Przestrzeń probabilistyczna

Przestrzeń probabilistyczna (trójka probabilistyczna) – struktura umożliwiająca opis procesu losowego (tj. procesu, którego wynik jest losowy) poprzez określenie przestrzeni zdarzeń elementarnych i określenie na jej podzbiorach funkcji prawdopodobieństwa^[1] spełniającej odpowiednie aksjomaty.

Powszechnie dziś przyjmowana aksjomatyka prawdopodobieństwa (zwana aksjomatami Kołmogorowa) została podana w 1933 roku przez Andrieja Kołmogorowa i pozwoliła ująć teorię prawdopodobieństwa w postaci nowoczesnej teorii aksjomatycznej.

Definicje

Zobacz też: funkcja addytywna zbioru, przestrzeń mierzalna i miara.

Konstrukcja przestrzeni probabilistycznej $(\Omega ,{\mathcal {F}},P)$ przebiega w trzech etapach:

ustalenie niepustego zbioru $\Omega ,$ zwanego przestrzenią zdarzeń elementarnych,
określenie na nim σ-ciała ${\mathcal {F}},$ zwanego przestrzenią zdarzeń losowych,
określenie na ${\mathcal {F}}$ unormowanej miary $P$ – miary probabilistycznej (prawdopodobieństwa).

Definicja prawdopodobieństwa

Niech ${\mathcal {F}}$ będzie σ-ciałem określonym na danym zbiorze $\Omega .$ Elementy σ-ciała nazywa się zdarzeniami losowymi.

Funkcję $P\colon {\mathcal {F}}\to \mathbb {R}$ o wartościach rzeczywistych nazywa się miarą probabilistyczną (prawdopodobieństwem), jeżeli spełnione są warunki:

nieujemności (tj. prawdopodobieństwo dowolnego zdarzenia jest nieujemne):
$P(A)\geqslant 0$ dla dowolnego zdarzenia $A\in {\mathcal {F}};$
unormowania do jedności (tj. prawdopodobieństwo zdarzenia pewnego wynosi 1):
$P(\Omega )=1\qquad (\Omega \in {\mathcal {F}});$
przeliczalnej addytywności (dla przeliczalnej rodziny zbiorów parami rozłącznych):
$P\left(\bigcup _{i=1}^{\infty }A_{i}\right)=\sum _{i=1}^{\infty }P(A_{i}),$

przy czym $A_{i}\cap A_{j}=\varnothing ,$ gdy $i\neq j.$

Warunki pierwszy i trzeci gwarantują, iż funkcja $P$ jest miarą, podczas gdy drugi czyni z niej miarę probabilistyczną.

Definicja przestrzeni probabilistycznej

Układ $(\Omega ,{\mathcal {F}},P)$ nazywa się przestrzenią probabilistyczną.

Własności prawdopodobieństwa

Zobacz też: miara – własności.

Niech $A_{1},A_{2},\dots ,A,B,A^{c}\in {\mathcal {F}}.$

Wprost z aksjomatów Kołmogorowa wynikają następujące własności:

prawdopodobieństwo jest miarą skończoną, tj. prawdopodobieństwa są określone liczbami skończonymi,
prawdopodobieństwo zdarzenia niemożliwego jest zerowe:
$P(\varnothing )=0\quad (\varnothing \in {\mathcal {F}}),$
skończona addytywność (dla skończonej rodziny zbiorów rozłącznych):
$P\left(\bigcup _{i\in I}A_{i}\right)=\sum _{i\in I}P(A_{i}),$ $A_{i}\cap A_{j}=\varnothing$ dla $i\neq j,$ przy czym sumowanie dotyczy skończonej liczby zbiorów,
prawdopodobieństwo zdarzenia przeciwnego:
$P(A^{\mathrm {c} })=1-P(A),$ przy czym $A^{\mathrm {c} }$ jest zdarzeniem przeciwnym do $A,$
ograniczenie górne prawdopodobieństwa:
$P(A)\leqslant 1,$
monotoniczność:
$P(A)\leqslant P(B)$ dla $A\subseteq B,$
prawdopodobieństwo alternatywy dwóch zdarzeń (zob. zasada włączeń i wyłączeń):
$P(A\cup B)=P(A)+P(B)-P(A\cap B).$

Definicje prawdopodobieństwa

Definicja klasyczna (dla zbiorów skończonych)

$\Omega$ jest zbiorem skończonym, to zwykle przyjmuje się, że ${\mathcal {F}}$ jest rodziną wszystkich podzbiorów zbioru $\Omega ,$ a prawdopodobieństwo $P$ dane jest wzorem

P(A)={\frac {\#A}{\#\Omega }}

dla każdego zbioru

A\in {\mathcal {F}},

gdzie $\#A$ oznacza liczbę elementów zbioru $A.$ Tak zdefiniowane prawdopodobieństwo na tzw. klasyczna definicja prawdopodobieństwa^[a].

Definicja geometryczna (dla zbiorów nieskończonych)

Niech dany będzie zbiór $\Omega$ oraz zadana będzie miara $\mu$ na tym zbiorze tak, że miara zbioru $\Omega$ jest skończona.

Wtedy zbiór $\Omega$ może pełnić rolę przestrzeni zdarzeń elementarnych, zaś określone na tym zbiorze σ-ciało ${\mathcal {F}}$ podzbiorów mierzalnych stanowi zbiór możliwych zdarzeń elementarnych.

Definicja: Prawdopodobieństwem zdarzenia $A\in {\mathcal {F}}$ jest iloraz miary $\mu (A)$ podzbioru $A$ przez miarę $\mu (\Omega )$ przestrzeni $\Omega ,$ tj.

P(A)={\frac {\mu (A)}{\mu (\Omega )}}

dla każdego zbioru

A\in {\mathcal {F}},

Np.

$\Omega$ jest przedziałem jednostkowym
$\Omega =[0,1]$
${\mathcal {F}}$ jest σ-ciałem podzbiorów przedziału $[0,1],$ które są mierzalne w sensie Lebesgue’a, tj.
${\mathcal {F}}\equiv {\mathfrak {L}}_{[0,1]},$
$P$ jest miarą Lebesgue’a $\lambda$ określoną na $P,$ tj.
$P\equiv \lambda ,$

Mówimy wtedy, że przestrzeń probabilistyczna $([0,1],{\mathfrak {L}}_{[0,1]},\lambda )$ realizuje tzw. geometryczną definicję prawdopodobieństwa.

Przykłady innych miar prawdopodobieństwa

1) Niech $(\Omega ,{\mathcal {F}},P)$ będzie pewną przestrzenią probabilistyczną (np. jedną z powyższych), zaś $X\colon \Omega \to \mathbb {R}$ niech będzie zmienną losową. Jeżeli $P_{X}$ jest rozkładem prawdopodobieństwa (tzn. miarą obrazową) $X,$ tj.

P_{X}(A)=P{\big (}X^{-1}(A){\big )}\ {\overset {\underset {\mathrm {ozn} }{=}}{P}}(X\in A)

dla dowolnego

A\in {\mathfrak {B}}_{\mathbb {R} },

{\mathfrak {B}}_{\mathbb {R} }

oznacza σ-ciało podzbiorów borelowskich na

\mathbb {R} ,

to $P_{X}$ jest miarą probabilistyczną, wobec czego $(\mathbb {R} ,{\mathfrak {B}}_{\mathbb {R} },P_{X})$ również jest przestrzenią probabilistyczną.

2) Do ważnych przykładów miar probabilistycznych można zaliczyć miarę Dieudonnégo, miarę Diraca i standardową miarę Gaussa.

Zobacz też

Uwagi

↑ Niech $\Omega =\{\omega _{1},\dots ,\omega _{n}\}$ oraz ${\mathcal {F}}$ jest zbiorem wszystkich podzbiorów zbioru $\Omega ;$ niech wszystkie zdarzenia elementarne mają równe prawdopodobieństwa, tj. $P(\omega _{i})=p$ dla $i\leqslant n$ (są to „założenia” definicji klasycznej). Na podstawie II i III aksjomatu prawdopodobieństwa zachodzi ciąg równości
$1=P(\Omega )=P(\{\omega _{1},\dots ,\omega _{n}\})=P(\{\omega _{1}\}\cup \ldots \cup \{\omega _{n}\})=P(\{\omega _{1}\})+\ldots +P(\{\omega _{n}\})=np,$
skąd $p=1/n.$ Analogicznie jak w przypadku zbioru $\Omega$ dowodzi się, że $P(A)=mp,$ o ile $\#A=m;$ stąd wynika już, że $P(A)=mp=m/n,$ czyli $P(A)=\#A/\#\Omega .$

Przypisy

↑ Przestrzeń probabilistyczna, [w:] Encyklopedia PWN [online], Wydawnictwo Naukowe PWN [dostęp 2021-07-22] .

Bibliografia

W. Krysicki, J. Bartos, W. Dyczka, K. Królikowska, M. Wasilewski, Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach, tom 1, Wydawnictwo Naukowe PWN, s. 16.

[2] Niech $\Omega =\{\omega _{1},\dots ,\omega _{n}\}$ oraz ${\mathcal {F}}$ jest zbiorem wszystkich podzbiorów zbioru $\Omega ;$ niech wszystkie zdarzenia elementarne mają równe prawdopodobieństwa, tj. $P(\omega _{i})=p$ dla $i\leqslant n$ (są to „założenia” definicji klasycznej). Na podstawie II i III aksjomatu prawdopodobieństwa zachodzi ciąg równości
$1=P(\Omega )=P(\{\omega _{1},\dots ,\omega _{n}\})=P(\{\omega _{1}\}\cup \ldots \cup \{\omega _{n}\})=P(\{\omega _{1}\})+\ldots +P(\{\omega _{n}\})=np,$
skąd $p=1/n.$ Analogicznie jak w przypadku zbioru $\Omega$ dowodzi się, że $P(A)=mp,$ o ile $\#A=m;$ stąd wynika już, że $P(A)=mp=m/n,$ czyli $P(A)=\#A/\#\Omega .$

[1] Przestrzeń probabilistyczna, [w:] Encyklopedia PWN [online], Wydawnictwo Naukowe PWN [dostęp 2021-07-22] .

[1]

[a]

Fahrer / Team für die Suche eingeben: