Wzór Bayesa to matematyczna formuła P(A|B) = [P(B|A) × P(A)] / P(B). Pozwala obliczyć prawdopodobieństwo a posteriori hipotezy na podstawie prawdopodobieństwa a priori oraz nowych danych. Dla wielu rozłącznych hipotez mianownik zamienia się w sumę wariantów, czyli tzw. prawdopodobieństwo całkowite. Na przykład test medyczny o czułości 99% i specyficzności 95%, przy chorobie występującej u 1% populacji, po pozytywnym wyniku wskazuje prawdopodobieństwo choroby na poziomie 16,67%, a nie prawie 100%. To klasyczny przykład zaniedbania prawdopodobieństwa a priori. Wzór znajduje szerokie zastosowanie, wykorzystuje się go w diagnostyce medycznej, filtrach antyspamowych oraz w naiwnym klasyfikatorze Bayesa. Ponadto od 2025 roku wzór ten jest częścią egzaminu maturalnego rozszerzonego z matematyki.
Co opisuje wzór Bayesa i do czego służy?
Wzór Bayesa pokazuje, jak zmienia się prawdopodobieństwo danej hipotezy w świetle nowych danych. Umożliwia obliczanie prawdopodobieństwa warunkowego w drugą stronę, czego nie da się zrobić bezpośrednio. Został opracowany przez Thomasa Bayesa, XVIII-wiecznego angielskiego duchownego i matematyka, a jego prace opublikowano dopiero po jego śmierci w 1763 roku.
Ta formuła łączy w sobie prawdopodobieństwo a priori, czyli ustalone przed obserwacją, z prawdopodobieństwem a posteriori, które uwzględnia nowo zdobyte informacje, korzystając z pojęcia prawdopodobieństwa warunkowego. Wzór Bayesa znajduje szerokie zastosowanie, na przykład w medycynie pomaga w interpretacji wyników badań diagnostycznych, a także jest wykorzystywany w systemach filtrowania spamu, analizie tekstów czy algorytmach uczenia maszynowego.
Dzięki temu narzędziu można oszacować szansę wystąpienia choroby po otrzymaniu pozytywnego rezultatu testu, mimo że bezpośrednio znamy jedynie prawdopodobieństwo uzyskania takiego wyniku u osoby faktycznie chorej. Twierdzenie Bayesa stanowi fundament statystyki zwanej wnioskowaniem bayesowskim.
| Temat | Najważniejsze informacje |
|---|---|
| Co opisuje wzór Bayesa i do czego służy? | Wzór Bayesa pokazuje, jak zmienia się prawdopodobieństwo hipotezy przy nowych danych, umożliwia obliczenia prawdopodobieństwa warunkowego w odwrotnym kierunku. Stosowany w medycynie, filtrowaniu spamu, analizie tekstów i uczeniu maszynowym. |
| Najprostsza postać wzoru Bayesa | P(a|b) = [p(b|a) × p(a)] / p(b). Licznik to iloczyn prawdopodobieństwa warunkowego p(b|a) i prawdopodobieństwa a priori p(a), mianownik to całkowite prawdopodobieństwo p(b). |
| Wzór Bayesa dla wielu rozłącznych przypadków | P(Hi|B) = [P(B|Hi) × P(Hi)] / Σ P(B|Hj) × P(Hj), gdzie suma w mianowniku obejmuje wszystkie hipotezy. Gwarantuje sumę prawdopodobieństw a posteriori równą 1 |
| Warunki konieczne do zastosowania twierdzenia Bayesa | Hipotezy muszą być wzajemnie rozłączne i wyczerpujące całą przestrzeń zdarzeń. Prawa a priori i prawdopodobieństwa warunkowe muszą być znane, a prawdopodobieństwo zdarzenia B > 0 |
| Różnica między prawdopodobieństwem warunkowym a wzorem Bayesa | Prawdopodobieństwo warunkowe P(A|B) = P(A∩B)/P(B) wymaga znajomości wspólnego prawdopodobieństwa. Wzór Bayesa pozwala obliczyć P(a|b) korzystając z odwrotnego prawdopodobieństwa p(b|a), co umożliwia odwrócenie kierunku wnioskowania. |
| Proces aktualizacji prawdopodobieństwa (aktualizacja bayesowska) | Prawdopodobieństwo a posteriori po uwzględnieniu danych staje się nowym a priori przy kolejnej analizie. Przykład: test medyczny podnosi prawdopodobieństwo choroby z 1% do 16,67%, a po drugim pozytywnym teście do 79,84%. |
| Krok po kroku rozwiązanie zadania ze wzoru Bayesa | Ustalenie hipotez i prawdopodobieństw a priori, obliczenie prawdopodobieństw warunkowych, sumowanie w celu obliczenia całkowitego prawdopodobieństwa zdarzenia, podstawienie do wzoru Bayesa i obliczenie prawdopodobieństw a posteriori. Przykład: fabryki A, B, C i wadliwe produkty, obliczenia i interpretacja wyników. |
Jaka jest najprostsza postać wzoru Bayesa?
