مبانی احتمال شرطی
احتمال یک روش رسمی برای اندازهگیری احتمال وقوع یک رویداد است. در بسیاری از موقعیتهای دنیای واقعی، احتمال یک رویداد به تنهایی مشخص نیست، بلکه تحت تأثیر اطلاعات دیگری که از قبل میدانیم قرار میگیرد. اینجاست که مفهوم احتمال شرطی اهمیت پیدا میکند. احتمال شرطی به ما کمک میکند تا پس از کسب اطلاعات اضافی، باورهای خود را در مورد یک رویداد خاص بهروزرسانی کنیم. این مقاله تعریف، فرمول اساسی، مثالها و رابطه آن با قانون ضرب و قضیه بیز را مورد بحث قرار میدهد.
۱. درک احتمال شرطی
به طور شهودی، احتمال شرطی، شانس وقوع رویداد A با فرض وقوع رویداد B است. این احتمال به صورت زیر نوشته میشود:
\[
P(A \mid B)
\]
«احتمال A با فرض B» را بخوانید.
برای مثال، میخواهیم بدانیم که با توجه به اینکه امروز باران میبارد (ب)، احتمال اینکه کسی چتر حمل کند (الف) چقدر است. واضح است که اگر بدانیم باران میبارد، احتمال حمل چتر بیشتر است. اطلاعات «باران میبارد» فضای بررسی ما را تغییر میدهد - ما دیگر همه شرایط آب و هوایی را در نظر نمیگیریم، بلکه فقط شرایطی را که باران میبارد در نظر میگیریم.
۲. فرمول احتمال شرطی
تعریف ریاضی احتمال شرطی:
\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]
به شرطی که \(P(B) > 0\).
شرح:
– \(P(A \mid B)\): احتمال وقوع A با فرض وقوع B.
– \(P(A \cap B)\): احتمال وقوع همزمان A و B (تقاطع A و B).
– \(P(B)\): احتمال وقوع B.
معنای این فرمول: ما توجه خود را به رویداد B محدود میکنیم، سپس محاسبه میکنیم که چه بخش بزرگی از B شامل A نیز میشود.
۳. مثال ساده: کارتهای بازی
یک کارت از یک دسته کارت بازی استاندارد (۵۲ کارت) بردارید. برای مثال:
- الف: کارت کشیده شده آس است
- ب: کارت کشیده شده پیک است
میخواهیم \(P(A \mid B)\) را محاسبه کنیم، که احتمال بیرون آوردن آس با توجه به پیک بودن کارت است.
مرحله:
– ۱۳ کارت پیک وجود دارد، بنابراین \(P(B) = ۱۳/۵۲\).
– برشهای A و B «آس پیک» هستند که در مجموع ۱ کارت میشود، بنابراین \(P(A \cap B) = ۱/۵۲\).
بنابراین:
\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
این یعنی اگر از قبل بدانیم که کارت پیک است، احتمال اینکه کارت آس باشد ۱ به ۱۳ است.
۴. درک تقاطع (A ∩ B) و نقش اطلاعات
یک اشتباه رایج هنگام مطالعه احتمال، اشتباه گرفتن \(P(A)\) با \(P(A|B)\) است. در مثال کارت:
– \(P(A) = 4/52 = 1/13\) (احتمال آس بدون اطلاعات اضافی)
– \(P(A|B) = 1/13\) (تصادفا در این مورد نیز همینطور است)
با این حال، در بسیاری از موارد این دو مقدار متفاوت هستند. اطلاعات تکمیلی میتواند شامل موارد زیر باشد:
- افزایش شانس (مثلاً شانس قبولی در امتحان اگر کسی بداند که کسی در حال مطالعه است)
– کاهش فرصتها (شانس جادههای هموار اگر میدانید که وقت برگشتن از محل کار به خانه است)،
– یا اگر رویدادها مستقل باشند، احتمال را تغییر نمیدهد.
۵. رویدادهای مستقل متقابل (استقلال)
دو رویداد A و B را مستقل مینامیم اگر رویداد B بر احتمال A تأثیری نداشته باشد و برعکس. به طور رسمی:
\[
P(A \mid B) = P(A)
\]
یا معادل آن:
\[
P(A \cap B) = P(A)P(B)
\]
مثال: پرتاب سکه و پرتاب تاس. نتیجه سکه (عدد/تصویر) تحت تأثیر نتیجه تاس (۱-۶) قرار نمیگیرد، بنابراین هر دو مستقل هستند. اگر A عبارت باشد از «سکه عدد را نشان میدهد» و B عبارت باشد از «تاس ۶ را نشان میدهد»، آنگاه:
\[
P(A) = 1/2، \quad P(B) = 1/6، \quad P(A \cap B) = 1/12
\]
و درست است که \(1/12 = (1/2)(1/6)\).
