Ionescu-Tulceaの定理(Ionescu-Tulcea theorem)とは、可測空間の列 $E_1,E_2,\dots$ の上に、初期分布 $P_1$ と、それまでの履歴 $(x_1,\dots,x_{n-1})$ から次の座標の分布を与える確率核 $K_n$ を指定すると、無限直積の積σ-代数の上に、最初の $n$ 座標の分布が $P_1\otimes K_2\otimes\cdots\otimes K_n$ になる確率測度がただ 1 つ存在するという定理である。座標の空間に位相の条件を課さない点が Kolmogorov の拡張定理と異なる。この測度のもとで次の座標の条件付き分布は核そのものであり、任意の確率空間の無限直積、一般の状態空間の Markov 連鎖、方策が履歴に依存する過程の存在が従う。
前提知識: 測度, 積測度, Carathéodoryの拡張定理, Dynkinのπ-λ定理
Ionescu-Tulceaの定理(Ionescu-Tulcea theorem)は、確率的な時間発展を「最初の分布」と「それまでの履歴から次の一歩の分布を決める規則」で与えたとき、その発展を無限の時間にわたって記述する確率測度が無限直積の上にただ 1 つ存在する、という定理である。次の一歩の規則は 確率核(各履歴に確率測度を対応させ、履歴について可測なもの)で与える。
無限直積の上の測度を作る定理には Kolmogorovの拡張定理 もある。そちらは有限次元分布の整合な族から出発し、座標の空間に位相の条件(内部正則性、Polish 空間など)を課す。一般の可測空間では整合な族があっても延長できない例がある(Dur19 p. 53)。Ionescu-Tulcea の定理は、データを条件付き分布の形(確率核)で受け取る代わりに、座標の空間に 何の条件も課さない。このため、一般の状態空間の Markov連鎖、Markov決定過程 や多腕バンディットのように方策が履歴に依存する過程、独立な確率変数の無限列の構成の土台になる(LS20 Theorem 3.3、§4.6–4.7)。
この記事では、確率核と測度の積を定義し、主定理を証明し、無限直積測度・Markov 連鎖・任意個の積への応用を述べる。
| 結果 | 内容 | 扱い |
|---|---|---|
| lem-it-kernel-product | 確率測度と確率核の積 | 証明 |
| thm-it-main | Ionescu-Tulcea の定理 | 証明 |
| prop-it-conditional | 次の座標の条件付き分布は核で与えられる | 証明 |
| cor-it-product | 任意の確率空間の無限直積 | 証明 |
| cor-it-markov | 一般の状態空間の Markov 連鎖の存在 | 証明 |
| cor-it-arbitrary | 任意個の確率空間の直積 | 証明 |
$(X,\mathcal X)$、$(Y,\mathcal Y)$ を可測空間とする。
写像 $K\colon X\times\mathcal Y\to[0,1]$ が $X$ から $Y$ への 確率核(probability kernel、Markov kernel)であるとは、次の 2 つが成り立つことをいう。
$K(x,B)$ は「現在の状態が $x$ のとき、次の状態が $B$ に入る確率」と読む。$X$ が 1 点なら確率核は $Y$ 上の確率測度 1 つにほかならない。$Y$ 上の確率測度 $Q$ を固定して $K(x,\cdot)=Q$ とおいたもの(定数核)も確率核である。有限集合の上では、確率核は各行の和が $1$ の非負の行列(推移行列)である。この定義は LS20 §3.2、Dur19 §5.2(p. 273、transition probability)と同じである。
$\mu$ を $(X,\mathcal X)$ 上の確率測度、$K$ を $X$ から $Y$ への確率核とする。
要点:核による内側の積分が可測になる集合の全体が Dynkin 族で可測な長方形を含むことから、π-λ 定理で積 σ-代数全体に広げる。測度であることは単調収束定理、一意性は π-λ 定理による。
