Informația modifică probabilitățile: un test medical pozitiv, primele cărți extrase dintr-un pachet sau un punct apărut pe ecranul unui radar schimbă șansele evenimentelor care ne interesează. Cursul de astăzi introduce instrumentele cu care ținem cont de o astfel de informație și noțiunea, fundamentală pentru tot ce urmează, de independență.
Obiective. La sfârșitul cursului studentul trebuie să poată:
calcula și interpreta o probabilitate condiționată \(\PP(A\mid B)\);
folosi regula înmulțirii și arborii de probabilitate pentru experimente desfășurate în etape;
aplica formula probabilității totale și formula lui Bayes (de la probabilitatea a priori la cea a posteriori);
recunoaște eroarea ratei de bază și eroarea procurorului;
verifica independența a două sau a mai multor evenimente și distinge independența de independența condiționată;
rezolva probleme clasice: Monty Hall, urna lui Pólya, ruina jucătorului.
Structura. Recapitulare; probabilitate condiționată; regula înmulțirii și arbori de probabilitate; formula probabilității totale; formula lui Bayes; evenimente independente; independență condiționată; probleme clasice; exerciții rezolvate și exerciții propuse. Pentru aprofundare: (Blitzstein and Hwang 2019, cap. 2), (Bertsekas and Tsitsiklis 2008, cap. 1).
În Cursul 1 am construit câmpul de probabilitate \((\Omega,\F,\PP)\) și am învățat să calculăm probabilitățile unor evenimente într-un experiment „privit din exterior”, fără nicio informație despre rezultatul său. În practică însă informația se acumulează treptat: un punct apare pe ecranul unui radar, un test medical iese pozitiv, primele cărți extrase dintr-un pachet sunt deja cunoscute. Probabilitățile condiționate ne permit să modelăm modul în care se schimbă probabilitatea realizării unui eveniment de interes atunci când avem la dispoziție informații suplimentare despre experiment. Câteva întrebări tipice pe care le vom putea trata în acest curs sunt:
un punct apare pe ecranul unui radar; care este probabilitatea ca acesta să fie un avion inamic?
care este șansa ca un individ să fie infectat cu virusul SARS-CoV-2 știind că testul său a ieșit pozitiv?
merită să ne schimbăm alegerea în celebrul joc al lui Monty Hall?
Vom introduce noțiunea de probabilitate condiționată (plecând de la interpretarea frecvenționistă), vom demonstra cele trei instrumente fundamentale de calcul — regula înmulțirii, formula probabilității totale și formula lui Bayes — și vom studia apoi noțiunea de independență a evenimentelor, precum și varianta ei condiționată. Cursul se încheie cu câteva probleme clasice (Monty Hall, urna lui Pólya, ruina jucătorului) care arată forța acestor instrumente. Pentru aprofundare recomandăm (Blitzstein and Hwang 2019, cap. 2) și (Bertsekas and Tsitsiklis 2008, cap. 1).
1 Recapitulare
Lucrăm în cadrul construit în Cursul 1. Reamintim, cu trimiteri precise, rezultatele de care avem nevoie astăzi.
Rezultate din Cursul 1 folosite azi
Câmpul de probabilitate\((\Omega,\F,\PP)\) (Definiția 12 din Cursul 1): \(\F\) este o \(\sigma\)-algebră de evenimente (Definiția 7 din Cursul 1), iar \(\PP\) este o măsură de probabilitate (Definiția 11 din Cursul 1), adică \(\PP(\Omega)=1\) și \(\PP\big(\bigcup_nA_n\big)=\sum_n\PP(A_n)\) pentru evenimente incompatibile două câte două.
Reguli de calcul (Propoziția 14 din Cursul 1): \(\PP(A^c)=1-\PP(A)\); \(\PP(A\setminus B)=\PP(A)-\PP(A\cap B)\); \(\PP(A\cup B)=\PP(A)+\PP(B)-\PP(A\cap B)\); pentru \(n\) evenimente, formula lui Poincaré (Teorema 15 din Cursul 1).
Sistem complet de evenimente (Definiția 5 din Cursul 1): evenimente incompatibile două câte două a căror reuniune este \(\Omega\).
Modelul clasic (Definiția 19 din Cursul 1): \(\PP(A)=|A|/|\Omega|\) pentru rezultate egal probabile; extrageri de \(k\) obiecte din \(n\): \(n^k\) cu revenire (Propoziția 22 din Cursul 1), \(A_n^k\) fără revenire și ordonat (Propoziția 23 din Cursul 1), \(\binom nk\) fără revenire și neordonat (Propoziția 24 din Cursul 1).
Continuitatea probabilității (Teorema 18 din Cursul 1): \(A_n\uparrow A\) sau \(A_n\downarrow A\) implică \(\PP(A_n)\to\PP(A)\).
Interpretarea frecvenționistă (Secțiunea 4 din Cursul 1): \(\PP(A)\approx N(A)/N\) pentru un număr mare \(N\) de repetări ale experimentului; pe ea se bazează simulările în R.
În Cursul 1 am folosit de mai multe ori, fără a o defini, ideea că aruncările succesive ale unei monede sau ale unui zar „nu se influențează” (de exemplu în Exemplul 11 din Cursul 1 și în problema cavalerului de Méré, Exemplul 19 din Cursul 1). Astăzi îi dăm un sens precis.
2 Probabilitate condiționată
2.1 Motivație
Exemplul 1(Trei aruncări cu o monedă)
Aruncăm de trei ori o monedă echilibrată și notăm cu \(H\) apariția capului (stema) și cu \(T\) apariția pajurei. Spațiul stărilor este \(\Omega=\{H,T\}^3\), cu \(|\Omega|=8\), iar \(\PP\) este echipartiția pe \(\Omega\):
\(\mathbf{HHH}\)
\(HHT\)
\(THH\)
\(THT\)
\(HTH\)
\(HTT\)
\(TTH\)
\(TTT\)
Care este probabilitatea să obținem \(HHH\)? Evenimentul \(A=\{HHH\}\) conține un singur rezultat, deci \(\PP(A)=1/8\).
Presupunem acum că știm că la prima aruncare am obținut cap, adică s-a realizat evenimentul \[
B=\{\text{am obținut cap la prima aruncare}\}=\{HHH,HHT,HTH,HTT\}.
\] Având această informație suplimentară, rezultatele posibile ale experimentului nu mai sunt toate cele \(8\), ci doar cele \(4\) din \(B\), care rămân egal probabile. Dintre acestea, doar \(HHH\) realizează \(A\), deci probabilitatea căutată este \(1/4\). Notăm \[
\PP(A\mid B)=\frac14 ,
\] și citim „probabilitatea lui \(A\)știind că\(B\) s-a realizat”. Informația suplimentară a dublat probabilitatea evenimentului de interes.
În exemplul de mai sus, informația „\(B\) s-a realizat” a acționat ca o restrângere a spațiului stărilor de la \(\Omega\) la \(B\). Evenimentul \(A\) „supraviețuiește” doar prin partea sa \(A\cap B\), iar probabilitățile se renormalizează astfel încât noul spațiu \(B\) să aibă probabilitate \(1\): \(\PP(A\mid B)=|A\cap B|/|B|=\PP(A\cap B)/\PP(B)\).
2.2 Abordarea frecvenționistă
Să presupunem că repetăm experimentul aleator de \(N\) ori (în aceleași condiții) și că de fiecare dată înregistrăm dacă evenimentele \(A\), respectiv \(B\) s-au realizat. Notăm cu \(N(A)\), \(N(B)\) și \(N(A\cap B)\) numărul de repetări în care s-a realizat \(A\), \(B\), respectiv ambele evenimente. Ne uităm doar la acele experimente în care \(B\) s-a realizat și calculăm frecvența relativă de realizare a lui \(A\) printre ele: \[
\frac{N(A\cap B)}{N(B)} \quad\longleftarrow\quad
\begin{aligned}
&\text{numărul de experimente în care s-au realizat și } A \text{ și } B\\
&\text{numărul de realizări ale lui } B
\end{aligned}
\] Din perspectivă frecvenționistă am interpretat probabilitatea evenimentului \(A\) drept \(\PP(A)\approx N(A)/N\) pentru \(N\) mare. Atunci \[
\frac{N(A\cap B)}{N(B)}=\frac{N(A\cap B)/N}{N(B)/N}\approx\frac{\PP(A\cap B)}{\PP(B)},
\] ceea ce motivează definiția de mai jos. Figura 1 ilustrează această stabilizare pentru experimentul din Exemplul 1.
Arată codul R
set.seed(12)N <-5000x <-matrix(rbinom(3* N, 1, 0.5), ncol =3)A <-rowSums(x) ==3; B <- x[, 1] ==1d <-rbind(data.frame(n =1:N, f =cumsum(A) / (1:N), tip ="N(A)/N"),data.frame(n =1:N, f =cumsum(A & B) /pmax(cumsum(B), 1), tip ="N(A∩B)/N(B)"))ggplot(d, aes(n, f, colour = tip)) +geom_hline(yintercept =c(1/8, 1/4), linetype =2, colour ="grey45") +geom_line(linewidth =0.6) +scale_x_log10() +scale_colour_manual(values =unname(culori[c("albastru", "rosu")]), name =NULL) +labs(x ="numărul de repetări (scală logaritmică)", y ="frecvența relativă") +coord_cartesian(ylim =c(0, 1))
Figura 1: Simularea a \(N=5000\) de repetări ale experimentului din Exemplul 1: frecvența relativă \(N(A)/N\) se stabilizează în jurul valorii \(\PP(A)=1/8\), iar frecvența condiționată \(N(A\cap B)/N(B)\) în jurul valorii \(\PP(A\mid B)=1/4\).
2.3 Definiție și primele exemple
Definiția 1(Probabilitate condiționată)
Fie \((\Omega,\F,\PP)\) un câmp de probabilitate și \(A,B\in\F\) două evenimente cu \(\PP(B)>0\). Probabilitatea condiționată a lui \(A\) la \(B\) (probabilitatea lui \(A\) știind că \(B\) s-a realizat) se notează cu \(\PP(A\mid B)\) și este definită prin \[
\PP(A\mid B)=\frac{\PP(A\cap B)}{\PP(B)}.
\tag{1}\]
Observație
Câteva comentarii asupra definiției:
\(A\mid B\)nu este un eveniment; notația \(\PP(A\mid B)\) desemnează un număr, probabilitatea lui \(A\) calculată într-un „univers” în care știm că \(B\) s-a realizat. Evenimentul \(A\) este evenimentul de interes, iar \(B\) este evenimentul care s-a realizat (informația).
În contextul formulei lui Bayes (Secțiunea 5), \(\PP(A)\) se numește probabilitate a priori (engl. prior), iar \(\PP(A\mid B)\) probabilitate a posteriori (engl. posterior): ele descriu gradul nostru de încredere în \(A\) înainte, respectiv după aflarea informației \(B\).
Condiția \(\PP(B)>0\) este esențială: nu are sens să condiționăm la un eveniment imposibil.
Revenind la Exemplul 1, formula (1) dă, deoarece \(A\subseteq B\), \[
\PP(A\mid B)=\frac{\PP(A\cap B)}{\PP(B)}=\frac{\PP(A)}{\PP(B)}=\frac{1/8}{4/8}=\frac14 .
\]
Exemplul 2(Extrageri succesive dintr-un pachet de cărți)
Dintr-un pachet cu \(52\) de cărți de joc extragem aleator, succesiv și fără întoarcere, două cărți. Considerăm evenimentele \[
\begin{aligned}
A&=\text{„prima carte este de inimă roșie”},\qquad B=\text{„a doua carte este de inimă roșie”},\\
C&=\text{„a doua carte este de culoare roșie”}.
\end{aligned}
\] Vrem să calculăm \(\PP(B\mid A)\), \(\PP(C\mid A)\), \(\PP(A\mid B)\) și \(\PP(A\mid C)\).
