Как можно оценить вероятность исхода события
Теория вероятности в обычной жизни: можно ли применить ее без погрешностей?
Теория вероятностей (тервер) – раздел математики, который изучает случайные события и их свойства. Ознакомиться с ней нужно, чтобы понимать, как принимать взвешенные решения. Ведь зная статистические данные и анализируя закономерности, можно «предсказать» исход события.
Я не станут грузить вас сложными формулами – желающие углубленно заняться тервером могут сделать это по книге В. Е. Гмурмана «Теория вероятностей и математическая статистика». В статье покажу простые примеры для понимания зависимых и независимых событий, расскажу о состоянии неопределенности и интуитивном знании.
Материал полезен широкому кругу читателей.
Коротко о теории вероятностей
Вероятность в зависимых событиях
Вы решаете отправить в подарок другу балык. Знаете номер дома, подъезд, этаж. Курьер просит называть номер квартиры. С мучительными усилиями вспоминаете, что в доме по три двери на площадку, но дальше – туман. Давайте рассчитаем, сможет ли курьер попасть в нужную квартиру с первого раза.
Имеем три варианта развития событий:
Но в истории участвует еще один человек: ваш друг. И событийность в его случае выглядит так:
Прежде чем пойти дальше, введем определение вероятности – количество благоприятных исходов к вероятному числу событий.
Таблица 1 – Девять исходов, три благоприятных
Представим, что курьер ошибся, и за дверью оказалась сногсшибательная блондинка в коротком халате. Для курьера исход положительный, для вас – нет. Поэтому считаем новую вероятность:
То же самое с другом:
Теперь у нас 4 варианта и 2 – выигрышные (таблица 2). Вероятность со второго раза попасть в квартиру друга – 1/2. Она уменьшилась из-за зависимости событий: мы уже исключили неблагоприятный исход и расчёт нужно производить заново. Если курьер настолько невезуч, что промахнется во второй раз, вероятность попасть по адресу в третий раз – 100%. Опытным путем мы проверили, что за двумя предыдущими дверьми балык никто не ждет.
Таблица 2 Четыре исхода, два благоприятных
Пример с курьером — начальный уровень тервера. Он применим для бытовых нужд: предугадать вероятность побочного эффекта от антибиотиков, выбрать из разнообразия бабушкиных пирожков пирожок с повидлом и др.
На экзамене по теории вероятности советский математик и автор учебника Елена Вентцель спросила:
— Кому все понятно? Поднимите руки.
В аудитории живо взметнулся лес рук.
— Отлично! Остальные свободны, оценка – пять баллов! Поднявшие руки – останьтесь. За годы преподавания я так и не поняла большей части тервера. Рада, что вы мне все сейчас объясните.
Байка с математического факультета
У вас есть свой блог? Зарабатывайте с нами от 10 000 рублей на партнерской программе TeachLine.
Вероятность в независимых событиях
Независимые события не влияют друг на друга: количество благоприятных исходов в каждом новом событии не меняется.
Регина Тодоренко и Леся Никитюк в рамках программы «Орел и Решка» приехали в США. Обе хотят провести уик-энд «по богатому» и кидают монетку. Леся поставила на орла, Регина – на решку. Вероятность уехать на собственном авто у девушек одинакова: 1/2. На это раз повезло Лесе. Впрочем, как в следующей поездке тоже.
Регина негодует, почему тервер работает не в ее сторону
Теперь определим, могут ли независимые события происходить подряд с одним и тем же исходом. Лесе везло уже два раза и выпадал «орел». Повезет ли в третий раз? Составим список возможных исходов:
По результату видно: вероятность определенной последовательности каждый раз меньше на вероятность одного события. То есть вероятность определенной последовательности – произведение вероятностей каждого события. Если в одном событии вероятность 1/2, то в трех: 1/2*1/2*1/2=1/8.
Как человек принимает решения в состоянии неопределённости
Часть мозга, которая ответственна за оценку ситуации связана с медиаторной системой — центром мотивационных и эмоциональных процессов. Логика и эмоции часто конфликтуют между собой, поэтому решение принимается случайным образом.
