Các tiên đề về xác suất là gì? Giải thích đầy đủ.

Initiation » Khoa học » Toán » Thống kê » Các tiên đề về xác suất là gì? Giải thích đầy đủ.

Câu hỏi "các tiên đề xác suất là gì?" có vẻ đơn giản, nhưng câu trả lời lại dẫn đến một cấu trúc toán học rất vững chắc., bắt đầu được tổ chức chặt chẽ vào thế kỷ 20 với công trình của Andrey Kolmogorov. Những tiên đề này là nền tảng của hầu hết mọi lý thuyết xác suất hiện đại, từ nghiên cứu trò chơi may rủi đến các mô hình thống kê phức tạp được sử dụng trong khoa học dữ liệu, tài chính và kỹ thuật.

Trước Chính thức hóa KolmogorovVào thời điểm đó, xác suất được hiểu theo cách trực quan hơn, gắn liền với ý tưởng về tần suất hoặc cơ hội.Và các nhà toán học khác nhau đã sử dụng những cách diễn giải khác nhau. Ngày nay, khi nói về tiên đề xác suất, chúng ta đang đề cập đến một tập hợp các quy tắc tối thiểu mà bất kỳ hàm xác suất nào cũng phải tuân theo để có thể thực hiện các phép tính mạch lạc, tránh mâu thuẫn và xây dựng nên những định lý mạnh mẽ.

Trực giác cơ bản: những trải nghiệm và sự kiện ngẫu nhiên

Để hiểu các tiên đề về xác suất, bước đầu tiên là phải biết thí nghiệm ngẫu nhiên là gì và chúng ta gọi một sự kiện là gì.Thí nghiệm ngẫu nhiên là bất kỳ quy trình nào mà kết quả của nó không thể dự đoán chắc chắn, mặc dù chúng ta biết tất cả các kết quả có thể xảy ra; ví dụ điển hình là tung đồng xu hoặc lăn xúc xắc.

Chúng ta gọi không gian mẫu, thường được ký hiệu là Ω, là tập hợp tất cả các kết quả có thể xảy ra của thí nghiệm này.Ví dụ, nếu ta tung một đồng xu, không gian mẫu có thể được viết là Ω = {H, T}, trong đó H biểu diễn mặt "ngửa" và T biểu diễn mặt "sấp". Mỗi phần tử của Ω được gọi là một kết quả cơ bản.

Một sự kiện là bất kỳ tập hợp con nào của Ω mà chúng ta muốn quan sát.Do đó, nếu thí nghiệm là tung đồng xu, tập hợp {H} là biến cố "mặt ngửa xuất hiện", tập hợp {T} là biến cố "mặt sấp xuất hiện", và bản thân Ω là biến cố "xuất hiện mặt ngửa hoặc mặt sấp", tức là một biến cố xác định.

Một số sự kiện đặc biệt quan trọng: sự kiện không thể, sự kiện cơ bản và sự kiện chắc chắn.Tập rỗng ∅ biểu diễn biến cố không thể xảy ra, vì nó không chứa kết quả nào; tập hợp chỉ có một phần tử {ω}, với ω trong Ω, biểu diễn biến cố cơ bản; và bản thân Ω là biến cố chắc chắn, biến cố luôn xảy ra khi thực hiện phép thử.

Ngôn ngữ của lý thuyết tập hợp rất hữu ích trong việc nghiên cứu xác suất.Nếu A và B là các biến cố, thì A ∩ B biểu diễn sự xảy ra đồng thời của A và B, A ∪ B biểu diễn sự xảy ra của ít nhất một trong hai biến cố và phần bù của A, thường được viết là ̄A hoặc Ω \ A, biểu diễn “sự không xuất hiện của A”. Ký hiệu này và các tính chất của tập hợp sẽ được sử dụng trực tiếp trong việc xây dựng các tiên đề.

Giải thích về khái niệm xác suất

Mặc dù các tiên đề của Kolmogorov cung cấp cơ sở toán học cho xác suất, nhưng bản thân từ "xác suất" có thể được hiểu theo nhiều cách khác nhau.Trong lịch sử, đã có nhiều cách giải thích khác nhau về ý nghĩa của việc gán số P(A) cho một sự kiện A.

