Na poziomie czysto formalnym można by nazwać teorię prawdopodobieństwa badaniem przestrzeni miar z całkowitą miarą 1, ale to byłoby jak nazywanie teorii liczb badaniem ciągów cyfr, które kończą się
- z tematów Terry'ego Tao w teorii macierzy losowych .
Myślę, że to jest naprawdę podstawowa rzecz. Jeśli mamy przestrzeń prawdopodobieństwa i zmienną losową X : Ω → R z miarą przesunięcia do przodu P X : = P ∘ X - 1 , to przyczyną jest gęstość f = d P X(Ω,F,P)X:Ω→RP.X: = P∘ X- 1 całkuje się z jednym, ponieważP(Ω)=1. I to jest bardziej fundamentalne niż pdf w porównaniu z pmfs.fa= d P.Xd μP.(Ω)=1
Oto dowód:
∫Rfdμ=∫RdPX=PX(R)=P({ω∈Ω:X(ω)∈R})=P(Ω)=1.
Jest to prawie przeformułowanie odpowiedzi AdamO (+1), ponieważ wszystkie CDF są càdlàg, i istnieje jeden do jednego związek między zbiorem CDF na i zbiorem wszystkich miar prawdopodobieństwa na ( R , B ) , ale od CDF RV jest zdefiniowany w kategoriach jego dystrybucji, postrzegam przestrzenie prawdopodobieństwa jako miejsce „rozpoczęcia” z tego rodzaju przedsięwzięciem.R(R,B)
Aktualizuję, aby rozwinąć kwestię zgodności między CDF i miarami prawdopodobieństwa oraz tego, w jaki sposób obie są rozsądnymi odpowiedziami na to pytanie.
Zaczynamy od dwóch miar prawdopodobieństwa i analizy odpowiadających CDF. Kończymy, zaczynając od CDF i patrząc na środek przez niego wywołany.
Niech i R będą miarami prawdopodobieństwa na ( R , B ) i niech F Q i F R będą ich odpowiednimi CDF (tj. F Q ( a ) = Q ( ( - ∞ , a ] ) i podobnie dla R ). Q i R oba będą reprezentowały wyprzedzające miary zmiennych losowych (tj. rozkładów), ale tak naprawdę nie ma znaczenia skąd one pochodzą.QR(R,B)FQfaRfaQ(a)=Q((−∞,a])RQR
Kluczowa idea jest taka: jeśli i R zgadzają się na wystarczająco bogatą kolekcję zbiorów, to zgadzają się co do σ -algebry generowanej przez te zbiory. Intuicyjnie, jeśli mamy dobrze zachowaną kolekcję wydarzeń, które poprzez policzalną liczbę dopełnień, skrzyżowań i związków tworzą wszystkie B , to uzgodnienie wszystkich tych zestawów nie pozostawia miejsca na wahania w odniesieniu do dowolnego zestawu Borela.QRσB
Sformalizujmy to. Niech i niech L = { A ⊆ R : Q ( A ) = R ( A ) } , tj. L jest podzbiorem P ( R ), na którym Q i R agree (i są zdefiniowane). Pamiętaj, że pozwalamy im się zgadzać na zestawy inne niż Borel, ponieważ L zgodnie z definicją niekoniecznie jest podzbioremS={(−∞,a]:a∈R}L={A⊆R:Q(A)=R(A)}LP(R)QRL . Naszym celem jest pokazanie, że B ⊆ L .BB⊆L
Okazuje się, że ( σ -algebra generowana przez S ) jest w rzeczywistości B , więc mamy nadzieję, że S jest wystarczająco dużym zbiorem zdarzeń, że jeśli Q = R wszędzie na S, to są one zmuszone do równości na wszystkich pensjonatów .σ(S)σSBSQ=RSB
