5.3 Bayes' setning | Matematikk S1

Bruke Bayes' setning til å oppdatere sannsynligheter.

50 min

17 oppgaver

Bayes setningTotal sannsynlighetOppdateringDiagnostiske tester

Du leser den tradisjonelle versjonen

Din fremgang i kapitlet

0 / 17 oppgaver

Kapitlets plass i kurset

Bygger på

5.2Betinget sannsynlighet

Brukes videre i

5.4Hypergeometrisk fordeling

Hva er Bayes' setning?

Bayes' setning lar oss "snu" betingede sannsynligheter. Hvis vi kjenner $P(B|A)$ , kan vi beregne $P(A|B)$ .

Praktisk betydning: Vi starter med en forhåndssannsynlighet (på engelsk prior) om sannsynligheten for noe, får ny informasjon, og oppdaterer til en etterhåndssannsynlighet (posterior).

Eksempler:
- En pasient tester positivt for en sykdom. Hva er sannsynligheten for at pasienten faktisk er syk?
- Et produkt er defekt. Hvilken maskin produserte det mest sannsynlig?
- En e-post inneholder ordet "gratis". Er det spam?

Utledning av Bayes' setning

Fra definisjonen av betinget sannsynlighet har vi:

$P(A|B) = \frac{P(A \cap B)}{P(B)}$

Vi vet også at $P(A \cap B) = P(B|A) \cdot P(A)$

Ved å sette dette inn får vi Bayes' setning:

📜Bayes' setning

P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}

Der:
- $P(A)$ = forhåndssannsynligheten for $A$
- $P(A|B)$ = etterhåndssannsynligheten (oppdatert sannsynlighet)
- $P(B|A)$ = sannsynligheten for å observere $B$ gitt $A$
- $P(B)$ = den totale sannsynligheten for $B$

Med totalsetningen:
$P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B|A) \cdot P(A) + P(B|\overline{A}) \cdot P(\overline{A})}$

Diagnostiske tester

Et viktig bruksområde for Bayes' setning er medisinsk diagnostikk.

Viktige begreper:
- Sensitivitet: $P(+|\text{syk})$ - andel syke som tester positivt
- Spesifisitet: $P(-|\text{frisk})$ - andel friske som tester negativt
- Prevalens: $P(\text{syk})$ - andel av befolkningen som er syk
- Positiv prediktiv verdi (PPV): $P(\text{syk}|+)$ - sannsynlighet for å være syk gitt positiv test

✏️Eksempel 1: Medisinsk test

En test for en sjelden sykdom har følgende egenskaper:
- Sensitivitet: 99% (99% av syke tester positivt)
- Spesifisitet: 95% (95% av friske tester negativt)
- Prevalens: 0,1% av befolkningen har sykdommen

En tilfeldig person tester positivt. Hva er sannsynligheten for at personen faktisk er syk?

Løsning:

La:
- $S$ = syk
- $+$ = positiv test

Gitt:
- $P(S) = 0{,}001$ (prevalens)
- $P(+|S) = 0{,}99$ (sensitivitet)
- $P(+|\overline{S}) = 1 - 0{,}95 = 0{,}05$ (falsk positiv rate)

Trediagram:

          Befolkning
               │
       ┌───────┴───────┐
  Syk (0,001)    Frisk (0,999)
   ┌───┴───┐       ┌───┴───┐
   +       -       +       -
(0,99)  (0,01)  (0,05)  (0,95)

Totalsetningen for $P(+)$ :
$P(+) = P(+|S) \cdot P(S) + P(+|\overline{S}) \cdot P(\overline{S})$
$P(+) = 0{,}99 \cdot 0{,}001 + 0{,}05 \cdot 0{,}999$
$P(+) = 0{,}00099 + 0{,}04995 = 0{,}05094$

Bayes' setning:
$P(S|+) = \frac{P(+|S) \cdot P(S)}{P(+)} = \frac{0{,}99 \cdot 0{,}001}{0{,}05094}$
$P(S|+) = \frac{0{,}00099}{0{,}05094} \approx 0{,}0194 \approx 1{,}9\%$

Sykdommen er så sjelden at antall falske positive (fra de mange friske) er langt større enn antall sanne positive.

Svar: Sannsynligheten for at personen faktisk er syk, er bare ca. 1,9 %.

Grunnratefeilen

Eksempelet over illustrerer et viktig fenomen: grunnratefeilen (på engelsk base rate fallacy).

Intuisjonen sier at en 99% nøyaktig test burde gi høye sannsynligheter for å være syk ved positiv test. Men når sykdommen er sjelden (lav prevalens), dominerer falske positive.

Hovedregel: Ved sjeldne tilstander må selv svært gode tester ofte bekreftes med tilleggstester.

📝Oppgave 5.3.1

En test for en sykdom har sensitivitet 95% og spesifisitet 90%. I en populasjon er 5% smittet. Hva er sannsynligheten for at en person som tester positivt faktisk er syk?

