贝叶斯定理计算器

📚 深度解析：贝叶斯定理计算器

💡 常见使用场景

• 根据先验与似然更新患病/ spam 等后验概率。
• 医学筛查解读：已知某病患病率 1%、检测灵敏度 99%、特异度 95%，代入公式可得阳性者真患病概率仅约 17%，用于说明「检测很准 ≠ 阳性就是病」。

❓ 常见问题（FAQ）

为什么阳性不代表一定患病？

基础患病率很低时假阳性会稀释阳性预测值。

为什么结果会反直觉？

因为忽略了基础概率（先验）。罕见病的阳性结果中，假阳性的绝对数量往往远大于真阳性。计算时必须用 P(B) = P(B|A)P(A) + P(B|¬A)P(¬A) 把阴性人群的假阳性也算进分母，只盯着灵敏度会严重高估风险。