Elosztási funkció
A valószínűségszámítás , a eloszlásfüggvény , vagy kumulatív eloszlási függvény , egy valódi véletlen változó X jelentése a függvény F X , amely a valódi x , társítja a valószínűsége megszerzésének értéke kisebb vagy egyenlő:
Fx(x)=P(x≤x){\ displaystyle F_ {X} (x) = \ mathbb {P} (X \ leq x)}.
Ez a függvény a véletlen változó valószínűségi törvényére jellemző . Lehetővé teszi a bal oldali félnyitott intervallumok valószínűségének kiszámítását] a, b] ahol a <b, by
P(x∈]nál nél,b])=P(nál nél<x≤b)=Fx(b)-Fx(nál nél){\ displaystyle \ mathbb {P} (X \ in] a, b]) = \ mathbb {P} (a <X \ leq b) = F_ {X} (b) -F_ {X} (a)}.
Az eloszlásfüggvény egy valószínűségi mérték meghatározása az Borelian törzs a funkció F amely bármely valós x társult
P{\ displaystyle \ mathbb {P}} B(R){\ displaystyle {\ mathcal {B}} (\ mathbb {R})}
F(x)=P(]-∞,x]).{\ displaystyle F (x) = \ mathbb {P} (] - \ infty, x]).}
Az első tulajdonságok
Egy valós véletlen változó eloszlásfüggvénye mindig növekszik, folyamatosan jobbra halad, nulla és 1 hüvelykkel megegyező határértékkel .
-∞{\ displaystyle - \ infty}+∞{\ displaystyle + \ infty}
Ezzel szemben bármely, a négy tulajdonságon definiált és kielégítő függvény egy véletlen változó eloszlásfüggvénye.
R{\ displaystyle \ mathbb {R}}
Példák eloszlásfüggvény-számításokra
Sűrűségváltozók
A CDF F X egy véletlenszerű változó X a valószínűségi sűrűség f X jelentése egy primitív (abban az értelemben kissé megjelent, lásd alább) a sűrűség f X . Pontosabban, F X- et bármely valós x számra meghatározza :
Fx(x)=∫-∞xfx(t)dt.{\ displaystyle F_ {X} (x) = \ int _ {- \ infty} ^ {x} f_ {X} (t) \, \ mathrm {d} t.}Ez azonban nem minden esetben általánosságban primitív a kifejezés szoros értelmében: csak megerősíteni lehet:
De sok „ellenpélda” van: az egységes törvény intervallumon belüli eloszlásfüggvénye, vagy az exponenciális törvény eloszlási funkciója nem mindenben különböztethető meg, és ezért szoros értelemben nem primitívek.
R,{\ displaystyle \ mathbb {R},}
Figyeljük meg, hogy, ellentétben a diszkrét változó sűrűségű változó X ellenőrzések bármely valós szám még : tehát az eloszlás sűrűség függvényében változó folytonos minden pontján. Valójában egy valós X véletlen változó akkor és csak akkor rendelkezik valószínűségi sűrűséggel, ha eloszlásfüggvénye abszolút folyamatos az egyes korlátozott intervallumokon.
P(x=nál nél)=0{\ displaystyle \ mathbb {P} (X = a) = 0}
Diszkrét változók
A valószínűségi változó X azt mondják, hogy a diszkrét, ha annak támogatása S jelentése véges vagy megszámlálható , vagy, egyenértékű módon, ha létezik olyan véges vagy megszámlálható halmaz A , mint például:
P(x∈NÁL NÉL)=1.{\ displaystyle \ mathbb {P} (X \ A-ban) = 1.}
Az X törvényét egyértelműen meghatározza ( p s ) s ∈ S vagy ( p s ) s ∈ A adatai , ahol
os=P(x=s).{\ displaystyle p_ {s} = \ mathbb {P} (X = s).}
Ha például X egy véletlen változó valós , akkor mi
Fx(x)=∑s∈Sos1[s,+∞[(x).{\ displaystyle F_ {X} (x) = \ sum _ {s \ in S} p_ {s} 1 _ {[s, + \ infty [} (x).}
ahol 1 E az E halmaz indikátorfüggvénye .
A leggyakoribb diszkrét valószínűségi változók (például a egységes , binomiális , Poisson eloszlás ) S egy jól rendezett halmaza : Tudjuk majd számát annak elemeit növekvő módon, pe s 1 ≤ s 2 ≤ s 3 ≤ ... átszámozására a valószínűségek p s ennek megfelelően, pl azáltal p i = p s i , i ≥ 1 . Ekkor megkapjuk, ha x ∈ [ s i , s i + 1 [ ,
Fx(x)=∑1≤j≤énoj.{\ displaystyle F_ {X} (x) = \ sum _ {1 \ leq j \ leq i} p_ {j}.}
Vagy általánosabban:
Fx(x)=∑én≥1 qén 1[sén,sén+1[(x),qén=∑1≤j≤énoj.{\ displaystyle {\ begin {aligned} F_ {X} (x) & = \ sum _ {i \ geq 1} \ q_ {i} \ 1 _ {[s_ {i}, s_ {i + 1} [} (x), \\ q_ {i} & = \ sum _ {1 \ leq j \ leq i} p_ {j}. \ end {igazítva}}}
Az eloszlásfüggvény ekkor intervallumonként állandó függvény, és grafikus ábrázolása lépcsőzetes . A ugrik az egyik lépésben a lépcső másik találhatók az abszcisszán s i , és az amplitúdó a abszcissza ugrás s jelentése p s = F X ( ek ) - F X ( k - ) . Különösen eloszlásfüggvénye diszkrét változó X jelentése szakaszos pontosan pont s mint a lásd a Properties eloszlásfüggvény egy bemutatót.
