Калькулятор условной вероятности онлайн

Q: В: Что означает P(A|B) простыми словами?

В: Можно ли вводить вероятности в процентах? Калькулятор принимает десятичные дроби. Чтобы перевести проценты в десятичную дробь, разделите на 100: 25% = 0,25; 5% = 0,05.

Q: В: Что если P(A|B) получился больше 1?

В: Чем теорема Байеса отличается от простой формулы? Математически это одна и та же формула: P(A|B) = P(A ∩ B) / P(B), а P(A ∩ B) = P(B|A) × P(A). Теорема Байеса удобна, когда пересечение явно не задано, но известны P(B|A) и P(A).

Калькулятор условной вероятности

Вычислите вероятность события A при условии, что событие B уже произошло — по формуле условной вероятности или теореме Байеса.

Способ расчёта

P(B) — вероятность события B Значение от 0 до 1 (0,3 = 30%) P(A ∩ B) — вероятность пересечения A и B Не может превышать P(B)

P(A|B)

условная вероятность

P(A|B) в процентах

P(¬A|B)

вероятность дополнения

Как пользоваться калькулятором

Выберите способ расчёта: через пересечение событий (если знаете P(A ∩ B) и P(B)) или по теореме Байеса (если знаете P(B|A), P(A) и P(B)).

Введите известные вероятности в виде десятичных дробей от 0 до 1. Например, 0,05 означает 5%, а 0,3 — это 30%.

Нажмите «Рассчитать». Результат появится в лавандовой карточке справа (на мобильном — снизу).

Прочитайте результат: P(A|B) — вероятность события A при условии B, её дополнение P(¬A|B) и те же значения в процентах.

Примеры расчёта

Пример 1: Студенты и языки

В группе 100 студентов: 30 знают английский — P(Англ) = 0,3, 10 знают и английский, и французский — P(Англ ∩ Фр) = 0,1.
Вероятность, что студент знает французский при условии, что он знает английский:
P(Фр | Англ) = 0,1 / 0,3 ≈ 0,3333 (33,33%).

Пример 2: Медицинский тест (теорема Байеса)

Чувствительность теста — P(Положит | Болен) = 0,95, распространённость болезни — P(Болен) = 0,02, общая доля положительных тестов — P(Положит) = 0,058.
Вероятность быть больным при положительном тесте:
P(Болен | Положит) = 0,95 × 0,02 / 0,058 ≈ 0,3276 (32,76%).

Пример 3: Дождливый день

Вероятность дождя — P(Дождь) = 0,25, вероятность и дождя, и пробок — P(Дождь ∩ Пробки) = 0,15.
Вероятность пробок, если идёт дождь:
P(Пробки | Дождь) = 0,15 / 0,25 = 0,6 (60%).

Формулы расчёта

P(A|B) = P(A ∩ B) / P(B)

Где P(A|B) — условная вероятность события A при условии B, P(A ∩ B) — вероятность одновременного наступления A и B, P(B) — вероятность события B. Обязательно: P(B) > 0.

P(A|B) = P(B|A) × P(A) / P(B)

Это теорема Байеса. Здесь P(B|A) — вероятность B при условии A, P(A) — априорная вероятность A, P(B) — полная вероятность B (также P(B) > 0).

Связь формул: P(A ∩ B) = P(B|A) × P(A), поэтому обе формулы эквивалентны.

Пошаговое объяснение

Разберём на примере с дождём и пробками. Пусть P(Дождь) = 0,25, P(Дождь ∩ Пробки) = 0,15.

Шаг 1: Определяем событие-условие — B = «Дождь», событие-вопрос — A = «Пробки». Нам нужно P(Пробки | Дождь).

Шаг 2: Подставляем в формулу: P(A|B) = 0,15 / 0,25.

Шаг 3: Делим: 0,15 ÷ 0,25 = 0,6.

Шаг 4: Интерпретируем: если идёт дождь, вероятность пробок равна 60%, что выше безусловной вероятности пробок (которая могла бы быть, скажем, 30%). Дождь повышает шанс пробок.

Где применяется

Медицинская диагностика: расчёт вероятности болезни при положительном тесте (PPV — положительная прогностическая ценность).
Спам-фильтры: наивный байесовский классификатор оценивает P(Спам | Слова) на основе частоты слов в спам-письмах.
Кредитный скоринг: вероятность дефолта заёмщика при наличии определённых признаков (просрочки, доход).
Страхование: оценка риска наступления страхового случая при известных факторах (возраст, стаж вождения).
Криминалистика: оценка вероятности виновности подозреваемого при наличии улик (парадокс прокурора).
Машинное обучение: байесовские сети и вероятностные графические модели для прогнозирования.

Важные нюансы

Вероятность P(B) в знаменателе не может быть равна нулю — деление на ноль не имеет смысла. Событие B должно быть возможным.
Все входные вероятности должны лежать в диапазоне от 0 до 1 (или от 0% до 100%). Значения вне этого диапазона не являются вероятностями.
В режиме «через пересечение» P(A ∩ B) не может превышать P(B), так как пересечение — это подмножество каждого из событий.
Условная вероятность P(A|B) не равна P(B|A). Это распространённое заблуждение. Например, P(Болен | Положит) ≠ P(Положит | Болен).
Результат всегда находится в диапазоне от 0 до 1. Если калькулятор выдал значение вне этого диапазона — проверьте исходные данные.
При использовании теоремы Байеса полная вероятность P(B) должна быть согласована с P(A) и P(B|A): P(B) ≥ P(B|A) × P(A).

Частые ошибки

Путаница P(A|B) и P(B|A): вероятность пожара при дыме и вероятность дыма при пожаре — это разные вещи. Всегда проверяйте, что стоит слева от вертикальной черты.
Забывают, что P(B) > 0: если событие B невозможно, условная вероятность не определена. Калькулятор выдаст ошибку в этом случае.
Ввод вероятности в процентах как целого числа: 5% нужно вводить как 0,05, а не как 5. Иначе результат будет неверным.
Игнорирование ограничения P(A ∩ B) ≤ P(B): если пересечение больше одного из событий — данные противоречивы.
Использование теоремы Байеса без полной вероятности: P(B) нельзя заменить на P(B|A) — это разные величины.
Округление на промежуточных шагах: если считаете вручную, не округляйте промежуточные значения — это накапливает ошибку. Калькулятор выполняет вычисления с высокой точностью.

Ответы на частые вопросы

В: Что означает P(A|B) простыми словами?
Это доля случаев, когда происходит A, среди всех случаев, когда произошло B. Мы сужаем «мир» до ситуаций с B и смотрим, как часто в нём встречается A.

В: Можно ли вводить вероятности в процентах?
Калькулятор принимает десятичные дроби. Чтобы перевести проценты в десятичную дробь, разделите на 100: 25% = 0,25; 5% = 0,05.

В: Что если P(A|B) получился больше 1?
Такого быть не должно. Если результат > 1, проверьте исходные данные — возможно, P(A ∩ B) > P(B) или нарушены другие ограничения.

В: Чем теорема Байеса отличается от простой формулы?
Математически это одна и та же формула: P(A|B) = P(A ∩ B) / P(B), а P(A ∩ B) = P(B|A) × P(A). Теорема Байеса удобна, когда пересечение явно не задано, но известны P(B|A) и P(A).

В: Зачем нужна условная вероятность в жизни?
Она помогает принимать решения при неполной информации: оценить риск болезни по симптому, надёжность партнёра по прошлым сделкам, вероятность осадков по давлению — везде, где одно событие даёт информацию о другом.

В: Почему P(B) называют «полной вероятностью» в теореме Байеса?
Потому что часто P(B) вычисляют по формуле полной вероятности: P(B) = P(B|A) × P(A) + P(B|¬A) × P(¬A). Если у вас есть все компоненты, можете использовать этот способ, но калькулятор принимает P(B) напрямую.

Источники и справочные данные

Расчёт основан на стандартных формулах теории вероятностей: определение условной вероятности и теорема Байеса (Томас Байес, 1763). Формулы входят в школьный курс математики (теория вероятностей и статистика, 8–11 классы) и университетские курсы теории вероятностей, математической статистики и data science.

Для учебных и справочных целей. При ответственных медицинских, финансовых или инженерных решениях проверяйте исходные данные и результат вручную или в специализированном программном обеспечении.

Условная вероятность: полное руководство для начинающих

Условная вероятность — одна из ключевых концепций теории вероятностей, которая позволяет отвечать на вопрос: «Как изменится вероятность события, если мы узнали, что произошло другое событие?». Это фундамент для принятия решений в условиях неопределённости — от медицинской диагностики до искусственного интеллекта.

Что такое условная вероятность

Представьте, что вы тянете карту из колоды в 52 листа. Вероятность вытянуть туза — 4/52 ≈ 0,077 (7,7%). Но если вы уже знаете, что карта — пиковой масти, вероятность туза становится 1/13 ≈ 0,077 — в данном случае она не изменилась, потому что в каждой масти ровно один туз.

А теперь другой пример: вероятность того, что случайный прохожий — миллионер, очень мала. Но если вы узнали, что прохожий вышел из дверей инвестиционного банка, эта вероятность возрастает. Мы обусловили событие «миллионер» событием «работает в инвестбанке». Запись P(A|B) читается как «вероятность A при условии B».

Формальное определение

Условная вероятность события A при условии, что событие B произошло, определяется формулой:

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

Здесь P(A ∩ B) — вероятность, что произошли оба события одновременно (пересечение), а P(B) — вероятность события-условия. Деление на P(B) «нормирует» меру: мы переходим от всего пространства элементарных исходов к его части, где B истинно.

Интуиция: сужение пространства

Лучший способ понять условную вероятность — визуализация. Пусть прямоугольник — все возможные исходы, его площадь равна 1. Круг B занимает часть прямоугольника — его площадь равна P(B). Внутри B есть область пересечения с A — её площадь P(A ∩ B).

Когда мы узнаём, что B произошло, мы ограничиваем рассмотрение только кругом B. Теперь вопрос: какую долю круга B занимает область A ∩ B? Ответ: P(A ∩ B) / P(B). Это и есть P(A|B).

Теорема Байеса: переворот условия

Часто мы знаем P(B|A), а нужна P(A|B). Например, мы знаем чувствительность теста P(Положит | Болен), но пациенту важна P(Болен | Положит). Теорема Байеса даёт способ «перевернуть» условную вероятность:

P(A|B) = P(B|A) × P(A) / P(B)

Эта формула — краеугольный камень байесовской статистики. Она показывает, как априорное убеждение P(A) обновляется с учётом новых данных (событие B) и превращается в апостериорную вероятность P(A|B).

Практический разбор медицинского теста

Пусть тест на редкую болезнь имеет чувствительность 95% (P(+|Б) = 0,95) и специфичность 90% (P(−|З) = 0,90, где З — здоров). Распространённость болезни — 1% (P(Б) = 0,01).

Пациент получает положительный результат. Какова вероятность, что он действительно болен? Считаем полную вероятность положительного теста:

P(+) = P(+|Б) × P(Б) + P(+|З) × P(З) = 0,95 × 0,01 + 0,10 × 0,99 = 0,0095 + 0,099 = 0,1085.

Теперь по Байесу: P(Б|+) = 0,95 × 0,01 / 0,1085 ≈ 0,0876 (8,76%). Несмотря на положительный тест, вероятность болезни — всего около 9%! Это объясняется редкостью болезни: большинство положительных результатов — ложные.

Независимость событий

События A и B независимы, если наступление одного не меняет вероятность другого: P(A|B) = P(A). Подставляя в определение, получаем: P(A ∩ B) = P(A) × P(B). Это важный частный случай, который часто проверяют на практике.

Например, результаты двух подбрасываний монеты независимы: P(Орёл₂ | Орёл₁) = P(Орёл₂) = 0,5. А вот события «дождь» и «пробки» — зависимы: дождь повышает вероятность пробок.

Цепное правило (Chain Rule)

Из определения условной вероятности следует полезное тождество: P(A ∩ B) = P(A|B) × P(B). Для трёх событий: P(A ∩ B ∩ C) = P(A|B ∩ C) × P(B|C) × P(C). Это цепное правило — основа вероятностных графических моделей и байесовских сетей.

Где применяется условная вероятность

Помимо медицины, условная вероятность лежит в основе наивного байесовского классификатора — простого, но мощного алгоритма для классификации текстов (спам/не спам, тональность отзывов). В финансах она помогает оценивать риски: P(Дефолт | Просрочка > 30 дней). В погодных прогнозах: P(Осадки | Давление < 1000 гПа).

В криминалистике условная вероятность фигурирует в «парадоксе прокурора»: ошибочное приравнивание P(Улики | Невиновен) к P(Невиновен | Улики) может привести к судебным ошибкам. В рекомендательных системах: P(Понравится товар | Понравился похожий товар).

Советы по использованию калькулятора

Всегда проверяйте, что P(B) > 0 — деление на ноль не допускается. Вводите вероятности как десятичные дроби (0,05, а не 5). В режиме пересечения убедитесь, что P(A ∩ B) ≤ P(B). При использовании теоремы Байеса проверьте согласованность данных: результат должен быть от 0 до 1. Если выходит за границы — где-то ошибка во входных значениях.

Попробуйте несколько сценариев с разными числами, чтобы развить интуицию. Например, зафиксируйте P(A ∩ B) = 0,1 и меняйте P(B) от 0,2 до 0,8 — увидите, как условная вероятность падает с ростом знаменателя. Это отражает простой факт: чем «шире» условие B, тем меньше доля A внутри него.

Заключение

Условная вероятность — не просто формула из учебника, а способ мышления. Она учит нас пересматривать убеждения при поступлении новой информации и принимать более обоснованные решения. Освоив эту концепцию, вы сможете лучше ориентироваться в мире данных, статистики и неопределённости.