📊 statistics

Empirical Measures and Strong Laws of Large Numbers in Categorical Probability

Dieser Artikel etabliert einen einheitlichen kategorientheoretischen Rahmen für den Satz von Glivenko–Cantelli, das starke Gesetz der großen Zahlen und den Satz von de Finetti, indem er „empirische Stichprobenmorphismen" in quasi-Markov-Kategorien einführt, um die Konvergenz empirischer Maße aus ersten Prinzipien zu formalisieren.

Ursprüngliche Autoren: Tobias Fritz, Tomáš Gonda, Antonio Lorenzin, Paolo Perrone, Areeb Shah Mohammed

Veröffentlicht 2026-05-13

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Tobias Fritz, Tomáš Gonda, Antonio Lorenzin, Paolo Perrone, Areeb Shah Mohammed

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, die „wahre Natur" einer mysteriösen Menschenmenge allein anhand einer langen Liste von vorbeigehenden Personen zu ermitteln. Das ist im Wesentlichen, was die Wahrscheinlichkeitstheorie tut: Sie versucht, die verborgenen Regeln (die Verteilung) zu verstehen, die eine Folge zufälliger Ereignisse (die Stichproben) erzeugen.

Dieser Artikel mit dem Titel „Empirische Maße und starke Gesetze der großen Zahlen in der kategorialen Wahrscheinlichkeit" von Tobias Fritz und Kollegen ist ein hochrangiges mathematisches Abenteuer. Er betrachtet nicht nur Zahlen; er versucht, die gesamte Logik der Wahrscheinlichkeitstheorie mithilfe einer neuen Sprache namens Kategorientheorie neu aufzubauen. Denken Sie an die Kategorientheorie als einen „universellen Übersetzer", der beschreibt, wie Dinge miteinander verbunden sind und fließen, anstatt nur spezifische Zahlen zu berechnen.

Hier ist die Geschichte ihrer Entdeckung, aufgeschlüsselt in einfache Konzepte und Analogien.

1. Das Problem: Die „unendliche" Folge

In der realen Welt können Sie, wenn Sie eine Münze 1.000 Mal werfen, zählen, wie oft Kopf gefallen ist. Wenn Sie sie eine Million Mal werfen, erhalten Sie eine bessere Vorstellung. Aber was passiert, wenn Sie sie ewig werfen?

Mathematiker wissen seit langem (dank des Gesetzes der großen Zahlen), dass sich bei fortgesetztem Münzwurf der Prozentsatz der Köpfe schließlich auf die wahre Wahrscheinlichkeit (50 %) einpendelt. Dies ist das „starke Gesetz".

Es gibt jedoch einen Haken. Nicht jede unendliche Folge von Münzwürfen pendelt sich ein. Manche Folgen könnten für immer oszillieren (wie 1, 0, 1, 0, 1, 0 ..., aber mit immer längeren Pausen). Für diese „schlechten" Folgen kann man keine wahre Wahrscheinlichkeit definieren.

Die Autoren fragen: Können wir eine mathematische Maschine bauen, die eine unendliche Folge als Eingabe nimmt und die „wahre" Wahrscheinlichkeitsverteilung als Ausgabe liefert, aber nur, wenn die Folge „gut genug" ist, um eine zu haben?

2. Die Lösung: Die „empirische Stichprobenmaschine"

Die Autoren schlagen eine neue Art mathematischen Objekts vor, die als empirischer Stichprobenmorphismus bezeichnet wird.

Stellen Sie sich dies als eine spezialisierte Verkaufsautomaten vor:

Die Eingabe: Sie führen ihr einen unendlichen Datenstrom zu (wie eine lange Liste von Zahlen oder Münzwürfen).
Die Ausgabe: Wenn der Strom „wohlgeartet" ist, spuckt die Maschine eine einzelne Stichprobe aus, die aus dem „Durchschnitt" dieses Stroms gezogen ist (das empirische Maß).
Der Haken: Wenn der Strom chaotisch ist und sich nie einpendelt, verweigert die Maschine die Arbeit. Sie gibt Ihnen keine falsche Antwort; sie sagt einfach: „Ich kann dies nicht verarbeiten."

