Павел Тарарощенко – Гармония вероятностей (страница 3)
Станислав кивнул.
– Сначала – априорные вероятности:
P(Кошка) = 0.3
P(Собака) = 0.7
– Далее нам нужна вероятность, что животное съест корм, если это кошка, и если это собака:
P(Съест корм | Кошка) = 0.9 – кошки любят этот корм
P(Съест корм | Собака) = 0.2 – собаки иногда могут попробовать
– Теперь Байес! – сказал Лекс, поднимая палец. – Апостериорная вероятность, что это кошка, P(Кошка | Съел корм), считается по формуле:
P(Кошка | Съел) = (числитель) P(Съел | Кошка) × P(Кошка) ÷ (знаменатель) P(Съел | Кошка) × P(Кошка) + P(Съел | Собака) × P(Собака)
Он указал на дробь:
В числителе – вероятность, что кошка съест корм, умноженная на долю кошек: 0.9 × 0.3 = 0.27
В знаменателе – сумма того же для кошки и для собаки: 0.27 + (0.2 × 0.7) = 0.27 + 0.14 = 0.41
– И делим: 0.27 / 0.41 ≈ 0.658, – сказал Лекс. – Значит, примерно 66% – это кошка.
Станислав удивлённо посмотрел на миску.
– Теперь, – продолжил Лекс, – представь, что добавился новый сигнал: животное мяукнуло. Мяу – это 100% кошки и 0% собак. Байесовская формула пересчитается с учётом этого нового события, и вероятность кошки вырастет почти до 100%.
Станислав почувствовал, как формула оживает: каждая новая деталь – запах, звук, поведение – меняет вероятность, как будто вы прокладываешь маршрут по карте, где каждая улика уточняет направление.
– Вот почему Байес – это не просто числа, – улыбнулся Лекс, – это способ видеть, как новые данные изменяют наши догадки о мире.
Станислав приподнялся с места, глаза его горели любопытством. Лекс встал возле интерактивной панели и нарисовал два столбика: «Кошка» и «Собака», заполненные цветом, символизирующим вероятность.
– Давайте посмотрим, – сказал наставник, – как пересчитываются вероятности шаг за шагом. Сначала у нас априор: P(Кошка)=0,3, P(Собака)=0,7. Съели корм – это новое наблюдение.
На экране появились числа:
Шаг 1: апостериор после первого события (корм съеден)
Числитель для кошки: 0.9 × 0.3 = 0.27
Числитель для собаки: 0.2 × 0.7 = 0.14
Знаменатель: 0.27 + 0.14 = 0.41
Апостериор: P(Кошка | съел корм) = 0.27 / 0.41 ≈ 0.658
P(Собака | съел корм) = 0.14 / 0.41 ≈ 0.342
– Заметьте, – сказал Лекс, – наши старые априоры обновились. Мы получили новую вероятность.
Станислав кивнул, стараясь уловить каждый шаг. Лекс продолжил:
– Теперь добавим второй сигнал: мяу. Это событие B₂. Для кошки вероятность мяуканья – 1, для собаки – 0. Берём только что полученные апостериоры как новые априоры:
Новые априоры: P(Кошка) = 0.658, P(Собака) = 0.342
P(Мяу | Кошка) = 1
P(Мяу | Собака) = 0
Шаг 2: пересчёт после мяуканья
Числитель для кошки: 1 × 0.658 = 0.658
Числитель для собаки: 0 × 0.342 = 0
Знаменатель: 0.658 + 0 = 0.658
Апостериор: P(Кошка | корм+мяу) = 0.658 / 0.658 = 1
P(Собака | корм+мяу) = 0
– Видите, – улыбнулся Лекс, – каждая новая деталь пересчитывает ваши вероятности. Сначала корм повысил шанс кошки до 66%, а мяуканье тут же довело до почти 100%. Это и есть магия Байеса.
Станислав представил панель в виде живой шкалы, где каждая новая подсказка мгновенно меняет цвет и высоту столбиков. Это было похоже на карту, которая обновляется в реальном времени.
– И это работает в любой ситуации, – продолжал Лекс. – Появляются новые данные – пересчитываем. Старые апостериоры становятся новыми априорами, новые факты дают новые апостериоры. Цепочка событий, наблюдений, сигналов – и вы всегда видите, кто с большей вероятностью действовал или что вероятнее.
Станислав почувствовал, как его мысль упорядочивается: каждый шаг логичен, каждое новое событие вносит ясность. Байесовская логика перестала быть абстракцией – она стала инструментом для наблюдения за миром, где каждая деталь имеет значение и корректирует карту реальности.
Лекс шагнул к миске и поднёс к ней маленькую игрушечную собачку.
– Давайте проверим. Что, если теперь животное гавкнуло? – сказал он. Станислав мгновенно пересчитал в уме: числитель для собаки – 1 × 0.0? Подумал, что лучше написать на доске.
На панели возникли новые цифры, и столбики зашевелились: столбик «Собака» резко поднялся, «Кошка» упала.
– Так работает реальный мир, – закончил Лекс. – Всё относительное. Всё вероятностное. И именно поэтому мы учимся видеть факты, а не догадки.
Станислав вдохнул глубоко. На его лице появилась улыбка. Теперь формула ожила, а логика Байеса – стала его инструментом.
Глава 4: Байесовская Логика в Действии
Станислав сидел в кресле и внимательно смотрел на наставника Петра Лекса. Около них на столе были разбросаны несколько голографических карт, каждая из которых представляла одну из абстрактных территорий.
– Сегодня мы разберемся с тем, как применять байесовскую логику в реальной жизни, – сказал Пётр, поднимая один из голографических экранов. – Пусть это будет пример с двумя территориями: Т-1 и Т-2. Нам нужно оценить вероятность того, что на этих территориях живут люди с имплантами.
Станислав кивнул, готовый слушать.
– Допустим, в Т-1 имплантами обладают 30% людей, а в Т-2 – только 5%. Это говорит нам о том, что на Т-1 вероятность встретить человека с имплантом гораздо выше, чем на Т-2. Но это не значит, что на Т-1 людей с имплантами больше, чем на Т-2. Давай разберем это.
Пётр сменил проекцию, теперь на экране появилась таблица с населением.
– На Т-1 живет всего 1000 человек, а на Т-2 – 10,000 человек. Скажем, что 30% населения Т-1 имеют импланты, а на Т-2 их 5%.
Станислав нахмурился, пытаясь посчитать на вскидку.
– В Т-1 получается 300 человек с имплантами, а в Т-2 – 500 человек. – сказал он.
Пётр улыбнулся, но быстро поправил его:
– Именно так. Но что произойдет, если ты забудешь учитывать население территорий? Будет ли на Т-2 больше людей с имплантами, чем на Т-1?
Станислав задумался.
– Ну, учитывая население, получается, что на Т-2 их больше. – сказал он, чувствуя, как его понимание байесовской логики начинает обостряться.
– Да, это важный момент, – подтвердил Пётр. – Хотя на Т-1 вероятность встретить человека с имплантом высока, на Т-2 людей с имплантами больше всего из-за большего населения. Это и есть байесовская логика в действии: ты должен учитывать не только видимую информацию, но и контекст, в котором эта информация представлена.
Станислав кивнул, понимая.
– То есть, часто на первый взгляд мы склонны преувеличивать значения, если не учитываем размер выборки?
– Верно. И это одно из самых распространённых когнитивных искажений: игнорирование контекста. Мы видим лишь отдельные фрагменты картины, но чтобы понять полную картину, нужно учитывать всё.
Пётр сделал паузу, добавив: