Bayes Theorem là gì? Cập nhật xác suất khi có bằng chứng #23

Nội dung này phục vụ mục đích giáo dục, không phải lời khuyên đầu tư hoặc tín hiệu giao dịch.

Trả lời ngắn: Định lý Bayes (Bayes Theorem) là quy tắc cập nhật xác suất của một giả thuyết sau khi có bằng chứng mới. Ta lấy xác suất ban đầu nhân với khả năng thấy bằng chứng nếu giả thuyết đúng, rồi chia cho tổng xác suất của bằng chứng qua mọi giả thuyết.

Đọc xong, bạn sẽ hiểu:

• Bốn thành phần của công thức Bayes và vai trò của từng thành phần.
• Vì sao P(E|H) khác P(H|E) dù dùng cùng hai sự kiện.
• Cách tính, kiểm tra độ nhạy và ghi giới hạn bằng Google Sheets.

Ở Conditional Probability #22, dấu | đổi nhóm làm mẫu số. Định lý Bayes dùng quan hệ đó để đi theo hướng ngược lại mà không đánh rơi tỷ lệ ban đầu.

1. Bayes Theorem là gì? Bằng chứng cập nhật xác suất

Định lý Bayes (Bayes Theorem) trả lời câu hỏi: “Sau khi nhìn thấy thông tin mới, mức xác suất của điều ta đang xem xét nên đổi thành bao nhiêu?”

Gọi khả năng đang xem xét là giả thuyết (hypothesis), ký hiệu H. Gọi thông tin mới đã quan sát là bằng chứng quan sát (evidence), ký hiệu E. “Bằng chứng” ở đây chỉ là một sự kiện hoặc dữ liệu trong phép tính. Nó không có nghĩa là đã chứng minh H đúng.

Ta cần phân biệt hai hướng:

• P(E|H): nếu H đúng, khả năng thấy E là bao nhiêu?
• P(H|E): sau khi đã thấy E, xác suất của H là bao nhiêu?

Ví dụ, “trong sản phẩm của máy B, bao nhiêu phần trăm bị lỗi?” khác với “trong các sản phẩm lỗi, bao nhiêu phần trăm đến từ máy B?”. Câu đầu đi từ nguồn đến kết quả. Câu sau đi từ kết quả quay về nguồn.

Định lý Bayes nối hai câu hỏi bằng tỷ lệ ban đầu. Nó ứng dụng xác suất có điều kiện, tức xác suất trong điều kiện đã biết.

Hình 1 — Bayes cân xác suất ban đầu bằng khả năng của bằng chứng rồi chuẩn hóa.

2. Bốn mảnh ghép và công thức Bayes

Công thức tổng quát là:

P(H|E) = P(E|H) × P(H) / P(E)

Bốn mảnh ghép gồm:

1. Xác suất ban đầu (prior), P(H): xác suất của H trước E.
2. Khả năng của bằng chứng (likelihood), P(E|H): xác suất thấy E nếu H đúng.
3. Tổng xác suất bằng chứng, P(E): xác suất E qua mọi tuyến.
4. Xác suất cập nhật (posterior), P(H|E): xác suất của H sau E.

Khả năng của bằng chứng không trực tiếp cho biết xác suất của H; nó chỉ đo E phù hợp với H thế nào theo mô hình.

Nếu chỉ có hai giả thuyết loại trừ nhau là H và phần bù ¬H — tức mọi trường hợp không thuộc H — thì:

P(E) = P(E|H)×P(H) + P(E|¬H)×P(¬H)

Mẫu số P(E) còn gọi là mẫu số chuẩn hóa (normalizer): tổng mọi tuyến tạo ra E, giúp các xác suất cập nhật cộng bằng 1.

OpenStax nêu cấu trúc P(A|B)=P(A)P(B|A)/P(B) và cách khai triển mẫu số (OpenStax — Probability Theory). NIST mô tả cách prior kết hợp likelihood để tạo posterior (NIST — One Statistical Paradigm).

3. Ví dụ hai máy: một sản phẩm lỗi đến từ đâu?

Giả sử một xưởng có hai máy. Đây là dữ liệu demo tự xây:

• Máy A làm 80% sản lượng; 1% sản phẩm của A bị lỗi.
• Máy B làm 20% sản lượng; 5% sản phẩm của B bị lỗi.

