Công thức Bayes cho phép tính xác suất của một nguyên nhân A khi đã biết kết quả B xảy ra: P(A|B) = P(B|A) · P(A) / P(B), trong đó P(B) thường được tính bằng công thức xác suất toàn phần P(B) = P(B|A)·P(A) + P(B|Ā)·P(Ā). Công thức được học trong Toán 12 chương trình mới và dùng nhiều trong y học, lọc thư rác, trí tuệ nhân tạo. Bài viết có 3 ví dụ giải chi tiết và cách tránh nhầm khi áp dụng.
Công thức Bayes là gì?
Công thức Bayes (định lý Bayes) là công thức tính xác suất có điều kiện theo chiều ngược: từ xác suất B xảy ra khi biết A, suy ra xác suất A khi đã quan sát thấy B. Công thức mang tên nhà toán học người Anh Thomas Bayes (1701–1761); bài viết của ông được Richard Price công bố năm 1763, sau khi Bayes qua đời.
Các thành phần trong công thức:
| Ký hiệu | Tên gọi | Ý nghĩa |
|---|---|---|
| P(A) | Xác suất tiên nghiệm | Xác suất của A trước khi biết thông tin B |
| P(B|A) | Khả năng (likelihood) | Xác suất B xảy ra nếu A đúng |
| P(B) | Xác suất của bằng chứng | Xác suất B xảy ra nói chung, tính bằng xác suất toàn phần |
| P(A|B) | Xác suất hậu nghiệm | Xác suất của A sau khi đã biết B xảy ra |
Nếu cần ôn lại khái niệm xác suất cơ bản, xem bài xác suất là gì.
Công thức xác suất toàn phần và công thức Bayes
Công thức xác suất toàn phần tính P(B) bằng cách cộng xác suất B xảy ra qua mọi “nguyên nhân” có thể; công thức Bayes dùng chính P(B) này làm mẫu số. Vì vậy hai công thức gần như luôn đi cùng nhau trong bài tập.
Trường hợp hai biến cố A và Ā:
- P(B) = P(A) · P(B|A) + P(Ā) · P(B|Ā)
- P(A|B) = P(A) · P(B|A) / [P(A) · P(B|A) + P(Ā) · P(B|Ā)]
Trường hợp tổng quát: nếu A₁, A₂, …, Aₙ đôi một xung khắc và hợp lại thành toàn bộ không gian mẫu (một hệ đầy đủ), thì
- P(B) = P(A₁)·P(B|A₁) + P(A₂)·P(B|A₂) + … + P(Aₙ)·P(B|Aₙ)
- P(Aᵢ|B) = P(Aᵢ)·P(B|Aᵢ) / P(B)
Khi nào dùng công thức Bayes?
Dùng công thức Bayes khi đề bài cho biết xác suất của kết quả theo từng nguyên nhân (ví dụ tỷ lệ phế phẩm của từng máy) và hỏi xác suất của một nguyên nhân khi đã thấy kết quả (sản phẩm lỗi này do máy nào làm ra).
- Đề có cụm “biết rằng…”, “đã lấy được…”, “kết quả là…, tính xác suất do…”.
- Dữ kiện chia thành các nhóm nguồn gốc (máy, hộp, nhóm người) có tỷ lệ riêng.
- Câu hỏi đảo chiều so với dữ kiện đã cho.
Mẹo làm bài: vẽ sơ đồ cây, ghi xác suất trên từng nhánh, nhân dọc theo nhánh và cộng các nhánh dẫn đến B để có mẫu số.
Ví dụ công thức Bayes có lời giải
Ba ví dụ dưới đây đi từ dạng sách giáo khoa đến tình huống thực tế; hãy tự giải trước rồi đối chiếu lời giải.
Ví dụ 1 (phế phẩm hai máy): Máy A sản xuất 60% sản phẩm, máy B sản xuất 40%. Tỷ lệ lỗi của máy A là 2%, của máy B là 5%. Lấy ngẫu nhiên một sản phẩm thấy bị lỗi. Tính xác suất sản phẩm đó do máy A sản xuất.
- P(A) = 0,6; P(B) = 0,4; P(L|A) = 0,02; P(L|B) = 0,05.
- P(L) = 0,6 · 0,02 + 0,4 · 0,05 = 0,012 + 0,02 = 0,032.
- P(A|L) = 0,012 / 0,032 = 0,375.
Đáp số: 37,5%. Dù máy A làm ra nhiều sản phẩm hơn, sản phẩm lỗi vẫn có khả năng cao hơn là của máy B (62,5%).
Ví dụ 2 (hai hộp bi): Hộp I có 3 bi đỏ và 2 bi xanh; hộp II có 1 bi đỏ và 4 bi xanh. Chọn ngẫu nhiên một hộp rồi lấy ra một bi, được bi đỏ. Tính xác suất bi đó lấy từ hộp I.
- P(I) = P(II) = 0,5; P(Đ|I) = 3/5 = 0,6; P(Đ|II) = 1/5 = 0,2.
- P(Đ) = 0,5 · 0,6 + 0,5 · 0,2 = 0,4.
- P(I|Đ) = 0,3 / 0,4 = 0,75.