Najprostsza forma wzoru Bayesa dla dwóch zdarzeń a i b (pod warunkiem, że p(b) > 0) zapisywana jest jako:. P(a|b) = [p(b|a) × p(a)] / p(b).
W liczniku znajduje się iloczyn prawdopodobieństwa warunkowego p(b|a) oraz prawdopodobieństwa a priori p(a), natomiast mianownik stanowi całkowite prawdopodobieństwo wystąpienia zdarzenia b. Wzór ten wynika bezpośrednio z definicji prawdopodobieństwa warunkowego i właściwości symetrii iloczynu zdarzeń, wyrażonej przez:. P(a∩b) = p(a|b)×p(b) = p(b|a)×p(a).
Dzięki temu, znając wartości p(b|a), p(a) oraz p(b), jesteśmy w stanie obliczyć nieznane dotąd p(a|b), co pozwala na odwrócenie kierunku wnioskowania. Ta podstawowa forma jest szczególnie użyteczna, gdy analizujemy tylko jedno zdarzenie warunkujące a i jego dopełnienie. W przypadku wielu wzajemnie wykluczających się hipotez korzysta się jednak z rozszerzonej wersji wzoru, gdzie w mianowniku występuje suma odpowiednich prawdopodobieństw.
Jakie są najważniejsze elementy wzoru Bayesa i co oznaczają?
We wzorze P(A|B) = [P(B|A) × P(A)] / P(B) każdy składnik ma precyzyjnie określone znaczenie. P(A|B) oznacza prawdopodobieństwo a posteriori, to poszukiwana wartość, czyli szansa na hipotezę A po uwzględnieniu zaobserwowanego zdarzenia B. Natomiast P(B|A) nazywamy wiarygodnością (ang. Likelihood) i przedstawia ona prawdopodobieństwo pojawienia się danych B przy założeniu, że hipoteza A jest prawdziwa. P(A) to z kolei prawdopodobieństwo a priori, czyli początkowe przypuszczenie dotyczące prawdopodobieństwa hipotezy A, ustalone zanim poznaliśmy dane B. Z kolei P(B) pełni rolę czynnika normalizującego, odpowiada za całkowite prawdopodobieństwo zdarzenia B, zapewniając, że suma prawdopodobieństw a posteriori dla wszystkich wzajemnie wykluczających się hipotez wyniesie dokładnie 1 Aby poprawnie wyznaczyć prawdopodobieństwo odwrotne, konieczne jest posiadanie informacji o wszystkich czterech tych elementach.
Czym różni się prawdopodobieństwo a priori od a posteriori?
Prawdopodobieństwo a priori to ocena szans zajścia zdarzenia, dokonana zanim uwzględnimy nowe informacje. Z kolei prawdopodobieństwo a posteriori odnosi się do tej samej oceny, ale już po wzięciu pod uwagę dodatkowych danych. To właśnie wzór Bayesa pokazuje, jak przejść od jednej wartości do drugiej.
