لما السياق يغيّر كل حاجة
تخيّل إن حد قالك إن شخص اتختار عشوائي عمل تحليل لمرض نادر والنتيجة طلعت إيجابية. احتمال إنه عنده المرض فعلًا قد إيه؟ دلوقتي زوّد معلومة واحدة: التحليل نسبة الـ false positive (الإيجابي الكاذب) فيه 5%، والمرض بيصيب واحد بس من كل 10,000. فجأة الإجابة بتتغيّر خالص — الأرجح إن النتيجة الإيجابية كدّابة مش حقيقية.
ودي الفكرة الجوهرية في الـ conditional probability (الاحتمال الشرطي): إنك تعرف حاجة عن الدنيا بيغيّر احتمال كل حاجة تانية. وهي التعبير الرياضي الدقيق لجملة «بافتراض إن…» وهي في قلب نظرية Bayes وقانون الـ total probability وحتة كبيرة من الاستدلال الإحصائي.
الـ probability العادية بتسأل: «احتمال A قد إيه؟» أما الـ conditional probability فبتسأل: «احتمال A قد إيه بعد ما عرفنا إن B حصل؟» معرفة B بتضيّق الـ sample space، والـ conditional probability بتعكس التضييق ده.
P(A | B) — احتمال A بشرط Bتعريف P(A | B)
الـ conditional probability للحدث A بشرط الحدث B هي احتمال إن A وB يحصلوا مع بعض مقسوم على احتمال إن B يحصل. بالبديهة، لما تعرف إن B حصل، اهتمامك بيتحصر في النتايج اللي جوه B؛ وجوه العالم الضيّق ده بنسأل: نسبة قد إيه منها كمان جوه A؟
عشان نوضّح: زهرة طاولة عادلة بستة أوجه، A = {6} وB = {4, 5, 6}. من غير شرط P(A) = 1/6. بس لما تعرف B، النتيجة في {4, 5, 6} وواحدة بس منهم 6، يبقى P(A|B) = 1/3. وده اللي المعادلة بتدّيه: (1/6)/(1/2) = 1/3.
المعادلة بتوضّح كمان إن الشرط على B زي ما تعمل normalization للاحتمالات بحيث B يبقى هو الحدث الأكيد الجديد، وتفضل النسب جوه منه زي ما هي.
الـ multiplication rule
لو رتّبت تعريف الـ conditional probability تاني هيطلعلك الـ multiplication rule (قاعدة الضرب)، ودي من أكتر المتطابقات استخدامًا في الـ probability. بتخلّيك تحسب احتمال إن حدثين يحصلوا مع بعض بإنك تفكّه لسلسلة احتمالات أبسط.
القاعدة بتتمد بشكل طبيعي لتلات أحداث أو أكتر. احتمال إن A وB وC يحصلوا مع بعض بيساوي P(A) · P(B|A) · P(C|A∩B). ودي الـ chain rule (القاعدة المتسلسلة) للـ probability، وهي أساس الـ probabilistic graphical models والـ Bayesian networks (شبكات بايز).
برطمان فيه 3 كور حمرا و5 زرقا. بتسحب كورتين من غير ما ترجّع. احتمال إن الاتنين يطلعوا حمرا قد إيه؟
نرمز بـ R1 للحدث «الكورة الأولى حمرا»، وبـ R2 للحدث «الكورة التانية حمرا». يبقى P(R1) = 3/8. ولما تعرف إن الأولى حمرا، بيفضل 2 حمرا من 7: P(R2 | R1) = 2/7.
P(R1 ∩ R2) = (3/8) · (2/7) = 6/56 = 3/28 ≈ 0.107الـ statistical independence
بنقول إن الحدثين A وB independent (مستقلين) إحصائيًا لو معرفة إن B حصل مش بتغيّر احتمال A. رسميًا، A وB مستقلين لو وبس لو P(A|B) = P(A). ولو عوّضت في الـ multiplication rule هيطلعلك شرط مكافئ أسهل في التأكد منه.
الـ independence افتراض قوي. في مثال البرطمان اللي فوق، السحبتين كانوا dependent (تابعين) لأن شيل كورة غيّر التركيبة للسحبة التانية. لو سحبت مع الإرجاع يبقوا مستقلين. وفي البيانات الحقيقية، الـ independence نادرًا لما بتبقى مضمونة ولازم تتأكد منها أو تفترضها بحذر.
خد بالك من الفرق بين الـ mutual exclusivity (التعارض المتبادل) والـ independence. الأحداث المتعارضة (A∩B = ∅) مينفعش تحصل مع بعض، فمعرفة A معناها إن B أكيد محصلش — ودي أقصى درجة dependence. أما الأحداث المستقلة فممكن تحصل مع بعض، بس حصول واحد مش بيقول حاجة عن التاني.
المتعارضين ≠ المستقلين. لو A وB متعارضين وكل واحد احتماله بعيد عن الصفر، يبقوا dependent على الآخر: P(A|B) = 0 ≠ P(A).
المستقلين ≠ الـ uncorrelated (غير المترابطين) بشكل عام، مع إن في الـ normal distributions عدم الارتباط بيستلزم الـ independence.
قانون الـ total probability
افترض إن الـ sample space Ω ينفع يتقسم لأحداث متعارضة وشاملة B₁, B₂, …, Bₙ (مش بتتقاطع ومع بعض بتغطّي كل حاجة). ساعتها تقدر تحسب احتمال أي حدث A بالمتوسط الموزون على كل الأجزاء، وكل جزء ياخد وزن على قد احتماله.
القانون ده مالوش بديل لما تحسب P(A) لو احتمال A سهل في كل مجموعة فرعية لوحدها بس مش في المجموع. وهو كمان المقام في نظرية Bayes.
المصنع A بيطلّع 60% من القطع (2% بايظة). والمصنع B بيطلّع 40% (5% بايظة). نسبة البايظ الكلية كام؟ نرمز بـ D للحدث «القطعة بايظة».
P(D) = 0.6 × 0.02 + 0.4 × 0.05 = 0.012 + 0.020 = 0.032نظرية Bayes
نظرية Bayes (نظرية بايز) بتجاوب على سؤال جوهري: بعد ما شفنا الدليل B، نحدّث اعتقادنا في الفرضية A إزاي؟ بتعكس اتجاه الشرط — بدل P(B|A) (احتمال الدليل لو الفرضية صح)، بتدّينا P(A|B) (احتمال الفرضية لما نعرف الدليل).
لما تجمع نظرية Bayes مع قانون الـ total probability بيطلعلك الصيغة الأشمل. لو {A, Aᶜ} بيقسّموا Ω، يبقى P(B) = P(B|A)·P(A) + P(B|Aᶜ)·P(Aᶜ)، وبالتعويض الصيغة بتبقى ممكن تتحسب بالكامل من كميات عادةً بنعرفها.
لغة الاستدلال البايزي — prior، وlikelihood، وposterior — أساسية في مدرسة كاملة من مدارس الاستدلال الإحصائي. دلوقتي، افهم نظرية Bayes على إنها وصفة دقيقة لتحديث الاحتمالات لما أدلة جديدة توصل.
الـ tree diagrams
الـ tree diagram (المخطط الشجري) أداة بصرية بتنظّم حسابات الـ conditional probability. كل فرع بيمثّل حدث ومكتوب عليه احتماله؛ واحتمال أي مسار في الشجرة بيتحسب بضرب احتمالات الفروع اللي عليه (الـ multiplication rule شغّالة).
عشان تستخدم الـ tree diagram: (1) حدّد أحداث المستوى الأول وحطها على الفروع الأولى؛ (2) لكل نتيجة في المستوى الأول، حدّد الأحداث الشرطية في المستوى التاني وارسم فروعها؛ (3) اضرب على كل مسار عشان تجيب الـ joint probabilities؛ (4) اجمع المسارات اللي بتنتهي بنفس النتيجة عشان تجيب الـ marginal probabilities.
