Бросок монеты, карта из колоды, риск в стратегии — во всех этих случаях заранее известны варианты, но не конкретный результат. Теория вероятностей даёт способ назначить исходам численные шансы и оценить поведение процесса на серии испытаний. Предсказать следующий случайный исход наверняка она не может.
Ключевое различие для практических задач — между вероятностью отдельного исхода и выгодностью стратегии. Шанс выиграть может быть высоким, но стратегия — убыточной, если редкие проигрыши слишком велики. И наоборот, стратегия с частыми неудачами может иметь положительное математическое ожидание, если выигрыш в удачном исходе достаточно велик.
Что такое теория вероятностей
Теория вероятностей изучает случайные явления математическими методами. В расчётах постоянно встречаются четыре понятия: эксперимент, элементарный исход, событие и вероятность.
Простой пример — бросок обычной шестигранной игральной кости. Экспериментом является бросок, а пространство элементарных исходов можно записать как Ω = {1, 2, 3, 4, 5, 6}. Событие «выпало чётное число» включает исходы {2, 4, 6}. Если кость симметрична и исходы равновозможны, вероятность события равна 3/6 = 1/2.
Вероятность обозначают P(A), где A — событие. Её значение находится в диапазоне от 0 до 1:
- P(A) = 0 — невозможное событие;
- P(A) = 1 — достоверное событие;
- 0 < P(A) < 1 — событие может произойти, но не гарантировано.
Если P(A)=0,25, это те же 25%. Но ждать события строго в каждом четвёртом испытании не стоит: в короткой серии оно может появиться дважды подряд или не появиться вовсе. Число 0,25 характеризует случайный механизм, а не задаёт расписание исходов.
Случайный эксперимент, исход и событие
Случайный эксперимент, или испытание, проводится при заданных условиях, но его конкретный результат заранее неизвестен. Один возможный результат называется элементарным исходом, а множество всех возможных исходов — пространством элементарных исходов Ω.
Событие — один исход или набор исходов, удовлетворяющих заданному условию. При броске двух монет пространство исходов можно представить как {ОО, ОР, РО, РР}, где О — орёл, Р — решка. Событие «выпал ровно один орёл» состоит из ОР и РО.
Какими бывают события
Достоверное событие происходит при любом допустимом исходе. Невозможное не может произойти в условиях эксперимента. Случайное может как наступить, так и не наступить.
События A и B называют совместными, если они могут произойти одновременно, и несовместными, если их одновременное наступление невозможно. Противоположное событие Ā означает, что A не произошло. Поэтому:
P(Ā) = 1 − P(A).
Несколько событий образуют полную группу, если в результате испытания обязательно наступает одно из них и они попарно несовместны.
Классическая формула вероятности
Если все элементарные исходы конечны и равновозможны, используется классическое определение:
P(A) = m / n,
где m — число исходов, благоприятных событию A, а n — общее число равновозможных исходов.
Например, вероятность выбросить на шестигранной кости число больше 4: благоприятны исходы 5 и 6, поэтому P(A) = 2/6 = 1/3.
Главная проверка перед применением формулы — действительно ли исходы равновозможны. Для смещённой монеты, несимметричной кости или процесса, где варианты имеют разные шансы, простое отношение m/n использовать нельзя без дополнительной модели.
Как решать базовые задачи на вероятность
- Определить эксперимент. Что именно происходит один раз?
- Записать пространство исходов. Какие результаты вообще возможны?
- Сформулировать событие. Какой результат требуется?
- Проверить равновозможность. Можно ли применять классическую формулу?
- Посчитать благоприятные исходы. При большом числе вариантов использовать комбинаторику.
- Выбрать правило. Сложение, умножение, условная вероятность, формула полной вероятности, Байеса или схема Бернулли.
- Проверить ответ. Вероятность не может быть меньше 0 или больше 1; результат должен соответствовать смыслу задачи.
Сложение вероятностей: когда нужно «или»
Объединение A ∪ B означает, что произошло хотя бы одно из событий A или B. В общем случае:
P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
Пересечение A ∩ B вычитается, потому что при простом сложении оно учитывается дважды. Если события несовместны, P(A ∩ B) = 0 и формула упрощается:
P(A ∪ B) = P(A) + P(B).
При одном броске кости, например, события «выпало 1» и «выпало 6» несовместны. Вероятность получить 1 или 6 равна 1/6 + 1/6 = 1/3.
Умножение вероятностей: когда нужно «и»
Для последовательности событий важно различать независимость и зависимость. События независимы, если наступление одного не изменяет вероятность другого. Для независимых A и B:
P(A ∩ B) = P(A) × P(B).
Вероятность получить два орла при двух бросках честной монеты равна 1/2 × 1/2 = 1/4.
События зависимы, если первый результат меняет условия второго. Например, при вытягивании двух карт из колоды без возвращения состав колоды после первой карты меняется. Тогда используется условная вероятность:
P(A ∩ B) = P(A) × P(B|A).
Условная вероятность
Условная вероятность P(A|B) показывает вероятность события A при условии, что событие B уже произошло:
P(A|B) = P(A ∩ B) / P(B), если P(B) > 0.
За записью стоит простая операция: появилась новая информация — часть исходов больше не рассматривается. Так работают задачи с картами, диагностикой, статистикой, риском и последовательными решениями.
Если P(A|B) = P(A), знание о B не меняет вероятность A — это один из способов выразить независимость событий.
Комбинаторика: как считать большое число исходов
Когда исходов слишком много для ручного перечисления, теория вероятностей опирается на комбинаторику. Она отвечает не на вопрос «насколько вероятен исход», а сначала на вопрос «сколько таких исходов существует».
Факториал n! = 1 × 2 × ... × n используется в формулах перестановок, размещений и сочетаний. Если нужно выбрать k объектов из n и порядок выбранных объектов не имеет значения, применяют число сочетаний:
C(n,k) = n! / (k!(n−k)!).
Число способов выбрать 2 карты из 52 равно C(52,2). Комбинаторика особенно полезна для карточных задач, лотерей, выборок и повторных испытаний.
Перед выбором формулы полезно проверить одну вещь: меняет ли порядок результат. Если да, одних сочетаний недостаточно. Если нет, подсчёт перестановок даст лишние варианты и исказит вероятность.
Формула полной вероятности и теорема Байеса
Если событие A может произойти при нескольких несовместных гипотезах H₁, H₂, ..., образующих полную группу, его вероятность можно получить по формуле полной вероятности:
P(A) = Σ P(Hᵢ)P(A|Hᵢ).
Теорема Байеса решает обратную задачу: позволяет после наблюдения A пересчитать вероятность гипотезы Hᵢ:
P(Hᵢ|A) = P(Hᵢ)P(A|Hᵢ) / P(A).
Исходная оценка называется априорной вероятностью, а обновлённая с учётом новой информации — апостериорной. Байесовская логика полезна, когда решение принимается последовательно: появилась новая информация — вероятности гипотез пересчитались — изменился выбор.
Типичная ошибка — смотреть только на вероятность наблюдения при гипотезе и игнорировать исходную распространённость самой гипотезы. Поэтому условная вероятность P(A|B) в общем случае не равна P(B|A).
Испытания Бернулли и вероятность серии результатов
Испытанием Бернулли называют эксперимент с двумя рассматриваемыми исходами — условно «успех» и «неудача». Если испытания независимы, вероятность успеха p постоянна, а q = 1 − p, вероятность получить ровно k успехов в n испытаниях задаётся формулой Бернулли:
Pₙ(k) = C(n,k)pk(1−p)n−k.
Такая модель приводит к биномиальному распределению. Она подходит не потому, что в задаче много повторений, а только когда выполняются условия модели: фиксированное число испытаний, два классифицируемых исхода, постоянное p и независимость.
Случайная величина и распределение вероятностей
Случайная величина X сопоставляет исходам эксперимента числовые значения. Она бывает дискретной, когда принимает отдельные значения, и непрерывной, когда возможен диапазон значений.
Распределение вероятностей описывает, какие значения может принимать случайная величина и с какими вероятностями. Для дискретных величин задают вероятности отдельных значений; для непрерывных используют функцию распределения и плотность вероятности.
В задачах встречаются распределение Бернулли, биномиальное, равномерное, Пуассона, экспоненциальное и нормальное. Выбирать одно из них только потому, что формула удобна, нельзя: распределение должно соответствовать механизму, который породил данные.
Математическое ожидание: почему высокий шанс выигрыша ещё не означает хорошую стратегию
Математическое ожидание E(X) — средневзвешенное значение случайной величины с учётом вероятностей возможных результатов. Для дискретной величины:
E(X) = Σ xᵢpᵢ.
Предположим, стратегия даёт 90% вероятности выиграть 100 рублей и 10% вероятности потерять 1 000 рублей. Вероятность выигрыша выглядит высокой, но математическое ожидание результата:
0,9 × 100 + 0,1 × (−1000) = −10 рублей.
Получается −10 рублей, хотя выигрыш происходит в девяти случаях из десяти. Частота побед здесь вводит в заблуждение. Если сопоставимые независимые решения повторяются в тех же условиях, отрицательное ожидание соответствует отрицательному среднему результату модели на длинной дистанции.
