Глава 3. Вероятность как операциональная теория

Где стоит глава

Вероятность в настоящем томе — операциональная теория: функция на конечном списке исходов со значениями в ℚ. Никакой меры Лебега, никакой $\sigma$-алгебры, никакой аксиомы выбора — эти конструкции принадлежат завершённому континууму, то есть стороне предела-роли, и для дискретной вероятности не нужны. «Множество исходов» — режим (M3): реально мы работаем со списком возможных значений, и вероятность распределяет по нему акты различения, которые комбинаторика (Глава 1) научилась считать.

Флагман главы: концентрация (Марков, Чебышёв) есть Element — конечная, разрешимая оценка; предельные законы (ЗБЧ) есть предел-роль — сходимость-как-процесс.

Вероятности структурно неотрицательны (M4: $P\ge 0$), и это не аксиома, а свойство конструкции. Глава ведёт от вероятности-без-меры через Байеса-как-алгоритм к машинной диагностике когнитивных заблуждений и завершается границей финитизации в её вероятностном виде.

Вероятность без меры

Конечное вероятностное пространство — это список исходов с приписанными рациональными весами, сумма которых равна единице. Событие — разрешимый предикат на списке исходов (равносильно подмножеству исходов в представлении без повторов); вероятность события — сумма весов прошедших предикат. Здесь нет завершённого пространства с мерой: есть конечный список и ℚ-арифметика на нём. Неотрицательность $P\ge 0$ — структурна в выбранной модели: распределение содержит только неотрицательные рациональные веса (из неотрицательного подтипа / с доказательством неотрицательности), а нормировка — условие на конечную сумму. Всё разрешимо перечислением списка — Element-сторона.

Случайная величина при этом — не загадочная «величина со случайностью», а морфизм списков: функция, переводящая список исходов в список значений. Это операциональная делимость (M2): случайная величина, её распределение и её числовые характеристики (среднее, дисперсия) — разные уровни-роли одного конечного объекта, а не разные сущности.

Байес как алгоритм различения

Теорема Байеса в операциональном прочтении — это алгоритм: правило, пересчитывающее распределение при поступлении нового акта различения (свидетельства)¹. Свидетельство — это различение, которое сужает список исходов; Байес — правило, как именно перераспределить веса. Никакой завершённой бесконечности здесь нет: вход конечен, пересчёт конечен.

Заблуждения как структурная невозможность

Самый острый результат главы — машинная диагностика когнитивных заблуждений. И диагноз сильнее, чем «маловероятно»: типичные ошибки суждения оказываются структурно невозможными — противоречащими доказанным тождествам, а не просто редкими.

{ Ошибка конъюнкции. Знаменитая «задача про Линду» предполагает, что конъюнкция событий может быть вероятнее одного из них. Но $P(A\wedge B)\le P(A)$ — теорема; утверждать обратное — не «маловероятно», а абсурдно, и это доказано как абсурд².}

Ошибка базовой ставки путает $P(H\mid E)$ с $P(E\mid H)$: в невырожденном случае (ненулевые $P(H)$, $P(E)$ и ненулевая связь $P(H\wedge E)$) равенство $P(H\mid E)=P(E\mid H)$ законно лишь когда $P(H)=P(E)$, что детектируется³. Ошибка игрока отрицает независимость испытаний и тоже ловится как противоречие⁴.

Когнитивное заблуждение — это смешение категорий, ловимое структурой: ошибка не редка, она структурно невозможна. Различение, проведённое неверно, даёт не маловероятный, а P1-несовместный результат — несовместимый с первичным правилом события.

{ Это прямое продолжение ToS-диагностики ошибок (Архитектура Рассуждения): неверное суждение есть нарушение правил структурирования различений, и оно опознаётся машинно.}

Концентрация против предельных законов

Где же вероятность переходит границу финитизации? Ровно между концентрацией и предельными законами.

Неравенства Маркова и Чебышёва — конечные оценки: Марков — для неотрицательной случайной величины, Чебышёв — через дисперсию (на конечном списке всегда конечную); обе дают рациональную границу вероятности отклонения и вычисляются на конечном распределении точно⁵. Это Element: разрешимая оценка, завершающийся счёт.

