Bayes Teoremi Hesaplama
Pozitif bir sonucun gerçekte neyi ima ettiğini görmek için durumun ne kadar yaygın olduğunu ve testin nasıl çalıştığını girin.
The link carries your figures, so it reopens on exactly these numbers.
Formül
gerçek pozitifler = yaygınlık × duyarlılık
yanlış pozitifler = (1 − yaygınlık) × yanlış pozitif oranı
sonuç = gerçek pozitifler ÷ (gerçek pozitifler + yanlış pozitifler)
Örnek hesap
Bin kişiden birinde bulunan bir durum ve %99’unu yakalayıp %1’ini yanlışlıkla işaretleyen bir test
- 100.000 kişiden 100’ünde bu durum vardır
- Bunların 99’u testte pozitif çıkar
- Durumu olmayan 99.900 kişiden 999’u da pozitif çıkar
- 99 ÷ (99 + 999) = %9,0 — pozitif sonuç onda dokuz kez yanlıştır
Nerede yanlış yapılıyor
Testin doğruluğunu kendi olasılığınız sanmak
%99 doğru bir test, pozitif sonucun %99 ihtimalle doğru olduğu anlamına gelmez. Durumu 1.000 kişiden yalnızca 1’i taşıdığında, sağlıklılar arasındaki 999 yanlış pozitif, hastalar arasındaki 99 gerçek pozitifi kat kat aşar ve pozitif sonuç yaklaşık %9 ihtimal demektir. Nadirlik doğruluğu yener, hem de fena hâlde.
Sorular
- Durumun nadirliği neden bu kadar önemli?
- Çünkü yanlış pozitifler sağlıklı nüfustan gelir ve durum nadir olduğunda o nüfus neredeyse herkestir. 99.900 kişiye uygulanan %1’lik bir hata oranı, 100 kişiye uygulanan %99’luk bir yakalama oranından çok daha fazla pozitif üretir.
- Bu, tarama testleri işe yaramaz mı demek?
- Hayır — tek bir pozitif sonucun bir sonuç değil, testi tekrarlamak için bir gerekçe olduğu anlamına gelir. Bağımsız ikinci bir test, aynı aritmetiği artık %0,1 değil %9 etkilenmiş bir gruba uygular ve cevap tamamen değişir.
- Bu başka nerede karşımıza çıkar?
- Nadir bir şeyin kusurlu bir süzgeçle arandığı her yerde: dolandırıcılık tespiti, istenmeyen posta süzgeçleri, güvenlik taramaları, doping testleri. Matematik neyin arandığını umursamaz.