数学可视化

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？

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）。

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：

💡 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。

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

检测结果解读

实时计算

检测呈阳性后患病概率

基于当前参数计算

人群分布可视化

真阳性

假阴性

假阳性

真阴性

先验概率 (P(患病))

基础患病率

灵敏度 (P(阳性|患病))

真阳性率

特异度 (P(阴性|健康))

真阴性率

阳性预测值

检测阳性后患病概率

💡 贝叶斯思维：如何更新认知？

先验信念

在获取新信息之前，基于已有知识和经验形成的初始判断。例如：人群中某种疾病的基础患病率。

收集证据

通过观察、实验或检测获取新的数据。例如：医疗检测结果呈阳性。

更新认知

根据新证据，运用贝叶斯定理更新原有信念，得到更准确的后验概率。