Todennäköisyysavaruus — määritelmä, näyteavaruus, σ-algebra ja todennäköisyys

Selkeä johdanto todennäköisyysavaruuteen: määritelmä, näyteavaruus, σ-algebra ja todennäköisyysmitta Kolmogorovin näkökulmasta esimerkein ja selityksin.

Todennäköisyysavaruus on matemaattinen malli, jota käytetään tieteellisten kokeiden kuvaamiseen Todennäköisyysavaruus koostuu kolmesta osasta:

1. Näyteavaruus, jossa luetellaan kaikki mahdolliset tulokset
2. Joukko tapahtumia. Jokaiseen tapahtumaan liittyy nolla tai useampia tuloksia
3. Funktio, joka määrittää todennäköisyydet kullekin tapahtumalle.

Peruskäsitteet

Näyteavaruus (Ω) on kaikkien mahdollisten yksittäisten tulosten eli toteutuvien lopputulosten kokoelma. Yksittäistä lopputulosta merkitään usein kreikkalaisella akselilla ω.

Tapahtuma on joukko tuloksia eli osajoukko näyteavaruudesta Ω. Tapahtuma "tapahtuu", jos valittu tulos ω kuuluu tähän joukkoon.

Kaikkien "merkityksellisten" tapahtumien kokoelma muodostaa yleensä σ-algebran. Kaikkia Ω:n osajoukkoja ei aina pidetä tapahtumina, vaan valitaan σ-algebra, joka sisältää ne osajoukot, joille halutaan määrittää todennäköisyydet.

Edellä olevaan liittyen alkuperäisessä kuvauksessa mainitaan σ-algebra seuraavasti: Kaikkien tällaisten tapahtumien kokoelma on σ-algebra F {\displaystyle \scriptstyle {\mathcal {F}}} . Lopuksi on tarpeen määritellä kunkin tapahtuman todennäköisyys. Tämä tehdään käyttämällä todennäköisyysmittafunktiota P.

σ-algebra (ominaisuudet ja esimerkkejä)

• σ-algebra F on tapahtumien kokoelma, joka täyttää seuraavat ehdot: sisältää tyhjän joukon ∅ ja koko näyteavaruuden Ω, on suljettu komplementin ottamiselle (jos A ∈ F, niin myös A^c ∈ F) ja on suljettu lukuisille (countable) yhdisteille (jos A1, A2, ... ∈ F, niin ⋃i Ai ∈ F).
• Seuraavat ovat yleisiä esimerkkejä:
  • tehojoukko P(Ω) (kaikki osajoukot) — käytetään usein äärellisissä tai diskreeteissä tapauksissa;
  • triviaali σ-algebra {∅, Ω};
  • Borel-sigma-algebra ℬ(R) reaaliluvuille, joka syntyy avoimista joukoista — tärkeä jatkuvien muuttujien mallinnuksessa.

Todennäköisyysmitta ja Kolmogorovin aksiomat

Todennäköisyysavaruus muodostuu kolmesta osasta (Ω, F, P), missä P on todennäköisyysmitta, eli funktio P: F → [0,1], joka täyttää Kolmogorovin aksiomat:

• Ei-negatiivisuus: P(A) ≥ 0 kaikille A ∈ F.
• Normointi: P(Ω) = 1.
• Countable additivity (lukujonollinen additiivisuus): Jos A1, A2, ... ovat pariittain yhdensuuntaisia (disjoint), niin P(⋃i Ai) = Σi P(Ai).

Kolmogorovin aksioomat esiteltiin 1930-luvulla — merkittäväksi tekijäksi mainitaan Andrei Kolmogorov. Aksiomien seurauksia ovat mm. P(∅)=0, monotonisuus (jos A ⊂ B niin P(A) ≤ P(B)) ja yleiset yhdistelmäsäännöt kuten P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

Alkuperäisessä tekstissä selitetään myös tapahtumien "tapahtumisen" intuitio: kun toistaisimme kokeen äärettömästi, suhteelliset esiintymistiheydet lähestyisivät mitta P:n arvoja; tämä kuvaa usein frekventistista tulkintaa, mutta mitta P toimii myös matemaattisena perusrakenteena bayesilaisessa ja muissa tulkinnoissa.

Esimerkkejä käytännössä

• Kolikonheitto: Ω = {kruuna, klaava}. σ-algebrana usein P(Ω). Jos kolikko on reilu, P({kruuna}) = P({klaava}) = 1/2.
• Noppa: Ω = {1,2,3,4,5,6}, yhtenäinen diskreetti jakauma antaa kullekin tulokselle todennäköisyyden 1/6.
• Jatkuva muuttuja: reaalilukujen näyteavaruudella käytetään usein Borel-σ-algebraa ja tiheysfunktiota f(x) siten, että P(a ≤ X ≤ b) = ∫_a^b f(x) dx (esim. normaalijakauma).
• Diskreetti vs. jatkuva: diskreetissä tapauksessa määritellään todennäköisyysmassafunktio (pmf), jatkuvassa tiheysfunktio (pdf) suhteessa Lebesguen mittaan.

Satunnaismuuttuja, jakauma ja odotusarvo

Satunnaismuuttuja X on mitallinen funktio X: Ω → (S, 𝒮), tyypillisesti S = R ja 𝒮 = Borel-σ-algebra. Tämä tarkoittaa, että X:n esikuvat {ω ∈ Ω : X(ω) ∈ B} kuuluvat F:ään aina kun B kuuluu kohdesigma-algebraan 𝒮. Tällöin satunnaismuuttujan jakauma P_X määrätään kaavalla P_X(B) = P(X ∈ B) = P({ω : X(ω) ∈ B}).

Odotusarvo E[X], varianssi Var(X) ja muut momentit määritellään integraalien avulla, kun niille on olemassa. Satunnaismuuttuja on keskeinen käsite, koska se mahdollistaa mitattavien muuttujien (esim. mitatut havainnot) analysoinnin probabilistisessa mallissa.

Ehdollinen todennäköisyys ja riippumattomuus

Ehdollinen todennäköisyys määritellään, kun P(B) > 0, muodossa P(A | B) = P(A ∩ B) / P(B). Tämän avulla saadaan Bayesin kaava P(A | B) = P(B | A) P(A) / P(B). Tapahtumat A ja B ovat riippumattomia, jos P(A ∩ B) = P(A) P(B). Riippumattomuus voidaan yleistää useammille tapahtumille ja myös σ-algebrille tai satunnaismuuttujille.

Muita tärkeitä käsitteitä

• Melkein varmasti (almost surely): tapahtuma A tapahtuu lähes varmasti, jos P(A) = 1.
• Mittateoreemat: useat teoreemat (esim. Laskusääntöjen lisäksi Lusin, dominated convergence, monotone convergence) ovat tärkeitä todennäköisyyslaskennassa ja odotusarvon käsittelyssä.
• Stokastiset prosessit: ajan suhteen kehittyvät satunnaiset ilmiöt (esim. Brownin liike, Markovin ketjut) rakennetaan todennäköisyysavaruuden rakenteen päälle.

Historia ja käyttötarkoitus

Kolmogorovin aksioomat vakiinnuttivat todennäköisyyslaskennan matemaattisen perusrakenteen 1930-luvulla. Nykyään todennäköisyysavaruuksia käytetään laajasti tilastotieteessä, fysiikassa, rahoituksessa, koneoppimisessa ja monilla muilla aloilla mallintamaan epävarmuutta ja satunnaisuutta.

Alkuperäisessä tekstissä mainittu kuvaus luonnon "valinnasta" tiivistää ajatuksen: kun kokeen suorittaa, saadaan yksi tulos ω ∈ Ω; tapahtuman A katsotaan tapahtuneen, jos tämä ω kuuluu A, ja todennäköisyys P(A) kuvaa kuinka usein A esiintyisi toistuvissa kokeissa (tai kuinka uskottava A on annetussa mallissa).

Jos haluat, voin lisätä esimerkkejä laskutehtävistä (diskreettejä ja jatkuvia), piirtää kaavioita jakaumista tai selittää tarkemmin sigma-algebran ja mitan teknisiä puolia.

Kysymyksiä ja vastauksia

K: Mikä on todennäköisyysavaruus?

Kysymys: Mistä otosavaruus koostuu?

K: Mikä on lopputulos?

K: Mihin tapahtumia käytetään todennäköisyysavaruuksissa?

Kysymys: Miten todennäköisyydet osoitetaan kullekin tapahtumalle?

Hae kirjaimella