Grunnleggende om betinget sannsynlighet
Sannsynlighet er en formell måte å måle hvor sannsynlig det er at en hendelse vil inntreffe. I mange virkelige situasjoner står ikke sannsynligheten for en hendelse alene, men påvirkes av annen informasjon vi allerede kjenner til. Det er her konseptet med betinget sannsynlighet blir viktig. Betinget sannsynlighet hjelper oss med å oppdatere vår oppfatning om en bestemt hendelse etter å ha fått ytterligere informasjon. Denne artikkelen diskuterer definisjonen, den grunnleggende formelen, eksemplene og forholdet til produktregelen og Bayes' teorem.
1. Forstå betinget sannsynlighet
Intuitivt sett er betinget sannsynlighet sjansen for at hendelse A inntreffer gitt at hendelse B har inntruffet. Det skrives som:
\[
P(A \midt B)
\]
les «sannsynligheten for A gitt B».
For eksempel ønsker vi å vite sannsynligheten for at noen bærer en paraply (A) gitt at det regner i dag (B). Sannsynligheten for å bære en paraply er tydeligvis større hvis vi vet at det regner. Informasjonen «det regner» endrer vårt betraktningsrom – vi vurderer ikke lenger alle værforhold, men bare forholdene når det regner.
2. Formel for betinget sannsynlighet
Den matematiske definisjonen av betinget sannsynlighet er:
\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]
forutsatt at \(P(B) > 0\).
Informasjon:
– \(P(A \mid B)\): sannsynligheten for at A inntreffer gitt at B inntreffer.
– \(P(A \cap B)\): sannsynligheten for at A og B inntreffer samtidig (skjæringspunktet mellom A og B).
– \(P(B)\): sannsynligheten for at B inntreffer.
Betydningen av denne formelen: vi begrenser oppmerksomheten vår til hendelse B, og beregner deretter hvor stor del av B som også inkluderer A.
3. Enkelt eksempel: Spillkort
Ta ett kort fra en vanlig kortstokk (52 kort). For eksempel:
– A: Kortet som trekkes er et ess
– B: kortet som trekkes er spar
Vi ønsker å beregne \(P(A \mid B)\), som er sannsynligheten for å trekke et ess gitt at kortet er en spar.
Langkah:
– I spar er det 13 kort, så \(P(B) = 13/52\).
– Kortstykkene A og B er «spar ess» som til sammen er 1 kort, så \(P(A \cap B) = 1/52\).
Så:
\[
P(A ≈ B) = 1/52/13/52 = 1/13
\]
Dette betyr at hvis vi allerede vet at kortet er en spar, er sannsynligheten for at kortet er et ess 1 til 13.
4. Forståelse av skjæringspunktet (A ∩ B) og informasjonens rolle
En vanlig feil når man studerer sannsynlighet er å forveksle \(P(A)\) med \(P(A|B)\). I korteksemplet:
– \(P(A) = 4/52 = 1/13\) (sannsynlighet for ess uten tilleggsinformasjon)
– \(P(A|B) = 1/13\) (tilfeldigvis det samme i dette tilfellet)
I mange tilfeller er imidlertid de to verdiene forskjellige. Ytterligere informasjon kan være:
– øke sjansene (f.eks. sjansen for å bestå en eksamen hvis man vet at noen studerer),
– redusere muligheter (sjansene for glatte veier hvis du vet at det er på tide å komme hjem fra jobb),
– eller endrer ikke sannsynligheten hvis hendelsene er uavhengige.
5. Gjensidig uavhengige hendelser (uavhengighet)
To hendelser A og B sies å være uavhengige hvis hendelse B ikke påvirker sannsynligheten for A, og omvendt. Formelt:
\[
P(A ≈ B) = P(A)
\]
eller tilsvarende:
\[
P(A ≈ B) = P(A)P(B)
\]
Eksempel: å kaste en mynt og rulle en terning. Utfallet av mynten (tall/bilde) påvirkes ikke av utfallet av terningen (1–6), så begge er uavhengige. Hvis A er «mynten viser et tall» og B er «terningen viser 6», så:
\[
P(A) = 1/2, ∫P(B) = 1/6, ∫P(A \cap B) = 1/12
\]
og det er sant at \(1/12 = (1/2)(1/6)\).
