Теорема Байеса (или формула Байеса) — одна из основных теорем элементарной теории вероятностей, которая позволяет определить вероятность какого-либо события при условии, что произошло другое статистически взаимозависимое с ним событие. Другими словами, по формуле Байеса можно более точно пересчитать вероятность, взяв в расчет как ранее известную информацию, так и данные новых наблюдений. Формула Байеса может быть выведена из основных аксиом теории вероятностей, в частности из условной вероятности. Особенность теоремы Байеса заключается в том, что для её практического применения требуется большое количество расчетов, вычислений, поэтому байесовские оценки стали активно использовать только после революции в компьютерных и сетевых технологиях.
При возникновении теоремы Байеса вероятности, используемые в теореме, подвергались целому ряду вероятностных интерпретаций. В одной из таких интерпретаций говорилось, что вывод формулы напрямую связан с применением особого подхода к статистическому анализу. Если использовать байесовскую интерпретацию вероятности, то теорема показывает, как личный уровень доверия может кардинально измениться вследствие количества наступивших событий. В этом заключаются выводы Байеса, которые стали основополагающими для байесовской статистики. Однако теорема используется не только в байесовском анализе, но и активно применяется для большого ряда других расчетов.
Психологические эксперименты[1] показали, что люди часто неверно оценивают вероятность события, на основе полученного опыта (апостериорная вероятность), поскольку игнорируют саму вероятность предположения (априорная вероятность). Поэтому правильный результат по формуле Байеса может сильно отличаться от интуитивно ожидаемого.
Теорема Байеса названа в честь её автора Томаса Байеса (1702—1761) — английского математика и священника, который первым предложил использование теоремы для корректировки убеждений, основываясь на обновлённых данных. Его работа «An Essay towards solving a Problem in the Doctrine of Chances» впервые опубликована в 1763 году[2], через 2 года после смерти автора. До того, как посмертная работа Байеса была принята и прочитана в Королевском обществе, она была значительно отредактирована и обновлена Ричардом Прайсом. Однако эти идеи не предавались публичной огласке до тех пор, пока не были вновь открыты и развиты Лапласом, впервые опубликовавшим современную формулировку теоремы в своей книге 1812 года «Аналитическая теория вероятностей».
Сэр Гарольд Джеффрис писал, что теорема Байеса «для теории вероятности, то же, что теорема Пифагора для геометрии»[3].
|
Формула Байеса вытекает из определения условной вероятности. Вероятность совместного события двояко выражается через условные вероятности
Следовательно
В задачах и статистических приложениях обычно вычисляется по формуле полной вероятности события, зависящего от нескольких несовместных гипотез, имеющих суммарную вероятность 1.
где вероятности под знаком суммы известны или допускают экспериментальную оценку.
В этом случае формула Байеса записывается так:
Формула Байеса позволяет «переставить причину и следствие»: по известному факту события вычислить вероятность того, что оно было вызвано данной причиной.
События, отражающие действие «причин», в данном случае называют гипотезами, так как они — предполагаемые события, повлекшие данное. Безусловную вероятность справедливости гипотезы называют априорной (насколько вероятна причина вообще), а условную — с учётом факта произошедшего события — апостериорной (насколько вероятна причина оказалась с учетом данных о событии).
Пусть событие — машина не заводится, а гипотеза — в баке нет топлива. Очевидно, что вероятность того, что машина не заведётся, если в баке нет топлива, равняется единице. Как следствие, апостериорная вероятность, что в баке нет топлива, если машина не заводится, то есть , равна , то есть отношению априорной вероятности, что в баке нет топлива, к вероятности, что машина не заводится. Например, если априорная вероятность, что в баке нет топлива, равна 1 %, а вероятность, что машина не заводится, равна 2 %, и случайно выбранная машина не завелась, то вероятность, что в её баке нет топлива, равна 50 %.
Пусть вероятность брака у первого рабочего , у второго рабочего — , а у третьего — . Первый изготовил деталей, второй — деталей, а третий — деталей. Начальник цеха берёт случайную деталь, и она оказывается бракованной. Спрашивается, с какой вероятностью эту деталь изготовил третий рабочий?
Событие — брак детали, событие — деталь произвёл рабочий . Тогда , где , а .
По формуле полной вероятности
По формуле Байеса получим:
Энтомолог предполагает, что жук может относиться к редкому подвиду жуков, так как у него на корпусе есть узор. В редком подвиде 98 % жуков имеют узор или P(Узор | Редкий) = 0,98 (P(Pattern | Rare) = 0,98). Среди обычных жуков только 5 % имеют узор. Редкого вида жуков насчитывается лишь 0,1 % среди всей популяции. Какова вероятность того, что жук, имеющий узор, относится к редкому подвиду или P(Редкий | Узор) (P(Rare | Pattern))?
Из расширенной теоремы Байеса получаем (любой жук может относиться либо к редким, либо к обычному (Common) виду):
Пусть существует заболевание с частотой распространения среди населения 0,001 и метод диагностического обследования, который с вероятностью 0,9 выявляет больного, но при этом имеет вероятность 0,01 ошибочно определить заболевание у здорового человека (подробнее…). Найти вероятность того, что человек здоров, если он был признан больным при обследовании.
Обозначим через Б — событие, что человек больной, «Б» — событие, что обследование показало, что человек болен, а через З — событие, что человек здоров. Тогда заданные условия переписываются следующим образом:
Вероятность того, что человек здоров, если он был признан больным равна условной вероятности:
Чтобы её найти, вычислим сначала полную вероятность признания больным:
Р(«Б») = 0,999 × 0,01 + 0,001 × 0,9 = 1,089 %.
