Область сингулярности двух мер, соответствующих одному простейшему процессу
Автор: Зоригт Чойнхор, Цэрэнбат Ойров, Чимэд-Очир Балжинням, Очирбат Баатар
Журнал: Вестник Бурятского государственного университета. Философия @vestnik-bsu
Рубрика: Функциональные уравнения и их приложения
Статья в выпуске: 9, 2011 года.
Бесплатный доступ
В настоящей работе устанавливается сингулярность двух мер, соответствующих гауссовскому марковскому стационарному процессу с дискретным временем и строятся две последовательности областей, которые сходятся к области сингулярности мер почти наверное.
Сингулярность, гауссовский марковский процесс
Короткий адрес: https://sciup.org/148180509
IDR: 148180509
Текст научной статьи Область сингулярности двух мер, соответствующих одному простейшему процессу
Порядок роста энтропийного расстояния.
Как известно, гауссовская марковская стационарная последовательность полностью определяется средним значением, дисперсией и коэффициентом корреляции между соседними членами.
Рассмотрим реализацию последовательности. Тогда ее совместная плотность вероятности пишется в виде:
fn (x, 5) = cn exp |-2 (x - m)' ЦлЦ"1 (x - m ), n n-1
- где cn = (2π) 2σ-n(1-λ2) 2 ,
Λ 1=[ σ 2(1 - λ 2)] - 1 Q ; Q =( q ij ),
qy = 1
1 + λ 2
-λ
i= j=1,n i = j = 2,…, n - 1
| i - j |=1
| i - j |>1
x = ( x 1, x 2, … , xn ); m = ( m , … , m ); ϑ = ( m , σ 2, λ ) ∈ Ω ⊂ R 3,
Ω ={ -∞ < m < ∞ ; - 1< λ <1; σ 2 ≥ 0}.
Пусть меры, соответствующие значениям
ϑ 0 = ( m 0 , σ 0 , λ 0 ); ϑ 1 = ( m 1 , σ 1 , λ 1 )
При конечной для логарифма относительной плотности имеем:
log Pn = log
f n ( x , ϑ 1) fn ( x , ϑ 0)
σ n - 1 1 - λ2
= n log 0 + log 02
σ 1 2 1 - λ 1
1 +× 2 σ 0 2(1 - λ 0 2)
×
n - 1 n - 1
( x - m o )2 + (1 + Л 2 ) ^ ( x i - m o )2 — 2 ^ ^ (x i — m o )( x + 1 — m o ) + ( x n — m o ) 2
i =2 i =1
× 2 σ 1 2(1 - λ 1 2)
-
×
n - 1 n - 1
( X 1 - m i )2 + (1 + j 2) ^ ( X i - m i )2 - 2 Я ^ ( x i - m i )( x M - m i ) + ( x n - m . )2 i =2 i =1
Легко подсчитать, что M Olog P n =
1 (7 02 1 1 - ^ 2 - log — 0- + - log £
2 2 2 1-Д2
+ 1 - < 7 н - A 2 - 2 AA )
2 2 o f(1 - / 7)
n -
(1 - A )( m i - m o )2 (7 12 (1 + Д )
+ 1log^ - ^A < A > - 4 ) - A ( m i - m o )2 2 gi - j ^ 2(1 - Д 2) аИ + Л )
M i log P n =
1b.Л .'J - Z 1 V 7 d + j - 2 Л ) j ) 2 log ^ + ^ " - + 2 ff 2 (i - ^
n +
(1 - ^ O)( m i - m 0)2 n + I log 1 - A ? + ^ f jA z A ). - A )( m i - m 0)2 ^ o (1 + A >) _ 2 1 - А2 ^О - A 2) ^О + A >)
D i (log P n ) = O ( n ), (1)
M (log P) e D (log P) обозначает соответственно математическое ожидание и дисперсию где i n i n относительно меры Pi, i = 0,1.
P e P
Энтропийное расстояние между мерами 0 1 будет r = -[M о log Pn - M i log Pn ] = M i log Pn - M о log Pn
Ю.А.Розанов для любого гауссовского процесса показал, что [1]
M ) [ - log P n ] = M i [log P n ] = D ) [log P n ] = D i [log P n ] = r n , (2)
Для нашего случая, как видно из формулы (1)
M ) [ - log P n ] = O ( n )
M i [log P n ] = O ( n )
D i [log P n ] = O ( n )
Следовательно, в силу (2)
г , = O ( n ). (3)
Основная теорема.