In der Sprache des Artikels ist dies ein partieller Morphismus. Es ist eine Funktion, die nur auf einer bestimmten Teilmenge von Eingaben funktioniert (den „guten" Folgen).

3. Die Regeln der Maschine

Um sicherzustellen, dass diese Maschine Sinn ergibt, geben die Autoren ihr zwei strenge Regeln (Axiome):

Regel 1: Die Misch-Regel (Permutationsinvarianz)
Stellen Sie sich vor, Sie haben eine Liste von 1.000 Zahlen. Wenn Sie die ersten 10 Zahlen durcheinander mischen, sollte sich die „durchschnittliche" Natur der Liste nicht ändern. Die Maschine muss dasselbe Ergebnis liefern, unabhängig von der Reihenfolge der Eingabe, solange die Gesamtsammlung der Daten gleich bleibt. Sie ignoriert die Reihenfolge und betrachtet nur die „Masse" der Daten.
Regel 2: Die Selbstkonsistenz-Regel (Empirische Angemessenheit)
Dies ist ein bisschen wie ein Spiegeltest. Wenn Sie eine Folge nehmen, die von einer fairen Münze erzeugt wurde, sie in die Maschine einspeisen, um eine „durchschnittliche Münze" zu erhalten, und dann diese Durchschnittsmünze verwenden, um eine neue Folge zu erzeugen, sollte die neue Folge statistisch identisch mit der ursprünglichen aussehen. Die Maschine muss mit sich selbst konsistent sein.

4. Die große Entdeckung: Der Neuaufbau der Wahrscheinlichkeit von Grund auf

Die Autoren haben diese Maschine nicht nur für einen spezifischen Fall (wie Münzwürfe) gebaut. Sie haben einen theoretischen Rahmen (unter Verwendung von „Quasi-Markov-Kategorien") entwickelt, der es ihnen ermöglicht, drei massive, berühmte Sätze gleichzeitig zu beweisen, indem sie nur die Regeln ihrer Maschine verwenden:

Der Satz von de Finetti: Dieser besagt, dass, wenn eine Folge von Ereignissen zufällig und austauschbar erscheint (die Reihenfolge spielt keine Rolle), sie von einer verborgenen „durchschnittlichen" Verteilung erzeugt worden sein muss. Die Autoren beweisen, dass dies eine natürliche Konsequenz der Regeln ihrer Maschine ist.
Der Satz von Glivenko–Cantelli: Dies ist die „uniforme" Version des Gesetzes der großen Zahlen. Er besagt, dass sich die gesamte Form der Datenverteilung (nicht nur der Durchschnitt) der Wahrheit annähert.
Das starke Gesetz der großen Zahlen: Das klassische Ergebnis, dass der Durchschnitt Ihrer Stichproben gegen den wahren Erwartungswert konvergiert.

Die Magie: Normalerweise erfordert der Beweis dieser drei Sätze schwere, komplexe Mathematik (Maßtheorie). Die Autoren zeigen, dass, wenn man die Existenz ihrer „empirischen Stichprobenmaschine" und ihrer zwei Regeln akzeptiert, alle drei Sätze automatisch folgen, wie Dominosteine.

5. Die Realität herstellen: Die „partielle" Maschine

Ein großes Hindernis bestand darin, dass man in der realen Welt (speziell bei reellen Zahlen) diese Maschine nicht immer für jede mögliche unendliche Folge definieren kann.

