标签：概率 诊断 通过 get aik col 获得 方法 健康
其实这是我之前最想第一篇来写的随笔了，今天就先把这一部分写一写吧。
1.问题
一个医疗诊断问题有两个可选的假设：病人有癌症、病人无癌症可用数据来自化验结果：阴性和阳性。有先验知识：在所有人口中，患病率是0.008，对确实有病的患者的化验准确率为98%，对确实无病的患者的化验准确率为97% 。
问题：假定有一个新病人，化验结果为阳性，是否应将病人断定为有癌症？
我们先把问题简单描述一下，用事件Y表示检测为阳性，用事件N表示检测为阴性，用A表示患有癌症，用B表示健康。那么有：
$$p(A) = 0.008$$ $$p(B) = 0.992$$ $$p(Y|A) = 0.98$$ $$p(N|B) = 0.97$$ $$p(N|A) = 0.02$$ $$p(Y|B) = 0.03$$
然后让我们求\(p(A|Y)\)
让我们求已知检测为阳性的情况下，病人患有癌症的条件概率，根据条件概率的定义有$$p(A|Y) = \frac{p(A,Y)}{p(Y)}$$
而：$$p(A,Y) = p(Y|A)p(A)$$
那么\(p(Y)\)怎么求呢？
我们发现A和B是互斥事件，且\(p(A) + p(B) = 1\)，根据联合概率和边缘概率的关系，有：$$p(Y,A) + p(Y,B) = p(Y)$$
再次利用联合概率和条件概率：$$p(Y,A) = p(Y|A)p(A)$$ $$p(Y,B) = p(Y|B)p(B)$$
最终得到：$$p(A|Y) = \frac{P(Y|A)p(A)}{p(Y|A)p(A) + p(Y|B)p(B)}$$
带入得\(p(A|Y) = 0.208\)，这好像和直觉相差甚远，明明对有病患者准确率高达98%，为什么检测结果为阳性但是可信度只有21%左右？
我们来看看这种检测方法诊断结果为阳性的概率\(p(Y) = 0.0376\)，发现了什么，该癌症发病率只有0.008，有0.0376的概率的概率是结果为阳性。假设随机10000个人来检查，其中癌症患者的期望为80，但是检测结果为阳性的期望为376。这表明检测结果为阳性时，假阳性概率很大，在0.008的发病率看来，对正常病人3%的误差反而大得多，这也是阳性结果可信度低的最主要原因。
我们直接看上面的公式，发现待求的条件概率等于对应的联合概率占所有对应联合概率总和（这个总和就是边缘概率）的比值，例题中正常病人却检测出阳性结果占总阳性结果的比例过大（准确率太低），导致最终可信度小，这与上面的描述是等价的。
2.贝叶斯估计公式
$$p(A|B) = \frac{p(B|A)p(A)}{p(B)}$$
贝叶斯估计公式本质是条件概率和边缘概率的联系，它提供了根据当前观测结果以及先验知识来估计新的分布的方法。在上式中，\(p(A)\)和\(p(B)\)就是先验知识，或者叫先验概率，\(p(B|A)\)是当前的观测结果，通常称之为后验概率。
3.新的问题
贝叶斯估计提供了估计方法，但是需要我们如何通过观测获得具体的分布呢？那就是分布估计方法啦。
标签：概率 诊断 通过 get aik col 获得 方法 健康
原文地址：https://www.cnblogs.com/SshunWang/p/11129825.html
