Pohon Probabilitas & Bayes
Bangun diagram pohon probabilitas, luncurkan bola Monte Carlo, lalu tentukan syarat bukti untuk menyaksikan Teorema Bayes beraksi.
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.
Bagaimana pengalaman Anda memakai Pohon Probabilitas & Bayes?
Tentang Pohon Probabilitas & Bayes
- Aturan Bayes
- P(A | E) = P(E | A) × P(A) ÷ P(E)
- Publikasi pertama
- 1763, oleh Richard Price dari catatan Thomas Bayes
- Preset uji medis
- Hasil tes positif menghasilkan sekitar 9% peluang sakit
- Preset Monty Hall
- Beralih pintu memenangkan 2 dari 3 permainan
Pohon probabilitas memetakan proses peluang ke dalam cabang-cabang. Tingkat pertama merupakan penyebab awal, seperti kondisi seseorang sakit atau sehat, dan setiap tingkat berikutnya adalah bukti, seperti hasil tes medis, dengan peluang cabang yang bergantung pada tingkat di atasnya. Mengalikan peluang di sepanjang suatu jalur menghasilkan peluang dari keseluruhan jalur tersebut. Alat ini memungkinkan Anda membangun pohon hingga tiga tingkat, mengedit setiap cabang, dan menyaksikan bola-bola jatuh melaluinya: setiap bola menyusuri cabang sesuai peluangnya, sehingga tumpukan di ujung daun mendekati probabilitas jalur eksak di sampingnya, sebuah simulasi Monte Carlo seperti yang dijelaskan Nicholas Metropolis dan Stanislaw Ulam pada tahun 1949.
Pemberian syarat pada bukti (conditioning) menyaring bola sehingga hanya menyisakan bola yang cocok. Ketuk sebuah daun atau pilih hasil di bawah Evidence, maka bola yang tidak sesuai akan memudar; proporsi bola tersisa yang memiliki penyebab awal merupakan probabilitas posterior. Panel samping menghitungnya dengan rumus Bayes, P(A | E) = P(E | A) × P(A) ÷ P(E), dari esai Thomas Bayes yang diterbitkan Richard Price pada tahun 1763. Preset Medical test memperlihatkan mengapa aturan ini sangat penting: ketika 1 dari 100 orang sakit dan tes mendeteksi 90% kasus tetapi juga keliru menandai 9% orang sehat, hasil positif hanya menghasilkan sekitar 9% peluang benar-benar sakit, karena mayoritas orang sehat menyumbang sebagian besar hasil positif palsu. Balik pohon dengan Flipped tree untuk melihat peluang yang sama dengan bukti di awal.
Menalar dengan jumlah nyata jauh lebih mudah daripada persentase, seperti yang ditunjukkan Gerd Gigerenzer dan Ulrich Hoffrage pada tahun 1995. Oleh karena itu, tampilan 1,000 cases menggambar perkiraan individu (atau taksi, permainan, maupun email) sebagai ikon: sekitar 98 orang positif, yang di antaranya 9 orang benar-benar sakit. Coba masalah Taxi cab dari Amos Tversky dan Daniel Kahneman, masalah Monty Hall yang diajukan Steve Selvin pada tahun 1975, dua tes berturut-turut, atau filter spam, lalu unduh data cacah daun sebagai CSV atau rekam simulasinya.
Cara menggunakan Pohon Probabilitas & Bayes
- Pilih masalah. Pilih Medical test, Second test, Taxi cab, Monty Hall, atau Spam filter, atau buat pohon sendiri di bawah Tree dan Chances.
- Amati jalannya bola. Bola-bola jatuh dari Start dan menyusuri cabang sesuai peluangnya. Kotak di daun menunjukkan jumlah bola terkumpul dibanding peluang teoretis; ketuk Start atau tekan Drop 1,000 untuk menambah bola.
- Tentukan bukti syarat. Ketuk daun atau simpul, atau pilih hasil pada Evidence. Bola yang tidak cocok akan meredup, dan panel pembacaan menguraikan rumus Bayes lengkap dengan angkanya.
