事件本身常见吗？

练习

【基础】P(A)=0.5，P(B)=0.4，A、B 独立，P(AB)=？

查看思路与解答

独立：P(AB)=P(A)P(B)=0.5×0.4=0.2。

【自评反馈】和答案对得上 → 继续下一题；对不上 → 回到本页"是什么"和例题区，把卡住的那步再推一遍。

【进阶】病发病率 1%，灵敏度 99%、特异度 99%，阳性后真病概率？

查看思路与解答

1000 人：10 真病全检出，990 健康人 1%≈10 假阳性。P=10/(10+10)=50%。比 0.1% 基率时的 9% 高多了——基率越高，阳性越可信。

【自评反馈】和答案对得上 → 继续下一题；对不上 → 回到本页"是什么"和例题区，把卡住的那步再推一遍。

费曼学习法：讲给别人听

① 用自己的话讲：概率是事件发生可能性的度量；贝叶斯公式拿"看到的结果"反推"背后的原因"。

② 举个反例（什么条件下不成立）：P(A|B) ≠ P(B|A)（检测阳性≠真得病，基础率一低就反转）；互斥和独立完全是两码事。

③ 哪里还说不清：条件概率一上来就搞反 A、B，怎么一眼自查？

记

小结卡

① 贝叶斯 = 看证据更新猜测；先验（基率）永远不能忘。

② 全概率把情况拆块算；检测再准碰到罕见病也别慌，先算后验。