# فصل ۰۵ — قضیهٔ بیز: باور را به‌روز کن

<div dir="rtl">

# فصل ۰۵ — قضیهٔ بیز: باور را به‌روز کن

## در این فصل چه یاد می‌گیری

در فصل قبل یک جمعیتِ میلیونی را شمردی و به جوابِ درست رسیدی. کار کرد، ولی هر بار یک جدولِ جدید لازم داشت.

**قضیهٔ بیز همان کار است، فشرده‌شده در یک خط.** چیزِ تازه‌ای نمی‌گوید؛ فقط دیگر لازم نیست جمعیت بسازی.

و مهم‌تر از فرمول، طرزِ فکری که پشتش است: **باورِ قبلی‌ات را داری، شواهدِ تازه می‌بینی، و باورت را به‌اندازه به‌روز می‌کنی** — نه از صفر شروع می‌کنی و نه بی‌تفاوت می‌مانی.

![یک باور اولیه که با ورود شواهد به یک باور به‌روزشده تبدیل می‌شود](/lesson-assets/t6-s05-bayes/prompt/01-image-update-belief.png)

آخر این فصل می‌توانی:

- قضیهٔ بیز را بنویسی و بگویی هر جزئش چیست
- با آن مسئلهٔ فصل قبل را بدونِ شمردنِ جمعیت حل کنی
- بگویی «پیشین» و «پسین» یعنی چه

## قبل از شروع

- **از فصل ۴:** احتمالِ شرطی؛ اینکه جهت مهم است؛ خطای نرخِ پایه.
- **از فصل ۳:** «و» یعنی ضرب؛ استقلال.
- **از ترم ۳ فصل ۸:** بازآراییِ فرمول.

## ۱. از کجا می‌آید

> 🤔 **اول حدس بزن:** احتمالِ «هر دو اتفاق بیفتند» را می‌شود دو جور نوشت — یک بار با شرطِ اولی و یک بار با شرطِ دومی. آیا آن دو باید با هم برابر باشند؟

جوابش بله است، و در فصل ۳ بدونِ نماد دیده‌ای‌اش. آن دو کارت را به‌یاد بیاور: $\frac{4}{52} \times \frac{3}{51}$. آن $\frac{4}{52}$ احتمالِ آس‌بودنِ کارتِ اول بود، و آن $\frac{3}{51}$ احتمالِ آس‌بودنِ دومی **به شرطِ** اینکه اولی آس بوده. یعنی همان ضرب، با نمادِ فصل ۴، این‌طور نوشته می‌شود — و چون فرقی نمی‌کند کدام کارت را «اول» بنامی، دو نوشتهٔ متفاوت به یک مقدار می‌رسند:

</div>

$$
P(A \text{ and } B) = P(A \mid B) \times P(B) = P(B \mid A) \times P(A)
$$

<div dir="rtl">

هر دو یک مقدارند، پس دو سمتِ راست با هم برابرند. حالا از ترم ۳ فصل ۸ برای $P(A|B)$ بازآرایی کن:

</div>

$$
P(A \mid B) = \frac{P(B \mid A) \times P(A)}{P(B)}
$$

<div dir="rtl">

**همین است.** قضیهٔ بیز یک بازآراییِ ساده است، نه یک کشفِ عمیق — و کلِ قدرتش در این است که **جهتِ شرط را برمی‌گرداند**: اگر $P(B|A)$ را بدانی، $P(A|B)$ را می‌دهد.

و از فصل ۴ می‌دانی چرا این کارِ مهمی است: **آن دو جهت هیچ‌وقت یکی نیستند.**

## ۲. نام‌گذاری

هر جزء نامی دارد که فهمیدنِ کاربردش را آسان می‌کند:

- $P(A)$ — **پیشین:** باورت **قبل** از دیدنِ شواهد. در مثالِ فصل ۴، همان یک در ده هزار.
- $P(B|A)$ — **درست‌نمایی:** اگر فرضیه درست باشد، چقدر احتمال دارد این شواهد را ببینی؟ همان ۹۹ درصدِ دقتِ آزمایش.
- $P(B)$ — **کلِ شواهد:** چقدر احتمال دارد این شواهد را ببینی، از هر راهی. همان ۱۰٬۰۹۸ نفرِ مثبت.
- $P(A|B)$ — **پسین:** باورت **بعد** از دیدنِ شواهد. جوابِ نهایی.

**پیشین → شواهد → پسین.** این کلِ فرآیند است.

> 💡 **نکته:** آن مخرج ($P(B)$) معمولاً سخت‌ترین بخش است، ولی همیشه یک راهِ مطمئن دارد: **همهٔ راه‌هایی که آن شواهد ممکن است رخ دهند را جمع کن** — از مسیرِ فرضیهٔ درست، و از مسیرِ فرضیهٔ نادرست. دقیقاً همان کاری که در فصل ۴ با $99 + 9999$ کردی.

## ۳. مسئلهٔ فصل قبل، این بار با فرمول

بیماری با شیوعِ $0.0001$ و آزمایشی با دقتِ $0.99$.

</div>

$$
P(\text{sick} \mid +) = \frac{0.99 \times 0.0001}{0.99 \times 0.0001 + 0.01 \times 0.9999}
$$

<div dir="rtl">

صورت مسیرِ «مریض و مثبت» است و مخرج جمعِ هر دو مسیرِ رسیدن به مثبت. حساب کن:

</div>

$$
\frac{0.000099}{0.000099 + 0.009999} \approx 0.0098
$$

<div dir="rtl">

**همان کمتر از یک درصد** — همان جوابِ فصل ۴، بدونِ ساختنِ جمعیت.

> ⚠️ **دامِ رایج:** فراموش‌کردنِ مسیرِ دوم در مخرج. اگر فقط $0.99 \times 0.0001$ را در مخرج بگذاری، جوابت ۱ می‌شود — یعنی «قطعاً مریضی». **مخرج باید همهٔ راه‌های رسیدن به آن شواهد را در بر بگیرد، وگرنه بیز دقیقاً همان خطای نرخِ پایه را بازتولید می‌کند** که قرار بود جلویش را بگیرد.

> ✅ **چک کن:** اگر شیوع ۱۰ درصد بود (به‌جای یک در ده هزار)، جواب چه می‌شد؟ — $\frac{0.99 \times 0.1}{0.99 \times 0.1 + 0.01 \times 0.9} = \frac{0.099}{0.108} \approx 0.92$. **حالا جوابِ مثبت واقعاً قابلِ اعتماد است.** همان آزمایش، همان دقت — فقط پیشین عوض شد.

## ۴. طرزِ فکرِ بیزی

فراتر از فرمول، بیز یک روشِ فکرکردن است:

**۱. با یک باورِ اولیه شروع کن**، حتی اگر تقریبی باشد.

**۲. شواهد را وزن کن**، نه اینکه فقط بپذیری‌شان.

**۳. به‌اندازه به‌روز کن** — نه بی‌تفاوت بمان، نه کاملاً نظرت را عوض کن.

و یک نتیجهٔ مهم: **هرچه ادعا غیرمنتظره‌تر باشد، شواهدِ قوی‌تری لازم دارد.** اگر پیشین خیلی کوچک است، شواهد باید خیلی محکم باشند تا پسین را بالا ببرند. ریاضی‌اش را در همان محاسبهٔ بالا دیدی.

> ⚠️ **دامِ رایج:** به‌روزرسانیِ کامل با یک شاهدِ واحد. اگر با یک خبر نظرت کاملاً عوض می‌شود، یعنی پیشینت را کنار گذاشته‌ای. **بیز می‌گوید شواهد باورت را جابه‌جا می‌کنند، نه اینکه جایگزینش شوند.**

> 💡 **نکته:** همین‌جا نکتهٔ ظریفی هست: اگر پیشینت **صفر** باشد، هیچ شاهدی نمی‌تواند تکانش بدهد — چون هر چیزی ضرب در صفر صفر می‌شود (ترم ۱ فصل ۴). **یعنی «کاملاً مطمئنم که غیرممکن است» یک موضعِ اثبات‌ناپذیر می‌سازد.** ریاضی همین‌جا یک درسِ فکری می‌دهد.

