Základy podmienenej pravdepodobnosti
Pravdepodobnosť je formálny spôsob merania pravdepodobnosti výskytu udalosti. V mnohých reálnych situáciách pravdepodobnosť udalosti nestojí sama o sebe, ale je ovplyvnená ďalšími informáciami, ktoré už poznáme. Tu sa stáva dôležitým koncept podmienenej pravdepodobnosti. Podmienená pravdepodobnosť nám pomáha aktualizovať naše presvedčenia o konkrétnej udalosti po získaní ďalších informácií. Tento článok rozoberá jej definíciu, základný vzorec, príklady a jej vzťah k pravidlu súčinu a Bayesovej vete.
1. Pochopenie podmienenej pravdepodobnosti
Intuitívne, podmienená pravdepodobnosť je šanca, že sa udalosť A stane, za predpokladu, že sa udalosť B stala. Zapisuje sa ako:
\[
P(A \stred B)
\]
prečítajte si „pravdepodobnosť A pri danom B“.
Napríklad chceme vedieť pravdepodobnosť, že niekto nosí dáždnik (A), vzhľadom na to, že dnes prší (B). Pravdepodobnosť nosenia dáždnika je samozrejme väčšia, ak vieme, že prší. Informácia „prší“ mení náš priestor pre úvahy – už neberieme do úvahy všetky poveternostné podmienky, ale iba podmienky, keď prší.
2. Vzorec podmienenej pravdepodobnosti
Matematická definícia podmienenej pravdepodobnosti je:
\[
P(A v strede B) = \frac{P(A v hornej časti B)}{P(B)}
\]
za predpokladu, že \(P(B) > 0\).
Keterangan:
– \(P(A \mid B)\): pravdepodobnosť výskytu udalosti A za predpokladu, že nastane udalosť B.
– \(P(A \cap B)\): pravdepodobnosť, že A a B nastanú súčasne (prienik A a B).
– \(P(B)\): pravdepodobnosť výskytu B.
Význam tohto vzorca: obmedzíme našu pozornosť na udalosť B a potom vypočítame, aká veľká časť B zahŕňa aj A.
3. Jednoduchý príklad: Hracie karty
Vezmite si jednu kartu zo štandardného balíčka hracích kariet (52 kariet). Napríklad:
– A: Ťahnutá karta je eso
– B: vytiahnutá karta sú Piky
Chceme vypočítať \(P(A \mid B)\), čo je pravdepodobnosť vytiahnutia esa, ak je karta pik.
Langkah:
– V pikách je 13 kariet, takže \(P(B) = 13/52\).
– Časti A a B sú „Eso pikové“, ktoré má spolu 1 kartu, takže \(P(A \cap B) = 1/52\).
Takže:
\[
P(A v strede B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
To znamená, že ak už vieme, že karta je pik, pravdepodobnosť, že karta je eso, je 1 z 13.
4. Pochopenie prieniku (A ∩ B) a úlohy informácie
Častou chybou pri štúdiu pravdepodobnosti je zamieňať si \(P(A)\) s \(P(A|B)\). V príklade s kartou:
– \(P(A) = 4/52 = 1/13\) (pravdepodobnosť esa bez dodatočných informácií)
– \(P(A|B) = 1/13\) (zhodou okolností to isté aj v tomto prípade)
V mnohých prípadoch sa však tieto dve hodnoty líšia. Ďalšie informácie môžu byť:
– zvýšiť šance (napr. šanca na úspešné absolvovanie skúšky, ak vieme, že niekto študuje),
– znížiť príležitosti (šance na hladké cesty, ak viete, že je čas ísť domov z práce),
– alebo nemení pravdepodobnosť, ak sú udalosti nezávislé.
5. Vzájomne nezávislé udalosti (nezávislosť)
Dve udalosti A a B sa nazývajú nezávislé, ak udalosť B neovplyvňuje pravdepodobnosť udalosti A a naopak. Formálne:
\[
P(A ∫ B) = P(A)
\]
alebo ekvivalent:
\[
P(A \cap B) = P(A)P(B)
\]
Príklad: hod mincou a hod kockou. Výsledok hodu mincou (číslo/obrázok) nie je ovplyvnený výsledkom hodu kockou (1–6), takže oba sú nezávislé. Ak A je „minca ukazuje číslo“ a B je „kocka ukazuje 6“, potom:
\[
P(A) = 1/2,\quad P(B)=1/6,\quad P(A \cap B)=1/12
\]
a je pravda, že \(1/12 = (1/2)(1/6)\).
