Bir Kümülatif Dağıtım İşlevi (CDF) neden bir dağıtımı benzersiz olarak tanımlar?


17

Ben her zaman bir CDF benzersiz söylendi ancak bir PDF / PMF benzersiz değil, neden bu? PDF / PMF'nin benzersiz olmadığı bir örnek verebilir misiniz?


6
Benzersizliğini ilgili olarak, siz bir üniforma dağılımının PDF arasındaki farkı düşünmek isteyebilirsiniz [0,1] ve iç üzerinde düzgün bir şekilde dağılmasını, (0,1) . Bir PDF'nin var olup olmadığı sorusunu ele alan bir başka eğlenceli alıştırma, rasyonel sayılar üzerindeki bir dağılımın PDF'sinin nasıl görüneceğini düşünmektir. Örneğin, 0 < j 2 - i < 1 olduğunda ,Pr(j2i)=212i0<j2i<1 ve j tuhaftır. i1j
whuber

2
CDF'ye bakarken tüm dağıtımların bir PDF'si veya bir PMF'si bile yoktur, şeylere birleştirici bir görünüm verir. Sürekli değişkenlerin düzgün görünen CDF'leri, ayrık değişkenlerin "merdivenleri" vardır ve bazı CDF'ler karıştırılır.
Silverfish

6
@Silverfish: ... ve bazıları yukarıdakilerin hiçbiri değil! :-)
kardinal

3
Başlığı ele almak için (belki biraz gevşekçe), CDF bir dağılım tanımlar çünkü CDF (veya aynı zamanda sadece DF / 'dağıtım fonksiyonu'; "C" sadece bahsettiğimiz nesnenin bu olduğunu açıklığa kavuşturmak için kullanılır) 'dağıtım' tam anlamıyla; "D" bu kısımdaki ipucudur. Benzersiz olması "F" den gelir - fonksiyonlar tek değerlidir, bu yüzden iki dağıtım fonksiyonu aynı ise tanımladıkları nesne aynıdır; eğer DF'ler herhangi bir yerde farklı olsaydı, tanımladıkları şey bu noktalarda farklı olurdu. Bu totoloji mi? Sanırım öyle.
Glen_b

4
@Glen_b Sadece eğitimli sezgiler için totolojiktir. Bir dağıtım fonksiyonu sadece F ( x ) = Pr biçiminde olasılık verir { ω ΩF tüm isedağıtımformu belirtir olasılıkları Pr ( { ω ÊF(x)=Pr{ωΩ|X(ω)x} rasgele ölçülebilir kümeler için odaR . Dağıtımı belirleyen F'yi göstermelisiniz. NicholasB'ın işaret ettiği gibi, bu bir ön önlemi yarı halkadan (yarı açık aralıklarla), μ ( ( a , b ] ) = F ( b ) - F ( a ) 'dan Lebesgue'ekadar uzatmak meselesidir.sigma-field ve benzersiz gösterenPr({ωΩ|X(ω)B}BRFμ((a,b])=F(b)F(a)
whuber

Yanıtlar:


13

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,(Ω,A,P)ΩAσPAX:ΩRX1(S)AR. 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 .X:ΩRXRX(S)=P(X1(S))XRXX

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:X:ΩRF(x)=P(Xx)F:R[0,1]

  1. olduğusağ sürekli.F

  2. azalmıyorF

  3. ve F ( - ) = 0 .F()=1F()=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 .F(x)μ(a,b]=F(b)F(a)μ(a,b]μR


4
Bu, bir yanıt için iyi bir başlangıçtır, ancak kasıtlı olarak konuyu biraz gizleyebilir. Asıl mesele, aynı dağıtım işlevine sahip iki önlemin aslında eşit olduğunu gösteriyor gibi görünüyor. Bu, Dynkin'in - λ teoreminden ve form kümelerinin ( - , b ] Borel σ- cebirini üreten bir π sistemi oluşturması gerçeğinden başka bir şey gerektirmez . yukarıdakilere değinilecek ve karşıt olacaktırπλ(,b]πσ
kardinal

3
(Bir ek küçük kelime oyunu: Rastgele değişkenler genellikle Lebesgue kümeleri yerine Borel kümeleri olarak tanımlanır.) Bazı küçük düzenlemelerle bu cevap oldukça açık hale gelecektir. :-)
kardinal

@cardinal Ben öncelikle analizi düşünüyorum, ikinci olasılık. Bu nedenle, neden Lebesgue takımlarını düşünmeyi tercih ettiğimi açıklayabilir. Her iki durumda da söylenenleri etkilemez.
Nicolas Bourbaki

4

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.


0

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).f1,f2:R[0,)

Ef1=Ef2
Ef1=f2

Eg=0
g=f1f2

E={xR | g0}Eg=0g=0Ef1=f2 a.e. on E. Now repeat the argument in the other direction with F={xR | g0}. We will get that f1=f2 a.e on F. Thus, f1=f2 a.e. on EF=R.

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