Cách sử dụng định lý Bayes để cập nhật xác suất

Xác suất cung cấp ngôn ngữ cho sự bất định. Nó giúp mô tả điều gì có thể xảy ra, các kết quả khác nhau khả năng ra sao, và những khả năng đó thay đổi như thế nào khi ta biết thêm thông tin mới. Một trong những ý tưởng hữu ích nhất trong lĩnh vực này là tìm cách sử dụng định lý Bayes để cập nhật xác suất một cách có kỷ luật.

Định lý Bayes không phải cỗ máy dự đoán ma thuật. Đó là một quy tắc để điều chỉnh niềm tin dựa trên bằng chứng. Phương pháp này được sử dụng rộng rãi trong y khoa, kỹ thuật, dự báo, học máy và suy luận hàng ngày. Giới thiệu này giải thích ý tưởng cốt lõi, công thức và một ví dụ chi tiết mà không đòi hỏi kiến thức trước về toán nâng cao.

Bắt đầu với xác suất có điều kiện

Xác suất có điều kiện là xác suất của một sự kiện khi biết rằng một sự kiện khác đã xảy ra. Nếu ta viết A và B cho hai sự kiện, xác suất có điều kiện của A khi biết B được ký hiệu P(A | B). Dọc đứng có nghĩa là “khi biết.”

Ví dụ, khả năng một người được chọn ngẫu nhiên có một triệu chứng nhất định khác với khả năng họ có triệu chứng đó sau khi biết họ có kết quả xét nghiệm dương tính với một tình trạng liên quan. Đại lượng thứ hai là có điều kiện vì thông tin mới thay đổi tình huống.

Một điểm khởi đầu hữu ích là định nghĩa:

P(A | B) = P(A và B) / P(B)

Biểu thức này nói rằng, khi ta biết B đã xảy ra, ta chỉ quan tâm đến các kết quả nằm trong B. Xác suất của A và B sau đó được chia cho tổng xác suất của B để tỷ lệ lại. Sắp xếp lại định nghĩa này cho quy tắc nhân:

P(A và B) = P(B | A) P(A)

Vì xác suất đồng thời giống nhau cũng có thể viết thành P(A | B) P(B), ta có thể đặt hai biểu thức bằng nhau và chia cho P(B). Kết quả chính là định lý Bayes.

Định lý Bayes bằng ngôn ngữ đơn giản

Dạng phổ biến nhất của định lý là:

P(H | E) = [P(E | H) P(H)] / P(E)

Ở đây H là giả thuyết, chẳng hạn “máy bị lỗi,” và E là bằng chứng, chẳng hạn “cảm biến báo lỗi.” Các thành phần có tên giúp logic dễ theo dõi hơn:

• P(H) là xác suất tiên nghiệm: những gì ta tin trước khi thấy bằng chứng.
• P(E | H) là khả năng xảy ra (likelihood): bằng chứng khả năng ra sao nếu giả thuyết đúng.
• P(E) là xác suất tổng của bằng chứng, dưới tất cả các khả năng liên quan.
• P(H | E) là xác suất hậu nghiệm: niềm tin được cập nhật sau khi thấy bằng chứng.

Định lý nói rằng một tiên nghiệm mạnh vẫn có thể giữ vững, và một tiên nghiệm yếu có thể tăng lên, nhưng cả hai đều chịu ảnh hưởng mức độ bằng chứng phù hợp với giả thuyết. Bằng chứng có khả năng xảy ra cao hơn nhiều khi H đúng so với khi H sai sẽ đẩy hậu nghiệm lên. Bằng chứng có khả năng xảy ra như nhau dưới cả hai khả năng hầu như không thay đổi tỷ lệ cược.

Tính mẫu số

Thành phần P(E) có thể tìm bằng định lý xác suất toàn phần. Nếu H và phần bổ của nó là hai khả năng duy nhất, thì:

P(E) = P(E | H) P(H) + P(E | không H) P(không H)

Bước này quan trọng vì nó ngăn ngừa một sai lầm trực quan: chỉ tập trung vào bằng chứng khả năng ra sao khi giả thuyết đúng. Cùng bằng chứng đó cũng có thể khá khả thi khi giả thuyết sai. Mẫu số tính đến cả hai con đường.

