UNIVERZITET PRIVREDNA AKADEMIJA U NOVOM SADU

FAKULTET ZA PRIMENJENI MENADŽMENT, EKONOMIJU I

FINANSIJE, BEOGRAD

Teorija odlučivanja

Seminarski rad

Bajesova teorema

MENTOR: STUDENT:

Prof. dr Srđan Novaković Anđela Ilić M001-05/2020

Beograd, 2024. godina

1
 SADRŽAJ:

1. Uvod............................................................................................................................................3

2. Bajesova teorema: Istorijiski Razvoj.......................................................................................3

3. Matematičke Osnove…...…......................................................................................................4

3.1. Primer Bajesove teoreme……………...……………………………………………5

4.Ograničenja i izazovi u primeni teoreme….............................................................................6

5.Bajesova teorema u veštačkoj inteligenciji..…....................................................................... 7

6. Bajesova teorema u ekonomiji..……… …………………………..........................................7

7. Bajesova teorema u statistici …………………………………….....................................…..8

8. Bajesova teorema u medicini........................................................................................9

9. Zaključak....................................................................................................................9

10. Literatura................................................................................................................10

2
 1. Uvod

U savremenom društvu, u kojem se količina dostupnih informacija stalno povećava, donošenje

odluka zasniva se na analizi podataka i informacijama koje slede iz statističkih metoda. Jedan od
ključnih alata za donošenje odluka je Bajesova teorema, koristi za izračunavanje verovatnoće
događaja, imajući unaprijed informacije o tom događaju. Od svojih početaka u 18. veku do
danas, Bajesova teorema je postala veliki deo različitih disciplina, uključujući statistiku,
veštačku inteligenciju, medicinu, ekonomiju i druge oblasti.

Bajesov teorema omogućava nam da izračunamo verovatnoću događaja A, uzimajući u obzir

određenu karakteristiku koja utiče na tu verovatnoću. Ova teorema radi obrnuto u odnosu na
teoremu ukupne verovatnoće, jer zaključuje o verovatnoći događaja B na temelju rezultata
događaja A odnosno, Bajesova teorema izračunava verovatnoću događaja A uzrokovano
događajem B.

2. Bajesova teorema: Istorijiski Razvoj

Bajesova teorema, ključni instrument u teoriji odlučivanja, proizlazi iz duboko ukorenjene

istorije statističkog razvoja. Razumevanje njenih principa zahteva putovanje kroz vreme i
prostor, počev od radova poput Tomasa Bajesa i Pjera Simona Laplasa, čiji doprinosi postavljaju
osnove ove moćne teoreme.

Od 18. veka do danas, Bajesova teorema prolazi kroz evolutivne trenutke koji se koriste u radu
različitih statistika. Tomas Bajes i Pjer Simon Laplas, čiji razvoj teoreme proširuje njenu
primenu, postavljaju temelje za razumevanje verovanja verovatnoće na osnovu novih
informacija. Ova teorema nije statična, ona se prilagođava potrebama različitih disciplina. Njen
uticaj se ogleda u širokom spektru naučnih disciplina, od statistike do veštačke inteligencije,
medicine i ekonomije.

Bajes je, u svom radu "Esej ka rešavanju problema u doktrini šansi" iz 1763. godine, koristio
uslovnu verovatnoću kako bi razvio algoritam za izračunavanje ograničenja nepoznatog
parametra. Nakon Bajesove smrti, Ričard Prajs, filozof i matematičar, uredio je Bajesov
neobjavljeni rukopis, koji je zatim predstavljen Kraljevskom društvu 23. decembra 1763. godine.
Prajs je izabran za člana Kraljevskog društva 1765. godine zbog njegovog doprinosa Bajesovom

3
nasleđu. U uvodu rada, Price je postavio filozofske osnove Bajesove statistike i izabrao jedno od
dva Bajesova rešenja.

