Không gian xác suất và tiên đề của Kolmogorov
Một không gian xác suất theo định nghĩa là một bộ ba trong đó là một tập hợp các kết quả, là một -đau khớp trên các tập hợp con của và là thước đo xác suất đáp ứng các tiên đề của Kolmogorov, tức là là một hàm từ đến sao cho và để phân biệt trong nó giữ ( Ω , F , P ) Ω F σ Ω P P F [ 0 , 1 ] P ( Ω ) = 1 E 1 , E 2 , ... F P ( ∪ ∞ k = 1 E j ) = Σ ∞ k = 1 P ( E j )P(Ω,F,P)ΩFσΩPPF[0,1]P(Ω)=1E1,E2,…FP(∪∞j=1Ej)=∑∞j=1P(Ej).
Trong không gian xác suất như vậy, người ta có thể, đối với hai sự kiện trong xác định xác suất có điều kiện làF P ( E 1 | E 2 ) d e f = P ( E 1 ∩ E 2 )E1,E2FP(E1|E2)=defP(E1∩E2)P(E2)
Lưu ý rằng:
- '' xác suất có điều kiện '' này chỉ được xác định khi được xác định trên , vì vậy chúng ta cần một không gian xác suất để có thể xác định xác suất có điều kiện.FPF
- Một không gian xác suất được xác định theo các thuật ngữ rất chung chung ( một tập hợp , một -achebra và một thước đo xác suất ), yêu cầu duy nhất là các thuộc tính nhất định phải được đáp ứng nhưng ngoài điều đó ba yếu tố này có thể là "bất cứ điều gì".σ F PΩ σFP
Chi tiết hơn có thể được tìm thấy trong liên kết này
Quy tắc của Bayes giữ trong bất kỳ không gian xác suất (hợp lệ) nào
Từ định nghĩa xác suất có điều kiện, nó cũng cho rằng . Và từ hai phương trình sau, chúng ta tìm thấy quy tắc của Bayes. Vì vậy, quy tắc của Bayes giữ (theo định nghĩa xác suất có điều kiện) trong bất kỳ không gian xác suất nào (để hiển thị nó, xuất phát và từ mỗi phương trình và phương trình chúng (chúng bằng nhau vì giao điểm là giao hoán)). P(E1∩E2)P(E2∩E1)P(E2|E1)=P(E2∩E1)P(E1)P(E1∩E2)P(E2∩E1)
Vì quy tắc Bayes là cơ sở cho suy luận Bayes, người ta có thể thực hiện phân tích Bayes trong bất kỳ điều kiện hợp lệ nào (tức là đáp ứng tất cả các điều kiện, tiên đề của áo Kolmogorov).
Định nghĩa xác suất thường xuyên là một '' trường hợp đặc biệt ''
Ở trên có '' nói chung '', tức là chúng ta không có , , trong chừng là một -đau khớp trên các tập con của và đáp ứng các tiên đề của Kolmogorov.F P F σ Ω PΩFPFσΩP
Bây giờ chúng tôi sẽ chỉ ra rằng một định nghĩa '' người thường xuyên '' về đáp ứng các tiên đề của Kolomogorov. Nếu đó là trường hợp thì xác suất '' thường xuyên '' chỉ là một trường hợp đặc biệt của xác suất trừu tượng và chung của Kolmogorov. P
Hãy lấy một ví dụ và tung xúc xắc. Sau đó, tập hợp tất cả các kết quả có thể có là . Chúng ta cũng cần một -đau khớp trên tập hợp này và chúng ta lấy tập hợp tất cả các tập hợp con của , tức là .Ω = { 1 , 2 , 3 , 4 , 5 , 6 } σ Ω F Ω F = 2 ΩΩΩ={1,2,3,4,5,6}σΩFΩF=2Ω
Chúng ta vẫn phải xác định thước đo xác suất theo cách thường xuyên. Do đó, chúng tôi định nghĩa là trong đó là số lượng 'thu được trong cuộn xúc xắc. Tương tự cho , ... .PP({1}) n11nP({2})P({6})P({1})=deflimn→+∞n1nn11nP({2})P({6})
Theo cách này, được xác định cho tất cả các singletons trong . Đối với bất kỳ tập hợp nào khác trong , ví dụ chúng tôi xác định theo cách thường xuyên, ví dụ:
, nhưng theo tính tuyến tính của 'lim', điều này bằng với , ngụ ý rằng các tiên đề của Kolmogorov giữ.F F { 1 , 2 } P ( { 1 , 2 } ) P ( { 1 , 2 } ) d e f = lim n → + ∞ n 1 + n 2PFF{1,2}P({1,2}) P({1})+P({2})P({1,2})=deflimn→+∞n1+n2nP({1})+P({2})
Vì vậy, định nghĩa xác suất thường xuyên chỉ là một trường hợp đặc biệt của định nghĩa chung và trừu tượng của Kolomogorov về thước đo xác suất.
