如何在虚构的筛查模型中计算给定阳性检测结果时患病的概率？

从等式 $P(A)P$(B|A) = $P(B)P$(A|B) 出发，你可以通过除以相应的边缘概率来解出任何一个条件概率。两边除以 $P(B)$ 可分离出 P(A|B)，得到 P(A|B) = $P(A)P$(B|A)/P(B)。

适用条件：此处使用的普通条件概率要求 A 和 B 都具有正概率。；代数重排要求分母 $P(B)$ 和 $P(A)$ 非零。

值 $P(A\cap B)=0.0225$ 和 $P(B)=0.5$ 被描述为说明性输入，因为它们是为了演示计算方法而选择的假设数字，而不是经过验证的人口统计数据。这种区别防止学习者将该示例误解为事实性的人口统计数据。

适用条件：背景是视频中的教学示例。；事件涉及酒精依赖和性别。

该模型通过显示 $P(+\mid D)$（灵敏度）固定在 $95\%$，而计算出的 $P(D\mid +)$（阳性预测值）仅为 $~16.1\%$ 来说明这种差异。这表明给定疾病时阳性测试的概率与给定阳性测试时患病的概率不相同，尤其是在患病率低的情况下。

适用条件：灵敏度为 $95\%$。；计算出的 $P(D\mid +)$ 为 $~16.1\%$。；患病率为 $1\%$。

直接枚举 1、2、3 或 4 个空盒子的情况很繁琐。相反，使用对立事件：没有盒子为空。

适用条件：球是不同的。；盒子是不同的。；每个球必须放入一个盒子。；在总样本空间中允许有空盒子。

联合概率 P(AB) 是第一个事件的概率与在第一个事件发生的条件下第二个事件的条件概率的乘积。$P(A) = 4/20$。

适用条件：总共有 20 件物品，4 件次品。；抽样是不放回的。；A 是第一次抽到次品的事件。；B 是第二次抽到次品的事件。