Введение

То́мас Ба́йес (Бейес, англ. Reverend Thomas Bayes ) (1702 - 17 апреля 1761) - английский математик и пресвитерианский священник, член Лондонского королевского общества (1742).

1. Биография

Родился в 1702 году в Лондоне. Обучался дома, в 1719 году поступил в Эдинбургский университет. Затем Байес помогал отцу проводить службу, а вскоре, в 30-х годах, сам стал священником в пресвитерианской церкви. В 1752 году он вышел в отставку; умер в 1761 году.

2. Достижения

Математические интересы Байеса относились к теории вероятностей. Он сформулировал и решил одну из основных задач этого раздела математики (теорема Байеса). Работа, посвящённая этой задаче, была опубликована в 1763 году, уже после его смерти. Формула Байеса, дающая возможность оценить вероятность событий эмпирическим путём, играет важную роль в современной математической статистике и теории вероятностей. Другая крупная его работа - «Очерки к решению проблемы доктрины шансов». Используется терминология: байесовская вероятность, байесовская сеть доверия, байесовская оценка решения, и т. п.

Примечания

Источник: http://ru.wikipedia.org/wiki/Байес,_Томас

Томас Байес родился в 1702 году в Лондоне, в семье одного из первых шести пресвитерианских священников Англии. По существовавшим среди кальвинистов правилам, как сын духовного лица Байес получил сугубо домашнее образование, рано проявил очень большие способности к математике, однако пошел по стопам отца и в 1720-е годы стал священником пресвитерианского прихода в городке Танбридж Уэллс, что примерно в 50 километрах от Лондона. На духовной службе Байес оставался здесь вплоть до 1752 года, после отставки продолжал жить в Танбридж Уэллсе, здесь же и закончил свою жизнь еще 9 лет спустя, 17 апреля 1761 года.

Среди современных ему английских ученых Байес был человеком весьма известным и в 1742 году был избран «в академики» (как сказали бы сейчас), т. е. в члены Лондонского Королевского общества, даже несмотря на тот факт, что священником не было опубликовано ни одной работы по математике. Более того, при жизни Байеса под его именем не вышло, строго говоря, вообще ни одной научной работы. Единственная работа отца Байеса, опубликованная им под своим именем (в 1731 году), носила сугубо теологический характер и имела характерное для той эпохи предлинное название «Благость господня, или попытка доказать, что конечной целью божественного провидения и направления является счастье его созданий».

Помимо же этого, в 1736 году Байесом анонимно была опубликована статья «Введение в теорию флюксий или В защиту математиков от нападок автора The Analyst (Комментатора)». Здесь Байес защищал ньютоновскую теорию дифференциального исчисления от атаки Джорджа Беркли (несколько позже получившего сан епископа в Клойне), пытавшегося с метафизических позиций раскритиковать «неправильные», на его взгляд, логические основания мощнейшей математической теории.

Что же касается фундаментального исследования Байеса в области теории вероятностей, то оно было изложено им в «Эссе о решении проблем в теории случайных событий». Эту работу математика лишь после его смерти обнаружил друг Ричард Прайс, который и переслал статью в академию. В 1764 году это «Эссе» было опубликовано в «Трудах Лондонского Королевского общества», откуда и берет начало его мировая слава.

Теорема Байеса, имеющая ныне сильнейшее влияние на разработки компаний, создающих программное обеспечение, имеет дело с расчетом вероятности верности гипотезы в условиях, когда на основе наблюдений известна лишь некоторая частичная информация о событиях. Другими словами, по формуле Байеса можно более точно пересчитывать вероятность, беря в учет как ранее известную информацию, так и данные новых наблюдений. Главная, видимо, особенность теоремы Байеса в том, что для ее практического применения обычно требуется огромное количество вычислений-пересчетов, а потому расцвет методов байесовых оценок пришелся аккурат на революцию в компьютерных и сетевых инфотехнологиях. Конечно, эффективные методы статистических оценок интенсивно применяли и ранее, особенно военные в каких-нибудь экспертных или криптоаналитических системах, но по-настоящему широкая популярность и даже «мода на Байеса» пришли в 1990-е годы.

