输入三个数字——该情况有多常见(先验)、当该情况存在时证据出现的频率(灵敏度),以及当该情况不存在时证据出现的频率(假阳性率)——贝叶斯定理会返回更新后的概率。
因为这种情况罕见。来自庞大健康群体的假阳性(9,900 × 5% = 495)淹没了来自微小患病群体的真阳性(100 × 99% = 99)。基率占主导——这正是贝叶斯定理的全部教训。
先验是您在新证据出现之前的信念;后验是在按每种可能性下证据的预期程度加权证据后更新的信念。贝叶斯定理正是该更新的精确算术。
是的——垃圾邮件过滤、故障诊断、法医似然和预测都使用相同的结构:基础率、命中率和误报率。
经典形式 P(A|B) = P(B|A) × P(A) ÷ P(B) 需要直接的 P(B);本计算器改为从两个条件率构建 P(B),这正是实践中通常已知输入的方式。
P(A | B) = P(B | A) × P(A) ÷ P(B),总证据率由全概率定律构建: P(B) = P(B | A) × P(A) + P(B | not A) × P(not A)。代入后得到本计算器使用的三输入形式。
输入项: 先验0.01,灵敏度0.99,假阳性率0.05。
步骤: P(B) = 0.99 × 0.01 + 0.05 × 0.99 = 0.0099 + 0.0495 = 0.0594。后验 = 0.0099 ÷ 0.0594 = 0.1667。
结果: P(A | positive) = 16.67% ——尽管检测'准确率99%',因为这种病症很罕见。
将本计算器添加到您自己的网站或博客——完全免费,无需注册,并且始终显示最新版本。复制下面的代码,粘贴到您希望计算器出现的页面位置。在嵌入下方保留小小的 “Powered by Loona Automation” 署名行有助于保持本工具免费——但您可以自由设置样式或将其移除;无论哪种方式工具都能工作。