على طول المسار: اضرب. احتمال إنك توصل للورقة هو حاصل ضرب احتمالات كل الفروع من الجذر لحد عندها.
بين المسارات: اجمع. احتمال نتيجة نهائية هو مجموع المسارات اللي بتنتهي بيها.
لو رمزنا للورقة بـ L وللفروع اللي بتوصّلها بـ B1 وB2 …:
P(L) = P(B1) × P(B2 | B1) × …P(A|B) ≠ P(B|A): غلطة كبيرة
من أشهر وأغلى الغلطات في الاستدلال الاحتمالي اللخبطة بين P(A|B) وP(B|A). الفرق بينهم ممكن يبقى ضخم، واللخبطة بتوصّل لاستنتاجات غلط في الطب والقانون والعلوم.
في الطب: نرمز بـ D للحدث «الشخص عنده المرض»، وبـ + للحدث «نتيجة التحليل إيجابية». يبقى P(+ | D) هي الـ sensitivity (حساسية الاختبار) — غالبًا عالية في التحاليل الكويسة. لكن P(D | +) هي الـ positive predictive value (القيمة التنبؤية الإيجابية)، ومعتمدة بشكل حاسم على انتشار المرض. لمرض نادر، حتى تحليل حساسيته عالية أغلب نتايجه الإيجابية هتطلع كدّابة.
في القانون: نرمز بـ E للحدث «الدليل ظهر»، وبـ I للحدث «المتهم بريء». الـ prosecutor's fallacy (مغالطة المدعي العام) بتخلط P(E | I) — احتمال إن الدليل يظهر لو المتهم بريء — مع P(I | E) — احتمال البراءة لما نعرف الدليل. تطابق DNA بيحصل مرة في المليون عند الأبرياء مش معناه إن احتمال البراءة واحد في المليون — لأن الـ prior بتاع الذنب اللي باقي الأدلة بتحدده بيفرق جامد جدًا.
P(A|B) = P(B|A) بس لو P(A) = P(B). بشكل عام، نظرية Bayes هي اللي بتربطهم: P(A|B) = P(B|A) · P(A) / P(B). وأول ما P(A) ≠ P(B) الاحتمالين الشرطيين بيختلفوا — أحيانًا بفرق مراتب عشرية.
تجميع الأفكار
الـ conditional probability هي الآلية اللي المعلومات بتغيّر بيها الاعتقاد. التعريف P(A|B) = P(A∩B)/P(B) بيضيّق الـ sample space لـ B ويعمله normalization. والـ multiplication rule بتفكّ الـ joint probabilities لسلاسل شرطية. والـ independence معناها إن الشرط مش شايل معلومة. وقانون الـ total probability بيحسب المتوسط على partition للـ space. ونظرية Bayes بتعكس اتجاه الشرط عشان تحوّل الـ likelihoods لـ posteriors.
في الدرس الجاي هنطبّق الأدوات دي على مسائل من الواقع — التحاليل الطبية والـ spam filtering واتخاذ القرار وإنت مش متأكد — عشان نشوف الاستدلال البايزي قوي قد إيه ونتايجه ممكن تبقى مش متوقعة إزاي.
- P(A|B) = P(A∩B)/P(B): الشرط على B بيضيّق الـ sample space لـ B وبيعمل normalization لكل الاحتمالات.
- الـ multiplication rule P(A∩B) = P(A|B)·P(B) بتفكّ الـ joint probabilities لسلاسل شرطية.
- الـ independence: P(A|B) = P(A)، أو بنفس المعنى P(A∩B) = P(A)·P(B). والأحداث المتعارضة اللي احتمالها موجب عمرها ما بتبقى مستقلة.
- قانون الـ total probability بيحسب P(A) بالمتوسط الموزون لـ P(A|Bᵢ) على partition للـ sample space.
- نظرية Bayes بتعكس الشرط: P(A|B) = P(B|A)·P(A)/P(B).
- P(A|B) ≠ P(B|A) بشكل عام — اللخبطة بينهم هي الـ prosecutor's fallacy وسبب غلطات كتير في الاستدلال الطبي والقانوني.