カップリング(確率論)(coupling)とは、2 つの確率分布 $\mu,\nu$ に対し、同じ確率空間の上で $X$ の分布が $\mu$、$Y$ の分布が $\nu$ となるように作った確率変数の組 $(X,Y)$、またはその同時分布のことで、結合ともいう。どのカップリングでも全変動距離は $\Pr(X\ne Y)$ 以下で、等号を実現する最大カップリングがある。実数直線の上では、$X\le Y$ となるカップリングがあることと確率順序 $\mu\preceq\nu$ は同値である。既約で非周期的な可算状態の Markov 連鎖が定常分布をもつとき、2 つの連鎖を独立に走らせて出会う時刻を使うと、推移確率が定常分布に収束することが証明できる。
2 つの確率分布 $\mu,\nu$ を比べたいとき、それぞれに従う確率変数 $X,Y$ を別々に考える必要はない。同じ確率空間の上に $X$ と $Y$ を、互いにうまく関係づけて作ってよい。たとえば、表の確率が $p$ と $r$($p\le r$)の硬貨を 1 回ずつ投げる代わりに、$[0,1)$ の一様乱数 $U$ を 1 つだけ引いて $X=\mathbf 1\{U< p\}$、$Y=\mathbf 1\{U< r\}$ とすれば、$X\le Y$ がいつも成り立ち、$X\ne Y$ となる確率は $r-p$ である。このように分布を保ったまま 2 つの確率変数を同じ空間に載せたものを カップリング(coupling)という。日本語では 結合 ともいう。
カップリングは比べ方の道具である。$\Pr(X\ne Y)$ が小さければ、どの事象の確率も $\mu$ と $\nu$ でほとんど変わらない(全変動距離の評価)。$X\le Y$ がいつも成り立てば、増加関数の期待値は $\nu$ のほうが大きい(確率順序)。同じ推移確率で動く 2 つの Markov 連鎖を同じ空間で走らせ、出会った後は区別できないことを使えば、分布が定常分布に近づくことが分かる。この記事では、カップリングの定義、全変動距離とカップリングの関係(最大カップリング)、実数直線の上の確率順序とカップリングの同値性を証明し、主定理として、可算状態の Markov 連鎖の収束定理をカップリングで証明する。
$(E,\mathcal E)$、$(F,\mathcal F)$ を可測空間とし、$\mu$ を $E$ の上の、$\nu$ を $F$ の上の確率測度とする。
2 の組 $(X,Y)$ の同時分布は 1 の意味のカップリングである。逆に 1 の $\gamma$ があれば、$\Omega=E\times F$、$\Pr=\gamma$ とし、$X,Y$ を 2 つの座標への射影とすれば 2 の意味のカップリングになる。$\Pi(\mu,\nu)$ は空でない。積測度 $\mu\otimes\nu$($X$ と $Y$ を独立にとるもの)がつねに属するからである。同じ対象は Wasserstein距離 と 最適輸送 でも「結合」「輸送計画」の名で使われ、そこでは費用の期待値を最小にするカップリングを探す。
| 内容 | 式 | 条件 | 根拠 |
|---|---|---|---|
| カップリングの不等式 | $\Vert\mu-\nu\Vert_{\mathrm{TV}}\le\Pr(X\ne Y)$ | $(X,Y)$ はカップリング、対角が可測 | thm-cp-maximal |
| 最大カップリング | $\Pr(X\ne Y)=\Vert\mu-\nu\Vert_{\mathrm{TV}}$ となる $(X,Y)$ がある | 対角が可測 | thm-cp-maximal |
| 密度による表示 | $\Vert\mu-\nu\Vert_{\mathrm{TV}}=1-\int\min(f,g)\,d\lambda$ | $f,g$ は $\lambda=\mu+\nu$ に関する密度 | thm-cp-maximal |
| 確率順序 | $\mu\preceq\nu$ ⇔ $X\le Y$ となるカップリングがある | $\mathbb R$ の上の分布 | thm-cp-order |
