Đón xem cuốn sách "NGHỆ THUẬT TƯ DUY DỰA TRÊN DỮ LIỆU" của mình, nói về các Thiên lệch thống kê và Tư duy dữ liệu, gồm những chủ đề mình đã làm video nhưng được đào sâu hơn, cùng nhiều chủ đề mới. Sách hiện có bán tại các trang TMĐT và các nhà sách Fahasa, Netabooks, Nhân văn: ti.ki/ujd9DhUs/GZX4Y1H8 shope.ee/8KDgvarvF2
Đây là một hiểu lầm về xác suất rất dễ gặp do hai cái khá nghe thì tương đương nhau nhưng khi vẽ cây xác suất ra thì mới thấy vấn đề. Thông qua Bayes cũng có một mô hình học máy để chẩn đoán bệnh, khá là hay. Cảm ơn bạn đã làm video này
2 câu cái nghe xong tôi chả hiểu nó khác nhau như nào, vì nghe nó tương đương đương nhau, nên nhầm lẫn, sau khi xem giải thích thì tôi nghĩ đặt câu hỏi khác đi thì sẽ khó nhầm hơn ...
đây là xác xuất có điều kiện nhưng đè bài đưa ra thì không đung, nó là xác suất để 1 người trong nhóm người hay trong quần thể mắc bệnh nếu có xét nghiệm dương. Nó được tính cho quần thể chứ không phải 1 người. Nếu có gì chưa thỏa đáng mong bạn phản biẹne
Thật sự ban đầu mình nghĩ là y học có vẻ không giống như bạn nói, nhưng càng ngẫm nghĩ thì mình càng lung lay và mình đã bị bạn thuyết phục. Cảm ơn bạn nhìu
Rất tuyệt bạn ạ. Mình rất mong có thể được học hỏi từ bạn về cách làm video và cách thu thập nguồn thông tin chuẩn xác để có thể làm được những video thường thức khoa học như thế này. Xin cảm ơn bạn.
Trong số các email chứa cụm từ "click vào đây" thì có 0.1*0.4=0.04(/tổng số email) là spam và 0.9*0.02=0.18(/tổng số email) không phải là spam. Do đó 1 email có cụm từ trên thì sẽ có xác suất spam là 0.04/0.18~22℅. Kết quả thu được phải lớn hơn 10% và nhỏ hơn 40% chứ ra 69% như b là sai chắc rồi
dành cho ai k chuyên: các bạn hãy giải bài toàn này bằng hình vẽ. Vì đối với ai ít dùng, việc nhớ công thức này sẽ hơi bị khó khăn khi cứ lẫn lộn A, A ngang, B, B ngang. Mình từng học kĩ về định lí Bayes, nhưng ai hỏi công thức thì mình chịu, tuy nhiên nếu hỏi đáp án thì mình vẫn giải dc dễ dàng bằng hình vẽ
@@tannguyen9241 mình thường vẽ 1 đoạn thẳng (xem đó là 100%), chia ra làm 4 phần, tính xác suất quy ra 100% của 4 trường hợp trong bài, điền vào 4 phần. Sau đó đánh dấu 2 xác suất có đk mà đề bài hỏi. Thực hiện phép chia. Vậy là xong. Ví dụ giải bài ở cuối video. 4 xác suất điền vào 4 chỗ trống: 6%,4%,1.8%,88.2%. Mình vẽ 2 xác suất tương ứng với điều kiện email chứa "Click vào đây" là 4% và 1.8% kế nhau, đánh dấu nó bằng màu mực khác thì mình sẽ dc 1 đoạn thẳng con. Xem đoạn thẳng con đó là 100% mới thì vấn đề cần tính đã hiện ra bản chất Đáp án là 4/(4+1.8) khoảng 69%.
Đúng là định lý Bayes rất quan trọng, video trình bày rất logic và dễ hiểu. Nhưng nếu add nói bác sĩ ko biết về định lý này là sai rồi nhé. Thậm chí đây là điều căn bản nhất ( Tính xác xuất có điều kiện của một biến cố), nó thuộc môn Xác suất thống kê, được dạy học từ năm nhất trong Chương trình Y khoa chính quy. Nói về biến cố có điều kiện, như ví dụ trên, Độ nhạy =(dương thật/(Dương thật + Âm giả), Độ đặc hiệu=(Âm thật)/(Âm thật +Dương giả). Đây là một kiến thức hơi rắc rồi nhưng lại rất căn bản, đã được học và thực hành thuần thục từ lúc vỡ lòng nên bảo bác sĩ không biết là không đúng nhé.
Thực ra mình lấy trong nghiên cứu của Kahneman trong cuốn sách "Tư duy nhanh và chậm", bạn có thể tham khảo thêm. Cái các bác sĩ nhầm trong nghiên cứu là độ nhạy chính là khả năng bị bệnh của bệnh nhân, nhưng thực tế thì không phải. Độ nhạy là xác suất dương tính nếu bị bệnh, còn cái cần quan tâm là xác suất bị bệnh nếu dương tính. Còn nếu học chuyên sâu và nắm được XSTK thì sẽ không bị nhầm ở điểm này.
"cái bác sĩ bị nhầm độ nhạy chính là khả năng mắc bệnh của bệnh nhân..." omg. tôi nghĩ nếu có ông bác sĩ nào hiểu nhầm cái này thì chắc ổng mua bằng hay tốt nghiệp Đông Đô á bạn. mấy cái này cơ bản cực kỳ luôn mà bạn sợ bác sĩ không biết. Lý thuyết cũng chỉ là lý thuyết thôi. bạn nói có đọc GS Nguyễn Văn Tuấn thì bạn sẽ biết tất cả các con số từ sxtk phân tích theo lý thuyết đều có độ sai số so với thực tế. con số 9% trong video chỉ có ý nghĩa tham khảo cho vui thôi. chứ thực tế xác suất bạn thật sự mắc bệnh khi test dương tính nó khác xa con số 9% đó nhiều. ngay cả giới khoa học chính thống cũng có nhiều tranh cãi về điều này. ngoài ra phương pháp định lý Bayes cũng không phải là duy nhất, bởi còn có nhiều phương pháp tính khác có tính thực tế và khoa học hơn, cũng đc áp dụng nhiều hơn chứ không phải mình Bayes. Dịch cúm Vũ Hán vừa rồi là ví dụ sinh động cho thấy sự bất nhất trong nghiên cứu dịch tễ học và thực tế.
Xác suất thống kê lý thuyết thì có thể học thuộc nhưng vận dụng nó cực kỳ khó vì dễ nhầm lẫn. Mình trước đây từng xem một tài liệu về thống kê là bác sĩ y tá có khả năng sử dụng xác suất thống kê để khám chữa bệnh với một tỷ lệ hơi buồn là chỉ 15%.
ở vụ sally clark thì e có 1 cách này mở hơn để chứng minh sally clark vô tội cho rằng có 73 triệu người mẹ sinh 2 con. và có 1 người trong số đó có cả 2 con đều chết, đây chính là sally clark. cho rằng có 99.9999% người mẹ rất yêu con của mình. thì khả năng để 0.0001% người mẹ ko yêu thương con rơi vào sally clark là rất khó. ta có thể kẹp khoảng để tính xác suất.
Tưởng châu Âu văn minh thế nào, đi buộc tội người khác có tội bằng xác xuất thống kê thay vì nhân chứng và vật chứng, đã vậy còn thống kê sai, hài thật. @.@. Nhìn chung cám ơn ad vì nhờ ad mình mới biết quy tắc xác suất rất quan trọng này.
ad học ngành gì mà cái gì cũng biết thế? học sách nào thế ad? mình đang học XSTK học trầy trật mới hiểu. nhìn thấy ad giải thích rất cặn kẽ. rất tuyệt vời
Kiến thức rất hay nhưng áp dụng trong bệnh truyền nhiễm thì có vẻ ko hợp lý lắm ad ạ . Hãy cho ví dụ là bệnh khó truyền nhiễm sẽ hợp lý hơn . Chứ mà như covid thì xác suất bị bệnh khi + là rất cao rồi , vì bênh dễ phức tạp và dễ phổ biến nên xác suất của bệnh phải cao hơn nhiều
với các bệnh truyền nhiễm bạn rất khó xác định được tỉ lệ người nhiễm bệnh ( như cái 1% trong video ) chính xác, nếu là vùng không dịch thì nó là rất thấp, nếu có dịch thì nó lại rất cao.
Phép tính này kể cả trong thực tế hay về mặt toán học có vẻ sai sai. Sự vô lý theo mình đến từ con số 1% người mắc phải. Thực ra để ra được con số này người ta phải thống kê số ca ĐÃ mắc phải/ tổng dân số, chứ không phải là khả năng 1 người mắc bệnh này.
mình thì hiếu ý ad trình bày nhưng sao vẫn chưa ngẫm ra dc tỉ lệ nhiễm bệnh sao có thể tác động vào việc test 1 người dương tính có thật sự nhiễm bệnh hay ko ??
