Định lý Bayes là công thức cho biết nên cập nhật mức tin vào một giả thuyết bao nhiêu khi có bằng chứng mới. Xác suất của giả thuyết sau khi thấy bằng chứng bằng xác suất trước đó nhân với mức độ bằng chứng ấy dễ xuất hiện nếu giả thuyết đúng, chia cho mức độ bằng chứng ấy dễ xuất hiện nói chung.
Ý nghĩa thực tế của nó lớn hơn vẻ ngoài của một dòng công thức: kết quả xét nghiệm dương tính chưa chắc nghĩa là có bệnh, một chứng cứ “chỉ một phần triệu khả năng trùng hợp” chưa chắc nghĩa là bị cáo có tội, và cùng một bằng chứng có thể đáng tin hay không tuỳ vào điều ta biết trước khi thấy nó. Phần dưới đi từ công thức tới các ví dụ, lịch sử, và giới hạn.
Công thức và ý nghĩa từng thành phần
Viết bằng chữ: P(H | E) = P(E | H) × P(H) / P(E). Trong đó H là giả thuyết, E là bằng chứng. P(H) là xác suất tiên nghiệm: mức tin vào H trước khi thấy E. P(E | H) là khả năng (likelihood): nếu H đúng, xác suất thấy E là bao nhiêu. P(E) là xác suất thấy E nói chung, tính bằng tổng của mọi đường dẫn tới E, gồm cả khi H đúng và khi H sai. P(H | E) là xác suất hậu nghiệm: mức tin vào H sau khi thấy E.
Công thức tự nó là hệ quả vài dòng của định nghĩa xác suất có điều kiện, không gây tranh cãi về toán học. Điều làm nó quan trọng là nó tách bạch hai câu hỏi mà trực giác hay nhập làm một: “nếu có bệnh thì xét nghiệm dương tính với xác suất bao nhiêu” và “nếu xét nghiệm dương tính thì có bệnh với xác suất bao nhiêu”. Hai đại lượng này, P(E | H) và P(H | E), có thể chênh nhau hàng chục lần. Nhầm cái này thành cái kia gọi là đảo ngược điều kiện, lỗi nền của hầu hết các sai lầm trong mục sau.
Một cách nhìn hữu ích là coi P(H) là điểm xuất phát và tỷ lệ P(E | H) / P(E | không H) là lực đẩy của bằng chứng. Bằng chứng mạnh là bằng chứng có khả năng xuất hiện rất khác nhau dưới hai giả thuyết; bằng chứng xuất hiện như nhau dù H đúng hay sai thì không có giá trị chẩn đoán, dù nó trông ấn tượng thế nào.
Ví dụ xét nghiệm: vì sao dương tính chưa chắc là mắc bệnh
Ví dụ giả định với số làm tròn cho dễ tính: một bệnh có tỷ lệ mắc 1% trong nhóm người được sàng lọc. Xét nghiệm phát hiện đúng 90% người mắc (độ nhạy 90%) và cho kết quả dương tính sai ở 9% người không mắc. Một người xét nghiệm dương tính. Xác suất người đó thật sự mắc bệnh là bao nhiêu? Nhiều người, kể cả người có đào tạo y khoa trong các khảo sát được công bố, đoán quanh mức 80–90%.
Cách tính dễ nhất là dùng tần suất tự nhiên thay vì phần trăm, theo đề xuất của Gerd Gigerenzer và Ulrich Hoffrage (1995). Hình dung 1.000 người. Khoảng 10 người mắc bệnh, trong đó 9 người dương tính. 990 người không mắc, trong đó khoảng 89 người dương tính sai. Tổng cộng 98 người dương tính, chỉ 9 người thật sự mắc. Xác suất là 9 trên 98, khoảng 9%.
Con số 9% không có nghĩa xét nghiệm vô dụng: nó đã nâng xác suất từ 1% lên 9%, gấp chín lần. Nó có nghĩa là với bệnh hiếm, một xét nghiệm dương tính đơn lẻ thường cần được khẳng định bằng xét nghiệm thứ hai có đặc tính khác. Nếu cùng xét nghiệm đó dùng ở nhóm có tỷ lệ mắc 30%, chẳng hạn người đã có triệu chứng, xác suất sau dương tính tăng lên khoảng 81% (ví dụ giả định, tính bằng cùng phương pháp). Cùng một kết quả, ý nghĩa khác hẳn, chỉ vì tỷ lệ nền khác. Đây là thông tin thống kê để hiểu khái niệm; việc đọc một kết quả xét nghiệm cụ thể thuộc về bác sĩ điều trị.
