贝叶斯公式-四川大学.pptVIP

贝叶斯公式在临床决策中的应用 四川大学华西护理学院 袁三英 学习目的： 掌握如何利用Bayes公式进行临床决策 例3 一项检查（在微博被人骂）有98% 的把握把脑残的人鉴别出来，但健康人在微博上也有10% 的可能性中招。若脑残的发病率为2%，则当某人在微博上被人骂时，他确实患脑残的概率有多大？ Bayes公式 Bayes公式： 例1 从中随机取一人，恰为动脉硬化者，求 他分属各组的概率是多少？ Bayes公式 Bayes公式： 解 A1，A2，A3分别表示体重超重、正常、 偏低，B表示动脉硬化 由题意 P(A1)=0.2 P(B︱A1)=0.3 P(A2)=0.5 P(B︱A2)=0.1 P(A3)=0.3 P(B︱A3)=0.01 由贝叶斯公式可得 所以 例2 一项检查有99% 的把握把患某疾病的病 人鉴别出来，但对健康人也有10% 的可能性 出现假阳性。若此病的发病率为2%，则当某 人检查阳性时，他确实患病的概率有多大？ 解： 设A为患病，B为检查阳性，则 例3 一项检查（在微博被人骂）有98% 的把握把脑残的人鉴别出来，但健康人在微博上也有10% 的可能性中招。若脑残的发病率为2%，则当某人在微博上被人骂时，他确实患脑残的概率有多大？ 解： 设A为脑残，B为在微博被骂，则 * “Thomas Bayes，一位伟大的数学大师，他的理论照亮了今天的计算领域，和他的同事们不同：他认为上帝的存在可以通过方程式证明，他最重要的作品被别人发行，而他已经去世241年了”。 贝叶斯公式在实际中有很多应用，它是在观察到事件B 已发生的条件下，寻找导致B发生的每个原因的概率。 = i B A P ) | ( ? = n j j j A B P A P 1 ) ( ) ( ｜ i i A B P A P ) ( ) ( ｜ 　 设A1,A2,…,An是两两互斥的事件，且P(Ai)0，i=1,2,…,n, B是另一个事件，它总是与A1,A2,…,An 之一同时发生，则 i i A B P A P ) ( ) ( ｜ = i B A P ) | ( ? = n j j j A B P A P 1 ) ( ) ( ｜ 　 直观地将Ai 看成是导致随机事件B发生的各种可能的原因，则P(Ai)可以理解为随机事件Ai的先验概率(prior probability)。如果我们知道随机事件B发生这个新信息，则它可以用于对事件Ai发生的概率进行重新的估计。P(Ai|B) 表示B发生条件下，随机事件Ai的后验概率(posterior probability). 低体重 30% 超重 20% 正常体重 50% 动脉硬化概率30% 动脉硬化概率1% 动脉硬化概率10% = i B A P ) | ( ? = n j j j A B P A P 1 ) ( ) ( ｜ i i A B P A P ) ( ) ( ｜ 　 设A1,A2,…,An是两两互斥的事件，且P(Ai)0，i=1,2,…,n, B是另一个事件，它总是与A1,A2,…,An 之一同时发生，则 i i A B P A P ) ( ) ( ｜ = i B A P ) | ( ? = n j j j A B P A P 1 ) ( ) ( ｜ 　 直观地将Ai 看成是导致随机事件B发生的各种可能的原因，则P(Ai)可以理解为随机事件Ai的先验概率(prior probability)。如果我们知道随机事件B发生这个新信息，则它可以用于对事件Ai发生的概率进行重新的估计。P(Ai|B) 表示B发生条件下，随机事件Ai的后验概率(posterior probability). P(Ai)P(B/Ai) [P(A1)P(B/A1)+…+ P(A3)P(B/A3)] P (Ai/B) = = P(Ai)P(B/Ai) 0.113 = i B A P ) | ( ? = n j j j A B P A P 1 ) ( ) ( ｜ i i A B P A P ) ( ) ( ｜ P (A2/B) = 0. 5×0.1 0.113 ≈ 0.442 P (A1/B) = 0.2×0.3 0.113 ≈ 0.531 P (A3/B) = 0. 3×0.01 0.113 ≈ 0.027 P(A) ×P(B/A) [P(A) ×P(B/A)+ P(A-) ×P(B/A-)] P (A/B) = = 0.02×0.99 0.02×0.99+0.98×0.10 = 0.0198 0.1178 ≈ 0