قضیه بیز (Bayes Theorem) در احتمال شرطی؛ فرمول، مفاهیم و مثال‌های کاربردی

ظرف شیشه‌ای حاوی تیله‌های سفید و قرمز روی میز چوبی و یک تیله سفید بیرون از ظرف
آنچه در این مطلب می‌خوانید

قضیه بیز روشی ریاضی در نظریه احتمال است که با ترکیب دانش قبلی و داده‌های فعلی، به ما کمک می‌کند احتمال یک فرضیه را به‌روزرسانی کنیم. این قضیه به افتخار توماس بیز (۱۷۶۳) نام‌گذاری شده است. وقتی یک احتمال شرطی را در اختیار داریم و می‌خواهیم جای شرط و پیشامد را عوض کنیم، از این قضیه برای محاسبه «احتمال معکوس» استفاده می‌کنیم.

تسلط بر احتمال شرطی و استنتاج بیزی، از پایه‌های اصلی در مسیر آموزش آمار و احتمال و آموزش تحلیل داده است. از پیش‌نیازهای ریاضی و قانون احتمال کل شروع می‌کنیم و گام‌به‌گام به فرمول قضیه بیز، کاربرد آن در علم داده و حل مسائل کلاسیک و پزشکی می‌رسیم.

پیش‌نیاز درک قضیه بیز؛ مرور احتمال شرطی و قانون ضرب

وقتی از وقوع یک پیشامد تصادفی از قبل اطلاع داشته باشیم، شانس رخداد سایر پیشامدها تغییر می‌کند. در این شرایط، به جای بررسی کل فضای نمونه، محاسبات را به زیرفضای پیشامد رخ‌داده محدود می‌کنیم و بر اساس این تغییر فضای نمونه، پایه ریاضی استنتاج بیزی را می‌سازیم.

فرمول احتمال شرطی و تغییر فضای نمونه

احتمال رخداد پیشامد A به شرط اینکه بدانیم پیشامد B از قبل رخ داده است، با نماد P(A|B) نشان داده می‌شود. اگر B پیشامدی محال نباشد (P(B) > 0)، احتمال شرطی را با این فرمول محاسبه می‌کنیم:

P(A|B) = P(A ∩ B)P(B)

در حالت عادی، احتمال یک پیشامد از تقسیم تعداد اعضای آن بر تعداد کل اعضای فضای نمونه (Ω) به دست می‌آید. در محاسبه P(A|B)، فضای نمونه کوچک‌تر شده و به مجموعه B محدود می‌شود. حالت‌های مطلوب نیز به اشتراک دو مجموعه (A ∩ B) تغییر می‌کند. احتمال شرطی در تمام اصول احتمال صدق می‌کند؛ بنابراین برای پیشامد مکمل A’ نیز رابطه P(A’|B) = 1 – P(A|B) برقرار است. رابطه دو پیشامد در احتمال شرطی، صرفاً احتمالاتی است و رابطه علت و معلولی را بیان نمی‌کند.

با طرفین‌وسطین کردن رابطه احتمال شرطی، «قانون ضرب احتمال» برای محاسبه احتمال رخداد هم‌زمان دو پیشامد به دست می‌آید:

P(A ∩ B) = P(A|B) · P(B)

برای نمونه، جعبه‌ای با سه مهره قرمز، سبز و آبی را در نظر بگیرید. می‌خواهیم دو مهره را بدون جایگذاری از آن خارج کنیم. اگر A پیشامد خروج مهره قرمز در انتخاب اول و B پیشامد خروج مهره آبی در انتخاب دوم باشد، احتمال خروج مهره قرمز در انتخاب اول P(A) = 1/3 = 0.3333 است. پس از خروج مهره قرمز، تنها دو مهره در جعبه باقی می‌ماند. بنابراین احتمال آبی بودن مهره دوم به شرط قرمز بودن مهره اول، برابر با P(B|A) = 1/2 = 0.5 می‌شود. طبق قانون ضرب، احتمال رخداد هم‌زمان این دو پیشامد برابر است با:

P(A ∩ B) = P(A) · P(B|A) = 0.3333 × 0.5 = 0.1666

جعبه چوبی کوچک حاوی یک مهره سبز و یک مهره آبی در کنار یک مهره قرمز بیرون از جعبه

پیشامدهای مستقل و ناسازگار در احتمال شرطی

در محاسبه احتمال شرطی، نحوه اثرگذاری رخداد یک پیشامد بر پیشامد دیگر، دو وضعیت متفاوت به نام‌های «مستقل» و «ناسازگار» ایجاد می‌کند که نباید با یکدیگر اشتباه گرفته شوند:

دو دیسک شفاف آبی و زرد جدا از هم در سمت چپ و دو دیسک هم‌پوشان با بخش مشترک سبز در سمت راست
  • پیشامدهای مستقل (Independent Events): پیشامد A نسبت به B مستقل نامیده می‌شود، اگر رخداد B هیچ تأثیری بر احتمال رخداد A نداشته باشد. در این حالت، P(A|B) = P(A) و در نتیجه P(B|A) = P(B) است. طبق فرمول احتمال شرطی، دو پیشامد زمانی مستقل‌اند که احتمال اشتراک آن‌ها با حاصل‌ضرب احتمال هر یک برابر باشد:
    P(A ∩ B) = P(A) · P(B)
  • پیشامدهای دو به دو مجزا یا ناسازگار (Mutually Exclusive Events): دو پیشامد A و B زمانی ناسازگار یا مجزا هستند که با رخداد یکی، دیگری رخ ندهد؛ یعنی این دو پیشامد هیچ‌گاه هم‌زمان رخ نمی‌دهند. در این وضعیت، احتمال شرطی برابر با صفر است:
    P(A|B) = 0 ,  P(B|A) = 0
  • دوطرفه بودن رابطه‌ها: استقلال و ناسازگاری هر دو رابطه‌هایی دوطرفه هستند. اگر پیشامد A مستقل از B باشد، پیشامد B نیز مستقل از A خواهد بود. همچنین اگر A با B ناسازگار باشد، پیشامد B نیز با A ناسازگار است.

محاسبه احتمال براساس افراز (قانون احتمال کل)

در بسیاری از مسائل، رخداد یک پیشامد به وقوع یا عدم وقوع پیشامدهای دیگر وابسته است. برای محاسبه احتمال نهایی در این مسائل، فضای نمونه را به بخش‌های مجزا تفکیک یا افراز می‌کنیم و از قانون احتمال کل کمک می‌گیریم.

این روش از مباحث پایه در آمار و احتمال یازدهم است. تسلط بر آن، مسیر محاسبه مخرج کسر در فرمول تعمیم‌یافته بیز را مشخص می‌کند.

آموزش جامع آمار و احتمال یازدهم ریاضی
آموزش جامع آمار و احتمال یازدهم ریاضی
1,799,000 1,079,400 تومان
40%

مفهوم افراز فضای نمونه به زبان ریاضی

افراز یک مجموعه یا فضای نمونه Ω یعنی تقسیم آن به زیرمجموعه‌هایی مانند B1, B2, …, Bn، با دو شرط: این پیشامدها دو به دو ناسازگار باشند و هیچ اشتراکی نداشته باشند؛ اجتماع همه آن‌ها نیز کل مجموعه یا فضای نمونه را بسازد. این دو شرط را به زبان ریاضی چنین می‌نویسیم:

Bi ∩ Bj = ∅ ,  i ≠ j

Ω = ⋃i=1n Bi

سینی چوبی تقسیم‌شده به چهار بخش مجزا که یک حلقه فلزی در مرکز روی هر چهار بخش قرار دارد

ساده‌ترین حالت افراز، تقسیم فضای نمونه بر اساس رخداد یک پیشامد (B) و عدم رخداد یا مکمل آن (B’) است. برای یافتن احتمال پیشامد دلخواه A در این فضا، دو حالت داریم: A یا همراه با B رخ می‌دهد یا همراه با B’. پس:

P(A) = P(A ∩ Ω) = P(A ∩ (B ∪ B’)) = P(A ∩ B) + P(A ∩ B’)

با جایگذاری قانون ضرب احتمال در این رابطه، به فرمول زیر می‌رسیم:

P(A) = P(A|B) · P(B) + P(A|B’) · P(B’)

