如何计算某一地区人民新冠肺炎(COVID-19)的患病概率

重要提醒：文中所提及数据，人口和确诊病例数是可查的公开数据，其余数据都是基于常识的估计数据，结果并无任何参考意义，希望大家理解，谢谢。

大家好，我是涅羽。今天我们来研究一下如何利用贝叶斯法则，计算你所在地区的新冠肺炎(COVID-19)患病概率。(本文以美国加利福尼亚州为例)

根据贝叶斯法则，我们知道$P(A|B)\ast P(B)=P(B|A)\ast P(A)$。
现在我们定义事件：
        事件T+：表示试纸检测阳性；
        事件COVID：表示患新冠肺炎。
所以由贝叶斯法则可知，
$$P(COVID)=\frac{P(COVID|T^{+})\ast P(T^{+})}{P(T^{+}|COVID)}.$$
其中，

1.$P(COVID|T^{+})$：表示核算检测结果为阳性的人，确实患有新冠肺炎的概率。即我们所说的核酸检测的可信度。
2.$P(T^{+})$: 表示区域内普筛(全体检测或大规模检测)检测阳性的概率。
3.$P(T^{+}|COVID)$:表示确实患上新冠肺炎的人，核酸检测阳性的概率。即我们所说的真阳率。

下面我们就来看看1,2,3各部分的数据应该是多少。这里我以2020年7月24日星期五下午八点的网络数据为准。区域设定为 美国，加利福尼亚州。

1.$P(COVID|T^{+})$:这个数据我们是无从考证的，那我们假设美国的设备非常先进，可信度是99%好了。

2.$P(T^{+})$:这个数据相对麻烦一些，我们知道，普筛当中的阳性结果，包含两个部分：一部分是真的患有新冠肺炎，并且检查出了阳性，即真阳$P(T^{+}|COVID)$；第二部分是并没有患新冠肺炎，但是检查出了阳性，即假阳$P(T^{+}|\sim COVID)$。根据患病($P(患病人群比例)$)和没患病($P(未患病人群比例)$)的人群比例加权相加，我们可知
$$P(T^{+})=P(T^{+}|COVID)\ast P(患病人群比例)+P(T^{+}|\sim COVID)\ast P(未患病人群比例)$$
美国加州人口40M，患病人口400k，我们暂且认为这就是真实的患病人群比例(事实上应该要更高一些)，那么$P(患病人群比例)=1\%$,$P(未患病人群比例)=99\%$。此外，我们假设美国的核酸检测设备真阳率达到惊人的99%，假阳率达到惊人的1%，那么我们得到的结果$P(T^{+})=1.98\%$。就是这个所谓普筛的阳性率。

3.$P(T^{+}|COVID)$:这个部分就不说了，就是我们刚刚提到的按个真阳率，我们取了99%作为它的估值。

综上,我们带入各值，$P(COVID|T^{+})=99\%$;   $P(T^{+})=1.98\%$;  $P(T^{+}|COVID)=99\%$。
那么我们最终得到的$P(COVID)=1.98\%$
即美国加利福尼亚州地区人民，感染新冠肺炎的概率是1.98%。

再次重申：本文只提供一种思路，并不具有任何参考价值，

最后，希望新冠肺炎(COVID-19)能够尽快结束，还地球人民一个正常的生活。
同时，向所有因新冠肺炎不幸罹难的患者表示哀悼。向所有曾经和现在奋斗在抗疫一线的医护人员和各岗位负责人员，致以最崇高的敬意。
地球，加油！！！