贝叶斯定理计算器

贝叶斯定理用于在观察到证据后更新某个假设的概率。初始判断是先验概率P(A)。似然P(B|A)描述假设成立时证据出现的频率。替代假设下的似然P(B|not A)描述假设不成立时同一证据出现的频率。结合这些量，可得后验概率P(A|B)，即在已观察到证据的条件下，更新后的假设成立概率。 分母是证据出现的总概率。对于A与非A这两种穷尽所有情况的可能性，它等于P(B|A)乘以P(A)，再加上P(B|not A)乘以P(not A)。这一加权平均很重要，因为证据在两种解释下都可能出现。将A与B的联合概率除以证据总概率，可以使结果归一化。当输入为有效概率且证据出现概率不为零时，后验概率始终介于零和一之间。 医学检测是常见示例。即便检测灵敏度很高，当疾病罕见且存在假阳性时，阳性结果对应的后验概率仍可能不高。若患病率为百分之一、灵敏度为99%、假阳性率为百分之五，阳性结果对应的后验概率约为16.67%。由于先验概率较低，人数多得多的健康人群中的假阳性可能超过真阳性。贝叶斯定理明确呈现了这一基础概率效应，避免将检测准确性直接当作阳性结果正确的概率。 同样的推理也用于欺诈检测、质量控制、预测、诊断、垃圾邮件过滤及科学推断。各项输入必须针对相同的事件定义与人群。先验概率应在使用当前证据之前确定，似然估计则应来自具有代表性的条件数据。不能把相关证据当作独立观测而直接相乘。后验概率的可信度取决于假设和估计的可信度，因此在合理输入范围内进行敏感性分析通常很有帮助。本计算器采用完整的二元贝叶斯定理形式，自动计算证据概率，并以百分比显示，便于阅读。它适用于透明的概率更新、示例及快速核算，不能取代包含多个假设或连续参数的完整贝叶斯模型。