UA MATH563 概率论的数学基础 鞅论初步3 条件期望的性质
UA MATH563 概率论的数学基础 鞅论初步3 条件期望的性质
鞅论初步的第一讲给出了条件期望的定义,第二讲推导了二元随机变量根据定义进行计算的公式,这一讲介绍一些条件期望的性质。
假设X,YX,YX,Y是(Ω,B,P)→(R,B(R))(\Omega,\mathcal{B},P) \to (\mathbb{R},\mathcal{B}(\mathbb{R}))(Ω,B,P)→(R,B(R))的随机变量,F\mathcal{F}F是B\mathcal{B}B的一个子σ\sigmaσ-代数。回顾一下条件期望的公理化定义:E[X∣F]E[X|\mathcal{F}]E[X∣F]满足
- E[X∣F]E[X|\mathcal{F}]E[X∣F]是F\mathcal{F}F-可测的;
- ∀A∈F\forall A \in \mathcal{F}∀A∈F, ∫AXdP=∫AE[X∣F]dP\int_A XdP = \int_A E[X|\mathcal{F}] dP∫AXdP=∫AE[X∣F]dP
因此证明某个表达式是另一个表达式的条件期望,只需要验证这个定义即可。下面我们陈述条件期望的性质,没有证明的性质都可以通过直接验证定义得到,读者可以自行尝试。
性质一: Linearity
E[aX+bY∣F]=aE[X∣F]+bE[Y∣F],∀a,b∈RE[aX+bY|\mathcal{F}]=aE[X|\mathcal{F}]+bE[Y|\mathcal{F}],\forall a,b \in \mathbb{R}E[aX+bY∣F]=aE[X∣F]+bE[Y∣F],∀a,b∈R
证明
记W=aE[X∣F]+bE[Y∣F]W=aE[X|\mathcal{F}]+bE[Y|\mathcal{F}]W=aE[X∣F]+bE[Y∣F],因为E[X∣F],E[Y∣F]E[X|\mathcal{F}],E[Y|\mathcal{F}]E[X∣F],E[Y∣F]都是F\mathcal{F}F-可测的,所以WWW是F\mathcal{F}F-可测的。
计算∀A∈F\forall A \in \mathcal{F}∀A∈F
∫AWdP=∫A(aE[X∣F]+bE[Y∣F])dP=a∫AE[X∣F]dP+b∫AE[Y∣F]dP=a∫XdP+b∫YdP=∫A(aX+bY)dP\int _A W dP = \int _A (aE[X|\mathcal{F}]+bE[Y|\mathcal{F}])dP \\ = a \int _AE[X|\mathcal{F}]dP + b \int_A E[Y|\mathcal{F}]dP \\ = a\int X dP + b \int Y dP=\int_A(aX+bY)dP∫AWdP=∫A(aE[X∣F]+bE[Y∣F])dP=a∫AE[X∣F]dP+b∫AE[Y∣F]dP=a∫XdP+b∫YdP=∫A(aX+bY)dP
因此WWW是aX+bYaX+bYaX+bY关于F\mathcal{F}F的条件期望。
性质二:Monotonicity
X≤Ya.s.⇒E[X∣F]≤E[Y∣F]X \le Y\ a.s. \Rightarrow E[X|\mathcal{F}] \le E[Y|\mathcal{F}]X≤Y a.s.⇒E[X∣F]≤E[Y∣F]
性质三:Monotone Convergence
Xn≥0,a.s.∀n,Xn↑X,a.s.,E∣X∣<∞⇒E[Xn∣F]↑E[X∣F]X_n \ge 0,a.s.\forall n,X_n \uparrow X,a.s.,E|X|<\infty \Rightarrow E[X_n|\mathcal{F}]\uparrow E[X|\mathcal{F}]Xn≥0,a.s.∀n,Xn↑X,a.s.,E∣X∣<∞⇒E[Xn∣F]↑E[X∣F]
这里↑\uparrow↑表示单调递增且收敛于。
证明
记Yn=X−XnY_n=X-X_nYn=X−Xn,则我们需要证明E[Yn∣F]↓0E[Y_n|\mathcal{F}] \downarrow0E[Yn∣F]↓0。记Zn=E[Yn∣F]Z_n=E[Y_n|\mathcal{F}]Zn=E[Yn∣F],ZnZ_nZn单调递减且收敛于Z∞Z_{\infty}Z∞,则Z∞Z_{\infty}Z∞是F\mathcal{F}F-可测的,以及我们需要证明Z∞=0a.s.Z_{\infty}=0\ a.s.Z∞=0 a.s.
