ฉันได้รับการบอกเสมอว่า CDF ไม่เหมือนใคร แต่ PDF / PMF ไม่เหมือนกันทำไมจึงเป็นเช่นนั้น คุณสามารถยกตัวอย่างที่ PDF / PMF ไม่ซ้ำกันได้หรือไม่?
ฉันได้รับการบอกเสมอว่า CDF ไม่เหมือนใคร แต่ PDF / PMF ไม่เหมือนกันทำไมจึงเป็นเช่นนั้น คุณสามารถยกตัวอย่างที่ PDF / PMF ไม่ซ้ำกันได้หรือไม่?
คำตอบ:
ให้เราระลึกถึงบางสิ่ง Let เป็นพื้นที่ที่น่าจะเป็น , Ωเป็นชุดตัวอย่างของเราเป็นของเราσพีชคณิตและPเป็นฟังก์ชั่นความน่าจะเป็นกำหนดไว้ใน ตัวแปรสุ่มเป็นฟังก์ชั่นที่วัดX : โอห์ม→การวิจัยเช่นX - 1 ( S ) ∈สำหรับการใด ๆ ที่วัดเกอเซตในR. หากคุณไม่คุ้นเคยกับแนวคิดนี้ทุกอย่างที่ฉันพูดในภายหลังจะไม่สมเหตุสมผล
เมื่อใดก็ตามที่เรามีตัวแปรสุ่มมันทำให้เกิดความน่าจะเป็นในการวัดX ′บนRโดยการผลักดันอย่างเป็นหมวดหมู่ ในคำอื่น ๆX ' ( S ) = P ( X - 1 ( S ) ) มันไม่ได้เป็นเรื่องที่จะตรวจสอบว่าX 'เป็นตัวชี้วัดความน่าจะเป็นในการวิจัย เราเรียกX 'กระจายของX
ตอนนี้เกี่ยวข้องกับแนวคิดนี้เป็นสิ่งที่เรียกว่าฟังก์ชั่นการกระจายของตัวแปรฟังก์ชั่น กำหนดตัวแปรสุ่มเรากำหนดF ( x ) = P ( X ≤ x ) ฟังก์ชันการแจกแจงF : R → [ 0 , 1 ]มีคุณสมบัติดังต่อไปนี้:
เป็นแบบต่อเนื่องที่ถูกต้อง
ไม่ลดลง
และ F ( - ∞ ) = 0
ตัวแปรสุ่มที่ชัดเจนซึ่งเท่ากันมีฟังก์ชันการแจกแจงและการแจกแจงแบบเดียวกัน
หากต้องการย้อนกลับกระบวนการและรับการวัดด้วยฟังก์ชันการแจกแจงที่ให้นั้นเป็นเรื่องทางเทคนิค ให้เราบอกคุณจะได้รับฟังก์ชันการแจกแจง ) กำหนดμ ( a , b ] = F ( b ) - F ( a )คุณต้องแสดงให้เห็นว่าμเป็นตัวชี้วัดกึ่งพีชคณิตของช่วงเวลาของ( a , b ]หลังจากนั้นคุณสามารถใช้ทฤษฎีบทการขยายCarathéodoryเพื่อขยายμไปยังวัดความน่าจะเป็นในการวิจัย
ในการตอบคำขอเป็นตัวอย่างของความหนาแน่นสองค่าที่มีอินทิกรัลเดียวกัน (เช่นมีฟังก์ชันการแจกแจงแบบเดียวกัน) ให้พิจารณาฟังก์ชันเหล่านี้ที่กำหนดบนจำนวนจริง:
f(x) = 1 ; when x is odd integer
f(x) = exp(-x^2) ; elsewhere
แล้ว;
f2(x) = 1 ; when x is even integer
f2(x) = exp(-x^2) ; elsewhere
They are not equal at all x, but are both densities for the same distribution, hence densities are not uniquely determined by the (cumulative) distribution. When densities with a real domain are different only on a countable set of x values, then the integrals will be the same. Mathematical analysis is not really for the faint of heart or the determinately concrete mind.
I disagree with the statement, "the probability distribution function does not uniquely determine a probability measure", that you say in your opening question. It does uniquely determine it.
Let be two probability mass functions. If,
We can rewrite the above integral into,
Define , so . We use the well-known theorem that if an integral of a non-negative function is zero then the function is zero almost everywhere. In particular, a.e. on . So a.e. on . Now repeat the argument in the other direction with . We will get that a.e on . Thus, a.e. on .