1401 概率基础与贝叶斯定理

场景引入：

某工厂生产手机屏幕，有甲、乙两条生产线。

• 甲线产量占总数 60%，次品率为 5%。
• 乙线产量占总数 40%，次品率为 2%。

问题一：从仓库随机抽一块屏幕，它是次品的概率是多少？

问题二（核心疑问）：如果抽到一块次品屏幕，它来自甲生产线的概率是多少？

第一个问题（正向概率）对所有人都很直观。第二个问题（逆向概率）才是朴素贝叶斯的核心——已知结果，反推原因。

本节课的目标：掌握求解“逆向概率”的数学工具——贝叶斯定理。

1. 概率（Probability）—— 事件发生的可能性度量

• 定义：P(A) = 事件 A 发生的次数 / 总试验次数（频率学派）。
• 取值：0 ≤ P(A) ≤ 1。
• 示例：事件 A = “抽到次品”。若仓库总共 1000 块屏幕中有 38 块次品，则 P(A) = 38 / 1000 = 0.038。

2. 条件概率（Conditional Probability）—— 在已知条件下事件发生的概率

• 定义：P(A | B) = 在事件 B 已经发生的条件下，事件 A 发生的概率。
• 计算公式：P(A | B) = P(A ∩ B) / P(B)，其中 P(B) > 0。
• 核心含义：条件概率缩小了“样本空间”——已知 B 发生后，样本空间从全集缩减为 B。
• 示例：P(次品 | 甲线) = 在“已知来自甲线”的条件下抽到次品的概率 = 5% = 0.05。

3. 联合概率（Joint Probability）—— 两个事件同时发生的概率

• 定义：P(A ∩ B) 或 P(A, B) = 事件 A 和事件 B 同时发生的概率。
• 与条件概率的关系：P(A ∩ B) = P(A | B) · P(B) = P(B | A) · P(A)。
• 示例：P(次品 ∩ 甲线) = 抽到一块“来自甲线且是次品”的屏幕的概率。
  • P(甲线) = 0.6，P(次品 | 甲线) = 0.05
  • P(次品 ∩ 甲线) = P(次品 | 甲线) × P(甲线) = 0.05 × 0.6 = 0.03

4. 全概率公式（Law of Total Probability）—— 一条“完整路径”的和

• 若事件 B₁, B₂, …, Bₙ 构成一个完整的分割（互斥且覆盖全集），则：
  • P(A) = P(A | B₁)·P(B₁) + P(A | B₂)·P(B₂) + … + P(A | Bₙ)·P(Bₙ)
• 示例：P(次品) = P(次品|甲线)·P(甲线) + P(次品|乙线)·P(乙线) = 0.05×0.6 + 0.02×0.4 = 0.03 + 0.008 = 0.038

1. 贝叶斯定理（Bayes‘ Theorem）—— 逆向概率的求解器

标准形式：

$$P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}$$

逐项解读：

符号	名称	含义	在生产线案例中
P(A	B)	后验概率	已知 B 发生后 A 的概率（我们想求的）
P(A)	先验概率	A 的初始概率（在获得任何新证据前）	P(甲线) = 0.6
P(B	A)	似然概率	在 A 发生的条件下 B 发生的概率
P(B)	证据因子	B 发生的总概率（归一化常数）	P(次品) = 0.038

2. 代入计算——求解“次品来自甲线”的概率

$$P(\text{甲线}|\text{次品}) = \frac{P(\text{次品}|\text{甲线}) \cdot P(\text{甲线})}{P(\text{次品})}$$$$= \frac{0.05 \times 0.6}{0.038} = \frac{0.03}{0.038} \approx 0.789 = 78.9\%$$

结论：如果随机抽到一块次品屏幕，它有约 78.9% 的概率来自甲生产线。

3. 与直觉的对比

• 甲线的产量占比是 60%，次品率是 5%。
• 乙线的产量占比是 40%，次品率是 2%。
• 虽然甲的次品率（5%）高于乙（2%），但在所有次品中，甲的占比反而更高。
• 贝叶斯定理给了我们一个精确的数字，而不是模糊的“可能是甲”。

4. “朴素”（Naive）的含义

• 贝叶斯公式本身是精确的数学定理，不“朴素”。
• 朴素贝叶斯的“朴素”二字来自于一个额外的假设：所有特征在给定类别的条件下是相互独立的。
• 在文本分类中，这意味着“单词 A 出现与否”与“单词 B 出现与否”在已知文档类别的情况下是独立的。
• 这个假设在现实中往往不成立（比如“苹果”和“iPhone”在科技类文章中经常一起出现），但它极大简化了计算——朴素贝叶斯因此在实践中依然表现优异，尤其在文本分类中，它往往比许多复杂的算法表现得更好。