Công thức Bayes (định lý Bayes): xét nghiệm dương tính
Bài 7/11 · Chương 4
Xác suất
- 8 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 11
Công thức Bayes đảo chiều xác suất có điều kiện: biết P(A|B) và tỉ lệ nền P(B), nó cho P(B|A) = P(B) · P(A|B) / P(A). Câu hỏi quen thuộc nhất là xét nghiệm dương tính thì khả năng mắc bệnh thật là bao nhiêu, và đáp số thường thấp hơn nhiều so với độ chính xác in trên hộp que thử.
Cần biết trước: công thức xác suất toàn phần, xác suất có điều kiện và hàm def.
Công thức Bayes
Bài xác suất có điều kiện có công thức nhân viết theo hai chiều: P(A ∩ B) = P(B) · P(A|B) = P(A) · P(B|A). Chia hai vế cho P(A) được định lý Bayes (Bayes theorem):
Trong đó:
P(B) (
ty_le_benh): xác suất tiên nghiệm (prior) của B, trước khi biết A; trong y học là tỉ lệ nền (base rate) của bệnh.P(A|B) (
do_nhay): xác suất A xảy ra khi B đúng, như xét nghiệm dương tính khi có bệnh.P(A): xác suất toàn phần của A, cộng mọi nhánh dẫn tới A.
P(B|A): xác suất hậu nghiệm (posterior) của B, sau khi đã thấy A.
SGK Toán 12 (Kết nối tri thức) đổi vai hai chữ cái: hệ hai biến cố là A, Ā, bằng chứng là B. Sách in cả dạng gọn P(A|B) = P(A) · P(B|A) / P(B) và dạng khai triển mẫu số bằng xác suất toàn phần P(A|B) = P(A) · P(B|A) / [P(A) · P(B|A) + P(Ā) · P(B|Ā)]. Toán giống hệt công thức trên; khi đối chiếu với sách, đổi vai A và B.
Tính tay trên 10.000 người
Một bệnh có tỉ lệ nền 1%. Que thử cho dương tính ở 90% người bệnh (độ nhạy) và ở 4% người khỏe (dương tính giả). Một người xét nghiệm ra dương tính: khả năng người đó mắc bệnh là bao nhiêu? Đổi xác suất thành số người trên 10.000 người cho dễ đếm:
Nhóm | Số người | Dương tính | Âm tính |
|---|---|---|---|
Bệnh (1%) | 100 | 90 | 10 |
Khỏe (99%) | 9.900 | 396 | 9.504 |
Cộng | 10.000 | 486 | 9.514 |
Trong 486 người dương tính, chỉ 90 người bệnh: P(bệnh | dương) = 90 / 486 ≈ 0,185. Người khỏe đông gấp 99 lần, nên 4% của họ (396 người) vẫn nhiều hơn 90% của nhóm bệnh. Khối dưới tính đúng bảng đó; sửa ba tỉ lệ đầu khối rồi bấm Chạy.
so_nguoi = 10_000
ty_le_benh, do_nhay, ty_le_duong_gia = 0.01, 0.90, 0.04
benh = so_nguoi * ty_le_benh
khoe = so_nguoi - benh
benh_duong = benh * do_nhay
khoe_duong = khoe * ty_le_duong_gia
print("Bệnh mà dương tính:", round(benh_duong))
print("Khỏe mà dương tính:", round(khoe_duong))
p = benh_duong / (benh_duong + khoe_duong)
print("P(bệnh | dương) =", round(p, 4))KẾT QUẢ
Bệnh mà dương tính: 90
Khỏe mà dương tính: 396
P(bệnh | dương) = 0.1852Đổi 0.01, 0.90, 0.04 thành 0.20, 0.90, 0.04 rồi chạy lại: dòng cuối in P(bệnh | dương) = 0.8491. Cùng que thử, nhưng ở một nhóm mà một phần năm người mắc bệnh, kết quả dương tính đáng tin hơn hẳn.
