ทฤษฎีความน่าจะเป็นเป็นการศึกษาฟังก์ชั่นที่ไม่เป็นลบซึ่งรวม / รวมเป็นหนึ่งหรือไม่?


26

นี่อาจเป็นคำถามที่โง่ แต่ทฤษฎีความน่าจะเป็นคือการศึกษาฟังก์ชั่นที่รวม / รวมเข้ากับหนึ่งหรือไม่?

แก้ไข ฉันลืมว่าไม่ได้ปฏิเสธ ทฤษฎีความน่าจะเป็นดังนั้นการศึกษาฟังก์ชั่นที่ไม่ใช่ลบที่รวมเข้ากับผลรวมเป็นหนึ่ง


ใช่ความน่าจะเป็นจะรวมเป็นหนึ่งเสมอ โอกาสในทางกลับกันไม่มีข้อ จำกัด นี้
Mike Hunter

2
คำตอบเดียวที่เหมาะสมกับคำถามที่ตามที่ระบุไว้คือไม่มีไม่น้อยเพราะมีฟังก์ชั่นหลายที่รวมถึง 1 แต่ที่ไม่สามารถเป็นตัวแทนความน่าจะเป็นสำหรับบางและขตัวอย่างเช่นให้พิจารณาฟังก์ชันที่ 1.5 ระหว่าง 0 ถึง 1 และ -0.5 ระหว่าง 1 ถึง 2 และ 0 ทุกที่อื่น (แต่มันก็มีเนื้อหาว่า "ไม่" ด้วยเหตุผลอื่นเช่นกัน)b a f ( u ) d u a bfabf(u)duab
Glen_b


1
มีเอกสารร้ายแรงเกี่ยวกับความน่าจะเป็นเชิงลบเช่น Maurice S. Bartlett doi.org/10.1017/S0305004100022398
Nick Cox

2
@dontloo สิ่งที่ฉันมีจุดมุ่งหมายที่ตอนนี้ก็ค่อนข้างดีโดยอ้างเต่าในคำตอบของ Chaconne
Glen_b -Reinstate Monica

คำตอบ:


31

ในระดับที่เป็นทางการล้วนๆเราสามารถเรียกทฤษฎีความน่าจะเป็นได้ว่าการศึกษาพื้นที่การวัดด้วยการวัดทั้งหมดหนึ่ง แต่นั่นก็เหมือนกับทฤษฎีการเรียกหมายเลขการศึกษาของสตริงของตัวเลขที่ยุติลง

- จากเทอร์รี่เต่าหัวข้อในทฤษฎีเมทริกซ์แบบสุ่ม

ฉันคิดว่านี่เป็นสิ่งพื้นฐานจริงๆ หากเรามีพื้นที่ความน่าจะเป็นและตัวแปรสุ่มX : Ω Rพร้อมการวัดแบบผลักดันP X : = P X - 1แล้วเหตุผลที่ความหนาแน่นf = d P X(Ω,F,P)X:ΩRPX:=PX1บูรณาการอย่างใดอย่างหนึ่งเป็นเพราะP(Ω)=1 และนั่นเป็นพื้นฐานมากกว่าไฟล์ PDF และ PMFSf=dPXdμP(Ω)=1

นี่คือข้อพิสูจน์:

Rfdμ=RdPX=PX(R)=P({ωΩ:X(ω)R})=P(Ω)=1.

นี่เป็นคำตอบของ AdamO เกือบ (1) เพราะ CDF ทั้งหมดเป็นcàdlàgและมีความสัมพันธ์แบบหนึ่งต่อหนึ่งระหว่างชุดของ CDFs บนและชุดของความน่าจะเป็นทั้งหมดใน( R , B )แต่เนื่องจาก CDF ของ RV ถูกกำหนดในแง่ของการกระจายตัวฉันมองว่าช่องว่างน่าจะเป็นสถานที่ "เริ่มต้น" ด้วยความพยายามเช่นนี้R(R,B)


ฉันกำลังปรับปรุงเพื่อให้รายละเอียดเกี่ยวกับการโต้ตอบระหว่าง CDF และการวัดความน่าจะเป็นและวิธีการทั้งสองนี้เป็นคำตอบที่สมเหตุสมผลสำหรับคำถามนี้

