Integration og desintegration af mål
|
|
- Mads Michelsen
- 4 år siden
- Visninger:
Transkript
1 Kapitel 20 Integration og desintegration af mål Lad som i kapitel 8 (X,E) og (Y,K) være to målbare rum. Vi vil i dette kapitel gå i detaljer med forholdet mellem mål på (X Y, E K) og mål på de to faktorrum (X, E) og (Y, K). Nærmere bestemt vil vi vise hvordan mål på produktrummet i praksis altid kan opbygges af mål på faktorrummene. Vi tænker ikke symmetrisk på de to faktorer.xkommer i en vis forstand først, og kaldes baserummet.ykaldes fiberrummet, og vi tænker på produktrummetx Y sådan at der ovenover hvert punkt x X sidder en kopi afy. Vi kalder den kopi der hører til x for fiberen over x. Tankegangen er illustreret på figur 20.1, hvor to fibre er tegnet ind. symmetrien er sproglig, ikke reel. Ved festlige lejligheder kan man vende synspunktet om, og tænke påx Y som en samling fibre af samme form somx, en fiber for hvert y Y. Vi vil ofte antage at fiberrummet (Y,K) er skikkeligt, i den forstand at det har et tælleligt fællesmængdestabilt frembringersystem. Standardintervallerne med rationale endepunkter udgør et tælleligt fællesmængdestabilt frembringersystem for (R, B), og herudfra kan man konstruere tællelige fællesmængdestabile frembringersystemer for (R n,b n ) for ethvert n N. Så antagelsen er ikke så restriktiv endda. Men den udelukker de værste målteoretiske patologier. 423
2 424 Kapitel 20. Integration og desintegration af mål 20.1 Markovkerner På produktrummetx Y kan man tænke sig hver fiber{x} Y udstyret med et sandsynlighedsmål. Idet hver fiber er en kopi afy, svarer det altså til at vi har en familie af sandsynlighedsmål (ν x ) x X på (Y,K), indiceret ved punkter ix. Kan disse fibermål bruges til at konstruere et mål på produktrummet? Hvis det skal lykkes, må man kræve at fibermålene ikke varierer alt for vildt med fodpunktet x. Definition 20.1 En (X,E)-Markovkerne på (Y,K) er en familie af sandsynlighedsmål (ν x ) x X på (Y,K) indiceret ved punkter ix, sådan at afbildningen er E B-målelig for ethvert fastholdt B K. x ν x (B) (20.1) Står det klart hvilkeσ-algebraer der er tale om, vil vi blot sige at (ν x ) x X er en Markovkerne påy. Y B ν x1 (B) ν x2 (B) x 1 x 2 X Figur 20.1: ProduktrummetX Y opfattes som en kopi afyhørende til hvert x X. En Markovkerne består af et sandsynlighedsmål per fiber. Betingelse (20.1) siger atν x -målet af en fast mængde B Yskal variere på målelig vis, når man går fra fiber til fiber. Eksempel 20.2 Enhver familie af sandsynlighedsmål (ν n ) n N på et rum (Y,K), indiceret ved de naturlige tal N, er trivielt en P(N)-Markovkerne. Det følger af at enhver afbildning f :N RerP(N) B-målelig.
3 20.1. Markovkerner 425 Sætning 20.3 Lad (X,E) og (Y,K) være målbare rum, ladνvære etσ-endeligt mål på (Y,K), og lad f M + (X Y,E K) have den egenskab at f (x, y) dν(y)=1 for alle x X. Da er (ν x ) x X, givet ved ν x (B)= en (X, E)-Markovkerne på (Y, K). B f (x, y) dν(y) for alle B K, x X, (20.2) BEVIS: Vi skal for hvert fast B Kgøre rede for at x 1 X B (x, y) f (x, y) dν(y) er en E-målelig funktion. Men denne påstand er netop indholdet af sætning 8.3, brugt på funktionen 1 X B f. Sætning 20.3 gør det ganske let at angive konkrete Markovkerner: en samling sandsynlighedsmål, (ν x ) x X, hvor hvertν x har en tæthed g x med hensyn til et fast grundmål ν, vil udgøre en Markovkerne, blot tæthederne hænger måleligt sammen, altså hvis (x, y) g x (y) er E K B-målelig. Det vil kræve store krumspring at angive en familie af tætheder, der ikke opfylder denne betingelse. Lemma 20.4 Hvis (Y, K) har et fællesmængdestabilt frembringersystem D, så er (ν x ) x X en (X,E)-Markovkerne på (Y,K) hvis blot x ν x (D) er E B-målelig for hvert fastholdt D D. BEVIS: Vi sætter H={K K x ν x (K) ere B-målelig}. Man checker let efter at H er en Dynkin klasse. Idet den indeholder alle D- mængderne, må H = K.
4 426 Kapitel 20. Integration og desintegration af mål Lemma 20.5 Lad (ν x ) x X være en (X,E)-Markovkerne på (Y,K). For hver mængde G E K er x ν x (G x ) en E B-målelig afbildning. BEVIS: Sæt H={G E K x ν x (G x ) ere B-målelig}. Tag en produktmængde B E K. Da er { i 1 hvis x x ( B)= B hvis x og dermed er ν x (( B) x )= { 0 hvis x ν x (B) hvis x = 1 (x) ν x (B). (20.3) Dette er et produkt af toe B målelige funktioner, og dermed er det selve B måleligt. Så H indeholder alle produktmængder, og da disse udgør et fællesmængdestabilt frembringersystem fore K, vilh=e K hvis vi kan vise ather en Dynkin klasse. Vi ved allerede atx Y H - det er jo en produktmængde. ntag at G 1 G 2 er to H-mængder. En kort overvejelse viser at G1 x Gx 2 for alle x X, og at Dermed er (G 2 \ G 1 ) x = G x 2 \ Gx 1. ν x ((G 2 \ G 1 ) x )=ν x (G x 2 ) ν x(g x 1 ), hvilket er en differens mellem to målelige funktioner. ltså er G 2 \ G 1 H. ntag endelig at G 1 G 2... er en voksende følge afh-mængder. Vi ser at G1 x Gx 2... for alle x Xog at x G n = Gn x. Dermed er n=1 ν x G n x =ν x n=1 n=1 Gn x n=1 = limν x(g x n n ). Da hver af funktionerne x ν x (Gn x ) ere B-målelig, er grænsefunktionen det også. ltså er n=1 G n H.
