Tingimusliku tõenäosuse põhitõed
Tõenäosus on formaalne viis sündmuse toimumise tõenäosuse mõõtmiseks. Paljudes reaalsetes olukordades ei ole sündmuse tõenäosus iseseisev, vaid seda mõjutab muu teave, mida me juba teame. Siin muutub oluliseks tingimusliku tõenäosuse mõiste. Tingimuslik tõenäosus aitab meil pärast lisateabe saamist oma uskumusi konkreetse sündmuse kohta ajakohastada. See artikkel käsitleb selle definitsiooni, põhivalemit, näiteid ning seost korrutise reegli ja Bayesi teoreemiga.
1. Tingimusliku tõenäosuse mõistmine
Intuitiivselt on tingimuslik tõenäosus sündmuse A toimumise võimalus eeldusel, et sündmus B on toimunud. Seda kirjutatakse järgmiselt:
\[
P(A ja B keskpunkt)
\]
loe „A tõenäosus antud B korral“.
Näiteks tahame teada tõenäosust, et keegi kannab vihmavarju (A), arvestades, et täna sajab vihma (B). On selge, et vihmavarju kandmise tõenäosus on suurem, kui teame, et sajab vihma. Teave „sajab vihma“ muudab meie kaalutlusruumi – me ei arvesta enam kõiki ilmastikutingimusi, vaid ainult tingimusi vihma ajal.
2. Tingimusliku tõenäosuse valem
Tingimusliku tõenäosuse matemaatiline definitsioon on:
\[
P(A ∑B) = ∑P(A ∑B)}{P(B)}
\]
eeldusel, et \(P(B) > 0\).
Teave:
– \(P(A \mid B)\): A esinemise tõenäosus, eeldusel, et B esineb.
– \(P(A \cap B)\): A ja B samaaegse esinemise tõenäosus (A ja B lõikepunkt).
– \(P(B)\): B esinemise tõenäosus.
Selle valemi tähendus: me piirdume sündmusega B ja seejärel arvutame, kui suur osa B-st hõlmab ka A-d.
3. Lihtne näide: mängukaardid
Võta üks kaart tavalisest kaardipakist (52 kaarti). Näiteks:
– A: Tõstetud kaart on äss
– B: tõmmatud kaart on poti
Me tahame arvutada \(P(A \mid B)\), mis on ässa tõmbamise tõenäosus, arvestades, et kaart on potiga.
Samm:
– Padas on 13 kaarti, seega \(P(B) = 13/52\).
– Viilud A ja B on „padaäss“, mille summa on 1 kaart, seega \(P(A \cap B) = 1/52\).
Seega:
\[
P(A ∑B) = ∫₀ (1/52}{13/52) = ∫₀ (1}{13)
\]
See tähendab, et kui me juba teame, et kaart on poti, siis tõenäosus, et tegemist on ässaga, on 1:13.
4. Ristumiskoha (A ∩ B) mõistmine ja teabe roll
Tõenäosuse uurimisel on tavaline viga ajada segi \(P(A)\) \(P(A|B)\)-ga. Kaardi näites:
– \(P(A) = 4/52 = 1/13\) (ässa tõenäosus ilma lisateabeta)
– \(P(A|B) = 1/13\) (juhuslikult sama ka antud juhul)
Paljudel juhtudel on need kaks väärtust siiski erinevad. Lisateavet saab anda järgmiselt:
– suurendada võimalusi (nt eksami sooritamise võimalus, kui teatakse, et keegi õpib),
– vähendada võimalusi (siledate teede võimalus, kui tead, et on aeg töölt koju jõuda),
– või ei muuda tõenäosust, kui sündmused on sõltumatud.
5. Vastastikuselt sõltumatud sündmused (sõltumatus)
Kahte sündmust A ja B nimetatakse sõltumatuteks, kui sündmus B ei mõjuta sündmuse A tõenäosust ja vastupidi. Formaalselt:
\[
P(A ∫ B) = P(A)
\]
või samaväärne:
\[
P(A ∑B) = P(A)P(B)
\]
Näide: mündi viskamine ja täringu veeretamine. Mündi tulemust (numbrit/pilti) täringu tulemus (1–6) ei mõjuta, seega on mõlemad sõltumatud. Kui A on „münt näitab numbrit“ ja B on „täring näitab 6“, siis:
\[
P(A) = 1/2, \quad P(B) = 1/6, \quad P(A ΣB) = 1/12
\]
ja on tõsi, et \(1/12 = (1/2)(1/6)\).
