Olasılık uzayları ve Kolmogorov'un aksiyomları
olasılık alanı , tanım olarak bir üçlü burada bir sonuç kümesidir, bir -algebra ve altkümeleri, Kolmogorov'un aksiyomlarını yerine getiren bir olasılık ölçüsüdür, yani , ile arasında bir fonksiyondur, öyle ki ve ayrık içindeki tutar ( Ω , F , P ) Ω F σ Ω P P F [ 0 , 1 ] P ( Ω ) = 1 E 1 , E 2 , … F P ( ∪ ∞ j = 1 E j ) = ∑ ∞ j = 1 P ( E j )P(Ω,F,P)ΩFσΩPPF[0,1]P(Ω)=1E1,E2,…FP(∪∞j=1Ej)=∑∞j=1P(Ej).
Böyle bir olasılık alanı içinde biri, iki olay için içindeki koşullu olasılığı olarak tanımlayabilir.E1,E2FP(E1|E2)=defP(E1∩E2)P(E2)
Bunu not et:
- bu '' koşullu olasılık '' yalnızca 'de tanımlandığında tanımlanır , bu nedenle koşullu olasılıkları tanımlayabilmek için bir olasılık alanına ihtiyaç duyarız.PF
- Olasılık alanı çok genel terimlerle tanımlanır ( bir set , bir -algebra ve bir olasılık ölçüsü ), tek şart, belirli özelliklerin yerine getirilmesi gerektiğidir; bu üç unsur '' her şey '' olabilir.Ω σFP
Daha fazla ayrıntı bu linkte bulunabilir
Bayes kuralı (geçerli) herhangi bir olasılık alanında bulunur
Koşullu olasılık tanımından aynı zamanda . Ve son iki denklemden Bayes kuralını buluruz. Yani, Bayes kuralı (koşullu olasılık tanımıyla) her olasılık alanında (göstermek için, her denklemden ve türetmek ve eşitlemek Onları (onlar eşittir çünkü kesişme değişmeli)). P(E2|E1)=P(E2∩E1)P(E1)P(E1∩E2)P(E2∩E1)
Bayes kuralı, Bayesian çıkarımının temeli olduğu için, herhangi bir geçerli (yani tüm koşulları yerine getiren, Kolmogorov'un aksiyomlarını yerine getiren) olasılık alanı içinde Bayesan analizi yapılabilir.
Sıklıkla olasılık tanımı '' özel bir durum ''
Yukarıdakiler '' genel '' şeklindedir; yani, belirli bir , , aklımızda yoktur; altkümelerinde bir algebra olduğu sürece ve Kolmogorov'un aksiyomlarını yerine getirir.ΩFPFσΩP
Şimdi "sıkça" tanımının Kolomogorov'un aksiyomlarını yerine getirdiğini göstereceğiz. Eğer durum buysa, o zaman '' sıkıcı '' olasılıklar Kolmogorov'un genel ve soyut olasılıklarının sadece özel bir halidir. P
Bir örnek alalım ve zarları atalım. Sonra tüm olası sonuçlar kümesi edilir . Ayrıca bu sette bir -algebra'ya ihtiyacımız var ve tüm alt kümelerini alırız , yani .ΩΩ={1,2,3,4,5,6}σΩFΩF=2Ω
Yine de olasılık ölçüsü tanımlamak gerekir bir frequentist şekilde. Bu nedenle tanımlama olarak burada , zarın rulosunda elde edilen 'in sayısıdır . Benzer , ... .PP({1})P({1})=deflimn→+∞n1nn11nP({2})P({6})
Bu şekilde , içindeki tüm singletonlar için tanımlanmıştır . diğer herhangi bir küme için , örneğin , ' ı sık yani
, ancak 'lim' doğrusallığı ile, bu 'a eşittir , bu Kolmogorov’un aksiyomlarının tuttuğu anlamına gelir.PFF{1,2}P({1,2})P({1,2})=deflimn→+∞n1+n2nP({1})+P({2})
Dolayısıyla, sıklık olasılığının tanımı Kolomogorov'un genel ve özel bir olasılık ölçüsünün soyut tanımıdır.