Lịch sử ngắn: Bayes, Laplace và cuộc tranh luận hai trăm năm
Định lý mang tên một người nhưng được hình thành, phát triển và tranh cãi qua nhiều thế hệ.
- 1763: sau khi Thomas Bayes, một nhà toán học nghiệp dư người Anh, qua đời năm 1761, Richard Price biên tập và trình bày bài luận của ông về bài toán suy ngược từ kết quả quan sát về xác suất của nguyên nhân trước Hội Hoàng gia London.
- 1774 đến 1812: Pierre-Simon Laplace độc lập phát biểu nguyên lý ở dạng tổng quát hơn và dùng nó cho các bài toán thật, từ tỷ lệ sinh con trai con gái đến khối lượng các hành tinh, tổng kết trong Théorie analytique des probabilités (1812). Phần lớn cái ta gọi là thống kê Bayes thực ra là công của Laplace.
- Đầu thế kỷ 20: Ronald Fisher, Jerzy Neyman và Egon Pearson xây dựng thống kê tần suất, phê phán việc dùng xác suất tiên nghiệm như chủ quan. Trường phái tần suất chiếm ưu thế trong khoa học thực nghiệm suốt nhiều thập kỷ.
- Thế chiến thứ hai: Alan Turing và đồng nghiệp ở Bletchley Park dùng phương pháp tích luỹ bằng chứng theo kiểu Bayes để giải mã, dù công trình được giữ bí mật nhiều năm.
- Từ thập niên 1990: các phương pháp tính toán như Markov chain Monte Carlo khiến mô hình Bayes phức tạp trở nên khả thi, và thống kê Bayes lan rộng trong sinh học, kinh tế lượng, học máy, khoa học dữ liệu.
Ngày nay phần lớn các nhà thống kê dùng cả hai trường phái tuỳ bài toán. Tranh luận còn lại tập trung vào cách diễn giải xác suất (mức tin hay tần suất dài hạn) và cách chọn tiên nghiệm, chứ không phải vào tính đúng của định lý.
Bỏ qua tỷ lệ nền và bài toán taxi
Daniel Kahneman và Amos Tversky gọi hiện tượng trong ví dụ xét nghiệm là bỏ qua tỷ lệ nền. Bài toán nổi tiếng của họ: trong thành phố, 85% taxi thuộc hãng Xanh lá, 15% thuộc hãng Xanh dương. Một taxi gây tai nạn rồi bỏ chạy ban đêm. Nhân chứng nói đó là xe Xanh dương. Kiểm tra trong điều kiện tương tự, nhân chứng nhận đúng màu 80% số lần. Xác suất xe gây tai nạn là Xanh dương bao nhiêu? Câu trả lời phổ biến là 80%; đáp án theo Bayes là khoảng 41%, vì xe Xanh lá nhiều đến mức số lần nhận nhầm Xanh lá thành Xanh dương gần bằng số lần nhận đúng xe Xanh dương.
Kahneman và Tversky giải thích hiện tượng bằng tính đại diện: người ta đánh giá xác suất theo mức độ bằng chứng giống với giả thuyết, bỏ qua giả thuyết đó phổ biến tới đâu. Đáng chú ý là khi tỷ lệ nền được trình bày dưới dạng nhân quả (“xe Xanh lá gây 85% số tai nạn”) thay vì chỉ thống kê, người tham gia dùng nó tốt hơn hẳn.
Gigerenzer phản biện rằng một phần vấn đề nằm ở định dạng: xác suất dạng phần trăm cho trường hợp đơn lẻ là phát minh muộn của toán học, còn tâm trí con người quen với tần suất đếm được. Khi cùng bài toán được trình bày bằng tần suất tự nhiên, tỷ lệ trả lời đúng tăng rõ rệt. Hai cách nhìn này không loại trừ nhau, và cả hai dẫn tới cùng một khuyến nghị thực tế: khi truyền đạt rủi ro, hãy dùng số người trên một nghìn thay vì phần trăm có điều kiện.
Nguỵ biện công tố viên và vụ Sally Clark
Trong toà án, đảo ngược điều kiện có tên riêng: nguỵ biện công tố viên. Nó nhầm “xác suất thấy chứng cứ này nếu bị cáo vô tội” với “xác suất bị cáo vô tội khi đã thấy chứng cứ này”. Nếu một dấu vết có xác suất trùng ngẫu nhiên là một phần triệu, điều đó không có nghĩa xác suất bị cáo vô tội là một phần triệu. Trong một thành phố mười triệu dân, có thể có khoảng mười người khớp dấu vết đó; nếu không có chứng cứ nào khác, bị cáo chỉ là một trong mười.