Возможна и обратная картина: редкий крупный выигрыш перекрывает серию небольших потерь. Поэтому «процент побед» без размеров выигрыша и проигрыша почти ничего не говорит о среднем результате стратегии.
Дисперсия и риск: одинаковое ожидание не означает одинаковую стратегию
Дисперсия Var(X) характеризует разброс случайной величины относительно её математического ожидания:
Var(X) = E[(X − E(X))²].
Среднеквадратическое отклонение равно квадратному корню из дисперсии и выражает масштаб разброса в тех же единицах, что и сама случайная величина.
Две стратегии могут иметь одинаковое математическое ожидание, но совершенно разный риск. Одна даёт результаты около среднего, другая чередует крупные выигрыши и крупные потери. Поэтому практический анализ обычно требует как минимум двух вопросов: «каков ожидаемый результат?» и «насколько сильно фактический результат может отклоняться от него?»
Для нескольких случайных величин дополнительно используют ковариацию и корреляцию, чтобы описывать совместное изменение величин. Корреляция сама по себе не доказывает причинную связь.
Закон больших чисел: что происходит на длинной дистанции
Закон больших чисел объясняет, почему при большом количестве подходящих испытаний наблюдаемые средние характеристики стабилизируются около теоретических. Например, доля орлов при бросках честной монеты при увеличении числа бросков имеет тенденцию приближаться к 1/2.
Это не означает, что после серии решек монета «должна» срочно компенсировать результат орлами. Если броски независимы, предыдущие исходы не меняют вероятность следующего броска. Закон больших чисел работает через накопление большого числа наблюдений, а не через обязанность случайности выравнивать короткие серии.
С этим связана центральная предельная теорема: при определённых условиях суммы или средние большого числа случайных величин после нормировки приближаются к нормальному распределению. Именно поэтому нормальное распределение возникает во многих статистических моделях, но применять его автоматически к любым данным нельзя.
Ошибка игрока и другие ловушки интуиции
Ошибка игрока возникает, когда человек считает, что серия прошлых независимых исходов изменила вероятность следующего. После пяти решек вероятность орла при следующем броске честной монеты остаётся 1/2. Серия выглядит необычно, но это не создаёт памяти у монеты.
Другая ошибка — путать вероятность серии, рассчитанную заранее, с вероятностью следующего события после того, как часть серии уже наблюдалась. Вероятность получить шесть решек подряд до начала бросков равна (1/2)6 = 1/64. Но после пяти уже выпавших решек вероятность шестой решки при независимом броске равна 1/2, а не 1/64.
Короткая серия вообще плохо подходит для приговора стратегии. Положительное ожидание допускает убыток на отдельном испытании и на ограниченном отрезке; отрицательное — временную прибыль. Модель описывает набор возможных траекторий и их вероятности, но не выбирает заранее ту, которая реализуется.
Как теория вероятностей используется в стратегиях
Стратегия в условиях неопределённости — это правило выбора действий при нескольких возможных исходах. Вероятностный анализ помогает разделить три разных уровня:
- шанс события — насколько вероятен конкретный исход;
- ценность исхода — сколько приобретается или теряется при его наступлении;
- риск стратегии — насколько широк разброс возможных результатов и насколько существенны неблагоприятные сценарии.
Базовая модель ожидаемого результата стратегии:
EV = Σ P(исхода) × результат исхода.
Если возможны выигрыш 300 рублей с вероятностью 0,4 и потеря 100 рублей с вероятностью 0,6, то EV = 0,4 × 300 − 0,6 × 100 = 60 рублей на одно модельное решение. Это не прогноз следующего результата, а среднее значение, к которому относится модель при многократном повторении в неизменных условиях.
EV = 60 рублей — не повод заканчивать расчёт. Откуда взяты вероятности? Какова максимальная потеря? Независимы ли испытания, насколько велик разброс, не меняются ли условия? Точная арифметика не спасает модель, если её исходные предпосылки неверны.
Вероятность, частота и статистика — не одно и то же
Теоретическая вероятность следует из принятой модели. Относительная частота — доля фактических наступлений события в наблюдаемой серии. При подходящих условиях частота может приближаться к вероятности по мере роста числа испытаний, но на малой выборке расхождение бывает значительным.
Математическая статистика решает во многом обратную задачу: по наблюдаемым данным делает выводы о неизвестных свойствах процесса или генеральной совокупности. Теория вероятностей задаёт модели случайности; статистика использует вероятностный аппарат для оценивания, проверки гипотез и работы с выборками.
