条件概率和正则概率(完)
条件概率
有R-N定理,条件概率 P(A∣C)\mathbf{P}(A \mid \mathcal{C})P(A∣C) a.e. 唯一。
要让
E(X∣C)=∫XP(dw′∣C)\mathbf{E}(X\mid \mathcal{C})=\int X \mathbf{P}(dw^{'} \mid \mathcal{C}) E(X∣C)=∫XP(dw′∣C)
成立,那么需要对每个 ω∈Ω\omega \in \Omegaω∈Ω ,上述关系都成立。
为了保证可积性,对 ∀A∈σ(X)\forall A \in \sigma(X)∀A∈σ(X) ,P(A∣C)\mathbf{P}(A \mid \mathcal{C})P(A∣C) 是概率测度。
但是, P(A∣C)\mathbf{P}(A \mid \mathcal{C})P(A∣C) a.e. 唯一的,因此不意味着对每个 ω∈Ω\omega \in \Omegaω∈Ω 都是概率测度。因此,对于 ∀A∈σ(X)\forall A \in \sigma(X)∀A∈σ(X) ,都存在 NAN_ANA 是一个关于 AAA 的零测集,使得在 NAN_ANA 上 P(A∣C)\mathbf{P}(A \mid \mathcal{C})P(A∣C) 可能不是概率测度。取遍 σ(X)\sigma(X)σ(X) 上所有的集合,这些不满足的零测集合起来不一定还是零测集,因此要使得上述积分成立不是显然的。
正则条件概率
7.5 .1 定义 \quad 设 F1,C\mathcal{F}_{1}, \mathcal{C}F1,C 是 F\mathcal{F}F 下的子 σ\sigmaσ 域, Ω×F1\Omega \times \mathcal{F}_{1}Ω×F1 上函数 PC(ω,A),\mathbf{P}^{\mathcal{C}}(\omega, A),PC(ω,A), 若满足:
(1) ∀ω∈Ω,PC(ω,⋅)\forall \omega \in \Omega, \mathbf{P}^{\mathcal{C}}(\omega, \cdot)∀ω∈Ω,PC(ω,⋅) 是 F1\mathcal{F}_{1}F1 上概率测度;
(2) ∀A∈F1,Pc(⋅,A)\forall A \in \mathcal{F}_{1}, \mathbf{P}^{c}(\cdot, A)∀A∈F1,Pc(⋅,A) 是 C\mathcal{C}C 上可测函数。
对于任意 AAA,存在 C\mathcal{C}C 上零测集 NNN,使得PC(ω,A)=P(A∣C)(ω),ω∈Nc,\mathbf{P}^{\mathcal{C}}(\omega, A)=\mathbf{P}(A \mid \mathcal{C})(\omega), \omega \in N^{c},PC(ω,A)=P(A∣C)(ω),ω∈Nc, 则称 pc(ω,A),(ω,A)∈Ω×F1\mathbf{p}^{c}(\omega, A),(\omega, A) \in \Omega \times \mathcal{F}_{1}pc(ω,A),(ω,A)∈Ω×F1 为 F1\mathcal{F}_{1}F1 在 C\mathcal{C}C之下的正则条件概率.
正则条件概率非常简单粗暴,他就是直接满足上述积分式子的东西,而且约等于条件概率。但是,需要验证是否存在。
设 PC(ω,A),(ω,A)∈Ω×F1\mathrm{P}^{\mathcal{C}}(\omega, A),(\omega, A) \in \Omega \times \mathcal{F}_{1}PC(ω,A),(ω,A)∈Ω×F1 为 F1\mathcal{F}_{1}F1 在 C\mathcal{C}C 之下的正则条件概率, XXX 为 F1\mathcal{F}_{1}F1 可测函数, 则对任何一个取定的条件期望 E(X∣C),\mathbf{E}(X \mid \mathcal{C}),E(X∣C), 存在一个 Pc\mathbf{P}_{c}Pc 零概率集 NNN 使得
E(X∣C)(ω)=∫ΩX(ω′)PC(ω,dω′),ω∈Nc\mathbf{E}(X \mid \mathcal{C})(\omega)=\int_{\Omega} X\left(\omega^{\prime}\right) \mathbf{P}^{\mathcal{C}}\left(\omega, \mathrm{d} \omega^{\prime}\right), \quad \omega \in N^{\mathrm{c}} E(X∣C)(ω)=∫ΩX(ω′)PC(ω,dω′),ω∈Nc
正则条件概率存在性
若 (E,B)(E, \mathscr{B})(E,B) 为完备可分距离空间,P\mathbf{P}P 为其上测度,那么对任何子 σ\sigmaσ 域 C⊂B\mathcal{C} \subset \mathscr{B}C⊂B , B\mathscr{B}B 在 C\mathcal{C}C 之下的正则条件概率总存在。
我们不证明这个定理,但是看下证明中怎么取的正则条件概率。
取的正则条件概率为:
任取定 ω0∈Nc,\omega_{0} \in N^{c},ω0∈Nc, 令
U(ω,A)={R1(ω,A),ω∈Nc,A∈BR1(ω0,A),ω∈N,A∈BU(\omega, A)=\left\{\begin{array}{ll} R_{1}(\omega, A), & \omega \in N^{c}, A \in \mathscr{B} \\ R_{1}\left(\omega_{0}, A\right), & \omega \in N, A \in \mathscr{B} \end{array}\right. U(ω,A)={R1(ω,A),R1(ω0,A),ω∈Nc,A∈Bω∈N,A∈B
R1(ω,⋅)R_{1}(\omega, \cdot)R1(ω,⋅) 的取法是,由 R(ω,⋅)R( \omega, \cdot )R(ω,⋅) 扩张成的有限测度。
从中我们看出,正则条件概率取得值就是条件概率中“正常”的那些值,不正常的值用正常的值代替。
转移概率
6.1.15 定义 \quad 设 (Ωi,Fi),i=1,2\left(\Omega_{i}, \mathcal{F}_{i}\right), i=1,2(Ωi,Fi),i=1,2 是可测空间, 映射 λ:Ω1×F2→[0,∞]\lambda: \Omega_{1} \times \mathcal{F}_{2} \rightarrow[0, \infty]λ:Ω1×F2→[0,∞]
如果满足下列条件,则称它为 (Ω1,F1)\left(\Omega_{1}, \mathcal{F}_{1}\right)(Ω1,F1) 到 (Ω2,F2)\left(\Omega_{2}, \mathcal{F}_{2}\right)(Ω2,F2) 上的转移测度, 简称为 Ω1×\Omega_{1} \timesΩ1×
F2\mathcal{F}_{2}F2 上的转移测度.
(i) ∀B∈F2,λ(⋅,B)\forall B \in \mathcal{F}_{2}, \lambda(\cdot, B)∀B∈F2,λ(⋅,B) 是 F1\mathcal{F}_{1}F1 可测函数 ;;;
(ii) ∀ω∈Ω1,λ(ω,⋅)\forall \omega \in \Omega_{1}, \lambda(\omega, \cdot)∀ω∈Ω1,λ(ω,⋅) 是 F2\mathcal{F}_{2}F2 上的测度.
若 ∃Bkn∈Fk,n∈N\exists B_{k n} \in \mathcal{F}_{k}, n \in \mathrm{N}∃Bkn∈Fk,n∈N 两两不交, Ωk=⋃n=1∞Bkn,k=1,2,\Omega_{k}=\bigcup_{n=1}^{\infty} B_{k n}, k=1,2,Ωk=⋃n=1∞Bkn,k=1,2, 使得
supω∈B1mλ(ω,B2n)<∞,∀m,n∈N\sup _{\omega \in B_{1 m}} \lambda\left(\omega, B_{2 n}\right)<\infty, \forall m, n \in \mathrm{N} ω∈B1msupλ(ω,B2n)<∞,∀m,n∈N
则称 λ\lambdaλ 为 σ\sigmaσ 有限转移测度.
如果 ∀ω∈Ω1,λ(ω,Ω2)=1,\forall \omega \in \Omega_{1}, \lambda\left(\omega, \Omega_{2}\right)=1,∀ω∈Ω1,λ(ω,Ω2)=1, 则称 λ\lambdaλ 为 Ω1×F2\Omega_{1} \times \mathcal{F}_{2}Ω1×F2 上的转移概率,显然转移概率是 σ\sigmaσ 有限转移测度.
7.5.13 定理
若 (Ek,Bk),k=1,2,3,⋯,n\left(E_{k}, \mathscr{B}_{k}\right), k=1,2,3, \cdots, n(Ek,Bk),k=1,2,3,⋯,n 是完备可分距离可测空间,
(Ek,Bk)\left(E^{k}, \mathscr{B}^{k}\right)(Ek,Bk) 是前 kkk 个可测空间的乘积可测空间,有测度 P\mathbf{P}P。则存在 (E1,B1)\left(E_{1}, \mathscr{B}_{1}\right)(E1,B1) 上概率测度 P1P_{1}P1 及 Ek−1×BkE^{k-1} \times \mathscr{B}_{k}Ek−1×Bk 上转移概率 Pk(x1,x2,⋯,P_{k}\left(x_{1}, x_{2}, \cdots,\right.Pk(x1,x2,⋯, xk−1,A),(x1,x2,⋯,xk−1)∈Ek−1,A∈Bk,k=2,3,⋯,n,\left.x_{k-1}, A\right),\left(x_{1}, x_{2}, \cdots, x_{k-1}\right) \in E^{k-1}, A \in \mathscr{B}_{k}, k=2,3, \cdots, n,xk−1,A),(x1,x2,⋯,xk−1)∈Ek−1,A∈Bk,k=2,3,⋯,n, 使 B∈Bn,B \in \mathscr{B}^{n},B∈Bn, 有
P(B)=∫E∫E⋯∫EIB(x1,x2,⋯,xn)Pn(x1,x2,⋯,xn−1,dxn)⋯P2(x1,dx2)P1(dx1)\begin{array}{c} \mathbf{P}(B)=\int_{E} \int_{E} \cdots \int_{E} I_{B}\left(x_{1}, x_{2}, \cdots, x_{n}\right) \\ P_{n}\left(x_{1}, x_{2}, \cdots, x_{n-1}, d x_{n}\right) \cdots P_{2}\left(x_{1}, d x_{2}\right) P_{1}\left(d x_{1}\right) \end{array} P(B)=∫E∫E⋯∫EIB(x1,x2,⋯,xn)Pn(x1,x2,⋯,xn−1,dxn)⋯P2(x1,dx2)P1(dx1)
证明:取
Cn−1:={Bn−1×En:Bn−1∈Bn−1}\mathcal{C}_{n-1}:=\left\{B^{n-1} \times E_{n}: B^{n-1} \in \mathscr{B}^{n-1} \right\} Cn−1:={Bn−1×En:Bn−1∈Bn−1}
则一定存在在 Cn−1\mathcal{C}_{n-1}Cn−1 之下的条件概率
PCn−1(x,A),(x,A)∈En×Bn\mathbf{P}^{\mathcal{C}_{n-1}}(x, A), \quad(x, A) \in E^{n} \times \mathscr{B}^{n} PCn−1(x,A),(x,A)∈En×Bn
由于对任意 (x1,x2,⋯,xn−1),(x1,x2,⋯,xn−1)×En\left(x_{1}, x_{2}, \cdots, x_{n-1}\right),\left(x_{1}, x_{2}, \cdots, x_{n-1}\right) \times E_{n}(x1,x2,⋯,xn−1),(x1,x2,⋯,xn−1)×En 是 Cn−1\mathcal{C}_{n-1}Cn−1 的原子, 故
∀A∈Bn,P(A∣Cn−1)=μ(A;x1,x2,⋯,xn−1),∀(x1,x2,⋯,xn)∈(x1,x2,⋯,xn−1)×En\forall A \in \mathscr{B}^{n},\quad \mathbf{P}(A \mid \mathcal{C}_{n-1})=\mu(A; x_{1}, x_{2}, \cdots, x_{n-1}), \quad \forall \left(x_{1}, x_{2}, \cdots, x_{n}\right) \in \left(x_{1}, x_{2}, \cdots, x_{n-1}\right)\times E_{n} ∀A∈Bn,P(A∣Cn−1)=μ(A;x1,x2,⋯,xn−1),∀(x1,x2,⋯,xn)∈(x1,x2,⋯,xn−1)×En
μ(A;x1,x2,⋯,xn−1)\mu(A; x_{1}, x_{2}, \cdots, x_{n-1})μ(A;x1,x2,⋯,xn−1) 是和 A,(x1,x2,⋯,xn−1)A, \left(x_{1}, x_{2}, \cdots, x_{n-1}\right)A,(x1,x2,⋯,xn−1) 有关的常数。
所以:
Pn(x1,x2,⋯,xn−1,Bn):=PCn−1(x1,x2,⋯,xn,En−1×Bn)P_{n}\left(x_{1}, x_{2}, \cdots, x_{n-1}, B_{n}\right):=\mathbf{P}^{\mathcal{C}_{n-1}}\left(x_{1}, x_{2}, \cdots, x_{n}, E^{n-1} \times B_{n}\right) Pn(x1,x2,⋯,xn−1,Bn):=PCn−1(x1,x2,⋯,xn,En−1×Bn)
定义了 En−1×BnE^{n-1} \times \mathscr{B}_{n}En−1×Bn 上的函数, 而且由正则条件概率的定义易知它是 (En−1,Bn−1)\left(E^{n-1}, \mathscr{B}^{n-1} \right)(En−1,Bn−1) 到 (En,Bn)\left(E_{n}, \mathscr{B}_{n} \right)(En,Bn) 上的转移概率。
注意: (En−1,Bn−1)\left(E^{n-1}, \mathscr{B}^{n-1} \right)(En−1,Bn−1) 到 (En,Bn)\left(E_{n}, \mathscr{B}_{n} \right)(En,Bn) 上的转移概率是由正则条件概率保证的,前面论述的原子、条件概率等是为了保证这样的定义是函数。如果条件概率不是常数,那么不一定就是函数。如果条件概率是常数,那么正则条件概率在零测集上任取,可以取成常数,其他集合上需要和条件概率一致,因此需要条件概率是常数的条件。
Tulcea定理
Tulcea定理的条件是任意有限nnn,存在转移概率。上述定理回答了这一点。
Kolmogorov相容性定理
Kolmogorov相容性定理需要先用Tulcea找出可列维上的测度。
条件概率和正则概率(完)相关推荐
- 干货来袭!3天0基础Python实战项目快速学会人工智能必学数学基础全套(含源码)(第3天)概率分析篇:条件概率、全概率与贝叶斯公式
第1天:线性代数篇:矩阵.向量.实战编程 第2天:微积分篇:极限与导数.梯度下降.积分.实战编程 第3天:概率分析篇:条件概率与全概率.贝叶斯公式.实战项目 目录 前言 一.概率与机器学习 1.1 概 ...
- 条件概率,全概率,贝叶斯公式理解
简介 学过概率理论的人都知道条件概率的公式:P(AB)=P(A)P(B|A)=P(B)P(A|B):即事件A和事件B同时发生的概率等于在发生A的条件下B发生的概率乘以A的概率.由条件概率公式推导出贝叶 ...
- 概率论与数理统计(一)—— 联合概率、条件概率与边缘概率
0. 联合概率.条件概率与边缘概率的关系 假定已知联合概率分布 p(x,y)p(x,y),现求 p(y|x0)p(y|x_0), p(y|x0)=p(x0,y)p(x0)=p(x0,y)∑yp(x0, ...
- python如何计算概率事件_「条件概率公式」scikit-learn机器学习(五)--条件概率,全概率和贝叶斯定理及python实现 - seo实验室...
条件概率公式 在理解贝叶斯之前需要先了解一下条件概率和全概率,这样才能更好地理解贝叶斯定理 一丶条件概率 条件概率定义:已知事件A发生的条件下,另一个事件B发生的概率成为条件概率,即为P(B|A) 如 ...
- 条件概率、全概率、先验概率、后验概率
** 前言 ** 条件概率,全概率,先验概率,后验概率这么多的定义,以前是几乎遇见一次都要百度一次,一看就会,然而没有做好总结下一次还是会忘掉,好记性终究敌不过烂笔头,这次做个总结,一劳永逸,个人 ...
- 概率与统计进阶(1)——概率统计的基础概念:条件概率、全概率、贝叶斯公式
文章目录 1. 基本(核心)概念 事件与样本点 2. 通理和思维 2.1 通理 概率的加法法则 概率的乘法法则 2.2 思维(经验/技巧) 3. 条件概率 4. 全概率 5. 贝叶斯公式 总结 从本质 ...
- 概率论知识回顾(三):事件域,条件概率,全概率,贝叶斯概率
概率论知识回顾(三) 关键点:事件域,条件概率,全概率,贝叶斯概率 知识回顾用于巩固知识和查漏补缺.知识回顾步骤: 查看知识回顾中的问题,尝试自己解答 自己解答不出来的可以查看下面的知识解答巩固知识. ...
- 概率论与数理统计学习笔记(2)——联合概率、条件概率与边缘概率
这篇文章主要是从一个直观的概念上讲解联合概率.条件概率与边缘概率. 主要是之前看了篇论文,用的SO-PMI算法,然后我就恶补了一下联合概率. 本篇博客采用的参考书是<程序员的数学2概率统计> ...
- 条件概率、全概率、先验概率、后验概率、类条件概率
注:A表示事情的结果,B={B1,B2-}表示事情发生的原因 条件概率 在原因B发生的条件下,结果A发生的概率: 全概率 假如结果A发生的原因有B1,B2-等多种原因,则全概率公式如下: 先验概率 ...
- 概率论复习笔记——条件概率、全概率、贝叶斯公式及其应用
概统笔记--贝叶斯公式 条件概率 乘法定理 全概率公式和贝叶斯公式 样本空间 全概率公式 贝叶斯公式 相关应用 条件概率 定义 设 A , B A,B A,B是两个事件,且 P ( A ) > ...
最新文章
- 反编译得到的java文件好多错误 val$query什么意思_这部分代码有错么?一直提示输入框$(#msg).val()得到的值未定义...
- 27道高频Spring面试题,你能答对几个?
- 价格的格式化 php,价格格式化问题。
- (四)java版spring cloud+spring boot 社交电子商务平台-断路器(Hystrix)
- android+动态地图+效果图,Android百度地图绘制圆形,圆形半径可动态变化
- Replication的犄角旮旯(四)--关于事务复制的监控
- 记一次VS Code崩溃的解决(Win10扫描自动回复系统文件)
- mysql 导入 druid,Druid数据库连接池的使用(非常实用!!!)
- SQL基础教程学习第一站:PostgreSQL下载安装以及如何创建并登录数据库
- 计算机操作系统概述---目标、作用、功能、特性和发展过程
- 转载 编程新手入门
- Torah RVP Claiming Tutorial
- C++调用Matlab生成的DLL动态链接库进行混合编程(win10+VS2015+Matlab2016b)
- 5G SA的网络架构和关键技术
- LearnOpenGL 光照—多光源
- 小鲲Python嘎嘎炫~day2
- 互联网测试必须要知道的App稳定性测试
- 基于大中台架构的电商业务中台最佳实践之一:业务中台总体架构介绍
- Odoo产品分析 (三) -- 人力资源板块(6) -- 工资表(2)
- html5自带可编辑文字属性