หาก 'B มีแนวโน้มว่าจะได้รับ A' มากกว่า 'A ก็จะได้รับ B' มากกว่า


9

ฉันพยายามที่จะทำให้สัญชาตญาณชัดเจนขึ้น: "ถ้าทำให้มีแนวโน้มมากขึ้นก็ทำให้Aมีแนวโน้มมากขึ้น" เช่นABBA

ให้n(S)แทนขนาดของพื้นที่ที่AและBเป็นเช่นนั้น

อ้างสิทธิ์: P(B|A)>P(B)ดังนั้นn(AB)/n(A)>n(B)/n(S)

so n(AB)/n(B)>n(A)/n(S)

อันไหนP(A|B)>P(A)

ฉันเข้าใจคณิตศาสตร์ แต่ทำไมสิ่งนี้ถึงสมเหตุสมผล


1
ฉันแก้ไขคำถามเพื่อลบคำว่า 'ทำ' คำถามนี้ฟังดูคล้ายกับคำถามที่คลุมเครือใน Facebook ผู้ที่คุณต้องแก้พีชคณิตรวมกับรูปภาพและผู้คนได้รับคำตอบที่แตกต่างกันอย่างกว้างขวางเนื่องจากการตีความคำถามที่แตกต่างกัน นั่นไม่ใช่สิ่งที่เราต้องการที่นี่ (ทางเลือกคือปิดคำถามที่ไม่ชัดเจนและให้ OP เปลี่ยนแปลง)
Sextus Empiricus

คำตอบ:


10

ตามสัญชาตญาณตัวอย่างโลกแห่งความจริงเช่น Peter Flom ให้ประโยชน์มากที่สุดสำหรับบางคน อีกสิ่งที่ช่วยให้คนทั่วไปเป็นรูปภาพ ดังนั้นเพื่อให้ครอบคลุมฐานส่วนใหญ่ให้มีรูปภาพ

แผนภาพความน่าจะเป็นแบบมีเงื่อนไขแสดงความเป็นอิสระ แผนภาพความน่าจะเป็นแบบมีเงื่อนไขแสดงการพึ่งพา

สิ่งที่เรามีตรงนี้คือไดอะแกรมพื้นฐานที่แสดงความน่าจะเป็น ครั้งแรกที่แสดงภาคแสดงอิสระสองที่ฉันจะเรียกว่าสีแดงและธรรมดา เป็นที่ชัดเจนว่าพวกเขามีความเป็นอิสระเพราะเส้นเรียงกัน สัดส่วนของพื้นที่ธรรมดาที่เป็นสีแดงเหมือนกับสัดส่วนของพื้นที่แถบที่เป็นสีแดงและยังเป็นสัดส่วนเดียวกันกับสัดส่วนทั้งหมดที่เป็นสีแดง

ในภาพที่สองเรามีการแจกแจงแบบไม่อิสระ โดยเฉพาะเราได้ขยายพื้นที่สีแดงธรรมดาบางส่วนไปยังพื้นที่แถบโดยไม่เปลี่ยนความจริงที่ว่าเป็นสีแดง เห็นได้ชัดว่าการเป็นสีแดงทำให้มีโอกาสมากขึ้น

ในขณะเดียวกันให้ดูที่ด้านธรรมดาของภาพนั้น เห็นได้ชัดว่าสัดส่วนของพื้นที่ธรรมดาที่เป็นสีแดงมากกว่าสัดส่วนของภาพทั้งหมดที่เป็นสีแดง นั่นเป็นเพราะพื้นที่ธรรมดาได้รับพื้นที่มากขึ้นและทั้งหมดเป็นสีแดง

ดังนั้นสีแดงทำให้มีโอกาสมากขึ้นและทำให้เป็นสีแดงมีแนวโน้มมากขึ้น

เกิดอะไรขึ้นที่นี่จริงเหรอ? A เป็นหลักฐานสำหรับ B (นั่นคือ A ทำให้ B มีโอกาสมากขึ้น) เมื่อพื้นที่ที่มีทั้ง A และ B นั้นใหญ่กว่าที่คาดการณ์ไว้หากพวกเขาเป็นอิสระ เนื่องจากจุดตัดระหว่าง A และ B เหมือนกับจุดตัดระหว่าง B และ A นั่นก็หมายความว่า B เป็นหลักฐานของ A

