# Este es un código de Python para lo mismo. Espero que te dé alguna idea.
# En términos simples, el teorema de Bayes calcula la probabilidad de que ocurra un evento, en función de ciertas otras probabilidades relacionadas con el evento en cuestión. Se compone de un previo (las probabilidades que conocemos o que se nos dan) y el posterior (las probabilidades que estamos buscando calcular usando los previos).
# La fórmula de Bayes es: P (A | B) = (P (A) * P (B | A)) / P (B)
# P (A) es la probabilidad previa de que A ocurra independientemente.
# P (B) es la probabilidad previa de que B ocurra independientemente.
# P (A | B) es la probabilidad posterior de que A ocurra dado B.
# P (B | A) es la probabilidad de probabilidad de que ocurra B, dado A.
- ¿Qué se entiende por "en la teoría de conjuntos podemos construir las estructuras de todo tipo"?
- ¿Cómo son los gráficos y atlas en la topología? ¿Son matrices?
- ¿Cómo te encontraste por primera vez con el concepto de fractales?
- ¿Cuántos valores de C en la ecuación [matemáticas] x ^ 2-5x + c [/ matemáticas] dan como resultado raíces racionales, que son enteros?
- ¿Dos líneas rectas paralelas se cruzan entre sí en el infinito?
# P (D) es la probabilidad de que una persona tenga diabetes. Su valor es 0.01 o, en otras palabras, el 1% de la población general tiene diabetes (Descargo de responsabilidad: estos valores son suposiciones y no reflejan ningún estudio médico).
# P (Pos) es la probabilidad de obtener un resultado positivo de la prueba.
# P (Neg) es la probabilidad de obtener un resultado negativo de la prueba.
# P (Pos | D) es la probabilidad de obtener un resultado positivo en una prueba realizada para detectar diabetes, dado que usted tiene diabetes. Esto tiene un valor de 0.9. En otras palabras, la prueba es correcta el 90% del tiempo. Esto también se llama Sensibilidad o Tasa Positiva Verdadera.
# P (Neg | ~ D) es la probabilidad de obtener un resultado negativo en una prueba realizada para detectar diabetes, dado que no tiene diabetes. Esto también tiene un valor de 0.9 y, por lo tanto, es correcto, el 90% del tiempo. Esto también se llama Especificidad o Tasa Negativa Verdadera.
# P (D)
p_diabetes = 0.01
# P (~ D)
p_no_diabetes = 0.99
# Sensibilidad o P (Pos | D)
p_pos_diabetes = 0.9
# Especificidad o P (Neg | ~ D)
p_neg_no_diabetes = 0.9
# Calcular la probabilidad de obtener un resultado positivo de la prueba, P (Pos)
# P (D | Pos) + P (~ D | Pos) = 1
# Aplicando la fórmula de Bayes: (P (D) * P (Pos | D)) / P (Pos) + (P (~ D) * P (Pos | ~ D)) / P (Pos) = 1
# P (Pos | ~ D) + P (Neg | ~ D) = 1
# (P (D) * P (Pos | D) + (P (~ D) * 1-P (Neg | ~ D)) = P (Pos)
p_pos = p_diabetes * p_pos_diabetes + p_no_diabetes * (1-p_neg_no_diabetes)
print (‘La probabilidad de obtener un resultado positivo de la prueba P (Pos) es:’, formato (p_pos))
# Calcular la probabilidad de que un individuo tenga diabetes, dado que ese individuo obtuvo un resultado positivo en la prueba, P (D | Pos)
# P (D | Pos) = (P (D) * P (Pos | D)) / P (Pos)
p_diabetes_pos = (p_diabetes * p_pos_diabetes) / p_pos
print (‘La probabilidad de que una persona tenga diabetes, dado que esa persona obtuvo un resultado positivo en la prueba es:’, formato (p_diabetes_pos))
# Calcular la probabilidad de que un individuo no tenga diabetes, dado que ese individuo obtuvo un resultado positivo en la prueba, P (~ D | Pos)
# P (~ D | Pos) = (P (~ D) * P (Pos | ~ D)) / P (Pos)
p_pos_no_diabetes = 1 – p_neg_no_diabetes
p_no_diabetes_pos = (p_no_diabetes * p_pos_no_diabetes) / p_pos
print (‘La probabilidad de que una persona no tenga diabetes, dado que esa persona obtuvo un resultado positivo en la prueba es:’, formato (p_no_diabetes_pos))
