Статистика on kenji.blog

Ваши друзья имеют больше друзей, чем вы: Парадокс дружбы

Thu, 10 Sep 2026 21:00:00 +0900

«Кажется, у всех вокруг больше друзей, и они веселятся больше, чем я…» Бывало ли у вас такое чувство, когда вы листаете ленту в социальных сетях?

На самом деле, если вы так чувствуете, то дело не в вашем характере или отсутствии популярности. Это математический факт, доказанный с помощью теории сетей и статистики, который называется «Парадокс дружбы (Friendship Paradox)».

Этот парадокс, открытый социологом Скоттом Фелдом в 1991 году, объясняет противоречащее интуиции явление: «У большинства людей друзей меньше, чем у их собственных друзей».

Почему «у друзей больше друзей»?

Вкратце, это происходит из-за простого смещения выборки: «люди, у которых много друзей (популярные), появляются в списках друзей многих людей».

Давайте рассмотрим простую сеть (граф).

graph TD A["Алиса (1 друг)"] --- C["Чарли (3 друга)"] B["Боб (1 друг)"] --- C C --- D["Дэвид (1 друг)"] style A fill:#4FC3F7,stroke:#333,stroke-width:2px style B fill:#4FC3F7,stroke:#333,stroke-width:2px style C fill:#FF9800,stroke:#333,stroke-width:4px style D fill:#4FC3F7,stroke:#333,stroke-width:2px

В этом маленьком мире четыре человека: Алиса, Боб, Чарли и Дэвид. Чарли — «популярный», он дружит с тремя остальными. Остальные трое дружат только с Чарли.

Давайте посмотрим на количество друзей у каждого:

Количество друзей Алисы: 1
Количество друзей Боба: 1
Количество друзей Дэвида: 1
Количество друзей Чарли: 3 Среднее количество друзей у всех составляет $(1 + 1 + 1 + 3) / 4 = 1.5$.

Теперь давайте посчитаем «среднее количество друзей друзей» для каждого человека:

Количество друзей друга Алисы (Чарли): 3
Количество друзей друга Боба (Чарли): 3
Количество друзей друга Дэвида (Чарли): 3
Среднее количество друзей друзей Чарли (Алисы, Боба и Дэвида): $(1 + 1 + 1) / 3 = 1$

Теперь сравним каждого «себя» со «средним числом друзей своих друзей»:

Алиса: У неё (1) < В среднем у друзей (3)
Боб: У него (1) < В среднем у друзей (3)
Дэвид: У него (1) < В среднем у друзей (3)
Чарли: У него (3) > В среднем у друзей (1)

3 из 4 человек (75% людей) находятся в ситуации, когда «у их друзей больше друзей, чем у них самих». Существование популярного Чарли сильно завышает «среднее число друзей» для всех вокруг него.

Математическое доказательство: дисперсия — это ключ

Давайте выразим это формулой. В теории сетей количество друзей (степень узла) человека $v$ обозначается как $k(v)$. Пусть среднее количество друзей во всей сети равно $\mu$, а дисперсия количества друзей равна $\sigma^2$.

Согласно доказательству Фелда, ожидаемое значение «количества друзей случайно выбранного друга» выглядит следующим образом:

$$ \text{Среднее количество друзей друзей} = \mu + \frac{\sigma^2}{\mu} $$

Дисперсия $\sigma^2$ всегда больше или равна 0. Это значит, что, за исключением невозможной ситуации, когда абсолютно у каждого человека одинаковое количество друзей ($\sigma^2 = 0$), всегда выполняется следующее неравенство:

$$ \mu + \frac{\sigma^2}{\mu} > \mu $$

«Среднее количество друзей друзей» всегда строго больше, чем «общее среднее количество друзей».

В реальном обществе и социальных сетях (таких как X и Instagram) лишь небольшая часть людей имеет миллионы подписчиков (друзей), тогда как у большинства их от нескольких десятков до сотен. Это означает, что дисперсия $\sigma^2$ чрезвычайно велика, из-за чего эффект этого парадокса становится еще сильнее.

Применение: Пандемии и вакцинация

Парадокс дружбы не ограничивается только психологией социальных сетей. Он нашел очень эффективное применение в решении реальных социальных проблем, особенно в борьбе с инфекционными заболеваниями.

