Calcolatore teorema di Bayes

Il calcolatore del teorema di Bayes trasforma una probabilità a priori, una sensibilità (tasso di veri positivi) e un tasso di falsi positivi nella probabilità a posteriori di un'ipotesi dopo aver osservato un'evidenza. Questo è l'aggiornamento binario standard usato nel ragionamento diagnostico, negli allarmi di controllo qualità, negli schizzi di filtri antispam e nei problemi in classe su malattie rare e test imperfetti. Fornisci tre numeri sull'intervallo unitario chiuso: quanto è comune l'ipotesi prima di vedere il test, quanto spesso appare l'evidenza quando l'ipotesi è vera, e quanto spesso appare l'evidenza quando l'ipotesi è falsa. Il motore restituisce il posteriore P(H dato E), la probabilità marginale dell'evidenza P(E), la specificità uno meno il tasso di falsi positivi, e il rapporto di verosimiglianza positivo quando è finito.

Cosa risponde la regola di Bayes e cosa contiene la risposta

Il teorema di Bayes risponde a una domanda ingannevolmente semplice: dato quanto spesso un'ipotesi è vera prima di osservare, e come si comporta l'evidenza quando l'ipotesi è vera o falsa, quanto fortemente dovresti credere all'ipotesi dopo aver osservato l'evidenza? In simboli, P(H dato E) è uguale a P(E dato H) per P(H) diviso P(E). Per un'ipotesi binaria la probabilità dell'evidenza si sviluppa come sensibilità per prior più tasso di falsi positivi per uno meno prior.

Quella singola identità sta alla base del classico esempio della malattia rara in ogni manuale di probabilità: un test molto accurato può comunque lasciare un posteriore basso quando il tasso di base è minuscolo, perché i falsi positivi dominano i risultati positivi. Questo calcolatore restituisce quel posteriore insieme alla massa di evidenza intermedia, alla specificità uno meno il tasso di falsi positivi, e al rapporto di verosimiglianza positivo sensibilità su tasso di falsi positivi quando il denominatore è positivo.

Gli input vengono riportati in forma numerica normalizzata così chi chiama può verificare che la conversione di unità non abbia cambiato scala. Il contratto è rigoroso per design. Se le tre cifre si combinano in una probabilità di evidenza pari a zero, il posteriore è matematicamente non definito e la chiamata fallisce invece di restituire NaN.

Questa pagina è solo un singolo aggiornamento binario di Bayes. Non concatena più test indipendenti, non campiona da posteriori e non adatta modelli gerarchici.

Dove si usano gli aggiornamenti a posteriori nello studio, nel prodotto e nelle operazioni

Gli studenti incontrano il teorema di Bayes quando un manuale chiede la probabilità che qualcuno abbia una condizione rara dopo un test di screening positivo, quando una scheda di esercizi vuole la probabilità che una macchina sia difettosa dopo un allarme, o quando verificano che i tassi di base contano più dell'accuratezza grezza del test. Gli insegnanti possono pregenerare chiavi di risposta per prior e caratteristiche del test fissi senza affidarsi ad app di calcolo opache che nascondono lo sviluppo dell'evidenza.

I team di prodotto e sicurezza abbozzano l'affaticamento da allarme: alta sensibilità con un tasso di falsi positivi non trascurabile e un prior basso di incidenti reali produce posteriori moderati che giustificano code di revisione secondaria invece di spegnimenti automatici. Gli ingegneri della qualità modellano indicatori pass-fail dove un sensore scatta su difetti veri e su falsi allarmi occasionali, poi convertono quei tassi in una probabilità a posteriori di difetto per un'unità segnalata.

I data scientist usano la stessa struttura quando documentano perché un classificatore ad alta precisione può comunque dare un rischio assoluto basso in una popolazione di eventi rari. Gli sviluppatori richiamano il contratto da script per generare vettori di test unitari deterministici, per illustrare i rapporti di verosimiglianza, o per soddisfare sfide di programmazione che richiedono P(H dato E) per prior, sensibilità e tasso di falsi positivi dati senza incorporare formule improvvisate.

La pratica in gare ha spesso bisogno di una fonte veloce e offline di numeri di Bayes così le soluzioni possono essere verificate senza costruire a mano denominatori sotto pressione di tempo.