Условная вероятность: определение и пример с разбором

Условная вероятность отвечает на вопрос «насколько вероятно событие $A$, если уже известно, что произошло событие $B$». Это не новое знание о мире, а пересчёт шансов с учётом полученной информации: мы сужаем пространство исходов до тех, что согласуются с $B$, и заново смотрим, какая их доля попадает в $A$. Если разобраться с этой идеей один раз, формула Байеса, независимость событий и диагностические тесты перестают казаться разными темами.

Ниже - определение, разбор примера по шагам и калькулятор, который соберёт условие вашей задачи и отправит его в чат с подробным решением.

Определение условной вероятности

Условной вероятностью события $A$ при условии $B$ называют величину

$$P(A \mid B) = \frac{P(A \cap B)}{P(B)}, \qquad P(B) > 0.$$

В числителе - вероятность того, что произойдут оба события сразу (пересечение $A \cap B$), в знаменателе - вероятность условия $B$. Деление на $P(B)$ - это нормировка: мы «забываем» про все исходы, где $B$ не случилось, и считаем долю $A$ уже внутри нового, уменьшенного пространства.

Запись $P(A \mid B)$ читается как «вероятность $A$ при условии $B$». Условие обязательно: при $P(B) = 0$ выражение не определено, потому что делить на ноль нельзя и само событие $B$ невозможно.

Рассчитать для своей задачи

Из определения сразу следует теорема умножения вероятностей:

$$P(A \cap B) = P(B) \cdot P(A \mid B) = P(A) \cdot P(B \mid A).$$

Она удобна, когда вероятность пересечения проще искать через цепочку условий, а не напрямую, - например, когда события происходят последовательно.

Понятный пример с разбором по шагам

Возьмём классическую урну: в ней 3 белых и 2 чёрных шара. Достаём два шара подряд без возвращения. Найдём вероятность того, что второй шар белый ($A$) при условии, что первый шар оказался белым ($B$).

Шаг 1. Считаем условие. Вероятность вытащить белый первым:

$$P(B) = \frac{3}{5}.$$

Шаг 2. Считаем пересечение - оба шара белые. По теореме умножения берём последовательно: первый белый с вероятностью $3/5$, и после него в урне осталось 2 белых из 4 шаров:

$$P(A \cap B) = \frac{3}{5} \cdot \frac{2}{4} = \frac{6}{20} = \frac{3}{10}.$$

Шаг 3. Делим по определению:

$$P(A \mid B) = \frac{P(A \cap B)}{P(B)} = \frac{3/10}{3/5} = \frac{3}{10} \cdot \frac{5}{3} = \frac{1}{2}.$$

Ответ: $P(A \mid B) = 1/2$. Это согласуется со здравым смыслом: после того как один белый шар изъят, в урне остаётся 2 белых и 2 чёрных, то есть ровно половина белых. Условие изменило шансы - без информации о первом шаре вероятность второго белого считалась бы иначе.

Рассчитать для своей задачи

Условная вероятность и независимость событий

События $A$ и $B$ называют независимыми, если знание об одном не меняет вероятность другого:

$$P(A \mid B) = P(A).$$

Подставив это в теорему умножения, получаем привычный критерий независимости: $P(A \cap B) = P(A) \cdot P(B)$. Так условная вероятность даёт точное определение «независимости», которое в школе обычно вводят на интуиции.

В нашем примере с урной события зависимы: изъятие первого шара меняет состав урны, поэтому $P(A \mid B) \neq P(A)$. А вот при извлечении с возвращением (вернули первый шар обратно) вероятность второго белого осталась бы $3/5$ независимо от первого - это уже независимые испытания. Различать схемы «с возвращением» и «без возвращения» - половина успеха в задачах на вытаскивание шаров и карт.

Связь с формулой полной вероятности и Байесом

Условная вероятность - фундамент сразу двух главных формул теории. Формула полной вероятности собирает вероятность события $A$ из условных вкладов по полной группе гипотез $H_1, \dots, H_n$:

$$P(A) = \sum_{i=1}^{n} P(H_i) \, P(A \mid H_i).$$

А формула Байеса разворачивает условие в обратную сторону - пересчитывает вероятность гипотезы после наблюдения:

$$P(H_i \mid A) = \frac{P(H_i) \, P(A \mid H_i)}{P(A)}.$$

Именно здесь условная вероятность раскрывается в полную силу: в медицинской диагностике $P(\text{болен} \mid \text{тест}+)$ может оказаться неожиданно малой даже при точном тесте, если сама болезнь редкая. Подробный разбор этого механизма - в материале про неравенство Маркова, где условные оценки вероятностей работают похожим образом.

