概率 贝叶斯定理

贝叶斯定理最强的地方在于:用得到的结果重复去调用公式,得到的概率结果会不断增加,
贝叶斯公式（发表于1763年）为’

这就是著名的“贝叶斯定理”，一些文献中把P(A[1])、P(B[2])称为基础概率，P(A│B[1])为击中率，P(A│B[2])为误报率

用例:

贝叶斯定理在检测吸毒者时很有用。假设一个常规的检测结果的敏感度与可靠度均为99%，也就是说，当被检者吸毒时，每次检测呈阳性（+）的概率为99%。而被检者不吸毒时，每次检测呈阴性（-）的概率为99%。从检测结果的概率来看，检测结果是比较准确的，但是贝叶斯定理却可以揭示一个潜在的问题。假设某公司将对其全体雇员进行一次鸦片吸食情况的检测，已知0.5%的雇员吸毒。我们想知道，每位医学检测呈阳性的雇员吸毒的概率有多高。令“D”为该公司雇员吸毒事件，“N”为该公司雇员不吸毒事件，“+”为该公司雇员检测呈阳性事件。可得

• P(D)代表雇员吸毒的概率，不考虑其他情况，该值为0.005。因为公司的预先统计表明该公司的雇员中有0.5%的人吸食毒品，所以这个值就是D的先验概率。

• P(N)代表雇员不吸毒的概率，显然，该值为0.995，也就是1-P(D)。

• P(+|D)代表吸毒者阳性检出率，这是一个条件概率同时也是先验概率，由于阳性检测准确性是99%，因此该值为0.99&#