Nowe informacje zmieniają wszystko
Prawdopodobieństwo warunkowe odpowiada na pytanie: "Jakie jest prawdopodobieństwo zdarzenia A, jeśli wiemy, że zdarzenie B już zaszło?" Nowe informacje często drastycznie zmieniają nasze szacunki.
Zapisujemy to jako P(A|B) - czytamy: "prawdopodobieństwo A pod warunkiem B" albo "prawdopodobieństwo A, jeśli B".
Jakie jest prawdopodobieństwo, że losowo wybrany Polak ma wyższe wykształcenie? Według GUS około 25%. Ale jeśli wiemy, że ta osoba mieszka w Warszawie i ma 30-40 lat - prawdopodobieństwo rośnie do ponad 50%. Nowa informacja (miejsce zamieszkania i wiek) zmieniła prawdopodobieństwo.
Wzór na prawdopodobieństwo warunkowe
P(A|B) = P(A i B) / P(B)
Czytamy: prawdopodobieństwo A pod warunkiem B to prawdopodobieństwo, że zajdą oba zdarzenia, podzielone przez prawdopodobieństwo zdarzenia B.
W firmie pracuje 100 osób. 60 to kobiety, 40 to mężczyźni. 15 kobiet jest na stanowiskach kierowniczych, 10 mężczyzn jest na stanowiskach kierowniczych. Jakie jest prawdopodobieństwo, że losowo wybrana kobieta jest kierowniczką? P(kierownik|kobieta) = 15/60 = 25%. A dla mężczyzn? P(kierownik|mężczyzna) = 10/40 = 25%. W tej firmie płeć nie wpływa na szanse awansu.
Prawdopodobieństwo warunkowe w medycynie
Jednym z najważniejszych zastosowań prawdopodobieństwa warunkowego jest medycyna - szczególnie przy interpretacji wyników testów diagnostycznych.
Test na pewną chorobę ma czułość 95% (jeśli jesteś chory, test wskazuje pozytywny wynik w 95% przypadków) i swoistość 90% (jeśli jesteś zdrowy, test daje negatywny wynik w 90% przypadków). Choroba dotyczy 1 na 1000 osób. Dostajesz pozytywny wynik - jakie jest prawdopodobieństwo, że naprawdę jesteś chory?
Wielu ludzi pomyślałoby "95%", ale to błędne. Spośród 1000 osób: 1 chory dostaje pozytywny wynik (0,95 szansy). 999 zdrowych, z czego 10% dostaje fałszywie pozytywny wynik = około 100 osób. Więc na ~101 pozytywnych wyników, tylko 1 jest prawdziwie chorych. P(chory|pozytywny test) ≈ 1/101 ≈ 1%.
Ten przykład jest niezwykle ważny. Pokazuje, dlaczego lekarze nie stawiają diagnoz na podstawie jednego testu i dlaczego masowe przesiewowe badania mają ograniczenia.
Niezależność a prawdopodobieństwo warunkowe
Dwa zdarzenia są niezależne wtedy i tylko wtedy, gdy P(A|B) = P(A). Innymi słowy: wiedza o B nie zmienia naszego przekonania o A.
Czy wynik meczu Lecha Poznań wpływa na to, ile czasu spędzisz jutro w pracy? Prawdopodobnie nie - te zdarzenia są niezależne. Ale czy deszcz wpływa na to, czy pojedziesz rowerem do pracy? Tak - te zdarzenia są zależne. P(rower|deszcz) jest znacznie mniejsze niż P(rower|słońce).
Pułapka odwracania warunku
Jeden z najczęstszych błędów logicznych to mylenie P(A|B) z P(B|A). To nie jest to samo!
P(mokra ulica | deszcz) jest bliska 100% - jeśli pada, ulica jest mokra. Ale P(deszcz | mokra ulica) jest dużo niższa - ulica może być mokra z wielu powodów: mycie ulic, awaria hydrantu, pęknięta rura. Mylenie tych dwóch prawdopodobieństw to tzw. błąd odwróconego warunku.
Zastosowanie w prawie
W procesach sądowych prawdopodobieństwo warunkowe odgrywa kluczową rolę. Prokurator może powiedzieć: "Prawdopodobieństwo, że DNA z miejsca zbrodni pasuje do niewinnej osoby, to 1 na milion." Ale to P(dopasowanie DNA | niewinny). Pytanie, na które sąd musi odpowiedzieć, to P(niewinny | dopasowanie DNA) - a to zupełnie inna wartość.
Prawdopodobieństwo warunkowe mówi nam, jak nowe informacje zmieniają nasze szacunki. Wzór P(A|B) = P(A i B) / P(B) pozwala obliczyć prawdopodobieństwo zdarzenia, gdy znamy dodatkowy kontekst. Kluczowy błąd to mylenie P(A|B) z P(B|A) - kolejność warunku ma ogromne znaczenie, szczególnie w medycynie i prawie.