P(x=s)>0.{\ displaystyle \ mathbb {P} (X = s)> 0.}
Különleges eset: tisztán szinguláris folyamatos eloszlásfüggvény
A Cantor F lépcső a folyamatos eloszlásfüggvény példája, de ennek a deriváltja szinte mindenhol nulla. Így az előző képletek már nem igazak a Cantor lépcsőházra: például x > 0 esetén nincs
F(x)=∫-∞xF′(t)dt{\ displaystyle F (x) = \ int _ {- \ infty} ^ {x} F ^ {\ prime} (t) \, \ mathrm {d} t},
mert F szigorúan pozitív értékeket vesz fel ] 0, + ∞ [-ra , míg a jobb oldalt alkotó integrál nulla. Valóban, az egész
{t∈R∣F′(t)≠0}{\ displaystyle \ {t \ in \ mathbb {R} \ közepén F ^ {\ prime} (t) \ neq 0 \}}
nulla Lebesgue-mérték. Ezenkívül a Cantor lépcsőhöz kapcsolódó valószínűségi törvény diffúz (atom nélkül), mivel F folyamatosan be van kapcsolva . Cantor lépcsőháza valójában egy folyamatos eloszlásfüggvény példája, de nem feltétlenül folyamatos az egyes intervallumok alatt: akkor azt mondjuk, hogy pusztán egyedülálló folytonos.
R{\ displaystyle \ mathbb {R}}
Elosztási függvény tulajdonságai
Jellemző tulajdonságok
Tétel - Az X véletlen változó eloszlásfüggvényének a következő jellemző tulajdonságai vannak:
-
F X jelentése növekszik ;
- Mindenhol folyamatos jobbra;
-
limx→-∞Fx(x)=0{\ displaystyle \ lim _ {x \ to - \ infty} F_ {X} (x) = 0} ;
- limx→+∞Fx(x)=1.{\ displaystyle \ lim _ {x \ - + \ infty} F_ {X} (x) = 1.}
Demonstráció
Az 1. pont a valószínűségi mérések növekedési tulajdonságából következik
{x≤y}⇒{]-∞,x] ⊂ ]-∞,y]}⇒{Px(]-∞,x])≤Px(]-∞,y])}.{\ displaystyle \ {x \ leq y \} \ Rightarrow \ {] - \ infty, x] \ \ subset \] - \ infty, y] \} \ Rightarrow \ {\ mathbb {P} _ {X} (] - \ infty, x]) \ leq \ mathbb {P} _ {X} (] - \ infty, y]) \}.}
Mivel F X jelentése monoton függvény , 2. pont csökkenti azt mutatják, hogy
limnemFx(x+1nem)=Fx(x),{\ displaystyle \ lim _ {n} F_ {X} \ bal (x + {\ tfrac {1} {n}} \ jobb) = F_ {X} (x),}
vagy ezzel egyenértékűen
limnemPx(]-∞,x+1nem])=Px(]-∞,x]).{\ displaystyle \ lim _ {n} \ mathbb {P} _ {X} \ left (\ left] - \ infty, x + {\ tfrac {1} {n}} \ right] \ right) = \ mathbb { P} _ {X} \ bal (\ bal] - \ infty, x \ jobb] \ jobb).}
De a boréliaiak ] –∞, x +1/nem[ csökkenő szekvenciát képez, és
⋂nem≥1]-∞,x+1nem] = ]-∞,x],{\ displaystyle \ bigcap _ {n \ geq 1} \ bal] - \ infty, x + {\ tfrac {1} {n}} \ right] \ = \ \ left] - \ infty, x \ right],}
ezért a 2. pont a valószínűségek axiómáinak következménye . Mivel F X monoton, a 3. pontot csökkenteni lehet ennek bizonyítására
limnemFx(-nem)=0.{\ displaystyle \ lim _ {n} F_ {X} (- n) = 0.}
Ez ismét a valószínűségek axiómáinak következménye , mivel
⋂nem≥1]-∞,-nem] = ∅.{\ displaystyle \ bigcap _ {n \ geq 1} \ bal] - \ infty, -n \ right] \ = \ \ emptyyset.}
A 4. pont ugyanúgy következik a
⋃nem≥1]-∞,nem] = R.{\ displaystyle \ bigcup _ {n \ geq 1} \ balra] - \ infty, n \ jobbra] \ = \ \ mathbb {R}.}
Mint mondtuk, rámutat 1-4 jellemző az eloszlási függvény egy valódi valószínűségi változó X : adott egy valós függvény a valós változó, Jelöljük F , kielégíti pontokat 1-től 4, tudjuk építeni konkrétan egy igazi valószínűségi változó X , amelynek F az eloszlásfüggvényhez, lásd a reciprok tételét . Ne feledje, hogy az inverz tétel alkalmazásával konkrétan tetszőleges méretű mintákat állítanak elő tetszőleges valószínűségi törvény alapján, amely a Monte-Carlo módszerek alapanyaga .
jegyzet
Így definiálhatjuk az eloszlásfüggvény fogalmát anélkül, hogy bevezetnénk egy véletlen változót: elég csak az, hogy kielégítse az előző 1–4. Pontokat. Ha ehhez hozzávesszük az aritmetikai függvény fogalmát , akkor gyorsan eljutunk a számok valószínűségi elméletéhez .
Egyéb tulajdonságok
Az 1., 3. és 4. pont miatt F X korlátozott, pontosabban
∀x∈R, 0≤Fx(x)≤1.{\ displaystyle \ forall x \ in \ mathbb {R}, \ \ \ 0 \ leq F_ {X} (x) \ leq 1.}Mint minden korlátos monoton függvény, F X elismeri bármely ponton x egy bal határt F X ( X - ) , a bal felső határa megegyezett, vagy sem, hogy az F X ( x ) attól függően, hogy az F X folytonos x, vagy sem. F X a càdlàg függvény .
Az eloszlásfüggvény ismerete lehetővé teszi bármely intervallum valószínűségének kiszámítását
- P(x∈]-∞;x])=P(x≤x)=Fx(x),{\ displaystyle \ mathbb {P} (X \ in] - \ infty; x]) \, = \, \ mathbb {P} (X \ leq x) \, = \, F_ {X} (x),}
- P(x∈]x;+∞[)=P(x>x)=1-Fx(x),{\ displaystyle \ mathbb {P} (X \ in] x; + \ infty [) \, = \, \ mathbb {P} (X> x) \, = \, 1-F_ {X} (x), }
- P(x∈]x;y])=P(x<x≤y)=Fx(y)-Fx(x),{\ displaystyle \ mathbb {P} (X \ in] x; y]) \, = \, \ mathbb {P} (x <X \ leq y) \, = \, F_ {X} (y) -F_ {X} (x),}
- P(x∈]-∞;x[)=P(x<x)=Fx(x-),{\ displaystyle \ mathbb {P} (X \ in] - \ infty; x [) \, = \, \ mathbb {P} (X <x) \, = \, F_ {X} (x _ {-} ),}
- P(x∈]x;y[)=P(x<x<y)=Fx(y-)-Fx(x),{\ displaystyle \ mathbb {P} (X \ in] x; y [) \, = \, \ mathbb {P} (x <X <y) \, = \, F_ {X} (y _ {-} ) -F_ {X} (x),}
- P(x∈[x;y[)=P(x≤x<y)=Fx(y-)-Fx(x-),{\ displaystyle \ mathbb {P} (X \ in [x; y [) \, = \, \ mathbb {P} (x \ leq X <y) \, = \, F_ {X} (y _ {- }) -F_ {X} (x _ {-}),}
- P(x∈[x;y])=P(x≤x≤y)=Fx(y)-Fx(x-),{\ displaystyle \ mathbb {P} (X \ -ban [x; y]) \, = \, \ mathbb {P} (x \ leq X \ leq y) \, = \, F_ {X} (y) - F_ {X} (x _ {-}),}
és
- P(x=x)=Fx(x)-Fx(x-){\ displaystyle \ mathbb {P} (X = x) = F_ {X} (x) -F_ {X} (x _ {-}) \,}
Demonstráció
-
P(x∈]-∞;x])=P(x≤x)=Fx(x),{\ displaystyle \ \ mathbb {P} (X \ in] - \ infty; x]) \, = \, \ mathbb {P} (X \ leq x) \, = \, F_ {X} (x), } az elosztási függvény meghatározása.
- a komplementerre váltáskor kapjuk meg, P(x∈]x;+∞[)=P(x>x)=1-Fx(x){\ displaystyle \ \ mathbb {P} (X \ in] x; + \ infty [) \, = \, \ mathbb {P} (X> x) \, = \, 1-F_ {X} (x) }
- az általunk használt a A =] -∞; x ] és B =] –∞; y ] ,P(x∈]x;y])=P(x<x≤y)=Fx(y)-Fx(x),{\ displaystyle \ mathbb {P} (X \ in] x; y]) \, = \, \ mathbb {P} (x <X \ leq y) \, = \, F_ {X} (y) -F_ {X} (x),}{NÁL NÉL⊂B} ⇒ {P(B∖NÁL NÉL)=P(B)-P(NÁL NÉL)},{\ displaystyle \ {A \ B részhalmaz \} \ \ Rightarrow \ \ {\ mathbb {P} (B \ setminus A) = \ mathbb {P} (B) -P (A) \},}
- A kapcsolat a legkényesebb, és magában foglalja a valószínűségek axiómájának következményét a növekvő halmazsorozat egyesülésének valószínűségére. Figyelembe vesszük a növekvő realok sorozatát ( x n ) , konvergálva az x-hez . Az intervallum ] -∞; x [ ekkor az intervallumok növekvő szekvenciájának megszámolható egyesülése ] -∞; x n ] . Az intervallum valószínűsége ] -∞; x [ tehát az intervallumok valószínűségének határa ] -∞; x n ] , azaz az F X ( x n ) szekvencia határa . A növekvő függvények tulajdonságai alapján ez a határ létezik, és megegyezik F X ( x - ) értékkel .P(x∈]-∞;x[)=P(x<x)=Fx(x-),{\ displaystyle \ mathbb {P} (X \ in] - \ infty; x [) \, = \, \ mathbb {P} (X <x) \, = \, F_ {X} (x _ {-} ),}
Az utolsó 5 tulajdonság az A és B különböző választási lehetőségeiből származik :
{NÁL NÉL⊂B} ⇒ {P(B∖NÁL NÉL)=P(B)-P(NÁL NÉL)},{\ displaystyle \ {A \ B részhalmaz \} \ \ Rightarrow \ \ {\ mathbb {P} (B \ setminus A) = \ mathbb {P} (B) - \ mathbb {P} (A) \},}
- P(x∈]x;y[)=P(x<x<y)=Fx(y-)-Fx(x), mert NÁL NÉL=]-∞;x], B=]-∞;y[,{\ displaystyle \ mathbb {P} (X \ in] x; y [) \, = \, \ mathbb {P} (x <X <y) \, = \, F_ {X} (y _ {-} ) -F_ {X} (x), \ {\ textrm {for}} \ A =] - \ infty; x], \ quad \ B =] - \ infty; y [,}
- P(x∈[x;y[)=P(x≤x<y)=Fx(y-)-Fx(x-), mert NÁL NÉL=]-∞;x[, B=]-∞;y[,{\ displaystyle \ mathbb {P} (X \ in [x; y [) \, = \, \ mathbb {P} (x \ leq X <y) \, = \, F_ {X} (y _ {- }) -F_ {X} (x _ {-}), \ {\ textrm {for}} \ A =] - \ infty; x [, \ quad \ B =] - \ infty; y [,}
- P(x∈[x;y])=P(x≤x≤y)=Fx(y)-Fx(x-), mert NÁL NÉL=]-∞;x[, B=]-∞;y],{\ displaystyle \ mathbb {P} (X \ -ban [x; y]) \, = \, \ mathbb {P} (x \ leq X \ leq y) \, = \, F_ {X} (y) - F_ {X} (x _ {-}), \ {\ textrm {pour}} \ A =] - \ infty; x [, \ quad \ B =] - \ infty; y],}
- P(x=x)=Fx(x)-Fx(x-), mert NÁL NÉL=]-∞;x[, B=]-∞;x].{\ displaystyle \ mathbb {P} (X = x) = F_ {X} (x) -F_ {X} (x _ {-}), \ {\ textrm {for}} \ A =] - \ infty; x [, \ quad \ B =] - \ infty; x].}
Hívjuk atom valószínűségi változó X valódi olyan , amelyre . Tehát a fenti lista utolsó tulajdonságának köszönhetően
P(x=nál nél)>0{\ displaystyle \ mathbb {P} (X = a)> 0}
Tulajdonság - Az X véletlen változó atomjai pontosan az eloszlásfüggvény megszakításának pontjai.
