Olasılık Ağacı ve Bayes
Bir olasılık ağacı kurun, Monte Carlo toplarını bırakın ve Bayes teoreminin kanıtlarla nasıl işlediğini canlı izleyin.
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.
Olasılık Ağacı ve Bayes deneyiminiz nasıl?
Olasılık Ağacı ve Bayes Hakkında
- Bayes kuralı
- P(A | E) = P(E | A) × P(A) ÷ P(E)
- İlk yayımlanma
- 1763, Richard Price tarafından Thomas Bayes'in notlarından
- Tıbbi test şablonu
- Pozitif bir test yaklaşık %9 hastalık olasılığı anlamına gelir
- Monty Hall şablonu
- Kapıyı değiştirmek 3 oyundan 2'sini kazandırır
Bir olasılık ağacı, rastgele bir süreci dallar halinde sergiler. İlk seviye bir kişinin hasta olup olmaması gibi temel nedeni gösterir; sonraki her seviye ise dal olasılıkları kendisinden öncekilere bağlı olan test sonucu gibi bir kanıttır. Bir yol boyunca olasılıkları çarpmak, o yolun tamamının gerçekleşme olasılığını verir. Bu araç en fazla üç seviyeli bir ağaç oluşturmanıza, her dalı düzenlemenize ve içinden topların düşüşünü izlemenize imkan tanır: her top dallara olasılıkları oranında yönelir; böylece yapraklardaki birikimler yanlarında gösterilen kesin yol olasılıklarına doğru büyür; bu, Nicholas Metropolis ve Stanislaw Ulam'ın 1949'da tanımladığı anlamda bir Monte Carlo simülasyonudur.
Bir kanıtı koşullandırmak yalnızca onunla eşleşen topları tutar. Bir yaprağa dokunduğunuzda veya Evidence altından bir sonuç seçtiğinizde eşleşmeyen toplar solar; kalan toplar içinde ilgili nedene sahip olanların oranı soncul (posterior) olasılığı verir. Panel bu değeri Richard Price'ın 1763'te Thomas Bayes'in çalışmalarından yayımladığı Bayes kuralıyla, yani P(A | E) = P(E | A) × P(A) ÷ P(E) formülüyle çözer. Medical test şablonu bu kuralın neden önemli olduğunu gösterir: 100 kişiden 1'i hastayken ve test vakaların %90'ını yakalayıp sağlıklı kişilerin de %9'unda hatalı pozitif veriyorsa, pozitif bir sonuç yalnızca yaklaşık %9 hastalık olasılığı anlamına gelir; çünkü pozitiflerin çoğunu sağlıklı çoğunluk üretir. Kanıtı ilk sıraya almak ve soncul olasılığı bir dalda görmek için ağacı ters çevirin.
Gerd Gigerenzer ve Ulrich Hoffrage'in 1995'te gösterdiği gibi, sayılarla akıl yürütmek yüzdelerle düşünmekten daha kolaydır; bu yüzden 1,000 cases görünümü beklenen insanları (veya taksileri, oyunları ya da e-postaları) simgeler halinde çizer: yaklaşık 98 pozitif, bunların 9'u gerçekten hasta. Amos Tversky ve Daniel Kahneman'ın Taxi cab problemini, Steve Selvin'in 1975'te ortaya koyduğu Monty Hall problemini, art arda iki testi veya bir spam filtresini deneyin; ardından yaprak sayılarını CSV olarak indirin ya da simülasyonu kaydedin.
Olasılık Ağacı ve Bayes Nasıl Kullanılır?
- Bir problem seçin. Medical test, Second test, Taxi cab, Monty Hall veya Spam filter şablonlarından birini seçin ya da Tree ve Chances altından kendi ağacınızı kurun.
- Topları izleyin. Toplar Start noktasından düşer ve her dala olasılığına göre yönelir. Hazneler her yaprakta kaç topun biriktiğini kesin olasılıkla kıyaslar; daha fazlası için Start üzerine dokunun veya Drop 1,000 düğmesine basın.
- Kanıta göre koşullandırın. Bir yaprağa veya düğüme dokunun ya da Evidence altından bir sonuç seçin. Uymayan toplar solar ve gösterge Bayes kuralını sayılar yerine konmuş olarak adım adım çözer.