## ۵. چرا در یادگیری ماشین مهم است

بخش بزرگی از یادگیری ماشین دقیقاً همین کار را می‌کند: **مدلی با یک باورِ اولیه شروع می‌کند، داده می‌بیند، و باورش را به‌روز می‌کند.**

و طبقه‌بندهای ساده‌ای که ایمیلِ اسپم را تشخیص می‌دهند، مستقیماً از همین فرمول ساخته شده‌اند: پیشین یعنی «چند درصدِ ایمیل‌ها اسپم‌اند» و درست‌نمایی یعنی «اگر اسپم باشد، چقدر احتمال دارد این کلمه در آن باشد».

> 🌱 **ریشه‌اش کجاست:** آن‌ها فرض می‌کنند کلمه‌ها از هم **مستقل**اند — همان فرضی که در فصل ۳ دیدی — تا احتمالِ کل یک ضربِ ساده شود. **این فرض تقریباً همیشه کمی غلط است** (کلمه‌ها به هم مربوط‌اند) و با این حال روش خوب کار می‌کند. دانستنِ اینکه کجا فرض کرده‌ای، تفاوتِ فهمیدنِ یک مدل با استفاده‌کردن از آن است.

> 🧪 **آزمایشگاه:** [باور را به‌روز کن](/lab/embed/risheh/term-6-probability-statistics/session-05-bayes) — پیشین و درست‌نمایی را با دو دستگیره عوض می‌کنی و پسین زنده حساب می‌شود. اول سعی کن پیشینی پیدا کنی که در آن یک شاهدِ متوسط، باور را از زیرِ ۱۰٪ به بالای ۹۰٪ ببرد.

## تمرین‌ها

1. بیماری‌ای ۲ درصدِ جمعیت را درگیر می‌کند و آزمایشی ۹۰ درصد دقیق دارد. اگر مثبت شدی، احتمالِ مریض‌بودنت چقدر است؟
2. همان مسئله را یک بار با شمردنِ ۱۰٬۰۰۰ نفر و یک بار با فرمول حل کن. جواب‌ها یکی شد؟
3. در تمرینِ ۱، اگر آزمایش ۹۹ درصد دقیق بود جواب چه می‌شد؟ کدام تغییر اثرِ بیشتری داشت: دقتِ آزمایش یا شیوعِ بیماری؟
4. دو جعبه داری: اولی ۳ توپِ قرمز و ۱ آبی، دومی ۱ قرمز و ۳ آبی. یکی را تصادفی انتخاب می‌کنی و یک توپِ قرمز در می‌آوری. احتمالِ اینکه از جعبهٔ اول برداشته باشی چقدر است؟
5. با دو تاس، احتمالِ اینکه مجموع ۹ شود؟
6. $\log_5 125$ چند است؟

⭐ کسی می‌گوید «تستِ من مثبت شد، پس حتماً مریضم». با استفاده از زبانِ این فصل — پیشین، شواهد، پسین — توضیح بده اشتباهش کجاست، و بگو چه اطلاعاتِ اضافه‌ای لازم است تا بشود واقعاً قضاوت کرد.

## در فصل بعد

تا اینجا با احتمال کار کردی: چه چیزی **ممکن است**. فصل بعد به آمار می‌رود: چه چیزی **اتفاق افتاده**. و اولین سؤالش این است که وقتی صد عدد داری، چطور همه‌شان را با یک عدد خلاصه کنی — و چه چیزی در آن خلاصه‌کردن گم می‌شود.

</div>

---
Source: https://yaadestan.com/courses/risheh/lessons/t6/s05-bayes (یادستان, Yaadestan)
