‫הסתברות מותנית‬

‫מבוא להסתברות וסטטיסטיקה תרגול ‪2‬‬

 ‫תזכורת‬
‫מרחב ההסתברות (‪)Probability Space‬‬ ‫‪‬‬

‫מרחב הסתברות ‪ -‬אוסף כל המאורעות האפשריים בסיטואציה מסויימת‪.‬‬

‫)‪ ,P(A‬ההסתברות למאורע ‪ - A‬מספר המאורעות האלמנטריים הנכללים ב‪ A-‬ביחס‬
‫לכלל מרחב ההסתברות‪.‬‬
 ‫תזכורת‬
‫‪ ‬מאורעות בלתי תלויים‪:‬‬
‫ידיעת התוצאה של מאורע אחד לא מספקת מידע על התוצאה‬
‫של המאורע השני‪.‬‬
‫מאורעות נקראים בלתי תלויים אם ורק אם‪:‬‬

‫)‪P(A ∩ B) = P(A) · P(B‬‬

‫ומה קורה אם המאורעות תלויים זה בזה?‬
 ‫מבוא‬
‫נתון כי ‪ 90%‬מהאוכלוסיה בריאים (השאר חולים)‪ .‬בדיקה למחלה תיתן תשובה חיובית עבור אדם חולה‬
‫בהסתברות ‪( 0.8‬בשאר המקרים התשובה תהיה שלילית)‪ .‬עבור אדם בריא הבדיקה תיתן תשובה שהוא חיובי‬
‫בהסתברות ‪( 0.25‬בשאר המקרים התשובה תהיה שלילית)‬

‫‪State:‬‬

‫‪Diagnosis:‬‬
 ‫מבוא‬
‫נתון כי ‪ 90%‬מהאוכלוסיה בריאים (השאר חולים)‪ .‬בדיקה למחלה תיתן תשובה חיובית עבור אדם חולה‬
‫בהסתברות ‪( 0.8‬בשאר המקרים התשובה תהיה שלילית)‪ .‬עבור אדם בריא הבדיקה תיתן תשובה שהוא חיובי‬
‫בהסתברות ‪( 0.25‬בשאר המקרים התשובה תהיה שלילית)‬

‫‪State:‬‬

‫‪Diagnosis:‬‬

‫מהי ההסתברות לקבל אבחנה חיובית? תלוי‪...‬‬

 ‫מבוא‬
‫נסמן‪:‬‬
‫‪ -S ‬המאורע של להיות חולה‬
‫‪ -P ‬המאורע של לקבל אבחנה חיובית‬

‫את ההסתברות למאורע ‪ A‬אנו מסמנים כ‪P(A) :‬‬

‫אם שני מאורעות‪ A -‬ו‪ B-‬תלויים‪ ,‬נסמן את ההסתברות של ‪ A‬בהינתן ‪ B‬כ‪:‬‬
‫)‪P(A|B‬‬
 ‫מבוא‬

‫מהו )‪0.8 ?P(P|S‬‬ ‫‪‬‬

‫מהו )‪0.1*0.8 = 0.08 ?P(P∩S‬‬ ‫‪‬‬

‫זוהי התשובה האינטואיטיבית‪,‬‬

‫אבל למה זה נכון?‬
‫תרגול ‪ – 2‬הסתברות מותנית‬

‫נוסחת הסתברות מותנית‬ ‫‪‬‬

‫חוק בייס‬ ‫‪‬‬

‫חוק ההסתברות השלמה‬ ‫‪‬‬

 ‫הסתברות מותנית ומרחב הסתברות‬

‫איך נחשב את )‪?P(A|B‬‬

‫)𝑩∩𝑨(𝑷‬
‫= )‪P(A|B‬‬ ‫)𝑩(𝑷‬
‫כל מה שמחוץ ל‪ B-‬הוא לא רלוונטי ולכן‪:‬‬

‫)‪=> P(A∩B) = P(A|B)·P(B‬‬

‫זוהי נוסחת ההסתברות המותנית‪ .‬בדיוק כפי שפתרנו בצורה אינטואיטיבית‪...‬‬
 ‫דוגמא‬
Work (W) Do not work (𝑾) Total
City (C ) 400 140 540
ത)
Periphery ( 𝒄 250 300 550
Total 650 440 1090
‫ עובד‬-W
‫ גר בעיר‬-C

