Probability Tree at Bayes
Gumawa ng probability tree, maghulog ng Monte Carlo balls, at mag-condition gamit ang ebidensya para makita ang Bayes' theorem.
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.
Kumusta ang paggamit mo ng Probability Tree at Bayes?
Tungkol sa Probability Tree at Bayes
- Bayes' rule
- P(A | E) = P(E | A) × P(A) ÷ P(E)
- Unang inilathala
- 1763, ni Richard Price mula sa mga papel ni Thomas Bayes
- Medical test preset
- Ang positibong test ay nagpapahiwatig ng mga 9% tsansa ng sakit
- Monty Hall preset
- Ang pagpapalit ay nananalo sa 2 sa bawat 3 laro
Inilalatag ng probability tree ang proseso ng tsansa bilang mga sanga. Ang unang antas ay ang sanhi, tulad ng kung ang isang tao ay may sakit, at ang bawat antas kasunod nito ay isang piraso ng ebidensya, tulad ng resulta ng test, kung saan ang mga tsansa ng sanga ay nakadepende sa lahat ng nauna rito. Ang pagpaparami ng mga tsansa sa kahabaan ng isang daan ay nagbibigay ng kabuuang tsansa ng buong daang iyon. Binibigyang-daan ka ng tool na ito na bumuo ng tree na may hanggang tatlong antas, i-edit ang bawat sanga, at panoorin ang pagkahulog ng mga bola: dumadaan ang bawat bola sa bawat sanga batay sa tsansa nito, kaya ang mga bunton sa mga dulo ay lumalaki patungo sa eksaktong path probabilities na ipinapakita sa tabi ng mga ito, isang Monte Carlo simulation ayon sa inilarawan nina Nicholas Metropolis at Stanislaw Ulam noong 1949.
Ang pag-condition sa ebidensya ay nagpapanatili lamang sa mga bolang tumutugma rito. I-tap ang isang dulo o pumili ng resulta sa ilalim ng Evidence, at maglalaho ang mga bolang hindi tumutugma; ang bahagi ng mga natitirang bolang nagtataglay ng sanhi ay ang posterior probability, at kinakalkula ito ng panel gamit ang Bayes' rule, P(A | E) = P(E | A) × P(A) ÷ P(E), mula sa sanaysay ni Thomas Bayes na inilathala ni Richard Price noong 1763. Ipinapakita ng Medical test kung bakit mahalaga ang batas na ito: kapag 1 sa bawat 100 tao ang may sakit at natutukoy ng test ang 90% ng mga kaso ngunit nagpopositibo rin ang 9% ng mga malulusog na tao, ang positibong resulta ay nangangahulugan lamang ng humigit-kumulang 9% tsansa ng pagkakaroon ng sakit, dahil ang malusog na mayorya ang nagdudulot ng karamihan sa mga positibo. I-flip ang tree upang makita ang parehong tsansa kung saan nauuna ang ebidensya, kung saan ang posterior ay nakalagay sa isang sanga.
Mas madaling unawain ang mga bilang kaysa sa mga porsyento, tulad ng ipinakita nina Gerd Gigerenzer at Ulrich Hoffrage noong 1995, kaya iginuguhit ng 1,000 cases view ang mga inaasahang tao (o taxi, laro, o email) bilang mga icon: mga 98 na positibo, kung saan 9 sa kanila ang may sakit. Subukan ang Taxi cab problem nina Amos Tversky at Daniel Kahneman, ang Monty Hall problem na ibinigay ni Steve Selvin noong 1975, dalawang sunod na test, o isang spam filter, pagkatapos ay i-download ang mga bilang sa dulo bilang CSV o i-record ang simulation.
Paano gamitin ang Probability Tree at Bayes
- Pumili ng problema. Pumili ng Medical test, Second test, Taxi cab, Monty Hall, o Spam filter, o bumuo ng tree sa ilalim ng Tree at Chances.
- Panoorin ang mga bola. Bumabagsak ang mga bola mula sa Start at dumadaan sa bawat sanga ayon sa tsansa nito. Ipinapakita ng mga lalagyan kung ilan ang lumapag sa bawat dulo kumpara sa eksaktong tsansa; i-tap ang Start o pindutin ang Drop 1,000 para sa higit pa.
- Mag-condition sa ebidensya. I-tap ang isang dulo o node, o pumili ng resulta sa ilalim ng Evidence. Maglalaho ang mga bolang hindi tumutugma, at ipinapakita ng readout ang Bayes' rule kasama ang mga nailagay na numero.
- Magtanong tungkol sa anumang sanhi. Gamitin ang Chance of, o i-tap ang node sa unang antas, upang piliin kung aling sanhi ang tinutukoy ng posterior, tulad ng Door 2 sa Monty Hall.
- Baguhin ang mga tsansa. I-drag ang mga slider sa ilalim ng Chances; bawat isa ay ang tsansa ng isang resulta batay sa mga naunang resulta, at kusang nag-aayos ang katambal nito upang manatiling 100% ang kabuuan ng mga sanga.
- Palitan ang mga view. Inilalagay ng Flipped tree ang ebidensya sa unahan upang lumitaw ang posterior bilang sanga, at ipinapakita ng 1,000 cases ang parehong tsansa bilang mga bilang ng tao.
- Mag-export. Mag-save ng PNG, video, o GIF, o ang mga bilang sa dulo kasama ang eksaktong mga tsansa nito bilang CSV file.
Mga Madalas Itanong (FAQ)
Ano ang probability tree?
Isang diagram ng proseso ng tsansa na may mga yugto. May label ang bawat sanga ng tsansa ng resulta nito batay sa mga naunang sanga, ang mga tsansang lumalabas sa anumang node ay may kabuuang 1, at ang tsansa ng buong daan ay produkto ng mga tsansa sa kahabaan nito. Ang pagsasama-sama ng mga daang tumutugma sa isang kaganapan ay nagbibigay ng tsansa ng kaganapang iyon.
Ano ang Bayes' theorem?
Binabaligtad nito ang isang conditional probability: P(A | E) = P(E | A) × P(A) ÷ P(E). Dito, ang P(A) ay ang naunang tsansa ng sanhi, ang P(E | A) ay kung gaano malamang ang ebidensya kung totoo ang sanhi, at ang P(E) ay ang pangkalahatang tsansa ng ebidensya. Sa tree, ang P(E) ay kabuuan ng lahat ng daang nagtatapos sa E, at ang posterior P(A | E) ay ang bahagi ng mga daang iyon na nagsisimula sa A.
Bakit madalas na hindi nangangahulugang may sakit ka kapag positibo ang test?
Dahil bihira ang karamdaman. Sa Medical test, 1% ng mga tao ang may sakit: sa 1,000 tao, mga 10 ang may sakit at 9 sa kanila ang magpopositibo sa test, ngunit 9% ng 990 malulusog na tao, mga 89, ang magpopositibo rin. Kaya 9 lamang sa humigit-kumulang 98 positibo ang totoong may sakit, mga 9%. Ang hindi pagpansin sa mababang panimulang tsansa ay tinatawag na base-rate neglect, at ang pangalawang positibong test ay nagtataas ng tsansa sa humigit-kumulang 50%.
Paano gumagana ang Monty Hall problem?
Pipili ka ng pinto 1, at ang host, na nakakaalam kung nasaan ang kotse, ay magbubukas ng ibang pintong may kambing sa likod, dito ay pinto 3. Kung ang kotse ay nasa likod ng pinto 1, maaaring buksan ng host ang alinmang pinto; kung nasa likod ito ng pinto 2, kailangan niyang buksan ang pinto 3. Doble ang posibilidad na buksan ang pinto 3 kapag ang kotse ay nasa likod ng pinto 2, kaya ang pagpapalit ng pinto ay nananalo sa 2 sa bawat 3 laro, tulad ng ipinapakita sa Monty Hall preset.
Ano ang taxi cab problem?
Sa bersyon nina Tversky at Kahneman, 85% ng mga taxi sa isang lungsod ay berde at 15% ay asul. Sinabi ng isang saksi na ang taxi sa isang aksidente ay asul at tama siya nang 80% ng oras sa mga pagsubok. Karamihan sa mga tao ay nagsasabing malamang na asul ang taxi, ngunit ang tsansa ay humigit-kumulang 41% lamang, dahil napakaraming berdeng taxi kaya ang mga pagkakamali ng saksi tungkol sa mga ito ay mas marami kaysa sa mga tamang pagtukoy sa mga asul.
Ano ang idinadagdag ng Monte Carlo simulation?
Ipinapakita nito kung saan nagmumula ang formula. Bawat bola ay kumakatawan sa isang random na kaso, at ang bahagi ng mga tumutugmang bolang may taglay na sanhi ay ang posterior na tinantiya sa pamamagitan ng pagbibilang. Habang dumarami ang mga bolang nahuhulog, ang pagtatantya ay lumalapit sa eksaktong halaga na nakaguhit bilang dashed line, ayon sa law of large numbers.
Mga Sanggunian
- 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.





