贝叶斯定理交互实验

通过医疗检测案例，直观理解新证据如何更新我们的概率判断

🎯 关键问题：检测呈阳性 = 一定患病吗？

1. 核心公式

$$P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}$$

● $P(A|B)$ - 后验概率： 看到证据 $B$ 后，对事件 $A$ 的新判断。
● $P(A)$ - 先验概率： 在看到证据前的背景概率（初始认知）。
● $P(B|A)$ - 似然度： 若 $A$ 发生，出现证据 $B$ 的可能性。
● $P(B)$ - 标准化常量： 证据出现的总概率（全概率公式）。

当获得新证据时，如何理性地更新原有的判断。

贝叶斯定理公式

$$P(患病|阳性) = \frac{P(阳性|患病) \times P(患病)}{P(阳性)}$$

后验概率

P(患病|阳性)： 检测呈阳性后，真正患病的概率

先验概率

P(患病)： 检测前的患病率（基础概率）

似然度

P(阳性|患病)： 真有病的人检测呈阳性的概率（灵敏度）

证据概率

P(阳性)： 所有人检测呈阳性的总概率

医疗检测案例

假设一种疾病在人群中的患病率为 5%。现在有一种检测方法：

✓ 灵敏度 90%：真有病的人中，90%检测呈阳性
✗ 假阳性率 10%：没病的人中，10%误检为阳性

💡 核心洞察：

即使检测呈阳性，你患病的概率也不一定是100%。需要考虑患病率、检测准确性等多种因素。

交互调节参数

调节滑块，观察概率如何变化。你会发现：
• 患病率越低，阳性结果越可能是误报
• 假阳性率越高，检测的可信度越低

检测呈阳性后，真正患病的概率是：

基于当前参数计算的贝叶斯后验概率

后验概率 P(患病|阳性)

人群分布可视化

总计: 10,000 人

真阳性 (患病且检测为+)

假阳性 (健康但检测为+)

假阴性 (患病但检测为-)

真阴性 (健康且检测为-)

先验概率

检测前的患病率

灵敏度

真有病的人检测出阳性

特异度

真健康的人检测出阴性

阳性预测值

检测阳性者真有病的比例

贝叶斯思维：从证据到认知

🎯

先验信念

在获得新证据前，我们基于已有知识形成的初始判断。这是理性的起点。

🔍

收集证据

新证据的强度和质量很重要。证据越强，对原有信念的修正就越大。

🔄

更新认知

根据贝叶斯公式，将先验信念与新证据结合，形成更准确的后验判断。

贝叶斯定理不仅是数学公式，更是一种思维方式：不固执己见，根据新证据理性调整判断。