Probability Lab hoạt động

Cập nhật Bayes theo bằng chứng mới

Bayes Updater — Cập nhật niềm tin theo bằng chứng

Đã chạy được. Mục này có công cụ tính toán thật trên nền tảng, không phải mô tả lộ trình.

Cập nhật Bayes liên tiếp Niềm tin thay đổi thế nào qua nhiều bằng chứng

Xem từng bước cập nhật thay vì chỉ kết quả cuối, và thấy rõ vì sao xét nghiệm thứ hai làm thay đổi kết luận nhiều đến vậy.

Xác suất tiên nghiệm 1.0000%
Xác suất hậu nghiệm 95.7966%
Likelihood ratio dương 47.50
Likelihood ratio âm 0.0510
Kết luận Bằng chứng lật kết luận qua 50%
① Tham số
0.0150.0
50.0100.0
50.0100.0

Niềm tin sau từng lần xét nghiệm

Niềm tin sau từng lần xét nghiệm1.0720.67990.2881-0.1038012

Điểm 0 là tiên nghiệm 1.000%; mỗi bước nhân odds với LR+ = 47.5 (dương) hoặc LR− = 0.0510 (âm). 2 lần dương rồi 0 lần âm — đổi thứ tự không làm kết quả cuối khác đi, vì nhân thì giao hoán.

Diễn giải nhanh

Tiên nghiệm 1.000% → hậu nghiệm 95.797% (gấp 95.8 lần)

Odds nhân với 2,256.2 sau 2 lần thử. Bayes cập nhật ODDS bằng phép nhân; xác suất trông nhảy vọt chỉ vì nó là odds đã đổi thang.

Một lần dương tính duy nhất chỉ cho 32.42%

Với tỷ lệ nền 1.000%, mỗi 100,000 người có 1,000 người thật sự dương và 1,980 người dương tính giả. Đó là toàn bộ lý do xét nghiệm bệnh hiếm phải làm lần hai.

LR+ = 47.50 — bằng chứng mạnh

Quy ước lâm sàng: LR trên 10 làm đổi hẳn kết luận, 5–10 đổi vừa phải, dưới 5 gần như không đáng kể. LR− = 0.0510 là sức mạnh của một kết quả âm.

2 lần thử được coi là ĐỘC LẬP với nhau

Cùng một bộ kit, cùng một kỹ thuật viên, cùng một mẫu bệnh phẩm thì sai số tương quan với nhau. Khi đó phép nhân LR đếm lặp cùng một bằng chứng và hậu nghiệm bị thổi phồng.

Khi nào con số này sai: Cập nhật liên tiếp giả định các lần xét nghiệm ĐỘC LẬP. Nếu chúng cùng dùng một phương pháp thì sai số tương quan với nhau, và làm lại xét nghiệm hai lần không cho bằng chứng mạnh gấp đôi.

Chi tiết

Sau lần 1 (dương) 32.4232%
Sau lần 2 (dương) 95.7966%
Odds ban đầu 0.0101
Odds cuối 22.7904
Công thức odds sau = odds trước × LR
Điều Bayes KHÔNG nói Nếu mỗi lần thử độc lập thì lịch sử KHÔNG làm xác suất lần sau thay đổi — đó là chỗ nguỵ biện con bạc chen vào

Niềm tin sau từng lần xét nghiệm

Niềm tin sau từng lần xét nghiệm1.0720.67990.2881-0.1038012

Điểm 0 là tiên nghiệm 1.000%; mỗi bước nhân odds với LR+ = 47.5 (dương) hoặc LR− = 0.0510 (âm). 2 lần dương rồi 0 lần âm — đổi thứ tự không làm kết quả cuối khác đi, vì nhân thì giao hoán.

Hậu nghiệm phụ thuộc tiên nghiệm thế nào

Hậu nghiệm phụ thuộc tiên nghiệm thế nào1.0970.76040.42330.086250.01%0.03%0.09%0.26%0.79%2.35%7.02%20.92%

Cùng bộ xét nghiệm (2 dương / 0 âm), chỉ đổi tỷ lệ nền. Trục ngang chia theo thang log từ 0,01% tới 50%. Ở tỷ lệ nền 1.000% bạn nhận 95.80% — cùng kết quả xét nghiệm mà kết luận đổi hoàn toàn theo tỷ lệ nền.

Hậu nghiệm theo độ đặc hiệu

Hậu nghiệm theo độ đặc hiệu1.0980.7610.42450.0878980.0%82.6%85.1%87.7%90.2%92.8%95.3%97.9%

Giữ nguyên tiên nghiệm 1.000% và độ nhạy 95.0%, chỉ quét độ đặc hiệu. Với bệnh hiếm, dương tính giả áp đảo dương tính thật, nên một điểm phần trăm độ đặc hiệu đáng giá hơn nhiều điểm phần trăm độ nhạy.

Toàn bộ chỉ số

Sau lần 1 (dương) 32.4232%
Sau lần 2 (dương) 95.7966%
Odds ban đầu 0.0101
Odds cuối 22.7904
Công thức odds sau = odds trước × LR
Điều Bayes KHÔNG nói Nếu mỗi lần thử độc lập thì lịch sử KHÔNG làm xác suất lần sau thay đổi — đó là chỗ nguỵ biện con bạc chen vào

Công thức đang dùng

odds sau = odds trước × LR

Đây là công thức thật mà mã nguồn chạy, không phải mô tả gần đúng. API tại /api/v1/tools/bayes-update gọi đúng hàm này, nên kết quả trên trang và qua API không thể lệch nhau.

