Grondlage vun der bedingter Wahrscheinlechkeet
Wahrscheinlechkeet ass eng formell Method fir ze moossen, wéi wahrscheinlech et ass, datt en Evenement optrieden. A ville realen Situatiounen steet d'Wahrscheinlechkeet vun engem Evenement net eleng, mä gëtt vun aneren Informatiounen beaflosst, déi mir scho kennen. Hei gëtt de Konzept vun der bedingter Wahrscheinlechkeet wichteg. D'bedingt Wahrscheinlechkeet hëlleft eis, eis Iwwerzeegungen iwwer e bestëmmt Evenement z'aktualiséieren, nodeems mir zousätzlech Informatiounen gewonnen hunn. Dësen Artikel diskutéiert seng Definitioun, seng Basisformel, seng Beispiller a seng Relatioun zur Produktregel an dem Bayes-Theorem.
1. D'Konditiounswahrscheinlechkeet verstoen
Intuitiv ass d'bedingt Wahrscheinlechkeet d'Chance, datt den Event A geschitt, wann den Event B geschitt ass. Et gëtt geschriwwen wéi:
\[
P(A \mid B)
\]
liest "Wahrscheinlechkeet vun A als gegebene B".
Zum Beispill wëlle mir d'Wahrscheinlechkeet wëssen, datt een en Regenschierm dréit (A), well et haut reent (B). Et ass kloer, datt d'Wahrscheinlechkeet, en Regenschierm ze droen, méi grouss ass, wa mir wëssen, datt et reent. D'Informatioun "et reent" ännert eise Berücksichtegungsraum - mir berücksichtegen net méi all Wiederkonditiounen, mä nëmmen d'Konditiounen, wou et reent.
2. Formel fir bedingt Wahrscheinlechkeet
Déi mathematesch Definitioun vun der bedingter Wahrscheinlechkeet ass:
\[
P(A \midB) = \frac{P(A \cap B)}{P(B)}
\]
virausgesat datt \(P(B) > 0\).
Informatiounen:
– \(P(A \mid B)\): d'Wahrscheinlechkeet, datt A optrieden, wann B optrieden.
– \(P(A \cap B)\): d'Wahrscheinlechkeet, datt A a B gläichzäiteg optrieden (d'Schnëttpunkt vun A a B).
– \(P(B)\): d'Wahrscheinlechkeet, datt B optriede kann.
D'Bedeitung vun dëser Formel: mir limitéieren eis Opmierksamkeet op den Event B, an dann berechnen mir, wéi e groussen Deel vu B och den A enthält.
3. Einfacht Beispill: Spillkaarten
Huelt eng Kaart aus engem Standard-Spillkaartespill (52 Kaarten). Zum Beispill:
– A: Déi gezunnen Kaart ass en As
– B: déi gezunnen Kaart ass Pik
Mir wëlle \(P(A \mid B)\) berechnen, wat d'Wahrscheinlechkeet ass, en As ze zéien, wann d'Kaart e Pik ass.
Langkah:
– Bei Päck gëtt et 13 Kaarten, also \(P(B) = 13/52\).
– D'Scheiwen A an B sinn "Pik-As", wat am Ganzen 1 Kaart ausmécht, also \(P(A \cap B) = 1/52\).
Also:
\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
Dat heescht, datt wa mir scho wëssen, datt d'Kaart e Pik ass, d'Wahrscheinlechkeet, datt d'Kaart en As ass, 1 zu 13 ass.
4. Intersection (A ∩ B) an d'Roll vun Informatioun verstoen
E verbreeten Feeler beim Studium vun der Wahrscheinlechkeet ass et, \(P(A)\) mat \(P(A|B)\) ze verwiesselen. Am Beispill vun der Kaart:
– \(P(A) = 4/52 = 1/13\) (Wahrscheinlechkeet vun engem As ouni zousätzlech Informatiounen)
– \(P(A|B) = 1/13\) (zoufälleg an dësem Fall d'selwecht)
Wéi och ëmmer, a ville Fäll sinn déi zwee Wäerter ënnerschiddlech. Zousätzlech Informatioune kënnen sinn:
– d'Chancen erhéijen (z.B. d'Chance en Examen ze bestoen, wann ee weess, datt een amgaang ass ze léieren),
– Méiglechkeeten reduzéieren (Chancen op glat Stroossen, wann Dir wësst, datt et Zäit ass, vun der Aarbecht heem ze kommen),
– oder ännert d'Wahrscheinlechkeet net, wann d'Evenementer onofhängeg sinn.
5. Géigesäiteg onofhängeg Evenementer (Onofhängegkeet)
Zwee Evenementer A an B gëllen als onofhängeg, wann den Evenement B d'Wahrscheinlechkeet vun A net beaflosst, an ëmgekéiert. Formell:
\[
P(A ≈ B) = P(A)
\]
oder gläichwäerteg mat:
\[
P(A ≈ B) = P(A)P(B)
\]
Beispill: eng Mënz geheien an e Wierfel werfen. Den Ausgang vun der Mënz (Zuel/Bild) gëtt net vum Ausgang vum Wierfel (1–6) beaflosst, dofir sinn béid onofhängeg. Wann A "d'Mënz weist eng Zuel" an B "de Wierfel weist 6" ass, dann:
\[
P(A) = 1/2, ∫P(B) = 1/6, ∫P(A ∫B) = 1/12
\]
an et ass wouer, datt \(1/12 = (1/2)(1/6)\).