1. $\mathcal D$ を、$x\mapsto\int\mathbf 1_C(x,y)\,K(x,dy)$ が可測になる $C\in\mathcal X\otimes\mathcal Y$ の全体とする。$C=A\times B$ ならこの関数は $\mathbf 1_A(x)K(x,B)$ で可測なので、可測な長方形は $\mathcal D$ に属する。$X\times Y\in\mathcal D$ で、$C\subset C'$ がともに $\mathcal D$ に属すれば、$K(x,\cdot)$ が有限な測度であることから $\mathbf 1_{C'\setminus C}$ の積分は差 $\int\mathbf 1_{C'}\,dK(x,\cdot)-\int\mathbf 1_C\,dK(x,\cdot)$ になり可測である。増加列 $C_m\uparrow C$ では、単調収束定理により積分は各 $x$ で増加して近づくので、極限も可測である。よって $\mathcal D$ は Dynkin 族で、可測な長方形の全体は共通部分で閉じ $\mathcal X\otimes\mathcal Y$ を生成するので、Dynkinのπ-λ定理 により $\mathcal D=\mathcal X\otimes\mathcal Y$ である。非負の単関数には線形性で、一般の非負可測関数には単関数の増加列と 単調収束定理 で広がる。
2. 1 により定義の内側の積分は可測である。$C=\bigsqcup_mC_m$ なら、$K(x,\cdot)$ の可算加法性と単調収束定理を内側と外側の積分に順に使って $(\mu\otimes K)(C)=\sum_m(\mu\otimes K)(C_m)$ となる。全体の値は $\int K(x,Y)\,\mu(dx)=1$ である。長方形での値は定義からすぐに出る。同じ値を長方形にとる確率測度が 2 つあれば、一致する集合の全体は Dynkin 族で長方形の全体を含むので、π-λ 定理により一致する。
3. 指示関数では 2 の定義そのもので、単関数と単調収束定理で一般の場合に広がる。$\square$
$K(x,\cdot)=Q$ が定数核のとき、$\mu\otimes K$ は 積測度 $\mu\otimes Q$ である。積を繰り返すことができる:$K_2$ を $X$ から $Y$ への確率核、$K_3$ を $X\times Y$ から $Z$ への確率核とすると、$\mu\otimes K_2$ は $X\times Y$ 上の確率測度なので $(\mu\otimes K_2)\otimes K_3$ が $X\times Y\times Z$ 上に定まる。これを $\mu\otimes K_2\otimes K_3$ と書く(LS20 §3.2)。
以下、$(E_n,\mathcal E_n)$($n=1,2,\dots$)を可測空間の列とする。$E^{(n)}:=E_1\times\cdots\times E_n$ にはその積 σ-代数 $\mathcal E^{(n)}$ を入れ、無限直積 $E^\infty:=\prod_{n\ge1}E_n$ には、座標 $x\mapsto x_n$ をすべて可測にする最小の σ-代数 $\mathcal E^\infty$(積 σ-代数)を入れる。$x=(x_1,x_2,\dots)\in E^\infty$ の最初の $n$ 成分を $x^{(n)}:=(x_1,\dots,x_n)$ と書き、射影 $\pi_n\colon E^\infty\to E^{(n)}$、$\pi_n(x):=x^{(n)}$ とおく。$E^{(n)}=E^{(n-1)}\times E_n$ と同一視する。
$P_1$ を $(E_1,\mathcal E_1)$ 上の確率測度とし、各 $n\ge2$ について $K_n$ を $E^{(n-1)}$ から $E_n$ への確率核とする。$P_n:=P_{n-1}\otimes K_n$($n\ge2$)とおく。このとき $(E^\infty,\mathcal E^\infty)$ 上の確率測度 $P$ で
$$P\circ\pi_n^{-1}=P_n\qquad(n=1,2,\dots)$$
を満たすものがただ 1 つ存在する。
証明は次の節「主定理の証明」で、段 1〜4 に分けて述べる。
$P_n$ は lem-it-kernel-product を $n-1$ 回使って定まる $E^{(n)}$ 上の確率測度で、$B_i\in\mathcal E_i$ について
$$P_n(B_1\times\cdots\times B_n)=\int_{B_1}P_1(dx_1)\int_{B_2}K_2(x_1,dx_2)\cdots\int_{B_n}K_n(x^{(n-1)},dx_n)$$
