Na tomto príklade by sa dal krásne vysvetliť koncept false positive (type 1 error) a false negative (type 2 error). False positive = nemám vírus, ale test mi vyjde pozitívny False negative = mám vírus, ale test mi vyjde negatívny V tomto príklade zadanie naznačuje, že pravdepodobnosť false positive aj false negative je 5 %, avšak možno by bolo fajn spomenúť, že tieto hodnoty nemusia byť vždy rovnaké. Presne toto spôsobilo nejasnosť okolo času 8:18 Zápis na tabuli: P(B) = P(A) . P(A|B) + P(doplnok k A) . P(B|doplnok k A) by sa dal interpretovať ako: Pravdepodobnosť, že test vyjde pozitívny, sa rovná pravdepodobnosti, že mám nemoc a nenastane false negative + pravdepodobnosť, že nemám nemoc a nastane false positive. P(A|B) teda predstavuje pravdepodobnosť, že nenastal false negative a P(B|doplnok k A) predstavuje pravdepodobnosť, že nastal false positive. Každopádne ďakujem za video, poslúžilo ako veľmi pekné opakovanie základov pred štátnicami.
Nerozumím ale jedné věci. Na základě čeho je stanovena (když se chytnu tohoto konkrétního příkladu) ta prevalence (zastoupení nemocných v populaci) od které pak počítáme tu šanci, že při pozitivním výsledku testu jsem skutečně pozitivní? Vždyť to zastoupení nemocných se přece také opírá o pravděpodobnostní závěry výsledků testů s nějakou chybovostí... Přijde mi to jako nekonečný kruh bez počátku...
Test Vam rekne ano nebo ne a skutecnost pak ukaze, jestli nemoc mate nebo ne. Takze pokud test rika ze nemoc mate ale vysledky a Vas zdravotni stav ukaze, ze ne, tak je to snadno zjistitelne. Prikladem je treba i tehotensky test - muze byt pozitivni nebo negativni, ale za par masicu zjistite jak je to ve skutecnosti a podle toho se pripady pocitaji 😊
Chápu problematiku příkladu, ale stále mi nesedí způsob zadání. Pokud jdu na test a ten řekne, že mám nemoc a má 95% úspěšnost, tak pravděpodobnost, že jsem nemocný, je prostě 95%. Toto počítání dle mého názoru spíše odpovídá na otázku: Jaká je pravděpodobnost, že náhodně vybraný člověk bude mít opravdu nemoc, když 1% populace je nemocné a tester má 95% úspěšnost?
Zaujimave. Študujem 4ty rok archeologiu a úspešne som sa matematike vyhýbala :-D nikdy mi nešla...no momentálne pracujeme s 14C datami a toto mi veľmi pomohlo. Super dík :-)
Velice vizionářské video! Doufejme, že to současný výzkum protilátek na koronavirus započítá😀
:D moc díky, snad!! :)
Na tomto príklade by sa dal krásne vysvetliť koncept false positive (type 1 error) a false negative (type 2 error).
False positive = nemám vírus, ale test mi vyjde pozitívny
False negative = mám vírus, ale test mi vyjde negatívny
V tomto príklade zadanie naznačuje, že pravdepodobnosť false positive aj false negative je 5 %, avšak možno by bolo fajn spomenúť, že tieto hodnoty nemusia byť vždy rovnaké.
Presne toto spôsobilo nejasnosť okolo času 8:18
Zápis na tabuli:
P(B) = P(A) . P(A|B) + P(doplnok k A) . P(B|doplnok k A)
by sa dal interpretovať ako:
Pravdepodobnosť, že test vyjde pozitívny, sa rovná pravdepodobnosti, že mám nemoc a nenastane false negative + pravdepodobnosť, že nemám nemoc a nastane false positive.
P(A|B) teda predstavuje pravdepodobnosť, že nenastal false negative a P(B|doplnok k A) predstavuje pravdepodobnosť, že nastal false positive.
Každopádne ďakujem za video, poslúžilo ako veľmi pekné opakovanie základov pred štátnicami.
Vaše videa jsou skvělá, moc to pomohlo. Díky za to, co děláte:)
Jsem moc rád že mohu pomoci, díky za pozornost! :)
Nerozumím ale jedné věci. Na základě čeho je stanovena (když se chytnu tohoto konkrétního příkladu) ta prevalence (zastoupení nemocných v populaci) od které pak počítáme tu šanci, že při pozitivním výsledku testu jsem skutečně pozitivní? Vždyť to zastoupení nemocných se přece také opírá o pravděpodobnostní závěry výsledků testů s nějakou chybovostí... Přijde mi to jako nekonečný kruh bez počátku...
Test Vam rekne ano nebo ne a skutecnost pak ukaze, jestli nemoc mate nebo ne. Takze pokud test rika ze nemoc mate ale vysledky a Vas zdravotni stav ukaze, ze ne, tak je to snadno zjistitelne. Prikladem je treba i tehotensky test - muze byt pozitivni nebo negativni, ale za par masicu zjistite jak je to ve skutecnosti a podle toho se pripady pocitaji 😊
@@Isibalo-z7y aha, rozumím :) děkuji za vysvětlení!
@@filipkyslik3092 Není za co, moc díky že koukáte na videa! :)
Chápu problematiku příkladu, ale stále mi nesedí způsob zadání. Pokud jdu na test a ten řekne, že mám nemoc a má 95% úspěšnost, tak pravděpodobnost, že jsem nemocný, je prostě 95%.
Toto počítání dle mého názoru spíše odpovídá na otázku: Jaká je pravděpodobnost, že náhodně vybraný člověk bude mít opravdu nemoc, když 1% populace je nemocné a tester má 95% úspěšnost?
No je to trochu náročnější na uvědomění, ale je to jak to počítám, musíte zohlednit jak pravděpodobnost nemoci tak i toho testu :)
navrhujem pridať popis do názvu- Bayesova veta
Hotovo :)
Zaujimave. Študujem 4ty rok archeologiu a úspešne som sa matematike vyhýbala :-D nikdy mi nešla...no momentálne pracujeme s 14C datami a toto mi veľmi pomohlo. Super dík :-)
Takže jaká byla pravděpodobnost, že někdo má koronavirus, když mu vyšel test pozitivní, když testy měli úspěšnost asi 30%? :D
To můžete vypočítat úplně stejně, držím palce! :)