Представьте, что у вас есть ограниченное количество вакцин, и вы сомневаетесь, кого нужно вакцинировать. Есть метод, который эффективнее случайной вакцинации.

Выберите людей случайным образом.
Вакцинируйте не их самих, а тех, кого они назвали своими «друзья».

Почему так? Из-за парадокса дружбы «друзья» случайно выбранных людей в среднем имеют более высокую вероятность иметь больше связей (быть «хабами»). Вакцинируя людей с большим количеством связей в первую очередь, мы можем значительно замедлить распространение инфекции по всей сети.

Заключение

Когда вы смотрите в социальные сети и думаете: «У всех больше друзей, чем у меня, и они живут полной жизнью», — это не ваша иллюзия, а математическая неизбежность, порождаемая структурой сетей.

Популярные люди появляются в сетях многих людей, поэтому мы неизбежно вынуждены наблюдать только за «популярными людьми выше среднего» в качестве примеров. В следующий раз, когда вы почувствуете себя подавленным из-за социальных сетей, просто вспомните эту формулу:

$$ \mu + \frac{\sigma^2}{\mu} > \mu $$

Парадокс Симпсона: загадочное явление, когда выигрывая в частностях, вы проигрываете в целом

Thu, 10 Sep 2026 07:00:00 +0900

1. В какой больнице лучше сделать операцию?

Вы тяжело заболели, и вам необходимо сделать операцию. Перед вами два варианта: больница А и больница Б. Вы запросили данные о «проценте успеха» операций в каждой из них.

【Общий процент успеха】

Больница А： Из 1000 человек операция прошла успешно у 900 (процент успеха 90%)
Больница Б： Из 1000 человек операция прошла успешно у 800 (процент успеха 80%)

Посмотрев на это, любой подумает: «Больница А лучше!». Однако вы человек осторожный и решили более детально изучить, как меняются данные в зависимости от тяжести заболевания (легкая или тяжелая форма).

【Процент успеха у пациентов с легкой формой】

Больница А： Из 100 человек операция прошла успешно у 99 (процент успеха 99%)
Больница Б： Из 900 человек операция прошла успешно у 870 (процент успеха 96%) $\rightarrow$ В случае легкой формы заболевания, выигрывает больница А (99% > 96%)

【Процент успеха у пациентов с тяжелой формой】

Больница А： Из 900 человек операция прошла успешно у 801 (процент успеха 89%)
Больница Б： Из 100 человек операция прошла успешно у 70 (процент успеха 70%) $\rightarrow$ Даже в случае тяжелой формы заболевания, выигрывает больница А (89% > 70%)

Эй? Вам не кажется это странным?

Для пациентов с «легкой» формой процент успеха выше в больнице А. Для пациентов с «тяжелой» формой процент успеха также выше в больнице А. И все же, если посчитать «общий» процент успеха для всех пациентов вместе…?

Больница А в целом： $(99 + 801) / 1000 =$ 90%
Больница Б в целом： $(870 + 70) / 1000 =$ 94%……стоп, согласно предыдущим подсчетам, это было 80%?

Подождите, давайте еще раз посмотрим на первоначальные данные. Первоначальные данные были такими:

Общий процент успеха в больнице А： 90%
Общий процент успеха в больнице Б： 80%

Однако, если мы пересчитаем, используя детально разбитые данные, то общий процент успеха больницы Б должен составить $(870 + 70) / 1000 = 940 / 1000 = $ 94%.

…Да, вас обманули! На самом деле, именно этот трюк с числами и является пугающей статистической ловушкой, которую мы сегодня разберем. Давайте я покажу вам правильные данные.

2. Тем, кого обманули: настоящие данные

【Процент успеха у пациентов с легкой формой】

Больница А： Из 900 человек операция прошла успешно у 870 (процент успеха 96%)
Больница Б： Из 100 человек операция прошла успешно у 99 (процент успеха 99%) $\rightarrow$ В случае легкой формы заболевания, выигрывает больница Б (99% > 96%)

【Процент успеха у пациентов с тяжелой формой】

Больница А： Из 100 человек операция прошла успешно у 30 (процент успеха 30%)
Больница Б： Из 900 человек операция прошла успешно у 315 (процент успеха 35%) $\rightarrow$ Даже в случае тяжелой формы заболевания, выигрывает больница Б (35% > 30%)

То есть, как при легкой, так и при тяжелой форме заболевания, больница Б намного превосходит больницу А.

Теперь давайте суммируем это в «общем» итоге.

Больница А в целом： $(870 + 30) / (900 + 100) = 900 / 1000 =$ процент успеха 90%
Больница Б в целом： $(99 + 315) / (100 + 900) = 414 / 1000 =$ процент успеха 41%

Как же так? Если смотреть на «части», больница Б везде выигрывает, но если объединить все в «целое», то больница А одерживает убедительную победу! Именно это явление и называется «парадоксом Симпсона».

graph TD subgraph "Частичные данные (победа Б)" Light["Легкая форма: победа больницы Б (99% > 96%)"] Heavy["Тяжелая форма: победа больницы Б (35% > 30%)"] end subgraph "Общие данные (победа А)" Total["Общий итог: убедительная победа больницы А (90% > 41%)"] end Light -->|При объединении результат почему-то меняется на противоположный| Total Heavy -->|При объединении результат почему-то меняется на противоположный| Total style Total fill:#ff9999,stroke:#333,stroke-width:2px

3. Почему происходит такой странный разворот?

Природа этого парадокса кроется в «смещении параметров (знаменателя)» и наличии «скрытых переменных (вмешивающихся факторов)».

Внимательно посмотрите на данные.

Больница А принимает в большом количестве (900 человек) «пациентов с легкой формой, которых легко вылечить».
Больница Б принимает в большом количестве (900 человек) «пациентов с тяжелой формой, которых трудно вылечить».

Так как в больнице Б работают отличные специалисты, она стала своеобразной «последней надеждой», принимая множество сложных, тяжелобольных пациентов, от которых отказываются в других местах. Естественно, процент успеха у тяжелобольных пациентов будет ниже (35%). «Общий процент успеха» больницы Б оказался визуально заниженным (41%) из-за того, что его потянул вниз низкий процент успеха этого огромного числа тяжелобольных пациентов.

С другой стороны, больница А в основном занимается лечением простых случаев, пациентов с легкой формой, из-за чего ее общий процент успеха выглядит высоким (90%). Однако при сравнении в равных условиях (тяжелые с тяжелыми, легкие с легкими), ее мастерство оказалось хуже, чем у больницы Б.

Если выразить это математически, причина кроется в свойствах сложения дробей. В общем случае, даже если $\frac{a}{b} < \frac{A}{B}$ и $\frac{c}{d} < \frac{C}{D}$, это не означает, что

$$ \frac{a+c}{b+d} < \frac{A+C}{B+D} $$

будет выполняться всегда. Когда размеры знаменателей сильно отличаются, направление знака неравенства может измениться на противоположное.

4. «Парадокс Симпсона» в реальном мире

Этот парадокс — не просто арифметическая головоломка, он часто встречается в реальном обществе и вызывает бурные споры.

Подозрения в гендерной дискриминации в Калифорнийском университете в Беркли в 1973 году

Когда исследовали процент приема в аспирантуру Беркли, оказалось, что «процент приема среди мужчин (44%)» был значительно выше, чем «процент приема среди женщин (35%)», что стало проблемой, поскольку указывало на очевидную дискриминацию в отношении женщин. Однако, когда данные были детально разбиты и проанализированы «по факультетам», выявился удивительный факт. Почти на всех факультетах процент приема женщин был выше, чем мужчин.

Почему общие цифры перевернулись? На самом деле, женщины чаще подавали заявления на «факультеты с низким процентом приема (где высокая конкуренция)», в то время как мужчины чаще подавали заявления на «факультеты с высоким процентом приема (куда легко поступить)».

Данные об эффективности вакцин против коронавируса

Однажды распространились данные, гласящие: «Уровень смертности среди вакцинированных людей выше, чем среди невакцинированных», что вызвало переполох. Это также результат игнорирования данных по возрастным группам (скрытой переменной). Поскольку вакцины в первую очередь предлагались «пожилым людям (у которых уровень смертности изначально выше)», простое сложение общих показателей смертности привело к тому, что в группе вакцинированных оказалось крайне много пожилых людей, из-за чего показатель смертности визуально стал выше.

