第 6 讲 · 条件概率三大经典模型与辛普森悖论：配帽问题、赌徒输光与混杂变量假象

1.1 条件概率的乘法原理：像“剥竹笋”一样的深度优先搜索（DFS，▶ P31 02:57–13:28）

在本讲开篇（▶ P31 03:28），张颢老师指出：条件概率的计算与组合数学中的乘法原理和加法原理有着深刻的同构对应。当我们面对 $n$ 个相互关联的事件交集 $\mathbb{P}(A_1 A_2 \cdots A_n)$ 时，很难一眼看清全局；但借助条件概率定义，我们可以先固定住前 $n-1$ 个事件作为已知条件（一旦放在条件号后面，它们就暂时失去了随机性，变成了确定性的已知背景，▶ P31 05:29–07:54），从而逐层剥开： $$\mathbb{P}(A_1 A_2 \cdots A_n) = \mathbb{P}(A_n \mid A_1 \cdots A_{n-1})\,\mathbb{P}(A_{n-1} \mid A_1 \cdots A_{n-2}) \cdots \mathbb{P}(A_2 \mid A_1)\,\mathbb{P}(A_1)$$

• 有放回 vs 不放回抽 3 张 A（▶ P31 08:30–13:28）：
  • 若从 52 张扑克牌中有放回地抽 3 次，每次恢复现场，各次独立，连抽 3 张指定 A 的概率直接自乘：$(1/52)^3$；
  • 若不放回地连抽 3 张牌，求 3 张全是 A（不限花色）的概率：第 1 次抽对后总牌数和 A 的张数同时减少，必须用链式条件概率相乘： $$\mathbb{P}(A_1 A_2 A_3) = \mathbb{P}(A_1)\,\mathbb{P}(A_2\mid A_1)\,\mathbb{P}(A_3\mid A_1 A_2) = \frac{4}{52} \times \frac{3}{51} \times \frac{2}{50}$$

---

1.2 经典模型一：配帽问题（Hat-Matching / 错排问题，▶ P31 13:28–P32 02:25）

问题：$N$ 个人把各自的帽子混在一起随机拿一顶。（1）求无一人拿对自己帽子（全错排）的概率 $q_N$ 及其极限；（2）求恰好有 $k$ 个人拿对自己帽子的概率 $P_N(k)$。

1. 黑板“剥竹笋”法求恰好 $k$ 人拿对（▶ P31 15:07–P32 02:00）： 如何把“恰好 $k$ 人拿对”转化为我们已经熟悉的“没有人拿对（$k=0$）”？张颢老师演示了链式条件概率的剥笋威力：
   • 先指定前 $k$ 个人拿对自己的帽子：第 1 个人拿对的概率是 $\frac{1}{N}$；在他拿走自己帽子后，样本空间坍缩为剩余 $N-1$ 顶帽子，第 2 个人拿对的条件概率是 $\frac{1}{N-1}$……依次剥到第 $k$ 个人拿对的条件概率为 $\frac{1}{N-k+1}$（▶ P31 16:08–18:27）；
   • 当这 $k$ 个人各自拿走自己的帽子后，“竹笋的心儿露出来了”（▶ P31 19:04）：剩下的 $N-k$ 个人面对他们自己的 $N-k$ 顶帽子，要求无一人拿对，这恰恰是规模为 $N-k$ 的全错排概率 $q_{N-k}$！
   • 最后乘上从 $N$ 个人中选出哪 $k$ 个人拿对的组合数 $\binom{N}{k}$（▶ P32 00:25）： $$P_N(k) = \binom{N}{k} \cdot \frac{1}{N} \cdot \frac{1}{N-1} \cdots \frac{1}{N-k+1} \cdot q_{N-k} = \frac{1}{k!}\,q_{N-k}$$
2. 第一步条件化递推与容斥极限 $q_N \to e^{-1} \approx 36.79\%$： 对于无一人拿对的概率 $q_N$，既可由容斥原理（或按第 1 个人拿错第 $j$ 号帽后，第 $j$ 号人是拿走 1 号帽形成 2 人闭环 $q_{N-2}$，还是不拿 1 号帽同构于 $N-1$ 人错排 $q_{N-1}$，建立第一步条件概率递推方程 $q_N = \frac{N-1}{N}\bigl[\frac{1}{N-1}q_{N-2} + \frac{N-2}{N-1}q_{N-1}\bigr] \implies q_N - q_{N-1} = -\frac{1}{N}(q_{N-1}-q_{N-2})$）精确求出： $$q_N = \sum_{m=0}^{N} \frac{(-1)^m}{m!} = 1 - 1 + \frac{1}{2!} - \frac{1}{3!} + \cdots + \frac{(-1)^N}{N!} \xrightarrow{N\to\infty} e^{-1} \approx 36.79\%$$ 代回上式立得：当 $N\to\infty$ 时，恰有 $k$ 人拿对帽子的概率收敛于参数为 $\lambda=1$ 的泊松分布 $P_N(k) \to \frac{e^{-1}}{k!}$！