6. Multiplikasjonsregel
Fra definisjonen av betinget sannsynlighet kan vi utlede multiplikasjonsregelen:
\[
P(A ≤ B) = P(A ≤ B)P(B)
\]
eller også:
\[
P(A ≈ B) = P(B ≈ A)P(A)
\]
Denne regelen er veldig nyttig når vi ønsker å beregne sannsynligheten for at to hendelser inntreffer samtidig, men det er lettere å vurdere sannsynligheten for den ene av dem etter å ha kjent den andre.
Eksempel: Anta at sannsynligheten for at noen består et intervju (B) er 0,4. Sannsynligheten for å bli akseptert for jobben (A) hvis de består intervjuet er 0,6. Da er sannsynligheten for å «bestå intervjuet og bli akseptert for jobben»:
\[
P(A × B) = P(A × B)P(B) = 0,6 × 0,4 = 0,24
\]
7. Bayes' teorem: Å reversere betingelsene
Ofte kjenner vi \(P(A|B)\), men det vi egentlig trenger er \(P(B|A)\). Bayes' teorem gir en måte å «snu» den betingede sannsynligheten på:
\[
P(B \midA) = \frac{P(A \midB)P(B)}{P(A)}
\]
Denne teoremet er svært godt kjent innen medisinsk diagnose, maskinlæring, spamdeteksjon og datadrevet beslutningstaking.
Kort eksempel (helse)
For eksempel:
– B: noen er veldig syk (prevalens) \(P(B)=0{,}01\)
– A: positivt testresultat
– Testfølsomhet: \(P(A|B)=0{,}95\)
– Falsk positiv: \(P(A|\tekst{ikke syk})=0{,}05\)
Spørsmål: Hvis testresultatet er positivt, hva er sannsynligheten for at personen faktisk er syk, dvs. \(P(B|A)\)?
Vi trenger \(P(A)\):
\[
P(A) = P(A|B)P(B) + P(A|−neg B)P(−neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Så:
\[
P(B|A) = \frac{0,95 \times 0,01}{0,059} \approx 0,161
\]
Resultatet var rundt 16,1 %. Dette viser at en positiv test ikke nødvendigvis betyr at noen definitivt er syk, spesielt hvis sykdommens forekomst er svært lav.
8. Total sannsynlighet (loven om total sannsynlighet)
For å beregne \(P(A)\) i en situasjon delt inn i flere betingelser, kan vi bruke loven om total sannsynlighet. Hvis \(B_1, B_2, …, B_n\) danner en partisjon av utvalgsrommet (gjensidig disjunkt og omfatter alle muligheter), så:
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
Det kombineres ofte med Bayes' teorem for å behandle informasjon fra flere kategorier eller kilder.
9. Vanlige feil i betinget sannsynlighet
Noen vanlige feil:
1. Anta at \(P(A|B)\) er lik \(P(B|A)\). Dette er ikke sant generelt.
2. Ignorerer basisrater, for eksempel sykdomsprevalens i Bayes-eksemplet.
3. Feil bestemmelse av utvalgsrommet etter at betingelsen er gitt, selv om betingelse B betyr at vi bare teller i «område B».
10. Penutup
Betinget sannsynlighet er et viktig grunnlag i statistikk og usikkerhetsmodellering. Ved å forstå definisjonen av \(P(A|B)=\frac{P(A \capB)}{P(B)}\), kan vi vurdere sannsynligheter ved å vurdere tilleggsinformasjon. Dette konseptet er direkte relatert til produktregelen, uavhengige hendelser, loven om total sannsynlighet og Bayes' teorem, som er svært nyttig i mange virkelige applikasjoner. Jo mer du øver med konkrete eksempler – kort, terninger, spørreundersøkelser og til og med medisinske tilfeller – desto sterkere vil intuisjonen din bli om hvordan sannsynligheter endrer seg etter hvert som ny informasjon kommer inn.
