BI PST Lec02 Slides

Podmíněná pravděpodobnost a nezávislost
Přednášející:
Mgr. Petr Novák, Ph.D.
Katedra aplikované matematiky

Fakulta informačních technologií
České vysoké učení technické v Praze

c 2011–2022 Rudolf B. Blažek, Roman Kotecký, Daniel Vašata, Jitka Hrabáková, Petr Novák
Pravděpodobnost a statistika
BI-PST, ZS 2022/23, Přednáška 2
Blažek, Kotecký, Vašata, Hrabáková, Novák (FIT ČVUT) Pravděpodobnost a statistika BI-PST, ZS 2022/23, Přednáška 2 1 / 29
Organizace předmětu Obsah přednášek
Obsah přednášek
• Teorie pravděpodobnosti:
I Náhodné jevy, pravděpodobnostní míra, podmíněná pravděpodobnost, Bayesova věta,
nezávislost jevů.
I Náhodné veličiny, distribuční funkce, střední hodnota a rozptyl, soubory náhodných
veličin, sdružené a marginální rozdělení, nezávislost náhodných veličin, podmíněné
rozdělení, podmíněná střední hodnota.
I Vybraná diskrétní a spojitá rozdělení náhodných veličin, funkce náhodných veličin.
I Momenty, kvantily, kovariance a korelace, Markovova a Čebyševova nerovnost, zákony
velkých čísel, centrální limitní věta.
• Matematická statistika:
I Bodové odhady, výběrový průměr, výběrový rozptyl, intervalové odhady, testování
hypotéz, jednostranné a oboustranné alternativy.
I Vlastnosti bodových odhadů, metoda maximální věrohodnosti, lineární regrese, odhady
parametrů regresního modelu, testování významnosti modelu.
Organizace předmětu Obsah přednášek
Rekapitulace
Náhodný experiment je reprezentován jako pravděpodobnostní prostor (Ω, F, P):

• Ω je množina možných výsledků.
• F je systém podmnožin Ω s rozumnými vlastnostmi.
• Prvky A ∈ F jsou náhodné jevy.
• Pravděpodobnostní míra P je funkce, která přiřazuje náhodným jevům reálné číslo
z intervalu [0, 1], reprezentující ideální podíl případů, kdy daný jev nastává.
Pokud je možných výsledků pokusu jen konečně mnoho a jsou všechny stejně
pravděpodobné, lze počítat
|A|
P(A) = .
|Ω|
Podmíněná pravděpodobnost a nezávislost Podmíněná pravděpodobnost
Podmíněná pravděpodobnost
Jak se změní pravděpodobnost ve chvíli, kdy máme částečnou informaci o výsledku
experimentu?
Příklad
Když hodíme vyváženou kostkou, bez další informace víme, že P(6) = 1/6.
Pokud navíc víme, že padlo sudé číslo, je jasné, že P(6|sudé) = 1/3.
Definice
Bud’te A a B náhodné jevy, kde P(B) > 0. Podmíněnou pravděpodobnost jevu A za
podmínky, že nastal jev B , definujeme jako
P(A ∩ B)
P(A|B) = .
P(B)
P(A|B) čteme jako: „ pravděpodobnost A dáno B “, nebo

„ pravděpodobnost A za podmínky B “.
Porozumění definici podmíněné pravděpodobnosti
Příklad:
Uvažujme rovnoměrné rozdělení na množině Ω s konečnou velikostí. Velikostí zde myslíme
např. počet prvků, délku, plochu, objem, dobu trvání, atp. Pravděpodobnost jevu A je pak
definována relativní velikostí vzhledem k velikosti Ω, tedy poměrem
P(A) = velikost(A)/velikost(Ω).
Pokud víme, že určitě nastal jev B , zajímáme se pouze o výsledky, které patří do B .
U jevu A proto nyní také uvažujeme pouze výsledky v B , takže se jedná o A ∩ B .
Pravděpodobnosti pak chápeme jako relativní velikost průniku vzhledem k velikosti B .

Dostáváme
velikost(A ∩ B) velikost(A ∩ B)/velikost(Ω) P(A ∩ B)

P(A|B) = = = .
velikost(B) velikost(B)/velikost(Ω) P(B)
Podmíněná pravděpodobnost – Vennův diagram

⌦
A B
plocha(A)
P(A) =
plocha(Ω)
⌦ plocha(část A uvnitř B)
A B P(A dáno B) =
plocha(B)
plocha(A ∩ B) / plocha(Ω)
P(A|B) =
plocha(B) / plocha(Ω)
P(A ∩ B) P(A ∩ B) = P(A|B) P(B)

P(A|B) =
P(B) P(A ∩ B) = P(B|A) P(A)
P(průnik) = P(jev|podmínka) P(podmínka)
Podmíněná pravděpodobnost – příklady
Příklad – dva hody kostkou

Uvažujme dva hody vyváženou kostkou. Jaká je P(součet > 6 | první = 3)?
Odpověd’ je jistě 1/2: hodnota při druhém hodu musí být 4, 5 nebo 6.
Formálně: Ω = {1, 2, 3, 4, 5, 6}2 ,

P(A) = |A|/36 pro každou A ⊂ Ω.
Necht’ B = {(3, ω2 ) : 1 ≤ ω2 ≤ 6}, A = {(ω1 , ω2 ) : ω1 + ω2 > 6}.
Pak
|A∩B|
P(A ∩ B) 36 |A ∩ B| 3
P(A|B) = = |B|
= = .
P(B) |B| 6
36
Podmíněná pravděpodobnost – příklady
Příklad – rodina se dvěma dětmi

Trochu těžší příklad:
Předpokládejme, že děti se rodí rovnoměrně a nezávisle.
V rodině jsou dvě děti. Jaká je P(oba chlapci|alespoň jeden je chlapec)?
Ω = {DD, DH, HD, HH}.
P(HH ∩ (DH ∪ HD ∪ HH))

P(HH|DH ∪ HD ∪ HH) =
P(DH ∪ HD ∪ HH)
P(HH) 1/4 1
= = = .
P(DH ∪ HD ∪ HH) 3/4 3
Častý omyl:
P(HH ∩ (HH ∪ HD)) 1
P(HH|starší je hoch) = P(HH|HH ∪ HD) = = .
P(HH ∪ HD) 2
Vlastnosti podmíněné pravděpodobnosti

Lemma
Necht’ pro jev B platí P(B) > 0. Podmíněná pravděpodobnost P(·|B) je také
pravděpodobnostní mírou, tj. P(·|B) ∈ [0, 1] a splňuje axiomy pravděpodobnosti.
Důkaz
Máme dokázat následující:
i) P(·|B) : F → R,
ii) nezápornost: pro každé A ∈ F platí P(A|B) ≥ 0,

P(Ω ∩ B) P(B)
iii) normalizace: P(Ω|B) = 1, P(Ω|B) = = =1
P(B) P(B)
iv) σ−aditivita: když A1 , A2 , . . . ∈ F jsou vzájemně disjunktní jevy
(Ai ∩ Aj = ∅ pro ∀i, j : i 6= j ), pak
∞ S∞ S∞ ∞
!
[ P i=1 Ai ∩ B P i=1 (Ai ∩ B) X
P Ai B = = = P(Ai |B).
i=1
P(B) P(B) i=1
Vlastnosti podmíněné pravděpodobnosti
Podmíněná pravděpodobnost splňuje též všechny další vlastnosti pravděpodobnosti:

• jestliže A1 a A2 jsou vzájemně disjunktní, pak
P(A1 ∪ A2 |B) = P(A1 |B) + P(A2 |B)
• P(A1 ∪ A2 |B) = P(A1 |B) + P(A2 |B) − P(A1 ∩ A2 |B)
• P(Ac |B) = 1 − P(A|B)
• atd.
Další důležité vlastnosti:

