Hoppa till innehållet
Hem

Bayes' teorem: principer, tolkning och tillämpningar

Översikt av Bayes' teorem: formel, beståndsdelar (prior, likelihood, posterior), historik, praktiska exempel och viktiga anmärkningar för tillämpningar inom statistik och maskininlärning.

Författare: Skapad: Uppdaterad:

Bayes' teorem är en grundläggande sats i sannolikhetsteori som beskriver hur man uppdaterar sannolikheten för en händelse när ny information blir tillgänglig. I sin enklaste form ger teoremet en relation mellan en villkorlig sannolikhet och dess omvända: sannolikheten för en hypotes givet observerade data kan uttryckas med hjälp av sannolikheten för samma data givet hypotesen.

Formel och huvudkomponenter

Den vanliga algebraiska formen skrivs kortfattat som: P(A|B) = P(B|A) · P(A) / P(B). Här betecknar P(A|B) den uppdaterade sannolikheten (posterior) för A när B observerats. De centrala delarna är:

  • Prior (P(A)) – den initiala sannolikheten för A innan ny data tas i beaktande.
  • Sannolikhet eller likelihood (P(B|A)) – hur troligt det är att observera B om A är sann.
  • Bevis eller marginal (P(B)) – totala sannolikheten för observationen B, ofta beräknad som summan eller integralen över alla möjliga hypoteser.
  • Posterior (P(A|B)) – den uppdaterade sannolikheten för A efter att B observerats.

Tolkningar och vidare generalisering

Bayes' teorem tolkas ofta som ett rationellt sätt att uppdatera tro eller osäkerhet. För kontinuerliga variabler används täthetsfunktioner i stället för diskreta sannolikheter, men principen är densamma. I praktiken används Bayesiansk inferens för att kombinera expertkunskap (prior) och data (likelihood) till en posterior för beslut eller för att skatta parametrar.

Kort historik

Teoremet är uppkallat efter Thomas Bayes och publicerades postumt under 1700‑talet. Begreppet utvecklades vidare av andra matematiker och statistiker och har blivit centralt i det som kallas bayesiansk statistik. I modern tid har beräkningsmetoder som Monte Carlo-simuleringar gjort bayesianska metoder praktiskt användbara i många komplexa problem.

Användningsområden och exempel

Bayes' teorem används i en rad fält där osäkerhet och stegvis uppdatering är viktiga. Några typiska tillämpningar:

  • Medicinsk diagnos: beräkna sannolikheten för en sjukdom givet ett testresultat, där prevalens fungerar som prior.
  • Spam-klassificering: naiv Bayes‑klassificerare kombinerar ordsannolikheter för att avgöra om ett mejl är skräppost.
  • Maskininlärning och statistisk modellering: bayesianska metoder används för parameterestimering, modelljämförelse och osäkerhetskvantifiering.
  • Rättsväsende och riskbedömning: tolkning av bevis och uppdatering av hypoteser när nya data framkommer.

Viktiga anmärkningar och begränsningar

Valet av prior kan påverka resultatet, särskilt vid liten datamängd, vilket gör det viktigt att vara transparent och pröva olika rimliga priorer. En vanlig förenkling i tillämpningar är antagandet om villkorlig oberoende ("naiv Bayes"), vilket gör beräkningar enklare men kan vara en dålig approximation i vissa problem. Fördjupningar och beräkningsmetoder finns i fackspråket för bayesiansk statistik och maskininlärning.

Sammanfattningsvis är Bayes' teorem ett enkelt men kraftfullt ramverk för att kombinera tidigare kunskap och ny data. För ytterligare tekniska detaljer och formella härledningar, se introduktioner i sannolikhetsteori och bayesiansk inferens samt resurser märkta med hypotes och relaterade koncept.

Formel

Den ekvation som används är:

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

Var:

  • P(A) är den tidigare sannolikheten eller marginella sannolikheten för A. Den är "tidigare" i den meningen att den inte tar hänsyn till någon information om B.
  • P(A|B) är den betingade sannolikheten för A, givet B. Den kallas också för efterföljande sannolikhet eftersom den härleds från (eller beror på) det angivna värdet för B.
  • P(B|A) är den betingade sannolikheten för B givet A. Den kallas också sannolikhet.
  • P(B) är den tidigare eller marginella sannolikheten för B och fungerar som en normaliserande konstant.

I många scenarier beräknas P(B) indirekt med hjälp av formeln {\displaystyle P(B)=P(B|A)P(A)+P(B|A^{c})P(A^{c})}, vilket helt enkelt innebär att sannolikheten för B är summan av de villkorliga sannolikheterna beroende på om A har inträffat eller inte.


