Монета подброшена уже сто раз, и орёл выпал шестьдесят раз. Кажется, теперь решка «должна» выпасть чаще, чтобы «отыграть» отставание. Именно здесь начинается главное заблуждение, которое регулярно стоит денег азартным игрокам и баллов — участникам экзаменов.
Закон больших чисел говорит обратное: чем больше испытаний, тем ближе относительная частота события к его теоретической вероятности. Не потому что события «обязаны» выровняться, а потому что случайные отклонения тонут в огромном числе опытов.
На ЕГЭ и ОГЭ эта тема появляется в задачах, где по таблице частот нужно оценить вероятность или применить формулу Бернулли. Понять смысл закона — значит не путаться в таких задачах и не допускать грубых логических ошибок.
Теория больших чисел простыми словами: главная идея
Любое случайное событие характеризуется вероятностью — числом от 0 до 1:
\[ 0 \le P(A) \le 1 \]
По классическому определению:
\[ P(A) = \frac{m}{n} \]
где \( m \) — число благоприятных исходов, \( n \) — число всех равновозможных исходов.
Это теоретическое значение. Но если подбросить монету реально и записать результаты, появляется другое число — относительная частота события:
\[ W_n(A) = \frac{k}{n} \]
где \( k \) — сколько раз событие наступило в \( n \) проведённых испытаниях.
Теория больших чисел простыми словами звучит так: при увеличении числа испытаний относительная частота \( W_n(A) \) устойчиво приближается к теоретической вероятности \( P(A) \). Не «иногда совпадает», а именно стремится — чем больше \( n \), тем меньше разброс между \( W_n \) и \( P \).
Это объясняет, почему теоретическая вероятность вообще имеет практический смысл: её можно измерить, проведя достаточно много испытаний. Страховые компании, социологи и физики именно так и поступают.
Коротко
- Теоретическая вероятность — это то, к чему стремится частота при росте числа испытаний
- Относительная частота: \(W_n = k / n\)
- Закон не предсказывает отдельный исход — только поведение среднего на длинной серии
Забери шпаргалки по всем темам ЕГЭ
Формулы, методы и типовые ошибки — одним файлом в боте.
Теория больших чисел в реальной жизни: примеры
Теория больших чисел простыми словами в реальной жизни лучше всего видна на конкретных ситуациях.
Монета. Теоретическая вероятность орла \( P = 0{,}5 \). При 10 бросках легко получить 3 орла или 8 — отклонение велико. При 10 000 бросках доля орлов окажется в пределах 0,49–0,51. Случайность не исчезает, но «усредняется».
Игральный кубик. Вероятность грани «6» равна \( \frac{1}{6} \approx 0{,}167 \). Бросить кубик 12 раз и не получить ни одной шестёрки — вполне реально. Бросить 6 000 раз и получить менее 900 шестёрок — практически невозможно: закон уже работает в полную силу.
Страховая компания. Вероятность ДТП у одного водителя за год — около 0,05. По одному клиенту ничего предсказать нельзя. Но имея 100 000 клиентов с независимыми рисками, компания уверена: убытки составят около 5 000 случаев. На этом и строится бизнес-модель.
Социологический опрос. Когда опрашивают 1 500 человек и получают, что 62% поддерживают идею, погрешность составляет около ±3%. Опрос 50 человек дал бы погрешность ±14% — закон здесь ещё не набрал силу.
Ключевое условие: испытания должны быть независимыми — результат одного не влияет на другой. Если это нарушено (например, опрашивают только жителей одного района), закон не применяется.
Коротко
- Закон работает только при независимых одинаковых испытаниях
- Независимые события: P(A ∩ B) = P(A) · P(B)
- Отдельный исход предсказать нельзя — предсказуема лишь средняя частота на большой серии
- Чем больше испытаний, тем уже разброс между частотой и вероятностью
Теория малых чисел простыми словами: ловушка малой выборки
Есть обратный эффект — когнитивное искажение, при котором человек делает уверенные выводы по 3–5 наблюдениям. Психологи называют его «теорией малых чисел».
