Ağaç Diyagramı ve 2x2 Çapraz Tablo Hesaplayıcı

Çok aşamalı olasılık deneylerini, yol olasılıklarını (1. yol kuralı), toplam olasılığı (2. yol kuralı), Bayes koşullu olasılıklarını ve 2x2 tabloları hesaplayın.

Paylaş: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}.}

Tarihsel Köken ve Çözülen Gerçek Problem

Bu matematik neden geliştirildi, nereden geliyor ve hangi gerçek hayat problemini çözdü?

📜

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

Ağaç Diyagramları ve Bayes Teoreminin Günlük Hayattaki Yeri

Olasılık ağaçları ve Bayes teoreminin tıp, üretim ve lojistikte karar alma süreçlerini nasıl güçlendirdiğini keşfedin.

Tıp ve Tanı Testleri

Tıbbi Tarama Testleri ve Bayes Paradoksu

Toplumda nadir görülen hastalıklarda pozitif tahmin değerinin hesaplanması.

Praxis-Beispiel:

%98 test doğruluğunda bile %1 yaygınlıkta pozitif çıkan bir testin gerçek doğruluk payı yaklaşık %16’dır.

Kalite Güvence

Üretimde Hata Ağacı Analizi

Çok aşamalı üretim hatlarında toplam fire oranının ve hata kaynaklarının belirlenmesi.

Praxis-Beispiel:

Otomatik montaj hatlarında birden fazla istasyondaki kümülatif kusur oranının tespiti.

Lojistik ve Tedarik Zinciri

Tedarik Zinciri Risk Modellemesi

Hava koşulları ve gümrük kontrolleri kaynaklı gecikme olasılıklarının hesaplanması.

Praxis-Beispiel:

Uluslararası taşımacılıkta zamanında teslimat olasılıklarının tahmini.

Rehber: Ağaç Diyagramları, Yol Kuralları ve Bayes Teoremi

Ağaç diyagramı çok aşamalı rastgele olayları görsel olarak düzenler; dal ve toplam olasılıkların kolayca hesaplanmasını sağlar.

1. Yol Kuralı (Çarpma Kuralı)

Bir dal boyunca oluşan yolun olasılığı, o dal üzerindeki olasılıkların çarpımıdır: P(A ∩ B) = P(A) · P(B|A).

2. Yol Kuralı (Toplam Olasılık Kuralı)

B olayına çıkan tüm ayrık yolların olasılıkları toplanır: P(B) = P(A ∩ B) + P(A değil ∩ B).

Bayes Teoremi

Ters koşullu olasılığı hesaplar: P(A|B) = P(A ∩ B) / P(B).

Stokastik Bağımsızlık

İki olay ancak ve ancak P(A ∩ B) = P(A) · P(B) olduğunda bağımsızdır.

Ağaç Diyagramları Hakkında Sıkça Sorulan Sorular

Geri koyarak ve koymadan çekim arasındaki fark nedir?▼

Geri koyarak çekimde olasılıklar her adımda sabit kalır. Geri koymadan çekimde ise toplam nesne sayısı azaldığından koşullu olasılıklar değişir.

Ne zaman 2x2 tablo, ne zaman ağaç diyagramı kullanılmalı?▼

2x2 tablo iki kategorik değişkeni karşılaştırmak için mükemmeldir; ağaç diyagramı kronolojik ve aşamalı olaylar için idealdir.

Bayes teoremi tıbbi testlerde neden bu kadar kritiktir?▼

Çünkü nadir hastalıklarda yalancı pozitif sayısı gerçek pozitif sayısını aşabilir, testin gerçek güvenilirliğini düşürür.

Stokastik bağımsızlık ne anlama gelir?▼

A olayının gerçekleşmesinin B olayının olasılığı üzerinde hiçbir etkisi olmamasıdır: 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.