5 20.2. Integration af Markovkerner Integration af Markovkerner Hvis (ν x ) x X er en (X,E)-Markovkerne på (Y,K), så ved vi at for fast B K er afbildningen (20.1) enm + (X,E)-funktion - den er oven i købet begrænset af 1. Hvis vi yderligere har et sandsynlighedsmålµ på (X,E) kunne man få den ide at integrere (20.1) med hensyn tilµ. Det fører til opstilling af integraler af formen ν x (B) dµ(x) for alle E, B K. Proceduren er illustreret på figur Vi tildeler altså hver målelig produktmængde B en størrelse. Det viser sig at man på denne måde bygger et sandsynlighedsmål op på produktrummet (X Y,E K). Y B ν x2 (B) ν x3 (B) x 1 x 2 x 3 X Figur 20.2: En illustration af formel (20.4). Integrationen af en Markovkerne med hensyn til et sandsynlighedsmål på baserummet, er et sandsynlighedsmål på X Y. Det kan udregnes eksplicit på produktmængder B. Sætning 20.6 Ladµvære et sandsynlighedsmål på (X,E), og lad (ν x ) x X være en (X,E)-Markovkerne på (Y,K). Der findes ét og kun ét sandsynlighedsmålλ på produktrummet (X Y,E K) som opfylder at λ( B)= ν x (B) dµ(x) for alle E, B K. (20.4)
6 428 Kapitel 20. Integration og desintegration af mål BEVIS: Det følger af den sædvanlige entydighedssætning for mål at der højst findes ét sandsynlighedsmål med den ønskede egenskab. For at vise eksistensen sætter vi λ(g)= ν x (G x ) dµ(x) G E K. (20.5) For hvert G E K er integranden i (20.5) målelig ifølge lemma Og den er ikke-negativ, såλ(g) er veldefineret i [0, ]. Hvis G 1, G 2,... er parvis disjunktee K-mængder, så er G1 x, Gx 2,... parvis disjunkte for hvert x X. Og derfor er λ G n = ν x G n x dµ(x)= ν x (Gn) x dµ(x)= λ(g n ) n=1 n=1 (hvor vi har brugt monotonisætningen til at bytte om på sum og integral). Såλer et mål. Og da ( λ(x Y)= ν x (X Y) x) dµ(x)= ν x (Y) dµ(x)= 1 dµ(x)=1 n=1 n=1 ser vi atλfaktisk er et sandsynlighedsmål. Endelig følger det af (20.3) at λ( B)= ν x (( B) x ) dµ(x)= ν x (B) dµ(x) for alle E og B K. Det i sætning 20.6 konstruerede sandsynlighedsmål kaldes integrationen af (ν x ) x X med hensyn til µ. Det beskriver et sammensat eksperiment med udfald i X Y. Første del af eksperimentet består i at trække et x X efterµ, og anden del består i at trække et y Y efter et sandsynlighedsmål, der afhænger af resultatet af den første trækning. Eksempel 20.7 Ladµvære et sandsynlighedsmål på (X,E), og ladνvære et sandsynlighedsmål på (Y,K). For alle x X sætter viν x =ν. For hvert B K er afbildningen x ν x (B)=ν(B) konstant, og dermed målelig. Så familien (ν x ) x X er trivielt enx-markovkerne påy.
7 20.2. Integration af Markovkerner 429 Lad λ være integrationen af denne Markovkerne med hensyn til µ. For E, B K har vi at λ( B)= ν(b) dµ(x)=µ() ν(b). Det eneste mål med denne egenskab er produktmåletµ ν, såλ=µ ν. Produktmål er altså et specielt simpelt eksempel på mål fremkommet ved integration af en Markovkerne. t integrationsmål generaliserer produktmål er ikke så overraskende, når man tager i betragtning at konstruktionen af de integrerede mål er kalkeret over konstruktionen af produktmål fra sætning 8.7. Sætning 20.8 Ladµogνværeσ-endelige mål på henholdsvis (X,E) og (Y,K). Ladµ= f µ være et sandsynlighedsmål på (X,E), og lad (ν x ) x X være en (X,E)- Markovkerne på (Y,K). ntag at (ν x ) x X er af den type der blev konstrueret i sætning 20.3, altså atν x = g x νhvor funktionen (x, y) g x (y) ere K-målelig. Ladλvære integrationen af (ν x ) x X med hensyn tilµ. Da erλ=h µ ν, hvor h(x, y)= f (x) g x (y) for alle x X, y Y. BEVIS: Lad E, B K. Da er ( ) λ( B)= 1 (x)ν x (B) dµ(x)= 1 (x) 1 B (y) g x (y) dν(y) f (x) dµ(x) = 1 B (x, y) f (x) g x (y) dν(y) dµ(x)= 1 B (x, y) h(x, y) dµ ν(x, y) ifølge Tonellis sætning. Vi ser atλog h µ ν stemmer overens på alle målelige rektangler, og dermed er de ens. Eksempel 20.9 LadµværeN(0, 1)-fordelingen på (R,B), dvs. at 1 µ()= e 1 2 x2 dx B. 2π Lad endvidere σ 2 x= (x 4 10) 2 + 1
8 Z Kapitel 20. Integration og desintegration af mål og lad (ν x ) x R være bestemt ved atν x ern(0,σ 2 x )-fordelingen på (R,B). Ifølge sætning 20.3 er (ν x ) x R en Markovkerne. Ladλvære integrationen afν x erne med hensyn tilµ. Ifølge sætning 20.8 harλtæthed med hensyn til Lebesguemålet pår 2, og tætheden h(x, y) er givet som ) h(x, y)= 1 e 1 2 (x 2 + y2 σ 2 x. (20.6) 2πσ x Denne tæthed er tegnet op på figur Den ligner ikke den pæne klokkeformede tæthed fra eksempel Der er da heller ikke tale om en normalfordeling. Og dermed har vi indset at man ved integrationskonstruktionen nemt kommer til at lave indviklede ting, selv hvis man starter med lutter normalfordelinger. 0 Y X Figur 20.3: Tætheden fra (20.6), fremkommet ved integration af en familie af normalfordelinger mht. en normalfordeling Entydighed af integrationskonstruktionen For et målλpå (X Y,E K) kan man diskutere billedmålene under projektionerne ned på de to faktorer, ˆX(λ) og Ŷ(λ). Vi vil referere til disse to mål som X-komponenten af λ, henholdsvis Y-komponenten afλ. Hvordan ser de ud, hvisλer fremkommet ved integration af en Markovkerne?
9 20.3. Entydighed af integrationskonstruktionen 431 Lemma Ladµvære et sandsynlighedsmål på (X,E), lad (ν x ) x X være en (X,E)-Markovkerne på (Y,K), og ladλvære integrationen af (ν x ) x X med hensyn tilµ. Da er ˆX(λ)=µ. BEVIS: Lad E. Da har vi at ˆX(λ)()=λ( Y)= ν x (Y) dµ(x)=µ(). Derimod er Y-komponenten af et integrationsmål ikke nødvendigvis kendt på forhånd. Den kaldes blandingen af Markovkernen med hensyn til µ (på engelsk: mixture), og opfylder at Ŷ(λ)(B)=λ(X B)= ν x (B) dµ(x). Man kan tænke på blandingen af (ν x ) x X med hensyn tilµsom en generaliseret konveks kombination afν x erne. Hvisµer diskret, så er Ŷ(λ) faktisk en ægte konveks kombination af nogle afν x erne. Eksempel Lad µ være Γ-fordelingen med formparameter λ og skalaparameter β>0. For x>0 lader viν x være Poissonfordelingen med parameter x - for x 0 er det ikke så vigtigt hvad vi gør, men vi kan f.eks. ladeν x være etpunktsmålet i 0. Ved at bruge sætning 20.3 checkes efter at (ν x ) x R er en (R,B)-Markovkerne på (N 0,P(N 0 )). Ladξ være blandingen af (ν x ) x R mht.µ. Det er et sandsynlighedsmål pån 0, ogξ er derfor givet ved sin sandsynlighedsfunktion q. For n N 0 har vi x n 1 q(n)= ν x ({n}) dµ(x)= 0 n! e x Γ(λ)β λ xλ 1 e x β dx 1 = n!γ(λ)β λ x λ+n 1 e (1+1/β)x 1 Γ(λ+n) dx= 0 n!γ(λ)β λ (1+1/β) λ+n ( )( ) λ ( λ+n 1 1 = 1 1 ) n. n 1+β 1+β Blandingen er således en negativ binomialfordeling med parametre ( 1 ) λ, 1+β.