---

1.3 条件概率的加法原理：全概率公式与 if-else / switch-default 不重不漏铁律（▶ P32 02:25–10:56）

在 ▶ P32 02:50，张颢老师给出了一个令计算机与工科学生拍案叫绝的比喻：

• 乘法原理（链式条件）是层层深入的深度优先搜索（DFS）；
• 加法原理（全概率公式）则是横向铺开的广度优先搜索（BFS），更是编程中最基础的 if-else / C 语言 switch-case-default 分情况讨论思想（▶ P32 06:48–10:28）！ $$\mathbb{P}(B) = \sum_{i=1}^n \mathbb{P}(B \mid A_i)\,\mathbb{P}(A_i) \qquad \Bigl(\text{前提：} A_i \cap A_j = \varnothing,\; \bigcup_{i=1}^n A_i = \Omega\Bigr)$$ 为什么写 switch 语句一定要写 default？就是为了兜底防止挂一漏万！使用全概率公式的命门只有四个字：不重（$A_i A_j = \varnothing$）不漏（$\bigcup A_i = \Omega$）。

黑板争议名题：盲抓一球扔掉不看，第二球是白球的概率为何纹丝不动？（▶ P32 10:56–P33 05:24）

问题：罐中有 $m$ 个白球、$n$ 个黑球。先从中摸出第 1 个球，完全不看直接扔到一边；随后再摸第 2 个球，求第 2 个球是白球（记为 $W_2$）的概率。

• 全概率公式计算（▶ P32 14:46–17:40）： 第 2 球是白球的概率显然受第 1 球结果影响，但因为“没看第 1 球”，只能按第 1 球是白球（$W_1$）还是黑球（$B_1$）不重不漏地分情况讨论： $$\mathbb{P}(W_2) = \mathbb{P}(W_2 \mid W_1)\mathbb{P}(W_1) + \mathbb{P}(W_2 \mid B_1)\mathbb{P}(B_1) = \frac{m-1}{m+n-1}\cdot\frac{m}{m+n} + \frac{m}{m+n-1}\cdot\frac{n}{m+n} = \frac{m(m+n-1)}{(m+n)(m+n-1)} = \frac{m}{m+n}$$
• 为什么引发哲学争议与 Poisson 的“盐水溶液”妙解（▶ P32 17:40–P33 05:24）： 许多学者质疑：在客观物理现实中，第 1 个球一旦被拿走，罐子里的球总数变成了 $m+n-1$，真实概率要么是 $\frac{m-1}{m+n-1}$，要么是 $\frac{m}{m+n-1}$，绝不可能是 $\frac{m}{m+n}$！这说明全概率公式算出的 $\frac{m}{m+n}$ 只是因为观测者“没看”而在脑海里把两种可能“一锅乱炖（加权平均）”出来的主观信念（▶ P33 00:50–02:27）。对此，法国大数学家 Poisson（泊松，▶ P33 02:27–04:48） 给出了一个绝妙的物理直观比喻：把 $m$ 个白球和 $n$ 个黑球想象成一罐搅拌均匀的“水与盐的溶液”，闭着眼舀走一勺溶液倒掉，剩下溶液的水盐浓度比例会变吗？当然不会！

