Дерево ймовірностей і теорема Баєса
Будуйте дерево ймовірностей, запускайте кульки Монте-Карло та враховуйте умови, щоб побачити роботу теореми Баєса.
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.
Як вам Дерево ймовірностей і теорема Баєса?
Про інструмент Дерево ймовірностей і теорема Баєса
- Формула Баєса
- P(A | E) = P(E | A) × P(A) ÷ P(E)
- Перша публікація
- 1763 рік, Річард Прайс за рукописами Томаса Баєса
- Медичний тест
- Позитивний результат відповідає лише близько 9% імовірності хвороби
- Парадокс Монті Голла
- Зміна вибору приносить перемогу у 2 випадках із 3
Дерево ймовірностей розкладає складний випадковий процес на послідовні розгалуження. Перший рівень описує причину (наприклад, наявність хвороби), а кожен наступний рівень відповідає свідченню (наприклад, результату аналізу), імовірності якого залежать від попередніх вузлів. Перемножуючи ймовірності вздовж вибраного шляху, ми отримуємо ймовірність усієї комбінації подій. Цей симулятор дає змогу налаштувати дерево до трьох рівнів, редагувати параметри кожної гілки та спостерігати за падінням кульок: кожна кулька обирає напрямок за заданою ймовірністю, тому висота стовпчиків у кінцевих вузлах відтворює точні ймовірності відповідних шляхів через метод Монте-Карло, сформульований Ніколасом Метрополісом і Станіславом Улямом у 1949 році.
Урахування свідчення залишає лише ті кульки, які збігаються з обраною умовою. Натисніть на кінцевий вузол або оберіть подію в меню Evidence, і невідповідні кульки згаснуть; частка кульок, що залишилися й відповідають досліджуваній причині, є апостеріорною ймовірністю. На панелі наводиться повний розрахунок за теоремою Баєса, P(A | E) = P(E | A) × P(A) ÷ P(E), опублікованою Річардом Прайсом у 1763 році на основі робіт Томаса Баєса. Приклад Medical test наочно пояснює значущість цієї теореми: якщо хворобу має 1 людина зі 100, тест виявляє 90% хворих, але водночас дає 9% хибнопозитивних результатів серед здорових, то позитивний тест відповідає лише близько 9% реальної ймовірності хвороби, оскільки переважна більшість позитивних тестів надходить від здорової частини населення. Опція Flipped tree відображає ті самі результати з первинним розгалуженням за свідченнями, де апостеріорна ймовірність стає окремою гілкою.
Людям значно простіше мислити абсолютними величинами, ніж частками чи відсотками, що експериментально довели Ґерд Ґіґеренцер та Ульріх Гоффраґе у 1995 році. Тому вигляд 1,000 cases зображує випадки (людей, автомобілі чи листи) піктограмами: у тесті на 1000 осіб буде приблизно 98 позитивних результатів, серед яких лише 9 справді хворі. Досліджуйте задачу про таксі Амоса Тверські та Деніела Канемана, парадокс Монті Голла, запропонований Стівом Селвіном у 1975 році, два тести поспіль або алгоритм спам-фільтра, завантажуйте розподіл у форматі CSV або записуйте перебіг симуляції.
Як користуватися Дерево ймовірностей і теорема Баєса
- Оберіть задачу. Виберіть Medical test, Second test, Taxi cab, Monty Hall чи Spam filter, або налаштуйте власну структуру у вкладках Tree та Chances.
- Запустіть кульки. Кульки починають рух від вузла Start і проходять гілки згідно з імовірностями. Стовпчики показують фактичну кількість на кожному виході порівняно з точною ймовірністю; натисніть Start або Drop 1,000 для додавання кульок.
- Задайте умову свідчення. Натисніть на кінцевий або проміжний вузол, або виберіть результат у Evidence. Невідповідні кульки стануть блідими, а формула Баєса відобразить числові значення у розрахунку.
- Оберіть причину для аналізу. Скористайтеся Chance of або клацніть вузол першого рівня, щоб визначити, для якої причини шукається апостеріорна ймовірність (наприклад, Door 2 у задачі Монті Голла).
- Налаштуйте ймовірності. Перетягуйте повзунки у вкладці Chances; кожне значення задає умовну ймовірність результату за попередніх умов, а сусідні гілки автоматично коригуються до суми 100%.
- Змініть спосіб перегляду. Режим Flipped tree ставить свідчення на перше місце, показуючи апостеріорну ймовірність на самій гілці, а 1,000 cases демонструє розрахунки на прикладі вибірки людей.
- Експортуйте матеріали. Збережіть графіку як PNG, запишіть відео чи GIF або експортуйте дані про кількість кульок і теоретичні ймовірності у файл CSV.
Часті запитання
Що таке дерево ймовірностей?
Це діаграма, яка описує випадковий процес по етапах. Кожна гілка містить умовну ймовірність відповідного результату з урахуванням попередніх кроків, сума ймовірностей із кожного вузла дорівнює 1, а ймовірність повного шляху дорівнює добутку ймовірностей усіх його складових гілок. Додавання ймовірностей шляхів, що приводять до певної події, визначає її повну ймовірність.
У чому полягає теорема Баєса?
Вона дає змогу змінити порядок умовної ймовірності: P(A | E) = P(E | A) × P(A) ÷ P(E). Тут P(A) — апріорна ймовірність причини, P(E | A) — правдоподібність свідчення за наявності цієї причини, а P(E) — повна ймовірність свідчення. У дереві P(E) є сумою всіх шляхів, що завершуються свідченням E, а апостеріорна ймовірність P(A | E) є часткою тих із них, що починалися з причини A.
Чому позитивний тест часто не означає наявність хвороби?
Через рідкісність самого захворювання. У прикладі Medical test хвороба є лише в 1% населення: із 1000 осіб хворіють близько 10, і 9 із них отримують правильний позитивний результат. Проте 9% від 990 здорових людей (приблизно 89 осіб) також отримують хибнопозитивний тест. Отже, лише 9 із приблизно 98 позитивних результатів належать хворим (~9%). Ігнорування низької базової ймовірності називають базовою помилкою оцінки; другий позитивний тест поспіль підвищує оцінку до ~50%.
Як розв'язується парадокс Монті Голла?
Ви обираєте двері 1, після чого ведучий, який знає розташування автомобіля, відчиняє інші двері з козою (наприклад, двері 3). Якщо авто за дверима 1, ведучий міг обрати будь-які з двох дверей; якщо воно за дверима 2, він змушений відкрити саме двері 3. Отже, відчинення дверей 3 удвічі ймовірніше, коли машина стоїть за дверима 2, тому зміна початкового вибору дає виграш у 2 випадках із 3, як демонструє приклад Monty Hall.
У чому суть парадоксу таксі?
У формулюванні Тверські та Канемана 85% таксі міста є зеленими, а 15% — синіми. Свідок ДТП стверджує, що бачив синє таксі; експерименти показали, що його свідчення правильні у 80% випадків. Більшість вважає, що авто справді було синім, але точна ймовірність становить лише близько 41%: через значну перевагу зелених машин свідок частіше помилково називає зелене таксі синім, ніж правильно впізнає справді синє.
Яку роль відіграє симуляція Монте-Карло?
Вона показує практичне походження математичної формули. Кожна кулька є окремим випадковим експериментом, а відсоток тих кульок із зафіксованим свідченням, які водночас мали досліджувану причину, дає емпіричну оцінку апостеріорної ймовірності. Зі збільшенням кількості кульок ця оцінка наближається до точного теоретичного значення (пунктирної лінії) за законом великих чисел.
Джерела та література
- 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.