Viết thành hàm, và tiên nghiệm mới sau mỗi lần thử
Gói phép tính vào một hàm có return thì đổi số liệu chỉ cần đổi đối số. Hậu nghiệm của lần thử trước trở thành tiên nghiệm của lần thử sau, nên làm xét nghiệm lần hai (độc lập với lần một khi đã biết người đó có bệnh hay không) chỉ là gọi lại hàm:
def bayes(tien_nghiem, do_nhay, ty_le_duong_gia):
tu = tien_nghiem * do_nhay
return tu / (tu + (1 - tien_nghiem) * ty_le_duong_gia)
p = 0.01
for lan in [1, 2, 3]:
p = bayes(p, 0.90, 0.04)
print(f"Sau lần dương tính thứ {lan}: {p:.4f}")KẾT QUẢ
Sau lần dương tính thứ 1: 0.1852
Sau lần dương tính thứ 2: 0.8364
Sau lần dương tính thứ 3: 0.9914Hai lần dương tính liên tiếp đưa xác suất lên khoảng 84%, ba lần lên hơn 99%. Đó là lý do bác sĩ cho xét nghiệm lại trước khi kết luận.
Mẫu số của Bayes là xác suất toàn phần, nên công thức chạy cho cả hệ nhiều biến cố. Lấy lại xưởng của bài đó: ca sáng, chiều, đêm làm ra 45%, 35%, 20% sản phẩm với tỉ lệ lỗi 3%, 4%, 6%; một sản phẩm lỗi do ca nào làm?
import numpy as np
p_b = np.array([0.45, 0.35, 0.2])
p_loi_khi_b = np.array([0.03, 0.04, 0.06])
nhanh_loi = p_b * p_loi_khi_b
hau_nghiem = nhanh_loi / nhanh_loi.sum()
print("P(ca | lỗi):", hau_nghiem.round(4))
print("Tổng:", hau_nghiem.sum())KẾT QUẢ
P(ca | lỗi): [0.3418 0.3544 0.3038]
Tổng: 1.0Ca đêm chỉ làm 20% hàng mà chiếm khoảng 30% hàng lỗi; ca chiều làm ít hơn ca sáng nhưng chiếm phần lỗi lớn nhất. Các hậu nghiệm cộng bằng 1, vì sản phẩm lỗi nào cũng do một ca làm.
Mô phỏng 100.000 người
Khối dưới cho 100.000 người, mỗi người mắc bệnh với xác suất 1%, rồi xét nghiệm theo độ nhạy và tỉ lệ dương tính giả ở trên. P(bệnh | dương) là tỉ lệ người bệnh trong số người dương tính, benh[duong].mean(), một phép lọc bằng mask:
import numpy as np
rng = np.random.default_rng(33)
n = 100_000
benh = rng.random(n) < 0.01
xs_duong = np.where(benh, 0.90, 0.04)
duong = rng.random(n) < xs_duong
print("Số người dương tính:", int(duong.sum()))
print("Trong đó bệnh thật:", int((benh & duong).sum()))
print("P(bệnh | dương) mô phỏng:", round(benh[duong].mean(), 4))
print("Công thức:", round(90 / 486, 4))KẾT QUẢ
Số người dương tính: 4800
Trong đó bệnh thật: 939
P(bệnh | dương) mô phỏng: 0.1956
Công thức: 0.1852Lần chạy này cho tỉ lệ bệnh trong nhóm dương tính khoảng 0,196, lệch công thức một điểm phần trăm: chỉ khoảng 1.000 người bệnh trong mô phỏng, 939 người trong số đó dương tính, nên tần suất dao động nhiều. Đổi default_rng(33) thành default_rng(5) để thấy số đó đổi chút ít mà vẫn quanh 0,185.
Bayes còn là nền của hai chủ đề sau trong lộ trình. Bài A/B test kiểu Bayes cập nhật cả một phân phối tiên nghiệm. Bộ phân loại Naive Bayes, một bài của tutorial Machine Learning, áp công thức này cho nhiều đặc trưng cùng lúc.
