贝叶斯定理可视化

探索证据如何更新我们的信念

P(A|B) = P(B|A) · P(A) P(B)
先验概率：看到证据前的信念
似然度：假设成立时证据出现的概率
证据：看到证据的总概率
后验概率：看到证据后更新的信念

假阳性悖论

一种罕见病的检测准确率很高，但如果检测结果为阳性，你真正患病的概率可能比你想象的要低得多。让我们看看为什么。

0.01% 10%
50% 100%
0.1% 10%

检测结果为阳性时

9.0% 真正患病的概率

计算过程（基于10,000人）：

1 真正患病人数： 10 人
2 其中检测阳性（真阳性）： ≈10 人
3 健康人数： 9,990 人
4 其中误检阳性（假阳性）： ≈100 人
5 总阳性人数： ≈110 人
6 阳性中真正患病： 10 / 110 ≈ 9.0%

人群分布可视化（10,000人）

真阳性（患病且检测阳性）
假阴性（患病但检测阴性）
假阳性（健康但检测阳性）
真阴性（健康且检测阴性）

概率对比

贝叶斯更新过程

调整先验概率和似然度，观察后验概率如何变化。这展示了贝叶斯推理的核心机制：新证据如何更新我们的信念。

1% 99%

在看到证据前的初始信念

1% 99%

假设成立时证据出现的概率

1% 99%

在所有情况下看到证据的总概率

后验概率 P(H|E)

80.0% 更新后的信念

公式计算：

先验： P(H) = 50%
↓
证据： P(E|H) = 80%
↓
归一化： P(E) = 50%
↓
后验： P(H|E) = 80.0%

集合关系图

假设 H
证据 E
P(H∩E)

核心洞察

先验很重要

对于罕见事件，即使测试准确率很高，阳性结果也可能主要是假阳性。这是因为基础患病率太低。

证据更新信念

贝叶斯定理提供了一个数学框架，告诉我们如何根据新证据理性地更新我们的信念。

似然比的力量

当证据在假设成立时比不成立时更可能出现（高似然比），这个证据就有很强的说服力。

迭代更新

今天的后验概率可以作为明天的先验概率，这样我们就可以不断地积累证据，逐步接近真相。