Koşullu olasılık

İstatistiklere Giriş

George Boorman

Curriculum Manager, DataCamp

Birden çok toplantı

Yerine koymadan örnekleme

Amir, Claire, Damian içeren kutu.png

Yerine koymadan örnekleme

Claire'in adı çekildi.png

$$P(\text{Claire}) = \frac{1}{3} = 33\%$$

İkinci olayın olasılığı, ilk olayın sonucundan etkilenir

İki sütun: İlk çekiş sütununda Amir, Brian, Claire, Damian var. İkinci çekiş sütunu boş.png

İkinci olayın olasılığı, ilk olayın sonucundan etkilenir

İlk sütunda Claire, ikinci sütunda Claire'e %0 olasılıkla işaret ediyor.png

İkinci olayın olasılığı, ilk olayın sonucundan etkilenir

Yerine koymadan örnekleme = her çekiş bağımlıdır

İlk sütunda Amir, Brian ve Damian; ikinci sütunda Claire'e %33 olasılıkla işaret ediyor.png

Koşullu olasılık, bağımlı olayların olasılığını hesaplamak için kullanılır
- Bir olayın olasılığı, başka birinin sonucuna bağlıdır

peronda bir tren.png

¹ Görsel kaynağı: https://unsplash.com/@pixeldan

iki olayı ve her ikisinin gerçekleştiği örtüşmeyi gösteren venn diyagramı.png

150 dolar üstü siparişler ve mutfak siparişlerinin sayısını gösteren venn diyagramı.png

150 dolar üstü siparişler ve mutfak siparişlerinin sayısını gösteren venn diyagramı.png

$$P(Order > 150 | Kitchen) = \frac{\frac{20}{1767}}{\frac{181}{1767}}$$

$$P(Order > 150 | Kitchen) = \frac{20}{181} $$

mutfak siparişleri ve 150 dolar üstü siparişleri gösteren venn diyagramı.png

$$P(Kitchen | Order > 150) = \frac{\frac{20}{1767}}{\frac{601}{1767}}$$

$$P(Kitchen | Order > 150) = \frac{20}{601} $$

$$P(A | B) = \frac{{P(A \ \cap \ B)}}{{P(B)}}$$

$P(A | B)$ → B verildiğinde A olayının olasılığı
$P(A \ \cap \ B)$ → A ve B olaylarının olasılığı
- B olayının olasılığına bölünür → $P(B)$

İstatistiklere Giriş