Avancerad

Bayes' teorem

Fördjupning av Bayes' teorem med tillämpningar inom diagnostik och beslutsfattande.

Bayes teorem posterior prior likelihood diagnostisk test

Bayes teorem är statistikens sätt att uppdatera vår kunskap när ny information kommer. Precis som vi ändrar vår åsikt om vädret när vi ser moln, visar Bayes hur sannolikheter förändras när vi lär oss något nytt. 'Givet att testet är positivt, vad är sannolikheten att jag verkligen har sjukdomen?' - den här typen av 'baklänges-sannolikhet' är Bayes specialitet.

Fördjupning

Bayes teorem beskriver hur vi ska uppdatera sannolikheter när ny information blir tillgänglig. Det relaterar betingade sannolikheter: P(A|B) kan beräknas från P(B|A), P(A) och P(B). Teoremet är fundamentalt inom bayesiansk statistik och maskininlärning, där det används för att uppdatera 'prior' sannolikheter till 'posterior' sannolikheter baserat på observerad data.

Bayes formel

Bayes teorem ger sambandet mellan P(A|B) och P(B|A): sannolikheten för A givet B kan beräknas från sannolikheten för B givet A.

Bayes teorem

Medicinsk diagnostik

Sjukdom prevalens 1%, test sensitivitet 95%, specificitet 90%. Om test positivt: P(sjuk|pos) = (0.95×0.01)/(0.95×0.01 + 0.10×0.99) = 8.8%

Prior, likelihood och posterior

Prior P(A) är vår ursprungliga tro, likelihood P(B|A) är sannolikheten för data givet hypotes, posterior P(A|B) är uppdaterad tro efter att ha sett data.

Komponenter i Bayes teorem

Lagen om total sannolikhet

När A kan inträffa på flera ömsesidigt uteslutande sätt, ges P(B) av summan av alla vägar till B.

Lagen om total sannolikhet

Tillämpningar i maskininlärning

Naive Bayes klassificering, bayesiansk regression och bayesiansk optimering använder alla Bayes teorem för att göra prediktioner och uppdatera modeller.

Spam-filter

P(spam|ord) beräknas från P(ord|spam), P(spam) och P(ord) för att klassificera email som spam eller inte.

Vanliga misstag

❌ Förväxla P(A|B) med P(B|A)

Base rate fallacy - glöm prevalens/grundsannolikhet

Exempel: P(sjuk|positivt test) ≠ P(positivt test|sjuk). Första tar hänsyn till hur vanlig sjukdomen är.

❌ Ignorera base rate (grundsannolikhet)

Posterior sannolikhet påverkas starkt av prior

Exempel: Även perfekt test ger många falska positiva om sjukdom är sällsynt

❌ Anta oberoende när det inte gäller

Naive Bayes antar oberoende mellan features

Exempel: Ord i email är ofta beroende, men naive Bayes ignorerar detta

Tillämpningar

Medicinsk diagnostik

Beräkna sannolikhet för sjukdom givet tesresultat

Exempel: Uppdatera risk för cancer baserat på screeningresultat

Maskininlärning

Klassificering och prediktiva modeller

Exempel: Naive Bayes för textklassificering, spam-filter

A/B-testning

Bayesiansk analys av konverteringsgrad

Exempel: Uppdatera tro om bästa variant kontinuerligt

Övningar

1 Medel

Test för sjukdom: prevalens 2%, sensitivitet 98%, specificitet 95%. Beräkna P(sjuk|positivt test).

Tips

Använd Bayes teorem med total sannolikhet i nämnaren

Visa facit

P(pos|sjuk) = 0.98, P(pos|frisk) = 0.05
P(pos) = 0.98×0.02 + 0.05×0.98 = 0.069
P(sjuk|pos) = (0.98×0.02)/0.069 = 0.284

Svar: ≈ 28.4%

2 Medel

Två fabriker: A producerar 60%, B 40% av produkter. A har 3% defekta, B har 5%. Produkt är defekt - från vilken fabrik?

Tips

Beräkna P(A|defekt) och P(B|defekt)

Visa facit

P(defekt) = 0.03×0.6 + 0.05×0.4 = 0.038
P(A|defekt) = (0.03×0.6)/0.038 = 0.474
P(B|defekt) = 1 - 0.474 = 0.526

Svar: P(A|defekt) ≈ 47.4%

Sammanfattning

Bayes teorem visar hur sannolikheter uppdateras med ny information. Central för bayesiansk statistik och maskininlärning. Viktigt att inte förväxla P(A|B) med P(B|A) och att beakta grundsannolikheter.