贝叶斯公式机理 | 原理教学

加载中... ...
先验 P(C)0.5%
灵敏度 P(A|C)95%
误诊率 P(A|C̅)4%
TP (真阳性)
FP (假阳性)
FN (漏诊)
TN (真阴性)

📖 背景:医疗筛查模型

事件 C 患病 (Cancer)
事件 A 检测阳性 (Positive)

📐 概率论公式推导

1. 先验概率:   P(C) = 0.5%
2. 全概率 P(A):
P(A) = P(A|C)P(C)  +  P(A|C)P(C)
3. 贝叶斯后验 P(C|A):
真阳性 P(AC)
真阳 + 假阳
 = 
P(A|C) P(C)
P(A)

🧮 理论 vs 试验验证

理论设定值

P(C)0.0050
P(A)0.0445
P(C|A)0.1066

试验统计 (N=1w)

P(C)0.0051
P(A)0.0442
P(C|A)0.1059
总阳性 P(A) 的内部构成:
真阳
假阳
贝叶斯推断结论 (P(C|A)):
--%