• pravděpodobnost P(A|B) „žije“ na B : když A ∩ B = ∅, pak P(A|B) = 0
P(A ∩ B ∩ B) P(A ∩ B)
• P(A ∩ B|B) = = = P(A|B).
P(B) P(B)
Úplný rozklad pravděpodobnosti
Ω = B1 ∪ B2 ∪ B3 (disjunktní rozklad)
B1 B2 B3
Připomenutí:
A
P(A ∩ Bi )
A ∩ B2 P(A|Bi ) =
A ∩ B1 A ∩ B3 P(Bi )
P(A ∩ Bi ) = P(A|Bi ) P(Bi )
A = A ∩ Ω = A ∩ (B1 ∪ B2 ∪ B3 )
A = (A ∩ B1 ) ∪ (A ∩ B2 ) ∪ (A ∩ B3 )
P(A) = P(A ∩ B1 ) + P(A ∩ B2 ) + P(A ∩ B3 )

P(A) = P(A|B1 ) P(B1 ) + P(A|B2 ) P(B2 ) + P(A|B3 ) P(B3 )
Úplný rozklad pravděpodobnosti v příkladu

Příklad – poruchovost diod
Ve výprodeji jsme výhodně koupili krabici diod, namíchaných ze dvou značek. Podstatná
část diod je vadná. Víme, že
• 40% diod je z ČR, 60% je dovezených,
• 10% domácích diod je vadných,
• 20% dovezených diod je vadných.
Určete pravděpodobnost, že náhodně vybraná dioda bude vadná.
Údaje o chybovosti představují podmíněné pravděpodobnosti:
P(cz) = 0.4, P(dovoz) = 0.6, P(vadná|cz) = 0.1, P(vadná|dovoz) = 0.2.

Vadné diody rozdělíme podle původu:
P(vadná) = P(vadná ∩ cz) + P(vadná ∩ dovoz).
Pravděpodobnosti průniku přepíšeme pomocí podmíněných:
P(vadná) = P(vadná|cz) · P(cz) + P(vadná|dovoz) · P(dovoz)
= 0.1 · 0.4 + 0.2 · 0.6 = 0.04 + 0.12 = 0.16 = 16%.
Bayesova věta (prohození jevu a podmínky)

Pozorujeme jev A a ptáme se, jaká je pravděpodobnost, že nastala možnost Bj .
Ω = B1 ∪ B2 ∪ B3 (disjunktní rozklad)
B1 B2 B3
A Připomenutí:
A ∩ B2 P(A ∩ Bj ) = P(A|Bj ) P(Bj )
A ∩ B1 A ∩ B3
P(A) = P(A|B1 ) P(B1 ) + P(A|B2 ) P(B2 ) + P(A|B3 ) P(B3 )

P(A ∩ Bj )
P(Bj |A) =
P(A)
P(A|Bj ) P(Bj )
P(Bj |A) =
P(A|B1 ) P(B1 ) + P(A|B2 ) P(B2 ) + P(A|B3 ) P(B3 )
Bayesova věta v příkladu
Příklad – poruchovost diod, pokračování

Z krabice jsme vybrali diodu a zjistili jsme, že je vadná.
Jaká je pravděpodobnost, že byla z dovozu?
Hledáme opačně podmíněnou pravděpodobnost, než máme na vstupu. Z definice
podmíněné pravděpodobnosti:
P(dovoz ∩ vadná)
P(dovoz|vadná) = .
P(vadná)
Jmenovatel jsme už našli dříve, čitatel rozepíšeme pomocí opačně podmíněných
pravděpodobností:
P(vadná|dovoz) P(dovoz)
P(dovoz|vadná) =
P(vadná|cz) P(cz) + P(vadná|dovoz) P(dovoz)
0.2 · 0.6 0.12 12
= = = = 75%.
0.1 · 0.4 + 0.2 · 0.6 0.16 16
Bayesova věta – shrnutí

Soubor vzájemně disjunktních náhodných jevů B1 , B2 , . . . Bn se nazývá rozkladem
n
[
množiny Ω, jestliže Ω = Bi . (Disjunktní: pro každé i 6= j platí Bi ∩ Bj = ∅.)
i=1
Věta o úplném rozkladu pravděpodobnosti

Necht’ B1 , B2 , . . . , Bn je rozklad Ω takový, že ∀i : P(Bi ) > 0. Potom pro každý jev A
platí
n
X
P(A) = P(A|Bi ) P(Bi ).
i=1
Věta Bayesova
Necht’ B1 , B2 , . . . , Bn je rozklad Ω takový, že ∀i : P(Bi ) > 0 a necht’ A je náhodný jev
kde P(A) > 0. Potom platí
P(A|Bj ) P(Bj )
P(Bj |A) = Pn .
i=1 P(A|Bi ) P(Bi )
X lze dokázat i pro n = ∞.