Пионером здесь стала британская интернет-компания Autonomy, для интеллектуального поиска информации созданная математиком (и ныне миллиардером) Майком Линчем. Программное обеспечение Autonomy, построенное на базе байесовых оценок, позволяет компьютерам «понимать» содержание неструктурированной информации, такой как текстовые участки веб-страниц или электронная почта. Например, с помощью байесовского аппарата по контексту достаточно элементарно подбирается нужная информация о реке Амазонке, а не о мифических племенах воинственных женщин или об онлайновом супермагазине с тем же названием Amazon. Просто по той причине, что контекст документа будет включать упоминания о джунглях, деревьях и Южной Америке.

Лежащая в основе Autonomy технология DRE (Dynamic Reasoning Engine) по сути дела сводит воедино вероятностные методы Томаса Байеса и труды Клода Шеннона по теории информации. Формулы Байеса связаны с вычислением вероятностных связей между многими переменными и определением их взаимовлияния. Используя эту технику и компьютерные мощности, удается выявлять связи между различными элементами информации. Поняв основной смысл текста (или другого информационного носителя), система Autonomy приступает к следующему шагу и использует теорию Шеннона, согласно которой чем менее часто встречается информация, тем она более информативна.

Майк Линч с редкостным апломбом любит заявлять, что «лишь 10 человек в мире знают, как все это (байесовы оценки) применять, причем треть таких людей работает на меня». Вряд ли стоит воспринимать слова математика-предпринимателя всерьез, скорее это так – работа на публику и раздувание щек, что называется, бизнеса ради. Байесовский математический аппарат разработан сейчас весьма мощно, и технологии на его основе применяются во множестве других компаний.

Например, корпорация Oracle использует теорию Байеса в своем новом ПО для баз данных, где с ее помощью выявляются характерные тенденции в сложных массивах данных, а также вносится столь популярная ныне «персонализация» в маркетинговые кампании. В корпорации Microsoft этот же статистический аппарат заложен в программы выявления неполадок в новой ОС WinXP, а еще ранее – был использован при создании для пакета MS Office столь доставшего всех своими ненужными советами «мистера Скрепки» (Mr Clippy). Этого надоедливого мультяшного субъекта, как известно, впоследствии задвинули подальше, дабы не раздражать без нужды клиентов. Впрочем, научному авторитету Томаса Байеса суетливый «Скрепыш» вряд ли нанес хоть какой-то урон.

И уж коли речь зашла о дискредитации ученого, то, быть может, наихудшую услугу ему оказывают разухабистые пиаровские тексты компании Autonomy, вещающие об «эксцентричном англичанине Томасе Байесе, который с одинаковым успехом занимался как доказательством существования бога, так и разработкой наиболее эффективных алгоритмов для игры в кости». По свидетельству историков, подобные заявления, мягко говоря, не соответствуют известным фактам из жизни этого человека.

Что же известно, так это на редкость мудрый подход Байеса к эффективности точных наук и к возможности их гармоничного сочетания с глубоким религиозным чувством.

Статья о жизни и научной деятельности английского математика и религиозного деятеля Т. Байеса.

• Сравнительный анализ перевода научно-технических терминов в области транспортно технологических машин и комплексов с помощью интернет переводчиков
• Исследование явного решения аналога задачи коши для вырождающегося гиперболического уравнения третьего порядка в трехмерной области
• Разработка автоматизированной системы управления технологическим процессом плавления гранулята полиамида
• Расчет математической модели объекта управления, одной секции роликовой печи

К сожалению, история знает немало примеров того, как труды учёных предавались забвению и не были оценены по достоинству лишь из-за того, что им не было найдено практического применения в условиях тех дней. Подобная участь постигла и Тома Байеса: английского математика и религиозного деятеля. Признание к нему пришло лишь с началом эры компьютерных технологий. В 2002 году мир разработчиков программного обеспечения отмечал 300 лет со дня рождения этого выдающегося учёного.

