Теорема Байеса

Теорема Байеса — это фундаментальное правило теории вероятностей, которое позволяет «переставить причину и следствие»: по известному факту события вычислить вероятность того, что оно было вызвано конкретной причиной. Она названа в честь её автора, английского священника и математика Томаса Байеса, который первым предложил использовать её для корректировки убеждений на основе новых данных. Формула Математически теорема Байеса выглядит так: P(A | B) = [P(B | A) × P(A)] / P(B) Где обозначения расшифровываются так: P(A | B) — апостериорная вероятность: вероятность события A, если известно, что событие B уже произошло. P(B | A) — likelihood (вероятность наступления B при условии, что A истинно). P(A) — априорная вероятность: наша оценка вероятности A до учёта новых данных. P(B) — маргинальная вероятность (полная вероятность события B), которая в задачах часто вычисляется по формуле полной вероятности. Смысл терминов Априорная вероятность (P(A)) — это наша начальная оценка, основанная на прошлых данных или предположениях, до проведения какого-либо эксперимента. Апостериорная вероятность (P(A | B)) — обновлённая оценка, которая получается после того, как мы учли новые данные (событие B произошло). Как это работает на практике Идея в том, чтобы не отвергать старые убеждения, а уточнять их с учётом новой информации. Например, если у пациента обнаружен симптом, теорема Байеса помогает рассчитать вероятность того, что у человека действительно есть это заболевание, учитывая распространённость симптома среди больных и здоровых. Расширенная форма Когда у нас есть несколько гипотез (A₁, A₂, ..., Aₙ), формула Байеса записывается так: P(Aⱼ | B) = [P(B | Aⱼ) × P(Aⱼ)] / Σ(P(B | Aᵢ) × P(Aᵢ)) (сумма берётся по всем гипотезам). Здесь знаменатель — это полная вероятность события B, которая учитывает все возможные причины. Где применяется Теорема Байеса лежит в основе байесовского подхода в статистике и широко используется в самых разных областях: Медицина: для оценки точности диагностических тестов и вероятности заболевания. Машинное обучение: например, в основе наивного байесовского классификатора. Спам-фильтры: алгоритм анализирует содержание письма, обновляя вероятности принадлежности к спам-рассылке на основе новых слов. Искусственный интеллект: для принятия решений в условиях неопределённости. Финансы: для оценки рисков кредитования. Пример расчёта Давайте разберем пример с жуком. Допустим, мы нашли жука с узором на корпусе и хотим узнать, какова вероятность, что он относится к редкому подвиду. P(редкий) = 0,001 (редкие жуки — это 0,1% популяции). P(узор | редкий) = 0,98 (98% редких жуков имеют узор). P(узор | обычный) = 0,05 (5% обычных жуков имеют узор). P(обычный) = 0,999. Подставляем в формулу: P(редкий | узор) = (0,98 × 0,001) / (0,98 × 0,001 + 0,05 × 0,999) ≈ 0,019. То есть даже при наличии у жука узора вероятность его принадлежности к редкому подвиду составляет всего около 1,9%. Это показывает, как важно учитывать априорные вероятности: без них легко сделать ошибочные выводы.