Το Θεώρημα του Bayes και το τεστ που εξαπατάει τους πάντες

bayes_0


Είναι ένας από τους πιο απλούς τύπους που θα μάθει ένας μαθηματικός. Κι όμως, οι συνέπειες του είναι αμέτρητες. Ικανές να σε κάνουν να απορείς πώς μπορεί κάτι τόσο απλό να ταρακουνήσει συθέμελα την επιστήμη.

Πρόκειται για μια από τις εξισώσεις που οι φοιτητές των θετικών επιστημών, αργά ή γρήγορα, θα συναντήσουν μπροστά τους. Μάλιστα, συνήθως αυτό γίνεται στα πρώτα χρόνια φοίτησης, καθώς το Θεώρημα του Bayes δεν είναι ούτε ακατανόητο, ούτε δύσμορφο όπως οι περισσότεροι τύποι. Με λίγη μαθηματική διαίσθηση, αυτό που διατύπωσε και απέδειξε ο Αγγλος μαθηματικός στις αρχές του 18ου αιώνα, γίνεται πλήρως αντιληπτό.

   Τι εξηγεί αυτός ο απλούστατος νόμος; – Πώς να τον αποδείξετε, χρησιμοποιώντας ένα ζάρι

Το θεώρημα του Bayes ανήκει στην μεγάλη οικογένεια της «Θεωρίας των Πιθανοτήτων». Δεν είναι όμως ένα απλό μέλος της. Ο Harold Jeffreys, ένας από τους σπουδαιότερους Αγγλους μαθηματικούς, που ασχολήθηκε με τις «μπεϊζιανές» πιθανότητες και εισήγαγε την έννοια του αλγορίθμου Bayes, είχε δηλώσει πως ο συγκεκριμένος τύπος «είναι στη Θεωρία Πιθανοτήτων όπως αντίστοιχα το Πυθαγόρειο Θεώρημα στη Γεωμετρία».

Ο Bayes ασχολήθηκε με τις δεσμευμένες πιθανότητες ή αλλιώς τις «υπό συνθήκη» πιθανότητες. Ο νόμος του, μέσα στην συνοπτική του γραφή, κρύβει μυστικά που βασανίζουν από μαθηματικούς και φυσικούς, μέχρι γιατρούς και φιλοσόφους. Γράφοντας το «P(A|B) = P(B|A)*P(A)/ P(B)» ο Αγγλος μαθηματικός δεν περίμενε πως ο τύπος του, μετά από 300 χρόνια, θα έχει δημιουργήσει ολόκληρα φιλοσοφικά ερωτήματα. Πως θα έχει επηρεάσει την τεχνητή νοημοσύνη ή πως θα θέσει τις βάσεις για την εξέλιξη κλάδων όπως η κβαντομηχανική.

Τι σημαίνει όμως ο συγκεκριμένος τύπος; «Η πιθανότητα να συμβεί το ενδεχόμενο Α, δεδομένου του Β, ισούται με την πιθανότητα να συμβεί το Β δεδομένου του Α, επί την πιθανότητα να συμβεί το Α, διά την πιθανότητα να συμβεί το Β». Ο νόμος του Bayes γίνεται πολύ εύκολα αντιληπτός με ένα απλό παράδειγμα.
sheldon_bayesΕστω ότι ρίχνω ένα ζάρι και πληροφορούμαι ότι έφερα ζυγό αριθμό. Ποια η πιθανότητα να έχω φέρει 2; Η απάντηση είναι 1/3 και μπορεί να δοθεί άμεσα. Εχω φέρει ζυγό, άρα το αποτέλεσμα της ζαριάς είναι 2 ή 4 ή 6. Κάθε ένα από αυτά έχει 1/3 πιθανότητα να ισχύει.

Ας το δούμε τώρα μέσα από τον τύπο του Bayes: Η πιθανότητα να έχω φέρει ζυγό, αν ξέρω ότι έφερα 2, είναι 100%. Η πιθανότητα να φέρω 2, χωρίς να ξέρω τίποτα, είναι 1/6 (επειδή το ζάρι έχει 6 πλευρές). Η πιθανότητα να φέρω ζυγό είναι 1/2. Βάζοντας τα νούμερα πάνω στην εξίσωση έχουμε ότι P(A|B) = (1* 1/6)/1/2 =1/3.


Ο νόμος του Bayes μπορεί να γίνει εύκολα κατανοητός. Οι συνέπειες του όμως είναι πραγματικά… ασύλληπτες.

   Ενας… κρυμμένος θησαυρός – Οι συνέπειες του Bayes σε επιστήμη, τεχνητή νοημοσύνη αλλά και στον ανθρώπινο εγκέφαλο

Εχετε παρατηρήσει που μερικές φορές κάποια email μπαίνουν στον φάκελο με τα «ανεπιθύμητα» χωρίς να πρέπει; Αυτό συμβαίνει λόγω κάποιου σφάλματος στο αλγοριθμικό σύστημα, το οποίο βασίζεται στα λόγια του Bayes. Αναγνωρίζει κάποια στοιχεία του email (π.χ. συγκεκριμένες λέξεις, ή μαζικές αποστολές mail) και βάσει αυτών υπολογίζει την πιθανότητα το email να είναι ανεπιθύμητο. Αν η πιθανότητα είναι μεγάλη, τότε το μήνυμα πάει στα «junk». Με λίγα λόγια, υπολογίζει μια δεσμευμένη πιθανότητα.

Κάπως έτσι λειτουργεί και το «ψαχτήρι» της Google αλλά και οι σύγχρονες ρομποτικές μηχανές με εξελιγμένη τεχνητή νοημοσύνη. Ενα ακόμα πιο πρόσφατο παράδειγμα, είναι τα αυτοκινούμενα οχήματα. Για να αναγνωρίζουν την δομή του χώρου και να πάρουν αποφάσεις, ακολουθούν το «μπεϊζιανό» λογισμικό. Η ανεπτυγμένη ευφυΐα που παρουσιάζουν οι σημερινές μηχανές, οφείλεται εν πολλοίς σε αυτό το θεμελιώδες θεώρημα.

home-where

Οι συνέπειες του Bayes όμως δεν έχουν εφαρμογή μόνο στον χώρο της ρομποτικής. Οι φιλόσοφοι υποστηρίζουν πως ολόκληρη η επιστήμη μπορεί να θεωρηθεί ο μια «μπεϊζιανή» διαδικασία, όπως επίσης και ότι το θεώρημα του Bayes μπορεί να διακρίνει με τεράστια ακρίβεια την επιστήμη από την ψευδο-επιστήμη. Αν το σκεφτεί κανείς, η επιστήμη ξεκινάει από κάποια δεδομένα, γνωστά και ως αξιώματα. Δεχόμαστε ότι 1+0=1 και δεδομένου αυτού εξελίσουμε βήμα-βήμα την επιστήμη. Εχουμε κάνει όμως μια, έστω και υποτυπώδη, δέσμευση.

Οι επιστήμονες της γνωστικής επιστήμης, εικάζουν ότι το περιεχόμενο του θεωρήματος του Bayes είναι πιθανό να περνάει και εκτός των ορίων της επιστήμης. Μπορεί να βρίσκεται μέσα στον ίδιο μας τον… εγκέφαλο. Στον τρόπο με τον οποίο επεξεργαζόμαστε τα αμέτρητα δεδομένα, ώστε να καταλήξουμε σε κάποια απόφαση. Τον περασμένο Νοέμβριο, στην Νέα Υόρκη είχε λάβει μέρος ένα πολύ σημαντικό συνέδριο, γεμάτο με διακεκριμένους επιστήμονες και φιλοσόφους, με θέμα «Είναι ο εγκέφαλος Μπεϊζιανός;». Κάποια από τα γνωστότερα επιστημονικά περιοδικά έχουν επίσης ασχοληθεί με αυτό το εντυπωσιακό ερώτημα. Χαρακτηριστικό παράδειγμα αυτό το άρθρο του Scientific American.

   Το τεστ που εξαπατάει τους πάντες: Οταν ο νόμος του Bayes συγκρούεται με την… λογική

Πέραν όλων των άλλων, οι πιθανότητες του Bayes επηρεάζουν σημαντικά την ιατρική. Μάλιστα, σε αρκετές περιπτώσεις, τα αποτελέσματα που βγαίνουν μέσα από το θεώρημα του Αγγλου μαθηματικού δεν συμβαδίζουν με την κοινή λογική. Το παρακάτω παράδειγμα είναι χαρακτηριστικό.

