4. 贝叶斯概率基础：先验、似然、后验、贝叶斯定理的直观理解

贝叶斯概率的核心思想是 用数据更新信念。与经典频率派概率不同，贝叶斯方法将未知参数视为随机变量，并通过观测数据不断修正对其分布的认知。整个框架围绕三个核心概念展开：先验（prior）、似然（likelihood）和 后验（posterior），它们通过 贝叶斯定理 紧密相连。本章从直观角度拆解这四个要素，帮助你在模型不确定性量化中建立清晰的概率更新思维。

4.1 核心概念速览

下表从含义、符号和作用三个维度对比贝叶斯框架的三大支柱：

4.2 贝叶斯定理的数学表达

贝叶斯定理将上述三个概念统一为一个简洁的公式。下面以离散形式展示其标准写法：

P(θ|D) = P(D|θ) × P(θ) / P(D)
        ↑        ↑        ↑      ↑
       后验    似然     先验   边际似然

其中 P(D) = ∫ P(D|θ) P(θ) dθ 是归一化常数，确保后验分布积分为 1。在实际计算中，由于 P(D) 不依赖于 θ，我们常使用非归一化形式：

P(θ|D) ∝ P(D|θ) × P(θ)

这一比例形式是贝叶斯推断中最常用的操作入口——我们只需要关注 似然 × 先验 的形状，再通过归一化得到真正的后验。

4.3 贝叶斯更新工作流

下面的流程图直观展示了从“先验信念”出发，经过“观测数据”驱动，通过“贝叶斯定理”得到“后验信念”的完整更新闭环。

4.4 类比案例：医生诊断

用一个经典的医疗诊断场景来具象化贝叶斯更新过程：

• 先验 P(θ)： 某种罕见病在人群中的患病率为 1%（即 θ = 患病 的先验概率）。
• 观测数据 D： 患者接受检测，结果为 阳性。
• 似然 P(D|θ)： 检测的敏感度为 95%（患病者测出阳性的概率），假阳性率为 10%（健康者误测为阳性的概率）。
• 后验 P(θ|D)： 在得到阳性结果后，患者真正患病的概率是多少？

代入贝叶斯定理（非归一化形式）：

P(患病 | 阳性) ∝ P(阳性 | 患病) × P(患病)
                = 0.95 × 0.01
                = 0.0095

归一化后（考虑健康者测出阳性的可能）：

P(患病 | 阳性) = 0.0095 / (0.0095 + 0.10 × 0.99) ≈ 8.76%

4.5 常见误区辨析

4.6 练习题

题目 1（概念辨析）
下列哪一项最准确地描述了“似然函数”在贝叶斯定理中的作用？

1. 它表示参数 θ 在观测到数据 D 后的概率分布
2. 它表示观测数据 D 在给定参数 θ 下的概率
3. 它表示先验信念与数据之间的差异程度
4. 它用于归一化后验分布，使其积分为 1

题目 2（简单计算）
某 AI 质检系统的缺陷检测准确率为 98%（缺陷品被检出的概率），误报率为 5%（良品被误判为缺陷的概率）。已知生产线缺陷率为 2%。若一个产品被系统判定为“缺陷”，问它真实缺陷的后验概率是多少？

4.7 应用边界

贝叶斯概率框架在模型不确定性量化中具有广泛适用性，但并非万能。以下边界条件需要注意：