Python数学小实验(3)——贝叶斯规则(Bayes’ rule)案例计算
1.贝叶斯规则(Bayes’ rule)
P(B∣A)=∑j=1nP(Bi)P(A∣Bi)P(A/B)P(B)
2.案例:吸毒检测案例
假设一个常规的检测结果的敏感度与可靠度均为99%,即当被检者吸毒时,每次检测呈阳性(+)的概率为99%。而被检者不吸毒时,每次检测呈阴性(-)的概率为99%。假设0.5%的雇员吸毒。
检测呈阳性的雇员吸毒的概率有多高?令“D”吸毒,“N”为吸毒,“+”为呈阳性
P(D)=0.005P(N)=0.995P(+∣D)=0.99P(+∣N)=0.01
可得:
P(+)=P(+,D)+P(+,N)=P(+∣D)P(D)+P(+∣N)P(N)=0.0149P(D∣+)=P(+)P(+∣D)P(D)=0.99∗0.005/0.0149=0.332
尽管检测结果可靠性很高,但是只能得出如下结论:如果检测呈阳性,那么此人吸毒概率只有33%,发生误判的可能性很大。
3.公式理解
P(A∩B)=P(B)∗P(A∣B)=P(A)∗P(B∣A)
P(A∩B)可以理解为:B发生条件下,A发生的概率;或者A发生的条件下,B发生的概率
公式符号编辑参考了:https://www.jianshu.com/p/e74eb43960a1
(持续补充更新)