Przykładowo, jeśli choroba dotyka 1% populacji, prawdopodobieństwo a priori zachorowania wynosi 1%. Gdy otrzymamy pozytywny wynik testu medycznego o czułości 99% i specyficzności 95%, prawdopodobieństwo a posteriori wzrasta do 16,67%.
Oznacza to, że dzięki wynikom testu szacowane prawdopodobieństwo choroby zwiększa się aż około szesnastokrotnie w porównaniu do wartości początkowej. Prawdopodobieństwo a priori opiera się jedynie na ogólnych danych lub wcześniejszej wiedzy, bez uwzględnienia nowych obserwacji. Z kolei prawdopodobieństwo a posteriori zawsze bazuje na konkretnych dowodach, przez co jest dokładniejsze dla konkretnego przypadku.
Jak wygląda wersja wzoru Bayesa dla wielu rozłącznych przypadków?
Dla wielu wzajemnie wykluczających się i wyczerpujących hipotez H1, H2, …, Hn, wzór Bayesa przyjmuje następującą formę:. P(Hi|B) = [P(B|Hi) × P(Hi)] / Σ P(B|Hj) × P(Hj), gdzie suma w mianowniku obejmuje wszystkie rozpatrywane hipotezy.
Przykładowo, gdy produkt jest wytwarzany w trzech fabrykach: A (50% całkowitej produkcji), B (30%) oraz C (20%), a odsetki wadliwych wyrobów wynoszą odpowiednio 2%, 3% i 5%, to w mianowniku sumujemy udział wadliwości każdej z fabryk, pomnożony przez ich udział w produkcji. Tak skonstruowany wzór gwarantuje, że sumaryczne prawdopodobieństwo a posteriori dla wszystkich hipotez daje łącznie 1, co jest niezbędnym warunkiem prawidłowego obliczenia.
Wersja rozszerzona tego wzoru różni się od podstawowego przypadku dwóch zdarzeń tym, że mianownik nie stanowi pojedynczego prawdopodobieństwa P(B), lecz sumę wielu składników odpowiadających kolejnym hipotezom. Im więcej rozłącznych scenariuszy uwzględniamy, tym więcej elementów pojawia się w mianowniku wzoru.
Jak wzór Bayesa łączy się z prawdopodobieństwem całkowitym?
Mianownik we wzorze Bayesa dla wielu hipotez to nic innego jak wzór na prawdopodobieństwo całkowite zdarzenia B, czyli P(B) = Σ P(B|Hi) × P(Hi). Na przykładzie trzech fabryk, A, która odpowiada za 50% produkcji i ma 2% wadliwych wyrobów, B z 30% udziałem i 3% wadliwością oraz C produkującej 20% i charakteryzującej się 5% wadliwością, można obliczyć prawdopodobieństwo wylosowania produktu wadliwego w następujący sposób:. P(D) = 0,5 × 0,02 + 0,3 × 0,03 + 0,2 × 0,05 = 0,029, co oznacza, że wynosi ono 2,9%.
Otrzymana wartość wskazuje, jaki odsetek całej produkcji, niezależnie od miejsca jej powstania, stanowią wyroby uszkodzone. Bez wyliczenia tego prawdopodobieństwa całkowitego nie da się poprawnie znormalizować wzoru Bayesa, ponieważ wówczas mianownik pozostaje niewyznaczony. Prawdopodobieństwo całkowite pełni więc istotną rolę pośrednika, łącząc informacje z poszczególnych hipotez z finalnym prawdopodobieństwem wystąpienia danego zdarzenia.
Jakie są warunki konieczne do zastosowania twierdzenia Bayesa?
Twierdzenie Bayesa można stosować tylko wtedy, gdy rozpatrywane hipotezy są wzajemnie rozłączne i razem obejmują całą przestrzeń zdarzeń. Innymi słowy, dokładnie jedna z nich musi wystąpić. W przypadku przykładu z trzema fabrykami ten warunek jest spełniony, ponieważ sumaryczny udział produkcji wynosi 1 (0,5 + 0,3 + 0,2 = 1). Oznacza to, że każdy wyrób pochodzi z jednej, konkretnej fabryki.
