Lecture 4

Question 1

the probability of a binary question depends on…

Answer 1

sensitivity
specificity
prevalence

Question 2

base rate neglect =

Answer 2

the failure to take prevalence into account

-> type of fallacy in which people tend to ignore the base rate (e.g., general prevalence) in favor of the individuating information (i.e., information pertaining only to a specific case)

bij een lage prevalentie kan een mega goede test nog steeds valse resultaten genereren

Question 3

bayes theorem =

Answer 3

states that the conditional probability of an event, based on the occurrence of another event, is equal to the likelihood of the second event given the first event multiplied by the probability of the first event.

Question 4

bayesian inference =

Answer 4

hypotheses that predict the data relatively well receive a boost in credibility, whilst hypotheses that predict the data relatively poorly suffer a decline.

Question 5

wat is het verschil tussen general model en bayesian inference

Answer 5

general model: met sensitivity and specificity. state of the world -> predictions -> data

bayesian inference: wishes to invert the generative model. data -> state of the world (given this data, what can we conclude about the state of the world)

Question 6

wat zijn de belangrijkste factoren van bayesian

Answer 6

positive predictive value and negative predictive value

Question 7

sensitivity=

Answer 7

if you have the disease, what is the probability of a positive test

= hit rate

Question 8

specificity=

Answer 8

given you do not have the disease, what is the probability of a negative test

= correction rejection

Question 9

ezelsbruggetje sensi en speci

Answer 9

sensitivity = v van vinkje, dus gaat over positieve testen

Question 10

positive predictive value =

Answer 10

given that the test is positive, what is the probability of having the disease

Question 11

negative predictive value =

Answer 11

given that the test is negative, what is the probability of not having the disease

Question 12

dus wat is het verschil tussen sensitivity/specificity en positive/negative predictive values

Answer 12

sensi/speci = state of the world -> data

positive/neg predic values = data -> state of the world

Question 13

dus wat is het verschil tussen sensitivity/specificity en positive/negative predictive values

Answer 13

sensi/speci = state of the world -> data

positive/neg predic values = data -> state of the world

Question 14

welke formule hoort dan bij sensi/speci

Answer 14

P(A|B)

Question 15

welke formule hoort bij predictive values

Answer 15

P(B|A)

Question 16

hoe heet de error van p(a|b) en p(b|a)

Answer 16

transposing the conditional

Question 17

hoe interpreteer je P(A|B)

Answer 17

kans dat je a krijgt als je b hebt

Question 18

hoe interpreteer je P(B|A)

Answer 18

kans dat je b krijgt als je a hebt

Question 19

welke is high probability

Answer 19

p(A|B)

Question 20

en welke is low probability

Answer 20

P(B|A)

Question 21

voorbeeld hiervan

Answer 21

blood loss en shark attack

kans bij blood loss als shark attack is hoog, dus P(blood loss | shark attack)

kans bij shark attack als blood loss is laag, dus P(shark attack | blood loss)

Question 22

wat is lastig aan een lage prevalentie bij sensi en speci

Answer 22

een lage prevalentie van een ziekte kan er voor zorgen dat een test heel goed lijkt, maar dat eigenlijk niet is. nog steeds zijn er heeel veel mensen die vals positief worden verklaard

Question 23

hoe kan je deze limitatie aanpassen

Answer 23

focus on the rows; predictive value

Question 24

bayes rule =

Answer 24

start with prior, past knowledge about the world -> see data -> obtain present knowledge about the world

Question 25

dus wat doe je basically bij bayes rules

Answer 25

learning occurs by seeing data, seen through the predictive updating factor

Question 26

formule: present knowledge about the world =

Answer 26

past knowledge * predictive updating factor

Question 27

2 key ideas

Answer 27

1. hypotheses that predict the data well, are boosted in plausibility, others that dont suffer a decline
2. extraordinary claims require extraordinary evidence, want your past knowledge telt ook heel erg mee! dus bij strong prior opinion heb je extraordinary

Question 28

what is the probability of it being windy and roger winning

Answer 28

P(W, R) = P(W) x P(R|W)

Question 29

bij welke vraag kijk je naar de rijen, en bij welke vraag kijk je naar de coloms?

Answer 29

colums = sensitivity (positive) or specificity (negative)
rows = predictive values

Question 30

wat is ppv en npv

Answer 30

positive predictive value
negative predictive value

Question 31

dus als je ppv wil waar kijk je naar

Answer 31

positief, rows

Question 32

als je npv wil waar kijk je naar

Answer 32

negative, rows

Question 33

wat betekent een komma bij P(A,W)

Answer 33

and

Question 34

algemene formule om a en b te krijgen

Answer 34

P(A,B) = P(A) * P(B|A)

Question 35

hoe kan je de algemene formule omzetten

Answer 35

P(B,A) = P(B) * P(A|B)

Question 36

wat is er met de and operation

Answer 36

die maakt het niet uit welke eerst komt

Question 37

present knowledge about the world =

Answer 37

past knowledge x predictive updating factor

Question 38

formule =

Answer 38

p(d|t)/p(h|t) = p(d)/p(h) * p(t|D)/p(t|H)

P(d)/P(h) in het midden, moet goed verdeeld worden!

dtdtd

Question 39

als je hele goede evidence hebt, wordt posterior knowledge dan gelijk aangepast?

Answer 39

nee, als de prior odds heel sterk is dan is het alsnog niet genoeg. gaat dus echt om wat het sterkste is

An excellent test (high sensitivity and specificity) can provide strong evidence. This evidence may still not be enough to overturn the impact of prevalence.

Question 40

wat is de formule voor prevalentie

Answer 40

P(D)
P(H) is dan 1-P(D)

Question 41

hoe ga je van odds naar probability

Answer 41

odds/odds+1

dus bijvoorbeeld ppv is probability!

Question 42

wat is de posterior odds

Answer 42

P(D)/P(H), dus prevalenties

Question 43

wat is de predictive updating factor

Answer 43

P(t|D) / P(t|H)

Question 44

wat is de sensitivity formule met p

Answer 44

p(t=+|D)

Question 45

wat is de specificity formule met p

Answer 45

p(t=-|D)

Question 46

wat is de likelihood ratio

Answer 46

sensitivity/1-specificity

p(t=+|D) / p(t=-|D)

Question 47

als je niks weet van de prevalentie, welke maat kun je dan nog wel voorspellen

Answer 47

de sensitivity, “given that you have the disease, how likely is the test going to give a positive result” -> dus dit gaat echt over de kwaliteit van de test. (kolommen!) dit geldt ook voor specificity