如何从条件概率推导贝叶斯定理（针对正概率事件）？

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。

贝叶斯定理中的分母 $P(B)$ 代表证据（事件 B）的总概率。在筛查测试的背景下，阳性结果可能来自两个互斥的场景：真阳性（人患病且检测呈阳性）或假阳性（人未患病但检测呈阳性）。

适用条件：证据事件 B 可以通过多条互斥路径发生。；全概率定律适用。

阳性预测值，即在给定阳性检测结果时患病的概率（$P(D \mid +)$），是通过将真阳性的概率除以阳性结果的总概率来计算的。阳性结果的总概率包括真阳性和假阳性。

适用条件：患病率 $P(D) = 0.12$。；灵敏度 $P(+ \mid D) = 0.95$。；假阳性率 $P(+ \mid D^c) = 0.06$。；疾病状态的事件是互斥且穷尽的。

概率是 $1/3$。这是使用贝叶斯定理计算的，其中事件 $A$ 是“两个女孩”，事件 $B$ 是“至少有一个女孩”。

适用条件：四个等可能的有序结果：GG, GB, BG, BB。；事件 A：两个女孩。；事件 B：至少有一个女孩。

分母 $P(B)$ 确保后验概率 $P(A \mid B)$ 在所有互斥事件 $A$ 上求和为 1。它将似然和先验的乘积缩放为有效的概率分布。

适用条件：贝叶斯定理以概率形式书写：$P(A \mid B) = \frac{P(B \mid A)P(A)}{P(B)}$。