তিনটি সংখ্যা লিখুন — অবস্থাটি কতটা সাধারণ (prior), অবস্থাটি উপস্থিত থাকলে প্রমাণটি কত ঘন ঘন দেখা যায় (sensitivity), এবং অবস্থাটি না থাকলে কত ঘন ঘন দেখা যায় (false-positive rate) — এবং Bayes-এর উপপাদ্য হালনাগাদ করা সম্ভাবনা ফেরত দেয়।
কারণ অবস্থাটি বিরল। বিশাল সুস্থ group থেকে false positives (9,900 × 5% = 495) ক্ষুদ্র অসুস্থ group-এর true positives-কে (100 × 99% = 99) ডুবিয়ে দেয়। Base rates প্রাধান্য পায় — এটিই Bayes' theorem-এর পুরো শিক্ষা।
পূর্ববর্তীটি হলো নতুন প্রমাণের আগে আপনার বিশ্বাস; পরবর্তীটি হলো প্রতিটি সম্ভাবনার অধীনে প্রমাণটি কতটা প্রত্যাশিত তা দিয়ে প্রমাণটি ওজন করার পরে হালনাগাদ করা বিশ্বাস। Bayes-এর উপপাদ্য হলো ওই হালনাগাদের সঠিক হিসাব।
হ্যাঁ — স্প্যাম ফিল্টার, ত্রুটি নির্ণয়, ফরেনসিক সম্ভাবনা এবং পূর্বাভাস সবই একই কাঠামো ব্যবহার করে: একটি ভিত্তি হার, একটি হিট হার এবং একটি মিথ্যা-সতর্কতার হার।
চিরায়ত রূপ P(A|B) = P(B|A) × P(A) ÷ P(B)-এর জন্য P(B) সরাসরি লাগে; এই ক্যালকুলেটরটি বরং দুটি শর্তাধীন হার থেকে P(B) তৈরি করে, যা বাস্তবে ইনপুটগুলো সাধারণত যেভাবে জানা থাকে।
P(A | B) = P(B | A) × P(A) ÷ P(B), মোট সাক্ষ্য হারের সঙ্গে, যা মোট সম্ভাবনার সূত্র দিয়ে তৈরি: P(B) = P(B | A) × P(A) + P(B | not A) × P(not A)। প্রতিস্থাপন করলে এই ক্যালকুলেটরটি যে তিন-ইনপুটের রূপটি ব্যবহার করে, তা পাওয়া যায়।
ইনপুটসমূহ: পূর্বসম্ভাবনা 0.01, সংবেদনশীলতা 0.99, ভুয়া-ধনাত্মক হার 0.05।
ধাপসমূহ: P(B) = 0.99 × 0.01 + 0.05 × 0.99 = 0.0099 + 0.0495 = 0.0594. পোস্টেরিয়র = 0.0099 ÷ 0.0594 = 0.1667.
ফলাফল: P(A | positive) = 16.67% — '99% নির্ভুল' পরীক্ষা সত্ত্বেও, কারণ অবস্থাটি বিরল।
এই calculator আপনার নিজের website বা blog-এ যোগ করুন — এটি সম্পূর্ণ free, কোনো sign-up লাগে না, এবং সবসময় সর্বশেষ version দেখায়। নিচের code copy করুন এবং আপনার পেজে যেখানে calculator দেখাতে চান সেখানে paste করুন। Embed-এর নিচে ছোট “Powered by Loona Automation” credit line রাখা এই tool-কে free রাখতে সাহায্য করে — কিন্তু আপনি এটি style করতে বা সরিয়ে ফেলতে স্বাধীন; tool যেভাবেই হোক কাজ করে।