]> Feltételes valószínűség
  1. Virtual Laboratories
  2. 1. Valószínűségi mezők
  3. 1
  4. 2
  5. 3
  6. 4
  7. 5
  8. 6
  9. 7

4. Feltételes valószínűség

Definíciók, értelmezés

Az alap definíció

Kiindulási pontunk, mint általában, most is egy véletlen kísérlet egy S eseménytéren, és egy valószínűségi mérték. Tegyük fel, hogy tudjuk, hogy a B esemény bekövetkezett. Ez természetesen általában befolyásolja a többi esemény valószínűségét. Ha például A egy másik esemény, akkor A pontosan akkor következik be, ha A és B is bekövetkezik. Tehát lényegében az eseményteret B -re redukáltuk. Tehát A valószínűsége amellett a feltétel mellett, hogy B bekövetkezett, A B -vel kell, hogy arányos legyen.

Events A and B

Természetesen a B bekövetkezése esetén vett feltételes valószínűségnek is valószínűségi mértéknek kell lennie, azaz teljesítenie kell a valószínűségi mértékek axiómáit. Tehát az előző aránynál a konstansnak 1 B -nek kell lennie. Így a definíciónk nem lehet más, mint a következő:

legyenek A és B egy véletlen kísérlettől függő események, továbbá B 0 . Ekkor az A esemény B -re vonatkoztatott feltételes valószínűsége

A B A B B .

A nagy számok törvénye

Az előző definíciót a valószínűségszámítás axiómáinak segítségével adtuk meg. Tekintsünk most ehelyett egy másik, kevésbé precíz, de intuitívabb megközelítést a relatív gyakoriságok, és a nagy számok törvénye fogalmain keresztül. Tehát tekintsünk egy kísérletet, amelyet többször, egymástól függetlenül megismételtünk. Egy tetszőleges C eseményre legyen N n C azon kísérletek száma az első n kísérlet között, amelyekben C bekövetkezett. Vegyük észre, hogy ekkor N n C egy valószínűségi változó abban az összetett kísérletben, amely az eredeti kísérlet néhányszori ismétléséből áll.

Ha N n B nagy, akkor az A esemény B melletti feltételes valószínűsége közel kell, hogy essen az A esemény B -re vonatkozó feltételes relatív gyakoriságához, azaz az A esemény relatív gyakoriságához az olyan kísérletek között, amikor B bekövetkezett:

N n A B N n B .

De mivel N n A B N n B N n A B n N n B n , ezért a nagy számok törvénye miatt

N n A B N n B A B B  amint   n ,

és megint ugyanahhoz a definícióhoz jutottunk.

Néha a feltételes valószínűséget egyszerűen meghatározhatjuk úgy, hogy lecsökkentjük az eseményteret, máskor azonban a fenti képletet kell használnunk.

Feltételes eloszlások

Tegyük fel, hogy X egy T értékű valószínűségi változó. Ekkor az X változó (valószínűség-) eloszlása egy valószínűségi mérték T -n, melyre

A X A .

Ha B egy esemény (azaz S egy részhalmaza), melynek a mértéke nem nulla, akkor az X változó B esemény melletti feltételes eloszlása egy valószínűségi mérték T -n, melyre

A X A B .

Alaptulajdonságok

Igazoljuk, hogy fix B esetén A A B egy valószínűségi mérték.

Az 1. feladat a feltételes valószínűség legfontosabb tulajdonsága, hisz emiatt minden állítás, amely igaz valószínűségi mértékekre, speciálisan igaz feltételes valószínűségi mértékekre is, amennyiben a feltétel rögzített. Így például a Valószínűségi mértékekről szóló előző fejezet 6-20. feladataival analóg állítások is igazak feltételes valószínűségekre.

