Math 基于贝叶斯规则的概率流感检测
我有以下问题: 你因头痛得厉害而去看医生。医生随机挑选你进行流感血液检测,在你所在的城市,每9000人中就有1人被怀疑感染流感。测试的准确率为99%,即假阳性概率为1%。假阴性的概率为零。如果你的检测呈阳性,你患流感的可能性有多大 在这个问题上,有人能帮我理解p(阳性|流感)是什么吗?是1还是0.99?p(+Flu)=0.99。但这个问题有点误导人,除非我们知道流感在患有严重头痛的人群中的流行情况,否则真的无法解决,因为在人群中并非每个人都有严重头痛。流感在人口中的流行率为1/9000。但是你的头痛很厉害,这可能意味着你患流感的几率比你的朋友稍微高一些,比如说,你的朋友没有很厉害的头痛。不管怎样 贝叶斯规则说:p(Flu |+)=p(+| Flu)x p(Flu)/p(+)Math 基于贝叶斯规则的概率流感检测,math,probability,bayesian,Math,Probability,Bayesian,我有以下问题: 你因头痛得厉害而去看医生。医生随机挑选你进行流感血液检测,在你所在的城市,每9000人中就有1人被怀疑感染流感。测试的准确率为99%,即假阳性概率为1%。假阴性的概率为零。如果你的检测呈阳性,你患流感的可能性有多大 在这个问题上,有人能帮我理解p(阳性|流感)是什么吗?是1还是0.99?p(+Flu)=0.99。但这个问题有点误导人,除非我们知道流感在患有严重头痛的人群中的流行情况,否则真的无法解决,因为在人群中并非每个人都有严重头痛。流感在人口中的流行率为1/9000。但是你的
已知信息: p(流感)=1/9000 p(+|无流感)=0.01(假阳性率) p(-Flu)=0(假阴性率)
我们需要p(+)。利用总概率定律,我们可以计算它 p(+)=p(+流感)x p(流感)+p(+无流感)x p(无流感)=0.99x1/9000+0.01x8999/9000=0.01088 因此,p(Flu |+)=0.99x1/9000/0.01088=0.0109或约1.1%。所以即使在检测呈阳性后,你也不太可能得流感。为什么?因为流感的流行率很低(~0.0001),而且检测也不完美(100分之一没有流感的人会检测+) 这个故事的寓意是什么?不要在普通人群中筛查流感。仅筛查高危人群或有症状的人群(如头痛和发烧+咳嗽),在这种情况下,流感的患病率将远远高于9000人中的1人,可能是20人中的1人。如果将流行率改为1/20,那么在检测结果为a+的情况下,你患流感的风险将上升到84%