شجرة الاحتمالات ومبرهنة بايز

ابنِ شجرة احتمالات، وأسقط كرات مونت كارلو عبر مساراتها لترى مبرهنة بايز والاحتمال الشرطي عملياً.

100%

P(Sick | Positive) = P(Positive | Sick) × P(Sick) ÷ P(Positive) = 90% × 1% ÷ 9.8% = 9.2%

Out of 1,000 cases, about 98 match Positive, and 9 of them are Sick: 9 in 98.

Balls fall down the tree, taking each branch with its chance, and pile up at the leaves. In the Tree and Flipped tree views, tap a leaf or a node to condition on that evidence: balls that don't match fade, and the share that remain shows Bayes' rule at work. Tap Start to drop 100 at once, an event in time that Restart and share links leave out. Taps do nothing in the 1,000 cases view.

Setup
Evidence: Test
Chance of
Levels
First-level outcomes

كيف كانت تجربتك مع شجرة الاحتمالات ومبرهنة بايز؟

حول شجرة الاحتمالات ومبرهنة بايز

صيغة بايز
P(A | E) = P(E | A) × P(A) ÷ P(E)
تاريخ أول نشر
1763، بواسطة Richard Price نقلاً عن أوراق Thomas Bayes
حالة الفحص الطبي
النتيجة الإيجابية تعني احتمال إصابة بنحو 9% فقط
حالة Monty Hall
تبديل الباب يضمن الفوز في جولتين من أصل 3

توضح شجرة الاحتمالات العمليات العشوائية في صورة مسارات متفرعة؛ يمثل المستوى الأول السبب كالإصابة بمرض من عدمها، ويليه كل شاهد كنتيجة فحص تتوقف احتمالات فروعه على ما يسبقه. ويعطي ضرب الاحتمالات على طول المسار الاحتمال الإجمالي لذلك المسار بأكمله. تتيح الأداة بناء شجرة من ثلاثة مستويات، وتعديل قيم الفروع، ومراقبة سقوط الكرات عبرها؛ حيث تسلك كل كرة فروعها وفق الاحتمال المحدد، لتتطابق تجمعات الكرات في النهايات تدريجياً مع الاحتمال النظري المحسوب بجانبها، مجسدة محاكاة مونت كارلو على النحو الذي وصفه Nicholas Metropolis وStanislaw Ulam عام 1949.

يؤدي التكييف بناءً على الشواهد إلى حصر الكرات المطابقة له فقط. فعند النقر على ورقة نهائية أو اختيار نتيجة من قسم Evidence، تتلاشى الكرات غير المعنية؛ لتمثل نسبة الكرات المتبقية التي تحمل السبب المطلوب الاحتمال البعدي الدقيق. تتولى اللوحة تطبيق قاعدة بايز P(A | E) = P(E | A) × P(A) ÷ P(E) المشتقة من مقال Thomas Bayes الذي نشره Richard Price عام 1763. ويوضح مثال الفحص الطبي Medical test أهمية القاعدة؛ فعندما يصاب شخص واحد من كل 100 ويكشف الفحص 90% من الحالات مع تشخيص خاطئ لـ 9% من الأصحاء، فإن النتيجة الإيجابية تعني احتمال إصابة فعلي بنحو 9% فقط، نظراً لأن الأغلبية السليمة تولد معظم الحالات الإيجابية. اعكس الشجرة عبر Flipped tree لعرض الشواهد أولاً ورؤية الاحتمال البعدي على الفرع مباشرة.

يعد التعامل مع التكرارات الطبيعية أيسر فهماً من النسب المئوية، وفق ما أثبته Gerd Gigerenzer وUlrich Hoffrage عام 1995؛ لذا يوفر نمط 1,000 cases تمثيلاً للأشخاص (أو السيارات أو الألعاب أو الرسائل) كرموز مرئية: نحو 98 حالة إيجابية، بينها 9 مصابين فعلاً. جرب مسألة سيارة الأجرة Taxi cab للباحثين Amos Tversky وDaniel Kahneman، أو معضلة Monty Hall التي طرحها Steve Selvin عام 1975، أو فحصين متتاليين، أو فلتر البريد المزعج، مع إمكانية تنزيل النتائج كملف CSV أو تسجيل المحاكاة مرئياً.

