Stokastiikan luentoministe - Koppa
Stokastiikan luentoministe - Koppa
Stokastiikan luentoministe - Koppa
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Stokastiikka<br />
Dario Gasbarra<br />
28. lokakuuta 2010<br />
Sisältö<br />
1 Esitiedot edellisistä todennäköisyys- ja mittateorian kursseista 1<br />
2 Todennäköisyys äärettömissä tulo-avaruuksissa: satunnais-jonot<br />
ja stokastiset prosessit 1<br />
2.1 Kolmogorovin laajennuslause . . . . . . . . . . . . . . . . . . . 1<br />
2.2 Tehtävät . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6<br />
3 Mitanvaihto kaava odotusarvolle 7<br />
3.1 Lebesguen hajotelma . . . . . . . . . . . . . . . . . . . . . . . . 9<br />
3.2 Harjoitukset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10<br />
4 Stokastinen konvergenssi 12<br />
5 Satunnaismuuttujen L 1 (P ) konvergenssi. 14<br />
6 L p (Ω) avaruudet 22<br />
6.1 Epäyhtälöt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22<br />
7 Funktionaalianalyysin peruskäsitteiden pika-sanasto 27<br />
8 Projektio L 2 (P ) avaruudessa 28<br />
9 Ehdollinen odotusarvo 30<br />
10 Ehdollinen odotusarvo Radon-Nykodim derivaattana 31<br />
11 Mitä voidaan sanoa kun E P (|X|) = ∞ ? 32<br />
12 Ehdollisen odotusarvon ominaisuudet 32<br />
13 Säännöllinen ehdollinen todennäköisyys ja ytimet 33<br />
14 Ehdollisen odotusarvon laskenta P -riippumattomuuden oletuksen<br />
nojalla 34<br />
15 Ehdollisen odotusarvon laskenta mitan-vaihdon avulla: Bayesin<br />
kaava 35<br />
15.1 Ehdollisen odotusarvon laskenta tuloavaruudessa . . . . . . . . . 37<br />
1
16 Ehdollistaminen nollamittaisiin tapahtumiin: varoitus 39<br />
17 Martingaalit 41<br />
18 Doobin Martingaali-konvergenssi lause 44<br />
18.1 Tasaisesti integroituvat martingaaalit . . . . . . . . . . . . . . . 46<br />
18.2 Martingaalin takaperäinen konvergenssi . . . . . . . . . . . . . 47<br />
19 Vaihdettavuus ja De Finettin lause 50<br />
2
1 Esitiedot edellisistä todennäköisyys- ja mittateorian<br />
kursseista<br />
1. Charatheodoryn laajennus lause<br />
2. Dynkinin lause todennäköisyyden laajennuksen yksikäsitteisyydestä<br />
3. Odotusarvojen monotonisen konvergenssin lause<br />
4. Tulo avaruudet, Fubinin lause ja riippumattomuus<br />
5. Borel-Cantellin lemmat<br />
6. Mitan-vaihto kaava odotusarvolle : Radon-Nykodim lause (todistetaan<br />
myöhemmin täällä kurssilla)<br />
2 Todennäköisyys äärettömissä tulo-avaruuksissa:<br />
satunnais-jonot ja stokastiset prosessit<br />
Jatkossa työskentelemme todennäköisyysavaruudessa (Ω, F, P ) joka on tarpeeksi<br />
rikas sisältämään P -rippumattomien satunnaismuuttujen jonoja (X n (ω) : n ∈<br />
N). Haluamme varmistaa ensin että selläinen on olemassa.<br />
Esimerkiksi jono P -riippumattomia kolikon heittoja (X i (ω) : i ∈ N) joilla<br />
P (X i = 1) = 1 − P (X i = 0) = p i .<br />
Sille äärellinen tuloavaruus Ω n = {0, 1} n varustettuna tulomitalla P n :=<br />
P 1 ⊗ · · · ⊗ P n ei riitä.<br />
2.1 Kolmogorovin laajennuslause<br />
Vaikka tässä kurssissa todennäköisyysmittojen jonon tulomitan olemassaolo tuloavaruudessa<br />
riittäisi meille hyvin pitkälle,<br />
todistamme saman tien Kolmogorovin laajennuslausetta, joka koskee mielivaltaisia<br />
tuloavaruuksia, eikä rajoitu tulomittoihin.<br />
Todistuksessa ei käytetä muuta kun Caratheodoryn laajennuslauseetta ja<br />
pientä kompaktisuus-argumenttia.<br />
Vaikka jatkossa me esitämme aina kun on mahdollista probabilistista todistusta,<br />
tässä vaiheessa emme voi välttää kokonaan analyyttisia argumentteja.<br />
Määritelmä 2.1. Todennäköisyysavaruudella (Ω, F) satunnaisprosessi on satunnaismuuttujen<br />
perhe (X t : t ∈ T) jossa T on mielivaltainen indeksijoukko, ja<br />
X t (ω) ∈ R d .<br />
Esimerkiksi T ∈ {N, R + , Q + , Z, R, Q} voisi olla aikaparametri, diskreetti tai<br />
jatkuva.<br />
Määritelmä 2.2. Äärellisulotteisten todennäköisyysmittojen perhe R:ssa on<br />
(<br />
)<br />
P t1,...,t n<br />
: B(R n ) → [0, 1], n ∈ N, t 1 , . . . , t n ∈ T<br />
on yhteensopiva , jos<br />
1
1.<br />
2.<br />
( )<br />
P t1,...,t n<br />
(A 1 × · · · × A n ) = P tπ(1) ,...t Atπ(1) π(n) · · · × A tπ(n)<br />
∀n ∈ N, A 1 , . . . A n ∈ B(R), t 1 , . . . , t n ∈ T, ∀ permutaatiolle π<br />
P t1,...,t n<br />
(A 1 × · · · × A n ) = P t1,...,t n,t n+1<br />
(A 1 × · · · × A n × R)<br />
Korostamme että seuraavassa lauseessa indeksijoukko T on mielivaltainen.<br />
Teoreema 2.1. (Daniell-Kolmogorov,1933) Olkoon<br />
(<br />
P t : t ∈<br />
∞⋃<br />
)<br />
T n<br />
yhteensopiva perhe äärellisulotteisista todennäköisyysjakaumoista R:ssa, indeksijoukolla<br />
T.<br />
On olemassa yksikäsitteinen todennäköisyysmitta P tuloavaruudella Ω = R T<br />
varustettuna tulo-topologian virittämällä sylinterien σ-algebralla σ(C),<br />
jolla ∀n ∈ N, t 1 , . . . , t n ∈ N, B n ∈ B(R n ),<br />
})<br />
P<br />
({ω ∈ R T : (ω t1 , . . . , ω tn ) ∈ B n = P t1,...,t n<br />
(B n ) (2.1)<br />
Sen lisäksi kanoniset kuvaukset ω ↦→ X t (ω) := ω t kun ω ∈ Ω = R T muodostuvat<br />
stokastinen prosessi (X t (ω) : t ∈ T) jolla on annetut äärellis-ulotteiset<br />
jakaumat<br />
})<br />
P<br />
({ω : (X t1 (ω), . . . , X tn (ω)) ∈ B n = P t1,...,t n<br />
(B n ) (2.2)<br />
n=1<br />
Todistus<br />
Tuloavaruuden Ω = R T jäsenet ovat kuvaukset t ↦→ ω t ∈ R.<br />
σ(C) on pienin σ-algebra jolla kaikille t ∈ T kanooniset kuvaukset<br />
ω ↦→ X t (ω) = ω t<br />
ovat (Ω, σ(C)) → (R, B(R)) mitallisia.<br />
Määritellään algebra C joka sisältää sylinterit<br />
}<br />
C =<br />
{ω ∈ R T : (ω t1 , . . . , ω tn ) ∈ B n<br />
jossa n ∈ N, t 1 , . . . , t n ∈ N, B n ∈ B(R n ).<br />
Kaava (2.1) määrittelee kuvauksen P : C → [0, 1].<br />
Yhteensopivuuden oletuksesta seuraa että P(C) on hyvin määritelty, siis ei<br />
riipu sylinterin C:n esityksestä.<br />
Koska kahdelle sylintereille löytyy esityksiä yhteisellä indeksijoukolla, ja koska<br />
äärellis-ulotteiset jakaumat ovat todennäköisyydet, ei ole vaikea osoittaa että<br />
kuvaus P : C → [0, 1] on äärellisesti additiivinen.<br />
2
Kun osoitamme että P on myös σ-additiivinen C algebrassa, Charatheodoryn<br />
laajennuslause astuu voimaan ja P voidaan laajentaa yksikäsitteisesti σ-<br />
additiiviseksi todennäköisyysmitaksi joka on määritelty σ-algebrassa σ(C).<br />
Eli jää osoitettavaksi väite:<br />
jos {C n : n ∈ N} ⊆ C on sylinterien jono jolla<br />
C n ⊇ C n+1 ∀n, ja ⋂ n∈N<br />
C n = ∅,<br />
seuraa lim n→∞ P(C n ) = 0.<br />
⋂<br />
Vastaoletuksella C n ⊇ C n+1 ja P(C n ) ≥ ε ∀n jollekin ε > 0 , näytämme että<br />
C n ≠ ∅.<br />
n∈N<br />
Valitsemalla sopivasti sylinterien esityksiä ja mahdollisesti toistaamalla sylintereita<br />
jonossa, voidaan aina rakentaa indeksijonoa (t n ) ⊆ T ja sylinterijono<br />
{D n : n ∈ N} jolla on esitys<br />
}<br />
D n =<br />
{ω ∈ R T : (ω t1 , . . . , ω tn ) ∈ A n<br />
jossa D n ⊇ D n+1 ∀n, A n ∈ B(R n ), A n × R ⊇ A n+1 ∀n, ja kaikille m ∈ N on<br />
olemassa n jolla D n = C m .<br />
Seuraa että P(D n ) ≥ ε > 0 ∀n ja<br />
⋂<br />
n∈N<br />
C n = ⋂ n∈N<br />
D n .<br />
Koska P t1,...,t n<br />
on todennäköisyysmitta R n :ssa ja siksi σ-additiivinen, ja A n<br />
on Borel mitallinen, on olemassa suljettu joukko F n ⊆ A n (katso tehtävä 1) jolla<br />
P t1,...,t n<br />
(A n \ F n ) < ε2 −n .<br />
Valitsemalla tarpeeksi suurta origo-keskeistä palloa B(0, r n ), löytyy myös kompakti<br />
K n = ( F n ∩ B(0, r n ) ) ⊆ A n jolla edelleen<br />
P t1,...,t n<br />
(A n \ K n ) = P(D n \ G n ) < ε2 −n<br />
jossa<br />
}<br />
G n :=<br />
{ω ∈ R T : (ω t1 , . . . , ω tn ) ∈ K n<br />
Koska nämä eivät välttämättä muodosta vähenevää jonoa, otamme leikkaukset<br />
jossa<br />
G ′ n =<br />
n⋂<br />
m=1<br />
G m =<br />
{<br />
}<br />
ω ∈ R T : (ω t1 , . . . , ω tn ) ∈ K n<br />
′<br />
K ′ n := K n ∩ (K n−1 × R) ∩ · · · ∩ (K 1 × R n−1 ) ⊆ K n<br />
3
ovat kompakteja (kompakti ja sulijetun joukon leikkaus on kompakti).<br />
Seuraa G ′ n ⊇ G ′ n+1 , ja (K′ n × R) ⊇ K ′ n+1 .<br />
Tästä seuraa<br />
P t1,...,t n<br />
(K n) ′ = P(G ′ n) = P(D n ) − P(D n \ G ′ n) =<br />
(<br />
⋃ n )<br />
P t1,...,t n<br />
(A n ) − P t1,...,t n<br />
A n \ (K m × R (m−n) )<br />
m=1<br />
(<br />
⋃ n )<br />
≥ P t1,...,t n<br />
(A n ) − P t1,...,t n<br />
(A m \ K m ) × R (m−n)<br />
m=1<br />
( koska A m × R (n−m) ⊇ A n kun n ≥ m )<br />
(<br />
⋃ n )<br />
= P(D n ) − P D m \ G m<br />
≥ P(D n ) −<br />
m=1<br />
n∑<br />
P(D m \ G m ) ≥ ε −<br />
m=1<br />
n∑<br />
ε2 −m > ε 2 > 0<br />
jossa käytettiin vastaoletusta P(D n ) > ε.<br />
Siksi ∀n, ∃(x (n)<br />
1 . . . , x (n)<br />
n ) ∈ K n ′ ≠ ∅.<br />
Koska jono G ′ n ei kasva, seuraa että (x(n) 1 ) ⊆ K′ 1 ⊆ R<br />
K 1 ′ on kompakti, siksi on olemassa suppeneva alijono x(n l)<br />
1 → x ∗ 1 ∈ K 1 ′ .<br />
Myös alijono (x (n l)<br />
1 , x (n l)<br />
2 ) ⊆ K 2 ′ , ja on olemassa suppeneva alijonon alijono<br />
jolla on raja (x ∗ 1, x ∗ 2) ∈ K 2 ′ ⊆ R 2 .<br />
Induktiivisesti löytyy jono (x ∗ n) jolla (x ∗ 1, . . . , x ∗ n) ∈ K n ′ ⊆ R n ∀n.<br />
Joukot<br />
{<br />
}<br />
D ∗ = ω ∈ R T : ω tn = x ∗ n ∀n ⊆ ⋂ G ′ n ⊆ ⋂ D n = ⋂ C n<br />
n∈N n∈N n∈N<br />
m=1<br />
eivät ole tyhjiä □<br />
Seuraavaksi näytämme että Kolmogoroviin lause on voimassa silloin kun<br />
prosessi X t (ω) saa arvot hyvin yleisemmässa avaruudessa.<br />
Määritelmä 2.3. Borelin avaruus (S, S) on todennäköisyys avaruus joka<br />
on kuvattavissa mitallisen bijektion kautta (jolla on myös mitallinen käänteiskuvaus)<br />
johonkin ([0, 1], B([0, 1]))-avaruuten mitaaliseen joukkoon.<br />
Seuraus 2.1. Kolmogorovin laajennuslause soveltuu myös tuloavaruuteen S T<br />