เราเริ่มต้นด้วยการวัดความน่าจะเป็นสองแบบและวิเคราะห์ CDF ที่เกี่ยวข้อง เราสรุปโดยเริ่มจาก CDF และดูที่การวัดที่เกิดขึ้น

ให้และRเป็นความน่าจะเป็นในการวัด( R , B )และให้F QและF Rเป็น CDF ที่เกี่ยวข้อง (เช่นF Q ( a ) = Q ( ( - , a ] )และในทำนองเดียวกันสำหรับR ) QและRทั้งสองจะเป็นตัวแทนของมาตรการสุ่มของตัวแปรสุ่ม (เช่นการแจกแจง) แต่มันก็ไม่สำคัญว่ามันมาจากไหนสำหรับเรื่องนี้QR(R,B)FQFRFQ(a)=Q((,a])RQR

ความคิดที่สำคัญคือนี้ถ้าและRเห็นด้วยกับคอลเลกชันที่อุดมไปด้วยเพียงพอของชุดแล้วพวกเขาก็เห็นด้วยกับσพีชคณิตสร้างโดยชุดเหล่านั้น อย่างสังหรณ์ใจถ้าเรามีคอลเลกชันที่มีมารยาทของเหตุการณ์ที่ผ่านการเติมเต็มจำนวนนับได้แยกและสหภาพในรูปแบบทั้งหมดของBจากนั้นเห็นด้วยกับทุกชุดเหล่านั้นออกจากห้องไม่มีกระดิกไม่เห็นด้วยกับชุด Borel ใด ๆQRσB

เราทำพิธีอย่างเป็นทางการ ให้และให้L = { A R : Q ( A ) = R ( A ) } , Lคือเซตย่อยของP ( R )ที่QและRเห็นด้วย (และมีการกำหนดไว้) โปรดทราบว่าเราอนุญาตให้พวกเขาเห็นด้วยกับชุดที่ไม่ใช่ Borel เนื่องจากLตามที่กำหนดไว้ไม่จำเป็นต้องเป็นชุดย่อยของS={(,a]:aR}L={AR:Q(A)=R(A)}LP(R)QRL . เป้าหมายของเราคือการแสดงให้เห็นว่า B LBBL

ปรากฎว่า ( σ - พีชคณิตที่สร้างโดยS ) เป็นความจริงBดังนั้นเราหวังว่าSจะเป็นชุดใหญ่ของเหตุการณ์ที่เพียงพอหากQ = Rทุกที่บนSจากนั้นพวกเขาถูกบังคับให้เท่าเทียมกัน ในทุกBσ(S)σSBSQ=RSB

โปรดทราบว่าปิดให้บริการภายใต้การแยก จำกัด และLปิดให้บริการภายใต้การเติมเต็มและทางแยกเคลื่อนนับ (ซึ่งต่อไปนี้จากσ -additivity) ซึ่งหมายความว่าSเป็นπ -SystemและLเป็นλ -System โดยπ - λทฤษฎีบทเราดังนั้นจึงมีที่σ ( S ) = B L องค์ประกอบของเอสSLσSπLλπλσ(S)=BLSไม่มีที่ไหนใกล้ที่จะซับซ้อนเหมือนชุด Borel ตามอำเภอใจ แต่เนื่องจากชุด Borel ใด ๆ สามารถเกิดขึ้นได้จากการเติมเต็มจำนวนที่นับได้ของสหภาพสหภาพและจุดตัดขององค์ประกอบของหากไม่มีความขัดแย้งระหว่างQและRกับองค์ประกอบของSแล้วนี้จะตามมาผ่านไปมีการขัดแย้งไม่มีที่ใด ๆB BSQRSBB

เราได้แสดงให้เห็นเพียงว่าถ้าแล้วQ = R (บนB ) ซึ่งหมายความว่าแผนที่Q F QจากP : = { P : P  เป็นตัวชี้วัดความน่าจะเป็นบน  ( R , B ) }เพื่อF : = { F : RR : F  คือ CDF }คือการฉีดFQ=FRQ=RBQFQP:={P:P is a probability measure on (R,B)}F:={F:RR:F is a CDF}

