Telegram Group & Telegram Channel
🔷 تخمین، احتمال، نرخ‌های پایه

▪️به این سؤال توجه کنید:
بیماری‌ مشخصی به‌طور میان‌گین یک نفر از هر هزار نفر را مبتلا می‌کند. برای تشخیص این بیماری آزمایشی پزشکی طراحی شده است. آزمایش در پنج درصد موارد خطا دارد، به این معنی که نتیجه‌اش برای شخصی که بیمار نیست مثبت می‌شود. فرض کنید به شخصی برمی‌خورید که نتیجه‌ٔ آزمایش‌اش مثبت است. شما چیزی در مورد بیماری و علائم آن نمی‌دانید و فقط بر مبنای نتیجهٔ‌ آزمایش و اطلاعات آماری قضاوت می‌کنید. چند درصد احتمال دارد که این شخص واقعاً بیمار باشد؟ *

▪️بسیاری از ما خواسته یا ناخواسته بر اساس اطلاعات موجود احتمال وقوع پدیده‌ها را تخمین می‌زنیم ولی خیلی‌ وقت‌ها بخش مهمی از اطلاعات را نادیده می‌گیریم. مثلاً در پرسش بالا اغلب به جمله‌ٔ اول توجه نمی‌شود و پاسخی که داده می‌‌شود چیزی در حدود ۹۵ درصد است. درحالی‌که پاسخ درست حدود ۲ درصد است! بله، درست است. در این مثال فقط ۲ درصد احتمال دارد که شخصی که جواب آزمایش‌اش مثبت است واقعاً بیمار باشد.

پاسخ این سؤال را می‌توان به سادگی با استفاده از قاعده‌ی بِیز (Bayes' rule) در نظریه‌ٔ احتمال پیدا کرد ولی حتی کسانی که با نظریه‌ٔ‌ احتمال آشنا نیستند هم با کمی تأمل و دقت به جمله‌ٔ اول سؤال می‌توانند جواب درست را پیدا کنند. اطلاعات جمله‌ٔ اول (ابتلای یک نفر از هر هزار نفر به بیماری) در نظریه‌ٔ احتمال نرخ پایه (base rate) نامیده می‌شود. دانیل کانمن و آموس تورسکی در دهه‌ٔ ۱۹۷۰ میلادی نشان دادند که بی‌توجهی به نرخ‌های پایه می‌تواند به‌ تخمین‌هایی بسیار متفاوت با واقعیت بینجامد.

به‌عنوان یک مثال دیگر فرض کنید یک الگوریتم تشخیص چهره، با استفاده از تصاویر ثبت شده در دوربین مدار بسته، چهره‌ٔ شخصی را به‌عنوان یک تروریست شناسایی می‌کند. اگر احتمال خطای الگوریتم کمتر از یک درصد باشد، چه‌قدر احتمال دارد که شخص شناسایی شده واقعاً تروریست باشد؟ نرخ پایه در این مثال چیست؟ 

▪️تخمین نادرست یا کم‌دقت می‌تواند بسیار هزینه‌ساز باشد. بهتر نیست کمی بیشتر مراقب حدس‌ها و برآوردهایمان باشیم؟ 

* این مثال را می‌توان در مراجع متعددی پیدا کرد که سرچشمهٔ همه‌ٔ آن‌ها مقالهٔ زیر است. نگاهی به آن خالی از لطف نیست:

Amos Tversky  and Daniel Kahneman, “Evidential Impact of Base Rates” (1981).

@k1samani_channel



group-telegram.com/k1samani_channel/55
Create:
Last Update:

🔷 تخمین، احتمال، نرخ‌های پایه

▪️به این سؤال توجه کنید:
بیماری‌ مشخصی به‌طور میان‌گین یک نفر از هر هزار نفر را مبتلا می‌کند. برای تشخیص این بیماری آزمایشی پزشکی طراحی شده است. آزمایش در پنج درصد موارد خطا دارد، به این معنی که نتیجه‌اش برای شخصی که بیمار نیست مثبت می‌شود. فرض کنید به شخصی برمی‌خورید که نتیجه‌ٔ آزمایش‌اش مثبت است. شما چیزی در مورد بیماری و علائم آن نمی‌دانید و فقط بر مبنای نتیجهٔ‌ آزمایش و اطلاعات آماری قضاوت می‌کنید. چند درصد احتمال دارد که این شخص واقعاً بیمار باشد؟ *