6. Korrutamisreegel
Tingimusliku tõenäosuse definitsioonist saame tuletada korrutusreegli:
\[
P(A ∑B) = P(A ∑B)P(B)
\]
või ka:
\[
P(A ∑B) = P(B ∑A)P(A)
\]
See reegel on väga kasulik, kui tahame arvutada kahe sündmuse samaaegse toimumise tõenäosust, kuid ühe sündmuse tõenäosust on lihtsam hinnata pärast teise teadmist.
Näide: Oletame, et kellegi intervjuul (B) läbimise tõenäosus on 0,4. Tööle vastuvõtmise (A) tõenäosus, kui ta intervjuu läbib, on 0,6. Siis on intervjuul läbimise ja tööle vastuvõtmise tõenäosus:
\[
P(A ∑B) = P(A ∑B)P(B) = 06 × 04 = 024
\]
7. Bayesi teoreem: tingimuste ümberpööramine
Tihti me teame \(P(A|B)\), aga tegelikult vajame me \(P(B|A)\). Bayesi teoreem pakub viisi tingimusliku tõenäosuse "ümberpööramiseks":
\[
P(B ∫A) = ∫{P(A ∫B)P(B)}{P(A)}
\]
See teoreem on väga tuntud meditsiinilise diagnoosimise, masinõppe, rämpsposti tuvastamise ja andmepõhise otsuste tegemise valdkonnas.
Lühike näide (tervis)
Näiteks:
– B: keegi on tõesti haige (levimus) \(P(B)=0{,}01\)
– A: positiivne testi tulemus
– Testi tundlikkus: \(P(A|B)=0{,}95\)
– Valepositiivne: \(P(A|\text{pole haige})=0{,}05\)
Küsimus: Kui testi tulemus on positiivne, siis milline on tõenäosus, et inimene on tegelikult haige, st \(P(B|A)\)?
Meil on vaja \(P(A)\):
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Seega:
\[
P(B|A) = \frac{0{,}95 \times 0{,}01}{0{,}059} \umbes 0{,}161
\]
Tulemus oli umbes 16,1%. See näitab, et positiivne test ei tähenda tingimata, et keegi on kindlasti haige, eriti kui haiguse levimus on väga madal.
8. Täielik tõenäosus (täieliku tõenäosuse seadus)
Mitmeks tingimuseks jagatud olukorras \(P(A)\) arvutamiseks saame kasutada täieliku tõenäosuse seadust. Kui \(B_1, B_2, …, B_n\) moodustab valimiruumi jaotuse (mis on vastastikku eraldi ja hõlmab kõiki võimalusi), siis:
\[
P(A) = ∫_{i=1}^{n} P(A|B_i)P(B_i)
\]
Seda kombineeritakse sageli Bayesi teoreemiga, et töödelda teavet mitmest kategooriast või allikast.
9. Tingimusliku tõenäosuse tavalised vead
Mõned levinud vead:
1. Eeldame, et \(P(A|B)\) on võrdne \(P(B|A)\)-ga. See ei vasta üldiselt tõele.
2. Baasmäärade, näiteks Bayesi näites esineva haiguse levimuse, ignoreerimine.
3. Valimiruumi vale määramine pärast tingimuse esitamist, kuigi tingimus B tähendab, et loendame ainult „piirkonnas B“.
10. Kokkuvõte
Tingimuslik tõenäosus on statistika ja määramatuse modelleerimise oluline alus. Mõistes \(P(A|B)=\frac{P(A \cap B)}{P(B)}\) definitsiooni, saame tõenäosusi hinnata lisateabe arvessevõtmise teel. See kontseptsioon on otseselt seotud korrutise reegliga, sõltumatute sündmustega, täieliku tõenäosuse seadusega ja Bayesi teoreemiga, mis on väga kasulik paljudes reaalsetes rakendustes. Mida rohkem harjutate konkreetsete näidetega – kaartide, täringute, küsitluste ja isegi meditsiiniliste juhtumitega –, seda tugevamaks muutub teie intuitsioon selle kohta, kuidas tõenäosused uue teabe saabudes muutuvad.