ทีนี้ถ้าเราอยากคิดว่าจะไปในทิศทางอื่นเราต้องการเริ่มต้นด้วย CDF และแสดงให้เห็นว่ามีความเป็นไปได้ที่ไม่เหมือนใครวัดQซึ่งF ( a ) = Q ( ( - - , a ] )สิ่งนี้จะสร้าง การทำแผนที่ของเราQ F Qเป็นความจริงแล้วสำหรับ biject สำหรับทิศทางนี้เรากำหนดFโดยไม่มีการอ้างอิงถึงความน่าจะเป็นหรือการวัดFQF(a)=Q((,a])QFQF

ก่อนอื่นเรากำหนดฟังก์ชันการวัด Stieltjesเป็นฟังก์ชันเช่นนั้นG:RR

  1. ไม่ลดลงG
  2. นั้นถูกแบบต่อเนื่องG

(และสังเกตว่าการcàdlàgติดตามจากคำจำกัดความนี้ได้อย่างไร แต่เนื่องมาจากข้อ จำกัด พิเศษที่ "ลดลง" ส่วนใหญ่ "ฟังก์ชั่นcàdlàgไม่ใช่ฟังก์ชันการวัด Stieltjes)

ก็สามารถที่จะแสดงให้เห็นว่าแต่ละ Stieltjes ทำงานก่อให้เกิดมาตรการที่ไม่ซ้ำกันμบน( R , B )ที่กำหนดโดย μ ( ( , ] ) = G ( ) - G ( ) (ดูเช่นDurrett ของความน่าจะเป็นและสุ่มกระบวนการสำหรับรายละเอียด เกี่ยวกับเรื่องนี้). ตัวอย่างเช่นเกอวัดจะถูกเหนี่ยวนำโดยG ( x ) = xGμ(R,B)

μ((a,b])=G(b)G(a)
G(x)=x

ตอนนี้สังเกตว่า CDF เป็นฟังก์ชัน Stieltjes พร้อมคุณสมบัติเพิ่มเติมที่Lim x - F ( x ) : = F ( - ) = 0และLim x F ( x ) : = F ( ) = 1เราสามารถใช้ผลลัพธ์นั้นเพื่อแสดงให้เห็นว่าสำหรับทุก CDF Fเราจะได้ค่าQ ที่ไม่เหมือนใครใน( R , B )FlimxF(x):=F()=0limxF(x):=F()=1FQ(R,B)กำหนดโดย

Q((a,])=F()-F(a).

สังเกตว่าและQ ( ( - , - ] ) = F ( ) - F ( - ) = 1ดังนั้นQคือการวัดความน่าจะเป็นและเป็นสิ่งที่เราจะต้องใช้เพื่อนิยามFQ((-,a])=F(a)-F(-)=F(a)Q((-,-])=F()-F(-)=1QF ถ้าเราไปในทิศทางอื่น

ร่วมกันทั้งหมดที่เราได้เห็นในขณะนี้ว่าการทำแผนที่เป็น 1-1 และบนเพื่อให้เราทำจริงๆมี bijection ระหว่างPและF นำกลับไปสู่คำถามจริงนี้แสดงให้เห็นว่าเราสามารถถือ CDFs หรือความน่าจะเป็นมาตรการเท่ากันเป็นวัตถุของเราซึ่งเราประกาศความน่าจะเป็นการศึกษา (ในขณะเดียวกันก็ตระหนักว่านี่เป็นความพยายามที่ค่อนข้างน่ากลัว) ฉันเองยังคงชอบช่องว่างน่าจะเป็นเพราะฉันรู้สึกว่าทฤษฎีไหลไปในทิศทางนั้นมากกว่า แต่ CDF ไม่ใช่ "ผิด"QFQPF


3
+1 สำหรับมุมมองที่กว้างขึ้นในเรื่องนี้ คุณทราบได้อย่างถูกต้องว่าฟังก์ชันพื้นที่ของcàdlàgของ Skorokhod เป็นเพียงความคิดในปัจจุบันของทฤษฎีความน่าจะเป็นที่นำเสนอแตกต่างจาก Borel's และการค้นพบของ Skorokhod เพียง 40 ปีหรือมากกว่านั้น ใครจะรู้ว่าศตวรรษหน้าอาจเปิดเผย
AdamO

