Matematik · Gymnasiet 3 · Sannolikhet och Statistik · Vårtermin

Betingad Sannolikhet och Bayes Sats

Eleverna undersöker direkta och omvända proportionella samband och representerar dem med tabeller, grafer och formler.

• Skolverket Kursplaner
• Lgr22 Ma1/Ma2/Ma3 - Funktioner
• Lgr22 Ma1/Ma2/Ma3 - Problemlösning

Om detta ämne

Betingad sannolikhet och Bayes sats fokuserar på att beräkna sannolikheter givet vissa förutsättningar. Eleverna definierar P(A|B) som sannolikheten för händelse A när B redan inträffat, och skiljer formellt mellan beroende händelser, där P(A|B) ≠ P(A), och oberoende, där de är lika. De tillämpar Bayes sats, P(A|B) = [P(B|A) P(A)] / P(B), för att uppdatera bedömningar med ny information. Detta är centralt i diagnostiska problem, som medicinska tester, där elever kvantitativt tolkar risker för falsk-positiva och falsk-negativa resultat.

Ämnet anknyter till Lgr22 Ma1/Ma2/Ma3:s mål om funktioner och problemlösning. Eleverna representerar samband med träd, tabeller, grafer och formler, vilket bygger avancerad problemlösningsförmåga. De lär sig hantera osäkerhet i verkliga sammanhang, som medicin eller rättsväsende, och utvecklar kritiskt tänkande kring data och antaganden.

Aktivt lärande gynnar detta ämne särskilt väl. Genom simuleringar med tärningar, kort eller digitala verktyg upplever elever hur betingade sannolikheter förändras i realtid. Gruppdiskussioner kring Bayes sats i tester gör abstrakta beräkningar konkreta, stärker förståelse och minne, samt främjar samarbete kring komplexa modeller.

Nyckelfrågor

1. Hur definieras och beräknas betingad sannolikhet P(A|B), och hur skiljer vi formellt mellan beroende och oberoende händelser?
2. Hur tillämpar vi Bayes sats för att uppdatera en sannolikhetsbedömning i ljuset av ny information?
3. Hur löser vi diagnostiska problem som medicinsk testning med Bayes sats och tolkar falsk-positiv- och falsk-negativrisk kvantitativt?

Lärandemål

• Beräkna den betingade sannolikheten P(A|B) för beroende och oberoende händelser med hjälp av givna sannolikheter.
• Jämföra sannolikhetsbedömningar före och efter införande av ny information med hjälp av Bayes sats.
• Analysera och tolka resultaten från medicinska diagnostiska tester, inklusive kvantifiering av falsk-positiv- och falsk-negativrisk.
• Skapa en modell för att illustrera hur Bayes sats uppdaterar sannolikheter i ett givet scenario.
• Förklara skillnaden mellan beroende och oberoende händelser formellt med hjälp av sannolikhetsdefinitioner.

Innan du börjar

Grundläggande Sannolikhetslära

Varför: Eleverna behöver förstå grundläggande begrepp som sannolikhet, utfallsrum och händelser för att kunna bygga vidare på dessa med betingad sannolikhet.

Funktioner och Grafiska Representationer

Varför: Förståelse för hur samband kan representeras med hjälp av formler och grafer är viktigt för att visualisera och arbeta med proportionella samband.

Nyckelbegrepp

Betingad sannolikhet	Sannolikheten för att en händelse inträffar, givet att en annan händelse redan har inträffat. Betecknas P(A|B).
Bayes sats	En matematisk formel som beskriver hur man uppdaterar sannolikheten för en hypotes baserat på ny evidens. Formeln är P(A|B) = [P(B|A)P(A)] / P(B).
Beroende händelser	Två händelser där utfallet av den ena påverkar sannolikheten för den andra. Formellt: P(A|B) ≠ P(A).
Oberoende händelser	Två händelser där utfallet av den ena inte påverkar sannolikheten för den andra. Formellt: P(A|B) = P(A).
Falsk-positiv risk	Sannolikheten att ett test ger ett positivt resultat trots att den undersökta egenskapen inte finns. Ofta P(Test+|Sjuk) där personen är frisk.
Falsk-negativ risk	Sannolikheten att ett test ger ett negativt resultat trots att den undersökta egenskapen finns. Ofta P(Test-|Frisk) där personen är sjuk.

Se upp för dessa missuppfattningar

Vanlig missuppfattning

P(A|B) är alltid lika med P(B|A).

Vad man ska lära ut istället

Detta förväxlar symmetri; formeln skiljer riktning. Aktiva simuleringar med kortlekar visar empiriskt att värdena skiljer sig, och gruppdiskussioner hjälper elever att internalisera definitionen genom egna data.

Vanlig missuppfattning

Oberoende händelser kan aldrig inträffa samtidigt.