Die Analogie: Stellen Sie sich vor, Sie versuchen, die durchschnittliche Körpergröße einer unendlichen Menschenreihe zu berechnen. Wenn die Reihe einige Personen enthält, die unendlich groß sind, bricht der Durchschnitt zusammen.
Die Lösung: Die Autoren konstruierten eine spezifische Version dieser Maschine für reelle Zahlen (wie die Körpergröße von Menschen oder Aktienkurse). Sie definierten genau, welche Folgen „gut" sind (diejenigen, bei denen sich der Durchschnitt einpendelt und nicht ins Unendliche explodiert) und welche „schlecht" sind.

Sie bewiesen, dass für diese „guten" Folgen die Maschine perfekt funktioniert und die Standardergebnisse wiederherstellt, die wir heute in der Statistik verwenden.

Zusammenfassung

Einfach ausgedrückt ist dieser Artikel eine vereinheitlichte Theorie der Zufälligkeit.

Die Autoren bauten eine konzeptionelle „Blackbox" (den empirischen Stichprobenmorphismus), die unendliche Daten nimmt und die zugrunde liegende Wahrscheinlichkeit ausgibt. Indem sie genau definierten, wie diese Box sich verhalten sollte (Reihenfolge ignorieren und selbstkonsistent sein), konnten sie die wichtigsten Gesetze der Wahrscheinlichkeit (de Finetti, Glivenko–Cantelli und starkes Gesetz) als logische Konsequenzen ableiten.

Sie zeigten, dass diese Gesetze nicht nur glückliche Zufälle der Mathematik sind; sie sind das unvermeidliche Ergebnis davon, wie wir das „Durchschnittsbilden" über unendliche Daten definieren. Es ist ein neuer, saubererer und strukturierterer Weg, zu verstehen, warum das „Gesetz der großen Zahlen" funktioniert.

Technische Zusammenfassung: Empirische Maße und starke Gesetze der großen Zahlen in der kategorialen Wahrscheinlichkeitstheorie

Problemstellung
Der Artikel adressiert die Herausforderung, fundamentale Grenzwertsätze der Wahrscheinlichkeitstheorie – insbesondere den Satz von Glivenko–Cantelli und das starke Gesetz der großen Zahlen (SLLN) – im Rahmen der kategorialen Wahrscheinlichkeitstheorie zu formulieren. Während die kategoriale Wahrscheinlichkeitstheorie Konzepte wie Unabhängigkeit, Bedingung und den Satz von de Finetti erfolgreich mittels Markov-Kategorien abstrahiert hat, gehen diese Rahmenwerke typischerweise von totalen Morphismen (Morphismen, die für alle Eingaben definiert sind) aus.

Die hier adressierte spezifische Schwierigkeit liegt in der Natur empirischer Maße für unendliche Folgen. In der klassischen Maßtheorie wird das empirische Maß einer unendlichen Folge $(x_i)_{i \in \mathbb{N}}$ als Grenzwert der relativen Häufigkeiten definiert. Dieser Grenzwert existiert jedoch nicht für jede Folge (z. B. oszillierende Folgen), und selbst wenn er existiert, kann er versagen, ein gültiges Wahrscheinlichkeitsmaß zu definieren (z. B. durch Versagen der $\sigma$ -Additivität, wie in der Folge $1, 2, 3, \dots$ über $\mathbb{N}$ ). Folglich ist der Vorgang des „Stichprobenziehens aus einem empirischen Maß" inhärent ein partieller Vorgang. Standard-Markov-Kategorien, die verlangen, dass alle Morphismen total sind, reichen nicht aus, um dieses Phänomen direkt zu modellieren. Die Autoren streben die Entwicklung eines synthetischen (axiomatischen) Rahmens an, der diese Partialitäten aufnimmt und gleichzeitig die klassischen maßtheoretischen Ergebnisse wiederherstellt.

