2-3 以检查准确率为线索，设定“条件概率”
下一步就是设置为不同类别带来特定信息的条件概率。本例中的信息是指检查结果所呈现出的阳性及阴性。正如第一讲中所述，这一过程离不开客观数据的支撑。在本例中，就使用了与简易检查相关的客观数据。（图表2-2）
图表2-2 检查准确率的条件概率
横向阅读这张图表可知：上面一行是癌症患者的情况，检查结果呈阳性的概率为0.95。也就是说，查出患者得了癌症的概率为95%。那么误诊的概率便是1-0.95=0.05了。这表明，每接受检查100人中，其中5人，即使身患癌症，诊断出来的结果也是阴性。
下面一行是健康者的情况，误诊为阳性的概率为2%。因此，准确诊断为阴性的概率就是1-0.02=0.98。
从上面的图表，我们可以得知，简易检查并不是那么完善，它存在着误诊的风险。所谓的风险包含了：“身患癌症，却诊断为健康”和“很健康，却误诊为癌症”这两种情况。
这种概率，就是先前讲过的，在限定类别场合下的各个检查结果的条件概率。把各个类别作为检查结果的“原因”来看待的话，如果明确了原因（身患癌症或是健康），就可以知道结果（阳性或阴性）的概率。
上一节中共分了两个大类，根据具体信息，每个大类又被分成了两小类，如图表2-3所示。
图表2-3 四种互不相同的可能性
如图表2-3所示，你的身体内部存在四种可能性。患癌并呈现阳性（左上区域），患癌并呈现阴性（左下区域），健康状态下的阳性（右上区域）和健康状态下的阴性（右下区域）四种情况。
并且，根据各区域所表示的概率，用乘法计算，得到图表2-4。
图表2-4 四种互不相同的可能性各自的概率
2-4 检查结果呈阳性，因而排除掉“不可能的情况”
此刻，你已经了解到自己的检查结果呈阳性。而这件事又可以这么理解：你获取一项关于自己身体内部状况的信息，也就为“可能性世界”增添了新的信息。
在现实世界中，因为观察到了“阳性”这一结果，“阴性”这一结果便可以排除了。用图形表示，如图表2-5所示。
图表2-5 获得信息之后，可能性受到限定
2-5 计算罹患癌症的“贝叶斯逆概率”
在上一节中，因为观察到“阳性”这一诊断结果，因此，可能世界被限定为2个。也就是说，你所处的世界或是“癌症&阳性”的世界，或是“健康&阳性”的世界，只有这两种可能性。
对检查结果的观察，使得可能性从4种减少到2种。这样，概率相加之和（长方形的面积）无法为1。因此，为了恢复标准化条件，需要在保持比例关系的前提下，使“相加之和等于1”，具体如图表2-6所示。
（左边长方形的面积）：（右边长方形的面积）=0.095∶1.998
图表2-6 根据标准化条件，计算后验概率
0.095+1.998=2.093，用这个数值来分割比率的两侧的话，可以满足标准化条件（相加之和等于1）。
如图所示，将长方形的面积标准化处理，则为0.0454和0.9546（四舍五入，保留小数点后第四位）。请确认相加之和为1。
从这个结果可以得知，在得知“阳性”这一检查结果的情况下，罹患这种癌症的概率为4.5%左右，这便是后验概率（贝叶斯后验概率）。