每日一式 · No.010 ✦ 機率季 · 第四課
P(A|B) = P(B|A)·P(A) / P(B)
貝氏定理 · Bayes' Theorem
舊信念 × 新證據 = 新信念 —— 用證據更新信念的文法。
📜 公式的身世
牧師的遺稿

貝葉斯本人是一位長老會牧師,這條定理生前從未發表 —— 摯友 Price(也是牧師)整理遺稿,1763 年代為宣讀;Price 相信,這套「由結果反推原因」的邏輯,正可以用來從受造之物回推那位起初的因。真正把它煉成通用武器的是拉普拉斯;而它最傳奇的戰績在二十世紀:圖靈用貝氏推理破解 Enigma;1966 年美軍氫彈墜入地中海、1968 年天蠍號核潛艇失蹤,都是靠貝氏搜尋一格一格更新機率撈回來的。一份牧師的遺稿,成了人類在不確定裡找路的羅盤。

🌍 它今天在哪裡上工
📬
垃圾郵件過濾 —— 2002 年起,貝氏過濾器讓廣告信兵敗如山倒 —— 你的收件匣每天默默做幾千次貝氏更新。
🩺
篩檢陽性別急著哭 —— 罕見病加上九成準的檢查,陽性後真有病的機率可能不到一成 —— 這題連醫師都常算錯,貝氏定理是解藥。
🚗
導航的「重新計算」 —— GPS 訊號雜訊很大,導航用貝氏濾波融合舊位置與新訊號 —— 你每次轉彎,它都在更新後驗機率。

先用最白的話說:貝氏定理回答一種每天都在發生的問題 —— 「看到了證據 B,我對 A 的相信程度,該更新成多少?」檢測陽性後生病的機率、警報響後真有火災的機率、看完一篇報導後某說法為真的機率 —— 全是它。

🔁它的核心動作只有一個:把條件「翻轉過來」。我們手上有的通常是「如果生病,檢測多準」P(陽|病);我們真正想知道的卻是反向的「檢測陽性,多可能生病」P(病|陽)。這兩個不是同一件事 —— 貝氏定理,就是那台合法的翻轉機。

四章:先撞一個著名的悖論(答案會讓你不敢相信),再拆開翻轉機的構造,再看信念如何「一筆一筆學習」,最後 —— 這條定理的作者本人是一位牧師,我們用它聊聊證據與信心。

I 檢測悖論 II 翻轉機 III 會學習的信念 IV 牧師的定理
Part 1 · 拉了就懂（白話）
I
第一章 · 檢測悖論：99% 準的檢測，陽性卻多半是誤會？
把一萬個人攤開來看 —— 答案藏在「病人本來就稀少」這件事裡。

🩺某病盛行率 1%。檢測很強:病人 99% 驗得出(靈敏度),健康人只有 5% 被誤判(偽陽性)。你驗出陽性 —— 你生病的機率是多少?直覺說 99%…… 正解卻只有 約 17%。為什麼?把一萬個人攤開來數:100 個病人裡揪出 99 個真陽性;但 9900 個健康人裡,5% 誤報 = 495 個假警報 —— 假警報是真陽性的五倍。陽性大軍裡,多數是無辜的。

互動 · 一萬個人 · 金＝真陽性、青＝假警報
盛行率（多少人真的生病）0.1% ～ 10%
靈敏度（病人驗得出的比例）80% ～ 99.9%
偽陽性率（健康人被誤判的比例）0.1% ～ 20%
真陽性（金）99 人
假警報（青）495 人
P(生病｜陽性) = 金 ÷（金＋青）16.7 %