10 432 Kapitel 20. Integration og desintegration af mål Eksempel Ladµvære Poissonfordelingen med parameterλ. For x N 0 lader viν x være binomialfordelingen med parametre (x, p). Det ses at (ν x ) x N0 er enn 0 - Markovkerne pån 0. Ladξvære blandingen af (ν x ) x R mht.µ. Det er et sandsynlighedsmål pån 0, ogξer derfor givet ved sin sandsynlighedsfunktion q. For n N 0 har vi q(n)= ( k ( ) )p n (1 p) k nλk n k! e λ = (λp)n (1 p)λ k n e λ n! (k n)! k=n k=n = (λp)n n! e λ e (1 p)λ = (λp)n e λp. n! Blandingen er således Poissonfordelingen med parameter λp. Sætning (Entydighed) ntag at fiberrummet (Y, K) har et tælleligt fællesmængdestabilt frembringersystem. Lad µ og µ være to sandsynlighedsmål på (X, E) og lad (ν x ) x X og ( ν x ) x X være to (X,E)-Markovkerner på (Y,K). Ladλvære integrationen af (ν x ) x X med hensyn tilµ, og lad λ være integrationen af ( ν x ) x X med hensyn til µ. Sæt E 0 ={x X ν x = ν x }. Da erλ= λ hvis og kun hvisµ= µ ogµ(e 0 )=1. BEVIS: Lad (B n ) n N være et tælleligt fællesmængdestabilt frembringersystem for (Y,K). Vi ser at E 0 = {x X ν x (B n )= ν x (B n )}. (20.7) n=1 Heraf følger at E 0 E. Hvisµ= µ og hvisµ(e 0 )=1, så ser vi at for alle E og B K λ( B)= ν x (B) dµ(x)= ν x (B) d µ(x)= λ( B), E 0 E 0 og altså erλ= λ. ntag omvendt atλ= λ. Ifølge lemma gælder at µ= ˆX(λ)= ˆX( λ)= µ,
11 20.3. Entydighed af integrationskonstruktionen 433 så vi skal blot gøre rede for at{x X ν x (B n ) ν x (B n )} er enµ-nulmængde for hvert n N. Vi betragter E + n ={x X ν x(b n )> ν x (B n )} og ser at E + n ν x (B n ) ν x (B n ) dµ(x)=λ(e + n B n ) λ(e + n B n )=0. Men integranden er skarpt positiv på E + n, så vi kan slutte atµ(e + n )=0. Og tilsvarende sluttes atµ(e n )=0, hvor E n ={x X ν x(b n )< ν x (B n )}. Entydighedssætningen for mål fremkommet ved integration af Markovkerner gør at man ikke nødvendigvis behøver at arbejde med Markovkerner indiceret ved hele X, hvis man kun skal bruge Markovkernen for at integrere den med hensyn til et bestemt mål µ på (X, E) (og det er ofte situationen, for eksempel når man diskuterer betingede fordelinger, som vi senere skal fokusere på). Vi definerer en (X, E, µ)-markovkerne på (Y,K) som en samling sandsynlighedsmål (ν x ) x E på (Y,K) indiceret ved punkterne i en mængde E E medµ(e)=1. Disse sandsynlighedsmål skal hænge pænt sammen, på den måde at { νx (B) x E x 0 x E skal væree B-målelig for alle B K. En sådanµ-næsten sikkert defineret Markovkerne kan integreres med hensyn til µ ved at udvide til en rigtig Markovkerne, og derefter integrere den rigtige Markovkerne. Udvidelsen kan f.eks. ske ved at man sætter { νx x E ν x = ν x E hvorνer et vilkårligt valgt (men fast) sandsynlighedsmål på (Y,K). Der er naturligvis mange andre måder at udvide (ν x ) x E til en rigtig Markovkerne. Men når man integrerer disse udvidelser med hensyn til µ så opnår man ifølge sætning præcis samme sandsynlighedsmål λ på (X Y, E K). Så i virkeligheden behøver man ikke at bekymre sig om detaljerne i udvidelsen. Det konstruerede målλopfylder at λ( B)= ν x (B) dµ(x) for E, B K. (20.8) E
12 434 Kapitel 20. Integration og desintegration af mål 20.4 Egenskaber for integrationsmål Vi vil nu undersøge integrationsegenskaberne for mål på produktrum. Det viser sig at hvisλer integrationen af en Markovkerne (ν x ) x X med hensyn tilµ, så kanλintegraler udregnes ved successiv integration, som man kender det fra produktmål. Lemma Lad (ν x ) x X være en (X,E)-Markovkerne på (Y,K). For enhvere Kmålelig funktion f :X Y [0, ] gælder at x f (x, y) dν x (y) (20.9) er ene-målelig afbildning. BEVIS: Bemærk at for fast x er f (x, y)= f i x (y), hvilket erk-måleligt. Dermed er integralet i (20.9) veldefineret. ntag i første omgang at f er en simpel funktion, altså at n f= c i 1 Gi, (20.10) hvor c 1,...c n (0, ) og hvor G 1,..., G n er disjunktee K-mængder. Så er n n f i x (y)= c i 1 Gi i x (y)= c i 1 Gi x(y). Dermed ser vi at i=1 i=1 f i x (y) dν x (y)= i=1 n c i ν x (G x i ). (20.11) Og ifølge lemma 20.5 er dette en linearkombination af E-målelige afbildninger, og dermed selve-måleligt. Hvis f er en generelm + (X Y,E K)-funktion, så findes en følge af ikke-negative simple funktioner f n så f n (x, y)ր f (x, y) for alle x, y. For hvert fast x X vil der gælde at f n i x (y)ր f i x (y), så monotonisætningen sikrer at f n i x (y) dν x (y)ր f i x (y) dν x (y) for n. Højresiden er som funktion af x den punktvise grænse af E-målelige funktioner, og dermed selve målelig. i=1
13 20.4. Egenskaber for integrationsmål 435 Sætning (Udvidet Tonellis sætning) Lad µ være et sandsynlighedsmål på (X,E), lad (ν x ) x X være en (X,E)-Markovkerne på (Y,K), og ladλvære integrationen af (ν x ) x X med hensyn tilµ. For enhvere K-målelig funktion f :X Y [0, ] gælder at f (x, y) dλ(x, y)= f (x, y) dν x (y) dµ(x). (20.12) BEVIS: Det inderste integral på højresiden af (20.12) er ifølge lemma en E- målelig afbildningx [0, ], og kan derforµ-integreres. Både højre- og venstreside er således veldefinerede. Hvis f er en simpel funktion på formen (20.10), så er n f dλ = c i λ(g i ) = = = i=1 n c i i=1 ν x (G i x ) dµ(x) n c i ν x (G x i ) dµ(x) i=1 f i x (y) dν x (y) dµ(x), hvor sidste lighedstegn kommer fra (20.11). ltså holder (20.12) hvis f er en simpel funktion. Hvis f er en generelm + (X Y,E K)-funktion, så findes en følge af ikke-negative simple funktioner f n så f n ր f. Ifølge monotonisætningen er f dλ= lim n f n dλ= lim n f n (x, y) dν x (y) dµ(x). Men monotonisætningen giver også at for hvert x vil f n (x, y) dν x (y)ր f (x, y) dν x (y), og bruges monotonisætningen én gang til, ses at f n (x, y) dν x (y) dµ(x)ր f (x, y) dν x (y) dµ(x), hvilket beviser sætningen.
