概率树与贝叶斯

构建概率树状图,投下蒙特卡洛小球并根据已知证据筛选条件,亲身体验贝叶斯定理的运作机制。

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

你觉得 概率树与贝叶斯 体验如何?

关于 概率树与贝叶斯

贝叶斯公式
P(A | E) = P(E | A) × P(A) ÷ P(E)
首次发表
1763 年,由 Richard Price 整理 Thomas Bayes 遗稿发表
医学检验预设
单次阳性结果对应的实际患病率仅约 9%
三门问题预设
选择换门的获胜概率达到 2/3

概率树通过树状分支清晰展现多阶段随机过程。第一层表示初始原因(例如个体是否患病),其后的每一层代表一项证据(例如检测结果),后续分支概率取决于此前所有层级的状态。将单条路径上的所有概率相乘,即可得到该完整路径的发生概率。本工具支持构建最多三层的条件概率树、自由调节各分支概率,并以小球下落直观模拟:每颗球按概率选择分支,叶节点堆叠的小球数量逐步逼近理论标注的精确路径概率,生动呈现 Nicholas Metropolis 与 Stanislaw Ulam 于 1949 年提出的蒙特卡洛模拟方法。

按证据进行条件筛选时,仅保留符合条件的小球。点击叶节点或在 Evidence 中选择结果,不匹配的小球便会淡出;剩余小球中包含目标原因的比例即为后验概率。面板会依照 Thomas Bayes 提出、Richard Price 于 1763 年发表的贝叶斯法则 P(A | E) = P(E | A) × P(A) ÷ P(E) 展开计算。Medical test 预设生动说明了该定理的关键价值:当人群患病率为 1%、检测试剂能识别 90% 病例但会误报 9% 健康人时,单次阳性结果对应的实际患病概率仅约 9%,原因在于健康的绝大多数群体贡献了大部分假阳性。切换至翻转树模式可以证据为前置重构树形,使后验概率直接呈现在分支上。

Gerd Gigerenzer 与 Ulrich Hoffrage 在 1995 年证实,自然频数比抽象百分比更有助于概率推理,因此 1,000 例视图以图标形式直观呈现群体(或车辆、游戏、邮件):在 1,000 个案例中约有 98 人呈阳性,其中仅 9 人确诊患病。你可以自由探索 Amos Tversky 与 Daniel Kahneman 的出租车问题、Steve Selvin 于 1975 年提出的三门问题、连续两次检测模型或垃圾邮件过滤器,并将叶节点统计数据下载为 CSV 或录制模拟动画。

如何使用 概率树与贝叶斯

  1. 选择预设问题. 选择 Medical test、Second test、Taxi cab、Monty Hall 或 Spam filter,也可在 Tree 和 Chances 菜单下自行构建概率树。
  2. 观察小球穿行. 小球自 Start 处落下并按分支概率穿行。各收集槽展示实际落入叶节点的计数与理论概率对比;点击 Start 或按 Drop 1,000 可加速投放。
  3. 根据证据进行条件化. 点击叶节点或中间节点,亦可在 Evidence 中选择一项结论。未命中的小球淡出,读数面板即时展示代入具体数值的贝叶斯公式推导。
  4. 查询任意原因概率. 使用 Chance of 菜单或点击第一层节点,指定后验概率所关心的目标原因,例如三门问题中的 Door 2。
  5. 调整分支概率. 拖动 Chances 下的滑动条调节条件概率;关联分支会自动平衡,确保同一分叉节点的概率之和恒为 100%。
  6. 切换可视化视图. Flipped tree 将证据前置以直接在树枝上显示后验概率;1,000 cases 则将抽象百分比转化为直观的个体图标频数。
  7. 导出成果. 支持导出 PNG 图片、录制视频或 GIF,亦可将各叶节点样本计数与精确理论概率保存为 CSV 表格。

常见问题解答

什么是概率树?

概率树是按阶段展示随机事件过程的图表。每个分支标明了在前序条件发生下当前结果的条件概率,自同一节点延伸出的所有分支概率之和为 1。完整路径的概率为该路径上各分支概率的乘积,将满足特定事件的所有路径概率相加即可得出该事件的总概率。

什么是贝叶斯定理?

贝叶斯定理用于实现条件概率的逆转推导:P(A | E) = P(E | A) × P(A) ÷ P(E)。其中 P(A) 为原因的先验概率,P(E | A) 为原因成立时出现该证据的似然度,P(E) 为证据出现的整体边缘概率。在概率树中,P(E) 等于所有以证据 E 结尾的路径概率总和,而后验概率 P(A | E) 则是这些路径中以 A 开头的路径所占的份额。

为什么检测呈阳性往往并不意味着真的患病?

因为罕见疾病的先验发生率极低。在 Medical test 预设中,患病率仅为 1%:在 1,000 人中约 10 人患病且其中 9 人检测呈阳性;但 990 名健康人中会有 9%(约 89 人)被误报为阳性。因此约 98 个阳性结果中只有 9 人真正患病,患病率仅约 9%。忽视初始基础概率被称为基础概率谬误(base-rate neglect),若进行第二次阳性复检,患病概率将大幅提升至约 50%。

三门问题(Monty Hall)的原理是什么?

假定你选了 1 号门,知晓汽车位置的主持人打开了剩下门中有山羊的 3 号门。若汽车在 1 号门后,主持人可以任选 2 号或 3 号门打开;若汽车在 2 号门后,主持人必须打开 3 号门。因此当汽车在 2 号门后时,主持人打开 3 号门的概率翻倍。选择换门会使获胜概率提高到 2/3,如 Monty Hall 预设所示。

什么是出租车问题?

在 Tversky 与 Kahneman 的经典问题中,某市 85% 的出租车为绿色,15% 为蓝色。目击者称肇事车辆为蓝色,测试显示其识别准确率为 80%。许多人直觉认为肇事车大概率是蓝色,但计算表明概率仅约 41%。原因在于绿色出租车基数过于庞大,目击者将其误认成蓝车的绝对数量甚至超过了正确认出蓝车的数量。

蒙特卡洛模拟在此处的作用是什么?

它直观揭示了公式背后的统计本质。每个小球代表一个随机样本,符合条件的球中包含特定原因的比例即为后验概率的经验估值。根据大数定律,随着下落小球数量增多,该估值会稳定收敛于虚线所示的理论精确值。

参考文献

  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.