Indtast tre tal — hvor almindelig tilstanden er (prior), hvor ofte beviset optræder, når tilstanden er til stede (sensitivitet), og hvor ofte det optræder, når den ikke er (falsk-positiv rate) — og Bayes' sætning returnerer den opdaterede sandsynlighed.
Fordi tilstanden er sjælden. Falske positiver fra den enorme raske gruppe (9,900 × 5% = 495) overskygger de sande positiver fra den lille syge gruppe (100 × 99% = 99). Basisrater dominerer — det er hele læren i Bayes' sætning.
Prioren er din overbevisning før det nye bevis; posterioren er den opdaterede overbevisning efter at have vejet beviset efter, hvor forventet det er under hver mulighed. Bayes' sætning er den eksakte regning bag den opdatering.
Ja — spamfiltre, fejldiagnosticering, retsmedicinske sandsynligheder og prognoser bruger alle den samme struktur: en basissats, en træfsats og en falsk alarmsats.
Den klassiske form P(A|B) = P(B|A) × P(A) ÷ P(B) kræver P(B) direkte; denne beregner bygger i stedet P(B) ud fra de to betingede satser, hvilket er sådan, inddataene normalt kendes i praksis.
P(A | B) = P(B | A) × P(A) ÷ P(B), med den samlede evidensrate bygget efter loven om total sandsynlighed: P(B) = P(B | A) × P(A) + P(B | not A) × P(not A). Indsættelse giver den tre-input-form, denne beregner bruger.
Input: prior 0.01, sensitivitet 0.99, falsk positiv-sats 0.05.
Trin: P(B) = 0.99 × 0.01 + 0.05 × 0.99 = 0.0099 + 0.0495 = 0.0594. Posterior = 0.0099 ÷ 0.0594 = 0.1667.
Resultat: P(A | positive) = 16.67% — på trods af en test, der er '99% præcis', fordi tilstanden er sjælden.
Tilføj denne beregner til dit eget website eller din blog — den er helt gratis, kræver ingen tilmelding og viser altid den nyeste version. Kopiér koden nedenfor, og indsæt den på din side, hvor beregneren skal vises. Hvis du beholder den lille kreditlinje “Powered by Loona Automation” under indlejringen, hjælper det med at holde dette værktøj gratis — men du er fri til at style eller fjerne den; værktøjet virker på begge måder.