ข้อควรระวังประการหนึ่ง: แม้ว่าการโต้แย้งข้างต้นดูเหมือนจะสมมาตรกันมาก แต่ก็อาจไม่ใช่กรณีที่ความแข็งแกร่งของหลักฐานในทั้งสองทิศทางเท่ากัน ตัวอย่างเช่นพิจารณาภาพที่สามนี้ ที่นี่มีสิ่งเดียวกันเกิดขึ้น: สีแดงธรรมดากินอาณาเขตที่เคยเป็นสีแดงของแถบ ในความเป็นจริงมันทำงานเสร็จสมบูรณ์แล้ว!แผนภาพความน่าจะเป็นแบบมีเงื่อนไขแสดงการพึ่งพาอาศัยสูงสุด

โปรดทราบว่าจุดที่เป็นสีแดงทันทีที่รับประกันความชัดเจนเพราะไม่มีพื้นที่สีแดงเป็นแถบที่เหลือ อย่างไรก็ตามจุดที่เป็นที่ราบไม่รับประกันสีแดงเพราะยังมีบริเวณสีเขียวเหลืออยู่ อย่างไรก็ตามจุดในกล่องเป็นที่ราบเพิ่มโอกาสที่จะเป็นสีแดงและจุดที่เป็นสีแดงเพิ่มโอกาสที่มันเป็นธรรมดา ทั้งสองทิศทางบ่งชี้ว่ามีแนวโน้มมากกว่าโดยไม่เท่ากับจำนวนเดียวกัน


ฉันชอบภาพ :) อย่างไรก็ตามดูเหมือนว่าภาพหรือคำอธิบายพลิก: In the second image, we have non-independent distributions. Specifically, we have moved some of the stripy red area into the plain area without changing the fact that it is red. Clearly then, being red makes being plain more likely. - ภาพที่สองของคุณได้รับพื้นที่ธรรมดากว่าครั้งแรกดังนั้นไปจากภาพที่ 1 ถึง 2 เราได้ย้ายพื้นที่ธรรมดาในพื้นที่แถบ
Pod

ดังนั้นถ้าฉันมีเวนน์ไดอะแกรมที่มีจุดร่วม A, B และทั้งหมดที่ฉันทำคือเพิ่มพื้นที่แยกนั้นฉันจะเพิ่ม A, B โดยอัตโนมัติสำหรับพื้นที่ทั้งหมด (โดยไม่ทำให้พื้นที่ใหญ่ขึ้น) และเปลี่ยน / เพิ่ม n (A ) / n (S) และ n (B) / n (S) เป็นผลลัพธ์ ขวา? มีความคิดเห็นเพิ่มเติมหรือไม่
Rahul Deora

4
สีแดงกับสีเขียวเป็นชุดที่มีปัญหาสำหรับคนตาบอดสี
Richard Hardy

@Pod ฉันคิดว่ามันเป็นความคลุมเครือภาษาธรรมชาติที่คุณกำลังอธิบาย อ่าน "เราได้ย้ายพื้นที่แถบสีแดงบางส่วนไปยังพื้นที่ธรรมดา" เนื่องจาก "เราได้ย้ายพื้นที่บางส่วนที่ก่อนหน้านี้รู้จักกันในชื่อ พื้นที่แถบสีแดงและเปลี่ยนเป็นพื้นที่ธรรมดา" ฉันคิดว่าคุณ [ที่ผิด] อ่านว่า "เราได้ขยายบางส่วนของพื้นที่สีแดง stripy เข้ามาในพื้นที่เป็นที่รู้จักกันธรรมดา"
Peter - Reinstate Monica

21

ฉันคิดว่าวิธีการทางคณิตศาสตร์ของการวางอาจช่วยได้ พิจารณาการอ้างสิทธิ์ในบริบทของกฎของเบย์:

อ้างสิทธิ์: ถ้าดังนั้นP(B|A)>P(B)P(A|B)>P(A)

กฎของเบย์:

P(AB)=P(BA)P(A)P(B)

สมมติว่าไม่ใช่ศูนย์ ดังนั้นP(B)

P(A|B)P(A)=P(B|A)P(B)

ถ้า แล้ว1P(B|A)>P(B)P(B|A)P(B)>1

แล้วและอื่น ๆ(A)P(A|B)P(A)>1P(A|B)>P(A)

สิ่งนี้พิสูจน์ข้อเรียกร้องและข้อสรุปที่แข็งแกร่งยิ่งขึ้น - ว่าสัดส่วนของความน่าจะเป็นจะต้องเท่ากัน


ฉันชอบสิ่งนี้เพราะมันแสดงให้เห็นถึงการเชื่อมโยงที่แข็งแกร่งขึ้น "ถ้า A ทำให้ B x มีโอกาสมากขึ้นกว่านั้น B จะทำให้ A X มีโอกาสมากขึ้น"
ความน่าจะเป็นที่จะเกิดขึ้น

@probabilityislogic การใช้วลีอย่างนั้นทำให้เกิดความกำกวม หากความน่าจะเป็นก่อนหน้านี้คือ 10% และด้านหลังคือ 15% ความน่าจะเป็นเพิ่มขึ้น 5% (15% ลบ 10%) หรือ 50% (15% หารด้วย 10%) หรือไม่
สะสม

หลักฐานที่ง่ายกว่า: ถ้า P(B|A)>P(B)จากนั้นใช้สิ่งนั้นกับกฎของเบย์ P(A|B)=P(B|A)P(A)/P(B)>P(B)P(A)/P(B)=P(A)
เรย์

12

ฉันไม่ชอบคำว่า "ทำให้" ในคำถาม นั่นหมายถึงบางประเภทของเวรกรรมและเวรกรรมมักจะไม่กลับกัน

แต่คุณขอปรีชา ดังนั้นฉันคิดบางตัวอย่างเพราะดูเหมือนว่าจะจุดประกายสัญชาตญาณ เลือกหนึ่งที่คุณชอบ:

หากบุคคลนั้นเป็นผู้หญิงก็มีแนวโน้มที่บุคคลนั้นจะลงคะแนนให้กับพรรคประชาธิปัตย์
หากบุคคลลงคะแนนให้กับพรรคประชาธิปัตย์มีแนวโน้มว่าบุคคลนั้นจะเป็นผู้หญิงมากกว่า

หากชายคนหนึ่งเป็นศูนย์บาสเก็ตบอลมืออาชีพมีแนวโน้มสูงที่เขาจะสูงกว่า 2 เมตร
หากผู้ชายสูงเกิน 2 เมตรมีแนวโน้มว่าเขาจะเป็นศูนย์บาสเกตบอล

ถ้ามันมีอุณหภูมิมากกว่า 40 องศาเซลเซียสก็มีโอกาสมากขึ้นที่จะเกิดการดับ
หากมีการปิดบังอาจเป็นไปได้ว่ามากกว่า 40 องศา

และอื่น ๆ


4
นั่นไม่เกี่ยวกับความน่าจะเป็น นั่นคือความสัมพันธ์ประมาณ 1 ถึง 1
Peter Flom

6
@ jww ลองจินตนาการถึงคำแถลงว่า "ถ้าฝนตกถนนก็เปียก" (และสมมติว่านั่นเป็นนัยยะที่ถูกต้องในขณะนั้นในขณะที่สนทนาไม่ได้) ตอนนี้ใช้ "ตัวอย่าง" จำนวนมากในเวลาและสถานที่ที่แตกต่างกันซึ่งคุณบันทึกว่าฝนตกหรือไม่และถนนเปียกหรือไม่ ถนนจะเปียกในตัวอย่างที่ฝนตกมากกว่าตัวอย่างที่ไม่มี แต่ยังก็จะมีฝนตกมากขึ้นในกลุ่มตัวอย่างที่เป็นถนนที่เปียกกว่าตัวอย่างที่ถนนแห้ง นั่นน่าจะเป็น
ฮอบส์

