Баєсівське виведення — це метод оновлення переконань у відповідь на нові дані, заснований на теоремі Баєса: P(θ|дані) ∝ P(дані|θ) × P(θ). Тут P(θ) — апріорний розподіл (наше переконання до спостережень), P(дані|θ) — функція правдоподібності (наскільки ймовірні побачені дані при θ), а P(θ|дані) — апостеріорний розподіл (оновлене переконання). Симулятор використовує бета-розподіл Beta(α, β) як спряжений апріорний для двійкових результатів: після k успіхів і m невдач апостеріор є Beta(α+k, β+m) — елегантна аналітична формула без чисельного інтегрування.
Оберіть сценарій (монета/медичний тест/частота подій/власний), налаштуйте апріорні α і β повзунками та натискайте «Успіх» або «Невдача», щоб додавати спостереження. Крива апостеріорного розподілу оновлюється в реальному часі: спостерігайте, як вона звужується навколо істинного параметра зі зростанням числа даних. MAP-оцінка (максимум апостеріору) і 95% довірчий інтервал виводяться в панелі статистики.
Що таке апріорний, правдоподібний та апостеріорний розподіли?
Апріорний розподіл P(θ) кодує наше переконання про параметр θ до спостережень — наприклад, «монета, мабуть, чесна» задається Beta(2,2) з піком біля 0,5. Правдоподібність P(дані|θ) — ймовірність побаченого результату при фіксованому θ. Апостеріорний P(θ|дані) — синтез обох: чим більше даних, тим менший вплив апріорного і тим більший — самих спостережень.
Чому бета-розподіл «спряжений» з біноміальним?
Математик каже, що апріорний клас F є спряженим для правдоподібності L, якщо апостеріор також належить до F. Для біноміальних даних (успіх/невдача) і бета-апріорного апостеріор завжди бета-розподілений: Beta(α,β) + (k успіхів, m невдач) → Beta(α+k, β+m). Це означає, що α і β можна інтерпретувати як «псевдо-спостереження»: Beta(1,1) — рівномірний апріор, Beta(10,10) — «я вже бачив 10 успіхів і 10 невдач».
Чим MAP-оцінка відрізняється від середнього апостеріору?
MAP (Maximum A Posteriori) — значення θ, що максимізує апостеріорний розподіл: для Beta(α,β) це (α−1)/(α+β−2). Середнє апостеріору = α/(α+β). При симетричному розподілі вони збігаються, але при скошеному MAP відрізняється. Середнє мінімізує середньоквадратичну похибку; MAP відповідає точковій оцінці з нульовими-одиничними втратами. Для малих вибірок різниця може бути суттєвою.
Байєсівський довірчий інтервал (HDI — найвища щільність інтервалу) — це область, що містить 95% апостеріорної ймовірності. Це означає: «З урахуванням даних, з імовірністю 95% θ лежить у цьому інтервалі». Частотний 95% довірчий інтервал означає лише: «Якщо повторювати процедуру нескінченно, 95% інтервалів накриватимуть справжнє θ» — параметр при цьому фіксований, не випадковий. Байєсівська інтерпретація природніша для практичного вживання.
При малих вибірках апріорний розподіл має великий вплив: сильний інформаційний апріор Beta(10,10) «тягне» апостеріор до 0,5, навіть якщо 5 перших підкидань — решки. При зростанні даних (n → ∞) правдоподібність «перемагає»: апостеріор збігається до справжнього θ незалежно від апріору, якщо він ненульовий на θ. Це «байєсівська стійкість»: при достатніх даних будь-яке розумне початкове переконання дає однаковий результат.
Тест на хворобу з чутливістю 99% і специфічністю 99% здається ідеальним. Але якщо хвороба трапляється у 1 особи з 10 000 (апріорна ймовірність 0,01%), то позитивний результат означає лише ~1% ймовірність справжньої хвороби — решта 99% позитивних є хибно-позитивними. Це прямий наслідок теореми Баєса і пояснює, чому масовий скринінг рідкісних захворювань технічно складний.
Рівномірний апріор Beta(1,1) не надає перевагу жодному значенню θ ∈ [0,1] — він каже «я нічого не знаю». Це «принцип байдужості» Лапласа. На практиці рівномірний апріор — компроміс для ситуацій без попередньої інформації. Але навіть рівномірний апріор не є «об'єктивним»: зміна параметризації (наприклад, логіт-шкала замість лінійної) дає нерівномірний апріор для θ. Справжньо «ненформативний» апріор — апріор Джеффріса Beta(0.5,0.5).
Сценарій «монета» передбачає рівномірний апріор Beta(1,1): обидва результати однаково ймовірні. «Медичний тест» використовує скошений апріор (наприклад, Beta(1,19)), що відображає низьку поширеність хвороби. Натискаючи «Успіх» (позитивний тест), спостерігайте, наскільки повільно апостеріор змінює переконання через сильний скошений апріор — саме це ілюструє проблему рідкісних хвороб.
Ключова властивість байєсівського виведення — послідовність: апостеріор після першого спостереження стає апріором для другого; порядок даних не має значення для кінцевого результату. Beta(1,1) + (3 успіхи, 2 невдачі) = Beta(4,3) — незалежно від порядку. Це дозволяє оновлювати модель у реальному часі з кожним новим спостереженням без перерахунку з нуля, що важливо для потокових аналітичних систем і онлайн-навчання.