Что такое вероятностная мера: аксиомы Колмогорова и пример с мишенью

Вероятностная мера — это функция P, которая каждому событию A из заранее выбранного семейства событий F ставит в соответствие число P(A) от 0 до 1 так, что P(Ω) = 1 и вероятность объединения попарно несовместных событий равна сумме их вероятностей. Иначе говоря, это мера с полной массой 1. Вместе с множеством исходов Ω и семейством событий F она образует вероятностное пространство (Ω, F, P).

Ниже — мини-словарь, три аксиомы Колмогорова и их следствия, чем вероятностная мера отличается от меры Лебега, и разбор геометрической вероятности на мишени с проверкой в Python.

Мини-словарь: четыре понятия, которые путают

Главное различие: исход — это точка Ω, а событие — множество исходов. Вероятность приписывается событиям, а не исходам напрямую.

Аксиомы Колмогорова

Аксиоматику предложил А. Н. Колмогоров в 1933 году в книге на немецком языке «Grundbegriffe der Wahrscheinlichkeitsrechnung»; русское издание вышло в 1936 году под названием «Основные понятия теории вероятностей». Функция P: F -> ℝ называется вероятностной мерой, если:

1. Неотрицательность: P(A) ≥ 0 для любого события A из F.
2. Нормировка: P(Ω) = 1.
3. Счетная аддитивность: если события A₁, A₂, … попарно несовместны (Aᵢ ∩ Aⱼ = ∅ при i ≠ j), то P(A₁ ∪ A₂ ∪ …) = P(A₁) + P(A₂) + …

Важная оговорка к третьей аксиоме: она про несовместные события (множества не пересекаются), а не про независимые. Независимость — другое свойство: P(A ∩ B) = P(A) · P(B). Независимые события с ненулевыми вероятностями как раз совместны, и складывать их вероятности нельзя.

Что следует из аксиом

Остальные привычные правила выводятся, а не постулируются:

• P(∅) = 0;
• P(не A) = 1 — P(A);
• если A ⊂ B, то P(A) ≤ P(B), поэтому P(A) ≤ 1 для любого A;
• P(A ∪ B) = P(A) + P(B) — P(A ∩ B) для любых, в том числе пересекающихся, событий;
• непрерывность: если A₁ ⊂ A₂ ⊂ …, то P(Aₙ) стремится к P(объединения).

Проверка на конечном примере

Для кубика все условия можно перебрать напрямую: событий всего 2⁶ = 64. Код считает точно, на дробях, без ошибок округления.

from fractions import Fraction
from itertools import chain, combinations

omega = frozenset(range(1, 7))            # грани кубика

def P(event):
    assert event <= omega, "событие должно быть подмножеством omega"
    return Fraction(len(event), len(omega))

def all_events(s):
    items = list(s)
    return [frozenset(c) for c in chain.from_iterable(combinations(items, k) for k in range(len(items) + 1))]

F = all_events(omega)                     # сигма-алгебра = все 2^6 подмножеств
print("событий в F:", len(F))
print("P(omega) =", P(omega), "| P(пустое) =", P(frozenset()))
print("все P в [0, 1]:", all(0 <= P(A) <= 1 for A in F))
print("аддитивность для несовместных:",
      all(P(A | B) == P(A) + P(B) for A in F for B in F if not (A & B)))

even, big = frozenset({2, 4, 6}), frozenset({4, 5, 6})
print("P(чет) + P(>=4) =", P(even) + P(big), "| P(чет или >=4) =", P(even | big))
print("P(A) + P(B) - P(AB) =", P(even) + P(big) - P(even & big))

Вывод (Python 3.14.7):

событий в F: 64
P(omega) = 1 | P(пустое) = 0
все P в [0, 1]: True
аддитивность для несовместных: True
P(чет) + P(>=4) = 1 | P(чет или >=4) = 2/3
P(A) + P(B) - P(AB) = 2/3

Последние две строки показывают ошибку «сложить вероятности пересекающихся событий»: сумма дает 1, а верный ответ 2/3, потому что исходы 4 и 6 посчитаны дважды. Формула с вычитанием P(A ∩ B) это исправляет. Для конечного Ω счетная аддитивность сводится к попарной, поэтому такой перебор — полная проверка.

Мера, мера Лебега и вероятностная мера

Слово «мера» в названии не случайно: вероятность — частный случай общего понятия меры из анализа.

Мера Лебега обобщает длину, площадь и объем, но сама вероятностью не является: площадь всей плоскости бесконечна. Вероятность получается, если взять ограниченную область Ω положительной площади и нормировать: P(A) = λ(A) / λ(Ω). Это равномерное распределение на Ω, и только оно. Другие модели задаются другими мерами, например через плотность: P(A) равна интегралу плотности f по множеству A.

Зачем нужна сигма-алгебра, а не все подмножества

Для конечного или счетного Ω событием можно считать любое подмножество. Для отрезка или круга так не получится: в стандартной теории множеств (с аксиомой выбора) существуют неизмеримые множества, например множество Витали, которым нельзя согласованно приписать длину. Поэтому F ограничивают измеримыми множествами. Для геометрических задач это борелевская или лебегова сигма-алгебра — в нее входят все круги, кольца, секторы и любые области, которые встречаются на практике.

Геометрическая вероятность: мишень

Построим вероятностное пространство для выстрела по круглой мишени радиуса R. Модель упрощенная: считаем, что стрелок всегда попадает в мишень и любое место в ней равновозможно.

1. Ω — круг радиуса R с центром в начале координат.
2. F — измеримые (по Лебегу) подмножества этого круга.
3. P(A) = λ₂(A) / (πR²), где λ₂ — площадь.