Nezavisno od Bajesa, Pjera Simona Laplas je 1774. godine koristio uslovnu verovatnoću u svojoj
Analitičkoj teoriji verovatnoće da formuliše odnos ažurirane verovatnoće. Laplace je
reprodukovao i proširio Bajesove rezultate 1774. godine, nesvestan Bajesovog rada. On je takođe
razvio Bajesovu interpretaciju verovatnoće.

Harold Jefreis je oko dva veka kasnije postavio Bajesov algoritam i Laplaceovu formulaciju na
osnovu, nazivajući Bajesovu teoremu "za teoriju verovatnoće ono što je Pitagorina teorema za
geometriju." Stiven Stigler je koristio Bajesov argument da zaključi da je Bajesovu teoremu
otkrio slepi engleski matematičar Nikolas Saunderson nešto pre Bajesa. Međutim, Martin Hoper
i Šaron McLean tvrde da je doprinos Ričarda Prajsa bio značajan, predlažući modernu verziju
"Bajes-Prijsovo pravilo."

3. Matematičke Osnove

Razumevanje Bajesove teoreme počinje sa osnovama odnosno Bajesovom formulom. Ova

formula se koristi pri računanju usovne verovatnoće.

Kao dokaz prema definiciji uslovne verovatnoće imamo:

Koristeći pravilo potpune verovatnoće:

Zamenom u prvi izraz se direktno dobija Bajesova formula.

Postoji nekoliko različitih načina pisanja formule za Bajesov teorem, najčešći oblik je Bajesova
formula za dva slučaja, kada imamo dva slučaja A i B, formula se svodi na:
4
 P (A | B) = P (B | A) P (A) / P (B)

Gde su A i B dva događaja i P (B) ≠ 0

P (A | B) je uslovna verovatnoća događaja A koja se pojavljuje s obzirom da je B tačan.

P (B | A) je uslovna verovatnoća nastanka događaja B sa obzirom da je A tačna.

P (A) i P (B) su verovatnoće A i B koje se pojavljuju nezavisno jedna od druge (marginalna

verovatnoća).

3.1. Primer Bajesove teoreme

Firma ima fabriku u Sjedinjenim Američkim Državama sa tri mašine, A, B i C, koje proizvode
posude za posude za hranu. Poznato je da mašina A proizvodi 40% ukupnog volumena, mašina
B 30%, a mašina C 30%. Takođe, poznato je da svaka mašina proizvodi neispravnu ambalažu.
Odnosno, mašina A proizvodi 2% neispravnih pakovanja u ukupnoj proizvodnji, mašina B 3%, a
mašina C 5%. Sada postavljamo dva pitanja:

1.Ako je posuda proizvedena u SAD-u, koja je verovatnoća da je neispravana?

Verovatnoća da je posuda neispravana ako je proizveden mašinom A:

P (A) = 0,40 P (D / A) = 0,02

Verovatnoća da je posuda neispravana ako je proizveden mašinom B:

P (B) = 0,30 P (D / B) = 0,03

Verovatnoća da je posuda neispravana ako je proizveden mašinom C:

P (C) = 0,30 P (D / C) = 0,05

Ukupna verovatnoća da je posuda neispravana može se izračunati kao suma ovih verovatnoća,
pošto računamo verovatnoću da je neispravana iz različitih događaja. :

P(neispravan)=P(neispravan∣A)+P(neispravan∣B)+P(neispravan∣C)P(neispravan)=

P(neispravan∣A)+P(neispravan∣B)+P(neispravan∣C)

P (D) = (P (A) x P (D / A)) + (P (B) x P (D / B)) + (P (C) x P (D / C)) =

(0, 4 x 0,02) + (0,3 x 0,03) + (0,3 x 0,05) = 0,032

Izraženo u procentima, verovatnoća je 3,2%.

5
Ako je posuda neispravana, kolika je verovatnoća da ga je proizveo stroj A? Koliki da je stroj B?
I koliki da je stroj C?