tỷ lệ nhiễm bệnh sẽ ảnh hưởng như trong công thức bayes đề cập. Vì việc test dương tính có thể đến từ hai khả năng: dương tính và bị bệnh thật hoặc dương tính và không bị bệnh, xét nghiệm sai. Nên tỷ lệ nhiễm bệnh ảnh hưởng đến hai con số này
ah. mình ko có ý gì đâu. Tại mình đọc vnexpress hay thấy có bài viết kiểu: Tôi là bác sỹ 30 năm nay mà chưa dùng chút toán học nào trong công việc hàng ngày =))
@@baihoc10phut uk. Mình chỉ ngại 1 số trường hợp nhận kết quả xét nghiệm xong ko tin chuẩn đoán bác sĩ vì chưa hiểu rõ ĐL này. Rồi tác động vật lý bsi thì ko hay =)
Mở rộng một chút về cách tính nhanh bài toán này, đặc biệt hữu dụng khi làm liên tiếp nhiều xét nghiệm, đây là cách mà mình đã học được từ 1 video của 3Blue1Brown: Hãy quan tâm chủ yếu vào đến tỷ lệ "có" chia tỷ lệ "không" thay vì tỷ lệ "có" trên tất cả. Ví dụ cụ thể với bài toán cuối video này: hãy quan tâm tỷ lệ "spam"/"không spam". Khi chưa lấy thông tin về từ khóa "click vào đây", thì tỷ lệ này là 1/9 (tức (10%)/(90%)). Khi có thông tin rằng có từ khóa đó, thì tử số được cập nhật bằng việc nhân 40%, mẫu số được cập nhật bằng việc nhân 2%. Tỷ lệ mới sẽ bằng (1/9)*40/2=20/9. Quy đổi lại sẽ có xác suất 20/29 email đó là spam. Công thức này có thể viết là: P(A|B)/P(không A|B) = (P(A)/P(không A))*(P(B|A))/P(B|không A)) và được chứng minh vì 2 vế cùng bằng (P(A)*P(B|A)) / (P(không A)*P(B|không A)) Như vậy, cứ có "kết quả dương tính B" thì tỷ lệ lại thay đổi với tỷ lệ là (P(B|A))/P(B|không A)). Còn nếu nhận "kết quả âm tính B" thì tỷ lệ lại thay đổi với tỷ lệ là (P(không B|A))/P(không B|không A)). Điều này đặc biệt hữu dụng khi liên tiếp xét tiếp các "xét nghiệm" khác như cái từ khoá khác, dấu hiệu khác. ------ Mình tránh dẫn link của video của 3Blue1Brown vì dễ bị UA-cam nghi là spam. Các bạn cứ tra "3Blue1Brown Bayes" trên UA-cam, chọn video 1 năm trước (vì kênh này có một số video khác về định lý Bayes) thì sẽ ra.
Ad cho mình hỏi. 1 người đc xét nghiệm ra là dương tính thì tổng xác suất người đó bị và không bị phải là 100 % . Vậy vì sao với kết quả của Ad tổng xác suất chỉ là 9.9 + 0.95 = 10.85% . Vậy phần còn lại thì người đó rơi vào trạng thái nào vậy ? .đáp án của câu hỏi nên là 0.95/(0.95+9.9) xác suất dương tính ?
0.95/(0.95+9.9) = 9% là xác suất bị bệnh nếu dương tính. Như vậy, xác suất không bị bệnh nếu dương tính sẽ là 100% - 9% = 91%. Các con số 9.9% và 0.95% chỉ là hai trường hợp trong mô hình cây ứng với P(A và B), P(A_ngang và B) nên không cộng vào bằng 1 được bạn nhé. Tương tự, nếu bạn dùng công thức bayes để tính Xác suất bị bệnh với điều kiện âm tính và Xác suất không bị bệnh với điều kiện âm tính thì cũng sẽ cộng vào bằng 1.
Ở đây, bạn cần phân biệt giữa xác suất có điều kiện và xác suất không điều kiện. P(A và B) là xác suất cả A và B cùng xảy ra. Còn P(A | B) là xác suất A xảy ra nếu như B xảy ra
@@baihoc10phut cách hiểu câu hỏi của kênh có vấn đề, hoặc ít nhất là vấn đề đưa ra không rõ ràng. "Bị bệnh và xét nghiệm dương tính" dựa trên tập hợp tất cả số người xét nghiệm, và đúng như mô hình, tỉ lệ này là 10,85% tổng số. Tuy nhiên "bị bệnh nếu xét nghiệm dương tính" thì lại chỉ xét đến khả năng bị bệnh trong tập hợp những người có kết quả dương tính mà thôi. Có thể hiểu trường hợp thứ 2 như sau: khi bạn được phân loại cùng với rất nhiều người dương tính khác, thì 95% trong số các bạn đã mắc bệnh rồi, 1 tỉ lệ k hề lạc quan. Trong trường hợp này tỉ lệ 10,85% k hề phản ánh được điều đó
Chắc ad ko làm về ngành y nên ko hiểu đc. Ví dụ 1 ng nói độ nhạy của 1 phương pháp chẩn đoán là 90% , thì ad có biết con số 90% đó ở đâu mà ra ko, và chính con số đó đáng tin bao nhiêu % ?? Ko có công ti nào công bố con số đó đâu, mà kinh nghiệm của bsi họ tự rút ra thôi, nên để tính chi ly như ad khó lắm, và chưa chắc đã hiệu quả. Vd ng ta bị sỏi thận với nguy cơ là 70% , với tính 75% thì có khác nhau trong hướng điều trị đâu ad . Cái tạo nên sự khác nhau, mổ hay ko, nó nằm ở những yếu tố khác. Cho nên nghe ad nói đậm chất lý thuyết toán, nghe để biết thêm cho vui, chứ thực tiễn nó khác lắm ad ơi.
Bạn sẽ hướng cho con bạn đi theo những người tốt vì xác suất nó thành người tốt là cao, chứ bạn không chắc chắn là nó sẽ thành người tốt hay xấu. Thực tiễn nó giống xác suất lắm :)
![Почему простые числа образуют спирали? [3Blue1Brown]](/img/n.gif)
Đón xem cuốn sách "NGHỆ THUẬT TƯ DUY DỰA TRÊN DỮ LIỆU" của mình, nói về các Thiên lệch thống kê và Tư duy dữ liệu, gồm những chủ đề mình đã làm video nhưng được đào sâu hơn, cùng nhiều chủ đề mới.
