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。
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。
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。
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。
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。
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。