Bayesin teoreeman laskuri
Yhdistä prioritodennäköisyys testin herkkyyteen ja väärien positiivisten osuuteen ja laske posterioritodennäköisyys Bayesin teoreemalla.
Updated probability of A given a positive result B
- 1
True positive weight
0,9 × 0,01 = 0,009P(B|A) × P(A) — probability of a positive result from a true case. - 2
False positive weight
0,05 × (1 − 0,01) = 0,0495 - 3
Marginal P(B)
0,009 + 0,0495 = 0,0585Total probability of a positive result from either source. - 4
Posterior P(A|B)
0,009 ÷ 0,0585 = 0,1538
Miten tämä laskin toimii?
Bayesin teoreema muuntaa priorin P(A) posterioriksi P(A|B) testin herkkyyden P(B|A) ja väärien positiivisten osuuden P(B|¬A) avulla. Posteriori on aitojen positiivisten paino jaettuna marginaalilla P(B). Harvinaisissa tapahtumissa väärät positiiviset voivat hallita, jolloin posteriori pysyy pienenä tarkasta testistä huolimatta.
Kaava
How this is calculated
Bayesin teoreema päivittää aiemman uskomuksen P(A) posterioriksi P(A|B) sen jälkeen, kun on havaittu todiste B. Priori P(A) on tapahtuman perustaajuus ennen testiä (esimerkiksi taudin esiintyvyys). Herkkyys P(B|A) on positiivisen tuloksen B todennäköisyys, kun A on tosi (aitojen positiivisten osuus). Väärien positiivisten osuus P(B|¬A) on positiivisen tuloksen todennäköisyys, kun A on epätosi. Kaikkien kolmen on oltava välillä [0, 1].
Osoittaja P(B|A)·P(A) on aidon positiivisen yhteistodennäköisyys. Nimittäjä lisää väärien positiivisten osuuden P(B|¬A)·(1 − P(A)) muodostaen marginaalitodennäköisyyden P(B) — kokonaistodennäköisyyden havaita positiivinen tulos kummasta tahansa lähteestä. Jakamalla aidon positiivisen paino tällä marginaalilla saadaan posteriori P(A|B).
Keskeinen oivallus on, että kun priori on hyvin pieni, jopa erittäin herkkä testi voi tuottaa yllättävän pienen posteriorin, koska väärät positiiviset hallitsevat nimittäjää. Laskuri palauttaa null-arvon, kun syötteet ovat välin [0, 1] ulkopuolella tai kun marginaali P(B) on nolla, sillä posteriori olisi silloin määrittelemätön.
Usein kysytyt kysymykset
Kun priori (perustaajuus) on hyvin pieni, aitojen tapausten joukko on pieni, joten paljon suuremmasta negatiivisesta joukosta tulevat väärät positiiviset ovat lukumääräisesti aitoja positiivisia suurempia ja vetävät posteriorin alas.
Se on positiivisen tuloksen kokonaistodennäköisyys, Bayesin säännön nimittäjä: aidot positiiviset plus väärät positiiviset, P(B|A)·P(A) + P(B|¬A)·(1 − P(A)).
Ei. Kukin kolmesta syötteestä on itsenäinen todennäköisyys välillä [0, 1]; niiden ei tarvitse summautua arvoon 1.
Tunnetaan myös nimellä
TG we-Calculate Editorial Team. (2026). Bayesin teoreeman laskuri [Online calculator]. TG we-Calculate. https://we-calculate.com/fi/calculator/bayes-theorem-calculator
TG we-Calculate Editorial Team. "Bayesin teoreeman laskuri." TG we-Calculate. 2026. https://we-calculate.com/fi/calculator/bayes-theorem-calculator.
TG we-Calculate Editorial Team, "Bayesin teoreeman laskuri," TG we-Calculate, 2026. [Online]. Available: https://we-calculate.com/fi/calculator/bayes-theorem-calculator
@misc{wecalculate_bayes_theorem_calculator, title = {Bayesin teoreeman laskuri}, author = {{TG we-Calculate Editorial Team}}, howpublished = {\url{https://we-calculate.com/fi/calculator/bayes-theorem-calculator}}, year = {2026}, note = {TG we-Calculate} }
Oliko tästä laskimesta sinulle apua?
