Apa yang terjadi pada rasio kemungkinan karena semakin banyak data yang dikumpulkan?

Biarkan , dan menjadi densitas dan anggap Anda memiliki , . Apa yang terjadi dengan rasio kemungkinan sebagai ? (Apakah itu bertemu? Untuk apa?) $f$ $g$ $h$ $x_i \sim h$ $i \in \mathbb{N}$

\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

$n \rightarrow \infty$

Sebagai contoh, kita dapat mengasumsikan . Kasus umum juga menarik. $h = g$

convergence asymptotics likelihood-ratio

— Olivier
sumber

Kemungkinan duplikat divergensi Kullback-Leibler TANPA teori informasi

— Xi'an

@ Xi'an. Saya pikir menambahkan pertanyaan ini ke SE memungkinkan koneksi untuk ditarik ke pertanyaan dalam jawaban. Meskipun mungkin ada kesamaan jawaban, pertanyaannya tidak sama.

— John

Terima kasih untuk tautannya. Pertanyaannya bukan duplikat, meskipun jawaban atas pertanyaan saya mungkin melibatkan perbedaan Kullback-Leibler.

— Olivier

Jawaban:

Jika seseorang menggunakan logaritma produk ini, dan mengubahnya menjadi rata-rata hukum bilangan besar berlaku, maka seseorang mendapat konvergensi yang hampir pasti mengasumsikan integral ini didefinisikan dengan baik [contoh counter mudah didapat].

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})}

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

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

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

{\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

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

Sebagai contoh, jika , , dan adalah kepadatan untuk distribusi Normal dengan rata-rata , , dan nol, masing-masing, semua dengan varian satu, nilai adalah $f$ $g$ $h$ $\mu_1$ $\mu_2$

\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} .

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

Perhatikan juga bahwa, tanpa rata-rata, produk hampir pasti menyatu menjadi nol (ketika ) . Sementara produk hampir pasti konvergen ke nol atau tak terhingga tergantung pada apakah atau lebih dekat ke dalam arti divergensi Kullback-Leibler (ketika ).

\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)

$x_i\sim h(x)\,$

\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
sumber

Bisakah Anda menyimpulkan jawaban? Apakah integral terakhir bukan nol (misalnya kapan )?

g = h

$g=h$

— Olivier

Kenapa harus nol? Jika itu nol; jika dan itu positif. Dan jika dan itu negatif. Bisa juga nol untuk , , dan jika dan berada pada jarak yang sama dari .

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

$h$

— Xi'an

Apa maksudmu pada jarak yang sama dari ? Bisakah Anda menguraikan? Jawaban Anda menarik tetapi tidak (belum) langsung menjawab pertanyaan.

h

$h$

— Olivier

Pertanyaan utama. Karena , itu adalah tanda integral terakhir yang menentukan perilaku asimptotik dari rasio.

r = n r_{n}

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

— Olivier

Biarkan . Pertimbangkan kuantitas Dengan Hukum Kuat Bilangan Besar, $Z_n = \prod^n_i \frac{p(x)}{q(x)}$

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

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

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

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

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

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
sumber