確率 のバックアップ(No.2)

• バックアップ一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• 確率 へ行く。
  • 1 (2017-10-20 (金) 15:32:26)
  • 2 (2017-10-20 (金) 16:20:56)

FrontPage

概要 †

• 確率を直感的に考えていると、式変形が哲学的になりがち
• 「解説はこう書いてあるが、俺はこう考える」みたいなのを避けましょう

心構え †

• 確率論ではパラレルワールドがいっぱいあるような状況を想定して、それぞれの世界での結果をまとめるという気持ちでいる
  • 具体的な計算に置いては、パラレルワールドを面積1の正方形で表現する感じで考察する
• 確率密度関数はインクのにじみ

変数変換 †

• \( Z=g(X) \)とする。確率密度関数\( f_X(x) \)は知っているとして、\( f_Z(z) \)を求めたい。
  • \( \displaystyle f_Z(z) = \frac{1}{\det(\partial Z / \partial X)} f_X(g^{-1}(z)) \)
  • \( Z=2X \)を想定すれば簡単で、要するにZの空間では範囲が広くなった分だけ確率密度関数が薄まる

正規分布 †

• \( \bf{Z} \)をn次元標準正規分布とする。
  • これを変数変換して、\( N(\mu, V) \)を構成したい
• \( X=RDZ+\mu \)なる変換を噛ませばいける
  • \( V[X] = RDZD^t R^t = RD^2R^t \)である（R, Dが揺らがないため、多次元の分散の公式から。また、\( V[Z] = I \)）
  • ここで、\( V=RD^2R^t \)なる、直交行列Rと対角行列Dを探してきたい。
  • これは簡単で、\( R^t V R = D^2 \)なるR, Dを探すのは、固有値と固有ベクトルそのままである。
  • \( X \)の等高線を図示するためには、\( col(R, i) \)方向に\( D_{ii} \)の長さの主軸を持つ楕円を描けば良い。

擬似乱数 †

• 一様分布を加工する
• \( F(y) \)を確率変数Yの累積分布関数とする。ここで、\( Y=F^{-1}(X) \)が計算できる場合は、\( X \)に[0, 1)上の一様分布をぶっこむと\( Y \)の擬似乱数が得られる
• 正規分布はBox-Mullerで生成しましょう
  • \( X_1, X_2 \)を[0, 1)上の一様分布として、\( \sqrt{-2 \log X_1} \cos(2 \pi X_2) \), \( \sqrt{-2 \log X_1} \sin(2 \pi X_2) \)は二次元標準正規分布に従う

いろんな不等式 †

• Starlingの公式
• Jensenの不等式
  • 先に下に凸関数をかますと下がる
• Gibbsの不等式
  • KLは正
• Markovの不等式
  • \( P(X \ge c) \le E[X] / c \)
  • 当たり前（\( s = P(X \ge c) \)とすると、その時点で\( E[X] \ge sc \)）
• Chebyshevの不等式
  • Markovから言える。\( P(|Y-\mu| \ge a \sigma) \le a^{-2} \)（期待値から\( a \)だけかけ離れた値が出る確率の低さは\( a^{-2}以下 \)）
  • 正規分布に限らず、任意の分布について言えているのがすごいね
• Chernoff限界
• Minkowskiの不等式
  • \( E[|X+Y|^p]^{1/p} \le E[|X|^p]^{1/p} + E[|Y|^p]^{1/p} \) （これは任意ノルムの三角不等式に対応している）
• Hoelderの不等式
  • \( E[|XY|] \le E[|X|^q]^{1/q} E[|Y|^q]^{1/q} \) （これは任意ノルムのシュワルツの不等式に対応している）

いろんな収束 †

• 概収束
  • これが満たされていると個々の世界線\( \omega \)に縛られた人間でも収束を直接感じることができる。
• 確率収束
  • パラレルワールドを横断しても、どの時間についても収束している
• 二次平均収束
  • \( E(|X_n-X|^2) \rightarrow 0 \)ならば必ず確率収束する
• 法則収束
  • 確率分布に着目した収束

• 成り立つもの
  • 概収束->確率収束
  • 二次平均収束->確率収束
  • 確率収束->法則収束

特性関数 †

• 特性関数は、確率密度関数のフーリエ変換らしきものになっている

KLと大偏差原理 †

• 確率\( t \)で表になるコインを\( n \)回投げて、表の割合が\( s \)になるような確率は、\( n \rightarrow \infty \)の時どれくらいの速度で下がるか？
• 結論、\( \log P(表がs割) \approx -nD(p||q) + o(n) \)
  • ただし\( p \)が確率\( t \)で表になる二項分布で、\( q \)が確率\( s \)で表になる二項分布
  • このことで面白いのは、\( t=0.1 \)と\( s=0.2 \)を区別するより、\( t=0.5 \)と\( t=0.6を区別するほうが圧倒的に難しいということ \)