Теорема на Бейс

Теорема на Бейс по името на Томас Бейс (Thomas Bayes) се използва в теорията на вероятностите за изчисляване на вероятността за настъпване на дадено събитие, след като вече е известна част от информацията за него.

Формулировка

${\displaystyle P(A|B)={\frac {P(B|A)P(A)}{P(B)}}}$,

където

${\displaystyle P(A)}$ – вероятност за настъпване на събитието A;

${\displaystyle P(A|B)}$ – Условна вероятност за настъпване на събитието A при положение, че събитието B е настъпило (апостериорна вероятност);

${\displaystyle P(B|A)}$ – Условна вероятност за настъпване на B при положение, че A е настъпило;

${\displaystyle P(B)}$ – вероятност за настъпване на събитието B.

Извод

За да изведем теоремата, трябва да напишем определението за условна вероятност. Вероятността за настъпване на събитието A при положение, че B вече е настъпило е:

${\displaystyle P(A|B)={\frac {P(A\cap B)}{P(B)}}.}$

Аналогично, вероятността за настъпване на B при положение, че A се е сбъднало е:

${\displaystyle P(B|A)={\frac {P(A\cap B)}{P(A)}}.\!}$

Като комбинираме двете уравнения, получаваме:

${\displaystyle P(A|B)\,P(B)=P(A\cap B)=P(B|A)\,P(A).\!}$

Тази лема понякога се намира „правило за умножение на вероятности“ Остава да разделим на P(B), при положение, че тази вероятност не е нулева, за да получим Теоремата на Бейс:

${\displaystyle P(A|B)={\frac {P(B|A)\,P(A)}{P(B)}}.\!}$

Примери

Тест за болест

Задача: Фармацевтична компания произвежда тест, за който се твърди че е надежден: ако пациентът е болен, този тест в 99% от случаите ще даде положителен резултат, а ако пациентът е здрав, в 99% от случаите тестът ще е отрицателен. Ако тази болест засяга 0,5% от населението, то каква е вероятността пациентът да е болен, ако тестът е положителен?

Решение:

• Означаваме с Pr(B) вероятността даден пациент да е болен, която според данните от задачата е равна на 0.005
• Означаваме с Pr(Z) вероятността даден пациент да е здрав, която е очевидно 0.995
• Означаваме с Pr(+|B) вероятността тестът да даде положителен резултат, ако пациентът е болен, т.е. 0.99
• Означаваме с Pr(+|Z) вероятността тестът да даде положителен резултат, a пациентът да е здрав, т.е. 0.01
• Означаваме с Pr(+) тестът да даде положителен резултат, независимо дали пациентът е болен или не
• Търсената вероятност е Pr(B|+) т.е. вероятността пациентът да е болен, ако тестът е положителен

По теоремата на Бейс:

${\displaystyle \Pr(B|+)={\frac {\Pr(+|B)\,\Pr(B)}{\Pr(+)}}.\!}$

Вероятността Pr(+) е равна на вероятността тестът да е положителен, независимо дали пациентът е здрав или болен. Тази вероятност е равна на вероятността тестът да е положителен и пациентът да е болен, плюс вероятността тестът да е положителен, а пациентът да е здрав. Или:

${\displaystyle \Pr(+)=\Pr(+\cap B)+\Pr(+\cap notB)\!}$ (теорема)

Понеже

${\displaystyle Z=notB\!}$

Следва

${\displaystyle \Pr(+)=\Pr(+\cap B)+\Pr(+\cap Z)\!}$

${\displaystyle \Pr(+)=\Pr(+|B)\Pr(B)+\Pr(+|Z)\Pr(Z)\!}$

Или търсената вероятност е:

${\displaystyle \Pr(B|+)={\frac {\Pr(+|B)\,\Pr(B)}{\Pr(+|B)\Pr(B)+\Pr(+|Z)\Pr(Z)}}\!}$

${\displaystyle \Pr(B|+)={\frac {0.99\,\times \,0.005}{0.99\,\times \,0.005+0.01\,\times \,0.995}}\!}$

или в крайна сметка:

${\displaystyle \Pr(B|+)=0.33}$

Което означава, че вероятността даден пациент да е болен, ако тестът е положителен е само около 33%, което не е практично за нуждите на медицината, т.е. въпреки впечатляващите вероятности в условието, тестът е слаб. Това означава, че тестовете за болести следва да се произвеждат с точност, много по-голяма от 99%.

Анти-спам филтри

Съществуват анти-спам филтри за електронна поща, основаващи се на теоремата на Бейс. Тези програми изчисляват вероятността дадено електронно съобщение да е спам по следния начин:

${\displaystyle \Pr(\mathrm {spam} |\mathrm {words} )={\frac {\Pr(\mathrm {words} |\mathrm {spam} )\Pr(\mathrm {spam} )}{\Pr(\mathrm {words} )}}}$

Където ${\displaystyle \Pr(\mathrm {spam} |\mathrm {words} )}$ е вероятността дадено съобщение да е спам, при положение че съдържа определени думи и изрази в него, ${\displaystyle \Pr(\mathrm {words} |\mathrm {spam} )}$ е вероятността тези думи или изрази да се съдържат в спам-съобщение, ${\displaystyle \Pr(\mathrm {spam} )}$ е броят на спамовете към общия брой на съобщенията, т.е. вероятността всяко съобщение да е спам, а ${\displaystyle \Pr(\mathrm {words} )}$ е вероятността тези думи да бъдат намерени в нормално електронно съобщение. Идеята е предложена за пръв път от английския програмист Пол Греъм.

Външни препратки

• Условна вероятност, Формула на Бейс Архив на оригинала от 2008-01-08 в Wayback Machine., лекции по вероятности на проф. Димитър Въндев

Тази страница частично или изцяло представлява превод на страницата Bayes' theorem в Уикипедия на английски. Оригиналният текст, както и този превод, са защитени от Лиценза „Криейтив Комънс – Признание – Споделяне на споделеното“, а за съдържание, създадено преди юни 2009 година – от Лиценза за свободна документация на ГНУ. Прегледайте историята на редакциите на оригиналната страница, както и на преводната страница, за да видите списъка на съавторите. ​ ВАЖНО: Този шаблон се отнася единствено до авторските права върху съдържанието на статията. Добавянето му не отменя изискването да се посочват конкретни източници на твърденията, които да бъдат благонадеждни.​