Bayes-tétel

Magyar

Kiejtés

IPA: [ ˈbɒiɛʃteːtɛl]

Főnév

(matematika, valószínűségszámítás) A Bayes-tétel a valószínűségszámításban egy feltételes valószínűség és a fordítottja között állít fel kapcsolatot. A tétel Thomas Bayes brit matematikustól származik; nagy jelentősége van a valószínűségszámítás interpretációiban. A tétel legegyszerűbb formájában azt állítja, hogy ha ismert az A és a B esemény valószínűsége, és ezek egyike sem 0, valamint a P(B|A) feltételes valószínűség, akkor $P(A|B)={\frac {P(B|A)\,P(A)}{P(B)}}\,\!.$

$P(A)$ -t az A esemény a priori, $P(A|B)$ -t az a posteriori valószínűségének is nevezik; a szokásos értelmezésben A valamiféle hipotézis, B egy megfigyelhető esemény, és a tétel azt adja meg, hogyan erősíti vagy gyengíti az esemény megfigyelése a hipotézis helyességébe vetett hitünket.

A Bayes-tétel a valószínűségszámításban egy olyan fontos szabály, amely lehetővé teszi a feltételes valószínűségek kiszámítását. A tétel azt mondja ki, hogy egy esemény valószínűsége, ha tudjuk, hogy egy másik esemény is bekövetkezett, kiszámítható az első és a második események közötti kapcsolat alapján. A tétel lehetővé teszi az új információk alapján történő valószínűségi frissítést.

A Bayes-tétel formulája a következőképpen néz ki:

> Bayes-tétel: Legyenek $A$ és $B$ események, ahol $P(A)>0$ és $P(B)>0$ . Ekkor a feltételes valószínűség a következő módon számítható: $P(A|B)={\frac {P(B|A)\cdot P(A)}{P(B)}}$ ahol: - $P(A|B)$ a $B$ -ből származó információval frissített $A$ valószínűsége, - $P(B|A)$ a $A$ esemény bekövetkezése mellett a $B$ esemény valószínűsége, - $P(A)$ az $A$ esemény előzetes valószínűsége (prior), - $P(B)$ a $B$ esemény teljes valószínűsége (normalizáló konstans).

Fontos Fogalmak

1. Feltételes valószínűség

- A feltételes valószínűség $P(A|B)$ annak a valószínűségét jelenti, hogy $A$ bekövetkezik, feltéve, hogy $B$ már bekövetkezett.

2. Előzetes és utólagos valószínűség

- Előzetes valószínűség $P(A)$ : Az $A$ esemény előzetes valószínűsége, mielőtt bármilyen további információval rendelkeznénk. - Utólagos valószínűség $P(A|B)$ : Az $A$ esemény valószínűsége a $B$ esemény bekövetkezése után, az új információ figyelembevételével.

3. Normálizáló konstans

- A normálizáló konstans $P(B)$ annak a valószínűsége, hogy a $B$ esemény bekövetkezik, és biztosítja, hogy a valószínűség 0 és 1 között maradjon. A normálizáló konstans kiszámítható a következő módon: $P(B)=P(B|A_{1})\cdot P(A_{1})+P(B|A_{2})\cdot P(A_{2})+\dots$ ahol $A_{i}$ a lehetséges állapotok.

Bizonyítás

A Bayes-tétel bizonyítása az alapvető valószínűségszámítás elvein alapul, különösen a szorzás szabályán és a feltételes valószínűségek tulajdonságain. A bizonyítás lépései a következőképpen alakulnak:

1. Szorzás szabálya

A szorzás szabálya szerint: $P(A\cap B)=P(B|A)\cdot P(A)=P(A|B)\cdot P(B)$ Ez az alapja a Bayes-tételnek.

2. A Bayes-tétel levezetése

A fenti egyenlet átrendezésével a Bayes-tétel a következő formában adódik: $P(A|B)={\frac {P(B|A)\cdot P(A)}{P(B)}}$ Ez mutatja, hogyan frissíthetjük egy esemény valószínűségét, ha új információval rendelkezünk.

