От броска костей до теоремы Байеса: гид по вероятностям

У игрального кубика нет памяти, а застенчивый любитель книг Стив со статистической точки зрения почти наверняка окажется фермером, а не библиотекарем. Человеческая интуиция систематически пасует перед чистой случайностью, путая психологические стереотипы с реальным распределением вероятностей. От простейших бросков костей до теоремы Байеса — математик Том Кроуфорд раскладывает теорию вероятностей на наглядных игровых моделях, показывая, как строгий расчет устраняет когнитивные искажения и готовит фундамент для анализа данных.

🎲 Фундамент вероятности: от броска кости до классических определений 40:36

Изучение математики шансов Том Кроуфорд предлагает начать с самого простого и наглядного примера — игры в кости. В стандартной игральной кости существует шесть возможных исходов, пронумерованных от единицы до шести . В честной игре каждый из этих исходов равновероятен, что и ложится в основу математического понимания ситуации. Вероятность в данном контексте определяется как отношение желаемого исхода к общему количеству возможных вариантов .

Математически вероятность — это числовая мера того, насколько вероятно наступление конкретного события . Существует несколько «железных» правил, которые Том Кроуфорд называет непоколебимыми:

• Значение любой вероятности всегда находится в диапазоне от 0 до 1 . Чем ближе число к единице, тем выше шанс события; чем ближе к нулю, тем оно менее вероятно .
• Сумма вероятностей всех возможных исходов в рамках одного эксперимента всегда должна быть строго равна единице .
• Если известна вероятность наступления события, вероятность того, что оно не произойдет, вычисляется простым вычитанием этого числа из единицы .

Когда все исходы имеют одинаковые шансы, мы имеем дело с дискретным равномерным распределением (discrete uniform distribution) . Если у нас есть $n$ возможных исходов (в случае с кубиком $n=6$), то вероятность каждого из них составляет $1/n$ . Эта концепция универсальна: будь то бросок кости или генерация случайного целого числа в диапазоне от 1 до $N$ в компьютерных науках , вероятность выбора конкретного числа всегда будет равна $1/N$ .

Концепция независимости: почему у костей «нет памяти» 42:21

Одной из самых важных и зачастую контринтуитивных концепций в теории вероятностей является независимость событий. Том Кроуфорд подчеркивает: результат предыдущего броска никак не влияет на то, что выпадет в следующий раз . Кубику «все равно», выпала ли вам только что заветная шестерка или вы ждете ее уже десять ходов подряд .

Математическое определение независимости гласит: исход одного события не оказывает никакого влияния и не меняет вероятность исхода другого события . Это позволяет нам рассчитывать вероятность последовательности действий. Если события независимы, их вероятности просто перемножаются :

1. Вероятность выбросить шестерку — $1/6$ .
2. Вероятность следом за ней выбросить единицу — также $1/6$ .
3. Вероятность получить именно такую комбинацию (6, а затем 1) составляет $1/6 \times 1/6 = 1/36$ .

Интересно, что с точки зрения математики комбинация из двух шестерок подряд (6 и 6) имеет точно такую же вероятность — $1/36$ . Несмотря на то, что человеческая интуиция часто воспринимает «дубль» как некое невероятное везение, расчеты подтверждают: вероятность любой специфической пары чисел при двух бросках абсолютно одинакова .

Математическое ожидание: долгосрочный прогноз случайности 49:56

Когда мы играем в настольную игру долго, нас начинает интересовать не столько результат конкретного броска, сколько среднее значение в долгосрочной перспективе . Для этого вводится понятие математического ожидания (expected value), которое часто обозначается как $E[X]$ . Это «средний» результат, который мы бы получили, если бы бросили кубик сотни или тысячи раз .

Формула расчета математического ожидания проста: нужно взять каждый возможный исход, умножить его на вероятность появления и сложить полученные результаты . Для одной игральной кости расчет выглядит так: $(1 \times 1/6) + (2 \times 1/6) + (3 \times 1/6) + (4 \times 1/6) + (5 \times 1/6) + (6 \times 1/6)$ .

Итоговый результат равен 3,5 . Примечательно, что вы никогда не сможете выбросить 3,5 на реальном кубике . Однако, если визуализировать исходы 1, 2, 3, 4, 5, 6 на числовой прямой, то 3,5 окажется ровно посередине . Это своего рода «центр тяжести» распределения. Чем больше испытаний мы проводим, тем ближе среднее арифметическое всех бросков будет подходить к этому теоретическому значению .

