Павел Тарарощенко – Гармония вероятностей (страница 2)

Станислав замер.

Ему вдруг стало понятно: всё мышление – это не статуя, а дыхание. То, что казалось твёрдым, на самом деле текуче, как вода.

– Так, значит… когда я думаю о людях, о решениях, о будущем, – произнёс он, – я тоже могу держать несколько гипотез и двигать их, как эти цифры?

Лекс мягко улыбнулся.

– Ты понял суть. Кошка и собака – лишь первый урок.

Глава 3: Первая сессия. Введение в Байесовскую Логику

Учебный зал был тих, только мерцали строки на прозрачных экранах. Пётр Лекс сидел в центре, а вокруг него – несколько учеников, включая Станислава.

– Итак, – начал наставник. – В прошлый раз мы говорили о миске с едой и о том, кто её съел: кошка или собака. У каждого из вас были свои гипотезы и свои вероятности.

Он щёлкнул пальцами, и над столом всплыло изображение пустой миски.

– Теперь давайте вспомним, – продолжил Лекс. – Если нет других данных, что вы думаете?

– Вероятность, что кошка съела, пятьдесят на пятьдесят, – сказал один ученик.

– Не совсем, – возразила девушка рядом. – Кошка обычно ест меньше. Я бы сказала: кошка – тридцать, собака – семьдесят.

Станислав кивнул:

– Логично. Я бы поставил примерно так же.

Пётр Лекс улыбнулся:

– Хорошо. А теперь новые данные.

На экране появилось фото: на полу возле миски – клочок серой шерсти.

– Что теперь? – спросил он.

Ученики зашумели.

– Это кошачья шерсть! Значит, кошка!

– Но шерсть может отвалиться и просто так, она везде валяется!

Станислав поднял руку:

– Вероятность смещается в сторону кошки. Но не до ста процентов. Может быть, сорок процентов было раньше, теперь… может, шестьдесят?

– Отлично, – сказал Лекс. – Вы поняли суть. Мы не выкидываем старые оценки, мы их обновляем. Шерсть – это новый факт, он изменяет распределение вероятностей.

Он снова щёлкнул пальцами: на экране появилась новая подсказка – отпечаток лапы у миски. Большой, тяжёлый.

– А теперь?

Все замолчали. Станислав задумался:

– Крупный отпечаток… Значит, собака. Тогда вероятность собаки возрастает. Может быть, теперь восемьдесят процентов на собаку, двадцать на кошку.

Лекс кивнул:

– Именно. Сначала мы верили в кошку больше. Потом новые данные изменили картину. Но мы всегда работаем с вероятностями, а не с догадками «да» или «нет».

Он посмотрел на учеников внимательно:

– В жизни всё устроено так же. Мы редко имеем абсолютные доказательства. Мы всегда двигаемся от гипотезы к гипотезе, корректируя карту реальности под новые факты.

На следующий день Станислав сидел на одном из гладких стульев в учебном зале, перед ним лежал планшет с интерактивными примерами. Лекс стоял у белой доски, на которой уже были нарисованы несколько графиков и формул. Он выглядел абсолютно спокойным, но в его глазах была искрящаяся энергия – энергия идей, которые он готов был передать.

– Мы начинаем с основ, – сказал Лекс, указывая на схему. – Байесовская логика – это способ мыслить, который помогает вам принимать решения на основе вероятностей, а не догадок. Она даёт возможность корректировать ваши убеждения по мере появления новых данных.

Станислав почувствовал, как его внимание полностью переключилось на доску. Байесовская логика? Это звучало как нечто очень сложное и абстрактное, но Лекс продолжил, и слова стали постепенно складываться в смысл.

– Давайте начнем с простого примера, – сказал Лекс, нарисовав на доске простой вопрос: "Какова вероятность того, что человек, которого вы встретили на улице, является врачом?"

– Ну, я бы сказал, что вероятность большая, – сказал Станислав, – если человек выглядит как врач: с медицинской сумкой, с белым халатом.

Лекс кивнул, но его взгляд был острым.

– Ты прав, но давай начнем с более глубокого анализа. Для начала тебе нужно понять, что вероятность – это не просто твое ощущение, а оценка, основанная на данных.