6. Pravidlo násobenia
Z definície podmienenej pravdepodobnosti môžeme odvodiť pravidlo násobenia:
\[
P(A \cap B) = P(A \mid B)P(B)
\]
alebo tiež:
\[
P(A \cap B) = P(B \mid A)P(A)
\]
Toto pravidlo je veľmi užitočné, keď chceme vypočítať pravdepodobnosť dvoch udalostí, ktoré nastanú súčasne, ale je jednoduchšie posúdiť pravdepodobnosť jednej z nich po poznaní druhej.
Príklad: Predpokladajme, že pravdepodobnosť, že niekto úspešne absolvuje pohovor (B), je 0,4. Pravdepodobnosť, že bude prijatý na danú pozíciu (A), ak pohovorom úspešne absolvuje, je 0,6. Potom pravdepodobnosť „úspešného absolvovania pohovoru a prijatia na danú pozíciu“ je:
\[
P(A + B) = P(A + B)P(B) = 0,6 krát 0,4 = 0,24
\]
7. Bayesova veta: Obrátenie podmienok
Často poznáme \(P(A|B)\), ale to, čo skutočne potrebujeme, je \(P(B|A)\). Bayesova veta poskytuje spôsob, ako „prevrátiť“ podmienenú pravdepodobnosť:
\[
P(B ∫ A) = \frac{P(A ∫ B)P(B)}{P(A)}
\]
Táto veta je veľmi dobre známa v oblastiach lekárskej diagnostiky, strojového učenia, detekcie spamu a rozhodovania na základe údajov.
Krátky príklad (Zdravie)
Napríklad:
– B: niekto je naozaj chorý (prevalencia) \(P(B)=0{,}01\)
– A: pozitívny výsledok testu
– Citlivosť testu: \(P(A|B)=0{,}95\)
– Falošne pozitívny výsledok: \(P(A|\text{nie je chorý})=0{,}05\)
Otázka: Ak je výsledok testu pozitívny, aká je pravdepodobnosť, že daná osoba je skutočne chorá, t. j. \(P(B|A)\)?
Potrebujeme \(P(A)\):
\[
P(A)=P(A|B)P(B) + P(A|\záporný B)P(\záporný B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Takže:
\[
P(B|A)=\frac{0{,}95 \krát 0{,}01}{0{,}059} \približne 0{,}161
\]
Výsledok bol okolo 16,1 %. To ukazuje, že pozitívny test nemusí nevyhnutne znamenať, že niekto je určite chorý, najmä ak je prevalencia ochorenia veľmi nízka.
8. Celková pravdepodobnosť (Zákon celkovej pravdepodobnosti)
Na výpočet \(P(A)\) v situácii rozdelenej do niekoľkých podmienok môžeme použiť zákon úplnej pravdepodobnosti. Ak \(B_1, B_2, …, B_n\) tvorí rozdelenie priestoru vzorky (vzájomne disjunktné a zahŕňajúce všetky možnosti), potom:
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
Často sa kombinuje s Bayesovou vetou na spracovanie informácií z viacerých kategórií alebo zdrojov.
9. Bežné chyby v podmienenej pravdepodobnosti
Niektoré bežné chyby:
1. Predpokladajme, že \(P(A|B)\) sa rovná \(P(B|A)\). Vo všeobecnosti to neplatí.
2. Ignorovanie základných mier, napríklad prevalencie ochorení v Bayesovom príklade.
3. Nesprávne určenie priestoru vzorky po zadaní podmienky, aj keď podmienka B znamená, že počítame iba v „oblasti B“.
10. Záver
Podmienená pravdepodobnosť je dôležitým základom v štatistike a modelovaní neistôt. Pochopením definície \(P(A|B)=\frac{P(A \cap B)}{P(B)}\) môžeme posúdiť pravdepodobnosti zohľadnením dodatočných informácií. Tento koncept priamo súvisí s pravidlom súčinu, nezávislými udalosťami, zákonom úplnej pravdepodobnosti a Bayesovou vetou, ktorá je veľmi užitočná v mnohých aplikáciách v reálnom svete. Čím viac budete precvičovať s konkrétnymi príkladmi – kartami, kockami, prieskumami a dokonca aj lekárskymi prípadmi – tým silnejšia bude vaša intuícia o tom, ako sa pravdepodobnosti menia s príchodom nových informácií.