اگر فضای نمونه Ω را به بخش‌های کوچک‌تر، یعنی n زیرمجموعه (B1 تا Bn)، تقسیم کنیم، فرمول کلی محاسبه احتمال بر اساس افراز به این شکل به دست می‌آید:

P(A) = Σi=1n P(A|Bi) · P(Bi)

نماد سیگما (Σ) به معنای جمع کردن عبارت مقابل آن برای تمام زیرمجموعه‌های افراز، از i = 1 تا n، است. برای محاسبه احتمال نهایی پیشامد A، احتمال هر بخش، یعنی P(Bi)، را در احتمال شرطی رخداد A در همان بخش، یعنی P(A|Bi)، ضرب کنید. سپس حاصل‌ضرب‌های به دست آمده را با یکدیگر جمع کنید.

مثال محاسبه احتمال با استفاده از افراز

مثال ۱: مسئله سه سبد و مهره‌ها

سه سبد حصیری کوچک در یک ردیف حاوی ترکیب‌های متفاوتی از مهره‌های سفید و قرمز

فرض کنید سه سبد داریم. در سبد اول ۲ مهره سفید و ۱ مهره قرمز، در سبد دوم ۱ مهره سفید و ۱ مهره قرمز، و در سبد سوم ۲ مهره سفید و ۳ مهره قرمز قرار دارد. اگر یک مهره به تصادف از این سبدها خارج کنیم، احتمال سفید بودن آن چقدر است؟

برای حل مسئله، فضای نمونه را بر اساس انتخاب سبدها، یعنی B1، B2 و B3، افراز می‌کنیم. پیشامد مشاهده مهره سفید را نیز A می‌نامیم:

چون شانس انتخاب سبدها برابر است، داریم:

P(B1) = P(B2) = P(B3) = 13

احتمال شرطی خروج مهره سفید از هر سبد، با توجه به تعداد مهره‌های آن، برابر است با:

P(A|B1) = 23 ,  P(A|B2) = 12 ,  P(A|B3) = 25

این مقادیر را در فرمول احتمال کل جایگذاری می‌کنیم:

P(A) = P(A|B1)P(B1) + P(A|B2)P(B2) + P(A|B3)P(B3)

P(A) = 23·13 + 12·13 + 25·13 = 4790

مثال ۲: تولیدات سه ماشین در کارخانه

سه ماشین A، B و C به ترتیب ۶۰٪، ۳۰٪ و ۱۰٪ کل محصولات یک کارخانه را تولید می‌کنند. درصد محصولات معیوب این ماشین‌ها به ترتیب ۲٪، ۳٪ و ۴٪ است. اگر محصولی را به تصادف انتخاب کنیم، احتمال معیوب بودن آن چقدر است؟

پیشامد معیوب بودن محصول را X می‌نامیم و برای پیشامد انتخاب محصولات هر ماشین، از نام همان ماشین استفاده می‌کنیم:

  • سهم تولید هر ماشین در افراز فضای نمونه برابر است با: P(A) = 0.6، P(B) = 0.3 و P(C) = 0.1
  • احتمال معیوب بودن محصول هر ماشین برابر است با: P(X|A) = 0.02، P(X|B) = 0.03 و P(X|C) = 0.04

احتمال کل معیوب بودن محصول (P(X)) را محاسبه می‌کنیم:

P(X) = P(X|A)P(A) + P(X|B)P(B) + P(X|C)P(C)

P(X) = (0.02 × 0.6) + (0.03 × 0.3) + (0.04 × 0.1) = 0.012 + 0.009 + 0.004 = 0.025

بنابراین احتمال معیوب بودن محصول انتخاب‌شده، ۲.۵ درصد است.

قضیه بیز چیست و چگونه فرمول‌بندی می‌شود؟

تا اینجا دیدیم چطور احتمال یک پیشامد را بر اساس افراز فضای نمونه محاسبه می‌کنیم. در قضیه بیز برعکس عمل می‌کنیم و با دانستن رخداد پیشامد نهایی، احتمال تعلق آن به هر یک از افرازها را می‌سنجیم. اثبات ریاضی و اجزای این فرمول را بررسی می‌کنیم.

فرمول اصلی قضیه بیز و اثبات آن از طریق قانون ضرب

طبق قضیه بیز، احتمال رخداد پیشامد A به شرط رخداد پیشامد B برابر است با احتمال رخداد B به شرط A ضرب در احتمال رخداد A، تقسیم بر احتمال رخداد پیشامد B. صورت ریاضی این گزاره چنین است:

P(A|B) = P(B|A) · P(A)P(B)

برای اثبات این رابطه، از تعریف احتمال شرطی و قانون ضرب استفاده می‌کنیم. احتمال شرطی از رابطه P(A|B) = P(A ∩ B)P(B) به دست می‌آید. از طرف دیگر، طبق قانون ضرب احتمال، برای اشتراک دو پیشامد داریم:

P(A ∩ B) = P(B ∩ A) = P(B|A) · P(A)

اگر P(B) > 0 باشد، با جایگذاری عبارت P(B|A) · P(A) در صورت کسر احتمال شرطی، مستقیماً به فرمول قضیه بیز می‌رسیم.

با این فرمول می‌توانیم در محاسبه احتمال شرطی، جای پیشامد و شرط را عوض کنیم. هرگاه احتمال شرطی P(B|A) در مسئله داده شده باشد، قضیه بیز به ما کمک می‌کند «احتمال معکوس» آن، یعنی P(A|B)، را محاسبه کنیم.

قضیه بیز تعمیم‌یافته (ترکیب با افراز فضای نمونه)

اگر فضای نمونه (Ω) با زیرمجموعه‌های دو به دو ناسازگار B1, B2, …, Bn افراز شده باشد و احتمال رخداد هر یک از آن‌ها بزرگ‌تر از صفر (P(Bi) > 0) باشد، می‌توانیم فرمول اصلی را بسط دهیم. برای محاسبه احتمال وقوع یکی از این افرازها، مانند Bj، به شرط آنکه بدانیم پیشامد A رخ داده است، قانون احتمال کل را در مخرج کسر قرار می‌دهیم تا قضیه بیز تعمیم‌یافته شکل بگیرد:

P(Bj|A) = P(Bj) · P(A|Bj)Σi=1n P(Bi) · P(A|Bi)

صورت کسر، حاصل‌ضرب احتمال افراز مورد نظر (Bj) در احتمال رخداد A در همان افراز است. سیگما (Σ) در مخرج نشان می‌دهد که باید همین حاصل‌ضرب را برای تمام افرازها، از B1 تا Bn، محاسبه و با یکدیگر جمع کنیم تا کل احتمال رخداد A به دست آید.

یک حالت خاص از این فرمول زمانی است که فضای نمونه تنها به دو پیشامد ناسازگار A+، یعنی رخداد پیشامد A، و A–، یعنی عدم رخداد پیشامد A، افراز شود. در این حالت، رابطه بیز به شکل زیر بازنویسی می‌شود:

P(A+|B) = P(B|A+) · P(A+)P(B|A–) · P(A–) + P(B|A+) · P(A+)

مفاهیم کلیدی در رابطه بیز: احتمال پیشین، پسین، درست‌نمایی و حاشیه‌ای

در فرمول قضیه بیز P(A|B) = P(B|A) · P(A)P(B)، هر یک از چهار بخش نام و معنای مشخصی دارد. شناخت این بخش‌ها به تحلیل مسئله و جایگذاری درست اعداد کمک می‌کند:

ترازوی دوکفه‌ای برنجی که با اضافه شدن یک وزنه نقره‌ای جدید به یکی از کفه‌ها در حال تغییر تعادل است
  • احتمال پیشین (Prior Probability) یا P(A): وقتی احتمال وقوع پیشامد A را بدون اطلاع از رخداد پیشامدهای دیگر محاسبه می‌کنیم، احتمال پیشین را به دست آورده‌ایم. این مقدار، دانش قبلی، نتایج آزمایش‌های گذشته یا حدس‌های حاصل از تجربه درباره رخداد A را بیان می‌کند.
  • احتمال پسین (Posterior Probability) یا P(A|B): وقتی از رخداد پیشامد جدیدی مانند B مطلع می‌شویم، از این اطلاعات برای قضاوت بهتر درباره پیشامد A استفاده می‌کنیم. این احتمال به‌روزشده (Updated) را که پس از مشاهده شواهد جدید محاسبه می‌شود، احتمال پسین می‌نامیم.
  • درست‌نمایی (Likelihood) یا P(B|A): احتمال شرطی معکوس است و شانس مشاهده پیشامد B را به شرط اینکه بدانیم پیشامد A از قبل رخ داده است، نشان می‌دهد.
  • احتمال حاشیه‌ای (Marginal Probability) یا P(B): احتمال کلی رخداد پیشامد B در فضای نمونه است که در مخرج کسر قرار می‌گیرد و اغلب از طریق افراز محاسبه می‌شود.