玩玩看，注意這些

  1. 預設情境:金色一小撮、青色一大片 —— 陽性 ≠ 生病,因為底盤(健康人)太大,一點點誤報率就淹沒真陽性。
  2. 把盛行率拉高到 10%:金色暴增,後驗機率一路衝高 —— 同一個檢測,答案隨「底率」而變。這就是「底率謬誤」:人腦天生忽略盛行率。
  3. 把偽陽性率壓到 0.1%:青色幾乎消失,陽性瞬間變得可信 —— 篩檢要有效,關鍵常不在靈敏度,在壓低誤報。

一句話帶走:陽性之後的機率 = 真陽性 ÷（真陽性＋假警報）—— 別忘了底率:病人稀少時,誤報大軍會淹沒真相。

II
第二章 · 翻轉機的構造：兩行推導 + 一張面積圖
P(A|B) 和 P(B|A) 不是同一件事 —— 混淆它們，有個罪名叫「檢察官謬誤」。

⚙️把全人類裝進一個面積 = 1 的正方形:左欄是「生病」(寬 = 盛行率),右欄是「健康」。左欄裡塗金的部分 = 病人中驗陽的(高 = 靈敏度);右欄裡塗青的 = 健康卻誤報的(高 = 偽陽性率)。「陽性世界」= 金 + 青兩塊;你想要的答案,就是金色佔陽性世界的比例。機率 = 面積,又一次。

互動 · 面積機器：金 ÷（金＋青）
先驗 P(A)：左欄寬度
P(B|A)：左欄塗金的高度
P(B|非A)：右欄塗青的高度
計算—
後驗 P(A|B)—

怎麼看這張圖

  1. 三個滑桿分別控制:左欄多寬(先驗)、金塊多高、青塊多高。後驗 = 金色面積 ÷（金＋青）,即時顯示。
  2. 做個實驗:把金塊拉到 0.999(證據對 A 極有利),再把左欄縮到 0.02 —— 後驗仍然不高。再強的證據,也得跟先驗相乘;證據是乘數,不是絕對值。
✦ 兩行推導(整條定理只有這些):交集「A 且 B」的面積,有兩種切法 —— P(A∩B) = P(A|B)·P(B) = P(B|A)·P(A)。把 P(B) 除過去,完工:P(A|B) = P(B|A)·P(A) / P(B)。其中 P(B) = 金＋青 = P(B|A)P(A) + P(B|非A)P(非A) —— 就是「陽性世界」的總面積。

檢察官謬誤:法庭上說「若被告無辜,出現此證據的機率只有百萬分之一」——這是 P(證據|無辜)。但陪審團想知道的是 P(無辜|證據),兩者可以天差地遠(想想第一章:P(陽|健康)=5% 很小,P(健康|陽)卻高達 83%)。翻轉,必須經過貝氏這台機器,不能用嘴翻。

一句話帶走:P(A|B) ≠ P(B|A);合法的翻轉只有一條路:交集面積的兩種切法相等 → 貝氏定理。

Part 2 · 帶入深度
III
第三章 · 會學習的信念：一枚可疑的硬幣
信念不是一個點，是一條曲線 —— 每筆證據乘進來，它就聚焦一分。

🪙你撿到一枚可疑的硬幣,不知道它出正面的偏差 θ 是多少。開局最誠實的態度:「什麼偏差都有可能」—— 信念是一條平坦的線。接著開始擲:每擲一次,就把「這個結果在各種 θ 底下的容易程度」乘上去。看那條曲線怎麼從一片迷霧,一步步聚焦成尖峰 —— 而尖峰,悄悄爬向硬幣真正的偏差。

互動 · 真偏差 θ=0.7（青色虛線）—— 看信念自己找到它
已擲次數 N / 正面 H0 / 0
信念尖峰（最可信的 θ）= H/N—
95% 可信區間—

玩玩看，注意這些

  1. 開局:曲線全平 —— 這就是「均勻先驗」,對每個 θ 一視同仁的誠實。
  2. 擲 10 次:曲線隆起一座還很寬的山 —— 有方向了,但別太快下結論(區間仍寬)。
  3. 連按「擲 100 次」:山迅速收窄,尖峰貼向青色的真值 0.7,95% 區間縮成一小段 —— 信念的寬度,大約以 1/√N 收斂(上一課的大數法則,在後面撐腰)。
  4. 按「重來」再走一遍:過程略異、終點相同 —— 只要誠實地乘,證據終會把你帶到真相附近。

