🔄 حاسبة نظرية بايز

فهم نتيجة نظرية بايز

بتثبيت الحساسية عند 95% ومعدل الإيجابية الكاذبة عند 5%، يبيّن الجدول التالي مدى التغيّر الهائل في الاحتمال البعدي تبعاً للاحتمال القبلي — وهذا هو أثر معدل الأساس الذي يقع في صميم نظرية بايز.

• الاحتمال البعدي شديد الحساسية للاحتمال القبلي، ولا سيما حين يكون القبلي صغيراً — ولهذا لا يمكن تجاهل معدلات الأساس عند تفسير نتيجة اختبار إيجابية أو أي دليل جديد آخر.
• تنطبق صيغة هذه الحاسبة على تجزئة ثنائية: حدث A ومتممه ¬A. أما الحالات التي تضم أكثر من احتمالين متنافيين (مثل وجود أكثر من تشخيص محتمل) فتتطلب الصورة الأوسع لقانون الاحتمال الكلي عبر جميع الاحتمالات.
• معدل الإيجابية الكاذبة، P(B | ¬A)، ليس هو النوعية — بل يساوي 1 ناقص النوعية، فالاختبار الموصوف بأن «نوعيته 95%» له معدل إيجابية كاذبة قدره 5%.
• تقريب الاحتمالات الوسيطة قبل دمجها قد يشوّه الاحتمال البعدي النهائي بدرجة ملحوظة، خصوصاً حين يكون الاحتمال القبلي صغيراً؛ فاحتفظ بالدقة الكاملة خلال الحساب قدر الإمكان.

ما هي نظرية بايز؟

نظرية بايز صيغة لتحديث احتمال حدث (A) بعد رصد دليل جديد (B)، إذ تجمع بين احتمال قبلي ومدى ترجيح ظهور ذلك الدليل في سيناريوهات مختلفة. وتُكتب P(A | B) = P(B | A) × P(A) / P(B)، وهي تحوّل الاحتمال «الأمامي»، مثل ترجيح ظهور نتيجة اختبار إيجابية عند وجود المرض، إلى الاحتمال «العكسي» الذي يهمنا عادةً: ما ترجيح وجود المرض عند ظهور نتيجة إيجابية.

تستخدم هذه الحاسبة الصياغة الشائعة للاختبارات التشخيصية: P(A) هو الاحتمال القبلي (معدل الأساس) لوجود الحالة في المجتمع المعني قبل إجراء أي اختبار، وP(B | A) هي الحساسية — أي احتمال ظهور نتيجة إيجابية عند وجود الحالة — وP(B | ¬A) هو معدل الإيجابية الكاذبة — أي احتمال ظهور نتيجة إيجابية عند غياب الحالة (ويساوي 1 ناقص النوعية).

ومغالطة معدل الأساس هي الخطأ الشائع المتمثل في التركيز على حساسية الاختبار مع تجاهل الاحتمال القبلي. فقد يتمتع اختبار بحساسية عالية ومعدل إيجابية كاذبة منخفض ومع ذلك ينتج احتمالاً بعدياً أدنى بكثير مما يوحي به الحدس، كلما كانت الحالة موضع الفحص نادرة في المجتمع.

كيفية استخدام حاسبة نظرية بايز

1. أدخل الاحتمال القبلي P(A) — أي معدل أساس الحدث أو الحالة في المجتمع المعني، كنسبة مئوية.
2. أدخل P(B | A)، أي الحساسية — احتمال رصد الدليل بافتراض صحة الحدث.
3. أدخل P(B | ¬A)، أي معدل الإيجابية الكاذبة — احتمال رصد الدليل بافتراض عدم صحة الحدث.
4. اقرأ الاحتمال البعدي P(A | B) والاحتمال الكلي للدليل P(B) ونسبة الأرجحية (عامل بايز)، التي تقارن مدى ترجيح ظهور الدليل في حالة A مقابل حالة ¬A.

الصيغة الرياضية لنظرية بايز

توسّع نظرية بايز المقام P(B) باستخدام قانون الاحتمال الكلي عبر الاحتمالين A و¬A: P(A | B) = [P(B | A) × P(A)] / [P(B | A) × P(A) + P(B | ¬A) × (1 − P(A))].

مثال محلول: الاحتمال القبلي P(A) = 1%، والحساسية P(B | A) = 95%، ومعدل الإيجابية الكاذبة P(B | ¬A) = 5%. البسط: 0.95 × 0.01 = 0.0095. والاحتمال الكلي لنتيجة إيجابية: P(B) = 0.95 × 0.01 + 0.05 × 0.99 = 0.0095 + 0.0495 = 0.059. والاحتمال البعدي: P(A | B) = 0.0095 / 0.059 ≈ 0.1610، أي أن الاحتمال البعدي نحو 16.10% — رغم أن الاختبار يتعرّف بشكل صحيح على 95% من الحالات الحقيقية، فإن معظم النتائج الإيجابية في هذا السيناريو تأتي من الفئة الأكبر بكثير من الأشخاص الذين لا يعانون من الحالة.

ونسبة الأرجحية (عامل بايز) هي P(B | A) / P(B | ¬A). وفي المثال المحلول: 0.95 / 0.05 = 19، أي أن ظهور نتيجة إيجابية أرجح 19 مرة إذا كان A صحيحاً مما لو كان A غير صحيح.

أخطاء شائعة

• الخلط بين P(B | A)، أي الحساسية، وP(A | B)، أي الاحتمال البعدي — فافتراض أن نتيجة اختبار عالي الحساسية تعني احتمالاً كبيراً بوجود الحالة فعلاً، مع تجاهل معدل الأساس، هو مغالطة معدل الأساس الكلاسيكية.
• تجاهل الاحتمال القبلي تماماً — فاختبار بحساسية 95% ومعدل إيجابية كاذبة 5% لا يعطي إلا احتمالاً بعدياً يقارب 16% حين يكون الاحتمال القبلي 1%، لأن معظم النتائج الإيجابية تأتي من الفئة الأكبر بكثير من السلبيات الحقيقية.
• التعامل مع النوعية ومعدل الإيجابية الكاذبة على أنهما متبادلان دون تحويل — فهذه الحاسبة تطلب P(B | ¬A)، أي معدل الإيجابية الكاذبة، الذي يساوي 1 ناقص النوعية.
• تطبيق صيغة الحدّين حين يوجد أكثر من احتمالين متنافيين — فصيغة A مقابل ¬A البسيطة لا تصح إلا لتجزئة ثنائية للنواتج.
• تقريب الاحتمالات الوسيطة قبل دمجها، وهو ما يراكم الخطأ في حساب شديد الحساسية للتغيرات الصغيرة في الاحتمال القبلي عند معدلات الأساس المنخفضة.

الأسئلة الشائعة

المراجع

1. Bayes T, Price R. An Essay towards Solving a Problem in the Doctrine of Chances. Philosophical Transactions of the Royal Society of London 1763; 53: 370-418.
2. Kahneman D, Tversky A. On the psychology of prediction. Psychological Review 1973; 80(4): 237-251 (base-rate neglect in probability judgment).
3. National Institute of Standards and Technology (NIST). NIST/SEMATECH e-Handbook of Statistical Methods — probability rules and Bayes' theorem. nist.gov.
4. Moore DS, McCabe GP, Craig BA. Introduction to the Practice of Statistics. W. H. Freeman (conditional probability and Bayes' rule).
5. Casella G, Berger RL. Statistical Inference (2nd ed). Duxbury, 2002 (Bayes' theorem and conditional probability).