3. Általánosítás

A Bayes-tételt általánosan alkalmazhatjuk több eseményre is, amelyek különböző valószínűségekkel és feltételes valószínűségekkel rendelkeznek, a fenti formátum kiterjesztésével.

Példa

Példa 1: Betegségi teszt

Tegyük fel, hogy van egy teszt, amely képes detektálni egy betegséget. A teszt érzékenysége 95%, azaz ha valaki beteg, 95%-os valószínűséggel pozitív eredményt ad. A teszt hamis pozitív aránya 5%, azaz 5%-os eséllyel ad pozitív eredményt egy egészséges embernek. Ha egy személy tesztje pozitív, mi a valószínűsége annak, hogy valóban beteg?

Legyen: - $P(D)=0.01$ (a betegség előfordulásának valószínűsége), - $P(T^{+}|D)=0.95$ (ha beteg, a teszt valószínűsége pozitív), - $P(T^{+}|\neg D)=0.05$ (ha nem beteg, a teszt valószínűsége pozitív).

A Bayes-tétel segítségével kiszámíthatjuk a betegség valószínűségét, ha a teszt pozitív: $P(D|T^{+})={\frac {P(T^{+}|D)\cdot P(D)}{P(T^{+})}}$ ahol $P(T^{+})$ a teljes valószínűség, hogy a teszt pozitív: $P(T^{+})=P(T^{+}|D)\cdot P(D)+P(T^{+}|\neg D)\cdot P(\neg D)$ Számoljuk ki a konkrét értékeket.

Python Kód

A következő Python kód kiszámítja a fenti példát Bayes-tétel segítségével:

# Adatok
P_D = 0.01  # Betegség előfordulásának valószínűsége
P_T_given_D = 0.95  # Pozitív teszt, ha beteg
P_T_given_not_D = 0.05  # Pozitív teszt, ha nem beteg

# A teljes valószínűség, hogy a teszt pozitív
P_T = P_T_given_D * P_D + P_T_given_not_D * (1 - P_D)

# Bayes-tétel alkalmazása
P_D_given_T = (P_T_given_D * P_D) / P_T

print(f"A valószínűség, hogy beteg vagyok, ha a teszt pozitív: {P_D_given_T:.4f}")

Kimenet

A valószínűség, hogy beteg vagyok, ha a teszt pozitív: 0.1653

Ez azt jelenti, hogy annak a valószínűsége, hogy beteg vagyok, ha a teszt pozitív, mindössze 16.53%. Bár a teszt érzékenysége magas, a betegség ritkasága miatt a valószínűség nem olyan magas.

Fontos Következmények

Valószínűségi frissítés:

  - A Bayes-tétel segít frissíteni a valószínűségeket új információk alapján. Ez fontos a statisztikában, a gépi tanulásban és a döntéshozatalban.

Alkalmazások a gépi tanulásban:

  - A Bayes-tétel az alapja a Naiv Bayes-osztályozónak, amely széles körben alkalmazott gépi tanulási algoritmus.

Biológiai és orvosi alkalmazások:

  - A Bayes-tételt gyakran használják orvosi diagnosztikai rendszerekben, hogy javítsák a betegség diagnózisának pontosságát a teszt eredményei alapján.

Összegzés

A Bayes-tétel egy alapvető eredmény a valószínűségszámításban, amely lehetővé teszi a feltételes valószínűségek kiszámítását. Segítségével új információk alapján frissíthetjük a valószínűségeket, és számos alkalmazása van a statisztikában, gépi tanulásban és orvosi diagnosztikában.

További információk

Bayes-tétel - Értelmező szótár (MEK)
Bayes-tétel - Etimológiai szótár (UMIL)
Bayes-tétel - Szótár.net (hu-hu)
Bayes-tétel - DeepL (hu-de)
Bayes-tétel - Яндекс (hu-ru)
Bayes-tétel - Google (hu-en)
Bayes-tétel - Helyesírási szótár (MTA)
Bayes-tétel - Wikidata
Bayes-tétel - Wikipédia (magyar)