条件概率谬论11课件.pptVIP

条件概率谬论 11 ? 条件概率的 谬论 是假设 P （ A | B ）大致等于 P （ B | A ）。数学家 John Allen Paulos 在他 的 《数学盲》 一书中指出医生、律师以及 其他受过很好教育的非 统计学家 经常会犯 这样的错误。这种错误可以通过用实数而 不是概率来描述数据的方法来避免。 ? P ( A | B ) 与 P ( B | A ) 的关系如下所示： P ( B | A ) = P ( A | B ) P(B) /P(A) 。 如何推导？ ? 条件概率的 谬论 是假设 P （ A | B ）大致等于 P （ B | A ） 。数学家 John Allen Paulos 在他的 《数学盲》 一书 中指出医生、律师以及其他受过很好教育的非 统计 学家 经常会犯这样的错误。这种错误可以通过用实 数而不是概率来描述数据的方法来避免。 ? P ( A | B ) 与 P ( B | A ) 的关系如下所示： P ( B | A ) = P ( A | B ) P(B) /P(A) 。 推导： P(B|A)=P(AB)/P(A) ① P(A|B)=P(AB)/P(B) ② 由②得 ,P(AB)=P(B)P(A|B) ③ 把③代入①得 P ( B | A ) = P ( A | B ) P(B) /P(A) 下面是一个虚构但写实的例子， P （ A|B ）与 P （ B|A ）的差距可能令人惊讶，同时也相当明显。 –若想分辨某些个体是否有重大疾病，以便早期治 疗，我们可能会对一大群人进行检验。虽然其益 处明显可见，但同时，检验行为有一个地方引起 争议，就是有检出假阳性的结果的可能： 若有个 未得疾病的人，却在初检时被误检为得病，他可 能会感到苦恼烦闷，一直持续到更详细的检测显 示他并未得病为止。而且就算在告知他其实是健 康的人后，也可能因此对他的人生有负面影响 。 –这个问题的重要性，最适合用条件概率的观点来 解释。 ? 假设 人群中有 1% 的人患此疾病，而其他人是 健康的。我们随机选出任一个体，并将患病以 “病”、健康以“正”表示： P ( 病 ) = 1% = 0.01 P ( 正 ) = 99% = 0.99 ? 假设 有 1% 的概率其结果为假阳性（阳性以“ 阳”表示）。 ? P ( 阳 | 正 ) = 1% 健康的条件下被检出阳性 ? P ( 阴 | 正 ) = 99%. 健康的条件下被检出阴性 ? 假设 有 1% 的概率其结果为假阴性（阴性以 “阴”表示）。 ? P ( 阴 | 病 ) = 1% 患病条件下检出阴性 ? P ( 阳 | 病 ) = 99% 。 患病条件下检出阳性 整群人中健康、且测定为阴性者 P( 正 * 阴 )=P( 正 )*P( 阴 | 正 ) =99%*99%=98.01% 整群人中得病、且测定为阳性者 P( 病 * 阳 )=P( 病 )*P( 阳 | 病 )=1%*99%=0.99% 整群人中被测定为假阳性者 （正常且阳性） P( 正 * 阳 )=P( 正 )*P( 阳 | 正 )=99%*1%=0.99% 整群人中被测定为假阴性者 （患病且阴性） P( 病 * 阴 )=P( 病 )*P( 阴 | 病 )=1%*1%=0.01% ? 整群人中被测出为阳性者概率 ? P( 阳 )=P( 正 * 阳 )+P( 病 * 阳 )=0.99%+0.99% =1.98% 某人被测出为阳性时，实际上真的得了病的 概率 P( 病 | 阳 )=P( 病 * 阳 )/P( 阳 )=0.99%/1.98%=50% ? P( 阳 | 病 )=99% 是你得了病，而被检出为阳 性的条件概率 ? P( 病 | 阳 )=50% 是你被检出为阳性，而你实 际上真得了病的条件概率 ? 由我们在本例中所选的数字，最终结果可 能令人难以接受：被测定为阳性者，其中 的半数实际上是假阳性。