Loona ক্যালকুলেটরসমূহ
Loona Calculators › গণিত › বেইজ উপপাদ্য ক্যালকুলেটর

🔄 বেইজ উপপাদ্য ক্যালকুলেটর

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।

দ্রুত উত্তর: Posterior = (prior × sensitivity) ÷ (prior × sensitivity + (1 − prior) × false-positive rate)। বিখ্যাত উদাহরণটি হলো: কোনো রোগে প্রতি 100 জনে 1 জন আক্রান্ত, একটি পরীক্ষা 99% সংবেদনশীল কিন্তু তাতে 5% ভুয়া পজিটিভ আসে — তাহলেও পজিটিভ ফলাফলের মানে রোগ থাকার সম্ভাবনা মাত্র প্রায় 16.7%।

কীভাবে বেয়েসের উপপাদ্য ক্যালকুলেটর ব্যবহার করবেন

  1. পূর্ব সম্ভাবনা P(A) লিখুন — প্রমাণের আগে অবস্থাটি কতটা সম্ভাব্য ছিল।
  2. P(evidence | A) লিখুন — প্রকৃত-ধনাত্মক হার / সংবেদনশীলতা।
  3. P(evidence | not A) লিখুন — মিথ্যা-ধনাত্মক হার।
  4. পোস্টেরিয়র P(A | evidence) ও সম্পূর্ণ বিস্তারিত বিবরণ পড়ুন।
উদাহরণ: 1% হারে কোনো রোগ আছে কিনা যাচাই করতে 10,000 মানুষকে পরীক্ষা করা হলো: 100 জনের রোগটি আছে এবং 99 জন পজিটিভ হন; 9,900 জনের রোগটি নেই এবং 495 জন ভুলভাবে পজিটিভ হন। 594 জন পজিটিভের মধ্যে মাত্র 99 জন আসল: 99 ÷ 594 = 16.7%।

সচরাচর জিজ্ঞাসিত প্রশ্নাবলী

উত্তরটি 'পরীক্ষাটি 99% নির্ভুল'-এর চেয়ে এত কম কেন?

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।

prior ও posterior বলতে কী বোঝায়?

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।

আমি কি এটি চিকিৎসা পরীক্ষার বাইরেও ব্যবহার করতে পারি?

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।

আমি শুধু সামগ্রিক প্রমাণ হার P(B) জানলে কী হবে?

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।

সম্পর্কিত ক্যালকুলেটর

%

শতাংশ ক্যালকুলেটর

গণিত

📊

পরিসংখ্যান ক্যালকুলেটর

গণিত

½

ভগ্নাংশ ক্যালকুলেটর

গণিত

🧮

সমীকরণ সমাধানকারী

গণিত

🔬

বৈজ্ঞানিক ক্যালকুলেটর

গণিত

📐

গড় ক্যালকুলেটর

গণিত

🔔

Z-Score ক্যালকুলেটর

গণিত

🎲

সম্ভাবনা ক্যালকুলেটর

গণিত

এটি কীভাবে কাজ করে — সূত্রটি

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।

সমাধান করা উদাহরণ

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 ক্যালকুলেটরটি আপনার ওয়েবসাইটে এম্বেড করুন — বিনামূল্যে

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।