\(\PP(B\mid A)\). Dacă prima carte a fost de inimă roșie, în pachet au rămas \(51\) de cărți, dintre care \(12\) de inimă roșie, deci intuitiv \(\PP(B\mid A)=12/51\). Verificăm cu definiția: \(\PP(A)=13/52=1/4\) și, numărând perechile ordonate de cărți, \(\PP(A\cap B)=\frac{13\cdot 12}{52\cdot 51}=\frac{3}{51}\), deci \[
\PP(B\mid A)=\frac{\PP(A\cap B)}{\PP(A)}=\frac{3/51}{1/4}=\frac{12}{51}.
\]
\(\PP(C\mid A)\). După extragerea unei inimi roșii rămân \(12\) inimi roșii și \(13\) romburi, adică \(25\) de cărți roșii din \(51\): \(\PP(C\mid A)=25/51\).
\(\PP(A\mid B)\). Fără nicio informație despre prima carte, a doua carte este „la fel de aleatoare” ca prima, deci \(\PP(B)=1/4\) (vom justifica riguros acest fapt în Exemplul 6). Atunci \[
\PP(A\mid B)=\frac{\PP(A\cap B)}{\PP(B)}=\frac{3/51}{1/4}=\frac{12}{51}=\PP(B\mid A).
\] Observăm că, deși \(A\) se referă la un moment anterior lui \(B\), probabilitatea \(\PP(A\mid B)\) are perfect sens: condiționarea exprimă o relație informațională, nu una cauzală.
\(\PP(A\mid C)\). Avem \(\PP(C)=26/52=1/2\) și \(\PP(A\cap C)=\frac{13\cdot 25}{52\cdot 51}=\frac{25}{204}\), deci \[
\PP(A\mid C)=\frac{25/204}{1/2}=\frac{25}{102}\neq\frac{25}{51}=\PP(C\mid A).
\] În general, \(\PP(A\mid C)\ne\PP(C\mid A)\).
Exemplul 3(Familia cu doi copii)
O familie are doi copii. a) Care este probabilitatea ca ambii copii să fie fete, știind că cel mai mare este fată? b) Dar știind că cel puțin unul dintre copii este fată?
Facem ipotezele simplificatoare că fiecare copil este, cu probabilitate \(1/2\), băiat (\(B\)) sau fată (\(F\)) și că sexul unui copil nu influențează în niciun fel sexul celuilalt. Notând întâi sexul primului născut, \(\Omega=\{BB,BF,FB,FF\}\), cu \(\PP\) echipartiția. Fie \[
A=\{FF\},\qquad E=\text{„cel mai mare este fată”}=\{FB,FF\},
\]\[
G=\text{„cel puțin un copil este fată”}=\{BF,FB,FF\}.
\] Atunci \[
\PP(A\mid E)=\frac{\PP(A\cap E)}{\PP(E)}=\frac{1/4}{2/4}=\frac12,\qquad
\PP(A\mid G)=\frac{\PP(A\cap G)}{\PP(G)}=\frac{1/4}{3/4}=\frac13 .
\] Rezultatul pare paradoxal la prima vedere: informația din b) este mai slabă decât cea din a) (\(E\subset G\)), iar probabilitatea condiționată este mai mică. Intuitiv, \(G\) exclude doar varianta \(BB\), lăsând trei cazuri egal probabile, dintre care doar unul este favorabil.
2.4 Probabilitatea condiționată este o probabilitate
Fixând evenimentul-informație, probabilitatea condiționată moștenește toate proprietățile unei măsuri de probabilitate. Acest fapt simplu este extrem de util: orice rezultat demonstrat pentru probabilități rămâne adevărat pentru probabilități condiționate la un eveniment fixat.
Propoziția 2(Probabilitatea condiționată este o măsură de probabilitate)
Fie \((\Omega,\F,\PP)\) un câmp de probabilitate și \(A\in\F\) cu \(\PP(A)>0\). Atunci funcția \[
\mathbb{Q}:\F\to[0,1],\qquad \mathbb{Q}(B)=\PP(B\mid A),
\] este o măsură de probabilitate pe \((\Omega,\F)\), concentrată pe \(A\) (adică \(\mathbb{Q}(A)=1\)).
Demonstrație. Pentru orice \(B\in\F\), \(0\le\PP(A\cap B)\le\PP(A)\), deci \(\mathbb{Q}(B)\in[0,1]\). Apoi \[
\mathbb{Q}(\Omega)=\frac{\PP(\Omega\cap A)}{\PP(A)}=1,\qquad \mathbb{Q}(A)=\frac{\PP(A\cap A)}{\PP(A)}=1,\qquad \mathbb{Q}(\emptyset)=\frac{\PP(\emptyset)}{\PP(A)}=0 .
\] Fie acum \((A_i)_{i\ge1}\) un șir de evenimente disjuncte două câte două (\(A_i\cap A_j=\emptyset\), \(i\ne j\)). Atunci \(\big(\bigcup_{i\ge1}A_i\big)\cap A=\bigcup_{i\ge 1}(A_i\cap A)\), iar evenimentele \((A_i\cap A)_{i\ge1}\) sunt și ele disjuncte două câte două. Din \(\sigma\)-aditivitatea lui \(\PP\), \[
\mathbb{Q}\Big(\bigcup_{i\ge1}A_i\Big)=\frac{\PP\big(\bigcup_{i\ge1}(A_i\cap A)\big)}{\PP(A)}=\sum_{i\ge1}\frac{\PP(A_i\cap A)}{\PP(A)}=\sum_{i\ge1}\mathbb{Q}(A_i).
\] Deci \(\mathbb{Q}\) este o măsură de probabilitate.■
Observație
În particular, pentru \(\PP(A)>0\) au loc, de exemplu: \[
\PP(B^c\mid A)=1-\PP(B\mid A),\qquad \PP(B\cup C\mid A)=\PP(B\mid A)+\PP(C\mid A)-\PP(B\cap C\mid A).
\] Mai mult, putem condiționa în doi pași: dacă \(\mathbb{Q}(\cdot)=\PP(\cdot\mid C)\) și \(\PP(B\cap C)>0\), atunci \[
\mathbb{Q}(A\mid B)=\frac{\mathbb{Q}(A\cap B)}{\mathbb{Q}(B)}=\frac{\PP(A\cap B\cap C)/\PP(C)}{\PP(B\cap C)/\PP(C)}=\PP(A\mid B\cap C).
\] Vom nota adesea \(\PP(A\mid B,C):=\PP(A\mid B\cap C)\) — probabilitatea lui \(A\) știind că atât \(B\) cât și \(C\) s-au realizat.
Atenție!
Probabilitatea condiționată este o măsură de probabilitate în primul argument, nu în al doilea. În general \(\PP(A\mid B)+\PP(A\mid B^c)\neq 1\) (de exemplu, dacă \(A=\Omega\) suma este \(2\)), în timp ce întotdeauna \(\PP(A\mid B)+\PP(A^c\mid B)=1\).
3 Regula înmulțirii și arbori de probabilitate
Din definiția (1), dacă \(\PP(A)>0\) și \(\PP(B)>0\), avem simultan \(\PP(A\cap B)=\PP(A\mid B)\PP(B)\) și \(\PP(A\cap B)=\PP(B\mid A)\PP(A)\), adică \[
\PP(A\cap B)=\PP(A\mid B)\,\PP(B)=\PP(B\mid A)\,\PP(A).
\tag{2}\] Probabilitatea ca ambele evenimente să se realizeze este probabilitatea primului înmulțită cu probabilitatea celui de-al doilea știind că primul s-a realizat. Această formă este adesea mai naturală decât definiția: în multe modele, probabilitățile condiționate sunt date (sunt parte a descrierii experimentului), iar probabilitățile intersecțiilor se calculează din ele.
Teorema 3(Regula înmulțirii)
Pentru orice evenimente \(A_1,A_2,\dots,A_n\in\F\) cu \(\PP(A_1\cap A_2\cap\dots\cap A_{n-1})>0\) avem \[
\PP(A_1\cap A_2\cap\dots\cap A_n)=\PP(A_1)\,\PP(A_2\mid A_1)\,\PP(A_3\mid A_1\cap A_2)\cdots\PP(A_n\mid A_1\cap\dots\cap A_{n-1}).
\tag{3}\]
Demonstrație. Deoarece \(A_1\supseteq A_1\cap A_2\supseteq\dots\supseteq A_1\cap\dots\cap A_{n-1}\), toate intersecțiile care apar la numitor au probabilitate pozitivă, deci toate probabilitățile condiționate sunt bine definite. Scriind fiecare factor cu definiția (1), produsul din membrul drept devine telescopic: \[
\PP(A_1)\cdot\frac{\PP(A_1\cap A_2)}{\PP(A_1)}\cdot\frac{\PP(A_1\cap A_2\cap A_3)}{\PP(A_1\cap A_2)}\cdots\frac{\PP(A_1\cap\dots\cap A_n)}{\PP(A_1\cap\dots\cap A_{n-1})}=\PP(A_1\cap\dots\cap A_n).
\] Pentru \(n=3\), de exemplu, notând \(B=A_1\cap A_2\), aplicăm de două ori (2): \(\PP(A_1\cap A_2\cap A_3)=\PP(A_3\mid B)\PP(B)=\PP(A_3\mid A_1\cap A_2)\PP(A_2\mid A_1)\PP(A_1)\).■
Regula înmulțirii are o reprezentare grafică foarte utilă: arborele de probabilitate. Un experiment desfășurat în etape se reprezintă printr-un arbore în care fiecare nod corespunde unei situații intermediare, iar fiecare ramură este etichetată cu probabilitatea condiționată de a o urma, știind drumul parcurs până în acel nod. Probabilitatea unei frunze (a unui drum complet de la rădăcină) este produsul probabilităților de pe ramuri, iar suma probabilităților ramurilor care pleacă dintr-un nod este \(1\).
Exemplul 4(Radarul)
Dacă o aeronavă apare într-o anumită zonă, radarul declanșează alarma cu probabilitatea \(0.99\). Dacă nicio aeronavă nu este prezentă, radarul declanșează (fals) alarma cu probabilitatea \(0.10\). În zona de interes poate apărea o aeronavă cu probabilitatea \(0.05\).
Care este probabilitatea să nu avem aeronavă și să avem alarmă (falsă)?
Care este probabilitatea să avem aeronavă și aceasta să nu fie detectată?
Fie \(A=\{\text{avem aeronavă prezentă}\}\) și \(B=\{\text{radarul declanșează alarma}\}\). Datele problemei sunt \(\PP(A)=0.05\), \(\PP(B\mid A)=0.99\), \(\PP(B\mid A^c)=0.10\). Arborele din Figura 2 descrie experimentul în două etape (prezența aeronavei, apoi reacția radarului). Din regula înmulțirii: \[
\begin{aligned}
\text{a)}\quad &\PP(A^c\cap B)=\PP(B\mid A^c)\,\PP(A^c)=0.10\times0.95=0.095,\\
\text{b)}\quad &\PP(A\cap B^c)=\PP(B^c\mid A)\,\PP(A)=0.01\times0.05=0.0005.
\end{aligned}
\]
Figura 2: Arborele de probabilitate pentru Exemplul 4. Pe ramuri apar probabilitățile condiționate; probabilitatea fiecărei frunze este produsul probabilităților de pe drumul care duce la ea.
Exemplul 5(Extrageri fără întoarcere)
Într-un sertar sunt \(5\) șosete roșii și \(2\) negre. Extragem la întâmplare, una după alta, două șosete. Fie \(A_i\) evenimentul ca a \(i\)-a șosetă extrasă să fie roșie. Atunci \(\PP(A_1)=5/7\) și, dacă prima a fost roșie, a doua este roșie cu probabilitatea \(\PP(A_2\mid A_1)=4/6\). Din regula înmulțirii, \[
\PP(A_1\cap A_2)=\PP(A_1)\,\PP(A_2\mid A_1)=\frac57\cdot\frac46=\frac{10}{21}<\frac12 .
\] Problema inversă — câte șosete de fiecare culoare trebuie să fie în sertar pentru ca această probabilitate să fie exact \(1/2\) — este tratată în Exercițiul 2.
4 Formula probabilității totale
Multe probabilități sunt greu de calculat direct, dar devin simple dacă împărțim problema pe cazuri. Ideea este să găsim o familie de „scenarii” care se exclud reciproc și acoperă toate posibilitățile, iar în fiecare scenariu probabilitatea evenimentului de interes să fie ușor de calculat.