Cách dùng

  1. Điền tham số ở cột trái. Mọi ô đã có sẵn giá trị ví dụ chạy được, nên bạn có thể bấm Tính ngay trước rồi sửa sau.
  2. Đọc thẻ số ở trên cùng, rồi mục Diễn giải nhanh để biết con số đó nói gì.
  3. Đọc dòng “Khi nào con số này sai” trước khi dùng kết quả để quyết định — đó là giả định vỡ đầu tiên.
Giới hạn chung. Công cụ này tính đúng công thức của nó trên dữ liệu bạn đưa vào. Nó không kiểm tra dữ liệu của bạn có phù hợp với giả định của phương pháp hay không — phần đó vẫn là việc của người dùng, và mục “sai ở đâu” bên dưới trang liệt kê các chỗ hỏng thường gặp.

Cập nhật Bayes theo bằng chứng mới là gì

Định lý Bayes cập nhật niềm tin khi có bằng chứng mới: xác suất hậu nghiệm tỷ lệ với xác suất tiên nghiệm nhân khả năng. Ứng dụng rõ nhất là xét nghiệm y tế — một xét nghiệm chính xác 99% cho kết quả dương tính vẫn có thể chỉ đúng dưới 50% nếu bệnh hiếm, vì trực giác bỏ quên tỷ lệ nền.

Làm thế nào

  1. Viết ra xác suất tiên nghiệm P(H) trước khi nhìn bằng chứng.
  2. Xác định khả năng P(E|H) và P(E|không H).
  3. Tính mẫu số P(E) = P(E|H)P(H) + P(E|¬H)P(¬H).
  4. Hậu nghiệm P(H|E) = P(E|H)·P(H) / P(E).
  5. Cập nhật tuần tự khi có nhiều bằng chứng độc lập, dùng hậu nghiệm bước trước làm tiên nghiệm bước sau.

Cần dữ liệu gì

Tỷ lệ nền, độ nhạy và độ đặc hiệu của bằng chứng

Đo bằng chỉ số nào

Tiên nghiệm tỷ lệ nền, thứ hay bị bỏ quên nhất
Tỷ số khả năng P(E|H)/P(E|¬H) — sức nặng của bằng chứng
Hậu nghiệm niềm tin sau khi cập nhật
Giá trị tiên đoán dương tên gọi y khoa của hậu nghiệm khi xét nghiệm dương

Sai ở đâu

Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.

! Bỏ qua tỷ lệ nền là sai lầm kinh điển: độ chính xác của xét nghiệm không phải xác suất mắc bệnh.
! Nhầm P(E|H) với P(H|E) — hai đại lượng khác nhau hoàn toàn khi tỷ lệ nền lệch.
! Coi các bằng chứng là độc lập trong khi chúng tương quan, khiến hậu nghiệm bị đẩy quá xa.

Câu hỏi thường gặp

Cập nhật Bayes theo bằng chứng mới là gì?

Định lý Bayes cập nhật niềm tin khi có bằng chứng mới: xác suất hậu nghiệm tỷ lệ với xác suất tiên nghiệm nhân khả năng. Ứng dụng rõ nhất là xét nghiệm y tế — một xét nghiệm chính xác 99% cho kết quả dương tính vẫn có thể chỉ đúng dưới 50% nếu bệnh hiếm, vì trực giác bỏ quên tỷ lệ nền.

Cập nhật Bayes theo bằng chứng mới được làm như thế nào?

1. Viết ra xác suất tiên nghiệm P(H) trước khi nhìn bằng chứng. 2. Xác định khả năng P(E|H) và P(E|không H). 3. Tính mẫu số P(E) = P(E|H)P(H) + P(E|¬H)P(¬H). 4. Hậu nghiệm P(H|E) = P(E|H)·P(H) / P(E). 5. Cập nhật tuần tự khi có nhiều bằng chứng độc lập, dùng hậu nghiệm bước trước làm tiên nghiệm bước sau.

Cập nhật Bayes theo bằng chứng mới hay sai ở đâu?

Bỏ qua tỷ lệ nền là sai lầm kinh điển: độ chính xác của xét nghiệm không phải xác suất mắc bệnh. Nhầm P(E|H) với P(H|E) — hai đại lượng khác nhau hoàn toàn khi tỷ lệ nền lệch. Coi các bằng chứng là độc lập trong khi chúng tương quan, khiến hậu nghiệm bị đẩy quá xa.

Đo cập nhật bayes theo bằng chứng mới bằng chỉ số nào?

Tiên nghiệm — tỷ lệ nền, thứ hay bị bỏ quên nhất; Tỷ số khả năng — P(E|H)/P(E|¬H) — sức nặng của bằng chứng; Hậu nghiệm — niềm tin sau khi cập nhật; Giá trị tiên đoán dương — tên gọi y khoa của hậu nghiệm khi xét nghiệm dương.

Cập nhật Bayes theo bằng chứng mới trên QuantHub đã dùng được chưa?

Đã chạy được: công cụ tính toán thật trên nền tảng này.

Chủ đề khác trong Probability

Toàn bộ Probability
Coin & Dice Cards & Poker Birthday Problem Gambler's Ruin Random Walk Markov Chain Reports API