Εστω ότι κάνετε ένα τεστ για μια ασθένεια με όνομα «Α», για την οποία τα στατιστικά δείχνουν ότι προσβάλλει μόλις ένα στους εκατό ανθρώπους. Το τεστ γράφει πως έχει 90% ακρίβεια. Δηλαδή αν το κάνουν 10 άτομα που έχουν την ασθένεια τότε θα βγάλει 9 φορές θετικό αποτέλεσμα, ενώ αν το κάνουν 10 άτομα που δεν την έχουν τότε θα βγάλει 9 φορές αρνητικό.

Κάνοντας το τεστ, βλέπετε ότι σας βγάζει θετικό. Η ακρίβεια του τεστ είναι, φαινομενικά, μεγάλη όποτε είστε πλέον σχεδόν σίγουροι ότι πάσχετε από την ασθένεια. Οι πιθανότητες όμως, σε αυτή την περίπτωση, σας έχουν ξεγελάσει κανονικότατα. Παρόλο που το τεστ βγήκε θετικό, η πιθανότητα να είστε ασθενής είναι μόλις 8.33%.

Πώς μπορεί να συμβαίνει αυτό; Δείτε την παρακάτω εικόνα.

bayes (εικόνα από: physicsgg.me)

Σε 10.000 άτομα, σύμφωνα με τα δεδομένα του παραδείγματος, θα βρεθούν συνολικά 1080 θετικά τεστ. Ωστόσο, μόλις 90 απο τους 1080 θα είναι πράγματι ασθενείς. Οι υπόλοιποι θα είναι υγιείς, που λόγω σφάλματος θα έχουν βγάλει θετικό αποτέλεσμα. Η διαίρεση 90/1080 οδηγεί στο 0.083 δηλαδή στο 8.33% που αναφέρθηκε παραπάνω.

_______________

  Πηγή: iefimerida.gr

by Αντικλείδι , https://antikleidi.com

Συναφές: 

Η ομορφιά του εγκεφάλου

10 άγνωστες αλήθειες για τον εγκέφαλο

Το πρόβλημα του Μόντι Χολ

6 απλά κόλπα για να αυξήσετε την απόδοση του εγκεφάλου σας στην εργασία

Σχετικά Άρθρα

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -


- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

3 CommentsΣχολιάστε

  • Στο παράδειγμα με το δείγμα των 10.000 ασθενών έχει υπολογιστεί λάθος η τελική πιθανότητα.
    Τα θετικά αποτελέσματα του τεστ για την ασθένεια είναι συνολικά 1080, αλλά οι πραγματικοί ασθενείς είναι 100, και όχι 90. 90 είναι ο αριθμός των πραγματικών ασθενών που θα τους βρει θετικούς το τεστ.

    Επομένως η πραγματική πιθανότητα είναι 100/1080=9,26%

  • “…Στο θεώρημα του Bayes βρίσκεται ενσωματωμένο ένα ηθικό μήνυμα: αν δεν είστε σχολαστικός στην αναζήτηση εναλλακτικών ερμηνειών για τα δεδομένα σας, τότε τα δεδομένα σας θα επιβεβαιώσουν ακριβώς αυτό που ήδη πιστεύετε….”

    Ανακαλώ την διόρθωση την οποία έκανα θεωρώντας ως δεδομένο ότι το ζητούμενο του προβλήματος ήταν “η πιθανότητα να είσαι ασθενής” και όχι “η πιθανότητα να είσαι ασθενής εφόσον έχεις θετικό τεστ”.

  • Το παράδειγμα με το έν λόγω τεστ ειναι ατυχές διότι συσχετίζει τα ψευδώς αρνητικά αποτελέσματα με τα ψευδώς θετικά. Ενα τεστ που ανιχνεύει 9 στους 10 ασθενείς δε σημαίνει ότι και 1 στους 10 υγιείς τους βγάζει άρρωστους! Στα περισσότερα τεστ τα ψευδώς θετικά αποτελέσματα έχουν πολύ μικρό ποσοστό. Έτσι εάν το τεστ ας πούμε είχε ενα ποσοστό ψευδώς θετικών 1% (πολύ μεγάλο για πραγματικές συνθήκες) τότε η πιθανότητα κάποιου να πάσχει όντως θα ήταν 90/189= 47.61%, και ούτω καθεξής.