Теорема 1. Меры P 0 e P , соответствующие значениям параметров ^ 0 e ^ гауссовской Марковской стационарной последовательности всегда сингулярны и для последовательность областей
Bn ={log Pn - M0log Pn >2 rn } при n ^^ P1(Bn) ^ 1. .
Доказательство. Из равенства (3) видно, что при n ^ ^ энтропийное растояние между мерами P 0 e P 1 стремится к бесконечности. Следовательно, меры P 0 e P 1 сингулярны [2].
Согласно формуле (3) и неравенству Чебышева имеем
P o ( B , ) . D 0 [12S P n l = 1
1 r 2 r n
4 n следовательно, lim Po( Bn ) = 0
n →∞
С другой стороны
Bn — U\{-logPn + MJogPn >2Гп}, где U - пространство реализаций. Тогда
DAoeP
— 1 --, rn
P 1 (Bn ) — 1 - P 1 (U \ Bn ) > 1^T-g P^
1 2
4 Г"
т.е.
lim P i ( B n ) — 1
n →∞
Теорема доказана.
Область сингулярности, основанная на оценке наибольшего правдоподобия.
Пусть ^ n - оценка наибольшего правдоподобия параметра г ? . Тогда отношение правдоподобия, основанное на ? n , будет
_ _ fn ( x , ? 0)
p n — .
f n ( x , ? n )
Легко показать, что для рассматриваемого процесса вектор ( ? n - ? 0)V n асимптотически распределен по нормальному закону с нулевым средним и ковариационной матрицей:
R ( ? ) —
-
2 а 2(1 + X )
1 - X 0
1 - X
2 а 2 X
^
2 а 2 X
2 а 4(1 + X 2)
1 - X2
к
Лемма 1. Статистика - 2log p n асимптотически распределена по закону C (3), т.е.:
1 Г~ 1 u limP(-2log Pn > X21 ?) — -/= f 2u2 exp(--)du.
n ■■ V2 n Jx 2
Доказательство. Полагая ? — m, ?2 — а2, ?3 — X рассматривая разложение фунцкии log fn (x,?) по формуле Тейлора вблизи ?n точке ?0 находим где ? -величина
- 2lo g P n
—
-
15^ d 2log f n ( x X)
n i , j —1
∂ϑi∂ϑj
(? ? n - ? 0 )V n (i ? n - ? 0 )V n , (4) n i i n j j
2^.
I ? - ? *|| < ? - ? .
Поскольку
д2 log fn (x,?) ∂ϑi ∂ϑj непрерывна по ?, то согласно теоремам (4.3.5), (4.3.7) [3] при n ^ ~ д2 log fn (x ,?*)
∂ϑi ∂ϑj
сходится по вероятности к
∂ 2log fn ( x , ϑ 0) ∂ ϑ i ∂ ϑ j
Следовательно, для достаточно большего n равенства (4) примет вид
- 2log ρ = - 1 3 ∂ 2 log f n ( x , ϑ 0 ) ( ϑ ˆ n n i ∑ , j =1 ∂ ϑ i ∂ ϑ j ni
- ϑ 0 i ) Jn ( ϑ ˆ nj - ϑ 0 j )V n , (5)
( i , j =1,2,3)
Нетрудно показать, что матрица с элементам
- 1 ∂2log fn(x,ϑ0) n ∂ϑi∂ϑj сходится по вероятности к R-1(ϑ). Следовательно, величина -2logρn имеет в пределе χ2 -распределение с тремя степенями свободы. [3].
Теорема 2. Для последовательности областей
V n = {-2log ρn > χ2 }, ãäå χ2 - ëþáîå êîíå÷íîå ÷èñëî, limP1(Vn) =1. n→∞
Доказательство.
Если введем обозначение
U n = - 2log fn ( x , ϑ ˆ1), fn ( x , ϑ n )
где ϑ 1 ≠ ϑ 0 , то согласно предыдущей лемме величина Un положительна для достаточно больших n .
Величину Vn можно представить в виде
V n ={ U n + 2log ρ n - 2 M 0 log ρ n > χ 2 - 2 M 0 log ρ n }.
В силу основной теоремы limP1(Vn) =1 n→∞
Теорема доказана.