Definiția 4(Partiție (sistem complet de evenimente))
Spunem că evenimentele \(B_1,B_2,\dots,B_n\in\F\) formează o partiție a lui \(\Omega\) (sau un sistem complet de evenimente) dacă \[
B_i\cap B_j=\emptyset\ \ (i\ne j)\qquad\text{și}\qquad B_1\cup B_2\cup\dots\cup B_n=\Omega .
\] Altfel spus, la fiecare efectuare a experimentului se realizează exact unul dintre evenimentele \(B_i\). Definiția se extinde natural la o familie numărabilă \((B_i)_{i\ge1}\).
Cel mai simplu exemplu de partiție este \(\{B,B^c\}\) pentru un eveniment \(B\) oarecare. Pentru aruncarea unui zar, \(B_1=\{1\}\), \(B_2=\{2,3\}\), \(B_3=\{4,5,6\}\) formează o partiție a lui \(\Omega=\{1,\dots,6\}\).
Teorema 5(Formula probabilității totale)
Fie \((\Omega,\F,\PP)\) un câmp de probabilitate și \(B_1,\dots,B_n\in\F\) o partiție a lui \(\Omega\) cu \(\PP(B_i)>0\) pentru orice \(i\in\{1,\dots,n\}\). Atunci, pentru orice \(A\in\F\), \[
\PP(A)=\sum_{i=1}^n\PP(A\mid B_i)\,\PP(B_i).
\tag{4}\] În particular, dacă \(\PP(B)\in(0,1)\), atunci \(\PP(A)=\PP(A\mid B)\PP(B)+\PP(A\mid B^c)\PP(B^c)\). Formula rămâne adevărată pentru partiții numărabile \((B_i)_{i\ge1}\).
Demonstrație. Deoarece \(B_1,\dots,B_n\) acoperă \(\Omega\), avem \[
A=A\cap\Omega=A\cap\Big(\bigcup_{i=1}^n B_i\Big)=\bigcup_{i=1}^n(A\cap B_i),
\] iar evenimentele \(A\cap B_i\) sunt disjuncte două câte două (pentru că \(B_i\) sunt). Din aditivitatea lui \(\PP\) și din (2), \[
\PP(A)=\sum_{i=1}^n\PP(A\cap B_i)=\sum_{i=1}^n\PP(A\mid B_i)\,\PP(B_i).
\] Pentru partiții numărabile folosim \(\sigma\)-aditivitatea.■
Formula (4) spune că \(\PP(A)\) este o medie ponderată a probabilităților condiționate \(\PP(A\mid B_i)\), ponderile fiind probabilitățile scenariilor \(\PP(B_i)\). În particular, \(\PP(A)\) se află întotdeauna între cea mai mică și cea mai mare dintre valorile \(\PP(A\mid B_i)\). În limbajul arborilor de probabilitate, \(\PP(A)\) este suma probabilităților tuturor frunzelor în care se realizează \(A\).
Exemplul 6(A doua carte extrasă)
Revenim la Exemplul 2. Folosind partiția \(\{A,A^c\}\) („prima carte este sau nu de inimă roșie”), \[
\PP(B)=\PP(B\mid A)\PP(A)+\PP(B\mid A^c)\PP(A^c)=\frac{12}{51}\cdot\frac14+\frac{13}{51}\cdot\frac34=\frac{12+3\cdot13}{4\cdot51}=\frac14 .
\] Probabilitatea ca a doua carte să fie de inimă roșie este aceeași cu probabilitatea ca prima să fie de inimă roșie. Acest fenomen de simetrie va fi explicat în general în Propoziția 12.
Analog, în contextul Exemplului 4, probabilitatea ca radarul să declanșeze alarma este suma frunzelor \(A\cap B\) și \(A^c\cap B\) din Figura 2: \[
\PP(B)=\PP(B\mid A)\PP(A)+\PP(B\mid A^c)\PP(A^c)=0.0495+0.095=0.1445 .
\]
Aplicând Teorema 5 probabilității condiționate \(\mathbb{Q}=\PP(\cdot\mid C)\) (Propoziția 2) obținem imediat o versiune condiționată a formulei, pe care o vom folosi frecvent.
Propoziția 6(Formula probabilității totale condiționată)
Fie \(B_1,\dots,B_n\) o partiție a lui \(\Omega\) și \(C\in\F\) cu \(\PP(B_i\cap C)>0\) pentru orice \(i\). Atunci, pentru orice \(A\in\F\), \[
\PP(A\mid C)=\sum_{i=1}^n\PP(A\mid B_i, C)\,\PP(B_i\mid C).
\]
5 Formula lui Bayes
Relația (2) ne permite să inversăm condiționarea: dacă știm \(\PP(A\mid B)\), putem calcula \(\PP(B\mid A)\). În aplicații, \(B\) este de regulă o cauză (sau o ipoteză) neobservabilă direct, iar \(A\) un efect observat; probabilitățile \(\PP(\text{efect}\mid\text{cauză})\) sunt cunoscute din modelul experimentului, iar noi dorim \(\PP(\text{cauză}\mid\text{efect})\).
Teorema 7(Formula lui Bayes)
Fie \((\Omega,\F,\PP)\) un câmp de probabilitate și \(A,B\in\F\) cu \(\PP(A)>0\) și \(\PP(B)\in(0,1)\). Atunci \[
\PP(B\mid A)=\frac{\PP(A\mid B)\,\PP(B)}{\PP(A)}=\frac{\PP(A\mid B)\,\PP(B)}{\PP(A\mid B)\,\PP(B)+\PP(A\mid B^c)\,\PP(B^c)}.
\tag{5}\] Mai mult, dacă \(B_1,\dots,B_n\) formează o partiție a lui \(\Omega\) cu \(\PP(B_i)>0\), \(i\in\{1,\dots,n\}\), atunci \[
\PP(B_i\mid A)=\frac{\PP(A\mid B_i)\,\PP(B_i)}{\sum_{j=1}^n\PP(A\mid B_j)\,\PP(B_j)},\qquad i=1,\dots,n.
\tag{6}\]
Demonstrație. Din (2), \(\PP(B\mid A)\PP(A)=\PP(A\cap B)=\PP(A\mid B)\PP(B)\); împărțim la \(\PP(A)>0\). Numitorul se scrie apoi cu formula probabilității totale (Teorema 5) pentru partiția \(\{B,B^c\}\), respectiv \(\{B_1,\dots,B_n\}\).■
Observație
Formula lui Bayes descrie modul în care actualizăm încrederea într-o ipoteză \(B_i\) după observarea datelor \(A\): \[
\underset{\text{a posteriori}}{\PP(B_i\mid A)}\;\propto\;\underset{\text{verosimilitate}}{\PP(A\mid B_i)}\times\underset{\text{a priori}}{\PP(B_i)},
\] unde constanta de normalizare \(\PP(A)\) nu depinde de \(i\). Această idee stă la baza statisticii bayesiene, pe care o vom studia în Cursul 11.
Notă istorică
Reverendul englez Thomas Bayes (c. 1701–1761) a considerat o formă particulară a formulei într-un eseu publicat postum, în 1763, de prietenul său Richard Price. Pierre-Simon Laplace a redescoperit-o independent și a formulat-o în generalitate (1774), folosind-o sistematic în probleme de astronomie, demografie și drept.
5.1 Testele de diagnostic și eroarea ratei de bază
Exemplul 7(Testarea pentru o afecțiune rară)
Să presupunem că prevalența unei boli în populație este de \(1\%\) și că efectuăm un test de detecție a prezenței bolii în organism a cărui acuratețe este de \(95\%\). Prin acuratețea testului înțelegem că:
rata de adevărat pozitive (senzitivitatea) — probabilitatea ca testul să fie pozitiv dat fiind că pacientul este bolnav — este \(95\%\);
rata de adevărat negative (specificitatea) — probabilitatea ca testul să fie negativ dat fiind că pacientul nu este bolnav — este tot \(95\%\).
Presupunem că am efectuat testul și a ieșit pozitiv. Care este probabilitatea să avem boala?
Notăm \(D=\{\text{pacientul are boala}\}\) și \(T=\{\text{testul a ieșit pozitiv}\}\). Datele problemei sunt \[
\PP(D)=0.01,\qquad \PP(T\mid D)=0.95\ \ (\text{senzitivitate}),\qquad \PP(T^c\mid D^c)=0.95\ \ (\text{specificitate}),
\] de unde rata de fals pozitive este \(\PP(T\mid D^c)=1-\PP(T^c\mid D^c)=0.05\), iar rata de fals negative este \(\PP(T^c\mid D)=0.05\). Din formula lui Bayes (5): \[
\begin{aligned}
\PP(D\mid T)&=\frac{\PP(T\mid D)\PP(D)}{\PP(T\mid D)\PP(D)+\PP(T\mid D^c)\PP(D^c)}\\
&=\frac{0.95\times0.01}{0.95\times0.01+0.05\times0.99}=\frac{0.0095}{0.059}\approx0.161 .
\end{aligned}
\] Deși testul „greșește” doar în \(5\%\) din cazuri, un rezultat pozitiv înseamnă boală doar în aproximativ \(16\%\) din cazuri!
O explicație intuitivă se obține raționând cu frecvențe naturale (Figura 3): dintr-o populație de \(10\,000\) de persoane, aproximativ \(100\) sunt bolnave și \(9\,900\) sănătoase. Dintre bolnavi, \(95\) au test pozitiv (adevărat pozitive); dintre cei sănătoși, \(5\%\), adică \(495\), au de asemenea test pozitiv (fals pozitive). Printre cei \(95+495=590\) de pozitivi, doar \(95\) sunt bolnavi: \(\PP(D\mid T)\approx 95/590\approx0.16\).
Figura 3: Frecvențe naturale pentru Exemplul 7 (prevalență \(1\%\), senzitivitate și specificitate \(95\%\)). Testele pozitive (colorate) provin în majoritate din grupul, mult mai numeros, al persoanelor sănătoase.
Atenție!
Eroarea ratei de bază (engl. base rate fallacy) constă în ignorarea probabilității a priori \(\PP(D)\) și confundarea lui \(\PP(D\mid T)\) cu \(\PP(T\mid D)\). Când boala este rară, chiar și o rată mică de fals pozitive, aplicată grupului imens al persoanelor sănătoase, produce mai multe rezultate pozitive decât boala însăși. Valoarea \(\PP(D\mid T)\) se numește în medicină valoare predictivă pozitivă și depinde esențial de prevalență (Figura 4).
Figura 4: Valoarea predictivă pozitivă \(\PP(D\mid T)\) în funcție de prevalența \(\PP(D)\), pentru un test cu senzitivitatea \(0.95\) și trei valori ale specificității. Punctul marcat corespunde Exemplului 7.
Exemplul 8(Testul rapid pentru Covid-19)
Considerăm un test rapid antigen cu (valori ilustrative) senzitivitatea \(0.80\) și specificitatea \(0.99\). Cât de mult ne putem baza pe un rezultat pozitiv? Răspunsul depinde de contextul epidemiologic. Într-o perioadă cu circulație redusă a virusului, cu prevalența \(0.5\%\), \[
\PP(D\mid T)=\frac{0.80\times0.005}{0.80\times0.005+0.01\times0.995}\approx0.287,
\] deci aproape trei pozitivi din patru sunt fals pozitivi. În schimb, pentru o persoană cu simptome, într-un val epidemic, prevalența relevantă poate fi de ordinul \(10\%\), iar atunci \[
\PP(D\mid T)=\frac{0.80\times0.1}{0.80\times0.1+0.01\times0.9}\approx0.899 .
\] Același test, același rezultat, dar concluzii foarte diferite: probabilitatea a priori contează.
5.2 Formula lui Bayes condiționată
Aplicând formula lui Bayes măsurii de probabilitate \(\mathbb{Q}(\cdot)=\PP(\cdot\mid C)\) și folosind \(\mathbb{Q}(A\mid B)=\PP(A\mid B,C)\), obținem, pentru \(\PP(A\cap C)>0\) și \(\PP(B\cap C)>0\), \[
\PP(A\mid B,C)=\frac{\PP(B\mid A,C)\,\PP(A\mid C)}{\PP(B\mid C)} .
\] Probabilitatea a posteriori obținută după o primă observație devine astfel probabilitatea a priori pentru următoarea observație: învățarea bayesiană este secvențială.
Exemplul 9(Moneda echilibrată sau moneda trucată?)
O persoană are în buzunar două monede: una echilibrată (probabilitatea de a obține cap este \(1/2\)) și una trucată (probabilitatea de a obține cap este \(3/4\)). Persoana alege la întâmplare (cu probabilitate \(1/2\)) o monedă și o aruncă de trei ori, obținând \(HHH\).
Având această informație, care este probabilitatea să fi fost aleasă moneda echilibrată?
Persoana aruncă a patra oară aceeași monedă. Care este probabilitatea să obțină cap?
Soluție. a) Fie \(A\) evenimentul prin care am obținut \(HHH\) și \(B\) evenimentul ca moneda aleasă să fie cea echilibrată. Avem \(\PP(B)=1/2\), \(\PP(A\mid B)=(1/2)^3=1/8\) și \(\PP(A\mid B^c)=(3/4)^3=27/64\). Formula lui Bayes dă \[
\PP(B\mid A)=\frac{\PP(A\mid B)\PP(B)}{\PP(A\mid B)\PP(B)+\PP(A\mid B^c)\PP(B^c)}=\frac{\frac18\cdot\frac12}{\frac18\cdot\frac12+\frac{27}{64}\cdot\frac12}=\frac{8}{35}\approx0.229 .
\] Trei capete consecutive au scăzut încrederea că moneda este echilibrată de la \(0.5\) la aproximativ \(0.23\).
Fie \(C\) evenimentul prin care la a patra aruncare obținem cap. Considerăm \(\mathbb{Q}(\cdot)=\PP(\cdot\mid A)\) și aplicăm formula probabilității totale pentru \(\mathbb{Q}\) (Propoziția 6): \[
\begin{aligned}
\PP(C\mid A)&=\PP(C\mid B,A)\,\PP(B\mid A)+\PP(C\mid B^c,A)\,\PP(B^c\mid A)\\
&=\frac12\cdot\frac{8}{35}+\frac34\cdot\frac{27}{35}=\frac{97}{140}\approx0.693 .
\end{aligned}
\] Am folosit faptul că, odată cunoscută moneda, aruncările nu se influențează: \(\PP(C\mid B,A)=\PP(C\mid B)=1/2\). Remarcăm că \(\PP(C\mid A)\) este mai mare decât \(\PP(C)=\frac12\cdot\frac12+\frac12\cdot\frac34=\frac58\): cele trei capete observate ne fac să credem că moneda trucată este mai probabilă.
Rezultatele se verifică ușor prin simulare. Generăm un număr mare de repetări ale experimentului și păstrăm doar pe acelea în care primele trei aruncări au dat cap — exact interpretarea frecvenționistă a condiționării:
set.seed(2026)M <-200000echilibrata <-runif(M) <0.5# evenimentul Bp <-ifelse(echilibrata, 1/2, 3/4) # probabilitatea de caparunc <-matrix(runif(4* M), ncol =4) < p # 4 aruncări (TRUE = cap)A <-rowSums(arunc[, 1:3]) ==3# primele trei: capc(P_B_dat_A =mean(echilibrata[A]), exact =8/35,P_C_dat_A =mean(arunc[A, 4]), exact =97/140)
La locul unei infracțiuni se găsește o urmă de ADN. Probabilitatea ca ADN-ul unei persoane nevinovate alese la întâmplare să se potrivească (din pură coincidență) cu urma este \(10^{-6}\). Un suspect este identificat prin căutare într-o bază de date, iar profilul său se potrivește. Procurorul argumentează: „Probabilitatea unei potriviri pentru un nevinovat este de unu la un milion, deci suspectul este vinovat cu probabilitate \(0.999999\).”
Raționamentul confundă \(\PP(\text{potrivire}\mid\text{nevinovat})=10^{-6}\) cu \(\PP(\text{nevinovat}\mid\text{potrivire})\). Să presupunem că, în absența altor probe, făptuitorul poate fi oricare dintre cei \(5\cdot10^{6}\) locuitori ai regiunii, cu aceeași probabilitate. Fie \(V\) = „suspectul este vinovat” și \(M\) = „ADN-ul suspectului se potrivește”. Atunci \(\PP(V)=1/(5\cdot10^6)\), \(\PP(M\mid V)=1\), \(\PP(M\mid V^c)=10^{-6}\) și \[
\PP(V\mid M)=\frac{1\cdot\PP(V)}{1\cdot\PP(V)+10^{-6}\,(1-\PP(V))}=\frac{1}{1+10^{-6}\,(5\cdot10^{6}-1)}\approx\frac16 .
\] Intuitiv, pe lângă vinovat, ne așteptăm la aproximativ \(5\) alte persoane din regiune care se potrivesc întâmplător. Proba ADN a crescut enorm probabilitatea vinovăției (de la \(2\cdot10^{-7}\) la aproximativ \(0.17\)), dar, singură, nu dovedește vinovăția.
Notă istorică
Cazul Sally Clark (Marea Britanie, 1999) a devenit un exemplu clasic. O mamă ai cărei doi copii muriseră subit a fost condamnată pe baza afirmației unui expert că probabilitatea a două decese subite într-o familie este de „unu la \(73\) de milioane”, obținută ridicând la pătrat valoarea \(1/8543\) pentru un singur deces — adică presupunând, nejustificat, independența celor două decese. În plus, cifra a fost interpretată drept probabilitatea nevinovăției (eroarea procurorului). Condamnarea a fost anulată în 2003.
6 Evenimente independente
6.1 Independența a două evenimente
Intuitiv, două evenimente \(A\) și \(B\) sunt independente dacă realizarea unuia dintre ele nu influențează în niciun mod realizarea celuilalt, adică informația „\(B\) s-a realizat” nu modifică probabilitatea lui \(A\): \[
\PP(A\mid B)=\PP(A)\iff\frac{\PP(A\cap B)}{\PP(B)}=\PP(A)\iff\PP(A\cap B)=\PP(A)\,\PP(B).
\] Ultima formă este simetrică în \(A\) și \(B\) și nu cere \(\PP(B)>0\); de aceea o luăm ca definiție.
Definiția 8(Evenimente independente)
Spunem că două evenimente \(A,B\in\F\) sunt independente și notăm \(A\indep B\) dacă \[
\PP(A\cap B)=\PP(A)\,\PP(B).
\tag{7}\]
Atenție!
Independența este diferită de disjuncție! Dacă \(A\) și \(B\) sunt disjuncte și \(\PP(A)>0\), \(\PP(B)>0\), atunci \(\PP(A\cap B)=0\ne\PP(A)\PP(B)\), deci \(A\) și \(B\)nu sunt independente: realizarea lui \(B\) ne spune cu certitudine că \(A\) nu s-a realizat — o informație cât se poate de puternică. Independența este o proprietate a măsurii\(\PP\), nu doar a mulțimilor \(A\) și \(B\), și nu poate fi „văzută” într-o diagramă Venn.
Propoziția 9(Independența complementarelor)
Dacă \(A\) și \(B\) sunt independente, atunci sunt independente și perechile \(A\) și \(B^c\), \(A^c\) și \(B\), respectiv \(A^c\) și \(B^c\).
Demonstrație. Deoarece \(A=(A\cap B)\cup(A\cap B^c)\) (reuniune disjunctă), \[
\PP(A\cap B^c)=\PP(A)-\PP(A\cap B)=\PP(A)-\PP(A)\PP(B)=\PP(A)\big(1-\PP(B)\big)=\PP(A)\,\PP(B^c).
\] Deci \(A\indep B^c\). Prin simetrie, \(A^c\indep B\), iar aplicând încă o dată rezultatul perechii \((A^c,B)\) obținem \(A^c\indep B^c\).■
Exemplul 11(Două aruncări cu o monedă)
Aruncăm o monedă echilibrată de două ori, cele \(4\) rezultate posibile fiind egal probabile: \(\Omega=\{H,T\}^2\). Fie \(A_1=\{HH,HT\}\) evenimentul „am obținut \(H\) la prima aruncare” și \(A_2=\{HH,TH\}\) evenimentul „am obținut \(H\) la a doua aruncare”. Atunci \(A_1\cap A_2=\{HH\}\) și \[
\PP(A_1\cap A_2)=\frac14=\frac12\cdot\frac12=\PP(A_1)\,\PP(A_2),
\] deci \(A_1\indep A_2\). Modelul „echipartiție pe \(\{H,T\}^2\)” include deci, automat, independența aruncărilor.
Exemplul 12(Zarul tetraedric)
Aruncăm de două ori un zar cu \(4\) fețe, cele \(16\) rezultate posibile din \(\Omega=\{1,2,3,4\}^2\) fiind egal probabile.
Fie \(A\) = „primul zar are fața \(1\)” și \(B\) = „suma punctelor de pe cele două fețe este \(5\)”. Avem \(B=\{(1,4),(2,3),(3,2),(4,1)\}\), \(A\cap B=\{(1,4)\}\), deci \[
\PP(A\cap B)=\frac1{16}=\frac4{16}\cdot\frac4{16}=\PP(A)\,\PP(B),
\] iar \(A\) și \(B\) sunt independente — deși, la prima vedere, suma pare să „depindă” de primul zar!
Fie \(A\) = „maximul celor două fețe este \(2\)” și \(B\) = „minimul celor două fețe este \(2\)”. Avem \(A=\{(1,2),(2,1),(2,2)\}\), \(B=\{(2,2),(2,3),(3,2),(2,4),(4,2)\}\) și \(A\cap B=\{(2,2)\}\), deci \[
\PP(A\cap B)=\frac1{16}\ne\frac{3}{16}\cdot\frac{5}{16}=\PP(A)\,\PP(B),
\] iar \(A\) și \(B\) nu sunt independente.
6.2 Independența mai multor evenimente
Definiția 10(Independența unei familii de evenimente)
Spunem că evenimentele \(A_1,A_2,\dots,A_n\in\F\) sunt independente (sau mutual independente) dacă \[
\PP\Big(\bigcap_{i\in I}A_i\Big)=\prod_{i\in I}\PP(A_i)\qquad\text{pentru orice } I\subseteq\{1,2,\dots,n\}.
\] O familie infinită de evenimente este independentă dacă orice subfamilie finită a sa este independentă.
De exemplu, trei evenimente \(A\), \(B\), \(C\) sunt independente dacă \[
\begin{cases}
\PP(A\cap B)=\PP(A)\PP(B),\quad \PP(A\cap C)=\PP(A)\PP(C),\quad \PP(B\cap C)=\PP(B)\PP(C),\\
\PP(A\cap B\cap C)=\PP(A)\PP(B)\PP(C).
\end{cases}
\] Primele trei relații spun că \(A\), \(B\), \(C\) sunt independente două câte două. Pentru \(n\) evenimente trebuie verificate \[
C_n^2+C_n^3+\dots+C_n^n=2^n-C_n^1-C_n^0=2^n-n-1
\] egalități. Următorul exemplu arată că independența două câte două nu implică independența (mutuală).
Exemplul 13(Independență două câte două, dar nu mutuală)
În contextul Exemplului 11, fie \(A_1\) = „\(H\) la prima aruncare”, \(A_2\) = „\(H\) la a doua aruncare” și \(B\) = „cele două aruncări au rezultate diferite” \(=\{HT,TH\}\). Avem \(\PP(A_1)=\PP(A_2)=\PP(B)=1/2\) și \[
\begin{aligned}
\PP(A_1\cap B)&=\PP(\{HT\})=\tfrac14=\PP(A_1)\PP(B),\\
\PP(A_1\cap A_2)&=\PP(\{HH\})=\tfrac14=\PP(A_1)\PP(A_2),\\
\PP(A_2\cap B)&=\PP(\{TH\})=\tfrac14=\PP(A_2)\PP(B),
\end{aligned}
\] deci \(A_1\), \(A_2\), \(B\) sunt independente două câte două. Totuși \[
\PP(A_1\cap A_2\cap B)=\PP(\emptyset)=0\ne\frac18=\PP(A_1)\PP(A_2)\PP(B),
\] deci \(A_1\), \(A_2\), \(B\) nu sunt independente. Intuitiv, oricare două dintre ele determină complet al treilea.
