متغیرهای تصادفی تعویض پذیر

در آمار دنباله‌ای از متغیرهای تصادفی تعویض پذیر (به انگلیسی: exchangeable) دنباله‌ای است که در آن نمونه‌های آینده مانند نمونه‌های اولیه رفتار کنند.

تعریف

در صورتی که دنباله‌ای بی‌نهایت $X_{1},X_{2},X_{3},\cdots$

از متغیرهای تصادفی داشته باشیم، و به ازای هر جایگشت دلخواه

\sigma

تعداد محدودی از از آن‌ها را جابجا کنیم، و دنبالهٔ جدیدی درست کنیم

X_{\sigma (1)},X_{\sigma (2)},X_{\sigma (3)},\dots

توزیع مشترک دنبالهٔ جدید عیناً برابر با توزیع مشترک دنباله قبل از جابجایی باشد.

ارتباط بین تعویض‌پذیری و IID بودن

مجموعه‌ای از متغیرهای تصادفی که IID متغیرهای تصادفی مستقل با توزیع یکسان مشروط بر فرض دانستن اطلاعات توزیع، تعویض پذیر هستند. این نتیجه مستقیماً از تعریف دنبالهٔ تعویض پذیر بر اساس توزیع مشترک بدست می‌آید. یا به عبارت دیگر می‌توان یک دنبالهٔ تعویض پذیر را معادل با یک دنبالهٔ IID مشروط به ساختار توزیعی آن‌ها تعریف کرد. توجه باید کرد که این مسئله تنها در مورد دنباله با طول بی‌نهایت صادق است.

یک دنبالهٔ تعویض پذیر با طول بی‌نهایت، اکیداً ایستا است و قانون اعداد بزرگ به فرم نظریه ارگودیک (Birkhoff-Khinchin theorem) در مورد آن صدق می‌کند. یعنی می‌توان با نسبت دادن توصیفی برای توزیع داده‌ها، خطای تجمعی نمونه‌ها اکیداً محدود کرد. هرچه نمونه‌های واقعی به نمونه‌های تعویض پذیر شباهت بیشتری داشته باشند، این استدلال واقعی تر است.

می توان توصیف ریاضی مفاهیم بالا را این‌گونه بیان کرد. فرض کنیم دنبالهٔ بینهایت $\mathbf {X} =(X_{1},X_{2},X_{3},...)$

را داشته باشیم، توزیع نمونه‌ای

F_{\mathbf {X} }

را این‌گونه تعریف می‌کنیم

$F_{\mathbf {X} }(x)=\lim _{n\to \infty }{\frac {1}{n}}\sum _{i=1}^{n}I(X_{i}\leq x).$

اگر دنباله $\mathbf {X}$

تعویض پذیر باشد، بدین معنی است که المان‌های

\mathbf {X} |F_{\mathbf {X} }

از هم مستقل هستند. این بدی معنی است که می‌توان توزیع مشترک هر زیر مجموعه‌ای از متغیرها به این صورت جدا کرد:

$p(X_{1},X_{2},...,X_{n})=\int \prod _{i=1}^{n}p(X_{i}|\theta )\,dP(\theta ).$

مثال

گلدان پلیا یک نمونه کلاسیک تعویض پذیری است. فرض کنید ما یک گلدان داریم که حاوی $W$

توپ سفید و

B

توپ سیاه است. هر بار یک توپ را کاملا به صورت تصادفی از گلدان برمی‌داریم رنگ آن را را ثبت کرده و توپ را به همراه یک توپ دیگر به همان رنگ به گلدان برمی‌گردانیم. هر بار که یک توپ جدید از گلدان برمی‌داریم یک متغیر تصادفی به اسم

X_{i}

برای رنگ توپ تعریف می‌کنیم.

X_{i}=1

اگر رنگ توپ سیاه باشد و در غیر اینصورت

X_{i}=0

. هر چه متغیرهای تصادفی قبل از

X_{i}

بیشتر یک باشد، احتمال اینکه

X_{i}

نیز یک شود بیشتر خواهد شد، چه که توپ‌های سیاه بیشتری به گلدان اضافه شده‌اند. از این رو این متغیرها نسبت به هم مستقل نیستند، اما همانطور که در پایین نشان خواهیم داد این متغیرها تعویض‌پذیرند.

