יסודות ההסתברות המותנית

יסודות ההסתברות המותנית

הסתברות היא דרך פורמלית למדוד את הסבירות להתרחשות אירוע. במצבים רבים בעולם האמיתי, ההסתברות לאירוע אינה עומדת בפני עצמה אלא מושפעת ממידע אחר שכבר ידוע לנו. כאן מושג ההסתברות המותנית הופך לחשוב. הסתברות מותנית עוזרת לנו לעדכן את אמונותינו לגבי אירוע מסוים לאחר קבלת מידע נוסף. מאמר זה דן בהגדרתה, בנוסחה הבסיסית, בדוגמאות ובקשר שלה לכלל המכפלה ולמשפט בייס.

1. הבנת הסתברות מותנית

באופן אינטואיטיבי, הסתברות מותנית היא הסיכוי להתרחשות אירוע א' בהינתן שאירוע ב' אכן התרחש. היא כתובה כך:

\[
P(A \mid B)
\]

קרא "הסתברות של A נתונה ב-B".

לדוגמה, אנו רוצים לדעת את ההסתברות שמישהו נושא מטריה (A) בהינתן שיורד גשם היום (B). ברור שההסתברות לשאת מטריה גדולה יותר אם אנו יודעים שיורד גשם. המידע "יורד גשם" משנה את מרחב ההתחשבות שלנו - אנו כבר לא מתחשבים בכל תנאי מזג האוויר, אלא רק בתנאים שבהם יורד גשם.

2. נוסחת הסתברות מותנית

ההגדרה המתמטית של הסתברות מותנית היא:

\[
P(A πB) = \frac{P(A πB)}{P(B)}
\]

בתנאי ש-\(P(B)> 0\).

מֵידָע:
– \(P(A \mid B)\): ההסתברות להתרחשות A בהינתן ש-B מתרחש.
– \(P(A \cap B)\): ההסתברות ש-A ו-B יתרחשו בו זמנית (נקודת החיתוך של A ו-B).
– \(P(B)\): ההסתברות להתרחשות B.

משמעות נוסחה זו: אנו מגבילים את תשומת ליבנו לאירוע B, לאחר מכן מחשבים כמה חלק מ-B כולל גם את A.

3. דוגמה פשוטה: קלפי משחק

קחו קלף אחד מחפיסת קלפים סטנדרטית (52 קלפים). לדוגמה:
– א: הקלף שנמשך הוא אס
– ב: הקלף שנמשך הוא עלה

אנחנו רוצים לחשב את Σ(P(A ΣB)) שהיא ההסתברות לשלוף אס בהינתן שהקלף הוא עלה.

שָׁלָב:
– בקלפים עלה יש 13 קלפים, לכן \(P(B) = 13/52\).
– הפרוסות A ו-B הן "אס עלה" שסך הכל קלף אחד, לכן \(P(A \cap B) = 1/52\).

כָּך:

\[
P(A ≈ B) = 1/52/13/52 = 1/13
\]

משמעות הדבר היא שאם אנחנו כבר יודעים שהקלף הוא עלה, ההסתברות שהקלף הוא אס היא 1 ל-13.

4. הבנת צומת (A ∩ B) ותפקיד המידע

טעות נפוצה בחקר הסתברות היא לבלבל בין ‏P(A)‏ לבין ‏P(A|B)‏. בדוגמת הקלף:
– \(P(A) = 4/52 = 1/13\) (הסתברות לאס ללא מידע נוסף)
– \(P(A|B) = 1/13\) (במקרה זה, זהה במקרה הזה)

עם זאת, במקרים רבים שני הערכים שונים. מידע נוסף יכול להיות:
– להגדיל את הסיכויים (למשל, הסיכוי לעבור מבחן אם יודעים שמישהו לומד),
– צמצום הזדמנויות (סיכויים לכבישים חלקים אם אתם יודעים שהגיע הזמן לחזור הביתה מהעבודה),
– או לא משנה את ההסתברות אם האירועים בלתי תלויים.

5. אירועים בלתי תלויים הדדית (עצמאות)

שני אירועים A ו-B נחשבים בלתי תלויים אם אירוע B אינו משפיע על ההסתברות ל-A, ולהיפך. באופן פורמלי:

\[
P(A ≈ B) = P(A)
\]

או שווה ערך ל:

\[
P(A ≈ B) = P(A)P(B)
\]

דוגמה: הטלת מטבע וגלגול קובייה. תוצאת המטבע (מספר/תמונה) אינה מושפעת מתוצאת הקובייה (1–6), כך ששניהם בלתי תלויים. אם A הוא "המטבע מראה מספר" ו-B היא "הקובייה מראה 6", אז:

\[
P(A) = 1/2, ∫P(B) = 1/6, ∫P(A ∫B) = 1/12
\]

ונכון ש-\(1/12 = (1/2)(1/6)\).

