Z Skrypty dla studentów Ekonofizyki UPGOW
(→\sigma-algebra zbiorów na przestrzeni \Omega) |
(→\sigma-algebra podzbiorów zbioru \Omega) |
||
| Linia 33: | Linia 33: | ||
=== <math>\sigma</math>-algebra podzbiorów zbioru <math>\Omega</math> === | === <math>\sigma</math>-algebra podzbiorów zbioru <math>\Omega</math> === | ||
| - | to przeliczalnie addytywne [[ciało zbiorów|ciało podzbiorów]] <math>\Omega</math>. Bardziej formalnie, niech <math>\Omega</math> będzie niepustym zbiorem. Powiemy, że rodzina <math>\mathcal{F}</math> [[Podzbiór|podzbiorów]] <math>\Omega</math> nazywa sie <math>\sigma</math>-algebrą | + | to przeliczalnie addytywne [[ciało zbiorów|ciało podzbiorów]] <math>\Omega</math>. Bardziej formalnie, niech <math>\Omega</math> będzie niepustym zbiorem. Powiemy, że rodzina <math>\mathcal{F}</math> [[Podzbiór|podzbiorów]] zbioru <math>\Omega</math> nazywa sie <math>\sigma</math>-algebrą jeśli |
#[[zbiór pusty]] należy do <math>\mathcal{F}</math>, | #[[zbiór pusty]] należy do <math>\mathcal{F}</math>, | ||
#[[dopełnienie zbioru]] należącego do <math>\mathcal{F}</math> należy do <math>\mathcal{F}</math>, | #[[dopełnienie zbioru]] należącego do <math>\mathcal{F}</math> należy do <math>\mathcal{F}</math>, | ||
Wersja z 19:16, 26 paź 2009
Spis treści |
Teoria prawdopodobieństwa
Procesy i zjawiska losowe (przypadkowe, stochastyczne) opisywane są przez teorię prawdopodobieństwa. W odróżnieniu od procesów deterministycznych, nie można jednoznacznie przewidywać ewolucji układu losowego. Losowość opisujemy za pomocą prawdopodobieństwa zajścia określonych zdarzeń.
Przestrzeń probabilistyczna
podroździał
Teoria prawdopodobieństwa bazuje, jak każda teoria matematyczna, na odpowiedniej przestrzeni.
Dla przykładu, dla teorii funkcji taka przestrzenią jest przestrzeń metryczna. Przestrzeń metryczna jest takim zbiorem \( X \), w którym można zdefiniować odległość \( d(x, y) \) między dwoma jej elementami \( x \in X \) i \( y \in X \). Odleglość jest funkcją dwóch zmiennych \( x \) i \( y \) oraz posiada kilka charakterystycznych cech, np. odległość nie może byc ujemna. Jeżeli zdefiniujemy odległość w zbiorze \( X \), wówczas możemy w tym zbiorze określić zbieżność ciągów i wprowadzić pojęcie ciągłości funkcji. Możemy też zdefiniować pojęcie pochodnej funkcji i całki oznaczonej. Możemy dokonywać wielu innych operacji na funkcjach. Widać z tego przykładu, że pojęcie metryki jest bardzo użyteczne i zdefiniowanie metryki w jakimś zbiorze niesłychanie wzbogaca ten zbiór. Matematycy lubią definiować przestrzeń metryczna jako parę \( (X, d)\), tzn. jest to zbiór X wraz z określoną w niej odległościa, czyli metryką \( d=d(x, y)\).
Podobnie jest w teorii prawdopodobieństwa. Przestrzenią, którą bada teoria prawdopodobieństwa, jest zbiór, w którym określone są dodatkowe elementy, analogiczne do metryki. Przestrzeń ta nazywa się przestrzenią probabilistyczną. Dokładniej mówiąc przestrzeń ta nie jest parą jak w przypadku przestrzeni metrycznej, ale trójką \( (\Omega, {\mathcal F}, P)\). Rozszyfrujmy poszczególne elementy tej trójki.
(I) \(\Omega\) jest zbiorem elementów \(\omega\). Element \(\omega\) nazywa się zdarzeniem elementarnym lub inaczej mówiąc możliwym wynikiem doświadczenia. Przykłady:
1. Doświadczenie polega na jednokrotnym rzucie monetą. Są dwa możliwe wyniki: orzeł lub reszka. Wynikowi "orzeł" możemy przyporządkować oznaczenie \(\omega_1\), natomiast wynikowi "reszka" - \(\omega_2\). Tak więc zbiór \(\Omega =\{\omega_1, \omega_2\}\).
2. Doświadczenie polega na dwukrotnym rzucie monetą. Teraz możliwe są cztery wyniki: \(\omega_1 =\)(orzeł, orzeł), (orzeł, reszka), (reszka, orzeł) i (reszka, reszka). Jeden wynik to p: orzeł lub reszka. Wynikowi "orzeł" możemy przyporządkować oznaczenie \(\omega_1\), natomiast wynikowi "reszka" - \(\omega_2\). Tak więc zbiór \(\Omega =\{\omega_1,\omega_2,\omega_3, \omega_4\}\).
3. Doświadczenie polega na jednokrotnym rzucie kostką do gry w popularnego "chińczyka". Wynikiem może być jedno oczko, albo dwa oczka, albo trzy oczka, albo cztery oczka, albo pięć oczek, albo sześć oczek. Przyporządkowując liczbie oczek oznaczenie \(\omega_n \) dla \( n=1, 2, 3, 4, 5, 6 \) otrzymamy zbiór \(\Omega =\{\omega_1, \omega_2, \omega_3, \omega_4, \omega_5, \omega_6 \}\).
\(\sigma\)-algebra podzbiorów zbioru \(\Omega\)
to przeliczalnie addytywne ciało podzbiorów \(\Omega\). Bardziej formalnie, niech \(\Omega\) będzie niepustym zbiorem. Powiemy, że rodzina \(\mathcal{F}\) podzbiorów zbioru \(\Omega\) nazywa sie \(\sigma\)-algebrą jeśli
- zbiór pusty należy do \(\mathcal{F}\),
- dopełnienie zbioru należącego do \(\mathcal{F}\) należy do \(\mathcal{F}\),
- suma przeliczalnie wielu zbiorów z \(\mathcal{F}\) należy do \(\mathcal{F}\).
\(\sigma\)-algebra zbiorów są też czasami nazywane \(\sigma\)-ciałami zbiorów.
Zmienna losowa
Przestrzeń probabilistyczna jest zbiorem, więc tak jak na każdym zbiorze możemy definiować odwzorowania. Niech \(f\) będzie dowolną funkcją określoną na zbiorze \(X\) o wartościach w zbiorze \(Y\). Pamiętamy, że element zbioru \(X\) nazywany jest argumentem funkcji (zmienną niezależną), natomiast zbiór \(Y\) jest zbiorem wartości funkcji. Zmienna losowa jest też funkcją, tyle że na przestrzeni probabilistycznej. Tutaj odpowiednikiem zbioru \(X\) jest zbiór zdarzeń elementarnych \(\Omega\), a zmienną niezależną jest zdarzenie elementarne \(\omega\). Jednak nie wszystkie funkcje na zbiorze \(\Omega\) nazywają się zmiennymi losowymi. Problem jest nieco podobny do tego, że nie wszystkie funkcje są funkcjami ciągłymi. Z "praktyki" studenci wiedzą, że funkcje ciągłe są "przyjemniejsze" (na przykład granica lewostronna jest równa granicy prawostronnej). Odpowiednikiem funkcji ciągłych są zmienne losowe.
Precyzyjna definicja matematyczna jest następujaca:
Niech \((\Omega, F, P)\) będzie przestrzenia probabilistyczną oraz \((Y, {\mathcal B})\) -- przestrzenią fazową, tzn. zbiorem \(Y\) wraz z \(\sigma\)-algebrą \({\mathcal B}\) zbioru \(Y\). Zwykle \(X=R\) jest zbiorem liczb rzeczywistych, a \(\sigma\)-algebra \({\mathcal B}\) jest polem Borela.