在开始我们对贝叶斯定理的理解之前我们需要引入一些概念即:
先验概率(prior)：考虑新证据前假设成立的可能性P(H);
似然概率(likelihood):提供证据P(E)对假设进行修正限制；
后验概率(posterior)：在证据真的情况下假设成立的概率P(H|E)；
本文的核心思想即论证新证据无法决定你的想法，而是不断做出更新。
- 公式推导
不妨先思考一下下面这个问题：已知某流行病α的发病率为0.04％，患者参与检测出阳性的概率为99％，检测出为阴性的概率为1％；健康的人参与检测出阴性的概率为99.9％，检测出为阳性的概率为0.1％。那么文章来源：https://www.toymoban.com/news/detail-424502.html
- 在已知小明检测结果为阳性的情况下他真的患病的概率有多大？
- 如果他再次参加检测并为阳性那么他患病的概率又为多大？
定理：（贝叶斯公式）设Ω为随机试验的样本空间，A为随机事件，B 1 ，B 2，…… ，B n 为样本空间Ω的一个划分，且P(A)>0 , P(B)>0 ( i=1 , 2 , …… ，n ) , 则：文章来源地址https://www.toymoban.com/news/detail-424502.html
到了这里，关于医检阳性≠得病——重新理解贝叶斯定理的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