6. כלל הכפל

מהגדרת ההסתברות המותנית, נוכל לגזור את כלל הכפל:

\[
P(A ≤ B) = P(A ≤ B)P(B)
\]

או גם:

\[
P(A ≈ B) = P(B ≈ A)P(A)
\]

כלל זה שימושי מאוד כאשר אנו רוצים לחשב את ההסתברות לשני אירועים שיתרחשו בו זמנית, אך קל יותר להעריך את ההסתברות של אחד מהם לאחר ידיעת השני.

דוגמה: נניח שההסתברות שמישהו יעבור ראיון (B) היא 0,4. ההסתברות להתקבל למשרה (A) אם הוא יעבור את הראיון היא 0,6. אז ההסתברות "לעבור את הראיון ולהתקבל למשרה" היא:

\[
P(A × B) = P(A × B)P(B) = 6 × 0,4 = 24
\]

7. משפט בייס: היפוך התנאים

לעתים קרובות אנו יודעים את \(P(A|B)\), אבל מה שאנחנו באמת צריכים זה \(P(B|A)\). משפט בייס מספק דרך "להפוך" את ההסתברות המותנית:

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

משפט זה ידוע היטב בתחומי האבחון הרפואי, למידת מכונה, זיהוי דואר זבל וקבלת החלטות מונעת נתונים.

דוגמה קצרה (בריאות)
לְדוּגמָה:
– B: מישהו ממש חולה (שכיחות) \(P(B)=0{,}01\)
– א: תוצאת בדיקה חיובית
רגישות הבדיקה: ‎P(A|B)=0,95‎)
– חיובי שגוי: \(P(A|\text{לא חולה})=0{,}05\)

שאלה: אם תוצאת הבדיקה חיובית, מהי ההסתברות שהאדם אכן חולה, כלומר \(P(B|A)\)?

אנחנו צריכים את \(P(A)\):

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

כָּך:

\[
P(B|A)=\frac{0,95 \× 0,01}{0,059} \בערך 0,161
\]

התוצאה הייתה כ-16,1%. ממצא זה מראה שתוצאה חיובית בבדיקה אינה בהכרח אומרת שמישהו חולה בוודאות, במיוחד אם שכיחות המחלה נמוכה מאוד.

8. הסתברות כוללת (חוק ההסתברות הכוללת)

כדי לחשב את \(P(A)\) במצב המחולק למספר תנאים, נוכל להשתמש בחוק ההסתברות הכוללת. אם \(B_1, B_2, …, B_n\) יוצר מחיצה של מרחב הדגימה (מנותקת הדדית וכוללת את כל האפשרויות), אז:

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

לעתים קרובות הוא משולב עם משפט בייס כדי לעבד מידע ממספר קטגוריות או מקורות.

9. טעויות נפוצות בהסתברות מותנית

כמה טעויות נפוצות:
1. נניח ש-\(P(A|B)\) שווה ל-\(P(B|A)\). זה לא נכון באופן כללי.
2. התעלמות משיעורי בסיס, לדוגמה שכיחות מחלות בדוגמת בייס.
3. קביעה שגויה של מרחב הדגימה לאחר מתן התנאי, למרות שתנאי B פירושו שאנו סופרים רק ב"אזור B".

10. פנוטאפ

הסתברות מותנית היא בסיס חשוב בסטטיסטיקה ובמידול אי-ודאות. על ידי הבנת ההגדרה של \(P(A|B)=\frac{P(A \capB)}{P(B)}\), נוכל להעריך הסתברויות על ידי התחשבות במידע נוסף. מושג זה קשור ישירות לכלל המכפלה, לאירועים בלתי תלויים, לחוק ההסתברות הכוללת ולמשפט בייס, שהוא שימושי מאוד ביישומים רבים בעולם האמיתי. ככל שתתרגלו יותר עם דוגמאות קונקרטיות - קלפים, קוביות, סקרים ואפילו מקרים רפואיים - כך תתחזק האינטואיציה שלכם לגבי האופן שבו הסתברויות משתנות ככל שמגיע מידע חדש.