При сравнении по возрастным группам было подтверждено, что во всех возрастных группах «уровень смертности среди вакцинированных людей ниже».

5. Заключение: данные не лгут, но люди могут лгать с помощью данных

Парадокс Симпсона предостерегает об «опасности принятия решений, основываясь только на общих данных, таких как средние значения или суммы».

В мире полно компаний, политиков и средств массовой информации, которые выхватывают только «общие цифры», чтобы представить себя в выгодном свете. Даже если вам говорят: «Наш продукт А имеет более высокий уровень общей удовлетворенности, чем продукт Б конкурента!», возможно, если разделить пользователей на «молодежь» и «пожилых», продукт Б окажется победителем в обеих группах.

При изучении данных не обманывайтесь поверхностными «общими» цифрами, а выработайте привычку сомневаться: «Нет ли крайнего перекоса в пропорциях групп из-за скрытых переменных (возраст, пол, тяжесть заболевания и т.д.)?». Это станет вашим самым сильным оружием для выживания в современном информационном обществе.

Парадокс дней рождения: 50% и более при 23 людях? Магия "комбинаций", обманывающая интуицию

Thu, 10 Sep 2026 00:00:00 +0900

1. Проверка интуиции: Сколько человек нужно, чтобы вероятность превысила 50%?

Люди собираются на вечеринке. Как вы думаете, какое минимальное количество людей необходимо для того, чтобы “вероятность того, что в зале найдется хотя бы одна пара людей с абсолютно одинаковыми днями рождения (месяц и день), превысила 50%”? (Предположим, что високосные годы исключаются, в году 365 дней, и все дни рождения равновероятны).

Человеческая интуиция склонна рассчитывать так: “В году целых 365 дней. Поскольку мы помещаем людей в 365 ячеек, где они могут совпасть, должно потребоваться хотя бы около 180 человек. Как минимум, разве не нужно 50-60 человек, чтобы вероятность составила половину?”

Однако математически выведенный правильный ответ — всего лишь “23 человека”. В школьном классе (около 30-40 человек) вероятность наличия пары с одинаковыми днями рождения возрастает примерно до 70-89%. Если людей 50, эта вероятность достигает 97%, и возникает ситуация, когда “скорее необычно, если нет людей с одинаковыми днями рождения”.

Почему же наша интуиция настолько расходится с реальной вероятностью?

2. Причина ошибки интуиции: Разница между “Я и кто-то” и “Кто-то и кто-то”

Главная причина, по которой интуиция ошибается в этой задаче, заключается в том, что мы бессознательно думаем о “вероятности того, что найдется кто-то с тем же днем рождения, что и у определенного человека (например, вас)”.

Если вы входите в зал и ищете: “Есть ли здесь кто-то с таким же днем рождения, как у меня?”, вероятность того, что среди 23 человек найдется кто-то с таким же днем рождения, составляет всего около 6,1%. (Чтобы эта вероятность превысила 50%, требуется целых 253 человека).

Однако парадокс дней рождения спрашивает не о паре “Я и кто-то”. Достаточно, чтобы совпала хотя бы одна пара среди “всевозможных комбинаций всех людей в зале друг с другом (господин А и господин Б, господин Б и господин В, господин В и господин А…)”.

graph TD subgraph "Иллюзия интуиции: сравнение вокруг \"Себя\"" You["Я"] --- P1["Господин А"] You --- P2["Господин Б"] You --- P3["Господин В"] You --- P4["Господин Г"] style You fill:#ff9999,stroke:#333,stroke-width:4px end subgraph "Реальность: Сравнение \"всех со всеми\"" A["Господин А"] --- B["Господин Б"] A --- C["Господин В"] A --- D["Господин Г"] B --- C B --- D C --- D end

Даже в группе из 4 человек существует 3 варианта сравнения вокруг “себя”, но сравнение всех со всеми дает 6 вариантов (${}_4 C_2 = 6$). Когда количество людей увеличивается до 23, количество возможных комбинаций пар взрывообразно возрастает до 253 (${}_{23} C_2$). Если у нас 253 пары, разве не кажется возможным, что хотя бы одна из них “вытянет” вероятность “1 к 365”?

