Sąlyginės tikimybės pagrindai
Tikimybė yra formalus būdas įvertinti įvykio tikimybę. Daugelyje realaus pasaulio situacijų įvykio tikimybė nėra savarankiška, bet jai įtakos turi kita informacija, kurią jau žinome. Čia svarbi sąlyginės tikimybės sąvoka. Sąlyginė tikimybė padeda mums atnaujinti savo įsitikinimus apie konkretų įvykį gavus papildomos informacijos. Šiame straipsnyje aptariamas jos apibrėžimas, pagrindinė formulė, pavyzdžiai ir ryšys su sandaugos taisykle bei Bajeso teorema.
1. Sąlyginės tikimybės supratimas
Intuityviai tariant, sąlyginė tikimybė yra įvykio A įvykimo tikimybė, atsižvelgiant į tai, kad įvyko įvykis B. Ji užrašoma taip:
\[
P(A vidurys B)
\]
skaitykite „A tikimybė, duota B“.
Pavyzdžiui, norime sužinoti tikimybę, kad kažkas nešasi skėtį (A), atsižvelgiant į tai, kad šiandien lyja (B). Akivaizdu, kad skėčio nešiojimosi tikimybė yra didesnė, jei žinome, kad lyja. Informacija „lyja“ pakeičia mūsų svarstymo erdvę – mes nebesvarstome visų oro sąlygų, o tik tas, kurios yra lyjant.
2. Sąlyginės tikimybės formulė
Sąlyginės tikimybės matematinis apibrėžimas yra:
\[
P(A ∑B) = ∑P(A ∑B)}{P(B)}
\]
su sąlyga, kad \(P(B) > 0\).
Informacija:
– \(P(A \mid B)\): A tikimybė, kai įvyksta B.
– \(P(A \cap B)\): tikimybė, kad A ir B įvyks vienu metu (A ir B sankirta).
– \(P(B)\): B įvykio tikimybė.
Šios formulės reikšmė: mes apsiribojame įvykiu B, tada apskaičiuojame, kokia didelė B dalis apima ir A.
3. Paprastas pavyzdys: žaidimo kortos
Paimkite vieną kortą iš standartinės žaidimo kortų kaladės (52 kortos). Pavyzdžiui:
– A: Ištraukta korta yra tūzas
– B: ištraukta korta yra pikai
Norime apskaičiuoti \(P(A \mid B)\), t. y. tikimybę ištraukti tūzą, jei korta yra pikis.
Žingsnis:
– Pikuose yra 13 kortų, taigi \(P(B) = 13/52\).
– A ir B kortų gabaliukai yra „Pikų tūzas“, kurio bendra vertė yra 1, taigi \(P(A \cap B) = 1/52\).
Taigi:
\[
P(A ∑B) = ∏_frac{1/52}{13/52} = ∏_frac{1}{13}
\]
Tai reiškia, kad jei jau žinome, jog korta yra piku, tikimybė, kad korta yra tūzas, yra 1 iš 13.
4. Sankirtos (A ∩ B) supratimas ir informacijos vaidmuo
Dažna klaida tiriant tikimybę yra supainioti \(P(A)\) su \(P(A|B)\). Kortelės pavyzdyje:
– \(P(A) = 4/52 = 1/13\) (aso tikimybė be papildomos informacijos)
– \(P(A|B) = 1/13\) (šiuo atveju sutampa)
Tačiau daugeliu atvejų šios dvi vertės skiriasi. Papildoma informacija gali būti:
– padidinti galimybes (pvz., tikimybę išlaikyti egzaminą, jei žinai, kad kažkas mokosi),
– sumažinti galimybes (tikimybė, kad kelias bus lygus, jei žinote, kad laikas grįžti namo iš darbo),
– arba nekeičia tikimybės, jei įvykiai yra nepriklausomi.
5. Abipusiai nepriklausomi įvykiai (nepriklausomybė)
Du įvykiai A ir B vadinami nepriklausomais, jei įvykis B neturi įtakos A tikimybei, ir atvirkščiai. Formaliai:
\[
P(A ∫ B) = P(A)
\]
arba lygiavertis:
\[
P(A ∑B) = P(A)P(B)
\]
Pavyzdys: monetos metimas ir kauliuko ridenimas. Monetos rezultatui (skaičiui/paveikslėliui) įtakos neturi kauliuko ridenimo rezultatas (1–6), todėl abu yra nepriklausomi. Jei A yra „moneta rodo skaičių“, o B yra „kauliukas rodo 6“, tai:
\[
P(A) = 1/2, √P(B) = 1/6, √P(A √B) = 1/12
\]
ir tiesa, kad \(1/12 = (1/2)(1/6)\).
6. Daugybos taisyklė
Iš sąlyginės tikimybės apibrėžimo galime išvesti daugybos taisyklę:
\[
P(A ∑B) = P(A ∑B)P(B)
\]
arba taip pat:
\[
P(A ∑B) = P(B ∑A)P(A)
\]
Ši taisyklė labai naudinga, kai norime apskaičiuoti dviejų įvykių, įvyksiančių vienu metu, tikimybę, tačiau vieno iš jų tikimybę lengviau įvertinti žinant kitą.
Pavyzdys: Tarkime, kad tikimybė, jog asmuo išlaikys pokalbį dėl darbo (B), yra 0,4. Tikimybė būti priimtam į darbą (A), jei asmuo išlaikys pokalbį dėl darbo, yra 0,6. Tuomet tikimybė „išlaikyti pokalbį dėl darbo ir būti priimtam į darbą“ yra:
\[
P(A ∑B) = P(A ∑B)P(B) = 06 × 04 = 024
\]
7. Bajeso teorema: sąlygų apvertimas
Dažnai žinome \(P(A|B)\), bet iš tikrųjų mums reikia \(P(B|A)\). Bajeso teorema suteikia būdą „apversti“ sąlyginę tikimybę:
\[
P(B ∫A) = ∫{P(A ∫B)P(B)}{P(A)}
\]
Ši teorema yra labai gerai žinoma medicininės diagnostikos, mašininio mokymosi, šlamšto aptikimo ir duomenimis pagrįsto sprendimų priėmimo srityse.
Trumpas pavyzdys (sveikata)
Pavyzdžiui:
– B: kažkas labai serga (paplitimas) \(P(B)=0{,}01\)
– A: teigiamas testo rezultatas
– Bandymo jautrumas: \(P(A|B)=0{,}95\)
– Klaidingai teigiama: \(P(A|\text{nesergantis})=0{,}05\)
Klausimas: Jei testo rezultatas teigiamas, kokia tikimybė, kad asmuo iš tikrųjų serga, t. y. \(P(B|A)\)?
Mums reikia \(P(A)\):
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Taigi:
\[
P(B|A) = \frac{0{,}95 \times 0{,}01}{0{,}059} \apytiksl. 0{,}161
\]
Rezultatas buvo apie 16,1 %. Tai rodo, kad teigiamas testas nebūtinai reiškia, jog žmogus tikrai serga, ypač jei ligos paplitimas yra labai mažas.
8. Bendroji tikimybė (bendrosios tikimybės dėsnis)
Norint apskaičiuoti \(P(A)\) situaciją, suskirstytą į kelias sąlygas, galime naudoti bendrosios tikimybės dėsnį. Jei \(B_1, B_2, …, B_n\) sudaro imties erdvės skaidinį (abipusiai atskirtą ir apimantį visas galimybes), tai:
\[
P(A) = ∫_{i=1}^{n} P(A|B_i)P(B_i)
\]
Jis dažnai derinamas su Bajeso teorema, norint apdoroti informaciją iš kelių kategorijų ar šaltinių.
9. Dažniausios sąlyginės tikimybės klaidos
Kai kurios dažnos klaidos:
1. Tarkime, kad \(P(A|B)\) yra lygus \(P(B|A)\). Tai paprastai nėra tiesa.
2. Bazinių rodiklių, pavyzdžiui, ligos paplitimo Bajeso pavyzdyje, ignoravimas.
3. Neteisingai nustatoma imties erdvė po sąlygos pateikimo, nors B sąlyga reiškia, kad skaičiuojame tik „B srityje“.
10. Pennutup
Sąlyginė tikimybė yra svarbus statistikos ir neapibrėžtumo modeliavimo pagrindas. Suprasdami \(P(A|B)=\frac{P(A \cap B)}{P(B)}\) apibrėžimą, galime įvertinti tikimybes, atsižvelgdami į papildomą informaciją. Ši sąvoka yra tiesiogiai susijusi su sandaugos taisykle, nepriklausomais įvykiais, bendrosios tikimybės dėsniu ir Bajeso teorema, kuri yra labai naudinga daugelyje realaus pasaulio pritaikymų. Kuo daugiau praktikuositės su konkrečiais pavyzdžiais – kortomis, kauliukais, apklausomis ir net medicininiais atvejais – tuo stipresnė taps jūsų intuicija apie tai, kaip tikimybės keičiasi, kai gaunama nauja informacija.
