Zawsze mówiono mi, że CDF jest wyjątkowy, jednak PDF / PMF nie jest wyjątkowy, dlaczego? Czy możesz podać przykład, w którym plik PDF / PMF nie jest unikalny?
Zawsze mówiono mi, że CDF jest wyjątkowy, jednak PDF / PMF nie jest wyjątkowy, dlaczego? Czy możesz podać przykład, w którym plik PDF / PMF nie jest unikalny?
Odpowiedzi:
Przypomnijmy kilka rzeczy. Niech będzie przestrzeń prawdopodobieństwo , jest nasz przykładowy zestaw, jest nasz σ -algebra, a P jest funkcją prawdopodobieństwa określona na A . Zmienna losowa jest mierzalna Funkcja X : Ohm → R tj X - 1 ( S ) ∈ dla każdego podzbioru w Lebesgue'a mierzalne R. Jeśli nie znasz tej koncepcji, wszystko, co powiem później, nie będzie miało sensu.
Ilekroć mamy zmienną losową, , indukuje ona miarę prawdopodobieństwa na przez kategoryczne przesunięcie w przód. Innymi słowy, . Sprawdzenie, czy jest miarą prawdopodobieństwa na jest proste . Nazywamy na dystrybucję z X .R X ′ ( S ) = P ( X - 1 ( S ) ) X ′ R X ′
Z tą koncepcją wiąże się coś, co nazywa się funkcją rozkładu zmiennej funkcyjnej. Biorąc pod uwagę zmienną losową definiujemy . Funkcje dystrybucyjne mają następujące właściwości:
jestciągłe w prawo.
nie maleje
i F ( - ∞ ) = 0 .
Wyraźnie losowe zmienne, które są równe, mają ten sam rozkład i funkcję rozkładu.
Odwrócenie procesu i uzyskanie pomiaru za pomocą danej funkcji rozkładu jest dość techniczne. Powiedzmy, że otrzymujesz funkcję dystrybucyjną . Zdefiniuj μ ( a , b ] = F ( b ) - F ( a ) . Musisz pokazać, że μ jest miarą na półalgebrze przedziałów ( a , b ) . Następnie możesz zastosować twierdzenie o rozszerzeniu Carathéodory rozszerzyć μ do miary prawdopodobieństwa na badania .
Aby odpowiedzieć na prośbę o przykład dwóch gęstości z tą samą całką (tj. Mieć tę samą funkcję rozkładu), rozważ te funkcje zdefiniowane na liczbach rzeczywistych:
f(x) = 1 ; when x is odd integer
f(x) = exp(-x^2) ; elsewhere
i wtedy;
f2(x) = 1 ; when x is even integer
f2(x) = exp(-x^2) ; elsewhere
Nie są w ogóle równe x, ale oba są gęstościami dla tego samego rozkładu, dlatego gęstości nie są jednoznacznie określone przez (skumulowany) rozkład. Kiedy gęstości z rzeczywistą domeną różnią się tylko dla policzalnego zestawu wartości x, wówczas całki będą takie same. Analiza matematyczna tak naprawdę nie jest przeznaczona dla osób o słabych nerwach lub o zdecydowanie konkretnym umyśle.
Nie zgadzam się ze stwierdzeniem: „funkcja rozkładu prawdopodobieństwa nie określa jednoznacznie miary prawdopodobieństwa”, którą wypowiadasz w pytaniu otwierającym. Jedynie to determinuje.
Niech będą dwiema funkcjami masy prawdopodobieństwa. Jeżeli, ∫ E f 1 = ∫ E f 2 Dla dowolnego mierzalnego zestawu E, wówczas f 1 = f 2 prawie wszędzie. To jednoznacznie determinuje pdf (ponieważ w analizie nie obchodzi nas, czy nie zgadzają się co do zestawu miary zero).
Powyższą całkę możemy przepisać na: Gdzie g = f 1 - f 2 jest funkcją całkowitą.
Zdefiniuj , więc ∫ E g = 0 . Używamy dobrze znanego twierdzenia, że jeśli całka funkcji nieujemnej wynosi zero, to funkcja jest prawie wszędzie zerowa. W szczególności, g = 0 AE na E . Tak f 1 = F 2 ae o E . Teraz powtórz argument w innym kierunku, używając F = { x ∈ R | g ≤ 0 }. Będziemy się, że ae na F . Tak więc, F 1 = f 2 i ekspozycję na E ∪ F = R .