Vad man ska lära ut istället

Oberoende betyder P(A och B) = P(A)P(B), inte att de utesluter varandra. Praktiska experiment med mynt och tärningar demonstrerar detta, där elever ser samvariation utan beroende via tabeller.

Vanlig missuppfattning

Bayes sats ignorerar prior sannolikhet vid uppdatering.

Vad man ska lära ut istället

Prior är grundläggande; utan den blir bedömningen felaktig. Rollspel med medicinska fall avslöjar detta, då elever justerar stegvis och ser effekten av ignorerad basfrekvens i diskussioner.

Idéer för aktivt lärande

Stationer: Betingad Sannolikhet

Upplägg fyra stationer med tärningar och kortlekar för att beräkna P(rod|tvåa), P(tvåa|rod) och testa oberoende. Grupper roterar var 10:e minut, registrerar data i tabeller och diskuterar skillnader. Avsluta med gemensam sammanställning.

45 min·Smågrupper

Rollspel: Medicinska Tester

Dela ut scenarier med testdata (känslighet, specificitet, prevalens). Elever räknar Bayes sats stegvis på whiteboards, jämför falsk-positiv/negativ i par. Presentera för klassen och diskutera tolkning.

50 min·Par

Digital Simulering: Bayes Uppdatering

Använd GeoGebra eller Excel för att simulera Bayes sats med varierande priorer. Elever justerar parametrar individuellt, observerar hur posteriors ändras, och rapporterar mönster i helklass.

35 min·Individuellt

Träddiagram: Diagnostik

Bygg träddiagram för testscenarier på stort papper i små grupper. Beräkna grenprocent, applicera Bayes och tolka risker. Jämför diagram i plenum.

40 min·Smågrupper

Kopplingar till Verkligheten

• Inom medicinsk diagnostik används Bayes sats för att tolka resultaten av sjukdomstester. En läkare kan använda satsen för att beräkna den faktiska sannolikheten att en patient har en sjukdom, givet ett positivt testresultat, med hänsyn till testets träffsäkerhet och sjukdomens förekomst i befolkningen.
• I rättssystemet kan Bayes sats användas för att bedöma bevisning. Till exempel kan en DNA-matchning ge en viss sannolikhet för att en misstänkt är skyldig, men Bayes sats kan användas för att uppdatera denna sannolikhet baserat på annan information, som vittnesmål eller alibin.

Bedömningsidéer

Utgångsbiljett

Ge eleverna ett scenario med ett medicinskt test (t.ex. för en sällsynt sjukdom). Be dem beräkna den betingade sannolikheten att en person faktiskt har sjukdomen givet ett positivt testresultat, och ange vilka värden för testets sensitivitet och specificitet som användes.

Diskussionsfråga

Presentera ett problem där två händelser kan vara beroende eller oberoende (t.ex. att dra kort ur en kortlek utan återläggning). Ställ frågan: 'Hur kan vi formellt visa att dessa händelser är beroende, och hur skulle sannolikheten för den andra händelsen förändras om vi visste att den första inträffat?'

Snabbkontroll

Visa en enkel Bayes sats-formel på tavlan och be eleverna identifiera vad varje term (P(A), P(B), P(B|A), P(A|B)) representerar i ett givet exempel, som att kasta en tärning och dra ett kort.

Vanliga frågor

Hur definieras betingad sannolikhet P(A|B)?

P(A|B) är sannolikheten för A givet B, beräknat som P(A och B)/P(B). Elever modellerar med träd eller tabeller från data, som kortdragningar, för att skilja från P(B|A). Detta bygger intuitiv förståelse för beroende händelser i Lgr22:s problemlösningsmål.

Vad är skillnaden mellan beroende och oberoende händelser?

Beroende: P(A|B) ≠ P(A), som vid kort utan återläggning. Oberoende: P(A|B) = P(A), som dubbla myntkast. Simuleringar bekräftar detta empiriskt, stärker elevernas förmåga att testa antaganden kvantitativt i avancerad problemlösning.

Hur används Bayes sats i medicinska tester?

Bayes sats uppdaterar pretest-sannolikhet (prior) med testresultat till post-test (posterior), hanterar falsk-positiv/negativ via känslighet och specificitet. Elever löser med formel och tolkning, kopplat till verkliga riskbedömningar och Lgr22:s statistikkrav.

Hur kan aktivt lärande hjälpa elever förstå betingad sannolikhet och Bayes sats?

Aktiva metoder som stationrotationer med fysiska objekt och digitala simuleringar låter elever samla egna data, beräkna P(A|B) och se Bayes-uppdateringar live. Grupparbete främjar diskussion av missuppfattningar, gör abstrakta formler greppbara och kopplar till verkliga tillämpningar, vilket höjer motivation och retention enligt Lgr22.