برای تسلط بر این مفاهیم و آمادگی در امتحانات، می‌توانید از دوره مرور سریع آمار و احتمال دانشگاه در مکتب‌خونه استفاده کنید.

مرور سریع آمار و احتمال مقدماتی دانشگاه
مرور سریع آمار و احتمال مقدماتی دانشگاه
999,000 699,300 تومان
30%

چرا قضیه بیز در علم داده و مدل‌سازی اهمیت دارد؟

در تحلیل داده‌های گذشته، احتمال به عنوان «نسبت فراوانی» تعریف می‌شود. فرض کنید در یک مجموعه داده شامل ۲۰۰ بیمار، به ۹۱ نفر داروی Y تجویز شده است؛ بنابراین احتمال کلی دریافت این دارو ۴۵ درصد برآورد می‌شود. اگر متغیر جنسیت را نیز وارد کنیم و ببینیم از این ۲۰۰ نفر، ۴۴ نفر مرد بوده‌اند که دارو را گرفته‌اند، احتمال برای این گروه به ۲۲ درصد تغییر می‌کند. استخراج قوانین احتمالی از ترکیب متغیرهای بیشتر، مانند کلسترول، پایه کار مدل‌های مولد است. این مدل‌ها بر محاسبه توزیع‌های توأم متغیرها تکیه دارند.

مشکل اصلی در محاسبه توزیع‌های توأم و حتی احتمال شرطی ساده، کمبود داده در برخی ترکیب‌های خاص است. وقتی برای یک ترکیب تنها یک یا دو رکورد وجود داشته باشد، احتمال محاسبه‌شده نزدیک به صفر می‌شود و برآورد اعتبار ندارد، مگر اینکه داده‌های بسیار زیادی جمع‌آوری شود که همیشه مقرون‌به‌صرفه نیست.

قضیه بیز با بازنویسی فرمول احتمال شرطی، ما را از محاسبه مستقیم احتمال‌های توأم در داده‌های کم بی‌نیاز می‌کند. در این روش، حاصل‌ضرب «احتمال شرطی معکوس» و «احتمال پیشین» جای محاسبه مستقیم را می‌گیرد تا با مشاهده شواهد جدید، احتمال پیشین در فرایندهای پویا و آموزش یادگیری ماشین به‌روزرسانی شود. در آمار بیزی، برای پارامتر توزیع جامعه نیز تابع احتمال در نظر می‌گیرند. این رویکرد در فارماکولوژی و علوم مالی، مانند محاسبه و مدیریت ریسک سرمایه‌گذاری شرکت‌ها بر اساس سابقه فعالیت، اعتبار و بدهی‌ها، دقت برآوردها را بالا می‌برد. برای تسلط بر این روش‌های تحلیلی و تصمیم‌گیری در شرایط عدم قطعیت، می‌توانید از دوره آموزش آمار و احتمال مهندسی در مکتب‌خونه استفاده کنید.

ارزیابی دقت در مسائل بیزی (مثبت کاذب، منفی کاذب، حساسیت و تشخیص‌پذیری)

در آموزش علم داده و مسائل تشخیص پزشکی، وقتی مدلی برای توصیف رفتار داده‌ها یا پیش‌بینی وضعیت افراد، مانند بیمار یا سالم بودن، ساخته می‌شود، خروجی آن را با چهار وضعیت ارزیابی می‌کنند:

  • مثبت صحیح (True Positive یا TP): حالتی که مدل، پیش‌بینی را برای گروه مثبت به‌درستی انجام داده است.
  • منفی صحیح (True Negative یا TN): حالتی که مدل، مشاهده را در گروه نادرست قرار نداده و وضعیت منفی را درست تشخیص داده است.
  • مثبت کاذب (False Positive یا FP): حالتی که مدل، یک مشاهده را به‌اشتباه در گروه مثبت قرار می‌دهد؛ مثلاً بیماری را در فردی تشخیص می‌دهد که بیمار نیست.
  • منفی کاذب (False Negative یا FN): تشخیص نادرست مدل برای گروه منفی است؛ مثلاً بیماری را در فردی که واقعاً بیمار است تشخیص نمی‌دهد.
سینی چهارخانه‌ای سفید حاوی گوی‌های سبز و آبی که در دو خانه آن‌ها گوی‌ها درون حلقه قرمز قرار دارند

بر اساس این چهار مفهوم و رابطه آن‌ها با احتمال‌های شرطی، دو شاخص برای سنجش و دوره ارزیابی عملکرد مدل تعریف می‌شود. حساسیت (Sensitivity)، احتمال گروه‌بندی درست مشاهده مثبت توسط مدل را بیان می‌کند؛ یعنی احتمال TP:

Sensitivity = TPTP + FN

تشخیص‌پذیری (Specificity) نیز بر اساس احتمال TN تعیین می‌شود و نشان می‌دهد مدل تا چه اندازه مشاهده را در گروهی که نباید در آن باشد، قرار نمی‌دهد:

Specificity = TNTN + FP

حل مثال و نمونه سوالات قضیه بیز

وقتی صورت مسئله نتیجه نهایی یک آزمایش، مانند رنگ مهره خارج‌شده یا مثبت شدن تست پزشکی، را به ما می‌دهد و احتمال یکی از حالت‌های اولیه، مانند شماره سبد یا بیمار بودن فرد، را می‌خواهد، باید از قضیه بیز و فرمول احتمال معکوس استفاده کنیم. این نوع مسائل در امتحانات دانشگاهی و تست های آمار و احتمال کنکور بسیار رایج هستند. برای حل آن‌ها، کافی است ابتدا داده‌های مسئله و افرازها را مشخص کنیم و سپس مقادیر را در فرمول جایگذاری کنیم.

مثال اول: پیدا کردن احتمال معکوس در مسئله سبد و مهره‌ها

داده‌های مسئله از بخش قبل به این شرح است:

یک مهره سفید در پیش‌زمینه و سه سبد حصیری در پس‌زمینه که خط نوری مهره را به سبد سمت راست وصل کرده است
  • احتمال انتخاب هر سبد (احتمال پیشین): P(B1) = P(B2) = P(B3) = 1/3
  • احتمال سفید بودن مهره در هر سبد: P(A|B1) = 2/3، P(A|B2) = 1/2 و P(A|B3) = 2/5
  • احتمال کل خروج مهره سفید (مخرج کسر): P(A) = 47/90

فرمول قضیه بیز برای یافتن احتمال پسین سبد سوم عبارت است از:

P(B3|A) = P(A|B3) · P(B3)P(A|B1) · P(B1) + P(A|B2) · P(B2) + P(A|B3) · P(B3)

با جایگذاری مقادیر در فرمول، احتمال معکوس را محاسبه می‌کنیم:

P(B3|A) = (2/5)(1/3)47/90 = 2/1547/90 = 1247

در مسائل مشابه، اگر سه ظرف مشابه داشته باشیم و پس از مشاهده مهره سفید، یعنی پیشامد C، احتمال انتخاب ظرف اول خواسته شود، به همین روش عمل می‌کنیم. کافی است حاصل‌ضرب احتمال انتخاب ظرف اول در احتمال سفید بودن مهره آن ظرف، یعنی P(B1) · P(C|B1)، را در صورت کسر قرار دهیم و بر احتمال کل تقسیم کنیم تا P(B1|C) به دست آید.

