Teoria prawdopodobieństwa

Teoria prawdopodobieństwa – dział matematyki zajmujący się badaniem zjawisk losowych oraz metodą ich opisu i analizy. Zajmuje się ona zarówno formalnym definiowaniem pojęcia prawdopodobieństwa, jak i praktycznymi metodami wyciągania wniosków na podstawie danych losowych.

Definicja

W ujęciu współczesnym teoria prawdopodobieństwa opiera się na aksjomatach Kolmogorowa. Podstawowym obiektem jest przestrzeń probabilistyczna

(Ω, 𝔽, P), gdzie:

Ω – zbiór wszystkich możliwych wyników (przestrzeń elementarna),
𝔽 – sigma-algebra podzbiorów Ω, zwana zbiorem zdarzeń,
P – miara probabilistyczna, czyli funkcja przypisująca każdemu zdarzeniu zdarzeniu losowemu liczbę z przedziału [0, 1] spełniającą aksjomaty:

P(∅)=0, P(Ω)=1,
jeśli A₁, A₂, … są parami rozłącznymi zdarzeniami, to P(⋃ₙAₙ)=∑ₙP(Aₙ) (σ‑addytywność).

Historia

Początki teorii prawdopodobieństwa sięgają XVII wieku, kiedy to Pierre de Fermat i Blaise Pascal opracowali pierwsze zasady w kontekście problemów z zakładami hazardowymi. W XIX wieku Andriej Nikołajewicz Kołmogorow ujął teorię w postaci aksjomatów, co umożliwiło jej dalszy rozwój jako gałęzi czystej matematyki.

Podstawowe pojęcia

Zdarzenie losowe i przestrzeń probabilistyczna

Elementarny wynik eksperymentu to wynik. Zbiór zdarzeń tworzy sigma-algebrę, a każde zdarzenie ma przypisaną wartość prawdopodobieństwa.

Rodzaje prawdopodobieństw

Klasyczne – oparte na równorzędności wszystkich wyników (np. rzut monetą).
Empiryczne – wyznaczane na podstawie obserwacji i częstotliwości występowania zdarzeń.
Subiektywne – odzwierciedlające osobiste przekonania co do prawdopodobieństwa.

Zmienne losowe i rozkłady

Zmienna losowa jest funkcją przyporządkowującą każdemu wynikowi liczbową wartość. Dzielą się na:

zmienne dyskretne – przyjmujące skończoną lub przeliczalną liczbę wartości (np. liczba wyrzuconych oczek).
zmienne ciągłe – przyjmujące nieprzeliczalnie wiele wartości (np. czas oczekiwania).

Rozkład prawdopodobieństwa opisuje, z jakim prawdopodobieństwem zmienna przyjmuje poszczególne wartości. W przypadku zmiennych ciągłych używa się funkcji gęstości oraz funkcji dystrybuanty.

Główne twierdzenia

Prawo wielkich liczb

Stwierdza, że średnia arytmetyczna próbki rośnie w miarę zwiększania liczby obserwacji w kierunku wartości oczekiwanej zmiennej losowej. Istnieją dwie wersje: słaba i silna.

Centralne twierdzenie graniczne

Mówi, że sumy (lub średnie) niezależnych, identycznie rozłożonych zmiennych losowych, po odpowiednim skalowaniu, dążą w rozkładzie do rozkładu normalnego, niezależnie od pierwotnego rozkładu.

Twierdzenia o niezależności i warunkowym prawdopodobieństwie

Definicja prawdopodobieństwa warunkowego oraz reguły łączności (twierdzenie Bayesa) są kluczowe w analizie złożonych modeli probabilistycznych.

Zastosowania

Teoria prawdopodobieństwa stanowi fundament dla:

statystyki – wnioskowanie statystyczne i testowanie hipotez,
fizyki – mechanika statystyczna, teoria kwantowa,
informatyki – algorytmy losowe, kryptografia, uczenie maszynowe,
ekonomii – modele ryzyka, ubezpieczenia, finanse,
biologii – modele populacji, genetyka, epidemiologia.

Związki z innymi dziedzinami matematyki

Teoria prawdopodobieństwa jest ściśle powiązana z:

teorią miary – formalny język miar probabilistycznych,
analizą matematyczną – całki Lebesgue’a, procesy stochastyczne,
kombinatoryką – liczenie zdarzeń,
teorią informacji – entropia, kodowanie.

Literatura

Klasyczne pozycje wprowadzające w tematykę to m.in. „Theory of Probability” autorstwa A.N. Kołmogorowa oraz współczesne podręczniki, takie jak „Probability and Random Processes”.

Powiązane artykuły