Bayes’ Theorema: De Wiskundige Grondslag van Probabilistisch Redeneren

Samenvatting

Bayes’ theorema als inversie van conditionele kansen: De formule P(A|B) = P(B|A) * P(A) / P(B) laat toe om een moeilijk te schatten voorwaardelijke kans om te keren in een meetbare voorwaardelijke kans. Dit maakt de stelling tot een brug tussen theorie en observeerbaar bewijs.
Posterior als updates van geloof: In een Bayesiaans raamwerk wordt elke nieuwe waarneming omgezet in een herziening van de a priori overtuiging naar een a posteriori verdeling. Hierdoor is leren modelleren als opeenvolgende bijwerkingen van bewijsmateriaal.
Subjectief versus objectief: Het debat tussen objectieve en subjectieve Bayesiaanse waarschijnlijkheid draait om de constructie van de prior. Objectivisten (Jeffreys, Bayes zelf) gebruiken referentiepriors; subjectivisten (de Finetti) gebruiken het Dutch book argument om persoonlijke geloof als rationale coherentie te rechtvaardigen.
De basis van moderne AI: Naive Bayes classifiers waren de eerste praktische toepassing op spamfilters, sentimentanalyse en tekstclassificatie. De aanname van conditionele onafhankelijkheid maakt ze eenvoudig maar vaak overroepen in probabiliteit.
Misinterpretatie van medische tests: Zelfs tests met 99 percent sensitiviteit en specificiteit produceren bij lage prevalentie (0,5%) slechts ~33 percent echte positieven. Dit Base-rate-effect is een van de meest onderschatte gevolgen van Bayes in de geneeskunde.
Misleiding in de rechtspraak: De zaak Sally Clark (1999) toonde hoe een verkeerde toepassing van Bayes’ theorema tot een onterechte veroordeling kan leiden. De Royal Statistical Society wees de gebruikte kans van 1 op 73 miljoen openlijk af.
Doorbraak in computationele methoden: Markov chain Monte Carlo (MCMC) via Metropolis-Hastings maakte complexe posterior verdelingen toegankelijk. Hierdoor kon Bayesiaanse inferentie doorbreken in epidemiologie, klimaatwetenschap en AI.
Bayesiaanse netwerken als causale motor: Judea Pearl toonde dat gerichte acyclische grafen (DAG’s) causaliteit van correlatie onderscheiden. Dit maakte Bayesiaanse netwerken de gouden standaard voor medische diagnose en risicoanalyse.
Modern versus frequentistisch: De Jeffreys-Lindley paradox laat zien dat dezelfde dataset tot fundamenteel verschillende conclusies leidt. Bayesianen rapporteren directe geloofskansen; frequentisten rapporteren p-waardes op basis van lange-termijn frequenties.
Cromwell’s rule als veiligheidsklep: Het toekennen van een prior van 0 of 1 sluit de posterior op die waarde. Geen enkel bewijs kan een dergelijke overtuiging veranderen, wat een essentieel waarschuwingssignaal is tegen dogma.
Beslissingsregel voor commentatoren: Bij lage prevalentie moet de nadruk liggen op likelihood ratio en posterior in plaats van op sensitiviteit alleen. Bij rechtszaken mogen priors nooit discriminatoire basisraten reflecteren.
Historische erkenning: Thomas Bayes (1702-1761) publiceerde zijn essay postuum in 1763; Laplace herformuleerde het in 1774 tot de huidige moderne vorm. De stelling is daarmee een 260-jaar-oude wiskundige erfenis die nog steeds groeit.

Van Reverend Bayes naar Laplace: een 260-jaar-oude wiskundige erfenis

Thomas Bayes (1702-1761) was een Engelse presbyteriaanse dominee, statisticus en filosoof die op latere leeftijd de wiskundige regel formuleerde die tegenwoordig zijn naam draagt [6]. Bayes was een veeleer bescheiden geleerde die nauwelijks publiceerde. Na zijn dood in 1761 kwamen zijn papieren in handen van zijn vriend Richard Price, die het ongepubliceerde manuscript twee jaar lang bewerkte en het op 23 december 1763 aanbood aan de Royal Society, wat leidde tot de postume publicatie van “An Essay Towards Solving a Problem in the Doctrine of Chances” [7]. Het essay bevatte talrijke amendementen en aanvullingen van Price zelf, waaronder de toepassing op astronomische waarnemingen en de berekening van de binomiale verdeling.

Pierre-Simon Laplace (1749-1827) reproduceerde en breidde Bayes’ resultaten in 1774 uit tot de moderne vorm van de stelling [10]. De Franse wiskundige ontwikkelde de Bayesiaanse interpretatie van waarschijnlijkheid verder en paste deze toe op demografie, gerechtigheid en astronomie, waarmee hij het fundament legde voor wat later “inverse probability” zou worden genoemd.

In de twintigste eeuw gaf Harold Jeffreys (1891-1989) de Bayesiaanse aanpak een heropleving met zijn standaardwerk “Theory of Probability” (1939), waarin hij uniforme priors verwierp en de Jeffreys-prior introduceerde als objectieve referentie [38]. Bruno de Finetti (1906-1985) rechtvaardigde persoonlijke kansen door het Dutch book argument, dat aantoont dat inconsistente overtuigingen leiden tot gegarandeerd verlies bij weddenschappen [15]. De termen “Bayesiaans”, “klassiek” en “frequentist” werden pas na Jeffreys’ dood courant, getuige het feit dat Jeffreys zelf de voorkeur gaf aan “inverse probability” als benaming.

Casestudy – De traagheid van acceptatie: Vanaf de publicatie in 1763 tot de hernieuwde belangstelling in de twintigste eeuw bleef Bayes’ stelling decennialang ondergewaardeerd. Ronald Fisher en de frequentistische school domineerden de academische statistiek tot circa 1950. Pas met de komst van computers en MCMC-methoden kon de Bayesiaanse aanpak praktisch worden toegepast op complexe modellen. Dit toont aan dat de aanvaarding van een wiskundige ontdekking sterk afhangt van computationele mogelijkheden en intellectuele tijdsgeest.

De wiskundige formule en haar vier componenten

Bayes’ theorema wordt wiskundig geformuleerd als een eenvoudige maar krachtige vergelijking:

P(A|B) = P(B|A) * P(A) / P(B)

Deze formule drukt de posterior P(A|B) uit als het product van de likelihood P(B|A) en de prior P(A), gedeeld door de evidence of marginale waarschijnlijkheid P(B) [1].

De vier componenten vormen samen de brug tussen theorie en observatie:

Component	Symbool	Betekenis	Voorbeeld
Prior	`P(A)`	Initiële overtuiging over de hypothese vóór het zien van bewijs	Percentage drugsgebruikers in de bevolking (0,5%)
Likelihood	`P(B	A)`	Waarschijnlijkheid van het bewijs gegeven dat de hypothese waar is
Evidence	`P(B)`	Totale waarschijnlijkheid van het bewijs, ongeacht de hypothese	Algemene kans op een positieve testuitslag
Posterior	`P(A	B)`	Bijgewerkte overtuiging over de hypothese na het zien van bewijs

De stelling kan worden afgeleid uit de axiomatische definitie van voorwaardelijke waarschijnlijkheid. De gezamenlijke kans P(A n B) is zowel P(A|B)P(B) als P(B|A)P(A) [3]. Door beide uitdrukkingen gelijk te stellen en op te lossen naar de posterior ontstaat de formule die tegenwoordig wereldwijd wordt gebruikt.

Een bijzonder nuttige alternatieve vorm is de odds-formulering, waarbij de stelling de verhouding van kansen (odds) uitrekent: P(A|B) / P(~A|B) = P(A)/P(~A) * P(B|A)/P(B|~A). Door logaritmisch te werken ontstaat de log-odds variant die lineair additief is voor opeenvolgende bewijzen, waardoor updates eenvoudigweg opgeteld kunnen worden [15].

Twee klassieke rekenvoorbeelden: drugstest en Monty Hall

Drugstest: waarom 99% nauwkeurigheid niet genoeg is

Een drugstest heeft een sensitiviteit (correct positief bij gebruikers) van 99% en een specificiteit (correct negatief bij niet-gebruikers) van 99%. In een populatie waar 0,5% van de mensen de drug werkelijk gebruikt, lijkt een positieve uitslag bijna bewijsend. Bayes’ theorema laat zien dat dit een illusie is [26].

De berekening verloopt als volgt:

P(positive|drug) = 0,99 (sensitiviteit)
P(positive|no drug) = 0,01 (vals positief)
P(drug) = 0,005 (prevalentie)
P(positive) = 0,99 * 0,005 + 0,01 * 0,995 = 0,0149 (totale evidence)
P(drug|positive) = (0,99 * 0,005) / 0,0149 = 0,332 (~33%)

Het verrassende resultaat is dat van elke 100 positief geteste personen er slechts ongeveer 33 werkelijk gebruiker zijn, en dus 67 een vals positief. Dit base-rate-effect geldt voor alle zeldzame aandoeningen met redelijk accurate tests: bij een ziekteprevalentie van 0,1% zou minder dan 10% van de positieve uitslagen correct zijn. De kernboodschap is dat de posterior niet alleen afhangt van de testnauwkeurigheid maar in gelijke mate van de prevalentie.

Monty Hall: de tegenintuïtie van 2/3

Het Monty Hall-probleem is een beroemde hersenkraker vernoemd naar de presentator van het Amerikaanse televisieprogramma “Let’s Make a Deal”. De deelnemer kiest een van drie deuren, waarachter één auto en twee geiten verborgen zijn. De presentator opent een andere deur waar een geit achter staat en biedt de deelnemer de mogelijkheid om van keuze te wisselen [27].

De intuïtieve reactie is dat de kans 50/50 wordt na het openen van de eerste deur, maar de Bayesiaanse analyse toont dat wisselen een winstkans van 2/3 oplevert:

P(juiste deur|bij eerste keuze) = 1/3
De presentator opent altijd een deur met geit
P(juiste deur|switch) = 2/3

Mechanisme: De eerste keuze heeft een kans van 1/3 om correct te zijn. Wanneer de presentator een deur met geit opent, blijft de kans van 1/3 op de oorspronkelijke deur staan, maar de resterende 2/3 kans wordt geconcentreerd op de enige overgebleven gesloten deur. Wisselen wint dus dubbel zo vaak als vasthouden. Dit voorbeeld toont aan dat conditionele kansen een natuurlijke asymmetrie hebben die de menselijke intuïtie systematisch foutief inschat.

Naive Bayes en de geboorte van machine learning

Naive Bayes-classifiers vormen een familie van probabilistische classifiers die Bayes’ theorema toepassen onder de “naieve onafhankelijkheidsaanname”: gegeven de klasse zijn alle eigenschappen onderling onafhankelijk [13]. In de praktijk betekent dit dat bij een spamfilter de aanwezigheid van het woord “gratis” als onafhankelijk wordt beschouwd van de aanwezigheid van het woord “aanbieding”, gegeven dat het bericht spam is. De classifier berekent voor elke klasse de posterior en kiest de klasse met de hoogste waarde.

De drie bekendste varianten zijn:

Multinomial Naive Bayes: werkt op woordtellingen en is de standaard voor tekstdocumentatie
Bernoulli Naive Bayes: werkt op binaire aanwezigheid van woorden, geschikt voor korte documenten
Gaussian Naive Bayes: veronderstelt dat continue eigenschappen een normale verdeling volgen

De voordelen zijn groot: de classifiers vragen weinig trainingsdata, schalen lineair met het aantal kenmerken, en zijn via een closed-form expressie te trainen door eenvoudigweg tellingen per klasse [13]. Dit maakte ze in de jaren 1990 tot de eerste werkende spamfilters bij providers als Mozilla en Outlook. Tegenwoordig zijn ze nog steeds de basistechniek voor sentimentanalyse en documentclassificatie waar snelheid en eenvoud primeren.

Casestudy – Spamfiltering bij Mozilla: In de late jaren 1990 implementeerde Mozilla een op Bayes geïnspireerd spamfilter dat elke gebruiker in staat stelde om het model aan te passen door berichten als spam of niet-spam te markeren. Het filter leerde op die manier de woordfrequenties die kenmerkend zijn voor de persoonlijke inbox. Deze personalisatie maakte het mogelijk om de posterior van elk nieuw bericht bij te werken op basis van de gebruikersspecifieke prior en likelihood, een vroege demonstratie van online Bayesiaans leren.

Twee scholen: objectivisten tegenover subjectivisten

Binnen de Bayesiaanse waarschijnlijkheid bestaan twee fundamenteel verschillende visies op de aard van de prior [15]:

Dimensie	Objectivisten	Subjectivisten
Interpretatie van kans	Uitbreiding van logica, kwantificeerbare rationele verwachtingen	Persoonlijke overtuiging van een individu
Constructie van prior	Referentieanalyse, maximale entropie, transformatiegroepen	Persoonlijke beoordeling, gesteund door Dutch book argument
Belangrijkste vertegenwoordiger	Harold Jeffreys, Edwin Jaynes	Bruno de Finetti, Leonard Savage
Voordelen	Reproduceerbaar, geen persoonlijke voorkeur	Flexibel, kan unieke kennis integreren
Nadelen	Beperkt bij complexe modellen	Risico op subjectieve vertekening

Het Dutch book argument van de Finetti gebruikt weddenschappen om beperkingen op rationaliteit en coherentie te rechtvaardigen. Een “Dutch book” ontstaat wanneer een bookmaker odds kan vaststellen die verlies voor de wedder garanderen, ongeacht de uitkomst. Als iemands overtuigingen een Dutch book toelaten, zijn ze incoherent en mogen ze als irrationeel worden beschouwd.

In de praktijk convergeert de objectieve en subjectieve aanpak bij grote datasets: voldoende bewijs domineert de invloed van de prior (een verschijnsel dat Laplace de “law of large numbers” noemde). Bij kleine steekproeven blijft de prior echter dominant, wat het fundamentele verschil uitmaakt voor zeldzame gebeurtenissen of eenmalige beslissingen.

Casestudy – De Jeffreys-Lindley paradox: Wanneer dezelfde dataset wordt geanalyseerd, rapporteren Bayesianen posterior kansen en frequentisten p-waardes. De Jeffreys-Lindley paradox toont aan dat deze in extreme gevallen tot exact tegenovergestelde conclusies leiden voor dezelfde gegevens [48]. Een voorbeeld: in een experiment met zwakke bewijskracht (Bayes factor ~0,5) kan de frequentistische p-waarde < 0,05 zijn (en dus “significant”), terwijl de Bayesiaanse posterior sterker in richting van de nulhypothese blijft. Dit legt een structurele kloof bloot die niet door compromis kan worden overbrugd.

Bayes versus Frequentist: twee werelden van statistiek

Het fundamentele verschil tussen Bayesiaanse en frequentistische statistiek ligt in de interpretatie van waarschijnlijkheid en de rol van de prior [18]:

Aspect	Bayesiaans	Frequentistisch
Definitie van kans	Persoonlijke graad van geloof (epistemisch)	Limiet van lange-termijn frequentie (aleatorisch)
Behandeling van parameters	Vaste parameters zijn toevalsvariabelen	Parameters zijn vaste, onbekende constanten
Hoofdresultaat	Posterior verdeling en credible interval	Punt schatting en betrouwbaarheidsinterval
Gebruik van prior informatie	Expliciet via P(A)	Impliciet via aannames
Beslissingslogica	Maximale a posteriori of verwachte verlies	p-waarde toetsing tegen drempel

Bayesianen rapporteren direct de kans dat een hypothese waar is, gegeven de observaties, inclusief alle onzekerheid. Frequentisten rapporteren de kans om de observaties te zien als de nulhypothese waar is, zonder direct iets te zeggen over de hypothese zelf. Voor een arts die moet beslissen of een patiënt ziek is, geeft de Bayesiaanse aanpak direct het relevante getal (de posterior), terwijl de frequentistische p-waarde alleen zegt of de observaties ongewoon zouden zijn onder de veronderstelling dat de patiënt gezond is [16].

Cromwell’s rule, ook bekend als de zero priors paradox, dicteert dat het toekennen van een prior kans van 0 of 1 aan een hypothese de posterior tot 0 of 1 forceert – geen bewijs, hoe sterk ook, kan een dergelijke overtuiging veranderen [47]. Deze regel is een waarschuwing tegen dogmatisme in de statistiek en rechtvaardigt voorzichtige keuzes van priors bij extreme waarden.

Toepassing in rechtspraak en forensisch onderzoek

Bayes’ theorema speelt een controversiële rol in de rechtspraak, vooral bij DNA-bewijs en statistische bewijsvoering [33]. De likelihood ratio wordt berekend om uit te drukken hoeveel waarschijnlijker het bewijs is onder de ene hypothese dan onder de andere. In een typische DNA-zaak geeft een match een likelihood ratio van bijvoorbeeld 1 op 1 miljard tegen de hypothese dat het DNA van een willekeurig persoon afkomstig is, maar zegt deze ratio niets over de prior kans op schuld van de verdachte.

Casestudy – De zaak Sally Clark (1999): Sally Clark werd in 1999 in het Verenigd Koninkrijk veroordeeld voor de moord op haar twee baby’s die kort na de geboorte waren overleden. Het cruciale bewijs was de statistische berekening van de piegetuige Sir Roy Meadow, die stelde dat de kans op twee wiegendoden in een welgestelde niet-rokers familie 1 op 73 miljoen zou zijn. Clark werd veroordeeld, maar de Royal Statistical Society publiceerde een open brief waarin de berekening fundamenteel werd bekritiseerd: Meadow had meerdere statistische fouten gemaakt, waaronder het verkeerd toepassen van onafhankelijkheid en het negeren van bekende alternatieve verklaringen. Clark werd uiteindelijk in 2003 in hoger beroep vrijgesproken, na drie jaar gevangenisstraf. Dit voorbeeld illustreert hoe een oppervlakkige toepassing van Bayes’ theorema onherstelbare schade kan aanrichten wanneer prior kansen verkeerd worden gekozen of conditionele onafhankelijkheid foutief wordt verondersteld.

De bredere les is dat forensisch en juridisch gebruik van Bayes expliciete, verifieerbare priors vereist die niet discrimineren op basis van etniciteit, sociaal-economische status of geografische herkomst. De Computational Culture-studie waarschuwt dat de incorporatie van Bayes in DNA-interpretatiealgoritmes “een mogelijk vertekende en discriminerende stem” aan bewijs kan geven [32]. Dit maakt Bayes tot een tweesnijdend zwaard in het recht: wiskundig correct maar moreel geladen.

Moderne uitbreidingen: MCMC, netwerken en causale modellen

Drie ontwikkelingen in de tweede helft van de twintigste eeuw maakten de hedendaagse bloei van Bayesiaanse methoden mogelijk.

Markov chain Monte Carlo (MCMC): Voor complexe modellen met veel parameters is de directe berekening van de posterior vaak onmogelijk. MCMC-methoden, in het bijzonder het Metropolis-Hastings algoritme, construeren een Markov-keten waarvan de stationaire verdeling de gewenste posterior is [44]. Door de keten lang genoeg te laten lopen, kunnen steekproeven worden getrokken die de posterior verdeling nauwkeurig benaderen. De methode werd in 1953 geïntroduceerd door Nicholas Metropolis en kreeg in 1970 een algemenere vorm door W.K. Hastings.

Bayesiaanse netwerken: Judea Pearl introduceerde in de jaren 1980 gerichte acyclische grafen (DAG’s) als wiskundige representatie van conditionele onafhankelijkheden [56]. Deze netwerken onderscheiden causale verbanden van zuivere associaties, waardoor ze de basis vormen voor hedendaagse causale inferentie. Een medisch netwerk kan bijvoorbeeld de causale keten modelleren van genetische predispositie via biologische markers naar ziekte, en daarmee zowel diagnose als interventieplanning ondersteunen.

Bayesian deep learning: Hedendaagse toepassingen combineren Bayesiaanse inferentie met diepe neurale netwerken, resulterend in methoden als Bayes by Backprop en Monte Carlo Dropout. Deze benaderingen kwantificeren de onzekerheid in voorspellingen, in tegenstelling tot traditionele neurale netwerken die slechts punt schattingen geven. Dit maakt ze bijzonder geschikt voor medische beeldvorming en autonoom rijden waar onzekerheidschatting cruciaal is.

Toepassingen door vakgebieden heen

Bayes’ theorema is allang geen academische curiositeit meer. De stelling wordt dagelijks toegepast in uiteenlopende domeinen:

Vakgebied	Typische toepassing	Specifieke techniek
Geneeskunde	Diagnose van zeldzame ziekten, interpretatie van screeningtests	Berekening posterior met prevalentie als prior
Spamfiltering	Classificatie van e-mailberichten	Multinomial Naive Bayes op woordtokens
Forensische wetenschap	DNA-match interpretatie, likelihood ratios	Log-odds formulering met populatiedatabase als prior
Financiën	Risicomodellering, portfolio optimalisatie	Bayes risk updating, value at risk
Klimaatwetenschap	Combinatie van klimaatmodellen en observaties	Hiërarchische Bayesiaanse modellen
Epidemiologie	Schatting van reproductiegetal en infectiespreiding	MCMC met compartimentele modellen
Astronomie	Detectie van exoplaneten en kosmische fenomenen	Bayesiaanse spectraalanalyse
Machine learning	Classificatie en generatieve modellen	Gaussian Processes, Bayesian neural networks
Rechtspraak	Bewijsevaluatie in strafzaken	Bayes factor als likelihood ratio

In de financiële sector wordt Bayes gebruikt voor risk management via de “Bayesian Value at Risk” benadering, waarbij de prior distributie van verliezen voortdurend wordt bijgewerkt met nieuwe marktinformatie. In de astronomie hielp Bayesiaanse analyse om de ontdekking van de Higgsboson in 2012 te bevestigen, waar de posteriore verdeling van het signaal een betrouwbaarheidsinterval produceerde dat binnen de statistische drempel viel.

Synthese: convergentie en divergentie van 260 jaar probabilistisch denken

De reis van Bayes’ theorema van een obscur essay uit 1763 tot een hoeksteen van moderne kunstmatige intelligentie laat een voortdurende wisselwerking zien tussen theorie, filosofie en computationele mogelijkheden. Drie centrale assen van contrast komen naar voren:

Wiskundig-filosofisch contrast: De objectieve school (Jeffreys, Jaynes) streeft naar reproduceerbare priors, terwijl de subjectieve school (de Finetti, Savage) het Dutch book argument gebruikt om persoonlijke kansen te rechtvaardigen. Bij kleine steekproeven produceert de objectieve aanpak vaak conservatieve schattingen (Jeffreys prior), terwijl de subjectieve aanpak de domeinkennis van de onderzoeker maximale ruimte geeft. Het verschil verdwijnt bij grote datasets waar de evidence de prior domineert, maar blijft cruciaal bij zeldzame gebeurtenissen, eenmalige beslissingen en juridische context.

Computationeel-historisch contrast: De 130 jaar tussen Bayes (1763) en Jeffreys (1939) zag de stelling in relatieve obscuriteit, mede door gebrek aan rekenkracht. De komst van computers en MCMC in de jaren 1950-1970 maakte plotselinge doorbraak mogelijk, en de ontwikkeling van GPU’s in de jaren 2010 maakte Bayesian deep learning haalbaar. De wisselwerking tussen wiskundige theorie en computationele infrastructuur is dus geen bijkomstigheid maar een hoofdbestanddeel van de acceptatiegeschiedenis.

Toepassings-versus-fundament contrast: Bayes’ theorema functioneert zowel als een instrumenteel hulpmiddel (spamfilters, medische diagnoses) als als een fundamentele epistemologische claim over de aard van kennis (Dutch book, Cromwell’s rule). Deze dubbele rol is zelden zo duidelijk als bij de Sally Clark-zaak, waar dezelfde wiskunde tot een onterechte veroordeling leidde en later tot een vrijspraak na herziening met correcte priors. De les is dat de kracht van Bayes niet in de formule ligt, maar in de zorgvuldigheid waarmee priors worden gekozen.

De niet voor de hand liggende spanning zit in de inverse relatie tussen wiskundige eenvoud en maatschappelijke impact. Hoe eenvoudiger de formule P(A|B) = P(B|A) x P(A) / P(B) lijkt, hoe groter de verantwoordelijkheid van de gebruiker om priors, likelihoods en evidence correct te kiezen. Een arts die de prevalentie verkeerd schat, een rechter die ongeschikte referentiegroepen hanteert, en een machine learning engineer die de onafhankelijkheidsaanname blind toepast, maken fundamenteel dezelfde fout: ze vergeten dat de posterior de som is van alle aannamen, en dat Bayes’ schoonheid ligt in het feit dat die aannamen expliciet zichtbaar worden.

Voor de toekomstige ontwikkeling suggereert deze synthese drie richtlijnen: (1) bij lage prevalentie moet de nadruk liggen op likelihood ratio en posterior in plaats van op sensitiviteit alleen, (2) bij juridische en ethische toepassingen mogen priors nooit discrimineren op sociale of demografische basis, en (3) bij complexe modellen is MCMC of een variant zoals Hamiltonian Monte Carlo onmisbaar om posterior distributies betrouwbaar te schatten. Bayes’ theorema blijft daarmee geen afgesloten hoofdstuk uit de achttiende eeuw, maar een levend instrument dat zijn volgende hoofdstukken schrijft in de laboratoria, rechtbanken en AI-systemen van de eenentwintigste eeuw.

Referenties

Bayes’ theorem. https://en.wikipedia.org/wiki/Bayes%27_theorem
Bayes’ Theorem: What It Is, Formula, and Examples. https://www.investopedia.com/terms/b/bayes-theorem.asp
Bayes’ Rule – Explained For Beginners. https://www.freecodecamp.org/news/bayes-rule-explained/
Bayes Theorem and Conditional Probability. https://byjus.com/maths/bayes-theorem/
An Intuitive (and Short) Explanation of Bayes’ Theorem. https://betterexplained.com/articles/an-intuitive-and-short-explanation-of-bayes-theorem/
Thomas Bayes. https://en.wikipedia.org/wiki/Thomas_Bayes
An Essay Towards Solving a Problem in the Doctrine of …. https://en.wikipedia.org/wiki/AnEssayTowardsSolvingaProblemintheDoctrineofChances
Thomas Bayes (1702 – 1761) – Biography. https://mathshistory.st-andrews.ac.uk/Biographies/Bayes/
The Reverend Thomas Bayes, FRS: A Biography to …. http://ui.adsabs.harvard.edu/abs/2004StaSc..19….3B/abstract
Thomas Bayes | Bayesian Statistics, Probability Theory, Logic. https://www.britannica.com/biography/Thomas-Bayes
Spam Filtering Using Bayesian Theorem. https://www.kaggle.com/code/rashimishra19/spam-filtering-using-bayesian-theorem
Naive Bayes Classifiers. https://www.geeksforgeeks.org/machine-learning/naive-bayes-classifiers/
Naive Bayes classifier. https://en.wikipedia.org/wiki/NaiveBayesclassifier
Naïve Bayes. https://labs.acme.byu.edu/Volume3/NaiveBayes/NaiveBayes.html
Bayesian probability. https://en.wikipedia.org/wiki/Bayesian_probability
The Bayesian vs Frequentist debate : r/AskStatistics. https://www.reddit.com/r/AskStatistics/comments/xqdl7m/thebayesianvsfrequentistdebate/
Bayesian probability: concepts, formula & real‑world uses. https://www.statsig.com/perspectives/bayesian-probability-concepts-uses
Bayesian or Frequentist: Choosing your statistical approach. https://www.statsig.com/perspectives/bayesian-or-frequentist-choosing-your-statistical-approach
Bayesian analysis | Probability Theory, Statistical Inference. https://www.britannica.com/science/Bayesian-analysis
(a) Thomas Bayes and (b) Pierre-Simon Laplace , source. https://www.researchgate.net/figure/a-Thomas-Bayes-and-b-Pierre-Simon-Laplace-source-wwwwikipediaorgfig1380575340
Laplace’s 1774 Memoir on Inverse Probability. https://projecteuclid.org/journals/statistical-science/volume-1/issue-3/Laplaces-1774-Memoir-on-Inverse-Probability/10.1214/ss/1177013620.full
A History of Bayes’ Theorem. https://www.lesswrong.com/posts/RTt59BtFLqQbsSiqd/a-history-of-bayes-theorem
Bayesian inference. https://en.wikipedia.org/wiki/Bayesian_inference
Bayes Theorem – Drug testing. https://www.mun.ca/biology/scarr/4250BayesTheorem.html
Bayes’ Theorem and Disease Testing. https://tomrocksmaths.com/2021/08/31/bayes-theorem-and-disease-testing/
Why False Positives From Drug Tests Are So Common: Bayes …. https://blogs.cornell.edu/info2040/2022/11/04/why-false-positives-from-drug-tests-are-so-common-bayes-theorem/
Monty Hall problem. https://en.wikipedia.org/wiki/MontyHallproblem
The Monty Hall Problem Using Bayes’ Theorem. https://blogs.cornell.edu/info2040/2022/11/10/the-monty-hall-problem-using-bayes-theorem/
How to solve the Monty Hall problem using Bayes Theorem. https://math.stackexchange.com/questions/2862752/how-to-solve-the-monty-hall-problem-using-bayes-theorem
Understanding the Monty Hall Problem. https://betterexplained.com/articles/understanding-the-monty-hall-problem/
[Q] Bayesian explanation of the Monty Hall paradox?
The Disruptive Influence of Bayes Theorem on Forensic …. https://computationalculture.net/subversive-witness/
Bayes and the Law – PMC – NIH. https://pmc.ncbi.nlm.nih.gov/articles/PMC4934658/
Bayes’ Theorem: Can Statistics Help Guide a Verdict in the …. https://www.ishinews.com/bayes-theorem-can-statistics-help-guide-a-verdict-in-the-courtroom/
Applying Bayes’ Theorem to law and forensic evidence. https://law.stackexchange.com/questions/77701/applying-bayes-theorem-to-law-and-forensic-evidence
bayes’ rule to the analysis of dna evidence. https://ianayres.yale.edu/sites/default/files/files/The%20Rule%20of%20Probabilities.pdf
History and nature of the Jeffreys–Lindley paradox – PMC. https://pmc.ncbi.nlm.nih.gov/articles/PMC11442617/
Harold Jeffreys as a Statistician. https://www.economics.soton.ac.uk/staff/aldrich/jeffreysweb.htm
Harold Jeffreys’s Theory of Probability Revisited. https://arxiv.org/pdf/0804.3173
Harold Jeffreys. https://en.wikipedia.org/wiki/Harold_Jeffreys
Introduction to Objective Bayesian Inference. https://www.objectivebayesian.com/p/intro
A simple introduction to Markov Chain Monte–Carlo sampling. https://pmc.ncbi.nlm.nih.gov/articles/PMC5862921/
Metropolis-Hastings and Bayesian Inference. https://www.toptal.com/developers/algorithms/metropolis-hastings-bayesian-inference
Markov chain Monte Carlo. https://en.wikipedia.org/wiki/MarkovchainMonte_Carlo
Markov Chain Monte Carlo for Bayesian Inference. https://www.quantstart.com/articles/Markov-Chain-Monte-Carlo-for-Bayesian-Inference-The-Metropolis-Algorithm/
Chapter 7 MCMC under the Hood. https://www.bayesrulesbook.com/chapter-7
Cromwell’s rule. https://en.wikipedia.org/wiki/Cromwell%27s_rule
Lindley’s paradox. https://en.wikipedia.org/wiki/Lindley%27s_paradox
Quantum probability updating from zero priors (by-passing …. https://www.sciencedirect.com/science/article/abs/pii/S0022249616300736
Cromwell’s Rule: Simple Definition. https://www.statisticshowto.com/cromwells-rule/
Everything You Always Wanted to Know About the Jeffreys …. https://www.bayesianspectacles.org/everything-you-always-wanted-to-know-about-the-jeffreys-lindley-paradox-but-were-afraid-to-ask/
Graphical Models for Probabilistic and Causal Reasoning. https://ftp.cs.ucla.edu/pub/stat_ser/r236-3ed.pdf
Causal Inference Using Bayesian Networks. https://www.nature.com/nature-index/topics/l4/causal-inference-using-bayesian-networks
Causal Inference with Bayesian Networks | Data | eBook. https://www.packtpub.com/en-us/product/causal-inference-with-bayesian-networks-9781835089217?srsltid=AfmBOopSmnBJZ8rgMWVFEakDCNgg5on80duo2UCwOAJ8Ky-M4SEZgw
Bayesian network. https://en.wikipedia.org/wiki/Bayesian_network
BAYESIAN NETWORKS Judea Pearl …. https://www.cs.ubc.ca/~murphyk/Teaching/CS532c_Fall04/Papers/hbtnn-bn.pdf