Bayesova věta v příkladu

Příklad – spamový filtr
Z analýzy našeho účtu elektronické pošty jsme zjistili, že
• 30% dosud přijatých zpráv byl spam (nevyžádaná pošta).
• V 70% spamových zpráv se vyskytuje slovo „ kopie “.
• Z legitimních zpráv je slovo „ kopie “ obsaženo pouze v 10%.
Určete pravděpodobnost, že zpráva obsahující slovo „ kopie “ je spam – P(S|K).
S množina spamových zpráv, S c = Ω \ S množina legitimních zpráv.

K množina zpráv obsahujících slovo „ kopie “, K c neobsahujících slovo „ kopie “.
P(S) = 0.3, P(S c ) = 0.7, P(K|S) = 0.7, P(K|S c ) = 0.1
P(K|S) P(S)
P(S|K) = =
P(K|S) P(S) + P(K|S c ) P(S c )
0.7 · 0.3 21
= = = 0.75.
0.7 · 0.3 + 0.1 · 0.7 28
Pravděpodobnostní stromy
slouží k vizualizaci podmíněné pravděpodobnosti.
Nejprve si odvodíme užitečný vztah – rozšíření vzorce pro průnik dvou jevů, který jsme již
odvodili z definice podmíněné pravděpodobnosti:
P(A ∩ B) = P(A|B) P(B)
Pro tři jevy podobně platí:
P(A ∩ B ∩ C) = P(A) P(B|A) P(C|A ∩ B)
Důkaz – stačí přímo dosadit dle definice podmíněné pravděpodobnosti do pravé strany:
P(B ∩ A) P(C ∩ A ∩ B)
P(A) P(B|A) P(C|A ∩ B) = P(A)
P(A) P(A ∩ B)
= P(A ∩ B ∩ C).
Pravděpodobnostní stromy
slouží k vizualizaci podmíněné pravděpodobnosti.
Lemma – Multiplikativní zákon

Pro jevy A1 , . . . , An splňující P(A1 ∩ · · · ∩ An ) > 0 platí:
P(A1 ∩ · · · ∩ An ) =
P(A1 ) P(A2 |A1 ) P(A3 |A1 ∩ A2 ) . . . P(An |A1 ∩ · · · ∩ An−1 ).
Důkaz
Postupně aplikujeme vztah P(A ∩ B) = P(A) P(B|A) plynoucí z definice podmíněné pravděpodobnosti.
P(A1 ∩ · · · ∩ An ) = P(A1 ∩ · · · ∩ An−1 ) P(An |A1 ∩ · · · ∩ An−1 ) =

P(A1 ∩ · · · ∩ An−2 ) P(An−1 |A1 ∩ · · · ∩ An−2 ) P(An |A1 ∩ · · · ∩ An−1 ) = . . . .
Příklad – spamový filtr

S∩K P(S ∩ K) = 0.3 · 0.7 = 0.21
ie (K )
Kop 7
) = 0.
|S
P(K
S
Bez
k
(S
) P(K c opie (K c)
Sp
am 0 .3 |S )
= 0.
= 3 P(S ∩ K c ) = 0.3 · 0.3 = 0.09
S) S ∩ Kc
P(
Ω
L
P( egitim Sc ∩ K P(S c ∩ K) = 0.7 · 0.1 = 0.07
S c ní (S c
)= ) ie ( K)
Kop 1
0 .7 c) = 0.
|S
c P(K
S
Bez
P(K c kopie (K c)
|S c)
=0
.9 Sc ∩ Kc P(S c ∩ K c ) = 0.7 · 0.9 = 0.63
P(S ∩ K) 0.21
P(S|K) = = = 0.75.
P(K) 0.21 + 0.07
Příklad – multiplikativní zákon