Legyenek A és B egy véletlen kísérlettől függő események, és B 0 . Igazoljuk az alábbiakat:

  1. Ha B A , akkor A B 1 .
  2. Ha A B , akkor A B A B .
  3. Ha A és B diszjunktak, akkor A B 0 .

Korreláció

Legyenek A és B pozitív valószínűségű események. Igazoljuk, hogy

  1. A B A pontosan akkor, ha B A B ; és ez pontosan akkor következik be, ha A B A B .
  2. A B A pontosan akkor, ha B A B ; és ez pontosan akkor következik be, ha A B A B .
  3. A B A pontosan akkor, ha B A B ; és ez pontosan akkor következik be, ha A B A B .

Az (a) esetben azt mondjuk, hogy A és B pozitívan korreláltak. Azaz szemléletesen az egyik esemény bekövetkezése megnöveli a másik esemény bekövetkezésének valószínűségét. A (b) esetben azt mondjuk, hogy A és B negatívan korreláltak. Azaz szemléletesen az egyik esemény bekövetkezése csökkenti a másik esemény bekövetkezésének valószínűségét. A (c) esetben azt mondjuk, hogy A és B korrelálatlanok vagy függetlenek. Azaz szemléletesen az egyik esemény bekövetkezése nem befolyásolja a másik esemény bekövetkezésének valószínűségét. A függetlenség egy alapvető fontosságú fogalom, amely kiterjeszthető kettőnél több eseményre, és valószínűségi változóra is. Ezt részletesebben az ezután következő Függetlenség című fejezetben tárgyaljuk. A valószínűségi változók korrelációjáról pedig a Várható érték fejezet Kovariancia és korreláció című részében olvashatunk.

A szorzási szabály

Néha előfordul, hogy egy feladatban feltételes valószínűségeket ismerünk, és ezek segítségével akarunk egyéb valószínűségeket meghatározni.

Legyen A 1 A 2 A n olyan véletlen események sorozata, amelyek metszete nem üres, Igazoljuk a valószínűségek szorzási szabályát:

A 1 A 2 A n A 1 A 2 A 1 A 3 A 1 A 2 A n A 1 A 2 A n 1 .

Segítség: Használjuk a definíciót a jobb oldalon megjelenő összes feltételes valószínűségnél. Sok tag ki fog esni a szorzatból, egyedül az a tag marad benn, amelyben mind az n esemény szerepel.

Az előző szorzási szabály különösen hasznos lehet az olyan összetett kísérletek esetén, ahol az egymást követő lépések kimenetelei függnek a korábbi lépések kimeneteitől (az előző jelöléssel A i az i -edik lépésben lezajló részkísérlet). Hasonlítsuk össze a valószínűségek szorzási szabályát a kombinatorika szorzási szabályával!

Feltételes valószínűség és Bayes tétel

Legyen A A i i I események megszámlálható családja, melyek az S eseményteret particionálják (az ilyen eseményeket szokás teljes eseményrendszernek nevezni), és legyen B egy tetszőleges esemény.

Image: Total.png

Igazoljuk a teljes valószínűség tételét:

B i I A i B A i .

Segítség: vegyük észre, hogy az összeg i -edik tagja A i B , és hogy A i B i I B -nek egy partíciója.

Igazoljuk a Thomas Bayes-ről elnevezett Bayes tételt:

A j B A j B A j i I A i B A i ,  j I .

Segítség: A számláló épp A j B , míg a nevező az 5. feladat értelmében épp B .

Természetesen az előző két tétel akkor hasznos, ha ismerjük A i és B A i értékeit minden i I -re. Ha B valószínűségét az 5. feladatban igazolt teljes valószínűség tételével számoljuk ki, akkor azt mondjuk, hogy az A partícióra feltételezünk (vagy kondicionálunk). A kiszámolt összegre úgy gondolhatunk, mint a B A i számok súlyozott átlaga, ahol i I , és A i , i I a súlyok. A 6. feladatban igazolt Bayes tételben pedig A j szokás az A j a priori valószínűségének nevezni, a A j B feltételes valószínűséget pedig a posteriori valószínűségnek. A feltételes valószínűség, és Bayes tétel témákról még fogunk tanulni az Eloszlások fejezet Diszkrét eloszlások részében, és a Várható érték fejezet Feltételes várható érték részében.

Példák, alkalmazások

Legyenek A és B egy kísérlettől függő események, és legyen A 13 , B 14 , A B 110 . Határozzuk meg a következő valószínűségeket:

  1. A B
  2. B A
  3. A B
  4. B A
  5. A B .

Legyenek A , B és C egy véletlen kísérlettől függő események, és legyen A C 12 , B C 13 és A B C 14 . Határozzuk meg a következő valószínűségeket:

  1. A B C
  2. A B C
  3. A B C .

Legyenek A és B egy véletlen kísérlettől függő események, és legyen A 12 , B 13 és A B 34 .

  1. Mennyi A B ?
  2. Mennyi A B ?
  3. Mennyi B A ?
  4. Mennyi B A ?
  5. Vajon az A és B események pozitívan korreláltak, negatívan korreláltak, vagy függetlenek?

Egy városban az emberek 30%-a dohányzik, és 8%-a beteg (valamilyen légzőszervi megbetegedésben). Tudjuk továbbá, hogy a dohányosok 12%-a beteg.

  1. A lakosság hány százaléka dohányzik és beteg?
  2. A betegek hány százaléka dohányzik?
  3. A dohányzás és a betegség pozitívan korreláltak, negatívan korreláltak, vagy függetlenek?

Tegyük fel, hogy valamilyen munka elvégzéséhez X véletlen időre van szükség, ahol X eloszlása egyenletes az 15 60 intervallumon.

  1. Mennyi annak a valószínűsége, hogy a munka elvégzéséhez több mint 30 percre van szükség?
  2. Feltéve, hogy a munkát nem végezték el 30 perc alatt, mi annak a valószínűsége, hogy még további 15 perc alatt sem végzik el?
  3. Határozzuk meg X feltételes eloszlását amellett a feltétel mellett, hogy X 30 .

Kockák és érmék

Egy kísérlet abból áll, hogy feldobunk két hagyományos, igazságos kockát, és a dobott számokat feljegyezzük az X X 1 X 2 vektorba. Legyen Y a dobott számok összege. Az alábbi eseménypárok mindegyikénél határozzuk meg mindkét esemény valószínűségét, mindkét eseménynek a másikra, mint feltételre vonatkoztatott feltételes valószínűségét, és döntsük el, hogy az adott események pozitívan korreláltak, negatívan korreláltak, vagy függetlenek!

  1. X 1 3 , Y 5
  2. X 1 3 , Y 7
  3. X 1 2 , Y 5
  4. X 1 3 , X 1 2 .

Vegyük észre, hogy a pozitívan korreláltság nem tranzitív reláció! Például az előző feladatban X 1 3 és Y 5 pozitívan korreláltak, Y 5 és X 1 2 szintén pozitívan korreláltak, de X 1 3 és X 1 2 negatívan korreláltak (sőt, diszjunktak!).

A kockadobás kísérletben állítsuk be az n 2 paraméterértéket! Szimuláljunk 500 kísérletet, és számítsuk ki az előző feladatban meghatározott feltételes valószínűségekhez tartozó relatív gyakoriságokat!

Tekintsük megint azt a kísérletet, amely abból áll, hogy feldobunk két hagyományos, igazságos kockát, és a dobott számokat feljegyezzük az X X 1 X 2 vektorba. Legyen Y a dobott számok összege. Határozzuk meg az X vektor feltételes eloszlását amellett a feltétel mellett, hogy Y 7 .

A kocka- és érmedobás kísérletében először feldobunk egy szabályos, igazságos kockát, majd feldobunk annyi pénzérmét, amennyit a kockánk mutat.

  1. Mennyi annak a valószínűsége, hogy minden érménk fejet mutat?
  2. Tegyük fel, hogy minden érménk fejet mutat. Ekkor mi a valószínűsége, hogy a kockával az i számot dobtuk ( i 1 2 3 4 5 6 )?

Szimuláljunk 200 darab kocka-, és érmedobás kísérletet!

  1. Határozzuk meg a relatív gyakoriságát annak az eseménynek, hogy minden érme fejet mutat, és hasonlítsuk ezt össze az előzőekben kiszámított valószínűséggel!
  2. Minden i 1 2 3 4 5 6 számra határozzuk meg az empirikus feltételes valószínűségét annak az eseménynek, hogy a kockával az i számot dobtuk, feltéve, hogy minden érme fejet mutat. Hasonlítsuk össze a kapott értékeket az előző feladatban meghatározott elméleti valószínűségekkel!

Tegyük fel, hogy egy zsákban 12 érme van: 5 igazságos, 4 olyan hamis érme, ahol a fejdobás valószínűsége 13 ; és 3 érme mindkét oldala fej. Kiválasztunk véletlenszerűen egy érmét a zsákból, és azt feldobjuk.

  1. Mi a valószínűsége annak, hogy fejet dobunk?
  2. Feltéve, hogy fejet dobtunk, mi a valószínűsége annak, hogy igazságos/hamis/kétfejű érmét dobtunk?

Hasonlítsuk most össze a 15. feladatot és a 17. feladatot! A 15. feladatban az függ a véletlentől, hogy hányszor dobunk fel egy érmét, míg a fejdobás valószínűsége determinisztikus. A 17. feladat viszont felfogható úgy, hogy a dobások száma determinisztikus, míg a fejdobás valószínűsége függ a véletlentől. Azt a kísérletet, amelyben n -szer dobunk fel egy olyan érmét, amelyben a fejdobás valószínűsége p (tehát mindkét paraméter determinisztikus), n és p paraméterű binomiális kísérletnek nevezzük. Ez egy nagyon fontos kísérlet, melyről részletesebben a Bernoulli kísérletek fejezet binomiális eloszlás című részében olvashatunk. Tehát a 15. és a 17. feladat a binomiális kísérlet olyan módosításai, melyekben az egyik paramétert véletlenítettük. Általában is igaz, hogy sok érdekes, új kísérlet gyártható oly módon, hogy egy hagyományos kísérlet néhány paraméterét a véletlentől teszünk függővé.

Az érme- és kockadobás kísérletében először feldobunk egy szabályos érmét, majd ha ez írást mutat egy igazságos kockát dobunk fel, ha pedig fejet mutat, egy egy-hat irányban lapos kockát dobunk fel. Ez utóbbi az 1 és 6 értékeket 14 , a 2,3,4 és 5 értékeket 18 valószínűséggel mutatja.

  1. Mennyi annak a valószínűsége, hogy a kockával az i számot dobjuk ( i 1 2 3 4 5 6 )?
  2. Feltéve, hogy a kockával négyest dobtunk, mi a valószínűsége, hogy az érmével fejet/írást dobtunk?

Szimuláljunk 500 darab érme- és kockadobás kísérletet az előző feladat paramétereivel!

  1. Határozzuk meg annak az eseménynek a relatív gyakoriságát, hogy a kockával az i számot dobtuk, minden lehetséges i -re, és vessük ezeket össze az előző feladatban kiszámított valódi valószínűségekkel!
  2. Számítsuk ki annak az eseménynek a feltételes relatív gyakoriságát, hogy az érmével fejet dobtunk, feltéve, hogy a kockával négyest dobtunk! Hasonlítsuk ezt össze az előző feladatban kiszámolt valódi valószínűséggel!

Kártyák

Tekintsük azt a kártya kísérletet, amelyben 2 kártyát választunk ki egy pakliból. i 1 2 -re legyen Q i az az esemény, hogy az i -edik kártya dáma, H i pedig az az esemény, hogy az i -edik kártya kőr. Az alábbi eseménypárok mindegyikénél határozzuk meg mindkét esemény valószínűségét, mindkét eseménynek a másikra, mint feltételre vonatkoztatott feltételes valószínűségét, és döntsük el, hogy az adott események pozitívan korreláltak, negatívan korreláltak, vagy függetlenek!

