WnioskowanieStatystyczne/Twierdzenie Bayesa: Różnice pomiędzy wersjami

Z Brain-wiki
 
(Nie pokazano 59 pośrednich wersji utworzonych przez tego samego użytkownika)
Linia 2: Linia 2:
 
[[Wnioskowanie_Statystyczne_-_wykład]]
 
[[Wnioskowanie_Statystyczne_-_wykład]]
  
 +
 +
==Prawdopodobieństwo warunkowe i zdarzenia niezależne==
 +
 +
Zapis <math>P(A\mid B)</math> oznacza prawdopodobieństwo zdarzenia
 +
<math>A</math> liczone w sytuacji, gdy mamy pewność wystąpienia
 +
zdarzenia <math>B</math>. Odpowiada to w pewnym sensie wystąpieniu
 +
obydwu zdarzeń (<math>A\cap B</math>), jednak prawdopodobieństwo tej
 +
sytuacji należy obliczać inaczej niż <math>P(A\cap B</math>).
 +
 +
<small>''Przykład:  Niech <math>A</math> oznacza wyrzucenie szóstki, a <math>B</math> &mdash;
 +
wyrzucenie parzystej liczby oczek w rzucie kostką. Wtedy <math>A\cap
 +
B</math> oznacza wyrzucenie szóstki, <math>P(A\cap
 +
B)=\frac{1}{6}</math>. Jednak jeśli bierzemy pod uwagę tylko te
 +
przypadki, w których wyrzucono parzystą liczbę oczek (2, 4 lub 6), to
 +
<math>P(A\mid B)=\frac{1}{3}</math>.''</small>
 +
 +
 +
Rozważmy <math>P(A\mid\Omega)</math>; dla dowolnego <math>A</math>
 +
mamy
 +
 +
:<math> P(A)=P(A\mid\Omega)=P(A\cap\Omega)</math>
 +
 +
bo oczywiście <math>A\in\Omega</math>.
 +
 +
Rozbijając przestrzeń
 +
wszystkich możliwych zdarzeń <math>\Omega</math> na część
 +
odpowiadającą zdarzeniu <math>B</math> i pozostałą <math>\overline
 +
B</math> (<math>\Omega=B\cup\overline{B}</math>), dostajemy:
 +
:<math>
 +
P(A)=P(A\mid\Omega)=\\
 +
P\left(A\cap(B\cup\overline{B})\right)=\\
 +
P\left((A\cap B)\cup(A\cap\overline{B})\right)=\\
 +
P(A\cap B) +
 +
P(A\cap\overline{B})</math>
 +
 +
 +
czyli prawdopodobieństwo zdarzenia <math>A</math> jest równe sumie
 +
prawdopodobieństw zajścia <math>A</math>, jeśli zaszło również
 +
<math>B</math>, oraz prawdopodobieństwa zajścia <math>A</math>, jeśli
 +
<math>B</math> nie zaszło. Jeśli wiemy, że zaszło zdarzenie
 +
<math>B</math> (wszak liczymy <math>P(\cdot\mid B)</math>), to drugi
 +
człon znika (<math>P(\overline{B})=0</math>). Aby uzyskać wzór na
 +
<math>P(A\mid B)</math>, pozostały człon musimy podzielić przez
 +
<math>P(B)</math> (aby dla <math>B=A</math> było <math>P(A\mid
 +
A)=1</math>)
 +
 +
:<math> P(A\mid B)=\frac{P(A\cap B)}{P(B)}
 +
</math>
 +
 +
 +
Jeśli wystąpienie zdarzenia <math>B</math> nie ma żadnego wpływu na
 +
prawdopodobieństwo wystąpienia zdarzenia <math>A</math>, czyli
 +
<math>P(A\mid B)=P(A)</math>, to mówimy, że zdarzenia <math>A</math> i
 +
<math>B</math> są niezależne. Z powyższego równania wynika, że dla zdarzeń niezależnych <math>A</math> i <math>B</math> zachodzić będzie
 +
<math>
 +
P(A\cap B)=P(A)P(B)
 +
</math>
 +
 +
 +
W przykładzie z kostką:
 +
 +
:<math>P(\textrm{parzysta liczba oczek})=\frac{1}{2}</math>,
 +
:<math>P(\mathrm{szóstka})=\frac{1}{6}</math>,
 +
:<math>P(\mathrm{szóstka} | \textrm{parzysta liczba oczek}) = \dfrac{\frac16}{\frac12} = \frac13</math>.
  