Kolejnym wymogiem jest posiadanie informacji o prawdopodobieństwach a priori dla każdej hipotezy, czyli P(Hi). Bez tych danych nie można wyznaczyć prawdopodobieństw a posteriori. Ponadto niezbędne jest również znajomość prawdopodobieństw warunkowych P(B|Hi), które określają, jak wiarygodna jest obserwacja przy założeniu każdej z hipotez.
Na koniec istotne jest, aby prawdopodobieństwo zdarzenia B (czyli mianownik we wzorze) było większe od zera. W przeciwnym razie dzielenie staje się niemożliwe, co uniemożliwia dalsze obliczenia. Niedopełnienie któregokolwiek z tych warunków może prowadzić do błędnych albo nieokreślonych rezultatów przy stosowaniu twierdzenia Bayesa.
Czym się różni prawdopodobieństwo warunkowe od wzoru Bayesa?
Prawdopodobieństwo warunkowe, wyrażone wzorem P(A|B) = P(A∩B) / P(B), pozwala obliczyć szansę wystąpienia zdarzenia a pod warunkiem, że zaszło zdarzenie b. Aby to jednak zrobić, konieczne jest posiadanie informacji o prawdopodobieństwie wspólnym obu zdarzeń, czyli p(a∩b). Z kolei wzór Bayesa to wygodne narzędzie, które umożliwia wyznaczenie prawdopodobieństwa warunkowego nawet wtedy, gdy p(a∩b) nie jest bezpośrednio znane. W takiej sytuacji korzystamy z odwrotnego prawdopodobieństwa, czyli p(b|a), które jest dostępne lub łatwiejsze do oszacowania.
Inaczej mówiąc, prawdopodobieństwo warunkowe to ogólna koncepcja opisująca zależność między dwoma zdarzeniami, natomiast wzór Bayesa to narzędzie pozwalające na odwrócenie tej relacji i obliczenie prawdopodobieństwa jednej sytuacji na podstawie informacji o drugiej. Prawdopodobieństwo warunkowe stosujemy wtedy, gdy mamy dane dotyczące iloczynu zdarzeń, a wzór Bayesa wykorzystujemy, gdy posiadamy jedynie prawdopodobieństwo a priori oraz miarę wiarygodności zdarzenia przejawiającego się później, czyli gdy szukamy prawdopodobieństwa a posteriori. Można zatem stwierdzić, że wzór Bayesa to szczególny przypadek ogólnej definicji prawdopodobieństwa warunkowego, pozwalający na trafne odwracanie kierunku analizy zależności między zdarzeniami.
Jak przebiega proces aktualizacji prawdopodobieństwa za pomocą wzoru Bayesa?
Aktualizacja prawdopodobieństwa polega na tym, że wynik a posteriori po uwzględnieniu jednego dowodu staje się nowym prawdopodobieństwem a priori przy kolejnej analizie. Przykładowo, w teście medycznym, gdzie choroba dotyka 1% populacji, a czułość i specyficzność testu wynoszą odpowiednio 99% i 95%, pierwszy pozytywny wynik podnosi szansę na zachorowanie z 1% do 16,67%. Gdy ta sama osoba wykona drugi, niezależny test o takich samych parametrach i wynik ponownie będzie pozytywny, to w drugim obliczeniu bazujemy już na 16,67%, a nie na pierwotnym 1%.
Dzięki temu po uwzględnieniu drugiego pozytywnego wyniku prawdopodobieństwo choroby wzrasta aż do 79,84%. Ten iteracyjny proces, w którym każda kolejna informacja aktualizuje wcześniejsze szacunki, nazywamy aktualizacją bayesowską i jest fundamentem wnioskowania sekwencyjnego. Im więcej niezależnych i zgodnych ze sobą dowodów zgromadzimy, tym bardziej prawdopodobieństwo a posteriori będzie zbliżać się do pewności.
Jak krok po kroku rozwiązać zadanie z prawdopodobieństwa korzystając ze wzoru Bayesa?