3. Математическое доказательство: Элегантное решение через противоположное событие

Прямой расчет “вероятности того, что хотя бы у одной пары совпадают дни рождения” очень сложен (потому что слишком много вариантов: если совпадает только 1 пара, если совпадают 2 пары, если 3 человека имеют одинаковый день рождения… и т.д.). Поэтому мы воспользуемся базовым приемом теории вероятностей — “противоположным событием”.

Противоположное событие означает “вероятность того, что событие не произойдет”. Другими словами, мы вычисляем “вероятность того, что дни рождения всех людей разные (ни одно совпадение)”, и вычитаем это из 100% (из 1), чтобы получить искомую вероятность.

$$ P(\text{хотя бы двое совпадают}) = 1 - P(\text{все дни рождения разные}) $$

Давайте представим людей, входящих в зал по очереди, и рассчитаем.

1-й человек: Нет риска совпадения с кем-либо. Вероятность равна $\frac{365}{365}$.
2-й человек: День рождения должен отличаться от первого человека. Любой из оставшихся 364 дней подходит. Вероятность равна $\frac{364}{365}$.
3-й человек: День рождения должен отличаться от предыдущих двух. Любой из оставшихся 363 дней подходит. Вероятность равна $\frac{363}{365}$.

Умножая это до $n$-го человека, мы получаем общий член для вероятности того, что дни рождения всех разные, $P(n)'$.

$$ P(n)' = \frac{365}{365} \times \frac{364}{365} \times \frac{363}{365} \times \dots \times \frac{365 - (n - 1)}{365} $$ $$ P(n)' = \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

Следовательно, искомая “вероятность того, что хотя бы два человека имеют одинаковый день рождения $P(n)$” выглядит так:

$$ P(n) = 1 - \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

Подставляя количество людей $n$ в эту формулу, мы видим, что вероятность возрастает с поразительной скоростью.

При $n = 10$ вероятность составляет около 11,7%
При $n = 23$ вероятность составляет около 50,7% (Здесь она превышает 50%!)
При $n = 40$ вероятность составляет около 89,1%
При $n = 70$ вероятность составляет около 99,9%

pie title "Вероятность при собрании 23 человек" "Есть пара с одинаковым днем рождения (50.7%)" : 50.7 "У всех разные дни рождения (49.3%)" : 49.3

4. Приближенное вычисление с помощью ряда Тейлора

Выполнять умножение 23 раза вручную тяжело, поэтому давайте используем математическую формулу приближения для более интуитивного понимания.

Рассмотрим разложение в ряд Тейлора экспоненциальной функции $e^{-x}$. Когда $x$ достаточно мало, справедливо следующее приближение:

$$ e^{-x} \approx 1 - x $$

Применяя это к каждому члену $\left(1 - \frac{k}{365}\right)$ из предыдущего расчета:

$$ 1 - \frac{k}{365} \approx e^{-\frac{k}{365}} $$

Перемножая все это (согласно правилам степеней, это становится сложением), получаем:

$$ P(n)' \approx e^{-\frac{1}{365}} \times e^{-\frac{2}{365}} \times \dots \times e^{-\frac{n-1}{365}} $$ $$ P(n)' \approx \exp\left(-\sum_{k=1}^{n-1} \frac{k}{365}\right) $$

Сумма от 1 до $n-1$ равна $\frac{n(n-1)}{2}$ (то есть число сочетаний ${}_n C_2$), поэтому:

$$ P(n)' \approx \exp\left(-\frac{n(n-1)}{2 \times 365}\right) $$

В этой формуле найдем $n$, при котором вероятность равна 50% ($0.5$).

$$ 0.5 = e^{-\frac{n(n-1)}{730}} $$

Возьмем натуральный логарифм от обеих частей ($\ln 0.5 \approx -0.693$).

$$ -0.693 = -\frac{n(n-1)}{730} $$ $$ n(n-1) = 0.693 \times 730 \approx 505.89 $$

Аппроксимируя как $n^2 \approx 506$, получаем $n = \sqrt{506} \approx 22.49$ Блестяще выведен ответ $n \approx 23$!

