博弈论 101 第 73 讲（英文原声）：Bayes’ Rule

视频封面

视频元信息

讲师：William Spaniel（匹兹堡大学）
主题：贝叶斯法则（Bayes' Rule）——如何根据新信息更新信念
时长：约 13 分钟

内容摘要（TL;DR）

本节课讲解贝叶斯法则的核心逻辑：如何根据新信号（如体检结果、球探报告）更新原有的先验信念。通过两个癌症筛查例子（简单版与含良性肿瘤的复杂版），演示如何用概率树拆解贝叶斯公式，并强调分母需涵盖所有能产生该信号的路径。最后预告贝叶斯法则将用于求解贝叶斯纳什均衡与完美贝叶斯均衡。

一、引入：为什么需要贝叶斯法则 [00:03]

核心问题：面对新信息，如何更新原有信念？

视频开头用四个现实场景说明贝叶斯法则的广泛应用：

球队总经理：派球探考察一名业余球员，拿到报告后，如何更新对该球员水平的判断？
石油公司老板：某块地有石油但不确定储量，派测量员勘察后拿到不完全报告，如何更新对储量的信念？
政府情报机构：收到关于他国的情报报告后，如何更新对该国开战意愿或割让领土意愿的判断？
买家-卖家关系：你出价被卖家拒绝，如何更新对卖家最低可接受价格的判断？

关键区分：第四个例子与前三个本质不同。

前三个例子：没有策略性成分，你只是被动接收一个信号（球探报告、勘察报告、情报），据此更新信念。适用于同时行动的、不完全信息博弈中的贝叶斯纳什均衡。

第四个例子：涉及策略性行为——卖家拒绝你的报价，是基于其自身策略选择而"主动"传递给你的信息。这属于扩展式（序贯）不完全信息博弈，是下一单元的主题。

理解：前三个是"自然"给你信号，第四个是对手"策略性"给你信号。后者更复杂，因为对手可能故意误导你。

本节结论：贝叶斯法则是本单元的基础工具，即使是在同时行动的不完全信息博弈中也会用到，所以必须先掌握它。

二、简单案例：癌症筛查（基础版） [02:49]

2.1 设定与先验概率

假设你去做癌症筛查：

先验概率：有 60% 概率患癌，40% 概率健康。
检测准确率：
- 若患癌：检测呈阳性概率 90%，呈阴性概率 10%（存在假阴性）。
- 若健康：检测完全准确——阳性概率 0%，阴性概率 100%（无假阳性）。

核心问题：如果检测结果为阴性，你实际患癌的概率是多少？

易错点： 很多人直觉认为"阴性=没病"，但因为有假阴性存在，阴性结果下仍可能患癌。这正是贝叶斯法则要纠正的认知偏差。

2.2 贝叶斯公式

P(患癌 | 阴性) = [P(患癌) × P(阴性 | 患癌)] ÷ [P(患癌) × P(阴性 | 患癌) + P(健康) × P(阴性 | 健康)]

理解：公式结构可以这样记忆——

分子 = "你关心的那条路径"的联合概率（患癌且检测阴性）
分母 = "所有能产生该信号（阴性）的路径"的联合概率之和
分母是归一化因子，确保结果是条件概率

公式的通用模板（视频强调，只需替换括号内容）：

P(关心的事件 | 观察到的信号) = [P(关心事件) × P(信号 | 关心事件)] ÷ Σ[P(各可能原因) × P(信号 | 各可能原因)]

2.3 用概率树求解 [05:20]

画树状图，从顶部开始：

                    ┌─ 阳性 90%  → 0.6 × 0.9 = 0.54
        ┌─ 患癌 60% ┤
        │           └─ 阴性 10%  → 0.6 × 0.1 = 0.06  ← 分子
开始 ───┤
        │           ┌─ 阳性 0%   → 0.4 × 0 = 0
        └─ 健康 40% ┤
                    └─ 阴性 100% → 0.4 × 1.0 = 0.40  ← 分母另一部分

逐项代入公式：

P(患癌) = 0.6
P(阴性 | 患癌) = 0.1
P(健康) = 0.4
P(阴性 | 健康) = 1.0

计算：

P(患癌 | 阴性) = (0.6 × 0.1) ÷ (0.6 × 0.1 + 0.4 × 1.0) = 0.06 ÷ (0.06 + 0.40) = 0.06 ÷ 0.46 = 3/23 ≈ 13%