Томас Байес родился в 1702 году в Лондоне, в семье одного из первых шести пресвитерианских священников в Англии, был представителем известного нонконформистского рода из Шеффилда. Томас обучался дома и в 1719 году поступил в Эдинбургский университет изучать логику и богословие. По возвращению домой в 1722 году, Байес помогал отцу в часовне проводить службу, а вскоре, в 30-х годах, сам стал священником в пресвитерианской церкви. В 1734 году переехал в Танбридж Уэллс, графство Кент. Среди современных ему английских ученых Байес был человеком довольно известным и в 1742 году был избран "в академики", т.е. в члены лондонского Королевского общества, даже, несмотря на тот факт, что священником не было опубликовано ни одной работы по математике. Более того, при жизни Байеса, строго говоря, под его именем не вышло вообще ни одной научной работы. Помимо же этого, в 1736 году Байесом анонимно была опубликована статья "Введение в теорию флюксий или В защиту математиков от нападок автора The Analyst (Комментатора)". Здесь Байес защищал ньютоновскую теорию дифференциального исчисления от атаки Джорджа Беркли, пытавшегося с метафизических позиций раскритиковать "неправильные", на его взгляд, логические основания мощнейшей математической теории. Что же касается фундаментального исследования Байеса в области теории вероятностей, то оно было изложено им в "Эссе о решении проблем в теории случайных событий". Эту работу математика лишь после его смерти обнаружил друг Ричард Прайс, который и переслал статью в академию. В 1764 году это "Эссе" было опубликовано в "Трудах Лондонского Королевского общества". Формулировка, математическая запись теоремы Байеса, её следствие. Теорема Байеса одна из основных теорем элементарной теории вероятностей, которая определяет вероятность наступления события в условиях, когда на основе наблюдений известна лишь некоторая частичная информация о событиях. По формуле Байеса можно более точно пересчитывать вероятность, принимая во внимание как ранее известную информацию (априорные данные), так и данные новых наблюдений (апостериорные данные).

P(A) априорная вероятность гипотезы A;

P(A|B) вероятность гипотезы A при наступлении события B (апостериорная вероятность);

P(B|A) вероятность наступления события B при истинности гипотезы A;

P(B) вероятность наступления события B.

Важным следствием формулы Байеса является формула полной вероятности события, зависящего от нескольких несовместных гипотез (и только от них!):

С помощью следствия можно определить вероятность наступления события B, зависящего от ряда гипотез A i , если известны степени достоверности этих гипотез; в первом приближении байесовские идеи близки обыденному сознанию. В каждодневной жизни мы тем или иным способом, никак не формулируя ее, набираем статистику, позволяющую делать суждение о вероятности ожидающих нас событий. Это называют жизненным или профессиональным опытом. В приближении к приведенной формуле теорему Байеса часто иллюстрируют таким примером. Некий повар фаст-фуда принимает заказы в условиях шума, а потому воспринимает их с искажениями. Если заказ сделан на блюдо A, то может принять его за блюдо B. У посетителей блюда пользуются разным спросом, P(A) вероятность заказа блюда A, вероятность ошибки B для данного A равна P(B/A), а вероятность услышать верный заказ равна P(A/B). Вероятности P (B) и P(B/A) являются знанием условий. Формула Байеса позволяет «переставить причину и следствие»: по известному факту события вычислить вероятность того, что оно было вызвано данной причиной. События, отражающие действие «причин», в данном случае обычно называют гипотезами, так как они предполагаемые события, повлекшие данное. Безусловную вероятность справедливости гипотезы называют априорной (насколько вероятна причина вообще), а условную с учетом факта произошедшего события апостериорной (насколько вероятна причина оказалась с учетом данных о событии). На протяжении десятилетий обсуждение аргументов за и против было уделом математиком и философов, оно не выходило за пределы академической среды; действительным же поворотным пунктом в истории математического наследия Томаса Байеса стали сравнительные исследования по оценке результативности медицинских препаратов, проведенные в 60- е и 70-е годы компанией с использованием байесовской и небайесовской статистики. Последующие исследования показали, что байесовские подходы с равным успехом могут быть применены в истории, археологии, но, возможно, наилучшие перспективы у машинного обучения. Можно говорить о полной реабилитации взглядов Байеса: теперь он в некотором смысле стал культовой фигурой; его могила восстановлена и стала своеобразным местом поклонения.

Главная особенность теоремы Байеса в том, что для ее практического применения обычно требуется огромное количество вычислений-пересчетов, а потому расцвет методов байесовых оценок пришелся аккурат на революцию в компьютерных и сетевых инфотехнологиях. Программное обеспечение Autonomy, построенное на базе байесовых оценок, позволяет компьютерам "понимать" содержание неструктурированной информации, такой как текстовые участки веб-страниц или электронная почта. Например, с помощью байесовского аппарата по контексту достаточно элементарно подбирается нужная информация о реке Амазонке, а не о мифических племенах воинственных женщин или об онлайновом супермагазине с тем же названием Amazon. Просто по той причине, что контекст документа будет включать упоминания о джунглях, деревьях и Южной Америке. В компании Microsoft этот же статистический аппарат заложен в программы выявления неполадок в ОС WinXP, а еще ранее - был использован при создании MS Office для создания функции предложения пользователю своевременных подсказок.

Наука не имеет временных границ. То, что ещё вчера было лишь несколькими листочками исписанной бумаги, сегодня может стать основой для функционирования целой сферы деятельности человеческого общества. Томас Байес не предугадывал наступления эры компьютерных технологий. Математика была его хобби. Он никогда не публиковал своих научных работ. Но прогресс не стоит на месте, и вот уже имя английского священника на слуху во всех уголках мира. Наука не может быть бесполезной. И пример Сэра Томаса Байеса – яркое тому подтверждение.

Список литературы

1. Лубова, Т. Н. Многомерные статистические методы [Электронный ресурс] : учебное пособие / Т. Н. Лубова; М-во сел. хоз-ва РФ, Башкирский ГАУ. - Уфа: Изд-во БГАУ, 2015. - 64 с.
2. Лубова, Т. Н. Теория вероятностей и математическая статистика [Электронный ресурс] : учебное пособие / Т. Н. Лубова; М-во сел. хоз-ва РФ, Башкирский ГАУ. - Уфа: Изд-во БашГАУ, 2015. - 163 с.
3. Исламгулов, Д.Р. Применение корреляционного анализа в агрономии [Текст] / Д.Р. Исламгулов, Т.Н. Лубова // Уральский научный вестник. – 2016. – Т. 4. - № 3. – С. 142-147.
4. Лубова, Т.Н. Принципы статистического прогнозирования при разработке инновационной стратегии региона [Текст] / Т.Н. Лубова // Экономика, экология и общество России в 21-м столетии: Сборник научных трудов: 11-й Международной научно-практической конференции, 19-21 мая 2009 г. / Санкт-Петербургский государственный политехнический университет. – С.-Петербург, 2009. – С. 155-156.
5. Лубова, Т. Н. Многомерная классификация регионов Приволжского федерального округа по уровню финансовой безопасности [Текст] / Т. Н. Лубова // Конкурентоспособность региона в условиях экологических и демографических ограничений: Материалы межрегиональной научно-практической конференции. – Улан-Уде: Изд-во БНЦ СО РАН, 2009. – с. 149-159.
6. Лубова, Т. Н. Классификация регионов Российской Федерации методом кластерного анализа [Текст] / Т. Н. Лубова // Образование, наука, практика: инновационный аспект: Сб. материалов международной научно-практической конференции, посвященной памяти профессора А.Ф. Блинохватова. – Пенза: РИО ПГСХА, 2008. – С.379-381.
7. Исламгулов, Д. Р. Особенности новых образовательных стандартов [Текст] / Д. Р. Исламгулов, Т. Н. Лубова // Современное вузовское образование: теория, методология, практика: материалы Междунар. учеб.-метод. конф., 21-22 марта 2013 г. / Башкирский ГАУ. - Уфа, 2013. - С. 14-15.
8. Лубова, Т. Н. Особенности, задачи и проблемы внедрения модульно-рейтинговой системы [Текст] / Т. Н. Лубова, Д. Р. Исламгулов // Современное вузовское образование: теория, методология, практика: материалы Междунар. учеб.-метод. конф., 21-22 марта 2013 г. / Башкирский ГАУ. - Уфа, 2013. - С. 10-13.
9. Лубова, Т.Н. Использование тестирования в организации самостоятельной работы обучающихся [Текст] / Т.Н. Лубова, Д.Р. Исламгулов // DNI VEDY-2016: materialy XII mezinarodni vedecko – prakticka Konference, 22-30 brezen 2016 roku. – Praha: Publishing House «Education and Science» s.r.o, 2016. – dil 10 Pedagogika. – С. 42-45.