1
@AdamO อย่างแน่นอนและมีคนแปลก ๆ เช่นความเป็นไปได้ที่ไม่ใช่อาร์คิมีดีซึ่งแม้ว่าพวกเขาจะไม่ได้กลายเป็นมุมมองที่โดดเด่น (และความรู้ของฉันไม่มีใครพยายามทำอย่างจริงจัง) ฉันพบว่าพวกเขาช่วยให้ฉันเข้าใจสูตรมาตรฐานดีขึ้น เช่นวิธีการที่รุนแรงของ additivity สิ่งซิกเป็น)
JLD

ฉันอ่านชื่อคำถามและความคิดของคำกล่าวนั้นจาก Terence Tao; ต้องอ่านมาหลายปีแล้ว ( 2010 ) แต่มันน่าจดจำจริงๆ ในขณะที่เขาพูดต่อไปว่าในระดับการปฏิบัติตรงกันข้ามเป็นจริง…
ShreevatsaR

ดูความคิดเห็นของฉันในคำถาม: ทฤษฎีทางเลือกของความน่าจะเป็นเช่น Bayesian (และ Dempster-Shafer และแบบจำลองความเชื่อที่ถ่ายโอนได้และทฤษฎี Dezert-Smarandache) ความน่าจะเป็นที่ไม่แน่นอนทฤษฎีความน่าเชื่อถือ ฯลฯ เกี่ยวข้องกับคำถามนี้อย่างไร
E. Douglas Jensen

@ E.DouglasJensen ฉันไม่แน่ใจฉันกำลังพูดถึงเรื่องนี้ในแง่ของมาตรฐานสัจพจน์ Kolmogorov ดังนั้นในบริบทนั้นฉันคิดว่าคำตอบของฉันคือ "ถูกต้อง" แต่ถ้าเราเปลี่ยนสัจพจน์ฉันคิดว่าการเดิมพันทั้งหมดจะถูกปิด . นอกจากนี้ฉันไม่ได้เป็นปรัชญาเกี่ยวกับเรื่องนี้ดังนั้นถ้าเราพยายามเชื่อมโยงสิ่งนี้กับโลกแห่งความจริงไม่ว่าในทางใดเช่นกับคำถามเช่น "ความน่าจะเป็นที่ดวงอาทิตย์ขึ้น" แล้วฉันแน่ใจว่ามันจะได้รับ ซับซ้อนมากขึ้น อย่างไรก็ตามดูเหมือนว่าการเดิมพันที่ค่อนข้างปลอดภัยที่ความน่าจะเป็นที่ "อะไร" เกิดขึ้นคือค่าสูงสุด (อาจเป็น ) และไม่มีความไม่แน่นอนในนั้น1
jld

12

ไม่มี การแจกแจงแคนเทอร์เป็นเพียงตัวอย่างเดียว มันเป็นตัวแปรสุ่ม แต่ไม่มีความหนาแน่น มันมีฟังก์ชั่นการกระจายอย่างไรก็ตาม ฉันจะบอกว่าดังนั้นทฤษฎีความน่าจะเป็นนั้นคือการศึกษาฟังก์ชั่นcàdlàgซึ่งรวมถึง Cantor DF ซึ่งมีค่า จำกัด เหลือ 0 และขีด จำกัด ด้านขวา 1


ดีฉันไม่เคยได้ยินเกี่ยวกับฟังก์ชั่น Cadlag อย่างไรก็ตามสิ่งเหล่านี้ยังถือว่าเป็นพื้นที่จริงและเมตริก ไม่ใช่ทฤษฎีความน่าจะเป็นทั้งหมดที่เกิดขึ้นกับช่องว่างดังกล่าว
HRSE

1
ตัวอย่างเช่นคุณอาจกลับไปที่ Terrence Fine ทฤษฎีของความน่าจะเป็น นอกจากนี้โปรดทราบว่าฟังก์ชั่น cadlag (อย่างน้อยตามบทความ wikipedia) มีจำนวนจริงเป็นโดเมน "รากฐานของสถิติ" ของ LJ Savage ให้เรื่องราวเกี่ยวกับทฤษฎีความน่าจะเป็น (ส่วนตัว) ในช่องว่างที่ไม่จำเป็นต้องเป็นเรื่องจริง
HRSE

1
@jwg ความเห็นอื่น ๆ ในความน่าจะเป็นเชิงลบที่โพสต์นี้ซึ่งน่าจะเป็นของการใช้ในฟิสิกส์ควอนตัมแม้ว่าจิตใจที่เรียบง่ายของฉันไม่สามารถเข้าใจสิ่งนั้นได้
AdamO

1
@HRSE ขอบคุณสำหรับการอ้างอิง ฉันไม่พบทั้งสองอย่างในโลกออนไลน์ แต่ฉันอ่านบทความอื่น ๆ ของผู้เขียนถึงแม้ว่าฉันจะไม่พบตัวอย่างใด ๆ หากเรากำหนดตัวแปรสุ่มเป็นX : Ω R nแล้ว CDF จะถูกกำหนดในรูปของการวัด pushforward P X : = P X - 1 (ไม่ใช่การวัดPบน( Ω , F ) ) และตั้งแต่Xคือมูลค่าที่แท้จริงP Xจำเป็นต้องมีการวัดบน( R n ,XX:ΩRnPX=PX-1P(Ω,F)XPXซึ่งหมายความว่าเราสามารถให้อาหารมันชุดเช่น(-,]ดังนั้นFมี R n . เป็นโดเมนของฉันไม่มีอะไร?(Rn,Bn)(-,a]FRn
JLD

1
ฉันคิดว่าคำสั่งที่ดีหมายถึงทุกชุดย่อยมีองค์ประกอบที่น้อยที่สุดในขณะที่คำสั่งทั้งหมดหมายความว่าสำหรับและyทั้งหมดหนึ่งในx < y , x > yหรือx = yถือดังนั้นNจึงทั้งคู่Rเป็นคำสั่งทั้งหมดและCไม่ใช่ เราจำเป็นต้องคูณและเพิ่มความน่าจะเป็นดังนั้นอย่างน้อยโคโดเมนของPควรเป็นฟิลด์ แต่ฉันไม่คิดว่ามันมีxyx<yx>yx=yNRCPที่จะสั่งทั้งหมดหรือสมบูรณ์ การวัดมูลค่าที่ซับซ้อนเป็นตัวอย่างของมาตรการที่หนึ่งและที่มีมูลค่าเกินจริงเป็นตัวอย่างของมาตรการที่สอง สิ่งเหล่านี้เป็นช่องว่างการวัดแม้ว่า (หรือสามารถ)
jld

6

ฉันแน่ใจว่าคุณจะได้รับคำตอบที่ดี แต่จะให้มุมมองที่แตกต่างออกไปเล็กน้อยที่นี่

คุณอาจเคยได้ยินนักคณิตศาสตร์บอกว่าฟิสิกส์เป็นคณิตศาสตร์ค่อนข้างมากหรือเป็นเพียงการประยุกต์ใช้คณิตศาสตร์กับกฎพื้นฐานที่สุดของธรรมชาติ นักคณิตศาสตร์บางคน (หลายคน) เชื่อว่าจริง ๆ แล้วในกรณีนี้ ฉันเคยได้ยินเรื่องนี้มาแล้วหลายครั้งในมหาวิทยาลัย ในเรื่องนี้คุณกำลังถามคำถามที่คล้ายกันแม้ว่าจะไม่กว้างเท่านี้

นักฟิสิกส์มักจะไม่รำคาญแม้แต่ตอบสนองต่อคำสั่งนี้: มันชัดเจนเกินไปสำหรับพวกเขาว่ามันไม่เป็นความจริง อย่างไรก็ตามหากคุณพยายามที่จะตอบคำถามนั้นจะชัดเจนว่าคำตอบนั้นไม่สำคัญหากคุณต้องการทำให้เชื่อมั่น

คำตอบของฉันคือฟิสิกส์ไม่ได้เป็นเพียงแค่โมเดลและสมการและทฤษฎี เป็นเขตข้อมูลที่มีชุดของวิธีการและเครื่องมือและการวิเคราะห์พฤติกรรมและวิธีคิด นั่นเป็นเหตุผลหนึ่งว่าทำไมถึงแม้ว่า Poincare พัฒนาทฤษฎีสัมพัทธภาพต่อหน้า Einstein เขาไม่ได้ตระหนักถึงความหมายทั้งหมดและไม่ได้ไล่ตามทุกคนบนกระดาน Einstein ทำเพราะเขาเป็นนักฟิสิกส์และเขาได้รับความหมายทันที ฉันไม่ใช่แฟนของผู้ชายคนนี้ แต่งานของเขาเกี่ยวกับการเคลื่อนไหวบราวเนียนเป็นอีกตัวอย่างหนึ่งของวิธีที่นักฟิสิกส์สร้างแบบจำลองทางคณิตศาสตร์ กระดาษแผ่นนั้นน่าทึ่งและเต็มไปด้วยสัญชาตญาณและร่องรอยแห่งความคิดที่เป็นฟิสิกส์อย่างไม่หยุดยั้ง

