你有没有想过这样一类问题：
这些问题的共同点是：我们观察到一个结果，想反推这个结果是由什么原因造成的。
而解决这类逆向推理的工具，就是大名鼎鼎的贝叶斯公式。
要理解贝叶斯公式，我们得从最朴素的起点——条件概率——开始聊起。
假设你抛一枚均匀的骰子。不考虑其他信息时，抛出数字 $6$ 的概率是 $1/6$。
但如果我偷偷告诉你，抛出的数字是偶数，那么此时抛出 $6$ 的概率就变成了多少？
因为结果只可能是 ${2, 4, 6}$ 这三种，而且它们出现的机会均等，所以 $6$ 的概率变成了 $1/3$。
这其实就是条件概率的直觉：在新的信息下，我们重新划定可能结果的范围，然后在缩小后的世界里重新计算概率。
我们用 $P(A|B)$ 来表示：在事件 $B$ 已经发生的条件下，事件 $A$ 发生的概率。它的定义是：
$$ P(A|B) = \frac{P(A \cap B)}{P(B)} $$
解释一下：分母 $P(B)$ 就是我们“已知”的条件的世界（例如“数字是偶数”），分子 $P(A \cap B)$ 是 $A$ 和 $B$ 同时发生的那部分（例如“既是6又是偶数”）。两者一除，就完成了范围的缩放。
这个定义可以变一下形，写成乘法公式：
$$ P(A \cap B) = P(A|B) \cdot P(B) $$
同理，如果我们以 $A$ 为条件，也能得到：
$$ P(A \cap B) = P(B|A) \cdot P(A) $$
这两个等式，就是接下来一切推导的地基。
在接触贝叶斯公式之前，我们还需要一个工具：全概率公式。它回答的是另一个问题：如果我们知道各种“原因”以及它们各自产生“结果”的可能性，那么这个“结果”总的发生概率是多少？
这其实就是沿着“原因→结果”的方向，把整体概率算出来。
设想有若干个互斥且穷尽所有可能的原因 $B_1, B_2, \ldots, B_n$。打个比方，草地变湿（结果 $A$）可能只由两个互斥原因导致：$B_1$ 是“昨晚下过雨”，$B_2$ 是“昨晚没下雨但自动喷水器开了”。（这里暂时忽略既下雨又开喷水器的情况，或将其视作极低概率事件。）
那么，草地变湿这件事，可以分两条路完成：
1、下了雨，并且草地变湿了。 2、没下雨但开了喷水器，并且草地变湿了。
写成概率语言，就是：
$$ \begin{aligned} P(A) &= P(A \cap B_1) + P(A \cap B_2) + \ldots + P(A \cap B_n) \\ &= P(A|B_1)P(B_1) + P(A|B_2)P(B_2) + \ldots + P(A|B_n)P(B_n) \end{aligned} $$
写成更紧凑的形式，这就是全概率公式：
$$ P(A) = \sum_{i=1}^n P(A|B_i) P(B_i) $$
它的本质，就是把复杂事件的概率，拆解成“各条路径上的概率”之和。
有了条件概率和全概率公式，贝叶斯公式其实已经呼之欲出了。
在许多实际问题中，我们容易知道“原因导致结果的概率”——比如“得了癌症的人，筛查呈阳性的概率”（这来自医学检验数据），但我们真正想知道的是它的反面——“筛查呈阳性的人，真正得了癌症的概率”。
前者是 $P(\text{阳性}|\text{患癌})$，后者是 $P(\text{患癌}|\text{阳性})$。
让我们回到条件概率的定义。事件 $A$ 和 $B_i$ 同时发生的概率，用两种方式写出来：
$$ P(A \cap B_i) = P(A|B_i)P(B_i) $$ $$ P(A \cap B_i) = P(B_i|A)P(A) $$
它们俩都等于同一个东西，所以：
$$ P(B_i|A)P(A) = P(A|B_i)P(B_i) $$
把 $P(A)$ 移到右边，就得到：
$$ P(B_i|A) = \frac{P(A|B_i)P(B_i)}{P(A)} $$
这就是贝叶斯公式的原始形态。
而分母 $P(A)$ 又可以用全概率公式展开成 $\sum_{j} P(A|B_j)P(B_j)$，于是我们得到最实用的版本：
$$ P(B_i|A) = \frac{P(A|B_i)P(B_i)}{\sum_{j=1}^n P(A|B_j)P(B_j)} $$
这个公式里的每一项都有生动的含义：
贝叶斯公式的精髓，就在于用似然度去修正先验概率，从而得到后验概率。
这完美模仿了人类学习的过程：先抱有一个初始看法，然后不断用新事实去修正它。
我们来完整走一遍那个“草地湿了”的例子。
接下来是因果规律：
现在，你早上起来，推开门，发现草地是湿的。这个结果 $A$ 发生了。
你想知道，最可能的原因是什么？是雨还是喷水器？
先算草地变湿的总概率（全概率公式）：
$$ \begin{aligned} P(A) &= P(A|B_1)P(B_1) + P(A|B_2)P(B_2) + P(A|B_3)P(B_3) \\ &= 1 \times 0.3 + 0.9 \times 0.2 + 0 \times 0.5 \\ &= 0.3 + 0.18 \\ &= 0.48 \end{aligned} $$
现在用贝叶斯公式，反推“湿草地是由下雨导致”的概率：
$$ P(B_1|A) = \frac{P(A|B_1)P(B_1)}{P(A)} = \frac{1 \times 0.3}{0.48} = 0.625 $$
而“湿草地是由喷水器导致”的概率：
$$ P(B_2|A) = \frac{P(A|B_2)P(B_2)}{P(A)} = \frac{0.9 \times 0.2}{0.48} = 0.375 $$
你看，在没观察之前，下雨的先验概率只有 $0.3$；看到湿草地后，下雨的后验概率上升到了 $0.625$，成为更有可能的解释。贝叶斯公式完成了从果到因的精确推断。
贝叶斯公式不只是个计算工具，它更代表一种实事求是的认知态度：
从医疗诊断、垃圾邮件过滤、机器学习，到法庭上的证据推理、人工智能的不确定性处理，贝叶斯公式都在背后默默发力。理解它，就是理解概率论如何帮助我们在充满不确定性的世界里，更理性地思考和决策。