Вероятность события: 5 подходов

В теории вероятностей задача «попасть в интервал» встречается почти в каждом разделе: от дискретных распределений до непрерывных и геометрических моделей.
Ниже приведены пять различных подходов к оценке вероятности события
X ∈ (a, b). Каждый вариант раскрывает свою интерпретацию, формулы и типичные примеры.

Самое главное помнить, что…

Вероятность – число от 0 до 1. Чем ближе к 1, тем более вероятно событие.
Пределы интервала (a, b) должны быть корректно заданы. В дискретных задачах используют «≤» и «≥», в непрерывных – «<» и «>».
Функция распределения F(x) и плотность f(x) взаимосвязаны:

F(x) = P(X ≤ x) = ∫_-∞^x f(t) dt.
Геометрическая вероятность зависит только от относительных размеров. Для симметричных пространств можно использовать простую формулу длины/объёма.
При работе с дискретными случайными величинами необходимо суммировать вероятности всех точек.

Дискретный случай: суммирование точечных вероятностей

Если X принимает конечный (или счётный) набор значений x_i с вероятностями p_i, то

P(a < X < b) = Σ_{i: a < x_i < b} p_i

Пример: Берём кубик с шестью гранями, X – выпавшее число. Вероятность того, что X попадает в интервал (2, 5) равна P(3) + P(4) = 1/6 + 1/6 = 1/3.

Непрерывный случай: интегрирование плотности

Для непрерывной случайной величины X с плотностью f(x) вероятность попадания в интервал (a, b) вычисляется как интеграл:

P(a < X < b) = ∫_a^b f(x) dx

Пример: X ~ N(μ, σ²). Если a = 1, b = 3, то

P(1 < X < 3) = Φ((3-μ)/σ) – Φ((1-μ)/σ)

Использование функции распределения F(x)

Поскольку F(x) = P(X ≤ x), то вероятность попадания в интервал (a, b) может быть найдена как разность:

P(a < X < b) = F(b) – F(a)

Это удобно, когда у нас уже известна таблица F(x) или аналитическое выражение.

Геометрическая вероятность (параметрическое пространство)

При моделировании в двумерном (или многомерном) пространстве, где X – координата, вероятность может быть найдена как отношение площади (объёма) «хорошего» множества к общей площади:

P = area(плохая область) / area(общая область)

Пример: два друга приходят в кафе в интервале 15:00–16:00 и ждут друг друга 10 минут. Вероятность встречи ≈ (2 × 10) / 60 = 1/3.

Симуляция (Monte‑Carlo) – приближённый метод

Когда аналитического решения нет, можно генерировать случайные значения X и подсчитывать долю попаданий в (a, b):

count = 0; N = 10⁶

for i in 1..N: x = generateRandom; if a < x < b: count++

P ≈ count / N

Чем больше N, тем точнее оценка. Это особенно полезно для сложных распределений.

Окончательный список – 5 вариантов толкования

Дискретное суммирование – складываем вероятности точечных значений, попадающих в интервал.
Непрерывное интегрирование – интегрируем плотность по границам интервала.
Разность функций распределения – F(b) – F(a).
Геометрическая вероятность – отношение площади (объёма) полезного множества к общей площади.
Monte‑Carlo симуляция – эмпирическое измерение вероятности через генерацию случайных чисел.

Выбор подхода зависит от типа случайной величины, доступных данных и требований к точности. В практических задачах часто комбинируют несколько методов для проверки результатов.

Надеюсь, статья помогла вам увидеть, как можно трактовать одну и ту же задачу разными способами и выбрать наиболее подходящий инструмент для решения.