Grundlæggende om betinget sandsynlighed
Sandsynlighed er en formel måde at måle, hvor sandsynligt det er, at en begivenhed vil indtræffe. I mange virkelige situationer står sandsynligheden for en begivenhed ikke alene, men påvirkes af andre oplysninger, vi allerede kender. Det er her, konceptet med betinget sandsynlighed bliver vigtigt. Betinget sandsynlighed hjælper os med at opdatere vores overbevisninger om en bestemt begivenhed efter at have fået yderligere oplysninger. Denne artikel diskuterer dens definition, grundlæggende formel, eksempler og dens forhold til produktreglen og Bayes' sætning.
1. Forståelse af betinget sandsynlighed
Intuitivt set er betinget sandsynlighed chancen for, at begivenhed A indtræffer, givet at begivenhed B er indtruffet. Det skrives som:
\[
P(A \midt B)
\]
læs "sandsynlighed for A givet B".
For eksempel vil vi gerne vide sandsynligheden for, at nogen bærer en paraply (A), givet at det regner i dag (B). Sandsynligheden for at bære en paraply er tydeligvis større, hvis vi ved, at det regner. Informationen "det regner" ændrer vores overvejelsesrum - vi tager ikke længere alle vejrforhold i betragtning, men kun forholdene, når det regner.
2. Formel for betinget sandsynlighed
Den matematiske definition af betinget sandsynlighed er:
\[
P(A \midt af B) = \frac{P(A \cap B)}{P(B)}
\]
forudsat at \(P(B) > 0\).
Keterangan:
– \(P(A \mid B)\): sandsynligheden for at A indtræffer givet at B indtræffer.
– \(P(A \capB)\): sandsynligheden for, at A og B indtræffer samtidigt (skæringspunktet mellem A og B).
– \(P(B)\): sandsynligheden for, at B forekommer.
Betydningen af denne formel: Vi begrænser vores opmærksomhed til begivenhed B, og beregner derefter, hvor stor en del af B, der også omfatter A.
3. Simpelt eksempel: Spillekort
Tag et kort fra et almindeligt sæt spillekort (52 kort). For eksempel:
– A: Det trukket kort er et es
– B: det trækkede kort er Spar
Vi ønsker at beregne \(P(A \mid B)\), som er sandsynligheden for at trække et es, givet at kortet er en spar.
Langkah:
– I spar er der 13 kort, så \(P(B) = 13/52\).
– Kortstykkerne A og B er "spar es", som i alt giver 1 kort, så \(P(A \cap B) = 1/52\).
Så:
\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
Det betyder, at hvis vi allerede ved, at kortet er en spar, er sandsynligheden for, at kortet er et es, 1 til 13.
4. Forståelse af skæringspunktet (A ∩ B) og informationens rolle
En almindelig fejl, når man studerer sandsynlighed, er at forveksle \(P(A)\) med \(P(A|B)\). I korteksemplet:
– \(P(A) = 4/52 = 1/13\) (sandsynlighed for Es uden yderligere information)
– \(P(A|B) = 1/13\) (tilfældigvis det samme i dette tilfælde)
I mange tilfælde er de to værdier dog forskellige. Yderligere oplysninger kan være:
– øge chancerne (f.eks. chancen for at bestå en eksamen, hvis man ved, at nogen studerer),
– mindske muligheder (chancer for glatte veje, hvis du ved, at det er tid til at komme hjem fra arbejde),
– eller ændrer ikke sandsynligheden, hvis hændelserne er uafhængige.
5. Gensidigt uafhængige begivenheder (uafhængighed)
To begivenheder A og B siges at være uafhængige, hvis begivenhed B ikke påvirker sandsynligheden for A, og omvendt. Formelt:
\[
P(A ≈ B) = P(A)
\]
eller tilsvarende:
\[
P(A ≥ B) = P(A)P(B)
\]
Eksempel: at kaste en mønt og rulle en terning. Møntens udfald (tal/billede) påvirkes ikke af terningens udfald (1-6), så begge er uafhængige. Hvis A er "mønten viser et tal" og B er "terningen viser 6", så:
\[
P(A) = 1/2, ∫P(B) = 1/6, ∫P(A \cap B) = 1/12
\]
og det er sandt, at \(1/12 = (1/2)(1/6)\).
6. Multiplikationsregel
Fra definitionen af betinget sandsynlighed kan vi udlede multiplikationsreglen:
\[
P(A \cap B) = P(A \midt af B)P(B)
\]
eller også:
\[
P(A ≤ B) = P(B ≤ A)P(A)
\]
Denne regel er meget nyttig, når vi vil beregne sandsynligheden for, at to begivenheder indtræffer samtidigt, men det er lettere at vurdere sandsynligheden for den ene af dem, når man kender den anden.
Eksempel: Antag, at sandsynligheden for, at en person består en jobsamtale (B), er 0,4. Sandsynligheden for at blive accepteret til jobbet (A), hvis de består jobsamtalen, er 0,6. Så er sandsynligheden for "at bestå jobsamtalen og blive accepteret til jobbet":
\[
P(A × B) = P(A × B)P(B) = 0,6 × 0,4 = 0,24
\]
7. Bayes' sætning: Omvending af betingelserne
Ofte kender vi \(P(A|B)\), men det, vi virkelig har brug for, er \(P(B|A)\). Bayes' sætning giver en måde at "vende" den betingede sandsynlighed på:
\[
P(B \midA) = \frac{P(A \midB)P(B)}{P(A)}
\]
Denne sætning er meget velkendt inden for medicinsk diagnose, maskinlæring, spamdetektion og datadrevet beslutningstagning.
Kort eksempel (Sundhed)
For eksempel:
– B: nogen er virkelig syg (prævalens) \(P(B)=0{,}01\)
– A: positivt testresultat
– Testfølsomhed: \(P(A|B)=0{,}95\)
– Falsk positiv: \(P(A|\text{ikke syg})=0{,}05\)
Spørgsmål: Hvis testresultatet er positivt, hvad er så sandsynligheden for, at personen rent faktisk er syg, dvs. \(P(B|A)\)?
Vi har brug for \(P(A)\):
\[
P(A) = P(A|B)P(B) + P(A|−neg B)P(−neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Så:
\[
P(B|A) = \frac{0,95 \times 0,01}{0,059} \approx 0,161
\]
Resultatet var omkring 16,1 %. Dette viser, at en positiv test ikke nødvendigvis betyder, at nogen er helt sikkert syg, især hvis sygdommens prævalens er meget lav.
8. Total sandsynlighed (loven om total sandsynlighed)
For at beregne \(P(A)\) i en situation opdelt i flere betingelser, kan vi bruge loven om total sandsynlighed. Hvis \(B_1, B_2, …, B_n\) danner en partition af stikprøverummet (indbyrdes adskilt og omfattende alle muligheder), så:
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
Det kombineres ofte med Bayes' sætning for at behandle information fra flere kategorier eller kilder.
9. Almindelige fejl i betinget sandsynlighed
Nogle almindelige fejl:
1. Antag at \(P(A|B)\) er lig med \(P(B|A)\). Dette er generelt ikke sandt.
2. Ignorering af basisrater, for eksempel sygdomsprævalens i Bayes-eksemplet.
3. Forkert bestemmelse af stikprøverummet efter at betingelsen er givet, selvom betingelse B betyder, at vi kun tæller i "område B".
10. Penutup
Betinget sandsynlighed er et vigtigt fundament i statistik og usikkerhedsmodellering. Ved at forstå definitionen af \(P(A|B)=\frac{P(A \capB)}{P(B)}\) kan vi vurdere sandsynligheder ved at overveje yderligere information. Dette koncept er direkte relateret til produktreglen, uafhængige hændelser, loven om total sandsynlighed og Bayes' sætning, som er meget nyttig i mange virkelige anvendelser. Jo mere du øver dig med konkrete eksempler - kort, terninger, undersøgelser og endda medicinske tilfælde - jo stærkere bliver din intuition om, hvordan sandsynligheder ændrer sig, når ny information kommer ind.