Vụ án Sally Clark ở Anh là ví dụ đau đớn được giới thống kê dẫn nhiều nhất. Năm 1999, bà bị kết tội giết hai con nhỏ, cả hai qua đời khi còn sơ sinh. Một nhân chứng chuyên môn khẳng định xác suất hai trẻ trong một gia đình như vậy cùng chết vì hội chứng đột tử là khoảng 1 trên 73 triệu, tính bằng cách bình phương xác suất cho một trẻ. Phép tính sai hai lần: nó giả định hai ca chết độc lập, bỏ qua khả năng yếu tố di truyền hoặc môi trường chung; và quan trọng hơn, nó được trình bày như thể là xác suất bà vô tội.
Điều cần so sánh là xác suất hai ca đột tử với xác suất một người mẹ giết hai con, cả hai đều cực kỳ hiếm. Hội Thống kê Hoàng gia Anh đã ra tuyên bố công khai về việc lạm dụng thống kê trong vụ án. Bản án bị huỷ năm 2003 sau khi phát hiện thêm chứng cứ y khoa không được công bố trong phiên xử đầu. Bài học không giới hạn ở toà án: mỗi khi nghe “khả năng trùng hợp chỉ là…”, hãy hỏi “so với khả năng của giải thích thay thế là bao nhiêu”.
Tư duy Bayes hằng ngày: cập nhật bằng tỷ số khả năng
Phần lớn tình huống đời thực không có số chính xác, nhưng dạng “tỷ lệ cược” của định lý Bayes cho phép ước lượng thô mà vẫn đúng hướng: tỷ lệ cược sau bằng tỷ lệ cược trước nhân với tỷ số khả năng. Ví dụ: một quản lý nhận được phản ánh rằng một nhân viên mới có thái độ kém với khách hàng.
- Ước lượng điểm xuất phát. Trong số nhân viên mới của công ty, tỷ lệ thật sự có thái độ kém là bao nhiêu? Giả sử khoảng một trên mười, tức tỷ lệ cược 1 ăn 9.
- Hỏi bằng chứng này phân biệt hai giả thuyết tới đâu. Nếu nhân viên thật sự thái độ kém, khả năng bị phản ánh trong tháng đầu là bao nhiêu? Nếu không, khả năng vẫn bị phản ánh (do khách khó tính, do hiểu lầm) là bao nhiêu? Giả sử 60% và 15%, tỷ số khả năng là 4.
- Nhân. Tỷ lệ cược mới là 4 ăn 9, tức xác suất khoảng 31%. Đáng để tìm hiểu thêm, chưa đủ để kết luận.
- Tìm bằng chứng có tỷ số khả năng cao. Một phản ánh thứ hai từ khách hàng độc lập, hoặc ghi âm cuộc gọi, có giá trị phân biệt cao hơn nhiều so với lời nhận xét của đồng nghiệp vốn có mâu thuẫn.
- Cập nhật tiếp, không nhảy. Mỗi bằng chứng độc lập nhân thêm một lần. Hai bằng chứng cùng nguồn không phải hai lần nhân, vì chúng không độc lập.
Mọi con số trên đều là ví dụ giả định. Giá trị của cách làm không nằm ở độ chính xác của chúng, mà ở việc buộc bạn tách rời ba thứ: điều đã biết trước, sức nặng của bằng chứng, và kết luận.
Giới hạn và phê bình
Phê bình kinh điển là tính chủ quan của tiên nghiệm: hai người bắt đầu từ hai mức tin khác nhau sẽ ra hai hậu nghiệm khác nhau từ cùng dữ liệu. Phía Bayes đáp rằng chủ quan được công khai tốt hơn chủ quan bị che giấu trong lựa chọn phương pháp, và với đủ dữ liệu, các hậu nghiệm hội tụ. Điều kiện hội tụ là không ai đặt xác suất tiên nghiệm bằng 0 hoặc 1 cho một giả thuyết; Dennis Lindley gọi điều kiện này là quy tắc Cromwell, rằng nên luôn chừa một khả năng mình sai.
Phê bình thứ hai là mô hình sai: định lý Bayes chỉ cập nhật đúng trong phạm vi các giả thuyết ta đã đưa vào. Nếu giả thuyết đúng không có trong danh sách, phép cập nhật sẽ tự tin hội tụ về giả thuyết “ít sai nhất”. Đây là phiên bản xác suất của vấn đề “lô hàng tồi” trong suy luận tới lời giải thích tốt nhất. Thực hành thống kê hiện đại bổ sung các bước kiểm tra mô hình, như so sánh dữ liệu mô phỏng từ mô hình với dữ liệu thật.
