Теорема Байеса: вопросы для собеседования (часть 4)
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 16–20 из 20
16Есть два независимых теста, у каждого ненулевая ложноположительная ошибка и заметная вероятность плюса при болезни. Если оба показали плюс, как обычно изменится апостериорная вероятность болезни по сравнению с одним плюсом?
AОстанется ровно той же, потому что независимые тесты не могут влиять на апостериорную вероятность.
BСтанет меньше, потому что два совпадающих плюса хуже одного плюса с точки зрения подтверждения.
CСтанет больше, потому что два независимых положительных результата дают более сильное подтверждение события A.
DБез знания безусловной вероятности положительного результата сказать что-либо невозможно.
Ответ: При независимых доказательствах апостериорная вероятность обычно растёт, потому что совпадение двух плюсов у здорового менее вероятно.
Положительный результат — это наблюдение, которое переводит априорную вероятность в апостериорную через формулу Байеса. Второй независимый положительный результат добавляет ещё одно наблюдение и снова обновляет вероятность. Интуитивно: два совпадающих сигнала сложнее объяснить двумя независимыми ложноположительными срабатываниями, чем одним. Поэтому при независимых доказательствах апостериорная вероятность обычно растёт.
Подробный разбор → 17Тест на событие A имеет ненулевую долю ложноотрицательных результатов (`P(not B|A)` не равно нулю). После отрицательного результата (not B) какой вывод про `P(A|not B)` корректен?
A`P(A|not B)` всегда равно 0, потому что отрицательный результат полностью исключает событие A
B`P(A|not B)` всегда совпадает с `P(A)`, потому что отрицательный результат не несёт никакой информации об A
C`P(A|not B)` по определению совпадает с `P(not B|A)` и не зависит ни от априорной вероятности, ни от точности теста
D`P(A|not B)` нужно считать по формуле Байеса, и при высокой априорной вероятности значение может оставаться заметным
Ответ: Отрицательный результат снижает апостериорную вероятность, но при существенной априорной и ненулевой доле ложноотрицательных результатов значение может оставаться не нулевым.
Связь вероятностей задаёт формула Байеса: `P(A|not B)=P(not B|A)P(A)/P(not B)`. Если доля ложноотрицательных результатов велика или базовая частота события высокая, отрицательный тест не исключает событие полностью. Поэтому в практике используют повторные тесты или дополнительные признаки, а не один результат.
Подробный разбор → 18В антифроде базовая частота мошенничества `P(fraud)` равна 0.5%. Детектор даёт `P(alert|fraud) = 0.9` и вероятность ложного срабатывания `P(alert|not fraud) = 0.02`. Если алерт сработал, примерно чему равно `P(fraud|alert)`?
AОколо 18%: при низкой базе мошенничества и ненулевом FPR алерты от обычных транзакций понижают апостериорную вероятность
BОколо 90%: апостериорная вероятность мошенничества при алерте примерно равна чувствительности `P(alert|fraud)`
CОколо 2%: апостериорная вероятность совпадает с долей ложных срабатываний `P(alert|not fraud)`
DОколо 0.5%: апостериорная вероятность совпадает с базовой частотой и не меняется после алерта
Ответ: Даже при высокой `P(B|A)` низкая базовая частота и ненулевая вероятность ложного срабатывания делают `P(A|B)` умеренной.
Считаем `P(alert) = P(alert|fraud)*P(fraud) + P(alert|not fraud)*P(not fraud)` и применяем формулу Байеса. В примере значительная часть алертов приходит от обычных транзакций, потому что их намного больше. Поэтому апостериорная вероятность после алерта заметно ниже, чем `P(alert|fraud)`, и получается порядка 18%.
Подробный разбор → 19При каких условиях может выполниться равенство `P(A|B) = P(B|A)` (при `P(A) > 0` и `P(B) > 0`)?
AВ любой задаче с `P(A) > 0` и `P(B) > 0`: обе записи описывают одну совместную вероятность и численно совпадают
BТолько при независимости событий A и B: независимость делает обе условные вероятности численно равными
CКогда безусловная вероятность события A очень низкая: тогда условная вероятность близка к обратной
DКогда `P(A) = P(B)`: при равных безусловных вероятностях обе условные вероятности численно совпадают
Ответ: Из формулы Байеса следует, что равенство `P(A|B) = P(B|A)` возможно лишь в особых случаях, например когда `P(A) = P(B)`.
Из формулы `P(A|B) = P(B|A) * P(A) / P(B)` равенство `P(A|B) = P(B|A)` сводится к условию `P(A) = P(B)` (если `P(A∩B) > 0`, иначе обе условные вероятности равны нулю и совпадают тривиально). Независимость даёт `P(A|B) = P(A)` и `P(B|A) = P(B)`, поэтому обе условные равны только если дополнительно `P(A) = P(B)` — это частный случай общего условия. В реальных задачах нельзя заменять одну условную вероятность другой без проверки равенства безусловных.
Подробный разбор → 20Алерт B может быть вызван мошенничеством A или независимым сбоем системы E. Почему при оценке `P(A|B)` нельзя опираться только на `P(B|A)`?
AПотому что формула Байеса работает только при единственной причине события и не применима, если у наблюдаемого сигнала есть несколько источников
BПотому что условная вероятность `P(B|A)` уже автоматически учитывает событие E и любые другие альтернативные источники появления B по определению
CПотому что `P(B)` должно учитывать все пути появления B, включая E и ложные срабатывания, иначе апостериорная `P(A|B)` окажется завышенной
DПотому что при наличии причины E априорная вероятность события A теряет смысл, и формула Байеса просто перестаёт работать в такой постановке
Ответ: В формуле Байеса знаменатель `P(B)` должен учитывать все причины появления B, иначе апостериорная вероятность будет смещена.
Если B может появляться по разным причинам, то B не является однозначным индикатором A. Тогда `P(B)` нужно считать по формуле полной вероятности, добавляя вклад альтернативных причин и ложноположительных срабатываний на `not A`. Иначе вы фактически предполагаете, что B почти всегда означает A, что в продакшене редко верно. Поэтому игнорирование альтернативных путей появления B завышает апостериорную вероятность мошенничества.
Подробный разбор → Другие темы: Теория вероятностей