Теорема Байеса: вопросы для собеседования (часть 2)
Теорема Байеса — одна из самых популярных тем на собеседовании, потому что проверяет интуицию о вероятности. Классические задачи: болезнь и тест, спам-фильтр, обновление вероятности при новых данных. Интервьюеры ценят умение рассуждать пошагово и не путать P(A|B) с P(B|A).
Вопросы 6–10 из 20
6В антифроде событие A — транзакция мошенническая, событие B — сработал алерт. Какая формула корректно выражает `P(B)` через формулу полной вероятности?
A`P(B) = P(B|A)`
B`P(B) = P(A|B) * P(B)`
C`P(B) = P(B|A) * P(A)`
D`P(B) = P(B|A) * P(A) + P(B|not A) * P(not A)`
Ответ: `P(B)` по формуле полной вероятности учитывает оба сценария: и A, и not A.
Алерт может сработать как при мошенничестве, так и при обычных транзакциях. Поэтому вклад дают и истинные срабатывания `P(B|A) * P(A)`, и ложные срабатывания через `P(B|not A) * P(not A)`. Если забыть второе слагаемое, апостериорная вероятность мошенничества будет завышена.
Подробный разбор → 7В задаче диагностики пусть A — наличие болезни, а B — положительный тест. Какое утверждение лучше всего объясняет разницу между `P(A|B)` и `P(B|A)`?
A`P(A|B)` про вероятность болезни при положительном тесте, а `P(B|A)` про вероятность положительного теста при болезни
B`P(A|B)` и `P(B|A)` дают одинаковое значение: запись отличается только порядком условий в обозначении вероятности
C`P(A|B)` обязательно превышает `P(B|A)`, поскольку условие `B` содержит более точную информацию о наблюдении, чем `A`
D`P(A|B)` однозначно вычисляется из `P(B|A)` без априорной вероятности и без базовой частоты события `A` в задаче
Ответ: Условные вероятности `P(A|B)` и `P(B|A)` отвечают на разные вопросы и в общем случае не равны.
`P(болезнь|тест+)` — это то, что обычно интересно пациенту, а `P(тест+|болезнь)` описывает характеристику самого теста. Связь между ними задаёт формула Байеса: `P(A|B)=P(B|A)·P(A)/P(B)`. Поэтому без априорной вероятности `P(A)` и корректного расчёта безусловной `P(B)` нельзя «перевернуть» условие. Утверждать, что `P(A|B)` всегда больше `P(B|A)`, тоже неверно — соотношение зависит от исходных вероятностей.
Подробный разбор → 8Вы хотите найти `P(fraud | alert)` по формуле Байеса. Какой вариант корректно описывает расчёт знаменателя `P(alert)`?
A`P(alert) = P(fraud | alert) * P(alert)`: апостериорная вероятность мошенничества при сработавшем алерте
B`P(alert) = P(alert | fraud)`: условная вероятность алерта при наблюдаемом истинном мошенничестве
C`P(alert) = P(fraud) + P(alert)`: сумма безусловных вероятностей мошенничества и алерта
D`P(alert) = P(alert | fraud) * P(fraud) + P(alert | not fraud) * P(not fraud)`: формула полной вероятности
Ответ: Знаменатель `P(B)` в формуле Байеса считается по формуле полной вероятности через события A и not A.
Для алерта B есть как минимум два пути: истинное срабатывание при A (мошенничество) и ложное срабатывание при not A. Поэтому `P(B)` складывается из двух слагаемых: `P(B | A) * P(A) + P(B | not A) * P(not A)`. Этот шаг часто пропускают, и тогда путают `P(B | A)` с `P(A | B)` — в этом и состоит классическая ошибка интерпретации формулы Байеса.
Подробный разбор → 9Аналитик вычисляет вероятность алерта как `P(B) = P(B|A)P(A)` и получает слишком маленькое значение. Что именно он забыл учесть в формуле полной вероятности?
AВклад ложноположительных срабатываний на событии не-A: слагаемое `P(B|not A)P(not A)` в формуле полной вероятности
BЗамену `P(B)` на `P(A|B)` в исходной формуле: после этого расчёт полной вероятности станет корректным
CДополнительное умножение `P(B)` на априорную вероятность события: без этого формула Байеса якобы не работает
DУчёт только априорной `P(A)` без слагаемого `P(B|A)P(A)`: тогда вероятность алерта была бы выше
Ответ: По формуле полной вероятности `P(B)` включает и истинные срабатывания, и ложноположительные на событии не-A.
Даже редкое событие A может давать малую часть всех срабатываний, потому что событие не-A встречается очень часто. Поэтому второе слагаемое `P(B|not A)P(not A)` нередко доминирует в полном расчёте `P(B)`. Пропуск этого слагаемого занижает `P(B)` и приводит к завышению апостериорной `P(A|B)` при дальнейшем использовании формулы Байеса.
Подробный разбор → 10Модель антифрода имеет `P(alert|fraud)` 95%. Можно ли из этого числа напрямую сделать вывод о `P(fraud|alert)`?
AДа, это одно и то же: `P(alert|fraud)` и `P(fraud|alert)` всегда равны при достаточно большой выборке наблюдений
BДа, достаточно вычесть `P(alert|fraud)` из 1, и получится `P(fraud|alert)` без дополнительных предположений
CНет: без априорной вероятности `P(fraud)` и доли ложных срабатываний `P(alert|not fraud)` посчитать `P(fraud|alert)` нельзя
DДа, при большом числе алертов `P(fraud|alert)` всегда близка к `P(alert|fraud)` по закону больших чисел
Ответ: Знание только `P(B|A)` не определяет `P(A|B)` без априорной вероятности и доли ложных срабатываний `P(B|not A)` в знаменателе.
`P(alert|fraud)` показывает, как часто срабатывает алерт при мошенничестве, но это не доля мошенничества среди алертов. Для апостериорной `P(fraud|alert)` критично знать априорную `P(fraud)` и долю ложных срабатываний `P(alert|not fraud)`. При редком мошенничестве даже хороший детектор может выдавать много ложных тревог: 1 − 95% даёт лишь долю пропущенных, а не апостериор. Большое количество алертов само по себе не делает их точными.
Подробный разбор → Другие темы: Теория вероятностей