У моей подруги аллергия на виноград. Но в студенчестве она не могла отказаться от бокала вина на вечеринке. Часто ее дерзость оставалась безнаказанной и организм нормально воспринимал аллерген. Реже протестовал: у подруги появлялись отеки на лице и в горле. В эти моменты ее левое полушарие отчаянно искало закономерность и просчитывало вероятность наступления аллергической реакции, правое же шептало: «Не пей, лицо распухнет!». Она могла вывести количество благоприятных исходов математическим путем и пить вино без опасений, но эмоции оказались сильней. Подруга раз и навсегда отказалась от любых продуктов с виноградом.
Хороший пример принятия решений описан в книге Млодинова «(Не) совершенная случайность». Допустим, вы отправили рассказ в четыре издательства. От каждого получили отказ. На эмоциях вы придете к мысли: рассказ ужасный! Хотя, если изучить биографии популярных писателей, может оказаться, что дело не в вас. Отказы в публикации получали Стивен Кинг, Джоан Роулинг, Виктор Франкл. Такие истории случались вовсе не из-за отсутствия у них дара: просто в одном издательстве редактор не понял тонкую философию автора, в другом – спешил домой и проставил визу не читая.
Почему интуитивное знание всегда противоречит статистике
Моя бабушка считает: в Албании убивают на каждом шагу. Хотя в стране она не была и новостей о не слышала: ей так кажется интуитивно. Наверняка и вы не раз испытывали подобное чувство. Оно называется интуитивное знание – внутреннее убеждение, что собственная оценка более правдива, чем официальные источники и статистика.
Всего 127 убийств на 100 000 человек
Классическое исследование на тему интуитивного знания провели Даниэль Канеман и Амос Тверский. Они дали задание группе студентов: на основании портрета, оценить утверждения с таблицы как более (1 балл) и менее (8 баллов) вероятные (таблица 3).
Таблица 3
По портрету логично предположить, что Линда участвует в феминистском движении. Но студенты принимали решения интуитивно, что привело к ошибке. Вероятность, что Линда работает в банке и принимает участие в феминистском движении больше вероятности работы в банке.
Посмотрите на таблицу: вероятность работы в банке и увлечение феминистским движением – 4,1 балл. Но первое (работа в банке) и второе (феминистское движение) в сумме дают 8,3 балла. Согласно терверу, вероятность, что произойдут оба события не может быть выше, чем вероятность каждого события по отдельности. Главное утверждение (4,1 балла) содержит 2 события и является единым. В интуитивном решения правило тервера нарушено. Это доказывает — наши убеждения часто являются ложными.
В дальнейшем проводились множественные эксперименты, которые подтвердили догадку Канемана.
Вместо заключения
Теория вероятностей почти всегда разбивается о «случай», продиктованный убеждением или эмоцией отдельного человека. Поэтому использование ее в повседневной жизни может не оправдать ожиданий. Но выбирать вам! Хорошего дня!
Теория вероятностей, формулы и примеры
Тема непростая, но если вы собираетесь поступать на факультет, где нужны базовые знания высшей математики, освоить материал — must have. Тем более, все формулы по теории вероятности пригодятся не только в универе, но и при решении 4 задания на ЕГЭ. Начнем!
Статья находится на проверке у методистов Skysmart.
Если вы заметили ошибку, сообщите об этом в онлайн-чат
(в правом нижнем углу экрана).
Основные понятия
Французские математики Блез Паскаль и Пьер Ферма анализировали азартные игры и исследовали прогнозы выигрыша. Тогда они заметили первые закономерности случайных событий на примере бросания костей и сформулировали теорию вероятностей.
Когда мы кидаем монетку, то не можем точно сказать, что выпадет: орел или решка.
Но если подкидывать монету много раз — окажется, что каждая сторона выпадает примерно равное количество раз. Из чего можно сформулировать вероятность: 50% на 50%, что выпадет «орел» или «решка».
Теория вероятностей — это раздел математики, который изучает закономерности случайных явлений: случайные события, случайные величины, их свойства и операции над ними.
Вероятность — это степень возможности, что какое-то событие произойдет. Если у нас больше оснований полагать, что что-то скорее произойдет, чем нет — такое событие называют вероятным.
Ну, скажем, смотрим на тучи и понимаем, что дождь — вполне себе вероятное событие. А если светит яркое солнце, то дождь — маловероятное или невероятное событие.
Случайная величина — это величина, которая в результате испытания может принять то или иное значение, причем неизвестно заранее, какое именно. Случайные величины можно разделить на две категории:
Вероятностное пространство — это математическая модель случайного эксперимента (опыта). Вероятностное пространство содержит в себе всю информацию о свойствах случайного эксперимента, которая нужна, чтобы проанализировать его через теорию вероятностей.