Đáp số: 75%.
Ví dụ 3 (xét nghiệm y khoa): Một bệnh có tỷ lệ mắc trong cộng đồng là 1%. Xét nghiệm cho kết quả dương tính ở 95% người mắc bệnh, và dương tính nhầm ở 5% người không mắc. Một người xét nghiệm dương tính, xác suất người đó thật sự mắc bệnh là bao nhiêu?
- P(M) = 0,01; P(+|M) = 0,95; P(+|không M) = 0,05.
- P(+) = 0,01 · 0,95 + 0,99 · 0,05 = 0,0095 + 0,0495 = 0,059.
- P(M|+) = 0,0095 / 0,059 ≈ 0,161.
Đáp số: khoảng 16,1%. Kết quả bất ngờ này cho thấy với bệnh hiếm, phần lớn ca dương tính có thể là dương tính giả; vì vậy bác sĩ thường cho xét nghiệm lại hoặc làm thêm xét nghiệm khác. Nếu người đó xét nghiệm lần hai (độc lập) vẫn dương tính, dùng 16,1% làm xác suất tiên nghiệm mới, xác suất mắc bệnh tăng lên khoảng 78,5%. Các con số trong ví dụ chỉ mang tính minh họa toán học, không thay cho tư vấn y khoa.
Ứng dụng của công thức Bayes trong thực tế
Công thức Bayes là nền tảng của cách “cập nhật niềm tin khi có dữ liệu mới”, được dùng rộng rãi trong y học, lọc thư rác, trí tuệ nhân tạo, tài chính và nhiều lĩnh vực khác.
| Lĩnh vực | Bayes được dùng để |
|---|---|
| Y học | Ước lượng xác suất mắc bệnh sau khi có kết quả xét nghiệm |
| Lọc thư rác | Tính xác suất một email là thư rác dựa trên các từ xuất hiện trong email |
| Học máy, AI | Bộ phân loại Naive Bayes, mạng Bayes, cập nhật mô hình theo dữ liệu |
| Kiểm soát chất lượng | Truy nguyên sản phẩm lỗi đến từ dây chuyền nào |
| Thống kê | Thống kê Bayes, kết hợp hiểu biết trước với dữ liệu thu thập |
Muốn tìm hiểu cách máy học dùng xác suất, đọc thêm Machine Learning là gì và AI là gì.
Những lỗi thường gặp khi dùng công thức Bayes
Lỗi phổ biến nhất là nhầm P(A|B) với P(B|A), quên nhân xác suất tiên nghiệm P(A) và tính sai mẫu số P(B) do bỏ sót một nhánh trong sơ đồ cây.
- Nhầm chiều điều kiện: “95% người bệnh dương tính” khác với “95% người dương tính bị bệnh”.
- Bỏ qua tỷ lệ nền: quên rằng bệnh hiếm (P(A) nhỏ) kéo xác suất hậu nghiệm xuống thấp.
- Thiếu nhánh: với ba máy, ba hộp, mẫu số phải cộng đủ ba nhánh.
- Đổi phần trăm: đổi tất cả về số thập phân trước khi nhân để tránh nhầm.
Câu hỏi thường gặp về công thức Bayes
Công thức Bayes dùng để làm gì?
Công thức Bayes dùng để tính xác suất của một nguyên nhân khi đã biết kết quả xảy ra, tức là cập nhật xác suất ban đầu khi có thêm thông tin mới.
Công thức Bayes học lớp mấy?
Trong chương trình giáo dục phổ thông mới, công thức xác suất toàn phần và công thức Bayes được học ở Toán 12.
Công thức xác suất toàn phần khác công thức Bayes thế nào?
Xác suất toàn phần tính P(B) từ các nguyên nhân; công thức Bayes dùng P(B) đó để tính ngược xác suất một nguyên nhân khi B đã xảy ra.
P(A|B) và P(B|A) khác nhau ra sao?
P(A|B) là xác suất A khi biết B, còn P(B|A) là xác suất B khi biết A. Hai đại lượng này thường khác nhau và công thức Bayes là cầu nối giữa chúng.
Thomas Bayes là ai?
Thomas Bayes (1701–1761) là nhà toán học, mục sư người Anh. Công trình về định lý mang tên ông được Richard Price công bố năm 1763.
Vì sao xét nghiệm chính xác 95% mà người dương tính chỉ khoảng 16% bị bệnh?
Vì bệnh hiếm (1%) nên số người khỏe bị dương tính nhầm nhiều hơn số người bệnh dương tính thật. Công thức Bayes tính đúng tỷ lệ này.
Kết luận
Công thức Bayes P(A|B) = P(B|A)·P(A)/P(B) giúp tính xác suất “ngược” từ kết quả về nguyên nhân, và luôn đi kèm công thức xác suất toàn phần để tính mẫu số. Khi làm bài, hãy vẽ sơ đồ cây, nhân dọc từng nhánh, cộng đủ các nhánh dẫn tới kết quả và cẩn thận không nhầm chiều điều kiện. Nắm vững ba ví dụ trên, bạn sẽ xử lý được hầu hết dạng bài Bayes trong Toán 12.
Xem thêm:
