Вероятностная мера

Вероятностная мера (вероятность) — это числовая функция, заданная на сигма-алгебре подмножеств некоторого множества, которая удовлетворяет аксиомам Колмогорова и служит формальной основой для математического описания случайных явлений. Вероятностная мера является частным случаем конечной меры, нормированной на единицу, и фундаментальным понятием теории вероятностей и математической статистики.

Определение и аксиоматика

Пусть задано множество Ω (называемое пространством элементарных исходов) и сигма-алгебра 𝓕 его подмножеств (событий). Вероятностной мерой P называется функция P: 𝓕 → [0, 1], удовлетворяющая трём аксиомам, сформулированным Андреем Николаевичем Колмогоровым в 1933 году:

1. Аксиома неотрицательности: для любого события A ∈ 𝓕 выполняется P(A) ≥ 0.
2. Аксиома нормированности: P(Ω) = 1.
3. Аксиома счётной аддитивности (сигма-аддитивности): для любой счётной последовательности попарно несовместных событий A₁, A₂, … ∈ 𝓕 (то есть Aᵢ ∩ Aⱼ = ∅ при i ≠ j) выполняется:

P(⋃_{i=1}^{∞} Aᵢ) = ∑_{i=1}^{∞} P(Aᵢ).

Тройка (Ω, 𝓕, P) называется вероятностным пространством. Аксиоматика Колмогорова стала общепринятой в современной теории вероятностей, поскольку она позволяет строго определить случайные величины, математическое ожидание, условные вероятности и другие ключевые понятия.

Свойства вероятностной меры

Из аксиом выводятся следующие основные свойства:

• Вероятность пустого множества: P(∅) = 0.
• Конечная аддитивность: для конечного числа попарно несовместных событий вероятность объединения равна сумме вероятностей.
• Вероятность дополнения: P(Ω \ A) = 1 − P(A).
• Монотонность: если A ⊆ B, то P(A) ≤ P(B).
• Формула включения-исключения: P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
• Непрерывность: если последовательность событий A₁, A₂, … монотонно возрастает (A₁ ⊆ A₂ ⊆ …) или убывает (A₁ ⊇ A₂ ⊇ …), то предел вероятностей равен вероятности предела последовательности.

Классификация вероятностных мер

Дискретные вероятностные меры

Если пространство Ω конечно или счётно, то вероятностная мера задаётся набором вероятностей отдельных элементарных исходов. Для каждого ω ∈ Ω задаётся p(ω) ≥ 0, причём ∑_{ω∈Ω} p(ω) = 1. Тогда для любого события A: P(A) = ∑_{ω∈A} p(ω).

Примеры: бросание монеты, игральной кости, распределение Пуассона.

Абсолютно непрерывные вероятностные меры

Если Ω = ℝⁿ (или его подмножество), то вероятностная мера может быть задана плотностью распределения. Функция f(x) ≥ 0, интегрируемая по Лебегу, называется плотностью, если ∫_{ℝⁿ} f(x) dx = 1. Тогда для любого борелевского множества A: P(A) = ∫_{A} f(x) dx.

Примеры: нормальное (гауссовское) распределение, равномерное распределение на отрезке, экспоненциальное распределение.

Сингулярные вероятностные меры

Существуют меры, которые не являются ни дискретными, ни абсолютно непрерывными относительно меры Лебега. Классический пример — распределение Кантора, сосредоточенное на канторовом множестве. Такие меры имеют нулевую плотность почти всюду, но их носитель имеет меру Лебега ноль.

Смешанные вероятностные меры

Реальные вероятностные модели часто представляют собой комбинацию дискретной и непрерывной компонент. Например, время ожидания автобуса может включать ненулевую вероятность того, что автобус не придёт вовсе (дискретная компонента), и непрерывное распределение времени ожидания в остальных случаях.

Задание вероятностной меры

Функция распределения

Для вероятностных мер на ℝ одномерная функция распределения F(x) = P((−∞, x]) однозначно определяет меру. Функция распределения обладает свойствами: неубывающая, непрерывная справа, lim_{x→−∞} F(x) = 0, lim_{x→+∞} F(x) = 1.

Характеристическая функция

Характеристическая функция φ(t) = E[e^{itX}] = ∫ e^{itx} dP(x) также однозначно определяет вероятностную меру. Это удобно для анализа сумм независимых случайных величин и предельных теорем.

Производящая функция моментов

Для неотрицательных случайных величин используется производящая функция моментов M(t) = E[e^{tX}], определённая в некоторой окрестности нуля.

Примеры вероятностных мер

• Равномерная мера на конечном множестве: P({ωᵢ}) = 1/n для n равновероятных исходов.
• Мера Бернулли: P(1) = p, P(0) = 1−p, где p ∈ [0,1].
• Мера Лебега на [0,1]: P([a,b]) = b−a для любого отрезка.
• Стандартная гауссовская мера на ℝ: плотность f(x) = (1/√(2π)) e^{−x²/2}.
• Мера Дирака: δₐ(A) = 1, если a ∈ A, и 0 иначе. Это вырожденная вероятностная мера, сосредоточенная в одной точке.

Применение

Вероятностная мера является основой для:

• Математической статистики: построение доверительных интервалов, проверка гипотез, оценка параметров.
• Теории случайных процессов: марковские цепи, броуновское движение, пуассоновские процессы.
• Финансовой математики: моделирование цен активов, оценка рисков, ценообразование опционов.
• Физики: статистическая механика, квантовая теория, теория информации.
• Машинного обучения: байесовские методы, вероятностные графические модели, генеративные модели.

Связь с другими математическими понятиями

• Мера — обобщение длины, площади, объёма. Вероятностная мера — это конечная мера с полной массой 1.
• Мера Лебега — стандартная мера на ℝⁿ, относительно которой определяются абсолютно непрерывные вероятностные меры.
• Теорема Радона — Никодима: если вероятностная мера P абсолютно непрерывна относительно другой меры μ, то существует плотность dP/dμ.
• Теорема Лебега о разложении: любая вероятностная мера на ℝ может быть единственным образом представлена как сумма абсолютно непрерывной, сингулярной и дискретной компонент.

Интересные факты

• Аксиоматика Колмогорова была опубликована в 1933 году в монографии «Основные понятия теории вероятностей». До этого теория вероятностей не имела строгого математического обоснования.
• Существуют альтернативные подходы к определению вероятности: частотная интерпретация (Рихард фон Мизес), субъективная вероятность (Бруно де Финетти), логическая вероятность (Рудольф Карнап). Однако аксиоматическая теория Колмогорова остаётся доминирующей в математике.
• В квантовой механике используется обобщение вероятностной меры — квантовая вероятность, основанная на алгебре наблюдаемых и состоянии в виде матрицы плотности.

Источники

• Колмогоров А. Н. Основные понятия теории вероятностей. — М.: Наука, 1974.
• Ширяев А. Н. Вероятность. — М.: МЦНМО, 2004.
• Биллингсли П. Сходимость вероятностных мер. — М.: Наука, 1977.
• Феллер В. Введение в теорию вероятностей и её приложения. — М.: Мир, 1984.
• Дурретт Р. Вероятность: теория и примеры. — М.: МЦНМО, 2019.