Вероятността е част от приложната математика. Тя изучава случайните явления и дава формален начин да кажем колко е възможно едно събитие да се случи. Вероятностите се използват в статистиката, физиката, икономиката, застраховането, игрите на късмета и много други области.

Класически пример е хвърлянето на монета: ако монетата е честна, вероятността да падне с едната страна нагоре е същата като за другата. Страната с изображение на лице обикновено се нарича глава, а другата — опашка. При честна монета P(глава) = 1/2 и P(опашка) = 1/2.

Вероятността (p) на дадено събитие винаги е между нула (невъзможно) и единица (сигурно). Това означава, че 0 ≤ p ≤ 1. Често вероятността се записва като дроб (например 1/6), като десетичен дроб (напр. 0.1666...) или като процент (например 16.67%).

Класически подход и честотен подход

В класическия (или равно-вероятностен) подход вероятността на събитие A се дава с отношението:

P(A) = (броят на благоприятните изходи) / (общия брой възможни изходи), когато всички изходи са еднакво вероятни.

Например, ако хвърлим зар (в едно хвърляне), шансът да се падне 1 е 1/6, защото на зара има 6 равновероятни числа. Шансът за 2 също е 1/6. Сума от вероятностите за всички възможни изходи (1,2,3,4,5,6) е равна на 1.

Честотният (емпиричен) подход дефинира вероятността като граница на относителната честота при много повторения на опит: ако повторим опита N пъти и събитието A се случи n пъти, относителната честота n/N приближава P(A) при N→∞.

Основни правила и формули

  • Невъзможно и сигурно: P(∅) = 0, P(Ω) = 1 (Ω — пространството на всички изходи).
  • Допълване (комплементарно събитие): P(A^c) = 1 − P(A). Това е вероятността, че A няма да се случи.
  • Събиране (обединение): за две събития A и B: P(A ∪ B) = P(A) + P(B) − P(A ∩ B). Ако A и B са взаимно изключващи се (не могат да се случат едновременно), формулата става P(A ∪ B) = P(A) + P(B).
  • Умножение (съвпадение): за независими събития A и B: P(A ∩ B) = P(A) · P(B). В общия случай: P(A ∩ B) = P(A) · P(B | A), където P(B | A) е условната вероятност на B при условие, че A вече е станало.

Примери с зарове

Ако хвърляме два зара, брой всевъзможни равновероятни изходи е 36 (6×6). Вероятността да получим конкретна подредена двойка, например (3,5) — първият зар 3, вторият 5 — е 1/36 = 0.0277... .

Ако искаме вероятността да получим сума, по-голяма от 10 (т.е. сума = 11 или 12), можем да изброим благоприятните случаи: сума 11 се получава при (5,6) и (6,5) — 2 възможности, сума 12 при (6,6) — 1 възможност. Общо 3 благоприятни изхода от 36, следователно P(сума>10) = 3/36 = 1/12 ≈ 0.0833.

Пример за независими повтарящи се опити: вероятността да хвърлите два зара и последователно да получите 3, след това 5 е 1/6 × 1/6 = 1/36. Ако искате тройка последователни резултати, напр. 3, после 5, после 2, вероятността е (1/6)^3 = 1/216 ≈ 0.00463.

Условна вероятност и независимост

Условната вероятност P(B | A) показва вероятността за B при условие, че A е настъпило. Формулата за условност е:

P(B | A) = P(A ∩ B) / P(A), ако P(A) > 0.

Две събития A и B са независими, когато знанието за настъпването на едното не променя вероятността за другото, т.е. P(B | A) = P(B). Тогава P(A ∩ B) = P(A)·P(B).

По-напреднали понятия (кратко)

  • Закон на големите числа: относителните честоти при многократно повтаряне се доближават до истинската вероятност.
  • Очакване (математическо средно): за дискретна случайна величина X: E(X) = Σ x·P(X = x). Това е средната стойност при много повторения.
  • Дисперсия и стандартно отклонение: измерват разсейването около средната стойност; дисперсия Var(X) = E[(X − E(X))^2].
  • Теорема на Байес (напр. за обновяване на вероятности): P(A | B) = P(B | A)·P(A) / P(B), когато P(B) > 0.

Практически съвети

  • Определете ясно пространството на изходите и кои изходи са благоприятни за даденото събитие.
  • Проверете дали изходите са еднакво вероятни; ако не са, използвайте подходящи вероятности за всеки изход.
  • При съвпадение на повече от едно събитие преценете дали са независими или не, за да използвате правилната формула за умножение.

Вероятността е мощен инструмент за моделиране на несигурност. Доброто разбиране на основните правила и примери помага както при решаването на учебни задачи, така и при практическите приложения в науката и ежедневието.