Условная вероятность и независимость событий
Ключевые тезисы:
Условная вероятность — вероятность события A при условии, что событие B уже произошло.
Независимость событий — ключевое понятие, означающее, что наступление одного события не влияет на вероятность другого.
Независимость ≠ несовместность. Несовместные события (не пересекающиеся) обычно зависимы.
Схема испытаний Бернулли — модель для серии независимых испытаний с двумя исходами ("успех"/"неудача").
Условная вероятность
Условная вероятность события A при условии события B обозначается как P(A|B) и определяется формулой:
P(A|B) = P(A ∩ B) / P(B), при условии P(B) ≠ 0.
Интуитивное объяснение: Если известно, что произошло событие B, пространство элементарных исходов сужается до этого события. Вероятность A в новых условиях — это доля исходов, благоприятных для A, среди всех исходов в B.
Теорема умножения (историческое название) вытекает из определения:
P(A ∩ B) = P(A|B) * P(B) = P(B|A) * P(A).
Независимость событий
Для двух событий
События A и B называются независимыми, если:
P(A ∩ B) = P(A) * P(B).
Логический вывод: События независимы, когда дополнительная информация о наступлении одного не меняет вероятность другого: P(A|B) = P(A) и P(B|A) = P(B).
Для нескольких событий (n > 2)
Важно различать:
- Попарная независимость: каждые два события независимы.
- Независимость в совокупности (взаимная независимость): для любого подмножества событий вероятность их пересечения равна произведению их вероятностей.
Ключевой факт: Из попарной независимости НЕ следует независимость в совокупности.
Примеры, иллюстрирующие разницу:
- Покрашенный тетраэдр: Четыре грани: красная, желтая, зеленая и красно-желто-зеленая (полосатая). События: выпадение грани с красным (K), желтым (Ж), зеленым (З). Они попарно независимы (P(K∩Ж)=1/4 = 1/2*1/2), но P(K∩Ж∩З)=1/4 ≠ 1/8. Взаимной независимости нет.
- Квадрат с областями: Три события, заданные областями внутри единичного квадрата, также попарно независимы, но их общее пересечение имеет вероятность 0, а не 1/8.
Формула полной вероятности и формула Байеса
Если события B₁, B₂, ..., Bₘ образуют полную группу несовместных событий (покрывают всё пространство Ω), то для любого события A:
Формула полной вероятности
P(A) = Σ [P(A|Bᵢ) * P(Bᵢ)] для i от 1 до m.
Пример (урновая схема): Есть две урны. Из первой случайно перекладывают шар во вторую, затем из второй вытаскивают два шара. Формула позволяет вычислить вероятность вытащить, например, два белых шара, учитывая все варианты первого перекладывания.
Формула Байеса
Позволяет "перевернуть" условность и вычислить вероятность причины по наблюдённому следствию:
P(Bᵢ|A) = [P(A|Bᵢ) * P(Bᵢ)] / Σ [P(A|Bⱼ) * P(Bⱼ)].
Классический пример (студент на тесте):
- Событие B₁ — студент знает ответ, B₂ — не знает.
- Событие A — студент дал правильный ответ.
- Если студент знает, он отвечает верно (P(A|B₁)=1). Если не знает — угадывает из k вариантов (P(A|B₂)=1/k).
- Преподаватель, увидев правильный ответ, может по формуле Байеса оценить апостериорную вероятность P(B₁|A) того, что студент действительно знал материал.
Схема испытаний Бернулли
Определение: Модель для серии из n независимых однотипных испытаний, в каждом из которых возможно только два исхода:
- "Успех" (вероятность p)
- "Неудача" (вероятность q = 1 - p).
Пространство элементарных исходов Ω: Все последовательности длины n из 0 (неудача) и 1 (успех). Всего 2ⁿ исходов.
Вероятность элементарного исхода: Для исхода (x₁, x₂, ..., xₙ), где xᵢ = 0 или 1:
P(ω) = p^{k} * q^{n-k}, где k = Σ xᵢ (общее число успехов).
Это первая рассмотренная модель, где вероятности элементарных исходов могут быть не равны между собой (если p ≠ 1/2).
Вероятность события "ровно k успехов в n испытаниях":
P(ровно k успехов) = Cₙᵏ * pᵏ * qⁿ⁻ᵏ, где Cₙᵏ — число сочетаний.
Эта формула называется биномиальным распределением.
Выводы
- Условная вероятность формализует пересчёт вероятностей при поступлении новой информации.
- Независимость — фундаментальное и интуитивно не всегда очевидное свойство, требующее аккуратной проверки.
- Формула Байеса лежит в основе современных статистических методов и машинного обучения.
- Схема Бернулли — мощная и простая модель, основа для изучения случайных графов, блужданий и многих других процессов.