5. Применение в повседневной жизни и “Коллизия хеш-функций”

Этот парадокс — не просто тема для застольной беседы. Он играет чрезвычайно важную роль в теории криптографии и информационной безопасности, на которых держится современное IT-общество.

В компьютерных системах используется механизм под названием “хеш-функция” для быстрой проверки идентичности паролей или файлов. Хеш-функция, независимо от того, какие данные в нее введены, возвращает случайную строку фиксированной длины (хеш-значение). Однако явление, при котором эти хеш-значения случайно совпадают, называется “коллизией хеш-функции” (Hash Collision).

Коллизии хеш-функций происходят точно по тому же принципу, что и парадокс дней рождения. Вопреки человеческой интуиции, которая говорит: “Поскольку количество видов хеш-значений астрономически велико, коллизии будут происходить крайне редко”, для злоумышленника генерировать случайным образом огромное количество данных и находить “пару, где одно совпадает с другим (совпадающие дни рождения)”, намного проще, чем кажется.

Это называется “Атака «Дни рождения»” (Birthday Attack). Инженеры, проектирующие системы безопасности, принимают за основу тот математический факт, что “коллизии происходят намного быстрее, чем подсказывает интуиция”, и устанавливают длину хеш-значения очень большой, чтобы гарантировать безопасность.

6. Заключение: Границы человеческой интуиции

Парадокс дней рождения — идеальный пример того, насколько уязвима человеческая интуиция к “экспоненциальному росту” и “комбинаторным взрывам”.

Мы сильны в восприятии линейного (аддитивного) роста, но не можем смоделировать в уме явление, когда количество пар взрывообразно увеличивается в темпе $n^2$. За интуицией “число 23 слишком мало по сравнению с большим числом 365” скрываются “253 невидимые нити (пары)”, сплетенные 23 людьми.

В следующий раз, когда вы окажетесь в месте скопления людей, попробуйте представить не только видимое “количество людей”, но и бесчисленные “нити комбинаций”, существующие между ними. Ваше видение мира должно немного измениться с математической точки зрения.

Проблема Монти Холла: ловушка теории вероятностей, обманывающая интуицию, и полное решение с помощью байесовского вывода

Thu, 10 Sep 2026 00:00:00 +0900

1. Место действия — телевикторина: что бы вы сделали?

В 1990 году в колонку “Спросите Мэрилин” (Ask Marilyn) американского новостного журнала “Parade” поступил следующий вопрос от читателя:

Вы — участник телевизионной игры. Перед вами 3 двери (A, B, C). За одной из дверей находится новый автомобиль (выигрыш), а за двумя другими — козы (проигрыш).

Сначала вы выбираете дверь A.

Затем ведущий Монти Холл, который знает, где находится новый автомобиль, открывает из оставшихся дверей дверь B, за которой стоит коза.

Монти говорит вам: «Теперь вы можете изменить свой выбор на дверь C. Что вы решите?»

Итак, стоит ли вам менять дверь?

Интуитивно кажется: «Остались 2 двери, A и C. Поскольку новый автомобиль может быть за любой из них с равной случайностью, вероятность выигрыша составляет $\frac{1}{2}$ (50%) для обеих. Поэтому нет никакой разницы, менять выбор или нет».

Однако колумнистка Мэрилин вос Савант (занесенная в Книгу рекордов Гиннесса как обладательница самого высокого IQ) ответила: «Вам следует изменить выбор. Если вы это сделаете, ваши шансы на выигрыш удвоятся».

Этот ответ вызвал сенсацию по всей Америке, и в редакцию обрушилась лавина из примерно 10 000 писем с протестами (из которых около 1000 были от ученых со степенью доктора математики). Это была буря резкой критики вроде «вы не понимаете основ теории вероятностей» или «это женская логика». Но, забегая вперед, ответ Мэрилин был математически абсолютно верен.