Az X véletlen változó eloszlásfüggvénye tehát csak akkor folytonos, ha X- nek nincs atomja, vagyis csak akkor és csak akkor
∀x∈R, P[x=x]=0.{\ displaystyle \ forall x \ in \ mathbb {R}, \ \ mathbb {P} [X = x] = 0.}Ekkor azt mondjuk, hogy a törvény az X jelentése diffúz , vagy anélkül atom , és tágabb, hogy a véletlen változó X maga diffúz vagy anélkül atom . Különösen a valószínűségi sűrűségű valós véletlenszerű változók diffúzak. Vannak azonban olyan diffúz véletlen változók, amelyeknek nincs valószínűségi sűrűsége, például azzal a véletlen változóval, amelynek eloszlásfüggvénye a Cantor lépcső .
Megjegyezzük, hogy az F X megszakítási pontok halmaza véges vagy megszámlálható , mint bármely korlátozott monoton függvény esetében:
Következmény - Az X véletlen változó atomjainak S halmaza véges vagy megszámlálható .
A törvény jellemzése az eloszlásfüggvény alapján
Tétel - A valószínűség törvénye egy valódi véletlen változó jellemzi eloszlásfüggvény.
Vagy még egyszer: ha két valós véletlen változónak ugyanaz az eloszlásfüggvénye, akkor ugyanaz a törvényük (és fordítva).
Demonstráció
Az F X = F Y hipotézis alapján elemi módon be tudjuk bizonyítani, hogy amint A "egyszerű" Borelianus (például ha A intervallum). Másrészt az általános bizonyíték (bármely boreli A esetében ) a lemma valószínûségek egyediségének sajátos esete , maga a monotonikus osztály következménye, a lemma osztályra alkalmazva
P(x∈NÁL NÉL)=P(Y∈NÁL NÉL),{\ displaystyle \ mathbb {P} (X \ A-ban) = \ mathbb {P} (Y \ A-ban),}
VS={(-∞,x] | x∈R}.{\ displaystyle {\ mathcal {C}} = \ bal \ {(- \ infty, x] \ | \ x \ in \ mathbb {R} \ right \}.}Ezt ellenőrizni kell
- az osztály véges metszéspont szerint stabil,VS{\ displaystyle {\ mathcal {C}}}
- A törzs generált által tartalmaz (és valójában egyenlő) a Borelian törzs .VS{\ displaystyle {\ mathcal {C}}}
Ezután a valószínűségek egyediségének lemma lehetővé teszi számunkra a következtetést.
Nézzük ellenőrizni 1. Legyen lehetek egy véges részhalmaza . Van- e az I minimális eleme . Így
R{\ displaystyle \ mathbb {R}}
⋂x∈én(-∞,x]=(-∞,y] ∈ VS.{\ displaystyle \ bigcap _ {x \ in I} (- \ infty, x] \, = \, (- \ infty, y] \ \ in {{\ mathcal {C}}.}Nézzük 2. A törzs által termelt jegyezni . A boréliai törzset - mint gyakran - megjegyzik . jegyzet
VS{\ displaystyle {\ mathcal {C}}}σ(VS){\ displaystyle \ sigma ({\ mathcal {C}})}B(R){\ displaystyle {\ mathcal {B}} (\ mathbb {R})}
D={(x,+∞) | x∈R}.{\ displaystyle {\ mathcal {D}} = \ bal \ {(x, + \ infty) \ | \ x \ in \ mathbb {R} \ right \}.}A törzsek stabilitása révén a komplementerre, tehát a létrehozott törzs meghatározásával jutunk át . Kettős befogadással cserélődhetünk egymással, és ami megelőzi,
D⊂σ(VS),{\ displaystyle {\ mathcal {D}} \ subset \ sigma ({\ mathcal {C}}),}σ(D)⊂σ(VS),{\ displaystyle \ sigma ({\ mathcal {D}}) \ sighalmaz sigma ({\ mathcal {C}}),}VS{\ displaystyle {\ mathcal {C}}}D{\ displaystyle {\ mathcal {D}}}
σ(VS)=σ(D).{\ displaystyle \ sigma ({\ mathcal {C}}) = \ sigma ({\ mathcal {D}}).}A nyílások halmazának részeként arra következtetünk
D{\ displaystyle {\ mathcal {D}}}
σ(VS)=σ(D) ⊂ B(R).{\ displaystyle \ sigma ({\ mathcal {C}}) = \ sigma ({\ mathcal {D}}) \ \ subset \ {\ mathcal {B}} (\ mathbb {R}).}De meg kell mindenekelőtt bizonyítania felvételét az ellenkező irányba, és, az, hogy bizonyítani, hogy minden nyitott az van (tehát egy törzs, amely minden nyílást , míg a legkisebb törzs, amely minden nyílást ). Gyors érv az
R{\ displaystyle \ mathbb {R}}σ(VS){\ displaystyle \ sigma ({\ mathcal {C}})}σ(VS){\ displaystyle \ sigma ({\ mathcal {C}})}R{\ displaystyle \ mathbb {R}}B(R){\ displaystyle {\ mathcal {B}} (\ mathbb {R})}R{\ displaystyle \ mathbb {R}}
- minden nyitott a nyitott intervallumok megszámlálható egyesülése , és ezR{\ displaystyle \ mathbb {R}}
- nyitott intervallumok vannak .σ(VS){\ displaystyle \ sigma ({\ mathcal {C}})}
Az első pont abból adódik, hogy
- a nyitott az összekapcsolt komponenseinek szétválasztott uniója (ez a rész bármely részére igaz ),O{\ displaystyle {\ mathcal {O}}}R{\ displaystyle \ mathbb {R}}
- a csatlakoztatott részek (és különösen a fenti csatlakoztatott alkatrészek) pontosan az intervallumokR,{\ displaystyle \ mathbb {R},}R,{\ displaystyle \ mathbb {R},}
- amint helyileg van csatlakoztatva, a nyitott készülék csatlakoztatott elemei automatikusan megnyílnak.R{\ displaystyle \ mathbb {R}}
- csatlakoztatott készülékek A mi nyitott , akkor válasszon ki egy racionális szám q A . A q A azért különbözik egymástól, mert az összetevők diszjunkt. Tehát A → q A egy összekapcsolódó alkatrészek családja és egy része közötti bijekció . A kapcsolt komponensek családja tehát véges vagy megszámlálható.O{\ displaystyle {\ mathcal {O}}}O{\ displaystyle {\ mathcal {O}}}Q.{\ displaystyle \ mathbb {Q}.}O{\ displaystyle {\ mathcal {O}}}
A második pont az
-
∀x∈R,(x,+∞) ∈ σ(VS),{\ displaystyle \ forall x \ in \ mathbb {R}, \ qquad (x, + \ infty) \ \ in \ sigma ({\ mathcal {C}}),} ahogy fentebb láttuk;
-
∀y∈R,(-∞,y) = ⋃nem≥1 (-∞,y-1nem] ∈ σ(VS){\ displaystyle \ forall y \ in \ mathbb {R}, \ qquad (- \ infty, y) \ = \ \ bigcup _ {n \ geq 1} \ \ left (- \ infty, y - {\ tfrac {1 } {n}} \ right] \ \ in \ \ sigma ({\ mathcal {C}})} ;
- ∀x<y∈ R,(x,y) = (-∞,y)∩(x,+∞) ∈ σ(VS).{\ displaystyle \ összes x <y \, \ in \ \ mathbb {R}, \ qquad (x, y) \ = \ (- \ infty, y) \, cap \, (x, + \ infty) \ \ in \ \ sigma ({\ mathcal {C}}).}
CQFD
Más szavakkal, ha két valós véletlen változó, X és Y teljesül
∀x∈R,P(x≤x)=P(Y≤x),{\ displaystyle \ forall x \ in \ mathbb {R}, \ qquad \ mathbb {P} (X \ leq x) = \ mathbb {P} (Y \ leq x),}akkor azt is ellenőrzik, hogy van-e bármilyen boréliai A ,
P(x∈NÁL NÉL)=P(Y∈NÁL NÉL).{\ displaystyle \ mathbb {P} (X \ A-ben) = \ mathbb {P} (Y \ A-ban).}Ezenkívül ellenőrzik, hogy van-e bármilyen mérhető funkció φ ,
E[φ(x)]=E[φ(Y)],{\ displaystyle \ mathbb {E} [\ varphi (X)] = \ mathbb {E} [\ varphi (Y)],}amint az egyenlőség két kifejezésének egyikének jelentése van.
Kölcsönös tétel
Legyen F legyen függvénye az kielégíti a 4 jellemző tulajdonságait. Jelöljük G-vel az ω ∈] 0 értékre meghatározott függvényt ; 1 [ által
R{\ displaystyle \ mathbb {R}}R{\ displaystyle \ mathbb {R}}
G(ω)=inf{x∈R | F(x)≥ω}.{\ displaystyle G (\ omega) = \ inf \ bal \ {x \ in \ mathbb {R} \ | \ F (x) \ geq \ omega \ right \}.}
Ekkor G egy igazi véletlen változó meghatározása az probabilized hely , ahol és amennyiben jelöli korlátozás
a Lebesgue mérték a . A tétel kimondja, hogy:
(Ω,NÁL NÉL,P){\ displaystyle \ left (\ Omega, {\ mathcal {A}}, \ mathbb {P} \ right)}(Ω,NÁL NÉL)=(]0,1[,B(]0,1[)){\ displaystyle \ left (\ Omega, {\ mathcal {A}} \ right) = \ left (] 0,1 [, {\ mathcal {B}} (] 0,1 [) \ right)}P{\ displaystyle \ mathbb {P}}B(]0,1[){\ displaystyle {\ mathcal {B}} (] 0,1 [)}R{\ displaystyle \ mathbb {R}}
Tétel - A térben , az eloszlásfüggvény G jelentése F .
(Ω,NÁL NÉL,P){\ displaystyle \ left (\ Omega, {\ mathcal {A}}, \ mathbb {P} \ right)}
Így minden olyan funkciót, F az a kielégítésére a négy jellemző tulajdonságait a függvénye az eloszlása egy valódi véletlen változó (a G , például), vagy akár egy valószínűségi mérték a (a törvény a G , például).
R{\ displaystyle \ mathbb {R}}R{\ displaystyle \ mathbb {R}}(R,B(R)){\ displaystyle \ left (\ mathbb {R}, {\ mathcal {B}} (\ mathbb {R}) \ right)}
Demonstráció
A co ∈ ohm =] 0; 1 [ , jegyzet
NÁL NÉLω={x∈R | F(x)≥ω}.{\ displaystyle A _ {\ omega} = \ bal \ {x \ in \ mathbb {R} \ | \ F (x) \ geq \ omega \ right \}.}
Tehát G ( ω ) = inf A ω . A 4. pont miatt , és a 3. pont miatt A ω lent van korlátozva, tehát G jól definiálható.
NÁL NÉLω≠∅{\ displaystyle A _ {\ omega} \ neq \ emptyyset}
Kezdjük a képzés egyszerű esetével:
F szigorúan növekszik folyamatosan
Ha F folytonos szigorúan növekvő fölött , akkor F jelentése bijekciót a be ] 0; 1 [ , és G az F reciproka (erről meggyőzhetjük magunkat az A ω ábrázolásával az F grafikonja segítségével ). Mint ilyen, G folyamatos és szigorúan növekszik ] 0 felett ; 1 [ , és különösen a G mérhető (tehát egy var). Nekünk is van
R{\ displaystyle \ mathbb {R}}R{\ displaystyle \ mathbb {R}}
{G(ω)≤x}⇔{ω≤F(x)},{\ displaystyle \ left \ {G (\ omega) \ leq x \ right \} \ Leftrightarrow \ left \ {\ omega \ leq F (x) \ right \},}
ebből kifolyólag
{ω∈Ω | G(ω)≤x}={ω∈Ω | ω≤F(x)}=]0,F(x)].{\ displaystyle {\ begin {aligned} \ left \ {\ omega \ in \ Omega \ | \ G (\ omega) \ leq x \ right \} & = left \ {\ omega \ in \ Omega \ | \ \ omega \ leq F (x) \ right \} \\ & =] 0, F (x)]. \ end {igazítva}}}
Így
P(G≤x)=P(]0,F(x)])=F(x).{\ displaystyle \ mathbb {P} \ bal (G \ leq x \ right) = \ mathbb {P} (] 0, F (x)]) = F (x).}
Általános eset
Általános esetben nekünk is van
{G(ω)≤x}⇔{ω≤F(x)},{\ displaystyle \ left \ {G (\ omega) \ leq x \ right \} \ Leftrightarrow \ left \ {\ omega \ leq F (x) \ right \},}
és ezért pontosan ugyanúgy következtetünk, mint korábban, de a fenti egyenértékűség bemutatása kevésbé közvetlen. Először is, ha ω ≤ ω ' , A ω' ⊂ A ω , és ezért G ( ω ) ≤ G ( ω ' ) . Mivel G monoton, ebből következik, hogy G mérhető.
Van, definíció szerint az A ω és G ( ω ) ,
{ω≤F(x)}⇒{x∈NÁL NÉLω}⇒{G(ω)≤x}.{\ displaystyle \ left \ {\ omega \ leq F (x) \ right \} \ Rightarrow \ left \ {x \ in A _ {\ omega} \ right \} \ Rightarrow \ left \ {G (\ omega) \ leq x \ right \}.}
Az ellenkezője abból a tényből ered, hogy a { G ( ω ) ∈ A ω } , azaz { ω ≤ F ( G ( ω ))} , amely, a { G ( ω ) ≤ x } magában foglalja, a növekedés a F , { F ( G ( ω )) ≤ F ( x )} , végül { ω ≤ F ( x )} . Tegyük fel, hogy G ( ω ) ∉ A ω , és vegyük figyelembe az A ω elemeinek szigorúan csökkenő ( x n ) n ≠ 0 szekvenciáját , hogy
limnemxnem = infNÁL NÉLω (= G(ω)).{\ displaystyle \ lim _ {n} x_ {n} \ = \ \ inf A _ {\ omega} \ \ bal (= \ G (\ omega) \ jobb).}
F- től jobbra való folytonosság által ,
limnemF(xnem)=F(G(ω)),{\ displaystyle \ lim _ {n} F (x_ {n}) = F (G (\ omega)),}
hanem definíció szerint az A ω ,
limnemF(xnem)≥ω,{\ displaystyle \ lim _ {n} F (x_ {n}) \ geq \ omega,}
ami G ( ω ) ∈ A ω-hoz vezet , ezért ellentmondás (a bizonyíték nagyrészt Sidney Resnick-től származik, Egy valószínűségi út ).
Megjegyzések.
- Amikor F egy bikontinuus bijekciót egy intervallum I be ] 0; 1 [ (vagyis F szigorúan növekvő folytonos), G egészen egyszerűen a kölcsönös a F (azaz G ∘ F = Id I és F ∘ G = Id ] 0; 1 [ ). Emiatt G néha generalizált kölcsönös az F .
-
G- t kvantilis függvénynek is nevezzük .
- Ennek a tételnek a gyakorlati érdeklődését az inverz transzformációs módszer , valamint a következő szakasz fejti ki.
Az inverz tétel következményei
Az önkényes eloszlás valós véletlenszerű változóinak szimulációja
Ha
U jelentése
egységes valós valószínűségi változó több mint
[0; 1] , akkor
X = G ( U ) az
F elosztási függvénnyel rendelkezik .
Így bármely véletlenszám-generátorral rendelkező programozási nyelvben szimulálhatjuk az F eloszlásfüggvény független változóinak tetszőleges hosszúságú szekvenciáját , feltéve, hogy G ismert: akkor elegendő ezt a generátort többször felhívni, és a G- t alkalmazni. függvény az ismételt hívások által létrehozott számokhoz.
Példák
Példák
|
valószínűségi sűrűség
|
elosztási függvény
|
kölcsönös (általánosított)
|
kódolt
|
---|
Cauchy törvénye
|
1π(1+x2){\ displaystyle {\ frac {1} {\ pi (1 + x ^ {2})}}}
|
F(x)=1π(π2+arctan(x)){\ displaystyle F (x) = {\ frac {1} {\ pi}} \ bal ({\ frac {\ pi} {2}} + \ arctan (x) \ jobb)}
|
G(ω)=Cser(π(ω-12)){\ displaystyle G (\ omega) = \ tan \ bal (\ pi (\ omega - {\ frac {1} {2}}) \ jobb)}
|
x←Cser(π(rnál nélnemd()-12)){\ displaystyle x \ leftarrow \ tan \ left (\ pi (\ mathrm {rand ()} - {\ frac {1} {2}}) \ jobb)}
|
---|
Exponenciális törvény
|
λe-λx 1x≥0{\ displaystyle \ lambda \, e ^ {- \ lambda x} \ 1_ {x \ geq 0}}
|
F(x)=(1-e-λx) 1x≥0{\ displaystyle F (x) = \ bal (1-e ^ {- \ lambda x} \ jobb) \ 1_ {x \ geq 0}}
|
G(ω)=-1λ ln(1-ω){\ displaystyle G (\ omega) = - {\ frac {1} {\ lambda}} \ \ ln (1- \ omega)}
|
x← -1λ ln(rnál nélnemd()){\ displaystyle x \ leftarrow \ - {\ frac {1} {\ lambda}} \ \ ln (\ mathrm {rand ()})}
|
---|
Egységes törvény a [ a , b ] -ről
|
1b-nál nél 1[nál nél,b](x){\ displaystyle {\ frac {1} {ba}} \ 1 _ {[a, b]} (x)}
|
F(x)=x-nál nélb-nál nél 1[nál nél,b](x) + 1]b,+∞[(x){\ displaystyle F (x) = {\ frac {xa} {ba}} \ 1 _ {[a, b]} (x) \ + \ 1 _ {] b, + \ infty [} (x)}
|
G(ω)=nál nél+ω(b-nál nél){\ displaystyle G (\ omega) = a + \ omega (ba)}
|
x←nál nél+(b-nál nél)rnál nélnemd(){\ displaystyle x \ leftarrow a + (ba) \ mathrm {rand ()}}
|
---|
Bernoulli törvénye
|
|
F(x)=(1-o) 1[0,1[(x) + 1[1,+∞[(x){\ displaystyle F (x) = (1-p) \ 1 _ {[0,1 [} (x) \ + \ 1 _ {[1, + \ infty [} (x)}
|
G(ω)=⌊o+ω⌋{\ displaystyle G (\ omega) = \ lfloor p + \ omega \ rfloor}
|
x←⌊o+ rnál nélnemd()⌋{\ displaystyle x \ leftarrow \ lfloor p + \ \ mathrm {rand ()} \ rfloor}
|
---|
Egységes törvény a (z) {1,2, ..., n } -ról
|
|
F(x)=⌊x⌋nem 1[0,nem](x) + 1]nem,+∞[(x){\ displaystyle F (x) = {\ frac {\ lfloor x \ rfloor} {n}} \ 1 _ {[0, n]} (x) \ + \ 1 _ {] n, + \ infty [} ( x)}
|
G(ω)=⌈nemω⌉{\ displaystyle G (\ omega) = \ lceil n \ omega \ rceil}
|
x←⌈nem rnál nélnemd()⌉{\ displaystyle x \ leftarrow \ lceil n \ \ mathrm {rand ()} \ rceil}
|
---|
Normál eloszlás , binomiális eloszlás
|
mivel nincs elég explicit képlet az elosztási függvényhez, és még kevésbé kifejezett explicit képlet az utóbbi fordításához, a tétel ekkor nem működik.
|
---|
Mindent megtalál, amire a szakember generálásának valószínűségi változók tetszőleges törvények, például egységes változók , a Non-Uniform Random variate Generation által szerkesztett Springer, az interneten elérhető.
Az inverz tétel egyéb következményei
Az F általánosított fordítottja egy példa a var-ra, amelynek eloszlásfüggvénye F , de ez egy példa. Alkalmazási területe számos, kezdve tulajdonságai sztochasztikus érdekében , hogy tulajdonságai a Wasserstein távolság (in) , beleértve a Skorokhod reprezentációs tétel , lásd a következő részt.
Konvergencia a törvényben és az elosztási funkció
Vegyünk egy véletlen változó ( X n ) n ≥ 0 (ill. Egy véletlen X változó ) sorozatát, amelyet valószínűsített tereken határozunk meg (ill. ) Lehetséges, hogy különböznek, de mindegyiknek ugyanazon a metrikus térben vannak az értékei ( S , d ) . Azt mondjuk, hogy ( X n ) n ≥ 0 konvergál a jogot , hogy az X , ha bármely korlátos folyamatos függvénye ( S , d ) a ,
(Ωnem,NÁL NÉLnem,Pnem){\ displaystyle \ left (\ Omega _ {n}, {\ mathcal {A}} _ {n}, \ mathbb {P} _ {n} \ right)}(Ω,NÁL NÉL,P){\ displaystyle \ left (\ Omega, {\ mathcal {A}}, \ mathbb {P} \ right)} R{\ displaystyle \ mathbb {R}}
limnem→∞E[f(xnem)]=E[f(x)].{\ displaystyle \ lim _ {n \ rightarrow \ infty} \ mathbb {E} \ left [f (X_ {n}) \ right] = \ mathbb {E} \ left [f (X) \ right].}A következő tétel áll rendelkezésünkre:
Tétel - Abban az esetben, véletlen változók valós ( ) közé tartoznak ( F n ) n ≥ 0 , F eloszlás függvények ( X n ) n ≥ 0 és X . Ekkor ekvivalencia van az alábbi három javaslat között:
S=R{\ displaystyle S = \ mathbb {R}}
-
( X n ) n ≥ 0 konvergál a jogot , hogy X ,
- bármely valós x amelyben F jelentése folyamatos , ,limnem→∞Fnem(x)=F(x){\ displaystyle \ lim _ {n \ rightarrow \ infty} F_ {n} (x) = F (x)}
- létezik egy valószínűsített tér , és ezen a téren definiálva valós véletlen változók ( X ' n ) n ≥ 0 és X' olyanok, hogy egyszerre
(Ω^,NÁL NÉL^,P^){\ displaystyle \ left ({\ widehat {\ Omega}}, {\ widehat {\ mathcal {A}}}, {\ widehat {\ mathbb {P}}} \ right)}
-
X ' ugyanaz a törvény, mint X ,
- mindegyik n esetében X n ' törvénye megegyezik X n értékével ,
-
( X ' n ) n ≥ 0 majdnem biztosan konvergál , hogy X' .
Az implikáció 1.⇒3. akkor marad igaz, ha a valós véletlenszerű változókat véletlen változók váltják fel egy Lusin-tér ( S , d ) , azaz egy meglehetősen általános metrizálható térben szereplő értékekkel ( és erre példa). Az implikáció 1.⇒3. majd a Skorokhod ábrázolási tétel nevét viseli .