Слабый закон больших чисел — иное: он утверждает сходимость по вероятности среднего к ожиданию, то есть предел процесса измельчения. Это сторона предела-роли — и наша формализация проводит разрез точно по этой линии⁶.

Концентрация — Element (конечная оценка); предельный закон — предел-роль (сходимость как процесс). Та же граница финитизации, теперь в вероятности.

E/R/R-разбор: вероятность как система

Разберём вероятность по E/R/R в порождающем порядке Rules $\to$ Roles $\to$ Elements.

Rules (L5). Удерживающие правила — аксиомы вероятности (неотрицательность, нормировка, аддитивность несовместных) и правило обновления Байеса. Над ними — правила концентрации (Марков, Чебышёв). Эти правила структурируют распределение различений.

Roles (L4). Случайная величина (морфизм списков), её распределение и её характеристики (среднее, дисперсия) — три уровня-роли одного конечного объекта (M2). «Множество исходов» — режим списка (M3). Вероятность — роль-вес (нормированная весовая функция), структурно неотрицательная (M4).

Elements (L1 + P4). Носители — конечные списки исходов с рациональными весами. Под P4 актуальны они; завершённое вероятностное пространство на континууме (мера Лебега, $\sigma$-алгебра) и предел ЗБЧ — предел-роль, не завершённые объекты.

Проверка сформированности. Аксиомы и Байес — Rules; величина/распределение/ характеристики — Roles; конечные взвешенные списки — Elements; пересечений нет. Самоприменения нет: правила стоят над распределением, не суть его исходы.

Что даёт разбор. Он объясняет, почему вероятность не нуждается в мере Лебега: её носители конечны, а распределение есть ℚ-функция на списке; и почему когнитивная ошибка ловится структурно: она нарушает правила (Rules), а не просто маловероятна. Граница входит лишь в предельных законах — предел-роль, та же, что несёт том.

Статичное распределение построено; в следующей главе оно начинает двигаться — мы переходим к случайным процессам и марковским цепям, где структура порядка сама порождает рост энтропии.

---

---

Часть: Часть XVII. Дискретная математика, вероятность, информация · Том: «Математика»

Навигация: ← Глава 2. Теория графов — связность, циклы, кривизна · Глава 4. Случайные процессы и марковские цепи →

Footnotes

1. bayes_rule: $P(H\mid E)P(E)=P(E\mid H)P(H)$ над ℚ, конструктивно; условная вероятность — отдельный кластер (ConditionalProbability). Машинно проверено, 0 аксиом (Print Assumptions). ↩

2. conjunction_fallacy_detected: $P(A\wedge B)\le P(A)$; conjunction_fallacy_absurd: предположение $P(A\wedge B)>P(A)$ ведёт к противоречию. Машинно проверено, 0 аксиом. ↩

3. base_rate_fallacy_detected и bayes_asymmetry: при $P(H),P(E),P(H\wedge E)\ne 0$ из $P(H\mid E)=P(E\mid H)$ следует $P(H)=P(E)$; асимметрия Байеса как контрапозиция. Машинно проверено, 0 аксиом. ↩

4. gamblers_fallacy_detected/gamblers_fallacy_absurd: если испытания заданы независимыми, прошлые исходы не меняют вероятность следующего; противное — абсурд. 0 аксиом. ↩

5. markov ($P(X\ge a)\le \mathbb{E}[X]/a$ для $X\ge 0$) и chebyshev (через дисперсию), над ℚ на конечном распределении (dist $=$ список пар значение-вес). Машинно проверено, 0 аксиом. ↩

6. chebyshev_lln_boundary формализует разрез: чебышёвская граница при фиксированном $n$ — Element (разрешимо), а утверждение о пределе $n\to \infty$ — предел-роль; cheb_bound — явная убывающая оценка по $n$. Это не полная формализация ЗБЧ как аналитической теоремы. Машинно проверено, 0 аксиом. ↩