Wikisage, de vrije encyclopedie van de tweede generatie, is digitaal erfgoed

Wikisage is op 1 na de grootste internet-encyclopedie in het Nederlands. Iedereen kan de hier verzamelde kennis gratis gebruiken, zonder storende advertenties. De Koninklijke Bibliotheek van Nederland heeft Wikisage in 2018 aangemerkt als digitaal erfgoed.

  • Wilt u meehelpen om Wikisage te laten groeien? Maak dan een account aan. U bent van harte welkom. Zie: Portaal:Gebruikers.
  • Bent u blij met Wikisage, of wilt u juist meer? Dan stellen we een bescheiden donatie om de kosten te bestrijden zeer op prijs. Zie: Portaal:Donaties.
rel=nofollow

A posteriori

Uit Wikisage
Naar navigatie springen Naar zoeken springen

A-posteriori-kennis is kennis afgeleid uit de ervaring. Het tegengestelde is a-priori-kennis, die voorafgaat aan de ervaring of er niet afhankelijk van is.

Het is een vorm van kennis die gebruikmaakt van een inductieve redenering: de reden bepalen uit het resultaat.

De Van Dale van 2005 geeft bij a posteriori de volgende toelichting:

  • achteraf gedacht, en ook:
  • vaststelling of oordeel achteraf

Datgene dus wat uit onderzoek van de feiten uiteindelijk blijkt.

A-posteriori-kans

Het begrip a posteriori wordt ook gebruikt in de kansrekening en statistiek, in het bijzonder in de bayesiaanse statistiek. Men spreekt dan van "a-posteriori-kans" in tegenstelling tot "a-priori-kans".

Een munt lijkt op het oog zuiver, daarom nemen we vooraf, a priori, aan dat de kans op kop 1/2 is. Bij 100 worpen met de munt blijkt 80 keer kop gegooid te zijn. Achteraf, a posteriori, stellen we onze aanname bij, en nemen aan dat de a-posteriori-kans op kop 0,8 is.

Voorbeeld 1

Via een test bepaalt een arts of een patiënt mogelijk een bepaalde ziekte Z heeft. Van de bevolking heeft een fractie P(Z)=1% de ziekte. Vooraf, a priori, is de kans dat de patiënt de ziekte heeft dus 1%, de a-priori-kans. Van de test zijn de volgende gegevens bekend: de kans P(-|Z)=2% dat de test niet ontdekt dat iemand de ziekte heeft, en de kans P(+|niet Z)=5% dat de test ten onrechte positief is, dat wil zeggen aangeeft dat een gezond persoon de ziekte zou hebben. Als de test bij de patiënt een positieve uitslag heeft, wat is dan a posteriori, dus achteraf nu de testuitslag vastligt, de kans op de ziekte? Daartoe berekenen met de regel van Bayes deze a-posteriori-kans:


Van a priori een kans van 1% is bij positieve testuitslag a posteriori een kans van 17% op de ziekte.

Voorbeeld 2

Je doet 10 experimenten, en het resultaat is: 1 0 1 0 1 0 1 0 1 0 (1 is gelukt, 0 is mislukt)

Blijkbaar is de slaagkans ongeveer 50%. Maar je merkt op dat de 1 en de 0 steeds alterneren. Als je daarop verder gaat zou er de volgende keer misschien wel meer kans kunnen zijn op een 1.

Dit is een a posteriori-kans, omdat je pas achteraf vastlegt waar je op gaat letten. Als je goed zoekt, vind je misschien altijd wel een patroon.

Voorbeelden van drogredenen

Twee andere voorbeelden zijn klassieke voorbeelden van drogredenen uit de kansrekening:

  • "Ik dacht net aan jou toen de telefoon ging. Dat kan geen toeval zijn!". Ook hier vind je een opvallende onwaarschijnlijkheid omdat je pas achteraf op het resultaat gaat letten. Als je een experiment zou opzetten waarbij je iedere keer als de telefoon gaat onmiddellijk opschrijft waar je op dat moment aan dacht, vind je wellicht een uitslag die overeenkomt met een normale kansverdeling. De reden is hier het selectief geheugen, al de keren dat de telefoon ging en je aan iets anders dacht vallen niet zo op. Deze drogreden heet cum hoc ergo propter hoc of post hoc ergo propter hoc, afhankelijk van je interpretatie.
  • "De bliksem is hier al eens ingeslagen, en de kans dat de bliksem twee keer op dezelfde plaats inslaat is erg klein". De kans dat de bliksem twee keer op dezelfde plaats inslaat is inderdaad klein, maar omdat hij al eens ingeslagen is, is een deel van de waarschijnlijkheid al een zekerheid geworden.

Zie ook

  • De regel van Bayes gaat over de relatie tussen voorwaardelijke kansen. Het geeft een verband aan tussen kansen die niet altijd met onze intuïtie overeenkomt maar des te beter met de feiten. Niet goed omgaan met kansen kan tot desastreuze gevolgen leiden. De medische diagnostiek leert dat als geen andere discipline. De juiste toepassing van de regel van Bayes kan hier veel schade voorkomen.
  • Lijst van Latijnse begrippen