 
==Twierdzenie Bayesa==
 
==Twierdzenie Bayesa==
 
Twierdzenie Bayesa można wyprowadzić z elementarnych reguł
 
Twierdzenie Bayesa można wyprowadzić z elementarnych reguł
prawdopodobieństwa, wychodząc z definicji [[WnioskowanieStatystyczne/Prawdopodobienstwo#label-eq:50|prawdopodobieństwa warunkowego]]. Ponieważ interesuje nas głównie
+
prawdopodobieństwa, wychodząc z powyższej definicji prawdopodobieństwa warunkowego. Ponieważ interesuje nas głównie
 
weryfikacja hipotez statystycznych,
 
weryfikacja hipotez statystycznych,
 
przekształćmy ten wzór, wstawiając od razu zamiast
 
przekształćmy ten wzór, wstawiając od razu zamiast
 
zdarzeń <math>A</math> i <math>B</math> hipotezę <math>H</math> i dane <math>D</math>. Wtedy <math>P(D\mid H)</math> będzie prawdopodobieństwem  
 
zdarzeń <math>A</math> i <math>B</math> hipotezę <math>H</math> i dane <math>D</math>. Wtedy <math>P(D\mid H)</math> będzie prawdopodobieństwem  
"wylosowania danych <math>D</math> pod warunkiem, że prawdziwa jest hipoteza <math>H</math>":
+
''wylosowania danych <math>D</math> pod warunkiem, że prawdziwa jest hipoteza <math>H</math>'':
 +
 
 +
 
 +
[[Plik:prawd_warunkowe_P_D_H.png|right|frameless|400px]]
 +
 
 +
 
 
<equation id="eq:52">
 
<equation id="eq:52">
 
<math>
 
<math>
P(D\mid H)=\frac{P(D\cap H)}{P(H)} \Longrightarrow P(D\cap H)=P(D\mid H) P(H).
+
P(D\mid H)=\frac{P(D\cap H)}{P(H)} \Longrightarrow P(D\cap H)=P(D\mid H) P(H) \,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, 
 
</math>
 
</math>
 
</equation>
 
</equation>
 +
 
Analogicznie
 
Analogicznie
  
Linia 22: Linia 92:
 
</math>
 
</math>
  
Tak naprawdę interesuje nas prawdopodobieństwo prawdziwości hipotezy <math>H</math> w świetle zdarzenia opisanego obserwowanymi danymi <math>D</math>.
+
 
Ponieważ <math>P(D\cap H)=P(H\cap D)</math>, czyli <math>P(D\mid H) P(H) = P(H\mid D) P(D)</math>, dostajemy
+
 
 +
Ponieważ  
 +
 
 +
<math>P(D\cap H)=P(H\cap D)</math>
 +
 
 +
czyli  
 +
 
 +
<math>P(D\mid H) P(H) = P(H\mid D) P(D)</math>
 +
 
 +
dostajemy
  
 
<equation id="eq:53">
 
<equation id="eq:53">
 
<math>
 
<math>
P(H\mid D)=\frac{P(D\mid H) P(H)}{P(D)}.
+
P(H\mid D)=\frac{P(D\mid H) P(H)}{P(D)} \,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,  (2)
 
</math>
 
</math>
 
</equation>
 
</equation>
 +
  
 
Prawdopodobieństwo <math>P(D)</math> uzyskania w doświadczeniu danych
 
Prawdopodobieństwo <math>P(D)</math> uzyskania w doświadczeniu danych
Linia 38: Linia 118:
 
przestrzeń <math>\Omega</math>: <math>\sum_i H_i=\Omega</math> zbiór
 
przestrzeń <math>\Omega</math>: <math>\sum_i H_i=\Omega</math> zbiór
 
hipotez <math>H_i</math> wykluczających się wzajemnie <math>\left(
 
hipotez <math>H_i</math> wykluczających się wzajemnie <math>\left(
P(H_i\cap H_j\right)=0</math>. Wtedy
+
P(H_i\cap H_j)=0 \right)</math>. Wtedy
 +
 
  
 
<math>
 
<math>
 
P(D)=P(D\cap\Omega)=\sum_i P(D\cap H_i).
 