Sách hiện có bán tại các trang TMĐT và các nhà sách Fahasa, Netabooks, Nhân văn:
ti.ki/ujd9DhUs/GZX4Y1H8
shope.ee/8KDgvarvF2
đã mua trên tiki để ủng hộ bạn. Kiến thức rất bổ ích
@@nguyenanhthekhoa Thanks
Đây là một hiểu lầm về xác suất rất dễ gặp do hai cái khá nghe thì tương đương nhau nhưng khi vẽ cây xác suất ra thì mới thấy vấn đề. Thông qua Bayes cũng có một mô hình học máy để chẩn đoán bệnh, khá là hay. Cảm ơn bạn đã làm video này
thanks bạn đã quan tâm nhé
2 câu cái nghe xong tôi chả hiểu nó khác nhau như nào, vì nghe nó tương đương đương nhau, nên nhầm lẫn, sau khi xem giải thích thì tôi nghĩ đặt câu hỏi khác đi thì sẽ khó nhầm hơn ...
đây là xác xuất có điều kiện nhưng đè bài đưa ra thì không đung, nó là xác suất để 1 người trong nhóm người hay trong quần thể mắc bệnh nếu có xét nghiệm dương. Nó được tính cho quần thể chứ không phải 1 người. Nếu có gì chưa thỏa đáng mong bạn phản biẹne
Thật sự ban đầu mình nghĩ là y học có vẻ không giống như bạn nói, nhưng càng ngẫm nghĩ thì mình càng lung lay và mình đã bị bạn thuyết phục. Cảm ơn bạn nhìu
Hay quá. Hồi trước đi học toán xác suất ko hiểu hết mức độ ứng dụng của định lý Bayes.
5p đầu nghe thì còn hiểu, đến đoạn sau thì như người đi trên mây luôn . nhưng đây là một chủ để hay. mình sẽ tìm hiểu thêm về nó. xin cảm ơn bạn
Đặt A: email là spam; B: email có chứa từ 'click vào đây'. Áp dụng như ví dụ xác định bệnh ta có P(A|B)=40/58~69%. Cảm ơn ad vì bài học bổ ích.
Mình cũng tính ra kết quả giống bạn.
híc lên đại học nhiều lúc k hiểu hết dc những gì thầy giảng, cám ơn bạn đã có clip này giúp mình dễ hiểu hơn nhìu nhée
Rất tuyệt bạn ạ. Mình rất mong có thể được học hỏi từ bạn về cách làm video và cách thu thập nguồn thông tin chuẩn xác để có thể làm được những video thường thức khoa học như thế này. Xin cảm ơn bạn.
Hic, mình coi clip bên Udemy 2 năm trước ko hiểu gì luôn, còn giờ hay quá trời Ad à!
thanks bạn nhé
Chẩn đoán chứ không phải chuẩn đoán.có vẻ bạn hiểu về con số hơn so với hiểu biết về ngôn ngữ.nhưng kiến thức rất hay
13:51 xác suất là ~ 69% ^-^. Ad giảng và lấy ví dụ hay lắm ạ
Trong số các email chứa cụm từ "click vào đây" thì có 0.1*0.4=0.04(/tổng số email) là spam và 0.9*0.02=0.18(/tổng số email) không phải là spam. Do đó 1 email có cụm từ trên thì sẽ có xác suất spam là 0.04/0.18~22℅. Kết quả thu được phải lớn hơn 10% và nhỏ hơn 40% chứ ra 69% như b là sai chắc rồi
@@tungnguyenthanh7757 0.9*0.02=0.018 và 4%/5.8%~69%
@@tungnguyenthanh7757 0.9*0.02 =0.018 ông ơi
@@tungnguyenthanh7757 mình cũng tính ra sai chắc rồi
dành cho ai k chuyên: các bạn hãy giải bài toàn này bằng hình vẽ. Vì đối với ai ít dùng, việc nhớ công thức này sẽ hơi bị khó khăn khi cứ lẫn lộn A, A ngang, B, B ngang. Mình từng học kĩ về định lí Bayes, nhưng ai hỏi công thức thì mình chịu, tuy nhiên nếu hỏi đáp án thì mình vẫn giải dc dễ dàng bằng hình vẽ
mình không hình dung được bằng hình vẽ, bạn có thể giải thích giúp mình rõ hơn không
@@tannguyen9241 mình thường vẽ 1 đoạn thẳng (xem đó là 100%), chia ra làm 4 phần, tính xác suất quy ra 100% của 4 trường hợp trong bài, điền vào 4 phần. Sau đó đánh dấu 2 xác suất có đk mà đề bài hỏi. Thực hiện phép chia. Vậy là xong.
Ví dụ giải bài ở cuối video. 4 xác suất điền vào 4 chỗ trống: 6%,4%,1.8%,88.2%.
Mình vẽ 2 xác suất tương ứng với điều kiện email chứa "Click vào đây" là 4% và 1.8% kế nhau, đánh dấu nó bằng màu mực khác thì mình sẽ dc 1 đoạn thẳng con. Xem đoạn thẳng con đó là 100% mới thì vấn đề cần tính đã hiện ra bản chất
Đáp án là 4/(4+1.8) khoảng 69%.