- Pilih penyebab yang dicari. Gunakan Chance of, atau ketuk simpul tingkat pertama, untuk memilih penyebab yang dihitung posteriornya, seperti Pintu 2 pada Monty Hall.
- Ubah nilai peluang. Geser penggeser di bawah Chances; masing-masing adalah peluang bersyarat suatu hasil dari hasil sebelumnya, dan simpul pasangannya menyesuaikan otomatis agar totalnya tetap 100%.
- Ubah tampilan. Flipped tree menempatkan bukti di tingkat awal sehingga posterior tampak sebagai cabang, sedangkan 1,000 cases menyajikan peluang yang sama sebagai jumlah individu.
- Ekspor. Simpan gambar PNG, video, atau GIF, atau unduh jumlah bola di daun beserta peluang eksaknya sebagai berkas CSV.
Pertanyaan umum
Apa itu pohon probabilitas?
Diagram yang memetakan proses peluang secara bertahap. Setiap cabang diberi label nilai peluang bersyarat terhadap cabang sebelumnya, jumlah peluang dari simpul mana pun selalu bernilai 1, dan peluang suatu jalur utuh adalah hasil kali peluang di sepanjang jalur tersebut. Menjumlahkan peluang jalur yang memenuhi suatu peristiwa akan menghasilkan total peluang peristiwa itu.
Apa itu teorema Bayes?
Rumus untuk membalik probabilitas bersyarat: P(A | E) = P(E | A) × P(A) ÷ P(E). Di sini P(A) adalah peluang prior dari penyebab, P(E | A) adalah kemungkinan bukti muncul jika penyebabnya benar, dan P(E) adalah peluang total bukti tersebut. Pada diagram pohon, P(E) adalah jumlah semua jalur yang berakhir di E, dan posterior P(A | E) adalah proporsi dari jalur-jalur tersebut yang bermula dari A.
Mengapa hasil tes positif sering kali tidak berarti Anda sakit?
Karena penyakit tersebut langka di populasi. Pada preset Medical test, 1% orang sakit: dari 1.000 orang, sekitar 10 orang sakit dan 9 di antaranya terdeteksi positif, tetapi 9% dari 990 orang sehat, yaitu sekitar 89 orang, juga dinyatakan positif keliru. Jadi hanya 9 dari sekitar 98 orang yang positif benar-benar sakit, atau sekitar 9%. Mengabaikan proporsi dasar ini disebut base-rate neglect, dan tes positif kedua menaikkan peluang tersebut menjadi sekitar 50%.
Bagaimana cara kerja masalah Monty Hall?
Anda memilih pintu 1, lalu pembawa acara yang tahu letak mobil membuka pintu lain yang berisi kambing, misalnya pintu 3. Jika mobil ada di balik pintu 1, pembawa acara bisa membuka pintu mana saja; jika mobil ada di balik pintu 2, ia terpaksa membuka pintu 3. Terbukanya pintu 3 dua kali lebih mungkin terjadi saat mobil ada di balik pintu 2, sehingga beralih pilihan memberi kemenangan 2 dari 3 permainan, seperti yang ditunjukkan oleh preset Monty Hall.
Apa itu masalah taksi (taxi cab problem)?
Dalam teka-teki Tversky dan Kahneman, 85% taksi di suatu kota berwarna hijau dan 15% berwarna biru. Seorang saksi mata kecelakaan menyebut taksi tersebut biru, dan pengujian menunjukkan saksi tersebut benar 80% dari total pengujian. Sebagian besar orang menduga taksi itu kemungkinan besar biru, padahal peluangnya hanya sekitar 41%, karena jumlah taksi hijau yang jauh lebih banyak membuat salah identifikasi terhadap taksi hijau melebihi laporan yang benar tentang taksi biru.
Apa fungsi simulasi Monte Carlo di alat ini?
Simulasi ini menunjukkan asal mula rumus probabilitas secara intuitif. Setiap bola mewakili satu kasus acak, dan proporsi bola yang cocok terhadap penyebab merupakan estimasi posterior lewat pencacahan empiris. Seiring bertambahnya bola yang jatuh, estimasi tersebut akan mendekati nilai eksak garis putus-putus, sesuai hukum bilangan besar.
Referensi
- 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.