3
ปรากฏการณ์ทั้งสองเกิดจากความหมายเดียวกัน ความหมายใช้งานได้เพียงทางเดียว แต่การสังเกตผลลัพธ์ที่ได้ทำให้มีแนวโน้มมากขึ้นที่คุณจะดูตัวอย่างที่บุคคลก่อนเป็นจริง
ฮอบส์

7
@Barmar ขออภัย แต่ส่วนหนึ่งแสดงให้เห็นถึงความถูกต้องของตรรกะของฉัน เพราะบอกว่า 36 / 25,000 นั้นสูงกว่า 1 / 150,000,000 ทั้งหมด
Peter Flom

7
มีโอกาสมากกว่าคนที่สูงน้อยกว่า 2 เมตร
Peter Flom

9

หากต้องการเพิ่มคำตอบโดย @Dasherman นี้สิ่งที่มันอาจหมายถึงการที่จะบอกว่าทั้งสองเหตุการณ์จะเกี่ยวข้องหรืออาจจะเกี่ยวข้องหรือมีความสัมพันธ์ ? บางทีเราอาจนิยามเปรียบเทียบความน่าจะเป็นร่วมได้ (สมมติว่าP(A)>0,P(B)>0):

η(A,B)=P(AB)P(A)P(B)
ดังนั้นถ้า η มีขนาดใหญ่กว่าหนึ่ง A และ Bเกิดขึ้นพร้อมกันบ่อยกว่าความเป็นอิสระ จากนั้นเราสามารถพูดได้ว่าA และ B มีความสัมพันธ์ทางบวก

แต่ตอนนี้ใช้นิยามของความน่าจะเป็นแบบมีเงื่อนไข P(AB)P(A)P(B)>1 เป็นผลมาจากเรื่องง่าย P(BA)>P(B). แต่P(AB)P(A)P(B) สมมาตรอย่างสมบูรณ์ A และ B (การสับเปลี่ยนสัญลักษณ์ทั้งหมดที่เกิดขึ้น A กับ B และในทางกลับกัน) ออกจากสูตรเดียวกันดังนั้นจึงเทียบเท่ากับ P(AB)>P(A). ที่ให้ผลลัพธ์ ดังนั้นสัญชาตญาณที่คุณถามก็คือη(A,B) มีความสมมาตร A และ B.

คำตอบโดย @gunes ให้ตัวอย่างที่เป็นประโยชน์และเป็นเรื่องง่ายที่จะทำให้คนอื่น ๆ ในลักษณะเดียวกัน


2

ถ้า A ทำให้ B มีแนวโน้มมากขึ้นนี่หมายถึงเหตุการณ์นั้นเกี่ยวข้องกัน ความสัมพันธ์นี้ใช้ได้ทั้งสองทาง

ถ้า A ทำให้ B มีแนวโน้มมากขึ้นนั่นหมายความว่า A และ B มีแนวโน้มที่จะเกิดขึ้นพร้อมกัน นี่หมายความว่า B ยังทำให้ A มีแนวโน้มมากขึ้น


1
บางทีนี่อาจใช้การขยายตัวบ้าง หากไม่มีคำนิยามที่เกี่ยวข้องมันจะว่างเปล่าเล็กน้อย
mdewey

2
ฉันพยายามหลีกเลี่ยงสิ่งใด ๆ ที่เข้มงวดเนื่องจาก OP ขอคำอธิบายที่เข้าใจง่าย คุณพูดถูกแล้วว่ามันว่างเปล่าเหมือนตอนนี้ แต่ฉันไม่แน่ใจว่าจะขยายได้อย่างไรในวิธีที่ใช้งานง่าย ฉันได้เพิ่มความพยายาม
Dasherman

