贝叶斯定理 on kenji.blog

「检查呈阳性」＝「生病」吗？：基准率谬误

Thu, 10 Sep 2026 21:00:00 +0900

在健康检查或癌症筛查中，如果出现“阳性（异常）”的结果，任何人都会感到恐慌。但是，如果你具备统计学和概率知识，也许就能深呼吸并保持冷静。这是因为，“在精准度极高的检查中呈阳性”并不意味着“实际生病的概率很高”。

这被称为**“基准率谬误（Base Rate Fallacy）”**或“忽视先验概率”，是人类直觉在计算概率时产生严重误判的典型认知偏差。

令人恐惧的健康体检问题

请想象以下情况。

在某个城镇中，有一种未知疾病，每1万人中有1人（0.01%）感染。为了发现这种疾病，开发了一种**“准确率99%”**的优秀检测试剂盒。（※准确率99%意味着，当患病者接受检查时，有99%的概率正确判定为“阳性”，而健康人接受检查时，有99%的概率正确判定为“阴性”）

你碰巧接受了这项检查，结果为**“阳性”。那么，你真正感染这种疾病的概率**是多少呢？

许多人会直觉地回答：“既然检查的准确率是99%，那么自己生病的概率也是99%吧。” 然而，数学上的正确答案是**“约0.98%（不到1%）”**。

究竟为什么即使有99%的准确率，实际生病的概率却不到1%呢？

贝叶斯定理与整体可视化

解开这个问题的关键，不仅在于检查的准确率，还要考虑**“这种疾病本来有多罕见（基准率・先验概率）”**。让我们用100万人的庞大群体，将这个违反直觉的现象可视化。

总人数：1,000,000人
实际患病的人（1万人中1人）：100人
健康的人：999,900人

对这100万所有人进行“准确率99%”的检查。

1. 实际患病的人（100人）接受检查时

因为准确率是99%，所以被正确判定为“阳性”的人数是： 100人 × 99% = 99人（真阳性）

2. 健康的人（999,900人）接受检查时

因为准确率是99%，所以有1%的概率会被错误判定为“阳性”（假阳性）： 999,900人 × 1% = 9,999人（假阳性）

graph TD A["总人口 (1,000,000人)"] --> B["患病的人 (100人)"] A --> C["健康的人 (999,900人)"] B -->|99%正确| B1["真阳性 (99人)"] B -->|1%错误| B2["假阴性 (1人)"] C -->|99%正确| C1["真阴性 (989,901人)"] C -->|1%错误| C2["假阳性 (9,999人)"] B1 -.-> D{"被称为『阳性』的总人数: 10,098人"} C2 -.-> D style A fill:#ECEFF1,stroke:#333 style B fill:#FFCDD2,stroke:#333 style C fill:#C8E6C9,stroke:#333 style B1 fill:#F44336,stroke:#333,color:#fff style C2 fill:#FF9800,stroke:#333,color:#fff style D fill:#FFF9C4,stroke:#333,stroke-width:2px

你患病的真实概率

好了，医生告诉你：“结果是阳性。” 这意味着，你进入了图中右下角的“被称为『阳性』的总人数（10,098人）”群体。

在这个群体中，**“真正患病的人（真阳性）”**的比例是多少呢？

$$ \text{真正患病的概率} = \frac{\text{真阳性}}{\text{被称为阳性的所有人}} = \frac{99}{99 + 9,999} = \frac{99}{10,098} \approx 0.0098 $$

计算结果为约0.98%。尽管被告知“阳性”，你健康的概率（假阳性）反而具有压倒性的优势（约99%）。

为什么直觉会出错？

这种现象可以由计算条件概率的**“贝叶斯定理”**在数学上进行解释，但人类大脑非常不擅长进行这种计算。

我们犯错的原因是，被眼前提供的个别且强烈的信息（“你的检查结果是阳性！准确率是99%！”）分散了注意力，从而忽略了背景中庞大而枯燥的统计数据（“原来感染这种疾病的人只有1万分之1（基准率）”）。

