Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Behavioural Data Science > Lecture 4 > Flashcards

Lecture 4 Flashcards

You may prefer our related Brainscape-certified flashcards:
Biology 101 flashcards
1
Q

the probability of a binary question depends on…

A

sensitivity
specificity
prevalence

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

base rate neglect =

A

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

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

bayes theorem =

A

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.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

bayesian inference =

A

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

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

wat is het verschil tussen general model en bayesian inference

A

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)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

wat zijn de belangrijkste factoren van bayesian

A

positive predictive value and negative predictive value

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

sensitivity=

A

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

= hit rate

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

specificity=

A

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

= correction rejection

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

ezelsbruggetje sensi en speci

A

sensitivity = v van vinkje, dus gaat over positieve testen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

positive predictive value =

A

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

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

negative predictive value =

A

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

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

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

A

sensi/speci = state of the world -> data

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

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

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

A

sensi/speci = state of the world -> data

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

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

welke formule hoort dan bij sensi/speci

A

P(A|B)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

welke formule hoort bij predictive values

A

P(B|A)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

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

A

transposing the conditional

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

hoe interpreteer je P(A|B)

A

kans dat je a krijgt als je b hebt

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

hoe interpreteer je P(B|A)

A

kans dat je b krijgt als je a hebt

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

welke is high probability

A

p(A|B)

20
Q

en welke is low probability

A

P(B|A)

21
Q

voorbeeld hiervan

A

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)

22
Q

wat is lastig aan een lage prevalentie bij sensi en speci

A

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

23
Q

hoe kan je deze limitatie aanpassen

A

focus on the rows; predictive value

24
Q

bayes rule =

A

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

25
Q

dus wat doe je basically bij bayes rules

A

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

26
Q

formule: present knowledge about the world =

A

past knowledge * predictive updating factor

27
Q

2 key ideas

A
  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
28
Q

what is the probability of it being windy and roger winning

A

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

29
Q

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

A

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

30
Q

wat is ppv en npv

A

positive predictive value
negative predictive value

31
Q

dus als je ppv wil waar kijk je naar

A

positief, rows

32
Q

als je npv wil waar kijk je naar

A

negative, rows

33
Q

wat betekent een komma bij P(A,W)

A

and

34
Q

algemene formule om a en b te krijgen

A

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

35
Q

hoe kan je de algemene formule omzetten

A

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

36
Q

wat is er met de and operation

A

die maakt het niet uit welke eerst komt

37
Q

present knowledge about the world =

A

past knowledge x predictive updating factor

38
Q

formule =

A

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

39
Q

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

A

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.

40
Q

wat is de formule voor prevalentie

A

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

41
Q

hoe ga je van odds naar probability

A

odds/odds+1

dus bijvoorbeeld ppv is probability!

42
Q

wat is de posterior odds

A

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

43
Q

wat is de predictive updating factor

A

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

44
Q

wat is de sensitivity formule met p

A

p(t=+|D)

45
Q

wat is de specificity formule met p

A

p(t=-|D)

46
Q

wat is de likelihood ratio

A

sensitivity/1-specificity

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

47
Q

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

A

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

Behavioural Data Science (6 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions