Ben her zaman bir CDF benzersiz söylendi ancak bir PDF / PMF benzersiz değil, neden bu? PDF / PMF'nin benzersiz olmadığı bir örnek verebilir misiniz?
Ben her zaman bir CDF benzersiz söylendi ancak bir PDF / PMF benzersiz değil, neden bu? PDF / PMF'nin benzersiz olmadığı bir örnek verebilir misiniz?
Yanıtlar:
Bazı şeyleri hatırlayalım. Let bir olması ihtimali alanı , Ω örneklem grubu olduğu, bir eden bir σ cebiri ve p ile tanımlanmış bir olasılık fonksiyonudur A . Bir rastgele değişkenin bir ölçülebilir fonksiyonudur X : Ê → R yani X - 1 ( S ) ∈ bir uygun herhangi bir Lebesgue ölçülebilir bir alt kümesi içinde R,. Bu kavrama aşina değilseniz, daha sonra söylediğim her şey bir anlam ifade etmeyecektir.
Rastgele bir değişkenimiz olduğunda, , kategorik itme ile R üzerinde bir olasılık ölçümü X ′ indükler. Başka bir deyişle, X ′ ( S ) = P ( X - 1 ( S ) ) . Kontrol etmek Önemsiz X ' olasılık ölçer R . Biz diyoruz X ' dağılımını ve X .
Şimdi bu kavram ile ilgili bir fonksiyon değişkeninin dağıtım fonksiyonu denir . Rastgele bir değişkeni verildiğinde : Ω → R F ( x ) = P ( X ≤ x ) 'i tanımlarız . Dağıtım fonksiyonları F : R → [ 0 , 1 ] aşağıdaki özelliklere sahiptir:
olduğusağ sürekli.
azalmıyor
ve F ( - ∞ ) = 0 .
Açıkça rastlantısal olan değişkenler aynı dağılım ve dağılım fonksiyonuna sahiptir.
Süreci tersine çevirmek ve verilen dağıtım fonksiyonu ile bir önlem almak oldukça tekniktir. Diyelim ki size bir dağıtım fonksiyonu . Define μ ( a , b ] = F ( b ) - F ( a ) Bunu göstermek zorundayız. Μ aralıklarla yarı cebir üzerinde bir ölçüsüdür ( a , b ] Sonrasında uygulayabilirsiniz. Caratheodory uzatma teoremini μ'yi R üzerinde bir olasılık ölçüsüne uzatmak için .
Aynı integralli (yani aynı dağıtım fonksiyonuna sahip) iki yoğunluğun bir örneğine yönelik talebi cevaplamak için, gerçek sayılar üzerinde tanımlanan bu fonksiyonları göz önünde bulundurun:
f(x) = 1 ; when x is odd integer
f(x) = exp(-x^2) ; elsewhere
ve sonra;
f2(x) = 1 ; when x is even integer
f2(x) = exp(-x^2) ; elsewhere
Hepsi x eşit değildir, ancak her ikisi de aynı dağılım için yoğunluklardır, bu nedenle yoğunluklar (kümülatif) dağılım ile benzersiz olarak belirlenmez. Gerçek bir etki alanına sahip yoğunluklar yalnızca sayılabilir bir x değeri kümesinde farklı olduğunda, integraller aynı olacaktır. Matematiksel analiz aslında kalbin zayıflığı veya kesin olarak somut bir zihin için değildir.
Açılış sorunuzda söylediğiniz "olasılık dağılım işlevi benzersiz bir olasılık ölçütü belirlemiyor" ifadesine katılmıyorum. Benzersiz olarak belirler.
Let iki olasılık fonksiyonları olabilir. Eğer, ∫ E f 1 = ∫ E f 2 herhangi ölçülebilir kümesi için E o zaman f 1 = f 2 hemen hemen her yerde. Bu pdf'yi benzersiz bir şekilde belirler (çünkü analizde sıfır ölçü kümesine katılmamaları umursamıyoruz).
a.e. on . Now repeat the argument in the other direction with . We will get that a.e on . Thus, a.e. on .