Калькулятор теоремы Байеса
Введите априорную вероятность, правдоподобие свидетельства и либо полную вероятность свидетельства, либо вероятность ложной тревоги, чтобы вычислить апостериорную вероятность P(H|E) по теореме Байеса.
Вычислить апостериорную вероятность
Формула теоремы Байеса
Где:
- \(P(H|E)\) — апостериорная вероятность: вероятность гипотезы после наблюдения свидетельства
- \(P(H)\) — априорная вероятность: вероятность гипотезы до появления свидетельства
- \(P(E|H)\) — правдоподобие: вероятность свидетельства при условии, что гипотеза верна
- \(P(E)\) — полная вероятность свидетельства при всех гипотезах
Если известна только вероятность ложной тревоги \(P(E|\neg H)\), полная вероятность свидетельства выводится по формуле полной вероятности:
\[ P(E) = P(H) \cdot P(E|H) + \bigl(1 - P(H)\bigr) \cdot P(E|\neg H) \]
Теорема показывает, как обновить веру в гипотезу при появлении новых свидетельств: апостериорная вероятность пропорциональна произведению априорной вероятности и правдоподобия.
Теорема Байеса — пример расчёта
Пример: редкой болезнью страдает 1% населения. Тест обнаруживает болезнь у 95% больных, а случайно выбранный человек из всего населения получает положительный результат с вероятностью 5,9%. Человек сдал положительный тест — какова вероятность, что он действительно болен?
\[ P(H|E) = \frac{P(H) \cdot P(E|H)}{P(E)} = \frac{0.01 \times 0.95}{0.059} = 0.1610 \]
Результат: апостериорная вероятность составляет около 16,1%. Несмотря на положительный результат достаточно точного теста, вероятность болезни у человека лишь 16,1%, потому что сама болезнь редкая.
Как пользоваться калькулятором
- Выберите режим ввода свидетельства:
Полная вероятность P(E), если известна общая вероятность свидетельства, илиЛожная тревога P(E|¬H), если известна вероятность свидетельства при неверной гипотезе. - Введите априорную вероятность P(H) в процентах — вашу веру в гипотезу до появления свидетельства.
- Введите правдоподобие P(E|H) в процентах — насколько вероятно свидетельство, если гипотеза верна.
- Введите либо вероятность свидетельства P(E), либо вероятность ложной тревоги P(E|¬H) — в зависимости от выбранного режима (показывается только одно из двух полей).
- Прочитайте результат: апостериорную вероятность P(H|E), вычисленное P(E), теорему с подставленными значениями и краткую интерпретацию.
Что такое теорема Байеса и почему она важна
Теорема Байеса, названная в честь статистика XVIII века Томаса Байеса, описывает, как рационально обновлять вероятность гипотезы при появлении новых свидетельств. Вы начинаете с априорной вероятности — того, во что верили раньше — и умножаете её на то, насколько хорошо свидетельство согласуется с гипотезой (правдоподобие). Деление на полную вероятность свидетельства нормализует результат, давая апостериорную вероятность — обновлённую веру.
Теорема знаменита контринтуитивными результатами. В примере выше положительный тест на редкую болезнь повышает вероятность болезни лишь до 16,1%, а не до 95%. Причина — базовый уровень: поскольку болезнью страдает всего 1% людей, ложные срабатывания у здоровых 99% преобладают среди положительных результатов. Этот эффект базового уровня — одна из самых распространённых ошибок рассуждения в медицине, судах, антиспам-фильтрах и при досмотрах в системах безопасности.
Результат лучше всего читать как силу веры в диапазоне от 0% до 100%. Апостериорная вероятность выше 50% означает, что свидетельство склоняет чашу весов в пользу гипотезы; чем дальше она от априорной вероятности, тем информативнее было свидетельство. Если апостериорная вероятность почти не сдвинулась от априорной, свидетельство принесло мало новой информации о гипотезе.
Допущения, ограничения и советы
- Бинарные гипотезы. Калькулятор предполагает, что гипотеза либо верна (H), либо неверна (¬H). Для трёх и более конкурирующих гипотез нужно применять теорему попарно со всеми слагаемыми в знаменателе.
- Согласованность свидетельства. Правдоподобие P(E|H) не может превышать полную вероятность свидетельства P(E); калькулятор сообщит о несогласованных входных данных. Если возникла такая ошибка, проверьте, что оба числа описывают одно и то же свидетельство.
- Независимые и корректно заданные входные данные. Априорная вероятность должна отражать всё, что известно до свидетельства, а правдоподобие не должно уже включать априорную вероятность — их смешение является самой частой ошибкой.
