Kort fortalt
Bayes’ teorem fortæller, hvordan en forhåndssandsynlighed (prior) skal opdateres, når man får nye data, så man ender med en bagudrettet sandsynlighed (posterior). Evidens ændrer overbevisning — proportionelt med, hvor diagnostisk den er.
Hvad betyder princippet?
Teoremet forbindes med Thomas Bayes og blev udviklet videre i sandsynlighedsregningen, blandt andet af Laplace. I moderne brug er “bayesiansk tænkning” ofte en beslutningsheuristik: start med en base rate, og justér efter styrken af nye signaler.
Kernen er at undgå to fejl: at ignorere forhåndsviden, og at overreagere på anekdoter.
Ny evidens opdaterer det, du troede i forvejen — den erstatter det ikke blindt.
Et konkret eksempel
En sjælden sygdom har lav base rate. En test med få falske positiver kan stadig give mange falske alarmer i absolutte tal. Bayes’ teorem viser, hvorfor “positiv test” ikke automatisk betyder “høj sandsynlighed for sygdom” uden at medregne hyppigheden.
En recruiter møder én dårlig kandidat fra et eliteuniversitet og nedjusterer hele gruppen for hårdt. En bayesiansk tilgang ville opdatere forsigtigt i lyset af base rates og stikprøvestørrelse.
Hvornår er princippet nyttigt?
- Når base rates glemmes.
- Når diagnostiske tests og alarmer tolkes.
- Når man opdaterer overbevisninger under usikkerhed.
- Når anekdoter truer med at overstyre statistik.
Begrænsninger og kritik
Teoremet er matematik; anvendelsen afhænger af priors og antagelser om evidensens styrke. Dårlige priors giver dårlige posteriors. Desuden er mennesker ikke naturlige bayesianere — det er en normativ model.
Brug den som ramme for opdatering, ikke som falsk præcision med opdigtede tal.
Kilder
- Thomas Bayes — tidligt arbejde om invers sandsynlighed; senere formalisering i klassisk sandsynlighedsregning (bl.a. Laplace).
- Bemærkning: Bayes’ teorem er standard i statistik; “bayesiansk tænkning” i praksis er ofte en forenklet beslutningsheuristik.