为什么贝叶斯定理的分母必须包含通向阳性结果的两条路径？

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。

贝叶斯定理是通过使用条件概率的定义以两种不同方式表达相同的交集 $P(A \cap B)$ 推导出来的。首先，$P(A \mid B) = P(A \cap B) / P(B)$ 意味着 $P(A \cap B) = P(A \mid B)P(B)$。

适用条件：事件 A 和 B 具有正概率（$P(A) > 0, P(B) > 0$）。；条件概率的定义适用。

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：$P(A \mid B) = \frac{P(B \mid A)P(A)}{P(B)}$。