۶. قانون ضرب
از تعریف احتمال شرطی، میتوانیم قانون ضرب را استخراج کنیم:
\[
P(A \cap B) = P(A \mid B)P(B)
\]
یا همچنین:
\[
P(A \cap B) = P(B \mid A)P(A)
\]
این قانون زمانی بسیار مفید است که بخواهیم احتمال وقوع همزمان دو رویداد را محاسبه کنیم، اما ارزیابی احتمال یکی از آنها پس از دانستن دیگری آسانتر است.
مثال: فرض کنید احتمال قبولی کسی در مصاحبه (B) 0,4 باشد. احتمال پذیرفته شدن برای شغل (A) در صورت قبولی در مصاحبه 0,6 باشد. پس احتمال «قبولی در مصاحبه و پذیرفته شدن برای شغل» برابر است با:
\[
P(A \cap B) = P(A \mid B)P(B) = 0{,}6 \times 0{,}4 = 0{,}24
\]
۷. قضیه بیز: معکوس کردن شرایط
اغلب ما میدانیم \(P(A|B)\)، اما چیزی که واقعاً به آن نیاز داریم \(P(B|A)\) است. قضیه بیز راهی برای «معکوس کردن» احتمال شرطی ارائه میدهد:
\[
P(B \mid A) = \frac{P(A \mid B)P(B)}{P(A)}
\]
این قضیه در زمینههای تشخیص پزشکی، یادگیری ماشین، تشخیص هرزنامه و تصمیمگیری مبتنی بر داده بسیار شناخته شده است.
مثال کوتاه (سلامت)
برای مثال:
– ب: کسی واقعاً بیمار است (شیوع) \(P(B)=0{,}01\)
– الف: نتیجه آزمایش مثبت
– حساسیت آزمون: \(P(A|B)=0{,}95\)
– مثبت کاذب: \(P(A|\text{بیمار نیست})=0{,}05\)
سوال: اگر نتیجه آزمایش مثبت باشد، احتمال اینکه فرد واقعاً بیمار باشد، یعنی \(P(B|A)\) چقدر است؟
ما به \(P(A)\) نیاز داریم:
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
بنابراین:
\[
P(B|A)=\frac{0{,}95 \times 0{,}01}{0{,}059} \approx 0{,}161
\]
نتیجه حدود ۱۶.۱٪ بود. این نشان میدهد که یک آزمایش مثبت لزوماً به این معنی نیست که فرد قطعاً بیمار است، به خصوص اگر شیوع بیماری بسیار پایین باشد.
۸. احتمال کل (قانون احتمال کل)
برای محاسبه \(P(A)\) در موقعیتی که به چندین شرط تقسیم شده است، میتوانیم از قانون احتمال کل استفاده کنیم. اگر \(B_1، B_2، …، B_n\) یک پارتیشن از فضای نمونه را تشکیل دهد (که متقابلاً از هم جدا و شامل همه احتمالات باشد)، آنگاه:
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
این اغلب با قضیه بیز ترکیب میشود تا اطلاعات را از چندین دسته یا منبع پردازش کند.
۹. اشتباهات رایج در احتمال شرطی
برخی از اشتباهات رایج:
۱. فرض کنید \(P(A|B)\) برابر با \(P(B|A)\) باشد. این به طور کلی درست نیست.
۲. نادیده گرفتن نرخهای پایه، برای مثال شیوع بیماری در مثال بیز.
۳. تعیین نادرست فضای نمونه پس از ارائه شرط، حتی با وجود اینکه شرط ب به این معنی است که ما فقط در «ناحیه ب» شمارش میکنیم.
10. پنوتاپ
احتمال شرطی یک پایه مهم در آمار و مدلسازی عدم قطعیت است. با درک تعریف \(P(A|B)=\frac{P(A \cap B)}{P(B)}\)، میتوانیم احتمالات را با در نظر گرفتن اطلاعات اضافی ارزیابی کنیم. این مفهوم مستقیماً با قانون ضرب، رویدادهای مستقل، قانون احتمال کل و قضیه بیز مرتبط است که در بسیاری از کاربردهای دنیای واقعی بسیار مفید است. هرچه بیشتر با مثالهای ملموس - کارت، تاس، نظرسنجی و حتی موارد پزشکی - تمرین کنید، شهود شما در مورد چگونگی تغییر احتمالات با ورود اطلاعات جدید قویتر خواهد شد.
