UA MATH563 概率论的数学基础 中心极限定理7 Kolmogorov extension theorem及其扩展
UA MATH563 概率论的数学基础 中心极限定理7 Kolmogorov extension theorem及其扩展
上一讲为了构造包含无限个独立随机变量的序列,我们使用了Kolmogorov extension theorem:
如果在(Rn,B(Rn))(\mathbb{R}^n,\mathcal{B}(\mathbb{R}^n))(Rn,B(Rn))上有概率测度νn\nu_nνn,且νn\nu_nνn是一致的(consistent),即νn+1((a1,b1]×⋯×(an,bn]×R)=νn((a1,b1]×⋯×(an,bn])\nu_{n+1}((a_1,b_1] \times \cdots \times (a_n,b_n] \times \mathbb{R})=\nu_n((a_1,b_1] \times \cdots \times (a_n,b_n] )νn+1((a1,b1]×⋯×(an,bn]×R)=νn((a1,b1]×⋯×(an,bn])那么我们可以在可测空间(R∞,B(R∞))(\mathbb{R}^{\infty},\mathcal{B}(\mathbb{R}^{\infty}))(R∞,B(R∞))上构造唯一一个概率测度PPP,它满足P({w:wi∈(ai,bi],1≤i≤n})=νn((a1,b1]×⋯×(an,bn])P(\{w:w_i \in (a_i,b_i],1 \le i \le n\}) = \nu_n((a_1,b_1] \times \cdots \times (a_n,b_n] )P({w:wi∈(ai,bi],1≤i≤n})=νn((a1,b1]×⋯×(an,bn])
这一讲我们介绍Kolmogorov extension theorem的证明。另外,基于这个定理,我们只能在样本空间是无穷维的欧氏空间的情况下定义概率,我们希望在其他的无穷维空间上也可以定义概率,于是我们需要对Kolmogorov extension theorem进行扩展,这一讲也会介绍一些相关的推广。
Kolmogorov扩展定理的证明
Kolmogorov扩展定理有很多版本的证明,这里介绍经典证明的思路以及一种新的证明思路,并附上参考文献。
版本一:基于有限维的测度在无穷维欧氏空间上定义pre-measure,然后用pre-measure导出外测度,再用Caratheodory扩张的思路得到测度(这个是经典的实分析构造测度的思路,版本一超链接点进去的证明比较长,这里有一个简化版本,以及还有一个更详细的版本)
版本二:考虑到∣2N∣=∣R∣|2^{\mathbb{N}}|=|\mathbb{R}|∣2N∣=∣R∣,我们可以在自然数集的幂集中讨论问题,也就是用以222为底的幂级数代替实数进行分析,虽然得到测度还是需要Caratheodory扩张,但这个版本的证明是最简洁的。
推广1 standard Borel空间 (nice spaces)
考虑可测空间(S,S)(S,\mathcal{S})(S,S),称它是标准Borel空间如果存在从SSS到R\mathbb{R}R的双射ϕ\phiϕ,并且ϕ,ϕ−1\phi,\phi^{-1}ϕ,ϕ−1都是可测的,这样的空间也被称为nice space。Kolmogorov extension theorem适用于这样的空间。
推广2 离散型随机变量
Kolmogorov extension theorem适用于离散型随机变量。
推广3 not nice spaces
可以使用Ionescu-Tulcea theorem作为Kolmogorov extension theorem的推广。这里仅给出Ionescu-Tulcea theorem的内容。
首先我们引入一个概念,Markov kernel,可以把它理解为Markov链的状态转移矩阵推广到用映射表示的一种更一般的工具。我们回顾一下状态转移矩阵,[pij][p_{ij}][pij]表示从状态jjj转移到状态iii的概率,抽象成映射的话j,ij,ij,i就是输入,输出是一个概率,有了这个思路之后我们尝试给出Markov kernel的正式定义:
假设(X,A),(Y,B)(X,\mathcal{A}),(Y,\mathcal{B})(X,A),(Y,B)是两个可测空间,定义映射κ:B×X→[0,1]\kappa:\mathcal{B} \times X \to [0,1]κ:B×X→[0,1],满足
- 给定B∈BB \in \mathcal{B}B∈B, x→κ(B,x)x \to \kappa(B,x)x→κ(B,x)是A\mathcal{A}A-可测的;
- 给定x∈Xx \in Xx∈X,B→κ(B,x)B \to \kappa(B,x)B→κ(B,x)是一个概率测度;
直白的说κ(B,x)\kappa(B,x)κ(B,x)应该表示从状态xxx转移到状态集BBB的概率,称这样的κ\kappaκ是一个Markov kernel。
推广2指出Kolmogorov extension theorem适用于离散型随机变量,因此也就适用于Markov链,那么如果我们把Markov链推广到了Markov kernel,并给出基于Markov kernel进行extension的做法,我们就可以对一般的概率空间也进行与Kolmogorov extension类似的操作,使之能推广到无穷维了。这就是Ionescu-Tulcea theorem的基本思路。下面我们叙述一下定理内容:
假设(Ω0,A0,P0)(\Omega_0,\mathcal{A}_0,P_0)(Ω0,A0,P0)是一个概率空间,(Ωi,Ai)(\Omega_i,\mathcal{A}_i)(Ωi,Ai)是一系列可测空间,i≥1i \ge 1i≥1,对每一个这样的可测空间,我们都可以定义一个(Ωi−1,Ai−1)(\Omega^{i-1},\mathcal{A}^{i-1})(Ωi−1,Ai−1)与(Ωi,Ai)(\Omega_i,\mathcal{A}_i)(Ωi,Ai)之间的Markov kernel κi\kappa_iκi,其中
Ωi−1=∏k=0i−1Ωk,Ai−1=⊗k=0i−1Ak\Omega^{i-1} = \prod_{k=0}^{i-1}\Omega_k,\mathcal{A}^{i-1} = \otimes_{k=0}^{i-1} \mathcal{A}_kΩi−1=k=0∏i−1Ωk,Ai−1=⊗k=0i−1Ak
对σ\sigmaσ-代数的乘积不太熟悉的读者可以参考乘积测度。则对每一个(Ωi,Ai)(\Omega_i,\mathcal{A}_i)(Ωi,Ai),存在一个概率测度
Pi=P0⊗(⊗k=1iκi)P_i = P_0 \otimes (\otimes_{k=1}^i \kappa_i)Pi=P0⊗(⊗k=1iκi)
并且在无穷维乘积空间(∏k=0∞Ωk,⊗k=0∞Ak)(\prod_{k=0}^{\infty}\Omega_k,\otimes_{k=0}^{\infty}\mathcal{A}_k)(∏k=0∞Ωk,⊗k=0∞Ak)上存在唯一的概率测度,它满足
P(A×∏k=i+1∞Ωk)=Pi(A),∀A∈AiP(A \times \prod_{k=i+1}^{\infty} \Omega_k) = P_i(A),\forall A \in \mathcal{A}^iP(A×k=i+1∏∞Ωk)=Pi(A),∀A∈Ai
UA MATH563 概率论的数学基础 中心极限定理7 Kolmogorov extension theorem及其扩展相关推荐
- UA MATH563 概率论的数学基础 中心极限定理16 Kolmogorov 3-series定理
UA MATH563 概率论的数学基础 中心极限定理16 Kolmogorov 3-series定理 考虑∑n≥1an\sum_{n \ge 1}a_n∑n≥1an,这个级数收敛的充要条件是它的部 ...
- UA MATH563 概率论的数学基础 中心极限定理15 Kolmogorov 0-1律
UA MATH563 概率论的数学基础 中心极限定理15 Kolmogorov 0-1律 如果是初见的话会觉得Kolmogorov 0-1律看上去很奇怪,但它在概率论中有很广泛的应用,这一讲我们简单介 ...
- UA MATH563 概率论的数学基础 中心极限定理14 Kolmogorov maximal inequality
UA MATH563 概率论的数学基础 中心极限定理14 Kolmogorov maximal inequality 这一讲介绍一个有用的不等式,它给出了独立随机变量的和的最值的tail probab ...
- UA MATH563 概率论的数学基础 中心极限定理22 度量概率空间中的弱收敛 Portmanteau定理
UA MATH563 概率论的数学基础 中心极限定理22 度量概率空间中的弱收敛 Portmanteau定理 现在我们讨论度量空间中的弱收敛,假设(Ω,d)(\Omega,d)(Ω,d)是一个度量空间 ...
- UA MATH563 概率论的数学基础 中心极限定理24 随机变量的特征函数
UA MATH563 概率论的数学基础 中心极限定理24 随机变量的特征函数 定义 假设XXX是定义在(Ω,F,P)(\Omega,\mathcal{F},P)(Ω,F,P)上的随机变量,定义 ϕ(t ...
- UA MATH563 概率论的数学基础 中心极限定理23 概率测度族的紧性
UA MATH563 概率论的数学基础 中心极限定理23 概率测度族的紧性 给定一个度量可测空间(Ω,F)(\Omega,\mathcal{F})(Ω,F),度量为ddd,我们可以在这个可测空间上定义 ...
- UA MATH563 概率论的数学基础 中心极限定理21 Skorohod定理的证明
UA MATH563 概率论的数学基础 中心极限定理21 Skorohod定理的证明 Skorohod定理 如果Fn⇒FF_n \Rightarrow FFn⇒F,则存在以FnF_nFn为cdf的 ...
- UA MATH563 概率论的数学基础 中心极限定理20 弱收敛的性质
UA MATH563 概率论的数学基础 中心极限定理20 弱收敛的性质 性质一:两种定义的等价性 随机变量依分布收敛 定义一: 假设{Xn}\{X_n\}{Xn}是一列随机变量,称它依分布收敛到XX ...
- UA MATH563 概率论的数学基础 中心极限定理17 0-1律的应用
UA MATH563 概率论的数学基础 中心极限定理17 0-1律的应用 第14讲到第16讲我们介绍了Kolmogorov非常著名的几大定理(如下),事实上Kolmogorov开发出这些定理的目标是证 ...
最新文章
- 数据库 mysql 表设计,数据删除
- java jframe 运行_java – 使用JProgressBar运行JFrame
- att格式汇编指令_ARM汇编伪指令介绍.
- java面试总结之一
- 微信 android兼容性问题怎么解决方案,微信小程序兼容性问题
- linux磁盘配额测试,linux磁盘配额练习题
- VB中KeyCode常数用法
- websql mysql_HTML5 Web SQL 数据库 | 菜鸟教程
- 简单易懂的排序算法演示
- 为Druid监控配置访问权限(配置访问监控信息的用户与密码)
- linux centos 光盘修复,CentOS的lib库误操作和修复
- FPGA 控制 RGMII 接口 PHY芯片基础
- JAVA操作FTP(FTP工具类)
- littleVGL总结
- 计算机网络——SMTP
- 如何在patform中加入自己的工程
- 赚钱方式决定你的财富自由之路
- 如何优化小红书笔记?教你三个小技巧,让你快速提高笔记排名
- v-chart折线图数据改造
- 看盘ABC 欧奈尔:CANSLIM法则
热门文章
- 【正一专栏】保护孩子人人有责-评南京猥亵女童案
- Leetcode 137. 只出现一次的数字 II 解题思路及C++实现
- Latex博士论文格式版本(在CASthesis基础上作修改)
- Spring Boot与数据访问
- SpringMVC自动配置||如何修改SpringBoot的默认配置
- bugku你必须让他停下
- Python 技术篇-不使用os模块遍历文件夹,pathlib库获取直接下级文件和所有下级文件
- MATLAB常用命令(窗口命令、标点符号特殊功能和帮助命令)
- 链队列的建立、判空、入队、出队、求长、访头、清空和销毁
- MATLAB中的ind2vec和vec2ind函数