Дискретное треугольное распределение: две кости 56:40

Ситуация кардинально меняется, когда мы переходим от одного кубика к двум. Если мы рассматриваем бросок двух костей как единое событие и суммируем очки на них, исходы перестают быть равновероятными . Это пример того, как комбинация двух равномерных распределений порождает новую структуру.

Минимально возможная сумма — 2 (если на обоих кубиках выпали единицы), а максимальная — 12 (две шестерки) . Однако способов получить разные суммы неодинаковое количество:

• Сумму 2 можно получить только одним способом: (1, 1) .
• Сумму 4 можно получить тремя способами: (2, 2), (1, 3) и (3, 1) . Том Кроуфорд акцентирует внимание на том, что порядок важен: (1, 3) и (3, 1) — это разные комбинации, так как мы рассматриваем две отдельные кости .

Если построить график всех возможных исходов (всего их $6 \times 6 = 36$), мы увидим красивую симметричную фигуру, напоминающую треугольник . Именно поэтому такое распределение называется дискретным треугольным распределением (discrete triangular distribution) .

Пик вероятности приходится на число 7 — существует шесть способов получить эту сумму, поэтому её вероятность составляет $6/36$ или $1/6$ . По мере удаления от семерки к краям (к 2 или 12) вероятность падает . Несмотря на сложность структуры, здесь продолжают действовать базовые законы: вероятность каждого исхода находится между 0 и 1, а сумма всех вероятностей в треугольнике по-прежнему равна единице .

🎲 От броска кубиков к бинарной логике: зарождение распределений 1:07:37

Завершая обсуждение более сложных систем, чем одиночный кубик, Том Кроуфорд подводит итог анализу суммы двух костей. В отличие от равномерного распределения, где каждый исход равновероятен , при использовании двух кубиков мы наблюдаем выраженную симметрию с пиком вероятности на числе семь . Ранее в разговоре они касались расчета математического ожидания, и интуитивная догадка о том, что средним значением в долгосрочной перспективе будет именно семерка, полностью подтверждается формулой . Том суммирует: мы перешли от мира, где всё равноправно (дискретное равномерное распределение), к ситуациям, когда одни исходы объективно случаются чаще других . Этот переход критически важен для понимания того, как математика описывает реальные процессы, где неопределенность не всегда означает равенство шансов.

Эксперимент с двумя монетами: подготовка почвы 1:25:46

Для введения новой концепции Том Кроуфорд обращается к одному из самых обыденных инструментов теории вероятностей — подбрасыванию монеты. Обычно монету используют для выбора между двумя равнозначными вариантами, например, какая команда начнет игру в футбол . Однако с точки зрения математического анализа одиночный бросок с вероятностями 0,5 на 0,5 кажется преподавателю недостаточно захватывающим . Чтобы усложнить модель и сделать её «математически интереснее», Том берет две идентичные монеты — два американских четвертака — и подбрасывает их одновременно .

В ходе живого эксперимента Том фиксирует результаты, обращая внимание на порядок выпадения: он записывает результат монеты в правой руке первым, а в левой — вторым . В серии пробных бросков выпадают комбинации:

• «Орёл» и «Решка» (HT) ;
• Снова «Орёл» и «Решка» (HT) ;
• Два «Орла» (HH) ;
• Две «Решки» (TT) .

Хотя в этой конкретной выборке не выпала комбинация «Решка-Орёл» (TH), Том отмечает, что теоретически существует четыре равновероятных исхода . Если учитывать порядок, то каждый из четырех вариантов (HH, HT, TH, TT) имеет шанс 1 из 4 или 25% . На этом этапе модель всё еще напоминает расширенное равномерное распределение, но именно здесь Том Кроуфорд предлагает изменить «правила игры», чтобы прийти к фундаментальному понятию современной статистики.

Распределение Бернулли: жесткая дихотомия 1:29:33

Ключевой момент наступает, когда мы перестаем смотреть на все исходы как на равноценные и вводим понятие целевого результата. Том предлагает назначить конкретный исход — например, выпадение двух «Орлов» (HH) — «успехом», за который игрок получает 1 балл . Все остальные варианты развития событий (HT, TH, TT) в такой системе координат жестко определяются как «провал», приносящий 0 баллов .