مثال دوم: کاربرد قضیه بیز در تشخیص پزشکی (آزمایش دیابت و بیماری کبدی)

مسئله اول (بیماری کبدی و افراد سیگاری):

دستگاه تست قند خون و نوار تست در کنار لوله‌های نمونه آزمایشگاهی روی میز سفید

پزشکی بر اساس یافته‌های بیماران خود می‌داند که احتمال ابتلای یک مراجعه‌کننده به مشکل کبدی ۲۰٪ و احتمال سیگاری بودن او ۵٪ است. همچنین ۱۰٪ از بیماران مبتلا به مشکل کبدی سیگاری هستند. احتمال اینکه یک فرد سیگاری دچار بیماری کبدی باشد چقدر است؟

  • داده‌های مسئله: احتمال پیشامد بیماری کبدی P(A) = 20%، احتمال پیشامد سیگاری بودن P(B) = 5% و احتمال سیگاری بودن به شرط داشتن بیماری کبدی P(B|A) = 10% است.
  • برای یافتن احتمال بیماری کبدی به شرط سیگاری بودن فرد، از فرمول قضیه بیز استفاده می‌کنیم:

P(A|B) = P(B|A) · P(A)P(B) = 10% × 20%5% = 40%

مسئله دوم (آزمایش تشخیص دیابت):

در یک آزمایش در حوزه آموزش پزشکی، بیماری فرد مبتلا به دیابت با احتمال ۰.۸ به‌درستی تشخیص داده می‌شود. برای افراد سالم نیز نتیجه عدم ابتلا با احتمال ۰.۹ اعلام می‌شود. اگر از هر ۱۰,۰۰۰ نفر در جامعه ۲ نفر دیابت داشته باشند، در صورت مثبت شدن آزمایش یک فرد، احتمال ابتلای واقعی او چقدر است؟

  • داده‌های مسئله: فضای نمونه به دو بخش ابتلا به دیابت (B) و عدم ابتلا (B’) افراز می‌شود. پیشامد مثبت شدن آزمایش را A می‌نامیم. بنابراین احتمال پیشین P(B) = 0.0002 و مکمل آن P(B’) = 1 – 0.0002 = 0.9998 است. همچنین P(A|B) = 0.8 و P(A’|B’) = 0.9 است. از رابطه دوم، احتمال مثبت شدن آزمایش برای فرد سالم برابر با P(A|B’) = 1 – 0.9 = 0.1 به دست می‌آید.
  • احتمال پسین، یعنی P(B|A)، به شکل زیر محاسبه می‌شود:

P(B|A) = P(A|B) · P(B)P(A|B) · P(B) + P(A|B’) · P(B’) = 0.8 × 0.00020.8 × 0.0002 + (1 – 0.9)(1 – 0.0002) = 0.0016

آگاهی از مثبت بودن نتیجه آزمایش، احتمال ابتلای فرد را از احتمال پیشین 0.0002 به احتمال پسین 0.0016 افزایش می‌دهد؛ یعنی افزایشی به میزان 0.0014. با محاسبات مشابه برای سایر حالت‌ها، جدول کامل نتایج به صورت زیر خواهد بود:

وضعیت فرد / نتیجه آزمایشنتیجه آزمایش مثبت (A)نتیجه آزمایش منفی (A’)احتمال پیشین
ابتلا به بیماری قند (B)P(B|A) = 0.0016P(B|A’) = 0.00005P(B) = 0.0002
عدم ابتلا به بیماری قند (B’)P(B’|A) = 0.9984P(B’|A’) = 0.99995P(B’) = 0.9998

سوالات متداول درباره‌ی قضیه بیز در احتمال شرطی

چه زمانی باید به جای فرمول ساده احتمال شرطی از قضیه بیز استفاده کنیم؟

زمانی که در صورت مسئله احتمال شرطی P(B|A) به ما داده شده است، اما می‌خواهیم جای شرط و پیشامد را عوض کنیم و احتمال معکوس، یعنی P(A|B)، را به دست آوریم. برای نمونه، وقتی از نتیجه نهایی یک آزمایش اطلاع داریم و می‌خواهیم احتمال رخداد یکی از حالت‌های اولیه را محاسبه کنیم، از قضیه بیز استفاده می‌کنیم.

تفاوت احتمال پیشین (Prior) و احتمال پسین (Posterior) در قضیه بیز چیست؟

احتمال پیشین یا P(A)، شانس وقوع یک پیشامد را بر اساس دانش قبلی و بدون اطلاع از شواهد جدید نشان می‌دهد. احتمال پسین یا P(A|B)، احتمال به‌روزشده همان پیشامد پس از آگاهی از رخداد پیشامدی جدید است که امکان قضاوت دقیق‌تر را فراهم می‌کند.

