د مشروط احتمال اساسات

د مشروط احتمال اساسات

احتمال یوه رسمي لاره ده چې د یوې پیښې د پیښیدو احتمال اندازه کوي. په ډیری ریښتینې نړۍ حالتونو کې، د پیښې احتمال یوازې نه ولاړ وي بلکه د نورو معلوماتو لخوا اغیزمن کیږي چې موږ یې دمخه پوهیږو. دا هغه ځای دی چې د مشروط احتمال مفهوم مهم کیږي. مشروط احتمال موږ سره مرسته کوي چې د اضافي معلوماتو ترلاسه کولو وروسته د یوې ځانګړې پیښې په اړه زموږ باورونه تازه کړو. دا مقاله د هغې تعریف، اساسي فورمول، مثالونه، او د محصول قاعدې او د بایس تیورم سره د هغې اړیکې په اړه بحث کوي.

۱. د مشروط احتمال درک کول

په شعوري ډول، مشروط احتمال د A پیښې د رامنځته کیدو چانس دی، په دې شرط چې B پیښه رامنځته شوې وي. دا په لاندې ډول لیکل کیږي:

\[
P(A \منځنی B)
\]

"د الف ورکړل شوي ب احتمال" ولولئ.

د مثال په توګه، موږ غواړو د دې احتمال پوه شو چې څوک چترۍ (A) په لاس کې لري ځکه چې نن باران دی (B). په څرګنده توګه، د چترۍ د وړلو احتمال ډیر دی که چیرې موږ پوه شو چې باران دی. معلومات "باران دی" زموږ د غور ځای بدلوي - موږ نور د هوا ټول شرایط په پام کې نه نیسو، مګر یوازې هغه شرایط چې باران وي.

۲. د مشروط احتمال فورمول

د مشروط احتمال ریاضيکي تعریف دا دی:

\[
P(A \منځنی B) = \frac{P(A \cap B)}{P(B)}
\]

په دې شرط چې \(P(B) > 0\).

معلومات:
– \(P(A \mid B)\): د A د رامنځته کېدو احتمال، په پام کې نیولو سره چې B واقع کیږي.
– \(P(A \cap B)\): د A او B د یو ځای کېدو احتمال (د A او B تقاطع).
– \(P(B)\): د B د رامنځته کېدو احتمال.

د دې فورمول معنی: موږ خپل پام د B پیښې ته محدودوو، بیا محاسبه کوو چې د B څومره لویه برخه هم A پکې شامله ده.

۳. ساده مثال: د کارتونو لوبې کول

د لوبې کولو د کارتونو له معیاري ډیک څخه یو کارت واخلئ (۵۲ کارتونه). د مثال په توګه:
– الف: رسم شوی کارت یو Ace دی
– ب: هغه کارت چې ایستل شوی دی سپیډز دی

موږ غواړو محاسبه کړو \(P(A \mid B)\)، کوم چې د Ace د رسم کولو احتمال دی په دې شرط چې کارت یو بیلچه وي.

ګام:
- په سپیډز کې ۱۳ کارتونه دي، نو \(P(B) = ۱۳/۵۲\).
- د A او B ټوټې "د سپیډز اکا" دي چې ټولټال 1 کارت دی، نو \(P(A \cap B) = 1/52\).

نو:

\[
P(A \منځنی B) = \frac{1/52}{13/52} = \frac{1}{13}
\]

دا پدې مانا ده چې که موږ دمخه پوهیږو چې کارت یو سپیډ دی، نو احتمال چې کارت یو Ace وي په 13 کې 1 دی.

۴. د تقاطع (A ∩ B) او د معلوماتو رول درک کول

د احتمالاتو د مطالعې پر مهال یوه عامه تېروتنه دا ده چې \(P(A)\) د \(P(A|B)\) سره ګډوډ شي. د کارت په مثال کې:
– \(P(A) = 4/52 = 1/13\) (د اضافي معلوماتو پرته د Ace احتمال)
– \(P(A|B) = 1/13\) (په دې قضیه کې په اتفاق سره ورته دی)

په هرصورت، په ډیری مواردو کې دواړه ارزښتونه توپیر لري. اضافي معلومات کیدی شي دا وي:
- چانسونه زیات کړئ (د مثال په توګه که څوک پوه شي چې څوک زده کړه کوي نو د ازموینې د بریالي کیدو چانس)،
- فرصتونه کم کړئ (که تاسو پوهیږئ چې له کار څخه کور ته د رسیدو وخت دی نو د اسانه سړکونو چانسونه)،
- یا که پیښې خپلواکې وي نو احتمال نه بدلوي.

۵. په متقابل ډول خپلواکې پیښې (خپلواکي)

دوه پیښې A او B خپلواکې بلل کیږي که چیرې پیښه B د A احتمال اغیزه ونکړي، او برعکس. په رسمي ډول:

\[
P(A \منځنی B) = P(A)
\]

یا معادل:

\[
P(A \cap B) = P(A)P(B)
\]

مثال: د سکې غورځول او د مرۍ تاوول. د سکې پایله (شمیره/انځور) د مرۍ پایلې (۱-۶) پورې نه اغیزمن کیږي، نو دواړه خپلواک دي. که A "سکه یوه شمیره ښیي" او B "مرۍ ۶ ښیي" وي، نو:

\[
P(A) = ۱/۲،\څلورمه P(B)=۱/۶،\څلورمه P(A \سرلیک B)=۱/۱۲
\]

او دا سمه ده چې \(1/12 = (1/2)(1/6)\).