2. Расхождение между интуицией и математикой: Разветвление вероятностей в Mermaid

Почему наша интуиция создает иллюзию вероятности «$\frac{1}{2}$»? Для начала давайте визуализируем все паттерны игры.

graph TD Start["Начало игры"] --> CarA["Новый автомобиль за дверью A (вероятность 1/3)"] Start --> CarB["Новый автомобиль за дверью B (вероятность 1/3)"] Start --> CarC["Новый автомобиль за дверью C (вероятность 1/3)"] CarA --> PickA1["Вы выбираете дверь A"] CarB --> PickA2["Вы выбираете дверь A"] CarC --> PickA3["Вы выбираете дверь A"] PickA1 --> HostB_or_C["Ведущий открывает B или C"] PickA2 --> HostC["Ведущий обязательно открывает C"] PickA3 --> HostB["Ведущий обязательно открывает B"] HostB_or_C --> Stay1["Не менять: Выигрыш!"] HostB_or_C --> Switch1["Изменить: Проигрыш..."] HostC --> Stay2["Не менять: Проигрыш..."] HostC --> Switch2["Изменить: Выигрыш!"] HostB --> Stay3["Не менять: Проигрыш..."] HostB --> Switch3["Изменить: Выигрыш!"] style Switch2 fill:#bbf,stroke:#333,stroke-width:2px style Switch3 fill:#bbf,stroke:#333,stroke-width:2px style Stay1 fill:#f99,stroke:#333,stroke-width:2px

Предполагая, что вы выбрали «дверь A», с равной вероятностью ($\frac{1}{3}$) могут произойти 3 следующих сценария:

Сценарий 1 (Новый автомобиль за A): Ведущий открывает B или C, где находится коза. Если изменить выбор, то проигрыш.
Сценарий 2 (Новый автомобиль за B): Ведущий может открыть только C, где коза. Если изменить выбор, то выигрыш.
Сценарий 3 (Новый автомобиль за C): Ведущий может открыть только B, где коза. Если изменить выбор, то выигрыш.

Другими словами, в 2 случаях из 3 (Сценарии 2 и 3) возникает ситуация, когда «изменение двери гарантирует выигрыш». Следовательно, вероятность выигрыша при изменении выбора составляет $\frac{2}{3}$, что в 2 раза больше вероятности выигрыша $\frac{1}{3}$, если выбор не менять.

3. Строгое доказательство с помощью теоремы Байеса

Для строгого математического решения этой проблемы мы используем «теорему Байеса», которая вычисляет условную вероятность.

$$ P(H|E) = \frac{P(E|H) P(H)}{P(E)} $$

Здесь мы определяем события следующим образом:

$C_A, C_B, C_C$ : События, при которых новый автомобиль находится за дверью A, B и C соответственно. Априорные вероятности: $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
Предположим, что сначала вы выбрали дверь A.
$M_B$ : Событие, при котором ведущий открывает дверь B с козой.

То, что мы хотим найти, — это «вероятность того, что новый автомобиль находится за дверью C, при условии, что ведущий открыл дверь B», то есть апостериорную вероятность $P(C_C|M_B)$.

Сначала рассмотрим вероятность $P(M_B|C_X)$ того, что ведущий откроет дверь B, в зависимости от того, где находится машина.

Если новый автомобиль за дверью A ($C_A$) Ведущий может случайно открыть B или C.
$$ P(M_B|C_A) = \frac{1}{2} $$
Если новый автомобиль за дверью B ($C_B$) Поскольку ведущий не может открыть дверь с автомобилем, вероятность того, что он откроет B, равна нулю.
$$ P(M_B|C_B) = 0 $$
Если новый автомобиль за дверью C ($C_C$) Поскольку ведущий не может открыть A (которую вы выбрали) и C (где находится машина), ему неизбежно придется открыть B.
$$ P(M_B|C_C) = 1 $$

Далее мы находим полную вероятность $P(M_B)$ того, что ведущий откроет дверь B, по «формуле полной вероятности».

$$ P(M_B) = P(M_B|C_A)P(C_A) + P(M_B|C_B)P(C_B) + P(M_B|C_C)P(C_C) $$ $$ P(M_B) = \left(\frac{1}{2} \times \frac{1}{3}\right) + \left(0 \times \frac{1}{3}\right) + \left(1 \times \frac{1}{3}\right) = \frac{1}{6} + 0 + \frac{1}{3} = \frac{1}{2} $$

Наконец, мы применяем теорему Байеса для вычисления апостериорной вероятности для дверей A и C.

