为了准确理解与深入研究随机现象,我们不能满足于从直觉出发形成的概率定义(概率的稳定值或可能性大小的个人信念),必须把概率论建立在坚实的数学基础上,科尔莫哥洛夫1933年在《概率论基本概念》一书中用集合论观点和功利化方法成功解决了这个问题。
首先,可以看到事件的关系和集合关系之间存在着重要的联系。我们给出两者之间的对应关系,之后对于事件的研究就转化为对集合的研究。
\(\Sigma\) 是任意的非空集合,叫作基本事件空间(样本空间),其背景是条件 S 下所有可能的不同结果的全体(每个结果是一个「基本事件」)
定义1: 设 \(\mathcal{F}\) 是由 \(\Sigma\) 的一些子集组成的集合(这种由集合组成的集合一般叫作集合系),\(P=P(\cdot)\) 是 \(\mathcal{F}\) 上有定义的实值函数。如果定义域 \(\mathcal{F}\) 和函数 P 满足下列条件:
那么称 \(P\) 是 \(\mathcal{F}\) 上的概率测度(简称概率),\(?P(A)\) 为 \(A\) 的概率(也称 \(A\) 发生的概率)。附有 \(\mathcal{F}\) 和 \(P\) 的 \(\Omega\) 叫作概率空间,有时也说 \((\Omega, \mathcal{F}, P)\) 是概率空间。
定义2: 设 \(\mathcal{F}\) 是由 \(\Omega\) 的一些子集组成的集合,具有上述 1-3 的性质,则称 \(\mathcal{F}\) 是 \(\Omega\) 中的 \(\sigma\) 域(或 \(\sigma\) 代数)。
其中前三条构成的集合称为 \(\sigma\) 域;而后三条,即非负性、完全性、可列可加性则是概率的公理化定义。
补充定义(测度):设\(\mathcal{F}\)是由\(\Omega\)的一些子集组成的集合,\(\varnothing\in\mathcal{F}\),称\(\mathcal{F}\)上有定义的函数\(\mu=\mu(\cdot)\)为测度,如果它满足:
可以看到,我们定义的概率测度是一种特殊的测度。
任意指定非空集合 \(\Omega\) 及 \(\Omega\) 中的一些子集组成的 \(\sigma\) 域 \(\mathcal{F}\) 以及\(\mathcal{F}\) 上有定义的概率 P ,所得到的三元组 \((\Omega, \mathcal{F}, P)\) 是我们研究概率的基础和出发点。
注意到,随机变量是概率论乃至统计学的核心概念之一,因此以下对这一概念进行进一步的阐释。
在《概率与统计》中,对于随机变量有两种定义(后者更为完全)
定义1: 如果条件 S 下所有可能的结果组成集合 \(\Omega=\{\omega\}\), \(X=X(\omega)\) 是 \(\Omega\) 上有定义的实值函数,而且对任何实数 c,事件\(\{\omega: X(\omega)\le c\}\) 是有概率的,则称 X 是随机变量。
定义2: 设\((\Omega, \mathcal{F}, P)\)是概率空间, \(X=X(\omega)\)是\(\Omega\) 上有定义的实值函数,如果对任何实数x,集合\(\{\omega: X(\omega)\le x\}\) 属于\(\mathcal{F}\),则称X是\((\Omega, \mathcal{F}, P)\)上的随机变量。
包含两个方面的内容:
最后,给出 wiki 上的定义作为参考:
A random variable is a measurable function \(X: \Omega\rightarrow E\) from a set of possible outcomes \(\Omega\) to a measurable space \(E\). The technical axiomatic definition requires \(\Omega\) to be a sample space of a probability triple (see the measure-theoretic definition).
The probability that \(X\) takes on a value in a measurable set \({\displaystyle S\subseteq E}\) is written as
\({\displaystyle \operatorname {P} (X\in S)=\operatorname {P} (\{\omega \in \Omega \mid X(\omega )\in S\})}\),
where ${\displaystyle \operatorname {P} } $ is the _probability measure_on \({\displaystyle (\Omega ,{\mathcal {F}})}\).
在这样严格定义的随机变量的概念下,用分布函数来刻画随机变量的概率特性:
定义:设 \(X=X(\omega)\)是随机变量,称函数
为 \(X\) 的分布函数,有时记为 \(F_X(x)\)。
由此定义的分布函数有以下三条性质
后两条的证明可考虑事件并公式,注意到右连续性是从分布函数的定义推导出来的,在此基础上,有
原文:https://www.cnblogs.com/easonshi/p/12828674.html