Такая модель, где пространство всех возможных событий схлопывается до двух взаимоисключающих исходов, называется распределением Бернулли . Это одна из простейших, но при этом важнейших конструкций в теории вероятностей. В её основе лежат следующие правила:

1. Успех и провал: существует только два типа исхода . Даже если физически событий может быть много (как три варианта неудачи с монетами), мы объединяем их в одну категорию.
2. Вероятность $p$: вероятность успеха обозначается латинской буквой $p$. В примере Тома с двумя монетами $p = 1/4$, так как только один вариант из четырех ведет к получению балла .
3. Вероятность $1 - p$: поскольку сумма вероятностей всех событий всегда должна быть равна единице, вероятность провала автоматически вычисляется как разность между целым и успехом . Для эксперимента с монетами это $1 - 1/4 = 3/4$ .

Математическое ожидание в бинарной системе 1:32:08

Важное преимущество распределения Бернулли заключается в простоте его анализа. Том задает вопрос: каково математическое ожидание в такой игре? Другими словами, на какое среднее количество очков за один раунд мы можем рассчитывать в долгосрочной перспективе ?

Для распределения Бернулли математическое ожидание всегда равно вероятности успеха $p$ . Это утверждение интуитивно понятно: если вы получаете 1 балл в 25% случаев и 0 баллов в 75% случаев, то в среднем за один бросок вы «зарабатываете» 0,25 балла . Хотя физически получить четверть балла за один раз невозможно, это число является важнейшим статистическим ориентиром. Том Кроуфорд подчеркивает, что именно этот переход от простого перечисления шансов к модели «успех/провал» позволяет математикам строить более сложные структуры, такие как биномиальное распределение, которые будут детально разобраны в последующих частях курса.

🎲 Геометрическое распределение: когда ожидание становится реальностью 1:32:48

Переходя от простых одиночных испытаний к более сложным сценариям, Том Кроуфорд (Tom Crawford) предлагает сменить угол зрения. Если раньше основное внимание уделялось вероятности успеха в одном конкретном действии, то теперь в центре внимания оказывается время — или количество усилий, — которое потребуется затратить для достижения желаемого результата.

От точечного успеха к поиску закономерности в сериях 1:32:48

В начале обсуждения Том Кроуфорд делает краткий реверанс в сторону основ: ранее в разговоре они с Дэвидом Дж. Маланом (David J. Malan) касались распределения Бернулли, где успех оценивается в 1 балл, а неудача — в 0 . В этой модели при вероятности выпадения двух «орлов» (Head-Head) равной 1/4, математическое ожидание за один бросок составляет 0,25 очка . Однако в реальной жизни нас чаще интересует не «сколько очков я получу за один раз», а «как долго мне придётся пытаться, пока я наконец не выиграю» .

Чтобы проиллюстрировать это, Том проводит серию живых экспериментов с двумя монетами. Цель — получить комбинацию «орел-орел» (успех).

1. В первой попытке успех пришел на второй итерации (одна неудача, затем победа) .
2. Вторая попытка удивительным образом повторила результат — успех снова был достигнут на втором броске .
3. Третья серия оказалась проверкой на терпение: комбинация «орел-орел» не выпадала шесть раз подряд, и успех был зафиксирован только на седьмом броске .

Этот практический пример наглядно демонстрирует изменчивость случайных процессов: даже при фиксированной вероятности успеха реальное количество попыток может варьироваться от двух до бесконечности . Именно этот разброс данных подводит нас к необходимости использования более сложной математической модели для описания подобных процессов.

Математика «невезения»: формула и структура распределения 1:37:23

Модель, описывающую количество независимых испытаний до первого успеха, Том Кроуфорд называет геометрическим распределением . Ключевым условием здесь является независимость событий: то, что выпало на монетах секунду назад, никак не влияет на следующий бросок .

Математическая логика геометрического распределения строится на цепочке неудач, которая обязана завершиться триумфом. Том объясняет формулу следующим образом:

• Пусть $P$ — вероятность успеха в одном испытании .
• Тогда $1 - P$ — вероятность неудачи .
• Чтобы успех наступил именно на испытании номер $k$, нам нужно, чтобы предыдущие $k-1$ испытаний гарантированно закончились провалом .
• Таким образом, вероятность успеха на $k$-м шаге вычисляется как $(1 - P)^{k-1} \times P$ .

Для наглядности Том разбирает свой случай с седьмым броском: при вероятности успеха 1/4, вероятность неудачи составляет 3/4. Чтобы выиграть на седьмой раз, нужно проиграть шесть раз подряд . Формула принимает вид: $(3/4)^6 \times (1/4)$ . Этот расчет позволяет точно определить, насколько вероятно «застрять» в серии неудач. Геометрическое распределение идеально подходит для моделирования ситуаций в программировании и бизнесе, например, при расчете количества попыток доступа к серверу до успешного соединения или количества звонков в отдел продаж до заключения первой сделки.

Математическое ожидание: сколько попыток «нормально»? 1:40:13

Одним из самых практичных вопросов в теории вероятностей является поиск среднего ожидаемого значения. Дэвид Дж. Малан и Том Кроуфорд обсуждают, сколько же раз в среднем нужно бросать кости или монеты, чтобы добиться своего . Для геометрического распределения существует элегантная и простая формула математического ожидания: $E(X) = 1/P$ .

Если вероятность выпадения нужной комбинации составляет 1/4, то ожидаемое количество попыток равно $1 / (1/4)$, то есть 4 . Это интуитивно понятно: если в среднем вы выигрываете в одном случае из четырех, то логично ожидать победу каждые четыре раунда . Том подчеркивает, что это знание критически важно, если каждая попытка стоит денег или ресурсов.

Подводя итог этой части, Том Кроуфорд отмечает, что понимание геометрического распределения дает нам математический инструмент для проверки интуиции . Мы перестаем воспринимать серию неудач как «проклятие» или «везение» и начинаем видеть в ней четкую статистическую закономерность. Сочетание распределения Бернулли (одиночный успех) и геометрического распределения (путь к успеху) формирует фундамент для анализа любых повторяющихся процессов в информатике .

🎰 Испытание удачи: Биномиальное распределение в действии 2:03:57

Чтобы проиллюстрировать работу вероятностных механизмов в реальном мире, Том Кроуфорд предлагает провести эксперимент с розыгрышем призов . На кону стоят три лота: бочки Донки Конга (самый скромный приз), фигурка Пикачу и легендарный щит Хила из The Legend of Zelda — главный трофей, который хочет получить каждый .

Правила игры просты: в мешке находятся 10 шаров — 9 белых и 1 золотой . Золотой шар символизирует успех. Игроку дается ровно три попытки, чтобы вытянуть его. При этом после каждого извлечения шар возвращается обратно в мешок, что обеспечивает неизменность вероятности при каждом новом броске — процесс, называемый выборкой с возвращением . Условия выигрыша распределяются следующим образом:

• Один золотой шар из трех — бочки Донки Конга .
• Два золотых шара — Пикачу .
• Три золотых шара — щит Хила .

Этот эксперимент является классическим примером биномиального распределения. Ранее в разговоре Том Кроуфорд и Дэвид Дж. Малан уже касались основ независимых событий, и здесь эта концепция проявляется в полной мере.

Биномиальное распределение: расчет успехов в серии 2:06:52

Биномиальное распределение — это математическая модель, которая описывает количество успехов в фиксированном числе независимых испытаний . Том подчеркивает, что для применимости этой модели критически важны два фактора: число попыток ($n$) должно быть строго определено (в данном случае $n=3$), и нас интересует конкретное количество наступлений события («успехов») .

Вероятность успеха в одной попытке обозначается как $P$ (в игре с шарами $P = 0,1$, так как золотой шар один из десяти), а вероятность неудачи — как $1 - P$ (соответственно, 0,9 для белого шара) .

Разбирая математику игры, Том показывает, почему участникам так редко удается уйти с призом:

1. Шанс остаться ни с чем (0 успехов): Вероятность вытянуть три белых шара подряд составляет примерно 73% . Это объясняет, почему первая попытка Тома в видео закончилась неудачей — математически это наиболее ожидаемый исход .
2. Шанс на бочки (1 успех): Вероятность того, что $K$ (количество успехов) будет равно единице, составляет 24% . Это «разумный» шанс, но всё же не гарантированный.
3. Шанс на Пикачу (2 успеха): Здесь вероятность резко падает до 2,7% .
4. Шанс на щит Хила (3 успеха): Вероятность вытянуть золотой шар трижды подряд составляет всего 0,1%, или 1 из 1000 .

Математическое ожидание для этой игры составляет всего 0,3 золотых шара за раунд ($n \times P$), что подтверждает: игра «настроена» против игрока .

Комбинаторика и роль биномиальных коэффициентов 2:09:20

Одним из самых сложных, но важных элементов формулы биномиального распределения является коэффициент перед степенями вероятностей. Именно он дал название всему распределению . Этот коэффициент определяет количество способов, которыми заданное число успехов может распределиться внутри серии испытаний .

Том объясняет это на примере выигрыша бочек Донки Конга (один золотой шар):

• Вы можете вытянуть золотой шар первым, а затем два белых (З, Б, Б) .
• Золотой шар может быть вторым (Б, З, Б) .
• Или золотой шар выпадет только в третьей попытке (Б, Б, З) .

Во всех трех случаях у нас ровно один успех, но это три разных сценария. Биномиальный коэффициент — это инструмент комбинаторики, который «подсчитывает» все эти возможные порядки . В формуле это записывается как «$n$ выбрать $k$» (например, «3 выбрать 1»), и для его вычисления используются факториалы .

Без этого коэффициента расчет был бы неполным: мы бы узнали вероятность только одной конкретной последовательности (например, золотой шар строго первым), но упустили бы другие способы достижения того же результата . Таким образом, формула объединяет три компонента: количество комбинаций, вероятность успехов и вероятность оставшихся неудач .

Несмотря на знание математики и повторную попытку в конце главы, Тому так и не удается выиграть приз: три белых шара подряд лишь подтвердили верность расчетов вероятности .

📊 Квартет вероятностей: Сравнительный анализ базовых распределений 2:30:12

В изучении теории вероятностей наступает момент, когда разрозненные примеры с кубиками и монетами должны сложиться в единую систему. Как отмечает Том Кроуфорд, существует четыре базовых распределения, которые способны описать практически любую игровую ситуацию или статистический эксперимент . Понимание различий между ними — это не просто академическое упражнение, а инструмент для выбора правильной математической модели в реальных задачах программирования и анализа данных .

Классификация: от равноправия к дихотомии 2:30:38

Фундаментом этой системы является дискретное равномерное распределение (Discrete Uniform Distribution) . Его ключевая характеристика — абсолютное равенство: все $n$ возможных исходов имеют одинаковую вероятность возникновения, равную $1/n$ . Классическим примером здесь служит бросок стандартной игральной кости, где у каждой грани шанс выпадения составляет 1/6 . Важной метрикой здесь выступает математическое ожидание (долгосрочное среднее): если исходы пронумерованы от 1 до $n$, то ожидаемое значение всегда находится в середине диапазона и вычисляется по формуле $(1 + n) / 2$ .

Следующим шагом в усложнении моделей становится распределение Бернулли . В отличие от равномерного распределения, оно вводит понятие асимметрии и фокусируется на жесткой дихотомии: «успех» или «неудача» . Ранее в курсе Дэвид Дж. Малан и Том Кроуфорд уже обсуждали природу этого распределения, но в рамках общего сравнения важно подчеркнуть: здесь мы работаем только с двумя исходами . Вероятность успеха обозначается как $p$, а неудачи — как $1 - p$ . Математическое ожидание для одного испытания Бернулли максимально тривиально и равно самой вероятности $p$ .

Динамика испытаний: Геометрическое vs Биномиальное 2:32:40

Когда мы переходим от одного испытания к серии, логика выбора распределения зависит от того, что именно мы пытаемся измерить. Если целью является определение количества попыток до первого успеха, в дело вступает геометрическое распределение . Том Кроуфорд подчеркивает, что эта модель описывает независимые испытания, где результат предыдущего шага не влияет на следующий .

Критерии геометрического распределения:

• Испытания повторяются до первого «успешного» исхода .
• Вероятность успеха на конкретном шаге $k$ рассчитывается как произведение вероятностей $k-1$ неудач и одного финального успеха: $(1-p)^{k-1} \cdot p$ .
• Математическое ожидание составляет $1/p$ . Это интуитивно понятно: если шанс успеха 1/10, то в среднем вам потребуется 10 попыток, чтобы его достичь .

