条件概率与独立性

条件概率描述了当已知某一事件发生后，另一事件发生的可能性如何变化；独立性则描述了一种特殊情况，即已知某一事件的发生对另一事件的发生不提供任何信息。这些概念，连同贝叶斯定理，解释了证据如何更新信念，并构成了医学诊断测试解释的基础。

Definition

事件A在事件B发生条件下的条件概率，是指已知B发生时A发生的概率，定义为A和B同时发生的概率除以B发生的概率；如果A在B发生条件下的条件概率等于A的无条件概率，则A和B是独立的。

Scope

本条目涵盖了条件概率的定义、乘法法则、统计独立性、全概率定律和贝叶斯定理。它将这些概念与诊断测试的评估联系起来，其中结果的预测值取决于疾病的患病率。这是一份方法学参考资料，而非关于特定测试的订购或操作的临床指南。

Core questions

• 已知某一事件如何改变另一事件的概率？
• 两个事件何时是独立的，这意味着什么？
• 贝叶斯定理如何反转条件概率？
• 为什么阳性测试结果在不同患病率下意味着不同的事情？

Key concepts

• 条件概率
• 乘法法则
• 统计独立性
• 全概率定律
• 贝叶斯定理
• 先验概率和后验概率
• 患病率和预测值
• 敏感性和特异性

Mechanisms

以某一事件为条件，将注意力限制在与该事件一致的结果上，因此A在B发生条件下的条件概率通过B的概率重新调整了A和B的联合概率。当这种条件作用不改变概率时，两个事件是独立的，这等同于它们的联合概率可以分解为边缘概率的乘积。全概率定律通过样本空间划分上的条件概率来构建事件的概率，而贝叶斯定理则反转了条件概率，用反向条件概率和先验概率来表示在观察到某一效应后其原因的概率。在诊断测试中，这就是为什么阳性结果患者真正患病的概率（预测值）不仅取决于测试的敏感性和特异性，还取决于先验患病率。

Clinical relevance

条件概率和贝叶斯定理描述了测试结果如何修正疾病的概率，这就是为什么相同的测试在高患病率和低患病率环境下会产生不同的预测值。本条目将这种推理作为方法学进行解释，并非针对个体患者管理的指南。

History

根据证据更新概率的理念与托马斯·贝叶斯有关，他的论文于1763年由理查德·普莱斯在他去世后发表，并由拉普拉斯进行了推广。由此产生的贝叶斯定理成为统计学的核心，并在20世纪成为诊断测试形式化评估的核心，它将敏感性、特异性和患病率与预测值联系起来。

Key figures

• Thomas Bayes
• Richard Price
• Pierre-Simon Laplace

Seminal works

• bayes-1763
• altman-bland-1994-diagnostic
• ross-2014

Frequently asked questions

条件概率和联合概率有什么区别？

联合概率是两个事件同时发生的可能性，而条件概率是已知其中一个事件已经发生的情况下，另一个事件发生的可能性；条件概率等于联合概率除以条件事件的概率。

为什么阳性诊断测试结果仍然可能意味着疾病不太可能？

根据贝叶斯定理，阳性结果后患病的几率取决于患病率；当疾病罕见时，即使是准确的测试也会产生许多相对于真阳性的假阳性，因此阳性结果的预测值可能较低。