贝叶斯公式用于计算在已知先验概率的情况下,通过新的证据来更新后验概率。其公式为:
P(A|B) = P(B|A) * P(A) / P(B)
其中,P(A|B)表示在已知B的情况下,A发生的概率;P(B|A)表示在已知A的情况下,B发生的概率;P(A)表示A的先验概率;P(B)表示B的先验概率。
举个例子,假设有一种罕见疾病,患病率为0.1%。现在有一种检测方法,其准确率为95%,假阳性率为2%。某人接受了该检测,并测试结果为阳性。那么该人实际上患病的概率是多少?
根据贝叶斯公式,我们可以得到:
P(患病|阳性) = P(阳性|患病) * P(患病) / P(阳性)
其中,P(患病|阳性)表示在已知阳性的情况下,某人患病的概率;P(阳性|患病)表示在已知某人患病的情况下,测试结果为阳性的概率;P(患病)表示该疾病的患病率,即0.1%;P(阳性)表示测试结果为阳性的概率,可以通过加法法则计算出来:
P(阳性) = P(阳性|患病) * P(患病) + P(阳性|非患病) * P(非患病)
其中,P(阳性|非患病)表示在非患病的情况下,测试结果为阳性的概率,可以通过假阳性率计算出来,即2%;P(非患病)表示非患病的概率,可以通过1-P(患病)计算出来。
带入数值计算可得:
P(阳性) = 0.95 * 0.001 + 0.02 * 0.999 ≈ 0.021
P(患病|阳性) = 0.95 * 0.001 / 0.021 ≈ 0.045
即该人实际上患病的概率只有4.5%左右,远远低于测试结果所示的阳性率。