Ta lấy ngẫu nhiên một sản phẩm lỗi. Xác suất nó đến từ B là bao nhiêu?

Đặt H=B và E=lỗi.

• Xác suất ban đầu của B: P(B)=0,20.
• Khả năng lỗi nếu từ B: P(lỗi|B)=0,05.
• Tuyến có trọng số của B, tức xác suất ban đầu nhân khả năng của bằng chứng: 0,20×0,05=0,010.

Máy A cũng tạo ra sản phẩm lỗi:

• P(A)=0,80.
• P(lỗi|A)=0,01.
• Tuyến A và lỗi: 0,80×0,01=0,008.

Tổng xác suất lấy trúng sản phẩm lỗi là:

P(lỗi)=0,008+0,010=0,018

Do đó:

P(B|lỗi)=0,010/0,018≈0,5556=55,56%

Và:

P(A|lỗi)=0,008/0,018≈0,4444=44,44%

Hai xác suất cập nhật cộng thành 100%. Máy B làm 20% sản lượng nhưng chiếm 55,56% nhóm lỗi vì tỷ lệ lỗi riêng cao hơn.

Hình 2 — Máy B chỉ làm 20% sản lượng nhưng tạo 100 trong 180 sản phẩm lỗi của demo.

Kiểm lại bằng cách đếm 10.000 sản phẩm

Giả sử xưởng làm đúng 10.000 sản phẩm:

Trong 180 sản phẩm lỗi, 100 sản phẩm đến từ B:

100/180≈0,5556=55,56%

Hình 3 — Cách đếm tần suất cho cùng kết quả 100/180 bằng công thức Bayes.

Cách đếm làm rõ lỗi đảo hướng. 5% là P(lỗi|B): tỷ lệ lỗi trong đồ B làm. 55,56% là P(B|lỗi): tỷ lệ nguồn B trong đồ đã lỗi. Hai mẫu số khác nhau.

4. Năm lỗi, giới hạn và điểm phải dừng

Lỗi 1: lấy khả năng của bằng chứng làm xác suất cập nhật. P(lỗi|B)=5% không phải P(B|lỗi). Hãy đọc cả hai công thức thành câu.

Lỗi 2: bỏ tỷ lệ nền. Tỷ lệ nền (base rate) là tỷ lệ ban đầu trước E. Máy B chỉ chiếm 20% sản lượng; bỏ thông tin này sẽ làm câu trả lời mất bối cảnh.

Lỗi 3: chỉ tính một tuyến. Tử số 0,010 mới là tuyến “B và lỗi”. Mẫu số phải gồm cả 0,008 từ A. Nếu còn máy C, ta cũng phải thêm tuyến C tạo lỗi.

Lỗi 4: coi đầu vào cũ là sự thật hiện tại. Xác suất ban đầu và khả năng của bằng chứng chỉ hữu ích khi cách lấy mẫu, định nghĩa “lỗi” và quy trình còn phù hợp. Mẫu lệch làm kết quả kém tin cậy.

Lỗi 5: gọi xác suất cập nhật là chắc chắn hoặc nhân quả. Kết quả 55,56% không khẳng định B đã tạo ra sản phẩm đang cầm, càng không chứng minh nguyên nhân gây lỗi. Nó là xác suất có điều kiện trong demo.

Nếu các nhánh chồng lấn nhưng bị cộng như thể loại trừ nhau, hoặc thiếu một nguồn, tổng xác suất bằng chứng sẽ sai.

Hãy dừng và xem lại khi:

• xác suất ban đầu hoặc khả năng của bằng chứng không có nguồn và mốc thời gian;
• số quan sát của một nhánh quá ít;
• các giả thuyết không bao phủ hết hoặc không loại trừ nhau;
• định nghĩa E thay đổi giữa các nhóm;
• quá trình tạo dữ liệu đã thay đổi.

Trong tài chính, công thức không sửa được thiên lệch chọn mẫu, dữ liệu nhìn trước hay thay đổi chế độ. Xác suất cập nhật cao không phải tín hiệu mua bán.

