Loona 計算器
Loona Calculators › 數學 › 貝葉斯定理計算器

🔄 貝葉斯定理計算器

輸入三個數字——該情況有多常見(先驗)、當該情況存在時證據出現的頻率(靈敏度),以及當該情況不存在時證據出現的頻率(假陽性率)——貝葉斯定理會返回更新後的機率。

快速答案: 後驗機率 =(先驗機率 × 靈敏度)÷(先驗機率 × 靈敏度 + (1 − 先驗機率) × 假陽性率)。著名的例子:一種疾病的患病率為 1/100,一項檢測靈敏度為 99%,假陽性率為 5%——即便檢測結果為陽性,實際患病的機率仍只有約 16.7%。

如何使用 Bayes Theorem Calculator

  1. 輸入先驗機率 P(A)——在有證據之前該情況的可能性有多大。
  2. 輸入 P(證據 | A)——真陽性率 / 靈敏度。
  3. 輸入 P(證據 | 非 A)——假陽性率。
  4. 讀取後驗 P(A | evidence) 和完整明細。
示例: 對 10,000 人篩查患病率為 1% 的疾病:100 人患病,其中 99 人檢測呈陽性;9,900 人未患病,其中 495 人假陽性。在 594 例陽性中,只有 99 例是真實的:99 ÷ 594 = 16.7%。

常見問題

為什麼答案比“檢驗準確率 99%”低得多?

因為這種情況罕見。來自龐大健康群體的假陽性(9,900 × 5% = 495)淹沒了來自微小患病群體的真陽性(100 × 99% = 99)。基率佔主導——這正是貝葉斯定理的全部教訓。

先驗和後驗是什麼意思?

先驗是您在新證據出現之前的信念;後驗是在按每種可能性下證據的預期程度加權證據後更新的信念。貝葉斯定理正是該更新的精確算術。

我可以將其用於醫學檢查之外的用途嗎?

是的——垃圾郵件過濾、故障診斷、法醫似然和預測都使用相同的結構:基礎率、命中率和誤報率。

如果我只知道總體證據率 P(B) 怎麼辦?

經典形式 P(A|B) = P(B|A) × P(A) ÷ P(B) 需要直接的 P(B);本計算器改為從兩個條件率構建 P(B),這正是實踐中通常已知輸入的方式。

相關計算器

%

百分比計算器

數學

📊

統計計算器

數學

½

分數計算器

數學

🧮

方程求解器

數學

🔬

科學計算器

數學

📐

平均值計算器

數學

🔔

Z分數計算器

數學

🎲

機率計算器

數學

工作原理 — 公式

P(A | B) = P(B | A) × P(A) ÷ P(B),總證據率由全機率定律構建: P(B) = P(B | A) × P(A) + P(B | not A) × P(not A)。代入後得到本計算器使用的三輸入形式。

示例

輸入項: 先驗0.01,靈敏度0.99,假陽性率0.05。

步驟: P(B) = 0.99 × 0.01 + 0.05 × 0.99 = 0.0099 + 0.0495 = 0.0594。後驗 = 0.0099 ÷ 0.0594 = 0.1667。

結果: P(A | positive) = 16.67% ——儘管檢測'準確率99%',因為這種病症很罕見。

將此計算器嵌入您的網站——免費

將本計算器新增到你自己的網站或部落格——完全免費,無需註冊,並且始終顯示最新版本。複製下面的程式碼,貼上到你希望計算器出現的頁面位置。在嵌入下方保留小小的 “Powered by Loona Automation” 署名行有助於保持本工具免費——但你可以自由設定樣式或將其移除;無論哪種方式工具都能工作。