Árvore de Probabilidades e Bayes

Crie uma árvore de probabilidades, solte bolinhas de Monte Carlo e use evidências para ver o teorema de Bayes agir.

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

O que está achando de Árvore de Probabilidades e Bayes?

Sobre Árvore de Probabilidades e Bayes

Fórmula de Bayes
P(A | E) = P(E | A) × P(A) ÷ P(E)
Primeira publicação
1763, por Richard Price a partir dos escritos de Thomas Bayes
Cenário de teste médico
Um teste positivo indica cerca de 9% de probabilidade real de doença
Cenário de Monty Hall
Trocar de escolha vence em 2 de cada 3 rodadas

Uma árvore de probabilidades esquematiza processos aleatórios em ramificações claras. O primeiro nível representa a causa primária, como a presença ou ausência de uma doença, enquanto os níveis subsequentes representam evidências, como o resultado de exames clínicos, cujas probabilidades nos ramos dependem das condições anteriores. Multiplicar as probabilidades ao longo de um trajeto fornece a probabilidade conjunta desse caminho específico. Esta ferramenta permite construir árvores com até três níveis, ajustar cada ramo e observar a descida de esferas: cada esfera segue um caminho conforme sua probabilidade, acumulando-se nas folhas de modo a convergir para os valores teóricos, compondo uma simulação de Monte Carlo nos moldes formulados por Nicholas Metropolis e Stanislaw Ulam em 1949.

O condicionamento por evidência isola apenas as esferas que satisfazem os critérios observados. Ao tocar em uma folha ou selecionar um desfecho em Evidence, as esferas que não correspondem ao filtro tornam-se translúcidas; a proporção das esferas restantes vinculadas à causa inicial representa a probabilidade a posteriori, calculada matematicamente pelo teorema de Bayes: P(A | E) = P(E | A) × P(A) ÷ P(E), formulado a partir dos manuscritos de Thomas Bayes publicados por Richard Price em 1763. O modelo Medical test exemplifica a relevância desse cálculo: quando 1 em cada 100 indivíduos está doente e o exame detecta 90% dos casos, mas gera falso-positivo em 9% dos saudáveis, um resultado positivo acarreta apenas cerca de 9% de chance real de doença, pois a maioria saudável gera a quase totalidade dos resultados positivos. A visualização Flipped tree reposiciona a evidência no primeiro nível, exibindo a probabilidade a posteriori diretamente no ramo.

Raciocinar por contagens naturais costuma ser mais intuitivo do que interpretar porcentagens abstratas, conforme apontado por Gerd Gigerenzer e Ulrich Hoffrage em 1995. Por essa razão, a visualização 1,000 cases mapeia os indivíduos esperados (ou táxis, partidas e mensagens) em formato de ícones: em um cenário médico típico, cerca de 98 pessoas testam positivo, das quais apenas 9 estão doentes. Explore problemas clássicos como o Taxi cab formulado por Amos Tversky e Daniel Kahneman, o problema de Monty Hall proposto por Steve Selvin em 1975, exames laboratoriais consecutivos ou a classificação de spam, exportando os totais das folhas em CSV ou registrando a simulação em vídeo.

Como usar Árvore de Probabilidades e Bayes

  1. Selecione um problema. Escolha entre Medical test, Second test, Taxi cab, Monty Hall ou Spam filter, ou crie uma estrutura própria nos menus Tree e Chances.
  2. Observe as esferas. As esferas caem a partir do Start e percorrem as ramificações de acordo com suas probabilidades. As caixas registram o acúmulo em cada folha em relação à probabilidade exata; toque em Start ou use Drop 1,000 para lançar mais.
  3. Condicione por evidência. Toque em uma folha ou nó, ou selecione um resultado em Evidence. As esferas não correspondentes perdem o destaque e o painel exibe a fórmula do teorema de Bayes preenchida numericamente.
  4. Consulte causas específicas. Acesse Chance of ou clique em um nó do primeiro nível para escolher a hipótese avaliada no cálculo a posteriori, como a Porta 2 no problema de Monty Hall.
  5. Ajuste as probabilidades. Arraste os controles deslizantes em Chances; cada valor define a probabilidade condicional de um nó, recalculando o ramo irmão para que a soma permaneça em 100%.
  6. Alterne as visualizações. O modo Flipped tree posiciona a evidência na raiz para exibir a probabilidade a posteriori diretamente nos ramos, enquanto 1,000 cases apresenta os mesmos dados como contagens populacionais.
  7. Exporte os resultados. Salve imagens em PNG, vídeos ou arquivos GIF, ou baixe a contagem das folhas junto com as probabilidades analíticas exatas em formato CSV.

