Rasgele değişkenler neden fonksiyonlar olarak tanımlanır?


21

Rastgele değişken kavramını fonksiyon olarak anlamakta sorunlar yaşıyorum. Mekaniği anlıyorum (sanırım) ama motivasyonu anlamıyorum ...

Diyelim ki bir olasılık üçlüsüdür , burada , bu aralıktaki Borel- cebiri ve normal Lebesgue ölçüsüdür. Let rasgele bir değişken için öyle ki , , ..., , bu nedenle , 1'den 6'ya kadar değerler üzerinde ayrı bir düzgün dağılıma sahiptir. Ω = [ 0 , 1 ] B σ P x B { 1 , 2 , 3 , 4 , 5 , 6 } X ( [ 0 , 1 / 6 ) ) = 1 x ( [ 1 / 6 , 2 / 6 ) ) = 2(Ω,B,P)Ω=[0,1]BσPXB{1,2,3,4,5,6}X([0,1/6))=1X([1/6,2/6))=2XX([5/6,1])=6X

Doğrudan olarak eşdeğer özellikte inşa olabilirdi ... Hepsi iyi, ama üçlü orijinal olasılık gerekliliğini anlamıyorum nerede alanın tüm uygun cebiri ve her alt kümeye (öğe sayısı) / 6 atayan bir ölçüdür. Ayrıca seçimi oldum olabilir arbitrary-- oldu veya başka bir set.({1,2,3,4,5,6},S,Px)SσPxΩ=[0,1][0,2]

Öyleyse sorum, neden cebiri ve bir ölçü ile rastgele bir oluşturmaya ve rastgele bir değişkeni cebirinden gerçek çizgiye bir harita olarak tanımlamaya çalışıyorsunuz ? σ σΩσσ


5
Rasgele değişkenin ila değil, - işlevi olduğunu unutmayın . Gereksinim, rastgele değişkenin göre ölçülebilir olmasıdır . R B R BΩRBRB
mpiktas

Yanıtlar:


21

Çok daha basit bir şey yeterli olduğunda tüm bu makinelerin neden kullanıldığını merak ediyorsanız - en yaygın durumlar için haklısınız. Bununla birlikte, olasılığın ölçü-teorik versiyonu Kolmogorov tarafından, bazı durumlarda çok soyut ve karmaşık olasılık alanlarını ele alabilecek kadar genel bir teori oluşturmak amacıyla geliştirilmiştir. Aslında, Kolmogorov'un olasılık için ölçüm teorik temelleri sonuçta olasılıksal araçların orijinal amaçlanan uygulama alanlarının çok ötesinde harmonik analiz gibi alanlara uygulanmasına izin verdi.

İlk başta, herhangi bir "altta yatan" -algebra atlamak ve önerdiğiniz gibi doğrudan örnek uzayını içeren olaylara olasılık kitleleri atamak daha basit görünmektedir . Gerçekten de, olasılıkçılar tarafından tanımlanan örnek uzayında "uyarılmış ölçüm" ile çalışmayı seçtiklerinde aynı şeyi etkili bir şekilde yaparlar . Bununla birlikte, sonsuz boyutlu uzaylara girmeye başladığınızda işler zorlaşmaya başlar. Adil paraları saygısız duruma getirmek için Büyük Sayıların Güçlü Kanununu kanıtlamak istediğinizi varsayalım (yani, para çevirme sayısı sonsuza kadar giderken kafaların oranı keyfi olarak 1/2'ye yakındır). Bir oluşturmayı deneyebilirsinizΩ p X - 1 σ ( lH , t , H , . . . ) Ω = [ 0 , 1 ) 0,10100 ...σΩPX1σ- formun sonsuz dizileri (cebir, kümesinde cebir . Ancak burada altta yatan alanı olarak almanın çok daha uygun olduğunu görebilirsiniz ; ve daha sonra madeni para dizilerini (1 kafa, 0 kuyruk) gösteren gerçek sayıların ikili (örn. ) kullanın. Bu örneğin bir örneği Billingsley'in Olasılık ve Ölçün .(H,T,H,...)Ω=[0,1)0.10100...


Teşekkürler! O kitabı kontrol edeceğim. Ancak, hala keyfidir (sadece de yapılmış olabilir [ 0 , 2 ) için örnek olarak, birim aralığıdır [ 0 , 1 ] ya da [ 0 , 1 ) , her koşulda çalışacak 'tercih' boşluk ? Ya da daha karmaşık orada durumlardır Ω gibi R 2 faydalı olacaktır? Ω[0,2)[0,1][0,1)ΩR2
Leo Vasquez

2
@ Leo: Evet. Sürekli-zaman stokastik süreçler bir örnek teşkil eder. Kanonik örnek, tüm sürekli gerçek değerli işlevlerin alanı olan örnek boşluğunun C olarak alındığı Brown hareketidir . ΩC
kardinal

1
@NRH, Evet, demeliydim alınabilir yerine alınır . Ben (biraz amaçlı olarak) bunu halının altına fırçalamaya çalışıyordum.
kardinal

1
@cardinal, @ Leo'nun yorumunda 'in her koşulda' tercih edilip edilmediği 'soruldu . Sadece IMO'nun böyle bir Ω olmadığını ve genel olarak Ω hakkında bir şey istememenin yararlı olduğunu söylüyorum . Belirli bir örnekle çalışmak istediğinizde, belirli bir Ω seçmeniz için nedenler olabilir . Bununla birlikte, 'tautolojinin' C üzerinde bir olasılık ölçüsü olarak Brown hareketinin varlığının kurulması gerektiğini halı altında süpürdüğünü unutmayın . [0,1]ΩΩΩC
NRH

2
@NRH, bugünkü yavaşlığım için üzgünüm. Tercih edilen referansı @ Leo'nun önceki yorumuna bağlayamadım . Teşekkürler. "Tautoloji" sözüyle ilgili olarak, diğer yapılarda, örnek yolların sürekliliği olarak bir teorem , oysa kimlik haritasına sahip tabanlı yapı altında totolojik olduğu yönündeydi. Elbette BM'nin bu şekilde inşa edilebileceği gerçeği ilk önce gösterilmelidir. Ancak, bu biraz noktanın yanında. C
kardinal

10

cebirleri ile ilgili konular , neden bir arka plan boşluğuna ihtiyacımız olup olmadığını gerçekten açıklamamış olan matematiksel inceliklerdir . Gerçekten de, arka plan alanının bir zorunluluk olduğuna dair zorlayıcı bir kanıt olmadığını söyleyebilirim. Herhangi olasılık kurulum için ( E , E , μ ) E örnek alan, bir E σ cebiri ve μ bir olasılık ölçüsü, faiz ise u ve hiçbir soyut nedeni istedikleri vardır μ görüntü tedbir olmak ölçülebilir bir harita X'in haritası : ( Ω , Bσ(E,E,μ)EEσμμμ .X:(Ω,B)(E,E)

Bununla birlikte, bir arka plan alanının kullanılması , birçok sonucun daha doğal ve sezgisel görünmesini sağlayan matematiksel kolaylık sağlar. Objektif hakkında bir şeyler söylemek her zaman , dağıtım ve X , ama daha kolay ve daha net olarak ifade olabilir X .μXX

Merkezi limit teoremi ile bir örnek verilmiştir. Eğer gerçek ortalama ile değerli iid ^ ı ve varyans σ 2 o CLT diyor P ( X1,,Xnμσ2 buradaΦstandart normal dağılım için dağıtım işlevidir. Xi'nindağılımıμise,hesaplamaaçısından karşılık gelen sonuç ρ

P(nσ(1ni=1nXiξ)x)Φ(x)
ΦXiμ . terminolojinin bazı açıklanması gereklidir^ ı*Nkastettiğimiznarasında -times kıvrım^ ı(toplamın dağılımı). fonksiyonlarıρcdoğrusal fonksiyonlardırρc(x)=cxve
ρn/στξρ1/n(μn)((,x])Φ(x)
μnnμρcρc(x)=cx , τ ξ ( x ) = x - ξ çevirisidir. Muhtemelen ikinci formülasyona alışabiliriz, ancak her şeyin ne olduğunu gizlemekte iyi bir iş çıkarır.τξτξ(x)=xξ

Sorun şu ki, CLT'de yer alan aritmetik dönüşümler rastgele değişkenler açısından oldukça açık bir şekilde ifade ediliyor, ancak önlemler açısından çok iyi tercüme edilmiyorlar.


(+1) İyi açıklama. Önceki gösterimin bu kadar popüler olmasının bir diğer nedeni, uygulamalarda sezgisel kavramlara daha doğal olarak dönüşmesidir. (Birkaç saat önce
seçildi

@cardinal, bu noktayı daha açık hale getirdiğiniz için teşekkürler. Olasılık ölçütlerinin bir dönüşümü değil, değişkenlerin toplamı açısından düşünmek ve tartışmak daha doğal görünüyor ve matematiğin bunu yansıtmasını istiyoruz.
NRH

0

Ben sadece son zamanlarda Rastgele Değişken düşünmek bu yeni bir yol üzerinde tökezledi yanı sıra arka plan uzay hakkında Q . Matematiksel bir neden olmadığı için aradığınız sorunun bu olup olmadığından emin değilim, ancak RV'leri düşünmek için çok düzgün bir yol sağladığını düşünüyorum.XΩ

Bozuk para attığımız bir durum düşünün. Bu deney düzeneği, madalyonun nasıl atıldığının fiziksel tanımını içeren bir dizi olası başlangıç ​​koşulundan oluşur. Arka plan alanı tüm bu olası başlangıç ​​koşullarından oluşur. Sadelik için madalyonun sadece hızda değiştiğini varsayabiliriz, o zaman Ω=[0,vmax]

Rastgele değişken daha sonra her başlangıç ​​durumunu ω Ω , deneyin karşılık gelen sonucuyla, yani kuyruk ya da kafa ile eşleyen bir fonksiyon olarak düşünülebilir .XωΩ

RV için: ölçü S tekabül sonra olur X ile temsil edilen deneyin dinamikleriyle birlikte başlangıç ​​koşulları üzerindeki olasılık ölçüsüneX:([0,vmax],B[0,vmax],Q)({0,1},2{0,1})QX Sonuçlar üzerindeki olasılık dağılımını belirler.

Bu fikre referans olarak Tim Maudlin'in veya Micheal Strevens'in "Fizikte Olasılıklar" bölümlerine (2011) bakabilirsiniz.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.