Формулы по теории вероятности
Теория вероятности изучает события и их вероятности. Если событие сложное, то его можно разбить на простые составные части — так легче и быстрее найти их вероятности. Рассмотрим основные формулы теории вероятности.
Случайные события. Основные формулы комбинаторики
Классическое определение вероятности
Вероятностью события A в некотором испытании называют отношение:
P (A) = m/n, где n — общее число всех равновозможных, элементарных исходов этого испытания, а m — количество элементарных исходов, благоприятствующих событию A
Таким образом, вероятность любого события удовлетворяет двойному неравенству:
Пример 1. В пакете 15 конфет: 5 с молочным шоколадом и 10 — с горьким. Какова вероятность вынуть из пакета конфету с белым шоколадом?
Так как в пакете нет конфет с белым шоколадом, то m = 0, n = 15. Следовательно, искомая вероятность равна нулю:
Неприятная новость для любителей белого шоколада: в этом примере событие «вынуть конфету с белым шоколадом» — невозможное.
Пример 2. Из колоды в 36 карт вынули одну карту. Какова вероятность появления карты червовой масти?
Количество элементарных исходов, то есть количество карт равно 36 (n). Число случаев, благоприятствующих появлению карты червовой масти (А) равно 9 (m).
Геометрическое определение вероятности
Геометрическая вероятность события А определяется отношением:
P(A)= m(A)/m(G), где m(G) и m(A) — геометрические меры (длины, площади или объемы) всего пространства элементарных исходов G и события А соответственно
Чаще всего, в одномерном случае речь идет о длинах отрезков, в двумерном — о площадях фигур, а в трехмерном — об объемах тел.
Пример. Какова вероятность встречи с другом, если вы договорились встретиться в парке в промежутке с 12.00 до 13.00 и ждете друг друга 5 минут?
У нас есть отличные курсы по математике для учеников с 1 по 11 классы — приглашаем на вводный урок!
Сложение и умножение вероятностей
Теорема о сложении вероятностей звучит так: вероятность появления одного из двух несовместных событий равна сумме вероятностей этих событий:
P(A + B) = P(A) + P(B)
Эта теорема справедлива для любого числа несовместных событий:
Если случайные события A1, A2. An образуют полную группу несовместных событий, то справедливо равенство:
Произведением событий А и В называется событие АВ, которое наступает тогда, когда наступают оба события: А и В одновременно. Случайные события А и B называются совместными, если при данном испытании могут произойти оба эти события.
Вторая теорема о сложении вероятностей: вероятность суммы совместных событий вычисляется по формуле:
P(A + B) = P(A) + P(B) − P(AB)
События событий А и В называются независимыми, если появление одного из них не меняет вероятности появления другого. Событие А называется зависимым от события В, если вероятность события А меняется в зависимости от того, произошло событие В или нет.
Теорема об умножении вероятностей: вероятность произведения независимых событий А и В вычисляется по формуле:
P(AB) = P(A) * P(B)
Пример. Студент разыскивает нужную ему формулу в трех справочниках. Вероятности того, что формула содержится в первом, втором и третьем справочниках равны 0,6; 0,7 и 0,8.
Найдем вероятности того, что формула содержится:
А — формула содержится в первом справочнике;
В — формула содержится во втором справочнике;
С — формула содержится в третьем справочнике.
Воспользуемся теоремами сложения и умножения вероятностей.
Ответ: 1 — 0,188; 2 — 0,452; 3 — 0,336.
Формула полной вероятности и формула Байеса
 |
По теореме умножения вероятностей:
Аналогично, для остальных гипотез:
Эта формула называется формулой Байеса. Вероятности гипотез называются апостериорными вероятностями, тогда как — априорными вероятностями.
Пример. Одного из трех стрелков вызывают на линию огня, он производит два выстрела. Вероятность попадания в мишень при одном выстреле для первого стрелка равна 0,3, для второго — 0,5; для третьего — 0,8. Мишень не поражена. Найти вероятность того, что выстрелы произведены первым стрелком.
Формула Бернулли
При решении вероятностных задач часто бывает, что одно и тоже испытание повторяется многократно, и исход каждого испытания независит от исходов других. Такой эксперимент называют схемой повторных независимых испытаний или схемой Бернулли.
