Расчёт байесовской вероятности: формула, примеры и онлайн-калькулятор

Представьте, что вы решили заказать пиццу. Вы знаете, что в 70% случаев вы заказываете пепперони, а в 30% — маргариту. Это ваши априорные вероятности. Но вдруг друг говорит: «Сегодня пятница!». Вы знаете, что в пятницу вы в 80% случаев заказываете пепперони, а в 20% — маргариту. Новое знание (пятница) — это свидетельство. Формула Байеса помогает обновить вероятность: какова теперь вероятность, что вы закажете пепперони, учитывая, что сегодня пятница?

Формула выглядит так:

Где:

• P(A|B) — апостериорная вероятность гипотезы A при условии B (то, что мы хотим найти).
• P(B|A) — правдоподобие: вероятность получить свидетельство B, если гипотеза A верна.
• P(A) — априорная вероятность гипотезы A.
• P(B) — полная вероятность свидетельства B (сумма по всем гипотезам).

Проще говоря, формула Байеса уточняет наши ожидания с учётом новой информации. Это как обновить прогноз погоды, когда выглянуло солнце. На 2026 год никаких изменений в формуле нет — она вечна.

Хотите быстро считать? Используйте наш Калькулятор Байесовской вероятности — подставьте свои числа и получите готовый ответ.

Лучше всего учиться на примерах. Разберём три ситуации — от пиццы до медицинского теста.

Пример 1. Пицца и пятница. Вы заказываете пепперони (событие A) с вероятностью 0.7, а маргариту — 0.3. В пятницу (событие B) вы заказываете пепперони в 80% случаев (P(B|A)=0.8), маргариту — в 20% (P(B|не A)=0.2). Полная вероятность P(B) = 0.7×0.8 + 0.3×0.2 = 0.56 + 0.06 = 0.62. Тогда P(A|B) = 0.8×0.7 / 0.62 ≈ 0.9032. То есть в пятницу вероятность заказать пепперони вырастает до 90%.

Пример 2. Спам-фильтр. Допустим, 2% писем — спам (P(спам)=0.02). Слово «бесплатно» встречается в 50% спама (P(слово|спам)=0.5) и в 5% нормальных писем (P(слово|не спам)=0.05). P(слово) = 0.02×0.5 + 0.98×0.05 = 0.01 + 0.049 = 0.059. Тогда P(спам|слово) = 0.5×0.02 / 0.059 ≈ 0.1695. Даже если письмо содержит «бесплатно», вероятность спама лишь 17%. Не спешите удалять!

Пример 3. Медицинский тест (парадокс ложноположительного результата). Редкая болезнь встречается у 1 из 1000 человек (P(болезнь)=0.001). Тест точен: 99% выявляет больных (чувствительность P(пол|болезнь)=0.99) и 95% правильно исключает здоровых (специфичность P(отр|здоров)=0.95, значит ложноположительный результат P(пол|здоров)=0.05). Допустим, у вас положительный тест. Какова вероятность, что вы больны? P(пол) = 0.001×0.99 + 0.999×0.05 = 0.00099 + 0.04995 = 0.05094. P(болезнь|пол) = 0.99×0.001 / 0.05094 ≈ 0.0194. То есть всего 1.9%! Это контр-интуитивно, но из-за редкости болезни большинство положительных результатов — ложные. Используйте Калькулятор условной вероятности для таких задач.

Даже умные люди попадаются на этих ловушках. Вот самые частые:

• Путаница между P(A|B) и P(B|A). «Если тест точный на 99%, то положительный результат означает 99% болезни» — это ошибка. P(тест положителен|болезнь) ≠ P(болезнь|тест положителен).
• Игнорирование априорной вероятности. Если болезнь редкая, даже точный тест даёт много ложных срабатываний. Всегда учитывайте базовую частоту.
• Неправильный расчёт полной вероятности. Не забудьте про все возможные гипотезы. Формула: P(B)=P(B|A1)P(A1)+P(B|A2)P(A2)+...
• Округление на ранних этапах. Лучше хранить больше знаков, иначе ошибка накапливается.
• Применение Байеса к независимым событиям. Если события независимы, то P(A|B)=P(A), и формула бесполезна. Байес нужен, когда есть зависимость.

Запомните: байесовская вероятность — это способ мышления, а не просто формула. Потренируйтесь на Калькуляторе вероятности, чтобы набить руку.

Проверьте себя. Решите, затем посмотрите ответы.

1. Задача 1. В мешке 3 красных и 2 синих шара. Вы вытащили красный и не вернули. Какова вероятность, что следующий шар будет красным? (Ответ: 2/4 = 0.5. Но это не Байес, а простая условная вероятность. Байес пригодился бы, если бы мы не знали, какой шар вытащили первым.)
2. Задача 2. В популяции 1% левшей. Тест на леворукость верно определяет 90% левшей и 95% правшей. У человека тест показал левшу. Какова вероятность, что он действительно левша? (Ответ: P(левша|тест) = 0.9×0.01 / (0.9×0.01 + 0.05×0.99) ≈ 0.1538. Всего 15.4%.)
3. Задача 3. В колоде 36 карт. Вы вытянули одну карту, не глядя. Какова вероятность, что это туз, если вам сказали, что карта красная? (Ответ: P(туз|красная) = (1/36) / (18/36) = 2/36? Нет, правильно: P(туз|красная) = (2/36) / (18/36) = 1/9 ≈ 0.111, так как красных тузов 2 из 18 красных карт.)

Ручной счёт полезен для понимания, но на практике удобнее воспользоваться инструментом. Наш Калькулятор Байесовской вероятности делает всё за секунды. Инструкция:

1. Введите априорную вероятность гипотезы P(A) в процентах или долях.
2. Введите правдоподобие P(B|A) — вероятность получить свидетельство, если гипотеза верна.
3. Введите полную вероятность свидетельства P(B) или, если не знаете, укажите вероятности для альтернатив (калькулятор сам посчитает).
4. Нажмите «Рассчитать» — получите апостериорную вероятность P(A|B).

Калькулятор также показывает промежуточные расчёты и график изменения вероятности. Это особенно полезно, если вы анализируете несколько свидетельств подряд (например, байесовское обновление).

Формула Байеса — не просто абстракция. Вот где она работает ежедневно:

• Медицина: интерпретация анализов, диагностика редких заболеваний.
• Спам-фильтры: оценка вероятности, что письмо спам, по словам.
• Машинное обучение: наивный байесовский классификатор для текстов и изображений.
• Судебная экспертиза: оценка вероятности вины на основе улик (ДНК, отпечатки).
• Финансы: обновление вероятности дефолта заёмщика по новым данным.
• Игры и прогнозирование: покер, букмекерские коэффициенты, прогноз погоды.

Если вы работаете с данными или просто хотите принимать более обоснованные решения, понимание Байеса — ваш козырь. Начните с простого: посчитайте вероятность дождя, если вы видите тучи. Введите данные в Калькулятор вероятности события и убедитесь сами.

Иногда у нас нет точных цифр для P(A). Например, мы не знаем, сколько спама в почте. В таких случаях можно:

• Использовать равномерное распределение: считать все гипотезы одинаково вероятными (принцип безразличия).
• Взять субъективную оценку: на основе опыта или интуиции.
• Применить байесовское обновление с неинформативным априорным распределением: например, бета-распределение с параметрами (1,1).

Главное — помнить: результат будет зависеть от выбора априорной вероятности. Если данных мало, делайте анализ чувствительности — меняйте P(A) в разумных пределах и смотрите, как меняется ответ. Для этого очень удобен Калькулятор классической вероятности, он позволяет подставлять разные значения.