Cảm ơn ad nhiều ạ, đọc tài liệu trên trường không hiểu lắm. Lên tìm xem vid của ad xong em hiểu rồi ạaa
Video của team quả thực rất hay. Mình đã tua đi tua lại và ngồi ngẫm😅
Hay quá ad ơi. Xem đi xem lại vài lần cũng dần hiểu ra. Một video thật hữu ích
Mình là sinh viên luật và mình thấy điều này khá thú vị, nhưng trên thực tế muốn chứng minh có tội hay vô tội thì.......rất lâu và dài :)))
Ví dụ xuất sắc và có tính ứng dụng thực tiễn rất cao, cảm ơn bạn
Dễ hiểu, ví dụ thực tế, áp dụng trong cuộc sống hàng ngày, công việc. Nắm được định lý dễ dàng. Cám ơn bạn rất nhiều :)
thanks bạn nhiều
đi học là đc học mà b
@Nhân Tâm Lưu xác suất thống kê đấy b. học xog cũng vất đi chứ ứng dụng cc gì đâu
rất là đễ hiểu xem 2 lần chưa hiểu :))
Đúng là định lý Bayes rất quan trọng, video trình bày rất logic và dễ hiểu. Nhưng nếu add nói bác sĩ ko biết về định lý này là sai rồi nhé. Thậm chí đây là điều căn bản nhất ( Tính xác xuất có điều kiện của một biến cố), nó thuộc môn Xác suất thống kê, được dạy học từ năm nhất trong Chương trình Y khoa chính quy. Nói về biến cố có điều kiện, như ví dụ trên, Độ nhạy =(dương thật/(Dương thật + Âm giả), Độ đặc hiệu=(Âm thật)/(Âm thật +Dương giả). Đây là một kiến thức hơi rắc rồi nhưng lại rất căn bản, đã được học và thực hành thuần thục từ lúc vỡ lòng nên bảo bác sĩ không biết là không đúng nhé.
Thực ra mình lấy trong nghiên cứu của Kahneman trong cuốn sách "Tư duy nhanh và chậm", bạn có thể tham khảo thêm. Cái các bác sĩ nhầm trong nghiên cứu là độ nhạy chính là khả năng bị bệnh của bệnh nhân, nhưng thực tế thì không phải. Độ nhạy là xác suất dương tính nếu bị bệnh, còn cái cần quan tâm là xác suất bị bệnh nếu dương tính. Còn nếu học chuyên sâu và nắm được XSTK thì sẽ không bị nhầm ở điểm này.
"cái bác sĩ bị nhầm độ nhạy chính là khả năng mắc bệnh của bệnh nhân..." omg. tôi nghĩ nếu có ông bác sĩ nào hiểu nhầm cái này thì chắc ổng mua bằng hay tốt nghiệp Đông Đô á bạn. mấy cái này cơ bản cực kỳ luôn mà bạn sợ bác sĩ không biết. Lý thuyết cũng chỉ là lý thuyết thôi. bạn nói có đọc GS Nguyễn Văn Tuấn thì bạn sẽ biết tất cả các con số từ sxtk phân tích theo lý thuyết đều có độ sai số so với thực tế. con số 9% trong video chỉ có ý nghĩa tham khảo cho vui thôi. chứ thực tế xác suất bạn thật sự mắc bệnh khi test dương tính nó khác xa con số 9% đó nhiều. ngay cả giới khoa học chính thống cũng có nhiều tranh cãi về điều này. ngoài ra phương pháp định lý Bayes cũng không phải là duy nhất, bởi còn có nhiều phương pháp tính khác có tính thực tế và khoa học hơn, cũng đc áp dụng nhiều hơn chứ không phải mình Bayes. Dịch cúm Vũ Hán vừa rồi là ví dụ sinh động cho thấy sự bất nhất trong nghiên cứu dịch tễ học và thực tế.
Xác suất thống kê lý thuyết thì có thể học thuộc nhưng vận dụng nó cực kỳ khó vì dễ nhầm lẫn. Mình trước đây từng xem một tài liệu về thống kê là bác sĩ y tá có khả năng sử dụng xác suất thống kê để khám chữa bệnh với một tỷ lệ hơi buồn là chỉ 15%.
Lúc trước học xác suất thống kê phần này không hiểu, bây h thì hiểu rõ hơn. Thanks ad nhiều
Tính nhanh thôi, odd của tiên nghiệm là 1/9. Likelihood ratio là 20. Nên odd hậu nghiệm là 20/9. Vậy ppv là 69%
9:11 Đoạn này hình như tác giả có nhầm lẫn ở mẫu số chỗ lúc khai triển P(B) ở phần công thức.
video rất hay cho người đã học qua xstk , trí tuệ nhân tạo . Còn người chưa học thì cũng hơi căng đấy
Hoàn toàn rút đc ra cho kinh nghiệm sống
Hữu ích nhưng hơi ít views, mong kênh phát triển (để tui share kênh cho)
Vậy nhờ bạn tính xác suất bị cáo Hoàng Văn Hưng trong vụ án Chuyến bay giải cứu vô tội là bao nhiêu %?