Примеры повторных испытаний:
Итак, пусть в результате испытания возможны два исхода: либо появится событие А, либо противоположное ему событие. Проведем n испытаний Бернулли. Это означает, что все n испытаний независимы. А вероятность появления события А в каждом случае постоянна и не изменяется от испытания к испытанию.
Биномиальное распределение — распределение числа успехов (появлений события).
Пример. Среди видео, которые снимает блогер, бывает в среднем 4% некачественных: то свет плохой, то звук пропал, то ракурс не самый удачный. Найдем вероятность того, что среди 30 видео два будут нестандартными.
Опыт заключается в проверке каждого из 30 видео на качество. Событие А — это какая-то неудача (свет, ракурс, звук), его вероятность p = 0,04, тогда q = 0,96. Отсюда по формуле Бернулли можно найти ответ: 
Ответ: вероятность плохого видео приблизительно 0,202. Блогер молодец🙂
Наивероятнейшее число успехов
Биномиальное распределение ( по схеме Бернулли) помогает узнать, какое число появлений события А наиболее вероятно. Формула для наиболее вероятного числа успехов k (появлений события) выглядит так:
Пример. В очень большом секретном чатике сидит 730 человек. Вероятность того, что день рождения наугад взятого участника чата приходится на определенный день года — равна 1/365 для каждого из 365 дней. Найдем наиболее вероятное число счастливчиков, которые родились 1 января.
Формула Пуассона
При большом числе испытаний n и малой вероятности р формулой Бернулли пользоваться неудобно. Например, 0.97 999 вычислить весьма затруднительно.
В этом случае для вычисления вероятности того, что в n испытаниях событие произойдет k раз, используют формулу Пуассона:
 |
Здесь λ = np обозначает среднее число появлений события в n испытаниях.
Эта формула дает удовлетворительное приближение для p ≤ 0,1 и np ≤10.
События, для которых применима формула Пуассона, называют редкими, так как вероятность, что они произойдут — очень мала (обычно порядка 0,001-0,0001).
При больших np рекомендуют применять формулы Лапласа, которую рассмотрим чуть позже.
Пример. В айфоне 1000 разных элементов, которые работают независимо друг от друга. Вероятность отказа любого элемента в течении времени Т равна 0,002. Найти вероятность того, что за время Т откажут ровно три элемента.
P1000(3) = λ 3 /3! * e −λ = 2 3 /3! * e −2 ≈ 0,18.
Ответ: ориентировочно 0,18.
Теоремы Муавра-Лапласа
Кроме того, пусть Pn(k1;k2) — вероятность того, что число появлений события А находится между k1 и k2.
Локальная теорема Лапласа звучит так: если n — велико, а р — отлично от 0 и 1, то
Интегральная теорема Лапласа звучит так: если n — велико, а р — отлично от 0 и 1, то
Функции Гаусса и Лапласа обладают свойствами, которые пригодятся, чтобы правильно пользоваться таблицей значений этих функций:
Теоремы Лапласа дают удовлетворительное приближение при npq ≥ 9. Причем чем ближе значения q, p к 0,5, тем точнее данные формулы. При маленьких или больших значениях вероятности (близких к 0 или 1) формула дает большую погрешность по сравнению с исходной формулой Бернулли.
Что такое вероятность и как ее посчитать
Пусть будет некий абстрактный эксперимент в процессе которого может происходить некое событие. Этот эксперимент провели пять раз, и в четырех из них происходило то самое событие. Какие выводы можно сделать из этих 4/5?
Есть формула Бернулли, которая дает ответ, с какой вероятностью происходит 4 из 5 при известной исходной вероятности. Но она не дает ответ, какая была исходная вероятность, если событий получилось 4 из 5. Оставим пока в стороне формулу Бернулли.
Сделаем маленькую простенькую программку, симулирующую процессы вероятностей для такого случая, и на основе результата вычислений построим график.
Код этой программы можно найти здесь, рядом же вспомогательные функции.
Полученный расчет закинул в эксель и сделал график.
Такой вариант графика можно назвать распределением плотности вероятностей значения вероятности. Его площадь равна единице, которая распределена в этом холмике.
Для полноты картины упомяну, что этот график соответствует графику по формуле Бернулли от параметра вероятность и умноженный на N+1 количества экспериментов.