Taháme z balíčku 52 karet bez vracení. Jaká je pravděpodobnost, že ze tří po sobě
tažených karet není žádná srdcová?
Ai = {i-tá karta není srdcová}, i = 1, 2, 3.
39 38 37 .
P(A1 ∩ A2 ∩ A3 ) = P(A1 ) P(A2 |A1 ) P(A3 |A1 ∩ A2 ) = · · = 41.4%
52 51 50
• P (A1 ∩ A2 ∩ A3 ) 39 38 37
• 52 · 51 · 50
P (A3 |A1 ∩ A2 )
37/50
A3
• •
P (A2 |A1 ) P (Ac3 |A1 ∩ A2 ) 13/50

38/51
A2
• • P (A1 ∩ A2 ∩ Ac3 ) 39 38 13
• • 52 · 51 · 50
P (A1 ) P (Ac2 |A1 ) 39/52 13/51

A1
• • • •
P (Ac1 ) 13/52
• •
Pravděpodobnost daného vrcholu stromu je součinem přislušných hodnot po dráze

vycházející z kořene.
Správná interpretace podmíněné pravděpodobnosti
Za chybným výkladem informací často stojí nesprávné porozumění podmíněným

pravděpodobnostem:
Příklad – nehody pod vlivem

• Zjistili jsme, že zhruba 10% smrtelných dopravních nehod je způsobeno řidiči pod
vlivem alkoholu
(41 z 470 úmrtí na silnicích v ČR v roce 2021 dle policejní ročenky).
• To ale znamená, že 90% smrtelných nehod je způsobeno střízlivými řidiči!
• Máme se tedy mít na pozoru před střízlivými řidiči?
Správná interpretace podmíněné pravděpodobnosti

Příklad – nehody pod vlivem, pokračování
Máme se tedy mít na pozoru před střízlivými řidiči?
Jistě, že ne. Musíme se mít na pozoru před podmíněnými pravděpodobnostmi.
Získaný údaj nám říká, že ze všech nehod, podíl těch, co jsou způsobeny opilými řidiči,
je 10%. Tedy
P(opilý|nehoda) = 0.1.
Snažíme se zjistit opačně podmíněnou pravděpodobnost P(nehoda|opilý).
Jiná studie zjistila, že méně než 1% osob řídí pod vlivem alkoholu. Pravděpodobnost
nehody je složité určit, ale jsme schopni spočítat, o kolik je větší pravděpodobnost zavinění
nehody opilým řidičem oproti střízlivému:
P(nehoda|opilý) P(nehoda ∩ opilý)/ P(opilý)

=
P(nehoda|střízlivý) P(nehoda ∩ střízlivý)/ P(střízlivý)
P(opilý|nehoda) · P(nehoda)/ P(opilý) 0.1/0.01

= = = 11.
P(střízlivý|nehoda) · P(nehoda)/ P(střízlivý) 0.9/0.99
Tedy u řidičů pod vlivem alkoholu je alespoň 11x vyšší pravděpodobnost, že způsobí
smrtelnou dopravní nehodu.
Podmíněná pravděpodobnost a nezávislost Nezávislost náhodných jevů
Nezávislost náhodných jevů
Intuitivně: A a B jsou nezávislé, pokud pravděpodobnost jevu A není ovlivněná informací,

že B nastalo, P(A|B) = P(A), a naopak, P(B|A) = P(B).
Definice
Náhodné jevy A a B se nazývají nezávislé, pokud
P(A ∩ B) = P(A) P(B).
Obecně, soubor jevů {Ai : i ∈ I} se nazývá nezávislý, jestliže

!
\ Y
P Ai = P(Ai )
i∈J i∈J
pro všechny neprázdné konečné podmnožiny J indexové množiny I .
Nezávislost náhodných jevů

Příklad – hod kostkou
Uvažujme jev A: padne sudé číslo a jev B : padne číslo menší něž 3.
Jsou jevy A a B nezávislé?
A = {2, 4, 6}, B = {1, 2}, A ∩ B = {2}

1 3 2 1
P(A ∩ B) = a P(A) P(B) = · = .
6 6 6 6
Tudíž jevy A a B jsou nezávislé.
Příklad – hod kostkou

Uvažujme jev A: padne sudé číslo a jev B : padne šestka.
Jsou jevy A a B nezávislé?
A = {2, 4, 6}, B = {6}, A ∩ B = {6}