| 収束定理 | $\sup_A\lvert p^{(n)}_i(A)-\pi(A)\rvert\le\Pr(T>n)\to0$ | 可算状態、既約、非周期、定常分布 $\pi$ | thm-cp-convergence |
可測空間 $(E,\mathcal E)$ の上の確率測度 $\mu,\nu$ の 全変動距離 を
$$
\Vert\mu-\nu\Vert_{\mathrm{TV}}:=\sup_{A\in\mathcal E}\lvert\mu(A)-\nu(A)\rvert
$$
で定める。状態が有限個の場合は 混合時間 の命題「全変動距離の 3 つの表し方」に証明がある。次の定理はこれを一般の可測空間に広げる。
$\mu,\nu$ を $(E,\mathcal E)$ の上の確率測度とし、$\lambda:=\mu+\nu$ とする。Radon–Nikodymの定理 により $\mu=f\lambda$、$\nu=g\lambda$ となる可測関数 $f,g\ge0$ をとり、$D:=\{f>g\}$ とおく。
要点:1 は $D$ で上限に達すること、2 は $\{X=Y\}$ の上で $X\in A$ と $Y\in A$ が一致すること、3 は密度の共通部分 $\min(f,g)$ の上で $X=Y$ とし、残りを別々にとる構成による。
1:任意の $A\in\mathcal E$ について $\mu(A)-\nu(A)=\int_A(f-g)\,d\lambda\le\int_{A\cap D}(f-g)\,d\lambda\le\int_D(f-g)\,d\lambda=\mu(D)-\nu(D)$ である。$\mu,\nu$ の全質量はともに $1$ なので、同じく $\nu(A)-\mu(A)\le\nu(D^c)-\mu(D^c)=\mu(D)-\nu(D)$ である。$A=D$ で等号が成り立つから $\Vert\mu-\nu\Vert_{\mathrm{TV}}=\mu(D)-\nu(D)$ である。$\int\min(f,g)\,d\lambda=\nu(D)+\mu(D^c)=1-(\mu(D)-\nu(D))$ であり、$\frac12\int\lvert f-g\rvert\,d\lambda=\frac12\bigl((\mu(D)-\nu(D))+(\nu(D^c)-\mu(D^c))\bigr)=\mu(D)-\nu(D)$ である。
2:$\{X\ne Y\}=\{(X,Y)\notin\Delta\}$ は事象である。どの $A\in\mathcal E$ についても $\mu(A)-\nu(A)=\Pr(X\in A)-\Pr(Y\in A)\le\Pr(X\in A,\ Y\notin A)\le\Pr(X\ne Y)$ で、$X$ と $Y$ を入れ替えても同じである。
3:$p:=\int\min(f,g)\,d\lambda$ とおく。$p=1$ なら 1 により $\mu=\nu$ で、対角カップリングをとればよい。$p=0$ なら $\Vert\mu-\nu\Vert_{\mathrm{TV}}=1$ で、2 により独立カップリングでも $\Pr(X\ne Y)=1$ である。$0< p< 1$ とする。1 により $(f-g)^+\lambda$ と $(g-f)^+\lambda$ の全質量はともに $1-p$ である。互いに独立な $\xi,V,X',Y'$ を、$\Pr(\xi=1)=p=1-\Pr(\xi=0)$、$V\sim\min(f,g)\lambda/p$、$X'\sim(f-g)^+\lambda/(1-p)$、$Y'\sim(g-f)^+\lambda/(1-p)$ となるようにとる(積測度の空間で座標をとればよい)。$\xi=1$ なら $(X,Y):=(V,V)$、$\xi=0$ なら $(X,Y):=(X',Y')$ とおく。$X$ の分布は $\min(f,g)\lambda+(f-g)^+\lambda=f\lambda=\mu$、$Y$ の分布は同じく $\nu$ である。$X'$ は確率 $1$ で $D$ に、$Y'$ は確率 $1$ で $\{g>f\}\subset D^c$ に値をとるので、$\xi=0$ なら $X\ne Y$ である。よって $\Pr(X\ne Y)=1-p=\Vert\mu-\nu\Vert_{\mathrm{TV}}$ である。$\square$
$E$ が可分な距離空間で $\mathcal E$ がその Borel 集合族なら、$\Delta$ は $E\times E$ の閉集合で、$E\times E$ の Borel 集合族は $\mathcal E\otimes\mathcal E$ に等しいので、2 の仮定は満たされる。定理の 2 と 3 を合わせると
$$
\Vert\mu-\nu\Vert_{\mathrm{TV}}=\min\{\Pr(X\ne Y)\mid(X,Y)\text{ は }\mu,\nu\text{ のカップリング}\}
$$
である。これは、距離 $d(x,y)=\mathbf 1\{x\ne y\}$ について費用の期待値 $\mathrm E[d(X,Y)]$ を最小にする輸送問題の値が全変動距離であることを言っている(Wasserstein距離 の $p=1$ の場合にあたる)。全変動距離の上界がほしいときは、$\Pr(X\ne Y)$ が小さいカップリングを 1 つ作ればよい。下界がほしいときは、$\mu(A)-\nu(A)$ が大きい事象 $A$ を 1 つ見つければよい。
実数直線の上の確率分布 $\mu,\nu$ について、すべての $t\in\mathbb R$ で $\mu((t,\infty))\le\nu((t,\infty))$ が成り立つとき、$\nu$ は $\mu$ を 確率的に優越する といい、$\mu\preceq\nu$ と書く。分布関数でいえば $F_\mu\ge F_\nu$ である。
$\mu,\nu$ を $\mathbb R$ の上の確率分布とする。次の 3 条件は同値である。
1 ⇒ 2。 ex-cp-basic の 3 の分位点カップリング $X=Q_\mu(U)$、$Y=Q_\nu(U)$ をとる。$u\in(0,1)$ を固定し、$x:=Q_\nu(u)$ とおく。確率変数の収束 の補題「分位点関数による実現」の同値「$Q(u)\le x$ ⇔ $u\le F(x)$」を $\nu$ に使うと $u\le F_\nu(x)$ で、仮定 $F_\nu\le F_\mu$ から $u\le F_\mu(x)$ である。同じ同値を $\mu$ に使うと $Q_\mu(u)\le x=Q_\nu(u)$ である。よってすべての $u$ で $Q_\mu(u)\le Q_\nu(u)$ であり、$X\le Y$ がいつも成り立つ。
2 ⇒ 3。 $h$ は単調非減少なので、確率 $1$ で $h(X)\le h(Y)$ である。有界なので期待値をとって $\int h\,d\mu=\mathrm E[h(X)]\le\mathrm E[h(Y)]=\int h\,d\nu$ である。
3 ⇒ 1。 $h:=\mathbf 1_{(t,\infty)}$ は有界で単調非減少なので、$\mu((t,\infty))\le\nu((t,\infty))$ である。$\square$
条件 3 は、LPW17 Lemma 22.5(p. 307)では連続な単調非減少関数で述べられている。半順序集合の上の分布では条件 3 を確率順序の定義にとる。状態が有限個の半順序集合でも 1 と 2 の同値(Strassen の定理)が成り立つ(LPW17 Theorem 22.6(p. 307)。証明は §22.8(p. 320)。この記事では証明しない)。同書 §22.10(p. 322)によれば、Strassen は半順序をもつ Polish 空間でこの同値を示した。
$0\le p\le r\le1$ とし、$U_1,\dots,U_n$ を独立な $(0,1)$ の一様乱数として $X:=\sum_k\mathbf 1\{U_k< p\}$、$Y:=\sum_k\mathbf 1\{U_k< r\}$ とおく。$X\sim\mathrm{Bin}(n,p)$、$Y\sim\mathrm{Bin}(n,r)$ で、いつも $X\le Y$ である。
確率順序。 thm-cp-order により $\mathrm{Bin}(n,p)\preceq\mathrm{Bin}(n,r)$ で、$\Pr(\mathrm{Bin}(n,p)\ge k)$ はどの $k$ でも $p$ について単調非減少である。$n=10$、$k=5$ では $p=0.3$ で $0.150268$、$p=0.5$ で $0.623047$ である。
距離。 $X\ne Y$ ならある $k$ で $p\le U_k< r$ なので、thm-cp-maximal の 2 により
$$
\Vert\mathrm{Bin}(n,p)-\mathrm{Bin}(n,r)\Vert_{\mathrm{TV}}\le\Pr(X\ne Y)=1-(1-(r-p))^n\le n(r-p)
$$
である。$n=10$、$p=0.30$、$r=0.31$ では右辺の中央の値は $0.095618$ で、実際の距離は $0.026854$ である。このカップリングは最大カップリングではない。
状態空間 $S$ を可算集合、$P=(p_{ij})_{i,j\in S}$ を推移行列とし、$n$ 歩の推移確率を $p^{(n)}_{ij}$ と書く。既約性、周期、定常分布は Markov連鎖 の定義「到達可能性・既約性・吸収状態・周期」と「定常分布」の意味で使う。既約な連鎖ではすべての状態の周期が等しい(同記事の命題「互いに到達可能な状態の周期は等しい」)ので、その値が $1$ のとき 非周期的 という。$A\subset S$ について $p^{(n)}_i(A):=\sum_{j\in A}p^{(n)}_{ij}$、$\pi(A):=\sum_{j\in A}\pi_j$ と書き、出発点 $i$ の連鎖の確率を $\Pr_i$ と書く。
$P$ が既約で非周期的なら、各 $i,j\in S$ に $N$ があって、$n\ge N$ のすべてで $p^{(n)}_{ij}>0$ である。
要点:$I:=\{n\ge1\mid p^{(n)}_{ii}>0\}$ は和について閉じ、最大公約数が $1$ なので、十分大きい整数をすべて含む。
$p^{(m+n)}_{ii}\ge p^{(m)}_{ii}p^{(n)}_{ii}$ なので $I$ は和で閉じている。$I$ の元を小さい順に並べ、先頭から $k$ 個の最大公約数を $d_k$ とすると $d_k$ は単調非増加な正の整数の列なので、ある $k$ で $d_k=\gcd I=1$ になる。Bézout の等式により整数 $c_1,\dots,c_k$ で $\sum_lc_la_l=1$($a_l\in I$)となるものがある。正の係数の部分を $A:=\sum_{c_l>0}c_la_l$、負の係数の部分を $B:=\sum_{c_l< 0}(-c_l)a_l$ とおくと $A=B+1$ である。$B=0$ なら $1=A\in I$ で、$I$ はすべての正の整数を含む。$B\ge1$ なら $B,B+1\in I$ である。$m\ge B^2$ を $m=qB+r$($0\le r< B$)と書くと $q\ge B>r$ なので $m=(q-r)B+r(B+1)\in I$ である。よって $m\ge B^2$ のすべてで $p^{(m)}_{ii}>0$ である。既約なので $p^{(K)}_{ij}>0$ となる $K$ があり、$p^{(m+K)}_{ij}\ge p^{(m)}_{ii}p^{(K)}_{ij}>0$ である。$\square$
$P$ が既約で定常分布 $\pi$ をもつなら、すべての $w,z\in S$ について $\Pr_w(\text{ある }n\ge0\text{ で }X_n=z)=1$ である。
既約なので $\pi_x>0$ となる $x$ と $p^{(n)}_{xz}>0$ となる $n$ があり、$\pi_z=\sum_y\pi_yp^{(n)}_{yz}\ge\pi_xp^{(n)}_{xz}>0$ である。
初期分布 $\pi$ の連鎖を考え、$k\ge0$ について $G_k:=\{m\ge k\text{ のすべてで }X_m\ne z\}$ とおく。有限の時間区間の事象については、経路の確率の式(Markov連鎖 の命題「経路の確率による特徴づけ」)と $\pi P^k=\pi$ から $\Pr_\pi(k\le m\le k+N\text{ で }X_m\ne z)=\Pr_\pi(0\le m\le N\text{ で }X_m\ne z)$ である。$N\to\infty$ として確率の連続性から $\Pr_\pi(G_k)=\Pr_\pi(G_0)$ を得る。$k\ge1$ なら $\{X_0=z\}\cap G_k\subset G_k\setminus G_0$ で、$G_0\subset G_k$ なので右辺の確率は $\Pr_\pi(G_k)-\Pr_\pi(G_0)=0$ である。$\pi_z>0$ で割って、すべての $k\ge1$ について
$$
\Pr_z(m\ge k\text{ のすべてで }X_m\ne z)=0
$$
である。$w=z$ なら主張は明らかなので $w\ne z$ とし、既約性から $p^{(k)}_{zw}>0$ となる $k\ge1$ をとる。時刻 $k$ での Markov 性(経路の確率の式を有限の区間で使い、区間を伸ばして極限をとる)により
$$
0=\Pr_z(X_k=w,\ m\ge k\text{ のすべてで }X_m\ne z)=p^{(k)}_{zw}\,\Pr_w(m\ge0\text{ のすべてで }X_m\ne z)
$$
である。よって $\Pr_w(z\text{ に到達しない})=0$ である。$\square$
$S$ を可算集合、$P$ を既約で非周期的な推移行列とし、定常分布 $\pi$ をもつとする。$i\in S$ とし、$X_0=i$ の連鎖 $(X_n)$ と初期分布 $\pi$ の連鎖 $(Y_n)$ を独立に走らせ、$T:=\inf\{n\ge0\mid X_n=Y_n\}$ とおく。このとき $\Pr(T< \infty)=1$ であり、すべての $n$ で
$$
\sup_{A\subset S}\bigl\lvert p^{(n)}_i(A)-\pi(A)\bigr\rvert\le\Pr(T>n)\xrightarrow[n\to\infty]{}0
$$
が成り立つ。とくにすべての $j$ で $p^{(n)}_{ij}\to\pi_j$ であり、定常分布は $\pi$ だけである。
組の連鎖。 $S\times S$ の上の推移行列 $q_{(a,b),(a',b')}:=p_{aa'}p_{bb'}$ を考える。$(X_n,Y_n)$ は初期分布 $\delta_i\otimes\pi$、推移行列 $q$ の Markov 連鎖である(経路の確率が独立な 2 つの連鎖の経路の確率の積になる)。$\pi\otimes\pi$ は $q$ の定常分布である:$\sum_{a,b}\pi_a\pi_bp_{aa'}p_{bb'}=\pi_{a'}\pi_{b'}$。
組の連鎖は既約。 $(a,b),(a',b')\in S\times S$ を任意にとる。lem-cp-aperiodic により、十分大きい $n$ で $p^{(n)}_{aa'}>0$ と $p^{(n)}_{bb'}>0$ が同時に成り立つので、$q^{(n)}_{(a,b),(a',b')}=p^{(n)}_{aa'}p^{(n)}_{bb'}>0$ である。非周期性を使うのはここだけである。
出会う。 $z\in S$ を 1 つ固定する。lem-cp-hit を $q$ と $\pi\otimes\pi$ に使うと、どの $(i,b)$ から出発しても組の連鎖は確率 $1$ で $(z,z)$ に到達する。$\Pr(T< \infty)\ge\sum_b\pi_b\Pr_{(i,b)}((z,z)\text{ に到達})=1$ である。
出会った後。 $m\le n$、$a\in S$、$B\subset S$ とする。事象 $\{T=m,\ X_m=Y_m=a\}$ は時刻 $m$ までの組の連鎖で決まるので、Markov 性により、その上で $X_n$ と $Y_n$ の条件付き分布はどちらも $p^{(n-m)}_{a\cdot}$ である:
$$
\Pr(T=m,\ X_m=a,\ X_n\in B)=\Pr(T=m,\ X_m=a)\,p^{(n-m)}_a(B)=\Pr(T=m,\ Y_m=a,\ Y_n\in B).