P(C)·P(W) = P(W∩C) ? ?‫ הינם מאורעות בלתי תלויים‬W-‫ ו‬C ‫האם‬

540
P(C) = = 0.49
1090
650
P(W) =
1090
= 0.59 => P(C)·P(W) ≠ P(W∩C)
P(C)* P(W) = 0.49*0.59 = 0.2891
P(W∩C) =
400
= 0.36 ‫ המאורעות תלויים‬-‫מסקנה‬
1090
 ‫דוגמא‬
‫) ‪Work (W‬‬ ‫)𝑾( ‪Do not work‬‬ ‫‪Total‬‬
‫) ‪City (C‬‬ ‫‪400‬‬ ‫‪140‬‬ ‫‪540‬‬
‫)‪ഥ‬‬
‫𝑪( ‪Periphery‬‬ ‫‪250‬‬ ‫‪300‬‬ ‫‪550‬‬
‫‪Total‬‬ ‫‪650‬‬ ‫‪440‬‬ ‫‪1090‬‬
‫‪ -W‬עובד‬
‫‪ -C‬גר בעיר‬

‫מה ההסתברות שאדם לא עובד ‪ഥ‬‬

‫)𝑊( בהינתן שהוא גר בעיר )‪?(C‬‬
‫‪140‬‬
‫‪ഥ‬‬
‫)𝐶∩𝑊(‪P‬‬
‫‪ഥ‬‬
‫)‪P(𝑊|C‬‬ ‫=‬ ‫=‬ ‫‪1090‬‬
‫‪540‬‬ ‫‪≈ 0.26‬‬
‫)𝐶(‪P‬‬ ‫‪1090‬‬
 ‫סיכום ביניים‬
‫)𝐵∩𝐴(𝑃‬
‫= )‪P(A|B‬‬ ‫נוסחת הסתברות מותנית‬ ‫‪‬‬
‫)𝐵(𝑃‬

‫חוק בייס‬ ‫‪‬‬

‫חוק ההסתברות השלמה‬ ‫‪‬‬

 )Bayes Rule( ‫חוק בייס‬
P(A∩B)
 P(A|B) =
P(B)

P(A∩B)
 P(B|A) = => P(A∩B) = P(B|A)*P(A)
P(A)

P(B|A)·P(A)
 P(A|B) =
P(B)
 ‫סיכום ביניים‬
‫)𝐵∩𝐴(𝑃‬
‫= )‪P(A|B‬‬ ‫נוסחת הסתברות מותנית‬ ‫‪‬‬
‫)𝐵(𝑃‬

‫)𝐴(𝑃·)𝐴|𝐵(𝑃‬
‫= )‪P(A|B‬‬ ‫חוק בייס‬ ‫‪‬‬
‫)𝐵(𝑃‬

‫חוק ההסתברות השלמה‬ ‫‪‬‬

‫חוק ההסתברות השלמה (‪)Law of Total Probability‬‬

‫מה ההסתברות של דבורה למצוא צוף?‬

‫חוק ההסתברות השלמה (‪)Law of Total Probability‬‬

‫‪Yellow‬‬ ‫‪Nectar‬‬ ‫‪Red‬‬

‫אם מרחב ההסתברות מחולק לכמה מאורעות זרים‪ ,‬אזי ההסתברות למאורע ‪ A‬היא‬
‫סכום הסתברויות החיתוכים של ‪ A‬עם כל המאורעות הזרים שמרכיבים את מרחב‬
‫ההסתברות‪.‬‬
‫)‪P(N) = P(N∩Y ) +P(N∩R) = P(N|Y)·P(Y) +P(N|R)·P(R‬‬
‫נוסחת הסתברות מותנית‬
 ‫סיכום ביניים‬
‫)𝐵∩𝐴(𝑃‬
‫= )‪P(A|B‬‬ ‫נוסחת הסתברות מותנית‬ ‫‪‬‬
‫)𝐵(𝑃‬

‫)𝐴(𝑃·)𝐴|𝐵(𝑃‬
‫= )‪P(A|B‬‬ ‫חוק בייס‬ ‫‪‬‬
‫)𝐵(𝑃‬

‫חוק ההסתברות השלמה‬ ‫‪‬‬

 ‫המשך דוגמת החולה‬

‫מה ההסתברות שאדם הוא חולה בהינתן שקיבל אבחנה חיובית?‬

 ‫ובחזרה לדוגמת החולה‬
‫)𝑆(‪P(𝑃|𝑆)·P‬‬
‫= )‪P(S|P‬‬ ‫חוק בייס‬
‫)𝑃(‪P‬‬
‫חוק ההסתברות ‪ҧ‬‬
‫)𝑆 ∩ 𝑃(‪P(𝑃)= P(𝑃 ∩ 𝑆) + P‬‬
‫השלמה‬

‫נוסחת‬
‫‪P(𝑃) = P 𝑃 𝑆 · P 𝑆 + P 𝑃 𝑆ҧ · P 𝑆ҧ‬‬ ‫הסתברות‬
‫מותנית‬
‫‪0.8·0.1‬‬
‫=‬ ‫‪≈ 0.26‬‬
‫‪0.8·0.1 + 0.25·0.9‬‬
‫כלומר‪ -‬אפילו אם אדם קיבל אבחנה‬
‫חיובית רוב הסיכויים שהוא לא חולה כלל!‬