Methodik
Die Autoren verfolgen einen zweigleisigen Ansatz, der abstrakte Kategorientheorie mit konkreten maßtheoretischen Konstruktionen kombiniert:

Quasi-Markov-Kategorien: Um Partialität zu handhaben, arbeiten die Autoren innerhalb von Quasi-Markov-Kategorien. Im Gegensatz zu Standard-Markov-Kategorien, in denen jeder Morphismus total ist, erlauben Quasi-Markov-Kategorien Morphismen, die „quasi-total" sind. Ein Morphismus $f: A \to X$ ist quasi-total, wenn er entweder undefiniert ist oder für jede Eingabe eine normalisierte Ausgabe produziert. Dieser Rahmen unterstützt eine kanonische partielle Ordnung (Erweiterungsrelation), wobei $f \sqsupseteq g$ gilt, falls $f$ eine Erweiterung von $g$ ist.
$\sigma$ -Stetigkeit: Um unendliche Tensorprodukte (Kolmogorov-Produkte) und unendliche Folgen zu handhaben, führen die Autoren die Annahme der $\sigma$ -Stetigkeit ein. Dies stellt sicher, dass Hom-Mengen abzählbare gerichtete Infima (Durchschnitte von Definitionsbereichen) besitzen und dass diese Infima durch Komposition und Tensorprodukte erhalten bleiben. Es wird gezeigt, dass diese Eigenschaft der $\sigma$ -Stetigkeit von Wahrscheinlichkeitsmaßen in der Maßtheorie entspricht.
Axiomatisierung des empirischen Stichprobenziehens: Der Kern der Methodik ist die Definition eines empirischen Stichprobenziehungs-Morphismus $es_X: X^\mathbb{N} \to X$ $e s_{X} : X^{N} \to X$ . Dieser Morphismus nimmt eine unendliche Folge als Eingabe und gibt eine Stichprobe aus ihrem empirischen Maß aus. Die Autoren schlagen zwei Axiome für diesen Morphismus vor:
- Permutationsinvarianz: Der Morphismus ist invariant unter endlichen Permutationen der Eingabefolge.
- Empirische Angemessenheit: Wenn eine Verteilung auf $X^\mathbb{N}$ austauschbar ist, dann ist das Stichprobenziehen daraus äquivalent zum iterierten empirischen Stichprobenziehen, angewendet auf eine gezogene Folge.
Konkrete Konstruktionen: Die Autoren konstruieren explizite empirische Stichprobenziehungs-Morphismen für Standard-Borel-Räume (endliche Mengen, $\mathbb{N}$ und $\mathbb{R}$ ) innerhalb der Kategorie der partiellen Markov-Kerne, Partial(BorelStoch). Sie definieren sorgfältig die Definitionsbereiche dieser Morphismen, um sicherzustellen, dass die resultierenden Grenzwerte $\sigma$ -additiv sind und für $\mathbb{R}$ eine gleichmäßige Konvergenz der kumulativen Verteilungsfunktionen (CDFs) erfüllen.

Hauptbeiträge

Rahmenwerk für Partialität: Der Artikel entwickelt die Theorie der Quasi-Markov-Kategorien und etabliert insbesondere die Existenz und Eigenschaften von Kolmogorov-Produkten in diesem Setting. Dies umfasst den Nachweis, dass Partial(BorelStoch) eine $\sigma$ -stetige Quasi-Markov-Kategorie ist.
Definition empirischer Stichprobenziehungs-Morphismen: Die Autoren liefern eine rigorose kategoriale Definition empirischer Stichprobenziehungs-Morphismen mittels der Axiome der Permutationsinvarianz und der empirischen Angemessenheit. Sie zeigen, dass diese Morphismen für alle Standard-Borel-Räume existieren.
Synthetische Beweise von Grenzwertsätzen: Unter Verwendung der Existenz empirischer Stichprobenziehungs-Morphismen und der Spaltung ausgeglichener Idempotente leiten die Autoren abstrakte Versionen folgender Sätze ab:
- Der Satz von de Finetti: Zeigt, dass austauschbare Morphismen durch ein Verteilungsobjekt faktorisieren.
- Der Satz von Glivenko–Cantelli: Etabliert die gleichmäßige Konvergenz empirischer Maße gegen die zugrundeliegende Verteilung.
- Das starke Gesetz der großen Zahlen: Leitet die Konvergenz empirischer Durchschnitte gegen den Erwartungswert ab.
Einheitlichkeit: Die Arbeit liefert einen gemeinsamen Beweis des Satzes von de Finetti, des Satzes von Glivenko–Cantelli und des SLLN aus ersten Prinzipien innerhalb eines einzigen kategorialen Rahmens, anstatt sie als separate maßtheoretische Ergebnisse zu behandeln.

