Albero delle probabilità e Bayes
Costruisci un albero delle probabilità, lancia palline Monte Carlo e applica le evidenze per osservare il teorema di Bayes.
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.
Come ti trovi con Albero delle probabilità e Bayes?
Cos'è Albero delle probabilità e Bayes
- Regola di Bayes
- P(A | E) = P(E | A) × P(A) ÷ P(E)
- Prima pubblicazione
- 1763, da parte di Richard Price sulla base degli scritti di Thomas Bayes
- Preset test medico
- Un esito positivo comporta una probabilita di malattia pari a circa il 9%
- Preset Monty Hall
- Cambiare porta assicura la vittoria in 2 partite su 3
Un albero di probabilita organizza un processo stocastico in una sequenza di rami. Il primo livello corrisponde alla causa, come l'effettiva presenza di una patologia, e ciascun livello successivo rappresenta un elemento di evidenza, come l'esito di un esame, le cui probabilita dipendono dai nodi a monte. Moltiplicando le probabilita lungo un percorso si ottiene la probabilita congiunta di quella specifica combinazione. Questo strumento consente di creare alberi fino a tre livelli, modificare ciascun ramo e osservare la caduta delle palline: ciascuna sceglie i rami con la probabilita assegnata, formando accumuli sulle foglie che convergono verso i valori teorici indicati a fianco, secondo l'approccio Monte Carlo formulato da Nicholas Metropolis e Stanislaw Ulam nel 1949.
Condizionare rispetto all'evidenza equivale a trattenere soltanto le palline compatibili con l'osservazione. Toccando una foglia o selezionando un esito nella sezione Evidence, le palline non pertinenti diventano trasparenti; la frazione di palline residue associate alla causa corrisponde alla probabilita a posteriori. Il pannello ne sviluppa il calcolo applicando la regola di Bayes, P(A | E) = P(E | A) × P(A) ÷ P(E), tratta dal saggio di Thomas Bayes pubblicato da Richard Price nel 1763. L'esempio del test medico illustra l'importanza di questo principio: se solo 1 persona su 100 e malata e il test individua il 90% dei casi ma registra falsi positivi nel 9% dei sani, un esito positivo corrisponde a una probabilita reale di malattia di appena il 9% circa, poiche la stragrande maggioranza sana genera quasi tutti i positivi. Invertendo l'albero si visualizzano le medesime probabilita ponendo prima l'evidenza, con la probabilita a posteriori posizionata direttamente su un ramo.
I conteggi assoluti risultano assai piu intuitivi delle percentuali, come dimostrato da Gerd Gigerenzer e Ulrich Hoffrage nel 1995. Per questo la vista a 1.000 casi mostra le frequenze naturali attese sotto forma di icone (persone, taxi, partite o email): ad esempio circa 98 esiti positivi, dei quali soltanto 9 realmente malati. Esplora il problema del taxi di Amos Tversky e Daniel Kahneman, il dilemma di Monty Hall proposto da Steve Selvin nel 1975, due test diagnostici in sequenza o un filtro antispam, per poi scaricare i conteggi delle foglie in CSV o registrare l'animazione.
Come usare Albero delle probabilità e Bayes
- Seleziona un problema. Scegli Medical test, Second test, Taxi cab, Monty Hall o Spam filter, oppure costruisci una struttura personalizzata nelle sezioni Tree e Chances.
- Osserva le palline. Le palline cadono da Start seguendo i rami secondo la probabilita indicata. I contenitori alle foglie confrontano i conteggi effettivi con i valori teorici; tocca Start o premi Drop 1,000 per aggiungerne altre.
- Condiziona rispetto all'evidenza. Tocca una foglia o un nodo, oppure imposta un esito sotto Evidence. Le palline incompatibili sfumano e il pannello calcola la formula di Bayes con i valori numerici inseriti.
- Esamina una causa specifica. Usa Chance of o tocca un nodo di primo livello per indicare la causa su cui calcolare la probabilita a posteriori, ad esempio la Porta 2 nel problema di Monty Hall.