14 436 Kapitel 20. Integration og desintegration af mål Sætning (Udvidet Fubinis sætning) Lad µ være et sandsynlighedsmål på (X,E), lad (ν x ) x X være en (X,E)-Markovkerne på (Y,K), og ladλvære integrationen af (ν x ) x X med hensyn tilµ. For enhverλ-integrabele K-målelig funktion f :X Y Rgælder at 0 ={x X f (x, y) dν x (y)< } ere-målelig medµ( 0 )=1. Endvidere gælder at funktionen f (x, y) dν x x (y) x 0 (20.13) 0 x 0 ere-målelig ogµ-integrabel, og at f (x, y) dλ(x, y)= 0 f (x, y) dν x (y) dµ(x). (20.14) BEMÆRK: Man kan undersøge om f erλ-integrabel, altså om f dλ<, ved hjælp af den udvidede Tonellis sætning. BEVIS: Det følger af lemma at 0 E. Den udvidede Tonellis sætning giver at f (x, y) dν x (y)dµ(x)= f dλ<, og dermed kan f (x, y) dν x (y) kun være uendelig på enµ-nulmængde. ltså er µ( 0 )=1. For hvert x 0 er f (x, y) dν x (y)= f + (x, y) dν x (y) f (x, y) dν x (y). Heraf ser vi at den funktion der defineres i (20.13) - kald den g - er målelig. Og den udvidede Tonellis sætning giver at g(x) dµ(x) = f (x, y) dν x (y) dµ(x) Y f (x, y) dν x (y) dµ(x) <,
15 20.5. Desintegration 437 så g erµ-integrabel. Endelige har vi ifølge den udvidede Tonellis sætning at f (x, y) dν x (y)dµ(x) 0 = f + (x, y) dν x (y)dµ(x) f (x, y) dν x (y)dµ(x) 0 0 = 1 0 (x) f + (x, y) dλ(x, y) 1 0 (x) f (x, y) dλ(x, y) = 1 0 (x) f (x, y) dλ(x, y) = f (x, y) dλ(x, y). 0 Y Men så λ( 0 Y)= ˆX(λ)( 0 )=µ( 0 )=1, f (x, y) dλ(x, y)= f (x, y) dλ(x, y). 0 Y 20.5 Desintegration Vi har vist at en (X,E)-Markovkerne på (Y,K) altid kan integreres med hensyn til et sandsynlighedsmål på (X, E), og resultatet er et sandsynlighedsmål på (X Y, E K). Hvis man starter med et sandsynlighedsmålλ på (X Y,E K) kan man stille sig det modsatte spørgsmål: findes der et sandsynlighedsmålµ og en Markovkerne (ν x ) x X, såλer integrationen af (ν x ) med hensyn tilµ? Ifølge lemma må et sådant µ nødvendigvis være X-komponenten af λ. Så spørgsmålet reducerer til om man kan finde en passende Markovkerne på (Y, K). Man taler om at desintegrereλlangs fibrene overx-eller blot om at desintegrereλ med hensyn tilx. Det er ikke på forhånd klart hvordan man skal foretage en sådan desintegration. Entydighedssætningen fortæller at det kun kan lykkes på én måde - hvis det overhovedet
16 438 Kapitel 20. Integration og desintegration af mål kan lykkes. Men den giver ikke nogen ide til hvordan man skal gå frem. Man må derfor på forhånd forestille sig at nogle mål på (X Y, E K) kan desintegreres med hensyn tilx, mens andre ikke kan. Vi skal dog se at hvis de indgående rum er tilstrækkeligt pæne, så kan alle i praksis forekommende sandsynlighedsmål på (X Y, E K) desintegreres. Sætning Ladµogνværeσ-endelige mål på (X,E) og (Y,K), og ladλvære et sandsynlighedsmål på (X Y,E K) som har tæthed h med hensyn tilµ ν. Da kanλdesintegreres med hensyn tilx, og den resulterende Markovkerne (ν x ) x X består af mål som har tæthed med hensyn tilν. Faktisk erν x = g x ν forµ-næsten alle x, hvor h(x, y) g x (y)=. (20.15) h(x, z) dν(z) BEMÆRK: Dette er et meget kraftigt resultat. Det siger ikke blot at de fleste i praksis forekommende mål på et produktrum kan desintegreres, det fortæller oven i købet hvordan man udfører desintegrationen. BEVIS: Ladµ= ˆX(λ). Da er for E µ()= h(x, y) dµ ν(x, y)= Y ifølge Tonellis sætning. Heraf ser vi atµhar tæthed x h(x, y) dν(y) h(x, y) dν(y) dµ(x) (20.16) med hensyn tilµ. Lad nu { } { } 1 = x X h(x, y) dν(y)=0, 2 = x X h(x, y) dν(y)= { } 3 = x X 0< h(x, y) dν(y)<. Eftersom µ(x) = 1 giver (20.16) at 1 µ( 2 )= 2 h(x, y) dν(y)dµ(x)= µ( 2 ),
17 20.5. Desintegration 439 og derfor måµ( 2 )=0. Og 1 giver ikke noget bidrag til nedenstående integral, så µ( 3 ) = h(x, y) dν(y) dµ(x) 3 = h(x, y) dν(y) dµ(x)=λ(x Y)=1. For x 3 lader viν x være målet på (Y,K) givet ved tætheden g x (y) fra (20.15) med hensyn tilν. Det følger at (x, y) g x (y) ere K B-målelig så længe vi holder os til 3 Y - det eneste problem er nævnerintegralet, og det er måleligt ifølge Tonellis sætning. Ifølge sætning 20.3 (og nogle armbevægelser) er (ν x ) x 3 dermed en (X, E, µ)-markovkerne på (Y, K), som diskuteret p Lad λ være integrationen af (ν x ) x 3 med hensyn tilµ. For E, B K er λ( B)= ν x (B) dµ(x) 3 h(x, y) = dν(y) h(x, z) dν(z) dµ(x) h(x, z) dν(z) = 3 3 B B h(x, y) dν(y) dµ(x)= B h(x, y) dµ ν(x, y)=λ( B). Idet produktmængderne udgør et fællesmængdestabilt frembringersystem for E K, kan vi konstatere atλ= λ, og det vil sige at (ν x ) x 0 udgør en desintegration afλmed hensyn tilx. Korollar (Bayes formel) Lad µ og ν være σ-endelige mål på henholdsvis (X,E) og (Y,K). Ladµ = f µ være et sandsynlighedsmål på (X,E). Og lad (ν x ) x X være en (X,E)-Markovkerne på (Y,K), af den type der blev konstrueret i sætning 20.3, det vil sigeν x = g x ν hvor funktionen (x, y) g x (y) ere K-målelig. Ladλvære integrationen af (ν x ) x X med hensyn tilµ. Da kanλdesintegreres med hensyn tily, og den resulterende Markovkerne (ξ y ) y Y består af mål som har tæthed med hensyn tilµ. Faktisk erξ y = h y µ forν-næsten alle y, hvor h y (x)= g x (y) f (x). (20.17) g z (y) f (z) dµ(z)
18 440 Kapitel 20. Integration og desintegration af mål BEVIS: Det følger af sætning 20.8 atλhar tæthed (x, y) g x (y) f (x) med hensyn til µ ν. Og sætning fortæller nu (efter passende bogstavombytning) hvordan desintegrationen af λ med hensyn til Y ser ud. Både Bayes formel og bayesiansk statistik daterer sig til en artikel af den engelske præst Thomas Bayes fra Bayesianske statistikere opdaterer deres subjektive forventninger til verden på baggrund af observationer, og Bayes formel er det tekniske omdrejningspunkt, der fortæller hvordan denne opdatering foregår. Skønt frekventister og bayesianere i almindelighed er uenige om alt, er det værd at bemærke at Bayes formel i sig selv ikke er kontroversiel: det er måden at bruge den på, man strides om. Hvis man studerer sandsynlighedsmål påx Y, der ikke på forhånd vides at have tæthed med hensyn til et produktmål, er det håbløst at forsøge at opskrive formler for hvordan man desintegrerer. Ikke desto kan man vise at der i de fleste rimelige situationer findes en desintegrerende Markovkerne: Sætning (Desintegrationssætningen) Ethvert sandsynlighedsmål λ på produktrummet (X R k,e B k ) kan desintegreres med hensyn tilx. Et bevis for desintegrationssætningen er anført i kapitel 24. Ideen er at man for sandsynlighedsmål på (X R, E B) kan konstruere betingede fordelingsfunktioner, altså en samling funktioner F x :R [0, 1], der alle opfylder betingelserne for at være fordelingsfunktioner. Herudfra produceres en samling sandsynlighedsmål pår, indiceret ved x X, og disse sandsynlighedsmål kan vises at udgøre en desintegration. Med lidt ekstra arbejde kan ideen overføres til produktrum af formenx R k Opgaver OPGVE Ladµvære binomialfordelingen med parametre (n, p 1 ), og lad for hvert x=0, 1,...,nν x være binomialfordelingen med parametre (x, p 2 ). Find blandingen af (ν x ) x=0,1,...,n med hensyn tilµ, og fortolk resultatet.