Пример: учитель провёл контрольную в двух классах. В классе A написали лучше. Вывод — «класс A сильнее». Но в каждом классе было по 12 человек. При такой выборке случайный разброс огромен: один заболевший отличник или удачно выспавшийся троечник меняет картину. Вывод статистически незначим.
Теория малых чисел простыми словами — это именно то, чего закон больших чисел не допускает: делать выводы о вероятности по ничтожной выборке.
Почему маленькая выборка обманывает стабильно, видно из сравнения разброса частот для честной монеты:
| Число бросков \( n \) | Типичный диапазон частоты \( W_n \) | |---|---| | 5 | 0,20 – 0,80 | | 100 | 0,45 – 0,55 | | 10 000 | 0,495 – 0,505 |
Мозг плохо чувствует эту разницу и воспринимает 3 успеха из 5 так же «значимо», как 600 из 1000. Это и есть ловушка малой выборки.
В задачах ЕГЭ эта ловушка отыгрывается иначе: условие может дать таблицу с 20 испытаниями и попросить «оценить вероятность». Оценка будет грубой, но метод — верным: частота при любом \( n \) остаётся оценкой вероятности, просто точность растёт с увеличением \( n \).
Формула Бернулли и закон: как частота стремится к вероятности
Посмотрим, как сходимость выглядит численно. Монета честная, \( p = 0{,}5 \).
| Число бросков \( n \) | Ожидаемое число орлов | Типичная частота \( k/n \) | |---|---|---| | 10 | 5 | 0,30 – 0,70 | | 100 | 50 | 0,45 – 0,55 | | 1 000 | 500 | 0,48 – 0,52 |
Разброс сужается, но не исчезает полностью — это и есть смысл «стремления», а не точного равенства.
Вычислить вероятность получить ровно \( k \) успехов в \( n \) независимых одинаковых испытаниях позволяет формула Бернулли:
\[ P = C_n^k \cdot p^k \cdot q^{n-k}, \quad q = 1 - p \]
Пример. Монета подброшена 10 раз. Какова вероятность получить ровно 4 орла?
\[ P = C_{10}^4 \cdot (0{,}5)^4 \cdot (0{,}5)^6 = 210 \cdot \frac{1}{1024} \approx 0{,}205 \]
Ещё пример. При \( n = 100 \) вероятность получить ровно 50 орлов:
\[ P = C_{100}^{50} \cdot (0{,}5)^{100} \approx 0{,}080 \]
Парадокс: хотя 50 орлов — самый вероятный результат, его вероятность всего 8%. Остальные 92% — другие значения. Закон больших чисел говорит не о том, что будет ровно 50, а о том, что частота будет близка к 0,5. Сумма вероятностей всех результатов, при которых \( |k/n - 0{,}5| < \varepsilon \), растёт к единице по мере роста \( n \) — при любом фиксированном \( \varepsilon > 0 \).
- Применение формулы Бернулли
- Шаг 1: Определить p (вероятность успеха в одном испытании) и q = 1 − p
- Шаг 2: Зафиксировать n (число испытаний) и k (нужное число успехов)
- Шаг 3: Вычислить \(C_n^k = n! / (k\)! · (n − k)!)
- Шаг 4: Перемножить \(C_n^k\) · \(p^k\) · \(q^{n−k}\)
- Шаг 5: Проверить, что результат лежит в [0; 1]
Типичные ошибки: когда закон больших чисел понимают неверно
Самое распространённое заблуждение — «ошибка игрока»: после серии из пяти орлов кажется, что решка «обязана» выпасть, что система «выравнивается». Это неверно. Монета не помнит предыдущих бросков — каждый новый бросок независим, и вероятность орла по-прежнему 0,5.