2

ถ้า A ทำให้ B มีแนวโน้มมากขึ้น A มีข้อมูลสำคัญที่ B สามารถอนุมานได้เอง แม้ว่าจะไม่ได้มีส่วนร่วมในปริมาณเท่ากัน แต่ข้อมูลนั้นไม่ได้สูญหายไป ในที่สุดเรามีสองเหตุการณ์ที่เกิดขึ้นของพวกเขาสนับสนุนซึ่งกันและกัน ฉันไม่สามารถจินตนาการถึงสถานการณ์ที่การเกิดขึ้นของ A เพิ่มโอกาสของ B และการเกิด B ลดโอกาสของ A. ตัวอย่างเช่นถ้าฝนตกพื้นจะเปียกด้วยความน่าจะเป็นสูงและถ้าพื้นเป็น เปียกไม่ได้หมายความว่าฝนจะตก แต่ก็ไม่ได้ลดโอกาส


2

คุณสามารถทำให้คณิตศาสตร์ใช้งานง่ายขึ้นโดยจินตนาการถึงตารางฉุกเฉิน

A¬Aa+b+c+da+cb+dBa+bab¬Bc+dcd

  • เมื่อไหร่ A และ B มีความเป็นอิสระจากนั้นความน่าจะเป็นร่วมกันเป็นผลิตภัณฑ์ของความน่าจะเป็นที่ขอบ

    A¬A1x1xBya=xyb=(1x)y¬B1yc=x(1y)d=(1x)(1y)
    ในกรณีเช่นนี้คุณจะมีความเป็นไปได้ที่จะมีเงื่อนไขและเงื่อนไขที่ใกล้เคียงกันเช่น P(A)=P(A|B) และ P(B)=P(B|A).

  • เมื่อไม่มีความเป็นอิสระคุณก็จะเห็นว่านี่เป็นการทิ้งพารามิเตอร์ไว้ a,b,c,d เดียวกัน (เป็นผลิตภัณฑ์ของระยะขอบ) แต่มีเพียงการปรับโดย ±z

    A¬A1x1xBya+zbz¬B1yczd+z

    คุณสามารถเห็นสิ่งนี้ z เป็นการทำลายความเท่าเทียมกันของความน่าจะเป็นที่มีเงื่อนไขและมีเงื่อนไข

    ทีนี้จากมุมมองนี้ (จากการทำลายความเท่าเทียมกัน) คุณจะเห็นได้ว่าการแตกครั้งนี้เกิดขึ้นในสองวิธี P(A|B)P(A) และ P(B|A)P(B). และความไม่เท่าเทียมจะเกิดขึ้นสำหรับทั้งสองกรณี> เมื่อไหร่ z เป็นบวกและ < เมื่อไหร่ z เป็นลบ

ดังนั้นคุณสามารถเห็นการเชื่อมต่อ P(A|B)>P(A) แล้วก็ P(B|A)>P(B) ผ่านความน่าจะเป็นร่วม P(B,A)>P(A)P(B).

ถ้า A และ B มักเกิดขึ้นพร้อมกัน (ความน่าจะเป็นร่วมสูงกว่าผลคูณของความเป็นไปได้ที่จะเกิดขึ้น) จากนั้นการสังเกตหนึ่งจะทำให้ความน่าจะเป็น (เงื่อนไข) ของอีกอันสูงขึ้น


2

สมมติว่าเราแสดงถึงอัตราส่วนความน่าจะเป็นหลังถึงเหตุการณ์ที่เกิดขึ้นหลัง:

Δ(A|B)P(A|B)P(A)

จากนั้นการแสดงออกทางเลือกของทฤษฎีบทของเบย์ (ดูโพสต์ที่เกี่ยวข้องนี้) คือ:

Δ(A|B)=P(A|B)P(A)=P(AB)P(A)P(B)=P(B|A)P(B)=Δ(B|A).