19 20.6. Opgaver 441 OPGVE Lad µ være binomialfordelingen med parametre (n, p), og lad for x=0, 1,...,nν x være den hypergeometriske fordeling med parametre (k, x, n). Find blandingen af (ν x ) x=0,1,...,n med hensyn tilµ, og fortolk resultatet.
standard normalfordelingen på R 2.
Standard normalfordelingen på R 2 Lad f (x, y) = 1 x 2 +y 2 2π e 2. Vi har så f (x, y) = 1 2π e x2 2 1 2π e y2 2, og ved Tonelli f dm 2 = 1. Ved µ(a) = A f dm 2 defineres et sandsynlighedsmål på R 2 målet
Læs mereEksamen 2014/2015 Mål- og integralteori
Eksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål Ved bedømmelsen indgår de spørgsmål med samme vægt
Læs mereIntegration m.h.t. mål med tæthed
Integration m.h.t. mål med tæthed Sætning (EH 11.7) Lad ν = f µ på (X, E). For alle g M + (X, E) gælder at gdν = g f dµ. Bevis: Standardbeviset: 1) indikatorfunktioner 2) simple funktioner 3) M + -funktioner.
Læs mereTonelli light. Eksistensbeviset for µ ν gav målet. for G E K ved succesiv integration. Alternativ definition:
Tonelli light Eksistensbeviset for µ ν gav målet ( ) λ(g) = G (x, y)dν(y) dµ(x) for G E K ved succesiv integration. Alternativ definition: ( ) λ(g) = G (x, y)dµ(x) dν(y). Som λ(a B) = µ(a)ν(b) gælder λ(a
Læs mereBorel-σ-algebraen. Definition (EH 1.23)
Borel-σ-algebraen Definition (EH 1.23) Borel-σ-algebraen B k på R k er σ-algebraen frembragt af de åbne mængder O k. Andre frembringersystemer for B k : De afsluttede mængder. De åbne kasser I k (k = 1,
Læs mereHistogrammetoden For (x i, y i ) R 2, i = 1,..., n, ser vi på den gennemsnitlige
Histogrammetoden For (x i, y i ) R 2, i = 1,..., n, ser vi på den gennemsnitlige længde: z = 1 n hvor z i = xi 2 + yi 2. n z i = 1 n i=1 n i=1 x 2 i + y 2 i Indfør tabellen samt vægtene Da er a k = #{i
Læs mereReeksamen 2014/2015 Mål- og integralteori
Reeksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål. Ved bedømmelsen indgår de spørgsmål med samme vægt.
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Den hændelse, der ikke indeholder
Læs mereIntegration m.h.t. mål med tæthed
Integration m.h.t. mål med tæthed Sætning (EH 11.7) Lad ν = f µ på (X, E). For alle g M + (X, E) gælder at gdν = g f dµ. Bevis: Standardbeviset: 1) indikatorfunktioner 2) simple funktioner 3) M + -funktioner.
Læs mereHistogrammetoden For (x i, y i ) R 2, i = 1,..., n, ser vi på den gennemsnitlige. Histogrammetoden. Histogrammetoden.
For ( i, y i ) R 2, i =,, n, ser vi på den gennemsnitlige længde: z = n hvor z i = i 2 + yi 2 Indfør tabellen samt vægtene Da er z i = n 2 i + y 2 i a k = #{i 00z i = k}, k N 0 z ned := ν k = a k n 00kν
Læs mereMomenter som deskriptive størrelser. Hvad vi mangler fra onsdag. Momenter for sandsynlighedsmål
Hvad vi mangler fra onsdag Momenter som deskriptive størrelser Sandsynlighedsmål er komplicerede objekter de tildeler numeriske værdier til alle hændelser i en σ-algebra. Vi har behov for simplere, deskriptive
Læs mereHvad vi mangler fra onsdag. Vi starter med at gennemgå slides fra onsdag.
Hvad vi mangler fra onsdag Vi starter med at gennemgå slides 34-38 fra onsdag. Slide 1/17 Niels Richard Hansen MI forelæsninger 6. December, 2013 Momenter som deskriptive størrelser Sandsynlighedsmål er
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Et sandsynlighedsmål er en
Læs mereSandsynlighedsteori. Sandsynlighedsteori. Sandsynlighedsteori Et eksperiment beskrives af et udfaldsrum udstyret med et. Et Bayesiansk argument
Sandsynlighedsteori Sandsynlighedsteori Et eksperiment beskrives af et udfaldsrum udstyret med et sandsynlighedsmål, (, E, ν). Et eksperiment beskrives af et udfaldsrum udstyret med et sandsynlighedsmål,
Læs mereSupplerende opgaver. S1.3.1 Lad A, B og C være delmængder af X. Vis at
Supplerende opgaver Analyse Jørgen Vesterstrøm Forår 2004 S.3. Lad A, B og C være delmængder af X. Vis at (A B C) (A B C) (A B) C og find en nødvendig og tilstrækkelig betingelse for at der gælder lighedstegn
Læs mereBetingede fordelinger
Kapitel 21 Betingede fordelinger Hvis man i et eksperiment observerer to stokastiske variable, X og Y, er det ofte hensigtsmæssigt at skrue sin sandsynlighedsteoretiske model sammen på en sådan måde at
Læs mereEt eksperiment beskrives af et udfaldsrum udstyret med et. alle mulige resultater af eksperimentet
Sandsynlighedsteori Et eksperiment beskrives af et udfaldsrum udstyret med et sandsynlighedsmål, (X, E, ν). Udfaldsrummet X indeholder alle mulige resultater af eksperimentet men ofte også yderligere elementer
Læs mereProgram. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning Sandsynlighedstætheder og kontinuerte fordelinger på R Varians og middelværdi Normalfordelingen Susanne Ditlevsen Uge 48, tirsdag Tætheder og fordelingsfunktioner
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag SaSt2 (Uge 6, onsdag) Middelværdi og varians 1 / 18 Program I formiddag: Tætheder og fordelingsfunktioner kort resume
Læs mereProgram. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag I formiddag: Tætheder og fordelingsfunktioner kort resume fra i mandags og et par eksempler mere om sammenhængen
Læs mereKarakteristiske funktioner og Den Centrale Grænseværdisætning
E6 efterår 1999 Notat 10 Jørgen Larsen 20. oktober 1999 Karakteristiske funktioner og Den Centrale Grænseværdisætning Karakteristiske funktioner som er nære slægtninge til Fourier-transformationen) er
Læs mereSandsynlighedsregning Oversigt over begreber og fordelinger
Tue Tjur Marts 2007 Sandsynlighedsregning Oversigt over begreber og fordelinger Stat. MØK 2. år Kapitel : Sandsynlighedsfordelinger og stokastiske variable En sandsynlighedsfunktion på en mængde E (udfaldsrummet)
Læs mere13 Markovprocesser med transitionssemigruppe
13 Markovprocesser med transitionssemigruppe I nærværende kapitel vil vi antage at tilstandsrummet er polsk, hvilket sikrer, at der findes regulære betingede fordelinger. Vi skal se på eksistensen af Markovprocesser.