  1. Q 1 ,  H 1
  2. Q 1 ,  Q 2
  3. Q 2 ,  H 2
  4. Q 1 ,  H 2 .

A kártya kísérlet szimulációjában állítsuk be az n 2 paraméterértéket! Szimuláljunk 500 kísérletet, s számítsuk ki az előző feladatban meghatározott feltételes valószínűségekhez tartozó empirikus feltételes valószínűségeket!

Tekintsük a kártya kísérletet most n 3 kártyával. Határozzuk meg az alábbi események valószínűségét!

  1. Mind a három kártya kőr.
  2. Az első két kártya kőr, a harmadik pikk.
  3. Az első és a harmadik kártya kőr, a második pikk.

A kártya kísérlet szimulációjában állítsuk be az n 3 paraméterértéket! Számítsuk ki az előző feladatban szereplő események relatív gyakoriságát, és vessük azokat össze a valódi valószínűségekkel!

Buffon féle érmedobás kísérlet

A Buffon féle érmedobás kísérletben egy r 12 sugarú érmét véletlenszerűen feldobunk egy olyan padló felett, melyet 1 egység oldalhosszúságú négyzet alakú csempékkel raktunk ki. Miután az érme földet ér, a középpontjának koordinátáit az X Y vektorba feljegyezzük, ahol az origó annak a csempének a középpontja, amelyikre az érmeközéppont esik, a koordinátatengelyek pedig párhuzamosak a csemperács éleivel.

  1. Mennyi Y 0 X Y ?
  2. Határozzuk meg X Y feltételes eloszlását amellett a feltétel mellett, hogy az érme csak egy csempéhez ér hozzá!

Szimuláljunk 500 darab Buffon féle érmedobás kísérletet, és határozzuk meg az Y 0 esemény empirikus feltételes valószínűségét amellett a feltétel mellett, hogy X Y , majd az eredményt vessük össze az előző feladatban kiszámolt pontos valószínűséggel!

Adathalmaz elemzések

Az M&M adathalmazban határozzuk meg annak az eseménynek az empirikus feltételes valószínűségét, hogy egy zacskóban legalább 10 piros cukorka van, feltéve, hogy a zacskó tömege legalább 48 gramm!

Nyissuk meg a Kabóca adathalmazt!

  1. Feltéve, hogy a kabóca hím, mennyi annak a relatív gyakorisága, hogy a tömege legalább 0,25 gramm?
  2. Feltéve, hogy a kabóca alfaja tredecula, mennyi annak a relatív gyakorisága, hogy a tömege legalább 0,25 gramm?

Megbízhatóság

Egy gyárban 3 különböző technológiával állítanak elő memóriakártyákat. Az első technológiával gyártják a memóriakártyák 50%-át, az esetek 4%-ában selejtesen. A második technológiával a memóriakártyák 30%-át állítják elő, és az eljárás az esetek 5%-ában selejtes terméket gyárt. Végül a harmadik technológiát használják az esetek 20%-ában, és itt minden századik termék selejtes. Véletlenszerűen kiválasztunk egy memóriakártyát.

  1. Mennyi annak a valószínűsége, hogy a memóriakártya selejtes?
  2. Feltéve, hogy a memóriakártya selejtes, mi annak a valószínűsége, hogy az első/második/harmadik technológiával gyártották?

Genetika

Alapvető genetikai modelleket már tárgyaltunk a Valószínűségi mértékek fejezetben.

A következő feladatban tegyük fel, hogy a szóban forgó borsó hüvelyének színe zöld, vagy sárga lehet, és a zöld színt hordozó gén domináns. Azaz a z z és a z s genotipusú borsó zöld lesz, a s s genotipusú pedig sárga.

Egymás mellett nevelünk két borsó palántát, az egyik zöld, a másik sárga hüvelyű. Tudjuk továbbá, hogy a zöld növény 14 valószínűséggel hordozza a sárga színt okozó gént.

  1. Menyi annak a valószínűsége, hogy az utódnövény hüvelyszíne zöld lesz?
  2. Tegyük fel, hogy az utód zöld hüvelyű. Emellett mi a feltételes valószínűsége annak, hogy az eredeti zöld hüvelyű borsónk hordozza a recesszív gént?

