一、贝叶斯公式

定理1（贝叶斯公式）设有事件 A , B A,B A,B， P ( A ) > 0 P(A)>0 P(A)>0， P ( B ) > 0 P(B)>0 P(B)>0，则 P ( B ∣ A ) = P ( B ) P ( A ∣ B ) P ( A ) P(B|A)=\frac{P(B)P(A|B)}{P(A)} P(B∣A)=P(A)P(B)P(A∣B)证明：由条件概率的定义 P ( C ∣ D ) = P ( C D ) P ( D ) P(C|D)=\frac{P(CD)}{P(D)} P(C∣D)=P(D)P(CD)可知 P ( B ) P ( A ∣ B ) = P ( A B ) P(B)P(A|B)=P(AB) P(B)P(A∣B)=P(AB)， P ( A B ) P ( A ) = P ( B ∣ A ) \frac{P(AB)}{P(A)}=P(B|A) P(A)P(AB)=P(B∣A)。

定理2（含全概率公式的贝叶斯公式）若事件 B 1 , B 2 , ⋯ , B n , ⋯ B_1,B_2,\cdots,B_n,\cdots B1,B2,⋯,Bn,⋯构成互斥完备事件群，且对于任意 i = 1 , 2 , ⋯ i=1,2,\cdots i=1,2,⋯有 P ( B i ) > 0 P(B_i)>0 P(Bi)>0，则对于任意事件 A A A（ P ( A ) > 0 P(A)>0 P(A)>0），有 P ( B i ∣ A ) = P ( B i ) P ( A ∣ B i ) ∑ j P ( B j ) P ( A ∣ B j ) P(B_i|A)=\frac{P(B_i)P(A|B_i)}{\sum\limits_jP(B_j)P(A|B_j)} P(Bi∣A)=j∑P(Bj)P(A∣Bj)P(Bi)P(A∣Bi)证明提要：由全概率公式有 P ( A ) = ∑ j P ( B j ) P ( A ∣ B j ) P(A)=\sum\limits_jP(B_j)P(A|B_j) P(A)=j∑P(Bj)P(A∣Bj)，然后代入定理1即可。

二、典例分析

现在我们考虑标题中提出的问题。

例某个地区患有一种疾病的占 0.05 % 0.05\% 0.05%，患者对某种检测结果呈阳性的概率为 0.99 0.99 0.99，正常人对这种检查呈阳性的概率为 0.005 0.005 0.005，问检测结果呈阳性的人得这种并的概率是多少？

解记事件 A A A为患有此疾病， B B B为检测结果呈阳性，则 A ˉ \bar A Aˉ为未患有此疾病。
根据题意， P ( A ) = 0.0005 P(A)=0.0005 P(A)=0.0005， P ( A ˉ ) = 0.9995 P(\bar A)=0.9995 P(Aˉ)=0.9995， P ( B ∣ A ) = 0.99 P(B|A)=0.99 P(B∣A)=0.99， P ( B ∣ A ˉ ) = 0.005 P(B|\bar A)=0.005 P(B∣Aˉ)=0.005。
显然 A A A和 A ˉ \bar A Aˉ构成互斥完备事件群。
根据定理2，有 P ( A ∣ B ) = P ( A ) P ( B ∣ A ) P ( A ) P ( B ∣ A ) + P ( A ˉ ) P ( B ∣ A ˉ ) = 0.000495 0.000495 + 0.0049975 ≈ 0.0901 P(A|B)=\frac{P(A)P(B|A)}{P(A)P(B|A)+P(\bar A)P(B|\bar A)}=\frac{0.000495}{0.000495+0.0049975}\approx0.0901 P(A∣B)=P(A)P(B∣A)+P(Aˉ)P(B∣Aˉ)P(A)P(B∣A)=0.000495+0.00499750.000495≈0.0901即检测结果呈阳性，得病的概率只有 9.01 % 9.01\% 9.01%。

按理来说，这种检测其实是相当精准的（得病的对这种检测结果呈阳性的概率高达 99 % 99\% 99%，未得病的呈阳性的概率只有 0.5 % 0.5\% 0.5%），那为什么会出现这种结果呢？

我们分析一下 P ( A ∣ B ) P(A|B) P(A∣B)的式子。 P ( A ) P ( B ∣ A ) P(A)P(B|A) P(A)P(B∣A)是得病且呈阳性的概率， P ( A ˉ ) P ( B ∣ A ˉ ) P(\bar A)P(B|\bar A) P(Aˉ)P(B∣Aˉ)是未得病且呈阳性的概率，所以 P ( A ∣ B ) P(A|B) P(A∣B)就是得病且呈阳性的概率占总的呈阳性的概率的比例。