Læs mereAnalyse 2. Bevis af Fatous lemma (Theorem 9.11) Supplerende opgave 1. Øvelser
Analyse 2 Øvelser Rasmus Sylvester Bryder 24. og 27. september 203 Bevis af Fatous lemma (Theorem 9.) Hvis (u j ) j er en følge af positive, målelige, numeriske funktioner (dvs. med værdier i [, ]) over
Læs mereFortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.
Foldning af sandsnlighedsmål Lad µ og ν være to sandsnlighedsmål på (R, B). Fortolkning Lad φ : R R være φ(, ) = + for (, ) R. Lad X og Y være to reelle stokastiske variable defineret på (Ω, F, P). Definition
Læs mereMasterprojekt udarbejdet af Søren Naundrup Vejleder Steen Andersson
ELEMENTÆR MÅLTEORI SØREN NAUNDRUP Masterprojekt udarbejdet af Vejleder Steen Andersson Dato 19. december 2014. Indholdsfortegnelse 1. Indledning 3 2. σ-algebraer og deres egenskaber 3 2.1. Om σ-algebraer.
Læs mereAffine og konvekse mængder
Kapitel 3 Affine og konvekse mængder 3.1 Affine mænger Definition 3.1 LadXvære et vektorrum. En delmængde A Xer affin hvis λ 1 x 1 +λ 2 x 2 A for alle x 1, x 2 A og λ 1,λ 2 R med λ 1 +λ 2 = 1. (3.1) Udtrykket
Læs mereKonvergens i L 1 -forstand. Definition af L 1 -seminorm. Topologi i pseudometrisk rum. Seminorm til norm
Definition af L 1 -seminorm Konvergens i L 1 -forstand Lad (X, E, µ) være et målrum. Husk at L(µ) er et reelt vektorrum. Vi definerer f 1 = f dµ for f L Definition En følge af funktioner f 1, f 2, L siges
Læs mereFor nemheds skyld: m = 2, dvs. interesseret i fordeling af X 1 og X 2. Nemt at generalisere til vilkårligt m.
1 Uge 11 Teoretisk Statistik 8. marts 2004 Kapitel 3: Fordeling af en stokastisk variabel, X Kapitel 4: Fordeling af flere stokastiske variable, X 1,,X m (på en gang). NB: X 1,,X m kan være gentagne observationer
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Normalfordelingens venner og bekendte Helle Sørensen Uge 9, onsdag SaSt2 (Uge 9, onsdag) Normalfordelingens venner 1 / 20 Program Resultaterne fra denne uge skal bruges
Læs mereEksamensnoter til Analyse 1
ksamensnoter til Analyse 1 Martin Geisler gimpster@daimi.au.dk Sommer 23 Indledning Disse noter gennemgår de 26 spørgsmål stillet til den mundtlige eksamen i Analyse 1 ved Aarhus Universitet sommeren 23.
Læs mereDeskriptiv teori: den karakteristiske funktion
Kapitel 15 Deskriptiv teori: den karakteristiske funktion Når man forsøger at karakterisere et sandsynlighedsmål ν på R ved hjælp af dets momenter, fortæller man essentielt hvordan man skal integrere polynomier
Læs mereAnalyse 2. Gennemgå bevis for Sætning Supplerende opgave 1. Øvelser. Sætning 1. For alle mængder X gælder #X < #P(X).
Analyse 2 Øvelser Rasmus Sylvester Bryder 3. og 6. september 2013 Gennemgå bevis for Sætning 2.10 Sætning 1. For alle mængder X gælder #X < #P(X). Bevis. Der findes en injektion X P(X), fx givet ved x
Læs mere1 Beviser for fornyelsessætningen
Hvordan beviser man fornyelsessætningen? 1 1 Beviser for fornyelsessætningen I dette notat skal vi diskutere, hvorman man kan bevise fornyelsessætningen. Vi vil starte med at se på tilfældet, hvor ventetidsfordelingen
Læs mereNogle grundlæggende begreber
BE2-kursus 2010 Jørgen Larsen 5. februar 2010 Nogle grundlæggende begreber Lidt simpel mængdelære Mængder består af elementer; mængden bestående af ingen elementer er, den tomme mængde. At x er element
Læs mereVektorfelter langs kurver
enote 25 1 enote 25 Vektorfelter langs kurver I enote 24 dyrkes de indledende overvejelser om vektorfelter. I denne enote vil vi se på vektorfelternes værdier langs kurver og benytte metoder fra enote
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. MI 2007 Obligatorisk opgave 4
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. MI 2007 Obligatorisk opgave 4 Sættet består af 3 opgaver med ialt 15 delopgaver. Besvarelsen vil blive forkastet, medmindre der er gjort et
Læs mereDeskriptiv teori i flere dimensioner
Kapitel 17 Deskriptiv teori i flere dimensioner I kapitel 13 og 14 udviklede vi en række deskriptive værktøjer til at beskrive sandsynlighedsmål på (R, B). Vi vil i dette kapitel forsøge at udvikle varianter
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Uafhængighed og reelle transformationer Helle Sørensen Uge 8, mandag SaSt2 (Uge 8, mandag) Uafh. og relle transf. 1 / 16 Program I dag: Uafhængighed af kontinuerte
Læs mereDifferentialregning i R k
Differentialregning i R k Lad U R k være åben, og lad h : U R m være differentiabel. Den afledte i et punkt x U er Dh(x) = h 1 (x) x 1 h 2 (x) x 1. h m (x) x 1 h 1 (x) x 2... h 2 (x) x 2.... h m (x) x
Læs mereAntag at. 1) f : R k R m er differentiabel i x, 2) g : R m R p er differentiabel i y = f(x), . p.1/18
Differentialregning i R k Kæderegel Lad U R k være åben, og lad h : U R m være differentiabel Antag at Den afledte i et punkt x U er Dh(x) = 1) f : R k R m er differentiabel i x, 2) g : R m R p er differentiabel
Læs mereEn differentiabel funktion hvis afledte ikke er kontinuert Søren Knudby
24 En differentiabel funktion hvis afledte ikke er kontinuert Søren Knudby Det er velkendt for de fleste, at differentiabilitet af en reel funktion f medfører kontinuitet af f, mens det modsatte ikke gælder
Læs mereOverheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ.
Statistiske modeller (Definitioner) Statistik og Sandsynlighedsregning 2 IH kapitel 0 og En observation er en vektor af tal x (x,..., x n ) E, der repræsenterer udfaldet af et (eller flere) eksperimenter.
