機率樹與貝氏定理

建構機率樹並以蒙地卡羅小球下落模擬,透過條件機率觀察貝氏定理的實際運作。

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

機率樹與貝氏定理 的使用體驗如何?

關於 機率樹與貝氏定理

貝氏公式
P(A | E) = P(E | A) × P(A) ÷ P(E)
首次發表
1763 年,由 Richard Price 整理 Thomas Bayes 遺稿發表
醫學檢驗預設
檢驗呈陽性代表真正患病的機率僅約 9%
蒙提霍爾預設
選擇換門的獲勝機率為 2/3

機率樹將隨機過程依層級展開為分支。第一層代表原因(例如某人是否患病),其後的每一層代表證據(例如檢驗結果),其分支機率取決於上方所有路徑。沿著路徑將各分支機率相乘,即可求得整條路徑的發生機率。本工具可建立最多三層的機率樹、自由調整各分支數值,並觀看小球滾落過程:每顆小球依分支機率前進,葉節點累積的小球堆逐步逼近旁邊顯示的精確理論路徑機率,呈現 Nicholas Metropolis 與 Stanislaw Ulam 於 1949 年闡述的蒙地卡羅模擬法。

根據證據進行條件約束只會保留符合條件的小球。點擊葉節點或在 Evidence 中選取結果,不相符的小球便會淡出;剩餘小球中帶有特定原因的比例即為後驗機率,面板中則套用 Richard Price 於 1763 年發表的 Thomas Bayes 論文公式:P(A | E) = P(E | A) × P(A) ÷ P(E)。Medical test 完美詮釋了該定理的重要性:當 100 人中僅有 1 人患病,檢驗能驗出 90% 的患者,卻也會將 9% 的健康人誤判為陽性時,陽性結果代表真正患病的機率僅約 9%,因為多數陽性其實來自龐大的健康群體。翻轉機率樹即可將證據置於前端,後驗機率直接呈現於分支之上。

正如 Gerd Gigerenzer 與 Ulrich Hoffrage 於 1995 年所指出的,以計數思考遠比百分比直觀,因此 1,000 cases 視圖將預期人數(或計程車、遊戲、郵件)繪製為圖示:大約 98 個陽性案例中僅有 9 位真正患病。你可以嘗試 Amos Tversky 與 Daniel Kahneman 提出的計程車問題(Taxi cab)、Steve Selvin 於 1975 年提出的蒙提霍爾問題(Monty Hall)、連續兩次檢驗或垃圾郵件過濾器,並將葉節點統計下載為 CSV 或錄製為模擬動畫。

如何使用 機率樹與貝氏定理

  1. 選擇問題情境. 選取 Medical test、Second test、Taxi cab、Monty Hall 或 Spam filter,亦可在 Tree 與 Chances 下自訂樹狀圖。
  2. 觀察小球運動. 小球從 Start 落下並依機率進入各分支。各收集槽顯示抵達各葉節點的球數與精確理論機率;點擊 Start 或按 Drop 1,000 可投入更多球。
  3. 套用證據條件. 點擊葉節點、內部節點,或在 Evidence 下選取結果。不符合條件的小球會淡出,面板將代入實際數值計算貝氏定理。
  4. 查詢特定原因機率. 使用 Chance of 或點擊第一層節點,選取後驗機率所探討的原因,例如蒙提霍爾問題中的 2 號門。
  5. 調整分支機率. 拖曳 Chances 下的滑桿;每個滑桿代表前置條件下該結果的條件機率,同層相鄰分支會自動聯動以維持總和 100%。
  6. 切換不同檢視. Flipped tree 將證據置於第一層,讓後驗機率直接顯示於分支上;1,000 cases 則以具體人數圖示展現相同機率。
  7. Export(匯出). 儲存為 PNG、影片或 GIF,或將葉節點計數與理論機率匯出為 CSV 檔案。

常見問題

什麼是機率樹?

以階段形式呈現隨機過程的圖表。每個分支標註在前置事件發生下該結果的條件機率,由任一節點出發的分支機率總和為 1,整條路徑的機率為沿途分支機率的乘積。將符合特定事件的所有路徑機率相加,即為該事件的總機率。

什麼是貝氏定理?

用來反轉條件機率的數學公式:P(A | E) = P(E | A) × P(A) ÷ P(E)。其中 P(A) 為原因的先驗機率,P(E | A) 是在該原因成立下出現證據的機率,P(E) 則是該證據出現的總機率。在樹狀圖中,P(E) 是所有以 E 結尾之路徑機率總和,後驗機率 P(A | E) 則是這些路徑中以 A 開頭所佔的比例。

為什麼檢驗陽性往往並不代表真正患病?

因為該疾病本身極為罕見。在 Medical test 情境中,患病率僅為 1%:在 1,000 人中約有 10 人患病,其中 9 人呈陽性;然而 990 名健康人中有 9%(約 89 人)也會呈假陽性。因此在約 98 個陽性個案中僅 9 人確實患病,比例僅約 9%。忽略極低的初始機率被稱為基本比率謬誤(base-rate neglect);若進行第二次檢驗且仍為陽性,患病機率將上升至約 50%。

蒙提霍爾問題是如何運作的?

你選擇了 1 號門,知道汽車所在的主持人打開了另一扇後面是山羊的門(假設為 3 號門)。如果汽車在 1 號門後,主持人可隨意打開另外兩扇門之一;如果汽車在 2 號門後,主持人只能打開 3 號門。因此當汽車在 2 號門後時,主持人打開 3 號門的機率是前者的兩倍,換門有 2/3 的機會獲勝,正如 Monty Hall 預設所示。

什麼是計程車問題?

在 Tversky 與 Kahneman 的版本中,城市中 85% 的計程車是綠色,15% 是藍色。目擊證人指認肇事車輛為藍色,而在辨識測試中其準確率為 80%。多數人會認為該車極可能是藍色,但實際機率僅約 41%;因為綠色計程車數量龐大,目擊者將綠色誤看為藍色的案例數,遠超過正確辨認藍色計程車的次數。

蒙地卡羅模擬的作用是什麼?

它以直觀方式展現公式的來源。每顆小球代表一個隨機個案,符合條件的小球中帶有特定原因的比例,即為透過實體計數估算出的後驗機率。隨著落球數量增多,根據大數法則,估算值會穩定逼近虛線所代表的理論精確值。

參考文獻

  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.