计算∀n,∀A∈F\forall n,\forall A \in \mathcal{F}∀n,∀A∈F
∫AZndP=∫AYndP\int_AZ_ndP=\int_AY_ndP∫AZndP=∫AYndP
注意到0≤Yn≤X,E∣X∣<∞0 \le Y_n \le X,E|X|<\infty0≤Yn≤X,E∣X∣<∞,根据控制收敛定理
limn→∞∫YndP=∫limn→∞YndP=0\lim_{n \to \infty} \int Y_ndP = \int \lim_{n \to \infty }Y_n dP = 0n→∞lim∫YndP=∫n→∞limYndP=0
其中Xn↑Xa.s.X_n\uparrow X\ a.s.Xn↑X a.s.说明Yn↓0a.s.Y_n \downarrow 0\ a.s.Yn↓0 a.s.,所以∫AZndP↓0\int_A Z_n dP \downarrow 0∫AZndP↓0。根据单调收敛定理,以及极限的a.s.a.s.a.s.唯一性
∫AZndP→∫AZ∞dP=0\int_A Z_n dP \to \int_A Z_{\infty}dP=0∫AZndP→∫AZ∞dP=0
取A=Z∞−1((ϵ,+∞)),∀ϵ>0A=Z_{\infty}^{-1}((\epsilon,+\infty)),\forall \epsilon>0A=Z∞−1((ϵ,+∞)),∀ϵ>0,
0=∫AZ∞dP≥∫AϵdP=ϵP(A)≥00=\int_A Z_{\infty}dP \ge \int_A \epsilon dP = \epsilon P(A) \ge 00=∫AZ∞dP≥∫AϵdP=ϵP(A)≥0
因此P(A)=0,∀ϵ>0P(A)=0,\forall \epsilon>0P(A)=0,∀ϵ>0,所以Z∞=0a.s.Z_{\infty}=0\ a.s.Z∞=0 a.s.。
注 Monotone convergence成立,说明Fatou引理与控制收敛(DCT)也成立:
- Fatou’e Lemma: Xn≥0,a.s.∀nX_n \ge 0,a.s.\forall nXn≥0,a.s.∀n, Xn∈L1X_n \in L^1Xn∈L1, then E[lim infXn∣F]≤lim infE[Xn∣F]E[\liminf X_n|\mathcal{F}]\le \liminf E[X_n|\mathcal{F}]E[liminfXn∣F]≤liminfE[Xn∣F]
- DCT:Xn∈L1,∀nX_n \in L^1,\forall nXn∈L1,∀n, ∣Xn∣≤Z∈L1|X_n| \le Z \in L^1∣Xn∣≤Z∈L1, Xn→X∞,a.s.X_n \to X_{\infty},a.s.Xn→X∞,a.s. then limn→∞E[Xn∣F]=E[X∞∣F]\lim_{n \to \infty} E[X_n|\mathcal{F}]=E[X_{\infty}|\mathcal{F}]n→∞limE[Xn∣F]=E[X∞∣F]
基于单调收敛定理导出这两个结论的路径可以参考Folland的实分析,或者任何一本实分析教材。
性质四:Jensen’s inequality
ψconvex,E∣X∣<∞,E[ψ(X)]<∞⇒ψ(E[X∣F])≤E[ψ(X)∣F]\psi\ convex, E|X|<\infty,E[\psi(X)]<\infty \\ \Rightarrow \psi(E[X|\mathcal{F}]) \le E[\psi(X)|\mathcal{F}]ψ convex,E∣X∣<∞,E[ψ(X)]<∞⇒ψ(E[X∣F])≤E[ψ(X)∣F]
性质五:Contraction
∥E[X∣F]∥p≤∥X∥p,∀p≥1\left\| E[X|\mathcal{F}] \right\|_p \le \left\| X \right\|_p,\forall p \ge 1∥E[X∣F]∥p≤∥X∥p,∀p≥1
证明
根据Jensen不等式,∀w∈Ω\forall w \in \Omega∀w∈Ω
∣E[X∣F]∣p(w)≤E[∣X∣p∣F](w)|E[X|\mathcal{F}] |^p(w) \le E[|X|^p|\mathcal{F}](w)∣E[X∣F]∣p(w)≤E[∣X∣p∣F](w)
所以
E∣E[X∣F]∣p=∫Ω∣E[X∣F]∣pdP≤∫ΩE[∣X∣p∣F]dP=∫Ω∣X∣pdP=E[∣X∣p]E|E[X|\mathcal{F}] |^p = \int_{\Omega} |E[X|\mathcal{F}] |^pdP \le \int_{\Omega}E[|X|^p|\mathcal{F}]dP \\ = \int_{\Omega} |X|^pdP = E[|X|^p]E∣E[X∣F]∣p=∫Ω∣E[X∣F]∣pdP≤∫ΩE[∣X∣p∣F]dP=∫Ω∣X∣pdP=E[∣X∣p]
倒数第二个等号用的是条件期望的定义,因为Ω∈F\Omega \in \mathcal{F}Ω∈F。
性质六:Tower Property
E[E[X∣F1]∣F2]=E[E[X∣F2]∣F1]=E[X∣F1],F1⊂F2E[E[X|\mathcal{F}_1]|\mathcal{F}_2]=E[E[X|\mathcal{F}_2]|\mathcal{F}_1]=E[X|\mathcal{F}_1],\mathcal{F}_1 \subset \mathcal{F}_2E[E[X∣F1]∣F2]=E[E[X∣F2]∣F1]=E[X∣F1],F1⊂F2
证明
i))说明E[E[X∣F1]∣F2]=E[X∣F1]E[E[X|\mathcal{F}_1]|\mathcal{F}_2]=E[X|\mathcal{F}_1]E[E[X∣F1]∣F2]=E[X∣F1],因为E[X∣F1]E[X|\mathcal{F}_1]E[X∣F1]是F1\mathcal{F}_1F1-可测的,F1⊂F2\mathcal{F}_1 \subset \mathcal{F}_2F1⊂F2,所以E[X∣F1]E[X|\mathcal{F}_1]E[X∣F1]也是F2\mathcal{F}_2F2-可测的,根据条件概率的简单性质,E[E[X∣F1]∣F2]=E[X∣F1]E[E[X|\mathcal{F}_1]|\mathcal{F}_2]=E[X|\mathcal{F}_1]E[E[X∣F1]∣F2]=E[X∣F1]。
ii)显然E[X∣F1]E[X|\mathcal{F}_1]E[X∣F1]是F1\mathcal{F}_1F1-可测的,∀A∈F1\forall A \in \mathcal{F}_1∀A∈F1,我们计算
∫AE[X∣F1]dP=∫AXdP\int_A E[X|\mathcal{F}_1] dP = \int_A X dP∫AE[X∣F1]dP=∫AXdP
并且A∈F1⊂F2A \in \mathcal{F}_1 \subset \mathcal{F}_2A∈F1⊂F2,
∫AXdP=∫AE[X∣F2]dP\int_A X dP = \int _A E[X|\mathcal{F}_2] dP∫AXdP=∫AE[X∣F2]dP
性质七:Projection
EX2<∞EX^2<\inftyEX2<∞, 则E[X∣F]E[X|\mathcal{F}]E[X∣F]是XXX在L2(Ω,F)L^2(\Omega,\mathcal{F})L2(Ω,F)中的投影,即
E[X∣F]=arg minY∈L2(Ω,F)E[(X−Y)2]E[X|\mathcal{F}] = \argmin_{Y \in L^2(\Omega,\mathcal{F})} E[(X-Y)^2]E[X∣F]=Y∈L2(Ω,F)argminE[(X−Y)2]
证明
E[(X−Y)2]=E[(X−E[X∣F])+(E[X∣F]−Y)2]=E[(X−E[X∣F])2]+E[(Y−E[X∣F])2]+2E[(X−E[X∣F])(Y−E[X∣F])]E[(X-Y)^2]=E[(X-E[X|\mathcal{F}])+(E[X|\mathcal{F}]-Y)^2] \\ = E[(X-E[X|\mathcal{F}])^2]+E[(Y-E[X|\mathcal{F}])^2] \\+2E[(X-E[X|\mathcal{F}])(Y-E[X|\mathcal{F}])]E[(X−Y)2]=E[(X−E[X∣F])+(E[X∣F]−Y)2]=E[(X−E[X∣F])2]+E[(Y−E[X∣F])2]+2E[(X−E[X∣F])(Y−E[X∣F])]
其中
E[(X−E[X∣F])(Y−E[X∣F])]=E[E[(X−E[X∣F])(Y−E[X∣F])]∣F]=E[(Y−E[X∣F])E[(X−E[X∣F])∣F]]=E[(Y−E[X∣F])(E[X∣F]−E[X∣F])]=0E[(X-E[X|\mathcal{F}])(Y-E[X|\mathcal{F}])] \\ = E[E[(X-E[X|\mathcal{F}])(Y-E[X|\mathcal{F}])]|\mathcal{F}] \\ = E[(Y-E[X|\mathcal{F}])E[(X-E[X|\mathcal{F}])|\mathcal{F}]] \\ = E[(Y-E[X|\mathcal{F}])(E[X|\mathcal{F}]-E[X|\mathcal{F}])]=0E[(X−E[X∣F])(Y−E[X∣F])]=E[E[(X−E[X∣F])(Y−E[X∣F])]∣F]=E[(Y−E[X∣F])E[(X−E[X∣F])∣F]]=E[(Y−E[X∣F])(E[X∣F]−E[X∣F])]=0
因此
E[(X−Y)2]=E[(X−E[X∣F])2]+E[(Y−E[X∣F])2]≥E[(X−E[X∣F])2]E[(X-Y)^2]=E[(X-E[X|\mathcal{F}])^2]+E[(Y-E[X|\mathcal{F}])^2] \\ \ge E[(X-E[X|\mathcal{F}])^2]E[(X−Y)2]=E[(X−E[X∣F])2]+E[(Y−E[X∣F])2]≥E[(X−E[X∣F])2]
当且仅当Y=E[X∣F]Y=E[X|\mathcal{F}]Y=E[X∣F]时取等。
我们还需要验证一下E[X∣F]∈L2(Ω,F)E[X|\mathcal{F}] \in L^2(\Omega,\mathcal{F})E[X∣F]∈L2(Ω,F),根据Jensen不等式与Tower property
E[E[X∣F]2]≤E[E[X2∣F]]=E[X2]<∞E[E[X|\mathcal{F}]^2] \le E[E[X^2|\mathcal{F}]] =E[X^2]<\inftyE[E[X∣F]2]≤E[E[X2∣F]]=E[X2]<∞
因此E[X∣F]∈L2(Ω,F)E[X|\mathcal{F}] \in L^2(\Omega,\mathcal{F})E[X∣F]∈L2(Ω,F)。
UA MATH563 概率论的数学基础 鞅论初步3 条件期望的性质相关推荐
- UA MATH563 概率论的数学基础 鞅论初步2 条件期望的应用:推导二元随机变量的条件概率与条件期望
UA MATH563 概率论的数学基础 鞅论初步2 条件期望的应用:推导二元随机变量的相关计算公式 上一讲我们介绍了关于σ\sigmaσ-代数定义的条件期望以及关于随机变量的条件期望,这一讲我们用这些 ...
- UA MATH563 概率论的数学基础 鞅论初步1 条件期望
UA MATH563 概率论的数学基础 鞅论初步1 条件期望 概率论很多结论是用来处理独立的随机变量序列的,而独立性是一个非常强的假设,所以我们也需要一些能够处理非独立的随机变量序列的方法,鞅就是这些 ...
- UA MATH563 概率论的数学基础 鞅论初步6 鞅的性质 鞅差序列
UA MATH563 概率论的数学基础 鞅论初步6 鞅的性质 鞅差序列 上一讲我们引入了鞅的定义,称(Xn,Fn)(X_n,\mathcal{F}_n)(Xn,Fn)是鞅,如果 ∀n\forall ...
- UA MATH563 概率论的数学基础 鞅论初步10 Doob可选停止定理与一维随机游走的exiting time
UA MATH563 概率论的数学基础 鞅论初步10 Doob可选停止定理与一维随机游走的exiting time 这一讲介绍可选停时(optional stopping),我们先回顾一下停时的定义: ...
- UA MATH563 概率论的数学基础 鞅论初步9 分支过程简介
UA MATH563 概率论的数学基础 鞅论初步9 分支过程简介 例 Branching Process 假设ξij\xi_{ij}ξij是互相独立的取值为自然数的随机变量,P(ξij=k)=pk, ...
- UA MATH563 概率论的数学基础 鞅论初步8 鞅收敛定理
UA MATH563 概率论的数学基础 鞅论初步8 鞅收敛定理 上一讲我们定义了停时,并引入了鞅收敛定理,这一讲我们完成鞅收敛定理的证明,并完成上一讲的例题. 鞅收敛定理 假设{Xn}\{X_n\}{ ...
- UA MATH563 概率论的数学基础 鞅论初步7 停时与Upcrossing不等式
UA MATH563 概率论的数学基础 鞅论初步7 停时与Upcrossing不等式 这一讲我们引入一个非常重要的概念--停时(Stopping time). 假设{Fn}\{\mathcal{F}_ ...
- UA MATH563 概率论的数学基础 鞅论初步5 鞅的定义
UA MATH563 概率论的数学基础 鞅论初步5 鞅的定义 从这一讲开始,我们正式引入鞅(martingale).称(Xn,Fn)(X_n,\mathcal{F}_n)(Xn,Fn)是鞅,如果 ...
- UA MATH563 概率论的数学基础 鞅论初步4 Radon-Nikodym定理,条件期望的存在唯一性
UA MATH563 概率论的数学基础 鞅论初步4 Radon-Nikodym定理,条件期望的存在唯一性 延续上一讲对条件期望性质的讨论. 性质八:存在唯一性.绝对可积性 E[X∣F]E[X|\mat ...
- UA MATH563 概率论的数学基础 中心极限定理22 度量概率空间中的弱收敛 Portmanteau定理
UA MATH563 概率论的数学基础 中心极限定理22 度量概率空间中的弱收敛 Portmanteau定理 现在我们讨论度量空间中的弱收敛,假设(Ω,d)(\Omega,d)(Ω,d)是一个度量空间 ...
最新文章
- Android开发之大位图压缩水印处理
- Android学习记录:SQLite数据库、res中raw的文件调用
- 计算机基本信息的获取
- tcp三次握手四次挥手(及原因)详解
- J2EE从头开始__EJB3
- 洛谷1052——过河(DP+状态压缩)
- C++学习之路 | PTA乙级—— 1070 结绳 (25 分)(精简)
- Golang Http Server源码阅读
- python中set index_python pandas DataFrame.set_index用法及代码示例
- php查看mysql连接数_查看mysql当前连接数
- 计算机技术和通信技术的关系,计算机技术与通信技术的关系
- Excel小技巧--高级漂亮的查询界面
- 计算机网络OSI模型的各层及主要功能
- 图片服务器-存储图片技巧
- 民兴商学院:2019最新13家银行信用卡提额攻略!
- 用Java语句判断一个数字是不是7的倍数
- 等额本金和等额本息的区别
- 基于WEB快速开发平台的轻量ERP
- C Primer Plus(6) 中文版 第3章 数据和C 3.4 C语言基本数据类型
- 爬虫实战——绝对通俗易懂,爬取房产数据
热门文章
- Java---XML的解析(1)-DOM解析
- 论文导读 | 社交网络上的信息传播预测
- oracle 创建cdb,Oracle 12C -- 手动创建CDB
- html的视频字幕制作步骤,视频字幕制作软件如何制作视频滚动字幕|滚动字幕视频制作...
- UltraLAB台式图形工作站(地球最快~超级图形工作站Alpha720介绍)
- Deploying guidelines and a simplified data model ...文献笔记
- [FJOI2018]所罗门王的宝藏
- 图像处理常用函数(Matlab)
- 微信开放平台apk应用签名获取
- 把JRuby Rails应用部署在Java应用服务器上