贝叶斯：用证据更新信念

先有一个判断，再用证据修正。医生看病、侦探破案、垃圾邮件过滤，都是同一套思维：先有「先验」（最初的估计），收到证据后更新成「后验」（修正后的估计）。这套更新公式叫贝叶斯定理，是概率论里最实用的一页。

经典例子：疾病筛查。某病在人群中患病率 0.1%（先验）。一种检测：患病者 99% 检出阳性，健康者 5% 误报阳性。现在你查出阳性，真患病的概率多大？直觉说「很高」，算一下：假设 10 万人，真患者 100 人，其中 99 人阳性；健康者 99900 人，约 4995 人误报阳性。阳性共约 5094 人，真患者只占 $99/5094\approx 1.9\%$！阳性 ≠ 患病，因为病太罕见，误报人数反而淹没真患者。

写成公式（配白话）：$P(A|B)=\frac{P(B|A)P(A)}{P(B)}$——后验 = 证据吻合度 × 先验 ÷ 证据的总概率。三件事缺一不可，尤其别忘了先验 $P(A)$。

贝叶斯就在你身边：邮箱收到含「免费领奖」的邮件，过滤器计算「垃圾邮件中出现这词的概率 × 垃圾邮件的先验」，更新出「这是垃圾邮件的概率」——朴素贝叶斯分类器曾是垃圾邮件的克星。医生看到「发热 + 咳嗽」，心里立刻从「感冒？流感？肺炎？」的先验列表按新证据重新排序。

常见误区：把 $P(A|B)$ 和 $P(B|A)$ 混为一谈——「患病者 99% 检出阳性」和「阳性者 99% 患病」完全是两回事。这两个方向的混淆，是新闻和谣言最喜欢的障眼法。

练一练：把上面例子的误报率从 5% 改成 1%，重算阳性者真患病的概率，体会检测精度多重要。