Kalkulator Drzewa Prawdopodobieństwa i Tabeli 2x2

Obliczaj wieloetapowe doświadczenia losowe, prawdopodobieństwa gałęzi, prawdopodobieństwo całkowite, prawdopodobieństwo warunkowe Bayesa i tabele 2x2.

Udostępnij:WhatsApp Telegram

Klassische Praxisbeispiele (Presets)

1. Stufe: P(Krank (K))10.0% (0.100)

0%P(Gesund (G)) = 90.0%100%

2. Stufe: P(Test Positiv (+)|Krank (K))95.0% (0.950)

0%P(Test Negativ (-)|Krank (K)) = 5.0%100%

2. Stufe: P(Test Positiv (+)|Gesund (G))5.0% (0.050)

0%P(Test Negativ (-)|Gesund (G)) = 95.0%100%

P(B) - Totale Wk.14.00%0.1400

P(Krank (K) ∩ Test Positiv (+))9.50%0.0950

P(Krank (K)|Test Positiv (+)) (Bayes)67.86%0.6786

UnabhängigkeitAbhängig

Baumdiagramm (2-Stufig)

Stochastisch abhängig

Vierfeldertafel (Wahrscheinlichkeiten)Summe Zeilen & Spalten = Randwahrscheinlichkeiten

Ereignis	Krank (K)	Gesund (G)	Σ (Gesamt)
Test Positiv (+)	0.09509.50%	0.04504.50%	0.1400P(Test Positiv (+))
Test Negativ (-)	0.00500.50%	0.855085.50%	0.8600P(Test Negativ (-))
Σ (Gesamt)	0.1000P(Krank (K))	0.9000P(Gesund (G))	1.0000 (100%)

📚Schritt-für-Schritt Rechenweg

\text{\textbf{1. Pfadregel (Multiplikationssatz für Pfade):}}

P(Krank (K) \cap Test Positiv (+)) = P(Krank (K)) \cdot P(Test Positiv (+)|Krank (K)) = 0.1000 \cdot 0.9500 = 0.0950

P(Krank (K) \cap Test Negativ (-)) = P(Krank (K)) \cdot P(Test Negativ (-)|Krank (K)) = 0.1000 \cdot 0.0500 = 0.0050

P(Gesund (G) \cap Test Positiv (+)) = P(Gesund (G)) \cdot P(Test Negativ (-)|Gesund (G)) = 0.9000 \cdot 0.0500 = 0.0450

P(Gesund (G) \cap Test Negativ (-)) = P(Gesund (G)) \cdot P(Test Negativ (-)|Gesund (G)) = 0.9000 \cdot 0.9500 = 0.8550

\text{\textbf{2. Pfadregel (Totale Wahrscheinlichkeit):}}

P(Test Positiv (+)) = P(Krank (K) \cap Test Positiv (+)) + P(Gesund (G) \cap Test Positiv (+)) = 0.0950 + 0.0450 = 0.1400

P(Test Negativ (-)) = 1 - P(Test Positiv (+)) = 0.8600

\text{\textbf{Satz von Bayes (Bedingte Wahrscheinlichkeit):}}

P(Krank (K)|Test Positiv (+)) = \frac{P(Krank (K) \cap Test Positiv (+))}{P(Test Positiv (+))} = \frac{0.0950}{0.1400} = 0.6786 \; (67.86\%)

\text{\textbf{Stochastische Unabhängigkeit:}}\text{ Da } P(Krank (K) \cap Test Positiv (+)) = 0.0950 \neq P(Krank (K)) \cdot P(Test Positiv (+)) = 0.0140, \text{ sind die Ereignisse } A \text{ und } B \text{ \textbf{stochastisch abhängig}.}

Pochodzenie Historyczne i Rozwiązany Problem

Dlaczego powstała ta matematyka, skąd pochodzi i jaki realny problem rozwiązała?

📜

Epoche & ZeitalterClassical Probability (1654 – 1763)

Pioniere: Blaise Pascal, Pierre de Fermat, Thomas Bayes

1. Unfinished Games of Chance & Diagnostic Fallacies

In 1654, Chevalier de Méré asked Pascal: how should the prize money be divided fairly if a dice game is interrupted prematurely? Furthermore, how does one assess diagnostic test accuracy when a disease is exceptionally rare?

2. Tree Diagram Path Rules & Bayes' Theorem

Fermat and Pascal developed multiplication and addition path rules. Thomas Bayes formulated Bayes' theorem for conditional probability, demonstrating how prior beliefs (prior) are updated by new evidence (posterior).