📝Oppgave 5.3.2

I oppgave 5.3.1, hva er sannsynligheten for at en person som tester negativt faktisk er frisk? (Negativ prediktiv verdi)

Kvalitetskontroll i produksjon

Bayes' setning brukes også i kvalitetskontroll for å identifisere kilden til defekte produkter.

✏️Eksempel 2: Produksjonsfeil

En fabrikk har tre maskiner som produserer elektroniske komponenter:
- Maskin A: 50% av produksjonen, 2% defektrate
- Maskin B: 30% av produksjonen, 3% defektrate
- Maskin C: 20% av produksjonen, 4% defektrate

En tilfeldig valgt komponent er defekt. Hvilken maskin produserte den mest sannsynlig?

Løsning:

La $D$ = defekt, og $M_A$ , $M_B$ , $M_C$ = produsert av maskin A, B, C.

Gitt:
- $P(M_A) = 0{,}50$ , $P(D|M_A) = 0{,}02$
- $P(M_B) = 0{,}30$ , $P(D|M_B) = 0{,}03$
- $P(M_C) = 0{,}20$ , $P(D|M_C) = 0{,}04$

Totalsetningen for $P(D)$ :
$P(D) = 0{,}02 \cdot 0{,}50 + 0{,}03 \cdot 0{,}30 + 0{,}04 \cdot 0{,}20$
$P(D) = 0{,}01 + 0{,}009 + 0{,}008 = 0{,}027$

Bayes for hver maskin:
$P(M_A|D) = \frac{0{,}02 \cdot 0{,}50}{0{,}027} = \frac{0{,}01}{0{,}027} \approx 0{,}370 = 37{,}0\%$

$P(M_B|D) = \frac{0{,}03 \cdot 0{,}30}{0{,}027} = \frac{0{,}009}{0{,}027} \approx 0{,}333 = 33{,}3\%$

$P(M_C|D) = \frac{0{,}04 \cdot 0{,}20}{0{,}027} = \frac{0{,}008}{0{,}027} \approx 0{,}296 = 29{,}6\%$

Kontroll: $37{,}0\% + 33{,}3\% + 29{,}6\% \approx 100\%$

Svar: Maskin A produserte mest sannsynlig komponenten (ca. 37,0 %), selv om den har lavest defektrate. A produserer mest.

📝Oppgave 5.3.3

En bedrift har to leverandører. Leverandør X leverer 60% av varene med 5% defektrate. Leverandør Y leverer 40% med 8% defektrate. Et tilfeldig valgt produkt er defekt. Hva er sannsynligheten for at det kom fra leverandør X?

📝Oppgave 5.3.4

I oppgave 5.3.3, hvis bedriften skal redusere defektraten, hvilken leverandør bør de fokusere på først? Begrunn svaret.

Sekvensiell oppdatering

Bayes' setning kan brukes gjentatte ganger for å oppdatere sannsynligheter etter hvert som ny informasjon kommer inn.

Prosessen:
1. Start med forhåndssannsynligheten $P(A)$
2. Observerer $B_1$ , oppdaterer til $P(A|B_1)$
3. Observerer $B_2$ , oppdaterer til $P(A|B_1 \cap B_2)$
4. Osv.

✏️Eksempel 3: Sekvensiell oppdatering

En eske inneholder enten 3 røde og 1 blå kule (type R) eller 1 rød og 3 blå kuler (type B). Det er 50% sjanse for hver type. En kule trekkes tilfeldig og er rød. Kulen legges tilbake. En ny kule trekkes og er også rød. Hva er sannsynligheten for at esken er av type R?

Løsning:

La $R$ = eske av type R (3 røde, 1 blå).

Forhåndssannsynlighet:
$P(R) = 0{,}5, \quad P(B) = 0{,}5$

Første trekning (rød kule):
$P(\text{rød}|R) = \frac{3}{4}, \quad P(\text{rød}|B) = \frac{1}{4}$

Totalsetning:
$P(\text{rød}) = \frac{3}{4} \cdot 0{,}5 + \frac{1}{4} \cdot 0{,}5 = \frac{3}{8} + \frac{1}{8} = \frac{1}{2}$

Bayes etter 1. trekning:
$P(R|\text{1 rød}) = \frac{\frac{3}{4} \cdot 0{,}5}{0{,}5} = \frac{3}{4} = 75\%$

Andre trekning (også rød):

Ny forhåndssannsynlighet: $P(R) = 0{,}75$ , $P(B) = 0{,}25$

Totalsetning:
$P(\text{rød}) = \frac{3}{4} \cdot 0{,}75 + \frac{1}{4} \cdot 0{,}25 = \frac{9}{16} + \frac{1}{16} = \frac{10}{16} = \frac{5}{8}$

Bayes etter 2. trekning:
$\begin{aligned} &P(R|\text{2 røde}) = \frac{\frac{3}{4} \cdot 0{,}75}{\frac{5}{8}} = \frac{\frac{9}{16}}{\frac{5}{8}} \\ = {}&\frac{9}{16} \cdot \frac{8}{5} = \frac{9}{10} \\ = {}&90\% \end{aligned}$

Svar: Etter to røde kuler er sannsynligheten for type R 90%.