Lưu ý rằng có nhiều cách khác để xác định thước đo xác suất đáp ứng các tiên đề của Kolmogorov, vì vậy định nghĩa thường xuyên không phải là cách duy nhất có thể.
Phần kết luận
Xác suất trong hệ tiên đề của Kolmogorov là '' trừu tượng '', nó không có ý nghĩa thực sự, nó chỉ phải đáp ứng các điều kiện gọi là '' tiên đề ''. Chỉ sử dụng các tiên đề này Kolmogorov đã có thể rút ra một tập các định lý rất phong phú.
Định nghĩa thường xuyên về xác suất chứa đầy các tiên đề và do đó thay thế trừu tượng, '' vô nghĩa '' bằng một xác suất được xác định theo cách thường xuyên, tất cả các định lý này đều hợp lệ vì '' xác suất thường xuyên '' chỉ là một đặc biệt trường hợp xác suất trừu tượng của Kolmogorov (tức là nó đáp ứng các tiên đề).P
Một trong những tính chất có thể bắt nguồn từ khuôn khổ chung của Kolmogorov là quy tắc Bayes. Vì nó giữ trong khuôn khổ chung và trừu tượng, nó cũng sẽ giữ (cfr supra) trong trường hợp cụ thể rằng các xác suất được xác định theo cách thường xuyên (vì định nghĩa thường xuyên đáp ứng các tiên đề và các tiên đề này là điều duy nhất cần thiết để rút ra tất cả các định lý). Vì vậy, người ta có thể thực hiện phân tích Bayes với định nghĩa xác suất thường xuyên.
Xác định theo cách thường xuyên không phải là khả năng duy nhất, có nhiều cách khác để định nghĩa nó sao cho nó đáp ứng các tiên đề trừu tượng của Kolmogorov. Quy tắc của Bayes cũng sẽ được giữ trong các 'trường hợp cụ thể' này. Vì vậy, người ta cũng có thể làm phân tích Bayesian với một phi nghĩa -frequentist của xác suất.P
EDIT 23/8/2016
@mpiktas phản ứng với bình luận của bạn:
Như tôi đã nói, các bộ và thước đo xác suất không có ý nghĩa đặc biệt nào trong hệ tiên đề, chúng là trừu tượng. PΩ,FP
Để áp dụng lý thuyết này, bạn phải đưa ra các định nghĩa xa hơn (vì vậy những gì bạn nói trong nhận xét của mình "không cần phải nhầm lẫn thêm với một số định nghĩa kỳ quái ' là sai, bạn cần định nghĩa bổ sung ).
Hãy áp dụng nó cho trường hợp tung đồng xu công bằng. Tập hợp trong lý thuyết của Kolmogorov không có ý nghĩa đặc biệt, nó chỉ phải là '' một tập hợp ''. Vì vậy, chúng ta phải xác định bộ này là gì trong trường hợp của đồng tiền công bằng, tức là chúng ta phải xác định bộ . Nếu chúng tôi đại diện đầu như H và đuôi như T, sau đó set là theo định nghĩa .ΩΩΩ Ω=def{H,T}
Chúng ta cũng phải xác định các sự kiện, tức là -achebra . Chúng tôi xác định là . Thật dễ dàng để xác minh rằng là một hệ số .σFF=def{∅,{H},{T},{H,T}}Fσ
Tiếp theo, chúng ta phải xác định cho mọi sự kiện trong số đo của nó. Vì vậy, chúng ta cần xác định bản đồ từ trong . Tôi sẽ định nghĩa nó theo cách thường xuyên, đối với một đồng tiền công bằng, nếu tôi ném nó rất nhiều lần, thì phần đầu sẽ là 0,5, vì vậy tôi xác định . Tương tự, tôi định nghĩa , và . Lưu ý rằng là bản đồ từ trong và nó đáp ứng các tiên đề của Kolmogorov.E∈FF[0,1]P({H})=def0.5P({T})=def0.5P({H,T})=def1P(∅)=def0PF[0,1]
Để tham khảo với định nghĩa xác suất thường xuyên, hãy xem liên kết này (ở cuối phần 'định nghĩa') và liên kết này .