である。座標の空間 $E_n$ には位相も可算性の条件も課していない。
段 1:筒集合の上の有限加法的な確率. $\mathcal A$ を、ある $n$ と $B\in\mathcal E^{(n)}$ により $\pi_n^{-1}(B)$ と書ける集合(筒集合)の全体とする。$\pi_n^{-1}(B)=\pi_m^{-1}(B\times E_{n+1}\times\cdots\times E_m)$($m>n$)なので、有限個の筒集合は共通の $m$ で書け、$\mathcal A$ は補集合と有限和で閉じた集合代数である。$\mathcal A$ は座標の逆像を含み、$\mathcal A\subset\mathcal E^\infty$ なので、$\sigma(\mathcal A)=\mathcal E^\infty$ である。
$K_{n+1}(x^{(n)},E_{n+1})=1$ なので、lem-it-kernel-product の 2 から $P_{n+1}(B\times E_{n+1})=\int_BK_{n+1}(x^{(n)},E_{n+1})\,P_n(dx^{(n)})=P_n(B)$ である。これを繰り返すと $P_m(B\times E_{n+1}\times\cdots\times E_m)=P_n(B)$ となるので、
$$P_0\bigl(\pi_n^{-1}(B)\bigr):=P_n(B)$$
は表し方によらずに $\mathcal A$ 上の関数を定める。互いに素な 2 つの筒集合を共通の $m$ で書けば、$P_m$ の加法性から $P_0$ は有限加法的で、$P_0(E^\infty)=1$ である。
段 2:減少列で値が下に有界なら共通部分は空でない. 筒集合の減少列 $A_1\supset A_2\supset\cdots$ と $\varepsilon>0$ について、すべての $k$ で $P_0(A_k)\ge\varepsilon$ なら $\bigcap_kA_k\ne\emptyset$ であることを示す。$A_k=\pi_{n_k}^{-1}(B)$ の $n_k$ は大きくとり直してよいので $n_1< n_2<\cdots$ としてよく、さらに列の先頭に $E^\infty$ を、各 $A_k$ を必要な回数だけ繰り返して並べ直すと、$A_k=\pi_k^{-1}(B_k)$($B_k\in\mathcal E^{(k)}$)としてよい(並べ直しても減少列のままで、共通部分も値の下界も変わらない)。$A_{k+1}\subset A_k$ は $B_{k+1}\subset B_k\times E_{k+1}$ を意味する。
$0\le j\le k$ について、$E^{(j)}$ 上の関数 $h_k^j$ を後ろから
$$h_k^k:=\mathbf 1_{B_k},\qquad h_k^j(x^{(j)}):=\int_{E_{j+1}}h_k^{j+1}(x^{(j)},y)\,K_{j+1}(x^{(j)},dy)\quad(1\le j< k)$$
で定め、$h_k^0:=\int h_k^1\,dP_1$(定数)とおく。lem-it-kernel-product の 1 により各 $h_k^j$ は可測で、値は $[0,1]$ にある。$h_k^j(x^{(j)})$ は「最初の $j$ 成分が $x^{(j)}$ のとき、核に従って $k$ 番目まで進んで $B_k$ に入る確率」であり、lem-it-kernel-product の 3 を繰り返すと $h_k^0=P_k(B_k)=P_0(A_k)\ge\varepsilon$ である。
各 $j$ について $h_k^j$ は $k\ (\ge j)$ について減少する。実際、$B_{k+1}\subset B_k\times E_{k+1}$ から
$$h_{k+1}^k(x^{(k)})=K_{k+1}\bigl(x^{(k)},\{y:(x^{(k)},y)\in B_{k+1}\}\bigr)\le\mathbf 1_{B_k}(x^{(k)})=h_k^k(x^{(k)})$$
で、$j< k$ ではこの不等式を核で積分していくと $h_{k+1}^j\le h_k^j$ を得る。そこで $g^j:=\lim_{k\to\infty}h_k^j$ とおくと、$g^j$ は可測で $[0,1]$ に値をとる。$h_k^j$ の漸化式で $k\to\infty$ とすると、被積分関数は $1$ 以下なので有界収束定理により
$$g^j(x^{(j)})=\int_{E_{j+1}}g^{j+1}(x^{(j)},y)\,K_{j+1}(x^{(j)},dy)\quad(j\ge1),\qquad \int g^1\,dP_1=g^0=\lim_kP_0(A_k)\ge\varepsilon$$
である。
点を 1 つずつ選ぶ。もしすべての $y\in E_1$ で $g^1(y)< \varepsilon$ なら、$\varepsilon-g^1$ は正の可測関数なので確率測度 $P_1$ による積分は正で、$\int g^1\,dP_1< \varepsilon$ となって矛盾する。よって $g^1(x_1^*)\ge\varepsilon$ となる $x_1^*$ がある。$x_1^*,\dots,x_j^*$ を $g^j(x_1^*,\dots,x_j^*)\ge\varepsilon$ となるように選んだとすると、上の等式から $\int g^{j+1}(x_1^*,\dots,x_j^*,y)\,K_{j+1}(x_1^*,\dots,x_j^*;dy)\ge\varepsilon$ で、同じ理由で $g^{j+1}(x_1^*,\dots,x_{j+1}^*)\ge\varepsilon$ となる $x_{j+1}^*$ がある。こうして $x^*:=(x_1^*,x_2^*,\dots)\in E^\infty$ が得られる。
各 $k$ について $g^k\le h_k^k=\mathbf 1_{B_k}$ なので、$\mathbf 1_{B_k}(x_1^*,\dots,x_k^*)\ge\varepsilon>0$、つまり $(x^*)^{(k)}\in B_k$ で $x^*\in A_k$ である。よって $x^*\in\bigcap_kA_k$ である。
段 3:可算加法性と延長. $C\in\mathcal A$ が互いに素な $C_1,C_2,\dots\in\mathcal A$ の和なら、$D_n:=C\setminus(C_1\cup\cdots\cup C_n)$ は $\mathcal A$ の減少列で $\bigcap_nD_n=\emptyset$ である。段 2 の対偶により $P_0(D_n)\to0$ で、有限加法性から $P_0(C)=\sum_{i\le n}P_0(C_i)+P_0(D_n)\to\sum_iP_0(C_i)$ である。よって $P_0$ は集合代数 $\mathcal A$ 上の前測度で、Carathéodoryの拡張定理 の定理「Carathéodoryの拡張定理」により $\sigma(\mathcal A)=\mathcal E^\infty$ 上の測度 $P$ に延長される。$P(\pi_n^{-1}(B))=P_n(B)$ は延長の性質そのものである。
段 4:一意性. $P'$ も同じ性質をもてば、$P$ と $P'$ は共通部分で閉じた族 $\mathcal A$ の上で一致し、$\mathcal A$ は $\mathcal E^\infty$ を生成するので、Dynkinのπ-λ定理 により $P=P'$ である。$\square$
段 2 が Kolmogorovの拡張定理 の証明と違うところである。Kolmogorov の拡張定理ではコンパクト集合で内側から近似して点を選ぶが、ここでは核で積分した「残りの確率」$g^j$ が $\varepsilon$ 以上に保たれるように点を選ぶので、位相を使わない。
$(E^\infty,\mathcal E^\infty,P)$ の上の座標 $X_n(x):=x_n$ と $X^{(n)}:=(X_1,\dots,X_n)=\pi_n$ を考える。
thm-it-main の $P$ のもとで、$X_1$ の分布は $P_1$ で、各 $n\ge1$ と $B\in\mathcal E_{n+1}$ について
$$P\bigl(X_{n+1}\in B\mid X_1,\dots,X_n\bigr)=K_{n+1}\bigl(X^{(n)},B\bigr)\quad\text{a.s.}$$
が成り立つ。逆に、ある確率空間の上の確率変数の列 $(Y_n)$($Y_n$ は $E_n$ に値をとる)について、$Y_1$ の分布が $P_1$ で、すべての $n$ と $B$ について $P(Y_{n+1}\in B\mid Y_1,\dots,Y_n)=K_{n+1}(Y^{(n)},B)$ a.s. ならば、$(Y_n)$ の $E^\infty$ 上の分布は $P$ である。
$K_{n+1}(X^{(n)},B)$ は $X^{(n)}$ の可測関数なので $\sigma(X_1,\dots,X_n)$-可測である。$\sigma(X_1,\dots,X_n)$ の元は $\{X^{(n)}\in A\}$($A\in\mathcal E^{(n)}$)の形なので、lem-it-kernel-product の 2 から
$$P\bigl(X^{(n)}\in A,\ X_{n+1}\in B\bigr)=P_{n+1}(A\times B)=\int_AK_{n+1}(x^{(n)},B)\,P_n(dx^{(n)})=E\bigl[\mathbf 1_A(X^{(n)})\,K_{n+1}(X^{(n)},B)\bigr]$$
となり、条件付き期待値 の定義の等式が成り立つ。
逆について、$(Y_1,\dots,Y_n)$ の分布を $Q_n$ とすると、仮定と同じ計算で $Q_{n+1}(A\times B)=\int_AK_{n+1}(y,B)\,Q_n(dy)$ である。$Q_n=P_n$ と仮定すると、右辺は $P_{n+1}(A\times B)$ で、lem-it-kernel-product の 2 の一意性から $Q_{n+1}=P_{n+1}$ である。$Q_1=P_1$ から帰納法ですべての $n$ で $Q_n=P_n$ となり、thm-it-main の一意性から $(Y_n)$ の分布は $P$ である。$\square$
したがって、Ionescu-Tulcea の定理は「すべての履歴での次の一歩の条件付き分布を指定すれば、そのような確率変数の列が存在し、分布は一意に決まる」と言い換えられる。LS20 Theorem 3.3 はこの形(確率空間と確率変数 $X_t$ の存在)で述べている。
$(E_n,\mathcal E_n,Q_n)$($n\ge1$)を任意の確率空間の列とする。$(E^\infty,\mathcal E^\infty)$ 上の確率測度 $P$ で、すべての $n$ と $B_i\in\mathcal E_i$ について $P(\pi_n^{-1}(B_1\times\cdots\times B_n))=Q_1(B_1)\cdots Q_n(B_n)$ となるものがただ 1 つある。$P$ のもとで座標 $X_1,X_2,\dots$ は独立で、$X_n$ の分布は $Q_n$ である。
$P_1:=Q_1$、$K_n(x^{(n-1)},\cdot):=Q_n$(定数核)として thm-it-main を使う。このとき $P_n=Q_1\otimes\cdots\otimes Q_n$ で、長方形での値は積になる。有限個の座標の同時分布が周辺分布の積なので、座標は独立である(独立性(確率論))。$\square$
座標の空間はまったく任意でよい。$\mathbb R$ 値の場合は Kolmogorovの拡張定理 の系「実数列の空間の場合」でも得られるが、たとえば $E_n$ が非可算集合にすべての部分集合を可測とした空間で、$Q_n$ がその上の離散的な確率測度でも、この系はそのまま使える。
$(S,\mathcal S)$ を可測空間、$\mu$ を $S$ 上の確率測度、$p$ を $S$ から $S$ への確率核とする。$(S^\infty,\mathcal S^\infty)$ 上の確率測度 $P_\mu$ で、座標 $(X_n)_{n\ge1}$ について $X_1$ の分布が $\mu$ で、すべての $n$ と $B\in\mathcal S$ で
$$P_\mu\bigl(X_{n+1}\in B\mid X_1,\dots,X_n\bigr)=p(X_n,B)\quad\text{a.s.}$$
となるものがただ 1 つある。
$E_n:=S$、$P_1:=\mu$、$K_{n}(x^{(n-1)},B):=p(x_{n-1},B)$ とおく。$x^{(n-1)}\mapsto p(x_{n-1},B)$ は可測関数 $x_{n-1}\mapsto p(x_{n-1},B)$ と射影の合成なので可測で、$K_n$ は確率核である。thm-it-main と prop-it-conditional から結論を得る。一意性は prop-it-conditional の後半である。$\square$
Dur19 §5.2(p. 273)は、状態空間が標準 Borel 空間(nice)のときに、同じ有限次元分布から Kolmogorovの拡張定理 で Markov 連鎖を作っている。cor-it-markov はこの条件を外す。$p$ を時刻ごとに替えた時間的に非一様な連鎖や、核が過去の全体に依存する過程も、同じように作れる。
壺に赤玉と白玉が 1 個ずつ入っている。毎回 1 個を取り出して色を記録し、同じ色の玉を 1 個加えて 2 個とも戻す。$E_n:=\{0,1\}$($1$ が赤)とし、$s_n:=x_1+\cdots+x_n$ として
$$P_1(\{1\})=\tfrac12,\qquad K_{n+1}\bigl(x^{(n)},\{1\}\bigr)=\frac{1+s_n}{n+2}$$
とおく。$K_{n+1}$ は履歴全体ではなく $(n,s_n)$ によるが、$x_n$ だけにはよらない。thm-it-main により無限回の試行の分布 $P$ が存在する。$n$ 回の結果の列 $x^{(n)}$ で赤が $s$ 回のものについて、分子は赤が出るたびに $1,2,\dots,s$、白が出るたびに $1,2,\dots,n-s$ と増え、分母は $2,3,\dots,n+1$ なので
$$P_n(\{x^{(n)}\})=\frac{s!\,(n-s)!}{(n+1)!}$$
となり、この値は並べ方によらない(Pólyaの壺)。たとえば $n=3$ では $P_3(\{(1,1,0)\})=P_3(\{(0,1,1)\})=\frac{2!\,1!}{4!}=\frac1{12}$ である。座標は独立ではなく、$X_1=1$ のもとで $X_2=1$ の確率は $\frac23$ で、$P(X_2=1)=\frac12$ と異なる。
$I$ を任意の空でない集合、$(E_i,\mathcal E_i,Q_i)$($i\in I$)を確率空間とし、$E_I:=\prod_iE_i$ に積 σ-代数 $\mathcal E_I$ を入れる。$\mathcal E_I$ 上の確率測度 $Q$ で、すべての有限集合 $J\subset I$ について $Q\circ\pi_J^{-1}=\bigotimes_{j\in J}Q_j$ となるものがただ 1 つある。
高々可算な $J\subset I$ に番号を付けて cor-it-product を使い、$E_J$ 上の確率測度 $Q_J$ を作る($J$ が有限なら有限個の積測度)。$Q_J$ は有限次元分布 $\bigotimes_{j\in F}Q_j$($F\subset J$ は有限)で決まるので番号の付け方によらず、可算な $J\subset J'$ について $Q_{J'}\circ\pi_{J'J}^{-1}$ は同じ有限次元分布をもつので $Q_J$ に等しい。
$A\in\mathcal E_I$ には、Kolmogorovの拡張定理 の命題「積σ-代数の元は可算個の座標で決まる」により、可算な $J$ と $B\in\mathcal E_J$ で $A=\pi_J^{-1}(B)$ となるものがある。$Q(A):=Q_J(B)$ とおく。別の表し方 $A=\pi_{J'}^{-1}(B')$ があれば、$J'':=J\cup J'$ として、各 $E_i$ は空でないので $\pi_{J''}$ は全射であり、$\pi_{J''J}^{-1}(B)=\pi_{J''J'}^{-1}(B')$ である。よって $Q_J(B)=Q_{J''}(\pi_{J''J}^{-1}(B))=Q_{J'}(B')$ で、$Q$ は表し方によらない。可算個の $A_m$ は、それぞれの $J_m$ の和集合(可算)で同時に表せるので、$Q$ の可算加法性は $Q_{\bigcup_mJ_m}$ の可算加法性に帰着する。一意性は有限次元の筒集合の上で値が決まることと Dynkinのπ-λ定理 による。$\square$
2 つの定理の入力と仮定を比べる。
| Kolmogorovの拡張定理 | Ionescu-Tulcea の定理 | |
|---|---|---|
| 入力 | 有限次元分布の整合な族 $(\mu_J)$ | 初期分布 $P_1$ と確率核 $K_n$ の列 |
| 座標の空間の条件 | 位相の条件(内部正則性。Polish 空間なら満たす) | なし |
| 添字の集合 | 任意 | 自然数の列(順序を使う) |