P(D)=P(D\cap\Omega)=\sum_i P(D\cap H_i).
 
</math>
 
</math>
 +
  
 
Korzystając z <xr id="eq:52">(%i)</xr> dostajemy
 
Korzystając z <xr id="eq:52">(%i)</xr> dostajemy
 +
  
 
<math>
 
<math>
P(D)=\sum_i P(D\mid H_i) P(H_i).
+
P(D)=\sum_i P(D\mid H_i) P(H_i) \,\,\,\,\,\, (3)
 
</math>
 
</math>
 +
  
 
Wstawiając tę zależność do <xr id="eq:53">(%i)</xr>, i podstawiając za
 
Wstawiając tę zależność do <xr id="eq:53">(%i)</xr>, i podstawiając za
 
<math>H</math> jedną z możliwych <math>H_i</math>, dostajemy wzór
 
<math>H</math> jedną z możliwych <math>H_i</math>, dostajemy wzór
 
wyrażający twierdzenie Bayesa:
 
wyrażający twierdzenie Bayesa:
 +
  
 
<math>
 
<math>
 
P(H_i\mid D)=\frac{P(D\mid H_i)P(H_i)}{\sum_j P(D\mid H_j)P(H_j)}.
 
P(H_i\mid D)=\frac{P(D\mid H_i)P(H_i)}{\sum_j P(D\mid H_j)P(H_j)}.
 
</math>
 
</math>
 +
  
 
Prawdopodobieństwo hipotezy <math>H_i</math> wyrażone jest przez:  
 
Prawdopodobieństwo hipotezy <math>H_i</math> wyrażone jest przez:  
Linia 65: Linia 151:
 
Najbardziej bulwersujące jest tu <math>P(H_i)</math>, wyrażające naszą
 
Najbardziej bulwersujące jest tu <math>P(H_i)</math>, wyrażające naszą
 
wiarę w hipotezę <math>H_i</math> niezależną od danych <math>D</math>.
 
wiarę w hipotezę <math>H_i</math> niezależną od danych <math>D</math>.
Wielkość tę określa się mianem prawdopodobieństwa "a priori" , lub
+
Wielkość tę określa się mianem prawdopodobieństwa "a priori", lub
 
jak proponuje [http://www.fuw.edu.pl/~rjn/sdf.html R. Nowak],
 
jak proponuje [http://www.fuw.edu.pl/~rjn/sdf.html R. Nowak],
 
"prawdopodobieństwem zaczątkowym" lub "zaczątkiem" .  Dla
 
"prawdopodobieństwem zaczątkowym" lub "zaczątkiem" .  Dla
Linia 89: Linia 175:
 
</equation>
 
</equation>
  
Poniższy przykład (zaczerpnięty z
+
==Przykłady==
[http://www.roma1.infn.it/~dagos/cern/index.html raportu D'Agostiniego Bayesian Reasoning in High Energy Physics - Principles and Applications]) ilustruje wykorzystanie twierdzenia Bayesa.
+
 
 +
Celem wnioskowania statystycznego powinna być ocena prawdopodobieństwa prawdziwości hipotezy <math>H</math> w świetle zdarzenia opisanego obserwowanymi danymi <math>D</math>, a nie odwrotnie. Mylenie tych dwóch prawdopodobieństw prowadzi np. do tzw. [https://pl.wikipedia.org/wiki/Błąd_rozumowania_prokuratorskiego błędu rozumowania prokuratorskiego].  
  
 +
<cite>
 +
Poniższe przykłady zaczerpnięto z
 +
[http://www.roma1.infn.it/~dagos/cern/index.html raportu Giuglio D'Agostini "Bayesian Reasoning in High Energy Physics - Principles and Applications"].
 +
</cite>
  
===Przykład===
 
  
 +
 +
===Prawdopodobieństwo zarażenia w świetle wyników testu na HIV===
 +
 +
<cite>
 
Przypadkowo wybrany z populacji (w której na 60
 
Przypadkowo wybrany z populacji (w której na 60
 
milionów jest około stu tysięcy nosicieli wirusa) obywatel poddany
 
milionów jest około stu tysięcy nosicieli wirusa) obywatel poddany
 
jest testowi na obecność wirusa HIV. Użyty test wykrywa niemal 100% przypadków zakażenia, i daje około 0,2% „fałszywych alarmów”. Jakie jest prawdopodobieństwo, że badany obywatel jest
 
jest testowi na obecność wirusa HIV. Użyty test wykrywa niemal 100% przypadków zakażenia, i daje około 0,2% „fałszywych alarmów”. Jakie jest prawdopodobieństwo, że badany obywatel jest
 
nosicielem wirusa, jeśli test dał wynik pozytywny?
 
nosicielem wirusa, jeśli test dał wynik pozytywny?
 +
</cite>
  
 
+
Na pierwszy rzut oka wydaje się, że skoro test wykrywa wirusa fałszywie tylko w dwu  
Na pierwszy rzut oka wydaje się, że skoro test wykrywa wirusa fałszywie tylko w dwu
 
 
przypadkach na tysiąc, to szukane prawdopodobieństwo wynosi 1-0,2%<math>\approx</math> 99.8%. Jednakże, jeśli wziąć pod uwagę prawdopodobieństwo ''a priori'' (zaczątek) wynoszące 100 000/60 000 000 <math>\approx</math> 2% otrzymamy wartość bliską 50%!
 
przypadkach na tysiąc, to szukane prawdopodobieństwo wynosi 1-0,2%<math>\approx</math> 99.8%. Jednakże, jeśli wziąć pod uwagę prawdopodobieństwo ''a priori'' (zaczątek) wynoszące 100 000/60 000 000 <math>\approx</math> 2% otrzymamy wartość bliską 50%!
  
Linia 113: Linia 207:
 
Formalnie możemy dowieść tego wyniku korzystając z <xr id="eq:53">(%i)</xr> i
 
Formalnie możemy dowieść tego wyniku korzystając z <xr id="eq:53">(%i)</xr> i
 
<xr id="eq:55">(%i)</xr>. Oznaczmy:
 
<xr id="eq:55">(%i)</xr>. Oznaczmy:
* <math>P(+)</math> --- prawdopodobieństwo pozytywnego wyniku testu,
+
* <math>P(+)</math> prawdopodobieństwo pozytywnego wyniku testu,
* <math>P(HIV)</math> --- prawdopodobieństwo, że badany jest nosicielem (zaczątek),
+
* <math>P(HIV)</math> prawdopodobieństwo, że badany jest nosicielem (zaczątek),
* <math>P(\overline{HIV})</math> --- prawdopodobieństwo, że badany nie jest nosicielem (również zaczątek).
+
* <math>P(\overline{HIV})</math> prawdopodobieństwo, że badany nie jest nosicielem (również zaczątek).
  
  
Linia 136: Linia 230:
 
\end{matrix}</math>
 
\end{matrix}</math>
  
Ponieważ <math>P(HIV|+) + P(\overline{HIV}|+) = 1</math>, dostajemy <math>P(\overline{HIV}|+)
+
Ponieważ <math>P(HIV|+) + P(\overline{HIV}|+) = 1</math>, dostajemy <math>P(HIV|+)
 
\approx 0.455</math>, czyli ok. 45%
 
\approx 0.455</math>, czyli ok. 45%
  
 +
 +
 +
 +
===Uaktualnianie prawdopodobnieńswa zaczątkowego czyli Bayes w barze===
 +
<cite>
 +
Spotykamy w barze znajomego, który proponuje prostą grę losową: za drinki płaci ten, kto wyciągnie z zakrytej talii niższą kartę. Zgadzamy się wierząc w losowość gry (czyli uczciwość znajomego, który grę prowadzi), ale jeśli przegramy kilka razy z rzędu zaczynamy wątpić.
 +
</cite>
 +
Opiszmy to liczbami:
 +
 +
Na początku przyjmujemy, że znajomy proponuje uczciwą grę losową, z prawdopodobieństwem na przykład <math>P_0(U)=0.95</math>. Poziom naszej początkowej wiary z możliwość przeciwną, czyli że jeteśmy oszukiwani, wynosi wtedy <math>P_0(O)=0.05</math>. Dla uproszczenia załóżmy, że jeśli prowadzący grę znajomy oszukuje, to zawsze wygra, czyli prawdopodobieństwo wygrania w każdej z gier wyniesie wtedy <math>P(W|O)=1</math>. Jeśli gra byłaby uczciwa (losowa), to prawdopodobieństwo wygrania w każdej grze wynosiłoby <math>0.5</math>, czyli <math>P(W|U)=2^{-1}</math>. Jeśli kolejne gry są zdarzeniami niezależnymi, to prawdopodobieństwo wygrania w <math>n</math> kolejnych grach wyniesie <math>P(W_n|U)=2^{-n}</math>.
 +
 +
Ostatecznie
 +
 +
<math>
 +
P(O|W_n)=\frac{ P(W_n|O) P_0(O) }{ P(W_n|O) P_0(O) + P(W_n|U) P_0(U) }
 +
</math>
 +
 +
 +
<math>
 +
P(O|W_n)=\frac{P_0(O) }{ P_0(O) +2^{-n} [1 - P_0(O)] }
 +
</math>
 +
 +
{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
 +
|kod
 +
|-
 +
|<source lang=python>
 +
import matplotlib.pyplot as plt
 +
import numpy
 +
t = numpy.arange(0, 20.0, 1.0)
 +
def p(n,p0c):
 +
return p0c/(p0c+(1-p0c)*0.5**n)
 +
plt.plot(t, p(t, 0.01), label='$p_0=0.01$')
 +
plt.plot(t, p(t, 0.05), label='$p_0=0.05$')
 +
plt.plot(t, p(t, 0.5), label='$p_0=0.5$')
 +
plt.xlabel('n')
 +
plt.ylabel('P')
 +
plt.grid(True)
 +
plt.legend()
 +
plt.show()
 +
|</source>
 +
|}
 +
 +
[[Image:Bayes_w_barze.png|none|frameless|500px]]
  
 
===Referencja===
 
===Referencja===
Polecam doskonały tekst Giuglio D'Agostini z 1995 roku pt. "Probability and Measurement Uncertainty in Physics - a Bayesian Primer", dostępny z  
+
Polecam doskonały tekst Giuglio D'Agostini z 1995 roku pt. "Probability and Measurement Uncertainty in Physics a Bayesian Primer", dostępny z  
 
https://arxiv.org/abs/hep-ph/9512295
 
https://arxiv.org/abs/hep-ph/9512295

Aktualna wersja na dzień 18:03, 23 maj 2024

Wnioskowanie_Statystyczne_-_wykład


Prawdopodobieństwo warunkowe i zdarzenia niezależne

Zapis [math]P(A\mid B)[/math] oznacza prawdopodobieństwo zdarzenia [math]A[/math] liczone w sytuacji, gdy mamy pewność wystąpienia zdarzenia [math]B[/math]. Odpowiada to w pewnym sensie wystąpieniu obydwu zdarzeń ([math]A\cap B[/math]), jednak prawdopodobieństwo tej sytuacji należy obliczać inaczej niż [math]P(A\cap B[/math]).

Przykład: Niech [math]A[/math] oznacza wyrzucenie szóstki, a [math]B[/math] wyrzucenie parzystej liczby oczek w rzucie kostką. Wtedy [math]A\cap B[/math] oznacza wyrzucenie szóstki, [math]P(A\cap B)=\frac{1}{6}[/math]. Jednak jeśli bierzemy pod uwagę tylko te przypadki, w których wyrzucono parzystą liczbę oczek (2, 4 lub 6), to [math]P(A\mid B)=\frac{1}{3}[/math].


Rozważmy [math]P(A\mid\Omega)[/math]; dla dowolnego [math]A[/math] mamy

[math] P(A)=P(A\mid\Omega)=P(A\cap\Omega)[/math]

bo oczywiście [math]A\in\Omega[/math].