Kolmogorov'un aksiyomlarını yerine getiren bir olasılık ölçüsü tanımlamanın başka yolları olduğuna dikkat edin, bu nedenle sık tanımlayıcı tek tanım mümkün değildir.
Sonuç
Kolmogorov'un aksiyomatik sistemindeki olasılık '' soyut '', gerçek bir anlamı yok, sadece '' aksiyom '' 'şartlarını yerine getirmek zorunda. Sadece bu aksiyomları kullanarak Kolmogorov çok zengin bir teorem seti elde edebildi.
Olasılığın frekansçı tanımı aksiyomları tamamlar ve bu nedenle soyut, '' anlamsız '' 'ı sıkça tanımlanmış bir olasılıkla değiştirir, tüm bu teoremler geçerlidir çünkü ' 'frekansçı olasılık' 'sadece özeldir Kolmogorov'un soyut olasılığı olgusu (yani aksiyomları yerine getiriyor).P
Kolmogorov'un genel çerçevesi içerisinde türetilebilecek özelliklerden biri de Bayes kuralıdır. Genel ve soyut çerçevede tuttuğu gibi, olasılıkların sıkça bir şekilde tanımlandığı özel bir durumda da (cfr supra) tutacaktır (frekansçı tanımın aksiyomları yerine getirmesi ve bu aksiyomların ihtiyaç duyulan tek şey olması nedeniyle. tüm teoremleri türetir). Böylece, sık sık bir olasılık tanımıyla Bayesian analizi yapılabilir.
Tanımlama bir frequentist şekilde bu tür bu Kolmogorov soyut aksiyomlarını yerine getirmesi tanımlamak için başka yolları da vardır, tek olasılık değildir. Bayes 'kuralı ayrıca bu' 'özel durumlarda' 'geçerli olacaktır. Böylece, sıkça olmayan bir olasılık tanımıyla Bayesian analizi de yapılabilir .P
EDIT 23/8/2016
@mpiktas Yorumlarınıza tepki:
Dediğim gibi, kümeleri ve olasılık ölçüsü aksiyomatik sistemde özel bir anlamı yoktur, soyutturlar. Ω,FP
Eğer daha fazla vermek zorunda bu teoriyi uygulamak için tanımlarını (böylece yorumunuzda söylediklerini "gerek bazı tuhaf tanımları 'ile daha da geçinip' olduğu yanlış, ek tanımlara ihtiyaç duyan ).
Adil bir para atma vakasına uygulayalım. Kolmogorov'un teorisindeki kümesinin özel bir anlamı yoktur, sadece '' küme '' olmalıdır. Bu yüzden adil para için bu setin ne olduğunu belirtmeliyiz, yani set tanımlamalıyız . Biz H olarak baş ve kuyruk T gibi, daha sonra bir dizi temsil ediyorsa olan tanımla .ΩΩΩ Ω=def{H,T}
Olayları da tanımlamalıyız , yani -algebra . Tanımladığımız . in -algebra olduğunu doğrulamak kolaydır .σFF=def{∅,{H},{T},{H,T}}Fσ
Daha sonra her olay için ölçüsündeki tanımını . Bu yüzden gerek tanımlamak bir harita içinde . Bunu çok sık bir şekilde tanımlayacağım, adil bir madeni para için, çok sayıda , kafaların oranı 0,5 olacaktır, bu yüzden . Benzer şekilde , ve . Not bir haritasıdır içinde ve Kolmogorov belitleri yerine getirir.E∈FF[0,1]P({H})=def0.5P({T})=def0.5P({H,T})=def1P(∅)=def0PF[0,1]
Sıklık olasılığının tanımına bir referans için bu bağlantıya ('tanım' bölümünün sonunda) ve bu bağlantıya bakın .