ดังนั้นคำตอบของฉันต่อคุณก็คือแม้ว่ามันจะเป็นกรณีที่ความน่าจะเป็นเกี่ยวข้องกับประเภทของฟังก์ชั่นที่คุณอธิบายมันก็จะยังไม่ได้รับการศึกษาฟังก์ชั่นเหล่านั้น หรือเป็นทฤษฎีการวัดที่ใช้กับซับคลาสบางส่วนของการวัด ทฤษฎีความน่าจะเป็นเป็นสนามที่แตกต่างที่ศึกษาความน่าจะเป็นมันเชื่อมโยงกับโลกธรรมชาติผ่านการสลายตัวของกัมมันตภาพรังสีและกลศาสตร์ควอนตัมและก๊าซเป็นต้นหากเกิดขึ้นเพื่อให้ฟังก์ชั่นบางอย่างเหมาะสมกับแบบจำลองความน่าจะเป็น คุณสมบัติเช่นกัน แต่ในขณะที่ทำเช่นนั้นเราจะจับตาดูรางวัลหลัก - ความน่าจะเป็น


1
+1 สำหรับการนำความเป็นจริงในการต่อสู้คณิตศาสตร์และจริงการตอบคำถามที่มีเพียงคำตอบที่เหมาะสมคือที่ใด reductionism เช่นคิดถึงจุด
JLD

@Chaconne ผมได้เรียนรู้คำที่มีประโยชน์ในวันนี้reductionismจะรวมไว้ในคำศัพท์ของฉัน :)
Aksakal

+1 นี่คือสิ่งที่ฉันพยายามพูดด้วยคำตอบของฉัน แต่ฉันบอกว่ามันมีประสิทธิภาพน้อยกว่าที่ฉันคิด
นาธาเนียล

4

จริงบางส่วนก็ขาดเงื่อนไขที่สอง ความน่าจะเป็นเชิงลบไม่สมเหตุสมผล ดังนั้นฟังก์ชั่นเหล่านี้ต้องตอบสนองสองเงื่อนไข:

  • การแจกแจงต่อเนื่อง:

    Df(x)dx=1andf(x)>0xD
  • การกระจายแบบไม่ต่อเนื่อง:

    xDP(x)=1and0<P(x)1xD

โดยที่คือโดเมนที่กำหนดการแจกแจงความน่าจะเป็นD


ขอบคุณคาร์ลอสจำนวนมากสำหรับคำตอบจริง ๆ แล้วฉันต้องการทราบว่าจะมีการเพิ่มเงื่อนไขที่ไม่ใช่เชิงลบหรือไม่
dontloo

1
ฉันจะบอกว่าการลดความน่าจะเป็นของสนามเพื่อศึกษาความหนาแน่นของความน่าจะเป็น / ฟังก์ชันมวล (การตอบสนองคุณสมบัติบน) นั้นเปลือยเปล่าเกินไป นอกจากนี้ตามที่ได้รับการระบุโดย @AdamO มีบางกรณีของตัวแปรสุ่มที่ไม่มีฟังก์ชันความหนาแน่นของความน่าจะเป็นแม้ว่าพวกเขาจะมี cdf ที่ชัดเจน
Carlos Campos

@CarlosCampos: เกี่ยวกับความน่าจะเป็นเชิงลบ: พวกเขามีเหตุผลในบริบทบางอย่างเช่นเหรียญครึ่ง ดูen.wikipedia.org/wiki/Negative_probabilityสำหรับข้อมูลเพิ่มเติมอีกเล็กน้อย
Inkane

3

ฉันจะบอกว่าไม่ใช่นั่นไม่ใช่ทฤษฎีความน่าจะเป็นพื้นฐาน แต่ฉันจะพูดด้วยเหตุผลที่แตกต่างจากคำตอบอื่น ๆ