Perguntas frequentes

O que é uma árvore de probabilidades?

É uma representação esquemática de eventos probabilísticos encadeados em etapas. Cada ramificação recebe o valor da probabilidade condicional associada ao desfecho precedente; a soma das probabilidades originadas em um mesmo nó é sempre igual a 1, e a probabilidade de um trajeto completo resulta da multiplicação dos ramos que o formam. A soma das probabilidades de todos os caminhos que satisfazem um evento define a probabilidade total desse evento.

O que estabelece o teorema de Bayes?

Ele permite inverter o condicionamento probabilístico: P(A | E) = P(E | A) × P(A) ÷ P(E). Nessa relação, P(A) representa a probabilidade a priori da causa, P(E | A) a verossimilhança da evidência diante da causa, e P(E) a probabilidade marginal da evidência. Na representação em árvore, P(E) equivale à soma de todos os trajetos que terminam no evento E, enquanto a probabilidade a posteriori P(A | E) é a fração desses caminhos que se originou em A.

Por que um exame positivo muitas vezes não indica doença?

Devido à raridade da condição na população geral, fenômeno conhecido como negligência da taxa-base. No exemplo Medical test, onde 1% da população está doente, em 1.000 pessoas cerca de 10 têm a enfermidade e 9 testam positivo. Todavia, 9% das 990 pessoas saudáveis (cerca de 89 indivíduos) também recebem falsos-positivos. Assim, apenas 9 dos aproximadamente 98 testes positivos correspondem a indivíduos de fato doentes (cerca de 9%). A realização de um segundo teste positivo independente costuma elevar essa probabilidade para cerca de 50%.

Qual é a lógica da solução do problema de Monty Hall?

Ao escolher inicialmente a porta 1, o apresentador, sabendo a posição do prêmio, revela um bode em uma das outras portas (por exemplo, a porta 3). Se o carro estiver na porta 1, ele pode abrir qualquer uma das duas portas restantes; contudo, se o prêmio estiver na porta 2, ele é obrigado a revelar a porta 3. A abertura da porta 3 é duas vezes mais provável quando o prêmio está na porta 2; portanto, trocar de porta garante a vitória em 2 de cada 3 tentativas, como demonstra o preset Monty Hall.

Em que consiste o problema do táxi?

Na formulação clássica de Tversky e Kahneman, 85% dos táxis de uma localidade são verdes e 15% são azuis. Uma testemunha afirma ter visto um táxi azul em um sinistro, apresentando 80% de acerto em testes visuais. Embora o senso comum deduza que o veículo fosse provavelmente azul, a probabilidade real é de cerca de 41%. Como a frota de táxis verdes é expressivamente maior, os equívocos visuais sobre táxis verdes superam numericamente os reconhecimentos corretos de táxis azuis.

Qual é o papel da simulação de Monte Carlo?

Ela confere concretude empírica às fórmulas teóricas. Cada esfera modela uma ocorrência aleatória individual, e a razão entre as esferas compatíveis associadas à causa inicial constitui a probabilidade a posteriori estimada por contagem direta. Conforme o volume de esferas aumenta, essa estimativa empírica converge para o valor analítico exato indicado pela linha tracejada, em consonância com a lei dos grandes números.

Referências

  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.