S=Rd{\ displaystyle S = \ mathbb {R} ^ {d}}S=VS([0,1],R){\ displaystyle S = {\ mathcal {C}} ([0,1], \ mathbb {R})}
Demonstráció
A bizonyítás lehetséges szerkezete a 3.⇒1.⇒2.⇒3.
3. azt jelenti 1.
Ez a legkönnyebb. Ezt be kell mutatni
limnem→∞E[f(xnem)]=E[f(x)],{\ displaystyle \ lim _ {n \ rightarrow \ infty} \ mathbb {E} \ left [f (X_ {n}) \ right] = \ mathbb {E} \ left [f (X) \ right],}vagy ezzel egyenértékűen
limnem→∞E[f(xnem′)]=E[f(x′)].{\ displaystyle \ lim _ {n \ rightarrow \ infty} \ mathbb {E} \ left [f (X_ {n} ^ {\ prime}) \ right] = \ mathbb {E} \ left [f (X ^ { \ prime}) \ right].}De f folytonossága biztosítja, hogy f ( X n ') szinte biztosan konvergáljon f ( X ') -hez . Ezenkívül | f | korlátozva, megvan
|f(xnem′)| ≤‖f‖∞{\ displaystyle \ left | f (X_ {n} ^ {\ prime}) \ right | \ \ leq \ Vert f \ Vert _ {\ infty}}minden n számára . A Lebesgue által dominált konvergencia tétel itt alkalmazható, és megadja a kívánt következtetést.
1. azt jelenti 2.
A behatárolt folyamatos függvények családját használjuk, amelyet a szemközti grafikon határoz meg. Ők ellenőrzik, minden valódi véletlen változó Y ,
(φnál nél,b)(nál nél,b)∈R2, nál nél<b{\ displaystyle \ left (\ varphi _ {a, b} \ right) _ {(a, b) \ in \ mathbb {R} ^ {2}, \ a <b}}
P(Y≤nál nél)≤E[φnál nél,b(Y)]≤P(Y≤b),{\ displaystyle \ mathbb {P} \ bal (Y \ leq a \ right) \ leq \ mathbb {E} \ left [\ varphi _ {a, b} (Y) \ right] \ leq \ mathbb {P} \ balra (Y \ leq b \ jobb),}és főleg
E[φx-ε,x(xnem)]≤Fnem(x)≤E[φx,x+ε(xnem)].{\ displaystyle \ mathbb {E} \ left [\ varphi _ {x- \ varepsilon, x} (X_ {n}) \ right] \ leq F_ {n} (x) \ leq \ mathbb {E} \ left [ \ varphi _ {x, x + \ varepsilon} (X_ {n}) \ right].}Ekkor észrevesszük, hogy minden ε > 0 esetén
lim supnemFnem(x)≤limnemE[φx,x+ε(xnem)]=E[φx,x+ε(x)]≤P(x≤x+ε)=F(x+ε),{\ displaystyle {\ begin {aligned} \ limsup _ {n} F_ {n} (x) & \ leq \ lim _ {n} \ mathbb {E} \ left [\ varphi _ {x, x + \ varepsilon} (X_ {n}) \ right] \\ & = \ mathbb {E} \ left [\ varphi _ {x, x + \ varepsilon} (X) \ right] \ leq \ mathbb {P} \ left (X \ leq x + \ varepsilon \ right) = F (x + \ varepsilon), \ end {igazítva}}}és
lim infnemFnem(x)≥limnemE[φx-ε,x(xnem)]=E[φx-ε,x(x)]≥P(x≤x-ε)=F(x-ε).{\ displaystyle {\ begin {aligned} \ liminf _ {n} F_ {n} (x) & \ geq \ lim _ {n} \ mathbb {E} \ left [\ varphi _ {x- \ varepsilon, x} (X_ {n}) \ right] \\ & = \ mathbb {E} \ left [\ varphi _ {x- \ varepsilon, x} (X) \ right] \ geq \ mathbb {P} \ left (X \ leq x- \ varepsilon \ right) = F (x- \ varepsilon). \ end {igazítva}}}Azáltal, hogy az ε 0 felé hajlik , megkapjuk
F(x-)≤lim infnem→∞Fnem(x)≤lim supnem→∞Fnem(x)≤F(x).{\ displaystyle F (x _ {-}) \ leq \ liminf _ {n \ rightarrow \ infty} F_ {n} (x) \ leq \ limsup _ {n \ rightarrow \ infty} F_ {n} (x) \ leq F (x).}Így amint x F folytonossági pontja ,
limnem→∞Fnem(x)=F(x),CQFD.{\ displaystyle \ lim _ {n \ rightarrow \ infty} F_ {n} (x) = F (x), \ qquad {\ textrm {CQFD.}}}2. azt jelenti 3.
Megjegyzés ( G n ) n ≥ 0 , G , generalizált reciprok ( F n ) n ≥ 0 , F . A hármashoz válassza ki a Borelians törzset , és vegye figyelembe a megfelelő Lebesgue-mértéket (azaz korlátozva legyen (0; 1) ). A választás a X ' n = G N , X' = G kielégíti 3.1. és a 3.2. alapján az inverz tétel . Ezenkívül a 2 eredményeként ( G n ) n ≥ 0 szinte biztosan konvergál G-hez .
(Ω^,NÁL NÉL^,P^){\ displaystyle \ left ({\ widehat {\ Omega}}, {\ widehat {\ mathcal {A}}}, {\ widehat {\ mathbb {P}}} \ right)}Ω^=(0,1){\ displaystyle {\ widehat {\ Omega}} = (0,1)}(NÁL NÉL^,P^){\ displaystyle \ left ({\ widehat {\ mathcal {A}}}, {\ widehat {\ mathbb {P}}} \ right)}
Megjegyzések és hivatkozások
-
A pdf verzió (szabad és engedélyezett) az (en) Luc Devroye , Non-Uniform Random variate Generation , New York, Springer-Verlag ,1986, 1 st ed. ( online olvasás ) elérhető, valamint humoros beszámoló Luc Devroye szerkesztőjével folytatott veszekedéseiről.
-
[1]
Lásd is
Kapcsolódó cikkek
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">