$$
$m\le n$ と $a$ について和をとると $\Pr(X_n\in B,\ T\le n)=\Pr(Y_n\in B,\ T\le n)$ である。
結論。 $Y_n$ の分布は $\pi P^n=\pi$ なので、
$$
p^{(n)}_i(B)-\pi(B)=\Pr(X_n\in B)-\Pr(Y_n\in B)=\Pr(X_n\in B,\ T>n)-\Pr(Y_n\in B,\ T>n)
$$
で、右辺の絶対値は $\Pr(T>n)$ 以下である。$T< \infty$ が確率 $1$ なので $\Pr(T>n)\to0$ である。$B=\{j\}$ とすれば $p^{(n)}_{ij}\to\pi_j$ を得る。$\pi'$ が別の定常分布なら、$\pi'_j=\sum_i\pi'_ip^{(n)}_{ij}$ で $n\to\infty$ とすると、優収束定理により $\pi'_j=\pi_j$ である。$\square$
この証明は Dur19 Theorem 5.6.6(pp. 313–314)と同じ筋で、そこで引かれている再帰性の定理の代わりに lem-cp-hit を証明した。$S$ が有限なら、組の連鎖はどこから出発しても $N$ 歩以内に確率 $\delta>0$ 以上で対角に入るような $N,\delta$ がとれるので、Markov 性を $N$ 歩ごとに使って $\Pr(T>kN)\le(1-\delta)^k$ となり、収束は指数的である。独立に走らせるのは最も素朴な選び方で、出会うまでの時間を短くする工夫は 混合時間 の定理「結合による混合時間の上界」で使われる。
$S=\{0,1\}$、$p_{01}=a$、$p_{10}=b$($0< a,b\le1$、$a+b< 2$)とする。定常分布は $\pi=(\frac b{a+b},\frac a{a+b})$ で、厳密に $\sup_A\lvert p^{(n)}_0(A)-\pi(A)\rvert=\frac a{a+b}\lvert1-a-b\rvert^n$ である。$X_0=0$ とし、$Y_0\sim\pi$ を独立にとる。$Y_0=0$ なら $T=0$ である。$X_m\ne Y_m$ のとき、次の 1 歩で 2 つが一致しない確率は、どちらの並びでも $\rho:=(1-a)(1-b)+ab$ である。よって $\Pr(T>n)=\frac a{a+b}\rho^n$ である。$a=0.3$、$b=0.2$、$n=10$ では、厳密な距離は $0.6\cdot0.5^{10}\approx5.86\times10^{-4}$、カップリングの上界は $0.6\cdot0.62^{10}\approx5.04\times10^{-3}$ である。
$P$ の固有値は $1$ と $1-a-b$ で、$p^{(n)}_{00}-\pi_0=\frac a{a+b}(1-a-b)^n$ である。2 状態では $\sup_A$ は $A=\{0\}$ でとれる。$X_m=0,\ Y_m=1$ から一致するのは、ともに $0$ へ行く確率 $(1-a)b$ か、ともに $1$ へ行く確率 $a(1-b)$ で、一致しないのは $1-(1-a)b-a(1-b)=\rho$ である。$X_m=1,\ Y_m=0$ でも同じ値になる。$\rho-\lvert1-a-b\rvert$ は、$a+b\le1$ なら $2ab$、$a+b>1$ なら $2(1-a)(1-b)$ で、どちらも $0$ 以上である。したがって独立カップリングの上界は正しい速さより遅い。$a=b=\frac12$ では厳密な距離は $1$ 歩で $0$ になるが、$\rho=\frac12$ である。
| 場面 | カップリング | 得られること | 記事 |
|---|---|---|---|
| Poisson 近似 | 各 Bernoulli 変数を平均の等しい Poisson 変数と結ぶ | Le Cam の不等式 | Poisson分布 |
| ランダムグラフの単調性 | $G(n,p)$ に独立なランダムグラフを重ねて $G(n,r)$($r\ge p$)を作る | 単調増加な性質の確率は $p$ について単調 | Erdős–Rényiのランダムグラフ |
| 交換可能列 | 戻さない抽出と戻す抽出を同じ番号で作る | de Finetti の定理の有限版の誤差評価 | de Finettiの定理 |
| Markov 連鎖の混合 | 同じ乱数で 2 つの連鎖を動かし、出会ったら一緒に動かす | 混合時間の上界 | 混合時間 |
| 収束定理 | 2 つの連鎖を独立に走らせる | thm-cp-convergence | この記事 |
各行は thm-cp-convergence か thm-cp-order の仮定を 1 つだけ外す。
| 外す条件 | 反例 | 成り立たなくなること |