อัตราส่วนความน่าจะเป็นหลังถึงก่อนจะบอกเราว่าเหตุการณ์การโต้แย้งนั้นมีโอกาสมากขึ้นหรือน้อยลงโดยการเกิดเหตุการณ์การปรับเงื่อนไข (และโอกาสที่จะมากหรือน้อย) รูปแบบข้างต้นของทฤษฎีบทของเบย์แสดงให้เห็นว่าอัตราส่วนความน่าจะเป็นหลังกับก่อนมีความสมมาตรในตัวแปร ตัวอย่างเช่นหากสังเกต B ยี่ห้อ Aมีโอกาสมากกว่าที่จะเป็นนิรนัยแล้วสังเกตA ยี่ห้อ Bมีโอกาสมากขึ้นกว่าที่มันเป็นเบื้องต้น


โปรดทราบว่านี่คือกฎความน่าจะเป็นและดังนั้นจึงไม่ควรถูกตีความเหตุผล ความสมมาตรนี้เป็นจริงในแง่ของความน่าจะเป็นสำหรับการสังเกตแบบพาสซีฟอย่างไรก็ตามมันไม่เป็นความจริงเลยถ้าคุณเข้าไปแทรกแซงในระบบเพื่อเปลี่ยนA หรือ B. ในกรณีหลังนั้นคุณจะต้องใช้การทำงานเชิงสาเหตุ (เช่นทำ ผู้ประกอบการ) เพื่อค้นหาผลกระทบของการเปลี่ยนแปลงในตัวแปรปรับอากาศ


1

คุณได้รับการบอกว่าแซมเป็นผู้หญิงและคิมเป็นผู้ชายและหนึ่งในสองคนสวมแต่งหน้าและคนอื่นไม่ได้ คุณคิดว่าใครเป็นคนแต่งหน้า?

คุณได้รับแจ้งว่าแซมสวมใส่เครื่องสำอางและคิมไม่ได้และหนึ่งในสองคนนั้นคือผู้ชายและอีกคนเป็นผู้หญิง คุณจะเดาว่าใครคือผู้หญิง?


มันไม่ได้ตรงไปตรงมาเพื่อเชื่อมต่อกับปัญหาเดิม เหตุการณ์ A คืออะไรและกิจกรรม B คืออะไร ที่นี่ดูเหมือนว่าจะเปรียบเทียบความน่าจะเป็นบางอย่าง กิจกรรม A คือ 'x คือผู้หญิง' (ไม่ใช่ A คือเหตุการณ์ 'x is a man') และเหตุการณ์ B คือ 'x wears makeup' แต่ตอนนี้เรามีแซมกับคิมแล้วมันมาจากไหนและเราควรใช้ข้อมูลอะไรเกี่ยวกับความเป็นชายหรือความเป็นผู้หญิงของชื่อของพวกเขา?
Sextus Empiricus

1

ดูเหมือนว่ามีความสับสนระหว่างสาเหตุและความสัมพันธ์ อันที่จริงคำแถลงคำถามนั้นเป็นเท็จสำหรับสาเหตุดังที่สามารถเห็นได้จากตัวอย่างเช่น:

  • หากสุนัขสวมผ้าพันคอแสดงว่าเป็นสัตว์เลี้ยง

ต่อไปนี้ไม่เป็นความจริง:

  • เห็นสัตว์เลี้ยงในบ้านสวมผ้าพันคอหมายความว่ามันเป็นสุนัข
  • เห็นสุนัขในบ้านหมายถึงมันสวมผ้าพันคอ

อย่างไรก็ตามหากคุณกำลังคิดถึงความน่าจะเป็น (สหสัมพันธ์) ก็เป็นจริง:

  • สุนัขที่สวมผ้าพันคอมีแนวโน้มที่จะเป็นสัตว์เลี้ยงมากกว่าสุนัขที่ไม่ได้สวมผ้าพันคอ (หรือสัตว์ทั่วไปในเรื่องนั้น)

ต่อไปนี้เป็นจริง:

  • สัตว์ในบ้านที่สวมผ้าพันคอมักจะเป็นสุนัขมากกว่าสัตว์อื่น
  • สุนัขในบ้านมีแนวโน้มที่จะสวมผ้าพันคอมากกว่าสุนัขที่ไม่ได้อยู่ในบ้าน

If this is not intuitive, think of a pool of animals including ants, dogs and cats. Dogs and cats can both be domesticated and wear scarfs, ants can't neither.