| 証明で点を選ぶ方法 | コンパクト集合での近似 | 核で積分した残りの確率 |
$E_n$ がすべて標準 Borel 空間なら、$E^{(n+1)}$ 上の確率測度は正則条件付き分布によって $P_n\otimes K_{n+1}$ の形に書ける(LS20 Theorem 3.11 は、値の空間が Borel 空間の確率変数について条件付き分布の確率核が存在することを述べる)。このとき整合な族は Ionescu-Tulcea の定理の入力に書き直せるので、可算個の標準 Borel 空間については Kolmogorov の拡張定理も Ionescu-Tulcea の定理から出る。一方、一般の可測空間の列では、整合な族があっても無限直積の上の測度に延長できない例がある(Dur19 p. 53 が Andersen–Jessen の例として挙げる)。その例の整合な族は、Ionescu-Tulcea の定理の結論から、確率核による表示 $\mu_{n+1}=\mu_n\otimes K_{n+1}$ をもちえない。位相の条件は、確率核の存在を保証する役目を果たしているともいえる。
| 外した仮定 | 例 | 成り立たなくなる結論 |
|---|---|---|
| $K_n(x,\cdot)$ の全質量が $1$(thm-it-main) | $E_n:=\{0\}$、$P_1:=\delta_0$、$K_n(x,\cdot):=\frac12\delta_0$($n\ge2$) | $P\circ\pi_n^{-1}=P_n$($n=1,2$)を満たす確率測度 $P$ が存在しない |
| 条件付き分布を履歴全体で指定すること(prop-it-conditional の後半) | $\{0,1\}$ 値の列で、(a) $Y_1,Y_2,Y_3$ が独立で公平、(b) $Y_1,Y_2$ が独立で公平、$Y_3:=Y_1+Y_2\bmod2$ | $Y_1$ の分布と各 $n$ の $P(Y_{n+1}\in\cdot\mid Y_n)$ が (a) と (b) で同じなのに、$(Y_1,Y_2,Y_3)$ の分布が異なる |
| データが確率核で与えられること(thm-it-main) | 一般の可測空間の列の上の整合な族(Andersen–Jessen の例) | 整合な族を周辺にもつ無限直積の上の確率測度が存在しない |
要点:1 行目は全体の質量を 2 通りに計算し、2 行目は (b) の条件付き分布を計算して 3 点の同時確率を比べる。
1 行目:lem-it-kernel-product の積の定義は全質量が $1$ でなくても意味をもち、$P_2=P_1\otimes K_2=\frac12\delta_{(0,0)}$ である。$P$ があれば $P(E^\infty)=P_1(E_1)=1$ かつ $P(E^\infty)=P_2(E^{(2)})=\frac12$ となり矛盾する。外したのは全質量の条件だけで、可測性は満たしている。
2 行目:(a) でも (b) でも $Y_1$ は公平で、$Y_2$ は $Y_1$ と独立で公平なので $P(Y_2\in\cdot\mid Y_1)$ は同じである。(b) で $Y_3$ を $Y_2$ だけで条件付けると、$Y_1$ が $Y_2$ と独立で公平なので $P(Y_3=1\mid Y_2)=\frac12$ で、(a) と同じである。しかし (b) では $P(Y_1=Y_2=Y_3=1)=0$、(a) では $\frac18$ である。(b) でも履歴全体による条件付き分布 $P(Y_3\in\cdot\mid Y_1,Y_2)=\delta_{Y_1+Y_2\bmod2}$ は確率核で与えられ、それを使えば prop-it-conditional の通り分布は決まる。
3 行目の例はこの記事では扱わない(Dur19 p. 53)。
定理は C. T. Ionescu Tulcea(1949–50)による(IT49。帰属は LS20 §3.5 による)。名は Ionescu Tulcea で、文献では Ionescu-Tulcea、Ionescu–Tulcea とも綴る。強化学習・バンディットの文献では、方策と環境の確率核を交互に並べた thm-it-main で、行動と観測の無限列の確率空間を作る(LS20 §4.6–4.7)。
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