贝叶斯定理应用举例

 通常，事件A在事件B(发生)的条件下的概率，与事件B在事件A的条件下的概率是不一样的；然而，这两者是有确定的关系,贝叶斯定理就是这种关系的陈述。

贝叶斯定理是关于随机事件A和B的条件概率和边缘概率的一则定理。

 

先验概率或边缘概率。之所以称为”先验”是因为它不考虑任何B方面的因素。

• Pr(A|B)是已知B发生后A的条件概率，也由于得自B的取值而被称作A的后验概率。
• Pr(B|A)是已知A发生后B的条件概率，也由于得自A的取值而被称作B的后验概率。
• Pr(B)是B的先验概率或边缘概率，也作标准化常量（normalized constant）.

 

 

考虑一个医疗诊断问题，有两种可能的假设：（1）病人有癌症。（2）病人无癌症。样本数据来自某化验测试，它也有两种可能的结果：阳性和阴性。假设我们已经有先验知识：在所有人口中只有0.008的人患病。此外，化验测试对有病的患者有98%的可能返回阳性结果，对无病患者有97%的可能返回阴性结果。

上面的数据可以用以下概率式子表示：
P(cancer)=0.008,P(无cancer)=0.992
P(阳性|cancer)=0.98,P(阴性|cancer)=0.02
P(阳性|无cancer)=0.03，P(阴性|无cancer)=0.97
假设现在有一个新病人，化验测试返回阳性，是否将病人断定为有癌症呢？我们可以来计算极大后验假设：
P(阳性|cancer)p(cancer)=0.98*0.008 = 0.0078
P(阳性|无cancer)*p(无cancer)=0.03*0.992 = 0.0298
因此，应该判断为无癌症。

 

参考：http://blog.sina.com.cn/s/blog_5e3455e70100u3s4.html