Articulo de referencia

Medida aleatoria

En teoría de la probabilidad , una medida aleatoria es un elemento aleatorio con valor de medida . [ 1 ] [ 2 ] Las medidas aleatorias se utilizan, por ejemplo, en la teoría de p...

En teoría de la probabilidad , una medida aleatoria es un elemento aleatorio con valor de medida . [ 1 ] [ 2 ] Las medidas aleatorias se utilizan, por ejemplo, en la teoría de procesos aleatorios , donde forman muchos procesos puntuales importantes como los procesos puntuales de Poisson y los procesos de Cox .

Definición

Las medidas aleatorias pueden definirse como núcleos de transición o como elementos aleatorios . Ambas definiciones son equivalentes. Para las definiciones, seami{\displaystyle E}Sea un espacio métrico completo separable y seami{\displaystyle {\mathcal {E}}}sea ​​su Borelσ{\displaystyle \sigma }-álgebra . (El ejemplo más común de un espacio métrico completo separable esRnorte{\displaystyle \mathbb {R} ^{n}}.)

Como núcleo de transición

Una medida aleatoriaζ{\displaystyle \zeta }es un núcleo de transición localmente finito ( como ) de un espacio de probabilidad abstracto(Ω,A,PAG){\displaystyle (\Omega,{\mathcal {A}},P)}a(mi,mi){\displaystyle (E,{\mathcal {E}})}. [ 3 ]

Ser un núcleo de transición significa que

  • Para cualquier fijoBmi{\displaystyle B\in {\mathcal {\mathcal {E}}}}, el mapeo
ωζ(ω,B){\displaystyle \omega \mapsto \zeta (\omega,B)}
es medible desde(Ω,A){\displaystyle (\Omega,{\mathcal {A}})} a(R,B(R)){\displaystyle (\mathbb {R} ,{\mathcal {B}}(\mathbb {R} ))}
  • Para cada fijoωΩ{\displaystyle \omega \in \Omega }, el mapeo
Bζ(ω,B)(Bmi){\displaystyle B\mapsto \zeta (\omega ,B)\quad (B\in {\mathcal {E}})}
es una medida sobre(mi,mi){\displaystyle (E,{\mathcal {E}})}

Ser localmente finito significa que las medidas

Bζ(ω,B){\displaystyle B\mapsto \zeta (\omega,B)}

satisfacerζ(ω,B~)<{\displaystyle \zeta (\omega ,{\tilde {B}})<\infty }para todos los conjuntos medibles acotadosB~mi{\displaystyle {\tilde {B}}\in {\mathcal {E}}} y para todosωΩ{\displaystyle \omega \in \Omega }excepto algunosPAG{\displaystyle P}- conjunto nulo

En el contexto de los procesos estocásticos existe el concepto relacionado de núcleo estocástico, núcleo de probabilidad, núcleo de Markov .

Como un elemento aleatorio

Definir

METRO~:={μμ se mide en (mi,mi)}{\displaystyle {\tilde {\mathcal {M}}}:=\{\mu \mid \mu {\text{ es medida en }}(E,{\mathcal {E}})\}}

y el subconjunto de medidas localmente finitas por

METRO:={μMETRO~μ(B~)< para todo lo mensurable limitado B~mi}{\displaystyle {\mathcal {M}}:=\{\mu \in {\tilde {\mathcal {M}}}\mid \mu ({\tilde {B}})<\infty {\text{ para todo medible acotado }}{\tilde {B}}\in {\mathcal {E}}\}}

Para todo lo mensurable limitadoB~{\displaystyle {\tilde {B}}}, definir las asignaciones

IB~:μμ(B~){\displaystyle I_{\tilde {B}}\colon \mu \mapsto \mu ({\tilde {B}})}

deMETRO~{\displaystyle {\tilde {\mathcal {M}}}}aR{\displaystyle \mathbb {R} }. DejarMETRO~{\displaystyle {\tilde {\mathbb {M} }}}ser elσ{\displaystyle \sigma }-álgebra inducida por las aplicacionesIB~{\displaystyle I_{\tilde {B}}}enMETRO~{\displaystyle {\tilde {\mathcal {M}}}}yMETRO{\displaystyle \mathbb {M} }elσ{\displaystyle \sigma }-álgebra inducida por las aplicacionesIB~{\displaystyle I_{\tilde {B}}} enMETRO{\displaystyle {\mathcal {M}}}. Tenga en cuenta queMETRO~|METRO=METRO{\displaystyle {\tilde {\mathbb {M} }}|_{\mathcal {M}}=\mathbb {M} }.