Если же мы фиксируем не цель (успех), а количество попыток $n$, то мы переходим к биномиальному распределению . Оно отвечает на вопрос: «Сколько успехов мы получим в серии из $n$ испытаний?» . Это первая в обзоре модель с двумя параметрами — нам нужно знать и вероятность $p$, и общее число попыток $n$ . Формула биномиального распределения сложнее, так как она должна учитывать количество возможных комбинаций или порядков, в которых могут возникнуть успехи . Для этого используется биномиальный коэффициент, основанный на факториалах . Математическое ожидание здесь рассчитывается как произведение параметров: $n \cdot p$ .

Сводная таблица и переход к зависимым событиям 2:36:26

Для закрепления материала Том Кроуфорд демонстрирует сводную таблицу, которую рекомендует каждому студенту распечатать и закрепить над рабочим столом . Эта таблица служит быстрым справочником по формулам и критериям выбора:

1. Равномерное: когда всё равновероятно .
2. Бернулли: когда есть только «да» или «нет» .
3. Геометрическое: когда мы считаем попытки «до победного» .
4. Биномиальное: когда мы считаем количество побед в фиксированной серии .

Все эти распределения объединяет одно фундаментальное допущение: независимость событий или «выборка с возвращением» . Однако реальный мир часто диктует иные условия. В завершение дискуссии Том Кроуфорд демонстрирует эксперимент с прозрачным барабаном, в котором находятся 10 красных и 10 синих шаров . Как только мы вынимаем первый красный шар и не возвращаем его обратно, вероятности для следующего шага меняются . Если в начале шансы были равны (10/20), то после удаления одного красного шара вероятность вытянуть синий становится выше (10/19), а красный — ниже (9/19) . Этот практический пример с «барабаном удачи» служит мостиком к изучению условной вероятности, где контекст прошлого напрямую определяет будущее .

🎲 Глава 6: Условная вероятность и теорема Байеса: как данные меняют наши убеждения 2:55:11

В предыдущих разделах Том Кроуфорд (Tom Crawford) рассматривал ситуации с независимыми событиями, такими как броски кубика, где исход одного испытания никак не влияет на другое. Однако реальный мир гораздо сложнее: часто вероятность события напрямую зависит от того, что произошло мгновением ранее . В этой главе мы разберем, как математика описывает динамические системы, где контекст меняет всё.

Условная вероятность и выборка без возвращения 2:55:23

Для демонстрации того, как меняются вероятности в реальном времени, Том Кроуфорд использует лототрон (тумблер) с 20 шарами: 10 красными и 10 синими . В отличие от классических задач, где объект после выбора возвращается назад, здесь используется принцип «выборки без возвращения» .

Когда мы вытягиваем первый шар, вероятность получить красный составляет 10 из 20 (или 1/2) . Но как только шар оказывается снаружи, система трансформируется. Если первым выпал красный шар, то в барабане остается всего 19 объектов, из которых красных теперь только 9 . Таким образом, вероятность вытянуть второй красный шар подряд падает до 9/19 . В то же время вероятность вытянуть синий шар при условии, что первым был красный, становится выше — 10/19, так как количество синих шаров не изменилось, а общее число объектов уменьшилось .

Это и есть суть условной вероятности: вероятность события $A$ (второй шар красный) меняется в зависимости от того, произошло ли событие $B$ (первый шар красный) . Математически это записывается с помощью вертикальной черты: $P(\text{Red2} | \text{Red1})$, что читается как «вероятность Red2 при условии Red1» . Том подчеркивает, что этот инструмент позволяет нам «отслеживать» состояние системы и делать более точные прогнозы на каждом шаге .

Визуализация через диаграммы дерева 2:56:17

Чтобы не запутаться в цепочках зависимых событий, Том Кроуфорд (Tom Crawford) предлагает использовать дерево вероятностей — мощный визуальный метод анализа . Каждое ветвление дерева представляет собой возможный выбор или исход .