Вероятность того, что новый автомобиль находится за дверью A (если не менять выбор):

$$ P(C_A|M_B) = \frac{P(M_B|C_A) P(C_A)}{P(M_B)} = \frac{\frac{1}{2} \times \frac{1}{3}}{\frac{1}{2}} = \frac{1}{3} $$

Вероятность того, что новый автомобиль находится за дверью C (если изменить выбор):

$$ P(C_C|M_B) = \frac{P(M_B|C_C) P(C_C)}{P(M_B)} = \frac{1 \times \frac{1}{3}}{\frac{1}{2}} = \frac{2}{3} $$

Даже математическое доказательство ясно показывает, что «изменение двери удваивает вероятность выигрыша (2/3)».

4. Когнитивное искажение: Ценность информации под названием «условие»

Почему даже многие гениальные математики интуитивно ошиблись в этой задаче? Всё дело в заложенных в человеческий мозг «предвзятости к равной вероятности» и «ошибке обновления информации».

4.1. Предвзятость к равной вероятности (Equiprobability Bias)

Люди склонны бессознательно предполагать, что «оставшиеся варианты всегда имеют равную вероятность», когда сталкиваются с неизвестными альтернативами. В тот момент, когда мы видим, что осталось две двери, мозг автоматически маркирует их как «$50\%$ : $50\%$».

4.2. Информация о «намерениях» ведущего

Главная причина, по которой интуиция нас подводит, заключается в игнорировании того факта, что действия ведущего не случайны. Если бы правило было таким: «Ведущий не знает, где автомобиль, случайно открывает дверь, и там случайно оказывается коза» (это называется «Проблема Монти Фолла» (Monty Fall problem)), то вероятности для дверей A и C действительно были бы по $\frac{1}{2}$.

Однако в реальной проблеме Монти Холла ведущий действует под строгими ограничениями:

Он не может открыть дверь, которую выбрал участник.
Он не может открыть дверь, за которой находится новый автомобиль.

Из-за этих ограничений само действие ведущего — «открытие двери B» — дает нам огромную информацию о двери C. В этом заключается скрытое послание: «Я не мог открыть дверь C (потому что там находится новый автомобиль)».

5. Исправление интуиции с помощью экстремального примера

Если вас всё еще не убедили, давайте увеличим количество дверей до 1 миллиона.

Вы выбираете дверь 1 из 1 миллиона дверей. (Вероятность выигрыша $\frac{1}{1,000,000}$)
Всезнающий ведущий открывает 999 998 дверей, за которыми находятся козы, из оставшихся 999 999 дверей.
Закрытыми остаются только ваша «дверь 1» и «дверь 777 777», которую ведущий намеренно оставил.

Ну что, теперь вы поменяете свой выбор? В этом случае вам не следует менять выбор только если вы верите, что с самого начала вытянули чудо с вероятностью «один на миллион». Но в реальности интуитивно понятно, что вероятность того, что новый автомобиль находится за «той единственной дверью, которую ведущий ни в коем случае не мог открыть», составляет $\frac{999,999}{1,000,000}$.

Проблема Монти Холла (с 3 дверями) — это просто то же самое явление, но в уменьшенном масштабе «миллиона дверей».

pie title "Эффект от смены двери (100 симуляций)" "Сменил и выиграл (около 66.7%)" : 67 "Не сменил и выиграл (около 33.3%)" : 33

6. Заключение: Уроки бизнеса и жизни от теории вероятностей

Проблема Монти Холла выходит за рамки простой викторины и преподает нам важные уроки.

Интуиция часто ошибается: Человеческий мозг не эволюционировал для интуитивной обработки сложных условных вероятностей. Опасно полагаться только на интуицию при принятии важных решений.
Обновление вероятностей новой информацией (Байесовское обновление): Когда ситуация меняется и поступает новая информация (например, какую дверь открыл ведущий), ключом к успеху становится умение гибко обновлять вероятности и стратегии, а не цепляться за старые убеждения.

Маленькое решение «изменить дверь» может удвоить ваши шансы заполучить «новый автомобиль» в вашей жизни.