Nosacītās varbūtības pamati
Varbūtība ir formāls veids, kā izmērīt notikuma iespējamību. Daudzās reālās pasaules situācijās notikuma varbūtība nav pati par sevi, bet to ietekmē cita informācija, ko mēs jau zinām. Šeit svarīgs kļūst nosacītās varbūtības jēdziens. Nosacītā varbūtība palīdz mums atjaunināt savus uzskatus par konkrētu notikumu pēc papildu informācijas iegūšanas. Šajā rakstā ir aplūkota tās definīcija, pamatformula, piemēri un saistība ar reizinājuma likumu un Bejesa teorēmu.
1. Nosacītās varbūtības izpratne
Intuitīvi nosacītā varbūtība ir notikuma A iespējamība, ņemot vērā, ka ir noticis notikums B. To raksta šādi:
\[
P(A vid B)
\]
lasiet “A varbūtība dotajam B”.
Piemēram, mēs vēlamies uzzināt varbūtību, ka kāds nes lietussargu (A), ņemot vērā, ka šodien līst (B). Ir skaidrs, ka lietussarga nēsāšanas varbūtība ir lielāka, ja zinām, ka līst. Informācija “līst” maina mūsu apsvērumu telpu — mēs vairs neņemam vērā visus laikapstākļus, bet tikai apstākļus, kad līst.
2. Nosacītās varbūtības formula
Nosacītās varbūtības matemātiskā definīcija ir šāda:
\[
P(A ∑B) = ∑P(A ∑B)}{P(B)}
\]
ar nosacījumu, ka \(P(B) > 0\).
Informācija:
– \(P(A \mid B)\): A notikuma varbūtība, ņemot vērā, ka notiek B.
– \(P(A \cap B)\): A un B vienlaicīgas norises varbūtība (A un B krustpunkts).
– \(P(B)\): B rašanās varbūtība.
Šīs formulas nozīme: mēs ierobežojam savu uzmanību uz notikumu B, pēc tam aprēķinām, cik liela daļa no B ietver arī notikumu A.
3. Vienkāršs piemērs: spēļu kārtis
Paņemiet vienu kārti no standarta spēļu kāršu kavas (52 kārtis). Piemēram:
– A: Izvilktā kārts ir dūzis
– B: izvilktā kārts ir pīķis
Mēs vēlamies aprēķināt \(P(A \mid B)\), kas ir dūza izvilkšanas varbūtība, ņemot vērā, ka kārts ir pīķis.
Solis:
– Pīķa kāršu komplektā ir 13 kārtis, tātad \(P(B) = 13/52\).
– A un B šķēles ir “pīķa dūzis”, kuru kopsumma ir 1 kārts, tātad \(P(A \cap B) = 1/52\).
Tātad:
\[
P(A ∑B) = ∑1/52}{13/52} = ∑1(13)}
\]
Tas nozīmē, ka, ja mēs jau zinām, ka kārts ir pīķis, varbūtība, ka kārts ir dūzis, ir 1 no 13.
4. Krustpunkta (A ∩ B) izpratne un informācijas loma
Bieži pieļauta kļūda, pētot varbūtību, ir jaukt \(P(A)\) ar \(P(A|B)\). Kāršu piemērā:
– \(P(A) = 4/52 = 1/13\) (dūza varbūtība bez papildu informācijas)
– \(P(A|B) = 1/13\) (šajā gadījumā nejauši tas pats)
Tomēr daudzos gadījumos abas vērtības atšķiras. Papildinformācija var būt:
– palielināt izredzes (piemēram, iespēja nokārtot eksāmenu, ja zināms, ka kāds mācās),
– samazināt iespējas (iespējas uz gludiem ceļiem, ja zināt, ka ir laiks doties mājās no darba),
– vai nemaina varbūtību, ja notikumi ir neatkarīgi.
5. Savstarpēji neatkarīgi notikumi (Neatkarība)
Divus notikumus A un B sauc par neatkarīgiem, ja notikums B neietekmē notikuma A varbūtību, un otrādi. Formāli:
\[
P(A ∫ B) = P(A)
\]
vai līdzvērtīgs:
\[
P(A ∑B) = P(A)P(B)
\]
Piemērs: monētas mešana un kauliņa ripināšana. Monētas iznākumu (skaitli/attēlu) neietekmē kauliņa iznākums (1–6), tāpēc abi ir neatkarīgi. Ja A ir “monēta rāda skaitli” un B ir “kauliņš rāda 6”, tad:
\[
P(A) = 1/2, \quad P(B) = 1/6, \quad P(A ∑B) = 1/12
\]
un ir taisnība, ka \(1/12 = (1/2)(1/6)\).
6. Reizināšanas noteikums
No nosacītās varbūtības definīcijas mēs varam atvasināt reizināšanas likumu:
\[
P(A ≤ B) = P(A ≤ B)P(B)
\]
vai arī:
\[
P(A ∑B) = P(B ∑A)P(A)
\]
Šis noteikums ir ļoti noderīgs, ja vēlamies aprēķināt divu notikumu vienlaicīgas norises varbūtību, bet viena no tiem varbūtību ir vieglāk novērtēt pēc tam, kad ir zināms otrs.
Piemērs: Pieņemsim, ka varbūtība, ka kāds nokārtos interviju (B), ir 0,4. Varbūtība, ka kāds nokārtos interviju (A), ir 0,6. Tad varbūtība "nokārtot interviju un tikt pieņemtam darbā" ir:
\[
P(A ∑B) = P(A ∑B)P(B) = 06 x 04 = 024
\]
7. Bejesa teorēma: Nosacījumu apgriešana
Bieži vien mēs zinām \(P(A|B)\), bet patiesībā mums ir nepieciešams \(P(B|A)\). Bejesa teorēma sniedz veidu, kā "apgriezt" nosacīto varbūtību:
\[
P(B ∫A) = ∫{P(A ∫B)P(B)}{P(A)}
\]
Šī teorēma ir ļoti labi zināma medicīniskās diagnostikas, mašīnmācīšanās, surogātpasta atklāšanas un uz datiem balstītas lēmumu pieņemšanas jomās.
Īss piemērs (veselība)
Piemēram:
– B: kāds ir ļoti slims (izplatība) \(P(B)=0{,}01\)
– A: pozitīvs testa rezultāts
– Testa jutība: \(P(A|B)=0{,}95\)
– Kļūdaini pozitīvs: \(P(A|\text{nav slims})=0{,}05\)
Jautājums: Ja testa rezultāts ir pozitīvs, kāda ir varbūtība, ka persona patiešām ir slima, t. i., \(P(B|A)\)?
Mums vajag \(P(A)\):
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Tātad:
\[
P(B|A) = \frac{0{,}95 \reiz 0{,}01}{0{,}059} \aptuveni 0{,}161
\]
Rezultāts bija aptuveni 16,1 %. Tas parāda, ka pozitīvs tests ne vienmēr nozīmē, ka kāds noteikti ir slims, īpaši, ja slimības izplatība ir ļoti zema.
8. Kopējā varbūtība (Pilnās varbūtības likums)
Lai aprēķinātu \(P(A)\) situācijā, kas sadalīta vairākos nosacījumos, varam izmantot pilnīgas varbūtības likumu. Ja \(B_1, B_2, …, B_n\) veido izlases telpas sadalījumu (savstarpēji atdalītu un aptverošu visas iespējas), tad:
\[
P(A) = ∫_{i=1}^{n} P(A|B_i)P(B_i)
\]
To bieži apvieno ar Beijesa teorēmu, lai apstrādātu informāciju no vairākām kategorijām vai avotiem.
9. Biežāk pieļautās kļūdas nosacītās varbūtības aprēķinā
Dažas izplatītas kļūdas:
1. Pieņemsim, ka \(P(A|B)\) ir vienāds ar \(P(B|A)\). Tas parasti neatbilst patiesībai.
2. Ignorējot bāzes rādītājus, piemēram, slimības izplatību Bejesa piemērā.
3. Nepareiza izlases telpas noteikšana pēc nosacījuma došanas, lai gan nosacījums B nozīmē, ka mēs skaitām tikai “B reģionā”.
10. Penutups
Nosacītā varbūtība ir svarīgs pamats statistikā un nenoteiktības modelēšanā. Izprotot \(P(A|B)=\frac{P(A \cap B)}{P(B)}\) definīciju, mēs varam novērtēt varbūtības, ņemot vērā papildu informāciju. Šis jēdziens ir tieši saistīts ar reizinājuma likumu, neatkarīgiem notikumiem, kopējās varbūtības likumu un Bejesa teorēmu, kas ir ļoti noderīga daudzos reālās pasaules pielietojumos. Jo vairāk jūs praktizēsities ar konkrētiem piemēriem — kārtīm, kauliņiem, aptaujām un pat medicīniskiem gadījumiem —, jo spēcīgāka kļūs jūsu intuīcija par to, kā varbūtības mainās, ienākot jaunai informācijai.
