Ange tre tal — hur vanligt tillståndet är (prior), hur ofta beviset uppträder när tillståndet finns (sensitivitet), och hur ofta det uppträder när det inte finns (falskt-positiv-andel) — och Bayes sats returnerar den uppdaterade sannolikheten.
Eftersom tillståndet är sällsynt. Falskt positiva från den enorma friska gruppen (9,900 × 5% = 495) dränker de sant positiva från den pyttelilla sjuka gruppen (100 × 99% = 99). Basfrekvenser dominerar — det är hela lärdomen i Bayes sats.
Priorn är din övertygelse före de nya bevisen; posteriorn är den uppdaterade övertygelsen efter att bevisen har vägts efter hur förväntade de är under varje möjlighet. Bayes sats är den exakta aritmetiken för den uppdateringen.
Ja — skräppostfilter, feldiagnos, forensiska sannolikheter och prognoser använder alla samma struktur: en bastakt, en träfftakt och en falsklarmstakt.
Den klassiska formen P(A|B) = P(B|A) × P(A) ÷ P(B) behöver P(B) direkt; den här kalkylatorn bygger i stället P(B) från de två betingade sannolikheterna, vilket är så som indata vanligtvis är kända i praktiken.
P(A | B) = P(B | A) × P(A) ÷ P(B), med den totala evidensgraden uppbyggd av lagen om total sannolikhet: P(B) = P(B | A) × P(A) + P(B | inte A) × P(inte A). Insättning ger den form med tre indata som den här räknaren använder.
Indata: prior 0.01, känslighet 0.99, falskt positiv andel 0.05.
Steg: 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 | positiv) = 16.67% — trots ett '99% korrekt' test, eftersom tillståndet är sällsynt.
Lägg till den här kalkylatorn på din egen webbplats eller blogg — den är helt gratis, kräver ingen registrering och visar alltid den senaste versionen. Kopiera koden nedan och klistra in den på din sida där du vill att kalkylatorn ska visas. Att behålla den lilla krediten “Powered by Loona Automation” under inbäddningen hjälper till att hålla verktyget gratis — men du får gärna utforma eller ta bort den; verktyget fungerar oavsett.