Egymás mellett nevelünk két zöldhüvelyű borsó palántát. Tegyük fel, hogy 13 valószínűséggel egyik növényünk sem hordozza a recesszív gént, továbbá 12 valószínűséggel pontosan az egyik, 16 valószínűséggel pedig mindkét növényünk hordozza a recesszív gént.

  1. Menyi annak a valószínűsége, hogy az utódnövény hüvelyszíne zöld lesz?
  2. Tegyük fel, hogy az utód zöld hüvelyű. Emellett mi a feltételes valószínűsége annak, hogy eredetileg mindkét növény hordozta a recesszív gént?

Mint már korábban is tárgyaltuk, a nemtől függő öröklődő emberi rendellenességet az X kromoszómák hibája okozza. Jelölje n a normális, egyben domináns gént, d pedig a rendellenességet okozó gént. Így egy n n genotipusú nő egészséges, egy n d genotipusú nő szintén tünetmentes, de hordozza a rendellenességet, egy d d genotipusú nő pedig beteg. Egy n genotipusú férfi egészséges, egy d genotipusú pedig beteg. A dikromácia nevű rendellenesség (ami a színvakság egy fajtája) ilyen tipusú betegség, ezért gyakoribb a férfiaknál.

Tegyük fel, hogy egy adott populáció fele férfi, fele nő. Továbbá a férfiak 10%-a színtévesztő, még a nőknél ez az arány csak 1%.

  1. Az emberek hány százaléka színtévesztő?
  2. A színtévesztők hány százaléka férfi?

Tegyük fel, hogy egy házaspár mindkét tagja egészséges, azonban a nő 13 valószínűséggel hordozza a színtévesztést okozó gént.

  1. Mennyi a valószínűsége, hogy a fiuk egészséges lesz?
  2. Mennyi a valószínűsége, hogy a lányuk hordozni fogja a rendellenességet okozó gént?
  3. Tegyük fel, hogy a házaspár elsőszülött fia egészséges. Mennyi a feltételes valószínűsége annak, hogy az édesanyja hordozza a rendellenességet okozó gént?

Urna Modellek

Az első urnánkban 4 piros és 6 zöld golyó van, míg a másodikban 7 piros és 3 zöld. Véletlenszerűen kiválasztunk egy urnát, majd abból egy golyót.

  1. Mennyi a valószínűsége annak, hogy zöld golyót választottunk?
  2. Feltéve, hogy zöld golyót választottunk, mi a valószínűsége annak, hogy azt az első urnából húztuk ki?

Az első urnánkban 4 piros és 6 zöld golyó van, míg a másodikban 6 piros és 3 zöld. Kihúzunk egy golyót az első urnából, és azt áttesszük a másodikba. Ezután kihúzunk egy golyót a második urnából is.

  1. Mennyi a valószínűsége, hogy másodszorra zöld golyót húztunk?
  2. Feltéve, hogy másodszorra zöld golyót húztunk, mennyi a valószínűsége, hogy az első urnából húzott golyó is zöld volt?

Egy urnában eredetileg a darab piros, és b darab zöld golyó van ( a és b pozitív egészek). Véletlenszerűen kiválasztunk egy golyót az urnából, és feljegyezzük a színét. Ezután visszatesszük az urnába, és még k azonos színű golyót is mellé teszünk. Majd ezt az eljárást többször megismételjük. A k paraméter egy egész szám, ha negatív, akkor golyókat szedünk ki az urnából.

  1. Mennyi annak a valószínűsége, hogy az első két alkalommal piros, harmadik alkalommal zöld golyót választunk?
  2. Mennyi annak a valószínűsége, hogy az első és a harmadik alkalommal piros, második alkalommal zöld golyót választunk?
  3. Mennyi annak a valószínűsége, hogy az első alkalommal piros, majd a következő két alkalommal zöld golyót választunk?
  4. Mennyi annak a valószínűsége, hogy a másodszorra választott golyó piros?
  5. Mennyi annak a valószínűsége, hogy az először választott golyó piros, feltéve, hogy a másodszorra választott piros?