Observație
Propoziția 9 se extinde: dacă \(A_1,\dots,A_n\) sunt independente, atunci rămân independente și după înlocuirea oricăror dintre ele cu complementarele lor. În particular, \[
\PP(\text{cel puțin unul dintre } A_i \text{ se realizează})=1-\PP\Big(\bigcap_{i=1}^n A_i^c\Big)=1-\prod_{i=1}^n\big(1-\PP(A_i)\big).
\] Această formulă, aplicată repetărilor independente ale unui experiment, stă la baza problemelor clasice ale cavalerului de Méré (Exercițiul 1) și Newton–Pepys (Cursul 1).
6.3 Aplicație: fiabilitatea sistemelor
Un sistem este format din componente care funcționează independent unele de altele; componenta \(i\) funcționează cu probabilitatea \(p_i\).
Sistem în serie (componentele legate una după alta): sistemul funcționează dacă toate componentele funcționează, deci, din independență, \[
\PP(\text{sistemul serie funcționează})=p_1\,p_2\cdots p_m .
\]
Sistem în paralel (componentele legate în paralel): sistemul funcționează dacă cel puțin o componentă funcționează, deci \[
\PP(\text{sistemul paralel funcționează})=1-\PP(\text{toate cedează})=1-(1-p_1)\cdots(1-p_m).
\]
Sistemele mai complexe se descompun adesea în subsisteme serie și paralel.
Exemplul 14(O rețea de calculatoare)
Considerăm rețeaua din Figura 5, în care fiecare legătură funcționează independent de celelalte, cu probabilitatea indicată pe ea. Care este probabilitatea să existe o conexiune (un drum funcțional) de la \(A\) la \(B\)?
Între \(C\) și \(B\) avem două subsisteme serie (\(C\to E\to B\) și \(C\to F\to B\)) legate în paralel: \[
\PP(C\to B)=1-(1-0.8\times0.9)(1-0.95\times0.85)=1-0.28\times0.1925=0.9461 .
\] Rețeaua devine echivalentă cu două drumuri în paralel, \(A\to C\to B\) și \(A\to D\to B\), fiecare fiind un sistem serie: \[
\begin{aligned}
\PP(A\to B)&=1-\big(1-p_{AC}\,\PP(C\to B)\big)\big(1-p_{AD}\,p_{DB}\big)\\
&=1-(1-0.9\times0.9461)(1-0.75\times0.95)\approx0.9573 .
\end{aligned}
\]
Figura 5: Rețeaua de calculatoare din Exemplul 14. Fiecare legătură funcționează independent, cu probabilitatea indicată.
Verificăm rezultatul prin simulare, generând starea fiecărei legături:
set.seed(1)M <-1e5leg <-function(p) runif(M) < p # TRUE = legătura funcționeazăAC <-leg(0.9); AD <-leg(0.75); CE <-leg(0.8); CF <-leg(0.95)EB <-leg(0.9); FB <-leg(0.85); DB <-leg(0.95)conex <- (AC & ((CE & EB) | (CF & FB))) | (AD & DB)c(simulare =mean(conex), exact =1- (1-0.9*0.9461) * (1-0.75*0.95))
#> simulare exact
#> 0.9579 0.9573
7 Independență condiționată
În contextul probabilităților condiționate putem defini independența relativ la măsura \(\mathbb{Q}(\cdot)=\PP(\cdot\mid C)\).
Definiția 11(Independență condiționată)
Fie \(A,B,C\in\F\) cu \(\PP(C)>0\). Spunem că \(A\) și \(B\) sunt independente condiționat de\(C\) dacă \[
\PP(A\cap B\mid C)=\PP(A\mid C)\,\PP(B\mid C).
\] Echivalent, \(A\) și \(B\) sunt independente în raport cu măsura de probabilitate \(\mathbb{Q}(\cdot)=\PP(\cdot\mid C)\): \(\mathbb{Q}(A\cap B)=\mathbb{Q}(A)\,\mathbb{Q}(B)\).
Independența condiționată și independența (necondiționată) sunt noțiuni logic independente: niciuna nu o implică pe cealaltă.
Exemplul 15(Independența nu implică independența condiționată)
Revenim la Exemplul 13: \(A_1\) și \(A_2\) sunt independente (necondiționat). Condiționând însă de \(B\) = „cele două aruncări au rezultate diferite”, \[
\PP(A_1\mid B)=\frac{\PP(A_1\cap B)}{\PP(B)}=\frac{1/4}{1/2}=\frac12,\qquad \PP(A_2\mid B)=\frac12,
\]\[
\PP(A_1\cap A_2\mid B)=\frac{\PP(A_1\cap A_2\cap B)}{\PP(B)}=0\ne\frac14=\PP(A_1\mid B)\,\PP(A_2\mid B).
\] Deci \(A_1\) și \(A_2\) nu sunt independente condiționat de \(B\): știind că rezultatele sunt diferite, rezultatul primei aruncări îl determină pe al doilea.
Exemplul 16(Independența condiționată nu implică independența)
În contextul Exemplului 9, fie \(H_1\), \(H_2\) evenimentele „cap la prima”, respectiv „cap la a doua aruncare” și \(B\) = „moneda aleasă este echilibrată”. Știind ce monedă a fost aleasă, aruncările sunt independente: \(\PP(H_1\cap H_2\mid B)=\frac14=\PP(H_1\mid B)\PP(H_2\mid B)\) și \(\PP(H_1\cap H_2\mid B^c)=\frac{9}{16}=\PP(H_1\mid B^c)\PP(H_2\mid B^c)\). Totuși, din formula probabilității totale, \[
\PP(H_1)=\PP(H_2)=\frac12\cdot\frac12+\frac12\cdot\frac34=\frac58,
\]\[
\PP(H_1\cap H_2)=\frac12\cdot\frac14+\frac12\cdot\frac{9}{16}=\frac{13}{32}\ne\frac{25}{64}=\PP(H_1)\PP(H_2).
\] Aruncările nu sunt independente: un cap la prima aruncare crește probabilitatea ca moneda să fie cea trucată și, prin aceasta, probabilitatea unui cap la a doua aruncare (\(\PP(H_2\mid H_1)=13/20=0.65>0.625\)). Dependența „circulă” prin necunoscuta comună — moneda aleasă.
Exemplul 17(Repetarea testului de diagnostic)
În scenariul din Exemplul 7 (\(\PP(D)=1\%\), senzitivitate \(=\) specificitate \(=95\%\)) am văzut că \(\PP(D\mid T)\approx16\%\). Presupunem că persoana efectuează un nou test, de aceeași acuratețe, independent de primul dat fiind statusul bolii, iar rezultatul este tot pozitiv. Care este acum probabilitatea ca persoana să aibă boala?
Fie \(T_1\), \(T_2\) evenimentele „primul test este pozitiv”, respectiv „al doilea test este pozitiv”. Ipoteza de independență condiționată înseamnă \[
\PP(T_1\cap T_2\mid D)=\PP(T_1\mid D)\PP(T_2\mid D),\qquad \PP(T_1\cap T_2\mid D^c)=\PP(T_1\mid D^c)\PP(T_2\mid D^c).
\] Din formula lui Bayes și formula probabilității totale, \[
\begin{aligned}
\PP(D\mid T_1\cap T_2)&=\frac{\PP(T_1\cap T_2\mid D)\PP(D)}{\PP(T_1\cap T_2\mid D)\PP(D)+\PP(T_1\cap T_2\mid D^c)\PP(D^c)}\\
&=\frac{0.95^2\times0.01}{0.95^2\times0.01+0.05^2\times0.99}\approx0.785 .
\end{aligned}
\] Al doilea test pozitiv crește probabilitatea bolii de la \(16\%\) la aproximativ \(78\%\). Același rezultat se obține secvențial, folosind \(\PP(D\mid T_1)\approx0.161\) drept nouă probabilitate a priori. Remarcăm că testele nu sunt independente necondiționat: ambele tind să fie pozitive la bolnavi.
# probabilitatea a posteriori după k teste pozitive consecutivek <-0:4round(0.95^k *0.01/ (0.95^k *0.01+0.05^k *0.99), 4)
#> [1] 0.0100 0.1610 0.7848 0.9858 0.9992
8 Probleme clasice
8.1 Problema lui Monty Hall
Exemplul 18(Monty Hall)
Într-un concurs televizat, în spatele uneia dintre trei uși se află o mașină, iar în spatele celorlalte două câte o capră. Concurentul alege o ușă, să zicem ușa \(1\). Prezentatorul, care știe unde este mașina, deschide întotdeauna una dintre celelalte două uși, în spatele căreia se află o capră (dacă are de ales, alege la întâmplare), și îi oferă concurentului posibilitatea de a-și schimba alegerea. Merită să schimbe?
Fie \(M_i\) evenimentul „mașina este în spatele ușii \(i\)”, \(\PP(M_i)=1/3\), și \(U_3\) evenimentul „prezentatorul deschide ușa \(3\)”. Din regulile jocului, \[
\PP(U_3\mid M_1)=\frac12,\qquad \PP(U_3\mid M_2)=1,\qquad \PP(U_3\mid M_3)=0 .
\] Din formula lui Bayes (6), \[
\PP(M_1\mid U_3)=\frac{\frac12\cdot\frac13}{\frac12\cdot\frac13+1\cdot\frac13+0\cdot\frac13}=\frac13,\qquad \PP(M_2\mid U_3)=\frac{1\cdot\frac13}{\frac12}=\frac23 .
\] Schimbarea alegerii dublează șansa de câștig. Intuitiv: strategia „schimb” câștigă exact atunci când alegerea inițială a fost greșită, ceea ce se întâmplă cu probabilitatea \(2/3\); prezentatorul, deschizând o ușă cu capră, nu aduce nicio informație despre ușa aleasă inițial, dar „concentrează” probabilitatea \(2/3\) pe ușa rămasă.
Notă istorică
Problema a fost formulată de statisticianul Steve Selvin în 1975 și a devenit celebră în 1990, când Marilyn vos Savant a publicat soluția corectă („schimbați!”) într-o revistă americană; mii de cititori, printre care numeroși matematicieni, i-au scris că greșește. O simulare simplă (Figura 6) tranșează disputa.
Arată codul R
set.seed(7)n <-3000masina <-sample(1:3, n, replace =TRUE); alegere <-sample(1:3, n, replace =TRUE)castig_pastrez <- masina == alegerecastig_schimb <-!castig_pastrezd <-rbind(data.frame(n =1:n, f =cumsum(castig_pastrez) / (1:n), strategie ="păstrez ușa"),data.frame(n =1:n, f =cumsum(castig_schimb) / (1:n), strategie ="schimb ușa"))ggplot(d, aes(n, f, colour = strategie)) +geom_hline(yintercept =c(1/3, 2/3), linetype =2, colour ="grey45") +geom_line(linewidth =0.6) +scale_x_log10() +scale_colour_manual(values =unname(culori[c("rosu", "verde")]), name =NULL) +labs(x ="numărul de jocuri (scală logaritmică)", y ="frecvența câștigului")
Figura 6: Frecvența relativă a câștigului în \(3000\) de jocuri Monty Hall simulate, pentru cele două strategii. Frecvențele se stabilizează în jurul valorilor \(1/3\) (păstrez ușa) și \(2/3\) (schimb ușa).
Codul următor simulează jocul pas cu pas, inclusiv alegerea aleatoare a ușii deschise de prezentator:
set.seed(3)joc <-function() { masina <-sample(3, 1); alegere <-1 capre <-setdiff(1:3, c(alegere, masina)) # ușile cu capră disponibile deschisa <- capre[sample(length(capre), 1)] noua <-setdiff(1:3, c(alegere, deschisa)) # ușa după schimbarec(pastrez = alegere == masina, schimb = noua == masina)}rowMeans(replicate(20000, joc()))
#> pastrez schimb
#> 0.3349 0.6651
8.2 Urna lui Pólya și extrageri succesive
Considerăm o urnă cu \(a\) bile albe și \(n\) bile negre. Extragem o bilă, îi notăm culoarea și o introducem înapoi în urnă împreună cu \(d\) bile de aceeași culoare; repetăm procedeul. Cazul \(d=0\) corespunde extragerilor cu întoarcere, cazul \(d=-1\) extragerilor fără întoarcere, iar cazul \(d\ge1\) este urna lui Pólya, un model simplu de „contagiune” (bogații devin mai bogați). Fie \(A_k\) evenimentul „la a \(k\)-a extragere obținem o bilă albă”.
