Công Cụ Tính Định Lý Bayes

Phân số như 1/250 và các giá trị có dấu % cũng được chấp nhận.

Cách Sử Dụng Công Cụ Tính Định Lý Bayes

1. 1. Chọn những gì bạn đã biết. Thường là xác suất tiên nghiệm P(A), xác suất của bằng chứng khi A đúng, P(B|A), và khi A sai, P(B|không A). Nếu thay vào đó bạn biết P(B) tổng thể, hãy chuyển sang tùy chọn thứ hai.
2. 2. Chọn phần trăm hoặc số thập phân. Ở chế độ phần trăm, nhập 1 cho 1%; ở chế độ số thập phân, nhập 0,01. Phân số như 1/250 dùng được ở cả hai chế độ.
3. 3. Đọc P(A|B). Xác suất hậu nghiệm xuất hiện cùng P(B) và các xác suất sau kết quả âm tính, P(A|không B) và P(không A|không B).
4. 4. Kiểm tra bảng số người. Cùng các con số đó, quy về số người trong 1.000, 10.000 hoặc 100.000 người, cho thấy đáp số đến từ đâu.

Định Lý Bayes

P(A) là xác suất tiên nghiệm — khả năng A xảy ra trước khi bạn thấy bằng chứng. P(B|A) là khả năng xảy ra của bằng chứng nếu A đúng, còn P(B|không A) là khả năng đó nếu A sai. P(B) là tần suất chung của bằng chứng. Kết quả, P(A|B), là xác suất hậu nghiệm: khả năng A xảy ra sau khi bạn đã thấy B. Trong xét nghiệm chẩn đoán, các đại lượng này lần lượt là tỷ lệ mắc bệnh, độ nhạy, tỷ lệ dương tính giả (1 − độ đặc hiệu) và giá trị dự báo dương.

Ví Dụ Kinh Điển Về Xét Nghiệm Y Khoa

Một bệnh ảnh hưởng đến 1% dân số. Một xét nghiệm sàng lọc phát hiện bệnh trong 90% trường hợp (độ nhạy) nhưng cũng cho kết quả dương tính ở 9% người không mắc bệnh. Một người có kết quả dương tính. Khả năng người đó thực sự mắc bệnh là bao nhiêu? Nhiều người đoán gần 90%. Định lý Bayes cho biết: P(B) = 0,9 × 0,01 + 0,09 × 0,99 = 0,0981, nên P(A|B) = 0,009 ÷ 0,0981 = 9,17%.

Tính theo số người, đáp số rất rõ: trong 981 kết quả dương tính, chỉ 90 đến từ người mắc bệnh, và 90 ÷ 981 = 9,17%. Xét nghiệm không tệ — bệnh hiếm nên 9% dương tính giả trong 9.900 người khỏe mạnh lấn át 100 ca bệnh thật. Hai nhà tâm lý học Gerd Gigerenzer và Ulrich Hoffrage (1995) đã chỉ ra rằng trình bày vấn đề dưới dạng tần suất tự nhiên như vậy giúp người ta suy luận chính xác hơn nhiều so với khi trình bày bằng xác suất.

Vì Sao Xác Suất Tiên Nghiệm Quan Trọng Đến Vậy

Giữ nguyên xét nghiệm đó nhưng áp dụng cho nơi bệnh ảnh hưởng đến 10% bệnh nhân — một phòng khám chuyên khoa thay vì sàng lọc đại trà — thì kết quả dương tính đồng nghĩa với khả năng mắc bệnh là 52,63%. Hoặc xét nghiệm lại: nếu lần dương tính đầu tiên nâng xác suất lên 9,17%, hãy dùng con số đó làm xác suất tiên nghiệm mới, và kết quả dương tính thứ hai (từ một xét nghiệm độc lập có cùng độ chính xác) đưa nó lên 50,25%. Đó là lý do các chương trình sàng lọc khẳng định kết quả dương tính bằng xét nghiệm thứ hai, và vì sao cùng một bằng chứng có ý nghĩa khác nhau ở các quần thể khác nhau.

Bỏ qua xác suất tiên nghiệm chính là ngụy biện tỷ lệ nền, và không chỉ là vấn đề y khoa. Bộ lọc thư rác, bằng chứng pháp y, cảnh báo gian lận và các bộ phân loại học máy đều gặp phải nó: khi điều bạn tìm kiếm hiếm, hầu hết các cảnh báo là sai ngay cả khi bộ phát hiện tốt.

Câu Hỏi Thường Gặp

Định lý Bayes là gì, nói một cách đơn giản?

Đó là quy tắc cập nhật xác suất khi có bằng chứng mới. Bắt đầu từ mức độ có khả năng xảy ra của điều gì đó trước đó (xác suất tiên nghiệm), cân nhắc bằng chứng có khả năng xuất hiện nhiều đến đâu nếu điều đó đúng so với khi nó sai, và bạn có xác suất đã cập nhật (xác suất hậu nghiệm). Công thức là P(A|B) = P(B|A) × P(A) ÷ P(B).

P(A|B) khác P(B|A) như thế nào?

Chúng trả lời hai câu hỏi ngược nhau. P(B|A) là khả năng xét nghiệm dương tính nếu bạn mắc bệnh — tức độ nhạy, 90% trong ví dụ. P(A|B) là khả năng bạn mắc bệnh nếu xét nghiệm dương tính — 9,17% trong ví dụ. Nhầm lẫn giữa hai đại lượng này — ngụy biện điều kiện đảo ngược, hay trong tòa án là ngụy biện của công tố viên — là một trong những lỗi phổ biến nhất khi suy luận về bằng chứng.

Làm thế nào để tìm P(B) trong định lý Bayes?

Thông thường bạn tính nó bằng luật xác suất toàn phần: P(B) = P(B|A) × P(A) + P(B|không A) × (1 − P(A)). Đó là chế độ nhập đầu tiên ở đây. Nếu bạn đã biết P(B) — chẳng hạn từ dữ liệu khảo sát — hãy dùng chế độ thứ hai, và công cụ sẽ tính ngầm P(B|không A).

Độ nhạy và độ đặc hiệu là gì?

Độ nhạy là tỷ lệ người mắc bệnh có kết quả dương tính, P(dương tính|bệnh). Độ đặc hiệu là tỷ lệ người không mắc bệnh có kết quả âm tính, P(âm tính|không bệnh). Tỷ lệ dương tính giả mà công cụ này yêu cầu là 1 − độ đặc hiệu, vì vậy một xét nghiệm có độ đặc hiệu 91% có tỷ lệ dương tính giả 9%.

Ngụy biện tỷ lệ nền là gì?

Đó là đánh giá xác suất của một điều gì đó dựa trên mức độ bằng chứng khớp với nó, trong khi bỏ qua việc điều đó vốn phổ biến đến mức nào. Với một bệnh hiếm, ngay cả kết quả dương tính từ một xét nghiệm chính xác thường đến từ người không mắc bệnh, vì họ đông hơn rất nhiều.

Tôi có thể dùng định lý Bayes với nhiều hơn hai kết quả không?

Có. Với nhiều giả thuyết loại trừ lẫn nhau A₁, A₂, …, mẫu số trở thành tổng của P(B|Aᵢ) × P(Aᵢ) trên tất cả chúng. Công cụ này xử lý trường hợp hai kết quả thông dụng — A hoặc không A — bao gồm xét nghiệm chẩn đoán, sàng lọc và hầu hết bài tập sách giáo khoa.