贝叶斯定理｜The Organic Chemistry Tutor

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。

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。

在一个包含九个等可能结果的样本空间中，设事件 A 包含 5 个元素，事件 B 包含 6 个元素，它们的交集包含 2 个元素。条件概率 $P(A \mid B)$ 可以直接计算为交集的大小除以 B 的大小：$2/6 = 1/3$。

适用条件：样本空间有九个等可能的结果。；事件 A 有 5 个元素，事件 B 有 6 个元素，且 $A \cap B$ 有 2 个元素。

分母 $P(B)$ 是证据的边缘概率。它作为一个归一化常数，确保后验概率 $P(A \mid B)$ 是一个有效的概率（即在 0 和 1 之间）。

适用条件：$P(B) > 0$。；事件 A 和 B 定义在同一个样本空间上。

结果 $P(A \mid B) = 1/3$ 意味着如果事件 B 已经发生，那么事件 A 也发生的概率是三分之一。在包含九个等可能结果的具体示例中，B 包含 6 个结果。

适用条件：样本空间由九个等可能的结果组成。；事件 B 已经发生。；我们在 B 的背景下评估 A 的可能性。