关键信息
- 分类
- 数学、日期与金融
- 输入类型
- number, select
- 输出类型
- json
- 样本覆盖
- 1
- 支持 API
- Yes
概览
贝叶斯定理计算器是一款专业的在线数学与统计工具，旨在帮助用户根据先验概率、似然度（敏感度）和假阳性率，快速准确地计算出事件的后验概率。无论是进行医学检测分析、风险评估还是统计学研究，该工具都能通过直观的参数输入，将复杂的新证据转化为更新后的概率结果。工具支持百分比和比例两种输入尺度，并可自定义保留的小数位数，让概率更新过程变得简单透明。
适用场景
- •在医学或基因检测中，需要根据基础患病率和检测准确率评估阳性结果的真实感染概率时。
- •在金融风险管理中，需要结合历史违约率和新出现的预警信号来更新企业违约概率时。
- •在机器学习或统计学课程中，需要验证贝叶斯公式计算结果或进行概率论作业核对时。
工作原理
- •输入先验概率 P(A)，即在获得新证据前事件发生的初始概率（如某种疾病的基础患病率）。
- •输入似然度 P(B|A) 和假阳性率 P(B|非A)，分别代表事件发生时和未发生时出现该证据的概率。
- •选择输入尺度（百分比或比例）并设定结果需要保留的小数位数。
- •工具将自动应用贝叶斯公式，计算并输出更新后的后验概率 P(A|B) 及其百分比形式。
使用场景
医疗诊断分析：评估罕见病在某项高敏感度筛查中呈阳性时的真实确诊概率。
垃圾邮件过滤评估：根据邮件包含特定词汇的概率，计算其为垃圾邮件的后验概率。
质量控制检测：在工业生产中，根据次品率和检测仪器的误报率，推断被标记为次品的零件真正不合格的概率。
用户案例
1. 医学检测阳性后的真实患病率评估
临床医生- 背景原因
- 某地区一种罕见病的基础患病率为1%。现有一种新型检测试剂，其敏感度（真阳性率）为99%，但存在5%的假阳性率。
- 解决问题
- 当一名无症状患者的检测结果呈阳性时，需要计算其真正患有该疾病的概率。
- 如何使用
- 将先验概率设为1，似然度设为99，假阳性率设为5，输入尺度选择“百分比”。
- 示例配置
-
先验概率: 1, 似然: 99, 假阳性: 5, 输入尺度: percent - 效果
- 计算得出后验概率约为16.6667%。这表明即使检测呈阳性，该患者真正患病的概率也仅为1/6左右，提示需要进行复查。
2. 工业生产中的次品误报率分析
质量控制工程师- 背景原因
- 某工厂流水线上的零件次品率为2%（先验概率）。质检仪器的准确率很高，能100%识别出次品（似然度），但对合格零件有3%的误报率（假阳性率）。
- 解决问题
- 评估当质检仪器报警（标记为次品）时，该零件确实是次品的概率。
- 如何使用
- 输入先验概率2，似然度100，假阳性率3，选择百分比尺度，计算后验概率。
- 示例配置
-
先验概率: 2, 似然: 100, 假阳性: 3, 输入尺度: percent - 效果
- 计算得出后验概率约为40.4858%。说明仪器报警时，有超过一半的概率是误报，提示需要优化质检仪器的假阳性率。
用 Samples 测试
math-&-numbers常见问题
什么是先验概率和后验概率？
先验概率是在获得新证据前对事件发生概率的初始估计；后验概率是在结合了新证据（如检测结果）后，利用贝叶斯定理更新后的概率。
似然度（Likelihood）在医学检测中代表什么？
在医学检测中，似然度通常指“真阳性率”或“敏感度”，即真正患病的人中检测出阳性的比例。
为什么检测准确率很高，但后验概率却很低？
这通常被称为“基础率谬误”。如果一种疾病的先验概率（基础患病率）极低，即使假阳性率只有5%，大量的健康人群也会产生大量的假阳性结果，从而拉低了阳性结果的真实患病概率。
输入尺度中的“百分比”和“比例”有什么区别？
“百分比”是以0-100的数值输入（如输入5代表5%）；“比例”是以0-1的小数输入（如输入0.05代表5%）。工具会根据您的选择自动适配计算逻辑。
计算结果可以保留几位小数？
您可以通过“小数位数”选项自定义结果的精度，支持保留0到10位小数，默认保留4位。