Ovde se koristi Bajesova teorema i pošto imamo prethodne informacije, odnosno znamo da je
ambalaža neispravna. Znajući da je neispravana, želimo da znamo kolika je verovatnoća da ga je
proizveo jedan od strojeva.

P(A/neispravan)= P(neispravan|A)×P(A)/ P(neispravan)

P (A / D) = (P (A) x P (D / A)) / P (D) = (0,40 x 0,02) / 0,032 = 0,25

P (B / D) = (P (B) x P (D / B)) / P (D) = (0,30 x 0,03) / 0,032 = 0,28

P (C / D) = (P (C) x P (D / C)) / P (D) = (0,30 x 0,05) / 0,032 = 0,47

Verovatnoća da je kontejner proizveden od strane stroja A iznosi 25%, od stroja B iznosi 28%, a
od stroja C iznosi 47%.

4. Ograničenja i izazovi u primeni teoreme

Primena Bajesove teoreme u različitim domenima nosi sa sobom niz izazova, koje treba
razmotriti kako bi se pravilno razumela i koristila u praksi. Teorema zavisi od izbora prioriteta,
početnih verovatnoća pre analize novih podataka, jer kod njih postavljanje prioriteta može biti
izazovno. Zbog subjektivnih ili nepreciznih prioriteta može doći i do loših rezultata, koji utiču na
kvalitet donošenja odluka. Efikasna primena Bajesove teoreme često zahteva veliki broj
podataka. U situacijama sa većim skupom podataka, može biti široka i nesigurnost visoka, što
dovodi do manje pouzdanih rezultata. Ovo postaje posebno izazovno kad prikupljanje velikog
skupa podataka nije izvodljivo ili ekonomično.

Kompleksnost računara dolazi iz primene Bajesove teoreme, naročito u situacijama sa složenim

modelima ili velikim skupom podataka. Ovo može da ograniči brzinu i praktičnost primene,
čineći je manje pogodnom za određene aplikacije. Osetljivost na greške u podacima čini
Bajesovu teoremu ranjivom na nepreciznosti i šum u podacima, što može uticati na kvalitet
rezultata. Naučni principi rezultata Bajesove teoreme zahtevaju napredno razumevanje statistka i
koncepta verovatnoća, što može da predstavlja izazov za korisnike bez odgovarajućeg
obrazovanja. Uprkos ovim izazovima, Bajesova teorema ostaje moćno sredstvo u različitim
segmentima, ali se njena ograničenja moraju pažljivo uzeti u obzir kako bi se postigli pouzdani
rezultati u praksi.

6
 5. Bajesova teorema u veštačkoj inteligenciji

Veštačka inteligencija(VI) predstavlja naučnu disciplinu koju je teško precizno definisati zbog
njenog kompleksnog i evolutivnog karaktera. Bajesova teorema predstavlja princip koji ne samo
što odražava suštinsku verovatnoću u različitim situacijama, već i pruža osnovu za efikasno
vodjenje nesigurnošću u veštačkoj inteligenciji. Različite primene teoreme u VI ističu njen
značaj i fleksibilnost u okruženju u kojem se veštački agenti nalaze.

Bajesove mreže su moćni grafički modeli koji se koriste za reprezentaciju i upravljanje

nesigurnostima u VI. Ovi modeli se oslanjaju na Bajesovu teoremu kako bi efikasno ažurirali
verovatnoće u kompleksnim strukturama podataka. Kroz Bajesove mreže, VI može upravljati
nesigurnosti u situacijama sa nepotpunim ili promenljivim informacijama, pružajući tako
preciznije odluke u dinamičkom okruženju.

