Bir torbada renkleri dışında özdeş 3 kırmızı ve 2 mavi top olsun. Çekilen top torbaya geri atılırsa sıralı iki çekilişin olası çıktı sayısı 5 · 5 = 25, geri atılmazsa 5 · 4 = 20 olur. İlk top kırmızı geldiyse ve geri atılmadıysa torbada 2 kırmızı, 2 mavi kalır; ikinci topun kırmızı olma olasılığı artık 3/5 değil 2/4 = 1/2’dir. Yani ilk çekilişin sonucu bilindiğinde örnek uzay değişir. Ağaç şemasında ilk dal 3/5 olasılıkla kırmızıya, ondan çıkan dal 2/4 olasılıkla yine kırmızıya gider; iki topun da kırmızı olma olasılığı 3/5 · 2/4 = 3/10’dur. Sayarak da aynı sonuca ulaşırsın: 20 sıralı çıktının 3 · 2 = 6’sı iki kırmızıdır.
B olayının gerçekleştiği bilindiğinde A olayının olasılığına koşullu olasılık denir ve P(A|B) ile gösterilir. Eşit olasılıklı çıktılarda P(A|B), hem A’ya hem B’ye ait çıktıların sayısının B’nin çıktılarının sayısına oranıdır; olasılıklarla P(A|B) = P(A ∩ B) / P(B) yazılır. 120 öğrencilik bir okulda 40 öğrenci yabancı dil kulübüne üye olsun. Üyelerin 24’ü, üye olmayanların da 24’ü dil testinde %80 ve üzeri almış. A “testte %80 ve üzeri almak”, B “kulübe üye olmak” olsun. P(A|B) = 24/40 = 0,6’dır; üye olmayanlarda bu oran 24/80 = 0,3’tür ve P(A) = 48/120 = 0,4 olur. P(B|A) ise 24/48 = 0,5’tir; P(A|B) ile P(B|A) farklı sorulardır.
Bir olayın olasılığı diğerinin gerçekleşmesiyle değişmiyorsa iki olay bağımsız, değişiyorsa bağımlıdır. Yukarıdaki örnekte P(A|B) = 0,6 ve P(A) = 0,4 farklı olduğundan bu okulda kulübe üye olmak ile testte yüksek puan almak bağımlı olaylardır. Bağımsız iki olayda P(A|B) = P(A) olduğundan P(A ∩ B) = P(A) · P(B) elde edilir. Geri atarak yapılan çekilişte iki topun da kırmızı olma olasılığı 3/5 · 3/5 = 9/25’tir. Bu eşitlik bağımsızlığı sınamak için de kullanılır: örnekte P(A ∩ B) = 24/120 = 0,2 iken P(A) · P(B) = 0,4 · 1/3 ≈ 0,13’tür; eşit olmadıkları için olaylar bağımlıdır. Bağımlılık neden-sonuç ilişkisi anlamına gelmez; yalnızca birinin bilgisinin diğerinin olasılığını değiştirdiğini söyler.
Bayes teoremi, bir koşullu olasılığı ters yöndeki koşullu olasılıklardan hesaplamanı sağlar. Bir hastalığın toplumdaki oranı %2 olsun. Tarama testi hastaların %90’ında, sağlıklı kişilerin %5’inde pozitif sonuç veriyor. 10 000 kişilik bir topluluk düşün: 200 hastanın 180’inde, 9800 sağlıklı kişinin 490’ında test pozitif çıkar. Pozitif çıkan 670 kişinin 180’i hastadır; P(hasta | pozitif) = 180/670 ≈ 0,27. Olasılıklarla yazıldığında P(H|+) = P(+|H) · P(H) / [P(+|H) · P(H) + P(+|S) · P(S)] = 0,018 / 0,067 olur.
Bu örnek tahminin nasıl güncellendiğini gösteriyor: test öncesinde bir kişinin hasta olma olasılığı %2 iken pozitif sonuç bilgisi bu tahmini yaklaşık %27’ye çıkarır, ama %90’a çıkarmaz. Hastalık nadir olduğunda sağlıklı kişilerden gelen pozitif sonuçlar sayıca ağır basar. Aynı akıl yürütme fabrikada hatalı ürün ayıklamaya, hava tahmini uygulamasının yağmur uyarısının güvenilirliğine ya da bir mesaj filtresinin istenmeyen iletileri işaretlemesine uygulanır. Yüzdelerle verilen durumları büyük bir topluluğa çevirip iki yönlü sıklık tablosuna ya da ağaç şemasına yerleştirmek, hesabı hem kolaylaştırır hem de sonucun anlamını görünür kılar.