kun (S, S) on Borelin avaruus (esimerkiksi R d ), mielivaltaisella indeksijoukolla<br />
T.<br />
Todistus Olkoon f : S ↔ B ∈ B([0, 1]) mitallinen bijektio,<br />
ja (P t1,...,t n<br />
: n ∈ N, t i ∈ T) on yhteensopivien äärellisulotteinen jakaumien<br />
perhe Borel avaruudessa S.<br />
∀n ∈ N, B 1 , . . . , B n ∈ B([0, 1])<br />
Q t1,...,t n<br />
(B 1 × · · · × ∈ B n ) := P t1,...,t n<br />
(f −1 (B 1 ) × · · · × f −1 (B n ))<br />
4
jossa mitallisuudesta seuraa f −1 (B i ) ∈ S, määrittelee yhteensopiva äärellisulotteisten<br />
todennäköisyysjakaumien perhe R:ssa, (koska n-ulotteiset suorakulmaiset<br />
joukot muodostuvat Dynkinin d-luokan joka virittää koko tulo σ-algebra<br />
B(R n ) ).<br />
Kolmogorovin laajennuksen perusversio 2.1 soveltuu, on olemassa todennaköisyysmitta<br />
P ja stokastinen prosessi (Y t (ω) : t ∈ T) kanonisessa avaruudessa<br />
Ω = R T jolla<br />
P(Y t1 (ω) ∈ B 1 , . . . , Y tn (ω) ∈ B n ) = Q t1,...,t n<br />
(B 1 × · · · × B n )<br />
= P t1,...,t n<br />
(f −1 (B 1 ) × · · · × f −1 (B n ))<br />
Seuraa tästä X t (ω) := f −1 (Y t (ω)), on stokastinen prosessi joka saa arvot Borel<br />
avaruudessa (S, S) ja<br />
P(X t1 (ω) ∈ S 1 , . . . , X tn (ω) ∈ S n ) = P(Y t1 (ω) ∈ f(S 1 ), . . . , Y tn (ω) ∈ f(S n ))<br />
= Q t1,...,t n<br />
(f(S 1 ) × · · · × f(S n )) = P t1,...,t n<br />
(S 1 × · · · × S n ) □<br />
Tehtävä 2.1. Separoituva metrinen avaruus (S, d) varustettuna Borelin σ-algebralla<br />
(metrisen avaruuden avoimien joukkojen virittämä) on Borelin avaruus.<br />
Todistuksen linja (ei viety loppuun asti) : Metrinen avaruus on separoituva<br />
kun on olemassa numeroituva jono {y n } n∈N joka on tiheä S:ssa metrisen<br />
topologian suhteen, eli ∀x ∈ S on olemassa alijono {y nk } k∈N jolla d(y nk , x) → 0.<br />
Tämän alijonon kautta voidaan koodata jokaisen pisteen x ∈ S osoiteetta<br />
yksikäsitteisesti binäärijonolla.<br />
Kyseinen kuvaus voidaan rakentaa seuraavasti: olkoon<br />
n k := argmin 1≤m
2.2 Tehtävät<br />
1. Osoita: jos B ∈ B(R), ∀ε > 0 ja ∀P todennäköisyysmittoja avaruudessa<br />
(R, B(R)), on olemassa olemassa avoin joukko U ja suljettu joukko F jolla<br />
F ⊆ B ⊆ U, ja P (U \ F ) < ε.<br />
Vihje Olkoon A kokoelma joukoista joilla on kyseinen ominaisuus. Osoita<br />
että A on σ-algebra joka sisältää suljetut joukot, ja siksi sisältää kaikki<br />
Borelin joukot. Käytä σ-additiivisuutta !<br />
2. Olkoon (S, S) Borelin avaruus, ja K(x, dy) a todennäköisyys-ydin, joka on<br />
kuvaus K : S × S :→ [0, 1], jolla<br />
(a) ∀x ∈ S kuvaus A ↦→ K(x, A) on todennäköisyysmitta.<br />
(b) ∀A ∈ S, kuvaus x ↦→ K(x, A) on mitallinen.<br />
• Olkoon x ∈ S. Soveltakaa Kolmogorovin lajennuslausetta osoittamalla<br />
että on olemassa todennäköisyysmitta P x jono avaruudessa<br />
Ω = S N ja stokastinen prosessi (X t (ω) = ω t , t ∈ N) joilla kaikille<br />
n, A 1 , . . . , A n ∈ S,<br />
(<br />
)<br />
P x X 0 (ω) ∈ A 0 , X 1 (ω) ∈ A 1 , . . . , X n (ω) ∈ A n =<br />
∫<br />
1 A0 (x)<br />
K(x n−1 , dx n )K(x n−2 , dx n−1 ) . . . K(x, dx 1 )<br />
A 1×···×A n−1×A n<br />
• Olkoon π(dx) todennäköisyysmitta (S, S). Osoite että on olemassa<br />
todennäköisyysmitta P π jonojen avaruudessa Ω = S N ja satunnaismuuttujen<br />
jono joilla (X t (ω) = ω t , t ∈ N) satises for all n,<br />
A 0 , A 1 , . . . , A n ∈ S,<br />
P π<br />
(<br />
X 0 (ω) ∈ A 0 , X 1 (ω) ∈ A 1 , . . . , X n (ω) ∈ A n<br />
)<br />
=<br />
∫<br />
A 0×A 1×···×A n−1×A n<br />
K(x n−1 , dx n )K(x n−2 , dx n−1 ) . . . K(x 0 , dx 1 )π(dx 0 )<br />
(X t (ω) : t ∈ N) kutsutaan Markovin prosessiksi alkujakaumalla π(dx)<br />
ja siirtymäytimellä K(x, dy).<br />
• Olkoon<br />
K n (x, dy) := P x (X n ∈ dy), n ∈ N (2.3)<br />
Osoita että K n (x, dy) n ∈ N ovat todennäköisyys-ytimiä jotka toteuttavat<br />
Chapmanin-Kolmogorovin yhtälö: ∀m, n ∈ N<br />
∫<br />
K n+m (x, dy) = K n (x, dz)P m (z, dy) (2.4)<br />
S<br />
6
3 Mitanvaihto kaava odotusarvolle<br />
Käytämme seuraavat pikanotaatioita silloin kun selvää että on kyse satunnaismuuttujasta<br />
eikä tapahtumasta:<br />
Olkoon X(ω) satunnaismuuttuja.<br />
Jos X on F-mitallinen merkitään X ∈ F, tai X ∈ L 0 (Ω, F).<br />
Jos X ∈ F ja X(ω) ≥ 0∀ω merkitään X ∈ F + .<br />
Jos X ∈ F ja X(ω) ≥ 0 P -m.v. merkitään X ∈ L 0 +(Ω, F).<br />
Kun<br />
n∑<br />
X(ω) = x i 1 Ai (ω)<br />
i=1<br />
jossa x i ∈ R ja A i ∈ F, sanotaan että X on yksinkertainen satunnaismuuttuja<br />
ja merkitsemme X ∈ YF. Merkisten myös YF + = YF ∩ F + .<br />
Todennäköisyys avaruudessa (Ω, F, P ), olkoon satunnaismuuttuja Z(ω) ≥ 0<br />
P -melkein varmasti jolla 0 < E P (Z) < ∞, josta seuraa myös P ({ω : Z(ω) ><br />
0}) > 0 .<br />
Määritellään uusi todennäköisyysmitta Q : F → [0, 1]<br />
Q(A) := E P (Z1 A )<br />
E P (Z)<br />
∀A ∈ F<br />
Q on todennäköisyysmitta: Selvästi on additiivinen ja Q(Ω) = 1. Osoitamme<br />
että on myös σ-additiivinen: kun A n ↑ Ω, (eli A n ⊆ A n+1 ja ⋃ n<br />
A n = Ω), myös<br />
Z(ω)1 An (ω) ↑ Z(ω) P -melkein varmasti. Monotonisen konvergenssin lauseesta<br />
(??) seuraa<br />
Q(A n )E P (Z) = E P<br />
(<br />
Z1An<br />
)<br />
↑ EP (Z) = Q(Ω)E P (Z) =⇒ Q(A n ) ↑ 1<br />
Voidaan myös käyttää normalisoitua muuttujaa<br />
˜Z(ω) :=<br />
Z(ω)<br />
E P (Z)<br />
jolla E P ( ˜Z) = 1, ja kirjoittaa Q(A) = E P<br />
( ˜Z1A<br />
)<br />
.<br />
Teoreema 3.1. ∀A ∈ F P (A) = 0 =⇒ Q(A) = 0. Sanotaan että Q on<br />
absoluuttisesti jatkuva P:n suhteen, ja merkitään Q ≪ P.<br />
Tod. kun P (A) = 0 , Z(ω)1 A (ω) = 0 P -melkein varmasti.<br />
Teoreema 3.2. Kun X ∈ F + , (eli X(ω) ≥ 0 P-m.v. ja F-mitallinen) ,<br />
E Q (X) = E P (XZ)<br />
E P (Z) ,<br />
ja X ∈ L 1 (Ω, F, Q) jos ja vain jos (XZ) ∈ L 1 (Ω, F, P ).<br />
Tod. Kun X(ω) ∈ YF + , väite seuraa suoraan määritelmästä ja odotusarvon<br />
lineaarisuudesta. Kun X ∈ F + on olemassa jono {X n } ⊆ YF + jolle<br />
0 ≤ X n (ω) ≤ X(ω) ∀ω. Soveltamalla Monotonisen konvergenssin lauseen kaksi<br />
kertaa Q mitan alla ja P mitan alla, seuraa että E Q (X n ) ↑ E Q (X) ja<br />
E Q (X n ) = E P (X n Z)<br />
E P (Z)<br />
↑ E P (XZ)<br />
E P (Z)<br />
□<br />
7
Esimerkki 3.1. Ehdollinen todennäköisyys<br />
Olkoon B ∈ F jolla P (B) > 0, ja suoritamme mitan vaihdon satunnaismuuttujalla<br />
Z(ω) = P (B) −1 1 B (ω), saadaan<br />
P (A|B) := E P (Z1 A ) = E P (1 A 1 B )<br />
P (B)<br />
=<br />
P (A ∩ B)<br />
P (B)<br />
, A ∈ F<br />
Kuvaus P ( · |B) : A ∈ F ↦→ P (A|B) ∈ [0, 1] on todennäköisyysmitta, joka<br />
kutsutaan ehdolliseksi todennäköysyydeksi ehdolla B tapahtuman.<br />
Hajotelmasta<br />
P (A ∩ B) = P (B)P (A|B) = P (A)P (B|A)<br />
on paljon hyötyä monimutkaisten tapahtumien todennäköisyyksien laskemisessa.<br />
Satunnaismuuttujan X ∈ L 1 (P ) ehdollinen odotusarvo ehdolla B tapahtuman<br />
on<br />
E P (X|B) := E P (X1 B )<br />
P (B)<br />
Huomaamme että tässä vaiheessa ehto P (B) > 0 on välttämätön. Miten ehdollisen<br />
odotusarvon käsite yleistyy P-nolla mittaisille tapahtumille B ? Vastaus<br />
esitetään kurssin loppupuolella.<br />
Olemme rakentaneet mitan Q ≪ P satunnaismuuttujan Z ∈ L 1 (P ) avulla.<br />
Tämä tulos kääntyy toisinpäin, kun Q ≪ P on olemassa 0 ≤ Z(ω) ∈ L 1 (P )<br />
jolle mitanvaihto kaava Q(A) = E P (Z1 A ) on voimassa.<br />
Teoreema 3.3. (Radon-Nikodym lause) Todennäköisyysavaruudessa (Ω, F) olkoon<br />
P, Q todennäköisyysmittoja (yleisemmin P voisi olla σ-äärellinen mitta),<br />
joilla Q(A) = 0 aina kun A ∈ F ja P (A) = 0 (merkintä: Q F ≪ P). Silloin on<br />
olemassa satunnaismuuttuja 0 ≤ Z(ω) ∈ L 1 (Ω, F, P ) jolle E P (Z) = 1 ja<br />
Q(A) = E P (Z1 A )<br />
∀A ∈ F<br />
Z(ω) on yksikäsitteinen vailla P-nolla joukkoja. Merkitään<br />
Z(ω) = dQ<br />
dP (ω) ,<br />
joka kutsutaan uskottavuus-osamääräksi (engl. likelihood ratio) tai Radon-Nikodym<br />
derivaataksi.<br />
R-N lause todistetaan kurssin loppupuolella martingaalien avulla.<br />
Mitanvaihto-kaava saa muotoa<br />
∫<br />
∫<br />
E Q (X) = X(ω)Q(dω) =<br />
Ω<br />
Ω<br />
X(ω) dQ (ω) P (dω)<br />
dP<br />
Määritelmä 3.1. Todennäköisyysavaruudessa (Ω, F) todennäköisyysmitat P<br />
ja P ′ ovat singulaarisia (merkintä: P ⊥ P ′ ), kun on olemassa A ∈ F jolla<br />
P (A) = 0 ja P ′ (A) = 1.<br />
8
Esimerkki 3.2. Todennäköisyys avaruudessa (Ω, F, P ) olkoon F = σ(X) jossa<br />
X(ω) on standardi-gaussinen satunnaismuuttuja jolla E(X) = 0, E(X 2 ) = 1,<br />
eli<br />
P (X ∈ dx) = √ 1 exp ( − x2 )<br />
dx<br />
2π 2<br />
Olkoon P ′ toinen todennäköisyysmitta jolla<br />
Laskemme uskottavuusosamäärät<br />
P ′ (X i ∈ dx) = √ 1 exp ( (x − µ)2 )<br />
− dx<br />
2π 2<br />
Z ′ (ω) = dP ′<br />
dP<br />
(ω) ja Z(ω) =<br />
dP dP ′ (ω) = 1<br />
Z ′ (ω)<br />
R-N lauseesta seuraa että Z ′ (ω) on σ(X) mitallinen, siksi on olemassa Borel<br />
mitallinen kuvaus z : R → R + jolla Z ′ (ω) = z ′ (X(ω)) (tehtävä 1).<br />
Silloin, kaikille Borel mitallisille funktioille f(x) ≥ 0<br />
josta seuraa<br />
∫<br />
1<br />
√<br />
2π<br />
R<br />
f(x) exp ( −<br />
= E P (f(X)z ′ (X)) = 1 √<br />
2π<br />
∫<br />
Koska E P (Z ′ ) = 1, seuraa<br />
3.1 Lebesguen hajotelma<br />
(x − µ)2 )<br />
dx = EP ′(f(X)) = E P (f(X)Z ′ )<br />
2<br />
R<br />
z ′ (x) = exp ( µx − 1 2 µ2) ,<br />
f(x)z ′ (x) exp ( − x2 )<br />
dx<br />
2<br />
Z ′ (ω) = exp ( µX(ω) − 1 2 µ2)<br />
E P<br />
(<br />
exp(µX)<br />
)<br />
= exp<br />
(1<br />
2 µ2)<br />
Olkoon P, P ′ todennäköisyysmittoja todennäköisyysavaruudessa (Ω, F), joilla<br />
ei välttämättä P ≪ P ′ tai P ′ ≪ P .<br />
Q := 1 2 (P + P ′ ) on todennäköisyysmitta jolla selvästi P ≪ Q ja P ′ ≪ Q<br />
