视频元信息
- 讲师：William Spaniel（匹兹堡大学）
- 系列：博弈论101（Game Theory 101）
- 本集主题：贝叶斯法则（Bayes' Rule）
- 时长：约 7 分钟
内容摘要（TL;DR）
本集讲解贝叶斯法则：如何根据新信息（信号）更新对某事件的信念。通过"癌症筛查"的简单与复杂两个案例，演示如何用树状图拆解公式并计算条件概率，并指出贝叶斯法则在同时行动的不完全信息博弈（贝叶斯纳什均衡）中的核心作用。
一、引入：为什么需要贝叶斯法则 [00:00]
核心问题：如何根据新信息更新自己的信念（belief）。
William Spaniel 开篇指出，贝叶斯法则在博弈论中非常重要，能应用在很多不同场景中。他先列举了四个典型情境：
情境一：运动队总经理
- 你看中了一名球员，想选进球队或签下来。
- 派球探去考察，球探带回一份报告。
- 问题：如何根据报告内容更新对该球员水平的判断？
情境二：石油公司老板
- 一块地底下确实有石油，但不确定有多少。
- 派勘测员实地勘察，带回一份不完整的报告。
- 问题：如何根据勘测员看到的情况更新自己的判断？
情境三：政府机构工作人员
- 收到一份关于另一个国家的情报报告。
- 问题：如何根据情报更新判断？比如该国对你开战的可能性有多大，或愿意让出部分领土的可能性有多大？
情境四：买卖关系中的买方
- 你向卖方出价，卖方拒绝了。
- 问题：你该更新判断，重新估计卖方要多少钱才愿意卖。
易错点：情境四与前三个本质不同。 前三个情境中，信号并非由"博弈对手的策略性行为"产生——你只是被动获得一个新信号，然后据此更新判断。而情境四中，卖方拒绝是一个策略性行为，卖方根据自己的策略选择，主动向你传递新信息。
两类博弈的区分：
- 前三个情境 → 适用于贝叶斯纳什均衡框架，即同时行动的不完全信息博弈。
- 第四个情境 → 属于扩展形式的不完全信息博弈，行动有先后顺序，且存在不完全信息（这是下一个单元的主题）。
理解：贝叶斯法则是"底层工具"，无论博弈是同时行动还是序贯行动，只要涉及不完全信息，都需要用它来更新信念。所以本集先单独把贝叶斯法则讲透。
二、贝叶斯法则的形式化表达 [03:30]
例子：癌症筛查
先验信念（prior）：
- 有 60% 的概率患癌症
- 有 40% 的概率是健康的
检测的运作方式：
- 如果患癌症：检测有 90% 概率呈阳性，有 10% 概率呈阴性（存在假阴性，即确实患病但检测说没有）
- 如果健康：检测完全准确，阳性概率为 0，阴性概率为 100%（不存在假阳性）
核心问题： 既然存在假阴性，那么当你拿到阴性结果时，你患癌症的概率是多少？
贝叶斯法则公式（本集形式）：
在检测结果为阴性的前提下，患癌症的概率 =
（患癌症的概率 × 在患癌症前提下得到阴性结果的概率） ÷ [（患癌症的概率 × 在患癌症前提下得到阴性结果的概率）+（未患癌症的概率 × 在未患癌症前提下得到阴性结果的概率）]
推导（理解公式结构）：
- 分子 = 所有"既患癌症又得到阴性结果"的情形。
- 分母 = 所有"得到阴性结果"的情形总和（无论是否患癌症）。
- 因此结果是"在已知得到阴性结果的所有可能路径中，患癌症那条路径所占的比例"。
术语对照（便于记忆）：
- 信号（signal）：检测结果是阴性还是阳性。
- 我们最想问的问题：是否患癌症。
- 应用时只需把公式里的"患癌症"替换成你真正关心的事件，把"阴性"替换成你实际得到的信号。
提醒： 不要被公式里大量的文字吓到。一旦画出对应的树状图，计算会变得非常简单。
三、简单案例：用树状图计算 [04:47]
树状图结构（从最左端开始）：
第一层（先验）：
- 患癌症：60%
- 健康：40%
第二层（检测结果条件概率）：
- 在患癌症前提下：阳性 90%，阴性 10%
- 在健康前提下：阳性 0%，阴性 100%
逐步填入公式：
- 患癌症的概率 = 0.6
- 在患癌症前提下得到阴性结果的概率 = 0.1（看树的左侧）
- 未患癌症的概率 = 0.4
- 在未患癌症前提下得到阴性结果的概率 = 1.0（看树的右侧，健康时阴性概率为 100%）
计算：
