Kubadilisha Mawazo Unapopata Ushahidi Mpya
Fikiria hali hii: daktari wako anakuambia kipimo cha ugonjwa kimekuja chanya. Mara moja unaogopa. Lakini daktari mwenye busara anakuuliza: "Uwezekano ulikuwa kiasi gani kabla ya kipimo?" Kama ugonjwa ni nadra sana - tuseme mtu 1 kati ya 10,000 anao - hata kipimo kizuri kinaweza kutoa matokeo ya uongo. Nadharia ya Bayes ndiyo zana ya kuhesabu uwezekano halisi baada ya kupata taarifa mpya.
Fomyula ya Bayes
Nadharia ya Bayes inaonyesha jinsi ya kusasisha uwezekano:
P(A|B) = [P(B|A) × P(A)] ÷ P(B)
Ambapo:
- P(A|B) - uwezekano wa A baada ya kuona B (uwezekano wa nyuma / posterior)
- P(B|A) - uwezekano wa kuona B kama A ni kweli (likelihood)
- P(A) - uwezekano wa A kabla ya ushahidi wowote (uwezekano wa awali / prior)
- P(B) - uwezekano wa kuona B kwa ujumla
Mfano wa Kwanza: Kipimo cha Afya
Hospitali ya Aga Khan Nairobi inatoa kipimo cha ugonjwa wa kisukari. Hali halisi:
- Asilimia 5 ya watu wana kisukari (P(kisukari) = 0.05)
- Kipimo kinagundua ugonjwa kwa usahihi asilimia 90 ya wakati (P(chanya | kisukari) = 0.90)
- Kipimo kinatoa matokeo ya uongo-chanya asilimia 10 ya wakati (P(chanya | hakuna kisukari) = 0.10)
Ukipata matokeo chanya, uwezekano wa kweli wa kuwa na kisukari ni upi?
Hatua ya 1: P(chanya) = P(chanya | kisukari) × P(kisukari) + P(chanya | hakuna) × P(hakuna)
= 0.90 × 0.05 + 0.10 × 0.95 = 0.045 + 0.095 = 0.14
Hatua ya 2: P(kisukari | chanya) = (0.90 × 0.05) ÷ 0.14 = 0.045 ÷ 0.14 = 0.321
Uwezekano wa kweli ni asilimia 32 tu, si asilimia 90! Hii ni kwa sababu ugonjwa ni nadra, kwa hivyo matokeo mengi ya chanya ni ya uongo.
Mfano huu unaonyesha kwa nini Nadharia ya Bayes ni muhimu sana katika afya. Bila kuhesabu kwa usahihi, wagonjwa wanaweza kuogopa bila sababu, na madaktari wanaweza kutoa matibabu yasiyo ya lazima.
Mfano wa Pili: Ulaghai wa M-Pesa
Safaricom ina mfumo wa kugundua ulaghai. Taarifa:
- Miamala 0.1% ni ulaghai (P(ulaghai) = 0.001)
- Mfumo unagundua ulaghai kwa usahihi asilimia 95 (P(onyo | ulaghai) = 0.95)
- Mfumo unatoa onyo za uongo asilimia 2 (P(onyo | halali) = 0.02)
Ukipata onyo, uwezekano wa kuwa ulaghai wa kweli ni upi?
P(onyo) = 0.95 × 0.001 + 0.02 × 0.999 = 0.00095 + 0.01998 = 0.02093
P(ulaghai | onyo) = 0.00095 ÷ 0.02093 = 0.045
Ni asilimia 4.5 tu! Kati ya onyo 20, takriban 1 tu ni ulaghai wa kweli. Hii inasababisha ugumu wa kusawazisha usalama na usumbufu kwa wateja.
Kwa Nini Uwezekano wa Awali Ni Muhimu Sana
Katika mifano yote miwili hapo juu, uwezekano wa awali (prior) ulikuwa mdogo sana - asilimia 5 kwa kisukari, asilimia 0.1 kwa ulaghai. Hii ndiyo sababu hata vipimo vizuri vinatoa matokeo ya uongo mengi. Ugonjwa au tukio linapokuwa nadra, huhitaji kipimo kizuri sana ili matokeo chanya yawe ya kuaminiwa.
Fikiria hivi: katika bahari ya samaki milioni 1, samaki 100 tu ni wekundu. Hata wavu unaonasa asilimia 99 ya samaki wekundu utanasa pia maelfu ya samaki wengine. Uwezekano wa awali mdogo unamaanisha "kelele" nyingi katika matokeo.
Bayes Katika Maisha ya Kila Siku
Huenda hutumii fomyula, lakini ubongo wako unafanya kazi kwa njia ya Bayes kila siku:
- Hali ya hewa: Mawingu mengi yanaonekana (ushahidi), na unaanza na imani yako kuhusu uwezekano wa mvua msimu huu. Mawingu yanasasisha imani yako juu.
- Biashara: Mteja mpya anakuja dukani (ushahidi). Kulingana na uzoefu wako, unakadiria uwezekano wa kununua. Akiuliza maswali mengi kuhusu bidhaa (ushahidi zaidi), unasasisha uwezekano juu zaidi.
- Uchaguzi: Kabla ya kura za maoni (prior), unaamini mgombea ana nafasi fulani. Kura za maoni (ushahidi) zinasasisha imani yako.
Mfano wa Tatu: Mtihani wa Form 4
Mwalimu anajua kwamba kwa kawaida, asilimia 20 ya wanafunzi wanapata Division I. Mwanafunzi fulani alifanya vizuri sana katika mtihani wa mazoezi (mock exam). Kati ya wanafunzi wanaopata Division I, asilimia 80 walifanya vizuri kwa mazoezi. Kati ya wengine, asilimia 30 tu walifanya vizuri kwa mazoezi.
Mwanafunzi huyu amefanya vizuri kwa mazoezi. Uwezekano wa kupata Division I?
P(vizuri) = 0.80 × 0.20 + 0.30 × 0.80 = 0.16 + 0.24 = 0.40
P(Div I | vizuri) = 0.16 ÷ 0.40 = 0.40
Uwezekano umepanda kutoka asilimia 20 hadi asilimia 40 baada ya kupata ushahidi wa mazoezi. Bado si uhakika, lakini ni ishara nzuri.
Makosa ya Kawaida
- Kupuuza uwezekano wa awali: Watu wengi huangalia tu usahihi wa kipimo na kusahau jinsi tukio lilivyo nadra au la kawaida.
- Kubadilisha masharti: P(chanya | ugonjwa) si sawa na P(ugonjwa | chanya). Kipimo kinachogundua ugonjwa kwa asilimia 95 hakimaanishi matokeo yako chanya yana uhakika wa asilimia 95.
- Kutokuwa tayari kusasisha imani: Bayes inatufundisha kuwa wazi kubadilisha maoni yetu tunapopata ushahidi mpya.
Nadharia ya Bayes inakusaidia kusasisha uwezekano unapopata taarifa mpya. Fomyula inaunganisha uwezekano wa awali (prior) na ushahidi mpya (likelihood) kutoa uwezekano wa nyuma (posterior). Uwezekano wa awali ni muhimu sana - tukio linapokuwa nadra, hata vipimo vizuri vinatoa matokeo ya uongo mengi. Bayes ni msingi wa maamuzi ya kimatibabu, mifumo ya usalama, na hata jinsi ubongo wetu unavyofanya kazi.