1. Первый уровень ветвей: Показывает вероятности для первого шара (10/20 для красного и 10/20 для синего) .
2. Второй уровень ветвей: Исходит из результатов первого шага. Если мы пошли по «красной» ветке, вероятности для следующего шага обновляются до 9/19 и 10/19 .
3. Расчет итогов: Чтобы узнать вероятность конкретной последовательности (например, «красный, затем красный»), нужно перемножить вероятности вдоль соответствующих ветвей: $(10/20) \times (9/19) = 90/380$ .

Одним из важнейших правил проверки является «сенс-чек» (проверка здравым смыслом): сумма вероятностей всех возможных конечных исходов в дереве всегда должна быть равна единице . Сложив все варианты (КК, КС, СК, СС), Том получает $380/380$, что подтверждает отсутствие ошибок в расчетах . Дерево наглядно показывает, почему $P(\text{второй красный} | \text{первый синий})$ (это 10/19) отличается от $P(\text{второй красный} | \text{первый красный})$ (это 9/19) . Хотя мы ищем вероятность одного и того же события — «второй шар красный» — результат фундаментально зависит от предыстории .

Теорема Байеса: обновление наших убеждений 3:06:06

Переходя к более глубокому анализу, преподаватель вводит теорему Байеса — фундамент целого направления, называемого байесовской статистикой . Эта теорема позволяет нам делать нечто удивительное: «разворачивать» условную вероятность . Если мы знаем вероятность события $A$ при условии $B$, Байес дает формулу для поиска вероятности $B$ при условии $A$ .

Формула выводится из определения условной вероятности: $P(A|B) = P(A \cap B) / P(B)$ . Поскольку вероятность одновременного наступления событий $A$ и $B$ одинакова вне зависимости от порядка, Том показывает, что $P(A|B) \times P(B) = P(B|A) \times P(A)$ . Это позволяет вычислить вероятность гипотезы, основываясь на имеющихся доказательствах .

Главная ценность этого инструмента — возможность обновлять наши убеждения при получении новых данных . Мы начинаем с некоего априорного (предварительного) убеждения, получаем новую информацию (свидетельство) и с помощью формулы Байеса вычисляем апостериорную (обновленную) вероятность . Как говорит Том, это математический способ сказать: «Раньше я думал так, но теперь, увидев это, я скорректировал свое мнение» .

Задача о Стиве: фермер против библиотекаря 3:08:55

Для иллюстрации того, как часто наша интуиция пасует перед теоремой Байеса, Том Кроуфорд (Tom Crawford) разбирает знаменитую «задачу о Стиве» из книги Даниэля Канемана «Думай медленно… решай быстро» . Стив описывается как очень застенчивый, замкнутый, склонный к порядку и деталям человек . Кем он скорее является с точки зрения вероятности: фермером или библиотекарем? .

Большинство людей, опираясь на стереотипы, выбирают библиотекаря . Однако Байес заставляет нас взглянуть на «базовый уровень» (prior probability).

• Оценка пропорций: В США фермеров значительно больше, чем библиотекарей. Если взять выборку из 200 человек, в ней может быть всего 10 библиотекарей и 190 фермеров .
• Условные вероятности: Допустим, 50% библиотекарей соответствуют описанию «тихий и застенчивый», в то время как среди фермеров таких лишь 10% , .
• Сравнение: Среди 10 библиотекарей «Стивами» будут 5 человек. Но среди 190 фермеров, даже при низком проценте, их окажется 19 человек .

Визуализируя это через блоки данных, Том показывает, что площадь «застенчивых фермеров» на графике оказывается гораздо больше, чем площадь «застенчивых библиотекарей» . Математический расчет (соотношение 5 к 19) доказывает, что Стив почти в 4 раза вероятнее является фермером . Этот парадокс демонстрирует, почему важно учитывать статистическую частоту событий в популяции, а не только то, насколько описание «подходит» под наш внутренний образ .

🏁 Подведение итогов: от теории игр к статистическому анализу 3:37:40

Заключительный этап погружения в мир математики для компьютерных наук посвящен систематизации полученных знаний. Том Кроуфорд (Tom Crawford) подчеркивает, что изучение вероятности в рамках курса CS50 строится не на сухих формулах, а через серию игр, которые позволяют интуитивно понять сложные концепции. Весь пройденный путь — это трансформация от простого броска кубика до понимания глубинных механизмов принятия решений в условиях неопределенности . Дэвид Дж. Малан (David J. Malan) и команда курса структурировали этот блок так, чтобы каждое новое понятие логически вытекало из предыдущего, формируя у студента целостную картину математического аппарата .