1 3 1 1
P(A ∩ B) = a P(A) P(B) = · = .
6 6 6 12
Tudíž jevy A a B nejsou nezávislé.
Vztah nezávislosti a podmíněné pravděpodobnosti
Nečht’ A a B jsou nezávislé a P(B) > 0. Potom zřejmě
P(A ∩ B) P(A) P(B)

P(A|B) = = = P(A).
P(B) P(B)
Pro A a B nezávislé nám znalost B nepřinese žádnou informaci o A.
Věta
Jsou-li jevy A a B nezávislé, pak i A a B c (Ac a B ; Ac a B c ) jsou nezávislé.
Věta
Je-li (Ai )i∈I soubor nezávislých jevů, pak pro libovolnou konečnou podmnožinu
∅=6 J ⊂ I , je
P(∩i∈J Ai | ∩i∈I\J Ai ) = P(∩i∈J Ai ).
Nezávislé vs. neslučitelné jevy
Častým omylem je nesprávně pokládat jevy A a B za nezávislé, pokud A ∩ B = ∅.
Ve skutečnosti ale neslučitelné jevy A a B mohou být nezávislé, jen pokud P(A) = 0
nebo P(B) = 0.
Když A a B jsou neslučitelné s nenulovými pravděpodobnostmi, tak pokud víme, že nastal

jev B , je jasné, že jev A nastat nemůže.
Zatímco neslučitelnost je množinový pojem, nezávislost je pojem pravděpodobnostní.
Podmíněná nezávislost
Definice
Necht’ (Ω, F, P) je pravděpodobnostní prostor a C je náhodný jev s P(C) > 0. Náhodné
jevy A a B se nazývají podmíněně nezávislé za podmínky C , pokud
P(A ∩ B|C) = P(A|C) P(B|C).
Připomenutí:
• Q(A) = P(A|C) je pravděpodobnostní míra.
• Podmíněná nezávislost je tedy nezávislost vzhledem k pravděpodobnostní míře Q.
Podmíněná nezávislost
Příklad – hod sedmistěnnou kostkou
Hodíme sedmistěnnou kostkou, kde jsou všechny strany stejně pravděpodobné. Uvažujme:
Jev A: padne sudé číslo. Jev B : padne číslo menší něž 3. Jsou jevy A a B nezávislé?
A = {2, 4, 6}, B = {1, 2}, A ∩ B = {2}
1 3 2 6
P(A ∩ B) = a P(A) · P(B) = · = .
7 7 7 49
Tudíž jevy A a B nejsou nezávislé.
Příklad – hod sedmistěnnou kostkou + podmínka

Uvažujme navíc jev C : padne nejvýš šestka. Jsou jevy A a B podmíněně nezávislé při
daném C ?
P(A ∩ B ∩ C) P({2}) 1/7 1
P(A ∩ B|C) = = = =
P(C) P({1, ...6}) 6/7 6
3/7 2/7 1
P(A|C) · P(B|C) = · = .
6/7 6/7 6
Tudíž jevy A a B jsou podmíněně nezávislé při daném C .
Rekapitulace
• Podmíněná pravděpodobnost, že nastane jev A, pokud víme, že nastal jev B , kde
P(B) > 0, je definována jako
P(A ∩ B)
P(A|B) = .
P(B)
• Věta o úplné pravděpodobnosti: Pro A a B , kde P(B) > 0 a P(B c ) > 0:
P(A) = P(A|B) P(B) + P(A|B c ) P(B c ).
• Bayesova věta: Pro A a B , kde P(A) > 0, P(B) > 0 a P(B c ) > 0:
P(A|B) P(B)
P(B|A) = .
P(A|B) P(B) + P(A|B c ) P(B c )
• Jevy A a B nazýváme nezávislé, pokud

P(A ∩ B) = P(A) · P(B).
• Pro nezávislé jevy A a B znalost, že jeden z nich nastal, nijak neovlivní
pravděpodobnost, že nastane druhý:
P(A|B) = P(A), P(B|A) = P(B).