- Последовательные обновления. Для нескольких независимых свидетельств можно каждую апостериорную вероятность подавать обратно как новую априорную для следующего свидетельства.
- Нулевое P(E). Если свидетельство невозможно (P(E) = 0), апостериорная вероятность не определена, и калькулятор сообщит об ошибке.
Если вы моделируете, сколько раз свидетельство происходит при повторных испытаниях, вам помогут калькулятор биномиального распределения и калькулятор распределения Пуассона для оценки правдоподобий. Для количественной оценки неопределённости оценок см. калькулятор доверительного интервала.
Часто задаваемые вопросы
Как вычислить теорему Байеса вручную?
Умножьте априорную вероятность на правдоподобие, затем разделите на полную вероятность свидетельства: \(P(H|E) = \frac{P(H) \cdot P(E|H)}{P(E)}\). Если вместо \(P(E)\) известна вероятность ложной тревоги, сначала вычислите \(P(E) = P(H)\cdot P(E|H) + (1-P(H))\cdot P(E|\neg H)\), затем подставьте. Всегда держите все вероятности в одном масштабе (все в долях или все в процентах), чтобы избежать распространённой арифметической ошибки.
В чём разница между P(E|H) и P(H|E)?
Это разные условные вероятности, которые часто путают. \(P(E|H)\) — это правдоподобие: вероятность наблюдать свидетельство, если гипотеза верна (например, как часто тест положителен у больного человека). \(P(H|E)\) — это апостериорная вероятность: вероятность того, что гипотеза верна при данном свидетельстве (например, вероятность того, что человек с положительным тестом действительно болен). Теорема Байеса преобразует одну величину в другую, и их значения обычно сильно различаются.
Почему положительный результат теста часто ошибочен даже при точном тесте?
Из-за базового уровня. Когда состояние редкое, ложные срабатывания у многочисленного здорового большинства могут превзойти по числу истинные срабатывания у малочисленной группы больных. При априорной вероятности 1%, чувствительности 95% и вероятности ложной тревоги 5% положительный результат даёт лишь около 16% вероятности болезни — хотя сам тест довольно точен. Поэтому апостериорные вероятности при скрининге никогда не следует считать диагнозом; стандартной практикой является подтверждающее тестирование.
В каких единицах вводить данные и как преобразовать шансы или частоты?
Все входные данные вводите в процентах от 0 до 100. Если данные даны как частота (например, 1 на 250), преобразуйте её в \(1/250 = 0.004\), то есть 0,4%. Если у вас шансы (например, 3:1 в пользу), преобразуйте их в вероятность по формуле \(p = \frac{o}{o+1}\) — здесь \(3/4 = 75\%\). Апостериорная вероятность на выходе также в процентах, поэтому при необходимости в долях умножьте её на 100 в уме.
Можно ли использовать калькулятор для нескольких свидетельств или последовательных обновлений?
Да, если свидетельства условно независимы. Запустите калькулятор с исходной априорной вероятностью, затем возьмите полученную апостериорную вероятность и введите её как априорную для второго свидетельства, и так далее. Каждый раунд применяет \(P(H|E_1,E_2) = \frac{P(H|E_1)\cdot P(E_2|H)}{P(E_2)}\). Учтите, что повторное использование одного и того же свидетельства или последовательная подача зависимых свидетельств учитывает его дважды и завышает апостериорную вероятность.
Что будет, если правдоподобие P(E|H) больше, чем P(E)?
Калькулятор отметит входные данные как несогласованные, поскольку \(P(E)\) — это взвешенное среднее \(P(E|H)\) и \(P(E|\neg H)\), поэтому оно не может быть меньше ни одной из компонент. Эта ошибка обычно означает, что два числа описывают разные свидетельства (например, одно относится к положительному тесту, а другое — к подтверждённому диагнозу) или что априорная вероятность случайно введена вместо правдоподобия. Перед пересчётом проверьте, что каждый вход относится ровно к одному и тому же событию.
Как вероятность ложной тревоги связана с чувствительностью и специфичностью теста?
В медицинском тестировании правдоподобие \(P(E|H)\) соответствует чувствительности (доле истинно положительных результатов), а вероятность ложной тревоги \(P(E|\neg H)\) равна 1 минус специфичность. Так, если специфичность теста 92%, введите \(100 - 92 = 8\%\) как вероятность ложной тревоги. Априорная вероятность \(P(H)\) — это распространённость болезни. Комбинация этих трёх чисел по теореме Байеса даёт прогностическую ценность положительного результата — вероятность того, что положительный результат является истинно положительным.