由于“疾病的罕见性（0.01%）”比“检查的不准确性（1%）”要极端得多，因此即使是微小的检查误差，也会迅速吞没原本就很少的患者数量。

潜伏在社会中的「基准率谬误」

这种错觉不仅在医疗领域，在各种场合都会引发恐慌或错误判断。

面部识别系统与恐怖分子：即使准确率为99.9%的面部识别摄像头在机场发现了“恐怖分子”，由于恐怖分子的基本概率极低，被抓的几乎都是长相相似的无辜平民（假阳性）。
交通事故与老年驾驶员：即使看到新闻说“发生事故的车辆中有〇〇%是老年人”而感到危险，但如果不考虑“原来在道路上行驶的所有驾驶员中，老年人所占的比例（基准率）”，就无法知道某个特定年龄段是否真的容易发生事故。

“基准率谬误”告诉我们，越是在看到令人震惊的数字或个别案例时，越需要回归到**“原本在整体中，这有多容易发生（基准率）”**，体现了统计学思维的重要性。

睡美人问题：硬币的概率是 1/2 还是 1/3？让概率论分裂的难题

Thu, 10 Sep 2026 09:00:00 +0900

1. 奇怪的实验规则

你（睡美人）被选为一项科学实验的受试者。实验从星期日进行到星期三。星期日晚上，你被喂下安眠药并陷入沉睡。

在你睡着后，实验者会抛掷一枚公平的硬币（出现正面和反面的概率完全各为 1/2）。然后，根据结果，实验者将按照以下时间表唤醒你。

【掷硬币结果为“正面”的情况】

星期一你会被唤醒一次，并被问一个问题。之后，你会被再次催眠，直到实验结束（星期三）都不会再醒来。

【掷硬币结果为“反面”的情况】

星期一你会被唤醒，并被问一个问题。之后，你会被喂下一种特殊的药物（消除记忆的药）并再次陷入沉睡。
星期二你会被再次唤醒，并被问相同的问题。之后，你再次被催眠，实验结束（星期三）。

※由于消除记忆药物的作用，每次醒来时，你都完全想不起“今天是星期几”或“过去是否曾被唤醒过”。

graph TD Sunday["星期日：美女入睡"] --> Toss{"掷硬币"} Toss -->|正面 (1/2)| Mon_Heads["星期一：唤醒＋提问
（之后实验结束）"] Toss -->|反面 (1/2)| Mon_Tails["星期一：唤醒＋提问
（之后消除记忆）"] Mon_Tails --> Tue_Tails["星期二：唤醒＋提问
（之后实验结束）"] style Toss fill:#ff9999,stroke:#333 style Mon_Heads fill:#aaffaa,stroke:#333 style Mon_Tails fill:#aaffaa,stroke:#333 style Tue_Tails fill:#aaffaa,stroke:#333

现在，星期一（或星期二），你醒来了。房间里没有钟表也没有日历，你不知道今天是星期几。

这时，实验者走过来问你： “在你现在处于清醒的状态下，你认为刚才抛掷的硬币是‘正面’的概率是多少？”

你是一位精通数学的美女。那么，你会怎么回答？

2. 激烈碰撞的两大派别：1/2 还是 1/3

这个问题是在 1990 年代提出的，2000 年由哲学家亚当·埃尔加（Adam Elga）发表在学术期刊上。硬币的概率看似不言自明，但实际上，围绕这个问题，全世界的数学家、统计学家和哲学家分成了**“1/2派（Halfer）”和“1/3派（Thirder）”**两大阵营，至今仍在进行激烈的争论。

让我们来听听各自阵营的“完美逻辑”。

“1/2派（Halfer）”的主张

“既然这是一枚没有作弊的公平硬币，出现正面的概率理所当然是 1/2。无论在我睡着后实验者唤醒我多少次，或者消除我的记忆，这都完全不会影响硬币的物理结果。抛掷硬币时的概率就是 1/2，而我的醒来并没有提供任何新信息（推测是正面还是反面的线索）。因此，概率依然是 1/2。”