3. Spam Filters, Medical Diagnostics & Forensic DNA

Naive Bayes email spam filters, AI diagnostic assistants in radiology, and legal forensic evidence evaluation rely on Bayesian conditional probability.

„Probability theory is nothing but common sense reduced to calculation.“ — Pierre-Simon Laplace

Praktyczne Zastosowania Drzew Prawdopodobieństwa i Twierdzenia Bayesa

Dowiedz się, jak drzewa stochastyczne i twierdzenie Bayesa wspierają decyzje w medycynie, kontroli jakości i logistyce.

Medycyna i Diagnostyka

Szybkie Testy Medyczne i Paradoks Bayesa

Obliczanie dodatniej wartości predykcyjnej przy niskiej częstości występowania choroby.

Praxis-Beispiel:

Przy 98% czułości testu i 1% chorobowości, dodatni wynik daje tylko ok. 16% pewności zachorowania.

Inżynieria Jakości

Drzewa Błędów w Produkcji

Analiza wieloetapowych linii produkcyjnych w celu wyznaczenia łącznego wskaźnika braków.

Praxis-Beispiel:

Określanie łącznego odsetka wadliwych elementów na automatycznych liniach montażowych.

Logistyka i Transport

Modelowanie Ryzyka w Łańcuchu Dostaw

Łączne prawdopodobieństwo opóźnień wynikających z kontroli celnych lub warunków pogodowych.

Praxis-Beispiel:

Prognozowanie terminowości dostaw w międzynarodowych sieciach logistycznych.

Poradnik: Drzewa Stochastyczne, Reguły Prawdopodobieństwa i Bayes

Drzewo prawdopodobieństwa w przejrzysty sposób ilustruje wieloetapowe procesy losowe, ułatwiając wyznaczanie prawdopodobieństw łącznych i brzegowych.

1. Reguła Mnożenia (Prawdopodobieństwo Gałęzi)

Prawdopodobieństwo całego toru jest iloczynem prawdopodobieństw wzdłuż tej gałęzi: P(A ∩ B) = P(A) · P(B|A).

2. Reguła Dodawania (Prawdopodobieństwo Całkowite)

Prawdopodobieństwo zdarzenia B jest sumą prawdopodobieństw rozłącznych torów prowadzących do B: P(B) = P(A ∩ B) + P(nie A ∩ B).

Twierdzenie Bayesa

Służy do obliczania odwróconego prawdopodobieństwa warunkowego: P(A|B) = P(A ∩ B) / P(B).

Niezależność Stochastyczna

Dwa zdarzenia są stochastycznie niezależne wtedy i tylko wtedy, gdy P(A ∩ B) = P(A) · P(B).

Często Zadawane Pytania o Drzewa Prawdopodobieństwa

Czym różni się losowanie ze zwracaniem od losowania bez zwracania?▼

Przy losowaniu ze zwracaniem prawdopodobieństwa są stałe. Bez zwracania liczba kul maleje, co zmienia prawdopodobieństwa warunkowe kolejnych losowań.

Kiedy stosować tabelę czteropolową, a kiedy drzewo?▼

Tabela 2x2 jest idealna do zestawienia dwóch cech statycznych; drzewo sprawdza się w wieloetapowych procesach sekwencyjnych.

Dlaczego twierdzenie Bayesa jest kluczowe w testach medycznych?▼

Ponieważ przy rzadkich chorobach liczba wyników fałszywie dodatnich często przewyższa liczbę prawdziwie dodatnich.

Co oznacza niezależność zdarzeń w praktyce?▼

Że zajście zdarzenia A nie zmienia prawdopodobieństwa zajścia zdarzenia B: P(B|A) = P(B).

Wie hängen Baumdiagramm und Vierfeldertafel (2x2-Tabelle) zusammen?▼

Ein zweistufiges Baumdiagramm und eine Vierfeldertafel stellen dieselben stochastischen Zusammenhänge dar. Die Pfade des Baumdiagramms entsprechen den Schnittmengen P(A ∩ B) in den vier inneren Feldern der Vierfeldertafel. Aus der Vierfeldertafel lassen sich die Randwahrscheinlichkeiten P(A) und P(B) sowie die bedingten Wahrscheinlichkeiten P(B|A) = P(A ∩ B) / P(A) (Satz von Bayes) direkt ablesen und berechnen.