Az előző feladatban leírt véletlen folyamat (vagy sztochasztikus folyamat) a Pólya féle urnamodell, amelyet a magyar Pólya György matematikusról neveztek el. Vegyük észre, hogy a k 1 eset épp a visszatevés nélküli, a k 0 eset pedig a visszatevéses mintavétel. A Pólya féle urnamodellről részletesebben a Véges mintavételezési eljárások fejezetben olvashatunk.

Egy urnában eredetileg 6 piros és 4 zöld golyó van. Véletlenszerűen kiválasztunk egy golyót, majd visszatesszük az urnába, és beteszünk mellé még egy ellenkező színű golyót. Ezután többször megismételjük az eljárást.

  1. Mennyi annak a valószínűsége, hogy az első két alkalommal piros, harmadik alkalommal zöld golyót választunk?
  2. Mennyi annak a valószínűsége, hogy az első és a harmadik alkalommal piros, második alkalommal zöld golyót választunk?
  3. Mennyi annak a valószínűsége, hogy az első alkalommal piros, majd a következő két alkalommal zöld golyót választunk?
  4. Mennyi annak a valószínűsége, hogy a másodszorra választott golyó piros?
  5. Mennyi annak a valószínűsége, hogy az először választott golyó piros, feltéve, hogy a másodszorra választott piros?

Véletlen tesztek

Tegyük fel, hogy egy adott véletlen kísérletben az A esemény érdekel minket (természetesen A vagy bekövetkezik, vagy nem). Azonban most nem tudjuk közvetlenül ellenőrizni, hogy A bekövetkezett-e. Ehelyett egy véletlen tesztet tudunk elvégezni, amely az A esemény bekövetkezésével kapcsolatban lehet pozitív vagy negatív. Itt azonban nagyon fontos, hogy maga a teszt is függ a véletlentől, tehát lehet, hogy a teszt eredménye hamis. Tipikusan véletlen tesztes modelleket alkalmaznak az alábbi esetekben:

Legyen T az az esemény, hogy a teszt szerint A bekövetkezett. A T A feltételes valószínűséget nevezik a teszt érzékenységének. A komplementer esemény, azaz a téves negatív eredmény valószínűsége

T A 1 T A .

A T A feltételes valószínűséget nevezik a teszt specifikusságának. A komplementer esemény, azaz a téves pozitív eredmény valószínűsége

T A 1 T A .

Gyakran a teszt fejlesztése során meghatározzák az érzékenységet, és a specifikusságot. A felhasználókat azonban a fordított irányban vett feltételes valószínűség, A T érdekli igazán, azaz annak a valószínűsége, hogy a vizsgált esemény bekövetkezett, feltéve, hogy a teszt pozitív (és persze A T , azaz annak a valószínűsége, hogy a vizsgált esemény nem következett be, feltéve, hogy a teszt negatív.

A Bayes tétel segítségével igazoljuk, hogy

A T T A A T A A T A A .

Egy tesztről tudjuk, hogy az érzékenysége 0,99, a specifikussága pedig 0,95. Tehát látszólag a teszt elég jó. Határozzuk meg A T -t A függvényeként, és ellenőrizzük a függvény alábbi helyettesítési értékeinek, és gráfjának helyességét:

A A T P(A | T) as a function of P(A)
0.001 0.019
0.01 0.167
0.1 0.688
0.2 0.832
0.3 0.895
0.4 0.930
0.5 0.952

Meglepő módon A T kicsi, ha A is kicsi. Levonhatjuk a tanulságot, miszerint A T nemcsak az érzékenységtől, és a specifikusságtól függ nagyban, hanem A -tól is. Ezért akkor járunk el helyesen, ha A T -t és A -t hasonlítjuk össze (ahogy ezt a fenti grafikonon is tettük), nem pedig A T -t és T A -t. Ha ezt az összehasonítást végezzük, akkor valóban arra jutunk, hogy a teszt jól működik: A T minden esetben szignifikánsan nagyobb, mint A .