Rozpoczynamy rozwiązywanie zadania ze wzorem Bayesa od ustalenia hipotez wraz z ich prawdopodobieństwami a priori. W naszym przykładzie dotyczącym trzech fabryk przyjmujemy: p(A) = 0,5, p(B) = 0,3, p(C) = 0,2. Następnie wyznaczamy prawdopodobieństwa warunkowe, czyli stopień wiarygodności obserwacji dla każdej z hipotez. W tym przypadku będą to wskaźniki wadliwości:
P(D|A) = 0,02, p(D|B) = 0,03, p(D|C) = 0,05.
Kolejny etap to obliczenie całkowitego prawdopodobieństwa zdarzenia D, co wykonujemy jako sumę iloczynów prawdopodobieństw a priori oraz odpowiadających im wartości warunkowych:
- p(D) = 0,5 × 0,02 + 0,3 × 0,03 + 0,2 × 0,05 = 0,029.
Teraz podstawiamy dane do wzoru Bayesa dla każdej hipotezy oddzielnie i otrzymujemy:
- p(A|D) = (0,02 × 0,5) / 0,029 ≈ 34,48%,
- p(B|D) = (0,03 × 0,3) / 0,029 ≈ 31,03%,
- p(C|D) = (0,05 × 0,2) / 0,029 ≈ 34,48%.
Na koniec sprawdzamy poprawność obliczeń, suma wszystkich prawdopodobieństw a posteriori powinna wynosić dokładnie 1 (czyli 100%). Jednak po zaokrągleniu do dwóch miejsc po przecinku suma 34,48% + 31,03% + 34,48% daje 99,99%, co jest efektem jedynie zaokrągleń. Wynik wskazuje, że wadliwy produkt najprawdopodobniej pochodzi z fabryki A lub C. Obie mają równy udział w tym prawdopodobieństwie, mimo iż fabryka A dostarcza najwięcej wyrobów, natomiast fabryka C charakteryzuje się najwyższą wadliwością.
Czy wzór Bayesa jest na maturze?
Tak, wzór Bayesa jest uwzględniony w podstawie programowej matematyki na poziomie rozszerzonym i obowiązuje na egzaminie maturalnym od 2025 roku. Zdający na tym etapie muszą umieć wyliczać prawdopodobieństwo warunkowe, korzystać ze wzoru Bayesa oraz stosować twierdzenie o prawdopodobieństwie całkowitym.
Natomiast na poziomie podstawowym nie wymaga się znajomości tego wzoru. W tym zakresie rachunek prawdopodobieństwa ogranicza się do klasycznego modelu oraz podstawowych miar statystycznych, takich jak:
- Średnia,
- Mediana,
- Dominanta.
Umiejętność obliczania prawdopodobieństwa warunkowego jest zarezerwowana wyłącznie dla poziomu rozszerzonego.
Zadania maturalne najczęściej łączą wzór Bayesa z schematem Bernoulliego oraz klasycznymi przykładami dotyczącymi prawdopodobieństwa warunkowego, takimi jak:
- Losowania z urn,
- Rzuty kośćmi,
- Identyfikacja elementów wadliwych.
Uczniowie przygotowujący się do matury rozszerzonej powinni dobrze znać zarówno wzór na prawdopodobieństwo całkowite, jak i jego zastosowanie do wyliczania prawdopodobieństw a posteriori.
Jakie są najczęstsze przykłady zastosowania twierdzenia Bayesa?
Twierdzenie Bayesa znajduje szerokie zastosowanie w diagnostyce medycznej, szczególnie przy interpretacji wyników testów przesiewowych. Dzięki niemu można dokładniej ocenić prawdopodobieństwo choroby po uzyskaniu pozytywnego lub negatywnego wyniku badania.
Kolejnym popularnym obszarem wykorzystania są filtry antyspamowe oraz systemy klasyfikacji tekstu. Analizują one występowanie konkretnych słów, co pozwala określić, czy dana wiadomość jest niechcianym spamem.
