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!