Læs mere[BM] Mål- og integralteori, af Christian Berg og Tage Gutmann Madsen, Københavns Universitet, 2001.
INTEGRATIONS- OG FOURIERTEORI 31. januar 2012 Oversigt nr. 1 Lærebogen for kurset er [BM] Mål- og integralteori, af Christian Berg og Tage Gutmann Madsen, Københavns Universitet, 2001. Den skulle være
Læs mereINSTITUT FOR MATEMATISKE FAG c
INSTITUT FOR MATEMATISKE FAG c AALBORG UNIVERSITET FREDRIK BAJERS VEJ 7 G 9220 AALBORG ØST Tlf.: 96 35 89 27 URL: www.math.aau.dk Fax: 98 15 81 29 E-mail: bjh@math.aau.dk Dataanalyse Sandsynlighed og stokastiske
Læs mereGult Foredrag Om Net
Gult Foredrag Om Net University of Aarhus Århus 8 th March, 2010 Introduktion I: Fra Metriske til Topologiske Rum Et metrisk rum er en mængde udstyret med en afstandsfunktion. Afstandsfunktionen bruges
Læs mereLineære normale modeller (1) udkast. 1 Flerdimensionale stokastiske variable
E6 efterår 999 Notat 8 Jørgen Larsen 22. november 999 Lineære normale modeller ) udkast Ved hjælp af lineær algebra kan man formulere og analysere de såkaldte lineære normale modeller meget overskueligt
Læs mereOversigt nr. 1. n+2. n(n + 2) n=1. konvergerer ikke uniformt på [0, 1], så teknikkerne fra
INTEGRATIONSTEORI 1. februar 2019 Oversigt nr. 1 Lærebog. I dette kursus følger vi i store træk mine noter, som I kan finde på moodle-siden. Det vil løbende blive opdateret, så nøjes venligst med at printe
Læs mereDeskriptiv teori i flere dimensioner
Kapitel 17 Deskriptiv teori i flere dimensioner I kapitel 13 og 14 udviklede vi en række deskriptive værktøjer til at beskrive sandsynlighedsmål på (R, B) Vi vil i dette kapitel forsøge at udvikle varianter
Læs mereKalkulus 2 - Grænseovergange, Kontinuitet og Følger
Kalkulus - Grænseovergange, Kontinuitet og Følger Mads Friis 8. januar 05 Indhold Grundlæggende uligheder Grænseovergange 3 3 Kontinuitet 9 4 Følger 0 5 Perspektivering 4 Grundlæggende uligheder Sætning
Læs mereTransformation: tætheder pår k
Kapitel 19 Transformation: tætheder pår k I dette kapitel vil vi angribe følgende version af transformationsproblemet: Lad X 1,, X k være reelle stokastiske variable, defineret på (Ω,F, P), sådan at den
Læs mereOm hypoteseprøvning (1)
E6 efterår 1999 Notat 16 Jørgen Larsen 11. november 1999 Om hypoteseprøvning 1) Det grundlæggende problem kan generelt formuleres sådan: Man har en statistisk model parametriseret med en parameter θ Ω;
Læs mereπ er irrationel Frank Nasser 10. december 2011
π er irrationel Frank Nasser 10. december 2011 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Indhold 1 Introduktion
Læs mereHeisenbergs usikkerhedsrelationer. Abstrakt. Hvorfor? Funktionsrum. Nils Byrial Andersen Institut for Matematik. Matematiklærerdag 2013
Heisenbergs usikkerhedsrelationer Nils Byrial Andersen Institut for Matematik Matematiklærerdag 013 1 / 17 Abstrakt Heisenbergs usikkerhedsrelationer udtrykker at man ikke på samme tid både kan bestemme
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1TS Teoretisk statistik Den skriftlige prøve Sommer 2005 3 timer - alle hjælpemidler tilladt Det er tilladt at skrive
Læs mereFoldningsintegraler og Doobs martingale ulighed
Foldningsintegraler og Doobs martingale ulighed N.J. Nielsen Indledning I dette notat vil vi vise en sætning om foldningsintegraler, som blev benyttet trin 2 i onstrutionen af Itointegralet, gennemgå esempel
Læs mereBinomialfordelingen. X ~ bin(n,p): X = antal "succeser" i n uafhængige forsøg, der alle har samme sandsynlighed p for at ende med succes.
Uge 9 Teoretisk Statistik 23. februar 24 1. Binomialfordelingen 2. Den hypergeometriske fordeling 3. Poissonfordelingen 4. Den negative binomialfordeling 5. Gammafordelingen Binomialfordelingen X ~ bin(n,p):
Læs mereBetingning med en uafhængig variabel
Betingning med en uafhængig variabel Sætning Hvis X er en reel stokastisk variabel med første moment og Y er en stokastisk variabel uafhængig af X, så er E(X Y ) = EX. Bevis: Observer at D σ(y ) har formen
Læs mereForelæsning 2: Kapitel 4, Diskrete fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:
Læs mereGruppeteori. Michael Knudsen. 8. marts For at motivere indførelsen af gruppebegrebet begynder vi med et eksempel.
Gruppeteori Michael Knudsen 8. marts 2005 1 Motivation For at motivere indførelsen af gruppebegrebet begynder vi med et eksempel. Eksempel 1.1. Lad Z betegne mængden af de hele tal, Z = {..., 2, 1, 0,
Læs mereBilledbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)
; C ED 6 > Billedbehandling og mønstergenkendelse Lidt elementær statistik (version 1) Klaus Hansen 24 september 2003 1 Elementære empiriske mål Hvis vi har observationer kan vi udregne gennemsnit og varians
Læs mereMATEMATIK 6 INTEGRATIONSTEORI 3. marts 2015 Oversigt nr. 1
INTEGRATIONSTEORI 3. marts 2015 Oversigt nr. 1 Lærebogen for kurset er [BM] Mål- og integralteori, af Christian Berg og Tage Gutmann Madsen, Københavns Universitet, 2001. Den kan nok købes på KU, men kan
Læs mereIndhold. Litteratur 11
Indhold Forord ii 00-sættet 1 Opgave 1....................................... 1 Spørgsmål (a).................................. 1 Spørgsmål (b).................................. 1 Spørgsmål (c)..................................
Læs mere[BM] Mål- og integralteori, af Christian Berg og Tage Gutmann Madsen, Københavns Universitet, 2001.
INTEGRATIONS- OG FOURIERTEORI 2. februar 2009 Oversigt nr. 1 Lærebogen for kurset er [BM] Mål- og integralteori, af Christian Berg og Tage Gutmann Madsen, Københavns Universitet, 2001. Den skulle være
Læs mereLineære differentialligningers karakter og lineære 1. ordens differentialligninger
enote 11 1 enote 11 Lineære differentialligningers karakter og lineære 1. ordens differentialligninger I denne note introduceres lineære differentialligninger, som er en speciel (og bekvem) form for differentialligninger.