منظور از افراز فضای نمونه در فرمول تعمیم‌یافته بیز چیست؟

افراز فضای نمونه یعنی تقسیم آن به چند زیرمجموعه که هیچ اشتراکی با یکدیگر ندارند و دو به دو ناسازگارند. اجتماع همه این زیرمجموعه‌ها کل فضای نمونه را می‌سازد. از افراز برای محاسبه احتمال کل در مخرج کسر فرمول تعمیم‌یافته بیز استفاده می‌شود.

چرا در علم داده و زمان کمبود داده‌ها از قضیه بیز استفاده می‌شود؟

وقتی داده کم است، محاسبه مستقیم احتمال‌های توأم در برخی ترکیب‌های خاص باعث می‌شود احتمال محاسبه‌شده نزدیک به صفر شود و برآورد اعتبار نداشته باشد. قضیه بیز با جایگزین کردن حاصل‌ضرب احتمال پیشین و احتمال شرطی معکوس، ما را از محاسبه مستقیم توزیع‌های توأم بی‌نیاز می‌کند و امکان به‌روزرسانی احتمال را با مشاهده شواهد جدید فراهم می‌سازد.

تفاوت پیشامدهای مستقل و ناسازگار در محاسبه احتمال شرطی چیست؟

در پیشامدهای مستقل، رخداد یکی هیچ تأثیری بر احتمال رخداد دیگری ندارد و رابطه P(A|B) = P(A) برقرار است. دو پیشامد ناسازگار هیچ‌گاه هم‌زمان رخ نمی‌دهند؛ با وقوع یکی، دیگری رخ نمی‌دهد. بنابراین احتمال شرطی در پیشامدهای ناسازگار برابر با صفر (P(A|B) = ۰) می‌شود.

نکته و تست فصل آمار و احتمال ریاضی کنکور
نکته و تست فصل آمار و احتمال ریاضی کنکور
549,000 411,750 تومان
25%

جمع‌بندی

قضیه بیز ابزاری ریاضی و استاندارد برای معکوس کردن شرط‌ها در احتمال شرطی و به‌روزرسانی احتمال‌های پیشین بر اساس شواهد جدید است. برای حل این مسائل، کافی است ابتدا افرازهای فضای نمونه و احتمال پیشین هر بخش را تشخیص دهید. سپس احتمال کل را در مخرج کسر قرار دهید و با فرمول بیز، احتمال پسین مورد نظر را محاسبه کنید. این روش محاسباتی در حل مسائل کلاسیک ریاضی دبیرستان و دانشگاه، ساخت مدل‌های پیش‌بینی و مدیریت کمبود داده در یادگیری ماشین کاربرد مستقیم دارد.

https://maktabkhooneh.org/mag/bayes-theorem-conditional-probability/
تصویر مهناز محمدی

مهناز محمدی

0 0 امتیازها
امتیاز دهی به محتوا
مشترک شوید
اطلاع از
guest
0 دیدگاه
قدیمی ترین
جدید ترین دیدگاه با تعداد رای زیاد
مقالات بیشتر
بلوک خطوط رنگی که پس از عبور از یک منشور به پالس‌های نوری تبدیل شده و وارد تراشه پردازنده می‌شود

کامپایلر چیست و چکار می‌کند؟ نحوه کار، انواع و تفاوت با مفسر

مقایسه بصری ساخت فروشگاه اینترنتی با بلوک‌های آماده در برابر طراحی ساختار اختصاصی

سایت فروشگاه آماده یا اختصاصی؟ مقایسه کامل برای انتخاب درست

مکعب زرد درخشان در مرکز که پنجره مرورگر وب را به سرور و پایگاه داده متصل می‌کند

مسیر فول‌استک شدن با جاوا اسکریپت؛ نقشه راه گام‌به‌گام و زمان‌بندی

مقایسه ساختاری لیست، ماژول array و ماتریس NumPy در پایتون

آرایه در پایتون؛ آموزش کامل لیست، ماژول array و NumPy

محیط برنامه‌نویسی پایتون شامل کدهای انتگرال‌گیری نمادین و نمودار سطح زیر منحنی

محاسبه انتگرال در پایتون با SymPy و SciPy (راهنمای عملی + کد)

add-products-in-wordpress-4-1

آموزش بارگذاری محصول در وردپرس (راهنمای گام‌به‌گام ووکامرس)