Аксиомы выполнены: площадь неотрицательна, P(Ω) = πR² / πR² = 1, площадь непересекающихся фигур складывается. «Десятка» — круг радиуса r с тем же центром, поэтому:

P(«десятка») = πr² / πR² = (r / R)²

При R = 1 и r = 0,3 получаем 0,09. Проверим методом Монте-Карло: генерируем миллион равномерных точек в круге и считаем долю попавших в «десятку».

import math
import random

R, r = 1.0, 0.3      # радиус мишени и радиус «десятки»
N = 1_000_000
rng = random.Random(42)

def uniform_point_in_disk(rng, R):
    # равномерно по площади: радиус через корень
    rho = R * math.sqrt(rng.random())
    phi = 2 * math.pi * rng.random()
    return rho * math.cos(phi), rho * math.sin(phi)

hits = 0
for _ in range(N):
    x, y = uniform_point_in_disk(rng, R)
    if x * x + y * y <= r * r:
        hits += 1

print(f"формула (r/R)^2 = {(r / R) ** 2:.4f}")
print(f"частота попаданий = {hits / N:.4f}")

формула (r/R)^2 = 0.0900
частота попаданий = 0.0900

Частота совпала с формулой до четвертого знака. Это не доказательство, а иллюстрация закона больших чисел: при другом seed последний знак может отличаться.

Типичная ошибка: «равномерный радиус» не равен «равномерной площади»

Частая ошибка при моделировании — выбрать расстояние от центра равномерно: rho = R * rng.random(). Тот же код с этой строкой (seed 42) печатает:

формула (r/R)^2 = 0.0900
частота попаданий = 0.3002

Получилось около r / R = 0,3, а не 0,09. Причина: колец малого радиуса столько же, сколько больших, но площадь у них меньше, и точки сгущаются к центру. Такая процедура задает другую вероятностную меру на том же Ω. Исправление — rho = R * math.sqrt(rng.random()): тогда P(ρ ≤ r) = (r / R)², как и требует площадь.

Вывод шире кода: слова «наудачу» и «равновозможно» не определяют вероятность сами по себе. Нужно явно сказать, какая мера выбрана. На этом построен известный парадокс Бертрана о случайной хорде, где три «естественных» способа дают три разных ответа.

Нулевая вероятность не значит «невозможно»

В модели с площадью вероятность попасть в конкретную точку равна нулю: у точки нулевая площадь. Но в какую-то точку стрелок все равно попадает. Значит, P(A) = 0 не означает, что событие невозможно, а P(A) = 1 — что оно обязательно. В таких случаях говорят «почти наверное». Для конечного Ω с положительными вероятностями исходов этой тонкости нет.

Другая мера: реальный стрелок

Живой стрелок целится в центр, и попадания гуще у середины. Удобная модель — двумерное нормальное распределение с разбросом σ по каждой оси. Здесь Ω — вся плоскость (промах возможен), а мера задана плотностью. Для круга радиуса r вокруг точки прицеливания P = 1 — exp(-r² / (2σ²)).

import math
import random

r, sigma = 0.3, 0.3   # радиус «десятки» и разброс стрелка по каждой оси
N = 1_000_000
rng = random.Random(42)

hits = 0
for _ in range(N):
    x, y = rng.gauss(0, sigma), rng.gauss(0, sigma)
    if x * x + y * y <= r * r:
        hits += 1

print(f"формула 1 - exp(-r^2 / (2 sigma^2)) = {1 - math.exp(-r * r / (2 * sigma * sigma)):.4f}")
print(f"частота попаданий = {hits / N:.4f}")

формула 1 - exp(-r^2 / (2 sigma^2)) = 0.3935
частота попаданий = 0.3933

Та же «десятка», но вероятность 0,39 вместо 0,09. Событие одно, меры разные — и ответ определяется выбором меры, а не геометрией мишени. Модель тоже упрощенная: она не учитывает систематический сдвиг прицела и разный разброс по осям.

Выводы

• Вероятностная мера — функция на событиях со значениями в [0, 1], удовлетворяющая трем аксиомам Колмогорова: неотрицательность, P(Ω) = 1, счетная аддитивность для несовместных событий.
• Вероятностное пространство — тройка (Ω, F, P); сигма-алгебра F нужна, потому что для непрерывных Ω не всем подмножествам можно приписать меру.
• Мера Лебега — не вероятность; нормированная площадь P(A) = λ(A) / λ(Ω) дает равномерное распределение и геометрическую вероятность (r / R)² для «десятки».
• «Наудачу» требует явного выбора меры: равномерный радиус и нормальный разброс дают 0,30 и 0,39 вместо 0,09.
• Несовместность и независимость — разные свойства; нулевая вероятность не означает невозможность.

Где применяется / связь с практикой

Вероятностное пространство — фундамент для всего, что в IT работает со случайностью: A/B-тестов, оценки рисков, метода Монте-Карло, генеративных моделей и функций потерь в машинном обучении. Понимание, какая мера стоит за «случайным» выбором, спасает от ошибок вроде «равномерного радиуса» в симуляциях и выборках.

FAQ

Чем вероятностная мера отличается от функции распределения?
Мера P задана на событиях (множествах), а функция распределения F(x) = P(X ≤ x) — на числах и описывает одну случайную величину. Для величин на прямой функция распределения однозначно определяет соответствующую меру.

Можно ли обойтись без сигма-алгебры, если Ω конечно?
Да: для конечного или счетного Ω можно взять все подмножества, и никаких проблем с измеримостью не возникает. Сигма-алгебра становится существенной для непрерывных пространств.

Чем счетная аддитивность отличается от конечной?
Конечная требует равенства только для конечного числа несовместных событий, счетная — для бесконечной последовательности. Счетная сильнее и нужна для пределов, например для вероятности «когда-нибудь выпадет шестерка» в бесконечной серии бросков.