Læs mereMM501 forelæsningsslides
MM501 forelæsningsslides uge 40, 2010 Produceret af Hans J. Munkholm bearbejdet af JC 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen s.445-8 dx Eksempler
Læs mere5.3 Konvergens i sandsynlighed Konvergens i sandsynlighed 55. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås
5.3. Konvergens i sandsynlighed 55 BEVIS: Lad φ 1, φ 2,... og φ være de karakteristiske funktioner for X 1, X 2,... og X. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås φ X,v
Læs mereIndledning. 1 Martingalerepræsentationssætningen
Indledning I disse noter vil uddybe nogle af Øksendals resultater i afsnittene 4 og 7 samt give andre beviser for dem. Disse resultater er gennemgået til forelæsningerne. 1 Martingalerepræsentationssætningen
Læs mereBernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen
Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen Repetition Lov om total sandsynlighed Bayes sætning P( B A) = P(A) = P(AI B) + P(AI P( A B) P( B) P( A B) P( B) +
Læs mereStatistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen
Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager
Læs mereEn martingalversion af CLT
Kapitel 11 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske
Læs mereLandmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen
Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,
Læs mereModul 2: Sandsynlighedsmodeller og diskrete stokastiske variable
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable 2.1 Sandsynlighedsbegrebet............................... 1 2.1.1
Læs mereaf koblede differentialligninger (se Apostol Bind II, s 229ff) 3. En n te ordens differentialligning
EKSISTENS- OG ENTYDIGHEDSSÆTNINGEN Vi vil nu bevise eksistens- og entydighedssætningen for ordinære differentialligninger. For overskuelighedens skyld vil vi indskrænke os til at undersøge een 1. ordens
Læs mereSvag konvergens. Kapitel Historisk indledning
Kapitel 4 Svag konvergens 4.1 Historisk indledning I første halvdel af 1700-tallet var stort set al sandsynlighedsregning af kombinatorisk natur. Hovedværker fra perioden er Abraham de Moivres The Doctrine
Læs mereKapitel 4 Sandsynlighed og statistiske modeller
Kapitel 4 Sandsynlighed og statistiske modeller Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 22 Generalisering fra stikprøve til population Idé: Opstil en model for populationen
Læs mereHilbert rum. Chapter 3. 3.1 Indre produkt rum
Chapter 3 Hilbert rum 3.1 Indre produkt rum I det følgende skal vi gøre brug af komplekse såvel som reelle vektorrum. Idet L betegner enten R eller C minder vi om, at et vektorrum over L er en mængde E
Læs mereArchimedes Princip. Frank Nasser. 12. april 2011
Archimedes Princip Frank Nasser 12. april 2011 c 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Bemærk: Dette er
Læs mereStatistisk model. Definition: En statistisk model består af et repræsentationsrum (X, E) og en familie P af sandsynlighedsmål
Statistisk model Definition: En statistisk model består af et repræsentationsrum (X, E) og en familie P af sandsynlighedsmål på (X, E). Modellen er parametriseret hvis der findes en parametermængde Θ og
Læs mereEgenskaber ved Krydsproduktet
Egenskaber ved Krydsproduktet Frank Nasser 23. december 2011 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Indhold
Læs mereMujtaba og Farid Integralregning 06-08-2011
Indholdsfortegnelse Integral regning:... 2 Ubestemt integral:... 2 Integrationsprøven:... 3 1) Integration af potensfunktioner:... 3 2) Integration af sum og Differens:... 3 3) Integration ved Multiplikation
Læs meren=1 er veldefineret for alle følger for hvilke højresiden er endelig. F.eks. tilhører følgen
2 Hilbert rum 2. Eksempler på Hilbert rum Vi skal nu først forsøge at begrunde, at de indre produkt rum af funktioner eller følger, som blev indført i Kapitel, ikke er omfattende nok til vores formål.
Læs mereLandmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition:
Læs mereLøsning til eksamen 16/
1 IMM - DTU 245 Probability 24-5-11 BFN/bfn Løsning til eksamen 16/12 23 Spørgsmål 1) 2 44% Man benytter formlen for skalering og positionsskift i forbindelse med varians og standardafvigelse, samt formlen
Læs mereHvad skal vi lave i dag?
p. 1/1 Hvad skal vi lave i dag? Repeterer lidt om diskrete sv. Standardfordelinger (binomial, Poisson, geometrisk) Stokastiske vektorer Diskrete stokastiske vektorer p. 2/1 Repetition Heltallige sv er
Læs mereFlerdimensionale transformationer
Kapitel 18 Flerdimensionale transformationer Når man i praksis skal opstille en sandsynlighedsmodel for et eksperiment, vil man altid tage udgangspunkt i uafhængighed. Ofte kan man tænke på det udførte
Læs mereTaylors formel. Kapitel Klassiske sætninger i en dimension
Kapitel 3 Taylors formel 3.1 Klassiske sætninger i en dimension Sætning 3.1 (Rolles sætning) Lad f : [a, b] R være kontinuert, og antag at f er differentiabel i det åbne interval (a, b). Hvis f (a) = f
Læs mereAgenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede
Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede fordelinger (kap. 4) Middelværdi og varians (kap. 3-4) Fordelingsresultater
Læs meret x 1 e t dt. Man kan let vise, at dette integral er endeligt for positive x- værdier (se f.eks. [EA, s ]).
Artikel 35 Gammafunktionen En introduktion Jacob Stevne Jørgensen I 1700-tallet var interolation en vigtig discilin blandt matematikere. Det handler om ud fra et givet datasæt at finde en funktion, hvis
Læs mereBesvarelse, Eksamen Analyse 1, 2013
Københavns Universitet Prøve ved Det naturvidenskabelige Fakultet juni 23 Besvarelse, Eksamen Analyse, 23 Opgave Lad, for n N, funktionen f n : [, ) R være givet ved NB. Trykfejl. Burde være x. f n (x)
Læs mereMM501/MM503 forelæsningsslides
MM501/MM503 forelæsningsslides uge 50, 2009 Produceret af Hans J. Munkholm 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen dx Eksempler = et udtryk, der indeholder
Læs mereFunktionsrum. Kapitel 1. 1.1 Funktionsrummet L = L(X, E, µ)
Kapitel Funktionsrum. Funktionsrummet L = L(X, E, µ) For et vilkårligt målrum (X,E,µ) er mængdenl=l(x,e,µ) afµ-integrable funktioner f :X R et reelt vektorrum ifølge Theorem 7.3 i [EH]. Hvis vi indfører
Læs mereModule 1: Lineære modeller og lineær algebra
Module : Lineære modeller og lineær algebra. Lineære normale modeller og lineær algebra......2 Lineær algebra...................... 6.2. Vektorer i R n................... 6.2.2 Regneregler for vektorrum...........
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 2: Kapitel 4, Diskrete fordelinger. Per Bruun Brockhoff. Stokastiske Variable
Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereDen Brownske Bevægelse
Den Brownske Bevægelse N.J. Nielsen 1 Notation I dette notesæt vil vi generelt benytte samme notation som i det øvrige undervisningsmateriale i MM23. For ethvert n N betegner B n Borelalgebraen på R, og
Læs mereJeg foretager her en kort indføring af polynomier over såvel de reelle som
Polynomier, rødder og division Sebastian Ørsted 20. november 2016 Jeg foretager her en kort indføring af polynomier over såvel de reelle som de komplekse tal, hvor fokus er på at opbygge værktøjer til
Læs mere= λ([ x, y)) + λ((y, x]) = ( y ( x)) + (x y) = 2(x y).
Analyse 2 Øvelser Rasmus Sylvester Bryder 17. og 20. september 2013 Supplerende opgave 1 Lad λ være Lebesgue-målet på R og lad A B(R). Definér en funktion f : [0, ) R ved f(x) = λ(a [ x, x]). Vis, at f(x)
Læs mereLøsning til prøveeksamen 1
IMM - DTU 020 Probability 2006-2-8 BFN/bfn Løsning til prøveeksamen Spørgsmål ) For en indikatorvariabel I A for hændelsen A gælder E(I A ) = P(A) (se for eksemepl side 68). Således er E(X) = P(N ) = =
Læs mere