Древо вероятностей и теорема Байеса
Стройте деревья вероятностей, запускайте шарики Монте-Карло и задавайте условия, наглядно применяя теорему Байеса.
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.
Как вам Древо вероятностей и теорема Байеса?
О генераторе Древо вероятностей и теорема Байеса
- Формула Байеса
- P(A | E) = P(E | A) × P(A) ÷ P(E)
- Первая публикация
- 1763 год, Ричард Прайс по заметкам Томаса Байеса
- Шаблон Medical test
- Положительный тест дает лишь около 9% вероятности болезни
- Шаблон Monty Hall
- Смена двери побеждает в 2 случаях из 3
Дерево вероятностей разбивает случайный процесс на последовательные ветви. Первый уровень задает причину (например, наличие заболевания), а каждый последующий шаг отражает свидетельство (например, результат теста), вероятность которого зависит от предыдущей ветви. Перемножение вероятностей вдоль одного пути дает полную вероятность этого совместного исхода. В этом инструменте можно построить дерево до трех уровней, настроить каждую ветвь и запустить поток шариков: каждый шарик выбирает путь в соответствии с вероятностью ветви, формируя на концах распределение, сходящееся к точным математическим значениям, — классический метод Монте-Карло, описанный Николасом Метрополисом и Станиславом Уламом в 1949 году.
Учет свидетельства отсекает нерелевантные исходы. Нажмите на ветвь или выберите событие в блоке Evidence: не подходящие под условие шарики станут полупрозрачными. Доля оставшихся шариков, пришедших из интересующей причины, дает апостериорную вероятность. Панель рассчитывает ее по теореме Байеса: P(A | E) = P(E | A) × P(A) ÷ P(E), сформулированной Томасом Байесом и опубликованной Ричардом Прайсом в 1763 году. Пример Medical test наглядно объясняет природу ложноположительных срабатываний: если болезнь есть у 1 человека из 100, а тест выявляет 90% больных, но ошибается на 9% здоровых, положительный результат дает лишь около 9% вероятности реального заболевания, ведь здоровая часть популяции дает основную массу ложных срабатываний. Включите Flipped tree, чтобы увидеть обращенное дерево с апостериорной вероятностью прямо на ветви.
Оперировать абсолютными частотами людям проще, чем процентами, как доказали Герд Гигеренцер и Ульрих Хоффраге в 1995 году. Поэтому режим 1,000 cases отображает ожидаемую выборку людей (или такси, раундов игры, писем) в виде иконок: около 98 положительных результатов, среди которых лишь 9 человек действительно больны. Разберите задачу о такси Амоса Тверски и Даниэля Канемана, парадокс Монти Холла, описанный Стивом Селвином в 1975 году, двойной тест или спам-фильтр, а затем экспортируйте статистику в CSV или запишите симуляцию.
Как пользоваться Древо вероятностей и теорема Байеса
- Выберите сценарий. Используйте шаблоны Medical test, Second test, Taxi cab, Monty Hall, Spam filter или соберите собственную схему во вкладках Tree и Chances.
- Следите за шариками. Шарики падают из блока Start и распределяются по ветвям согласно шансам. Корзины показывают число шариков и точную вероятность; нажмите Start или Drop 1,000 для добавления.
- Задайте свидетельство. Кликните по узлу или исходу либо задайте условие в меню Evidence. Неподходящие шарики погаснут, а калькулятор покажет формулу Байеса с подставленными числами.
- Исследуйте причину. В меню Chance of или кликом по узлу первого уровня выберите причину, для которой вычисляется вероятность, например Door 2 в задаче Монти Холла.
- Измените вероятности. Передвигайте ползунки в блоке Chances: каждый задает условную вероятность, а парная ветка балансируется автоматически, сохраняя сумму исходов равной 100%.
- Смените проекцию. Режим Flipped tree ставит свидетельство вперед, помещая апостериорный результат на ветвь, а 1,000 cases переводит вероятности в наглядные абсолютные частоты.
- Экспорт результатов. Сохраните диаграмму в PNG, запишите видео или GIF либо выгрузите число исходов и их точные аналитические вероятности в формате CSV.
Часто задаваемые вопросы
Что представляет собой дерево вероятностей?
Это граф, отображающий этапы случайного процесса. Каждая ветвь подписана условной вероятностью при условии реализации предшествующих узлов. Сумма вероятностей ветвей из одного узла равна 1, а вероятность пути равна произведению всех вероятностей вдоль него. Сумма вероятностей путей, приводящих к событию, дает его полную вероятность.
Как работает теорема Байеса?
Она позволяет обратить условную зависимость: P(A | E) = P(E | A) × P(A) ÷ P(E). Здесь P(A) — априорная вероятность гипотезы, P(E | A) — правдоподобие свидетельства при истинности гипотезы, а P(E) — полная вероятность свидетельства. На дереве P(E) — сумма путей, завершающихся исходом E, а апостериорная вероятность P(A | E) — доля путей, начинавшихся с события A.
Почему при положительном тесте болезнь часто отсутствует?
Причина кроется в редкости заболевания. В примере Medical test болеет 1% населения: из 1000 человек больны 10, из них тест выявит 9. Но из 990 здоровых людей 9% (около 89 человек) также получат ложноположительный тест. Всего тест положителен у 98 человек, из которых больны лишь 9 (около 9%). Игнорирование этого называют ошибкой базового процента; повторный тест поднимает вероятность болезни примерно до 50%.
В чем разгадка парадокса Монти Холла?
Вы выбираете дверь 1, а ведущий, знающий расположение призов, открывает другую дверь с козой — например, третью. Если машина за дверью 1, ведущий может открыть любую из оставшихся; если же машина за дверью 2, ведущий вынужден открыть дверь 3. Поэтому дверь 3 открывается в два раза чаще, когда машина именно за дверью 2, и смена выбора приносит победу в 2 случаях из 3, как демонстрирует шаблон Monty Hall.
В чем суть задачи о такси?
В задаче Тверски и Канемана 85% такси в городе — зеленые, а 15% — синие. Свидетель ДТП утверждает, что такси было синим; тесты показывают точность свидетеля в 80%. Большинство считает, что машина действительно была синей, однако реальная вероятность составляет всего около 41%: зеленых такси настолько больше, что ошибочные опознания зеленого такси перевешивают правильные опознания редких синих.
Какова роль симуляции Монте-Карло?
Она наглядно раскрывает происхождение формулы. Каждый шарик — это один случайный исход, а доля оставшихся шариков нужного типа является апостериорной оценкой на основе подсчета частот. По закону больших чисел при падении потока шариков эмпирическая оценка плавно сходится к строгому значению, показанному пунктиром.
Научные источники
- 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.





