Cả (1) và (1b) đều đúng. OP có quyền rằng (trong mô hình này) có thể có một điểm thay đổi tại và tùy thuộc vào việc có thay đổi hay không. Điều này không ngụ ý bất kỳ vấn đề nào với (1) vì các giá trị có thể có của được "bao phủ" hoàn toàn bởi . có nghĩa là phân phối có điều kiện của điều kiện trên . Phân phối có điều kiện này tính trung bình trên "mọi thứ khác", bao gồm , có điều kiện trên . Giống như người ta có thể viết, giả sử,x t + 1 r t + 1t+1xt+1rt+1P ( x t + 1 | r t , x 1 : t ) x t + 1 ( r t , x 1 : t ) r t + 1 , x 1P( xt + 1| rt, x1 : t)P( xt + 1| rt, x1 : t)xt + 1( rt, x1 : t)rt + 1P( x t + 1000 | x t )( rt, x1 : t)P( xt+1000|xt), sẽ tính đến tất cả các cấu hình có thể thay đổi cũng như các giá trị của s xảy ra giữa và . t t + 1000xitt+1000
Trong phần còn lại, đầu tiên tôi lấy (1) và sau đó (1b) dựa trên (1).
Đạo hàm của (1)
Đối với bất kỳ biến ngẫu nhiên , chúng ta có
miễn là rời rạc (nếu không thì tổng cần phải được thay thế bằng tích phân). Áp dụng điều này cho :P ( A ∣ B ) = ∑ c P ( A ∣ B , C = c )A,B,CC x t + 1 , x 1 : t , r t
P( A ∣ B ) =∑cP( A ∣ B ,C= c)P(C= c ∣ B ) ,
Cxt + 1, x1 : t, rt
P( xt + 1| x1 : t) = ∑rtP( xt + 1| rt, x1 : t)P( rt| x1 : t) ,
không có vấn đề gì phụ thuộc giữa , , , nghĩa là chưa có giả định mô hình nào đã được sử dụng. Trong mô hình hiện tại, cho được giả sử * là độc lập có điều kiện với các giá trị của từ các lần chạy trước . Điều này hàm ý . Thay thế điều này vào phương trình trước, chúng ta nhận được
x 1 : t x t + 1 x t + 1 r t , x ( r ) t x x ( r ) t P ( x t + 1 ∣ r t , x 1 : t ) = P ( x trtx1 : txt + 1xt + 1rt, x(r)txx(r)tP(xt+1∣rt,x1:t)=P(xt+1∣rt,x(r)t)
P( xt + 1| x1 : t) = ∑rtP( xt + 1| rt, x( r )t)P( rt| x1 : t) ,( 1 )
là (1) trong OP.
Đạo hàm của (1b)
Chúng ta hãy xem xét sự phân rã của trên các giá trị có thể có của :
r t + 1 P ( x t + 1 | r t , x ( r ) t ) = Σ r t + 1 P ( x t + 1 | r t + 1 , r t , x ( r )P( xt + 1| rt, x( r )t)rt + 1
P( xt + 1| rt, x( r )t) = ∑rt + 1P( xt + 1| rt + 1, rt, x( r )t) P( rt + 1| rt, x( r )t) .
Vì người ta cho rằng * việc thay đổi xảy ra ở (giữa và ) không phụ thuộc vào lịch sử của , nên chúng ta có . Hơn nữa, vì xác định xem thuộc cùng một hoạt động như , chúng ta có . Thay thế hai đơn giản hóa này vào hệ số hóa ở trên, chúng ta sẽ nhận được
t + 1xtxt + 1xP( rt + 1| rt, x( r )t) = P( rt + 1| rt)rt + 1xt + 1xtP( xt + 1| rt + 1, rt, x( r )t) = P( xt + 1| rt + 1, x( r )t)
P( xt + 1| rt, x( r )t) = ∑rt + 1P( xt + 1| rt + 1, x( r )t) P( rt + 1| rt) .
Thay thế điều này vào (1), chúng ta sẽ có
là OP's (1b).
P( xt + 1| x1 : t) = ∑rt( ∑rt + 1P( xt + 1| rt + 1, x( r )t) P( rt + 1| rt) )P( rt| x1 : t) ,( 1 b )
* Nhận xét về các giả định độc lập có điều kiện của mô hình
Dựa trên việc duyệt nhanh bài báo, cá nhân tôi muốn các thuộc tính độc lập có điều kiện được nêu rõ hơn ở đâu đó, nhưng tôi cho rằng ý định là là Markovian và các : s liên quan đến các lần chạy khác nhau là độc lập (với các lần chạy).rx