Probability Tree & Bayes (प्रायिकता वृक्ष और बेयेस)
एक प्रायिकता वृक्ष बनाएं, उसमें मोंटे कार्लो गेंदें गिराएं और साक्ष्य के आधार पर बेयेस प्रमेय को काम करते देखें।
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.
Probability Tree & Bayes (प्रायिकता वृक्ष और बेयेस) आपके लिए कैसा काम कर रहा है?
Probability Tree & Bayes (प्रायिकता वृक्ष और बेयेस) के बारे में
- बेयेस का नियम
- P(A | E) = P(E | A) × P(A) ÷ P(E)
- प्रथम प्रकाशन
- 1763, Richard Price द्वारा Thomas Bayes के शोधपत्रों से
- Medical test प्रीसेट
- पॉजिटिव टेस्ट के बाद बीमार होने की संभावना केवल लगभग 9%
- Monty Hall प्रीसेट
- दरवाज़ा बदलने पर 3 में से 2 बार जीत
एक प्रायिकता वृक्ष किसी संभावना-आधारित प्रक्रिया को शाखाओं के रूप में प्रस्तुत करता है। पहला स्तर कारण होता है (जैसे कोई व्यक्ति बीमार है या नहीं) और उसके बाद का प्रत्येक स्तर साक्ष्य होता है (जैसे परीक्षण का परिणाम), जिसकी संभावना ऊपर की शाखाओं पर निर्भर करती है। किसी पूरे पथ की संभावना निकालने के लिए उस पथ की सभी शाखाओं की संभावनाओं का गुणा किया जाता है। यह टूल आपको तीन स्तरों तक का वृक्ष बनाने, हर शाखा को बदलने और गेंदों को गिरते देखने की सुविधा देता है। प्रत्येक गेंद तय संभावना के अनुसार रास्ता चुनती है, जिससे छोर पर जमा ढेर सटीक संभावनाओं को दर्शाता है—ठीक वैसे ही जैसे Nicholas Metropolis और Stanislaw Ulam ने 1949 में मोंटे कार्लो सिमुलेशन के रूप में वर्णित किया था।
साक्ष्य तय करने पर केवल वही गेंदें बचती हैं जो उससे मेल खाती हैं। किसी छोर पर क्लिक करें या Evidence में कोई परिणाम चुनें; गैर-ज़रूरी गेंदें धुंधली हो जाती हैं। बची हुई गेंदों में से कारण से मेल खाने वाली गेंदों का अनुपात ही पश्च प्रायिकता (posterior probability) है। यह पैनल Thomas Bayes के सूत्र P(A | E) = P(E | A) × P(A) ÷ P(E) से इसकी गणना करता है, जिसे Richard Price ने 1763 में प्रकाशित किया था। Medical test दिखाता है कि यह नियम क्यों महत्वपूर्ण है: यदि 100 में से 1 व्यक्ति बीमार है और टेस्ट 90% बीमारों को सही पकड़ता है लेकिन 9% स्वस्थ लोगों को भी गलत पॉजिटिव दिखाता है, तो पॉजिटिव आने पर भी बीमार होने की संभावना केवल 9% होती है। साक्ष्य को पहले देखने के लिए Flipped tree का उपयोग करें।
प्रतिशत की तुलना में पूर्ण संख्याओं को समझना अधिक सरल होता है, जैसा Gerd Gigerenzer और Ulrich Hoffrage ने 1995 में बताया था। इसलिए 1,000 cases दृश्य संभावित लोगों (या टैक्सियों, गेम या ईमेल) को आइकन के रूप में दिखाता है: लगभग 98 पॉजिटिव परिणाम, जिनमें से 9 बीमार हैं। Amos Tversky और Daniel Kahneman की Taxi cab समस्या, Steve Selvin द्वारा 1975 में प्रस्तुत Monty Hall समस्या, लगातार दो टेस्ट या स्पैम फ़िल्टर का परीक्षण करें, फिर छोरों की संख्या को CSV के रूप में डाउनलोड करें।
Probability Tree & Bayes (प्रायिकता वृक्ष और बेयेस) का उपयोग कैसे करें
- समस्या चुनें. Medical test, Second test, Taxi cab, Monty Hall या Spam filter चुनें, या Tree और Chances के तहत नया वृक्ष बनाएँ।
- गेंदों को देखें. गेंदें ऊपर से गिरती हैं और अपनी संभावना के अनुसार शाखाएँ चुनती हैं। नीचे के बॉक्स दिखाते हैं कि प्रत्येक छोर पर कितनी गेंदें पहुँचीं; अधिक गेंदों के लिए Drop 1,000 दबाएँ।
- साक्ष्य लागू करें. किसी छोर या नोड पर क्लिक करें, या Evidence के तहत परिणाम चुनें। जो गेंदें मेल नहीं खातीं वे धुंधली हो जाएँगी और बेयेस नियम से गणना दिखाई देगी।
- कारण चुनें. Chance of का उपयोग करें या पहले स्तर के किसी नोड पर क्लिक करके चुनें कि आप किस कारण की संभावना जानना चाहते हैं, जैसे Monty Hall में Door 2।
- संभावनाएँ बदलें. Chances के तहत स्लाइडर खींचें; प्रत्येक मान पूर्व परिणाम के आधार पर तय होता है, और जुड़ा हुआ दूसरा मान स्वतः बदलता है ताकि योग 100% रहे।
- दृश्य बदलें. Flipped tree साक्ष्य को पहले रखता है जिससे पश्च प्रायिकता शाखा पर दिखती है, और 1,000 cases उसी संभावना को लोगों की संख्या के रूप में दिखाता है।
- Export करें. PNG, वीडियो या GIF सहेजें, या सभी शाखाओं की सटीक संभावनाओं और गेंदों की संख्या को CSV फ़ाइल में डाउनलोड करें।
अक्सर पूछे जाने वाले सवाल
प्रायिकता वृक्ष (probability tree) क्या है?
यह चरणों में होने वाली प्रायिकता प्रक्रिया का एक आरेख है। प्रत्येक शाखा पर पिछले चरणों के आधार पर उसकी संभावना लिखी होती है, किसी भी बिंदु से निकलने वाली शाखाओं का योग 1 होता है, और पूरे पथ की प्रायिकता उसके सभी मानों का गुणनफल होती है। किसी घटना से जुड़े सभी पथों को जोड़ने पर उस घटना की कुल संभावना मिलती है।
बेयेस प्रमेय (Bayes' theorem) क्या है?
यह सशर्त प्रायिकता की दिशा उलट देता है: P(A | E) = P(E | A) × P(A) ÷ P(E)। यहाँ P(A) कारण की प्रारंभिक संभावना है, P(E | A) कारण होने पर साक्ष्य मिलने की संभावना है, और P(E) साक्ष्य की कुल संभावना है। वृक्ष में, P(E) उन सभी पथों का योग है जो E पर समाप्त होते हैं, और P(A | E) उन पथों का अनुपात है जो A से शुरू होते हैं।
पॉजिटिव टेस्ट के बाद भी बीमारी न होने की संभावना अधिक क्यों होती है?
क्योंकि वह बीमारी अत्यंत दुर्लभ होती है। Medical test में केवल 1% लोग बीमार हैं: 1,000 में से लगभग 10 बीमार होंगे और 9 पॉजिटिव पाए जाएँगे। लेकिन 990 स्वस्थ लोगों में से 9% (लगभग 89 लोग) भी गलत पॉजिटिव आएँगे। अतः कुल 98 पॉजिटिव लोगों में केवल 9 ही वास्तव में बीमार हैं (लगभग 9%)। प्रारंभिक कम दर को नज़रअंदाज़ करना बेस-रेट उपेक्षा कहलाता है।
Monty Hall समस्या कैसे काम करती है?
आप दरवाज़ा 1 चुनते हैं, और होस्ट (जिसे पता है कार कहाँ है) बकरी वाला एक अन्य दरवाज़ा खोलता है, मान लीजिए दरवाज़ा 3। यदि कार 1 के पीछे है, तो होस्ट कोई भी दरवाज़ा खोल सकता था; लेकिन यदि कार 2 के पीछे है, तो उसे दरवाज़ा 3 ही खोलना होगा। दरवाज़ा 3 का खुलना कार के दरवाज़ा 2 के पीछे होने पर दोगुना संभावित होता है, इसलिए दरवाज़ा बदलने पर 3 में से 2 बार जीत मिलती है।
टैक्सी समस्या (taxi cab problem) क्या है?
Tversky और Kahneman के अनुसार, शहर में 85% टैक्सियाँ हरी और 15% नीली हैं। एक गवाह दुर्घटना में नीली टैक्सी बताता है, जो परीक्षणों में 80% बार सही साबित होता है। अधिकांश लोग सोचते हैं कि टैक्सी नीली ही होगी, लेकिन वास्तव में इसकी संभावना केवल 41% है, क्योंकि हरी टैक्सियों की भारी संख्या के कारण गवाह की गलतियाँ नीली टैक्सियों की सही पहचान से अधिक हो जाती हैं।
मोंटे कार्लो सिमुलेशन से क्या समझ आता है?
यह दिखाता है कि सूत्र व्यावहारिक रूप से कैसे काम करता है। प्रत्येक गेंद एक यादृच्छिक मामला है, और साक्ष्य से मेल खाने वाली गेंदों में कारण का अनुपात ही पश्च प्रायिकता का अनुमान देता है। जैसे-जैसे अधिक गेंदें गिरती हैं, यह अनुमान बड़ी संख्याओं के नियम के अनुसार सैद्धांतिक मान के सटीक बराबर बैठता जाता है।
संदर्भ
- 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.





