Нөхцөлт магадлалын үндэс
Магадлал гэдэг нь үйл явдал тохиолдох магадлалыг хэмжих албан ёсны арга юм. Бодит ертөнцийн олон нөхцөл байдалд үйл явдлын магадлал дангаараа байдаггүй бөгөөд бидний аль хэдийн мэддэг бусад мэдээллээс хамаардаг. Энэ бол нөхцөлт магадлалын тухай ойлголт чухал болох газар юм. Нөхцөлт магадлал нь нэмэлт мэдээлэл олж авсны дараа тодорхой үйл явдлын талаарх итгэл үнэмшлээ шинэчлэхэд бидэнд тусалдаг. Энэ нийтлэлд түүний тодорхойлолт, үндсэн томъёо, жишээ, үржвэрийн дүрэм болон Байесийн теоремтой хэрхэн холбогддог талаар авч үзэх болно.
1. Нөхцөлт магадлалыг ойлгох нь
Зөн совингоороо бол нөхцөлт магадлал гэдэг нь В үйл явдал тохиолдсон үед А үйл явдал тохиолдох магадлал юм. Үүнийг дараах байдлаар бичнэ.
\[
P(A \mid B)
\]
“өгөгдсөн В-ийн А-ийн магадлал”-ыг уншина уу.
Жишээлбэл, өнөөдөр бороо орж байгаа (B) үед хэн нэгэн шүхэр авч явах магадлалыг (A) мэдэхийг хүсч байна. Хэрэв бид бороо орж байгааг мэдэж байвал шүхэр авч явах магадлал өндөр байдаг нь тодорхой. "Бороо орж байна" гэсэн мэдээлэл нь бидний авч үзэх орон зайг өөрчилдөг - бид бүх цаг агаарын нөхцөл байдлыг харгалзан үзэхээ больж, зөвхөн бороо орох үеийн нөхцөл байдлыг л авч үздэг.
2. Нөхцөлт магадлалын томъёо
Нөхцөлт магадлалын математик тодорхойлолт нь:
\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]
нөхцөл \(P(B) > 0\) байна.
Мэдээлэл:
– \(P(A \mid B)\): В тохиолдсон тохиолдолд А тохиолдох магадлал.
– \(P(A \cap B)\): А ба В-ийн үзэгдэл нэгэн зэрэг тохиолдох магадлал (А ба В-ийн огтлолцол).
– \(P(B)\): B тохиолдох магадлал.
Энэ томъёоны утга: бид анхаарлаа В үйл явдалд хязгаарлаад, дараа нь В-ийн нэг хэсэг нь А-г хэр том хэмжээтэй багтааж байгааг тооцоолно.
3. Энгийн жишээ: Хөзөр тоглох
Тоглоомын хөзрийн стандарт тавцангаас (52 хөзөр) нэг хөзөр ав. Жишээлбэл:
– А: Сугасан хөзөр нь Ати юм
– B: сугалагдсан карт бол Спэдс
Бид хөзөр нь хүрз байх үед туз сугалах магадлал болох \(P(A \mid B)\)-г тооцоолохыг хүсэж байна.
Алхам:
– Хүрзэнд 13 хөзөр байгаа тул \(P(B) = 13/52\).
– А ба В зүсмэлүүд нь нийт 1 хөзөр болох “Хүрзний хөзөр” тул \(P(A \cap B) = 1/52\).
Тэгэхээр:
\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
Энэ нь хэрэв бид хөзөр нь хүрз гэдгийг аль хэдийн мэдэж байгаа бол тухайн хөзөр нь шог байх магадлал 13-аас 1 байна гэсэн үг юм.
4. Уулзвар (A ∩ B) болон мэдээллийн үүргийг ойлгох нь
Магадлалыг судлах үед нийтлэг алдаа бол \(P(A)\)-г \(P(A|B)\)-тэй андуурдаг явдал юм. Картын жишээнд:
– \(P(A) = 4/52 = 1/13\) (нэмэлт мэдээлэлгүйгээр Ace-ийн магадлал)
– \(P(A|B) = 1/13\) (энэ тохиолдолд тохиолдлоор мөн адил)
Гэсэн хэдий ч олон тохиолдолд хоёр утга өөр байдаг. Нэмэлт мэдээлэл нь дараахь байж болно.
– магадлалыг нэмэгдүүлэх (жишээлбэл, хэн нэгэн суралцаж байгааг мэдэж байвал шалгалтанд тэнцэх магадлал),
– боломжуудыг багасгах (ажилаасаа гэртээ харих цаг болсныг мэдэж байвал зам тэгш байх магадлалтай),
- эсвэл үйл явдлууд бие даасан бол магадлалыг өөрчлөхгүй.
5. Харилцан бие даасан үйл явдлууд (Бие даасан байдал)
Хэрэв В үйл явдал нь А-ийн магадлалд нөлөөлөхгүй бол А ба В хоёр үйл явдлыг хамааралгүй гэж нэрлэдэг бөгөөд эсрэгээрээ. Албан ёсоор:
\[
P(A \mid B) = P(A)
\]
эсвэл үүнтэй тэнцүү:
\[
P(A \cap B) = P(A)P(B)
\]
Жишээ: зоос шидэх болон шоог өнхрүүлэх. Зоосны үр дүн (тоо/нүүр) нь шооны үр дүнгээс (1–6) хамаарахгүй тул хоёулаа бие даасан байна. Хэрэв А нь “зоос нь тоо харуулж байна”, В нь “шоо нь 6 харуулж байна” бол:
\[
P(A) = 1/2,\quad P(B)=1/6,\quad P(A \cap B)=1/12
\]
мөн \(1/12 = (1/2)(1/6)\) гэдэг нь үнэн.