Khó ấy, vì rất khó ước lượng xác suất :))
Mong ad có thể ra nhiều video chứa bài tập ở cuối như video này ạ
sáng nay vừa học toán xác suất xong lên youtube gặp ngay video này, định luật khá thú vị nhưng hơi đau đầu
Chúc kênh ngày càng phát triển
hay quá ad ơi, nếu trình bày bằng hình học hay biểu đồ Venn sẽ càng hay hơn á
góp ý: chẩn đoán chứ không phải chuẩn đoán?
ở vụ sally clark thì e có 1 cách này mở hơn để chứng minh sally clark vô tội
cho rằng có 73 triệu người mẹ sinh 2 con. và có 1 người trong số đó có cả 2 con đều chết, đây chính là sally clark. cho rằng có 99.9999% người mẹ rất yêu con của mình. thì khả năng để 0.0001% người mẹ ko yêu thương con rơi vào sally clark là rất khó. ta có thể kẹp khoảng để tính xác suất.
quá dễ hiểu. Cám ơn ad rất nhiều
Tưởng châu Âu văn minh thế nào, đi buộc tội người khác có tội bằng xác xuất thống kê thay vì nhân chứng và vật chứng, đã vậy còn thống kê sai, hài thật. @.@. Nhìn chung cám ơn ad vì nhờ ad mình mới biết quy tắc xác suất rất quan trọng này.
Thú thực trước mình cũng thắc mắc liệu % bị bệnh và %chính xác của xét nghiệm. Giờ thấy thông suốt hơn cám ơn b
Anh co the ra 1 video ve sample va dcat trong R khong
Mình hiểu lý thuyết rồi nhưng khá dở tính toán, có công cụ nào để tính toán nhanh công thức trên ko nhỉ ?
9:17 hình như bạn viết nhằm công thức phần mẫu số
đúng rồi, đoạn đấy một cái phải là A_ngang
Một góp ý nhỏ là tiếng nhạc hơi to so với giọng nói ạ
Buồn là chương trình học của bs có môn xác xuất thống kê để làm các đề tài khoa học :(
Đổi nhạc nền khác được ko 😢😢 rùng mình quá
Video hay quá ad ơi, đã subscribe!
ad ơi, đúng là "chẩn đoán" chứ không phải "chuẩn đoán" nhé
cảm ơn bạn nhé. Mình sẽ chú ý hơn
ad dựng video bằng phần mềm gì vậy? Xem cuốn quá
M dùng Vyond
@@baihoc10phut cảm ơn ad đã rep
xstk đại học vừa học xong =)) ám ảnh luôn
Quá hay
9:06 phần mẫu số ... + P(B | not A)*P(not A) mới đúng
Rất tuyệt vời!
Đúng rồi ở trường y ai cũng được học cái này cả
học lâu rồi, h nghe chả nhớ gì luôn á
Ra trường chục năm rồi giờ nghe lại chả hiểu gì :)). Đau đầu, khỏi nghĩ. Vì có ôn lại kiến thức thì cũng chả để làm gì :))
ây dà mọi hôm dễ hiểu . video này không nuốt được ad ạ
cái này phải xem lại vài lần đấy :v
Dùng cái này để tính xác suất đánh lô
thank Ad.
sách hết hàng rồi hả bác
M thấy shopee còn bán đó
Hay quá ad ơi triệu tym
Anh ơi làm về vấn đề Monty Hall đi a
Hôm nay mới nghe thuyết trình cái bài này luôn :v
Bổ ích quá!
À mà thuật ngữ y khoa k có từ "chuẩn đoán" mà chỉ có từ "chẩn đoán" nha, anh lưu ý ạ
Chẩn đoán không phải chuẩn đoán. Đã chuẩn rồi thì đoán làm gì nữa.
Thay vì dùng số % thì thay bằng số người cụ thể có thể giúp dễ hiểu hơn.
@S2 Capital Uhm. Về chính xác thì đúng, chẳng qua để cho dễ hiểu thì nên để con số cụ thể sẽ giúp người xem dễ hiểu hơn.
ad học ngành gì mà cái gì cũng biết thế? học sách nào thế ad? mình đang học XSTK học trầy trật mới hiểu. nhìn thấy ad giải thích rất cặn kẽ. rất tuyệt vời
thanks bạn. m cũng chỉ góp nhặt từ nhiều nguồn
Bài cuối mình làm theo công thức thì mình làm ra được đáp án nhưng thật sự video này khó hiểu đối với mình nha 😅
Hay quá ad ơi❤️❤️❤️❤️❤️
Tôi chỉ cần tạo ra và đo "xác suất chính xác của thiết bị" là tính ra xác suất người bị bệnh sao ?
