확률 적 프로세스 구성 이해


11

나는 다음과 같은 방법으로 확률 적 프로세스가 모델링 / 구성되는 것을 보았다.

확률 공간 고려 및하자 S는 제 (측정) 변환 할 S : Ω의 →의 Ω 우리가 샘플 점의 진화 모델로 사용 ω을 시간이 지남에. 또한 X를 랜덤 벡터 X : Ω R n이라고 합니다. 그리고, 확률 프로세스 { X의 t : t = 0 , 1 , . . . }(Ω,F,Pr)SS:ΩΩωXX:ΩRn{Xt:t=0,1,...}화학식 통해 관측의 시퀀스를 모델링하는데 사용되는 또는 X의 t = X S t .Xt(ω)=X[St(ω)]Xt=XSt.

이 구성에서 샘플 포인트 및 변환 S 를 어떻게 이해해야 합니까? ( ω 는 어떤 경우에는 일련의 충격과 같은 것일 수 있습니까?)ωΩSω

좀 더 구체적으로,이 두 프로세스를이 표기법으로 어떻게 작성합니까?

프로세스 1 : 여기서 X 0 = 0 입니다.

(1)Xt+1=ρXt+εt+1
X0=0

공정 2 :

(2)Xt+1=εt+1

답변:


4

당신이 묘사하는이 구성은 완전히 일반적인 것이 아닙니다. 실제로 그것은 고정 된 시계열을 특징으로합니다. 변하지 않는 것을 알 수 있습니다. 이 연산자 는 본질적으로 시프트 연산자입니다.S

비교를 위해 다음은 이산 시간 프로세스에 대한 일반적인 정의입니다.

정의 확률 적 프로세스가 시퀀스 인 확률 보렐 공간 맵 측정 ( Ω , F는 , μ ) . {Xt}(Ω,F,μ)

이제 당신이 묘사 한 것에 대해 고정 된 Borel 측정 가능 맵 있습니다. S 에 따라 진화하는 기본 측정입니다 . 지도의 S는 에 새로운 "푸시 앞으로 측정"(측정 이론적 용어로)를 유도 Ω 단지 프리 이미지를 복용하여 : 측정을 정의 μ S를 하여X:ΩRnSSΩμS

AFμSPr(S1(A)).

따라서 랜덤 벡터 은 구성 상 X S 입니다. 그들은 R n 에 대해 동일한 푸시 포워드 측정을 유도합니다 . 이 작업을 수행 S의 t 각각 t 당신은 당신의 시계열을 가지고있다.X:(Ω,F,μS)RnXSRnStt

에 대한 질문에 대해서는 이 명확해야 다른 방향에 대한 증거를 검사, --- 즉 어떤 엄격하게 고정 시간이 시리즈는 반드시 어떤이 양식 취해야합니다 ( Ω , F , P의 R ) , X , 및 S를 .ω(Ω,F,Pr)XS

기본적인 관점은, 일반적 관점에서 확률 론적 과정은 가능한 실현의 세트에 대한 확률 측정이라는 것이다. 예를 들어, Wiener의 Brownian 운동 구성에서 볼 수 있습니다. 그 확률의 측정 값을 생성 . 따라서 일반적으로 ω 는 샘플 경로이며 Ω 은 가능한 모든 샘플 경로로 구성됩니다. C[0,)ωΩ

예를 들어 위에서 지정한 두 가지 프로세스를 수행하십시오. 혁신이 가우시안이라고 말하면 엄격하게 고정되어 있습니다. (가우시안 혁신에 의해 구동 상관 공분산 - 정상 시계열 엄격하게 고정된다.) 구성은 다음 복용 시작할 것이다 모든 시퀀스들의 집합으로 F σ -algebra 맵 좌표에 의해 발생 된, 그리고 P는 r에 적절한 조치. 화이트 노이즈 프로세스 (2)의 경우 P r 은 무한한 제품에 대한 제품 측정치입니다.ΩFσPrPr

참고 : 고정 정지 시계열의 이동에 의한 이러한 특성화 / 구성 은 계량 경제학을위한 화이트의 점근 론 ( White Asymptotic Theory)에 언급되어있다 .


답변과 참조 주셔서 감사합니다. 또한 느리게 회신해서 죄송합니다. 이것은 말이됩니다. 또한 언급 (White 's book)에 따르면이 구성으로 인해 고정식 프로세스가 허용되지 않는 것 같습니다. 방어력 3.27 변환 정의 보존 측정 될 경우, P의 R ( ) = P ( S - 1 ( ) ) 모두 F . 그리고 발의안 3.29는 S 가 측정 보존이면 공정은 정지 상태 라고 말합니다 . SPr(A)=P(S1(A))AFS
jmbejara

1
@jmbejara 네, 좋은 지적입니다. 실제로 을 정식 경로 공간 ( Π R )으로 선택하고 무한한 결과물 인 S 를 변화로 정의 하면 시계열 법이 그러한 형태로 실현 될 수 있습니다. ΩΠRS
Michael

1

충격 시퀀스와 같이 치수 차원 공간에서 사례를 고려하는 것이 가능 하지만, 그러한 해석은 비생산적이기 때문에 필터링 된 확률 공간에 대한 프로세스의 직접 지정과 비교할 때 단순화를 얻지 못하기 때문에 문제를 복잡하게 만드는 원치 않는 추가 엔티티.ω

이 방법은 유한 차원 공간의 점에 적용하기에 훨씬 적합합니다. 그런 다음이 접근 방식을 사용하면 시간이 균일 한 Markov 프로세스를 구성하고 는 프로세스 의 현재 위치 또는 여러 마지막 위치의 상태 공간에있는 지점으로 해석됩니다. S의 해석에 대한 고려 사항은 예제가 논의 될 때까지 연기되어야한다.ω

따라서 나는 가 질문에 정의 된 확률 공간에 대한 무작위 변수의 iid 시퀀스 라고 가정합니다 . 그런 다음 두 번째 프로세스는 다음과 같이 정의 할 수 있습니다.ϵt

S ( ω ) = ω , X ( S t ( ω ) ) = S t ( ω ) . 여기서 상위 색인은 여기에서 연산자의 다중 적용을 나타냅니다.ωR, S(ω)=ω, X(St(ω))=St(ω).

첫 번째 예는 첫 번째 예에 대한 설명입니다.

S ( ( ω 1 , ω 2 ) ) = ( ρ ω 1 + ω 2 , ω 2 ) , X ( S t ( ω ) ) = ( S t ( ω ) ) 1 . 여기서 낮은 지수는 여기서 해당 벡터의 각 성분을 나타냅니다.ωR2, S((ω1,ω2))=(ρω1+ω2,ω2), X(St(ω))=(St(ω))1.

우리가 본 바와 같이, 오퍼레이션 S 자체는 합리적으로 해석하기가 모호하고 어렵다. 그러나 주목할 점은 변환을 유지하는 측정 값을 정의하고 그 아래에서 이미지를 찍으면 동일한 측정 값으로 세트를 생성한다는 것입니다. 따라서이 기능은 상태 공간의 시간에 대한 측정 역학입니다.


1

SωX(ω)ωSX{Xt}t=0

당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.