贝叶斯定理问题
假设某病的发病率是$0.1%$，某病的测量仪准确率是$99%$。 当一个人被测量仪测出阳性（有病）时，他的患某病的概率是多少？
概念
联合概率
两个事件同时发生的概率。
事件$A$与事件$B$的联合概率表示为$P(A∩B)$，或者$P(A,B)$，或者$P(AB)$。
投掷一个六面骰子，若事件$A$为“骰子朝上的数字为偶数”，事件$B$为“骰子朝上的数字大于$3$”，那么$P(A∩B)$为“骰子朝上的数字为偶数且大于$3$”的概率。
盒子里面有$5$个黑球和$5$个白球，其中，有$3$个黑球和$2$个白球带有特殊标记。
设$P(A)$为“摸出黑球”的概率，$P(B)$为“摸出带有特殊标记的球”的概率，那么$P(A∩B)$为“摸出带有特殊标记的黑球”的概率。
某同学要去借封面为蓝色的书籍，书架上有科幻小说和科普书籍，他从书架上拿出一本书。
设“某同学从书架上拿出科幻小说”的概率为$P(小说)$，“某同学从书架上拿出蓝色封面书籍”的概率为$P(蓝色)$，那么“某同学从书架上拿出蓝色封面的科幻小说”的概率为$P(小说∩蓝色)$。
条件概率
在一个事件已经发生的情况下，另一个事件发生的概率。
在事件$B$已经发生的条件下，事件$A$发生的概率，表示为$P(A∣B)$。
在校运会期间，设“某同学参加短跑比赛”的概率为$P(A)$，“某同学参加跳远比赛”的概率为$P(B)$。
那么“已知某同学参加了跳远比赛，他还参加短跑比赛”的概率为$P(A∣B)$；“已知某同学参加了短跑比赛，他还参加跳远比赛”的概率为$P(B∣A)$。
某餐厅举办“不怕辣”比赛，选手需要挑战吃霸王丝，火鸡面和红油螺蛳粉。
设事件$A$：一号选手吃霸王丝，事件$B$：一号选手吃火鸡面，事件$C$：一号选手吃红油螺蛳粉。
$P(B∣A)$为“一号选手吃完霸王丝后，接着吃火鸡面”的概率。
$P(C∣A)$为“一号选手吃完霸王丝后，接着吃红油螺蛳粉”的概率。
$P(B∣C)$为“一号选手吃完红油螺蛳粉后，接着吃火鸡面”的概率。
某同学要去借封面为蓝色的书籍，书架上有科幻小说和科普书籍，他从书架上拿出一本书。
设“某同学从书架上拿出科幻小说”的概率为$P(小说)$，“某同学从书架上拿出蓝色封面书籍”的概率为$P(蓝色)$，那么“某同学从书架上的蓝色封面书籍中，拿出科幻小说”的概率为$P(小说∣蓝色)$。
知识
全概率公式
投掷一个六面骰子，若事件$A$为“骰子朝上的数字为偶数”，事件$B$为“骰子朝上的数字大于$3$”。
那么：
$P(A)$为“骰子朝上的数字为偶数”的概率，六面骰子中偶数面有$2,4,6$，$P(A)=63=21$。
$P(A′)$为“骰子朝上的数字为奇数”的概率，六面骰子中奇数面有$1,3,5$，$P(A′)=63=21$。
$P(B)$为“骰子朝上的数字大于$3$”的概率，六面骰子中大于$3$的面有$4,5,6$，$P(B)=63=21$。
$P(B∣A)$为“骰子朝上的数字为偶数的情况下，数字大于$3$”的概率，偶数面有$2,4,6$，大于$3$的面有$4,6$，$P(B∣A)=32$。
$P(B∣A′)$为“骰子朝上的数字为奇数的情况下，数字大于$3$”的概率，奇数面有$1,3,5$，大于$3$的面有$5$，$P(B∣A′)=31$。
其中，$P(B∣A)×P(A)+P(B∣A′)×P(A′)=P(B)$，即$32×21+31×21=62+61=21$。
一个班有$30$名男生和$20$名女生，有$5$名男生和$10$名女生有过彩排经验。老师要从班级里选出一人参加校元旦晚会。
那么：
$P(男)$为“老师选中班里男生”的概率，班里$30$名男生和$20$名女生，$P(男)=5030=53$。
$P(女)$为“老师选中班里女生”的概率，班里$30$名男生和$20$名女生，$P(女)=5020=52$。
$P(彩排)$为“老师选中有彩排经验的学生”的概率，班里$5$名男生和$10$名女生有过彩排经验。$P(彩排)=5015=103$。
$P(彩排∣男)$为“老师在班里男生中，选中有彩排经验的学生”的概率，班里$30$名男生，$5$名男生有过彩排经验，$P(彩排∣男)=305=61$。
$P(彩排∣女)$为“老师在班里女生中，选中有彩排经验的学生”的概率，班里$20$名女生，$10$名女生有过彩排经验，$P(彩排∣女)=2010=21$。
其中，$P(彩排∣男)×P(男)+P(彩排∣女)×P(女)=P(彩排)$，即$61×53+21×52=101+51=103$。
