本文从简单概率的概念出发，逐步过渡到条件概率，最后介绍贝叶斯定理。整个过程会尽量保持直观，不涉及复杂的数学形式。
假设有两个盒子：盒子 A 和盒子 B。盒子 A 装了 4 个球，3 红 1 绿；盒子 B 同样装了 4 个球，1 红 3 绿。
一个蒙着眼的人站在两个盒子前面，随机选中任一盒子的概率是 1/2。选定了某个盒子，比如盒子 A，从中摸到红球的概率是 3/4，摸到绿球的概率是 1/4。
树形图清楚地展示了盒子选择和球选择的概率分布也引出了几个基本概念：蒙眼的人选定盒子 A 后，取到红球的概率是 3/4，取到绿球的概率是 1/4。
选中任一盒子的概率是 1/2，写成数学语言：P(A) = 1/2，P(B) = 1/2。这属于简单概率。
在盒子 A 已被选中的前提下，从中取出红球的概率是 P(R | A) = 3/4。这就是条件概率，它以"盒子 A 已被选中"为条件，说法是"在盒子 A 已被选中的条件下，取出红球的概率"。
P(R | A) = 3/4 = count of Red balls in box A / total balls in box A
同理，P(G | A) = 1/4 表示在盒子 A 已被选中的条件下取出绿球的概率。
条件概率有一个关键特征：它缩小了"世界"的范围。计算条件概率时，参考系限定在条件所界定的子集之内。选择盒子时，"世界"是包含两个盒子的全集；选择球时，"世界"缩小到了那个特定的盒子，概率以该盒子中球的总数为分母。换言之，就是用盒子 A 中红球的数量除以盒子 A 中球的总数。
P(R ∩ A) 和 P(G ∩ A) 呢？它们也是概率但不附加任何条件。它们代表的是从树的根节点出发、从最开始起算的概率，不假设已经选好了盒子正在取球而是把选盒子和取球两步合在一起，得出一个从起点到终点的总概率。
P(R ∩ A) = P(A) . P(R | A) = 1/2 . 3/4 = 3/8
想想这个公式为什么成立呢？从盒子 A 中取到红球的条件概率是 3/4，但现在还要考虑选中盒子 A 本身的概率是1/2。两者相乘3/4 被缩减为 3/8。蒙眼人选中盒子 A 的概率 P(A) = 1/2，继而在盒子 A 中摸到红球的概率 P(R | A) = 3/4，两步合起来 P(R ∩ A) = 3/8。由于两个盒子各含 4 个球且等概率被选中，3/8 实际上等于盒子 A 中的红球数除以全集中球的总数。
这个结果符合理论：所有条件概率都会因为前置的盒子选择概率而按比例缩小，即按选中该盒子的概率做缩放。出发点也从树的盒子节点退回到了根节点。
同理：
P(G ∩ A) = 1/8 = Green balls A contains / total number of balls in whole universe
P(R ∩ B) = 1/8, P(G ∩ B) = 3/8
到这里，整个全集已经被切分成了四个不重叠的概率块：
P(R ∩ A) + P(G ∩ A) + P(R ∩ B) + P(G ∩ B) = 3/8 + 1/8 + 1/8 + 3/8 = 8/8 = 1
四个块加起来刚好等于 1，说明全集中所有盒子与球的组合都已穷尽，不存在遗漏。图示如下：
Universe-1
P(R | A) 描述的是红球在盒子 A 内部占多大比例；P(R ∩ A) 描述的是盒子 A 中的红球在整个全集中占多大比例。二者的区别至关重要。
现在换一个方向提问：随机拿起一个红球，它来自盒子 A 的概率是多少？即 P(A | R) = ?
