Baumdiagramm & Bayes
Erstelle ein Baumdiagramm, lass Monte-Carlo-Kugeln rollen und filtere nach Evidenz, um den Satz von Bayes live zu erleben.
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.
Wie gefällt dir Baumdiagramm & Bayes?
Über Baumdiagramm & Bayes
- Bayes-Formel
- P(A | E) = P(E | A) × P(A) ÷ P(E)
- Erstveröffentlichung
- 1763, durch Richard Price aus Nachlässen von Thomas Bayes
- Voreinstellung Medical test
- Positiver Test bedeutet rund 9 % Erkrankungswahrscheinlichkeit
- Voreinstellung Monty Hall
- Wechseln gewinnt in 2 von 3 Fällen
Ein Baumdiagramm fächert Zufallsprozesse in Äste auf. Die erste Ebene stellt die Ursache dar, etwa ob eine Person erkrankt ist, und jede folgende Ebene ein Merkmal bzw. eine Evidenz, etwa ein Testergebnis, dessen Wahrscheinlichkeiten von den vorherigen Stufen abhängen. Das Multiplizieren der Wahrscheinlichkeiten entlang eines Pfades ergibt die Gesamtwahrscheinlichkeit dieses Pfades. Mit diesem Werkzeug erstellst du Bäume mit bis zu drei Ebenen, bearbeitest jeden Ast und siehst zu, wie Kugeln hindurchfallen: Jede Kugel folgt den Ästen nach deren Wahrscheinlichkeit, sodass die Häufungen an den Blättern den exakten Pfadwahrscheinlichkeiten zustreben – eine Monte-Carlo-Simulation im Sinne von Nicholas Metropolis und Stanislaw Ulam aus dem Jahr 1949.
Das Konditionieren auf eine Evidenz behält nur die Kugeln, die dazu passen. Tippe auf ein Blatt oder wähle ein Ergebnis unter Evidence, und unpassende Kugeln verblassen; der Anteil der verbleibenden Kugeln mit der Ursache ist die A-posteriori-Wahrscheinlichkeit. Das Feld berechnet sie nach der Bayes-Formel P(A | E) = P(E | A) × P(A) ÷ P(E) aus der Abhandlung von Thomas Bayes, die Richard Price 1763 veröffentlichte. Die Voreinstellung Medical test zeigt, warum das entscheidend ist: Wenn 1 von 100 Personen krank ist, der Test 90 % der Fälle erkennt, aber auch 9 % der Gesunden fälschlich positiv einstuft, bedeutet ein positives Ergebnis nur eine Erkrankungswahrscheinlichkeit von etwa 9 %, da die gesunde Mehrheit die meisten positiven Tests erzeugt. Invertiere den Baum mit Flipped tree, um dieselben Werte mit der Evidenz zuerst zu sehen, wo die A-posteriori-Wahrscheinlichkeit direkt auf einem Ast liegt.
Mit absoluten Häufigkeiten lässt sich intuitiver schließen als mit Prozentwerten, wie Gerd Gigerenzer und Ulrich Hoffrage 1995 zeigten; daher visualisiert die Ansicht 1,000 cases die erwarteten Fälle als Symbole: etwa 98 Positive, von denen 9 krank sind. Probiere das Taxi cab-Problem von Amos Tversky und Daniel Kahneman, das Monty Hall-Problem nach Steve Selvin (1975), zwei Tests nacheinander oder einen Spam filter aus, und lade anschließend die Blatt-Häufigkeiten als CSV herunter oder nimm die Simulation auf.
So nutzt du Baumdiagramm & Bayes
- Wähle ein Problem. Wähle Medical test, Second test, Taxi cab, Monty Hall oder Spam filter, oder erstelle einen eigenen Baum unter Tree und Chances.
- Beobachte die Kugeln. Kugeln fallen von Start und nehmen jeden Ast nach seiner Wahrscheinlichkeit. Die Zähler zeigen, wie viele an jedem Blatt landen, verglichen mit dem exakten Wert; tippe auf Start oder Drop 1,000 für mehr.
- Konditioniere auf Evidenz. Tippe auf ein Blatt oder einen Knoten, oder wähle ein Ergebnis unter Evidence. Nicht passende Kugeln blenden aus, und die Anzeige rechnet den Satz von Bayes mit konkreten Zahlen vor.
- Wähle eine Ursache. Bestimme über Chance of oder durch Antippen eines Knotens der ersten Ebene, auf welche Ursache sich die A-posteriori-Wahrscheinlichkeit bezieht, etwa Tür 2 bei Monty Hall.