这是一个非常合理的观点，强调客观的物理现象和信息的不可更新性。

“1/3派（Thirder）”的主张

“你‘醒来’这个事实本身，就是改变概率的信息。假设我们将这个实验重复 100 次（100 周）。硬币应该有 50 次是‘正面’，50 次是‘反面’。

出现正面的 50 周，你在星期一只会醒来 1 次 $\rightarrow$ 在‘正面’情况下醒来的次数为 50 次

出现反面的 50 周，你在星期一和星期二会醒来 2 次 $\rightarrow$ 在‘反面’情况下醒来的次数为 100 次

也就是说，在你醒来的那一瞬间的情境中，总共 150 次醒来里，‘在正面情况下醒来的模式’有 50 次，‘在反面情况下醒来的模式’有 100 次。所以，你现在经历的这次醒来是‘正面’的概率是 50 / 150 ＝ 1/3！”

这是一个强有力的观点，基于“频率主义”和“人择原理”，将“自己现在存在（被观测到）”的状况本身作为概率空间的一个元素纳入计算中。

3. 使用贝叶斯定理进行计算

也有人尝试使用用于数学上更新概率的工具“贝叶斯定理”来解开这个问题。让我们从条件概率的角度来整理“1/3派”的逻辑。

醒来时的状态必然是以下三种之一：

$E_1$：硬币为“正面”，现在是“星期一”
$E_2$：硬币为“反面”，现在是“星期一”
$E_3$：硬币为“反面”，现在是“星期二”

出现“正面”的概率是 $1/2$，出现“反面”的概率是 $1/2$。然而，在反面的情况下，“星期一”和“星期二”是完全对称的（因为没有记忆所以无法区分），因此可以认为 $E_2$ 和 $E_3$ 发生的可能性相等。

由于所有概率的总和必须为 $1$，如果将每一次醒来分配为独立的“事件（观测点）”且概率相等，则： $P(E_1) = 1/3$ $P(E_2) = 1/3$ $P(E_3) = 1/3$ 因此，结论是：“为正面的概率（$P(E_1)$）”变为 $1/3$。

另一方面，“1/2派”反驳道：“硬币为反面时的星期一和星期二（$E_2$ 和 $E_3$）仅仅是由同一个硬币结果衍生出来的相关事件，将它们作为独立的概率来计算本身就是错误的。”

4. 为什么这个问题得不到解决？

“睡美人问题”之所以让学者们如此头疼，并非因为单纯的计算错误或错觉。这是因为这个问题触及了概率论中最深刻的根本性疑问，即**“概率到底是什么？”**这个哲学问题。

对1/2派来说，概率是“硬币的物理性质”或“客观事实”。
对1/3派来说，概率是“观测者（美女）的信念程度”或“被观测的频率”。

量子力学中的“观测问题”，以及宇宙学中的“人择原理（从我们存在的事实倒推宇宙概率的想法）”等深渊般的主题，都浓缩在这个简单的掷硬币实验中。

5. 总结

如果你成为这个实验的受试者，当你醒来时，你会回答“1/2”吗？还是会回答“1/3”？

无论你回答哪一个，都会有世界顶级的数学家在你背后支持你。看似简单的数学定义，一旦与人类的“主观”和“存在”这样棘手的概念结合起来，竟然会如此轻易地崩塌。时至今日，悖论仍在继续动摇着我们的常识。

蒙提·霍尔问题：背叛直觉的概率论陷阱与贝叶斯推断的完全解析

Thu, 10 Sep 2026 00:00:00 +0900

1. 舞台是电视问答节目：换作是你，会怎么做？

1990年，美国新闻杂志《Parade》的专栏“Ask Marilyn（问问玛丽莲）”中，收到了一位读者发来的如下问题：

你正在参加一个电视游戏节目。在你面前有 3扇门 (A, B, C)。其中1扇门后面是新车（大奖），剩下的2扇门后面是山羊（未中奖）。

首先，你选择了门A。

接着，知道新车在哪扇门后面的主持人蒙提·霍尔，在剩下的门中打开了藏有山羊的门B。

蒙提对你说：“现在你可以把选择更改为门C。你要怎么做？”

