Định lý Bayes

Định lý Bayes cho phép "đảo ngược" xác suất có điều kiện: từ P(B|A) đã biết, tính ra P(A|B) — công cụ nền tảng để cập nhật niềm tin (belief) khi có thêm bằng chứng mới.

Công thức Bayes

P(A|B) = [P(B|A) × P(A)] / P(B)

Các thành phần có tên riêng trong thống kê Bayes:

• P(A): xác suất tiên nghiệm (prior) — niềm tin ban đầu về A trước khi có bằng chứng B.
• P(B|A): khả năng (likelihood) — xác suất quan sát được B nếu A đúng.
• P(A|B): xác suất hậu nghiệm (posterior) — niềm tin cập nhật về A sau khi biết B.
• P(B): bằng chứng (evidence), thường tính bằng công thức xác suất toàn phần.

Ví dụ kinh điển: xét nghiệm y tế

Một bệnh hiếm gặp có tỷ lệ mắc 1% trong dân số. Xét nghiệm có độ chính xác 95% (cả dương tính thật và âm tính thật). Nếu một người xét nghiệm dương tính, xác suất thực sự mắc bệnh là bao nhiêu?

Áp dụng Bayes: dù xét nghiệm có vẻ chính xác cao, do bệnh hiếm (prior thấp), xác suất thực sự mắc bệnh sau khi dương tính chỉ khoảng 16% — thấp hơn nhiều so với trực giác 95%. Đây là minh chứng kinh điển cho thấy tầm quan trọng của prior khi diễn giải kết quả xét nghiệm.

Vì sao Định lý Bayes quan trọng?

Bayes cung cấp khung lý thuyết chặt chẽ để cập nhật xác suất một cách hợp lý khi có dữ liệu mới, thay vì chỉ dựa vào trực giác — đây là nền tảng của suy luận Bayes (Bayesian inference), một nhánh lớn của thống kê và machine learning.

Ứng dụng thực tế trong khoa học máy tính

• Bộ lọc spam: cập nhật xác suất một email là spam dựa trên các từ khóa xuất hiện.
• Hệ thống gợi ý và cá nhân hóa: cập nhật mô hình sở thích người dùng theo thời gian thực.
• Máy học Bayes (Bayesian machine learning): các mô hình như Bayesian network, Gaussian Process đều dựa trên nguyên lý cập nhật xác suất theo định lý Bayes.
• Chẩn đoán y tế và kiểm định chất lượng: đánh giá độ tin cậy thực sự của một kết quả xét nghiệm/kiểm tra.

Ghi nhớ nhanh

• Công thức Bayes: P(A|B) = P(B|A) × P(A) / P(B).
• Kết quả xét nghiệm dương tính không có nghĩa là xác suất mắc bệnh cao — cần kết hợp với tỷ lệ mắc bệnh nền (prior).