Закон больших чисел говорит о частоте на длинной серии, а не о том, что отдельные исходы «должны» скомпенсировать предыдущие.
В задачах ЕГЭ встречаются и другие ошибки, связанные с неверным пониманием вероятности:
Коротко
- Монета не помнит прошлых бросков — ошибка игрока не имеет математического основания
- «Или» → сложение (для несовместных событий)
- «И» → умножение (для независимых событий)
- «Хотя бы один» = 1 − P(ни одного)
- Ответ вышел за [0; 1] → ошибка в методе, ищи где
- Несовместность и независимость — не одно и то же
Задачи ЕГЭ и ОГЭ: где встречается закон больших чисел
Задача 1. Оценка вероятности по частоте.
Из 500 случайно проверенных деталей 35 оказались бракованными. Оценить вероятность того, что случайно выбранная деталь окажется бракованной.
Решение. Теоретическая вероятность неизвестна, но проведено 500 независимых испытаний. По смыслу закона больших чисел при большом \( n \) относительная частота близка к \( P(A) \):
\[ P(A) \approx W_n(A) = \frac{35}{500} = 0{,}07 \]
Ответ: вероятность брака примерно 0,07.
- Оценка вероятности по частоте
- Шаг 1: Убедиться, что испытания независимые и однородные
- Шаг 2: Найти число наступлений события k и общее число испытаний n
- Шаг 3: Вычислить \(W_n = k / n\)
- Шаг 4: Принять \(W_n\) как оценку P(A) — чем больше n, тем точнее оценка
Задача 2. Формула Бернулли.
Вероятность попадания в мишень при одном выстреле равна 0,8. Стрелок делает 4 выстрела. Найти вероятность ровно 3 попаданий.
Решение. Выстрелы независимы, \( p = 0{,}8 \), \( q = 0{,}2 \), \( n = 4 \), \( k = 3 \):
\[ P = C_4^3 \cdot (0{,}8)^3 \cdot (0{,}2)^1 = 4 \cdot 0{,}512 \cdot 0{,}2 = 0{,}4096 \]
Ответ: ≈ 0,41.
Связь с законом: если проводить такую серию из 4 выстрелов тысячи раз, ровно 3 попадания будут встречаться примерно в 41% серий — частота сойдётся к 0,4096.
Тема также встречается в задачах на дерево вероятностей (ветви отражают независимые испытания), в задачах с таблицами частот и в задачах на «хотя бы одно попадание», решаемых через противоположное событие: \( P = 1 - q^n \).
Частые вопросы
Означает ли закон больших чисел, что после десяти орлов решка «должна» выпасть?
Нет. Закон описывает поведение частоты на длинной дистанции, а не принудительное выравнивание отдельных исходов. После десяти орлов вероятность решки на следующем броске по-прежнему равна 0,5. Монета не хранит историю предыдущих бросков.
С какого числа испытаний закон «начинает работать»?
Строгой границы нет — это не переключатель. При \( n = 30 \) отклонение ещё велико, при \( n = 1\,000 \) уже мало. В задачах ЕГЭ таблицы обычно содержат сотни испытаний, что оправдывает использование частоты как оценки вероятности.
Можно ли в задаче заменить теоретическую вероятность частотой?
Если в условии дана таблица результатов и нет явной формулы для \( P(A) \), то да: по закону больших чисел \( W_n \approx P(A) \) при большом \( n \). Именно такой подход проверяется в задачах, где требуется «оценить вероятность по статистическим данным».
По этой теме есть отдельный разбор: теории вероятностей.
По этой теме есть отдельный разбор: типичных ошибок с вероятностью на ЕГЭ.
По этой теме есть отдельный разбор: заданий на вероятность в ЕГЭ база.
По этой теме есть отдельный разбор: теория вероятностей на ОГЭ 9 класс.
Забери шпаргалки по всем темам ЕГЭ
Формулы, методы и типовые ошибки — одним файлом в боте.