Bayes-Theorem-Rechner

Der Bayes-Theorem-Rechner verwandelt eine A-priori-Wahrscheinlichkeit, eine Sensitivität (Richtig-Positiv-Rate) und eine Falsch-Positiv-Rate in die A-posteriori-Wahrscheinlichkeit einer Hypothese nach Beobachtung eines Beweises. Dies ist die standardmäßige binäre Aktualisierung, die in diagnostischem Denken, Qualitätskontroll-Alarmen, Spamfilter-Skizzen und Unterrichtsaufgaben zu seltenen Krankheiten und unvollkommenen Tests verwendet wird. Sie geben drei Zahlen im geschlossenen Einheitsintervall an: wie häufig die Hypothese ist, bevor der Test gesehen wird, wie oft der Beweis erscheint, wenn die Hypothese wahr ist, und wie oft er erscheint, wenn die Hypothese falsch ist. Die Engine liefert das Posterior P(H gegeben E), die marginale Beweiswahrscheinlichkeit P(E), die Spezifität eins minus die Falsch-Positiv-Rate und das positive Likelihood-Verhältnis, wenn es endlich ist.

Was die Bayessche Regel beantwortet und was die Antwort enthält

Der Satz von Bayes beantwortet eine trügerisch einfache Frage: Wenn bekannt ist, wie oft eine Hypothese wahr ist, bevor man hinschaut, und wie sich der Beweis verhält, wenn die Hypothese wahr oder falsch ist, wie stark sollte man an die Hypothese glauben, nachdem man den Beweis beobachtet hat? In Symbolen: P(H gegeben E) gleich P(E gegeben H) mal P(H) geteilt durch P(E). Für eine binäre Hypothese erweitert sich die Beweiswahrscheinlichkeit als Sensitivität mal Prior plus Falsch-Positiv-Rate mal eins minus Prior.

Diese einzige Identität untermauert das klassische Beispiel seltener Krankheiten in jedem Wahrscheinlichkeitslehrbuch: Ein hochgenauer Test kann dennoch ein niedriges Posterior hinterlassen, wenn die Basisrate winzig ist, weil falsch-positive Ergebnisse die positiven Ergebnisse dominieren. Dieser Rechner liefert dieses Posterior zusammen mit der Zwischen-Beweismasse, der Spezifität eins minus der Falsch-Positiv-Rate und dem positiven Likelihood-Verhältnis Sensitivität über Falsch-Positiv-Rate, wenn der Nenner positiv ist. Eingaben werden in normalisierter numerischer Form gespiegelt, sodass Aufrufer prüfen können, dass eine Einheitenumrechnung den Maßstab nicht verändert hat.

Der Vertrag ist bewusst streng. Wenn sich die drei Zahlen zu einer Beweiswahrscheinlichkeit von null kombinieren, ist das Posterior mathematisch undefiniert, und der Aufruf schlägt fehl statt NaN zurückzugeben. Diese Seite ist ausschließlich eine einzelne binäre Bayes-Aktualisierung.

Sie verkettet keine mehreren unabhängigen Tests, sampelt nicht aus Posteriors und passt keine hierarchischen Modelle an.

Wo Posterior-Aktualisierungen bei Studium, Produkt und Betrieb Anwendung finden

Studierende begegnen dem Satz von Bayes, wenn ein Lehrbuch nach der Wahrscheinlichkeit fragt, dass jemand eine seltene Erkrankung hat, nachdem ein Screening-Test positiv war, wenn ein Arbeitsblatt die Wahrscheinlichkeit will, dass eine Maschine defekt ist, nachdem ein Alarm ausgelöst wurde, oder wenn sie prüfen, dass Basisraten wichtiger sind als die rohe Testgenauigkeit. Lehrkräfte können Lösungsschlüssel für feste Priors und Testeigenschaften vorab erstellen, ohne sich auf undurchsichtige Taschenrechner-Apps zu verlassen, die die Beweiserweiterung verbergen.

Produkt- und Sicherheitsteams skizzieren Alarmmüdigkeit: hohe Sensitivität mit einer nicht-trivialen Falsch-Positiv-Rate und einem niedrigen Prior echter Vorfälle erzeugt moderate Posteriors, die sekundäre Überprüfungswarteschlangen statt automatischer Abschaltungen rechtfertigen. Qualitätsingenieure modellieren Bestehen-Durchfallen-Messgeräte, bei denen ein Sensor bei echten Defekten und bei gelegentlichen Fehlalarmen auslöst, und rechnen diese Raten dann in eine Posterior-Defektwahrscheinlichkeit für eine markierte Einheit um. Data Scientists nutzen dieselbe Struktur, um zu dokumentieren, warum ein hochpräziser Klassifikator dennoch ein niedriges absolutes Risiko in einer Population seltener Ereignisse ergeben kann.

Entwickler rufen den Vertrag aus Skripten auf, um deterministische Unit-Test-Vektoren zu speisen, um Likelihood-Verhältnisse zu veranschaulichen, oder um Programmieraufgaben zu erfüllen, die P(H gegeben E) für gegebenen Prior, Sensitivität und Falsch-Positiv-Rate verlangen, ohne Ad-hoc-Formeln einzubetten. Wettbewerbspraxis braucht oft eine schnelle Offline-Quelle für Bayes-Zahlen, damit Lösungen ohne handgerollte Nenner unter Zeitdruck geprüft werden können. Kombinieren Sie ihn mit Binomialwahrscheinlichkeits-Werkzeugen, wenn Sie Versuchszahlen statt Hypothesen-Aktualisierungen benötigen, und mit weiteren Mathematik-Endpunkten, wenn Sie ein kleines Labor kostenloser, deterministischer Wahrscheinlichkeitshilfen für Lehre und CI aufbauen.