Простыми словами

Оказывается, неизвестна точная дата рождения Томаса Байеса.
Это, конечно, не единственный выдающийся математик, о котором до сих пор нет топика в сообществе, но про Байеса теперь понятно, почему он остался неохваченным. Исправляю эту досадную оплошность. В этом году ему исполняется 314 лет.

Википедия
Томас Байес (Бейес, англ. Reverend Thomas Bayes ) (1702 - 7 апреля 1761) - английский математик и пресвитерианский священник, член Лондонского королевского общества (1742).
А вот кстати, когда я училась в университете, наш преподаватель по теорверу действительно говорил "Бейес", как и написано в скобках в Википедии.

Биография
Родился в 1702 году в Лондоне. Отец - Джошуа Байес - пресвитерианский священник, был представителем известного нонконформистского рода из Шеффилда. Томас обучался дома и в 1719 году поступил в Эдинбургский университет изучать логику и богословие. По возвращению домой в 1722 году, Байес помогал отцу в часовне проводить службу, а вскоре, в 30-х годах, сам стал священником в пресвитерианской церкви. В 1734 году переехал в Танбридж Уэллс, графство Кент. В 1752 году он вышел в отставку. Умер в 1761 году.

Работы Байеса
Он, как известно, опубликовал две работы в своей жизни, одна богословская и одна математическая:

1. Divine Benevolence, or an Attempt to Prove That the Principal End of the Divine Providence and Government is the Happiness of His Creatures (1731)
2. An Introduction to the Doctrine of Fluxions, and a Defence of the Mathematicians Against the Objections of the Author of The Analyst (опубликовано анонимно в 1736)

Достижения
Математические интересы Байеса относились к теории вероятностей. Он сформулировал и решил одну из основных задач этого раздела математики (теорема Байеса). Работа, посвящённая этой задаче, была опубликована в 1763 году, уже после его смерти. Формула Байеса, дающая возможность оценить вероятность событий эмпирическим путём, играет важную роль в современной математической статистике и теории вероятностей. Другая крупная его работа - «Очерки к решению проблемы доктрины шансов». Используется терминология: байесовская вероятность, байесовская сеть доверия, байесовская оценка решения, байесовское программирование и т. п.

Байесовская вероятность
Байесовская вероятность - это интерпретация понятия вероятности, используемая в байесовской теории. Вероятность определяется как степень уверенности в истинности суждения. Для определения степени уверенности в истинности суждения при получении новой информации в байесовской теории используется теорема Байеса.

Соотношение с частотной вероятностью
Байесовская вероятность противопоставляется частотной, в которой вероятность определяется относительной частотой появления случайного события при достаточно длительных наблюдениях.

Теория вероятности и статистики, основанная на частотной вероятности была разработана Р. А. Фишером, Э. Пирсоном и Е. Нейманом в первой половине XX века. А. Колмогоров также использовал частотную интерпретацию при описании своей аксиоматики, основанной на интеграле Лебега.

