Калькулятор теореми Баєса
Введіть апріорну ймовірність, правдоподібність доказу а також повну ймовірність доказу або рівень хибних тривог, щоб обчислити апостеріорну ймовірність P(H|E) за теоремою Баєса.
Обчислення апостеріорної ймовірності
Формула теореми Баєса
Де:
- \(P(H|E)\) — апостеріорна ймовірність: ймовірність гіпотези після отримання доказу
- \(P(H)\) — апріорна ймовірність: ймовірність гіпотези до отримання доказу
- \(P(E|H)\) — правдоподібність: ймовірність доказу за умови, що гіпотеза істинна
- \(P(E)\) — повна ймовірність доказу за всіх гіпотез
Якщо вам відомий лише рівень хибних тривог \(P(E|\neg H)\), повну ймовірність доказу можна знайти за формулою повної ймовірності:
\[ P(E) = P(H) \cdot P(E|H) + \bigl(1 - P(H)\bigr) \cdot P(E|\neg H) \]
Теорема показує, як оновити переконання в гіпотезі, коли з’являється новий доказ: апостеріорна ймовірність пропорційна добутку апріорної ймовірності та правдоподібності.
Теорема Баєса — приклад обчислення
Приклад: на рідкісну хворобу страждає 1% населення. Тест виявляє хворобу у 95% хворих, а випадково обрана людина з усього населення має шанс 5,9% отримати позитивний результат. Людина отримала позитивний результат — якою є ймовірність, що вона справді хвора?
\[ P(H|E) = \frac{P(H) \cdot P(E|H)}{P(E)} = \frac{0.01 \times 0.95}{0.059} = 0.1610 \]
Результат: апостеріорна ймовірність становить приблизно 16,1%. Незважаючи на позитивний результат досить точного тесту, людина має лише 16,1% шанс бути хворою, адже сама хвороба є рідкісною.
Як користуватися калькулятором
- Виберіть режим введення даних про доказ:
Повна ймовірність доказу P(E), якщо вам відома загальна ймовірність доказу, абоХибна тривога P(E|¬H), якщо вам відома ймовірність доказу за умови, що гіпотеза хибна. - Введіть Апріорну ймовірність P(H) у відсотках — ваші переконання щодо гіпотези до отримання доказу.
- Введіть Правдоподібність P(E|H) у відсотках — наскільки ймовірним є доказ, якщо гіпотеза істинна.
- Введіть Ймовірність доказу P(E) або Рівень хибних тривог P(E|¬H) залежно від обраного режиму (показується лише одне з цих двох полів).
- Прочитайте результат: апостеріорну ймовірність P(H|E), обчислене значення P(E), теорему з підставленими вашими значеннями та коротку інтерпретацію.
Що таке теорема Баєса і чому вона важлива
Теорема Баєса, названа на честь статистика XVIII століття Томаса Баєса, описує, як раціонально оновлювати ймовірність гіпотези при появі нових доказів. Ви починаєте з апріорної ймовірності — того, у що вірили раніше — і множите її на те, наскільки добре доказ узгоджується з гіпотезою (правдоподібність). Ділення на повну ймовірність доказу нормалізує результат, даючи апостеріорну ймовірність — ваше оновлене переконання.
Теорема відома тим, що дає неочевидні результати. У прикладі вище позитивний тест на рідкісну хворобу підвищує ймовірність хвороби лише до 16,1%, а не до 95%. Причина — базова частота: оскільки хвороба вражає лише 1% людей, хибні позитиви від здорових 99% домінують серед позитивних результатів. Цей ефект базової частоти — одна з найпоширеніших помилок міркування в медицині, судах, фільтрації спаму та перевірках безпеки.
Результат найкраще читати як силу переконання в межах від 0% до 100%. Апостеріорна ймовірність понад 50% означає, що доказ схиляє шальки терезів на користь гіпотези; чим далі вона від апріорної, тим інформативнішим був доказ. Якщо апостеріорна ймовірність майже не змістилася відносно апріорної, доказ містив мало нової інформації про гіпотезу.
Припущення, обмеження та поради
- Бінарні гіпотези. Калькулятор припускає, що гіпотеза або істинна (H), або хибна (¬H). Для трьох і більше конкуруючих гіпотез потрібно застосовувати теорему попарно з усіма членами в знаменнику.
- Узгодженість доказу. Правдоподібність P(E|H) не може перевищувати повну ймовірність доказу P(E); калькулятор позначить неузгоджені введені дані. Якщо ви отримали цю помилку, перевірте, чи обидва числа описують саме той самий доказ.
- Незалежні та коректно задані вхідні дані. Апріорна ймовірність має відображати все відоме до доказу, а правдоподібність не повинна вже містити апріорну ймовірність — плутанина між ними є найпоширенішою помилкою.
