De Finetti za reprezentowanie Twierdzenie daje w jednym odbiorze, w subiektywistycznej interpretacji prawdopodobieństwa, w raison d'être modeli statystycznych i znaczenie parametrów i ich rozkładów a priori.
Załóżmy, że zmienne losowe reprezentują wyniki kolejnych rzutów monety, przy wartościach i odpowiadających odpowiednio wynikom „Głowy” i „Ogony”. Analizując, w kontekście subiektywistycznej interpretacji rachunku prawdopodobieństwa, znaczenia typowego modelu częstościowego, w którym są niezależne i identycznie rozmieszczone, De Finetti zauważył, że warunek niezależności oznaczałby na przykład, że
a zatem wyniki pierwszego rzuty nie zmieniłyby mojej niepewności co do wyniku 1 0 X i P { X n = x n ∣ X 1 = x 1 , … , X n - 1 = x n - 1 } = P { X n = x n }X1,…,Xn10Xin - 1 n a priori
P{Xn=xn∣X1=x1,…,Xn−1=xn−1}=P{Xn=xn},
n−1n-ty rzut. Na przykład, jeśli wierzę że jest to zrównoważona moneta, to po otrzymaniu informacji, że pierwsze rzutów okazało się „główkami”, nadal uważam, pod warunkiem, na podstawie tych informacji, że prawdopodobieństwo uzyskania „głów” na rzut 1000 jest równe . W efekcie hipoteza niezależności sugerowałaby, że nie można dowiedzieć się czegokolwiek o monecie, obserwując wyniki jej rzutów.
a priori1 / 2 x I9991/2Xi
Ta obserwacja doprowadziła De Finetti do wprowadzenia stanu słabszego niż niezależność, który rozwiązuje tę pozorną sprzeczność. Kluczem do rozwiązania De Finetti jest rodzaj symetrii dystrybucyjnej zwanej wymiennością.
{ X i } n i = 1 μ X 1 , … , X n μ X 1 , … , X n = μ X π ( 1 ) , … , X π ( n ) π : { 1 , … , n } → { 1 , … , n } { X iDefinition. Dla danego zbioru skończonego losowych obiektów, niech oznaczają ich wspólny rozkład. Ten skończony zestaw jest wymienny, jeśli , dla każdej permutacji . Sekwencja losowych obiektów jest wymienna, jeśli każdy z jej skończonych podzbiorów jest wymienny.{Xi}ni=1μX1,…,XnμX1,…,Xn=μXπ(1),…,Xπ(n)π:{1,…,n}→{1,…,n}{Xi}∞i=1
Zakładając jedynie, że sekwencja zmiennych losowych jest wymienna, De Finetti udowodnił godne uwagi twierdzenie, które rzuca światło na znaczenie powszechnie stosowanych modeli statystycznych. W szczególnym przypadku, gdy przyjmują wartości i , Twierdzenie De Finetti o reprezentacji mówi, że jest wymienny tylko wtedy, gdy istnieje zmienna losowa , z rozkładem , takim że
w którym . Co więcej, mamy to
{Xi}∞i=1Xi01{Xi}∞i=1Θ:Ω→[0,1]μΘ
P{X1=x1,…,Xn=xn}=∫[0,1]θs(1−θ)n−sdμΘ(θ),
s=∑ni=1xiX¯n=1n∑i=1nXi−→−−n→∞Θalmost surely,
co jest znane jako silne prawo wielkich liczb De Finetti.
To Twierdzenie o reprezentacji pokazuje, w jaki sposób powstają modele statystyczne w kontekście bayesowskim: pod hipotezą wymienności obserwowalnych , a tak, że biorąc pod uwagę wartość , obserwowalne są niezależne i identycznie rozmieszczone. Co więcej, Silne prawo De Finetti pokazuje, że nasza wcześniejsza opinia na temat nieobserwowalnego , reprezentowana przez rozkład , jest opinią na temat granicy , zanim będziemy mieli informacje o wartościach realizacji dowolnego z{Xi}∞i=1there isparameter ΘΘconditionallyΘμΘX¯nXi„s. Parametr odgrywa rolę użytecznej konstrukcji pomocniczej, która pozwala nam uzyskać prawdopodobieństwa warunkowe obejmujące tylko obserwowalne poprzez relacje takie jak
Θ
P{Xn=1∣X1=x1,…,Xn−1=xn−1}=E[Θ∣X1=x1,…,Xn−1=xn−1].