Egy nő úgy gondolja, hogy előfordulhat, hogy terhes. Vásárol egy terhességi tesztet, amely pozitív eredményt ad. A teszt érzékenysége 0,95, specifikussága 0,9. Mi a valószínűsége annak, hogy a nő valóban terhes?

Tegyük fel, hogy egy bizonyos tipusú bűncselekmény elkövetésében a bíróságra kerülő esetek 70%-ában valóban bűnös a vádlott. A levéltári adatokat megvizsgálva arra jutottunk, hogy az esküdtszékek a bűnösök 80%-át elítélik, de elítélik az ártatlanok 10%-át is. Mi annak a valószínűsége, hogy egy elítélt valóban elkövette a bűncselekményt?

Az autónk műszerfalán kigyulladt a motorhibát jelző led. A műszerfal megtekintése előtt 10% esélyt adtunk annak, hogy az autónknak súlyos motorhibája van. Tudjuk továbbá, hogy súlyos hiba esetén a lámpa 0,99 valószínűséggel kigyullad, ha azonban nincs hiba, 0,3 valószínűséggel akkor is ég. Miután megbizonyosodtunk arról, hogy ég a lámpa, mit mondhatunk, milyen valószínűséggel romlott el az autónk motorja?

Az ELISA HIV-teszt érzékenysége és specifikussága is 0,999. Véletlenszerűen kiválasztunk egy embert egy olyan populációból, ahol a lakosok 1%-a fertőzött a HIV vírussal. Feltéve, hogy a kiválasztott ember ELISA tesztje pozitív, mennyi annak a valószínűsége, hogy valóban fertőzött?

A fenti véletlen tesztekhez hasonló statisztikai eljárás a hipotézisvizsgálat, amelyről egy külön fejezetben olvashatunk itt: hipotézisvizsgálat.

Felcserélhetőség

Ebben a részben egy kicsit speciális, de még mindig nagyon fontos témát tárgyalunk.

Felcserélhető események

Tegyük fel, hogy A i i I egy véletlen kísérlettől függő események családja, ahol I megszámlálható indexhalmaz. Ezt a halmazcsaládot felcserélhetőnek nevezzük, ha közülük véges sok halmaz metszetének valószínűsége csak az összemetszett halmazok számától függ. Tehát ha J és K két véges részhalmaz I -ben, és J K , akkor

j J A j k K A k .

Világos, hogy a felcserélhetőség öröklődik részhalmazokra: legyen A események egy családja.

  1. Igazoljuk, hogy ha A felcserélhető, akkor minden B A esetén B is felcserélhető.
  2. Fordítva, igazoljuk, hogy ha minden véges B A felcserélhető, akkor A is felcserélhető.

Felcserélhető események esetén a szitaformula az általános esetnél lényegesen egyszerűbb alakot ölt.

Tegyük fel, hogy A 1 A 2 A n felcserélhető események. J 1 2 n -re, amint J k , legyen p k j J A j . Igazoljuk, hogy

i 1 n A i k 1 n 1 k 1 n k p k .

A Pólya féle urnamodellben legyen A i az az esemény, hogy az i -edik választott golyó piros. Igazoljuk, hogy A 1 A 2 felcserélhető események.

Felcserélhető valószínűségi változók

A felcserélhetőség fogalmát természetes módon terjeszthetjük ki valószínűségi változókra. Tegyük fel, hogy C T -értékű valószínűségi változók osztálya. Ekkor C felcserélhető, ha minden X 1 X 2 X n C részhalmazra az X 1 X 2 X n véletlen vektor eloszlása csak n -től függ. Tehát a többdimenziós eloszlás nem változik, ha a koordinátáit permutáljuk.

Legyen A események családja, és C A A A a hozzájuk tartozó indikátor valószínűségi változók halmaza. Igazoljuk, hogy A felcserélhető események családja pontosan akkor, ha C felcserélhető valószínűségi változók halmaza.