为了更具体地讨论，我们用人数来说话。假设当地有一百万（ 1000000 1000000 1000000）人，则得病的有 500 500 500人，得病且呈阳性的有 495 495 495人，正常人呈阳性的有 4997.525 4997.525 4997.525人（按 4998 4998 4998人来计算）。表示成图就是这个样子：

呈阳性的情况下得病的概率是多大呢？现在我们仅把目光聚焦在呈阳性的人里面：

为方便比较，我们把“得病且呈阳性”的部分旋转：

呈阳性且得病的几率就是得病且呈阳性的人数占所有呈阳性的人数的比例： 495 495 + 4998 ≈ 9 % \frac{495}{495+4998}\approx9\% 495+4998495≈9%。

所以，虽然正常人呈阳性的概率很小，但是正常人和得病的人数相比实在是太多了，导致正常人呈阳性的也非常多，“冲淡了”呈阳性的人得病的几率。相比之下，得病且呈阳性的人实在是少得可怜。因此，我们就解释了为什么虽然检测结果呈阳性，得这种病的概率却不高。

既然如此，做这种检测还有意义吗？还是有的，因为做之前一个人得病的几率为 0.05 % 0.05\% 0.05%，做了且呈阳性之后得病的几率骤增到了 9 % 9\% 9%，上升了 180 180 180倍。当然，医院里面检测一个疾病要用很多种检测手段，这样就能一步步排除假阳性的情况了。

三、贝叶斯公式的本质思考（摘自教材）

【概率论】理解贝叶斯（Bayes）公式：为什么疾病检测呈阳性，得这种病的概率却不高？相关推荐

贝叶斯(Bayes)——算法概念梳理与实际应用
基本概念导引: 贝叶斯法是关于随机事件A和B的条件概率和边缘概率的. 其中P(A|B)是在B发生的情况下A发生的可能性. 为完备事件组,即在贝叶斯法则中,每个名词都有约定俗成的名称: P(A)是 ...
【概率论】贝叶斯法则
基础知识描述: 联合概率: 定义:指在多元的概率分布中多个随机变量同时满足各自条件的概率. 举例:假设X和Y都服从正态分布,那么P{X<4,Y<0}就是一个联合概率,表示X<4,Y& ...
正态分布均值μ的贝叶斯Bayes估计推导
前面一篇介绍了正态分布均值μ的极大似然估计MLE推导,这篇来介绍正态分布均值μ的贝叶斯Bayes估计推导. 数据x1,x2,-,xn来自正态分布N(μ,σ2),其中σ2已和. 假设μ的先验分布是正态分 ...
二项分布_贝塔分布（multivariate Beta distribution）_多项分布_狄利克雷分布（Dirichlet distribution）_贝叶斯理论公式浅述
二项分布_贝塔分布(multivariate Beta distribution)_多项分布_狄利克雷分布(Dirichlet distribution)_贝叶斯理论公式浅述参考书籍<统计学习 ...
贝叶斯相关公式（Bayes）
这里只是记录一下,非常推荐马同学高等数学,文末有原文.点击这里看里面的例一应该是理解贝叶斯公式最好的例子 ,如果你稍微有一些基础,我觉得文末第二个链接中的例一更加适合你代数推导 1. 贝叶斯公式是 ...
如何理解贝叶斯概率公式的先验、后验以及似然
贝叶斯概率公式最简单的情况: P(A|B)=P(B|A)*P(A)/P(B) 关于如何理解/ 记住贝叶斯公式里的先验.后验以及似然.有一个关于编译器的巧妙的例子: 假设今天Alice结束了漫长的期末复 ...
分类算法之贝叶斯(Bayes)分类器
摘要:旁听了清华大学王建勇老师的数据挖掘:理论与算法的课,讲的还是挺细的,好记性不如烂笔头,在此记录自己的学习内容,方便以后复习. 一:贝叶斯分类器简介 1)贝叶斯分类器是一种基于统计的分类器,它 ...
如何通俗易懂的理解贝叶斯网络及其应用
https://www.zhihu.com/question/28006799?sort=created
大数据分析案例-基于朴素贝叶斯算法构建微博谣言检测模型

【概率论】理解贝叶斯（Bayes）公式：为什么疾病检测呈阳性，得这种病的概率却不高？

文章目录

一、贝叶斯公式

二、典例分析

三、贝叶斯公式的本质思考（摘自教材）

【概率论】理解贝叶斯（Bayes）公式：为什么疾病检测呈阳性，得这种病的概率却不高？相关推荐

最新文章

热门文章