那么，你究竟应该改变选择吗？

直觉上，你可能会觉得：“剩下的门只有A和C两扇。新车在哪扇门后面完全是随机的，所以中奖的概率都是 $\frac{1}{2}$（50%）。因此，改不改变选择都一样。”

然而，专栏作家玛丽莲·沃斯·莎凡特（被吉尼斯世界纪录认定为拥有最高智商的人）回答说：“应该改变选择。如果你改变选择，中奖的概率将增加一倍。”

这个回答在全美引起了轰动，她收到了大约1万封抗议信（其中约1000封来自拥有数学博士学位的学者）。信中充满了尖锐的批评，比如“你根本不懂概率的基本原理”、“这就是女人的逻辑”等等。但是，从结论上来说，玛丽莲的回答在数学上是完全正确的。

2. 直觉与数学的偏差：用 Mermaid 看看概率的分支

为什么我们的直觉会产生“$\frac{1}{2}$”的错觉呢？首先，让我们把游戏的所有模式可视化。

graph TD Start["游戏开始"] --> CarA["新车在门A (概率1/3)"] Start --> CarB["新车在门B (概率1/3)"] Start --> CarC["新车在门C (概率1/3)"] CarA --> PickA1["你选择了门A"] CarB --> PickA2["你选择了门A"] CarC --> PickA3["你选择了门A"] PickA1 --> HostB_or_C["主持人打开B或C"] PickA2 --> HostC["主持人必然打开C"] PickA3 --> HostB["主持人必然打开B"] HostB_or_C --> Stay1["不改变: 中奖!"] HostB_or_C --> Switch1["改变: 未中奖..."] HostC --> Stay2["不改变: 未中奖..."] HostC --> Switch2["改变: 中奖!"] HostB --> Stay3["不改变: 未中奖..."] HostB --> Switch3["改变: 中奖!"] style Switch2 fill:#bbf,stroke:#333,stroke-width:2px style Switch3 fill:#bbf,stroke:#333,stroke-width:2px style Stay1 fill:#f99,stroke:#333,stroke-width:2px

假设你选择了“门A”，以下3种情况将以相等的概率（$\frac{1}{3}$）发生。

情况1（新车在A）： 主持人打开有山羊的B或C。如果改变选择就会未中奖。
情况2（新车在B）： 主持人只能打开有山羊的C。如果改变选择就会中奖。
情况3（新车在C）： 主持人只能打开有山羊的B。如果改变选择就会中奖。

也就是说，3次中有2次（情况2和3）处于**“只要改变选择就必然中奖”的状态。因此，改变选择时的胜率为 $\frac{2}{3}$，是不改变选择时胜率 $\frac{1}{3}$ 的2倍**。

3. 基于贝叶斯定理的严格证明

为了在数学上严格解决这个问题，我们使用计算条件概率的“贝叶斯定理”。

$$ P(H|E) = \frac{P(E|H) P(H)}{P(E)} $$

在这里，我们将事件定义如下：

$C_A, C_B, C_C$ : 新车分别在门A, B, C的事件。先验概率为 $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
假设你最初选择了门A。
$M_B$ : 主持人打开有山羊的门B的事件。

我们想要计算的是“在主持人打开了门B的条件下，新车在门C的概率”，即后验概率 $P(C_C|M_B)$。

首先，根据新车所在的位置，考虑主持人打开门B的概率 $P(M_B|C_X)$。

当新车在门A时 ($C_A$) 主持人可以随机打开B或C。
$$ P(M_B|C_A) = \frac{1}{2} $$
当新车在门B时 ($C_B$) 因为主持人不能打开有新车的门，所以打开B的概率为零。
$$ P(M_B|C_B) = 0 $$
当新车在门C时 ($C_C$) 主持人不能打开A（你选择的）和C（有新车），因此必然只能打开B。
$$ P(M_B|C_C) = 1 $$

