- 公理的確率は、公理と定理を通じてランダムな事象を研究します。
- その 3 つの基本公理は、非負性、サンプル空間の確率、加法性です。
- 金融、医療、機械学習などの分野に適用されます。
- 不確実性をモデル化し、リスクを評価することで意思決定を促進します。
公理的確率: 定義と文脈
公理的確率論（測度論とも呼ばれる）は、一連の公理を用いて事象の確率を定義し研究する数学的手法である。この分野は20世紀初頭に、アンドレイ・コルモゴロフやエミール・ボレルといった数学者たちの業績によって確立され、首尾一貫した厳密な確率論の基礎を築いた。
この文脈では、確率は、サンプル空間内で特定のイベントが発生する可能性の正規化された尺度として理解されます。公理的確率の公理は、この尺度が非負性、加法性、正規化可能性などの特定の重要な特性を満たすことを保証します。
公理1: 否定的なことはしない
確率の第一公理は、( P(A) と表記される) あらゆる事象 ( A ) の確率は常にゼロ以上でなければならないことを述べています。つまり、負の確率は存在しないということです。この公理は数学的には次のように表現されます。
$$ P(A) \geq 0 $$
この原則は直感的です。現実世界では負の確率について話すことは意味をなさないからです。たとえば、コインを投げたときに表が出る可能性は (-0.5) であるとは言えません。
公理2: 標本空間の確率
1 番目の公理は、( \Omega ) で表されるサンプル空間全体の確率は常に XNUMX に等しいと述べています。サンプル空間は、ランダムな実験のすべての可能な結果を表します。数学的には、この公理は次のように表現されます。
$$ P(\Omega) = 1 $$
この公理は、標本空間内のすべての起こり得る事象の確率の合計が 1 に等しくなければならないことを意味します。たとえば、公平な 1 面サイコロを振るとき、各数字 (2、3、4、5、6、および 1) が出る確率の合計は XNUMX に等しくなります。
公理3: 加法性
公理的確率の 1 番目の公理は、相互に排他的なイベントのシーケンス (( A_2、A_XNUMX、\ldots、A_n)) に対して、これらのイベントの和の確率は個々の確率の合計に等しいことを述べています。数学的には、この公理は次のように表現されます。
$$ P(A_1 \cup A_2 \cup \ldots \cup A_n) = P(A_1) + P(A_2) + \ldots + P(A_n) $$
2 つのイベントは、同時に発生できない場合は相互に排他的です。たとえば、サイコロを振るとき、「偶数が出る」というイベントと「奇数が出る」というイベントは相互に排他的です。なぜなら、数字が偶数と奇数の両方になることはできないからです。
公理的確率の基本定理
公理的確率は、基本的な公理から、より複雑な状況での確率の計算と操作を可能にする一連の定理を導き出します。最も重要な定理のいくつかは次のとおりです。
1. 条件付き確率定理
条件付き確率とは、あるイベント ( B ) がすでに発生した場合に、別のイベント ( A ) が発生する確率を指します。この定理は数学的には次のように表現されます。
$$ P(A|B) = \frac{P(A \cap B)}{P(B)} $$
ここで、( P(A|B) ) は ( B ) が与えられたときの ( A ) の確率、( P(A \cap B) ) は ( A ) と ( B ) が交差する確率、( P(B) ) は ( B ) の確率です。
条件付き確率の例としては、診断テストで陽性と判定された場合に、その人が特定の病気にかかっている確率を計算することが挙げられます。
2. ベイズの定理
ベイズの定理は、新しい情報に基づいてイベントの確率を更新できるようにする条件付き確率の拡張です。この定理は次のように表現されます。
$$ P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)} $$
ここで、P(A|B) は B が与えられたときの A の確率、P(B|A) は A が与えられたときの B の確率、P(A) は A の事前確率、P(B) は B の確率です。
この定理は医学、人工知能などの分野で広く使われています。 意思決定新たな証拠が得られると初期の信念を更新できるためです。
3. 全確率定理
全確率定理により、標本空間のパーティションを形成するすべての可能性のあるイベント ( B_i ) を考慮して、イベント ( A ) の確率を計算できます。数学的には次のように表現されます。
$$ P(A) = P(A|B_1) \cdot P(B_1) + P(A|B_2) \cdot P(B_2) + \ldots + P(A|B_n) \cdot P(B_n) $$
ここで、( P(A|B_i) ) は ( B_i ) が与えられたときの ( A ) の確率であり、( P(B_i) ) は ( B_i ) の確率です。
この定理を適用する例としては、学生がさまざまな方法で勉強した場合（独学、グループ、家庭教師など）を考慮して、学生が試験に合格する確率を計算することが挙げられます。
公理的確率の応用
公理的確率は、さまざまな科学分野や実用分野で幅広く応用されています。この数学の分野が大きな影響を与える分野には、次のようなものがあります。
1. 統計物理学
統計物理学では、公理的確率は、多数の粒子から構成される複雑なシステムの動作を記述および予測するために使用されます。確率の原理により、気体内の速度分布、物質の磁化、相転移などの現象をモデル化することができます。
2. 金融と経済
金融および経済の分野では、公理的確率はリスク分析、資産評価、投資意思決定の基礎となります。確率モデルは、市場のボラティリティを調査し、価格動向を予測し、さまざまな投資戦略の収益性を評価するために使用されます。
3. 人工知能と機械学習
公理的確率は、人工知能や機械学習アルゴリズムの開発における重要なツールです。ベイジアン ネットワークや隠れマルコフ モデルなどの確率モデルにより、機械はデータから学習し、不確実性に基づいて意思決定を行うことができます。これらの技術は、音声認識、コンピュータービジョン、製品推奨などの分野に応用されています。
4. 医学と疫学
医学の分野では、公理的確率は治療の有効性の分析、病気の蔓延の予測、診断検査の精度の評価に使用されます。確率モデルを使用すると、特定の病状を発症するリスクを推定できるほか、伝染病の予防および制御戦略を設計することもできます。