5. Checklist và Practice Bridge 15 phút

Dùng checklist sáu bước:

1. Viết rõ giả thuyết H và bằng chứng E.
2. Liệt kê mọi giả thuyết cần để bao phủ các khả năng.
3. Nhập xác suất ban đầu và kiểm tổng bằng 1.
4. Nhập khả năng của cùng một E dưới từng giả thuyết.
5. Nhân từng tuyến, cộng thành P(E), rồi chia để ra xác suất cập nhật.
6. Ghi nguồn, cỡ mẫu, thời điểm và điều kết quả chưa chứng minh.

Hình 4 — Chỉ đọc xác suất cập nhật sau khi kiểm các đầu vào và mọi tuyến.

a. Thực hành trên Google Sheets

Mở một bảng Google Sheets miễn phí. Nhập:

Kết quả: D2 0,008; D3 0,010; D4 0,018; E2 0,4444; E3 0,5556; E4 bằng 1.

b. Mẫu đối chiếu đã điền

c. Kiểm tra độ nhạy

Kiểm tra độ nhạy (sensitivity check) là đổi một đầu vào để xem ảnh hưởng. Giữ tỷ lệ lỗi A/B ở 1%/5%, đổi sản lượng thành 90%/10%:

• Tuyến A: 0,90×0,01=0,009.
• Tuyến B: 0,10×0,05=0,005.
• P(B|lỗi)=0,005/(0,009+0,005)≈0,3571=35,71%.

Khả năng lỗi không đổi nhưng xác suất cập nhật của B giảm từ 55,56% xuống 35,71% vì tỷ lệ ban đầu đổi.

Kết thúc bài tập bằng hai câu: “Kết quả nói tỷ lệ nguồn B trong nhóm lỗi của demo là 55,56%” và “Kết quả không xác định nguyên nhân lỗi hay nguồn của từng sản phẩm cụ thể”. Chỉ dùng dữ liệu giả; chưa dùng tiền thật hoặc dữ liệu tài khoản.

6. Tổng kết và bài tiếp theo

a. Năm ý chính

• Định lý Bayes cập nhật xác suất giả thuyết sau khi có bằng chứng mới.
• Xác suất ban đầu đứng trước bằng chứng; xác suất cập nhật đứng sau khi điều kiện hóa.
• Khả năng P(E|H) và xác suất cập nhật P(H|E) trả lời hai câu hỏi khác nhau.
• Mẫu số P(E) phải cộng mọi tuyến có thể tạo ra bằng chứng.
• Xác suất cập nhật phụ thuộc dữ liệu và giả định; nó không chứng minh sự thật, nhân quả hoặc tương lai.

b. Câu hỏi tự kiểm tra

• P(E|H) khác P(H|E) ở câu hỏi và mẫu số thế nào?
• Vì sao tuyến B 0,010 chưa phải xác suất cập nhật?
• Trong demo 10.000 sản phẩm, vì sao B chiếm 100/180 nhóm lỗi?
• Việc tỷ lệ ban đầu của B giảm từ 20% xuống 10% làm kết quả thay đổi ra sao?

c. Gợi ý đáp án

Xem gợi ý câu 1

Câu đầu hỏi khả năng thấy E nếu H đúng; câu sau hỏi xác suất H trong nhóm đã thấy E. Xem lại mục 1.

Xem gợi ý câu 2

0,010 là xác suất đồng thời B và lỗi; phải chia cho tổng bằng chứng 0,018 từ A và B. Xem lại mục 3.

Xem gợi ý câu 3

Máy B tạo 100 lỗi, còn tổng hai máy tạo 180 lỗi; điều kiện “đã lỗi” làm 180 thành mẫu số. Xem lại mục 3.

Xem gợi ý câu 4

Giữ khả năng lỗi cố định, xác suất cập nhật của B giảm từ 55,56% xuống 35,71% vì tỷ lệ nền B nhỏ đi. Xem lại mục 5.

d. Thuật ngữ cần nhớ

e. Nguồn tham khảo

• OpenStax — Probability Theory
• NIST — One Statistical Paradigm to Rule Them All
• NIST — OptBayesExpt Manual

Bài trước: Conditional Probability #22. Bài tiếp theo: Expected Value #24, nơi xác suất của các kết quả được kết hợp với giá trị của chúng. Xem toàn bộ lộ trình tại Quantitative Finance Zero to Hero.

Nội dung này phục vụ mục đích giáo dục, không phải lời khuyên đầu tư hoặc tín hiệu giao dịch. Mọi thị trường và sản phẩm tài chính đều có rủi ro mất vốn.