Вероятность, что человек здоров при результате «болен»:
Р(З | «Б») = 0,999 × 0,01 / (0,999 × 0,01 + 0,001 × 0,9) ≈ 91,7 %.
Таким образом, 91,7 % людей, у которых обследование показало результат «болен», на самом деле здоровые люди. Причина этого в том, что по условию задачи вероятность ложноположительного результата хоть и мала, но на порядок больше доли больных в обследуемой группе людей.
Если ошибочные результаты обследования можно считать случайными, то повторное обследование того же человека будет давать независимый от первого результат. В этом случае для уменьшения доли ложноположительных результатов имеет смысл провести повторное обследование людей, получивших результат «болен». Вероятность того, что человек здоров после получения повторного результата «болен», также можно вычислить по формуле Байеса: Р(З | «Б», «Б») = 0,999 × 0,01 × 0,01 / (0,999 × 0,01 × 0,01 + 0,001 × 0,9 × 0,9) ≈ 10,98 %.
Математически теорема Байеса показывает взаимоотношения между вероятностью события A и вероятностью события B, P(A) и P(B), условной вероятности наступления события А при существующем B и наступлении события B при существующем A, P(A | B) и P(B | A).
В общей форме формула Байеса выглядит следующим образом:
Значение выражения зависит от того, как интерпретируются вероятности в данной формуле.
В интерпретации Байеса вероятность измеряет уровень доверия. Теорема Байеса связывает воедино доверие предположению до и после принятия во внимание очевидных доказательств. Например, кто-то предположил, что при подкидывании монетки она будет приземляться в 2 раза чаще решкой вверх, а орлом вниз. Первоначально степень доверия, что такое событие случится, монета упадет именно так — 50 %. Уровень доверия может увеличиться до 70 %, если предположение будет подтверждено доказательством.
Для предположения (гипотезы) A и доказательства B
В частотной интерпретации теорема Байеса фиксирует количество произошедших событий (выходов) и определяет их вероятность. Например, предположим, что эксперимент проводился много раз. P(A) — количество раз, когда произошло событие A (измеряется в долях). P(B) — количество раз, когда произошло событие B (измеряется в долях). P(B | A) — частота (в долях) наступления события «B» без наступления события A. P(A | B) — наступление события A без наступления события B.
Роль теоремы Байеса лучше всего можно понять из древовидной диаграммы, которая представлена справа. Каждая из 2 диаграмм демонстрирует события A и B с положительным и отрицательным результатом, чтобы показать противоположность вероятностей на выходе. Теорема Байеса используется как связующее звено этих отличающихся частей.
Для событий A и B, при условии, что P(B) ≠ 0,
Во многих дополнениях к теореме Байеса указывается, что событие B известно и нужно понять, как знание о событии B влияет на уверенность в том, что произойдет событие A. В таком случае знаменатель последнего выражения — вероятность наступления события B — известен; мы хотим изменить A. Теорема Байеса показывает, что апостериорные вероятности пропорциональны числителю:
Если говорить кратко: апостериорная вероятность пропорциональна априорной вероятности (смотри Lee, 2012, Глава 1).
Если события A1, A2, …, взаимоисключающие и исчерпывающие, то есть возможно только одно из событий, одновременно два события не могут случиться вместе, мы можем определить коэффициент пропорциональности, ориентируясь на то, что их вероятности в сумме должны составлять единицу. Например, для данного события A — само событие A и его противоположность ¬A взаимоисключающие и исчерпывающие. Обозначая коэффициент пропорциональности как C мы имеем:
Объединив эти две формулы, мы получим, что:
Часто пространство событий (таких как {Aj}) определенно в терминах P(Aj) и P(B | Aj). Именно в этом случае полезно определить P(B), применив формулу полной вероятности:
В частности
Рассмотрим пространство элементарных событий Ω, образованного двумя величинами X и Y. В принципе, теорема Байеса применяется к событиям A = {X = x} и B = {Y = y}. Однако выражения становятся равны 0 в точках, в которых переменая имеет конечную плотность вероятности. Для того, чтобы с пользой продолжать использовать теорему Байеса, можно её сформулировать в терминах подходящих плотностей (смотрите Вывод формул).
Если X непрерывна и Y дискретна, то
Если X дискретна и Y непрерывна,
Если как X, так и Y непрерывны,
Непрерывное пространство событий часто определяется как числитель условий A. Непрерывное пространство событий часто представляют как числитель. В дальнейшем полезно избавиться от знаменателя, используя формулу общей вероятности. Для 'fY(y), это становится интегралом:
Правило Байеса — это преобразованная теорема Байеса:
где
Это называется правилом Байеса или отношением правдоподобия. Разница в вероятности наступления двух событий — это просто отношение вероятностей этих двух событий. Таким образом,
Теорема Байеса может быть получена из определения вероятности:
Для двух непрерывных случайных величин X и Y теорема Байеса может быть аналогично выведена из определения условного распределения:
Для улучшения этой статьи желательно: |
Данная страница на сайте WikiSort.ru содержит текст со страницы сайта "Википедия".
Если Вы хотите её отредактировать, то можете сделать это на странице редактирования в Википедии.
Если сделанные Вами правки не будут кем-нибудь удалены, то через несколько дней они появятся на сайте WikiSort.ru .