📝Oppgave 5.3.5

I eksempel 3, hva ville sannsynligheten for type R vært hvis tredje trekning også var rød?

📝Oppgave 5.3.6

En mynt er enten rettferdig (50% kron) eller falsk (80% kron). Startantakelsen er 70% sjanse for rettferdig mynt. Mynten kastes to ganger og viser kron begge ganger. Hva er den oppdaterte sannsynligheten for at mynten er rettferdig?

Flere anvendelser av Bayes' setning

Bayes' setning brukes i mange felt:

Medisin:
- Tolkning av testresultater
- Vurdering av risikofaktorer

Spamfiltre:
- Klassifisere e-post basert på ordbruk

Juss:
- Vurdere bevis i rettssaker

Maskinlæring:
- Automatisk klassifisering av tekst
- Statistiske beregninger der sannsynligheter oppdateres med nye data

📝Oppgave 5.3.7

Et spamfilter vet at 30% av alle e-poster er spam. Ordet "gratis" forekommer i 80% av spam-meldinger og 10% av legitime meldinger. En e-post inneholder "gratis". Hva er sannsynligheten for at det er spam?

📝Oppgave 5.3.8

En DNA-test i en kriminalsak gir "match" med den mistenkte. Testen har 99,9% sensitivitet (finner riktig person) og 99,99% spesifisitet (avviser uskyldige). I en by med 1 million innbyggere er en person skyldig.

Hva er sannsynligheten for at den mistenkte er skyldig gitt DNA-match?

Kommenter resultatet. Er DNA-beviset sterkt nok alene?

📝Oppgave 5.3.9

Et forsikringsselskap vet at 10% av førere er "høyrisikoførere" som har 20% årlig ulykkessannsynlighet. De resterende 90% er "lavrisikoførere" med 5% ulykkessannsynlighet. En ny kunde har en ulykke første år. Hva er sannsynligheten for at kunden er høyrisiko? Hva er sannsynligheten for ulykke neste år?

📝Oppgave 5.3.10

En elev gjetter på en flervalgsoppgave med 4 alternativer. 60% av elevene kan stoffet og svarer riktig 90% av gangene. De resterende 40% gjetter tilfeldig. En elev svarer riktig. Hva er sannsynligheten for at eleven faktisk kan stoffet?

📝Oppgave 5.3.11

Tre bokser ser like ut. Boks A inneholder 2 gullmynter. Boks B inneholder 1 gullmynt og 1 sølvmynt. Boks C inneholder 2 sølvmynter. En boks velges tilfeldig, og en mynt trekkes tilfeldig fra boksen. Mynten er gull. Hva er sannsynligheten for at den andre mynten i boksen også er gull?

📝Oppgave 5.3.12

Værmeldingen sier at det blir regn i morgen. Historisk sett stemmer værmeldingen 80% av gangene (både når den sier regn og når den sier ikke regn). I dette området regner det generelt 30% av dagene.

Hva er den faktiske sannsynligheten for regn i morgen, gitt værmeldingen?

Burde du ta med paraply?

Løs oppgaven

Oppsummering

I dette kapittelet har du lært:

- Bayes' setning: $P(A \mid B) = \dfrac{P(B \mid A) \cdot P(A)}{P(B)}$ — lar oss «snu» betingingen.
- Diagnostiske tester: Selv en god test kan gi mange falske positive når sykdommen er sjelden (grunnratefeilen). Regn gjerne med konkrete antall (f.eks. per 1000 personer).
- Totalsetningen i nevneren: $P(B) = P(B \mid A)P(A) + P(B \mid \bar{A})P(\bar{A})$ .
- Sekvensiell oppdatering: Etterhåndssannsynligheten etter første observasjon blir forhåndssannsynlighet for neste.

Nøkkelbegreper

Begrep	Forklaring
Forhåndssannsynlighet	Sannsynlighet før ny informasjon
Etterhåndssannsynlighet	Oppdatert sannsynlighet etter informasjon
Sensitivitet	$P(\text{positiv} \mid \text{syk})$
Grunnratefeilen	Å glemme hvor sjelden hendelsen er i utgangspunktet

Viktige formler

P(A \mid B) = \dfrac{P(B \mid A)P(A)}{P(B)}

P(B) = P(B \mid A)P(A) + P(B \mid \bar{A})P(\bar{A})

Repetisjonsoppgaver

Din fremgang

0deloppgaver0 / 5 oppgaver

Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.