Он нарисовал два графика, первый показывал общую вероятность того, что человек на улице – врач, а второй – вероятность, что врач будет носить белый халат и сумку.

– Если бы ты встретил случайного человека на улице, без каких-либо дополнительных признаков, то вероятность того, что он врач, была бы низкой – это 0,001. Это маленькая вероятность, потому что не каждый человек на улице – врач.

Станислав задумался. Он всегда думал, что внешние признаки могут кардинально изменить его мнение, но Лекс продолжал:

– Теперь, если мы знаем, что человек в белом халате и с сумкой, вероятность того, что он врач, значительно возрастает, не так ли? Скажем, до 0,8.

– Так, получается, мы комбинируем данные? – спросил Станислав, постепенно вникая.

– Точно, – ответил Лекс. – Вот что такое байесовская логика: ты всегда начинаешь с "предыдущей веры" – это то, во что ты веришь до того, как появятся новые данные. И после того, как эти данные приходят, ты обновляешь свою веру, используя правило Байеса.

Лекс быстро набрал на планшете формулу, которая появилась перед глазами Станислава:

P(A|B) = числитель P(B|A) ×P(A)÷ знаменатель P(B)

– Вот эта формула и есть основа. Она описывает, как мы обновляем наши вероятности. В нашем примере, – это вероятность того, что человек врач, которая изначально была очень низкой, а – это вероятность того, что врач будет носить белый халат. Мы умножаем это на нашу начальную вероятность и делим на общую вероятность увидеть белый халат на улице.

Станислав слегка нахмурился, пытаясь осознать, что только что объяснил наставник. Лекс заметил это и сделал шаг вперёд, говоря более простым языком:

– Представь, что твои первоначальные ожидания (что человек может быть врачом) обновляются с помощью данных. Это как если бы ты смотрел на мир через призму фильтра, который очищается по мере того, как появляется новая информация.

– Значит, если человек не носит белый халат, вероятность того, что он врач, будет намного ниже? – спросил Станислав, наконец понимая принцип.

– Именно. И именно так мы делаем все свои решения. Мы всегда начинаем с базового предположения и обновляем его на основе новых наблюдений. Вот что важно: мы должны использовать каждое наблюдение, чтобы улучшить свою оценку вероятности.

– Но как это работает в реальной жизни? – спросил Станислав. – Как мне применить это на практике?

– Отличный вопрос, – сказал Лекс, улыбнувшись. – Мы начнём с более практичных примеров. Например, ты проводишь расследование, и тебе нужно решить, кого из свидетелей ты должен допрашивать первым. И ты начинаешь думать: «Какова вероятность, что этот свидетель действительно видел преступление?» И ты обновляешь свою вероятность, основываясь на том, как он себя ведет, что он говорит, какие данные появляются.

Лекс снова показал на доске другой пример, в котором показал, как применяется байесовская логика в реальных ситуациях. Для начала это был простой, но жизненно важный процесс, который Станислав теперь начал осознавать как нечто очень полезное.

– Всё, что нам нужно делать, – это быть готовыми изменять свои предположения. Обновлять их по мере появления новых данных.

Станислав вздохнул. Это было не так сложно, как он думал, но оно определенно потребовало от него пересмотра всего того, как он обычно подходил к жизни и своим выводам.

– Понял, – сказал он, глядя на Лекса. – Это всё о вероятности, а не о том, чтобы быть уверенным.

Лекс кивнул.

– Да, ты понял. Твой ум может быть устроен так, чтобы искать абсолютную истину. Но в реальной жизни всё не так просто. Всё – это просто вероятность. И ты должен всегда быть готов изменить своё мнение, когда появляются новые факты.

– Вот ещё раз наглядная формула теоремы Байеса. – проговорил Пётр.

P(Гипотеза | Данные) = (числитель) ( P(Данные | Гипотеза) * P(Гипотеза) ) / (знаменатель) P(Данные)

Представь, – начал Лекс, – у нас есть два типа животных: кошки и собаки. Кошек – 30%, собак – 70% от всего звериного мира в этой комнате. Это наша априорная вероятность.

Он взял кусочек корма и медленно поднёс его к миске кошки.

– Теперь представь, что животное подошло и съело кусочек. Мы видим событие B: корм съеден. Вопрос: насколько вероятно, что это была кошка?