结论：即使检测呈阴性，仍有约 13% 的概率患癌。

考点： 3/23 ≈ 13% 这个结果说明——当先验概率很高（60%）时，即使检测阴性，也不能完全排除患病可能。贝叶斯更新只是降低了信念，而非归零。

三、复杂案例：含良性肿瘤的癌症筛查（进阶版） [07:33]

3.1 新增的复杂性

这个例子"隐藏"了贝叶斯法则中容易被忽视的关键点。现在有三种状态：

患癌：10%
良性肿瘤：40%
完全健康：50%

检测准确率：

若患癌：阳性 80%，阴性 20%
若良性肿瘤：阳性 30%（假阳性），阴性 70%
若完全健康：检测完全准确——阳性 0%，阴性 100%

核心难点： 现在"没有癌症"有两种原因——良性肿瘤或完全健康。因此分母中"不患癌"这一项必须拆成两条路径分别计算。这是初学者最容易漏掉的地方。

3.2 贝叶斯公式的展开

P(患癌 | 阴性) = 分子 ÷ 分母

分子 = P(患癌) × P(阴性 | 患癌)
分母 = P(患癌) × P(阴性 | 患癌) + P(良性肿瘤) × P(阴性 | 良性肿瘤) + P(健康) × P(阴性 | 健康)

理解：分母的本质是"所有能产生阴性信号的终端节点的概率之和"。视频反复强调这一原则——

通用原则：遍历概率树的每一个终端节点，找出所有能产生你所观察到的信号的路径，把它们的联合概率全部加起来作为分母。

3.3 用概率树求解 [10:13]

                    ┌─ 阳性 80%  → 0.1 × 0.8 = 0.08
        ┌─ 患癌 10% ┤
        │           └─ 阴性 20%  → 0.1 × 0.2 = 0.02  ← 分子
        │
开始 ───┼─ 良性 40% ┤─ 阳性 30%  → 0.4 × 0.3 = 0.12
        │           └─ 阴性 70%  → 0.4 × 0.7 = 0.28  ← 分母
        │
        └─ 健康 50% ┤─ 阳性 0%   → 0.5 × 0 = 0
                    └─ 阴性 100% → 0.5 × 1.0 = 0.50  ← 分母

代入计算：

P(患癌 | 阴性) = (0.1 × 0.2) ÷ (0.1 × 0.2 + 0.4 × 0.7 + 0.5 × 1.0) = 0.02 ÷ (0.02 + 0.28 + 0.50) = 0.02 ÷ 0.80 = 1/40 = 2.5%

结论：检测阴性时，患癌概率仅 2.5%，远低于简单版的 13%。

对比记忆：

简单版：先验患癌 60%，阴性后仍 13%

复杂版：先验患癌仅 10%，阴性后仅 2.5%

先验概率越低，阴性结果越"令人安心"。 这正是贝叶斯更新的直观含义——新证据在原有信念基础上调整，而非从零开始。

四、方法总结与常见陷阱 [12:29]

4.1 贝叶斯法则的通用步骤

明确先验概率（各可能原因的概率）
明确似然（各原因下产生该信号的条件概率）
找出所有能产生该信号的路径（这是分母的关键）
分子 = 你关心的那条路径的联合概率
分母 = 所有相关路径联合概率之和
相除得到后验概率

4.2 容易踩坑的点

三大易错点：

分母漏项：当"非目标事件"有多种原因时（如良性肿瘤+健康），必须全部纳入分母，不能只算一种。

混淆条件方向：P(阴性|患癌) 与 P(患癌|阴性) 完全不同。前者是检测特性（已知），后者是我们要更新的信念（未知）。

忽略先验：只盯着检测准确率，忘记先验概率的影响。先验越高，后验越高。

4.3 与其他概念的关系

拓展：贝叶斯法则与博弈论的连接点

贝叶斯纳什均衡（Bayesian Nash Equilibrium）：用于同时行动的不完全信息博弈。每个玩家根据先验信念选择最优策略，信念在均衡中通过贝叶斯法则保持一致。
完美贝叶斯均衡（Perfect Bayesian Equilibrium）：用于序贯行动的不完全信息博弈，是下一单元的主题。此时玩家在观察对手行动后，需要用贝叶斯法则更新信念。
思考：视频中第四个例子（卖家拒绝报价）正是完美贝叶斯均衡的应用场景——你需要根据卖家的拒绝行为，用贝叶斯法则推断其真实保留价格。