Như mình nói trong video là điều này ko đúng
Ad cho em hỏi số 90% và 95% tức là trong 90% người nhiễm bệnh sẽ cho ra kết quả chính xác còn 10% người nhiễm bệnh còn lại sẽ cho ra kq sai đúng k ạ
Đúng r bạn
LOL, đó là lý do vì sao phương tây cho luôn cho rằng bị cáo là vô tội cho đến khi được chứng minh là có tội
Kiến thức rất hay nhưng áp dụng trong bệnh truyền nhiễm thì có vẻ ko hợp lý lắm ad ạ . Hãy cho ví dụ là bệnh khó truyền nhiễm sẽ hợp lý hơn . Chứ mà như covid thì xác suất bị bệnh khi + là rất cao rồi , vì bênh dễ phức tạp và dễ phổ biến nên xác suất của bệnh phải cao hơn nhiều
với các bệnh truyền nhiễm bạn rất khó xác định được tỉ lệ người nhiễm bệnh ( như cái 1% trong video ) chính xác, nếu là vùng không dịch thì nó là rất thấp, nếu có dịch thì nó lại rất cao.
Nhạc to quá b ơi
Phép tính này kể cả trong thực tế hay về mặt toán học có vẻ sai sai.
Sự vô lý theo mình đến từ con số 1% người mắc phải. Thực ra để ra được con số này người ta phải thống kê số ca ĐÃ mắc phải/ tổng dân số, chứ không phải là khả năng 1 người mắc bệnh này.
Cấp 3 học xác suất r chưa b giờ sai cái này
mình thì hiếu ý ad trình bày nhưng sao vẫn chưa ngẫm ra dc tỉ lệ nhiễm bệnh sao có thể tác động vào việc test 1 người dương tính có thật sự nhiễm bệnh hay ko ??
tỷ lệ nhiễm bệnh sẽ ảnh hưởng như trong công thức bayes đề cập. Vì việc test dương tính có thể đến từ hai khả năng: dương tính và bị bệnh thật hoặc dương tính và không bị bệnh, xét nghiệm sai. Nên tỷ lệ nhiễm bệnh ảnh hưởng đến hai con số này
Định lý bayes theo mình hiểu là đánh giá lại tỉ lệ khi ta đã biết thêm giả thiết
Bài rất hay. Nhưng ad nên xem lại câu cuối nhé =) anti xã hội hay gì
ah. mình ko có ý gì đâu. Tại mình đọc vnexpress hay thấy có bài viết kiểu: Tôi là bác sỹ 30 năm nay mà chưa dùng chút toán học nào trong công việc hàng ngày =))
@@baihoc10phut uk. Mình chỉ ngại 1 số trường hợp nhận kết quả xét nghiệm xong ko tin chuẩn đoán bác sĩ vì chưa hiểu rõ ĐL này. Rồi tác động vật lý bsi thì ko hay =)
tốt nhất là cả bác sĩ và bệnh nhân đều nên hiểu về định lý Bayes =))
Mở rộng một chút về cách tính nhanh bài toán này, đặc biệt hữu dụng khi làm liên tiếp nhiều xét nghiệm, đây là cách mà mình đã học được từ 1 video của 3Blue1Brown:
Hãy quan tâm chủ yếu vào đến tỷ lệ "có" chia tỷ lệ "không" thay vì tỷ lệ "có" trên tất cả. Ví dụ cụ thể với bài toán cuối video này: hãy quan tâm tỷ lệ "spam"/"không spam". Khi chưa lấy thông tin về từ khóa "click vào đây", thì tỷ lệ này là 1/9 (tức (10%)/(90%)). Khi có thông tin rằng có từ khóa đó, thì tử số được cập nhật bằng việc nhân 40%, mẫu số được cập nhật bằng việc nhân 2%. Tỷ lệ mới sẽ bằng (1/9)*40/2=20/9. Quy đổi lại sẽ có xác suất 20/29 email đó là spam.
Công thức này có thể viết là:
P(A|B)/P(không A|B)
=
(P(A)/P(không A))*(P(B|A))/P(B|không A))
và được chứng minh vì 2 vế cùng bằng
(P(A)*P(B|A))
/
(P(không A)*P(B|không A))
Như vậy, cứ có "kết quả dương tính B" thì tỷ lệ lại thay đổi với tỷ lệ là (P(B|A))/P(B|không A)). Còn nếu nhận "kết quả âm tính B" thì tỷ lệ lại thay đổi với tỷ lệ là (P(không B|A))/P(không B|không A)). Điều này đặc biệt hữu dụng khi liên tiếp xét tiếp các "xét nghiệm" khác như cái từ khoá khác, dấu hiệu khác.
------
Mình tránh dẫn link của video của 3Blue1Brown vì dễ bị UA-cam nghi là spam. Các bạn cứ tra "3Blue1Brown Bayes" trên UA-cam, chọn video 1 năm trước (vì kênh này có một số video khác về định lý Bayes) thì sẽ ra.
hay👍
Nếu 1000 ng người xét nghiệm thì có 10 ng bị mà xét nghiệm ra hơn 100 ng dt
Ad cho mình hỏi. 1 người đc xét nghiệm ra là dương tính thì tổng xác suất người đó bị và không bị phải là 100 % . Vậy vì sao với kết quả của Ad tổng xác suất chỉ là 9.9 + 0.95 = 10.85% . Vậy phần còn lại thì người đó rơi vào trạng thái nào vậy ? .đáp án của câu hỏi nên là 0.95/(0.95+9.9) xác suất dương tính ?