- Послідовні оновлення. Для кількох незалежних доказів кожну апостеріорну ймовірність можна використовувати як нову апріорну для наступного доказу.
- Нульова P(E). Якщо доказ неможливий (P(E) = 0), апостеріорна ймовірність не визначена, і калькулятор повідомляє про помилку.
Якщо ви моделюєте, скільки разів доказ трапляється за повторюваних випробувань, Калькулятор біномного розподілу і Калькулятор розподілу Пуассона допоможуть оцінити правдоподібності. Для оцінювання невизначеності в оцінках зверніться до Калькулятора довірчого інтервалу.
Часті запитання
Як обчислити теорему Баєса вручну?
Помножте апріорну ймовірність на правдоподібність, а потім розділіть на повну ймовірність доказу: \(P(H|E) = \frac{P(H) \cdot P(E|H)}{P(E)}\). Якщо замість \(P(E)\) вам відомий рівень хибних тривог, спочатку обчисліть \(P(E) = P(H)\cdot P(E|H) + (1-P(H))\cdot P(E|\neg H)\), а потім підставте. Завжди тримайте всі ймовірності в одній шкалі (усі десяткові дроби або всі відсотки), щоб уникнути поширеної арифметичної помилки.
Яка різниця між P(E|H) і P(H|E)?
Це різні умовні ймовірності, які часто плутають. \(P(E|H)\) — це правдоподібність: ймовірність побачити доказ, якщо гіпотеза істинна (наприклад, наскільки часто тест позитивний у хворої людини). \(P(H|E)\) — це апостеріорна ймовірність: ймовірність того, що гіпотеза істинна за наявності доказу (наприклад, шанс, що людина з позитивним тестом справді хвора). Теорема Баєса перетворює одну на іншу, і їхні значення зазвичай дуже різні.
Чому позитивний результат тесту часто є хибним навіть для точного тесту?
Через базову частоту. Коли стан є рідкісним, хибні позитиви від чисельної здорової більшості можуть перевищувати кількість істинних позитивів від невеликої ураженої групи. За апріорної ймовірності 1% частоти виявлення 95% і рівня хибних тривог 5%, позитивний результат дає лише близько 16% ймовірності хвороби — хоча сам тест досить точний. Саме тому апостеріорні ймовірності у скринінгових контекстах ніколи не слід розглядати як діагноз; підтверджувальне тестування є стандартною практикою.
Які одиниці слід вводити і як перетворювати шанси або частоти?
Вводьте всі дані у відсотках від 0 до 100. Якщо ваші дані подано як частоту (наприклад, 1 з 250), перетворіть її в \(1/250 = 0.004\), тобто 0,4%. Якщо у вас шанси (odds, наприклад, 3:1 за), перетворіть їх у ймовірність за формулою \(p = \frac{o}{o+1}\) — тут \(3/4 = 75\%\). Результат також подається у відсотках, тож подумки розділіть на 100, якщо вам потрібен десятковий дріб.
Чи можна використовувати калькулятор для кількох доказів або послідовних оновлень?
Так, якщо докази є умовно незалежними. Запустіть калькулятор один раз із початковою апріорною ймовірністю, потім візьміть отриману апостеріорну ймовірність і введіть її як апріорну для другого доказу тощо. Кожен крок застосовує \(P(H|E_1,E_2) = \frac{P(H|E_1)\cdot P(E_2|H)}{P(E_2)}\). Зауважте, що повторне використання того самого доказу двічі або послідовне подання залежних доказів враховує їх двічі й завищує апостеріорну ймовірність.
Що станеться, якщо правдоподібність P(E|H) більша за P(E)?
Калькулятор позначить введені дані як неузгоджені, оскільки \(P(E)\) — це зважене середнє \(P(E|H)\) і \(P(E|\neg H)\), тож вона ніколи не може бути меншою за жодну зі складових. Ця помилка зазвичай означає, що два числа описують різні докази (наприклад, одне стосується позитивного тесту, а інше — підтвердженого діагнозу) або що апріорну ймовірність випадково введено як правдоподібність. Перевірте, чи кожне введене значення стосується саме тієї самої події, перш ніж перераховувати.
Як рівень хибних тривог пов’язаний із чутливістю та специфічністю тесту?
У медичному тестуванні правдоподібність \(P(E|H)\) відповідає чутливості (частці істинно позитивних результатів), тоді як рівень хибних тривог \(P(E|\neg H)\) дорівнює 1 мінус специфічність. Отже, якщо тест має специфічність 92%, введіть \(100 - 92 = 8\%\) як рівень хибних тривог. Апріорна ймовірність \(P(H)\) — це поширеність хвороби. Поєднання цих трьох чисел за теоремою Баєса дає прогностичну цінність позитивного результату — ймовірність того, що позитивний результат є істинно позитивним.