أساسيات الاحتمال الشرطي

أساسيات الاحتمال الشرطي

الاحتمال هو طريقة رسمية لقياس مدى احتمالية وقوع حدث ما. في كثير من المواقف الواقعية، لا يكون احتمال وقوع حدث ما مستقلاً بذاته، بل يتأثر بمعلومات أخرى نعرفها مسبقاً. وهنا تبرز أهمية مفهوم الاحتمال الشرطي. يساعدنا الاحتمال الشرطي على تحديث معتقداتنا حول حدث معين بعد الحصول على معلومات إضافية. تتناول هذه المقالة تعريف الاحتمال الشرطي، وصيغته الأساسية، وأمثلة عليه، وعلاقته بقاعدة الضرب ونظرية بايز.

1. فهم الاحتمال الشرطي

بشكل بديهي، الاحتمال الشرطي هو فرصة وقوع الحدث أ بشرط وقوع الحدث ب. ويُكتب على النحو التالي:

\[
P(A \mid B)
\]

اقرأ "احتمالية وقوع A بشرط وقوع B".

على سبيل المثال، نريد معرفة احتمال أن يحمل شخص ما مظلة (أ) علماً بأنها تمطر اليوم (ب). من الواضح أن احتمال حمل المظلة يزداد إذا علمنا أنها تمطر. إن معلومة "أنها تمطر" تُغير نطاق تفكيرنا، إذ لم نعد نأخذ في الحسبان جميع الأحوال الجوية، بل فقط الأحوال الجوية التي تمطر فيها.

2. صيغة الاحتمال الشرطي

التعريف الرياضي للاحتمال الشرطي هو:

\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]

بشرط أن يكون \(P(B) > 0\).

معلومة:
– \(P(A \mid B)\): احتمال حدوث A بشرط حدوث B.
– \(P(A \cap B)\): احتمال حدوث A و B في وقت واحد (تقاطع A و B).
– \(P(B)\): احتمال حدوث B.

معنى هذه الصيغة: نقتصر اهتمامنا على الحدث B، ثم نحسب حجم الجزء من B الذي يشمل A أيضًا.

3. مثال بسيط: أوراق اللعب

اختر بطاقة واحدة من مجموعة أوراق اللعب القياسية (52 بطاقة). على سبيل المثال:
– أ: البطاقة المسحوبة هي الآس
– ب: البطاقة المسحوبة هي البستوني

نريد حساب \(P(A \mid B)\), وهو احتمال سحب ورقة الآس بشرط أن تكون الورقة من نوع البستوني.

لانجكا:
– في البستوني يوجد 13 بطاقة، لذا فإن \(P(B) = 13/52\).
– الشريحتان A و B هما "آس البستوني" الذي يبلغ مجموعه بطاقة واحدة، لذا \(P(A \cap B) = 1/52\).

لذا:

\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]

هذا يعني أنه إذا كنا نعرف بالفعل أن البطاقة هي من نوع البستوني، فإن احتمال أن تكون البطاقة من نوع الآس هو 1 من 13.

4. فهم التقاطع (أ ∩ ب) ودور المعلومات

من الأخطاء الشائعة عند دراسة الاحتمالات الخلط بين \(P(A)\) و \(P(A|B)\). في مثال البطاقة:
– \(P(A) = 4/52 = 1/13\) (احتمالية ظهور الآس بدون معلومات إضافية)
– \(P(A|B) = 1/13\) (وهو نفسه في هذه الحالة بالمصادفة)

مع ذلك، في كثير من الحالات، تختلف القيمتان. ويمكن إضافة معلومات أخرى كما يلي:
– زيادة الفرص (على سبيل المثال، فرصة النجاح في الامتحان إذا كان الشخص يعرف أن شخصًا ما يدرس)،
– تقليل الفرص (فرص الطرق الممهدة إذا كنت تعلم أن الوقت قد حان للعودة إلى المنزل من العمل)،
- أو لا يغير الاحتمالية إذا كانت الأحداث مستقلة.

5. الأحداث المستقلة المتبادلة (الاستقلال)

يُقال إن حدثين A و B مستقلان إذا لم يؤثر الحدث B على احتمالية وقوع A، والعكس صحيح. بصورة رسمية:

\[
P(A \mid B) = P(A)
\]

أو ما يعادلها:

\[
P(A ∩ B) = P(A)P(B)
\]

مثال: رمي قطعة نقدية ورمي نرد. لا تتأثر نتيجة رمي القطعة النقدية (رقم/صورة) بنتيجة رمي النرد (من 1 إلى 6)، لذا فهما مستقلان. إذا كان A هو "ظهور رقم على القطعة النقدية" وB هو "ظهور الرقم 6 على النرد"، فإن:

\[
P(A) = 1/2، P(B) = 1/6، P(A ∩ B) = 1/12
\]

وصحيح أن \(1/12 = (1/2)(1/6)\).

6. قاعدة الضرب

انطلاقاً من تعريف الاحتمال الشرطي، يمكننا استنتاج قاعدة الضرب:

\[
P(A ∩ B) = P(A ∘ B)P(B)
\]

أو أيضاً:

\[
P(A ∩ B) = P(B ∘ A)P(A)
\]

تُعد هذه القاعدة مفيدة للغاية عندما نريد حساب احتمالية وقوع حدثين في وقت واحد، ولكن من الأسهل تقييم احتمالية أحدهما بعد معرفة الآخر.

مثال: لنفترض أن احتمال اجتياز شخص ما للمقابلة (ب) هو 0,4. واحتمال قبوله في الوظيفة (أ) إذا اجتاز المقابلة هو 0,6. إذن، احتمال "اجتياز المقابلة والقبول في الوظيفة" هو:

\[
P(A ∩ B) = P(A ∘ B)P(B) = 0.6 × 0.4 = 0.24
\]

7. نظرية بايز: عكس الشروط

في كثير من الأحيان نعرف \(P(A|B)\)، ولكن ما نحتاجه حقًا هو \(P(B|A)\). توفر نظرية بايز طريقة "لعكس" الاحتمال الشرطي:

\[
P(B \mid A) = \frac{P(A \mid B)P(B)}{P(A)}
\]

هذه النظرية معروفة جيدًا في مجالات التشخيص الطبي، والتعلم الآلي، والكشف عن البريد العشوائي، واتخاذ القرارات القائمة على البيانات.

مثال قصير (صحة)
على سبيل المثال:
– ب: شخص ما مريض حقًا (الانتشار) \(P(B)=0{,}01\)
– أ: نتيجة اختبار إيجابية
– حساسية الاختبار: \(P(A|B)=0.95\)
– نتيجة إيجابية خاطئة: \(P(A|\text{ليس مريضًا})=0.05\)

السؤال: إذا كانت نتيجة الاختبار إيجابية، فما هو احتمال أن يكون الشخص مريضًا بالفعل، أي \(P(B|A)\)؟

نحن بحاجة إلى \(P(A)\):

\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]

لذا:

\[
P(B|A)=\frac{0.95 \times 0.01}{0.059} \approx 0.161
\]

بلغت النسبة حوالي 16,1%. وهذا يدل على أن نتيجة الاختبار الإيجابية لا تعني بالضرورة أن الشخص مصاب بالمرض، خاصةً إذا كان انتشار المرض منخفضًا جدًا.

8. الاحتمال الكلي (قانون الاحتمال الكلي)

لحساب \(P(A)\) في حالة مقسمة إلى عدة شروط، يمكننا استخدام قانون الاحتمال الكلي. إذا كانت \(B_1, B_2, …, B_n\) تشكل تجزئة لفضاء العينة (منفصلة عن بعضها البعض وتشمل جميع الاحتمالات)، فإن:

\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]

غالباً ما يتم دمجها مع نظرية بايز لمعالجة المعلومات من فئات أو مصادر متعددة.

9. الأخطاء الشائعة في الاحتمال الشرطي

بعض الأخطاء الشائعة:
1. افترض أن \(P(A|B)\) يساوي \(P(B|A)\). هذا ليس صحيحًا بشكل عام.
2. تجاهل المعدلات الأساسية، على سبيل المثال انتشار المرض في مثال بايز.
3. تحديد فضاء العينة بشكل خاطئ بعد إعطاء الشرط، على الرغم من أن الشرط B يعني أننا نحسب فقط في "المنطقة B".

10. بينوتوب

يُعدّ الاحتمال الشرطي أساسًا هامًا في الإحصاء ونمذجة عدم اليقين. بفهم تعريف \(P(A|B)=\frac{P(A \cap B)}{P(B)}\)، يُمكننا تقييم الاحتمالات بالنظر إلى معلومات إضافية. يرتبط هذا المفهوم ارتباطًا مباشرًا بقاعدة الضرب، والأحداث المستقلة، وقانون الاحتمال الكلي، ونظرية بايز، وهي مفيدة جدًا في العديد من التطبيقات العملية. كلما زاد تدريبك على أمثلة ملموسة - كالبطاقات، والنرد، والاستبيانات، وحتى الحالات الطبية - كلما تعززت لديك بديهة فهم كيفية تغير الاحتمالات مع ورود معلومات جديدة.