Теорема Байеса показывает, насколько именно изменится мое убеждение относительно A в свете новых сведений X. В приведенном выше уравнении p(A) – мое первоначальное или априорное, убеждение об A до поступления новых сведений X, p(X|A) – вероятность получения сведений X в случае, если A действительно будет иметь место, а p(A|X) – мое последующее, или апостериорное, убеждение об A с учетом новых сведений X. Все это станет понятнее на конкретном примере.

Вас, вероятно, удивило, почему это Брэдли Карлин, профессор здравоохранения из Университета Миннесоты, так интересуется теоремой Байеса. Дело в том, что здравоохранение – одна из тех многих областей, где теорема Байеса находит свое применение.

Рассмотрим проблему рака груди.[123]Обратимся к частному случаю, связанному с эффективностью массовых обследований. Мы знаем (это наше априорное убеждение), что к 40 годам у 1% женщин развивается рак груди (p(A) = 0,01). Кроме того, у нас есть хороший метод выявления рака груди – маммография (этот метод дает нам новые сведения). Результат маммографии будет положительным у 80% женщин с раком груди (p(X|A) = 0,8) и лишь у 9,6% женщин без рака груди (p(X|~A) = 0,096). Таковы вероятности получения наших сведений в случае, если наше убеждение истинно. Судя по этим цифрам, кажется очевидным, что регулярные обследования на предмет наличия рака груди – вещь хорошая. Итак, если мы обследуем всех женщин, то какова будет среди тех, у кого обследование даст положительный результат, доля тех, у кого действительно будет рак груди, то есть каково будет значение p(A|X)?

Учитывая, что этот метод кажется хорошим, каково будет ваше убеждение относительно женщины, для которой только что получен положительный результат маммографического обследования на рак груди? Большинство людей сказали бы, что у нее, скорее всего, рак груди. Но применение теоремы Байеса показывает, что это мнение ошибочно. Мы можем легко убедиться в этом, если на время забудем о вероятностях. Вместо этого давайте рассмотрим 10 000 женщин в возрасте 40 лет и старше.

Еще до обследования эти 10 000 женщин можно мысленно разделить на две группы:

Группа 1: 100 женщин с раком груди;

Группа 2: 9900 женщин без рака груди.

Группа 1 – этот тот 1% женщин, у которых развился рак: p(A)

После обследования женщин можно разделить на четыре группы:

Группа А: 80 женщин с раком груди и положительной маммографией;

Группа Б: 20 женщин с раком груди, но с отрицательной маммографией.

Группа В: 950 женщин без рака груди, но с положительной маммографией;

Группа Г: 8 950 женщин без рака груди и с отрицательной маммографией.

Группа А – это те 80% женщин с раком груди, у которых его выявляет маммография: p(X|A)

Группа В – это те 9,6% женщин, у которых нет рака груди, но результат маммографии положительный: p(X|~A).

Итак, результат обследования оказался положительным у 950 женщин, у которых нет рака груди, и только у 80 женщин, у которых есть рак груди. Чтобы ответить на вопрос "Какова доля женщин с раком груди среди тех, у кого результат маммографии положительный?", мы разделим число женщин в группе А на суммарное число женщин в группах А и В (то есть на общее число женщин с положительной маммографией). Это даст нам ответ 7,8%. Иными словами, более 90% женщин, у которых маммография дает положительный результат, в действительности не больны раком груди. Несмотря на то что маммография – хороший метод выявления рака груди, теорема Байеса говорит нам, что получаемые с ее помощью сведения сравнительно малоинформативны.[124]Проблема возникает оттого, что мы обследуем сразу всех женщин в возрасте 40 лет и старше. Для женщин этой большой группы априорное ожидание рака весьма невелико. Теорема Байеса показывает, что результаты маммографии будут намного информативнее, если обследовать "группы риска", например женщин, у которых в семье были случаи рака груди.

Теперь вам уже, наверное, кажется, что вы узнали больше, чем нужно, о том, как на деле работает теорема Байеса. Какое же все это имеет отношение к решению проблемы познания окружающего мира?

Важность теоремы Байеса состоит в том, что она дает нам возможность очень точно измерять степень, в которой новые сведения должны менять наши представления о мире. Теорема Байеса дает нам критерий, позволяющий судить о том, адекватно ли мы используем новые знания. На этом и основана концепция идеального байесовского наблюдателя – воображаемого существа, всегда использующего получаемые сведения наилучшим из возможных способов. Как мы только что убедились из примера с раком груди, у нас очень плохо выходит использовать получаемые сведения, когда речь идет о редких событиях и больших числах. Психологи охотно придумывает забавные и полезные задачи, которые у студентов, даже тех, кто изучает статистику и логику, никак не получается правильно решить.[125]Но хотя нам, когда мы пытаемся решать такие задачи, и далеко до идеального наблюдателя, у нас есть уже немало свидетельств того, что наш мозг не сбивают с толку ни редкие события, ни большие числа. Наш мозг, когда он обрабатывает данные, поступающие от органов чувств, ведет себя как настоящий идеальный наблюдатель.

Отступление о преподобном Томасе Байесе и национальной безопасности: когда идеальный наблюдатель оказывается неидеальным

Наш мозг, пока мы ему не мешаем, ведет себя как идеальный байесовский наблюдатель. Так почему же эта идеальная система дает сбои, когда мы сами начинаем думать над решением задачи? Не оттого ли это, что в некоторых условиях этот идеальный наблюдатель оказывается не таким уж идеальным? Приведем пример из проведенных в Бостоне исследований Джереми Вулфа (Jeremy Wolfe) и его коллег. Они экспериментировали с заданием, за образец которого взяли задачу работников службы безопасности, сканирующих вещи в аэропорту в поисках ножей и взрывчатых веществ, а также разных других запрещенных к провозу объектов. Когда искомые объекты встречались часто, испытуемые показывали совсем неплохой результат, не замечая лишь около 7% запрещенных объектов, но когда такие объекты встречались очень редко, результат оказывался крайне неутешительным. В одном из экспериментов испытуемые не заметили больше 50% искомых объектов находившихся лишь в 1% досмотренных вещей. В этом эксперименте испытуемые вели себя как идеальные наблюдатели. Когда искомые объекты встречаются очень редко, идеальному наблюдателю нужно намного больше данных, чтобы установить наличие такого объекта. Но когда искомый объект – это бомба, спрятанная в чемодане, идеальный наблюдатель оказывается не таким уж идеальным. Слишком серьезны могут быть последствия незамеченной бомбы.