Ну, до этого момента у меня все в порядке, поскольку поток информации происходит в соответствии с интуитивно понятными причинно-следственными связями. Но я не понимаю особого поведения так называемых V-структур или коллайдеров в этой схеме.
Тогда крепкий орешек - это V-структура. Я хотел бы проиллюстрировать различие между вероятностью переменной S, обусловленной только наблюдением эффекта, и влиянием наблюдения другой переменной D, которая не зависит от S в той же ситуации, на вымышленном примере.
Допустим, кто-то проходит курс, скажем, линейную алгебру. Если он может сдать его, в основном зависит от сложности экзамена. Обозначим событие прохождения курса через P, передавая как 1 и 0 в противном случае; и сложность экзамена как D, сложная как 1 и простая как 0. И что-то бессмысленное может также оказать влияние на его производительность или результат, скажем, сингулярность происходит, и ему промывают мозги машина, а затем решает не делать Сдавать экзамен. Обозначим это событие через S, и его вероятность равна 0,0001. Это кажется невозможным, но по определению его шанс не должен быть нулевым.
Следовательно, теперь у нас есть график формы v-структуры:
D S
| |
\| |/
P
п( ¬ P| S) = 0,999999п( P| S) = 0,000001
| d0 | d1 |
|:-----|--------:|
| 0.5 | 0.5 |
| s0 | s1 |
|:-------|--------:|
| 0.9999 | 0.0001 |
| S | D | P(p0|S,D) | P(p1|S,D) |
|:------|-----:|----------:|----------:|
|s0 | d0 | 0.20 | 0.80 |
|s0 | d1 | 0.90 | 0.10 |
|s1 | d0 | 0.999999| 0.000001|
|s1 | d1 | 0.999999| 0.000001|
п( S| п)п( S| п, Г )
1) Если мы не знаем результат, мы можем рассчитать вероятность возникновения сингулярности, учитывая, что курс прост.
п( S| ¬D)= P( S, P| ¬D)+P( S, ¬ P| ¬D)= P( S= 1 , P= 1 , D = 0 )п( D = 0 )+ P( S= 1 , P= 0 , D = 0 )п( D = 0 )= P( S= 1 ) P( D = 0 | S= 1 ) P( P= 1 | D = 0 , S= 1 )п( D = 0 )+ P( S= 1 ) P( D = 0 | S= 1 ) P( P= 0 | D = 0 , S= 1 )п( D = 0 )= P( S= 1 ) P( D = 0 | S= 1 )п( D = 0 )= P( S= 1 ) P( D = 0 )п( D = 0 )= P( S= 1 )= 0,0001
Как вы можете видеть выше, это не имеет значения, сдан экзамен или нет. Что приходит, как это должно прийти. Это можно рассматривать как предельную вероятность над P.
И мы также можем определить вероятность того, что сингулярность произойдет, если студент не сдает экзамен:
п( S, | ¬ P)= P( S, ¬ P)п( ¬ P)= P( S, ¬ p , D ) + P( S, ¬ P, ¬ D )п( ¬ P)= P( ¬ P| S, D ) P( S) P( D ) + P( ¬ P| S, ¬ Д ) Р( S) P( ¬ D )ΣS, Dп( ¬ P| S, D ) P( S) P( D )= 0,0001818
Зная, что парень не сдает экзамен, мы можем догадаться, что ему может «промыть мозги» с помощью машины, - это 0,0001818, что немного больше, чем когда мы этого не знаем.
2) Но что если мы узнаем, что парень провалил экзамен и экзамен проходит легко?
п(S, |¬P, ¬ D )знак равноP(S= 1 ,P= 0 , D = 0)п(P= 0 , D = 0 )знак равноP(P= 0 |S= 1 , D = 0 )P(S= 1 )P( D = 0 )п(P= 0 |S= 1 , D = 0 )P(S= 1 )P( D = 0 ) +P(P= 0 |S= 0 , D = 0 ) P( S= 0 ) P( D= 0 )= 0,999999 × 0,0001 × 0,50,2 × 0,9999 × 0,5 + 0,999999 × 0,0001 × 0,5= 0,0004998
И вот, изменение намного больше, чем мы знаем, он не сдал экзамен. Тогда мы видим, чтоп( S| п) ≠ P( S| п, Г ) мы можем сделать вывод, что S⊥ D |п∉ я(P(P, S, Д ) ) что означает, что D может влиять на S через P.
Пусть этот подробный вывод будет полезен.