Rozbijając przestrzeń wszystkich możliwych zdarzeń [math]\Omega[/math] na część odpowiadającą zdarzeniu [math]B[/math] i pozostałą [math]\overline B[/math] ([math]\Omega=B\cup\overline{B}[/math]), dostajemy:

[math] P(A)=P(A\mid\Omega)=\\ P\left(A\cap(B\cup\overline{B})\right)=\\ P\left((A\cap B)\cup(A\cap\overline{B})\right)=\\ P(A\cap B) + P(A\cap\overline{B})[/math]


czyli prawdopodobieństwo zdarzenia [math]A[/math] jest równe sumie prawdopodobieństw zajścia [math]A[/math], jeśli zaszło również [math]B[/math], oraz prawdopodobieństwa zajścia [math]A[/math], jeśli [math]B[/math] nie zaszło. Jeśli wiemy, że zaszło zdarzenie [math]B[/math] (wszak liczymy [math]P(\cdot\mid B)[/math]), to drugi człon znika ([math]P(\overline{B})=0[/math]). Aby uzyskać wzór na [math]P(A\mid B)[/math], pozostały człon musimy podzielić przez [math]P(B)[/math] (aby dla [math]B=A[/math] było [math]P(A\mid A)=1[/math])

[math] P(A\mid B)=\frac{P(A\cap B)}{P(B)} [/math]


Jeśli wystąpienie zdarzenia [math]B[/math] nie ma żadnego wpływu na prawdopodobieństwo wystąpienia zdarzenia [math]A[/math], czyli [math]P(A\mid B)=P(A)[/math], to mówimy, że zdarzenia [math]A[/math] i [math]B[/math] są niezależne. Z powyższego równania wynika, że dla zdarzeń niezależnych [math]A[/math] i [math]B[/math] zachodzić będzie [math] P(A\cap B)=P(A)P(B) [/math]


W przykładzie z kostką:

[math]P(\textrm{parzysta liczba oczek})=\frac{1}{2}[/math],
[math]P(\mathrm{szóstka})=\frac{1}{6}[/math],
[math]P(\mathrm{szóstka} | \textrm{parzysta liczba oczek}) = \dfrac{\frac16}{\frac12} = \frac13[/math].

Twierdzenie Bayesa

Twierdzenie Bayesa można wyprowadzić z elementarnych reguł prawdopodobieństwa, wychodząc z powyższej definicji prawdopodobieństwa warunkowego. Ponieważ interesuje nas głównie weryfikacja hipotez statystycznych, przekształćmy ten wzór, wstawiając od razu zamiast zdarzeń [math]A[/math] i [math]B[/math] hipotezę [math]H[/math] i dane [math]D[/math]. Wtedy [math]P(D\mid H)[/math] będzie prawdopodobieństwem wylosowania danych [math]D[/math] pod warunkiem, że prawdziwa jest hipoteza [math]H[/math]:


Prawd warunkowe P D H.png


[math] P(D\mid H)=\frac{P(D\cap H)}{P(H)} \Longrightarrow P(D\cap H)=P(D\mid H) P(H) \,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, [/math]

Analogicznie

[math] P(H\mid D) = \frac{P(H\cap D)}{P(D)} \Longrightarrow P(H\cap D)=P(H\mid D) P(D). [/math]


Ponieważ

[math]P(D\cap H)=P(H\cap D)[/math]

czyli

[math]P(D\mid H) P(H) = P(H\mid D) P(D)[/math]

dostajemy

[math] P(H\mid D)=\frac{P(D\mid H) P(H)}{P(D)} \,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, (2) [/math]


Prawdopodobieństwo [math]P(D)[/math] uzyskania w doświadczeniu danych [math]D[/math] trudno ocenić bezpośrednio, jeśli nie wiemy, czy prawdziwa jest odnosząca się do nich hipoteza [math]H[/math]. W tej sytuacji należy wziąć pod uwagę wszystkie możliwe hipotezy [math]H_i[/math], tworzące kompletny, czyli pokrywający całą przestrzeń [math]\Omega[/math]: [math]\sum_i H_i=\Omega[/math] zbiór hipotez [math]H_i[/math] wykluczających się wzajemnie [math]\left( P(H_i\cap H_j)=0 \right)[/math]. Wtedy


