Визуализация Теоремы Байеса

Исследуйте, Как Доказательства Обновляют Наши Убеждения

P(A|B) = P(B|A) · P(A) P(B)
Априорная вероятность: убеждение перед seeing доказательств
Правдоподобие: вероятность доказательств, если гипотеза верна
Доказательство: общая вероятность seeing доказательств
Апостериорная вероятность: обновленное убеждение после seeing доказательств

Парадокс Ложноположительного Результата

Тест на редкое заболевание имеет высокую точность, но если вы тестируете положительно, вероятность того, что у вас действительно есть заболевание, может быть намного ниже, чем вы думаете. Давайте посмотрим, почему.

0.01% 10%
50% 100%
0.1% 10%

Когда Тест Положителен

9.0% Вероятность Действительного Наличия Заболевания

Процесс Вычисления (основан на 10 000 человек):

1 Действительно больные люди: 10 人
2 Тест положительный (истинно положительные): ≈10 人
3 Здоровые люди: 9,990 人
4 Ложноположительные: ≈100 人
5 Всего положительных тестов: ≈110 人
6 Реальное заболевание среди положительных: 10 / 110 ≈ 9.0%

Распределение Населения (10 000 человек)

Истинно Положительный (Болен и Тест Положителен)
Ложноотрицательный (Болен и Тест Отрицателен)
Ложноположительный (Здоров и Тест Положителен)
Истинно Отрицательный (Здоров и Тест Отрицателен)

Сравнение Вероятностей

Процесс Байесовского Обновления

Настройте априорную вероятность и правдоподобие, чтобы наблюдать, как изменяется апостериорная вероятность. Это демонстрирует центральный механизм байесовского вывода: как новые доказательства обновляют наши убеждения.

1% 99%

Начальное убеждение перед seeing доказательств

1% 99%

Вероятность доказательств, если гипотеза верна

1% 99%

Общая вероятность seeing доказательств во всех случаях

Апостериорная Вероятность P(H|E)

80.0% Обновленное Убеждение

Вычисление Формулы:

Априори: P(H) = 50%
↓
Доказательство: P(E|H) = 80%
↓
Нормализация: P(E) = 50%
↓
Апостериори: P(H|E) = 80.0%

Диаграмма Отношений Множеств

Гипотеза H
Доказательство E
P(H∩E)

Ключевые Понимания

Априори Важен

Для редких событий, даже при высокой точности теста, положительные результаты могут быть преимущественно ложноположительными. Это связано с тем, что базовая ставка слишком низкая.

Доказательства Обновляют Убеждения

Теорема Байеса предоставляет математическую рамку для того, как рационально обновлять наши убеждения на основе новых доказательств.

Сила Отношения Правдоподобия

Когда доказательства более вероятны при гипотезе, чем при ее отрицании (высокое отношение правдоподобия), доказательства имеют сильную убедительную силу.

Итеративное Обновление

Сегодняшнее апостериори может стать завтрашним априори, что позволяет нам непрерывно накапливать доказательства и постепенно приближаться к истине.