  1. หากคุณเพิ่มความน่าจะเป็นของสัตว์เลี้ยงในสระว่ายน้ำของคุณมันจะหมายถึงคุณจะเพิ่มโอกาสที่จะเห็นสัตว์สวมผ้าพันคอ
  2. หากคุณเพิ่มความน่าจะเป็นของแมวหรือสุนัขคุณจะเพิ่มโอกาสในการเห็นสัตว์สวมผ้าพันคอ

การอยู่ในบ้านคือการเชื่อมโยง "ความลับ" ระหว่างสัตว์และสวมผ้าพันคอและการเชื่อมโยง "ความลับ" จะใช้อิทธิพลของมันทั้งสองทาง

แก้ไข: ให้ตัวอย่างคำถามของคุณในความคิดเห็น:

ลองนึกภาพโลกที่สัตว์เป็น Cats หรือ Dogs พวกเขาสามารถเป็นบ้านหรือไม่ พวกเขาสามารถสวมผ้าพันคอหรือไม่ ลองนึกภาพว่ามีสัตว์ทั้งหมด 100 ตัวสุนัข 50 ตัวและแมว 50 ตัว

ตอนนี้ให้พิจารณาคำแถลง A ว่า: " สุนัขสวมผ้าพันคอสามเท่าน่าจะเป็นสัตว์เลี้ยงในบ้านมากกว่าสุนัขที่ไม่ได้สวมผ้าพันคอ "

หาก A ไม่เป็นความจริงคุณสามารถจินตนาการได้ว่าโลกนี้สามารถสร้างได้จากสุนัข 50 ตัวโดย 25 ในนั้นเป็นของที่บ้าน (ซึ่งมี 10 ผ้าพันคอที่สวมใส่) และ 25 ในนั้นเป็นป่า (ซึ่งมี 10 ผ้าพันคอที่สวมใส่) สถิติเหมือนกันสำหรับแมว

จากนั้นถ้าคุณเห็นสัตว์เลี้ยงในโลกนี้มันจะมีโอกาส 50% ที่จะเป็นสุนัข (25/50, 25 สุนัขจาก 50 สัตว์ในบ้าน) และ40%ที่มีผ้าพันคอ (20/50, 10 สุนัข) และแมว 10 ตัวจากสัตว์เลี้ยงในบ้าน 50 ตัว)

อย่างไรก็ตามถ้าหาก A เป็นเรื่องจริงคุณมีโลกที่มีสุนัข 50 ตัว 25 ในนั้น ( 25 ที่สวมผ้าพันคอ ) และ 25 ในนั้นเป็นป่า (ซึ่งมี5 ผ้าพันคอสวมใส่ ) แมวรักษาสถิติเก่า: 50 แมว 25 ในนั้นเป็นของบ้าน (ซึ่งมี 10 ผ้าพันคอสวมใส่) และ 25 ของมันเป็นป่า (ซึ่งมี 10 ผ้าพันคอสวมใส่)

จากนั้นถ้าคุณเห็นสัตว์เลี้ยงในโลกนี้มันจะมีโอกาส 50% เหมือนกันในการเป็นสุนัข (25/50, 25 สุนัขจาก 50 สัตว์ในบ้าน) แต่จะมี50% (25/50, 15 สุนัขและ 10 แมวจากสัตว์เลี้ยงในบ้าน 50 ตัว)

As you can see, if you say that A is true, then if you saw a domesticated animal wearing a scarf in the world, it would be more likely a Dog (60% or 15/25) than any other animal (in this case Cat, 40% or 10/25).