[math] P(D)=P(D\cap\Omega)=\sum_i P(D\cap H_i). [/math]


Korzystając z (1) dostajemy


[math] P(D)=\sum_i P(D\mid H_i) P(H_i) \,\,\,\,\,\, (3) [/math]


Wstawiając tę zależność do (2), i podstawiając za [math]H[/math] jedną z możliwych [math]H_i[/math], dostajemy wzór wyrażający twierdzenie Bayesa:


[math] P(H_i\mid D)=\frac{P(D\mid H_i)P(H_i)}{\sum_j P(D\mid H_j)P(H_j)}. [/math]


Prawdopodobieństwo hipotezy [math]H_i[/math] wyrażone jest przez:

  • prawdopodobieństwo uzyskania w jej świetle danych [math]D[/math], czyli [math]P(D\mid H_i)[/math]
  • stopień naszego zaufania do hipotezy [math]H_i[/math] (niezależny od eksperymentu, w którym uzyskaliśmy dane [math]D[/math]), czyli [math]P(H_i)[/math]
  • całkowite prawdopodobieństwo uzyskania danych [math]D[/math] w świetle wszystkich możliwych hipotez [math]H_j[/math], czyli [math]\sum_j P(D\mid H_j)P(H_j)[/math]

Najbardziej bulwersujące jest tu [math]P(H_i)[/math], wyrażające naszą wiarę w hipotezę [math]H_i[/math] niezależną od danych [math]D[/math]. Wielkość tę określa się mianem prawdopodobieństwa "a priori", lub jak proponuje R. Nowak, "prawdopodobieństwem zaczątkowym" lub "zaczątkiem" . Dla odróżnienia od (szukanego) prawdopodobieństwa [math]P(H)[/math] oznaczmy zaczątek jako [math]P_0[/math]; wzór Bayesa przyjmie wtedy postać

[math] P(H_i\mid D)=\frac{P(D\mid H_i)P_0(H_i)}{\sum_j P(D\mid H_j)P_0(H_j)}. [/math]

Jeśli nie dysponujemy informacją o kompletnym zbiorze hipotez [math]H_i[/math], możemy badać stosunek prawdopodobieństw dwóch hipotez [math]H_1[/math] i [math]H_2[/math]:

[math] \frac{P(H_1\mid D)}{P(H_2\mid D)} = \frac{P(D\mid H_1)P_0(H_1)}{P(D\mid H_2)P_0(H_2)}. [/math]

Przykłady

Celem wnioskowania statystycznego powinna być ocena prawdopodobieństwa prawdziwości hipotezy [math]H[/math] w świetle zdarzenia opisanego obserwowanymi danymi [math]D[/math], a nie odwrotnie. Mylenie tych dwóch prawdopodobieństw prowadzi np. do tzw. błędu rozumowania prokuratorskiego.

Poniższe przykłady zaczerpnięto z raportu Giuglio D'Agostini "Bayesian Reasoning in High Energy Physics - Principles and Applications".


Prawdopodobieństwo zarażenia w świetle wyników testu na HIV

Przypadkowo wybrany z populacji (w której na 60 milionów jest około stu tysięcy nosicieli wirusa) obywatel poddany jest testowi na obecność wirusa HIV. Użyty test wykrywa niemal 100% przypadków zakażenia, i daje około 0,2% „fałszywych alarmów”. Jakie jest prawdopodobieństwo, że badany obywatel jest nosicielem wirusa, jeśli test dał wynik pozytywny?

Na pierwszy rzut oka wydaje się, że skoro test wykrywa wirusa fałszywie tylko w dwu przypadkach na tysiąc, to szukane prawdopodobieństwo wynosi 1-0,2%[math]\approx[/math] 99.8%. Jednakże, jeśli wziąć pod uwagę prawdopodobieństwo a priori (zaczątek) wynoszące 100 000/60 000 000 [math]\approx[/math] 2% otrzymamy wartość bliską 50%!