Далее по тексту, там где в статье употребляю дробь вида k/n, то это не деление, это k событий из n экспериментов, чтобы каждый раз не писать k из n.
Далее. Можно увеличить количество экспериментов, и получить более узкую область расположения основных величин значения вероятность, но как бы их не увеличивали, эта область не сократится до нулевой области с точно известной вероятностью.
На графике ниже изображены распределения для величин 4/5, 7/9, 11/14 и 24/30. Чем уже область, тем выше холмик, площадь которого неизменная единица. Эти соотношения выбраны, потому что они все около 0.8, а не потому что именно такие могут возникнут при 0.8 исходной вероятности. Выбраны, чтобы продемонстрировать, какая область возможных значений остается даже при 30 проведенных экспериментах.
Код программы для этого графика здесь.
Из чего следует, что в действительности экспериментальную вероятность абсолютно точно не определить, а можно лишь предположить область возможного расположения таковой величины, с точностью в зависимости от того сколько произвели замеров.
Сколько бы экспериментов не провели, всегда остается вероятность, что исходная вероятность может оказаться и 0.0001 и 0.9999. Для упрощения крайние маловероятные значения отбрасываются. И берется, скажем, например 95% от основной площади графика распределения.
Такая штука называется доверительные интервалы. Каких-либо рекомендаций, сколько именно и почему процентов нужно оставить я не встречал. Для прогноза погоды берут поменьше, для запуска космических шаттлов побольше. Так же обычно не упоминают, какой все же используется доверительный интервал на вероятность событий и используется ли вообще.
В моей программе расчет границ доверительного интервала осуществляется здесь.
Получилось, что вероятность события определяется плотностью вероятностей значения вероятности, и на это еще нужно наложить процент области основных значений, чтобы можно было хоть что-то определенно сказать, какая все же вероятность у исследуемого события.
Теперь, про более реальный эксперимент.
Пусть будет всем надоевшая монетка, подбрасываем эту монетку, и получаем 4 из 5 выпадений решкой — очень реальный случай. В действительности это не совсем то же самое, что описал чуть выше. Чем это отличается от предыдущего эксперимента?
Предыдущий эксперимент описывался из предположения, что вероятность события может быть равнораспределена на интервале от 0 до 1. В программе это задается строкой double probability = get_random_real_0_1();. Но не бывает монеток с вероятностью выпадения, скажем, 0.1 или 0.9 всегда одной стороной.
Если взять тысячу самых разных монет от обычных до самых кривых, и для каждой произвести замер выпадения путем подбрасывания их по тысяче и более раз, то это покажет, что реально они выпадают одной стороной в диапазоне от 0.4 до 0.6 (это числа навскидку, не буду же я выискивать 1000 монет и каждую подбрасывать 1000 раз).
Как этот факт меняет программу для симуляции вероятностей одной конкретной монеты, для которой получили 4 из 5 выпадения решкой?
Допустим, что распределение выпадения одной стороной для монет описывается как приближение к графику нормального распределения взятого с параметрами средняя = 0.5, стандартное отклонение = 0.1. (на графике ниже он изображен черным цветом).
Когда в программе меняю генерацию исходной вероятности с равнораспределенной на распределенную по указанному правилу, то получаю следующие графики:
Код этого варианта здесь.
Видно, что распределения сильно сдвинулись и теперь определяют несколько иную область, в которой высоковероятно возможна искомая вероятность. Поэтому, если известно, какие вероятности бывают для тех вещей, одну из которых хотим измерить, то это может несколько улучшить результат.
В итоге, 4/5 это ни о чем не говорит и даже 50 проведенных экспериментов не очень информативны. Это очень мало информации, чтобы определить, что за вероятность все же лежит в основе эксперимента.
Как упомянул в комментариях jzha, человек существенно знающий математику, данные графики можно построить и путем точных формул. Но цель данной статьи все же как можно наглядней показать как образуется то, что все в повседневной жизни называют вероятностью.
Для того что бы это строить путем точных формул, это нужно рассмотреть имеющиеся в наличии данные по распределению вероятностей всех монет через аппроксимацию бета распределением, и путем сопряжения распределений выводить уже расчеты. Такая схема это существенный объем по объяснениям, как это сделать, и если я это здесь буду описывать, то это получится скорее статья по математическим расчетам, а не про бытовые вероятности.
Как получить в формулах описанный частный случай с монетой, смотрите комментарии от jzha.