2.1 问题建模与一步全概率差分方程（▶ P33 08:33–17:14）

在 ▶ P33 08:33，张颢老师请出了概率论发展史上最负盛名的随机游走模型——赌徒输光问题（Gambler's Ruin Problem）：

• 博弈规则（▶ P33 09:02–11:51）：一个赌徒带着初始本金 $k$ 元（课堂板书亦记当前钱数为 $n$）进入赌场，每次赌注固定为 $1$ 元，没有平局：
  • 每局以概率 $p$ 赢 $1$ 元（本金变为 $k+1$）；
  • 每局以概率 $q = 1 - p$ 输 $1$ 元（本金变为 $k-1$）；
  • 一旦本金跌至 $0$ 元，赌徒彻底破产（输光出局）。
• 用全概率公式建立递推关系（▶ P33 12:14–16:37）： 记 $a_k$（板书写作 $a_n$）为赌徒从当前本金 $k$ 元出发最终输光破产（本金归零）的概率。显然边界条件为 a₀ = 1（如果一上来手里就是 $0$ 元，已经输光，概率为 $1$，▶ P33 19:16）。 当赌徒手里有 $k \ge 1$ 元时，下一把赌局的结果只有“赢（概率 $p$，状态跳至 $k+1$）”与“输（概率 $1-p$，状态跳至 $k-1$）”两种情况，严格满足不重不漏原则（▶ P33 14:30）！由全概率公式立即得到二阶常系数线性齐次差分方程（▶ P33 16:37）： $$a_k = p\,a_{k+1} + (1 - p)\,a_{k-1} \qquad (k \ge 1)$$

---

2.2 特征方程求解与非对称赌局（$p \neq 1/2$）通解（▶ P33 17:14–19:39）

如何求解二阶差分方程 $p\,a_{k+1} - a_k + (1-p)\,a_{k-1} = 0$？张颢老师在黑板上写出其特征方程（▶ P33 17:14–18:25）： $$p\lambda^2 - \lambda + (1 - p) = 0 \quad\Longleftrightarrow\quad (\lambda - 1)\bigl(p\lambda - (1 - p)\bigr) = 0$$ 注意课堂黑板上张颢老师先按对称方向写了 $(1-p)\lambda^2 - \lambda + p = 0$ 并随后对照修正，两个特征根分别为： $$\lambda_1 = 1, \qquad \lambda_2 = \frac{1 - p}{p} = \frac{q}{p}$$ 当 $p \neq \frac{1}{2}$（即 $\lambda_1 \neq \lambda_2$，两个单根互异）时，差分方程的通解为（▶ P33 18:25–19:16）： $$a_k = A\,\lambda_1^k + B\,\lambda_2^k = A + B\left(\frac{1-p}{p}\right)^k$$

• 若设定止盈目标上限 $N$ 元（即赢到 $N$ 元立刻收手离场，$a_N = 0$，且 $a_0 = 1$）： 代入 $\begin{cases} a_0 = A + B = 1 \\ a_N = A + B(q/p)^N = 0 \end{cases}$，解得赌徒从 $k$ 元出发先破产（输光）的概率与先达标（赢到 $N$ 元）的概率分别为： $$a_k = \frac{(q/p)^N - (q/p)^k}{(q/p)^N - 1}, \qquad 1 - a_k = \frac{1 - (q/p)^k}{1 - (q/p)^N}$$

---

2.3 公平赌场（$p = 1/2$）的特征重根陷阱与“久赌必输”严格证明（▶ P34 00:00–06:07）

在 ▶ P34 00:26，张颢老师提出了全讲最振聋发聩的问题：

“如果 $p = \frac{1}{2}$，这意味着赌场老板简直是个活雷锋——绝不出老千、绝不抽水、不搞任何手脚，每把输赢概率严格各占 $50\%$！在这样一个绝对公平的赌场里，你一直赌下去（或面对资金无限的庄家），输光的可能性有多大？”

