Approximation
各点収束
{fn}n∈N→f(n→∞)
十分大きなnで,f≈fn.
確率収束
PX({x∈X∣∣fn(x)−f(x)∣>ϵ})→0(n→∞)
十分大きなnでf≈fn.
sample approximation and empirical distribution
average:
fn(x1,…,xn)=n1i=1∑nxi
empirical distribution
D(x1,…,xn)(⋅)=n1i=1∑nδxi(⋅)
sample approximation
以下の正当性を確認する.
EPX[f]≈n1i=1∑nf(xi)=:fn(x1,…,xn)
sample: S:ω↦(X1(ω),…,Xn(ω))
fnを確率変数化: fn(S)=fn∘S
PS({x∈Xn∣∣fn(x1,…,xn)−EPX[f]∣>ϵ})→0(n→∞)を示す.
チェビシェフの不等式
PS({x∈Xn∣∣fn(x1,…,xn)−EPS[fn]∣≥ϵ})≤ϵ2VPS[fn]
を使う.
EPS[fn]=EP[fn(S)]=EP[n1i=1∑nf(Xi)]=n1i=1∑nEP[f(Xi)]=n1i=1∑nEPXi[f]=EPX[f]
VPS[fn]=VP[fn(S)]=VP[n1i=1∑nf(Xi)]=n21i=1∑nVP[f(Xi)]=n21i=1∑nVPXi[f]=nVPX[f]
よって,チェビシェフの不等式より,
PS({x∈Xn∣fn(x1,…,xn)−EPX[f]∣≥ϵ})≤nϵ2VPX[f]
よって,PS({x∈Xn∣fn(x)−EPX[f]∣≥ϵ})→0(n→∞).つまり,fnはEPX[f]に確率収束する.
というわけで,十分大きなnで,f≈fn.ただし,{xi}i=1nは,i.i.d. mannerでサンプリングする.
sampling
TODO: サンプリングって結構なぞなのでまた考える.
conditional probability and conditional expectation
この章はまだきちんと理解できてないので,後々解釈が変わると思う.
conditional probability (as a measure):
PY∣X(⋅∣A)=PX(A)PX,Y(A×⋅)
これは,測度.
conditional probability:
PY∣X(⋅∣A)(ω)=A∈A∑PY∣X(⋅∣A)1A(ω)
これは,測度を値にもつ関数.確率変数と言ってもいいかは現時点では不明.
conditional expectation
E[Y∣A](ω)=EPY∣X(⋅∣A)(ω)[Y]
ちょっと離散型の場合だけ考えておく.Yを離散型確率変数として,以下のように定義する.
Y(ω)=j=1∑mbj1Bj(ω)
このとき,条件付き期待値は,
E[Y∣A](ω)=j=1∑mbjPY∣X(Bj∣A)(ω)
いい感じな気がする.この辺は難しいので具体的な例をあげて考えていきたい.次の日に持ち越し.
0 件のコメント:
コメントを投稿