- Modifica le probabilita. Trascina i cursori sotto Chances: ciascuno controlla la probabilita di un esito condizionato a quelli precedenti, ricalcolando automaticamente il ramo adiacente affinche la somma rimanga al 100%.
- Cambia visualizzazione. Flipped tree antepone l'evidenza mostrando la probabilita a posteriori direttamente sui rami, mentre 1,000 cases illustra le probabilita come frequenze naturali su una popolazione di riferimento.
- Export. Salva un'immagine PNG, registra un video o una GIF, oppure scarica i dati delle foglie con le probabilita esatte in un file CSV.
Domande frequenti
Cos'e un albero di probabilita?
Un diagramma che illustra un processo casuale strutturato in fasi successive. Ciascun ramo riporta la probabilita del relativo esito condizionata agli esiti che lo precedono, la somma delle probabilita uscenti da un nodo e sempre uguale a 1 e la probabilita di un percorso completo equivale al prodotto delle probabilita lungo i suoi rami. Sommando i rami che soddisfano un determinato evento si ricava la probabilita complessiva di quell'evento.
In cosa consiste il teorema di Bayes?
Permette di invertire una probabilita condizionata: P(A | E) = P(E | A) × P(A) ÷ P(E). In questa formula P(A) e la probabilita a priori della causa, P(E | A) e la verosimiglianza dell'evidenza data la causa e P(E) e la probabilita totale dell'evidenza osservata. Nell'albero P(E) e la somma di tutti i percorsi che terminano in E, mentre la probabilita a posteriori P(A | E) rappresenta la quota di tali percorsi che ha origine in A.
Perche un test positivo spesso non indica la presenza della malattia?
A causa della rarita della patologia nella popolazione generale. Nel preset Medical test la prevalenza e dell'1%: su 1.000 individui i malati sono circa 10, di cui 9 positivi al test; tuttavia il 9% dei 990 sani (circa 89 persone) risulta anch'esso positivo. Di conseguenza, su circa 98 esiti positivi totali, solo 9 sono effettivamente malati (circa il 9%). Trascurare la probabilita di base e un errore cognitivo noto come fallacia del tasso di base; un secondo esito positivo consecutivo innalza la probabilita a circa il 50%.
Come funziona il paradosso di Monty Hall?
Il concorrente sceglie la porta 1 e il conduttore, conoscendo l'esatta posizione dell'automobile, apre un'altra porta rivelando una capra, ad esempio la 3. Se l'auto e dietro la porta 1, il conduttore puo scegliere indifferentemente una delle altre due porte; se si trova dietro la porta 2, e obbligato ad aprire la porta 3. L'apertura della porta 3 ha probabilita doppia quando l'auto si trova dietro la porta 2: cambiare scelta assicura quindi la vittoria in 2 casi su 3, come illustrato dal preset Monty Hall.
Cos'e il problema del taxi?
Nella versione formulata da Tversky e Kahneman, l'85% dei taxi in citta e verde e il 15% e blu. Un testimone afferma che il taxi coinvolto in un incidente era blu, dimostrando un'accuratezza dell'80% nei test visivi. La maggior parte delle persone deduce che il veicolo fosse probabilmente blu, ma la probabilita effettiva e solo del 41% circa: la grande maggioranza di taxi verdi fa si che gli errori di riconoscimento su questi ultimi superino numericamente le corrette identificazioni di taxi blu.
Qual e il valore aggiunto della simulazione Monte Carlo?
Rende visibile l'origine empirica della formula. Ciascuna pallina rappresenta un singolo caso casuale, e la proporzione di palline compatibili associate alla causa coincide con la probabilita a posteriori stimata per conteggio. Al crescere del numero di palline simulate, la stima converge sul valore teorico esatto (evidenziato dalla linea tratteggiata) in conformita alla legge dei grandi numeri.
Fonti e bibliografia
- 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.