Kiểm tra nhanh
Sau
p = 0.5 * 0.8vàprint(round(p / (p + 0.5 * 0.2), 2)), kết quả in ra là gì?0.80.40.50.9
Trong khung bẫy, vì sao 0,9 là P(bệnh | dương) sai?
- Vì độ nhạy phải nhân với 10.000
- Vì 0,9 là P(dương | bệnh); đổi chiều cần tỉ lệ nền và nhánh dương tính giả
- Vì que thử không độc lập với bệnh
- Vì phải lấy 1 − 0,9
Giữ nguyên que thử (độ nhạy 90%, dương tính giả 4%), những câu nào đúng?
- Tỉ lệ nền càng cao thì P(bệnh | dương) càng cao
- P(bệnh | dương) luôn bằng 0,9 vì que thử không đổi
- Với tỉ lệ nền 1%, phần lớn người dương tính là người khỏe
- Giảm tỉ lệ dương tính giả làm P(bệnh | dương) tăng
Sau một lần dương tính, P(bệnh) từ 0,01 lên khoảng 0,185. Làm lần xét nghiệm thứ hai, độc lập, thì dùng tiên nghiệm nào?
- 0,01, vì tỉ lệ nền không đổi
- 0,185, hậu nghiệm của lần thứ nhất
- 0,9, độ nhạy của que thử
- 0,5, vì chưa biết gì
Bài tập
Tính xác suất mắc bệnh khi xét nghiệm dương tính
Bạn viết công cụ giải thích kết quả xét nghiệm cho một phòng khám. ty_le_benh là tỉ lệ nền P(bệnh), do_nhay là P(dương | bệnh), ty_le_duong_gia là P(dương | khỏe); cả ba từ 0 đến 1 và P(dương) lớn hơn 0. Viết thân hàm p_benh_khi_duong(ty_le_benh, do_nhay, ty_le_duong_gia) bằng công thức Bayes.
Trả về: P(bệnh | dương), một float từ 0 đến 1.
Ví dụ p_benh_khi_duong(0.01, 0.90, 0.04) cho khoảng 0.1852, tức 90 / 486.
def p_benh_khi_duong(ty_le_benh, do_nhay, ty_le_duong_gia):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Công thức Bayes: P(B|A) = P(B) · P(A|B) / P(A), với P(A) tính bằng xác suất toàn phần.
P(B) là tiên nghiệm, P(B|A) là hậu nghiệm; hậu nghiệm của lần thử này là tiên nghiệm của lần sau.
Tỉ lệ nền thấp làm phần lớn kết quả dương tính là dương tính giả, dù que thử nhạy.
Lấy P(A|B) làm P(B|A) là lỗi bỏ qua tỉ lệ nền; Python không báo, số sai có thể gấp nhiều lần.
Mô phỏng tính P(B|A) bằng
b[a].mean()và cho kết quả gần công thức.
Câu hỏi thường gặp
Công thức Bayes là gì nói theo cách dễ hiểu?
Đó là cách cập nhật mức tin vào một giả thuyết khi có bằng chứng mới. Mức tin ban đầu (tiên nghiệm) nhân với độ khớp của bằng chứng với giả thuyết, rồi chia cho độ khớp của bằng chứng với mọi giả thuyết, được mức tin mới (hậu nghiệm).
Định lý Bayes và công thức Bayes có khác nhau không?
Không, hai tên chỉ cùng một công thức. Sách đại học hay gọi "định lý Bayes", SGK Toán 12 gọi "công thức Bayes", viết với hệ A, Ā (chữ cái đổi vai so với bài này) và in cả dạng gọn lẫn dạng có mẫu số khai triển bằng xác suất toàn phần.
Khi nào dùng công thức Bayes trong bài tập?
Khi đề bài cho xác suất theo một chiều (từ nguyên nhân đến kết quả, như tỉ lệ lỗi của từng ca sản xuất) và hỏi chiều ngược lại (biết kết quả, hỏi nguyên nhân). Bài công thức xác suất toàn phần tính mẫu số; Bayes chỉ chia thêm một bước.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.