1. 为什么 $p = 1/2$ 时不能直接套用 $a_k = A + B(\frac{1-p}{p})^k$？（▶ P34 01:23–02:48） 当 $p = 1/2$ 时，$\frac{1-p}{p} = 1$，特征方程出现二重根 $\lambda_1 = \lambda_2 = 1$！如果还写成 $A\cdot 1^k + B\cdot 1^k = A+B$，通解就退化成了一个常数，丢失了一个独立解。
2. 二重根下的线性通解 $a_k = A + B\cdot k$（▶ P34 02:48–03:46）： 由常微分方程/差分方程重根理论，当 $\lambda = 1$ 为二重根时，二阶差分方程 $a_k = \frac{1}{2}a_{k+1} + \frac{1}{2}a_{k-1}$（即等差中项性质 $a_{k+1} - a_k = a_k - a_{k-1}$）的通解为关于 $k$ 的一次线性函数： $$a_k = A + B \cdot k$$
3. 从有限止盈 $N$ 到无限资金赌场（$N \to \infty$）的“久赌必输”铁律（▶ P34 03:14–06:07）：
   • 情形 A（设有止盈目标 $N$ 元，$a_0=1, a_N=0$）：代入 $a_k = A + Bk$ 得 $A = 1, B = -1/N$，故输光破产概率为 $a_k = 1 - \frac{k}{N} = \frac{N-k}{N}$，成功赢到 $N$ 元全身而退的概率为 $\frac{k}{N}$。
   • 情形 B（面对无限资金庄家 / 不设上限一直赌，$k \in \{0, 1, 2, \dots\}$）：
     • 视角一（取极限 $N \to \infty$）：个人本金 $k$ 是有限的，而赌场的资金池相对于个人近乎无穷大（$N \to \infty$），此时输光概率 $\lim_{N\to\infty} \bigl(1 - \frac{k}{N}\bigr) = 1$！
     • 视角二（张颢黑板有界性直接定值法，▶ P34 03:14–05:38）：因为 $a_k = A + Bk$ 是一个概率，对任意大的本金 $k = 1, 2, 3, \dots, \infty$，它必须永远被夹在区间 $[0, 1]$ 内部（$0 \le A + Bk \le 1$）！然而只要斜率 $B \neq 0$，当 $k \to \infty$ 时线性函数 $A + Bk$ 必然奔向 $+\infty$ 或 $-\infty$，彻底冲破 $[0, 1]$ 的概率边界！因此唯一能够让 $a_k$ 对所有 $k$ 保持在 $[0, 1]$ 内的可能，就是斜率 $B = 0$！再代入初始边界 $a_0 = A = 1$，立即锁死： $$A = 1,\quad B = 0 \quad\Longrightarrow\quad a_k \equiv 1 \quad (\forall k \ge 1)\;\;!$$ 张颢老师在黑板前重重敲响警钟（▶ P34 05:07）：“在哪怕绝对公平的赌场里，只要一直赌下去，输光的概率也一定是一（100%），输光是一定会出现的！”

3.1 致命易错点：带公共条件的扩充全概率公式（▶ P34 06:51–13:06）

在进入辛普森悖论之前，张颢老师在 ▶ P34 08:03 先做了一个极其重要的公式扩充：“条件概率也是概率，别拿豆包不当干粮！” 设 $\{A_1, A_2, \dots, A_n\}$ 是样本空间的不重不漏完备划分，现在我们要计算一个本身已经带有公共条件 $C$（板书记为 $B$）的条件概率 $\mathbb{P}(E \mid C)$。许多同学会想当然地写出如下错误公式（▶ P34 09:09–10:06）： $$\mathbb{P}(E \mid C) \;\stackrel{\text{错误！}}{=}\; \sum_{i=1}^n \mathbb{P}(E \mid A_i \cap C)\,\mathbb{P}(A_i) \qquad (\times)$$ 为什么上面这个式子是错的？（▶ P34 10:06–12:30） 因为一旦我们在研究以 $C$ 为条件的概率 $\mathbb{P}(\cdot \mid C)$，整个样本空间就已经改变成了 $C$！因此，后面的加权系数绝不能用原始样本空间上的无条件概率 $\mathbb{P}(A_i)$，而必须在每一处都加上公共条件 $C$，使用条件后的权重 $\mathbb{P}(A_i \mid C)$（▶ P34 11:01–12:30）： $$\mathbb{P}(E \mid C) = \sum_{i=1}^n \mathbb{P}(E \mid A_i \cap C)\,\underbrace{\mathbb{P}(A_i \mid C)}_{\text{必须是条件后权重！}} \qquad (\checkmark)$$ （检验：若把蓝框里的公共条件 $C$ 全部抹去，立刻退化回普通全概率公式；若加上 $C$，则每一项都必须同步加上 $C$！）