Na początek wyobraźmy sobie wynik tego testu na całej populacji: będzie on pozytywny dla stu tysięcy zarażonych i dla 0,2% pozostałych, czyli w sumie 220 tysięcy. Wśród nich faktycznych nosicieli będzie tylko sto tysięcy, pozostali będą ofiarami błędu testu. Prawdopodobieństwo, że jesteśmy nosicielem, jeśli znaleźliśmy się w tej grupie, jest równe [math]\frac{100 000}{220000}\approx[/math] 45% (a nie 99,8%!).

Formalnie możemy dowieść tego wyniku korzystając z (2) i (4). Oznaczmy:

  • [math]P(+)[/math] — prawdopodobieństwo pozytywnego wyniku testu,
  • [math]P(HIV)[/math] — prawdopodobieństwo, że badany jest nosicielem (zaczątek),
  • [math]P(\overline{HIV})[/math] — prawdopodobieństwo, że badany nie jest nosicielem (również zaczątek).


Z opisu przykładu dostaniemy: [math]P(+|HIV)\approx 1[/math],

[math]P(+|\overline{HIV})=0,002[/math],

[math]P(HIV)= \frac{100 000}{60 000 000} = \frac{1}{600}[/math]

[math]P(\overline{HIV}) \approx 1[/math].

Szukamy [math]P(HIV|+)[/math]:

[math]\begin{matrix} P(HIV|+)& =& \frac{P(+|HIV)P(HIV)}{P(+)}\\ P(\overline{HIV}|+)& = &\frac{P(+|\overline{HIV})P(\overline{HIV})}{P(+)}\\ \frac{P(HIV|+)}{P(\overline{HIV}|+)}&=&\frac{P(+|HIV)P(HIV)}{P(+|\overline{HIV})P(\overline{HIV})} = \frac{1 \cdot \frac{1}{600}}{0,002 \cdot 1} = \frac{1}{1,2}. \end{matrix}[/math]

Ponieważ [math]P(HIV|+) + P(\overline{HIV}|+) = 1[/math], dostajemy [math]P(HIV|+) \approx 0.455[/math], czyli ok. 45%



Uaktualnianie prawdopodobnieńswa zaczątkowego czyli Bayes w barze

Spotykamy w barze znajomego, który proponuje prostą grę losową: za drinki płaci ten, kto wyciągnie z zakrytej talii niższą kartę. Zgadzamy się wierząc w losowość gry (czyli uczciwość znajomego, który grę prowadzi), ale jeśli przegramy kilka razy z rzędu zaczynamy wątpić. Opiszmy to liczbami:

Na początku przyjmujemy, że znajomy proponuje uczciwą grę losową, z prawdopodobieństwem na przykład [math]P_0(U)=0.95[/math]. Poziom naszej początkowej wiary z możliwość przeciwną, czyli że jeteśmy oszukiwani, wynosi wtedy [math]P_0(O)=0.05[/math]. Dla uproszczenia załóżmy, że jeśli prowadzący grę znajomy oszukuje, to zawsze wygra, czyli prawdopodobieństwo wygrania w każdej z gier wyniesie wtedy [math]P(W|O)=1[/math]. Jeśli gra byłaby uczciwa (losowa), to prawdopodobieństwo wygrania w każdej grze wynosiłoby [math]0.5[/math], czyli [math]P(W|U)=2^{-1}[/math]. Jeśli kolejne gry są zdarzeniami niezależnymi, to prawdopodobieństwo wygrania w [math]n[/math] kolejnych grach wyniesie [math]P(W_n|U)=2^{-n}[/math].

Ostatecznie

[math] P(O|W_n)=\frac{ P(W_n|O) P_0(O) }{ P(W_n|O) P_0(O) + P(W_n|U) P_0(U) } [/math]


[math] P(O|W_n)=\frac{P_0(O) }{ P_0(O) +2^{-n} [1 - P_0(O)] } [/math]

Bayes w barze.png

Referencja

Polecam doskonały tekst Giuglio D'Agostini z 1995 roku pt. "Probability and Measurement Uncertainty in Physics — a Bayesian Primer", dostępny z https://arxiv.org/abs/hep-ph/9512295