▪️بسیاری از ما خواسته یا ناخواسته بر اساس اطلاعات موجود احتمال وقوع پدیده‌ها را تخمین می‌زنیم ولی خیلی‌ وقت‌ها بخش مهمی از اطلاعات را نادیده می‌گیریم. مثلاً در پرسش بالا اغلب به جمله‌ٔ اول توجه نمی‌شود و پاسخی که داده می‌‌شود چیزی در حدود ۹۵ درصد است. درحالی‌که پاسخ درست حدود ۲ درصد است! بله، درست است. در این مثال فقط ۲ درصد احتمال دارد که شخصی که جواب آزمایش‌اش مثبت است واقعاً بیمار باشد.

پاسخ این سؤال را می‌توان به سادگی با استفاده از قاعده‌ی بِیز (Bayes' rule) در نظریه‌ٔ احتمال پیدا کرد ولی حتی کسانی که با نظریه‌ٔ‌ احتمال آشنا نیستند هم با کمی تأمل و دقت به جمله‌ٔ اول سؤال می‌توانند جواب درست را پیدا کنند. اطلاعات جمله‌ٔ اول (ابتلای یک نفر از هر هزار نفر به بیماری) در نظریه‌ٔ احتمال نرخ پایه (base rate) نامیده می‌شود. دانیل کانمن و آموس تورسکی در دهه‌ٔ ۱۹۷۰ میلادی نشان دادند که بی‌توجهی به نرخ‌های پایه می‌تواند به‌ تخمین‌هایی بسیار متفاوت با واقعیت بینجامد.

به‌عنوان یک مثال دیگر فرض کنید یک الگوریتم تشخیص چهره، با استفاده از تصاویر ثبت شده در دوربین مدار بسته، چهره‌ٔ شخصی را به‌عنوان یک تروریست شناسایی می‌کند. اگر احتمال خطای الگوریتم کمتر از یک درصد باشد، چه‌قدر احتمال دارد که شخص شناسایی شده واقعاً تروریست باشد؟ نرخ پایه در این مثال چیست؟ 

▪️تخمین نادرست یا کم‌دقت می‌تواند بسیار هزینه‌ساز باشد. بهتر نیست کمی بیشتر مراقب حدس‌ها و برآوردهایمان باشیم؟ 

* این مثال را می‌توان در مراجع متعددی پیدا کرد که سرچشمهٔ همه‌ٔ آن‌ها مقالهٔ زیر است. نگاهی به آن خالی از لطف نیست:

Amos Tversky  and Daniel Kahneman, “Evidential Impact of Base Rates” (1981).

@k1samani_channel

BY دِرَنـــگ


Warning: Undefined variable $i in /var/www/group-telegram/post.php on line 260

Share with your friend now:
group-telegram.com/k1samani_channel/55

View MORE
Open in Telegram


Telegram | DID YOU KNOW?

Date: |

The channel appears to be part of the broader information war that has developed following Russia's invasion of Ukraine. The Kremlin has paid Russian TikTok influencers to push propaganda, according to a Vice News investigation, while ProPublica found that fake Russian fact check videos had been viewed over a million times on Telegram. Andrey, a Russian entrepreneur living in Brazil who, fearing retaliation, asked that NPR not use his last name, said Telegram has become one of the few places Russians can access independent news about the war. Telegram was founded in 2013 by two Russian brothers, Nikolai and Pavel Durov. Markets continued to grapple with the economic and corporate earnings implications relating to the Russia-Ukraine conflict. “We have a ton of uncertainty right now,” said Stephanie Link, chief investment strategist and portfolio manager at Hightower Advisors. “We’re dealing with a war, we’re dealing with inflation. We don’t know what it means to earnings.” Apparently upbeat developments in Russia's discussions with Ukraine helped at least temporarily send investors back into risk assets. Russian President Vladimir Putin said during a meeting with his Belarusian counterpart Alexander Lukashenko that there were "certain positive developments" occurring in the talks with Ukraine, according to a transcript of their meeting. Putin added that discussions were happening "almost on a daily basis."
from kr


Telegram دِرَنـــگ
FROM American