Zauważ, że jest zamknięte pod skończonymi przecięciami, a L jest zamknięty pod dopełnieniami i policzalnymi rozłącznymi przecięciami (wynika to z σ -additivity). To oznacza, że S jest π -system i L jest λ -system . Przez Õ - λ twierdzenie to zatem, że Ď ( S ) = B ⊆ L . Elementy SSLσSπLλπλσ(S)=B⊆LSnigdzie nie są tak skomplikowane jak dowolny zestaw Borela, ale ponieważ każdy zestaw Borela może być utworzony z policzalnej liczby dopełnień, związków i przecięć elementów , jeśli nie ma pojedynczej niezgodności między Q i R w odniesieniu do elementów S wówczas będzie stosowana aż do istnienia żadnych rozbieżności na dowolnym B ∈ B .SQRSB∈B
Właśnie pokazaliśmy, że jeśli to Q = R (na B ), co oznacza, że mapa Q ↦ F Q od P : = { P : P jest miarą prawdopodobieństwa na ( R , B ) } do F : = { F : R → R : F to CDF } to zastrzyk.FQ=FRQ=RBQ↦FQP:={P:P is a probability measure on (R,B)}F:={F:R→R:F is a CDF}
Teraz, jeśli chcemy pomyśleć o pójściu w innym kierunku, chcemy zacząć od CDF i pokazać, że istnieje unikalna miara prawdopodobieństwa Q, taka, że F ( a ) = Q ( ( - ∞ , a ] ) . że nasze mapowanie Q ↦ F Q jest w rzeczywistości bijectionem . W tym kierunku definiujemy F bez odniesienia do prawdopodobieństwa lub miar.FQF(a)=Q((−∞,a])Q↦FQF
Najpierw definiujemy funkcję miary Stieltjesa jako funkcję taką, żeG:R→R
- nie malejeG
- jest ciągłe w prawoG
(i zwróćmy uwagę na to, jak bycie càdlàg wynika z tej definicji, ale z powodu dodatkowego, nie zmniejszającego się ograniczenia, „większość” funkcji càdlàg nie jest funkcjami miar Stieltjesa).
It can be shown that each Stieltjes function G induces a unique measure μ on (R,B) defined by
μ((a,b])=G(b)−G(a)
(see e.g.
Durrett's Probability and Random Processes for details on this). For example, the Lebesgue measure is induced by
G(x)=x.
Teraz zauważając, że CDF jest funkcją Stieltjesa z dodatkowymi właściwościami, które lim x → - ∞ F ( x ) : = F ( - ∞ ) = 0 i lim x → ∞ F ( x ) : = F ( ∞ ) = 1 , możemy zastosować ten wynik, aby pokazać, że dla każdego CDF F otrzymujemy unikalną miarę Q na ( R , B )Flimx→−∞F(x):=F(−∞)=0limx→∞F(x):=F(∞)=1FQ(R,B)zdefiniowane przez
Q((a,b])=F(b)−F(a).
Zwróć uwagę, jak i Q ( ( - ∞ , - ∞ ] ) = F ( ∞ ) - F ( - ∞ ) = 1, więc Q jest miarą prawdopodobieństwa i jest dokładnie tą, której użylibyśmy do zdefiniowania F.Q((−∞,a])=F(a)−F(−∞)=F(a)Q((−∞,−∞])=F(∞)−F(−∞)=1QF gdybyśmy szli w innym kierunku.
Wszyscy razem mamy teraz widać, że odwzorowanie jest na 1-1 i tak naprawdę mają bijection między P i F . Przywołując to z powrotem do rzeczywistego pytania, pokazuje to, że moglibyśmy w równoważny sposób utrzymywać CDF lub miary prawdopodobieństwa jako nasz przedmiot, o którym deklarujemy prawdopodobieństwo badania (jednocześnie uznając, że jest to nieco żartobliwe przedsięwzięcie). Osobiście nadal wolę przestrzenie prawdopodobieństwa, ponieważ wydaje mi się, że teoria bardziej naturalnie płynie w tym kierunku, ale CDF nie są „złe”.Q↦FQPF