- Herhangi bir nedeni sorgulayın. Chance of seçeneğini kullanın veya soncul olasılığın hangi nedene ait olacağını belirlemek için birinci seviyedeki bir düğüme (örneğin Monty Hall'da Kapı 2'ye) dokunun.
- Olasılıkları değiştirin. Chances altındaki kaydırıcıları sürükleyin; her biri önceki sonuçlara bağlı bir olasılıktır ve kardeş dal otomatik ayarlanarak dalların toplamı her zaman %100 kalır.
- Görünümleri değiştirin. Flipped tree kanıtı ilk sıraya koyarak soncul olasılığı bir dal olarak gösterir; 1,000 cases ise aynı olasılıkları kişi sayıları olarak sunar.
- Dışa aktarın. PNG, video veya GIF olarak kaydedin ya da yaprak sayılarını kesin olasılıklarıyla birlikte CSV dosyası olarak indirin.
Sıkça sorulan sorular
Olasılık ağacı nedir?
Aşamalı bir rastgele sürecin diyagramıdır. Her dal kendisinden önceki dallar verildiğinde o sonucun gerçekleşme olasılığıyla etiketlenir, bir düğümden çıkan olasılıkların toplamı 1 eder ve bir yolun tamamının olasılığı yol boyunca uzanan olasılıkların çarpımıdır. Bir olayla eşleşen tüm yollar toplandığında o olayın olasılığı elde edilir.
Bayes teoremi nedir?
Koşullu bir olasılığı tersine çevirir: P(A | E) = P(E | A) × P(A) ÷ P(E). Burada P(A) nedenin öncül (prior) olasılığı, P(E | A) neden doğru olduğunda kanıtın ortaya çıkma olasılığı ve P(E) kanıtın genel olasılığıdır. Ağaçta P(E), E ile biten tüm yolların toplamıdır; soncul P(A | E) ise bu yolların A ile başlayan payıdır.
Pozitif bir test sonucu neden çoğunlukla hasta olmadığınız anlamına gelir?
Çünkü durum çok nadirdir. Medical test örneğinde insanların %1'i hastadır: 1.000 kişiden yaklaşık 10'u hastadır ve 9'unun testi pozitif çıkar; ancak 990 sağlıklı kişinin %9'u, yani yaklaşık 89 kişi de pozitif çıkar. Dolayısıyla yaklaşık 98 pozitif sonucun yalnızca 9'u gerçekten hastadır (yaklaşık %9). Düşük başlangıç olasılığını göz ardı etmeye temel oran ihmali denir; ikinci bir pozitif test ise olasılığı yaklaşık %50'ye yükseltir.
Monty Hall problemi nasıl çalışır?
Siz 1. kapıyı seçersiniz ve arabanın nerede olduğunu bilen sunucu arkasında keçi olan başka bir kapıyı (örneğin 3. kapıyı) açar. Araba 1. kapının arkasındaysa sunucu iki kapıdan birini açabilir; ancak araba 2. kapının arkasındaysa mutlaka 3. kapıyı açmak zorundadır. Sunucunun 3. kapıyı açma olasılığı araba 2. kapıdayken iki kat daha fazladır; bu yüzden kapı değiştirmek Monty Hall şablonunda görüldüğü gibi 3 oyundan 2'sini kazandırır.
Taksi problemi nedir?
Tversky ve Kahneman'ın kurgusunda bir şehirdeki taksilerin %85'i yeşil, %15'i mavidir. Bir görgü tanığı kazaya karışan taksinin mavi olduğunu iddia eder ve testlerde %80 oranında doğru tespit yaptığı bilinir. Çoğu insan taksinin muhtemelen mavi olduğunu düşünür, ancak gerçek olasılık yalnızca yaklaşık %41'dir; çünkü yeşil taksilerin sayısı o kadar fazladır ki tanığın yeşil taksilerdeki hataları doğru mavi bildirimlerinin sayısını aşar.
Monte Carlo simülasyonu ne sağlar?
Formülün nereden geldiğini somutlaştırır. Her top rastgele bir durumu temsil eder ve kanıtla eşleşen toplar içinde nedene sahip olanların payı sayım yoluyla tahmin edilen soncul olasılığı verir. Düşen top sayısı arttıkça bu tahmin, büyük sayılar yasası gereğince kesikli çizgiyle gösterilen kesin değere oturur.
Kaynaklar
- 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.





