先验概率和后验概率是概率论与统计学中用于描述不同阶段概率估计的核心概念，它们的核心区别在于是否基于观测数据。以下通过详细定义、对比和具体范例进行说明：
一、定义与对比
| 概念 | 定义 | 核心特点 |
|---|---|---|
| 先验概率 | 在未获得任何观测数据前，根据经验、历史信息或主观判断对事件发生的概率估计。 | 依赖主观判断或历史数据，不依赖当前观测结果；是“初始猜测”。 |
| 后验概率 | 在获得观测数据后，结合先验概率和观测信息，通过贝叶斯定理更新后的概率估计。 | 依赖观测数据，是“修正后的判断”；反映了对事件更精确的认识。 |
二、详细范例：疾病检测
假设某地区人群中患罕见病（如艾滋病）的概率为0.1%（即先验概率），现设计一种检测方法，其准确性如下：
- 灵敏度（真阳性率）：99%（若患病，检测为阳性的概率）
- 特异度（真阴性率）：95%（若未患病，检测为阴性的概率）
问题：若某人检测结果为阳性，其实际患病的概率是多少？
1. 先验概率（P(Disease)）
- 定义：在检测前，人群中患病的概率。
- 计算：直接根据历史数据得出，无需检测结果。
- 结果：( P(\text{Disease}) = 0.1% = 0.001 )
2. 后验概率（P(Disease|Positive)）
- 定义：在检测结果为阳性的条件下，实际患病的概率。
- 计算步骤：
- 计算联合概率：
- 患病且检测为阳性：( P(\text{Positive|Disease}) \times P(\text{Disease}) = 0.99 \times 0.001 = 0.00099 )
- 未患病但检测为阳性（假阳性）：( P(\text{Positive|No Disease}) \times P(\text{No Disease}) = 0.05 \times 0.999 = 0.04995 )
- 计算总阳性概率：
( P(\text{Positive}) = 0.00099 + 0.04995 = 0.05094 ) - 应用贝叶斯定理：
[
P(\text{Disease|Positive}) = \frac{P(\text{Positive|Disease}) \times P(\text{Disease})}{P(\text{Positive})} = \frac{0.00099}{0.05094} \approx 1.94%
]
- 计算联合概率：
- 结果：即使检测为阳性，实际患病的概率仅约1.94%，远低于直觉预期。
3. 关键解释
- 先验概率低的影响：由于疾病罕见（0.1%），假阳性（5%）的绝对数量可能超过真阳性（99%的灵敏度），导致后验概率被稀释。
- 贝叶斯定理的作用：通过结合先验概率和观测数据（检测结果），修正了对患病概率的估计。
三、直观理解
- 先验概率：类似“初始猜测”，如“我认为明天下雨的概率是30%”（基于天气预报或经验）。
- 后验概率：类似“修正后的判断”，如“今天看到乌云后，我认为明天下雨的概率上升到70%”（结合观测数据更新）。
四、应用场景
- 医学诊断：评估检测结果的可靠性。
- 垃圾邮件过滤：根据邮件内容更新垃圾邮件的概率。
- 机器学习：朴素贝叶斯分类器通过先验概率和特征数据预测类别。
通过此范例可见，先验概率是后验概率的基础，而后验概率通过观测数据对先验进行了更精确的修正。这一过程体现了“从经验出发，通过数据优化判断”的逻辑。