这个问题的方向和树形图恰好相反。原先的逻辑是先选盒子再选球，"世界"从全集缩小到特定盒子，在盒子层面计算条件概率。现在的逻辑则是先假定取到的球是红色的—— "世界"缩小到只有红球——然后再看其中多大比例来自盒子 A。
一种理解方式是先构造一个"红球星球"，把全集中所有红球聚在一起，再看盒子 A 贡献了其中多少。
P(R) = P(R ∩ A) + P(R ∩ B) = 1/2
为什么这个值合理？全集被切成四个块，其中两个包含红球 P(R ∩ A) 和 P(R ∩ B)。将它们合并就得到红球的总概率。两个值都是以全集为参考系的，所以 P(R) = 1/2 的含义是全集中一半的球是红色的。
新的参考系如下：
Universe-2
同理：
P(G) = P(G ∩ A) + P(G ∩ B) = P(G | A) . P(A) + P(G | B) . P(B)
P(G) = 1/4 . 1/2 + 3/4 . 1/2 = 1/2
到这一步，"世界"的组织方式变了，从"盒子包含球"变成了"球携带来源盒子的标签"。
为什么要做这个转换？原来的概率链条是"先选盒子、再取球"，但目标问题是反过来的：已知取到了红球，想知道它来自哪个盒子，方向一反转就需要从 P(R | A) 转向计算 P(A | R)：
P(A | R) = P(A ∩ R) / P(R) = (3/8) / (1/2) = 3/4
为什么不直接用 P(A ∩ R) = 3/8 来回答？因为 3/8 是站在全集视角看的——全集中盒子 A 红球所占的比例。但问题要求站在"红球星球"的视角，而不是全集的视角。红球星球的总量比全集小，所以 3/8 按比例放大——除以 P(R) = 1/2，等价于乘以 2，得到 3/4。P(A ∩ R) 和 P(R) 的分母都是全集，度量单位一致，相除后结果就落在了红球星球的尺度上。
换个角度看也行：红球星球上共 4 个红球，其中 3 个来自盒子 A。
P(A | R) = count of red balls from planet A / total red balls = 3/4
还可以这样理解：红球星球由两个块组成——P(A ∩ R) 和 P(B ∩ R)，两者之和即 P(R)。要求 P(A ∩ R) 在 P(R) 中的占比，直接做除法即可。
绿球方向的计算完全对称：条件是绿球已被选中，求它来自盒子 B 的概率。
P(B | G) = P(B ∩ G) / P(G) = P(B ∩ G) / (P(A ∩ G) + P(B ∩ G))
P(B | G) = (3/8) / ((1/8) + (3/8)) = 3/4
小结一下整个过程：在全集 1 中，星球是盒子 A 和盒子 B，各自包含红球和绿球的分区。经过重组后，全集 2 中的星球变成了红球和绿球，各自包含盒子 A 和盒子 B 的分区。从一种划分到另一种划分的转换——这就是贝叶斯定理的本质。
直接代入公式验证：
P(A | R) = P(A ∩ R) / P(R)
= P(A ∩ R) / (P(A ∩ R) + P(B ∩ R))
= P(R | A) . P(A) / (P(R | A) . P(A) + P(R | B) . P(B))
= 3/4 (you can put values to confirm)
不过还需注意一点：
P(A ∩ R) = P(R | A) . P(A) [This is given in our problem. So we use this in our formula]
P(A ∩ R) = P(A | R) . P(R) [This is what we would find eventually. So we didn't use it in formula for calculation]
为什么这套全集转换的逻辑能走通？为什么原本以盒子为视角的概率可以翻转成以球为视角？根本原因在于全集能够通过交集运算被拆解成互不重叠的概率块。
"全集可以被分割成小的、带标签的块（联合概率）。"
这些小块各自携带一个条件标签，可以按需重新组合成新的"星球"，从而以不同的视角审视同一个全集。P(R ∩ A)、P(R ∩ B)、P(G ∩ A)、P(G ∩ B)——这四个联合概率就是构建一切的基本单元。
贝叶斯公式：
P(A | R) = P(A ∩ R) / P(R) = P(R | A) . P(A) / P(R)
从盒子出发提问"给定盒子颜色是什么"——答案是条件概率
P(R | A)
、
P(G | B)
等。将条件概率乘以降落在该盒子上的概率
P(A)
或
P(B)
，得到联合概率
P(R ∩ A)
等。按颜色对联合概率分组，得到边缘概率
P(R)
和
P(G)
，进而就可以反转提问方式：
P(A | R)
或
P(B | G)
。
从
P(R | A)
到
P(A | R)
的反转：这正是贝叶斯定理所形式化的运算。
贝叶斯的思想之所以自然到几乎不需要解释，因为全集天然地可以被切分成带标签的小块（联合概率），这些小块按盒子分组就得到盒子级别的概率，按颜色分组就得到颜色级别的概率。贝叶斯定理不过是一套以一致、归一化的方式将"给定"方向从盒子→颜色翻转为颜色→盒子的算术规则。
https://avoid.overfit.cn/post/491104cf4f374349bf12850ac618242d
by Syed Abdullah