6. Үржүүлэх дүрэм
Нөхцөлт магадлалын тодорхойлолтоос бид үржүүлэх дүрмийг гаргаж авч болно:
\[
P(A \cap B) = P(A \mid B)P(B)
\]
эсвэл мөн:
\[
P(A \cap B) = P(B \mid A)P(A)
\]
Энэ дүрэм нь хоёр үйл явдал нэгэн зэрэг тохиолдох магадлалыг тооцоолоход маш хэрэгтэй боловч нөгөөг нь мэдсэний дараа тэдгээрийн аль нэгнийх нь магадлалыг үнэлэхэд илүү хялбар байдаг.
Жишээ: Хэн нэгэн ярилцлагад тэнцэх магадлал (B) 0,4 гэж үзье. Хэрэв тэр хүн ярилцлагад тэнцвэл ажилд орох магадлал (A) 0,6 байна. Тэгвэл "ярилцлагад тэнцэж, ажилд орох магадлал" нь дараах байдалтай байна.
\[
P(A \cap B) = P(A \mid B)P(B) = 0{,}6 \times 0{,}4 = 0{,}24
\]
7. Байесын теорем: Нөхцөлийг урвуулан ашиглах
Бид ихэвчлэн \(P(A|B)\) гэдгийг мэддэг ч бидэнд үнэхээр хэрэгтэй зүйл бол \(P(B|A)\). Байесын теорем нь нөхцөлт магадлалыг “эргэх” аргыг өгдөг:
\[
P(B \mid A) = \frac{P(A \mid B)P(B)}{P(A)}
\]
Энэ теорем нь анагаах ухааны оношлогоо, машин сургалт, спам илрүүлэлт, өгөгдөлд суурилсан шийдвэр гаргалтын чиглэлээр маш сайн мэддэг.
Богино жишээ (Эрүүл мэнд)
Жишээ нь:
– B: хэн нэгэн үнэхээр өвдсөн (тархалт) \(P(B)=0{,}01\)
– А: шинжилгээний эерэг хариу
– Туршилтын мэдрэмж: \(P(A|B)=0{,}95\)
– Худал эерэг: \(P(A|\text{өвчлөөгүй})=0{,}05\)
Асуулт: Хэрэв шинжилгээний хариу эерэг гарвал тухайн хүн үнэхээр өвчтэй байх магадлал хэд вэ, өөрөөр хэлбэл \(P(B|A)\)?
Бидэнд \(P(A)\) хэрэгтэй:
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Тэгэхээр:
\[
P(B|A)=\frac{0{,}95 \удаа 0{,}01}{0{,}059} \approx 0{,}161
\]
Үр дүн нь ойролцоогоор 16,1% байсан. Энэ нь эерэг шинжилгээ нь хэн нэгэн өвчтэй гэсэн үг биш, ялангуяа өвчний тархалт маш бага байгаа тохиолдолд гэдгийг харуулж байна.
8. Нийт магадлал (Нийт магадлалын хууль)
Хэд хэдэн нөхцөлд хуваагдсан нөхцөлд \(P(A)\)-г тооцоолохын тулд бид нийт магадлалын хуулийг ашиглаж болно. Хэрэв \(B_1, B_2, …, B_n\) нь түүврийн орон зайн хуваалтыг үүсгэдэг (харилцан салангид бөгөөд бүх боломжуудыг хамардаг) бол:
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
Үүнийг ихэвчлэн олон ангилал эсвэл эх сурвалжаас мэдээлэл боловсруулахын тулд Байесын теоремтой хослуулдаг.
9. Нөхцөлт магадлалын нийтлэг алдаанууд
Зарим нийтлэг алдаанууд:
1. \(P(A|B)\) нь \(P(B|A)\)-тэй тэнцүү гэж үзье. Энэ нь ерөнхийдөө үнэн биш юм.
2. Суурь түвшинг үл тоомсорлох, жишээлбэл, Байесийн жишээн дэх өвчний тархалт.
3. В нөхцөл нь бид зөвхөн "В бүс"-д л тоологдоно гэсэн үг боловч нөхцөл өгөгдсөний дараа түүврийн орон зайг буруу тодорхойлсон.
10. Дүгнэлт
Нөхцөлт магадлал нь статистик болон тодорхойгүй байдлын загварчлалын чухал үндэс суурь юм. \(P(A|B)=\frac{P(A \cap B)}{P(B)}\)-ийн тодорхойлолтыг ойлгосноор бид нэмэлт мэдээллийг харгалзан магадлалыг үнэлж чадна. Энэ ойлголт нь үржвэрийн дүрэм, бие даасан үйл явдлууд, нийт магадлалын хууль, мөн бодит ертөнцийн олон хэрэглээнд маш хэрэгтэй байдаг Байесын теоремтой шууд холбоотой. Та хөзөр, шоо, судалгаа, тэр ч байтугай эмнэлгийн тохиолдлууд гэх мэт тодорхой жишээнүүдээр илүү их дадлага хийх тусам шинэ мэдээлэл орж ирэхэд магадлал хэрхэн өөрчлөгддөг талаарх зөн совин тань улам хүчтэй болно.