۶. د ضرب قاعده

د مشروط احتمال له تعریف څخه، موږ کولی شو د ضرب قاعده ترلاسه کړو:

\[
P(A \cap B) = P(A \mid B)P(B)
\]

یا هم:

\[
P(A \cap B) = P(B \mid A)P(A)
\]

دا قاعده ډېره ګټوره ده کله چې موږ غواړو د دوو پیښو احتمال په یو وخت کې محاسبه کړو، خو د بل د پوهیدو وروسته د دوی د احتمال ارزونه اسانه ده.

مثال: فرض کړئ چې د یو چا د مرکې (B) د بریالي کیدو احتمال 0,4 دی. د دندې (A) لپاره د منلو احتمال که چیرې دوی مرکه کې بریالي شي 0,6 دی. بیا د "مرکې څخه بریالي کیدو او دندې لپاره د منلو احتمال" دا دی:

\[
P(A \cap B) = P(A \mid B)P(B) = 0{,}6 \times 0{,}4 = 0{,}24
\]

۷. د بایس تیورم: د شرایطو بیرته راګرځول

ډیری وخت موږ \(P(A|B)\) پوهیږو، مګر هغه څه چې موږ واقعیا ورته اړتیا لرو \(P(B|A)\) دي. د بایس تیورم د مشروط احتمال "فلپ" کولو لپاره یوه لاره چمتو کوي:

\[
P(B \منځنی A) = \frac{P(A \منځنی B)P(B)}{P(A)}
\]

دا تیورم د طبي تشخیص، ماشین زده کړې، سپیم کشف، او د معلوماتو پر بنسټ پریکړې کولو په برخو کې خورا مشهور دی.

لنډه بېلګه (روغتیا)
د مثال په ډول:
– ب: یو څوک واقعا ناروغه دی (خپریدل) \(P(B)=0{,}01\)
– الف: د ازموینې مثبته پایله
- د ازموینې حساسیت: \(P(A|B)=0{,}95\)
– غلط مثبت: \(P(A|\text{not sick})=0{,}05\)

پوښتنه: که چیرې د ازموینې پایله مثبته وي، نو د دې احتمال څومره دی چې سړی په حقیقت کې ناروغ وي، یعنې \(P(B|A)\)؟

موږ \(P(A)\) ته اړتیا لرو:

\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]

نو:

\[
P(B|A)=\frac{0{,}95 \ ځله 0{,}01}{0{,}059} \ نږدې 0{,}161
\]

پایله شاوخوا ۱۶.۱٪ وه. دا ښیي چې د مثبت ازموینې معنی دا نه ده چې یو څوک خامخا ناروغ دی، په ځانګړي توګه که چیرې د ناروغۍ خپریدل خورا ټیټ وي.

۸. ټول احتمال (د ټول احتمال قانون)

د څو شرایطو ویشل شوي حالت کې د \(P(A)\) محاسبه کولو لپاره، موږ کولی شو د ټول احتمال قانون وکاروو. که \(B_1, B_2, …, B_n\) د نمونې ځای یوه برخه جوړه کړي (په متقابل ډول جلا شي او ټول امکانات پکې شامل وي)، نو:

\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]

دا ډیری وختونه د بایس تیورم سره یوځای کیږي ترڅو د ډیری کټګوریو یا سرچینو څخه معلومات پروسس کړي.

۹. په مشروط احتمال کې عامې غلطۍ

ځینې ​​عامې غلطۍ:
۱. فرض کړئ \(P(A|B)\) د \(P(B|A)\) سره مساوي دی. دا په عمومي توګه ریښتیا نه ده.
۲. د اساساتو نرخونو له پامه غورځول، د مثال په توګه د بایس په مثال کې د ناروغۍ خپریدل.
۳. د حالت له ورکولو وروسته د نمونې ځای په غلط ډول ټاکل، که څه هم د حالت B معنی دا ده چې موږ یوازې په "B سیمه" کې شمیرل کیږو.

۷. پایله

مشروط احتمال د احصایې او ناڅرګندتیا ماډلینګ کې یو مهم بنسټ دی. د \(P(A|B)=\frac{P(A \cap B)}{P(B)}\) تعریف په پوهیدو سره، موږ کولی شو د اضافي معلوماتو په پام کې نیولو سره احتمالات وارزوو. دا مفهوم په مستقیم ډول د محصول قاعدې، خپلواکو پیښو، د ټول احتمال قانون، او د بایس تیورم سره تړاو لري، کوم چې په ډیری ریښتینې نړۍ غوښتنلیکونو کې خورا ګټور دی. هرڅومره چې تاسو د کانکریټ مثالونو سره تمرین کوئ - کارتونه، ډایس، سروې، او حتی طبي قضیې - ستاسو وجدان به د دې په اړه قوي شي چې څنګه احتمالات د نوي معلوماتو په راتلو سره بدلیږي.