Зміст статті
1. Інтуїтивна ідея
Уявіть: ваш друг кинув монету і сказав «вийшла решка». Яка ймовірність, що монета чесна? Зараз — 50/50. Але якщо він кидав 20 разів і 18 разів вийшла решка — ваші підозри зростають.
Теорема Байєса — це математичний спосіб оновлювати переконання при отриманні нових даних. Вона відповідає на питання: «Яка ймовірність гіпотези A, якщо ми спостерігаємо подію B?»
Ключова ідея: В нас є апріорна ймовірність (що ми думали до) → ми отримуємо нові дані → отримуємо апостеріорну ймовірність (що думаємо тепер).
2. Формула Байєса
Де:
- P(A|B) — апостеріорна ймовірність: ймовірність A, якщо відомо що B сталось
- P(B|A) — правдоподібність: ймовірність спостерігати B, якщо A вірне
- P(A) — апріорна ймовірність A (до спостереження B)
- P(B) — повна ймовірність B (маргінальна)
Розгорнута форма
P(B) можна розкласти за формулою повної ймовірності:
3. Приклад 1: Медичний тест
Класичний «парадокс точності» — чому навіть точний тест може давати хибний результат:
🏥 Задача про рідкісну хворобу
Хвороба зустрічається у 1% населення. Тест має чутливість 99% (якщо хворий — тест позитивний з 99% ймовірності) та специфічність 95% (якщо здоровий — тест негативний з 95% ймовірності).
Запитання: Якщо тест показав позитивний результат — яка ймовірність, що людина справді хвора?
Це шокує більшість людей. Причина — рідкість хвороби: серед 1000 людей лише 10 хворих. Тест «знаходить» майже всіх 10, але також дає ~50 хибнопозитивних серед 990 здорових.
4. Приклад 2: Байєсівський спам-фільтр
Нааївний байєсівський класифікатор — один із найвідоміших застосувань теореми. Спрощена версія:
📧 Слово «виграш» в листі
Слово «виграш» зустрічається в 80% спаму та в 5% звичайних листів. Зі всіх листів 40% — спам.
5. Приклад 3: Доказ у суді
«Помилка прокурора» — класичне неправильне застосування умовної ймовірності:
Помилка: P(докази|невинен) = 1/1000000 — це НЕ означає P(невинен|докази) = 0.000001. Байєс нагадує: потрібно враховувати апріорну ймовірність невинності!
6. Байєсівське оновлення переконань
Сила байєсівського підходу в тому, що апостеріорна ймовірність одного спостереження стає апріорною для наступного:
P(A|B₁) → нова апріорна → P(A|B₁,B₂)
Реальне застосування: Навчання ML-алгоритмів, A/B-тестування, навігація (фільтр Калмана), оцінка ризиків, кримінологія, медична діагностика.
7. Калькулятор Байєса
🧮 Обчислення за теоремою Байєса
Про цю статтю
Ця стаття є частиною бази знань calculator.party — освітнього ресурсу, що поєднує теорію з практичними інструментами. Матеріал орієнтований на студентів, учнів і фахівців, що прагнуть глибокого розуміння теми. Тут зібрані ключові концепції, формули та реальні приклади застосування.
Теорія ймовірностей кількісно описує невизначеність. Вона є основою статистики, машинного навчання, фінансів та криптографії.
Навіщо читати цю статтю
Після прочитання ви зможете впевнено пояснити тему, вирішувати практичні задачі та застосовувати знання у навчанні й роботі. Стаття охоплює теоретичне підґрунтя і числові приклади, що полегшують запам'ятовування матеріалу.