Bayes' Theorem & Conditional Posterior Sannolikhet kalkylator

Hur du använder denna kalkylator

Ange ditt Prior Sannolikhet P(A) [Base Räntesats / Prevalence, e.g. 0.01 for 1%], Likelihood / Sensitivity: P(B | A) [True Positive Räntesats], False Positive Räntesats: P(B | ¬A) [1 - Specificity], Hypothesis / Condition A Label, Evidence / Test Result B Label. Resultaten uppdateras omedelbart när du ändrar ett värde.

Formeln

Bayes' Theorem & Law of Totalt Sannolikhet equations: P(B) = P(B | A) P(A) + P(B | A) P( A)

P(A | B) = (P(B | A) P(A))/(P(B)) = (P(B | A) P(A))/(P(B | A) P(A) + P(B | A) P( A))

P( A | B) = 1 - P(A | B) = (P(B | A) P( A))/(P(B))

P(A | B) = (P( B | A) P(A))/(P( B)) = ([1 - P(B | A)] P(A))/(1 - P(B))

Positive Likelihood Förhållande / proportion: LR^+ = (P(B|A))/(P(B| A)) = Sensitivity1 - Specificity

Posterior Odds: Odds(A|B) = Odds(A) × LR^+

Räkneexempel

Praktiskt räkneexempel för Bayes' Theorem & Conditional Posterior Sannolikhet kalkylator: Anta att en användare vill göra en noggrann uppskattning inom Statistik & Dataanalys. Användaren fyller i Prior Sannolikhet P(A) [Base Räntesats / Prevalence, e.g. 0.01 for 1%] med värdet 0.01och anger Likelihood / Sensitivity: P(B | A) [True Positive Räntesats] till 0.95 . Efter att ha klickat på Beräkna bearbetar Bayes' Theorem & Conditional Posterior Sannolikhet kalkylator informationen på en bråkdel av en sekund. Verktyget presenterar en fullständig specifikation med exakta delsummor och visuella diagram. Detta gör att användaren omedelbart ser konsekvenserna av sina val utan att behöva genomföra komplicerade manuella uträkningar eller bygga egna kalkylblad. Resultatet kan därefter sparas som PDF, exporteras till CSV eller delas direkt med kollegor och familj för vidare diskussion och planering.

Förstå dina resultat

Använd resultatet som startpunkt och validera det i din specifika kontext. Testa två eller tre varianter för att förstå känsligheten. För viktiga beslut jämför med en sekundär källa eller expert.