Una medida aleatoria es un elemento aleatorio de(Ω,A,PAG){\displaystyle (\Omega,{\mathcal {A}},P)}a(METRO~,METRO~){\displaystyle ({\tilde {\mathcal {M}}},{\tilde {\mathbb {M} }})}que casi con seguridad toma valores en(METRO,METRO){\displaystyle ({\mathcal {M}},\mathbb {M} )}[ 3 ] [ 4 ] [ 5 ]

Medida de intensidad

Para una medida aleatoriaζ{\displaystyle \zeta }la medidamiζ{\displaystyle \operatorname {E} \zeta }satisfactorio

mi[F(incógnita)ζ(dincógnita)]=F(incógnita)miζ(dincógnita){\displaystyle \operatorname {E} \left[\int f(x)\;\zeta (\mathrm {d} x)\right]=\int f(x)\;\operatorname {E} \zeta (\mathrm {d} x)}

por cada función positiva medibleF{\displaystyle f}se denomina medida de intensidad deζ{\displaystyle \zeta }. La medida de intensidad existe para cada medida aleatoria y es una medida s-finita .

Medida de apoyo

Para una medida aleatoriaζ{\displaystyle \zeta }la medidaν{\displaystyle \nu }satisfactorio

F(incógnita)ζ(dincógnita)=0 como  si y solo si F(incógnita)ν(dincógnita)=0{\displaystyle \int f(x)\;\zeta (\mathrm {d} x)=0{\text{ ya que }}{\text{ si y solo si }}\int f(x)\;\nu (\mathrm {d} x)=0}

para todas las funciones medibles positivas se denomina medida de soporte deζ{\displaystyle \zeta }La medida de soporte existe para todas las medidas aleatorias y puede elegirse de forma que sea finita.

Transformación de Laplace

Para una medida aleatoriaζ{\displaystyle \zeta }, la transformada de Laplace se define como

Lζ(F)=mi[exp(F(incógnita)ζ(dincógnita))]{\displaystyle {\mathcal {L}}_{\zeta }(f)=\operatorname {E} \left[\exp \left(-\int f(x)\;\zeta (\mathrm {d} x)\right)\right]}

por cada función positiva medibleF{\displaystyle f}.

Propiedades básicas

Medibilidad de las integrales

Para una medida aleatoriaζ{\displaystyle \zeta }, las integrales

F(incógnita)ζ(dincógnita){\displaystyle \int f(x)\zeta (\mathrm {d} x)}

y ζ(A):=1A(incógnita)ζ(dincógnita){\displaystyle \zeta (A):=\int \mathbf {1} _{A}(x)\zeta (\mathrm {d} x)}

para positivomi{\displaystyle {\mathcal {E}}}-mensurableF{\displaystyle f}son medibles, por lo tanto son variables aleatorias .

Unicidad

La distribución de una medida aleatoria está determinada de forma única por las distribuciones de

F(incógnita)ζ(dincógnita){\displaystyle \int f(x)\zeta (\mathrm {d} x)}

para todas las funciones continuas con soporte compactoF{\displaystyle f}enmi{\displaystyle E}. Para un semianillo fijoImi{\displaystyle {\mathcal {I}}\subset {\mathcal {E}}}que generami{\displaystyle {\mathcal {E}}}en el sentido de queσ(I)=mi{\displaystyle \sigma ({\mathcal {I}})={\mathcal {E}}}, la distribución de una medida aleatoria también está determinada unívocamente por la integral sobre todos los números simples positivosI{\displaystyle {\mathcal {I}}}-funciones mediblesF{\displaystyle f}. [ 6 ]

