Fonaments de la probabilitat condicional
La probabilitat és una manera formal de mesurar la probabilitat que ocorri un esdeveniment. En moltes situacions del món real, la probabilitat d'un esdeveniment no es manté per si sola, sinó que està influenciada per altra informació que ja coneixem. Aquí és on el concepte de probabilitat condicional esdevé important. La probabilitat condicional ens ajuda a actualitzar les nostres creences sobre un esdeveniment concret després d'obtenir informació addicional. Aquest article en tracta la definició, la fórmula bàsica, els exemples i la seva relació amb la regla del producte i el teorema de Bayes.
1. Comprensió de la probabilitat condicional
Intuïtivament, la probabilitat condicional és la possibilitat que es produeixi l'esdeveniment A, donat que s'ha produït l'esdeveniment B. S'escriu com:
\[
P(A \mid B)
\]
llegiu «probabilitat de A donat B».
Per exemple, volem saber la probabilitat que algú porti un paraigua (A) atès que avui plou (B). Clarament, la probabilitat de portar un paraigua és més gran si sabem que plou. La informació "plou" canvia el nostre espai de consideració: ja no considerem totes les condicions meteorològiques, sinó només les condicions en què plou.
2. Fórmula de probabilitat condicional
La definició matemàtica de probabilitat condicional és:
\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]
sempre que \(P(B) > 0\).
Informació:
– \(P(A \mid B)\): la probabilitat que A ocorri donat que B ocorri.
– \(P(A \cap B)\): la probabilitat que A i B es produeixin simultàniament (la intersecció d'A i B).
– \(P(B)\): la probabilitat que B es produeixi.
El significat d'aquesta fórmula: limitem la nostra atenció a l'esdeveniment B i després calculem quina part de B també inclou A.
3. Exemple senzill: Jugar a cartes
Agafeu una carta d'una baralla estàndard de cartes (52 cartes). Per exemple:
– A: La carta que es roba és un As
– B: la carta que es roba és Piques
Volem calcular \(P(A \mid B)\), que és la probabilitat de treure un As donat que la carta és una espada.
Pas:
– En piques hi ha 13 cartes, per tant \(P(B) = 13/52\).
– Les llesques A i B són "As de piques", que sumen 1 carta en total, per tant, \(P(A \cap B) = 1/52\).
Així doncs:
\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
Això vol dir que si ja sabem que la carta és una espada, la probabilitat que la carta sigui un As és d'1 entre 13.
4. Comprensió de la intersecció (A ∩ B) i el paper de la informació
Un error comú a l'hora d'estudiar la probabilitat és confondre \(P(A)\) amb \(P(A|B)\). En l'exemple de la carta:
– \(P(A) = 4/52 = 1/13\) (probabilitat d'un As sense informació addicional)
– \(P(A|B) = 1/13\) (casualment el mateix en aquest cas)
No obstant això, en molts casos els dos valors són diferents. La informació addicional pot ser:
– augmentar les possibilitats (per exemple, la possibilitat d'aprovar un examen si se sap que algú està estudiant),
– reduir les oportunitats (probabilitats de carreteres suaus si saps que és hora de tornar a casa de la feina),
– o no canvia la probabilitat si els esdeveniments són independents.
5. Esdeveniments mútuament independents (independència)
Es diu que dos esdeveniments A i B són independents si l'esdeveniment B no afecta la probabilitat d'A, i viceversa. Formalment:
\[
P(A \mid B) = P(A)
\]
o equivalent a:
\[
P(A \cap B) = P(A)P(B)
\]
Exemple: llançar una moneda i tirar un dau. El resultat de la moneda (número/imatge) no es veu afectat pel resultat del dau (1–6), de manera que tots dos són independents. Si A és "la moneda mostra un número" i B és "el dau mostra un 6", aleshores:
\[
P(A) = 1/2, P(B) = 1/6, P(A \cap B) = 1/12
\]
i és cert que \(1/12 = (1/2)(1/6)\).
6. Regla de multiplicació
A partir de la definició de probabilitat condicional, podem derivar la regla de multiplicació:
\[
P(A \cap B) = P(A \mid B)P(B)
\]
o també:
\[
P(A ∫B) = P(B ∫A)P(A)
\]
Aquesta regla és molt útil quan volem calcular la probabilitat que dos esdeveniments ocorrin simultàniament, però és més fàcil avaluar la probabilitat d'un d'ells després de conèixer l'altre.
Exemple: Suposem que la probabilitat que algú superi una entrevista (B) és de 0,4. La probabilitat de ser acceptat per a la feina (A) si supera l'entrevista és de 0,6. Aleshores, la probabilitat de "superar l'entrevista i ser acceptat per a la feina" és:
\[
P(A ∫B) = P(A ∫B)P(B) = 0{,}6 × 0{,}4 = 0{,}24
\]
7. Teorema de Bayes: Inversió de les condicions
Sovint sabem \(P(A|B)\), però el que realment necessitem és \(P(B|A)\). El teorema de Bayes proporciona una manera de "capgirar" la probabilitat condicional:
\[
P(B \mid A) = \frac{P(A \mid B)P(B)}{P(A)}
\]
Aquest teorema és molt conegut en els camps del diagnòstic mèdic, l'aprenentatge automàtic, la detecció de correu brossa i la presa de decisions basada en dades.
Exemple curt (Salut)
Per exemple:
– B: algú està molt malalt (prevalença) \(P(B)=0{,}01\)
– A: resultat positiu de la prova
– Sensibilitat de la prova: \(P(A|B)=0{,}95\)
– Fals positiu: \(P(A|\text{no malalt})=0{,}05\)
Pregunta: Si el resultat de la prova és positiu, quina és la probabilitat que la persona estigui realment malalta, és a dir, \(P(B|A)\)?
Necessitem \(P(A)\):
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Així doncs:
\[
P(B|A)=\frac{0{,}95 \times 0{,}01}{0{,}059} \approx 0{,}161
\]
El resultat va ser al voltant del 16,1%. Això demostra que una prova positiva no significa necessàriament que algú estigui definitivament malalt, sobretot si la prevalença de la malaltia és molt baixa.
8. Probabilitat total (Llei de la probabilitat total)
Per calcular \(P(A)\) en una situació dividida en diverses condicions, podem utilitzar la llei de la probabilitat total. Si \(B_1, B_2, …, B_n\) forma una partició de l'espai mostral (mútuament disjunta i que abasta totes les possibilitats), aleshores:
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
Sovint es combina amb el teorema de Bayes per processar informació de múltiples categories o fonts.
9. Errors comuns en la probabilitat condicional
Alguns errors comuns:
1. Suposem que \(P(A|B)\) és igual a \(P(B|A)\). Això no és cert en general.
2. Ignorant les taxes de base, per exemple la prevalença de malalties en l'exemple de Bayes.
3. Determinar incorrectament l'espai mostral després que es doni la condició, tot i que la condició B significa que només comptem a la "regió B".
10. Conclusió
La probabilitat condicional és una base important en estadística i modelització d'incertesa. En comprendre la definició de \(P(A|B)=\frac{P(A \cap B)}{P(B)}\), podem avaluar les probabilitats considerant informació addicional. Aquest concepte està directament relacionat amb la regla del producte, els esdeveniments independents, la llei de la probabilitat total i el teorema de Bayes, que és molt útil en moltes aplicacions del món real. Com més practiqueu amb exemples concrets (cartes, daus, enquestes i fins i tot casos mèdics), més forta serà la vostra intuïció sobre com canvien les probabilitats a mesura que arriba nova informació.