BI PST Lec02 Slides

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

BI PST Lec02 Slides

Uploaded by

Copyright:

Available Formats

Podmíněná pravděpodobnost a nezávislost

Katedra aplikované matematiky

Náhodný experiment je reprezentován jako pravděpodobnostní prostor (Ω, F, P):

P(A|B) čteme jako: „ pravděpodobnost A dáno B “, nebo

Porozumění definici podmíněné pravděpodobnosti

Pravděpodobnosti pak chápeme jako relativní velikost průniku vzhledem k velikosti B .

velikost(A ∩ B) velikost(A ∩ B)/velikost(Ω) P(A ∩ B)

Podmíněná pravděpodobnost – Vennův diagram

P(A ∩ B) P(A ∩ B) = P(A|B) P(B)

P(průnik) = P(jev|podmínka) P(podmínka)

Podmíněná pravděpodobnost – příklady

Příklad – dva hody kostkou

Formálně: Ω = {1, 2, 3, 4, 5, 6}2 ,

Podmíněná pravděpodobnost – příklady

Příklad – rodina se dvěma dětmi

Ω = {DD, DH, HD, HH}.

P(HH ∩ (DH ∪ HD ∪ HH))

Vlastnosti podmíněné pravděpodobnosti

ii) nezápornost: pro každé A ∈ F platí P(A|B) ≥ 0,

Vlastnosti podmíněné pravděpodobnosti

Podmíněná pravděpodobnost splňuje též všechny další vlastnosti pravděpodobnosti:

Další důležité vlastnosti:

Úplný rozklad pravděpodobnosti

P(A ∩ Bi ) = P(A|Bi ) P(Bi )

P(A) = P(A ∩ B1 ) + P(A ∩ B2 ) + P(A ∩ B3 )

Úplný rozklad pravděpodobnosti v příkladu

P(cz) = 0.4, P(dovoz) = 0.6, P(vadná|cz) = 0.1, P(vadná|dovoz) = 0.2.

Bayesova věta (prohození jevu a podmínky)

P(A) = P(A|B1 ) P(B1 ) + P(A|B2 ) P(B2 ) + P(A|B3 ) P(B3 )

Bayesova věta v příkladu

Příklad – poruchovost diod, pokračování

Bayesova věta – shrnutí

Věta o úplném rozkladu pravděpodobnosti

X lze dokázat i pro n = ∞.

Bayesova věta v příkladu

S množina spamových zpráv, S c = Ω \ S množina legitimních zpráv.

P(S) = 0.3, P(S c ) = 0.7, P(K|S) = 0.7, P(K|S c ) = 0.1

P(A ∩ B) = P(A|B) P(B)

Pro tři jevy podobně platí:

P(A ∩ B ∩ C) = P(A) P(B|A) P(C|A ∩ B)

Lemma – Multiplikativní zákon

P(A1 ∩ · · · ∩ An ) = P(A1 ∩ · · · ∩ An−1 ) P(An |A1 ∩ · · · ∩ An−1 ) =

Příklad – spamový filtr

Příklad – multiplikativní zákon

P (A2 |A1 ) P (Ac3 |A1 ∩ A2 ) 13/50

P (A1 ) P (Ac2 |A1 ) 39/52 13/51

Pravděpodobnost daného vrcholu stromu je součinem přislušných hodnot po dráze

Správná interpretace podmíněné pravděpodobnosti

Za chybným výkladem informací často stojí nesprávné porozumění podmíněným

Příklad – nehody pod vlivem

Správná interpretace podmíněné pravděpodobnosti

P(nehoda|opilý) P(nehoda ∩ opilý)/ P(opilý)

P(opilý|nehoda) · P(nehoda)/ P(opilý) 0.1/0.01

Nezávislost náhodných jevů

Intuitivně: A a B jsou nezávislé, pokud pravděpodobnost jevu A není ovlivněná informací,

P(A ∩ B) = P(A) P(B).

Obecně, soubor jevů {Ai : i ∈ I} se nazývá nezávislý, jestliže

pro všechny neprázdné konečné podmnožiny J indexové množiny I .

Nezávislost náhodných jevů

A = {2, 4, 6}, B = {1, 2}, A ∩ B = {2}

Příklad – hod kostkou

A = {2, 4, 6}, B = {6}, A ∩ B = {6}

Vztah nezávislosti a podmíněné pravděpodobnosti