Как проверить вероятностную модель до принятия решения
| Проверка | Вопрос | Типичная ошибка |
|---|---|---|
| Исходы | Все ли возможные исходы учтены? | Пропущен редкий, но дорогой сценарий |
| Равновозможность | Действительно ли исходы имеют одинаковый шанс? | Автоматическое применение m/n |
| Независимость | Меняет ли один результат вероятность другого? | Перемножение зависимых вероятностей как независимых |
| Условия | Остаётся ли вероятность постоянной? | Использование схемы Бернулли при меняющемся p |
| Цена исхода | Каков выигрыш и ущерб каждого варианта? | Оценка стратегии только по проценту успеха |
| Разброс | Насколько результат может отклоняться от среднего? | Игнорирование дисперсии и крупных потерь |
| Данные | Достаточно ли наблюдений для оценки? | Вывод по короткой серии |
Краткий пример: от вероятности к решению
Пусть есть два варианта. Стратегия A приносит +50 с вероятностью 0,8 и −100 с вероятностью 0,2. Стратегия B приносит +200 с вероятностью 0,4 и −50 с вероятностью 0,6.
Для A: E(A) = 0,8 × 50 − 0,2 × 100 = 20.
Для B: E(B) = 0,4 × 200 − 0,6 × 50 = 50.
У B математическое ожидание выше, хотя положительный исход встречается реже. Выбрать B только по EV всё равно нельзя: разброс результатов у неё заметнее. Если крупная просадка недопустима, придётся смотреть на распределение результатов, дисперсию и худшие приемлемые сценарии.
Так теория вероятностей превращает вопрос «что, скорее всего, случится?» в более полезную последовательность: какие исходы возможны → каковы их вероятности → какова цена каждого исхода → каков ожидаемый результат → какой разброс и риск допустимы.
Основные формулы теории вероятностей
| Задача | Формула |
|---|---|
| Классическая вероятность | P(A) = m/n |
| Противоположное событие | P(Ā) = 1 − P(A) |
| Объединение событий | P(A ∪ B) = P(A) + P(B) − P(A ∩ B) |
| Независимые события | P(A ∩ B) = P(A)P(B) |
| Условная вероятность | P(A|B) = P(A ∩ B)/P(B) |
| Зависимые события | P(A ∩ B) = P(A)P(B|A) |
| Сочетания | C(n,k) = n!/[k!(n−k)!] |
| Бернулли | Pₙ(k) = C(n,k)pk(1−p)n−k |
| Математическое ожидание | E(X) = Σxᵢpᵢ |
| Дисперсия | Var(X) = E[(X−E(X))²] |
Частые вопросы
Может ли вероятность быть больше 100%?
Нет. Вероятность находится от 0 до 1, или от 0% до 100%. Значение за пределами этого диапазона указывает на ошибку расчёта или неверную интерпретацию величины.
Если вероятность события 70%, оно обязательно произойдёт?
Нет. 70% характеризует вероятность в модели, а не гарантирует конкретный исход. Событие с вероятностью 0,7 может не произойти в следующем испытании.
После серии проигрышей шанс выигрыша увеличивается?
Не обязательно. Для независимых испытаний прошлые результаты не меняют вероятность следующего. Если же испытания зависимы или условия процесса изменились, вероятность действительно может измениться — это нужно выводить из механизма, а не из самой серии проигрышей.
Чем вероятность отличается от математического ожидания?
Вероятность показывает шанс события. Математическое ожидание учитывает одновременно вероятности и численные результаты всех рассматриваемых исходов. Поэтому стратегия с большей вероятностью выигрыша не обязательно имеет большее математическое ожидание.
Зачем нужна дисперсия, если известно математическое ожидание?
Ожидание описывает центр распределения, но не показывает разброс. Дисперсия помогает различать стратегии с одинаковым средним результатом, но разной нестабильностью и риском.
Когда нельзя использовать классическую формулу m/n?
Когда исходы не являются равновозможными, их нельзя просто считать и делить число благоприятных вариантов на общее количество. Сначала требуется определить вероятности исходов или построить подходящую модель.
Главное
В основе расчёта всегда остаются эксперимент, пространство исходов и событие. Дальше задача подсказывает инструмент: правила сложения и умножения, условную вероятность, комбинаторику, схему Бернулли или распределение. Когда речь уже о стратегии, к вероятностям добавляются математическое ожидание и разброс.
Вероятность не стоит читать как обещание. Отдельный исход остаётся случайным, высокий процент успеха ещё не означает выгоду, а несколько удачных или неудачных попыток ничего не доказывают о стратегии сами по себе. Перед решением приходится сверять вероятность с ценой исходов, зависимостью событий, математическим ожиданием, дисперсией и границами самой модели.
