Калькулятор условной вероятности P(A|B)
Точно вычисляйте P(A|B), совместную и маргинальную вероятность
Введите значения вероятностей, чтобы вычислить условную вероятность P(A|B), то есть вероятность наступления события A при условии, что событие B уже произошло.
Калькулятор условной вероятности P(A|B)
Точно вычисляйте P(A|B), совместную и маргинальную вероятность
Вычислить условную вероятность A при условии B, используя P(A∩B) и P(B).
О калькуляторе условной вероятности
Условная вероятность — один из краеугольных камней теории вероятностей и статистики. Она описывает вероятность наступления события при условии, что другое событие уже произошло, и лежит в основе важнейших методов рассуждения в науке, медицине и машинном обучении.
Формальное определение: P(A|B) = P(A ∩ B) / P(B), при условии, что P(B) > 0. Здесь P(A|B) читается как «вероятность A при условии B», P(A ∩ B) — совместная вероятность того, что A и B произойдут одновременно, а P(B) — маргинальная вероятность B. Перестановка формулы даёт правило умножения: P(A ∩ B) = P(A|B) × P(B), которое широко используется для вычисления совместных вероятностей по условным.
Классический пример — медицинское тестирование. Предположим, заболевание встречается у 1 % населения, а диагностический тест имеет 5 % ложноположительных результатов. Вероятность того, что случайно выбранный человек даст положительный результат, — это P(B). Вероятность того, что человек одновременно болен и тест положителен, — это P(A ∩ B). Деление этих величин даёт условную вероятность того, что человек действительно болен при положительном результате, — и она часто оказывается намного ниже интуитивных ожиданий; это явление известно как ошибка базовой частоты.
Условная вероятность лежит в основе и теоремы Байеса: P(A|B) = P(B|A) × P(A) / P(B). Теорема Байеса позволяет обновлять априорное убеждение P(A) с учётом новой информации B и получать апостериорное P(A|B). Такой байесовский подход используется в спам-фильтрах, медицинской диагностике, оценке судебных доказательств и современных классификаторах машинного обучения.
Этот калькулятор поддерживает три режима. «Найти P(A|B)» принимает на вход совместную вероятность P(A ∩ B) и маргинальную P(B) и возвращает условную вероятность. «Найти P(A ∩ B)» использует P(A|B) и P(B) и применяет правило умножения. «Найти P(B)» находит маргинальную вероятность по условной и совместной. Все входные вероятности должны быть от 0 до 1, а P(B) должна быть ненулевой, если она стоит в знаменателе.
Примеры
В таблице ниже показаны расчёты условной вероятности на распространённых практических сценариях.
| Входные данные | Результат | Сценарий |
|---|---|---|
| P(A∩B)=0.005, P(B)=0.05 | P(A|B) = 0.1 | Медицина: P(болен | положительный тест) |
| P(A∩B)=0.18, P(B)=0.6 | P(A|B) = 0.3 | Погода: P(дождь | облачно) |
| P(A|B)=0.02, P(B)=0.15 | P(A∩B) = 0.003 | Качество: совместная вероятность дефекта |
| P(A|B)=0.4, P(A∩B)=0.12 | P(B) = 0.3 | Найти маргинальную вероятность |
Как пользоваться калькулятором условной вероятности
- Выберите тип вычисления: «Найти P(A|B)» для условной вероятности, «Найти P(A∩B)» для совместной вероятности или «Найти P(B)» для маргинальной вероятности.
- Введите известные значения вероятностей в появившиеся поля. Все значения должны быть от 0 до 1 включительно.
- При вычислении P(A|B) убедитесь, что P(B) больше 0 — условная вероятность не определена, когда условливающее событие имеет нулевую вероятность.
- Нажмите «Вычислить вероятность», чтобы получить результат. Если результат больше 1, будет показано предупреждение.
- Используйте кнопки быстрых примеров, чтобы подставить реальные сценарии и проверить понимание.
Часто задаваемые вопросы
Что означает P(A|B) простыми словами?
P(A|B) — это вероятность того, что событие A произойдёт, если известно, что событие B уже произошло или гарантированно произойдёт. Она сужает пространство исходов до тех случаев, где B истинно, и затем спрашивает, сколько из них также включают A. Например, P(дождь | облачно) — это вероятность дождя при уже облачной погоде.
В чём разница между P(A|B) и P(A∩B)?
P(A∩B) — это вероятность того, что A и B произойдут одновременно во всём пространстве исходов, а P(A|B) — вероятность того, что A произойдёт в ограниченном пространстве, где уже известно, что B произошло. Численно P(A|B) = P(A∩B) / P(B), поэтому при P(B) < 1 выполняется P(A|B) ≥ P(A∩B).
Когда два события считаются независимыми?
События A и B независимы, если P(A|B) = P(A), то есть знание о том, произошло ли B, не даёт информации о наступлении A. Эквивалентно, P(A∩B) = P(A) × P(B). Независимость — сильное допущение; в большинстве реальных задач события зависимы, и правильной рамкой служит условная вероятность.
Что такое теорема Байеса и как она связана с этим калькулятором?
Теорема Байеса утверждает: P(A|B) = P(B|A) × P(A) / P(B). Она позволяет обращать условные вероятности: если вы знаете, насколько вероятно B при условии A, и знаете базовые частоты P(A) и P(B), можно вычислить, насколько вероятно A при условии B. Этот калькулятор напрямую реализует базовую формулу P(A|B) = P(A∩B)/P(B), которую и использует теорема Байеса.
Почему условная вероятность может быть больше, чем P(A) или P(B)?
Потому что условие сужает пространство исходов. Когда B — редкое событие, сильно связанное с A, деление P(A∩B) на маленькое P(B) может дать результат, значительно превышающий P(A). Это не противоречие — просто внутри подмножества исходов, где произошло B, событие A встречается очень часто.
Что будет, если P(B) равна нулю?
Когда P(B) = 0, P(A|B) математически не определена, потому что вы условливаетесь на невозможном событии. В стандартной теории вероятностей условление на событие нулевой вероятности требует более продвинутых средств теории меры. На практике, если P(B) = 0, формулу условной вероятности нельзя применить напрямую, и калькулятор покажет ошибку с просьбой ввести положительное значение P(B).