|---|---|---|
| 非周期性 | $S=\{0,1\}$、$p_{01}=p_{10}=1$、$\pi=(\frac12,\frac12)$ | $p^{(n)}_{00}$ は $1,0,1,0,\dots$ と振動し収束しない。$(0,1)$ から出発した独立な 2 つの連鎖は入れ替わり続けて出会わない |
| 既約性 | $S=\{0,1\}$、$p_{00}=p_{11}=1$、$\pi=(\frac12,\frac12)$ | 非周期で $\pi$ は定常分布だが、$p^{(n)}_{00}=1$ で $\pi_0=\frac12$ に収束しない |
| 定常分布の存在 | $S=\mathbb Z$、確率 $\frac12$ で留まり $\frac14$ ずつ $\pm1$ に動く連鎖 | 既約で非周期だが、どの有限集合 $A$ でも $p^{(n)}_0(A)\to0$ で、$p^{(n)}_{0\cdot}$ は確率分布に収束しない |
| 全ての $t$ での裾の比較(確率順序) | $\mu=\delta_0$、$\nu=\frac12(\delta_{-1}+\delta_3)$ | 平均は $0\le1$ だが $\nu((-1,\infty))=\frac12< 1=\mu((-1,\infty))$ で、$X\le Y$ となるカップリングはない |
1 行目:$P^2=I$ なので $p^{(n)}_{00}$ は $n$ の偶奇で $1$ と $0$ になる。$(X_0,Y_0)=(0,1)$ なら $(X_n,Y_n)$ は $(0,1)$ と $(1,0)$ を交互にとる。2 行目:$\pi P=\pi$ は明らか。3 行目:位置は独立な歩みの和で、各歩みは平均 $0$、分散 $\frac12$ なので、中心極限定理 により $X_n/\sqrt n$ は $N(0,\frac12)$ に分布収束する。有限集合 $A\subset[-K,K]$ なら、任意の $\varepsilon>0$ について十分大きい $n$ で $\Pr_0(X_n\in A)\le\Pr_0(\lvert X_n\rvert/\sqrt n\le\varepsilon)$ で、右辺は $\Pr(\lvert N(0,\frac12)\rvert\le\varepsilon)$ に近づき、$\varepsilon\to0$ で $0$ に近づく。定常分布 $\pi$ があれば $\pi(A)=\sum_i\pi_ip^{(n)}_i(A)\to0$($p^{(n)}_i(A)=p^{(n)}_0(A-i)$ なので各 $i$ で $0$ に近づき、優収束定理による)となり、$A$ が任意の有限集合なので $\pi=0$ となって矛盾する。4 行目:$X=0$ なら $X\le Y$ には $Y\ge0$ が確率 $1$ で要るが、$\nu(\{-1\})=\frac12$ である。
| 誤り | 正しくは | なぜ |
|---|---|---|
| カップリングとは 2 つの確率変数を独立にとることだと思う | 周辺分布さえ正しければ同時分布は自由に選べる。独立はその 1 つにすぎない | def-cp-coupling |
| $\Pr(X\ne Y)$ を全変動距離そのものとして使う | どのカップリングでも上界にすぎず、等号は最大カップリングで成り立つ | thm-cp-maximal、ex-cp-binomial |
| 最大カップリングは 1 つに決まると思う | $X\ne Y$ となる部分の同時分布は自由に選べ、一般には一意でない | prf-cp-maximal の 3 |
| 2 つの連鎖を独立に走らせればいつか出会う | 周期的な連鎖では出会わないことがある | 反例の表の 1 行目 |
| 平均の大小から確率順序を結論する | 確率順序はすべての $t$ で裾の確率を比べる | 反例の表の 4 行目 |
単調な連鎖。 状態に半順序があり、順序を保つカップリングで動かせる連鎖では、最大と最小の状態から出発した 2 つの連鎖が出会えば、途中から出発した連鎖もすべて出会う。このとき 1 組の合流時刻で全体の混合が評価できる(LPW17 §22.1、pp. 305–306)。全変動距離の定義の違い。 文献によっては $\sum_x\lvert\mu(x)-\nu(x)\rvert$ を全変動距離と呼び、この記事の値の 2 倍になる。最大カップリングの離散版。 状態が有限個の場合の構成と $\Vert\mu-\nu\Vert_{\mathrm{TV}}=\min\Pr(X\ne Y)$ は LPW17 Proposition 4.7・Remark 4.8(p. 50)にある。
Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する