Разница между байесовской и частотной интерпретацией играет важную роль в практической статистике. Например, при сравнении двух гипотез на одних и тех же данных, теория проверки статистических гипотез, основанная на частотной интерпретации, позволяет отвергать или не отвергать модели-гипотезы. При этом адекватная модель может быть отвергнута из-за того, что на этих данных кажется адекватнее другая модель. Байесовские методы, напротив, в зависимости от входных данных выдают апостериорную вероятность быть адекватной для каждой из моделей-гипотез.

Теорема Байеса


Голубой неоновый знак, обозначающий простое выражение формулы Байеса (с) Википедия

Теорема Байеса (или формула Байеса) - одна из основных теорем элементарной теории вероятностей, которая позволяет определить вероятность какого-либо события при условии, что произошло другое статистически взаимозависимое с ним событие. Другими словами, по формуле Байеса можно более точно пересчитать вероятность, взяв в расчет как ранее известную (априорную) информацию, так и новые данные (постеприорную информацию). Формула Байеса может быть выведена из основных аксиом теории вероятностей, в частности из условной вероятности. Особенность теоремы Байеса заключается в том, что для её практического применения требуется большое количество расчетов, вычислений, поэтому байесовские оценки стали активно использовать только после революции в компьютерных и сетевых технологиях.

При возникновении теоремы Байеса вероятности, используемые в теореме, подвергались целому ряду вероятностных интерпретаций. В одной из таких интерпретаций говорилось, что вывод формулы напрямую связан с применением особого подхода к статистическому анализу. Если использовать байесовскую интерпретацию вероятности, то теорема показывает, как личный уровень доверия может кардинально изменить количество наступивших событий. В этом заключаются выводы Байеса, которые стали основополагающими для байесовской статистики. Однако теорема используется не только в байесовском анализе, но и активно применяется для большого ряда других расчетов.

Психологические эксперименты показали, что люди часто неверно оценивают вероятность события, на основе полученного опыта (апостериорная вероятность), поскольку игнорируют саму вероятность предположения (априорная вероятность). Поэтому правильный результат по формуле Байеса может сильно отличаться от интуитивно ожидаемого.

Теорема Байеса названа в честь её автора Томаса Байеса (1702-1761) - английского математика и священника, который первым предложил использование теоремы для корректировки убеждений, основываясь на обновлённых данных. Его работа «An Essay towards solving a Problem in the Doctrine of Chances» впервые опубликована в 1763 году, через 2 года после смерти автора. До того, как посмертная работа Байеса была принята и прочитана в Королевском обществе, она была значительно отредактирована и обновлена Ричардом Прайсом. Однако эти идеи не предавались публичной огласке до тех пор, пока не были вновь открыты и развиты Лапласом, впервые опубликовавшим современную формулировку теоремы в своей книге 1812 года «Аналитическая теория вероятностей».

Сэр Гарольд Джеффрис писал, что теорема Байеса «является основой теории вероятности, точно так же как и теорема Пифагора есть основа геометрии».

Мозг и душа [Как нервная деятельность формирует наш внутренний мир] Фрит Крис

Преподобный Томас Байес

Преподобный Томас Байес

Как же тогда мы можем видоизменить теорию информации, чтобы она учитывала различия в опыте и ожиданиях наблюдателей? Нам нужно сохранить нашу идею, что информативность сообщения (или изображения) определяется его новизной и неожиданностью. Но теперь ее нужно дополнить новой идеей, что сообщение может для одного человека быть неожиданнее, чем для другого. Объективно новое и неожиданное сообщение можно определить как сообщение, меняющее наше представление о мире и, следовательно, наше поведение.

Сегодня вечером я собирался пойти на семинар по нейроэстетике, но его отменили. Вместо этого я могу пойти в бар. Там я встречаю профессора английского языка. На нее это сообщение никак не повлияло. Она никогда не ходит на нейробиологические семинары.

Мы можем также сказать, что информативность сообщения определяется степенью, в которой оно меняет наши убеждения об окружающем мире. Чтобы узнать, какой объем информации содержится в сообщении, передаваемом получателю, нужно узнать, каковы были убеждения получателя до поступления этого сообщения. Тогда мы сможем увидеть, насколько эти убеждения изменились после того, как сообщение было получено. Но можем ли мы определить такие априорные убеждения и происходящие в них изменения?