6. Multiplikatiounsregel
Aus der Definitioun vun der bedingter Wahrscheinlechkeet kënne mir d'Multiplikatiounsregel ofleeden:
\[
P(A \cap B) = P(A \mid B)P(B)
\]
oder och:
\[
P(A ≈ B) = P(B ≈ A)P(A)
\]
Dës Regel ass ganz nëtzlech, wa mir d'Wahrscheinlechkeet berechnen wëllen, datt zwou Evenementer gläichzäiteg optrieden, awer et ass méi einfach, d'Wahrscheinlechkeet vun engem dovun ze bewäerten, nodeems een dat anert kennt.
Beispill: Stellt Iech vir, d'Wahrscheinlechkeet, datt een en Interview packt (B), ass 0,4. D'Wahrscheinlechkeet, fir d'Aarbechtsplaz ugeholl ze ginn (A), wann een den Interview packt, ass 0,6. Dann ass d'Wahrscheinlechkeet, "den Interview ze packen an fir d'Aarbechtsplaz ugeholl ze ginn",:
\[
P(A × B) = P(A × B)P(B) = 0,6 × 0,4 = 0,24
\]
7. Bayes-Theorem: D'Konditioune ëmdréinen
Dacks wësse mer \(P(A|B)\), awer wat mir wierklech brauchen ass \(P(B|A)\). De Bayes-Theorem bitt eng Méiglechkeet fir d'bedingt Wahrscheinlechkeet ze "dréinen":
\[
P(B \midA) = \frac{P(A \midB)P(B)}{P(A)}
\]
Dësen Theorem ass ganz bekannt an de Beräicher vun der medizinescher Diagnos, dem maschinelle Léieren, der Spamdetektioun an der datenorientéierter Entscheedungsfindung.
Kuerz Beispill (Gesondheet)
Zum Beispill:
– B: een ass wierklech krank (Prävalenz) \(P(B)=0{,}01\)
– A: positivt Testergebnis
– Testempfindlechkeet: \(P(A|B)=0{,}95\)
– Falsch positiv: \(P(A|\text{net krank})=0{,}05\)
Fro: Wann den Testergebnis positiv ass, wat ass dann d'Wahrscheinlechkeet, datt d'Persoun tatsächlech krank ass, d.h. \(P(B|A)\)?
Mir brauchen \(P(A)\):
\[
P(A) = P(A|B)P(B) + P(A|−B)P(−B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Also:
\[
P(B|A) = \frac{0,95 \times 0,01}{0,059} \approx 0,161
\]
D'Resultat louch bei ongeféier 16,1%. Dëst weist, datt en positiven Test net onbedéngt bedeit, datt een definitiv krank ass, besonnesch wann d'Prevalenz vun der Krankheet ganz niddreg ass.
8. Total Wahrscheinlechkeet (Gesetz vun der Totaler Wahrscheinlechkeet)
Fir \(P(A)\) an enger Situatioun ze berechnen, déi a verschidde Konditioune gedeelt ass, kënne mir d'Gesetz vun der totaler Wahrscheinlechkeet benotzen. Wann \(B_1, B_2, …, B_n\) eng Partitioun vum Proufraum bilt (géigesäiteg disjunkt an all Méiglechkeeten ëmfaasst), dann:
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
Et gëtt dacks mam Bayes' Theorem kombinéiert fir Informatiounen aus verschiddene Kategorien oder Quellen ze veraarbechten.
9. Heefeg Feeler an der bedingter Wahrscheinlechkeet
E puer heefeg Feeler:
1. Huelt un, datt \(P(A|B)\) gläich \(P(B|A)\) ass. Dëst ass am Allgemengen net wouer.
2. Ignoréiere vu Basisraten, zum Beispill d'Prävalenz vu Krankheeten am Bayes-Beispill.
3. De Proufraum falsch bestëmmen nodeems d'Konditioun uginn ass, obwuel d'Konditioun B bedeit datt mir nëmmen an der "Regioun B" zielen.
10. Schlussfolgerung
D'konditionell Wahrscheinlechkeet ass eng wichteg Basis an der Statistik an der Onsécherheetsmodelléierung. Wann mir d'Definitioun vun \(P(A|B)=\frac{P(A \capB)}{P(B)}\) verstoen, kënne mir Wahrscheinlechkeeten beurteelen andeems mir zousätzlech Informatiounen berécksiichtegen. Dëst Konzept ass direkt mat der Produktregel, onofhängegen Evenementer, dem Gesetz vun der Gesamtwahrscheinlechkeet an dem Bayes-Theorem verbonnen, deen a ville realen Uwendungen ganz nëtzlech ass. Wat Dir méi mat konkrete Beispiller übt - Kaarten, Wierfelen, Ëmfroen a souguer medizinesch Fäll - wat méi staark Är Intuitioun gëtt, wéi sech Wahrscheinlechkeeten änneren, wa nei Informatioune kommen.
