Professional Documents
Culture Documents
Seminarski Rad - Bajesova Teorema
Seminarski Rad - Bajesova Teorema
Teorija odlučivanja
Seminarski rad
Bajesova teorema
MENTOR: STUDENT:
1
SADRŽAJ:
1. Uvod............................................................................................................................................3
3. Matematičke Osnove…...…......................................................................................................4
9. Zaključak....................................................................................................................9
10. Literatura................................................................................................................10
2
1. Uvod
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
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)
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:
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)
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.
Verovatnoća da je kontejner proizveden od strane stroja A iznosi 25%, od stroja B iznosi 28%, a
od stroja C iznosi 47%.
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.
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.
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.
7
ažuriranje ovih informacija na osnovu novih podataka, što dovodi do prilagođavanja odluka u
promenljivim ekonomskim uslovima.
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.
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.
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