Ergebnisse

Darstellbarkeit: Die Existenz empirischer Stichprobenziehungs-Morphismen impliziert, dass die Kategorie beobachtbar darstellbar ist. Dies bedeutet, dass für jedes Objekt $X$ ein Verteilungsobjekt $PX$ (das Wahrscheinlichkeitsmaße auf $X$ repräsentiert) und ein Stichprobenziehungs-Morphismus $samp: PX \to X$ existieren.
Synthetischer Satz von Glivenko–Cantelli: In jeder Quasi-Markov-Kategorie, die die Annahmen der Autoren erfüllt (einschließlich der Existenz empirischer Stichprobenziehungs-Morphismen), spaltet der Resampling-Morphismus $es^{(N)}$ durch das Verteilungsobjekt. Dies führt zu dem Ergebnis, dass für jeden austauschbaren Morphismus $f$ das empirische Maß fast sicher gleich der zugrundeliegenden Verteilung ist.
Wiederherstellung klassischer Ergebnisse: Durch Instantiierung der abstrakten Theoreme in Partial(BorelStoch):
- Der synthetische Satz von Glivenko–Cantelli stellt den klassischen Satz für reellwertige Zufallsvariablen wieder her, der besagt, dass die empirische CDF fast sicher gleichmäßig gegen die wahre CDF konvergiert.
- Der synthetische SLLN stellt das SLLN von Kolmogorov für reellwertige Zufallsvariablen mit endlichen ersten Momenten wieder her. Die Autoren stellen fest, dass eine spezifische Einschränkung des Definitionsbereichs des empirischen Stichprobenziehungs-Morphismus für $\mathbb{N}$ notwendig ist, um die Konvergenz des empirischen Durchschnitts sicherzustellen (Behandlung des Falls, in dem der Mittelwert möglicherweise nicht existiert).

Bedeutung
Der Artikel behauptet, dass diese Arbeit einen strukturierten Beweis dreier fundamentaler wahrscheinlichkeitstheoretischer Ergebnisse aus ersten Prinzipien liefert. Die Autoren argumentieren, dass ihr gemeinsamer Beweis kürzer ist und eine verbesserte konzeptionelle Klarheit aufweist im Vergleich zu traditionellen, rein maßtheoretischen Behandlungen. Durch die Identifizierung empirischer Stichprobenziehungs-Morphismen als Schlüsselkonzept legt der Artikel nahe, dass diese Morphismen ein unschätzbares Werkzeug zur Übersetzung von Gesetzen der großen Zahlen in kategoriale Sprache sind. Die Autoren gehen davon aus, dass diese Erkenntnis weiteren Fortschritt in der kategorialen Wahrscheinlichkeitstheorie ermöglicht und potenziell die Entwicklung weiterer Grenzwertsätze, wie z. B. Ergodensätze, innerhalb desselben Rahmens unterstützt. Die Arbeit betont, dass die Übersetzung wahrscheinlichkeitstheoretischer Konzepte in die Kategorientheorie zwar oft nicht trivial ist, die resultierende Abstraktion jedoch die wesentlichen strukturellen Eigenschaften (Permutationsinvarianz und empirische Angemessenheit) offenbart, die diesen klassischen Sätzen zugrunde liegen.