Calculadora del teorema de Bayes

La calculadora del teorema de Bayes convierte una probabilidad previa, una sensibilidad (tasa de verdaderos positivos) y una tasa de falsos positivos en la probabilidad posterior de una hipótesis tras observar evidencia. Esta es la actualización binaria estándar usada en el razonamiento diagnóstico, las alarmas de control de calidad, los bocetos de filtros de spam, y los problemas de aula sobre enfermedades raras y pruebas imperfectas. Usted proporciona tres números en el intervalo unitario cerrado: qué tan común es la hipótesis antes de ver la prueba, con qué frecuencia aparece la evidencia cuando la hipótesis es verdadera, y con qué frecuencia aparece la evidencia cuando la hipótesis es falsa. El motor devuelve el posterior P(H dado E), la probabilidad marginal de evidencia P(E), la especificidad uno menos la tasa de falsos positivos, y la razón de verosimilitud positiva cuando es finita.

Qué responde la regla de Bayes y qué contiene la respuesta

El teorema de Bayes responde a una pregunta engañosamente simple: dado con qué frecuencia una hipótesis es verdadera antes de mirar, y cómo se comporta la evidencia cuando la hipótesis es verdadera o falsa, ¿con qué fuerza debería creer en la hipótesis después de observar la evidencia? En símbolos, P(H dado E) es igual a P(E dado H) por P(H) dividido entre P(E). Para una hipótesis binaria, la probabilidad de evidencia se expande como sensibilidad por previa más tasa de falsos positivos por uno menos la previa.

Esa única identidad sustenta el clásico ejemplo de enfermedad rara en todo libro de texto de probabilidad: una prueba muy precisa puede seguir dejando un posterior bajo cuando la tasa base es diminuta, porque los falsos positivos dominan los resultados positivos. Esta calculadora devuelve ese posterior junto con la masa de evidencia intermedia, la especificidad uno menos la tasa de falsos positivos, y la razón de verosimilitud positiva sensibilidad sobre tasa de falsos positivos cuando el denominador es positivo.

Las entradas se repiten en forma numérica normalizada para que los llamadores puedan verificar que la conversión de unidades no cambió la escala. El contrato es estricto por diseño. Si los tres números se combinan en una probabilidad de evidencia de cero, el posterior no está matemáticamente definido y la llamada falla en lugar de devolver NaN.

Esta página es solo una actualización bayesiana binaria única. No encadena varias pruebas independientes, no muestrea a partir de posteriores, y no ajusta modelos jerárquicos.

Dónde encajan las actualizaciones posteriores en el estudio, el producto y las operaciones

Los estudiantes se encuentran con el teorema de Bayes cuando un libro de texto pide la probabilidad de que alguien tenga una afección rara tras una prueba de detección positiva, cuando una hoja de trabajo quiere la probabilidad de que una máquina esté defectuosa tras una alarma, o cuando verifican que las tasas base importan más que la precisión bruta de la prueba.

Los docentes pueden pregenerar claves de respuesta para previas y características de prueba fijas sin depender de apps de calculadora opacas que ocultan la expansión de la evidencia. Los equipos de producto y seguridad bosquejan la fatiga de alertas: alta sensibilidad con una tasa de falsos positivos no trivial y una previa baja de incidentes reales produce posteriores moderados que justifican colas de revisión secundaria en lugar de apagados automáticos.

Los ingenieros de calidad modelan medidores de aprobado-rechazado donde un sensor se activa ante defectos verdaderos y ante falsas alarmas ocasionales, y luego convierten esas tasas en una probabilidad posterior de defecto para una unidad marcada. Los científicos de datos usan la misma estructura al documentar por qué un clasificador de alta precisión aún puede dar un riesgo absoluto bajo en una población de eventos raros.

Los desarrolladores llaman al contrato desde scripts para sembrar vectores de prueba unitaria deterministas, para ilustrar razones de verosimilitud, o para satisfacer desafíos de programación que exigen P(H dado E) para una previa, sensibilidad y tasa de falsos positivos dadas sin incrustar fórmulas improvisadas. La práctica de concursos suele necesitar una fuente rápida y sin conexión de números de Bayes para que las soluciones puedan verificarse sin construir denominadores a mano bajo presión de tiempo.