فرض کنیم که $n$

بار از گلدان توپ برداریم، و از این

n

دفعه

k

بار توپ سیاه و

n-k

بار توپ سفید دیده باشیم. بار اول تعداد توپ‌های گلدان

W+B

است، بار دوم این تعداد

W+B+1

خواهد بود الی آخر. پس در دفعه

i

ام، تعداد توپ‌های ما

W+B+i-1

خواهد بود. حال فرض کنیم که تمام توپ‌های سیاه را قبل از توپ‌های سفید دیده باشیم، احتمال این رویداد عبارت پایین می‌شود:

${\frac {B}{W+B}}\times {\frac {B+1}{W+B+1}}\times \cdots \times {\frac {B+k-1}{W+B+k-1}}\times {\frac {W}{W+B+k}}\times {\frac {W+1}{W+B+k+1}}\cdots {\frac {W+n-k-1}{W+B+n-1}}$

حال باید ثابت کنیم که اگر ترتیب توپ‌های سیاه و سفید به صورت دلخواه عوض شوند تغییری در احتمال نهائی پیش نخواهد آمد. همانطور که در خط بالا می‌بینیم مخرج کسرها با تغییر ترتیب توپ‌ها تغییر نخواهد کرد، همیشه در دور $i$

ام مخرج کسر ما

W+B+i-1

خواهد بود، زیرا در این دور این تعداد توپ در گلدان است. اگر

j

امین توپ سیاه را در دور

t

ببینم احتمال

X_{t}=1

با

{\frac {B+j-1}{W+B+t-1}}

برابر خواهد بود، یعنی صورت احتمال با

B+j-1

برابر خواهد شد. با استدلالی مشابه می‌توان صورت احتمال برای توپ‌های سفید را هم محاسبه کرد. ازین رو احتمال نهائی با عبارت پایین برابر خواهد شد (حاصلضرب مخرج‌ها در حاصلضرب صورتها برای توپ‌های سیاه در حاصلضرب صورتها برای توپ‌های سفید):

${\frac {\prod _{i=1}^{k}\left(B+i-1\right)\times \prod _{i=1}^{n-k}\left(W+i-1\right)}{\prod _{i=1}^{n}\left(W+B+i-1\right)}}={\frac {\left(B+k-1\right)!\times \left(W+n-k-1\right)!\times \left(B+W-1\right)!}{\left(B-1\right)!\times \left(W-1\right)!\left(B+W+n-1\right)!}}$

این احتمال به ترتیب دیدن توپ‌های سیاه و سفید مربوط نمی‌شود و فقط به تعدا کل توپ‌های سفید و تعداد کل توپ‌های سیاه بستگی دارد. ازین رو این احتمال تعویض‌پذیر است.

جستارهای وابسته

آماره-u

توضیحات

↑ Hoppe, Fred M (1984). "Polya-like urns and the Ewens' sampling formula". Journal of Mathematical Biology (به انگلیسی). 20 (1): 91–94. doi:10.1007/bf00275863. ISSN 0303-6812.

منابع

Aldous, David J.، Exchangeability and related topics، in: École d'Été de Probabilités de Saint-Flour XIII — 1983, Lecture Notes in Math. 1117, pp. 1–198, Springer, Berlin, 1985. ISBN 978-3-540-15203-3 doi:10.1007/BFb0099421
Borovskikh, Yu. V. (1996). U-statistics in Banach spaces. Utrecht: VSP. pp. xii+420. ISBN 90-6764-200-2. MR 1419498.
Chow, Yuan Shih and Teicher, Henry، Probability theory. Independence, interchangeability, martingales، Springer Texts in Statistics, 3rd ed.، Springer, New York, 1997. xxii+488 pp. ISBN 0-387-98228-0
Diaconis, Persi (2009). "Book review: Probabilistic symmetries and invariance principles (Olav Kallenberg, Springer, New York, 2005)". Bulletin of the Amererican Mathematical Society (New Series). 46 (4): 691–696. doi:10.1090/S0273-0979-09-01262-2. MR 2525743.
Kallenberg, O.، Probabilistic symmetries and invariance principles. Springer-Verlag, New York (2005). 510 pp. ISBN 0-387-25115-4.
O'Neill, B. (2009) Exchangeability, Correlation and Bayes' Effect. International Statistical Review 77(2)، pp. 241–250. ISBN 978-3-540-15203-3 doi:10.1111/j.1751-5823.2008.00059.x
Taylor, Robert Lee; Daffer, Peter Z.; Patterson, Ronald F. (1985). Limit theorems for sums of exchangeable random variables. Rowman and Allanheld. pp. 1–152.

مطالعه ی بیشتر

Kingman, J. F. C.، Uses of exchangeability، Ann. Probability 6 (1978) 83–197 MR 494344 JSTOR 2243211

[:0-1] Hoppe, Fred M (1984). "Polya-like urns and the Ewens' sampling formula". Journal of Mathematical Biology (به انگلیسی). 20 (1): 91–94. doi:10.1007/bf00275863. ISSN 0303-6812.