医检阳性≠得病——重新理解贝叶斯定理

    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。

1. 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

1. 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？
2. 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：