โดยพื้นฐานแล้วฉันจะบอกว่าทฤษฎีความน่าจะเป็นคือการศึกษาสองสิ่ง:

  1. กระบวนการสโทแคสติกและ

  2. การอนุมานแบบเบย์

กระบวนการสโตแคสติกประกอบด้วยสิ่งต่าง ๆ เช่นลูกเต๋ากลิ้งลูกบอลวาดจากโกศ ฯลฯ รวมถึงแบบจำลองที่ซับซ้อนยิ่งขึ้นที่พบในฟิสิกส์และคณิตศาสตร์ การอนุมานแบบเบย์มีเหตุผลภายใต้ความไม่แน่นอนโดยใช้ความน่าจะเป็นเพื่อแสดงมูลค่าของปริมาณที่ไม่ทราบ

สองสิ่งนี้มีความสัมพันธ์กันอย่างใกล้ชิดมากกว่าที่จะปรากฏขึ้นในตอนแรก เหตุผลหนึ่งที่เราสามารถศึกษาพวกเขาภายใต้ร่มเดียวกันนั้นก็คือแง่มุมที่สำคัญของพวกเขาทั้งสองนั้นสามารถแสดงได้ว่าเป็นฟังก์ชั่นที่ไม่เป็นลบ แต่ความน่าจะเป็นไม่ใช่แค่การศึกษาหน้าที่เหล่านั้น - การตีความในแง่ของกระบวนการสุ่มและการอนุมานก็เป็นส่วนสำคัญของมันเช่นกัน

ตัวอย่างเช่นทฤษฎีความน่าจะเป็นรวมถึงแนวคิดเช่นความน่าจะเป็นตามเงื่อนไขและตัวแปรสุ่มและปริมาณเช่นเอนโทรปีข้อมูลร่วมกันและความคาดหวังและความแปรปรวนของตัวแปรสุ่ม ในขณะที่เราสามารถกำหนดสิ่งเหล่านี้ได้อย่างหมดจดในแง่ของฟังก์ชั่นที่ไม่ใช่เชิงลบปกติแรงจูงใจสำหรับการนี้จะดูแปลกสวยโดยไม่ต้องตีความในแง่ของกระบวนการสุ่มและการอนุมาน

ยิ่งไปกว่านั้นบางครั้งมีแนวคิดเกี่ยวกับทฤษฎีความน่าจะเป็นโดยเฉพาะอย่างยิ่งในด้านการอนุมานซึ่งไม่สามารถแสดงออกในรูปแบบของฟังก์ชันที่ไม่เป็นลบ สิ่งที่เรียกว่า "นักบวชที่ไม่เหมาะสม" มาที่นี่และ AdamO ให้การกระจายเสียงคันทอร์เป็นอีกตัวอย่างหนึ่ง

แน่นอนว่ามีบางพื้นที่ของทฤษฎีความน่าจะเป็นซึ่งความสนใจหลักอยู่ในคุณสมบัติทางคณิตศาสตร์ของฟังก์ชันที่ไม่เป็นลบแบบปกติซึ่งโดเมนแอพพลิเคชั่นทั้งสองที่ฉันกล่าวถึงไม่สำคัญ เมื่อเป็นกรณีนี้เรามักจะเรียกมันว่าวัดทฤษฎีมากกว่าทฤษฎีความน่าจะเป็น แต่ทฤษฎีความน่าจะเป็นยัง - แน่นอนฉันจะบอกว่าส่วนใหญ่ - สนามที่ใช้และการประยุกต์ของการแจกแจงความน่าจะเป็นในตัวเองเป็นองค์ประกอบที่ไม่น่าสนใจของสนาม


2
คุณทำให้โดเมนของหัวข้อในทฤษฎีความน่าจะเป็นค่อนข้างแคบ ...
ทิม

@ ไม่ได้ตั้งใจ - ฉันแบ่งมันออกเป็นสองส่วน แต่ตั้งใจให้แต่ละคนตีความกว้างมาก คุณช่วยให้หัวข้ออื่น ๆ ที่ไม่เหมาะกับหัวข้อทั้งสองได้หรือไม่
นาธาเนียล
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.