Решение этой проблемы нашел человек, который будет, наверное, самым необычным из всех ученых, попавших на страницы этой книги. Преподобный Томас Байес (1702-1761) был пресвитерианским священником и за всю свою жизнь не опубликовал ни одной научной работы, хотя и стал в 1742 году членом Лондонского королевского общества. Только через два года после его смерти его классическая работа была наконец опубликована в "Философских трудах Королевского общества". После этого она больше ста лет пребывала в забвении. Только в двадцатых годах XX века слава Байеса начала расти. Для Рональда Фишера, бывшего тогда президентом Королевского статистического общества, Байес был настоящим кумиром, и в результате усердного лоббирования со стороны статистиков его в конце концов включили в "Национальный биографический словарь". И все же он оставался почти неизвестным за пределами круга тех, кто профессионально занимался статистикой. И даже те, кто слышал о байесовской статистике, часто считали, что ей не хватает должной объективности.

Рис. 5.5. Могила преподобного Томаса Байеса.

Томас Байес похоронен на кладбище Банхилл-Филдс в центре Лондона. В XVIII веке на этом кладбище хоронили нонконформистов, но теперь это общественный парк. Могила была отреставрирована в 1969 году, на средства "статистиков со всего мира".

Но в последние 10 лет Томас Байес стал суперзвездой. В сети есть множество сайтов, где объясняется теорема Байеса и сообщается: "Главное, что Байес крут, а кто не знает Байеса, тот не крут". А если вы не верите тому, что говорят в интернете, то, быть может, вас убедит New York Times за 20 января 2004 года?

"В научной среде байесовская революция вот-вот станет преобладающей точкой зрения, что 10 лет назад казалось немыслимым", – говорит Брэдли Карлин, профессор здравоохранения из Университета Миннесоты.

Из-за чего же возник весь этот ажиотаж?

Вот как формулируется теорема Байеса:

p(A|X) = p(X|A)·p(A)/p(X) .

Возьмем некоторое явление (А ), о котором мы хотим узнать, и наблюдение (X ), которое дает нам какие-то сведения об A . Теорема Байеса говорит нам, насколько увеличится наше знание об A в свете новых сведений X . Нам незачем вникать в детали этого уравнения. Главное – что это уравнение дает нам именно ту математическую формулу убеждений, которую мы искали. Убеждению в данном случае соответствует математическое понятие вероятности. Вероятность позволяет измерить, в какой степени я убежден в чем-то. Если я в чем-то совершенно уверен (например, в том, что утром взойдет солнце), вероятность равна единице [в форме уравнения это можно выразить так: p (взойдет солнце) = 1]. А если я совершенно уверен, что что-то никогда не случится, вероятность равна нулю [p (Крис Фрит выиграет конкурс "Евровидение") = 0]. Большинство наших убеждений не так тверды и занимают промежуточное положение между нулем и единицей [p (поезд, на котором я езжу на работу, опоздает) = 0,5]. И эти промежуточные убеждения постоянно изменяются по мере того, как мы получаем новые сведения. Прежде чем ехать на работу, я уточню положение поездов Лондонского метро в интернете, и эти новые сведения изменят мое убеждение о вероятности опоздания поезда (хотя и ненамного...).

Теорема Байеса показывает, насколько именно изменится мое убеждение относительно A в свете новых сведений X . В приведенном выше уравнении p(A) – мое первоначальное или априорное, убеждение об A до поступления новых сведений X , p(X|A) – вероятность получения сведений X в случае, если A действительно будет иметь место, а p(A|X) – мое последующее, или апостериорное, убеждение об A с учетом новых сведений X . Все это станет понятнее на конкретном примере.

Вас, вероятно, удивило, почему это Брэдли Карлин, профессор здравоохранения из Университета Миннесоты, так интересуется теоремой Байеса. Дело в том, что здравоохранение – одна из тех многих областей, где теорема Байеса находит свое применение.

Рассмотрим проблему рака груди. Обратимся к частному случаю, связанному с эффективностью массовых обследований. Мы знаем (это наше априорное убеждение), что к 40 годам у 1% женщин развивается рак груди (p(A) = 0,01). Кроме того, у нас есть хороший метод выявления рака груди – маммография (этот метод дает нам новые сведения). Результат маммографии будет положительным у 80% женщин с раком груди (p(X|A) = 0,8) и лишь у 9,6% женщин без рака груди (p(X|~A) = 0,096). Таковы вероятности получения наших сведений в случае, если наше убеждение истинно. Судя по этим цифрам, кажется очевидным, что регулярные обследования на предмет наличия рака груди – вещь хорошая. Итак, если мы обследуем всех женщин, то какова будет среди тех, у кого обследование даст положительный результат, доля тех, у кого действительно будет рак груди, то есть каково будет значение p(A|X) ?

Учитывая, что этот метод кажется хорошим, каково будет ваше убеждение относительно женщины, для которой только что получен положительный результат маммографического обследования на рак груди? Большинство людей сказали бы, что у нее, скорее всего, рак груди. Но применение теоремы Байеса показывает, что это мнение ошибочно. Мы можем легко убедиться в этом, если на время забудем о вероятностях. Вместо этого давайте рассмотрим 10 000 женщин в возрасте 40 лет и старше.

Еще до обследования эти 10 000 женщин можно мысленно разделить на две группы:

Группа 1: 100 женщин с раком груди;

Группа 2: 9900 женщин без рака груди.

Группа 1 – этот тот 1% женщин, у которых развился рак: p(A)

После обследования женщин можно разделить на четыре группы:

Группа А: 80 женщин с раком груди и положительной маммографией;

Группа Б: 20 женщин с раком груди, но с отрицательной маммографией.

Группа В: 950 женщин без рака груди, но с положительной маммографией;

Группа Г: 8 950 женщин без рака груди и с отрицательной маммографией.

Группа А – это те 80% женщин с раком груди, у которых его выявляет маммография: p(X|A)

Группа В – это те 9,6% женщин, у которых нет рака груди, но результат маммографии положительный: p(X|~A) .

Итак, результат обследования оказался положительным у 950 женщин, у которых нет рака груди, и только у 80 женщин, у которых есть рак груди. Чтобы ответить на вопрос "Какова доля женщин с раком груди среди тех, у кого результат маммографии положительный?", мы разделим число женщин в группе А на суммарное число женщин в группах А и В (то есть на общее число женщин с положительной маммографией). Это даст нам ответ 7,8%. Иными словами, более 90% женщин, у которых маммография дает положительный результат, в действительности не больны раком груди. Несмотря на то что маммография – хороший метод выявления рака груди, теорема Байеса говорит нам, что получаемые с ее помощью сведения сравнительно малоинформативны. Проблема возникает оттого, что мы обследуем сразу всех женщин в возрасте 40 лет и старше. Для женщин этой большой группы априорное ожидание рака весьма невелико. Теорема Байеса показывает, что результаты маммографии будут намного информативнее, если обследовать "группы риска", например женщин, у которых в семье были случаи рака груди.

24 ТОМАС НАГЕЛЬ Каково быть летучей мышью? Самосознание - вот то, что делает проблему тело-разум практически неразрешимой. Может быть, именно поэтому в последнее время эта проблема часто оставляется без внимания. Предлагаемые же решения выглядят явно ошибочными.

Из книги Новейшая книга фактов. Том 1. Астрономия и астрофизика. География и другие науки о Земле. Биология и медицина автора Кондрашов Анатолий Павлович

Как ответил президент США Томас Джефферсон двум ученым из Коннектикута, в 1807 году сообщившим ему, что они наблюдали падение метеорита? Когда двое ученых из Коннектикута в 1807 году сообщили, что наблюдали падение метеорита, президент Томас Джефферсон заявил, что он скорее