Bajesova optimizacija predstavlja oblast u kojoj teorema efikasno optimizuje funkcije sa

ograničenim resursima. Ova tehnika se posebno ističe u VI prilikom optimizacije
hiperparametara i drugih modela. Bajesova teorema omogućava algoritmima optimizacije da
prilagode svoje strategije u skladu sa novim informacijama, čime se postižu bolji rezultati u
kompleksnim problemima. Takodje, teorema se koristi i za analiziranje i ažuriranje verovatnoća
pripadnosti određenim klasama ili karakteristikama, što je veoma bitno u situacijama gde je
potrebno uzeti u obzir više mogućih interpretacija podataka. Primena Bajesove teoreme
omogućava modelima da prilagode svoje tumačenja u skladu sa novim saznanjima, što ih čini
naprednijim i preciznijim.

6. Bajesova teorema u ekonomiji

Bajesova teorema kao ključni instrument u statistici i verovatnoći, pronalazi svoju primenu i u
ekonomiji, gde pruža dublje razumevanje nesigurnosti, analize rizika i donošenja odluka u
kompleksnom ekonomskom okruženju.

Ekonomiste uz pomoć Bajesove teoreme, analiziraju nesigurnosti, posebno kada se suočavaju sa

složenim ekonomskim varijablama. Kroz postavljanje prioriteta na osnovu poznatih informacija,
ekonomske analize postaju sposobnije da integrišu nove podatke, što doprinosi preciznijim
prognozama. Postavljanjem prioriteta koji odražavaju prethodna znanja, teorema omogućava

7
ažuriranje ovih informacija na osnovu novih podataka, što dovodi do prilagođavanja odluka u
promenljivim ekonomskim uslovima.

U finansijskom sektoru, Bajesova teorema ima značajnu primenu u upravljanju portfolijima i

investicijama. Kroz upravljanje verovatnoćama različitih scenarija i prilagođavanje tih
verovatnoća kako se novi podaci stiču, investitori mogu bolje razumeti rizike i pravilnije
raspolagati resursima. Bajesova teorema se koristi i da bi se procenio rizik u različitim
ekonomskim sektorima, omogućavajući bolje razumevanje verovatnoće određenih događaja.
Ovaj pristup doprinosi donošenju odluka o osiguranju i upravljanju rizicima.

7. Bajesova teorema u statistici

Bajesova teorema u statistici proširuje tradicionalne metode analize podataka i omogućavajući

ažuriranje verovatnoća na osnovu novih informacija. Teorema nalazi primenu u statističkoj
analizi, poboljšavajući sposobnost analitičara da donosu odluke i pravilno predstave rezultate.
Takodje, omogućava statističarima da poboljšaju svoja početna uverenja o određenim
događajima na osnovu novih podataka. Ovaj proces pomaže u prilagođavanju modela promena u
podacima, čineći statističku analizu tačnijom. Statistika se često suočava sa nesigurnostima u
podacima. Bajesov pristup testiranju hipoteza pruža alternativu klasičnim metodama. Umesto
fokusiranja na vrednosti verovatnoće, Bajesova teorema omogućava izračunavanje verovatnoće
hipoteza, što omogućava statističarima da donese odluke na osnovu verovatnće različitih ishoda.

8. Bajesova teorema u medicine

Medicinska statistika često se suočava sa složenim izazovima, a Bajesova teorema pruža analizu
podataka i donošenje odluka. Bajesova teorema se često koristi u medicini za dijagnostiku
bolesti i procenu rizika. Kada se suočavamo sa pacijentovim simptomima ili rezultatima testova,
Bajesova teorema omogućava lekarima da ažuriraju verovatnoću prisustva određene bolesti na
osnovu dodatnih informacija, poboljšavajući preciznost dijagnoze. U analizi efikasnosti lečenja,
Bajesova teorema se koristi za ažuriranje verovatnoće oporavka ili neuspeha terapije na osnovu
praćenja pacijentovog odgovora na tretman. Ovo omogućava prilagođavanje plana lečenja u
skladu sa stvarnim rezultatima. Takodje, se primenjuje u meta-analizama medicinskih
istraživanja, gde se kombinuju rezultati različitih studija kako bi se dobio celokupan zaključak.

