用离散贝叶斯定理对一个例子的分析

例题来自https://baike.baidu.com/item/贝叶斯定理/1185949?fr=aladdin

吸毒者检测
假设一个吸毒检测器的准确率为99%，也就是说，当被检者吸毒时，每次检测呈阳性（+）的概率为99%。而被检者不吸毒时，每次检测呈阴性（-）的概率为99%。假设某公司将对其全体雇员进行一次鸦片吸食情况的检测，已知0.5%的雇员吸毒。我们想知道，每位检测呈阳性的雇员吸毒的概率有多高？令 D 为雇员吸毒事件，~D 为雇员不吸毒事件，+为检测呈阳性事件。

分析：
根据贝叶斯定理的思路，在进行检测之前，即观察到新的样本之前，先有一个先验概率，即某个雇员吸毒的概率 $P(D)=0.005$，然后检测之后，即观察到新的样本数据之后，计算雇员吸毒的概率。观察到的新的样本数据有两种可能，一种是呈现阳性(+)，一种是呈现阴性(-)，我们现在要计算的是，如果观察到了阳性(+)样本，那么这个雇员吸毒的概率是多少，即计算$P(D|+)$的值。

这个过程如下所示：

先验概率 $P(D)$ + 新的观察结果 => 后验概率$P(D|+)$

根据贝叶斯公式，我们有
$$P(D|+)=\frac{P(+|D)P(D)}{P(+)}$$

其中 $P(+|D)$ 表示在雇员吸毒的情况下，检测为阳性的概率，在这里为 0.99。
P(+) 表示观察到阳性样本的概率，这是检测为阳性的全概率，由下面两部分组成：

第一部分是，雇员吸毒的情况下，检测为阳性的概率，即$P(D)P(+|D)$，

还有一部分是雇员没吸毒的情况下，检测为阳性的概率，即$P(\sim D)P(+|\sim D)$

$P(+)$为两者之和，即 $P(+)=P(D)P(+|D)+P(\sim D)P(+|\sim D)$。

其中 $P(\sim D)=1-P(D)=0.995$，$P(+|\sim D)=0.01$

代入贝叶斯公式后可以得到：
$$\begin{gathered} P(D|+)=\frac{P(+|D)P(D)}{P(+)} \\ =\frac{P(+|D)P(D)}{P(D)P(+|D)+P(\sim D)P(+|\sim D)} \\ =\frac{0.99\times 0.005}{0.005\times 0.99+0.995\times 0.01} \\ =\frac{0.00495}{0.00495+0.00995}=0.3322 \end{gathered}$$

这个结果表示，如果一个雇员的检测结果为阳性+，那么判断他吸毒的概率，从 0.005 提高到了 0.3322，需要进一步检测。

更进一步，我们计算另外三种情况的概率：
1、检测结果为阳性(+)，但雇员实际不吸毒的概率 $P(\sim D|+)$
2、检测结果为阴性(-)，但雇员实际吸毒的概率 $P(D|-)$
3、检测结果为阴性(-)，但雇员实际不吸毒的概率 $P(\sim D|-)$

计算结果如下所示：

	+	-
D	0.3322	0.00005
~D	0.6678	0.9999

由上表可以看出，检测结果为阳性时，不吸毒的概率是吸毒概率的两倍。需要进一步检测，此时 $P(D)=0.3322$，进一步计算得到结果如下：

	+	-
D	0.9801	0.0050
~D	0.0.1999	0.9950

如果进一步检测的结果为阳性(-)，则有98.01%的把握判断该雇员吸毒，不过如果结果为阴性(-)，还是有99.50%的把握可以判断该雇员没有吸毒。