σ-algebrassa F.<br />
R-N lauseesta (3.3) seuraa että uskottavuusosamäärät<br />
ζ(ω) := dP<br />
dQ (ω) ja ζ′ (ω) := dP ′<br />
dQ (ω) ,<br />
ovat olemassa, ei-negatiivisiä ja F-mitallisia.<br />
Huomataan että koska ∀ω<br />
ζ(ω) + ζ ′ (ω) =<br />
′<br />
2dP<br />
2dP<br />
d(P + P ′ (ω) +<br />
) d(P + P ′ ) (ω) = 2 d(P + P ′ )<br />
d(P + P ′ ) (ω) = 2<br />
9
ja ζ(ω) ≥ 0, ζ ′ (ω) ≥ 0 seuraa<br />
ζ(ω) ≤ 2, ζ ′ (ω) ≤ 2 Q m.v., ja Q ( {ω : ζ(ω) = 0} ∩ {ω : ζ ′ (ω) = 0} ) = 0.<br />
Määritellään ∀ω ∈ Ω<br />
Z(ω) = dP ζ(ω)<br />
(ω) :=<br />
dP<br />
′<br />
ζ ′ (ω)<br />
ja Z ′ (ω) = dP ′<br />
jossa 0/0 saa mielivaltainen arvo, esimerkiksi 0.<br />
Mitan-vaihto kaavan yleistys on<br />
E P ′(X) = E P (XZ ′ ) + E P ′(X1(ζ = 0))<br />
dP (ω) := ζ′ (ω)<br />
ζ(ω) = 1<br />
Z(ω)<br />
kun X ∈ F + .<br />
Todistus<br />
) (<br />
E P ′(X) = E P ′(<br />
X{1(ζ > 0) + 1(ζ = 0)} = EQ Xζ ′ 1(ζ > 0) ) ( )<br />
+ E P ′ X1(ζ = 0)<br />
(<br />
)<br />
= E Q X ζ′<br />
ζ ζ1(ζ > 0) )<br />
+ E P ′(<br />
X1(ζ = 0) = EQ (XZ ′ ( )<br />
ζ) + E P ′ X1(ζ = 0)<br />
jossa<br />
Siis<br />
= E P (XZ ′ ) + E P ′(<br />
X1(ζ = 0)<br />
)<br />
= EP (XZ ′ ) + E P ⊥(X)<br />
P ⊥ (dω) := 1(ζ(ω) = 0)P ′ (dω) ,<br />
P ′ (dω) = Z ′ (ω)P (dω) + 1(ζ(ω) = 0)P ′ (dω) = Z ′ (ω)P (dω) + P ⊥ (dω)<br />
P ja P ⊥ ovat singulaarisia, koska joukolle A := {ω : ζ(ω) = 0} pätee<br />
P (A) = 0 ja P ⊥ (A) = P ⊥ (Ω)<br />
Koska P ⊥ (Ω) + E P (Z ′ ) = P ′ (ζ = 0) + E P (Z ′ ) = 1, P ⊥ on todennäköisyysmitta<br />
jos ja vain jos P ⊥ P ′ , (silloin P ⊥ = P ′ ). Myös E P (Z ′ ) ≤ 1 ja E P (Z ′ ) = 1 jos<br />
ja vain jos P ′ ≪ P , silloin P ⊥ = 0.<br />
3.2 Harjoitukset<br />
1. Olkoon X(ω) satunnaismuuttuja todennäkösyysavaruudessa (Ω, F), ja olkoon<br />
Z(ω) σ(X)-mitallinen satunnaismuuttujal.<br />
Osoita että on olemassa Borel mitallinen kuvaus x ∈ R ↦→ z(x) ∈ R jolla<br />
Z(ω) = z(X(ω)).<br />
2. Todennäköisyys avaruudessa (Ω, F, P ) olkoon X 1 (ω), . . . , X n (ω) P -rippumattomia<br />
ja samoin-jakautuneita standardi-gaussisia satunnaismuuttujat joilla<br />
P (X i ∈ dx) = √ 1 exp ( − x2 )<br />
dx i = 1, . . . , n<br />
2π 2<br />
Olkoon P ′ toinen todennäköisyysmitta jolla X 1 (ω), . . . , X n (ω) ovat P ′ -<br />
rippumattomia ja gaussisia samoinjakautuneita, jossa<br />
P ′ (X i ∈ dx) = √ 1 exp ( (x − µ)2 )<br />
− dx i = 1, . . . , n<br />
2π 2<br />
10
Kun F = σ(X 1 , . . . , X n ) laske uskottavuusosamäärät<br />
Z ′ (ω) = dP ′<br />
dP<br />
(ω) ja Z(ω) =<br />
dP dP ′ (ω)<br />
3. Todennäköisyys avaruudessa (Ω, F, P ), olkoon (X t (ω) : t ∈ N) R-arvoinen<br />
Markov prosessi jolla on alkujakauma<br />
ja siirtymäydin K(x, dy).<br />
P (X 0 ∈ dx) = π(dx)<br />
Olkoon P ′ toinen jakauma jonka suhteen (X t (ω) : t ∈ N) on myös Markov,<br />
alkujakaumalla P ′ (X 0 ∈ dx) = π ′ (dx) ja siirtymäydimellä K ′ (x, dy).<br />
Oleta: π ′ ≪ π ja ∀x ∈ R K ′ (x, ·) ≪ K(x, ·)<br />
Kun F n = σ(X 1 , . . . , X n ), laske R-N derivaatta<br />
Z n (ω) = dP ′∣ ∣<br />
Fn<br />
dP ∣ ∣<br />
Fn<br />
(ω)<br />
jossa P ∣ Fn<br />
on todennäiköisyys P rajoitettuna σ-algebraan F n , ja R-N<br />
lause sovelletaan todennäköisyysavaruudessa (Ω, F n , P ), josta seuraa että<br />
Z n (ω) pitää olla F n -mitallinen.<br />
4. Olkoon X 0 (ω) ∈ N, P (X 0 (ω) = k) = π(k) k ∈ N, ja<br />
X t (ω) =<br />
X t−1(ω)<br />
∑<br />
k=0<br />
Y t,k (ω) =<br />
∞∑<br />
1(k ≤ X t−1 (ω))Y t,k (ω)<br />
k=0<br />
jossa s.m. (X 0 , Y t,k (ω) : t, k ∈ N) ovat P -riippumattomia ja<br />
P (Y t,i = k) = p(k) k ∈ N ∀t, i ∈ N<br />
Prosessi (X t : t ∈ N) on diskreettiaikainen haarautumisprosessi, alkujakaumalla<br />
π(k) ja jälkikasvun jakaumalla p(k).<br />
• Osoita että (X t : t ∈ N) on Markov prosessi, siirtymäytimellä K(l, m) =<br />
P (X t = m|X t−1 = l)<br />
Olkoon P ′ toinen todennäköisyys jolla (X t ) on haarautumisprosessi alkujakaumalla<br />
π ′ (k) ja jälkikasvun jakaumalla p ′ (k), siirtymäytimellä K ′ (l, m) =<br />
P ′ (X t = m|X t−1 = l).<br />
Oletamme<br />
π(k) = 0 =⇒ π ′ (k) = 0 ja p(k) = 0 =⇒ p ′ (k) = 0<br />
Olkoon F n = σ(X 1 , . . . , X n ).<br />
• Laske R-N derivaatta<br />
Z n (ω) = dP ′∣ ∣<br />
Fn<br />
dP ∣ ∣<br />
Fn<br />
(ω)<br />
11
4 Stokastinen konvergenssi<br />
Lemma 4.1. (Ensimmäinen Borel-Cantellin lemma).<br />
∞∑<br />
n=1<br />
P (A n ) < ∞ =⇒ P ( ) (<br />
lim sup A n = P {ω : ω ∈ An äärettömästi monille n:lle } ) = 0<br />
n<br />
Lemma 4.2. (Fatou lemma) Kun X n (ω) ≥ 0 P-melkein varmasti ∀n ∈ N,<br />
( ) ( )<br />
0 ≤ E P lim inf X n ≤ lim inf E P Xn<br />
n<br />
n<br />
Tämä seuraa myös kun X n (ω) ≥ Z(ω) ∀n ∈ N P-melkein varmasti, jossa<br />
E P (Z − ) < +∞.<br />
Määritelmä 4.1. Olkoon X(ω), X n (ω), n ∈ N satunnaismuuttujat. Sanotaan<br />
että jono (X n ) suppenee stokastisesti (tai todennäköisyyden mielessä) kohti X:aan,<br />
( merkintä:X n<br />
P<br />
→ X) kun jokaiselle ε > 0<br />
P ({ ω : |X n (ω) − X(ω)| ≥ ε }) → 0, kun n → ∞.<br />
Stokastinen konvergenssi on heikompi kuin melkein varma konvergenssi:<br />
Lause 4.1.<br />
X.<br />
1. Kun lim<br />
n→∞ X n(ω) = X(ω) P-melkein varmasti, myös X n<br />
P<br />
2. Jos X n → X (stokastisesti), on olemassa deterministinen alijono {n(k) :<br />
k ∈ N} jolla<br />
lim X n(k)(ω) = X(ω) P-melkein varmasti,<br />
k→∞<br />
3. X n<br />
P<br />
→ X jos ja vain jos kaikille alijonoille {n(k)} on olemassa alijonon<br />
(deterministinen) alijono {n(k l )} jolla X n(kl )(ω) → X(ω) P-melkein varmasti<br />
kun l → ∞.<br />
P<br />
→<br />
Tod. Voidaan olettaa että X(ω) = 0, muuten otetaan<br />
X(ω).<br />
˜X n (ω) = X n (ω) −<br />
1. X n (ω) → 0 P -m.v. jos ja vain jos<br />
( ⋂ ⋃ ⋂<br />
)<br />
P<br />
{ω : |X k (ω)| < n −1 } = 1<br />
n m k≥m<br />
(<br />
)<br />
⇐⇒ ∀n ∈ N, P lim inf {ω : |X k(ω)| < n −1 } = 1<br />
k<br />
Fatou lemmasta ∀n<br />
(<br />
)<br />
(<br />
1 = P lim inf {ω : |X k(ω)| < n −1 } ≤ lim inf P<br />
k k<br />
(<br />
)<br />
⇐⇒ 0 = lim sup P {ω : |X k (ω)| > n −1 } = lim P<br />
k<br />
k<br />
)<br />
{ω : |X k (ω)| < n −1 }<br />
(<br />
{ω : |X k (ω)| > n −1 }<br />
= 1<br />
)<br />
12
2. Stokastisesta konvergenssista seuraa että on olemassa jono k n jolla<br />
(<br />
)<br />
P {ω : |X l (ω)| > n −1 } < 2 −n , ∀l ≥ k n<br />
Koska<br />
∞∑<br />
n=1<br />
(<br />
)<br />
P {ω : |X kn (ω)| > n −1 } <<br />
∞∑<br />
2 −n = 1 2 < ∞<br />
n=1<br />
Borel-Cantelli lemmasta (4.1) seuraa<br />
(<br />
)<br />
0 = P lim sup{ω : |X kn (ω)| > n −1 }<br />
(<br />
n<br />
)<br />
≥ P lim sup{ω : |X kn (ω)| > N −1 }<br />
n<br />
= 0 ∀n ∈ N,<br />
josta seuraa<br />
( ⋂<br />
)<br />
1 = P lim inf{ω : |X kn (ω)| ≤ N −1 }<br />
n<br />
N<br />
⇐⇒ X kn (ω) → 0 P -melkein varmasti.<br />
3. Olkoon X(ω) = 0 ja tehdään vastaoletus että X n ei suppenisi stokastisesti<br />
kohti nollaan: on olemassa ε > 0 ja jono n(k) ↑ ∞ kun k ↑ ∞ jolla<br />
P (|X n(k) | > ε) ≥ ε > 0<br />
∀k<br />
Tästä tulee ristiriita koska oletetusti olisi olemassa alijono n(k l ) jolla<br />
X n(kl )(ω) → 0 P -melkein varmasti ja siksi myös stokastisesti, siksi saadaan<br />
ristiriita<br />
0 < ε ≤ P (|X n(kl )| > ε) → 0 kun l → ∞ □<br />
Esimerkki 4.1. Näytämme että stokastinen konvergenssi on aidosti heikompi<br />
kuin melkein varmaa konvergenssia: Olkoon Ω = (0, 1] varustettu Borel σ-<br />
algebralla F = B((0, 1]) tasaisella todennäköisyydella , siis P ((0, t]) = t, kun<br />
t ∈ (0, 1].<br />
Määritellään satunnaismuuttujen jono<br />
X n,k (ω) = 1 (k2 −n ,(k+1)2 −n ](ω) k = 0, 1, . . . , (2 n − 1)<br />
jossa indeksit voidaan järjestää seuraavaksi: (n, k) ≥ (m, h) jos ja vain jos<br />
n > m tai n = m ja k ≥ h.<br />
Seuraa että ∀ω ∈ (0, 1] kun (n, k) → ∞ järjsteyksen mukaisesti,<br />
lim inf X n,k(ω) = 0 ≠ lim<br />
n,k→∞<br />
sup<br />
n,k→∞<br />
X n,k (ω) = 1, ja<br />
P ({ω : X n,k > 1/2}) = P ((k2 −n , (k + 1)2 −n ]) = 2 −n → 0 kun n → ∞ .<br />
Tehtävä 4.1. Etsi jonolle (X n,k (ω), n ∈ N, 0 ≤ k ≤ 2 n ) aliljono (X n(l),k(l) : l ∈<br />
N) jolla X n(l),k(l) (ω) → 0 P-m.v. kun l → ∞.<br />
13
Teoreema 4.1. Stokastinen konvergenssin topologia on metrinen.<br />
P<br />
X n → X ⇐⇒ d(X, Xn ) → 0, jossa<br />
( )<br />
|X − Y |<br />
d(X, Y ) = d(X − Y, 0) = E P<br />
1 + |X − Y |<br />
( )<br />
d(X, Y ) = d(X − Y, 0) = E P 1 ∧ |X − Y |<br />
Olkoon X n<br />
P<br />
→ X = 0. ∀ε > 0,<br />
|X n |<br />
(1 + |X n |) ≤ |X n |<br />
(1 + |X n |) 1(|X n| > ε) + ε1(|X n | ≤ ε) ≤ 1(|X n | > ε) + ε,<br />
d(X n , 0) ≤ P (|X n | > ε) + ε < 2ε<br />
kun n on tarpeeksi suuri.<br />
Toisinpäin, koska kuvaus f(x) = x/(1 + x) on aidosti kasvava (f ′ (x) =<br />
(1 + x) −2 ), ∀ε > 0,<br />
ε<br />
1 + ε 1(|X n| > ε) ≤ |X n|<br />
1 + |X n | 1(|X n| > ε) ≤ |X n|<br />
1 + |X n |<br />
ε<br />
1 + ε P (|X n| > ε) ≤ d(|X n |, 0) → 0 kun n → ∞<br />
Näytämme että d(X, Y ) on etäisyys, se täyttää kolmion epäyhtälön:<br />
|X − Y | |X − Z| + |Z − Y | |X − Z|<br />
≤ ≤<br />
1 + |X − Y | 1 + |X − Z| + |Z − Y | 1 + |X − Z| + |Z − Y |<br />
1 + |Z − Y |<br />
tai<br />
kun otetaan odotusarvo seuraa d(X, Y ) ≤ d(X, Z) + d(Z, Y )<br />
□<br />
5 Satunnaismuuttujen L 1 (P ) konvergenssi.<br />
Olkoon Ω = (0, 1] todennäköisyysavaruus joka on varustettu Borel σ-algebralla<br />
F = B((0, 1]) ja todennäköisyydella P jolla P ((0, t]) = t, kun t ∈ (0, 1] (P on<br />
tasainen jakauma),<br />
ja satunnaismuuttujen jono<br />
X n (ω) = n1 (0,n −1 ](ω), n ∈ N.<br />
Koska X n (ω) = 0 kun ω > n −1 seuraa että ∀ω lim<br />
n→∞ X n(ω) = 0.<br />
Kuitenkin E P (X n ) = nP ((0, n −1 ]) = n n −1 = 1 ∀n. Väite<br />
lim<br />
n<br />
E P (X n ) = E P (lim<br />
n<br />