8
Primer korišćenja Bajesove teoreme u medicini:

Verovatnoću da osoba ima dijabetes ako ima visok krvni pritisak, možemo utvrditi tako što ćemo
zamisliti da u ovom primeru, "ima visok krvni pritisak" za test za dijabetes (događaj).

A da bi bio događaj "pacijent ima dijabetes". Podaci pokazuju da 15 odsto pacijenata u klinici
ima dijabetes. P (A) = 0,15

B je test "pacijent ima visok krvni pritisak". Podaci pokazuju da 8 odsto pacijenata u klinici ima
visok krvni pritisak.

P (B) = 0,08 Evidencija klinike takođe pokazuje da kod pacijenata sa dijabetesom, 10 posto ima
visok krvni pritisak.

Verovatnoća da pacijent ima visok krvni pritisak, sa obzirom na to da ima dijabetes, je 10

procenata. B | A = 0,10

Povezivanjem ovih vrednosti u teorem:

P (A | B) = (0,10 * 0,15) / (0,08) = 0,1875

Dakle, ako pacijent ima visok krvni pritisak, njihova šansa da imaju dijabetes je 18,75 procenata.
Malo je verovatno da slučajni pacijent sa visokim krvnim pritiskom ima dijabetes.

9. Zaključak

Bajesova teorema, sa svojom svestranom primenom u različitim disciplinama, izrasta kao moćan
alat u analizi podataka, donošenju odluka i modeliranju nesigurnosti. Njen uticaj se vidi u
statistici, medicini, ekonomiji, veštačkoj inteligenciji i mnogim drugim oblastima.

U svetlu savremenih izazova, gde su podaci često nepotpuni, nesigurnost je sveprisutna, a

dinamika informacija se stalno menja, Bajesova teorema predstavlja ključni resurs za istraživače,
analitičare i donosioce odluka.

Kroz primere u medicini, ekonomiji, statistici i veštačkoj inteligenciji, vidimo da Bajesova

teorema doprinosi ne samo boljem razumevanju fenomena i donošenju tačnijih prognoza, već i
podstiče inovacije i napredak u različitim oblastima. Njena sposobnost prilagođavanja novim
informacijama čini je bitnim instrumentom u eri ubrzanog tehnološkog razvoja i stalnih promena
u našem okruženju.

9
Bajesova teorema nije samo teorijski koncept, već i praktičan alat koji doprinosi rešavanju
stvarnih problema i unapređenju našeg razumevanja sveta.

10. Literatura
1. Danijela Rajter Ćirić (2009), “Verovatnoća”, Drugo dopunjeno izdanje, Univerzitet u
Novom Sadu Prirodno Matematički fakultet, Departman za matematiku i informatiku;
2. https://en.wikipedia.org/wiki/Bayes'_theorem (Pregledano : 14 .11.23)
3. https://bs.eferrit.com/definicija-i-primjere-bayesovog-teorema/ (Pregledano : 14 .11.23)
4. https://hr.economy-pedia.com/11036172-bayes-theorem (Pregledano : 14 .11.23)
5. Vukadinović, S. (1982), Zbirka rešenih zadataka iz teorije verovatnoće, Privredni
pergled, Beograd
6. https://www.wikiwand.com/sr/Bajesovo_zaklju%C4%8Divanje (Pregledano : 15 .11.23)
7. Berry, Donald A. (1996). Statistics: A Bayesian Perspective. Duxbury.
8. https://en.wikipedia.org/wiki/Bayesian_statistics (Pregledano : 15 .11.23)
9. https://en.wikipedia.org/wiki/Bayesian_probability (Pregledano : 15 .11.23)
10. https://www.fda.gov/MedicalDevices/ucm071072.htm (Pregledano : 15 .11.23)

10