贝叶斯定理怎么用？从质检频数表理解基础率、误报与后验概率

先把“检测准确”拆成三个问题

某质检装置能识别九成缺陷零件，是否意味着被报警的零件有九成存在缺陷？不能直接这样推。前一句从缺陷零件出发，后一句从报警零件出发；后者还受正常零件有多少、正常零件多容易误报的影响。本文关注证据怎样改变概率，而不只练习更换条件概率的分母。

记 D 为存在缺陷，A 为装置报警。P(D) 是检测前针对这批零件的先验概率，也就是本例的基础率；P(A|D) 是有缺陷时报警的概率；P(D|A) 才是看到报警后的后验概率。MIT 的贝叶斯推断材料把先验、观测模型与后验明确区分。

假设缺陷率为 1%，缺陷件检出率为 90%，正常件误报率为 5%。为看清比例，构造 10,000 件零件的教学频数表：100 件有缺陷，9,900 件正常。这些是按给定概率推演的数量，不是真实工厂记录，也不保证每次实际抽样恰好出现这些计数。

缺陷件中，90 件报警、10 件未报警；正常件中，495 件报警、9,405 件未报警。请先核对两条分支各自的合计，再核对四格相加为 10,000。误报来自数量很大的正常件分支，不能把 5% 直接乘在缺陷件数量上。

报警零件中的缺陷比例为 90/585，约 15.38%。这已经比检测前的 1% 高很多，说明报警提供了信息；但它仍然远低于 90%。不能因为多数报警是误报，就说装置完全没有信息，也不能因为检出率高，就把每次报警当成缺陷确认。

报警中的正常比例为 495/585，约 84.62%。这个数与正常件误报率 5% 不同，分母分别是全部报警件与全部正常件。再做一个方向检查：未报警中的缺陷比例是 10/9,415，约 0.106%，因此未报警也不等于缺陷概率严格为零。

贝叶斯公式在本例写成 P(D|A)=P(A|D)P(D)/[P(A|D)P(D)+P(A|非D)P(非D)]。代入得到 0.90×0.01/[0.90×0.01+0.05×0.99]=0.009/0.0585。分母包含真报警与误报警两条路径，遗漏任何一条都会改变问题。

也可以用赔率检查。检测前缺陷与正常的赔率是 1:99，报警的似然比为 0.90/0.05=18。更新后的赔率为 18:99，即 2:11；转换成概率是 2/(2+11)=2/13，仍约 15.38%。赔率不是概率，不能把 2/11 直接写成后验概率。

把缺陷率改为 0.1%，保持两项检测概率不变。用 100,000 件作参照，仍有 100 件缺陷，其中 90 件报警；99,900 件正常，其中 4,995 件误报。后验变为 90/(90+4,995)，约 1.77%。差异来自检测前的组成改变，不是装置突然换了检出率。

因此，来自某条生产线的后验结果不能直接搬到另一条生产线。需要核实当前批次的基础率，以及检测概率是否适用于当前材料、缺陷类型和阈值。先验可以依据相关历史资料建立，但历史比例也有不确定性，不能把过时估计当成已知常数。

若同一件零件连续测两次，两次报警可能共享同一个传感器偏差。只有在给定缺陷状态后两次检测条件独立等假设成立时，才可以把相应条件概率相乘。这里要求的是在缺陷件内部、正常件内部分别检查条件独立，而不是笼统声称两次操作互不相干。

还要区分概率计算与处置决定。后验概率回答证据支持到什么程度；是否复检或报废还涉及错误处置的后果、后续信息与操作要求。本练习不替真实质量流程作决定，也不从单个后验百分比推导统一行动阈值。

练习一：缺陷率改为 2%，检出率仍为 90%，误报率仍为 5%。在 10,000 件参照零件中，报警后的缺陷概率是多少？先自行写出四格，再看解析。答案是缺陷件 200 件，其中 180 件报警；正常件 9,800 件，其中 490 件误报，所以后验为 180/670，约 26.87%。

练习二：保留 2% 的基础率，只把误报率降到 1%。正常件误报变为 98 件，后验为 180/(180+98)，约 64.75%。若第一题答 90%，是把检出率当成后验；若答 2%，是忽略报警证据；若只用 180/490，则把正常报警数误当成全部报警数。

一个完整解释应同时说出参照总体、给定检测性能、观察到的证据和更新后的概率。例如：“在缺陷率为 1%、上述检测概率适用的设定下，随机抽取的报警零件约有 15.38% 存在缺陷。”这样读者能看见条件，避免把示例结果误读为所有检测场景的固定答案。

最后检查所有概率是否介于 0 与 1，同一条件下互补结果是否相加为 1，频数表是否保留全部路径。能用频数、公式和文字解释同一答案，才说明已经掌握更新逻辑，而不是仅记住一个可代入的分式。

想练习把概率题转换成频数表，可以在咨询中说明课程模块、题型和容易混淆的条件。是否能安排相关学科辅导及时间，须按导师可用情况确认。