X n )<br />
yleisesti ei pidä paikansa ilman lisää oletuksia.<br />
Määritelmä 5.1. Merkitään<br />
L 0 (Ω, F, P ) = { R-arvoset satunnaismuuttujat todennäköisyysavaruudessa (Ω, F, P ) }<br />
jossa tarvittaessa identioidaan X ja Y kun X(ω) = Y (ω) P-melkein varmasti.<br />
14
jossa<br />
Kun 0 < p < ∞,määritellään<br />
L p = L p (Ω, F, P ) = { X ∈ L 0 (Ω, F, P ) jolla ‖ X ‖ p < ∞ }<br />
‖ X ‖ p = { E P (|X| p ) } 1/p<br />
Sanomme että X n<br />
L p<br />
→ X suppenee L p -normissa kun E P (|X n − X| p ) → 0 kun<br />
n → ∞.<br />
Määritellään myös<br />
‖ X ‖ ∞ = P -esssup {|X(ω)|} := inf { y ∈ R : |X(ω)| ≤ y P-melkein varmasti }<br />
L ∞ = L ∞ (Ω, F, P ) = { X ∈ L 0 (Ω, F, P ) jolla ‖ X ‖ ∞ < ∞ }<br />
eli satunnaismuuttuja X(ω) ∈ L ∞ (P ) jos ja vain jos on olemassa deterministinen<br />
K < ∞ jolle<br />
|X(ω)| ≤ K<br />
P-melkein varmasti.<br />
eli s.m. on olennaisesti rajoitettu P-mitan suhteen.<br />
Osoitamme (myöhemmin) että L p (Ω, F, P ) on Banachin avaruus (eli vektori<br />
avaruus jolla on täydellinen normi) kaikille 0 < p ≤ +∞,<br />
ja L 2 (Ω, F, P ) on Hilbertin avaruus skalaaritulolla 〈X, Y 〉 := E P (XY ).<br />
Teoreema 5.1. Olkoon 0 < p ≤ ∞, ja lim n→∞ ‖ X n ‖ p = 0. Seuraa että<br />
X n<br />
P<br />
→ 0.<br />
Tod. Kun 0 < p < +∞, väite seuraa Chebychevin epäyhtälöstä : kun<br />
ε > 0 ,<br />
ε p P (|X n | > ε) ≤ E P (|X n | p ) → 0 kun n → ∞ .<br />
Kun p = +∞, ∀K ∈ N ∃¯n jolla<br />
P ( {ω : |X n (ω)| ≤ K −1 }) = 1<br />
kun n ≥ ¯n<br />
josta seuraa että<br />
( ⋂ ⋃ ⋂ {<br />
P<br />
ω : |Xn (ω)| ≤ K −1}) = P ({ ω : X n (ω) → 0 }) = 1<br />
K m n>m<br />
siis X n → 0 P -melkein varmasti ja myös stokastisesti □<br />
Huomautus: Koska<br />
|E P (X) − E P (Y )| = |E P (X − Y )| = |E P ((X − Y ) + ) − E P ((X − Y ) − )|<br />
≤ E P ((X − Y ) + ) + E P ((X − Y ) − ) = E P (|X − Y |)<br />
kun X n<br />
L 1 (P )<br />
→<br />
X seuraa E P (X n ) → E P (X).<br />
15
Käsittelemme ensin L 1 -konvergenssia. Olemme huomanneet että ehdoista<br />
X n (ω) → X(ω) P -melkein varmasti ja X, X n ∈ L 1 (P ) ei seuraa että E(X n ) →<br />
L<br />
E(X), eikä myöskään X 1<br />
n → X.<br />
Siihen tarvitaan sen lisäksi seuraava kompaktisuusehto:<br />
Määritelmä 5.2. Olkoon satunnaismuuttujen kokoelma C ⊆ L 1 (Ω, F, P ).<br />
Satunnaismuuttujen kokoelma C on tasaisesti integroituva P-mitan suhteen,<br />
kun<br />
∫<br />
lim sup<br />
(<br />
E P |X|1(|X| > K)) = |X(ω)|P (dω) −→ 0 kun K → ∞<br />
K→∞ X∈C<br />
{ω:|X(ω)|>K}<br />
Lemma 5.1. Aärellinen satunnaismuuttujen joukko C = {X 1 , X 2 , . . . , X M } ⊆<br />
L 1 (Ω, F, P ), M ∈ N on tasaisesti integroituva, eli ∀ε > 0 on olemassa K jolla<br />
(<br />
sup E P |Xm |1(|X m | > K) ) < ε<br />
1≤m≤M<br />
Tod. harjoitustehtävä. Vihje: olkoon ensin M = 1, C = {X}, ja<br />
X (n) (ω) := X(ω)1(|X(ω)| ≤ K)<br />
|X (n) | ↑?X(ω| ja monotonisen konvergenssi lauseesta seuraa E P (|X (n) |) ↑ E P (|X|)<br />
□<br />
Lemma 5.2. X ∈ L 1 (Ω, F, P ), jos ja vain jos ∀ε > 0 on olemassa δ, jolla kun<br />
A ∈ F,<br />
Riittavuuden todistus. ∀ω,<br />
P (A) < δ =⇒ E P<br />
(<br />
|X|1A<br />
)<br />
< ε<br />
Y (K) (ω) := |X(ω)|1(|X(ω)| ≤ K) ↑ |X(ω)|<br />
ja lauseesta (5.1) seuraa että<br />
∫<br />
E P (|X|) − E P (Y (K) ) =<br />
{ω:|X(ω)|>K}<br />
|X(ω)|P (dω) < ε<br />
kun K on tarpeeksi suuri jotta P ({ω : |X(ω)| > K}) < δ. Tästä seuraa että<br />
E P (|X|) ≤ E P (Y (K) ) + ε ≤ K + ε < ∞<br />
Välttämättömyyden todistus. Tehdään vastaoletus: on olemassa ε > 0 ja<br />
tapahtumien jono {A n : n ∈ N} ⊆ F jolla<br />
P (A n ) < 2 −n =⇒ E P<br />
(<br />
|X|1An<br />
)<br />
≥ ε > 0<br />
Olkoon A = lim sup A n . Koska<br />
n<br />
∑<br />
P (A n ) ≤ ∑<br />
n<br />
n<br />
2 −n = 1 < ∞<br />
16
seuraa ensimmäisesta Borel Cantelli lemmasta (4.1) että P (A) = 0.<br />
Olkoon B n = ⋃ A k . Määritelmästä seuraa A n ⊆ B n ↓ A, eli<br />
k≥n<br />
|X(ω)|1 An (ω) ≤ |X(ω)|1 Bn (ω) ↓ |X(ω)|1 A (ω)<br />
∀ω<br />
jossa kaikki ylläolevat satunnaismuuttujat ovat integroituvia koska X ∈ L 1 (P ).<br />
Seuraa väitteen riittavuuden osasta että<br />
koska P (A) = 0<br />
0 < ε ≤ E P (|X|1 An ) ≤ E P (|X|1 Bn ) ↓ E P (|X|1 A ) = 0<br />
□<br />
Teoreema 5.2. ( L 1 (P )-konvergenssin karakterisaatio ) Olkoon satunnaismyuuttujat<br />
{X n : n ∈ N} ⊆ L 1 (Ω, F, P ), n ∈ N ja X ∈ L 0 (Ω, F) Silloin<br />
P<br />
X n → X ja satunnaismuuttujen jono {Xn : n ∈ N} on tasaisesti integroituva,<br />
L<br />
jos ja vain jos X 1<br />
n → X ∈ L 1 (P ), eli<br />
P<br />
Tod. Kun X n → X lauseesta (4.1) seuraa että on olemassa deterministinen<br />
indeksien alijono n(k) jolle X n(k) (ω) → X(ω) P -melkein varmasti.<br />
Soveltamaalla Fatoun lemmaa (4.2)<br />
E P (|X|) = E P (lim inf<br />
k<br />
|X n(k) |) ≤ lim inf E P (|X n(k) |) < ∞<br />
k<br />
koska satunnaismuuttujat {X n : n ∈ N} ovat tasaisesti integroituvia, siis X ∈<br />
L 1 (P ).<br />
Olkoon K ∈ N ja määritellään kuvaus<br />
⎧<br />
⎨ K kun x > K<br />
g (K) (x) = x kun |x| ≤ K<br />
⎩<br />
−K kun x < −K<br />
ja satunnaismuuttujat X n<br />
(K) (ω) = g (K) (X n (ω)), X (K) (ω) = g (K) (X(ω)). Lemmasta<br />
(5.1 ) ja tasaisen integroituvuuden oletuksesta seuraa että ∀ε > 0 on<br />
olemassa K jolla<br />
koska<br />
sup<br />
n<br />
≤ sup<br />
n<br />
E P (|X − X (K) |) < ε ja E P (|X n − X (K)<br />
n |) < ε ∀n,<br />
E P (|X n − X n<br />
(K) |) = sup<br />
n<br />
∫<br />
{ω:|X n(ω)|>K}<br />
Osoitamme ensin että<br />
{ ∫<br />
|X(ω)|P (dω) − KP ( |X n | > K ) }<br />
{ω:|X n(ω)|>K}<br />
|X(ω)|P (dω) −→ 0 kun K → ∞ .<br />
E P (|X (K) − X (K)<br />
n |) → 0 kun K → ∞.<br />
Koska |g (K) (x) − g (K) (y)| < |x − y|, seuraa X (K)<br />
n<br />
P ( |X n (K) − X (K) | > ε ) ε <<br />
3 3K<br />
17<br />
P<br />
→ X (K) . On olemassa ¯n jolla<br />
kun n ≥ ¯n,
josta seuraa<br />
(<br />
(<br />
E P (|X n (K) − X (K) |) = E P |X n (K) − X (K) | 1<br />
(<br />
(<br />
))<br />
+E P |X (K)<br />
|X (K)<br />
≤ 2K P<br />
n − X (K) | 1<br />
(<br />
|X n (K) − X (K) | > ε 3<br />
Kolmioepäyhtälön avulla, kun n ≥ ¯n<br />
|X (K)<br />
n − X (K) | ≤ ε 3<br />
)<br />
+ ε 3 ≤ 2K ε<br />
3K + ε 3 = ε<br />
n − X (K) | > ε 3<br />
))<br />
kun n ≥ ¯n<br />
E P (|X n − X|) ≤ E P (|X n − X n<br />
(K) |) + E P (|X n<br />
(K) − X (K) |) + E P (|X (K) − X|) ≤ 3ε<br />
Toisinpäin, kun E P (|X n − X|) → 0, seuraa (kts. lause 5.1) että X n<br />
P<br />
→ X.<br />
Olkoon ε > 0, ja N ∈ N jolla<br />
E P (|X − X n |) < ε 2<br />
kun n ≥ N.<br />
Lemmasta 5.2 ∃ δ > 0 jolla ∀A ∈ F jolla P (A) < δ seuraa<br />
max<br />
n≤N E P (|X n |1 A ) < ε ja E P (|X|1 A ) < ε 2<br />
.<br />
Koska E P (|X n |) ≤ E P (|X|) + E P (|X n − X|) jossa oletetusti E P (|X n − X|) → 0,<br />
seuraa että on olemassa K > 0 jolla<br />
Chebychevin epäyhtälöstä seuraa<br />
Kun n ≥ N,<br />
sup E P (|X n |) < Kδ < ∞ .<br />
n<br />
P (|X n | > K) ≤ K −1 E P (|X n |) < δ ∀n ∈ N .<br />
E P<br />
(<br />
|Xn |1(|X n | > K) ) ≤ E P<br />
(<br />
|X|1(|Xn | > K) ) + E(|X − X n |) < ε<br />
Kun n ≤ N myös P (|X n | > K) < δ ja<br />
E P<br />
(<br />
|Xn |1(|X n | > K) ) < ε<br />
eli tämä on voimassa kaikille n ∈ N kun K on tarpeeksi suuri, siis {X n : n ∈ N}<br />
on tasaisesti integroituva □<br />
Osoittaakseen jonon {X n } n∈N tasaisen integroituvuuden, riittää että on olemassa<br />
Y ∈ L 1 (P ) joka dominoi koko jonon P -melkein varmasti:<br />
Seuraus 5.1. (Dominoidun konvergenssin lause) Olkoon X n<br />
P<br />
→ X jossa |Xn (ω)| ≤<br />
Y (ω) P-melkein varmasti jollekin 0 ≤ Y ∈ L 1 (Ω, F, P ). Silloin<br />
|E P (X n ) − E P (X)| ≤ E P (|X n − X|) → 0 kun n → ∞<br />
18
Voidaan osoittaa että tasainen integroituvuus vastaa kompaktisuuden ehtoa<br />
L 1 (P ) avaruudessa varustettuna heikolla topologialla. Tämä ei päde vahvemmalle<br />
L 1 -normin topologialle.<br />
Teoreema 5.3. (Dunford-Pettisin lause) Satunnaismuuttujen joukko C ⊆ L 1 (Ω, F, P )<br />
on tasaisesti integroituva P-mitan suhteen jos ja vain jos on pre-kompakti L 1 (P )<br />
avaruuden heikossa topologiassa,<br />
eli kaikille jonolle {X n : n ∈ N} ⊆ C on olemassa indeksien jono {n(k) : k ∈<br />
N} ja s.m. X ∈ L 1 (P ) joille<br />
lim E ( )<br />
P (Xn(k) − X)1 A = 0 ∀A ∈ F<br />
k→∞<br />
Huomautus Tästä ei seura alijonon vahvempi L 1 -konvergenssi E P (|X n(k) −<br />
X|) → 0.<br />
On myös hyvää tietää seuraavan tasaisen integroituvuuten karakterisaation<br />
Lause 5.1. C ⊆ L 1 (P ) on tasaisesti integroituva jos ja vain jos<br />
sup E P (|X|) < ∞ ja ∀ε > 0<br />
( )<br />
∃ δ : P (A) < δ =⇒ sup E P |X|1A < ε<br />
X∈C<br />
X∈C<br />
Tod. Harjoitustehtävä.<br />
Huomautus 5.1. Kun C ⊆ L 1 (P ) on tasaisesti integroituva, seuraa että sup X∈C E P (|X|) <<br />
∞. Kuitenkin pallo B 1 = {X ∈ L 1 (P ) : E P (|X|) ≤ 1} ei ole tasaisesti integroituva:<br />
olkoon {A n : n ∈ N} ⊆ F jolle P (A n ) = n −1 , ja olkoon X n (ω) =<br />
n 1 An (ω). Selvästi X n ∈ B 1 ∀n, ja kaikille K > 0<br />
(<br />
sup E P |Xn |1(|X n | > K) ) = sup E P (|X n |) = 1<br />
n<br />
n>K<br />
Sovellus: odotusarvon derivointi parametrin suhteen<br />
Lemma 5.3. Olkoon X i : (Ω i , F i ) → (R, B(R)) i = 1, 2 reaaliarvoisia satunnaismuuttujia<br />
eri todennäköisyysavaruuksissa. Silloin tulo X(ω 1 , ω 2 ) = X 1 (ω 1 )X 2 (ω 2 )<br />
on satunnaismuttuja tuloavaruudessa (Ω 1 × Ω 2 , F 1 ⊗ F 2 ).<br />
Tod. Olkoon X i (ω i ) ≥ 0 ∀ω i ∈ Ω i , i = 1, 2<br />
(yleisemmin voidaan ensin hajottaa X i = (X + i − X − i ) ). Kun t ≥ 0<br />
{<br />
(ω1 , ω 2 ) : X 1 (ω 1 )X 2 (ω 2 ) ≤ t } = ⋃ ({<br />
ω 1 : X 1 (ω 1 ) ≤ t } {<br />
})<br />
∩ ω 2 : X 2 (ω 2 ) ≤ q<br />
q<br />