---

3.2 经典模型三：辛普森悖论（Simpson's Paradox）的黑板医疗数据剖析（▶ P34 13:36–P35 04:41）

紧接着在 ▶ P34 13:36，张颢老师在黑板上列出了一组对比两种医疗方案（如疗法甲 vs 疗法乙，或新药 vs 旧药）在男性组（重症/高危组）与女性组（轻症/高愈组）中的临床统计数据（▶ P34 14:44–19:31）：

分组 / 汇总对比	疗法一（如标准旧药 $T_0$）	疗法二（如新药 $T_1$）	单组 / 汇总治愈率对比结论
男性组（难治重症组，低基数率）	治疗 $1000$ 人，治愈 $100$ 人（$10.0\%$）	治疗 $5000$ 人，治愈 $250$ 人（$5.0\%$）	男性组：$T_0(10\%) > T_1(5\%)$（或反向设新药组内更高）
女性组（易治轻症组，高基数率）	治疗 $5000$ 人，治愈 $4750$ 人（$95.0\%$）	治疗 $1000$ 人，治愈 $500$ 人（$50.0\%$）	女性组：$T_0(95\%) > T_1(50\%)$
男女合并总表（不区分性别）	总计 $6000$ 人，治愈 $4850$ 人（$80.8\%$）	总计 $6000$ 人，治愈 $750$ 人（$12.5\%$）	(注：若交换两药在男女组的微调比例，即可出现分组皆为新药高、合并反而旧药高的彻底反转！)

让我们用一个更直观的对称数值表复现“新药在男组、女组治愈率均高于旧药，但合并总治愈率反而低于旧药”的经典辛普森反转（与张颢老师在 ▶ P35 01:26 写下的代数不等式完全对应）：

• 男性组（重症组）：新药 $\frac{a_1}{b_1} = \frac{120}{800} = \mathbf{15\%} >$ 旧药 $\frac{c_1}{d_1} = \frac{20}{200} = \mathbf{10\%}$（新药胜！）；
• 女性组（轻症组）：新药 $\frac{a_2}{b_2} = \frac{190}{200} = \mathbf{95\%} >$ 旧药 $\frac{c_2}{d_2} = \frac{720}{800} = \mathbf{90\%}$（新药胜！）；
• 合并总表（各 1000 人）：新药总治愈率 $\frac{a_1+a_2}{b_1+b_2} = \frac{120+190}{800+200} = \mathbf{31\%} <$ 旧药总治愈率 $\frac{c_1+c_2}{d_1+d_2} = \frac{20+720}{200+800} = \mathbf{74\%}$（总表新药惨败！）