Propoziția 12(Schema urnei lui Pólya)
Probabilitatea de a obține, în primele \(m\) extrageri, o succesiune fixată de culori care conține \(w\) bile albe și \(b=m-w\) bile negre este \[
\frac{\prod_{i=0}^{w-1}(a+id)\;\prod_{j=0}^{b-1}(n+jd)}{\prod_{l=0}^{m-1}(a+n+ld)},
\] deci depinde doar de numărul bilelor de fiecare culoare, nu și de ordinea lor. În particular, \(\PP(A_k)=\dfrac{a}{a+n}\) pentru orice \(k\ge1\).
Demonstrație. Aplicăm regula înmulțirii (Teorema 3). Înaintea extragerii cu numărul \(l+1\) (\(l=0,\dots,m-1\)) urna conține \(a+n+ld\) bile. Dacă până atunci s-au extras \(i\) bile albe și \(j\) negre, ea conține \(a+id\) bile albe și \(n+jd\) negre, deci probabilitatea condiționată de a extrage o bilă albă (respectiv neagră) este \(\frac{a+id}{a+n+ld}\) (respectiv \(\frac{n+jd}{a+n+ld}\)). Când parcurgem succesiunea, contorul \(i\) ia valorile \(0,1,\dots,w-1\) la extragerile albe, iar \(j\) valorile \(0,1,\dots,b-1\) la cele negre, indiferent de ordinea lor; înmulțind obținem formula.
Pentru a doua afirmație, fie \(k\ge2\). Prin formula probabilității totale, \(\PP(A_k)\) este suma probabilităților tuturor succesiunilor de lungime \(k\) care se termină cu alb. Permutând primul și ultimul termen al fiecărei succesiuni (operație bijectivă, care păstrează numărul de bile de fiecare culoare, deci probabilitatea), obținem toate succesiunile care încep cu alb; așadar \(\PP(A_k)=\PP(A_1)=\frac{a}{a+n}\).■
Proprietatea din Propoziția 12 se numește interschimbabilitate: vectorul culorilor extrase are aceeași repartiție după orice permutare a extragerilor. Pentru \(d=-1\) ea explică de ce, în Exemplul 6, a doua carte extrasă are aceeași probabilitate de a fi de inimă roșie ca prima. Exercițiul 6 aplică această schemă.
8.3 Ruina jucătorului
Un jucător pleacă cu un capital de \(k\) unități monetare și joacă repetat împotriva unui adversar (cazinoul) un joc în care, independent de rundele anterioare, câștigă o unitate cu probabilitatea \(p\) și pierde o unitate cu probabilitatea \(q=1-p\). Jucătorul se oprește fie când ajunge la \(0\) (ruină), fie când atinge capitalul-țintă \(N\) (\(0<k<N\)). Care este probabilitatea de ruină?
Propoziția 13(Probabilitatea de ruină)
Fie \(p_k\) probabilitatea ca jucătorul să ajungă la ruină pornind cu capitalul \(k\), \(0\le k\le N\). Atunci \[
p_k=\begin{cases}
1-\dfrac{k}{N}, & p=q=\dfrac12,\\[3mm]
\dfrac{r^k-r^N}{1-r^N}, & p\ne q,\ \ \text{unde } r=\dfrac{q}{p}.
\end{cases}
\]
Demonstrație. Fie \(R\) evenimentul „jucătorul ajunge la ruină” și \(C\) evenimentul „jucătorul câștigă prima rundă”. Notăm cu \(\PP_k\) probabilitatea atunci când capitalul inițial este \(k\). Din formula probabilității totale, \[
p_k=\PP_k(R)=\PP_k(R\mid C)\,\PP(C)+\PP_k(R\mid C^c)\,\PP(C^c).
\] Dacă prima rundă este câștigată, jocul continuă ca și cum ar fi pornit cu capitalul \(k+1\) (rundele sunt independente), deci \(\PP_k(R\mid C)=p_{k+1}\); analog \(\PP_k(R\mid C^c)=p_{k-1}\). Obținem relația de recurență de ordinul doi \[
p_k=p\,p_{k+1}+q\,p_{k-1},\qquad 1\le k\le N-1,\qquad p_0=1,\quad p_N=0 .
\tag{8}\] Scriind \(p_k=(p+q)p_k\), relația devine \(q\,(p_k-p_{k-1})=p\,(p_{k+1}-p_k)\). Notând \(u_k=p_k-p_{k-1}\), \(k\ge1\), avem \(u_{k+1}=r\,u_k\), deci \(u_k=r^{k-1}u_1\). Prin sumare telescopică, \[
p_k=p_0+u_1+u_2+\dots+u_k=1+u_1\,(1+r+\dots+r^{k-1}).
\]
Cazul \(p=q=1/2\) (\(r=1\)): \(u_k=u_1\) pentru orice \(k\) și \(p_k=1+k\,u_1\). Din \(p_N=1+N u_1=0\) rezultă \(u_1=-1/N\), deci \(p_k=1-k/N\).
Cazul \(p\ne q\) (\(r\ne1\)): \(p_k=1+u_1\frac{1-r^k}{1-r}\), iar condiția \(p_N=0\) dă \(u_1=-\frac{1-r}{1-r^N}\). Atunci \(p_k=1-\frac{1-r^k}{1-r^N}=\frac{r^k-r^N}{1-r^N}\).■
Observație
Într-un joc echitabil, probabilitatea de ruină \(1-k/N\) scade liniar cu capitalul inițial. Într-un joc ușor defavorabil (\(p<1/2\)), situația se schimbă dramatic (Figura 7): la ruleta europeană, pariind câte \(1\) leu pe „roșu” (\(p=18/37\)), un jucător care pleacă cu \(50\) de lei și vrea să ajungă la \(100\) de lei se ruinează cu probabilitatea \(\approx0.937\). Mai mult, dacă \(N\to\infty\), probabilitatea de ruină tinde la \(1\) pentru orice \(p\le 1/2\) și la \(r^k\) pentru \(p>1/2\).
Arată codul R
ruina <-function(k, N, p) {if (p ==0.5) return(1- k / N) r <- (1- p) / p; (r^k - r^N) / (1- r^N)}N <-20; k <-0:Nd <-do.call(rbind, lapply(c(0.45, 0.48, 0.5, 0.52, 0.55), function(p)data.frame(k = k, pk =ruina(k, N, p), p =factor(p))))ggplot(d, aes(k, pk, colour = p)) +geom_line() +geom_point(size =1.2) +scale_colour_manual(values =unname(culori[c("rosu", "portocaliu", "gri", "teal", "albastru")])) +labs(x ="capitalul inițial k", y =expression(p[k] ==P("ruină")), colour ="p =")
Figura 7: Probabilitatea de ruină \(p_k\) în funcție de capitalul inițial \(k\), pentru capitalul-țintă \(N=20\) și diferite valori ale probabilității \(p\) de câștig într-o rundă. Pentru \(p=1/2\) dependența este liniară; o abatere mică de la \(1/2\) schimbă radical probabilitatea de ruină.
Verificăm formula prin simulare, pentru \(k=10\), \(N=20\) și \(p=0.45\):
set.seed(11)simuleaza_ruina <-function(k, N, p) {while (k >0&& k < N) k <- k +ifelse(runif(1) < p, 1, -1) k ==0# TRUE = ruină}r <-0.55/0.45c(simulare =mean(replicate(10000, simuleaza_ruina(10, 20, 0.45))),exact = (r^10- r^20) / (1- r^20))
#> simulare exact
#> 0.8821 0.8815
De reținut
Formulele esențiale ale cursului, pentru evenimente de probabilitate pozitivă acolo unde se condiționează:
probabilitate condiționată:\(\PP(A\mid B)=\PP(A\cap B)/\PP(B)\); \(\PP(\cdot\mid B)\) este o măsură de probabilitate;
formula probabilității totale:\(\PP(A)=\sum_i\PP(A\mid B_i)\PP(B_i)\), pentru o partiție \((B_i)_i\);
formula lui Bayes:\(\PP(B_i\mid A)=\PP(A\mid B_i)\PP(B_i)\big/\sum_j\PP(A\mid B_j)\PP(B_j)\), adică a posteriori \(\propto\) verosimilitate \(\times\) a priori;
independență:\(A\indep B\iff\PP(A\cap B)=\PP(A)\PP(B)\); se păstrează la trecerea la complementare; pentru \(n\) evenimente, relația de produs pentru orice subfamilie (\(2^n-n-1\) condiții); independența două câte două nu implică independența mutuală;
independență condiționată:\(\PP(A\cap B\mid C)=\PP(A\mid C)\PP(B\mid C)\); nu implică și nu este implicată de independență;
fiabilitate: serie \(\prod p_i\), paralel \(1-\prod(1-p_i)\);
Legătura cu cursurile următoare. În Cursul 3 trecem de la evenimente la variabile aleatoare: independența evenimentelor devine independența variabilelor aleatoare, repetarea independentă a unui experiment conduce la repartițiile binomială și geometrică, iar formula probabilității totale va fi folosită pentru a calcula repartiții și medii. Formula lui Bayes stă la baza statisticii bayesiene (Cursul 11).
9 Exerciții rezolvate
Exercițiul 1(Problema cavalerului de Méré)
Ce este mai probabil: să obținem cel puțin un \(6\) în \(4\) aruncări ale unui zar sau să obținem cel puțin o „dublă de \(6\)” în \(24\) de aruncări ale unei perechi de zaruri?
Soluție
Aruncările sunt independente. Fie \(A_i\) = „la aruncarea \(i\) nu obținem \(6\)”, cu \(\PP(A_i)=5/6\). Evenimentul „cel puțin un \(6\) în \(4\) aruncări” este complementarul lui \(A_1\cap\dots\cap A_4\), deci \[
p_1=1-\Big(\frac56\Big)^4\approx0.5177 .
\] Analog, la o aruncare a perechii de zaruri, probabilitatea de a nu obține \((6,6)\) este \(35/36\), deci \[
p_2=1-\Big(\frac{35}{36}\Big)^{24}\approx0.4914 .
\] Primul eveniment este mai probabil (\(p_1>1/2>p_2\)), deși raționamentul naiv „\(4/6=24/36\)” sugerează egalitate. Cavalerul de Méré a observat la masa de joc această diferență și i-a cerut lui Pascal o explicație (1654).
c(p1 =1- (5/6)^4, p2 =1- (35/36)^24)
#> p1 p2
#> 0.5177 0.4914
Exercițiul 2(Șosetele din sertar)
Un sertar conține \(r\) șosete roșii și \(n\) negre. Extragem la întâmplare, fără întoarcere, două șosete. a) Care este numărul minim de șosete din sertar pentru care probabilitatea ca ambele șosete să fie roșii este exact \(1/2\)? b) Aceeași întrebare, dacă \(n\) este par.
Soluție
Fie \(A_i\) = „a \(i\)-a șosetă este roșie”. Din regula înmulțirii (vezi Exemplul 5), \[
\PP(A_1\cap A_2)=\frac{r}{r+n}\cdot\frac{r-1}{r+n-1}=\frac12 .
\] Evident \(n\ge 1\) (altfel probabilitatea este \(1\)). Pentru \(n>0\) avem \(\frac{r}{r+n}>\frac{r-1}{r+n-1}\) (echivalent cu \(r^2+rn-r>r^2-r+nr-n\), adică \(n>0\)). Rezultă \[
\Big(\frac{r}{r+n}\Big)^2>\frac{r}{r+n}\cdot\frac{r-1}{r+n-1}=\frac12>\Big(\frac{r-1}{r+n-1}\Big)^2
\iff \frac{r}{r+n}>\frac{1}{\sqrt2}>\frac{r-1}{r+n-1}.