某职员每天吃早餐，会在葱油饼、肉夹馍、桂林米粉中选择。他只在工作日上班，周末在家休息。
那么：
$P(A)$为“某职员吃葱油饼”的概率，早餐选项共有$3$种，$P(A)=31$。
$P(B)$为“某职员吃肉夹馍”的概率，早餐选项共有$3$种，$P(B)=31$。
$P(C)$为“某职员吃桂林米粉”的概率，早餐选项共有$3$种，$P(C)=31$。
$P(W)$为“某职员去上班”的概率，一周有$7$天，工作日有$5$天，$P(W)=75$。
$P(W∣A)$为“某职员吃完葱油饼，然后去上班”的概率，事件$W$与事件$A$相互独立，$P(W∣A)=P(A)P(W∩A)=P(A)P(W)×P(A)=P(W)=75$。
$P(W∣B)$为“某职员吃完肉夹馍，然后去上班”的概率，事件$W$与事件$B$相互独立，$P(W∣B)=P(B)P(W∩B)=P(B)P(W)×P(B)=P(W)=75$。
$P(W∣C)$为“某职员吃完桂林米粉，然后去上班”的概率，事件$W$与事件$C$相互独立，$P(W∣C)=P(C)P(W∩C)=P(C)P(W)×P(C)=P(W)=75$。
其中，$P(W∣A)×P(A)+P(W∣B)×P(B)+P(W∣C)×P(C)=P(W)$，即$75×31+75×31+75×31=75×(31+31+31)=75$。
假设有一组互斥且完备的事件$A1,A2,⋯,An$，这意味着这些事件之间不会同时发生（互斥），并且它们共同涵盖了所有可能发生的情况（完备）。
对于任何一个事件$B$，全概率公式表示为：$P(B)=P(B∣A1)×P(A1)+P(B∣A2)×P(A2)+⋯+P(B∣An)×P(An)$
整理上述公式：$P(B)=n∑P(B∣An)×P(An)$
根据条件概率与联合概率的关系，全概率公式可以表示为：$P(B)=n∑P(B∩An)$
其中：
$P(B)$是事件$B$发生的概率。
$P(B∣An)$是在事件$An$发生的条件下，事件$B$发生的概率（条件概率）。
全概率公式允许我们将一个复杂事件的总概率分解成多个更简单事件的概率之和。这种“分而治之”的方法能够让我们从不同的角度或条件考虑一个事件的发生概率，并将这些概率加起来，来得到总概率。
假设你计划明天出门，明天是否下雨决定你明天是否带伞，但是直接估算这个概率是比较困难的。此时，我们可以将其分解成不同的天气情况来估计这个概率：
晴朗：如果明天是晴朗，明天下雨的概率极低。
多云：如果明天是多云，明天下雨的概率一般。
阴天：如果明天是阴天，明天下雨的概率偏高。
只要我们知道明天是晴朗、多云或阴天的概率，就可以用全概率公式来估算明天下雨的总概率。
在这个例子中，全概率公式帮助我们通过将明天下雨的总概率分解为在不同天气条件下的下雨概率，从而简化并清晰地解决了一个看似复杂的问题。
一个袋子里有$3$个红球和$2$个蓝球。另一个袋子里有$4$个红球和$1$个蓝球。随机选择一个袋子，然后从中随机抽取一个球。计算抽到红球的概率。
（解答过程问New Bing或者GPT。）
贝叶斯定理
投掷一个六面骰子，若事件$A$为“骰子朝上的数字为偶数”，事件$B$为“骰子朝上的数字大于$3$”。
那么：
$P(A)$为“骰子朝上的数字为偶数”的概率，六面骰子中偶数面有$2,4,6$，$P(A)=63=21$。
$P(B)$为“骰子朝上的数字大于$3$”的概率，六面骰子中大于$3$的面有$4,5,6$，$P(B)=63=21$。
$P(A∩B)$为“骰子朝上的数字为偶数且大于$3$”的概率，六面骰子中大于$3$的偶数面有$4、6$，$P(A∩B)=62=31$。
$P(A∣B)$为“骰子朝上的数字大于$3$的情况下，数字为偶数”的概率，大于$3$的面有$4,5,6$，偶数面有$4,6$，$P(A∣B)=32$。
$P(B∣A)$为“骰子朝上的数字为偶数的情况下，数字大于$3$”的概率，偶数面有$2,4,6$，大于$3$的面有$4,6$，$P(B∣A)=32$。
其中，$P(B)×P(A∣B)=P(A)×P(B∣A)=P(A∩B)$，即$21×32=21×32=31$。
某同学要去借封面为蓝色的书籍，书架上有$4$本科幻小说和$6$本科普书籍，这些书中，有$2$本蓝色封面科幻小说和$3$本蓝色封面科普书籍。他从书架上拿出一本书。
那么：
$P(小说)$为“某同学从书架上拿出科幻小说”的概率，$10$本书中有$4$本科幻小说，$P(小说)=104=52$。