Descomposición

Una medida generalmente se puede descomponer de la siguiente manera:

μ=μd+μa=μd+norte=1norteκnorteδincógnitanorte,{\displaystyle \mu =\mu _ {d}+\mu _ {a}=\mu _ {d}+\sum _ {n=1}^{N}\kappa _ {n}\delta _ {X_ {n}},}

Aquíμd{\displaystyle \mu _{d}}es una medida difusa sin átomos, mientras queμa{\displaystyle \mu _{a}}es una medida puramente atómica.

Medida de conteo aleatorio

Una medida aleatoria de la forma:

μ=norte=1norteδincógnitanorte,{\displaystyle \mu =\sum _ {n=1}^{N}\delta _ {X_ {n}},}

dóndeδ{\displaystyle \delta }es la medida de Dirac yincógnitanorte{\displaystyle X_{n}}son variables aleatorias, se denomina proceso puntual [ 1 ] [ 2 ] o medida de conteo aleatorio . Esta medida aleatoria describe el conjunto de N partículas, cuyas ubicaciones están dadas por las variables aleatorias (generalmente con valores vectoriales).incógnitanorte{\displaystyle X_{n}}. El componente difusoμd{\displaystyle \mu _{d}}es nulo para una medida de conteo.

En la notación formal anterior, una medida de conteo aleatorio es un mapa de un espacio de probabilidad al espacio medible (norteincógnita{\displaystyle N_{X}},B(norteincógnita){\displaystyle {\mathfrak {B}}(N_{X})}) . Aquínorteincógnita{\displaystyle N_{X}}es el espacio de todas las medidas con valores enteros finitos y acotadosnorteMETROincógnita{\displaystyle N\in M_{X}}(llamadas medidas de conteo ).

Las definiciones de medida de esperanza, funcional de Laplace, medidas de momento y estacionariedad para medidas aleatorias siguen las de los procesos puntuales . Las medidas aleatorias son útiles en la descripción y el análisis de métodos de Monte Carlo , como la cuadratura numérica de Monte Carlo y los filtros de partículas . [ 7 ]

Véase también

Referencias

  1. 1 2 Kallenberg, O. , Medidas aleatorias , 4.ª edición. Academic Press, Nueva York, Londres; Akademie-Verlag, Berlín (1986). ISBN 0-12-394960-2MR 0854102. Una referencia autorizada pero bastante difícil. 
  2. 1 2 Jan Grandell, Procesos puntuales y medidas aleatorias, Advances in Applied Probability 9 (1977) 502-526. MR 0478331 JSTOR Una introducción agradable y clara. 
  3. 1 2 Kallenberg, Olav (2017). Medidas aleatorias, teoría y aplicaciones . Teoría de la probabilidad y modelado estocástico. Vol. 77. Suiza: Springer. p. 1. doi : 10.1007/978-3-319-41598-7 . ISBN   978-3-319-41596-3.
  4. Klenke, Achim (2008). Teoría de la probabilidad . Berlín: Springer. pág. 526. doi : 10.1007/978-1-84800-048-3 . ISBN  978-1-84800-047-6.
  5. Daley, DJ; Vere-Jones, D. (2003). Una introducción a la teoría de los procesos puntuales . Probabilidad y sus aplicaciones. doi : 10.1007/b97277 . ISBN 0-387-95541-0.
  6. Kallenberg, Olav (2017). Medidas aleatorias, teoría y aplicaciones . Teoría de la probabilidad y modelado estocástico. Vol. 77. Suiza: Springer. p. 52. doi : 10.1007/978-3-319-41598-7 . ISBN   978-3-319-41596-3.
  7. "Crisan, D., Filtros de partículas: una perspectiva teórica , en Monte Carlo secuencial en la práctica, Doucet, A., de Freitas, N. y Gordon, N. (Eds.), Springer, 2001, ISBN 0-387-95146-6
Medida aleatoria | Hispanopedia Wiki