ja Dynkinin lemmasta (??) seuraa<br />
0
• Kaikille t ∈ [a, b] kuvaus ω ↦→ Y (t, ω) on F-mitallinen.<br />
Tästä seuraa<br />
1. kuvaus (t, ω) ↦→ Y (t, ω) on (B([a, b]) ⊗ F) → B(R) mitallinen.<br />
2. kuvaus t ↦→ E P (Y (t)) on jatkuva.<br />
3. Olkoon<br />
X(t, ω) :=<br />
∫ t<br />
a<br />
Y (s, ω)ds, t ∈ [a, b].<br />
Silloin kaikissa t ∈ (a, b) on olemassa jatkuva derivaatta<br />
( )<br />
d<br />
dt E ( ) ( ) d<br />
P X(t) = EP Y (t) = EP<br />
dt X(t)<br />
Tod. Määritellään tuloavaruudessa [a, b] × Ω satunnaismuuttujen jono<br />
Y (N) (t, ω) =<br />
(N−1)<br />
∑<br />
k=0<br />
Y<br />
(a + (b − a) k ) (<br />
N , ω 1 a + (b − a) k N<br />
)<br />
+ 1)<br />
< t ≤ a + (b − a)(k , N ∈ N<br />
N<br />
Lemma (5.3) nojalla seuraa Y (N) on (B([a, b]) ⊗ F)-mitallinen, ja jatkuvuudesta<br />
seuraa<br />
lim Y (N) (t, ω) = Y (t, ω) ∀ω ,<br />
N↑∞<br />
siksi Y (t, ω) on myös (B([a, b]) ⊗ F)-mitallinen.<br />
Koska lim<br />
s→t<br />
Y s (ω) = Y t (ω) ja tasaisen integroituvuuden oletuksesta, seuraa<br />
|E P (Y t ) − E P (Y s )| ≤ E P |Y t − Y s | → 0 kun s → t.<br />
Koska {Y t : t ∈ [a, b]} on tasaisesti integroituva, seuraa<br />
(<br />
sup E P |Yt | ) < +∞<br />
t∈[a,b]<br />
ja siksi |Y (t, ω)| ∈ L 1( [a, b]×Ω, B([a, b])⊗F, dt⊗P (dω) ) . Fubinin lause soveltuu<br />
E P (X t ) = E P<br />
(∫ t<br />
a<br />
) ∫<br />
Y (s)ds = Y (s, ω) ds ⊗ P (dω) =<br />
[a,b]×Ω<br />
∫ t<br />
a<br />
E P (Y (s))ds<br />
ja koska kuvaus t ↦→ E P (Y (t)) on jatkuva, analyysin keskiarvon lauseesta<br />
lim ∆−1{ E P (X t+∆ ) − E P (X t ) }<br />
∆→0<br />
∫ t+∆<br />
= lim ∆ −1 E P (Y (s))ds = E P (Y (t))<br />
∆→0<br />
t<br />
□<br />
20
Esimerkki 5.1. Olkoon satunnaismuuttuja X(ω) ∈ R, jolle on olemassa a <<br />
0 < b jolle m X (t) := E P (exp(tX)) < ∞, ∀t ∈ [a, b]. Olkoon a < −ε < 0 <<br />
ε < b.<br />
Koska x exp(εx) ≤ exp(bx) kun x ≥ x ′ joka on yhtälön x ′ /log(x ′ ) = (b − ε)<br />
ratkaisu, seuraa<br />
E P (X + exp(εX)) ≤ x ′ exp(εx ′ ) + E P (exp(bX)) < +∞<br />
Vastaavasti, koska x exp(εx) ≤ exp(−ax) kun x ≥ x ′′ joka ratkaisee x ′′ /log(x ′′ ) =<br />
−(a + ε) ,<br />
E P (X − exp(−εX)) ≤ x ′′ exp(εx ′′ ) + E P (exp(−aX)) < +∞ .<br />
Seuraa<br />
{<br />
|X(ω)| exp(tX(ω)) ≤ |X(ω)|<br />
}<br />
exp(εX(ω)) + exp(−εX(ω)) ∈ L 1 (P ) ∀t ∈ [−ε, ε]<br />
ja kokoelma<br />
{<br />
}<br />
X(ω) exp(tX(ω)) : t ∈ [−ε, ε] ⊆ L 1 (P )<br />
on tasaisesti integroituva ,<br />
( )<br />
d<br />
d<br />
dt m X(t) = E P<br />
dt exp(tX) ( )<br />
= E P X exp(tX)<br />
eritysesti kun t = 0<br />
∀t ∈ (−ε, ε)<br />
d<br />
dt m X(0) = E P (X) .<br />
Koska eskponentiaali funktio kasvaa polynoomien nopeammin, ∀n ∈ N seuraa<br />
satunnaismuuttujien joukon<br />
{<br />
}<br />
X n (ω) exp(tX(ω)) : t ∈ [−ε, ε] ⊆ L 1 (P )<br />
tasainen integroituvuus, ja<br />
d n<br />
( )<br />
d<br />
n<br />
dt n m X(t) = E P<br />
dt n exp(tX) (<br />
= E P X n exp(tX) ) ∀t ∈ (−ε, ε)<br />
eritysesti kun t = 0<br />
d n m X<br />
dt n (0) = E (<br />
P X<br />
n ) .<br />
Kuvaus m X (t) = E P<br />
(<br />
exp(tX)<br />
) kutsutaan momentti-generoiva funktioksi.<br />
Esimerkki 5.2. ( Esscherin muunnos.)<br />
Olkoon Θ = {m X (t) = E P (exp(tX)) < ∞}. Kun t ∈ Θ määritellään mitanvaihtokaavan<br />
kautta todennäköisyysmitta<br />
P (t) (A) = E ( )<br />
P exp(tX)1A<br />
, ∀A ∈ F .<br />
m X (t)<br />
21
Kun on olemassa ε > 0 jolle [t − ε, t + ε] ⊆ Θ, seuraa<br />
E P (t)(X n ) = E (<br />
P X n exp(tX) )<br />
= dn m X<br />
m X (t) dx n (t) 1<br />
m X (t) , erityisesti<br />
E P (t)(X) = d dt log(m X(t))<br />
Tod. Kuten tapauksessa t = 0.<br />
6 L p (Ω) avaruudet<br />
6.1 Epäyhtälöt<br />
Määritelmä 6.1. Kuvaus g : R d → R on konveksi kun<br />
g ( px + (1 − p)y ) ≤ pg(x) + (1 − p)g(y) ∀x, y ∈ R d , p ∈ [0, 1]<br />
Lause 6.1. Olkoon g : R → R konveksi funktio. Silloin g on jatkuva, ja jokaisessa<br />
pisteessä on olemassa derivaatat oikealta ja vasemmalta<br />
∇g − g(r) − g(t)<br />
(t) = lim<br />
≤ ∇g + g(r) − g(t)<br />
(t) = lim<br />
r↑t r − t<br />
r↓t r − t<br />
ja ∇g ± (s) ≤ ∇g ± (t) kun s ≤ t.<br />
Tod. kun t ≤ s ≤ r,<br />
g(s) − g(t)<br />
s − t<br />
≤<br />
g(r) − g(t)<br />
r − t<br />
koska kun p = (r − s)/(r − t) ∈ [0, 1], s = pt + (1 − p)r , konveksisuudesta<br />
Tästä seuraa että jokaiselle t, jono<br />
g(s) − g(r) ≤ ( g(t) − g(r) ) p<br />
(g(t + n −1 ) − g(t))n<br />
n ∈ N<br />
ei kasva ja siksi monotoninen raja on olemassa. Koska oikea ja vasen derivaatat<br />
∇ ± g(t) ovat olemassa, g(t) on jatkuva jokaisessa t ∈ R. Konveksisuudesta seuraa<br />
myös<br />
g(s) − g(t)<br />
s − t<br />
≤<br />
g(r) − g(s)<br />
r − s<br />
kun t ≤ s ≤ r, siksi ∇ + g(t) ≤ ∇ − g(r) kun t < r<br />
Huomautus 6.1. Koska derivaatat ovat ei-väheneviä,<br />
1. Joukko<br />
D :=<br />
on korkeintaan numeroituva.<br />
□<br />
{<br />
}<br />
t : ∇ + g(t) > ∇ − g(t)<br />
22
2. jokaiselle t ∈ R, δ ∈ [∇ − g(t), ∇ + g(t)]<br />
g(s) = g(t) +<br />
∫ s<br />
t<br />
∇ ± g(r)dr ≥ g(t) + (s − t)δ<br />
∀s<br />
Seuraa myös että g on konveksi jos ja vain jos on absoluttisesti jatkuva<br />
Lebesgue mitan suhteen ja Radon-Nikodymin-derivaatta dg<br />
dx<br />
(x) on eivähenevä.<br />
Lause 6.2. (Jensenin epäyhtälö) Olkoon X(ω) ∈ R satunnaismuuttuja jolla<br />
E P (|X|) < ∞ ja g : R → R konveksikuvaus. Silloin<br />
g ( E P (X) ) ≤ E P<br />
(<br />
g(X)<br />
)<br />
R. Koska g on konveksi, sen oikea ja vasen derivaatat pisteessa µ = E P (X)<br />
ovat olemassa. Kaikille δ ∈ [∇ − g(µ), ∇ + g(µ)]<br />
g(X(ω)) ≥ g(E P (X)) + δ { X(ω) − E P (X(ω)) }<br />
ja väite seuraa ottaamalla odotusarvon □<br />
Huomautus Huomataan että Jensenin epäyhtälö on voimassa myös silloin<br />
kun integroidaan positiivisen mitan ν(dx) suhteen vaikka olisi ν(R) = +∞. Siis<br />
kun g on konveksi,<br />
∫<br />
(∫ ) ∫<br />
|x|ν(dx) < ∞ =⇒ g xν(dx) ≤ g(x)ν(dx)<br />
R<br />
R<br />
R<br />
mutta on mahdollista että<br />
∫<br />
∫<br />
|x|ν(dx) = ∞ ja<br />
R<br />
R<br />
|g(x)|ν(dx) < ∞<br />
Lemma 6.1. Kun 1 ≤ p < r , L p (Ω, F, P ) ⊇ L r (Ω, F, P ).<br />
Tod. Olkoon X ∈ L r (P ).<br />
Kun r = ∞, |X(ω)| p ≤‖ X ‖ p ∞ P -melkein varmasti ja väite seuraa.<br />
Kun r < ∞, olkoon<br />
Y n (ω) = n ∧ |X(ω)| p ∈ L r/p (P ) .<br />
Koska 0 ≤ Y n (ω) ≤ n seuraa Y n (ω) ∈ L 1 (P ).<br />
Kuvaus g : R + → R + jolla x ↦→ g(x) = x r/p on konveksi. Jensenin epäyhtälöstä<br />
seuraa:<br />
E P (Yn<br />
r/p ) ≥ E P (Y n ) r/p<br />
Monotonisen konvergenssi lauseesta, koska 0 ≤ Y n (ω) ↑ |X(ω)| p ∀ω seuraa<br />
E P (|X| r ) ≥ E P (|X| p ) r/p .<br />
Emme olisi voineet soveltaa Jensenin epäyhtälöä suoraan satunnaismuuttujalle<br />
|X(ω)| p koska apriori oli epäselvää kuuluuko L r/p (P ) avaruuteen. Siksi käytettiin<br />
kätkettyja muuttujia {Y n } □<br />
23
Huomautus 6.2. Tässä on olemmaista että P on todennäköisyysmitta tai äärellinen<br />
mitta, koska silloin kun ν(Ω) = ∞ L ∞ (Ω, F, ν) ⊈ L 1 (Ω, F, ν), ja pelkään<br />
kätkäisemällä ei saadan integroituvia satunnaismuuttujia.<br />
Väite ei päde L p (Ω, F, ν) avaruuksille silloin kun ν(Ω) = ∞.<br />
Kun ν(Ω) < ∞ määritellään P (A) = ν(A)/ν(Ω) josta seuraa<br />
{ ∫<br />
} 1/p { ∫<br />
|X(ω)| p ν(dω) ≤ ν(Ω) (r−p)/(rp) |X(ω)| r ν(dω)<br />
Ω<br />
Ω<br />
} 1/r<br />
siis L p (Ω, F, ν) ⊇ L r (Ω, F, ν) myös tässä tapauksessa. Tämä epäyhtälö ei kerro<br />
meille mitään kun ν(Ω) = ∞.<br />
Lause 6.3. ( Cauchy Schwartzin epäyhtälö , p = 2 )<br />
Olkoon X(ω), Y (ω) ∈ L 2 (Ω, F, P ) silloin<br />
1. tulo (X(ω)Y (ω)) ∈ L 1 (Ω, F, P ) ja<br />
‖ XY ‖ 1 = E P (|XY |) ≤ √ E P (X 2 ) √ E P (Y 2 ) =‖ X ‖ 2 ‖ Y ‖ 2<br />
jossa yhtäsuuruisuus on voimassa jos ja vain jos Y (ω) = cX(ω) P m.v.<br />
jollekin c ∈ R.<br />
Kun E P (XY ) = 0 sanomme että satunnaismuuttujat ovat ortogonaaliisia.<br />
2. Kolmion epäyhtälö on voimassa:<br />
1. Tod. Olkoon<br />
‖ X + Y ‖ 2 ≤‖ X ‖ 2 + ‖ Y ‖ 2<br />
X n (ω) = n ∧ |X(ω)|,<br />
Y n (ω) = n ∧ |Y (ω)|<br />
koska 0 ≤ X n (ω), Y n (ω) ≤ n ∀ω, seuraa (X n (ω)Y n (ω)) ∈ L 1 (P ).<br />
∀t ∈ R,<br />
0 ≤<br />
(<br />
tX n (ω) + Y n (ω)) 2<br />
= t 2 X n (ω) 2 + Y n (ω) 2 + 2tX n (ω)Y n (ω)<br />
Ottaamalla odotusarvoa (joka on olemassa ainakin katkaistetuille satunnaismuuttujille),<br />
seuraa että toisen asteen yhtälöllä<br />
t 2 E P (X n ) 2 + 2tE P (X n Y n ) + E(Y 2 n ) = 0<br />
on korkeintaan yksi reaaliratkaisu, josta seuraa<br />
Koska<br />
E P (X n Y n ) 2 − E(X 2 n)E(Y 2 n ) ≤ 0<br />
0 ≤ |X n (ω)Y n (ω)| ↑ |X(ω)Y (ω)| ∀ω<br />
seuraa monotonisen konvergenssin lauseesta<br />
E P (|XY |) 2 − E(X 2 )E(Y 2 ) ≤ 0<br />
24
2. Tod.<br />
E P ((X + Y ) 2 ) = E P (X 2 ) + E P (Y 2 ) + 2E P (XY )<br />
≤ E P (X 2 ) + E P (Y 2 ) + 2E P (|XY |)<br />
≤ E P (X 2 ) + E P (Y 2 ) + 2 √ E P (X 2 ) √ { √EP<br />
E P (Y 2 ) = (X 2 ) + √ 2<br />
E P (Y )} 2 □<br />
Lause 6.4. Seuraavat identiteettit ovat voimassa L 2 (P ) avaruudessa<br />
• Kun X, Y ∈ L 2 (P ),<br />
‖ X + Y ‖ 2 2 + ‖ X − Y ‖ 2 2= 2 ‖ X ‖ 2 2 +2 ‖ Y ‖ 2 2 (Suunnikkaan identiteetti)<br />
•<br />
E P (XY ) = 1 ‖ X + Y ‖<br />
2<br />
4(<br />
2 − ‖ X − Y ‖ 2 )<br />
2<br />
(Polarisaation identiteetti)<br />
Todistus: harjoitustehtävä.<br />
Huomautus Voidaan myös osoittaa että kun normi ‖ x ‖ toteuttaa suunnikkaan<br />
identiteetti, on olemassa skalaari tulo (x, y) jolla ‖ x ‖ 2 = (x, x).<br />
Jensenin epäyhtälön avulla Cauchy-Schwarz epäyhtälö yleistyy L p (Ω, F, µ)<br />
avaruuksiin, jossa 1 < p < ∞ ja µ on yleinen positiivinen mitta.<br />
Huomataan myös että kun X ∈ L 1 (µ), Y ∈ L ∞ (µ) , koska |X(ω)Y (ω)| ≤<br />
|X(ω)| ‖ Y ‖ ∞ seuraa suoraan että tulo (XY ) ∈ L 1 (µ).<br />