Phê bình thứ ba mang tính thực tiễn: trong đời thường, ta hiếm khi có số liệu để tính, và việc gán số cho mọi niềm tin có thể tạo ra cảm giác chính xác giả. Lời đáp hợp lý là dùng tư duy Bayes như một kỷ luật định tính, tức luôn hỏi điểm xuất phát và giá trị phân biệt của bằng chứng, hơn là như một máy tính. Ngay cả ở dạng thô đó, nó đã ngăn được hai lỗi đắt giá nhất: bỏ qua tỷ lệ nền và đảo ngược điều kiện.
Câu hỏi thường gặp
Thống kê Bayes khác thống kê tần suất ở điểm cốt lõi nào?
Thống kê tần suất coi xác suất là tần suất dài hạn của sự kiện lặp lại, nên không gán xác suất cho một giả thuyết; giá trị p trả lời câu hỏi dữ liệu hiếm thế nào nếu giả thuyết không đúng. Thống kê Bayes coi xác suất là mức tin, nên trả lời trực tiếp câu hỏi giả thuyết đáng tin tới đâu khi có dữ liệu, với cái giá là phải nêu tiên nghiệm. Trong thực hành, hai cách thường cho kết luận gần nhau khi dữ liệu nhiều.
Giá trị p có phải là xác suất giả thuyết không đúng không?
Không, và đây chính là một dạng đảo ngược điều kiện. Giá trị p là xác suất thấy dữ liệu cực đoan như vậy hoặc hơn nếu giả thuyết không đúng, tương ứng với P(E | H) chứ không phải P(H | E). Muốn biết xác suất giả thuyết đúng phải có thêm tiên nghiệm, tức thông tin về mức độ hợp lý của giả thuyết trước khi làm nghiên cứu. Đây là lý do một kết quả có p nhỏ cho một giả thuyết rất khó tin vẫn cần thận trọng.
Bộ lọc thư rác dùng định lý Bayes như thế nào?
Bộ lọc Bayes ngây thơ học từ kho thư đã gán nhãn xem mỗi từ xuất hiện với tần suất nào trong thư rác và thư thường. Khi có thư mới, nó nhân các tỷ số khả năng của từng từ với tỷ lệ nền của thư rác để ra xác suất thư là rác. Chữ “ngây thơ” chỉ giả định các từ độc lập với nhau, sai về ngôn ngữ nhưng trong thực tế vẫn cho kết quả phân loại tốt.
Có nên dạy định lý Bayes ở bậc phổ thông không?
Chương trình toán phổ thông ở nhiều nước, trong đó có Việt Nam, đã đưa xác suất có điều kiện vào bậc trung học. Các nghiên cứu về giáo dục thống kê gợi ý dạy bằng cây tần suất và bảng hai chiều với số người cụ thể trước khi dạy công thức, vì học sinh hiểu và nhớ lâu hơn. Ví dụ về xét nghiệm sàng lọc hay bộ lọc thư rác giúp học sinh thấy công thức có ý nghĩa thực tế.
Bộ não có hoạt động theo kiểu Bayes không?
Đây là một giả thuyết lớn trong khoa học thần kinh nhận thức, với các mô hình như mã hoá dự đoán: não liên tục tạo dự đoán và cập nhật theo sai số giữa dự đoán và tín hiệu giác quan. Ở cấp tri giác như kết hợp thị giác với xúc giác, có bằng chứng hành vi khá tốt cho việc kết hợp gần tối ưu theo kiểu Bayes. Ở cấp suy luận có ý thức, các lỗi như bỏ qua tỷ lệ nền cho thấy con người thường không theo Bayes.
Làm sao chọn xác suất tiên nghiệm khi không có thông tin?
Có vài cách. Dùng tỷ lệ nền từ dữ liệu tham chiếu là tốt nhất, chẳng hạn tỷ lệ thành công của các dự án tương tự. Khi không có, nhà thống kê dùng tiên nghiệm ít thông tin hoặc tiên nghiệm điều chuẩn nhẹ để kết quả do dữ liệu quyết định là chính. Cách thận trọng là phân tích độ nhạy: thử vài tiên nghiệm hợp lý và xem kết luận có đổi không; nếu đổi, dữ liệu chưa đủ mạnh.