- Passe die Wahrscheinlichkeiten an. Ziehe die Schieberegler unter Chances; jeder Regler bestimmt die Wahrscheinlichkeit eines Ausgangs gegeben die vorherigen, während sich Geschwisteräste anpassen, damit die Summe 100 % bleibt.
- Wechsle die Ansicht. Flipped tree stellt die Evidenz an den Anfang, sodass die Posterior-Wahrscheinlichkeit auf einem Ast liegt; 1,000 cases zeigt dieselben Wahrscheinlichkeiten als Personenzahlen.
- Exportieren. Speichere ein PNG, ein Video oder GIF, oder exportiere die Blatt-Zahlen samt exakter Wahrscheinlichkeiten als CSV-Datei.
Häufig gestellte Fragen
Was ist ein Baumdiagramm?
Eine stufenweise Darstellung eines Zufallsprozesses. Jeder Ast ist mit der Wahrscheinlichkeit seines Ausgangs versehen, gegeben die vorangegangenen Äste; die von einem Knoten ausgehenden Wahrscheinlichkeiten summieren sich zu 1, und die Wahrscheinlichkeit eines Gesamtpfades ist das Produkt der Werte entlang des Pfades. Die Summe aller Pfade, die ein Ereignis erfüllen, ergibt dessen Gesamtwahrscheinlichkeit.
Was ist der Satz von Bayes?
Er kehrt eine bedingte Wahrscheinlichkeit um: P(A | E) = P(E | A) × P(A) ÷ P(E). Hierbei ist P(A) die A-priori-Wahrscheinlichkeit der Ursache, P(E | A) die Wahrscheinlichkeit der Evidenz bei vorliegender Ursache und P(E) die Gesamtwahrscheinlichkeit der Evidenz. Im Baum ist P(E) die Summe aller in E endenden Pfade, und P(A | E) ist der Anteil dieser Pfade, die bei A beginnen.
Warum bedeutet ein positiver Test oft nicht, dass man krank ist?
Weil die Erkrankung selten ist. Im Medical test sind 1 % der Personen krank: Von 1.000 Menschen sind rund 10 krank und 9 davon testen positiv; jedoch testen auch 9 % der 990 Gesunden positiv, also etwa 89. Somit sind von den rund 98 positiv Getesteten nur 9 tatsächlich krank, rund 9 %. Das Missachten der niedrigen Basisrate nennt man Prävalenzfehler; ein zweiter positiver Test hebt die Wahrscheinlichkeit auf etwa 50 %.
Wie funktioniert das Monty-Hall-Problem?
Du wählst Tür 1, und die Moderation, die weiß, wo das Auto steht, öffnet eine Ziegentür, hier Tür 3. Steht das Auto hinter Tür 1, kann sie beide Türen öffnen; steht es hinter Tür 2, muss sie zwingend Tür 3 öffnen. Tür 3 wird doppelt so oft geöffnet, wenn das Auto hinter Tür 2 steht; ein Wechsel gewinnt daher in 2 von 3 Fällen, wie die Voreinstellung Monty Hall zeigt.
Was ist das Taxi-Problem?
In der Version von Tversky und Kahneman sind 85 % der Taxis einer Stadt grün und 15 % blau. Eine Zeugperson identifiziert ein Unfalltaxi als blau und liegt bei Tests zu 80 % richtig. Die meisten schätzen das Taxi überwiegend als blau ein, doch liegt die Wahrscheinlichkeit nur bei rund 41 %, da es so viel mehr grüne Taxis gibt, dass Fehlurteile über grüne Taxis die korrekten Sichtungen blauer Taxis überwiegen.
Welchen Nutzen bringt die Monte-Carlo-Simulation?
Sie macht die Herleitung der Formel greifbar. Jede Kugel entspricht einem zufälligen Einzelfall, und der Anteil der passenden Kugeln mit der Ursache entspricht der durch Auszählung geschätzten A-posteriori-Wahrscheinlichkeit. Mit zunehmender Kugelanzahl konvergiert diese Schätzung nach dem Gesetz der großen Zahlen gegen den exakten, als gestrichelte Linie markierten Wert.
Quellen & Referenzen
- 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.
- Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review 102(4), 684–704.
- 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.
- Selvin, S. (1975). A problem in probability (letter to the editor). The American Statistician 29(1), 67.
- Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association 44(247), 335–341.