$P(蓝色)$为“某同学从书架上拿出蓝色封面书籍”的概率，$10$本书中有$5$本蓝色封面书籍，$P(蓝色)=105=21$。
$P(小说∩蓝色)$为“某同学从书架上拿出蓝色封面的科幻小说”的概率，$10$本书中有$2$本蓝色封面科幻小说，$P(小说∩蓝色)=102=51$。
$P(小说∣蓝色)$为“某同学从书架上的蓝色封面书籍中，拿出科幻小说”的概率，蓝色封面科幻小说有$2$本，蓝色封面书籍有$5$本，$P(小说∣蓝色)=52$。
$P(蓝色∣小说)$为“某同学从书架上的科幻小说中，拿出蓝色封面书籍”的概率，蓝色封面科幻小说有$2$本，科幻小说有$4$本，$P(蓝色∣小说)=42=21$。
其中，$P(蓝色)×P(小说∣蓝色)=P(小说)×P(蓝色∣小说)=P(小说∩蓝色)$，即$21×52=52×21=51$。
假设一个花园里种有两种植物：玫瑰和郁金香。花园里总共有$30$株植物，其中有$10$株是玫瑰，$20$株是郁金香。在这些植物中，有$15$株开了红花，其中包括$5$株玫瑰和$10$株郁金香。
那么：
$P(X)$为“随机选择的植物是玫瑰”的概率，花园里有$10$株玫瑰，总共$30$株植物，$P(X)=3010=31$。
$P(Y)$为“随机选择的植物开红花”的概率，花园里有$15$株开红花的植物，$P(Y)=3015=21$。
$P(X∩Y)$为“随机选择的植物是开红花的玫瑰”的概率，花园里有$5$株开红花的玫瑰，$P(X∩Y)=305=61$。
$P(X∣Y)$为“随机选择开红花的植物是玫瑰”的概率，$15$株开红花的植物中，有$5$株是玫瑰，$P(X∣Y)=155=31$。
$P(Y∣X)$为“随机选择的玫瑰是开红花”的概率，$10$株玫瑰中，有$5$株开红花，$P(Y∣X)=105=21$。
其中，$P(Y)×P(X∣Y)=P(X)×P(Y∣X)=P(X∩Y)$，即$21×31=31×21=61$。
根据条件概率与联合概率的关系，我们得到公式：$P(B)×P(A∣B)=P(A)×P(B∣A)=P(A∩B)$
整理上述公式，得到贝叶斯公式：$P(A∣B)=P(B)P(B∣A)×P(A)$
其中：
$P(A)$是事件$A$发生的概率（先验概率）。
$P(B)$是事件$B$发生的概率。
$P(A∣B)$是在事件$B$发生的条件下，事件$A$发生的概率（后验概率）。
$P(B∣A)$是在事件$A$发生的条件下，事件$B$发生的概率。
我们在不确定的情况下做决策时，贝叶斯定理提供了一种更新方法：每当我们获得新的信息，这个定理帮助我们更新我们对某件事情发生可能性的估计。
假设人们使用一个天气预测 AI。早上它根据过往气象数据，预测明天下雨的概率是低。晚上它
接收到新的气象报告，报告显示风向的变化可能会带来暴雨。于是，AI 使用贝叶斯定理对明天下雨的概率进行更新，从低调整至高。
从中我们可以看到，在新信息不断涌现的情况下，AI 借助贝叶斯定理进行不断地学习和调整，从而做出更加准确的预测和决策。
一个学校有两个篮球队，队伍 A 和队伍 B。队伍 A 获胜的概率是$60%$，而队伍 B 获胜的概率是 $40%$。另外，当队伍 A 获胜时，他们得分超过100分的概率是$30%$，而队伍 B 获胜时，他们得分超过 100 分的概率是$25%$。如果已知某场比赛中获胜队伍的得分超过了 100 分，计算这场比赛是由队伍 A 赢得的概率。
（解答过程问New Bing或者GPT。）
假设某病的发病率是$0.1%$。某病的测量仪准确率是$99%$。 当一个人被测量仪测出阳性（有病）时，他的患某病的概率是多少？
设事件$A$为“某人得某病”，事件$B$为“某人被测量仪测出阳性”。
那么：
$P(A)$为“某人得某病”的概率，$P(A)=0.1%$。
$P(A′)$为“某人不得某病”的概率， $P(A′)=1−P(A)=1−0.1%=99.9%$。
$P(B∣A)$为“若某人得病，某人被测量仪测出阳性”的概率，$P(B∣A)=99%$。
$P(B∣A′)$为“若某人不得病，某人被测量仪测出阳性”的概率，$P(B∣A′)=1−P(B∣A)=1−99%=1%$。
通过全概率公式算出：
根据贝叶斯公式，算出：
即“若某人被测量仪测出阳性，某人患某病”概率约为$9%$。这个例子说明了即使在测试准确率非常高的情况下，如果所检测的疾病本身发病率较低，测试结果为阳性的人实际患病的概率也可能并不高。