Trong thực tế, so sánh tỷ lệ cược (odds) thường dễ hơn làm việc trực tiếp với phần trăm. Dạng tỷ lệ cược của định lý Bayes phát biểu:

tỷ lệ cược hậu nghiệm = tỷ lệ cược tiên nghiệm × tỷ số khả năng xảy ra

Tỷ số khả năng xảy ra là P(E | H) chia cho P(E | không H). Nó đo sức mạnh chẩn đoán của bằng chứng. Tỷ số gần 1 mang ít thông tin; tỷ số lớn hơn nhiều so với 1 hỗ trợ H mạnh mẽ.

Ví dụ minh họa

Giả sử một kiểm tra chất lượng kiểm tra một lô cảm biến. Theo lịch sử, 2% cảm biến có lỗi hiệu chuẩn, nên xác suất tiên nghiệm của lỗi là P(F) = 0.02. Một xét nghiệm chẩn đoán được sử dụng. Nếu cảm biến bị lỗi, xét nghiệm đánh dấu nó với xác suất 0.9. Nếu không bị lỗi, xét nghiệm vẫn đánh dấu nó với xác suất 0.05, phản ánh tỷ lệ dương tính giả.

Xác suất một cảm biến bị đánh dấu là bị lỗi là bao nhiêu? Đầu tiên tính xác suất tổng của việc đánh dấu:

P(đánh dấu) = (0.9 × 0.02) + (0.05 × 0.98) = 0.018 + 0.049 = 0.067

Bây giờ áp dụng định lý Bayes:

P(F | đánh dấu) = (0.9 × 0.02) / 0.067 = 0.018 / 0.067 ≈ 0.269

Vậy xác suất cập nhật khoảng 26.9%. Tín hiệu đánh dấu nâng khả năng lỗi từ 2% lên khoảng một trong bốn. Kết quả cao hơn tiên nghiệm, nhưng không gần với sự chắc chắn. Tỷ lệ cơ sở lỗi thấp có nghĩa nhiều cảnh báo đến từ nhóm cảm biến không lỗi lớn hơn nhiều.

Tại sao kết quả cập nhật chưa phải câu trả lời cuối cùng

Xác suất hậu nghiệm là bức ảnh chụp dựa trên các giả định đã nêu. Nếu tiên nghiệm sai, các khả năng xảy ra không được hiệu chuẩn đúng, hoặc bằng chứng không độc lập, kết quả có thể gây hiểu lầm. Dữ liệu thực tế cũng có thể thay đổi theo thời gian, nên hậu nghiệm từ một vòng có thể trở thành tiên nghiệm cho vòng tiếp theo.

Quan trọng không kém là tránh sự tự tin quá mức. Một kết quả xét nghiệm duy nhất không phải phán quyết. Cập nhật liên tục thường cung cấp nhiều thông tin hơn: quan sát bằng chứng, sửa đổi xác suất, rồi sửa đổi lại khi bằng chứng mới đến. Đây là lý do định lý Bayes hữu ích cho việc học hỏi từ các quan sát lặp đi lặp lại thay vì đưa ra phán đoán một lần.

Thói quen thực hành để tư duy rõ ràng hơn

• Định nghĩa giả thuyết một cách chính xác. “Thiết bị bị lỗi” hữu ích hơn “có gì đó sai.”
• Phân biệt tiên nghiệm và khả năng xảy ra. Ghi lại những gì bạn giả định trước khi thấy bằng chứng và bằng chứng sẽ hoạt động ra sao dưới mỗi khả năng.
• Kiểm tra tỷ lệ cơ sở. Các sự kiện hiếm thường vẫn ít xảy ra ngay cả sau tín hiệu dương tính.
• Sử dụng phân tích nhạy cảm. Tính lại với một số tiên nghiệm hoặc tỷ lệ lỗi hợp lý để xem kết luận ổn định đến đâu.
• Cập nhật theo thời gian. Coi mỗi quan sát mới là cơ hội để tinh chỉnh, không phải thay thế, sự hiểu biết của bạn.

Định lý Bayes cung cấp cách rõ ràng để cập nhật niềm tin mà không bỏ qua những gì đã có trước đó. Bằng cách kết hợp tiên nghiệm, khả năng xảy ra và xác suất tổng của bằng chứng, nó biến trực giác thành một phép tính minh bạch. Được sử dụng cẩn thận, nó giúp ta suy luận về sự bất định với sự kiên nhẫn, nhất quán và tôn trọng giới hạn thông tin của mình.