标签：概率 发病率 公式 贝叶斯 overline plt 肝癌 例题 阳性
先看原题:
某地区居民的肝癌发病率为0.0004 ,现用甲胎蛋白法进行普查。医学研究表明,化验结是有错检的可能的。已知患有肝癌的人其化验结果99%呈阳性, 而没患肝癌的人其化验结果99.9% 呈阴性。现某人的检查结果呈阳性,问他真的患有肝癌的概率是多少?
先说答案，一个人化验结果呈阳性，则他患有肝癌的概率是28.4%。
乍一看，觉得这个概率真的好小，看题设里说的，患有肝癌的人，99%的概率是化验结果呈阳性（1%的误判是技术等其他原因导致的）。那为什么反过来，一个人化验结果呈阳性，则他患有肝癌的概率概率就变成了28.4%，这似乎有点违背常识。
解题
我们先把题设化成图，便于取数计算。
解：
设A={该患者是肝癌患者}，B={该患者检验呈阳性}
求\(P(A|B)\)
则
\[P(A) = 0.9996 \\ P(\overline{A})=0.0004 \]由贝叶斯公式可知:
\[P(A|B) ={P(AB)\over P(B)}= {P(A)P(B|A)\over P(A)P(B|A)+P(\overline{A})P(B|\overline{A}) } \]这里分子的展开使用了 乘法公式，分母的展开使用了 全概率公式。
我们依次求每一项：
\(P(B|A)\)代表是肝癌患者的前提下，检测呈阳性的概率。我们已经知道了是 0.99
\(P(B|\overline{A})\)代表不是肝癌患者的前提下，检测呈阳性的概率。我们已经知道了是 0.001
即：
\[\begin{equation} P(B|A) = 0.99 \\ P(B|\overline{A}) = 0.001 \end{equation} \]将公式(1)(3)代入(2)可得\(P(A|B)=0.284\)，即 一个人在第一次化验结果呈阳性的前提下，则他患有肝癌的概率是28.4%
分析
其实凭直觉，我们也应该能猜出，这与肝癌的发病率有关，因为在样本空间（所有人）中，他的发病率只有0.0004。
对此，如果我们把样本空间换成首次检验结果呈阳性的个体，也就是理解成，对首次检查呈阳性的个体进行复查。再去计算
如果复查结果还是阳性，那么此时患肝癌的概率的值。
由于首次检验结果呈阳性的患者，发病率是 0.284（上面已经计算出来了），我们再去使用一次贝叶斯公式(2)，
此时的参数是：
\[\begin{equation} P(A) = 0.284 \\ P(\overline{A})=0.716 \\ P(B|A) = 0.99 \\ P(B|\overline{A}) = 0.001 \end{equation} \]代入(2)，可得P = 0.997，可见若第二次化验结果还是阳性，此时是肝癌患者的概率变成了99.7%，这也就是现实生活中，要复查的原因了。
作图
在目前技术水平不变的情况下，化验结果的概率，我们假设是一个定值。
那么对于公式
\[P(A|B) ={P(AB)\over P(B)}= {P(A)P(B|A)\over P(A)P(B|A)+P(\overline{A})P(B|\overline{A}) } \tag 2 \]我们画出求\(P(A|B)\)关于\(P(A)\)的函数，即检验结果是阳性的前提下，该患者患肝癌的概率与人群肝癌发病率的关系。
设人群肝癌发病率为x，检验结果是阳性的前提下，该患者患肝癌的概率为y。
可得：
\[y = {0.99x \over 0.99x + 0.001(1-x)} \]作图：
假设当疾病发病率为4%时，若检测为阳性，则患肝癌的概率是97.63%。
代码：
# coding=gbk
import numpy as np
import matplotlib.pyplot as plt
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
def morbidity(x):
y = x*0.99 / (x*0.99 + (1-x)*0.001)
return y
if __name__ == '__main__':
x = np.arange(0, 1, 0.01)
y = morbidity(x)
# 开始作图
fig = plt.figure(figsize=(20, 6)) # 设置画布大小
plt.grid(linestyle="-.", axis='y', alpha=0.4)
plt.xlabel("人群发病率", fontsize=15)
plt.ylabel("患肝癌概率", fontsize=15)
plt.plot(x, y)
plt.show()
总结
进一步降低错检率是提高检验精度的关键。但在实际中由于技术和操作等种种原因,降低错检率是很困难的。仔细分析一下会发现检验精度低的主要原因是肝癌发病率很低。所以在实际中,常采用复查的方法来减少错误。因为此时被怀疑的对象群体中,肝癌的发病率已大大提高了。
概率有时候与我们的经验不太一样，这也是其魅力之一。
标签：概率,发病率,公式,贝叶斯,overline,plt,肝癌,例题,阳性 来源： https://www.cnblogs.com/programmerwang/p/15013389.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。