Bayes sats besvarar en fråga du sällan har direkt svar på, med hjälp av den omvända frågan som du har svar
på. Den kallas också Bayes teorem.
P(A|B) = P(B|A) · P(A) / P(B)
Gäller när P(B) > 0.
De fyra delarna har namn som är värda att kunna:
- P(A) — a priori-sannolikheten, vad du trodde om A innan du visste något.
- P(B|A) — likelihood, hur troligt beskedet B är när A verkligen gäller.
- P(B) — hur troligt beskedet B är över huvud taget.
- P(A|B) — a posteriori-sannolikheten, vad du tror om A efter beskedet.
Satsen följer direkt ur betingad sannolikhet
skriven åt två håll. P(A∩B) kan räknas både som P(A|B)·P(B) och som P(B|A)·P(A). Sätt dem lika och dividera
med P(B), så står Bayes sats där.
Ett testexempel
Ett test hittar sjukdomen hos 90 % av dem som har den och ger falsklarm hos 10 % av de friska. Sjukdomen
finns hos 1 % av befolkningen. Du testar positivt. Hur sannolikt är det att du är sjuk?
Svaret är inte 90 %. Räkna på tusen personer:
- 10 är sjuka. Testet hittar 9 av dem.
- 990 är friska. Med 10 % falsklarm ger testet utslag på 99 av dem.
Alltså 9 + 99 = 108 positiva svar, och bara 9 av dem är sjuka: 9/108 ≈ 8,3 %.
I formelns termer: P(B|A) = 0,9, P(A) = 0,01, P(B) = 0,108, och
P(A|B) = 0,9 · 0,01 / 0,108 ≈ 0,083.
Skillnaden mellan 90 % och 8 % är inte ett räknefel utan a priori-sannolikheten. Sjukdomen är så ovanlig
att de falska larmen från den stora friska gruppen överröstar de sanna larmen från den lilla sjuka. Det
här är ett vanligt feltänk kring medicinska tester, och det har ett namn: base rate fallacy.
Nämnaren, när den inte är given
P(B) är ofta inte utskriven i uppgiften. Då räknas den ur de andra talen — alla vägar till B, adderade:
P(B) = P(B|A) · P(A) + P(B|Ā) · P(Ā)
Det är de två raderna i tusenpersonsexemplet: 0,9 · 0,01 + 0,1 · 0,99 = 0,009 + 0,099 = 0,108. Regeln
kallas lagen om total sannolikhet, och den är nästan alltid det första steget innan Bayes sats.
Vanliga misstag
- Att förväxla P(A|B) med P(B|A). Bayes sats räknar om det ena till det andra.
- Att strunta i a priori-sannolikheten. Ett träffsäkert test på en ovanlig sjukdom ger ändå mest falska
larm. Vid en ovanlig sjukdom styr P(A) svaret mer än testets kvalitet gör.
- Att glömma den andra vägen i nämnaren. Delar du med bara P(B|A)·P(A) får du 1, vilket avslöjar att
hälften av nämnaren saknas.
- Att tro att ett andra test inte hjälper. Det gör det: efter det första testet är a priori 8,3 % i
stället för 1 %, och om det andra testet slår fel oberoende av det första lyfter ett andra positivt
svar den till omkring 45 %.
Vanliga frågor
Varför blir svaret så mycket lägre än testets träffsäkerhet?
För att de friska är så många fler. 10 % fel på 990 personer är fler fall än 90 % rätt på 10 personer.
Vad är a priori och a posteriori?
Före och efter beskedet. A priori är vad du trodde innan, a posteriori vad du tror efteråt. Bayes sats är
regeln för hur ett besked ska flytta din tro.
Behöver jag lagen om total sannolikhet varje gång?
Bara när P(B) inte står i uppgiften. Står det “8 % av alla test blir positiva” kan du sätta in det direkt.
Går det att räkna utan formeln?
Ja, och för många går det snabbare: sätt en total på 1000, fyll i de fyra rutorna och dividera de rätta
positiva med alla positiva. Det är samma räkning med heltal i stället för decimaler.