W dziedzinie uczenia maszynowego twierdzenie Bayesa stanowi fundament dla naiwnego klasyfikatora Bayesa,. W branży kryminalistycznej i naukach sądowych wzór ten pomaga powiązać różnorodne dowody, takie jak wyniki badań dna, z wcześniejszymi założeniami dotyczącymi prawdopodobieństwa zdarzeń. Warto jednak pamiętać, że błędna interpretacja może skutkować tzw. błędem prokuratora.
Dodatkowo, wzór Bayesa jest wykorzystywany w systemach rekomendacyjnych, analizach ryzyka kredytowego, a także podczas rozgrywek sportowych, gdzie pozwala na dynamiczne aktualizowanie szans na zwycięstwo w trakcie meczu. Wszystkie te przypadki opierają się na tej samej zasadzie: łączeniu początkowej wiedzy (a priori) z nowymi informacjami, aby uzyskać dokładniejsze oszacowania (a posteriori).
Jak wykorzystać wzór Bayesa do interpretacji wyników testów medycznych?
Wzór Bayesa umożliwia określenie rzeczywistego ryzyka zachorowania po uzyskaniu dodatniego wyniku testu. Bierze pod uwagę nie tylko czułość i specyficzność badania, ale też częstość występowania choroby w danej grupie, czyli tzw. prawdopodobieństwo a priori.
Przyjrzyjmy się przykładzie. Choroba dotyka 1% społeczeństwa. Test wykazuje czułość na poziomie 99% (P(T+|chory) = 0,99) oraz specyficzność 95% (P(T-|zdrowy) = 0,95), co oznacza, że 5% wyników pozytywnych to fałszywe alarmy. Całkowite prawdopodobieństwo otrzymania pozytywnego wyniku wynosi zatem:
- p(T+) = 0,99 × 0,01 + 0,05 × 0,99 = 0,0594, czyli 5,94%.
Podstawiając te wartości do wzoru Bayesa, można obliczyć prawdopodobieństwo choroby przy pozytywnym teście:
- p(chory|T+) = (0,99 × 0,01) / 0,0594 ≈ 16,67%.
Pomimo bardzo wysokiej czułości testu, prawdopodobieństwo rzeczywistego zachorowania po dodatnim wyniku wynosi zaledwie około 17%. Jak to możliwe? Przy rzadkich schorzeniach nawet najlepsze testy dają w stosunku do liczby faktycznie chorych sporo fałszywych alarmów.
Dlatego pojedynczy pozytywny wynik nie stanowi gwarancji choroby. W praktyce medycznej często wykonuje się dodatkowe badania lub powtarza test, co znacząco podnosi wiarygodność wyniku. Każde kolejne, niezależne potwierdzenie zwiększa szanse na prawdziwą diagnozę. Interpretowanie wyników testów bez uwzględniania prawdopodobieństwa a priori, czyli jak często choroba występuje w populacji, prowadzi do mylnego przekonania, że dodatni wynik niemal na pewno świadczy o obecności choroby.
Na czym polega naiwny klasyfikator Bayesa w uczeniu maszynowym?
Naiwny klasyfikator Bayesa to algorytm, który opiera się na wzorze Bayesa, aby ocenić prawdopodobieństwo przynależności danego obiektu do określonej kategorii na podstawie zestawu cech. Określenie „naiwny” wiąże się z uproszczonym założeniem, że wszystkie cechy są od siebie niezależne, gdy znamy klasę. Choć w rzeczywistości rzadko się to sprawdza, ta uproszczona hipoteza znacząco ułatwia obliczenia.
Dzięki niej można wyznaczyć prawdopodobieństwo wspólnego wystąpienia wielu cech jako iloczyn ich indywidualnych prawdopodobieństw warunkowych, co eliminuje potrzebę szacowania skomplikowanych rozkładów wielowymiarowych. To właśnie ta prostota sprawia, że klasyfikacja przebiega sprawniej i szybciej.
Algorytm ten najczęściej wykorzystuje się do:
- Filtrowania spamu, gdzie poszczególne słowa pełnią rolę cech, a wiadomości dzieli się na spam oraz nie spam,
- Analizy sentymentu,
- Kategoryzowania dokumentów tekstowych.
Pomimo przybliżeń wynikających z założenia o niezależności cech, ten klasyfikator często osiąga zaskakująco wysoką skuteczność, i to nawet przy niewielkiej liczbie danych treningowych oraz niskich wymaganiach obliczeniowych. Jego największym atutem jest szybkość działania oraz łatwość implementacji. Z kolei do jego słabości można zaliczyć obniżoną dokładność szacowania prawdopodobieństw, zwłaszcza gdy zależności między cechami są silne i zakładające niezależność uproszczenie przestaje być adekwatne.
Czym różni się statystyka bayesowska od podejścia częstościowego?
Statystyka bayesowska podchodzi do prawdopodobieństwa jako do miary przekonania o słuszności danej hipotezy. Ta ocena ulega zmianie wraz z pojawianiem się nowych informacji, co umożliwia zastosowanie wzoru Bayesa. Klasyczne, częstościowe podejście określa prawdopodobieństwo jako granicę częstości wystąpienia zdarzenia podczas nieskończenie wielu powtórzeń eksperymentu.
W bayesowskiej perspektywie parametry modelu traktuje się jak zmienne losowe opisane rozkładem a priori, który po uwzględnieniu danych przechodzi w rozkład a posteriori. Natomiast w statystyce częstościowej parametry są traktowane jako stałe, choć niewiadome, a wnioskowanie opiera się na metodach takich jak przedziały ufności czy testy istotności, bez zakładania subiektywnego prawdopodobieństwa a priori.
Statystyka bayesowska pozwala bezpośrednio odpowiedzieć na pytanie:
- jakie jest prawdopodobieństwo, że hipoteza jest prawdziwa, biorąc pod uwagę dostępne dane,
- z kolei podejście częstościowe skupia się na tym, jak często można by zaobserwować takie dane, gdyby hipoteza faktycznie obowiązywała.
Wybór rozkładu a priori w metodzie bayesowskiej bywa krytykowany ze względu na subiektywny charakter tego wyboru, podczas gdy statystyka częstościowa formalnie eliminuje ten problem. Mimo to oba podejścia są powszechnie wykorzystywane w praktyce naukowej, a decyzja o ich zastosowaniu zależy od dostępnych informacji na temat badanego zjawiska oraz od celu, jaki stoi przed analizą.
Jakie są najpopularniejsze błędy poznawcze związane ze wzorem Bayesa?
Najbardziej powszechnym błędem poznawczym związanym z wzorem Bayesa jest ignorowanie prawdopodobieństwa a priori (tzw. base rate neglect). Oznacza to pomijanie częstości występowania danego zjawiska w całej populacji i koncentrowanie się tylko na wynikach pojedynczego testu. Przykładowo, nawet jeśli test medyczny ma 99% czułości, prawdopodobieństwo posiadania choroby po uzyskaniu wyniku pozytywnego wynosi zaledwie 16,67%, a nie niemal 100%.
Innym często spotykanym błędem jest tak zwany błąd prokuratora. Polega on na mieszaniu ze sobą prawdopodobieństwa P(dowód|niewinność) oraz jego odwrotności, czyli P(niewinność|dowód). Te dwie wartości zazwyczaj znacząco się różnią, a ich zamienne stosowanie może prowadzić do fałszywych wniosków, na przykład w kontekście dowodów DNA w procesach sądowych.
Kolejnym problemem jest konserwatyzm poznawczy, który objawia się zbyt powolną aktualizacją przekonań pod wpływem nowych informacji. W praktyce oznacza to, że ludzie często trzymają się swojego pierwotnego zdania a priori znacznie mocniej niż wskazywałyby na to formalne obliczenia według wzoru Bayesa.
Z kolei nadmierna aktualizacja (ang. Overreaction) to sytuacja, gdy pojedynczy, słaby dowód powoduje przesadną zmianę przekonań, znacznie większą niż wynikałoby to z jego faktycznej wiarygodności.
Wszystkie te błędy mają wspólną przyczynę: intuicyjne ocenianie prawdopodobieństw warunkowych przez ludzi rzadko zgadza się z wynikami dokładnych obliczeń bazujących na wzorze Bayesa.