Theo cách giải thích cổ điển của Laplace, có giá trị đối với các không gian hữu hạn với các kết quả có xác suất bằng nhau, xác suất của A là tỷ số giữa số trường hợp thuận lợi và số trường hợp có thể xảy ra.Nếu không gian mẫu có n kết quả có xác suất xảy ra bằng nhau (tức là #Ω = n) và biến cố A chứa n_A các kết quả này (#A = n_A), thì xác suất được tính theo công thức P(A) = n_A / n. Công thức này khá trực quan khi tất cả các kết quả đều có cùng xác suất xảy ra.

Đã cách giải thích theo tần suất Nó liên kết xác suất với tần suất tương đối được quan sát thấy trong các lần lặp lại của một thí nghiệm.Từ góc nhìn này, chúng ta lặp lại thí nghiệm ngẫu nhiên n lần và đếm số lần sự kiện A xảy ra, gọi số này là n_A; sau đó, chúng ta xét giới hạn, khi n tăng, của phân số n_A / n. Xác suất của A sẽ là P(A) = lim_{n→∞} (n_A / n), với điều kiện giới hạn này tồn tại.

Ngoài ra còn có cách giải thích chủ quan, được sử dụng rộng rãi trong thống kê Bayes, trong đó xác suất có liên quan đến mức độ tin tưởng của một chủ thể lý trí.Trong phương pháp này, P(A) định lượng mức độ tin tưởng của một người vào khả năng xảy ra A, có tính đến kiến ​​thức hiện có. Không phải kinh nghiệm "mang" xác suất, mà là chủ thể đánh giá sự không chắc chắn một cách mạch lạc.

Bất chấp những cách giải thích khác nhau này, tất cả đều có thể cùng tồn tại trong cùng một khuôn khổ tiên đề của Kolmogorov.Nói cách khác, bất kể bạn thích quan điểm cổ điển, quan điểm tần suất hay quan điểm chủ quan, cuối cùng thì xác suất sẽ được mô hình hóa về mặt toán học bằng một hàm P tuân theo một tập hợp nhỏ các tiên đề về không gian sự kiện.

Xây dựng hình thức: không gian xác suất và đại số σ

Kolmogorov mô tả xác suất theo bộ ba (Ω, F, P), được gọi là không gian xác suất.Trong bộ ba này, Ω là không gian mẫu, F là tập hợp các sự kiện có thể xảy ra (về mặt kỹ thuật, là đại số σ của các tập con của Ω) và P là hàm xác suất.

Đại số σ F là tập hợp các tập con đặc biệt của Ω thỏa mãn một số tính chất.Nói chung, F cần chứa tập rỗng, được đóng dưới phần bù (nếu A thuộc F, thì phần bù của nó cũng thuộc F) và được đóng dưới các hợp đếm được (nếu A₁, A₂, … thuộc F, thì hợp của tất cả chúng cũng thuộc F). Cấu trúc này đảm bảo rằng chúng ta có thể làm việc với các phép toán tập hợp mà không cần rời khỏi vũ trụ các sự kiện có xác suất được xác định rõ.

Về mặt hình thức, F là đại số σ trên Ω khi: Tập rỗng ∅ thuộc F; nếu A thuộc F, thì phần bù của A thuộc Ω cũng thuộc F; và nếu A₁, A₂, … là một dãy (hữu hạn hoặc vô hạn đếm được) các phần tử của F, thì hợp A₁ ∪ A₂ ∪ … cũng thuộc F. Trong nhiều ngữ cảnh, F còn được gọi là trường Borel hoặc trường σ.

Hàm xác suất P được xác định trên F và gán cho mỗi sự kiện E trong F một số thực không âm.Sau đó, chúng ta nói rằng P(E) nằm trong ℝ và P(E) ≥ 0 đối với mọi E trong F. Trong lý thuyết đo lường chung, các phép đo có thể có giá trị vô hạn, nhưng trong lý thuyết xác suất chuẩn, P(E) luôn hữu hạn, điều này mang lại một số khác biệt liên quan đến các phép đo tổng quát hơn.

Cấu trúc này (Ω, F, P) với P(Ω) = 1 được gọi là không gian xác suất.Điều kiện P(Ω) = 1 là cần thiết vì nó thể hiện ý tưởng rằng khi thực hiện thí nghiệm, chắc chắn sẽ có một số kết quả trong Ω xảy ra; không có "kết quả ẩn" nào nằm ngoài không gian mẫu.

Ba tiên đề của Kolmogorov

Lý thuyết tiên đề của Kolmogorov dựa trên ba tiên đề cơ bản mà bất kỳ hàm xác suất nào cũng phải thỏa mãn.Chúng dễ phát biểu nhưng lại cực kỳ hiệu quả vì hầu như mọi tính chất thông thường của xác suất đều bắt nguồn từ chúng.

Tiên đề đầu tiên — Không tiêu cực: Với bất kỳ biến cố A nào thuộc đại số σ F, ta có P(A) ≥ 0. Nghĩa là, xác suất không bao giờ âm. Trong một số lý thuyết kỳ lạ hơn, người ta thường nói đến "xác suất âm", nhưng những ý tưởng này lại đi chệch khỏi khuôn khổ kinh điển của Kolmogorov.

Tiên đề thứ hai — Chuẩn hóa: Xác suất xảy ra một sự kiện nào đó bằng 1, tức là P(Ω) = 1. Tiên đề này thiết lập quy ước rằng 1 tương ứng với 100% chắc chắn, và 0 tương ứng với 0 là không thể. Trong các phiên bản sơ cấp hơn, tiên đề này cũng có thể được hiểu là tổng xác suất của tất cả các kết quả sơ cấp của Ω bằng 1.

Tiên đề thứ ba — σ-tính cộng: Nếu A₁, A₂, … là một chuỗi các sự kiện rời rạc từng cặp (còn gọi là loại trừ lẫn nhau), thì P(∪ᵢ Aᵢ) = Σᵢ P(Aᵢ). Điều này đúng với cả tập hợp sự kiện hữu hạn và vô hạn đếm được. Tính chất cộng đếm được này là điểm khác biệt lớn so với tính chất cộng hữu hạn đơn thuần.

Trong bối cảnh đơn giản hơn, một số tác giả chỉ làm việc với tính cộng hữu hạn., đòi hỏi P(A ∪ B) = P(A) + P(B) đối với các biến cố rời rạc A và B, và điều này mở rộng đến một số hữu hạn các tập hợp. Trong trường hợp này, chỉ cần làm việc với một đại số tập hợp, không nhất thiết phải là đại số σ, nhưng cách tiếp cận tiêu chuẩn trong xác suất hiện đại là yêu cầu tính cộng σ.

Từ tiên đề thứ ba này, một số hệ quả quan trọng phát sinh, chẳng hạn như sự bằng nhau, bất bằng nhau và quy luật xác suất.Ông cũng là trung tâm của mối liên hệ giữa lý thuyết xác suất và lý thuyết đo lường, nghiên cứu các phép đo trong tập hợp theo cách khá tổng quát.

Các thuộc tính được suy ra từ tiên đề

Dựa trên ba tiên đề của Kolmogorov, chúng tôi đã có thể chứng minh một số tính chất cơ bản và cực kỳ hữu ích.Những tính chất này không được giả định trước: chúng là hệ quả hợp lý của các tiên đề.

Một trong những tính chất đầu tiên là tính đơn điệu của xác suất.Nếu A và B là các biến cố trong F và A nằm trong B (A ⊆ B), thì P(A) ≤ P(B). Ý tưởng này rất trực quan: nếu B bao hàm mọi thứ có thể xảy ra trong A, và có lẽ còn nhiều hơn nữa, thì B không thể có xác suất thấp hơn A.

Một tính chất cơ bản khác là xác suất xảy ra một sự kiện không thể xảy ra là bằng không.Về mặt hình thức, sử dụng phép cộng σ, ta xét một dãy số trong đó E₁ = A, E₂ = B \ A và Eᵢ = ∅ với i ≥ 3, trong trường hợp A ⊆ B. Vì Eᵢ rời nhau và hợp của chúng là B, nên tổng các xác suất phải hội tụ về P(B). Nếu ta giả sử P(∅) = a > 0, thì tổng của P(∅) vô hạn lần sẽ bùng nổ đến vô cực, điều này không tương thích với P(B hữu hạn). Do đó, ta kết luận rằng P(∅) = 0.

Do đó, ta có thể phát biểu bất đẳng thức 0 ≤ P(E) ≤ 1 cho mọi biến cố E trong F.Ta đã biết rằng P(E) ≥ 0 từ tiên đề đầu tiên. Biết rằng P(Ω) = 1 và sử dụng tính đơn điệu với E ⊆ Ω, ta suy ra P(E) ≤ P(Ω) = 1. Do đó, mọi xác suất luôn nằm giữa 0 và 1, bao gồm cả 0 và 1.

Một định danh thường được sử dụng là định luật cộng tính cho bất kỳ hai sự kiện nào.Đối với các biến cố A và B trong F, ta có P(A ∪ B) = P(A) + P(B) − P(A ∩ B). Công thức này hiệu chỉnh hiện tượng “đếm trùng” của biến cố chung A ∩ B, hiện tượng này được cộng hai lần nếu ta cộng P(A) và P(B) mà không điều chỉnh.

Một hệ quả quan trọng khác là mối quan hệ giữa một sự kiện và sự kiện bổ sung của nó.Nếu ta ký hiệu phần bù của A là ̄A, thì P(̄A) = 1 − P(A). Đẳng thức này truyền tải ý tưởng rằng "hoặc A xảy ra hoặc A không xảy ra", và không có khả năng nào khác trong Ω.

Từ đó, ta thấy rõ rằng P(A) = 0 không nhất thiết ngụ ý rằng A là sự kiện không thể xảy ra.Theo thuật ngữ toán học, một sự kiện có thể có xác suất bằng không mà không phải là tập rỗng (ví dụ, điều này xuất hiện trong không gian liên tục), nhưng ở cấp độ cơ bản nhất, P(A) = 0 thường gắn liền với các sự kiện thực tế không thể xảy ra.

Ví dụ thực tế: tung đồng xu

Một ví dụ kinh điển và rất có tính giáo huấn để hình dung các tiên đề của Kolmogorov là việc tung đồng xu.Trước hết, chúng ta hãy giả sử rằng đồng xu chỉ có thể rơi vào mặt "sấp" (H) hoặc mặt "mặt ngửa" (T) và đây là những kết quả duy nhất có thể xảy ra.

Sau đó, chúng ta định nghĩa không gian mẫu là Ω = {H, T}Các biến cố có thể tạo thành một đại số σ F gồm {∅, {H}, {T}, {H, T}}. Trong ngữ cảnh này, biến cố không thể là ∅, các biến cố cơ bản là {H} và {T}, và biến cố chắc chắn là {H, T}.

Từ các tiên đề của Kolmogorov, chúng ta biết rằng P(∅) = 0 và P(Ω) = 1Nếu chúng ta giả định rằng đồng xu này cân bằng, nghĩa là nó không nghiêng về bên nào, thì tính đối xứng cho thấy P({H}) = P({T}). Vì tổng P({H}) + P({T}) phải bằng 1, nên chúng ta kết luận rằng cả hai đều có giá trị là 1/2.

Do đó, xác suất nhận được "mặt sấp hoặc mặt ngửa" là P({H, T}) = 1Xác suất ra "mặt ngửa" là P({H}) = 1/2 và xác suất ra "mặt sấp" là P({T}) = 1/2. Tổng xác suất của các biến cố cơ bản bằng tổng xác suất của không gian.

Mô hình này, mặc dù đơn giản, minh họa cách các tiên đề hoạt động trong thực tế và cách chúng ngăn ngừa sự không nhất quán trong các phép tính xác suất.Nếu chúng ta không định nghĩa không gian mẫu một cách cẩn thận, chúng ta có thể mắc phải những sai lầm nghiêm trọng, vì bất kỳ sự kiện nào cũng luôn là một tập con của Ω; nếu tập con không phù hợp với Ω, xác suất của nó thậm chí còn không được xác định.

Xác suất trong không gian hữu hạn và đếm được

Khi không gian mẫu hữu hạn hoặc đếm được, xác suất có thể được mô tả theo cách rất cụ thể.Giả sử Ω = {ω₁, ω₂, …} là một tập hợp hữu hạn hoặc đếm được các kết quả có thể xảy ra.

Nếu A là một sự kiện chứa một số kết quả này, chẳng hạn như A = {ω₁*, …, ω_{k*}, …}Do đó, xác suất của A có thể được coi là tổng xác suất của các biến cố cơ bản tương ứng: P(A) = P(∪ᵢ {ω_{i*}}) = Σᵢ P({ω_{i*}}). Đây là ứng dụng trực tiếp của tính cộng (hoặc tính cộng σ) trên các tập rời rạc.

Trong trường hợp cụ thể khi không gian mẫu là hữu hạn, với #Ω = n, và tất cả các kết quả đều có xác suất bằng nhauTa có P({ωᵢ}) = 1/n với mỗi i. Nếu A chứa k kết quả phân biệt trong Ω, thì P(A) = Σ_{i=1}^k P({ω_{i*}}) = k/n = (#A)/(#Ω). Đây chính xác là công thức Laplace cổ điển được diễn giải lại trong khuôn khổ tiên đề hiện đại.

Khi không gian mẫu là vô hạn đếm được, tổng xác suất của các biến cố cơ bản vẫn cần phải hội tụ về 1.Tức là, Σᵢ P({ωᵢ}) = 1. Đây là nơi mà tính cộng σ thể hiện sức mạnh của nó, cho phép chúng ta xử lý không chỉ các tổng hữu hạn mà còn cả các chuỗi sự kiện vô hạn.

Xác suất có điều kiện và vai trò của tiên đề.

Một khía cạnh cốt lõi của lý thuyết này là hiểu cách xác suất thay đổi khi chúng ta biết rằng một sự kiện nhất định đã xảy ra.Đây là lúc xác suất có điều kiện xuất hiện, thường được viết là P(A | B), nghĩa là "xác suất của A khi B đã xảy ra".

Công thức cơ bản cho xác suất có điều kiện là P(A | B) = P(A ∩ B) / P(B), với điều kiện P(B) > 0Định nghĩa này phù hợp với các tiên đề của Kolmogorov và trên thực tế, đối với mỗi B có P(B) > 0, hàm A ↦ P(A | B) một lần nữa thỏa mãn ba tiên đề khi chúng ta giới hạn không gian sự kiện thành B.

Điều này có nghĩa là P(· | B) tự nó là một hàm xác suất trên không gian mẫu “mới” B.Do đó, tất cả các tính chất cơ bản đều giữ nguyên đối với xác suất có điều kiện: P(̄A | B) = 1 − P(A | B), P(∅ | B) = 0, tính đơn điệu có điều kiện (nếu A₁ ⊆ A₂, thì P(A₁ | B) ≤ P(A₂ | B)) và công thức P(A₁ ∪ A₂ | B) = P(A₁ | B) + P(A₂ | B) − P(A₁ ∩ A₂ | B).

Định nghĩa về xác suất có điều kiện cũng đưa ra mối quan hệ quan trọng P(A ∩ B) = P(A) P(B | A), khi P(A) > 0.Đối xứng, chúng ta có thể viết P(A ∩ B) = P(B) P(A | B), với điều kiện P(B) > 0. Các đẳng thức này giúp phân tích xác suất chung và là cơ sở cho một số kết quả, chẳng hạn như Định lý Bayes.

Điều thú vị cần lưu ý là xác suất "vô điều kiện" có thể được coi là một trường hợp cụ thể của xác suất có điều kiện.Thật vậy, chúng ta có thể viết P(A) = P(A ∩ Ω) / P(Ω) = P(A | Ω), vì P(Ω) = 1. Điều này củng cố ý tưởng rằng, về mặt khái niệm, mọi xác suất đều phụ thuộc vào một số thông tin nền, ngay cả khi đó chỉ là kiến ​​thức mà chúng ta đang làm việc trong Ω.

Sự độc lập của các sự kiện

Một khái niệm quan trọng khác dựa trên tiên đề là tính độc lập giữa các sự kiện.Hai biến cố A và B độc lập với nhau nếu sự xảy ra của biến cố này không làm thay đổi xác suất của biến cố kia.

Trong ngôn ngữ chính thức, A và B độc lập khi P(A ∩ B) = P(A) P(B)Xét về xác suất có điều kiện, điều này ngụ ý rằng nếu P(B) > 0, thì P(A | B) = P(A), và nếu P(A) > 0, thì P(B | A) = P(B). Nghĩa là, việc biết B đã xảy ra không làm thay đổi xác suất của A, và ngược lại.

Mọi biến cố đều độc lập với biến cố không thể ∅ và biến cố chắc chắn Ω.Đối với tập rỗng, P(A ∩ ∅) = 0 và P(∅) = 0, do đó hệ thức hiển nhiên đúng. Đối với biến cố chắc chắn, P(A ∩ Ω) = P(A) và P(Ω) = 1, do đó P(A ∩ Ω) = P(A) P(Ω) = P(A).

Một câu hỏi thường gặp là liệu hai sự kiện rời rạc có thể độc lập hay không.Nhìn chung, nếu A và B rời nhau và cả hai đều có xác suất dương, thì P(A ∩ B) = 0, nhưng P(A) P(B) > 0, điều này vi phạm định nghĩa về tính độc lập. Do đó, trong nhiều trường hợp, hai biến cố rời nhau có xác suất khác không không độc lập, vì sự xuất hiện của biến cố này loại trừ khả năng xảy ra của biến cố kia.

Khi xử lý nhiều hơn hai sự kiện, sẽ nảy sinh nhiều khái niệm khác nhau về tính độc lập.Ta có thể có độc lập từng cặp, độc lập kết hợp và các loại khác. Tuy nhiên, trong tất cả các trường hợp này, điểm khởi đầu vẫn là quan hệ P(A ∩ B) = P(A) P(B), dựa trên các tiên đề Kolmogorov và định nghĩa về xác suất có điều kiện.

Các quy tắc thực tế và các định luật xác suất cổ điển

Ngoài các tính chất hình thức, tiên đề còn cho phép xây dựng nhiều quy luật hoạt động hơn, hữu ích trong công việc hàng ngày của những người thực hiện tính toán xác suất.Một trong số đó là cái gọi là luật cộng, đã được đề cập ở dạng P(A ∪ B) = P(A) + P(B) − P(A ∩ B), có thể được mở rộng cho số lượng sự kiện lớn hơn thông qua nguyên tắc bao gồm-loại trừ.

Một quy tắc thường được sử dụng khác là mối quan hệ giữa một sự kiện và phần "bên ngoài" của một sự kiện khác.Với A và B trong F, ta có: P(A ∩ ̄B) = P(A) − P(A ∩ B). Đây đơn giản là phân tích A thành hai phần: phần xuất hiện cùng với B (A ∩ B) và phần xuất hiện không cùng với B (A ∩ ̄B). Hai phần này rời nhau, và hợp của chúng là A, dẫn đến đẳng thức cộng trước đó.

Mặc dù không được trình bày chi tiết đầy đủ ở đây, nhưng định luật xác suất toàn phần và Định lý Bayes cũng dựa trực tiếp vào các tiên đề.Luật xác suất toàn phần kết hợp các xác suất có điều kiện vào một phân vùng của không gian mẫu, trong khi Định lý Bayes "đảo ngược" các điều kiện, cho phép cập nhật xác suất dựa trên bằng chứng mới.

Trong các phiên bản mang tính giáo huấn hơn, một số "tiên đề thực tế" dễ ghi nhớ cũng được liệt kê.Ví dụ: xác suất tối đa là 1 (100%); tổng xác suất của tất cả các phần tử trong không gian mẫu bằng 1; và xác suất của biến cố X cộng với xác suất "không phải X" luôn bằng 1. Những phát biểu này là sự phản ánh trực tiếp của các tiên đề hình thức.

Với bộ luật này, chúng ta có thể giải quyết các vấn đề từ trò chơi may rủi đơn giản đến các mô hình phức tạp với nhiều biến số.Ưu điểm lớn nhất là đằng sau tất cả các công thức và thủ thuật tính toán, sự hỗ trợ logic vẫn là chân máy tiên đề.

Các tiên đề xác suất của Kolmogorov cung cấp cơ sở chặt chẽ nhưng linh hoạt để giải quyết vấn đề không chắc chắn.Dựa trên ba nguyên tắc đơn giản—tính không âm, chuẩn hóa và tính cộng σ—một lý thuyết phong phú đã được xây dựng, có khả năng kết hợp các cách giải thích cổ điển, tần suất và chủ quan, xử lý không gian hữu hạn hoặc vô hạn, mô tả xác suất có điều kiện và tính độc lập, và hỗ trợ các ứng dụng trong hầu hết mọi lĩnh vực khoa học và công nghệ.