Espacios de probabilidad y axiomas de Kolmogorov
Un espacio de probabilidad es, por definición, un triple donde es un conjunto de resultados, es un álgebra en los subconjuntos de y es una medida de probabilidad que cumple los axiomas de Kolmogorov, es decir, es una función de a tal que y para disjunto en sostiene que ( Ω , F , P ) Ω F σ Ω P P F [ 0 , 1 ] P ( Ω ) = 1 E 1 , E 2 , … F P ( ∪ ∞ j = 1 E j ) = ∑ ∞ j = 1 P ( E j )P(Ω,F,P)ΩFσΩPPF[0,1]P(Ω)=1E1,E2,…FP(∪∞j=1Ej)=∑∞j=1P(Ej).
Dentro de dicho espacio de probabilidad, uno puede, para dos eventos en definir la probabilidad condicional comoF P ( E 1 | E 2 ) d e f = P ( E 1 ∩ E 2 )E1,E2FP(E1|E2)=defP(E1∩E2)P(E2)
Tenga en cuenta que:
- esta '' probabilidad condicional '' solo se define cuando se define en , por lo que necesitamos un espacio de probabilidad para poder definir probabilidades condicionales.FPF
- Un espacio de probabilidad se define en términos muy generales ( un conjunto , un álgebra y una medida de probabilidad ), el único requisito es que se deben cumplir ciertas propiedades, pero aparte de eso Estos tres elementos pueden ser "cualquier cosa".σ F PΩ σFP
Más detalles se pueden encontrar en este enlace
La regla de Bayes se cumple en cualquier espacio de probabilidad (válido)
De la definición de probabilidad condicional también sostiene que . Y de las dos últimas ecuaciones encontramos la regla de Bayes. Entonces, la regla de Bayes se mantiene (por definición de probabilidad condicional) en cualquier espacio de probabilidad (para mostrarlo, deriva y de cada ecuación y ecualiza ellos (son iguales porque la intersección es conmutativa)). P(E2|E1)=P(E2∩E1)P(E1)P(E1∩E2)P(E2∩E1)
Como la regla de Bayes es la base para la inferencia bayesiana, se puede hacer un análisis bayesiano en cualquier espacio de probabilidad válido (es decir, que cumpla con todas las condiciones, ao los axiomas de Kolmogorov).
La definición de probabilidad frecuente es un "caso especial"
Lo anterior contiene '' en general '', es decir, no tenemos en mente , , siempre que sea un álgebra en subconjuntos de y cumple los axiomas de Kolmogorov.ΩFPFσΩP
Ahora mostraremos que una definición "frecuentista" de cumple los axiomas de Kolomogorov. Si ese es el caso, entonces las probabilidades "frecuentistas" son solo un caso especial de la probabilidad general y abstracta de Kolmogorov. P
Tomemos un ejemplo y tiremos los dados. Entonces el conjunto de todos los resultados posibles es . También necesitamos un álgebra en este conjunto y tomamos el conjunto de todos los subconjuntos de , es decir, .ΩΩ={1,2,3,4,5,6}σΩFΩF=2Ω
Todavía tenemos que definir la medida de probabilidad de una manera frecuente. Por lo tanto, definimos como donde es el número de obtenido en tiradas de los dados. Similar para , ... .PP({1})P({1})=deflimn→+∞n1nn11nP({2})P({6})
De esta manera, se define para todos los singletons en . Para cualquier otro conjunto en , por ejemplo, definimos de una manera frecuente, es decir,
, pero por la linealidad de 'lim', esto es igual a , lo que implica que los axiomas de Kolmogorov se mantienen.PFF{1,2}P({1,2})P({1,2})=deflimn→+∞n1+n2nP({1})+P({2})
Entonces, la definición frecuentista de probabilidad es solo un caso especial de la definición general y abstracta de Kolomogorov de una medida de probabilidad.
Tenga en cuenta que hay otras formas de definir una medida de probabilidad que cumpla con los axiomas de Kolmogorov, por lo que la definición frecuentista no es la única posible.
Conclusión
La probabilidad en el sistema axiomático de Kolmogorov es "abstracta", no tiene un significado real, solo tiene que cumplir las condiciones llamadas "axiomas". Usando solo estos axiomas, Kolmogorov pudo derivar un conjunto muy rico de teoremas.
La definición frecuentista de probabilidad llena los axiomas y, por lo tanto, reemplaza el resumen "sin sentido" por una probabilidad definida de manera frecuentista, todos estos teoremas son válidos porque la "probabilidad frecuentista" es solo un especial caso de probabilidad abstracta de Kolmogorov (es decir, cumple los axiomas).P
Una de las propiedades que se pueden derivar en el marco general de Kolmogorov es la regla de Bayes. Como se mantiene en el marco general y abstracto, también se mantendrá (cfr supra) en el caso específico de que las probabilidades se definan de manera frecuentista (porque la definición frecuentista cumple los axiomas y estos axiomas eran lo único que se necesita para derivar todos los teoremas). Entonces uno puede hacer un análisis bayesiano con una definición frecuentista de probabilidad.
Definir de manera frecuentista no es la única posibilidad, hay otras formas de definirlo de modo que cumpla con los axiomas abstractos de Kolmogorov. La regla de Bayes también se mantendrá en estos "casos específicos". Por lo tanto, también se puede hacer un análisis bayesiano con una definición de probabilidad no frecuente.P
EDITAR 23/8/2016
@mpiktas reacción a tu comentario:
Como dije, los conjuntos y la medida de probabilidad no tienen un significado particular en el sistema axiomático, son abstractos. Ω,FP
Para aplicar esta teoría, debe dar más definiciones (por lo que lo que dice en su comentario "no es necesario confundirlo más con algunas definiciones extrañas" es incorrecto, necesita definiciones adicionales ).
Vamos a aplicarlo al caso de lanzar una moneda justa. El conjunto en la teoría de Kolmogorov no tiene un significado particular, solo tiene que ser "un conjunto". Por lo tanto, debemos especificar cuál es este conjunto en el caso de la moneda justa, es decir, debemos definir el conjunto . Si representamos la cabeza como H y la cola como T, entonces el conjunto es por definición .ΩΩΩ Ω=def{H,T}
También tenemos que definir los eventos, es decir, álgebra . Definimos es como . Es fácil verificar que es un álgebra.σFF=def{∅,{H},{T},{H,T}}Fσ
A continuación, debemos definir para cada evento en su medida. Entonces necesitamos definir un mapa de en . Lo definiré de la manera más frecuente, para una moneda justa, si la lanzo una gran cantidad de veces, entonces la fracción de caras será 0.5, así que defino . De manera similar, defino , y . Tenga en cuenta que es un mapa de en y que cumple los axiomas de Kolmogorov.E∈FF[0,1]P({H})=def0.5P({T})=def0.5P({H,T})=def1P(∅)=def0PF[0,1]
Para una referencia con la definición frecuentista de probabilidad, vea este enlace (al final de la sección 'definición') y este enlace .