 

Exempel

Ett enkelt exempel är följande: Det finns en 40-procentig risk för regn på söndag. Om det regnar på söndag finns det 10 % chans att det regnar på måndag. Om det inte regnar på söndag finns det en 80-procentig chans att det kommer att regna på måndag.

"Det regnar på söndag" är händelse A, och "det regnar på måndag" är händelse B.

  • P( A ) = 0,40 = Sannolikheten för regn på söndag.
  • P( A` ) = 0,60 = Sannolikheten att det inte regnar på söndag.
  • P( B | A ) = 0,10 = Sannolikheten för regn på måndag om det regnade på söndag.
  • P( B` | A ) = 0,90 = Sannolikheten att det inte regnar på måndag om det regnade på söndag.
  • P( B | A` ) = 0,80 = Sannolikheten för regn på måndag om det inte regnade på söndag.
  • P( B` |A` ) = 0,20 = Sannolikheten att det inte regnar på måndag om det inte regnade på söndag.

Det första vi normalt skulle beräkna är sannolikheten för att det ska regna på måndag: Detta skulle vara summan av sannolikheten för "Regn på söndag och regn på måndag" och "Inget regn på söndag och regn på måndag":

{\displaystyle 0.40\times 0.10+0.60\times 0.80=0.52=52\%} chance

Men om vi ombads att beräkna sannolikheten för att det regnade på söndag, med tanke på att det regnade på måndag, så är det här Bayes' teorem kommer in i bilden. Den gör det möjligt för oss att beräkna sannolikheten för en tidigare händelse, med tanke på resultatet av en senare händelse.

Den ekvation som används är:

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

I vårt fall är "Regn på söndag" händelse A och "Regn på måndag" händelse B.

  • P(B|A) = 0,10 = Sannolikheten för regn på måndag om det regnade på söndag.
  • P(A) = 0,40 = Sannolikhet för regn på söndag.
  • P(B) = 0,52 = Sannolikhet för regn på måndag.

För att beräkna sannolikheten för att det regnade på söndag, givet att det regnade på måndag, använder vi formeln:

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

eller:

{\displaystyle P(A|B)={\frac {0.10*0.40}{0.52}}=.0769}

Med andra ord, om det regnade i måndags finns det 7,69 % chans att det regnade i söndags.


 

Intuitiv förklaring

För att beräkna sannolikheten för att det regnade på söndagen, givet att det regnade på måndagen, kan vi ta följande steg:

  • Vi vet att det regnade i måndags. Därför är den totala sannolikheten P(B).
  • Sannolikheten för att det regnade i söndags är P(A).
  • Sannolikheten för att det regnade i måndags, givet att det regnade i söndags, är P(B|A).
  • Sannolikheten för att det regnar på söndag och måndag är P(A)*P(B|A).
  • Därför är den totala sannolikheten för att det har regnat på söndag, givet att det regnade på måndag, sannolikheten för att det regnade på söndag och måndag dividerad med den totala sannolikheten för att det regnade på måndag.

Därför,

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

Ett annat sätt att se detta, som visar var Bayes' teorem kommer ifrån, är att betrakta sannolikheten P(AB) för att det regnar både på söndag och måndag. Detta kan beräknas på två olika sätt, som ger samma svar för P(AB):

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

I detta avseende är Bayes' teorem bara ett annat sätt att skriva ekvationen.


 

Relaterade sidor

 

Frågor och svar

F: Vad är Bayes' teorem?

S: Bayes' teorem är en matematisk formel som visar förhållandet mellan en villkorlig sannolikhet och dess omvända form.

F: Vem var Thomas Bayes?

S: Thomas Bayes var en brittisk matematiker från 1700-talet som utvecklade denna sats inom sannolikhetsteori och tillämpningar.

F: Hur används teoremet?

S: Satsen används för att beräkna sannolikheten för en hypotes med tanke på vissa observerade bevis, samt sannolikheten för dessa bevis med tanke på hypotesen.

F: Vilka andra namn har denna sats?

S: Denna sats är också känd som Bayes lag eller Bayes regel.

F: När utvecklade Thomas Bayes denna sats?

Svar: Thomas Bayes utvecklade denna sats på 1700-talet under sitt arbete med sannolikhetsteori och tillämpningar.

F: Hur uttalar man "Bayes"?

S: "Bayes" uttalas /ˈbeɪz/ eller "bays".

Relaterade artiklar

Författare

AlegsaOnline.com Bayes' teorem: principer, tolkning och tillämpningar

URL: https://sv.alegsaonline.com/art/9690

Dela