P(患癌 | 阴性) = (0.6 × 0.1) / (0.6 × 0.1 + 0.4 × 1.0) = 0.06 / (0.06 + 0.4) = 0.06 / 0.46 = 3/23 ≈ 13%
结论： 即使检测说"你没有患癌症"，你实际患癌症的概率仍然约有 13%。
思考：这个结果反直觉——检测阴性却还有 13% 患病概率。原因在于先验患病率高达 60%，且存在 10% 的假阴性，而健康人群的阴性概率是 100%，导致分母中"健康且阴性"的路径权重很大。
四、复杂案例：多种"阴性"来源 [06:49]
本案例的变化： 不再是"患癌/健康"两种状态，而是三种：
- 患癌症：10%
- 良性肿瘤：40%
- 完全没事：50%
检测特性：
- 如果患癌症：阳性 90%，阴性 10%
- 如果有良性肿瘤：阳性 30%（这是针对癌症的假阳性），阴性 70%
- 如果完全没事：检测完全准确，阴性 100%
理解：良性肿瘤会导致假阳性——你没患癌症，但检测呈阳性。这就是"多种得到阴性结果的方式"的来源。
本案例的问题： 在筛查结果为阴性的前提下，你是否真的患癌症？
公式的调整（关键）：
分子不变：
- 患癌症的概率 × 在患癌症前提下得到阴性结果的概率
分母需要展开： 因为"未患癌症"有两种方式——良性肿瘤或完全健康，所以分母的第二部分要展开为两项相加：
分母 = （患癌概率 × 患癌时阴性概率）
- （良性肿瘤概率 × 良性肿瘤时阴性概率）
- （完全健康概率 × 完全健康时阴性概率）
逐步填入：
- 患癌症的概率 = 0.1
- 患癌时得到阴性的概率 = 0.1
- 良性肿瘤的概率 = 0.4
- 良性肿瘤时得到阴性的概率 = 0.7
- 完全健康的概率 = 0.5
- 完全健康时得到阴性的概率 = 1.0
计算：
P(患癌 | 阴性) = (0.1 × 0.1) / (0.1 × 0.1 + 0.4 × 0.7 + 0.5 × 1.0) = 0.01 / (0.01 + 0.28 + 0.5) = 0.01 / 0.79 = 1/40
结论： 如果得到阴性结果，你患癌症的概率只有 1/40，即 2.5%。比简单案例好多了。
关键区别（易错点）： 简单案例中分母的第二部分只有一项；复杂案例中，因为存在多种"得到阴性结果但不是患癌"的路径，分母必须把每一个能产生该信号的中端节点都加进去。这是应用贝叶斯法则时最容易遗漏的地方。
拓展：这正是"全概率公式"的体现——分母是对所有可能产生该信号的原因求和。无论场景如何变化，只要画出树状图，找出所有指向目标信号的终端节点，逐一相乘再相加，就不会漏项。
五、贝叶斯法则的通用操作流程（总结）
步骤一：明确两件事
- 你关心的核心事件（如"患癌症"）。
- 你实际观察到的信号（如"阴性结果"）。
步骤二：画出树状图
- 第一层：先验概率（各状态的概率）。
- 第二层：在每个状态下，得到该信号的条件概率。
步骤三：填写公式
- 分子：核心事件概率 × 该事件下得到信号的概率。
- 分母：所有能产生该信号的状态路径之和（每一项 = 状态概率 × 该状态下得到信号的概率）。
步骤四：计算
通用原则： 分母中要包含每一个能产生所观察信号的终端节点。状态越多，分母的项数越多。这一点在所有应用贝叶斯法则的场合都一致。
六、与后续课程的衔接 [06:30]
- 接下来的课程会经常用到贝叶斯法则。
- 至少会有一讲专门讨论同时行动的不完全信息博弈，使用的工具就是贝叶斯纳什均衡。
- 之后还会看到不完全信息博弈的完美贝叶斯均衡。
- 下一讲会解释：为什么它叫"贝叶斯纳什均衡"，"贝叶斯"这个名字从何而来——显然就来自贝叶斯法则。
理解：本集是"工具箱"性质的一讲，为后续所有涉及不完全信息的博弈分析打基础。贝叶斯法则是从"先验信念"到"后验信念"的桥梁，而博弈中的均衡要求每个玩家都按此规则更新信念。
关键标签/关键词
贝叶斯法则、条件概率、先验概率、后验概率、信号、信念更新、树状图、癌症筛查、假阳性、假阴性、全概率公式、贝叶斯纳什均衡、不完全信息博弈、同时行动博弈、扩展形式博弈、William Spaniel、博弈论101
生成时间：2026-10-11 22:33:31 生成平台：VideoNote www.xygy.top