背後的道理

這叫貝氏更新:後驗 ∝ 先驗 × 概似(每筆資料的容易度)。連續更新 = 連續相乘;取個對數,乘法變加法(ln 那堂的老朋友)—— 所以「學習」在數學裡,是一場不斷累加證據對數的旅程。今天的後驗,就是明天的先驗:知識,是會滾動的。

一句話帶走:信念是一條曲線;後驗 ∝ 先驗 × 概似。證據一筆筆乘進來,曲線以 1/√N 聚焦 —— 這就是「學習」的數學形狀。

IV
第四章 · 牧師的定理：證據，是信念尺上的一段平移
托馬斯 · 貝葉斯本人，是十八世紀的長老會牧師 —— 這不是巧合的註腳，是這一章的起點。

📖把信念畫成一把對數勝率尺:中間是「一半一半」,往右越信、往左越疑。貝氏定理在這把尺上變得極美:一件證據,就是把你的位置「平移一段距離」 —— 距離 = log(概似比 LR),也就是「這證據在兩種世界觀下,各有多容易發生」的比值取對數。乘法變加法 —— ln 那堂的超能力,在信念的世界重演。

互動 · 信念尺：先驗（金）＋ 證據平移（箭頭）＝ 後驗（紫）
先驗機率 P(A)你原本信多少
證據強度 LR（概似比，對數刻度）<1 削弱 · >1 加強
先驗10.0 %
概似比 LR× 10.0
後驗52.6 %

怎麼看這張圖

  1. 金點是你的先驗位置。拉「證據強度」:紫色箭頭把你平移到後驗 —— 往右是支持,往左是反對。
  2. 注意:先驗很低時(1%),就算 LR=10 的強證據,後驗也才 9% —— 「非常的主張,需要非常的證據」不是口號,是這把尺上的幾何。
  3. 但證據可以累積:三件 LR=10 的獨立證據 = 平移三段 = LR 1000 —— 沒有一步登天的翻轉,卻有一步一步的翻山。

牧師與察驗（給正在讀聖經的你）

寫下這條定理的托馬斯 · 貝葉斯,是英國坦布里奇威爾斯的長老會牧師 —— 一位每主日講道、平日思索機率的人。他留下的定理,骨子裡是一種品格:①先驗要誠實 —— 承認自己帶著什麼走進來;②證據要問兩邊 —— 「這件事在對方的世界觀下,是不是也一樣容易發生?」只算順眼的一邊,LR 是假的;③對更新保持開放 —— 今天的後驗,是明天的先驗。

「凡事察驗,善美的要持守」(帖前 5:21)—— 察驗,就是誠實地把證據乘進來;持守,是更新之後仍然站得住的那部分。照這樣看,信心與證據不是對頭:健康的信,是經得起乘法的信 —— 它不怕被問「兩邊各有多容易」,因為它願意一段一段地,在這把尺上被帶著走。這一章不是用數學證明信仰;是借牧師的定理說:認真的相信,和認真的察驗,可以是同一個動作。

一句話帶走:後驗勝率 = 先驗勝率 × LR;證據 = 信念尺上的平移,可以累積。誠實的先驗 + 兩邊都問的證據 + 開放的更新 —— 這是牧師留給世界的推理品格。

把整堂課收成一句話 ——
貝氏定理:舊信念 × 新證據 = 新信念。
底率會騙直覺,翻轉必須過機器,
信念是一條會聚焦的曲線,
而證據,是尺上一段一段誠實的平移。
機率季四課到齊:期望值給目標、大數給承諾、常態給形狀、貝氏給學習。