---

3.3 悖论真相大白：初中分式不等式、混杂变量（Confounder）与向量斜率几何图解（▶ P35 00:08–04:41）

为什么同一组真实不撒谎的数据，分组看和合并看会得出完全相反的结论？张颢老师从两个层面彻底捅破了窗户纸：

1. 代数分式层面（▶ P35 01:26–02:47）： 分组比较看的是两个分式不等式： $$\frac{a_1}{b_1} > \frac{c_1}{d_1} \quad\text{且}\quad \frac{a_2}{b_2} > \frac{c_2}{d_2}$$ 而合并总表看的是分子加分子、分母加分母后的合比分式 $\frac{a_1+a_2}{b_1+b_2}$ 与 $\frac{c_1+c_2}{d_1+d_2}$。初中代数常识告诉我们：两个分数各自更大，绝不蕴含分子分母分别相加后的分数也更大！
   • 二维向量斜率几何解释：把每个亚组的数据 $(b_i, a_i)$ 看作第一象限的二维向量 $(\text{治疗人数}, \text{治愈人数})$，其斜率 $k_i = a_i / b_i$ 就是治愈率。在男组和女组两条射线簇中，新药向量斜率均略高于旧药向量；但新药在低斜率重症组向量模长极大（$b_1=800$）、高斜率轻症组模长极小（$b_2=200$），而旧药恰恰相反！由平行四边形法则合成总向量 $(b_1+b_2, a_1+a_2)$ 时，总对角线总会偏向模长更长的那条边，从而导致总向量斜率发生彻底反转！
2. 条件概率权重扭曲层面（▶ P35 02:47–04:41）： 由 3.1 节的扩充全概率公式，疗法 $T_j$ 的总治愈率为： $$\mathbb{P}(\text{治愈}\mid T_j) = \mathbb{P}(\text{治愈}\mid \text{男}, T_j)\,\underbrace{\mathbb{P}(\text{男}\mid T_j)}_{\text{条件后权重}} + \mathbb{P}(\text{治愈}\mid \text{女}, T_j)\,\underbrace{\mathbb{P}(\text{女}\mid T_j)}_{\text{条件后权重}}$$ 张颢老师一针见血地指出（▶ P35 03:14–04:07）：如果你误以为两组的加权系数是同一个条件前（无条件）性别比例 $\mathbb{P}(\text{男}), \mathbb{P}(\text{女})$，那确实不会反转；但真实的权重是条件后权重 $\mathbb{P}(\text{男}\mid T_j)$！因为“性别/病情轻重”是一个同时影响疗法分配与治愈率的混杂变量（Confounder）——大量难治的男性重症患者被送去了新药组（$\mathbb{P}(\text{男}\mid T_1)=80\%$），而大量易治的女性轻症患者留在了旧药组（$\mathbb{P}(\text{女}\mid T_0)=80\%$），权重的剧烈偏移彻底扭曲了合并均值！

4.1 表面平淡无奇、实则惊天动地的公式（▶ P35 05:15–07:41）

在本讲最后一部分（▶ P35 05:15），张颢老师在黑板上写下了大名鼎鼎的贝叶斯公式（Bayes' Theorem）： $$\mathbb{P}(B \mid A) = \frac{\mathbb{P}(B)\,\mathbb{P}(A \mid B)}{\mathbb{P}(A)} \qquad \Bigl(\text{其中分母 }\mathbb{P}(A) = \sum_j \mathbb{P}(B_j)\,\mathbb{P}(A \mid B_j)\Bigr)$$ 从表面上看，这个公式似乎“无奇可言”（▶ P35 05:51）——它不过是把交集概率用两种条件概率乘法写出来：$\mathbb{P}(AB) = \mathbb{P}(A\mid B)\mathbb{P}(B) = \mathbb{P}(B\mid A)\mathbb{P}(A)$，再移项相除而已。为什么这样一个一行就能推出来的恒等式，会在当代人工智能与机器学习（Machine Learning，▶ P35 07:13）浪潮中奉若神明？

---

4.2 贝叶斯公式的认知论解构：数据 $A$、先验 $\mathbb{P}(B)$、似然 $\mathbb{P}(A\mid B)$ 与后验 $\mathbb{P}(B\mid A)$（▶ P35 07:41–11:37）

张颢老师指出，贝叶斯公式真正伟大之处，在于它用数学语言精准刻画了人类（以及机器）的“学习过程（Learning Process）”（▶ P35 07:41–09:56）：

• $A$ 代表什么？——外部输入的【数据（Data / Evidence）】；
• $B$ 代表什么？——头脑内部的【认知 / 模型（Cognition / Hypothesis）】。