นี่คือสายที่ฉันมีปัญหากับ "สัตว์เลี้ยงในบ้านที่สวมผ้าพันคอมีแนวโน้มที่จะเป็นสุนัขมากกว่าสัตว์อื่น" เมื่อเราทำแถลงการณ์เบื้องต้นเราไม่ได้อ้างสิทธิ์ในสัตว์อื่น ๆ ที่สามารถสวมผ้าพันคอได้ อาจมี 100 วินาที เราได้ทำข่าวเกี่ยวกับสุนัขเท่านั้น
Rahul Deora

ดูว่าการแก้ไขของฉันจะช่วยในเรื่องเฉพาะของคุณหรือไม่
H4uZ

0

มีความสับสนระหว่างสาเหตุและความสัมพันธ์ ดังนั้นฉันจะให้คุณตัวอย่างที่ตรงข้ามที่แน่นอนเกิดขึ้น

บางคนร่ำรวยบางคนยากจน คนจนบางคนได้รับผลประโยชน์ซึ่งทำให้พวกเขายากจนลง แต่คนที่ได้รับผลประโยชน์ยังมีแนวโน้มที่จะเป็นคนจนถึงแม้จะมีประโยชน์ก็ตาม

หากคุณได้รับผลประโยชน์นั่นจะทำให้มีโอกาสมากขึ้นที่คุณจะสามารถซื้อตั๋วหนังได้ ("ทำให้เป็นไปได้มากขึ้น" หมายถึงเวรกรรม) แต่ถ้าคุณสามารถซื้อตั๋วโรงภาพยนตร์ได้นั่นทำให้มีโอกาสน้อยที่คุณจะอยู่ในกลุ่มคนที่ยากจนพอที่จะได้รับผลประโยชน์ดังนั้นหากคุณสามารถซื้อตั๋วโรงภาพยนตร์ได้คุณก็จะมีโอกาสได้รับผลประโยชน์น้อยลง


5
This isn't an answer to the question. Interesting, but not an answer. In fact, it's talking about a different scenario; the reason the opposite happens is that it's using two different metrics that are named similarly (poor without benefits v.s. poor with benefits) and as such is a completely different scenario.
wizzwizz4

0

The intuition becomes clear if you look at the stronger statement:

If A implies B, then B makes A more likely.

Implication:
  A true  -> B true
  A false -> B true or false
Reverse implication:
  B true  -> A true or false
  B false -> A false

Obviously A is more likely to be true if B is known to be true as well, because if B was false then so would be A. The same logic applies to the weaker statement:

If A makes B more likely, then B makes A more likely.

Weak implication:
  A true  -> B true or (unlikely) false
  A false -> B true or false
Reverse weak implication:
  B true  -> A true or false
  B false -> A false or (unlikely) true

I think what you are saying in the first statement is that in a venn diagram if A is contained in B, then if B is true n(A)/n(B) must be higher than n(A)/n(S) as B is a smaller space than S. Even in the second, you say likewise?
Rahul Deora

@RahulDeora - Yes, that's how it works. The weak version is much less obvious, but you already did the math anyway. What you asked for is the intuition behind the result, which can be best observed in the stronger statement.
Rainer P.

A small problem with using this statement to gain some more intuition is that it is not entirely true. 'A implying B' is not a sufficient condition for 'when B then A is more likely'. The important distinction is that with 'A implying B' does not need to make B more likely. The most important examples are when B is always true.
Sextus Empiricus

0

Suppose Alice has a higher free throw rate than average. Then the probability of a shot being successful, given that it's attempted by Alice, is greater than the probability of a shot being successful in general P(successful|Alice)>P(successful). We can also conclude that Alice's share of successful shots is greater than her share of shots in general: P(Alice|successful)>P(Alice).

Or suppose there's a school that has 10% of the students in its school district, but 15% of the straight-A students. Then clearly the percentage of students at that school who are straight-A students is higher than the district-wide percentage.

Another way of looking at it: A is more likely, given B, if P(A&B)>P(A)P(B), and that is completely symmetrical with respect to A and B.

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.