Was passiert mit dem Wahrscheinlichkeitsverhältnis, wenn immer mehr Daten gesammelt werden?

11

Lassen Sie , und Dichten und nehme an, Sie haben , . Was passiert mit dem Wahrscheinlichkeitsverhältnis $f$ $g$ $h$ $x_i \sim h$ $i \in \mathbb{N}$ als? (Konvergiert es? Zu was?)

\prod_{i = 1}^{n} \frac{f (x_{i})}{g (x_{i})}

$\prod_{i=1}^n \frac{f(x_i)}{g(x_i)}$

n \to \infty

$n \rightarrow \infty$

Zum Beispiel können wir annehmen . Der allgemeine Fall ist ebenfalls von Interesse. $h = g$

convergence asymptotics likelihood-ratio Olivier
quelle

Mögliches Duplikat der Kullback-Leibler-Divergenz OHNE Informationstheorie

Xi'an

4

@ Xi'an. Ich denke, das Hinzufügen dieser Frage zu SE ermöglicht es, die Verbindung über Fragen in der Antwort hinweg herzustellen. Obwohl es Ähnlichkeiten bei der Beantwortung geben kann, sind die Fragen nicht dieselben.

John

1

Danke für den Link. Die Frage ist nicht ein Duplikat, obwohl Antworten auf meine Frage kann die Kullback-Leibler - Divergenz beinhalten.

Olivier

15

Wenn man den Logarithmus dieses Produkts nimmt, ist und verwandelt es in einen Durchschnitt

r = \log \prod_{i = 1}^{n} \frac{f (x_{i})}{g (x_{i})} = \sum_{i = 1}^{n} \log \frac{f (x_{i})}{g (x_{i})}

${\mathfrak{r}}=\log \prod_{i=1}^n \frac{f(x_i)}{g(x_i)} = \sum_{i=1}^n \log\frac{f(x_i)}{g(x_i)}$

das Gesetz der großen Zahlen, daher erhält man die fast sichere Konvergenz

{\bar{r}}_{n} = \frac{1}{n} \sum_{i = 1}^{n} \log \frac{f (x_{i})}{g (x_{i})}

$\bar{\mathfrak{r}}_n=\frac{1}{n}\sum_{i=1}^n \log\frac{f(x_i)}{g(x_i)}$

Annahme, dass dieses Integral gut definiert ist [Gegenbeispiele sind leicht zu finden].

{\bar{r}}_{n} \overset{a.s.}{⟶} E_{h} [\log \frac{f (X)}{g (X)}] = \int_{X} \log \frac{f (x)}{g (x)} h (x) d x

$\bar{\mathfrak{r}}_n\stackrel{\text{a.s.}}{\longrightarrow}\mathbb{E}_h\left[\log \frac{f(X)}{g(X)}\right]=\int_\mathfrak{X} \log\frac{f(x)}{g(x)}\,h(x)\,\text{d}x$

Wenn zum Beispiel , und Dichten für die Normalverteilungen mit den Mitteln , bzw. Null sind, alle mit der Varianz Eins, ist der Wert von $f$ $g$ $h$ $\mu_1$ $\mu_2$ ist

\int_{X} \log \frac{f (x)}{g (x)} h (x) d x

$\int_\mathfrak{X} \log\frac{f(x)}{g(x)}\,h(x)\,\text{d}x$

\int_{X} {(x - μ_{1})^{2} - (x - μ_{2}^{2})} φ (x) d x = μ_{1}^{2} - μ_{2}^{2} .

$\int_\mathfrak{X} \{(x-\mu_1)^2-(x-\mu^2_2)\}\,\varphi(x)\,\text{d}x= \mu_1^2-\mu^2_2\,.$

Es ist auch zu beachten, dass ohne die Mittelung das Produkt konvergiert fast sicher gegen Null (wenn

\prod_{i = 1}^{n} \frac{f (x_{i})}{h (x_{i})}

$\prod_{i=1}^n \frac{f(x_i)}{h(x_i)}$

x_{i} \sim h (x)

$x_i\sim h(x)\,$ ). Während das Produkt

konvergiert fast sicher gegen Null oder unendlich, je nachdem, ob

oder

im Kullback-Leibler-Divergenzsinnnäher an

(wenn

\prod_{i = 1}^{n} \frac{f (x_{i})}{g (x_{i})}

$\prod_{i=1}^n \frac{f(x_i)}{g(x_i)}$

g

$g$

f

$f$

h

$h$

x_{i} \sim h (x)

$x_i\sim h(x)\,$ ).

Xi'an
quelle

g = h

$g=h$

1

f = g

$f=g$

f = h

$f=h$

g \neq h

$g\ne h$

g = h

$g=h$

f \neq h

$f\ne h$

f \neq h

$f\ne h$

f \neq g

$f\ne g$

g \neq h

$g \ne h$

f

$f$

g

$g$

h

$h$

h

$h$

1

r = n r_{n}

$\mathfrak{r}= n \mathfrak{r}_n$

0

$Z_n = \prod^n_i \frac{p(x)}{q(x)}$

W_{n} = \frac{1}{n} l o g (Z_{n}) = \frac{1}{n} \sum_{i}^{n} l o g (\frac{p (x)}{q (x)})

$W_n = \frac{1}{n}log(Z_n) = \frac{1}{n}\sum_i^n log(\frac{p(x)}{q(x)})$

lim_{n \to \infty} W_{n} = E_{q (x)} [l o g (\frac{p (x)}{q (x)})] = \int_{X} l o g (\frac{p (x)}{q (x)}) q (x) d x

$\lim_{n \rightarrow \infty} W_n = E_{q(x)}[log(\frac{p(x)}{q(x)})] = \int_\mathcal{X} log(\frac{p(x)}{q(x)})q(x)dx$

$log(a) < a-1 \ \forall a > 0$ $a \neq 1$ $\frac{p(x)}{q(x)} > 0$ $p(x) \neq q(x)$

W_{n} \to \int_{X} l o g (\frac{p (x)}{q (x)}) q (x) d x < \int_{X} (\frac{p (x)}{q (x)} - 1) q (x) d x = \int_{X} p (x) d x - \int_{X} q (x) d x = 1 - 1 = 0

$W_n \rightarrow \int_\mathcal{X} log(\frac{p(x)}{q(x)})q(x)dx < \int_\mathcal{X} (\frac{p(x)}{q(x)} - 1)q(x)dx = \int_\mathcal{X} p(x)dx - \int_\mathcal{X} q(x)dx = 1 - 1 = 0$

lim_{n \to \infty} W_{n} < 0 ⟹ lim_{n \to \infty} \frac{1}{n} l o g (Z_{n}) < 0 ⟹ lim_{n \to \infty} n \cdot \frac{1}{n} l o g (Z_{n}) = - \infty ⟹ lim_{n \to \infty} l o g (Z_{n}) = - \infty ⟹ lim_{n \to \infty} Z_{n} = 0 ◼

$\lim_{n \rightarrow \infty} W_n < 0 \implies \lim_{n \rightarrow \infty} \frac{1}{n}log(Z_n) < 0 \implies \lim_{n \rightarrow \infty} n \cdot \frac{1}{n}log(Z_n) = -\infty \\ \implies \lim_{n \rightarrow \infty} log(Z_n) = -\infty \\ \implies \lim_{n \rightarrow \infty} Z_n = 0 \ \blacksquare$

bgao
quelle

Was passiert mit dem Wahrscheinlichkeitsverhältnis, wenn immer mehr Daten gesammelt werden?

Antworten: