Árbol de probabilidad y Bayes

Crea un árbol de probabilidad, suelta bolas con Monte Carlo y condiciona por evidencia para ver el teorema de Bayes en acción.

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

¿Qué tal te funciona Árbol de probabilidad y Bayes?

Acerca de Árbol de probabilidad y Bayes

Regla de Bayes
P(A | E) = P(E | A) × P(A) ÷ P(E)
Primera publicación
1763, por Richard Price a partir de notas de Thomas Bayes
Ajuste Medical test
Dar positivo implica cerca de un 9% de probabilidad de enfermedad
Ajuste Monty Hall
Cambiar de puerta gana 2 de cada 3 partidas

Un árbol de probabilidad desglosa un proceso estocástico en etapas sucesivas. El primer nivel representa la causa inicial, como estar enfermo o sano, y cada nivel posterior representa una evidencia, como el resultado de una prueba, cuyas probabilidades dependen del nodo precedente. Multiplicar las probabilidades a lo largo de un trayecto da la probabilidad conjunta de dicho camino. Esta herramienta permite crear árboles de hasta tres niveles, modificar cada rama y observar la caída de bolas: cada bola toma una rama con la probabilidad asignada, de modo que las pilas finales convergen hacia las probabilidades exactas, recreando una simulación de Monte Carlo como las descritas por Nicholas Metropolis y Stanislaw Ulam en 1949.

Condicionar por una evidencia aísla solo las bolas compatibles con ella. Al pulsar una hoja o elegir un resultado en Evidence, las bolas no coincidentes se desvanecen; la fracción de bolas restantes asociadas a la causa corresponde a la probabilidad a posteriori, resuelta mediante la regla de Bayes, P(A | E) = P(E | A) × P(A) ÷ P(E), formulada a partir del ensayo de Thomas Bayes publicado por Richard Price en 1763. El ejemplo Medical test ilustra la importancia de este cálculo: si 1 de cada 100 personas padece una enfermedad y la prueba detecta el 90% de los casos pero arroja un 9% de falsos positivos en personas sanas, dar positivo implica solo un 9% de probabilidad real de estar enfermo, ya que la gran mayoría sana genera casi todos los positivos. Invierte el árbol para ver el proceso con la evidencia al inicio, donde la probabilidad a posteriori figura como rama directa.

Razonar con frecuencias absolutas resulta más intuitivo que con porcentajes, como demostraron Gerd Gigerenzer y Ulrich Hoffrage en 1995. Por ello, la vista 1,000 cases muestra los casos esperados (personas, taxis, juegos o correos) mediante iconos: unas 98 pruebas positivas, de las cuales solo 9 corresponden a enfermos. Explora el problema del taxi de Amos Tversky y Daniel Kahneman, la paradoja de Monty Hall planteada por Steve Selvin en 1975, dos pruebas sucesivas o un filtro de spam, y descarga los recuentos en CSV o graba la simulación.

Cómo usar Árbol de probabilidad y Bayes

  1. Elige un problema. Selecciona Medical test, Second test, Taxi cab, Monty Hall o Spam filter, o construye un árbol personalizado en Tree y Chances.
  2. Observa las bolas. Las bolas descienden desde Start y toman cada rama según su probabilidad. Los depósitos muestran el recuento por hoja frente a la probabilidad teórica; pulsa Start o Drop 1,000 para lanzar más.
  3. Condiciona según la evidencia. Toca una hoja o nodo, o elige un resultado en Evidence. Las bolas no coincidentes se atenúan y el panel aplica la regla de Bayes con los datos del caso.
  4. Consulta cualquier causa. Usa Chance of o toca un nodo del primer nivel para elegir la causa de la probabilidad a posteriori, como Door 2 en Monty Hall.
  5. Modifica las probabilidades. Ajusta los controles deslizantes en Chances; cada uno fija la probabilidad condicionada al camino previo y su rama gemela se equilibra para sumar siempre el 100%.
  6. Cambia de vista. Flipped tree antepone la evidencia para mostrar la probabilidad a posteriori en una rama, y 1,000 cases expresa las mismas probabilidades como recuentos de personas.
  7. Exportar. Guarda una imagen en PNG, un vídeo o GIF, o descarga el recuento de las hojas junto a sus probabilidades exactas en formato CSV.

Preguntas frecuentes

¿Qué es un árbol de probabilidad?

Un diagrama que modela un proceso aleatorio por etapas. Cada rama indica la probabilidad condicionada de su resultado dados los pasos previos, las opciones que parten de un mismo nodo suman 1, y la probabilidad de un trayecto completo es el producto de las probabilidades que lo forman. Sumar los trayectos asociados a un suceso da la probabilidad total de dicho suceso.

¿Qué es el teorema de Bayes?

Una fórmula que invierte el orden de una probabilidad condicionada: P(A | E) = P(E | A) × P(A) ÷ P(E). En ella, P(A) es la probabilidad a priori de la causa, P(E | A) es la verosimilitud de la evidencia si la causa es cierta, y P(E) es la probabilidad global de la evidencia. En el árbol, P(E) es la suma de los trayectos que acaban en E, y la posterior P(A | E) es la fracción de esos trayectos originados en A.

¿Por qué dar positivo en una prueba rara vez confirma la enfermedad?

Porque la prevalencia inicial es muy baja. En Medical test, solo el 1% de la población está enferma: de 1.000 personas, unas 10 enferman y 9 dan positivo, pero el 9% de las 990 personas sanas (unas 89) también da positivo. De los casi 98 positivos totales, solo 9 están enfermos realmente (cerca del 9%). Desestimar esta tasa base se conoce como falacia de la frecuencia base; una segunda prueba positiva eleva la probabilidad a un 50%.

¿Cómo funciona el problema de Monty Hall?

Eliges la puerta 1 y el presentador, que sabe dónde está el coche, abre otra puerta con una cabra, por ejemplo la 3. Si el coche está tras la puerta 1, puede abrir cualquiera; si está tras la 2, está obligado a abrir la 3. Que abra la puerta 3 es el doble de probable si el coche está tras la puerta 2, por lo que cambiar de puerta gana 2 de cada 3 veces, como muestra el ajuste predefinido Monty Hall.

¿En qué consiste el problema del taxi?

En la formulación de Tversky y Kahneman, el 85% de los taxis de una ciudad son verdes y el 15% azules. Un testigo afirma que un taxi en fuga era azul, y en las pruebas acierta el 80% de las veces. La mayoría cree que el taxi era con seguridad azul, pero la probabilidad real ronda solo el 41%: al haber tantos taxis verdes, los errores del testigo sobre coches verdes superan a los aciertos con coches azules.

¿Qué aporta la simulación de Monte Carlo?

Muestra de forma visual el origen de la fórmula teórica. Cada bola simula un caso individual, y la fracción de bolas coincidentes asociadas a la causa representa la probabilidad a posteriori obtenida por recuento directo. Al aumentar las bolas lanzadas, la estimación converge hacia la línea teórica discontinua por la ley de los grandes números.

Referencias

  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.