数学建模 概率空间与统计结构

概率空间与统计结构

学习数学建模，我们的任务不再是求解那种被人设计好的习题，而是面对的各类实际问题。我们打算运用概率分析的方法或者统计分析的方法对这些实际问题进行研究，但是概率分析理论、统计分析理论都不能直接作用于任何实际问题，这就需要我们首先确定这一实际问题所对应的“概率空间”或者“统计结构”是什么。
没有任何数学理论是直接研究实际问题的，任何一门数学理论都是针对某类数学模型的。
“概率空间”就是架设在实际问题和概率分析理论之间的一座桥梁，而“统计结构”即是贯通在实际问题和统计分析理论之间的一条隧道。随机数学建模或者统计分析建模从哪里开始？回答是从对“概率空间”和“统计结构”的建立就已经开始。
数学建模的研究对象都是一些的实际问题，如果这一实际问题表现为具有某种随机性的时候则被认为是一种随机现象，因此我们准备运用概率分析的方法进行研究。但是，概率理论直接的研究对象并不是随机现象，而是为研究随机现象所作的随机试验(Random Experiment)。
概率论约定为研究随机现象所作的随机试验应具备如下三个特征：
（1）在相同条件下该试验是可以重复的；
（2）试验的全部可能结果不止一个，且都是事先可以知道的；
（3）每次试验都会出现（发生）上述可能结果中的某一种结果，但至于是哪一种结果则事前无法预知。
为简单计，今后凡是在概率论中的随机试验皆简称为试验，并记之以英文字母E。对于数学建模者需要指出的是：
对于同一随机现象，根据研究者的研究目的和研究方法的不同可以设计不同的随机试验。
由于所设计的随机试验不同，因而所产生概率空间就不同，从而以后所运用的概率分析方法也就不一样。
当我们确定了随机试验E之后，称试验E的每一个可能结果为样本点（Sample Point），并称由全体样本点的集合为试验E的样本空间（Sample Space），并分别用希腊字母ω和Ω表示样本点和样本空间。
随机试验决定样本空间
对同一个随机现象，如果选择不同的随机试验，那得到的样本空间也会不一样。
每一个随机事件都是样本空间Ω的一个子集。
Kolmogorov关于概率空间的公理化定义，详细内容在任何一本概率论教程都可以找到
综上所述，数学建模者应该了解的是，为了研究某一随机现象，可以设计不同的随机试验；对于同一随机试验也有可能选用不同的样本空间；对于同一样本空间可以建立不同的事件域；最后对于同一事件域仍然还可以定义其上不同的概率测度。总之，对于同样的随机现象，不同的研究者可以建立不同的概率空间),(P，F，Ω）概率空间),(P，F，Ω）又是概率分析的起点，因此，建立了不同的概率空间(P，F，Ω）再加上后续分析方法的不同，从而也就会产生出多种多样的随机数学模型。
几何概率在现代概率概念的发展中起到了非常重大的作用，在19世纪，人们一度认为任何概率问题都有唯一的解答。然而Joseph Bertrand在1888年提出的一个问题改变了人们的想法，后来人们称之为贝特朗奇论（Bertrand’s paradox）。
Bertrand奇论：在一半径为r的园C内“任意”作一弦，试求此弦长度l大于园内接正三角形的边长r3的概率P。






正如“概率空间”是概率研究的起点一样，“统计结构”（或称统计模型）则是统计分析的起点。
数理统计学就是这样一门学科：它使用概率论和数学的方法，研究怎样收集（通过试验或者观察）带有随机误差的数据，并在设定的统计结构（或称统计模型）之下，对这种数据进行分析（称为统计分析），以对所研究的问题做出推断（称为统计推断）。
面对应用中遇到的实际问题，统计结构是如何得来的呢？首先，我们来看一下如何认识统计的总体。所谓统计总体是指所要研究的问题有关的对象（个体）的全体所构成的集合。不过马上我们会注意到，我们并不在意总体的实物性质，而是根据研究目的关心总体的某个或者某些指标。这种指标在每个个体上的取值肯定是不一样的，否则就没有研究的必要啦，于是总体可以被理解为一个变量。进一步分析，我们实际关心的是这个变量在总体中取值的分布情况，因而总体又应该被理解为具有某种分布的变量。如果对总体进行全面调查，对每一个个体一一测定其具体取值，那就也不需要统计学。很多时候的情况是总体太大，不可能实施全面调查，于是只好采用随机抽样的方式进行部分调查。由于在抽样调查中每个个体是否被选中是随机的，因此对此指标的观测就具有随机性，于是总体原来应该被理解为具有某种分布的随机变量（或随机向量）。