De Finetti'nin Temsil Teoremi, olasılıkların öznelci yorumunda , istatistiksel modellerin yükselişini ve parametrelerin anlamını ve önceki dağılımlarını açıklar.
Rastgele değişkenler olduğunu varsayalım değerlerine sahip, bir madeni para ardışık fırlatır sonuçlarını temsil 1 ve 0 ise, sonuç "kafa" ve "kuyrukları" a karşılık gelir. Analiz, olasılık olarak bir hesap, öznel yorumlanması altında normal frequentist modeli anlamı kapsamında X- ı s' birbirinden bağımsız ve özdeş dağıtılır De Finetti bağımsızlık durum, örneğin, anlamına geldiği olacağı gözlemlenmiştir
P { X n = x n ∣ X 1 = x 1X1, … , Xn10Xben
Ve bu nedenle ilk sonuçları n - 1 fırlatır sonucu hakkında benim belirsizliği değiştirmek olmaz n atmak oyunu bırakanların. İnanıyorum Örneğin, önsel bu ilk bilgilerin aldıktan sonra, o zaman, dengeli bir sikke olduğunu 999 fırlatır "Başlar" olduğu ortaya çıktı, hala "alma olasılığı, koşullu olarak bu bilgiler ışığında; inansın Çarpma 1000 üzerindeki başlıklar 1 / 2'ye eşittir . Etkili, bağımsızlığı hipotez X i ler onun fırlatır sonuçlarını gözlemleyerek madalyonun hakkında bir şey öğrenmek imkansız olduğu anlamına geliyor''.
P{ Xn= xn∣ X1= x1, … , Xn - 1= xn - 1} = P{ Xn= xn},
n - 1nÖnsel9991 / 2Xben
Bu gözlem, De Finetti'yi bu görünür çelişkiyi çözen bağımsızlıktan daha zayıf bir durumun ortaya çıkmasına neden olmuştur. De Finetti'nin çözümünün anahtarı, değişebilirlik olarak bilinen bir tür dağılım simetrisidir.
Belirli bir sonlu setiçin rastgele nesnelerin { X i } n i = 1 i , X μ X 1 , … , X n eklem dağılımlarını belirtir. Bu sonlu küme perm X 1 , … , X n = μ X π ( 1 ) , … , X π ( n ) , her permütasyon için π : { 1 , …Tanım.{ Xben}ni = 1μX1, … , XnμX1, … , Xn= μXπ( 1 ), … , Xπ( n ) . Sonlu alt-kümelerinin her birinin değiştirilebilmesi durumunda, rastgele nesnelerinbir dizisi { X i } ∞ i = 1 değiştirilebilir.π: { 1 , … , n } → { 1 , … , n }{ Xben}∞i = 1
Sadece rasgele değişken dizisinin değişebilir olduğunu varsayarak , De Finetti, yaygın olarak kullanılan istatistiksel modellerin anlamını aydınlatan önemli bir teoremi kanıtladı. Özel durumda iken X i s' değerleri alır 0 ve 1 , De Finetti en Temsil Teoremi söylüyor { X i } ∞ i = 1 değiştirilebilir ise rastgele değişken olduğunu ve ancak Θ : Ê → [ 0 , 1 ] , dağıtımla{ Xben}∞i = 1Xben01{ Xben}∞i = 1Θ : Ω → [ 0 , 1 ] , öyle ki
P { X 1 = x 1 , … , X n = x n } = ∫ [ 0 , 1 ] θ s ( 1 - θ ) n - sμΘ
ki burada s = ∑ n i = 1 x i . Dahası, biz var
ˉ X n = 1
P{ X1= x1, … , Xn= xn} = ∫[ 0 , 1 ]θs( 1 - θ )n - sdμΘ( θ ),
s = ∑ni = 1xben
ki bu De Finetti'nin Büyük Sayılarlı Güçlü Yasası olarak bilinir.
X¯n= 1nΣi = 1nXben-→--n → ∞ΘNeredeyse kesinlikle ,
Modelleri Bayesian bağlamında nasıl ortaya çıktığı istatistiksel Bu gösterim teoremi gösterir: gözlenebilirlerin değiştirilebilirliği hipotezi altında , orada bir parametre Θ değeri göz önüne alındığında, bu tür İçeride ISTV melerin RWMAIWi'nin , gözlenebilirler olan şartlı bağımsız ve aynı şekilde dağıtılmış. Ayrıca, De Finetti en güçlü yasası gözlemlenemeyen hakkındaki önceki görüşü göstermektedir İçeride ISTV melerin RWMAIWi'nin dağılımı ile temsil edilen, μ İçeride ISTV melerin RWMAIWi'nin , sınırı hakkında görüşü ˉ X n{ Xben}∞i = 1varparametre ΘΘşartlı olarakΘμΘX¯nBiz herhangi birinin gerçekleşmeleri değerleri hakkında bilgi sahibi önce s'. Θ parametresi , yalnızca P { X n = 1 ∣ X 1 = x 1 , … , X n - 1 = x n - 1 } gibi ilişkiler yoluyla gözlemlenebilir durumları içeren koşullu olasılıkları elde etmemizi sağlayan kullanışlı bir iştirak yapısının rolünü oynar.
= E [ Θ ∣ X 1 = x 1 , …XbenΘ
P{ Xn= 1 ∣ X1= x1, … , Xn - 1= xn - 1} = E [ Θ ∣ X1= x1, … , Xn - 1= xn - 1].