Жизненный пример: тест на болезнь

Чтобы почувствовать, насколько условие меняет ответ, разберём диагностику. Пусть болезнью страдает 1 человек из 1000, то есть $P(\text{болен}) = 0.001$. Тест верно выявляет больного в 99 % случаев ($P(+\mid \text{болен}) = 0.99$) и ошибочно срабатывает на здоровом в 5 % случаев ($P(+\mid \text{здоров}) = 0.05$). Какова вероятность, что человек действительно болен, если тест положителен?

Сначала по формуле полной вероятности находим, как часто тест вообще даёт плюс:

$$P(+) = 0.001 \cdot 0.99 + 0.999 \cdot 0.05 \approx 0.0509.$$

Теперь по Байесу пересчитываем условие в обратную сторону:

$$P(\text{болен}\mid +) = \frac{0.001 \cdot 0.99}{0.0509} \approx 0.019.$$

Меньше 2 %. Несмотря на «точный» тест, при редкой болезни большинство положительных результатов - ложные. Это контринтуитивный вывод, который без аккуратного счёта через условную вероятность ускользает от интуиции и регулярно встречается на экзаменах.

Геометрическая интерпретация

Удобно представлять вероятности площадями. Всё пространство исходов - прямоугольник единичной площади. Событие $B$ - фигура площади $P(B)$ внутри него, событие $A$ - другая фигура, их пересечение $A \cap B$ - общая часть. Условная вероятность $P(A \mid B)$ - это доля площади $A \cap B$ внутри фигуры $B$, а не внутри всего прямоугольника.

Поэтому условная вероятность может быть и больше, и меньше безусловной $P(A)$: если $B$ «накрывает» в основном те исходы, где есть и $A$, условие повышает шансы; если наоборот - понижает. Геометрический взгляд помогает быстро прикинуть ответ и проверить, что вы не перепутали числитель со знаменателем.

Частые ошибки

• Путают $P(A \mid B)$ и $P(B \mid A)$. Это разные числа: «вероятность болезни при положительном тесте» и «вероятность положительного теста при болезни» отличаются в разы. Всегда уточняйте, что дано, а что ищется.
• Делят не на то. В знаменателе всегда вероятность условия - того события, что стоит после черты. Деление на $P(A)$ вместо $P(B)$ - самая частая арифметическая ошибка.
• Забывают проверить $P(B) > 0$. На невозможном условии условная вероятность не определена; в задачах это сигнал, что условие выбрано некорректно.
• Считают зависимые события независимыми. Извлечение «без возвращения», связанные карты, последовательные испытания почти всегда дают зависимость - нельзя перемножать вероятности как у независимых.
• Смешивают пересечение и объединение. В числителе стоит $P(A \cap B)$ («и $A$, и $B$»), а не $P(A \cup B)$ («$A$ или $B$»).

FAQ

Чем условная вероятность отличается от обычной? Обычная (безусловная) вероятность $P(A)$ считается на всём пространстве исходов. Условная $P(A \mid B)$ считается уже после того, как стало известно о наступлении $B$: пространство сужается до исходов, согласных с $B$, и доля $A$ пересчитывается внутри него. Если событие $B$ не влияет на $A$, оба числа совпадают.

Может ли условная вероятность быть больше безусловной? Да. Если условие $B$ «подсказывает» в пользу $A$, то $P(A \mid B) > P(A)$. Например, вероятность дождя выше, если известно, что небо затянуто тучами. Геометрически это значит, что пересечение $A \cap B$ занимает в фигуре $B$ большую долю, чем $A$ занимает во всём пространстве.

Как связаны условная вероятность и формула Байеса? Формула Байеса - это прямое следствие определения условной вероятности и теоремы умножения. Она позволяет «перевернуть» условие: зная $P(A \mid B)$, найти $P(B \mid A)$. Поэтому без понятия условной вероятности формула Байеса не имеет смысла - это её надстройка для пересчёта гипотез после наблюдения.

Коротко

Условная вероятность $P(A \mid B) = P(A \cap B) / P(B)$ - это пересчёт шансов события $A$ после того, как стало известно о наступлении $B$: пространство исходов сужается до согласных с условием, и доля $A$ измеряется заново. Из определения вытекают теорема умножения, критерий независимости ($P(A \mid B) = P(A)$), формула полной вероятности и формула Байеса. Главное в задачах - не перепутать, что дано и что ищется, делить именно на вероятность условия и различать схемы с возвращением и без.