0.95/(0.95+9.9) = 9% là xác suất bị bệnh nếu dương tính. Như vậy, xác suất không bị bệnh nếu dương tính sẽ là 100% - 9% = 91%. Các con số 9.9% và 0.95% chỉ là hai trường hợp trong mô hình cây ứng với P(A và B), P(A_ngang và B) nên không cộng vào bằng 1 được bạn nhé.
Tương tự, nếu bạn dùng công thức bayes để tính Xác suất bị bệnh với điều kiện âm tính và Xác suất không bị bệnh với điều kiện âm tính thì cũng sẽ cộng vào bằng 1.
Ở đây, bạn cần phân biệt giữa xác suất có điều kiện và xác suất không điều kiện. P(A và B) là xác suất cả A và B cùng xảy ra. Còn P(A | B) là xác suất A xảy ra nếu như B xảy ra
89.15% còn lại là "Người âm tính bị bệnh" + "người âm tính ko bị bệnh" = "người âm tính"
@@baihoc10phut cách hiểu câu hỏi của kênh có vấn đề, hoặc ít nhất là vấn đề đưa ra không rõ ràng. "Bị bệnh và xét nghiệm dương tính" dựa trên tập hợp tất cả số người xét nghiệm, và đúng như mô hình, tỉ lệ này là 10,85% tổng số. Tuy nhiên "bị bệnh nếu xét nghiệm dương tính" thì lại chỉ xét đến khả năng bị bệnh trong tập hợp những người có kết quả dương tính mà thôi. Có thể hiểu trường hợp thứ 2 như sau: khi bạn được phân loại cùng với rất nhiều người dương tính khác, thì 95% trong số các bạn đã mắc bệnh rồi, 1 tỉ lệ k hề lạc quan. Trong trường hợp này tỉ lệ 10,85% k hề phản ánh được điều đó
Chẩn đoán nhé
mình làm ra 68,966%
Mình cũng ra như vậy
Tính ntn v
P(A) vì sao lại = 1%?
hay quá
Hay
Sau 15 năm, cuối cùng tui cũng hiểu, ha ha...
Cách tính bài toán là đúng nhưng áp dụng sai. Nếu tỷ lệ xét nghiệm dương tính độ chính xác là 95% nghĩa là có 95% là bị bệnh nhé.
Ban đầu e tính ra 18%😅😅
Mà a ơi đáp án chính xác là bao nhiêu vậy ạ e thấy mn thì ra 69% mà sao e ra có 67%hà ko bt có sai ko nửa
0.04/ (0.04+0.018) 69%
Có thể bạn chưa biết: chuẩn đoán là sai chính tả, viết đúng là chẩn đoán 😁😁
Hại não quá huhu.
Ủa em dự đoán là 10%
Chắc ad ko làm về ngành y nên ko hiểu đc. Ví dụ 1 ng nói độ nhạy của 1 phương pháp chẩn đoán là 90% , thì ad có biết con số 90% đó ở đâu mà ra ko, và chính con số đó đáng tin bao nhiêu % ?? Ko có công ti nào công bố con số đó đâu, mà kinh nghiệm của bsi họ tự rút ra thôi, nên để tính chi ly như ad khó lắm, và chưa chắc đã hiệu quả. Vd ng ta bị sỏi thận với nguy cơ là 70% , với tính 75% thì có khác nhau trong hướng điều trị đâu ad . Cái tạo nên sự khác nhau, mổ hay ko, nó nằm ở những yếu tố khác. Cho nên nghe ad nói đậm chất lý thuyết toán, nghe để biết thêm cho vui, chứ thực tiễn nó khác lắm ad ơi.
?
chuẩn ạ , lí thuyết thôi chứ lâm sàng ông nào dám theo
Nghe cho vui chứ áp dụng thực tế ko được
Nếu nó chỉ là lý thuyết thì chắc bà kia phải ở trong tù mãi... Mà cũng không hiểu sao lại dùng xác xuất thông kê để kết tội vậy nhờ.
Bạn sẽ hướng cho con bạn đi theo những người tốt vì xác suất nó thành người tốt là cao, chứ bạn không chắc chắn là nó sẽ thành người tốt hay xấu. Thực tiễn nó giống xác suất lắm :)
0,4976% nhaaa , nếu sai sót mong ae chỉnh sửa nhaa
Nhức cái đầu xong 11 bỏ lâu rồi
5%
đúng ko?
Có cmt bên dưới đáp án khác đó bạn
Con số 1% số người mắc ko liên quan gì tới phép tính thì phải
Có bạn ạ. Nó có trong công thức
Nghe có vẻ hơi sai sai nhì
xap xi:4,34%
Mới đầu hiểu càng xem càng k hiểu
Cái này hơi lằng nhằng, bạn nên xem một vài lượt và tua lại những đoạn ko hiểu :)
cái này chỉ áp dụng trong nghiên cứu chứ bs, ls học làm gì, biết cho vui thôi
chẩn đoán ko phải chuẩn đoán
Cảm ơn bạn đã góp ý. Mình sẽ chú ý hơn
Kết quả là 68,96551%