\] Prima inegalitate dă \(\sqrt2\,r>r+n\), adică \(r>\frac{n}{\sqrt2-1}=n(\sqrt2+1)\); a doua dă \(\sqrt2\,(r-1)<r+n-1\), adică \(r<n(\sqrt2+1)+1\). Așadar \[
n(\sqrt2+1)<r<n(\sqrt2+1)+1,
\] deci singurul candidat este \(r=\lceil n(\sqrt2+1)\rceil\), care trebuie verificat în ecuația inițială.
Pentru \(n=1\): \(2.414<r<3.414\), deci \(r=3\) și într-adevăr \(\frac34\cdot\frac23=\frac12\). Numărul minim este \(r+n=4\) (\(3\) roșii, \(1\) neagră).
Pentru \(n=2\): \(r=\lceil 2+2\sqrt2\rceil=5\), dar \(\frac57\cdot\frac46=\frac{10}{21}\ne\frac12\). Pentru \(n=4\): \(r=\lceil4+4\sqrt2\rceil=10\), dar \(\frac{10}{14}\cdot\frac9{13}=\frac{45}{91}\ne\frac12\). Pentru \(n=6\): \(r=\lceil 6+6\sqrt2\rceil=15\) și \(\frac{15}{21}\cdot\frac{14}{20}=\frac12\). Deci numărul minim este \(21\) (\(15\) roșii, \(6\) negre).
n <-1:6; r <-ceiling(n * (sqrt(2) +1)) # candidatul unicrbind(n, r, P =round(r / (r + n) * (r -1) / (r + n -1), 4))
O urnă conține \(a\) bile albe și \(n\) bile negre. Extragem succesiv, fără întoarcere, \(3\) bile. Care este probabilitatea ca bilele extrase să fie, în ordine, 1) albă, albă, neagră; 2) albă, neagră, albă; 3) care este probabilitatea ca exact \(2\) dintre cele \(3\) bile să fie albe? Aplicație numerică: \(a=24\), \(n=9\).
Soluție
Fie \(A_i\) evenimentul ca la a \(i\)-a extragere să obținem o bilă albă.
Analog, \[
\PP(A_1\cap A_2^c\cap A_3)=\frac{a}{a+n}\cdot\frac{n}{a+n-1}\cdot\frac{a-1}{a+n-2},
\] aceeași valoare ca la 1) — în acord cu Propoziția 12 pentru \(d=-1\).
Evenimentul „exact \(2\) din cele \(3\) bile sunt albe” este reuniunea disjunctă\(B_1\cup B_2\cup B_3\), unde \(B_1=A_1\cap A_2\cap A_3^c\), \(B_2=A_1\cap A_2^c\cap A_3\), \(B_3=A_1^c\cap A_2\cap A_3\). Cele trei evenimente au aceeași probabilitate, deci \[
\PP(B_1\cup B_2\cup B_3)=\PP(B_1)+\PP(B_2)+\PP(B_3)=\frac{3\,a(a-1)\,n}{(a+n)(a+n-1)(a+n-2)} .
\] Același rezultat se obține numărând submulțimi: \(C_a^2C_n^1/C_{a+n}^3\). Pentru \(a=24\), \(n=9\): \(\PP(B_1)\approx0.1518\) și \(\PP(\text{exact 2 albe})\approx0.4553\).
a <-24; n <-9c(P1 = a/(a+n) * (a-1)/(a+n-1) * n/(a+n-2),P3 =3*a*(a-1)*n / ((a+n)*(a+n-1)*(a+n-2)),numarare =choose(a, 2) * n /choose(a + n, 3))
#> P1 P3 numarare
#> 0.1518 0.4553 0.4553
Exercițiul 4(Linia de producție)
Trei mașini \(M_1\), \(M_2\), \(M_3\) produc \(50\%\), \(30\%\), respectiv \(20\%\) din piesele unei fabrici, cu proporții de piese defecte de \(2\%\), \(3\%\), respectiv \(5\%\). a) Care este proporția pieselor defecte în producția totală? b) O piesă aleasă la întâmplare este defectă. Care este probabilitatea să provină de la fiecare mașină?
Soluție
Fie \(B_i\) = „piesa provine de la mașina \(M_i\)” (o partiție a lui \(\Omega\)) și \(A\) = „piesa este defectă”. Datele sunt \(\PP(B_1)=0.5\), \(\PP(B_2)=0.3\), \(\PP(B_3)=0.2\) și \(\PP(A\mid B_1)=0.02\), \(\PP(A\mid B_2)=0.03\), \(\PP(A\mid B_3)=0.05\).
Din formula probabilității totale, \[
\PP(A)=0.02\times0.5+0.03\times0.3+0.05\times0.2=0.010+0.009+0.010=0.029 .
\]
Din formula lui Bayes (6), \[
\PP(B_1\mid A)=\frac{0.010}{0.029}\approx0.345,\qquad \PP(B_2\mid A)=\frac{0.009}{0.029}\approx0.310,
\]\[
\PP(B_3\mid A)=\frac{0.010}{0.029}\approx0.345 .
\] Deși \(M_3\) produce doar \(20\%\) din piese, ea este „responsabilă” de aproximativ \(34.5\%\) dintre piesele defecte. Probabilitățile a posteriori însumează \(1\), cum era de așteptat (Propoziția 2).
Dintre mesajele primite de un server, \(40\%\) sunt spam. Cuvântul „gratuit” apare în \(25\%\) dintre mesajele spam și în \(2\%\) dintre mesajele legitime, iar cuvântul „câștig” apare în \(20\%\) dintre mesajele spam și în \(1\%\) dintre cele legitime. a) Care este probabilitatea ca un mesaj care conține cuvântul „gratuit” să fie spam? b) Presupunând că aparițiile celor două cuvinte sunt independente condiționat de tipul mesajului, care este probabilitatea ca un mesaj care conține ambele cuvinte să fie spam?
Din formula lui Bayes, \[
\PP(S\mid G)=\frac{0.25\times0.4}{0.25\times0.4+0.02\times0.6}=\frac{0.1}{0.112}\approx0.893 .
\]
Din independența condiționată, \(\PP(G\cap C\mid S)=0.25\times0.2=0.05\) și \(\PP(G\cap C\mid S^c)=0.02\times0.01=0.0002\). Atunci \[
\PP(S\mid G\cap C)=\frac{0.05\times0.4}{0.05\times0.4+0.0002\times0.6}=\frac{0.02}{0.02012}\approx0.994 .
\] Acesta este principiul clasificatorului bayesian naiv (engl. naive Bayes): ipoteza (adesea doar aproximativă) de independență condiționată a cuvintelor permite combinarea simplă a informației aduse de fiecare cuvânt.
Exercițiul 6(Urna lui Pólya)
O urnă conține \(a\) bile albe și \(n\) bile negre. Extragem o bilă, îi notăm culoarea și o introducem înapoi în urnă împreună cu alte \(d\) bile de aceeași culoare; procedeul se repetă. Fie \(A_k\) = „la extragerea \(k\) obținem o bilă albă”. a) Calculați \(\PP(A_2^c)\). b) Calculați \(\PP(A_1^c\mid A_2^c)\). c) Calculați \(\PP(A_1^c\mid A_2^c\cap\dots\cap A_{k+1}^c)\) și limita sa când \(k\to\infty\). Aplicație numerică: \(a=24\), \(n=9\), \(d=5\).
Soluție
Din formula probabilității totale cu partiția \(\{A_1,A_1^c\}\): \[
\begin{aligned}
\PP(A_2^c)&=\PP(A_2^c\mid A_1)\PP(A_1)+\PP(A_2^c\mid A_1^c)\PP(A_1^c)\\
&=\frac{a}{a+n}\cdot\frac{n}{a+n+d}+\frac{n}{a+n}\cdot\frac{n+d}{a+n+d}=\frac{n(a+n+d)}{(a+n)(a+n+d)}=\frac{n}{a+n}.
\end{aligned}
\] Prin inducție (sau direct din Propoziția 12), \(\PP(A_k^c)=\frac{n}{a+n}\) pentru orice \(k\).
Din formula lui Bayes, \[
\PP(A_1^c\mid A_2^c)=\frac{\PP(A_2^c\mid A_1^c)\,\PP(A_1^c)}{\PP(A_2^c)}=\frac{\frac{n}{a+n}\cdot\frac{n+d}{a+n+d}}{\frac{n}{a+n}}=\frac{n+d}{a+n+d}.
\] Pentru \(d>0\), aceasta este mai mare decât \(\PP(A_1^c)=\frac{n}{a+n}\): o bilă neagră la a doua extragere face mai plauzibil ca și prima să fi fost neagră.
Din regula înmulțirii, \[
\PP(A_1^c\cap A_2^c\cap\dots\cap A_{k+1}^c)=\frac{n}{a+n}\cdot\frac{n+d}{a+n+d}\cdots\frac{n+kd}{a+n+kd}=\prod_{j=0}^{k}\frac{n+jd}{a+n+jd}.
\] Din interschimbabilitate (Propoziția 12), \(\PP(A_2^c\cap\dots\cap A_{k+1}^c)=\PP(A_1^c\cap\dots\cap A_k^c)=\prod_{j=0}^{k-1}\frac{n+jd}{a+n+jd}\). Împărțind, \[
\PP(A_1^c\mid A_2^c\cap\dots\cap A_{k+1}^c)=\frac{n+kd}{a+n+kd}\xrightarrow[k\to\infty]{}1 \qquad(d>0).
\] Pentru \(a=24\), \(n=9\), \(d=5\): \(\PP(A_2^c)=9/33\approx0.273\), \(\PP(A_1^c\mid A_2^c)=14/38\approx0.368\). Verificăm prin simulare:
set.seed(5)polya <-function(a, n, d, m) { x <-logical(m) # TRUE = neagrăfor (k in1:m) { x[k] <-runif(1) < n / (a + n)if (x[k]) n <- n + d else a <- a + d } x }s <-t(replicate(20000, polya(24, 9, 5, 2)))c(P_A2c =mean(s[, 2]), P_A1c_dat_A2c =mean(s[s[, 2], 1]))
#> P_A2c P_A1c_dat_A2c
#> 0.2723 0.3743
Exercițiul 7(Suma 5 înaintea sumei 7)
Aruncăm repetat, independent, o pereche de zaruri echilibrate. Care este probabilitatea ca suma \(5\) să apară înaintea sumei \(7\)?
Soluție
Notăm cu \(A_i\) evenimentul „suma celor două zaruri la aruncarea \(i\) este \(5\)” și cu \(B_i\) evenimentul „suma la aruncarea \(i\) este \(7\)”. Pentru \(n\ge1\), fie \(E_n\) evenimentul prin care în primele \(n-1\) aruncări nu a apărut nici \(5\), nici \(7\), iar la a \(n\)-a aruncare a apărut \(5\): \[
E_n=(A_1^c\cap B_1^c)\cap(A_2^c\cap B_2^c)\cap\dots\cap(A_{n-1}^c\cap B_{n-1}^c)\cap A_n .
\] Evenimentul \(A\) = „suma \(5\) apare înaintea sumei \(7\)” se scrie \(A=\bigcup_{n\ge1}E_n\), iar \(E_i\cap E_j=\emptyset\) pentru \(i\ne j\). Din \(\sigma\)-aditivitate, \(\PP(A)=\sum_{n\ge1}\PP(E_n)\).
Deoarece aruncările sunt independente și identic repartizate, \[
\PP(E_n)=\PP(A_1^c\cap B_1^c)\times\dots\times\PP(A_{n-1}^c\cap B_{n-1}^c)\times\PP(A_n)=\PP(A_1^c\cap B_1^c)^{n-1}\,\PP(A_1).
\] Pe \(\Omega=\{1,\dots,6\}^2\) (cu \(|\Omega|=36\)), suma \(5\) se obține în \(4\) moduri (\((1,4),(2,3),(3,2),(4,1)\)), iar suma \(7\) în \(6\) moduri, deci \(\PP(A_1)=4/36\) și \(\PP(A_1^c\cap B_1^c)=(36-4-6)/36=26/36\). Atunci \[
\PP(A)=\sum_{n\ge1}\Big(\frac{26}{36}\Big)^{n-1}\frac{4}{36}=\frac19\sum_{n\ge0}\Big(\frac{13}{18}\Big)^{n}=\frac19\cdot\frac{1}{1-\frac{13}{18}}=\frac25 .
\]
Observație. În general, dacă evenimentele disjuncte \(A\) și \(B\) au probabilitățile \(a\) și \(b\) la fiecare repetare, \(\PP(A\text{ înaintea lui }B)=\sum_{n\ge1}(1-a-b)^{n-1}a=\frac{a}{a+b}\). Intuitiv, putem ignora aruncările „neutre”: la prima aruncare decisivă, \(A\) are probabilitatea condiționată \(\frac{a}{a+b}=\frac{4}{10}\).
set.seed(8)joc <-function() repeat { s <-sum(sample(6, 2, replace =TRUE))if (s ==5) return(TRUE); if (s ==7) return(FALSE) }c(simulare =mean(replicate(20000, joc())), exact =2/5)
#> simulare exact
#> 0.4005 0.4000
Exercițiul 8(Sistemul în punte)
Un sistem este format din \(5\) componente, dispuse ca în figura de mai jos (sistem „în punte”), fiecare funcționând independent cu probabilitatea \(p\). Sistemul funcționează dacă există un drum de la \(S\) la \(T\) format din componente funcționale. Calculați probabilitatea de funcționare a sistemului și evaluați-o pentru \(p=0.9\).
Soluție
Sistemul nu este de tip serie–paralel, din cauza componentei \(5\) („puntea”). Condiționăm după starea ei, folosind formula probabilității totale. Fie \(F\) = „sistemul funcționează” și \(K\) = „componenta \(5\) funcționează”.
Dacă \(K\) se realizează, nodurile interioare sunt practic unite; sistemul devine serie de două blocuri paralele, \(\{1,3\}\) și \(\{2,4\}\): \[
\PP(F\mid K)=\big(1-(1-p)^2\big)^2 .
\]Dacă \(K\) nu se realizează, sistemul devine paralelul a două ramuri serie, \(1\text{–}2\) și \(3\text{–}4\): \[
\PP(F\mid K^c)=1-(1-p^2)^2 .
\] (Am folosit independența componentelor \(1\)–\(4\) de componenta \(5\), care face ca probabilitățile condiționate să se calculeze ca probabilități obișnuite pentru componentele rămase.) Din Teorema 5, \[
\PP(F)=p\,\big(1-(1-p)^2\big)^2+(1-p)\,\big(1-(1-p^2)^2\big).
\] Pentru \(p=0.9\): \(\PP(F)=0.9\times0.99^2+0.1\times(1-0.19^2)=0.88209+0.09639=0.97848\).
set.seed(4); p <-0.9; M <-1e5x <-matrix(runif(5* M) < p, ncol =5) # stările celor 5 componenteF <- (x[,1] & x[,2]) | (x[,3] & x[,4]) |# cele 4 drumuri minimale (x[,1] & x[,5] & x[,4]) | (x[,3] & x[,5] & x[,2])exact <- p * (1- (1-p)^2)^2+ (1-p) * (1- (1-p^2)^2)c(simulare =mean(F), exact = exact)
#> simulare exact
#> 0.9779 0.9785
Exercițiul 9(Ruina la ruletă)
La ruleta europeană (\(37\) de numere, dintre care \(18\) roșii), un jucător pariază de fiecare dată pe „roșu”, câștigând sau pierzând miza. El pleacă cu \(50\) de lei și se oprește când ajunge la \(100\) de lei sau pierde tot. a) Care este probabilitatea de ruină dacă mizează câte \(1\) leu la fiecare rundă? b) Dar dacă mizează câte \(10\) lei? c) Dar dacă mizează totul dintr-o dată? d) Cum se schimbă răspunsurile la a) și b) într-un joc echitabil (\(p=1/2\))?
Soluție
Probabilitatea de câștig într-o rundă este \(p=18/37\), deci \(q=19/37\) și \(r=q/p=19/18\). Aplicăm Propoziția 13.
Unitatea monetară este \(1\) leu, deci \(k=50\), \(N=100\): \[
p_{50}=\frac{r^{50}-r^{100}}{1-r^{100}}\approx0.937 .
\]
Dacă unitatea monetară este de \(10\) lei, atunci \(k=5\), \(N=10\) și \(p_5=\frac{r^5-r^{10}}{1-r^{10}}\approx0.567\).
Pariul unic corespunde lui \(k=1\), \(N=2\): \(p_1=q=19/37\approx0.514\).
Pentru \(p=1/2\), \(p_k=1-k/N=1/2\) în toate cazurile.
Concluzia este surprinzătoare: într-un joc defavorabil, jucătorul care vrea să-și dubleze capitalul are cele mai mari șanse dacă joacă „îndrăzneț” (cu mize mari, într-un număr mic de runde), deoarece la fiecare rundă avantajul cazinoului acționează din nou. Într-un joc echitabil, strategia nu contează.
ruina <-function(k, N, p) { r <- (1- p) / p; (r^k - r^N) / (1- r^N) }p <-18/37c(a =ruina(50, 100, p), b =ruina(5, 10, p), c =ruina(1, 2, p))
#> a b c
#> 0.9372 0.5672 0.5135
Exercițiul 10(Câte teste pozitive sunt necesare?)
În contextul Exemplului 17, o persoană efectuează repetat testul (testele fiind independente condiționat de statusul bolii). a) Determinați probabilitatea bolii după \(k\) teste pozitive consecutive. b) Câte teste pozitive consecutive sunt necesare pentru ca probabilitatea bolii să depășească \(0.99\)? c) Ce se întâmplă dacă un test este pozitiv și celălalt negativ?
Soluție
Fie \(E_k=T_1\cap\dots\cap T_k\). Din independența condiționată, \(\PP(E_k\mid D)=0.95^k\) și \(\PP(E_k\mid D^c)=0.05^k\), deci, din formula lui Bayes, \[
\PP(D\mid E_k)=\frac{0.95^k\times0.01}{0.95^k\times0.01+0.05^k\times0.99}=\frac{1}{1+99\cdot19^{-k}} .
\]
Condiția \(\PP(D\mid E_k)>0.99\) devine \(99\cdot19^{-k}<\frac{1}{99}\), adică \(19^k>9801\), deci \(k>\frac{\ln 9801}{\ln 19}\approx3.12\). Sunt necesare \(k=4\) teste pozitive (\(\PP(D\mid E_3)\approx0.9858\), \(\PP(D\mid E_4)\approx0.9992\)).
\(\PP(T_1\cap T_2^c\mid D)=0.95\times0.05\) și \(\PP(T_1\cap T_2^c\mid D^c)=0.05\times0.95\) sunt egale, deci \[
\PP(D\mid T_1\cap T_2^c)=\frac{0.0475\times0.01}{0.0475\times0.01+0.0475\times0.99}=0.01=\PP(D).
\] Cum senzitivitatea și specificitatea sunt egale, un rezultat pozitiv și unul negativ se anulează reciproc, iar probabilitatea revine la cea a priori.
k <-1:5; round(1/ (1+99*19^(-k)), 4)
#> [1] 0.1610 0.7848 0.9858 0.9992 1.0000
Exercițiul 11(Monty Hall cu gazda neinformată)
Reluăm jocul din Exemplul 18, dar presupunem că prezentatorul nu știe unde este mașina: după ce concurentul alege ușa \(1\), el deschide la întâmplare una dintre ușile \(2\) și \(3\). Presupunem că prezentatorul a deschis ușa \(3\) și în spatele ei este o capră. Merită să schimbăm?
Soluție
Fie \(M_i\) = „mașina este în spatele ușii \(i\)” și \(G\) = „prezentatorul deschide ușa \(3\) și aceasta ascunde o capră”. Acum prezentatorul alege ușa \(3\) cu probabilitatea \(1/2\) indiferent de poziția mașinii, deci \[
\PP(G\mid M_1)=\frac12,\qquad \PP(G\mid M_2)=\frac12,\qquad \PP(G\mid M_3)=0 .
\] Din formula lui Bayes, \[
\PP(M_1\mid G)=\frac{\frac12\cdot\frac13}{\frac12\cdot\frac13+\frac12\cdot\frac13+0}=\frac12=\PP(M_2\mid G).
\] În acest caz schimbarea nu aduce niciun avantaj! Informația observată este aceeași (o capră în spatele ușii \(3\)), dar mecanismul prin care a fost obținută este diferit: un prezentator neinformat ar fi putut dezvălui mașina, iar faptul că nu a făcut-o este o informație care favorizează în egală măsură ușile \(1\) și \(2\). Lecția generală: în calculul probabilităților condiționate trebuie modelat nu doar ce observăm, ci și cum ajungem să observăm.
set.seed(9); M <-1e5masina <-sample(3, M, replace =TRUE)deschisa <-sample(2:3, M, replace =TRUE) # gazda alege la întâmplareG <- deschisa ==3& masina !=3# ușa 3 deschisă, cu caprăc(pastrez =mean(masina[G] ==1), schimb =mean(masina[G] ==2))
#> pastrez schimb
#> 0.4982 0.5018
10 Exerciții propuse
(Cutia lui Bertrand.) Într-o cutie sunt trei cartonașe: unul roșu pe ambele fețe, unul alb pe ambele fețe și unul cu o față roșie și una albă. Se extrage un cartonaș la întâmplare și se privește o față aleasă la întâmplare, care este roșie. Care este probabilitatea ca și cealaltă față să fie roșie? (Răspuns: \(2/3\).)
O familie are doi copii, iar unul dintre ei este un băiat născut într-o zi de marți. Presupunând că sexul și ziua nașterii fiecărui copil sunt uniform repartizate și independente, care este probabilitatea ca ambii copii să fie băieți? Comparați cu Exemplul 3. (Răspuns: \(13/27\).)
Arătați că dacă \(A\indep B\), \(A\indep C\) și \(B\cap C=\emptyset\), atunci \(A\indep (B\cup C)\). Dați un exemplu în care \(A\indep B\) și \(A\indep C\), dar \(A\) și \(B\cap C\) nu sunt independente.
Construiți trei evenimente \(A\), \(B\), \(C\) pe \(\Omega=\{1,\dots,8\}\) (cu echipartiția) astfel încât \(\PP(A\cap B\cap C)=\PP(A)\PP(B)\PP(C)\), dar \(A\), \(B\), \(C\) să nu fie independente două câte două. (Indicație: încercați \(A=B\).)
(Monty Hall cu patru uși.) În spatele uneia dintre patru uși se află o mașină. Concurentul alege o ușă, iar prezentatorul, care știe unde este mașina, deschide o ușă cu capră dintre celelalte trei. Concurentul își schimbă alegerea pe una dintre cele două uși rămase închise, aleasă la întâmplare. Care este probabilitatea de câștig? Dar dacă păstrează ușa? (Răspuns: \(3/8\), respectiv \(1/4\).)
Se aruncă repetat o pereche de zaruri. Care este probabilitatea ca suma \(8\) să apară înaintea sumei \(7\)? (Răspuns: \(5/11\).)
Un test pentru o boală cu prevalența \(2\%\) are senzitivitatea \(0.9\) și specificitatea \(0.97\). a) Calculați \(\PP(D\mid T)\) și \(\PP(D^c\mid T^c)\). b) Ce specificitate ar trebui să aibă testul pentru ca \(\PP(D\mid T)\ge 0.5\)? (Răspuns: a) \(\approx0.380\) și \(\approx0.998\); b) cel puțin \(\approx0.9816\).)
Un jucător cu capitalul inițial \(k\) joacă un joc echitabil până la ruină sau până atinge capitalul \(N\). Arătați, folosind formula probabilității totale, că probabilitatea \(s_k\) de a atinge \(N\) satisface \(s_k=\frac12 s_{k+1}+\frac12 s_{k-1}\) și deduceți că \(s_k=k/N\). Interpretați relația \(p_k+s_k=1\).
Bibliografie
Bertsekas, Dimitri P., and John N. Tsitsiklis. 2008. Introduction to Probability. 2nd ed. Athena Scientific.
Blitzstein, Joseph K., and Jessica Hwang. 2019. Introduction to Probability. 2nd ed. CRC Press.