Lause 6.5. Olkoon X ∈ L p (Ω, F, µ) ja Y ∈ L q (Ω, F, µ), 1 ≤ p 0 (muuten X(ω) = 0 P -m.v. ja epäyhtälö seuraa.<br />
Määritellään satunnaismuuttuja<br />
ja todennäköisyysmitta<br />
Ỹ (ω) :=<br />
Y (ω) 1(X(ω) > 0) ≥ 0<br />
X(ω)<br />
p−1<br />
˜P (dω) = X(ω)p µ(dω)<br />
‖ X ‖ Lp (µ)<br />
25
Jensenin epäyhtälöstä<br />
E eP (Ỹ )q ≤ E eP (Ỹ q )<br />
kaikille q ≥ 1 erityisesti kun q = p/(p − 1)<br />
{∫<br />
Y (ω)<br />
X(ω) p } q<br />
1(X(ω) > 0)<br />
Ω X(ω)<br />
p−1<br />
‖ X ‖ p µ(dω)<br />
L p (µ)<br />
∫ { } q<br />
Y (ω)<br />
≤<br />
Ω X(ω) p−1 1(X(ω) > 0) X(ω) p<br />
‖ X ‖ p µ(dω)<br />
L p (µ)<br />
{∫<br />
} q<br />
⇐⇒‖ X ‖ −pq<br />
L p (µ)<br />
Y (ω)X(ω)µ(dω)<br />
Ω<br />
∫<br />
≤‖ X ‖ −p<br />
L p (µ)<br />
Y (ω) q X(ω) (q(p−1)−p) µ(dω)<br />
jossa q(p − 1) − p = 0. Seuraa<br />
∫<br />
Ω<br />
jossa (1 − 1/q)p = 1.<br />
Ω<br />
{∫<br />
} 1/q<br />
Y (ω)X(ω)µ(dω) ≤ Y (ω) q µ(dω) ‖ X ‖ (1−1/q)p<br />
L p (µ)<br />
Ω<br />
Tod. (Minkowski) Huomataan ensin että ∀x, y ≥ 0,<br />
(x + y) p ≤ ( 2 max(x, y) ) p<br />
≤ 2 p (x p + y p ).<br />
Siksi X, Y ∈ L p (Ω, F, µ), myös (X + Y ) ∈ L p (µ).<br />
Seuraa Hölderin epäyhtälöstä<br />
∫<br />
∫<br />
∫<br />
|X + Y | p dµ ≤ |X||X + Y | p−1 dµ +<br />
Tästä seuraa<br />
Ω<br />
jossa (1 − 1/q)p = 1<br />
Ω<br />
≤ ( ‖ X ‖ L p (µ) + ‖ Y ‖ L (µ)) ) ‖ |X + Y | p−1 ‖ p L q (µ)<br />
= ( )<br />
‖ X ‖ L p (µ) + ‖ Y ‖ L p (µ) (‖ X + Y ‖L p (µ)) p/q<br />
‖ X + Y ‖ (1−1/q)p<br />
L p (µ)<br />
≤ ‖ X ‖ L p (µ) + ‖ Y ‖ L p (µ)<br />
□<br />
Lause 6.6. ∀1 ≤ p ≤ ∞, L p (Ω, F, P ) on täydellinen :<br />
jos {X n (ω)} ∈ L p (Ω, F, P ) on Cauchy jono,<br />
eli ∀ε > 0 ∃N ε jolle ‖ X n − X m ‖ Lp (P )< ε kun n, m ≥ N ε ,<br />
on olemassa X(ω) ∈ L p (P ) jolle lim n↑∞ ‖ X n − X ‖ L p (P )<br />
Ω<br />
|Y ||X + Y | p−1 dµ<br />
Tod. Tapaus jossa p = ∞ jää harjoitustehtäväksi.<br />
Olkoon p < ∞ ja {X n } ⊆ L p Cauchy jono. On olemassa jono (k n ) jolla<br />
‖ X r − X s ‖ p ≤ 2 −n<br />
∀r, s ≥ k n<br />
26
Kun p ≥ 1 ja r, s ≥ k n Jensenin epäyhtälöstä<br />
Siksi asettamalla X k0 (ω) = 0,<br />
E P (|X r − X s |) ≤ E P (|X r − X s | p ) 1/p ≤ 2 −n<br />
X kn (ω) =<br />
n∑<br />
(X km (ω) − X km−1 (ω))<br />
m=1<br />
on teleskoppisen summan esitys jossa<br />
E P<br />
( ∞<br />
∑<br />
ja siksi P -melkein varmasti<br />
ja sarja<br />
m=1<br />
)<br />
|X km − X km−1 | < ∞<br />
∞∑<br />
|X km (ω) − X km−1 (ω)| < ∞<br />
m=1<br />
∞∑ (<br />
Xkm (ω) − X km−1 (ω) )<br />
m=1<br />
suppenee absoluttisesti.<br />
Jotta X(ω) olisi määritelty kaikille ω:lle, olkoon<br />
X(ω) = lim sup X kn (ω).<br />
n→∞<br />
Seuraa että X(ω) on satunnaismuuttuja ja X kn (ω) → X(ω) P -melkein varmasti.<br />
Kun r > k n ja ∀t > n<br />
E P (|X r − X kt | p ) ≤ 2 −np<br />
Fatou lemmasta, koska 0 ≤ |X r (ω) − X kt (ω)| p ,<br />
E P (|X r − X| p ) = E P (lim inf<br />
t<br />
Tästä seuraa X ∈ L p ja X r<br />
L p<br />
→ X kun r → ∞ □<br />
|X r − X kt | p ) ≤ lim inf E P (|X r − X kt | p ) ≤ 2 −np<br />
t<br />
7 Funktionaalianalyysin peruskäsitteiden pikasanasto<br />
1. Topologinen avaruus: (E, T ) jossa topologia T ⊆ 2 E on kaikkien avointen<br />
joukkojen kokoelma. Topologia an suljettu äärellisten leikkausten suhteen<br />
ja mielivaltaisten yhdistelmien suhteen. Avoimen joukon komplementti sanotaan<br />
suljetuksi.<br />
Olkoon {x n : n ∈ N} ⊆ E. Sanotaan että x n → x topologiassa T jos<br />
∀U ∈ T jolle x ∈ U, ∃ n U jolle x n ∈ U ∀n ≥ n U .<br />
27
2. d : E × E → [0, +∞] on metriikka jos<br />
• d(e, e ′ ) = 0 jos ja vain jos e = e ′<br />
• d(e, e ′ ) = d(e ′ , e) (symmetrisyys)<br />
• d(e, e ′′ ) ≤ d(e, e ′ ) + d(e ′ , e ′′ ) (kolmion epäyhtälö)<br />
3. Topologinen avaruus (E, T ) on metrinen jos on olemassa metriikka (etäisyys)<br />
d : E × E → [0, +∞], jonka suhteen avoimet pallot generoivat topologian<br />
T :n, eli:<br />
B(e, r) = {e ′ : d(e, e ′ ) < r} ∈ T ∀ e ∈ E, r > 0<br />
ja kaikille x ∈ U, x ∈ E, U ∈ T on olemassa r > 0 jolle x ∈ B(e, r) ⊆ U.<br />
Metrisessa avaruudessa, {x n : n ∈ N} ⊆ E on Cauchy jono kun ∀ε > 0<br />
on olemassa n ε jolle d(x n , x m ) < ε kun n, m ≥ n ε .<br />
Sanotaan että metrinen avaruus (E, d) on täydellinen jos kaikille Cauchy<br />
jonoille {x n } on olemassa rajaarvo x ∈ E.<br />
4. Olkoon E reaali-vektoriavaruus, eli kun λ ∈ R, x, y ∈ E, myös λx ∈ E,<br />
(x + y) ∈ E.<br />
Kuvaus ‖ · ‖: E → [0, +∞) on normi kun<br />
i) ‖ x ‖= 0 ∈ R ⇐⇒ x = 0 ∈ E ii) ‖ λx ‖= |λ| ‖ x ‖<br />
iii) ‖ x + y ‖≤‖ x ‖ + ‖ y ‖.<br />
Kaikki normatut vektoriavaruudet ovat metriset, metriikalla d(x, y) :=‖<br />
x − y ‖, joka generoi normi-konvergenssin topologian. Samalla avaruudella<br />
voi olla useita käyttökelpoisia topologioita.<br />
5. esi-Hilbertin avaruus on normi-avaruus jossa normi on peräisin skalaaritulosta<br />
〈·, ·〉 jossa ‖ x ‖ 2 := 〈x, x〉. Reaaliarvoinen skalaaritulo on symmetrinen<br />
〈x, y〉 = 〈y, x〉,<br />
bilineaarinen 〈λx + λ ′ x ′ , y〉 = λ〈x, y〉 + λ ′ 〈x ′ , y〉, ja positiivinen 〈x, x〉 ≥ 0,<br />
jolla 〈x, x〉 = 0 ⇐⇒ 0.<br />
6. Täydellinen normiavaruus on Banachin avaruus ja täydellinen esi-Hilbertin<br />
avaruus on Hilbertin avaruus.<br />
8 Projektio L 2 (P ) avaruudessa<br />
Lause 8.1. Olkoon H ⊆ L 2 (Ω, F, P ) aliavaruus joka on suljettu, eli jos<br />
{X n } ⊆ H ja on olemassa X ∈ L 2 (P ) jolla ‖ X n − X ‖ L 2 (P )→ 0 , seuraa<br />
että X ∈ L 2 (P ).<br />
Kaikille X(ω) ∈ L 2 (Ω, F, P ) on olemassa ortogonaalinen projektio H-aliavaruuteen<br />
Y (ω) = (Π H X)(ω) ∈ H jolla<br />
•<br />
E P ((X − Y ) 2 ) = ∆ := inf<br />
W ∈H E P ((X − W ) 2 )<br />
• E P ((X − Y )W ) = 0 ∀W ∈ H<br />
28
Projektio Y on P-melkein varmasti yksikäsitteinen.<br />
Huomautus 8.1. Muistetaan että euklidisessa avaruudessa R d on määritelty<br />
vektoreiden skalaari tulo<br />
d∑<br />
d∑<br />
〈X, Y 〉 R d = X(ω)Y (ω) = d · X(ω)Y (ω)P ({ω}) = E P (XY )d<br />
ω=1<br />
ω=1<br />
jossa P (ω) = 1/d on tasainen todennäköisyys äärellisessä avaruudessa Ω =<br />
{1, . . . , d}. Sanomme että vektorit X, Y ∈ R d ovat kohtisuoria (merkintä X ⊥ R d<br />
Y ), kun 〈X, Y 〉 R d = 0.<br />
Tämä geometrinen käsite yleistyy abstraktissa todennäköisyysavaruudessa<br />
(Ω, F) kun varustetaan L 2 (Ω, F, P ) skalaaritulolla<br />
∫<br />
〈X, Y 〉 L 2 (P ) = E P (XY ) = X(ω)Y (ω)P (dω)<br />
ja tulkitaan satunnais-muuttujat (X(ω) : ω ∈ Ω) ääretönulotteisinä vektoreina.<br />
Satunnais-muuttujat X, Y ∈ L 2 (P ) ovat kohtisuoria (merkintä X ⊥ P Y ), kun<br />
E P (XY ) = 0.<br />
Tod. Koska 0 ∈ H, ∆ ≤ E P (|X| 2 ) < ∞, ja on olemassa jono (Y n : n ∈ N) ⊆<br />
H jolla ‖ X − Y n ‖ 2 → ∆.<br />
Olkoon ε > 0 ja ¯n jolla kun n ≥ ¯n<br />
Suunnikkaan yhtälöstä seuraa<br />
∆ ≤ E P ((X − Y n ) 2 ) < ∆ + ε<br />
2 ‖ (Y m − Y n )/2 ‖ 2 2=‖ X − Y m ‖ 2 2 + ‖ X − Y n ‖ 2 2 −2 ‖ X − (Y m − Y n )/2 ‖ 2 2<br />
jossa (Y n − Y m )/2 ∈ H, ja seuraa<br />
Kun n, m ≥ ¯n<br />
Ω<br />
‖ X − (Y n − Y m )/2 ‖≥ ∆<br />
2 ‖ (Y m − Y n )/2 ‖ 2 2≤ 2ε<br />
Siksi (Y n ) ⊆ H on Cauchy jono L 2 (P ):ssa. Koska L 2 (P ) on täydellinen on<br />
olemassa Y ∈ L 2 L<br />
(P ) jolla Y 2<br />
n → Y , ja koska H on suljettu aliavaruus seuraa<br />
Y ∈ H.<br />
Olkoon W ∈ H \ {0}. ∀t ∈ R, (Y + tW ) ∈ H<br />
‖ X − Y ‖ 2 2≤‖ X − Y − tW ‖ 2 2=‖ (X − Y ) ‖ 2 2 +t 2 ‖ W ‖ 2 2 −2tE P ((X − Y )W )<br />
⇐⇒ t 2 ‖ W ‖ 2 2 −2tE P ((X − Y )W ) ≥ 0 ∀t ≥ 0<br />
josta seuraa E P ((X − Y )W ) = 0.<br />
Jos Ỹ (ω) ∈ H on myös projektio, ottamalla W = (Y − Ỹ ) ∈ H<br />
0 = E P (XW ) − E P (XW ) = E P (Y W ) − E P (Ỹ W ) = E P ((Y − Ỹ )W ) = E P ((Y − Ỹ )2 )<br />
josta seuraa Y (ω) = Ỹ (ω) P -m.v. □<br />
Lemma 8.1. L 2 -projektio on lineaarinen operaattori: kun X, Z ∈ L 2 (P ) ,a ∈ R<br />
ja H on suljettu aliavaruus,<br />
Π H (X + Z) = Π H X + Π H Z,<br />
Π H (aX) = aΠ H (X)<br />
29
9 Ehdollinen odotusarvo<br />
Olkoon G ⊆ F ali-σ-algebra.<br />
Silloin L p (Ω, G, P ) ⊆ L p (Ω, F, P ), ∀0 ≤ p ≤ ∞, ja kun p > 0, L p (Ω, G, P )<br />
on suljettu aliavaruus.<br />
Tod. Olkoon {X n : n ∈ N} ⊆ L p (Ω, G, P ) ja X ∈ L p (Ω, F, P ) joilla<br />
E P (|X n − X| p P<br />
) → 0, Seuraa että X =⇒ X n → X ja on olemassa alijono<br />
jolla {n k } : X nk (ω) → X(ω) P m.v. . Olkoon ˜X(ω) := lim inf k X nk (ω) ∈<br />
L p (Ω, G, P ). Seuraa että X n<br />
L P<br />
→ ˜X ja siksi X(ω) = ˜X(ω) P -m.v.<br />
Kun X ∈ L 2 (Ω, F, P ) ja H = L 2 (Ω, G, P ) seuraa projektio lauseesta (8.1)<br />
että on olemassa ortogonaalinen projektio<br />
Y (ω) = E P (X|G)(ω) := ( Π L 2 (Ω,G,P )X ) (ω)<br />
joka kutsutaan ehdolliseksi odotusarvoksi jolla<br />
• Y ∈ L 2 (Ω, G, P )<br />
• E P (XW ) = E P (Y W ) ∀W ∈ L 2 (Ω, G, P )<br />
Lemma 9.1. Ehdollinen odotusarvo on positiivinen operaattori:<br />
Olkoon 0 ≤ X(ω) ∈ L ∞ (Ω, F, P ), G ⊆ F ali-σ-algebra. Silloin<br />
Y (ω) = E P (X|G)(ω) ≥ 0<br />
P-m.v.<br />
Tod. Koska L ∞ (P ) ⊆ L 2 (P ) ehdollinen odotusarvo Y (ω) on olemassa L 2 -<br />
projektiona. Olkoon A = {ω : Y (ω) < 0} ∈ G. Koska 1 A (ω) ∈ L ∞ (P ) ⊆ L 2 (P ),<br />
0 ≤ E P (X1 A ) = E P (Y 1 A ) = E P (Y 1(Y < 0)) = −E P (Y − ) ≤ 0<br />
ja väite seuraa.<br />
Ehdollisen odotusarvon määritelmä laajennetaan L 1 (Ω, F, P ) avaruuteen:<br />
Teoreema 9.1. (Kolmogorovin määritelmä) Kun X ∈ L 1 (Ω, F, P ), ja G ⊆ F<br />
on ali-σ-algebra, on olemassa ehdollinen odotusarvo Y (ω) = E P (X|G)(ω) ∈<br />
L 1 (Ω, G, P ) jolla Y ∈ L 1 (Ω, G, P ) ja<br />
E P (X1 A ) = E P (Y 1 A )<br />
∀A ∈ G<br />
Ehdollinen odotusarvo on P-m.v. yksikäsitteinen.<br />
Tod. Voidaan olettaa että X(ω) ≥ 0 ∀ω, muuten käytämme ensin hajotelmaa<br />
X(ω) = X(ω) + − X(ω) − ja sitten määrittelemme<br />