接着，利用“全概率公式”求出主持人打开门B的总概率 $P(M_B)$。

$$ P(M_B) = P(M_B|C_A)P(C_A) + P(M_B|C_B)P(C_B) + P(M_B|C_C)P(C_C) $$ $$ P(M_B) = \left(\frac{1}{2} \times \frac{1}{3}\right) + \left(0 \times \frac{1}{3}\right) + \left(1 \times \frac{1}{3}\right) = \frac{1}{6} + 0 + \frac{1}{3} = \frac{1}{2} $$

终于，我们可以应用贝叶斯定理，计算门A和门C的后验概率。

门A（不改变选择）有新车的概率：

$$ P(C_A|M_B) = \frac{P(M_B|C_A) P(C_A)}{P(M_B)} = \frac{\frac{1}{2} \times \frac{1}{3}}{\frac{1}{2}} = \frac{1}{3} $$

门C（改变选择）有新车的概率：

$$ P(C_C|M_B) = \frac{P(M_B|C_C) P(C_C)}{P(M_B)} = \frac{1 \times \frac{1}{3}}{\frac{1}{2}} = \frac{2}{3} $$

数学公式的证明也明确地表明了**“改变选择能使中奖的概率增加一倍（2/3）”**。

4. 认知偏差：作为信息的“条件”的价值

为什么连许多天才数学家都在这个问题上直觉犯错了呢？这其中有人类大脑固有的“等概率偏差”以及“更新信息的失败”。

4.1. 等概率偏差 (Equiprobability Bias)

人类在面对未知的选项时，会有一种无意识中分配“剩下的选项概率总是均等的”的倾向。在看到只剩两扇门的瞬间，大脑就会自动将其标记为“$50\%$ : $50\%$”。

4.2. 主持人的“意图”这一信息

直觉出错的最大原因在于，忽略了主持人的行为并非随机这一点。如果规则是主持人“在不知道新车在哪里的情况下，随机打开一扇门，结果碰巧是山羊”（这被称为蒙提·霍尔变体问题/蒙提·佛尔问题），那么门A和门C的概率就都是 $\frac{1}{2}$。

但是在真实的蒙提·霍尔问题中，主持人的行动受到以下严格的限制：

不能打开参赛者选择的门。
不能打开有新车的门。

由于这些限制，主持人“打开门B”这一行为本身，就为我们提供了关于门C的巨大信息量。其中暗含了这样的无声信息：“我无法打开门C（因为那里有新车）”。

5. 用极端的例子纠正直觉

如果你仍然觉得难以信服，让我们把门的数量增加到 100万扇。

你在100万扇门中，选择了门1。（中奖概率是 $\frac{1}{1,000,000}$）
无所不知的主持人，在剩下的99万9999扇门中，打开了99万9998扇有山羊的门。
现在关着的，只有你选择的“门1”，以及主持人刻意留下的“门777,777”。

那么，你要改变选择吗？在这种情况下，如果你坚信自己一开始就碰上了“百万分之一”的奇迹，那就不该换。但在现实中，我们能直观地理解，新车在那扇**“主持人绝对无法打开的唯一一扇门”**后面的概率是 $\frac{999,999}{1,000,000}$。

蒙提·霍尔问题（3扇门），只不过是将这种“100万扇门”的规模缩小了的现象而已。

pie title "改变门的效果（100次模拟）" "改变并中奖 (约66.7%)" : 67 "不改变并中奖 (约33.3%)" : 33

6. 总结：概率论带给商业和人生的教训

蒙提·霍尔问题已经超越了单纯的谜题范畴，为我们带来了重要的教训。

直觉经常会出错：人类的大脑并未进化到能够直观地处理复杂的条件概率。在做重要的决策时，仅凭直觉判断是危险的。
用新信息更新概率（贝叶斯更新）：当情况发生变化，有了新的信息（例如主持人打开了哪扇门）时，能否不固执己见，灵活地更新概率和策略，是成功的关键。

“改变选择”这一小小的决定，或许能让你在人生中获得“新车”的概率翻倍。