كيفية استخدام شجرة الاحتمالات ومبرهنة بايز

  1. اختر مسألة جاهزة. حدد Medical test أو Second test أو Taxi cab أو Monty Hall أو Spam filter، أو ابنِ شجرة خاصة عبر Tree وChances.
  2. راقب حركة الكرات. تسقط الكرات من Start وتسلك الفروع باحتمالاتها؛ وتقارن الحاويات عدد الكرات المستقرة بالاحتمال الدقيق. انقر Start أو Drop 1,000 للمزيد.
  3. قيّد النتائج بالشواهد. انقر على فرع أو عقدة، أو حدد نتيجة من قسم Evidence لتتلاشى الكرات غير المطابقة وتُحسب قاعدة بايز بأرقامها المباشرة.
  4. استعلم عن أي سبب. استخدم Chance of، أو انقر على إحدى عقد المستوى الأول، لتحديد السبب المعني بالاحتمال البعدي كالباب الثاني في Monty Hall.
  5. عدّل الاحتمالات. حرّك أشرطة التمرير في قسم Chances؛ يمثل كل شريط احتمالاً شرطياً وتتعدل الفروع الشقيقة تلقائياً ليظل المجموع 100%.
  6. بدّل طرق العرض. تعرض الشجرة المعكوسة Flipped tree الشاهد أولاً ليظهر الاحتمال البعدي كفرع، بينما يعرض نمط 1,000 cases تكرارات عددية للأشخاص.
  7. التصدير والحفظ. احفظ رسماً بصيغة PNG أو سجّل فيديو أو GIF، أو نزّل تكرارات الفروع النهائية مع احتمالاتها الدقيقة كملف CSV.

الأسئلة الشائعة

ما هي شجرة الاحتمالات؟

مخطط يمثل العمليات الاحتمالية على مراحل متتالية؛ يحمل كل فرع احتمال وقوع نتيجته بناءً على ما قبله، ويكون مجموع احتمالات الفروع الخارجة من أي عقدة 1، بينما يساوي احتمال المسار الكامل حاصل ضرب احتمالات فروعه المتعاقبة، ويعطي جمع المسارات المطابقة لحدث معين احتماله الإجمالي.

ما هي مبرهنة بايز؟

معادلة لعكس الاحتمال الشرطي: P(A | E) = P(E | A) × P(A) ÷ P(E)؛ حيث P(A) الاحتمال القبلي للسبب، وP(E | A) أرجحية الشاهد عند تحقق السبب، وP(E) الاحتمال الكلي للشاهد بمجموع مساراته، ويمثل الاحتمال البعدي P(A | E) نسبة تلك المسارات التي بدأت بالسبب A.

لماذا قد لا تعني النتيجة الإيجابية للفحص الطبي الإصابة بالمرض؟

لندرة المرض بين عامة السكان؛ ففي مثال Medical test، يصاب 1% فقط، أي نحو 10 من كل 1,000 شخص وتأتي نتائج 9 منهم إيجابية، لكن 9% من الأصحاء البالغ عددهم 990 (نحو 89 شخصاً) يحصلون على إيجابية خاطئة، ليكون 9 فقط من أصل 98 نتيجة إيجابية مصابين فعلاً (نحو 9%). يُعرف تجاهل المعدل المبدئي بتجاهل المعدل الأساسي، ويرفع فحص ثانٍ الاحتمال لنحو 50%.

كيف تفسر معضلة Monty Hall؟

تختار الباب 1، فيفتح المقدم العليم بموقع الجائزة باباً خلفه ماعز وليكن الباب 3. لو كانت السيارة خلف الباب 1 فبإمكانه فتح أي من البابين الآخرين؛ أما إن كانت خلف الباب 2 فإنه مجبر على فتح الباب 3 تحديداً، مما يجعل فتح الباب 3 مرجحاً بضعف النسبة إذا كانت خلف الباب 2، وبالتالي يضمن تبديل الاختيار الفوز في جولتين من أصل 3.

ما هي مسألة سيارة الأجرة Taxi cab؟

في صياغة Tversky وKahneman، تشكل السيارات الخضراء 85% والزرقاء 15%. ادعى شاهد أن السيارة المتسببة في حادث كانت زرقاء، وتصل دقة تمييزه إلى 80%. يظن المعظم أن السيارة زرقاء على الأرجح، بينما لا يتعدى الاحتمال الفعلي 41%، لأن العدد الهائل للسيارات الخضراء يجعل أخطاء الشاهد بحقها تفوق إفاداته الصائبة عن الزرقاء.

ما الذي تضيفه محاكاة مونت كارلو إلى الشجرة؟

تجسد الأصل العملي للمعادلة المجردة؛ فكل كرة تمثل حالة فردية عشوائية، ونسبة الكرات المطابقة المحققة للسبب هي التقدير التجريبي للاحتمال البعدي عبر العد المباشر. ومع تدفق الكرات، يستقر التقدير تدريجياً على القيمة النظرية الموضحة بالخط المتقطع، وفق قانون الأعداد الكبيرة.

المراجع العلمية

  1. Bayes, T., & Price, R. (1763). An essay towards solving a problem in the doctrine of chances. Philosophical Transactions of the Royal Society of London 53, 370–418.
  2. Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review 102(4), 684–704.
  3. Tversky, A., & Kahneman, D. (1982). Evidential impact of base rates. In D. Kahneman, P. Slovic & A. Tversky (Eds.), Judgment under Uncertainty: Heuristics and Biases, 153–160. Cambridge University Press.
  4. Selvin, S. (1975). A problem in probability (letter to the editor). The American Statistician 29(1), 67.
  5. Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association 44(247), 335–341.