将分母 $\mathbb{P}(A)$ 视为归一化常数，贝叶斯公式的分子与左端构成了完整的认知更新三要素：

1. 先验概率（Prior）$\mathbb{P}(B)$（▶ P35 08:32）：在接触新数据 $A$ 之前（尚未开始学习前），我们头脑中已经拥有的初始认知（哪怕“大脑一片空白”，均匀分布也是一种初始认知）；
2. 似然度（Likelihood）$\mathbb{P}(A \mid B)$（▶ P35 09:04–11:00）：在给定初始认知 $B$ 的前提下，数据 $A$ 呈现出什么样的规律。
   • 张颢老师的“有色眼镜”洞察（▶ P35 10:24）：似然项 $\mathbb{P}(A\mid B)$ 的存在揭示了一个极其深刻的认识论真相——任何学习过程都不可能是纯粹“客观”的，你在观察外部数据 $A$ 时，永远是建立在初始认知 $B$ 的基础上（带着 $B$ 这副“有色眼镜”去看数据 $A$）！ 生活中的“选择性忽视”、“选择性耳聋”、“双标”，在数学上全都体现在不同先验 $B$ 赋予同一数据 $A$ 不同的似然权重 $\mathbb{P}(A\mid B)$；
3. 后验概率（Posterior）$\mathbb{P}(B \mid A)$（▶ P35 08:03 & ▶ P35 11:00）：当先验认知 $\mathbb{P}(B)$ 与带着有色眼镜观测到的数据似然 $\mathbb{P}(A\mid B)$ 发生碰撞融合后，更新得到的新认知！

---

4.3 课堂震撼推论：为什么“绝对客观（独立）= 隔岸观火 = 什么也学不到”？（▶ P35 11:37–19:39）

如果有人标榜：“我看数据绝对客观，绝不带任何先验主观联系，让数据 $A$ 跟我的初始认知 $B$ 完全割裂开！”在数学上会发生什么？ 张颢老师在黑板上给出了令人拍案叫绝的推导（▶ P35 11:37–13:41）：

• 如果看数据时不与先验认知 $B$ 发生关联，即 $\mathbb{P}(A \mid B) = \mathbb{P}(A)$（$A$ 与 $B$ 相互独立！）；
• 代入贝叶斯公式，分子分母的 $\mathbb{P}(A)$ 瞬间约掉： $$\mathbb{P}(B \mid A) = \frac{\mathbb{P}(B)\,\mathbb{P}(A)}{\mathbb{P}(A)} = \mathbb{P}(B)\;\;!$$
• 这意味着什么？（▶ P35 12:11–13:41） 后验认知 $\mathbb{P}(B\mid A)$ 原封不动地退化回了初始先验 $\mathbb{P}(B)$——你学了半天，跟没学毫无两样！

  “为什么通常大家去听科普讲座，听的时候觉得挺热闹，听完之后收获却极其有限？因为你是抱着‘隔岸观火、看个新鲜’的旁观心态去的，新数据 $A$ 没有和你脑子里已有的知识体系 $B$ 建立强连接（$A$ 与 $B$ 独立），所以听完之后的认知 $\mathbb{P}(B\mid A)$ 和听之前 $\mathbb{P}(B)$ 没有产生任何化学反应！”

教学与机器学习的终极统一（▶ P35 14:18–19:07）：

• 对人类教与学：好老师在课堂上所做的一切努力，本质上都是在精心设计似然函数 $\mathbb{P}(A\mid B)$——把新讲授的知识数据 $A$ 与学生头脑中已有的认知 $B$ 紧紧勾连（Match）起来，促成正面的认知跃迁（反之若讲砸了把原本懂的人讲晕了，就是似然设计不当导致后验认知倒退，▶ P35 15:51）；
• 对机器学习（Machine Learning）：训练人工智能模型的过程，同样是给定模型初始参数先验 $\mathbb{P}(B)$，通过挑选训练数据集 $A$ 与设计损失函数/似然架构 $\mathbb{P}(A\mid B)$，让数据与模型参数发生深度耦合，从而迭代出强大的后验模型 $\mathbb{P}(B\mid A)$！