Краткий путеводитель по распределениям вероятностей 3:37:52

В основе курса лежит идея о том, что различные жизненные ситуации требуют разных математических моделей. Том Кроуфорд (Tom Crawford) отмечает, что путешествие начинается с самого простого — игры с одной костью. Поскольку все исходы в этом случае равновероятны, это служит идеальной точкой входа для объяснения дискретного равномерного распределения . Как упоминалось ранее в разговоре, это база, на которой строятся все последующие, более сложные концепции.

Далее учебный процесс смещает фокус на бинарные системы. Том (Tom Crawford) объясняет, что как только нас начинают интересовать только два исхода — «успех» или «неудача» (например, при подбрасывании монеты), мы переходим к распределению Бернулли . Это фундаментальный кирпичик для всей вычислительной логики. Развивая эту мысль, преподаватели вводят геометрическое распределение, которое отвечает на вопрос: «Сколько попыток потребуется совершить до первого успеха?» .

Завершающим элементом в этой цепочке становится биномиальное распределение. Здесь Том Кроуфорд (Tom Crawford) фиксирует количество испытаний и предлагает подсчитать общее число успешных исходов. Такой системный подход позволяет студентам увидеть разницу между:

• Равномерным распределением, где все шансы равны ;
• Распределением Бернулли с его дихотомией успеха и провала ;
• Геометрической прогрессией ожидания результата ;
• Биномиальным подсчетом в фиксированной серии .

Сила условной вероятности и теорема Байеса 3:38:32

После освоения базовых распределений курс переходит к более тонким инструментам анализа, где вероятность события меняется в зависимости от того, что произошло ранее . Условная вероятность — это раздел, который заставляет студентов пересмотреть свои интуитивные представления о случайности . Том Кроуфорд (Tom Crawford) подчеркивает, что именно здесь математика начинает по-настоящему имитировать реальные жизненные процессы, где ни одно событие не происходит в вакууме.

Ключевым инструментом здесь выступает теорема Байеса. Как отмечает Том (Tom Crawford) , она позволяет обновлять наши убеждения при получении новых данных. В качестве практического примера в курсе используется знаменитая задача о Стиве — человеке, чей образ жизни заставляет нас выбирать между профессиями фермера и библиотекаря . Хотя ранее в дискуссии подробно разбирались стереотипы и статистические веса, итоговый вывод Тома однозначен: математический расчет с использованием байесовского подхода доказывает, что Стив с гораздо большей вероятностью является фермером .

Этот пример служит важным уроком для будущих специалистов по Data Science. Он демонстрирует, как важно смотреть на «базовые показатели» (base rates) и не позволять когнитивным искажениям брать верх над логикой . Использование диаграмм дерева, о которых шла речь в предыдущих главах, помогает визуализировать эти вычисления, делая абстрактную теорему Байеса осязаемым инструментом для решения реальных проблем .

За пределами вероятности: переход к статистике 3:43:01

Завершая блок по теории вероятностей, Том Кроуфорд (Tom Crawford) подводит итог всему разделу. Он резюмирует, что студенты теперь владеют инструментарием для анализа самых разных ситуаций и игр — от простых костей до сложных вероятностных цепочек . Однако вероятность — это лишь половина дела. Вероятность помогает нам предсказать, что произойдет в будущем, основываясь на известных правилах .

Но что делать, если правила игры нам неизвестны, а на руках есть только горы накопленных данных? Том Кроуфорд (Tom Crawford) ставит перед аудиторией новый вопрос: как анализировать данные, полученные в ходе этих игр, чтобы выявить скрытые закономерности? «Для этого нам нужна статистика», — резюмирует он . Именно статистика становится следующим логическим этапом обучения в CS50, позволяя переходить от предсказаний к анализу уже свершившихся фактов.

Этот переход знаменует собой важную веху в обучении. Если вероятность учит нас «бросать кубики», то статистика учит нас понимать, не подпилены ли они . Завершая эту главу, Том Кроуфорд (Tom Crawford) призывает студентов «попытать удачу и выучить немного математики», намекая, что настоящий азарт начинается там, где цифры превращаются в осмысленные выводы.