Jak mam radzić sobie z paradoksem Borela?


17

Trochę niepokoi mnie to, jak mentalnie poradziłem sobie z paradoksem Borela i innymi powiązanymi „paradoksami” dotyczącymi prawdopodobieństwa warunkowego. Dla tych, którzy to czytają, ale nie znają tego, zobacz ten link . Do tej pory moja mentalna reakcja polegała głównie na ignorowaniu tego, ponieważ wydaje się, że nikt o tym nie mówi, ale uważam, że powinienem to naprawić.

Wiemy, że ten paradoks istnieje, a jednak wydaje się, że w praktyce (jako skrajny przykład, analiza bayesowska) doskonale radzimy sobie z uwarunkowaniem zdarzeń o miary ; jeśli X to moje dane, cały czas warujemy na X = x , nawet jeśli jest to zdarzenie o wymiarze 0, gdy X jest ciągłe. I z pewnością nie staramy się skonstruować sekwencji zdarzeń zbieżnych z wydarzeniem, które zaobserwowaliśmy, aby rozwiązać paradoks, przynajmniej nie wprost.0XX=x0X

Myślę, że jest to w porządku, ponieważ zasadniczo zmieniliśmy losową zmienną (w zasadzie) przed eksperymentem, więc uzależniamy się od σ ( X ) . Oznacza to, że σ ( X ) jest naturalną algebrą σ, od której zależy warunkowanie, ponieważ informacja X = x ma zostać wykorzystana przez X - gdyby przyszła do nas w inny sposób, uwarunkowalibyśmy inną algebrę σ . Paradoks Borela powstaje, ponieważ (jak sądzę) nie jest oczywiste, na jakiej warunce σ powinna się opierać, ale Bayesian określił σXσ(X)σ(X)σX=xXσσ . Ponieważ określamy z góry, że informacja X = x przyszła do nasza pomocą pomiaru X, jesteśmy w pełniprzekonani. Po określeniu σ -algebry wszystko jest w porządku; konstruujemy nasze warunkowe oczekiwania za pomocą Radon-Nikodym i wszystko jest unikalne do zera.σ(X)X=xXσ

Czy to w zasadzie ma rację, czy też jestem daleko? Jeśli jestem daleko, jakie jest uzasadnienie naszego zachowania? [Biorąc pod uwagę charakter pytań i odpowiedzi na tej stronie, traktuj to jako moje pytanie.] Kiedy wziąłem moje teoretyczne prawdopodobieństwo, z jakiegoś powodu nie rozumiem, nigdy nie dotknęliśmy warunkowych oczekiwań. W rezultacie obawiam się, że moje pomysły są bardzo zagmatwane.


2
Kiedy wziąłem moje teoretyczne prawdopodobieństwo, z jakiegoś powodu nie rozumiem, nigdy nie dotknęliśmy warunkowych oczekiwań. Whoa. Interesuje mnie ten mały fragment. Jakiego tekstu użyłeś? Jak poszedłeś na kurs o takiej nazwie i nigdy nie patrzyłeś na martyngały, łańcuchy Markowa lub szereg innych „standardowych” tematów?
kardynał

1
Myślę, że „duży obraz” kryjący się za tą odpowiedzią stanowi przynajmniej częściową odpowiedź na obecne pytania. :)
kardynał

1
@cardinal Nie korzystaliśmy z podręcznika, korzystaliśmy z notatek instruktorów. Instruktor spędził całą swoją karierę naukową, udowadniając prawa wielkich liczb dla losowych elementów cenionych w przestrzeni Banacha i najwyraźniej nie potrzebował takich rzeczy. W rezultacie ich nie uczył. Poznaliśmy tematy, które uznał za ważne dla jego pracy. Drugi profesor, który nauczał o prawdopodobieństwie, używał Billingsleya i nie był tak krótkowzroczny. Zdobyłem to, co wiem, czytając Billingsley w swoim czasie.
facet

4
Dzięki za oddanie mi i (+1) na twoje pytanie. Nawiasem mówiąc, Billingsley jest wspaniałym tekstem referencyjnym, ale musiał być nieco frustrujący jako test klasowy i wybór do samodzielnej nauki, jeśli nie z innego powodu niż organizacja. Być może zainteresuje Cię prawdopodobieństwo D. Williamsa z Martingales, jeśli chcesz mieć krótkiego towarzysza, który zdecydowanie kładzie duży nacisk na warunkowe oczekiwania. Twoje zdrowie. :-)
kardynał

Odpowiedzi:


8

Jako Bayesian powiedziałbym, że paradoks Borela nie ma (lub ma bardzo mało) związku ze statystykami Bayesa. Tyle że statystyki bayesowskie oczywiście używają rozkładów warunkowych. Fakt, że nie ma paradoksu w definiowaniu rozkładu bocznego jako warunku zestawu miar zerowych polega na tym, że x nie jest wybierane z góry, ale w wyniku obserwacji. Zatem jeśli chcemy zastosować egzotyczne definicje dla rozkładów warunkowych na zestawach miary zero, istnieje zerowa szansa, że ​​te zbiory będą zawierać x{X=x}xxktóre ostatecznie zobaczymy. Rozkład warunkowy jest definiowany wyjątkowo prawie wszędzie i dlatego prawie na pewno dokonał naszej obserwacji. Jest to również znaczenie (świetnego) cytatu A. Kołmogorowa we wpisie na Wikipedii.

Punktem w analizie bayesowskiej, w którym subtelności teoretyczne mogą przekształcić się w paradoks, jest reprezentacja czynnika Bayesa przez Savage'a-Dickeya, ponieważ zależy ona od konkretnej wersji wcześniejszej gęstości (omówionej w naszym artykule na ten temat ...)

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.