E P (X + |G)(ω) = E P (X + |G)(ω) − E P (X − |G)(ω)<br />
Olkoon 0 ≤ X n (ω) = X(ω) ∧ n ↑ X(ω) kun n ↑ ∞. Koska X n ∈ L ∞<br />
seuraa että X n ∈ L 2 (Ω, F, P ) ja projektio lauseesta seuraa että on olemassa<br />
Y n ∈ L 2 (Ω, G, P ) jolla<br />
E P (X n 1 A ) = E P (Y n 1 A )<br />
∀A ∈ G<br />
30
Seuraa lemmasta (9.1) että Y n (ω) ≥ 0 P -m.v. Kun n ≥ m (X n (ω)−X m (ω)) ≥ 0<br />
josta seuraa<br />
(Y n (ω) − Y m (ω)) = E P (X n |G)(ω) − E P (X m |G)(ω) = E P (X n − X m |G)(ω) ≥ 0 P -m.v.<br />
Olkoon Y (ω) = lim sup n Y n (ω). Seuraa että Y n (ω) ↑ Y (ω) P -m.v. ja monotonisen<br />
konvergenssin lauseesta, ∀A ∈ G<br />
E P (X1 A ) = lim<br />
n↑∞<br />
E P (X n 1 A ) = lim<br />
n↑∞<br />
E P (Y n 1 A ) = E P (Y 1 A )<br />
Jos Ỹ (ω) ∈ L1 (Ω, G, P ) toteuttaa Kolmogorovin määritelmää, koska A =<br />
{ω : Y (ω) > Ỹ (ω)} ∈ G,<br />
0 ≤ E P ((Y − Ỹ )1 A) = E P (X1 A ) − E P (X1 A ) = 0<br />
seuraa että Y (ω) ≤ Ỹ (ω) P -m.v., samoin seuraa että Y (ω) ≥ Ỹ (ω) ja siksi<br />
Y (ω) = Ỹ (ω) P -m.v.<br />
Tehtävä 9.1. Osoita että (9.1) pätee jos ja vain jos<br />
E P (XW ) = E P (Y W ) ∀W ∈ L ∞ (Ω, G, P )<br />
Tehtävä 9.2. Olkoon G = σ(A 1 , . . . , A n ) ⊆ F äärellisesti generoitu ali σ-<br />
algebra, jossa {A 1 , . . . , A n } on Ω:n F-mitallinen ositus, A i ∈ F, ⋃ n<br />
i=1 A i = Ω,<br />
A i ∩ A j = ∅ kun i ≠ j.<br />
Olkoon X(ω) ∈ L 1 (Ω, F, P ). Silloin<br />
E P (X|G)(ω) =<br />
n∑<br />
i=1<br />
E P (X1 Ai )<br />
1 Ai (ω) :=<br />
P (A i )<br />
n∑<br />
E P (X|A i )1 Ai (ω) (9.1)<br />
jossa E P (X|A) = E P (X1 A )/P (A) on elementaarinen ehdollinen odotusarvo,<br />
joka saa mielivaltainen arvo (esimerkiksi 0) silloin kun P (A) = 0. Osoita että<br />
(9.1) toteuttaa Kolmogorovin ehdollilsen odotuarvon määritelmän.<br />
Huom: Kolmogorovin ehdollinen odotusarvo σ-algebran ehdolla E P (X|G)(ω)<br />
on satunnaismuuttuja, kun elementaarinen odotusarvo tapahtuman ehdolla E P (X|A)<br />
on vakio joka on hyvin määritelty vain silloin kun P (A) > 0.<br />
10 Ehdollinen odotusarvo Radon-Nykodim derivaattana<br />
i=1<br />
Olkoon X ∈ L 1 (Ω, F, P ) Määritellään merkkinen mitta<br />
µ X (A) = E P (X1 A ) ∀A ∈ F<br />
Huomataan että µ X (A) = 0 silloin kun A ∈ F ja P (A) = 0, eli µ ≪ P σ-<br />
algebrassa F, ja X(ω) = dµ X<br />
dP<br />
(ω) on vastaava Radon-Nikodymin derivaatta.<br />
Olkoon G ⊆ F ali σ-algebra. Erityisesti µ ≪ P σ-algebrassa G. Radon-<br />
Nikodymin lauseesta seuraa että on olemassa R-N derivaatta<br />
Y (ω) := dµ X| G<br />
dP | G<br />
(ω)<br />
31
jossa Y (ω) ∈ L 1 (Ω, G, P ) joka toteuttaa mitanvaihtokaavaa<br />
E P (X1 A ) = µ X (A) = E P (Y 1 A )<br />
∀A ∈ G<br />
Kolmogorovin määritelmästä seuraa että Y (ω) = E P (X|G)(ω).<br />
Siis ehdollisen odotusarvon olemassa olo seuraa R-N lauseesta. Kuitenkin,<br />
koska emme ole vielä todistaneet R-N lauseetta käytimme L 2 -projektiota.<br />
11 Mitä voidaan sanoa kun E P (|X|) = ∞ ?<br />
Olkoon 0 ≤ X(ω) ∈ L 0 (Ω, F, P ) mutta E P (X) = ∞. Myös tässä tapauksessa<br />
monotonisen konvergenssilauseen kautta seuraa että on olemassa ehdollinen<br />
odotusarvo Y (ω) = E P (X|G)(ω) ∈ [0, +∞] joka on G-mitallinen joka totetuttaa<br />
∀A ∈ G.<br />
E P (X1 A ) = E P (Y 1 A ) ∈ [0, +∞]<br />
Toki Y (ω) voi saada myös arvoa +∞, joka tapauksessa E P (Y ) = E P (X) = ∞.<br />
Yleisemmin olkoon X(ω) = (X(ω) + − X(ω) − ), jossa E P (|X|) = ∞. Silloin<br />
ehdollinen odotusarvo<br />
E P (X|G)(ω) := E P (X + |G)(ω) − E P (X + |G)(ω) ∈ [−∞, +∞]<br />
on hyvin määritelty vain joukon<br />
U := { ω : E P (X + |G)(ω) = E P (X − |G)(ω) = +∞ }<br />
ulkopuolella. Kun käy hyvin joskus P (U) = 0.<br />
12 Ehdollisen odotusarvon ominaisuudet<br />
1. Monotoninen konvergenssi :<br />
0 ≤ X n (ω) ↑ X(ω) =⇒ 0 ≤ E P (X n |G)(ω) ↑ E P (X|G)(ω) P m.v.<br />
(<br />
2. E P EP (X|G) ) = E P (X)<br />
3. Kun H ⊆ G ⊆ F,<br />
(<br />
E P (X|H)(ω) = E P EP (X|G) ∣ ) H (ω) P m.v.<br />
4. Jos Y ∈ L 1 (Ω, G, P ), ja X, (XY ) ∈ L 1 (Ω, F, P ), seuraa<br />
E P (Y X|G)(ω) = Y (ω)E P (X|G)(ω)<br />
5. jos σ-algebra H on P -riippumaton σ-algebrasta σ(X) ∨ G,<br />
E P (X|G ∨ H) = E P (X|G)<br />
Tod. ∀G ∈ G, H ∈ H, seuraa<br />
( ) ( )<br />
E P (X1 G 1 H ) = E P (X1 G )P (H) = E P EP (X|G)1 G P (H) = EP EP (X|G)1 G 1 H<br />
ja väite seuraa koska G ∨ H = σ(G ∩ H : G ∈ G, H ∈ H).<br />
32
13 Säännöllinen ehdollinen todennäköisyys ja ytimet<br />
Tapahtuman A ∈ F ehdollinen todennäköisyys ehdolla G σ-algebra on luonnollisesti<br />
P ( A ∣ ∣ G<br />
)<br />
(ω) = EP<br />
(<br />
1A<br />
∣ ∣G<br />
)<br />
(ω)<br />
joka on yksikäsitteinen modulo P -nolla mittaisia joukkoja. Koska ehdollinen<br />
odotusarvo on ei-negatiivinen operaattori, seuraa P ( A ∣ ∣G ) (ω) ∈ [0, 1] P -melkein<br />
varmasti.<br />
Voidaanko sanoa että P -melkein varmasti, kuvaus A ↦→ P ( A ∣ ∣ G<br />
)<br />
(ω) ∈ [0, 1]<br />
on todennäköisyysmitta ?<br />
Olkoon {A n } ⊆ F tapatuhmien jono jolla A n ↓ ∅. Seuraa ehdollisen odotusarvon<br />
monotonisen konvergenssin lauseesta että on olemassa joukko N jolla<br />
P (N) = 0<br />
P (A n |G)(ω) ↓ 0 ∀ω ∈ N c (13.1)<br />
Tämä joukko voi toki riippua {A n } ⊆ F jonosta, ja kun yleisesti jonojen määrä<br />
on ylinumeroituva, ei mikään takaa että löytyy sellainen P -nolla mittainen<br />
joukko N jossa (13.1) pätee samaan aikaan kaikille tapahtumien jonoille joilla<br />
A n ↓ ∅.<br />
Siis ehdollinen todennäköisyys ei ole automaattisesti P -melkein varmasti σ-<br />
additiivinen.<br />
Määritelmä 13.1. Olkoon (Ω, F) ja (˜Ω, ˜F) todennäköisyysavaruudet.<br />
Kuvaus K : Ω × ˜F → [0, 1] on (Ω, F) → (˜Ω, ˜F) todennäköisyys ydin kun<br />
• kaikille kiinnitetyillle ω ∈ Ω kuvaus K(ω, ·) :<br />
K(ω, Ã) on todennäköisyysmitta.<br />
˜F → [0, 1] jossa à ↦→<br />
• kaikille kiinnitetyillle tapahtumille à ∈ ˜F kuvaus K(·, Ã) : Ω → [0, 1] jossa<br />
ω ↦→ K(ω, Ã) on F-mitallinen.<br />
Määritelmä 13.2. Olkoon ˜Ω = Ω ja ˜F ⊆ F, G ⊆ F.<br />
Ehdollisella todennäköisyydellä (Ã, ω) ↦→ P (Ã|G)(ω) jossa à ∈ ˜F on säännöllinen<br />
versio jos on olemassa (Ω, G) → (˜Ω, ˜F) todennäköisyys-ydin K(ω, Ã),<br />
joka on G-mitallinen ω:n suhteen, ja<br />
∫<br />
E P (X|G)(ω) = X(˜ω)K(ω, d˜ω)<br />
eΩ<br />
kaikille X ∈ L 1 (Ω, ˜F, P )<br />
Huomautus 13.1. määritelmässä esintyy ali-σ algebra ˜F ⊆ F koska joskus<br />
ehdollisen todennäköisyyden säännöllinen versio on olemassa vain jollekin pienelle<br />
σ-algebralle eikä alkuperäiselle σ-algebralle F. Esimerkki: ˜F = σ(X) jossa<br />
X on (F-mitallinen) reaali-arvoinen satunnaismuuttuja.<br />
Määritelmä 13.3. Todennäköisyysavaruus (Ω, F) on Borel jos on olemassa<br />
mitallinen bijektio f : (Ω, F) → [0, 1], B([0, 1]) jossa käänteiskuvaus f −1 on<br />
myös mitallinen.<br />
33
Teoreema 13.1. Olkoon (Ω, F, P ) todennäköisyyskolmikko.<br />
Olkoon X : (Ω, F) → (Ω ′ , F ′ ) mitallinen kuvaus, jossa (Ω ′ , F ′ ) on Borelin<br />
avaruus, ja G ⊆ F ali σ-algebra<br />
On olemassa (Ω, G) → (Ω ′ , F ′ ) todennäköisyys ydin K(·, ·) joka on ehdollisen<br />
todennäköisyyden säännöllinen versio: P melkein varmasti,<br />
P (X ∈ D|G)(ω) := E P (1(X ∈ D)|G)(ω) = K(ω, D) kaikille D ∈ F ′<br />
Todistus sivutetaan, katso Kallenbergin kirjasta Foundations of Modern Probability,<br />
Thm 6.3, 6.4.<br />
Huomautus 13.2. Meidän onneksi (R d , B(R d )) on Borel avaruus, siis satunnaisvektorin<br />
ehdollisella todennäköisyydella on aina säännöllinen versio.<br />
14 Ehdollisen odotusarvon laskenta P -riippumattomuuden<br />
oletuksen nojalla<br />
Lause 14.1. Todennäköisyysavaruudella (Ω, F), olkoon G ⊆ F ali σ-algebra,<br />
Y (ω) G-mitallinen satunnaismuuttuja, joka saa arvot mitallisessa avaruudessa<br />
(S, S), ja olkoon X(ω) ∈ ( ˜S, ˜S) riippumaton G σ-algebrasta.<br />
Olkoon f : ( ˜S × S) → R rajoitettu ja Borel-mitallinen kuvaus.<br />
Silloin ehdollisella odotusarvolla on integraali-esitys<br />
( ∣ ) ( ) ∣ ∫<br />
E P f(X, Y ) ∣G (ω) = EP f(X, y) ∣∣y=Y = f(x, Y (ω))P X (dx) (14.1)<br />
(ω)<br />
jossa P X (B) = P ({ω : X(ω) ∈ B}).<br />
Tod. Olkoon<br />
V := { f : ( ˜S × S) → R Borel mitalliset ja rajoitetut funktiot joille pätee 14.1 }<br />
Osoitamme ensi että V on monotoninen luokka. Ehdollisen odotusarvon määritelmästä<br />
seuraa 14.1 on voimassa funktiolle f(x, y) jos ja vain jos ∀G ∈ G<br />
∫ {∫<br />
}<br />
( )<br />
E P f(X, Y )1G = f(x, Y (ω))P X (dx) 1 G (ω)P (dω)<br />
Ω<br />
eS<br />
Selvästi V on vektori avaruus koska odotusarvo on lineaarinen. Jos {f n (x, y) :<br />
n ∈ N} ⊆ V ja 0 ≤ f n (x, y) ↑ f(x, y) jossa f(x, y) on rajoitettu, seuraa monotonisen<br />
konvergenssin lauseesta että f(x, y) ∈ V .<br />
Monotonisen luokan lauseesta seuraa että jos I ⊆ V on π-luokka, V sisältää<br />
kaikki rajoitettu σ(I) mitalliset funktiot. Väite on osoitettu kun näytämme<br />
että 14.1 pätee funktiolle f(x, y) = 1 B (x)1 D (y): ∀G ∈ G riippumattomuudesta<br />
seuraa<br />
( )<br />
E P 1B (X)1 D (Y )1 G = PX (B)P ({Y ∈ D} ∩ G)<br />
∫ {∫<br />
}<br />
= 1 B (X(˜ω))P (d˜ω) 1 D (Y (ω))1 G (ω)P (dω) =<br />
Ω Ω<br />
∫ {∫<br />
}<br />
1 B (X(˜ω))1 D (Y (ω))P (d˜ω) 1 G (ω)P (dω) =<br />
Ω Ω<br />
∫ {∫<br />
f ( X(˜ω), Y (ω) ) }<br />
P (d˜ω) 1 G (ω)P (dω)<br />
Ω Ω<br />
34<br />
eS
joka tarkoittaa 1 B (x)1 D (y) ∈ V □.<br />
15 Ehdollisen odotusarvon laskenta mitan-vaihdon<br />
avulla: Bayesin kaava<br />
Lemma 15.1. Ehdollinen odotusarvon on itse-adjungoitu operaattori, eli kun<br />
X ∈ L 1 (Ω, F, P ) , G ⊆ F on ali σ-algebra, ∀A ∈ F<br />
E P<br />
(<br />
X EP (1 A |G) ) = E P<br />
(<br />
EP (X|G) E P (1 A |G) ) = E P<br />
(<br />
EP (X|G) 1 A<br />
)<br />
Tod. Suoraan ehdollisen odotusarvon ominaisuuksista.<br />
Olemme esittäneet kaksi tapausta jossa osaamme laskea ehdollisia odotusarvoja:<br />
silloin kun σ-algebralla G on numeroituva määrä atomeja, ja riippumattomuuden<br />
nojalla lauseessa 14.1.<br />
Yleisemmin voidaan joskus paluattaa ehdollisen odotusarvon laskeminen<br />
lauseen 14.1 tilanteeseen mitan-vaihdon avulla. Ensin esitämme mitanvaihtokaavan<br />
ehdolliselle odotusarvolle:<br />
Teoreema 15.1. (Abstrakti Bayesin kaava). Todennäköisyysavaruudella (Ω, F),<br />
olkoon G ⊆ F ja P F ≪ Q todennäköisyysmitat joilla Q(A) = 0 =⇒ P (A) = 0<br />
kun A ∈ F.<br />
Radon-Nikodym lauseesta seuraa että on olemassa Radon-Nikodym derivaatta<br />
eli satunnaismuuttuja<br />
0 ≤ Z(ω) := dP<br />
dQ (ω) ∈ L1 (Ω, F, Q)<br />
jolle odotusarvon mitanvaihtokaava on voimassa:<br />
E P (X) = E Q (XZ) ∀X ∈ L 1 (Ω, F, P )<br />
Silloin ehdolliselle odotusarvolle pätee Bayesin kaava:<br />
( ∣<br />
E P X G ) (ω) = E ( ∣ )<br />
Q XZ∣G (ω)<br />
( ∣ )<br />
E Q Z∣G ∈ L 1 (Ω, G, P )<br />
(ω)<br />
Tod. Olkoon G ∈ G. Mitanvaihto kaavasta odotusarvolle ja ehdollisen odotusarvon<br />
määritelmästä seuraa<br />
( ) ( ) (<br />
E P X1G = EQ ZX1G = EQ EQ (ZX1 G |G) ) ( )<br />
= E Q EQ (ZX|G)1 G<br />
= E Q<br />
(<br />
EQ (Z|G)<br />
E Q (Z|G) E Q(ZX|G)1 G<br />
)<br />
= E Q<br />
(<br />
Z E Q(ZX|G)<br />
E Q (Z|G) 1 G<br />
)<br />
( )<br />
EQ (ZX|G)<br />
= E P<br />
E Q (Z|G) 1 G<br />
□<br />
Esimerkki 15.1. (Perinteinen Bayesin kaava) Todennäköisyysavaruudella (Ω, F),<br />
olkoon ja X(ω) ∈ R d , Y (ω) ∈ R m satunnaismuuttujia joilla F = σ(X, Y ),<br />
G = σ(Y ).<br />
Olkoon P F ≪ Q todennäköisyysmitat joilla X Q ⊥⊥ Y ja olkoon<br />
0 ≤ Z(ω) := z(X(ω), Y (ω)) = dP<br />
dQ (ω) ∈ L1 (Ω, F, Q)<br />
35
jollakin Borel-mitallisilla funktiolla z(x, y) ≥ 0. Olkoon f(x, y) rajoitettu Borelmitallinen<br />
kuvaus. Bayesin kaavasta<br />
( ∣<br />
( ∣ )<br />
E P f(X, Y ) ∣G<br />
E Q f(X, Y )Z G ) (ω)<br />
(ω) = ( ∣ )<br />
E Q Z∣G (ω)<br />
∫<br />
f(X(˜ω), Y (ω)) z(X(˜ω), Y (ω))P (d˜ω)<br />
Ω<br />
= ∫<br />
z(X(˜ω), Y (ω))P (d˜ω)<br />
Ω<br />
∫<br />
= f(X(˜ω), Y (ω))K(ω, d˜ω) jossa<br />
Ω<br />
K(ω, d˜ω) =<br />
z(X(˜ω), Y (ω))<br />
∫Ω z(X(ω′ ), Y (ω))P (dω ′ ) P (d˜ω)<br />
on ehdollisen todennäköisyyden ydin. Voidaan myös integroida suoraan R d avaruudessa<br />
jossa X(ω) saa arvoja:<br />
∫<br />
∫<br />
( ∣ )<br />
E P f(X, Y ) ∣G<br />
f(x, Y (ω))z(x, Y (ω))P (ω) =<br />
R d X (dx)<br />
∫<br />
= f(x, Y (ω))k(Y (ω), dx)<br />
z(x, Y (ω))P<br />
R d X (dx)<br />
R d<br />
jossa<br />
k(y, dx) =<br />
z(x, y)<br />
∫R d z(x ′ , y)P X (dx ′ ) P X(dx)<br />
Kun satunnaisvektorin (X, Y ) jakaumalla on tiheysfunktio (d + m)-ulotteisen<br />
Lebesgue mitan suhteen, siis P (X ∈ dx, Y ∈ dy) = p X,Y (x, y)dxdy, Fubini<br />
lauseesta seuraa että silloin myös marginaalijakaumilla P X ja P Y on tiheydet,<br />
∫<br />
P (X ∈ dx) = p X (x)dx = p X,Y (x, y)dy<br />
R<br />
∫<br />
m<br />
P (Y ∈ dy) = p Y (y)dy = p X,Y (x, y)dx<br />
R d<br />
ja voidaan valita todennäköisyysavaruudeksi Ω = R d × R m todennäköisyysmitoilla<br />
Q X,Y (dx, dy) := (P X ⊗ P Y )(dx, dy) = p X (x)p Y (y)dxdy, P X,Y (dx, dy) = p X,Y (y)dxdy<br />
Oletuksesta P X,Y ≪ (P X ⊗ P Y ), seuraa että Radon Nykodim derivaatta on<br />
dP X,Y<br />
dP X,Y<br />
(x, y) =<br />
dQ X,Y d(P X ⊗ P Y ) (x, y) = z(x, y) = p X,Y (x, y)<br />
p X (x)p Y (y)<br />
Voidaan silloin kirjoittaa ehdollisen todennäköisyyden ytimen tiheysfunktioiden<br />
avulla<br />
z(x, y)<br />
k(y, dx) = ∫<br />
z(x<br />
R ′ , y)P d X (dx ′ ) P X(dx) = p X,Y (x, y)<br />
dx = p X|Y (x|y)dx<br />
p Y (y)<br />
jossa viimeinen yhtälö on ehdollisen tiheysfunktion määritelmä. Perinteinen<br />
Bayesin kaava on<br />
p X|Y (x|y) = p X,Y (x, y)<br />
p Y (y)<br />
= p X(x)p Y |X (y|x)<br />
p Y (y)<br />
.<br />
36
15.1 Ehdollisen odotusarvon laskenta tuloavaruudessa<br />
Olkoon (Ω, F, P ) todennäköisyyskolmikko ja H ⊆ F, G ⊆ F.<br />
Tuloavaruudessa (Ω × Ω) varustettuna tulo σ-algebralla H ⊗ G määritellään<br />
Dynkinin laajennuslauseen kautta todennäköisyysmitta P jolla<br />
P(H × G) = P (H ∩ G)<br />
∀H ∈ H, G ∈ G<br />
Lause 15.1. Olkoon X(ω, ω ′ ) ∈ L 1 (Ω × Ω, H ⊗ G, P).<br />
Silloin<br />
∫∫<br />
∫<br />
X(ω, ω ′ )P(dω × dω ′ ) = X(ω, ω)P (dω) (15.1)<br />
Ω×Ω<br />
Tod. Kun X(ω, ω ′ ) = 1 H (ω)1 G (ω ′ ) jossa H ∈ H ja G ∈ G, väite seuraa<br />
suoraan P:n määritelmästä. Olkoon<br />
V := { X(ω, ω ′ ) : rajoitetut ja H ⊗ G-mitalliset s.m. joilla (15.1) on voimassa }<br />
Selvästi V on vektori avaruus, ja monotonisen konvergenssin lauseesta seuraa että<br />
V on monotoninen luokka. Koska V sisältää satunnaismuuttujat 1 H (ω)1 G (ω ′ )<br />
jossa H ∈ H ja G ∈ G , monotonisen luokan lauseesta seuraa sisältää myös kaikki<br />
rajoitetut H ⊗ G-mitalliset satunnaismuuttujat.<br />
Yleisemmin kun X on ei-rajoitettu ja H ⊗ G-mitallinen voidaan ensin hajottaa<br />
X = (X + − X − ) ∈ L 1 (Ω × Ω, H ⊗ G, P ⊗2 ) satunnais-muuttujen jonolla<br />
X n = (X + ∧ n) − (X − ∧ n), ja käytää monotonisen konvergenssin lausetta erikseen<br />
positiivisille ja negatiivisille puolille □<br />
Esimerkki 15.2. Olkoon ξ(ω), η(ω) ∈ R satunnaismuuttujat H = σ(ξ), G =<br />
σ(η) ja<br />
f : (R × R) → R + Borel-mitallinen kuvaus. Silloin<br />
∫<br />
∫∫<br />
f(ξ(ω), η(ω))P (dω) = f(ξ(ω), η(ω ′ ))P(dω, dω ′ )<br />
Ω<br />
Ω×Ω<br />
Oletamme nyt että σ-algebrat H ja G ovat P -riippumattomia eli<br />
P (H ∩ G) = P (H)P (G) kun H ∈ H ja G ∈ G<br />
Silloin P = P ⊗ P = P ⊗2 eli<br />
Ω<br />
P(H × G) = P (H ∩ G) = P (H)P (G)<br />
∀H ∈ H, G ∈ G<br />
Tästä esityksestä seuraa suoraan että kun G ∈ G,<br />
∫<br />
∫∫<br />
E P (X1 G ) = X(ω, ω)1 G (ω)P (dω) = X(ω, ω ′ )1 G (ω ′ )P ⊗2 (dω, dω ′ )<br />
Ω<br />
∫ {∫<br />
}<br />
= X(ω, ω ′ )P (dω) 1 G (ω ′ )P (dω ′ )<br />
Ω Ω<br />
Ω×Ω<br />
ehdollisen odotusarvon määritelmästä seuraa<br />
∫<br />
E P (X|G)(ω ′ ) = X(ω, ω ′ )P (dω)<br />
Ω<br />
37
joka vastaa kaavan (14.1)<br />
Yleisemmin, kun σ-algebrat H ja G eivät ole riippumattomia P -mitan suhteen,<br />
oletamme että P ≪ P ⊗2 tulo σ-algebrassa (H ⊗ G).<br />
Seuraa Radon-Nikodymin lauseesta että on olemassa (H ⊗ G)-mitallinen<br />
Radon-Nikodymin derivaatta<br />
0 ≤ Z(ω, ω ′ ) := dP<br />
dP ⊗2 (ω, ω′ ) ∈ L 1 (Ω × Ω, H ⊗ G, P ⊗2 )<br />
jolla mitan vaihdon kaava on voimassa kaikille X ∈ L 1 (Ω × Ω, H ⊗ G, P)<br />
∫∫<br />
∫∫<br />
X(ω, ω ′ )P(dω, dω ′ ) = X(ω, ω ′ )Z(ω, ω ′ )P ⊗2 (dω, dω ′ ) =<br />
jossa<br />
Ω×Ω<br />
∫<br />
Ω<br />
Ω×Ω<br />
(∫<br />
) ∫<br />
X(ω, ω ′ )Z(ω, ω ′ )P (dω) P (dω ′ ) =<br />
Ω<br />
Ω<br />
X(ω, ω)Z(ω, ω)P (dω)<br />
Kun G ∈ G saadaan<br />
∫<br />
X(ω, ω)1 G (ω)P (dω) =<br />
Ω<br />
∫∫<br />
∫ (∫<br />
)<br />
X(ω, ω ′ )1 G (ω ′ )P(dω, dω ′ ) = X(ω, ω ′ )Z(ω, ω ′ )P (dω) 1 G (ω ′ )P (dω ′ ) =<br />
Ω×Ω<br />
∫ (∫<br />
)<br />
Z(ω, ω ′ )P (dω)<br />
Ω Ω<br />
Y (ω ′ )1 G (ω ′ )P (dω ′ )<br />
Ω Ω<br />
Y (ω ′ ) := Y (ω, ω ′ ) :=<br />
on {∅, Ω} ⊗ G-mitallinen.<br />
Ω×Ω<br />
∫<br />
Ω X(ω, ω′ )Z(ω, ω ′ )P (dω)<br />
∫<br />
Ω Z(ω, ω′ )P (dω)<br />
∫∫<br />
∫∫<br />
= Z(ω, ω ′ )Y (ω ′ )1 G (ω ′ )P ⊗2 (dω × dω ′ ) = Y (ω ′ )1 G (ω ′ )P(dω, dω ′ )<br />
∫<br />
=<br />
Ω<br />
Y (ω ′ )1 G (ω ′ )P (dω ′ )<br />
Ω×Ω<br />
Ehdollisen odotusarvon määritelmästä seuraa Y (ω ′ ) = E P (X|G)(ω ′ ).<br />
Huomataan että myös<br />
∫<br />
X(ω, ω ′ )Z(ω, ω ′ )P (dω)<br />
Ω<br />
toteuttaa Kolmogorovin ehdollisen odotusarvon määritelmän<br />
Tämä ei tuo ristiriitaa koska tässä tapauksessa<br />
∫<br />
Z(ω, ω ′ )P (dω) ≡ 1<br />
Ω<br />
38
koska<br />
Samoin,<br />
P(Ω × G) = P ⊗2 (Ω × G) = P (G) ∀G ∈ G<br />
∫ (∫<br />
)<br />
⇐⇒ P (G) = Z(ω, ω ′ )P (dω) 1 G (ω ′ )P (dω ′ ) ∀G ∈ G<br />
Ω Ω<br />
∫<br />
Ω<br />
Z(ω, ω ′ )P (dω ′ ) ≡ 1<br />
Huomautus 15.1. Tässä kappaleessa yleistettiin lause 14.1 ja esimerkki 15.1<br />
tilanteeseen jossa H ja G ovat yleisiä ali-σ-algebrat eikä välttämättä satunnaisvektoreiden<br />
virittämiä.<br />
16 Ehdollistaminen nollamittaisiin tapahtumiin:<br />
varoitus<br />
Olkoon X(ω), Y (ω) riippumattomia standardi gaussisia satunnaismuuttujia,<br />
E P (X) = E P (Y ) = 0, E P (X 2 ) = E P (Y 2 ) = 1 . Olkoon<br />
W (ω) = (X(ω) − Y (ω)),<br />
Z(ω) = 1(Y (ω) ≠ 0) X(ω)<br />
Y (ω)<br />
Olkoon N = {ω : Y (ω) = 0}.<br />
Selvästi P (N) = 0 ja<br />
N c ∩ {ω : X(ω) = Y (ω)} = N c ∩ {ω : W (ω) = 0} = N c ∩ {ω : Z(ω) = 1}<br />
Olkoon f : R → R rajoitettu Borel mitallinen kuvaus.<br />
∫∫<br />
f(x)δ 0 (x − y)p X (x)p Y (y)dxdy<br />
R×R<br />
i) E P (f(X)|{X = Y }) = ∫∫<br />
δ 0 (x − y)p X (x)p Y (y)dxdy<br />
R×R<br />
∫<br />
ii) E P (f(X)|W = 0) = f(x)p X|W (x|0)dx<br />
R<br />
∫<br />
iii) E P (f(X)|Z = 1) = f(x)p X|Z (x|1)dx<br />
eivät ole valttämättä samasuuruisia. Näytämme että i) = ii) ≠ iii).<br />
R<br />
39
i) Perustuu tulkintaan<br />
( ∣ )<br />
E P (f(X)|{X = Y }) := lim E P f(X) ∣{|X − Y | < ε}<br />
ε↓0<br />
( )<br />
∫ ∫<br />
( )<br />
x+ε<br />
E P f(X)1{|X − Y | < ε}<br />
x−ε p Y (y)dy f(x)p X (x)dx<br />
R<br />
= lim<br />
= lim ( )<br />
ε↓0 P (|X − Y | < ε)<br />
ε↓0 ∫ ∫ x+ε<br />
x−ε p Y (y)dy p X (x)dx<br />
R<br />
(<br />
∫<br />
lim (2ε) ∫ )<br />
−1 x+ε<br />
R ε↓0<br />
x−ε p Y (y)dy f(x)p X (x)dx<br />
= (<br />
∫<br />
lim (2ε) ∫ )<br />
−1 x+ε<br />
R ε↓0<br />
x−ε p Y (y)dy p X (x)dx<br />
∫<br />
∫∫<br />
f(x)p Y (x)p X (x)dx f(x)δ 0 (x − y)p X (x)p Y (y)dxdy<br />
R<br />
R×R<br />
= ∫<br />
= ∫∫<br />
p Y (x)p X (x)dx δ 0 (x − y)p X (x)p Y (y)dxdy<br />
R<br />
R×R<br />
Tässä δ 0 on Diracin delta distribuutio jolla on ominaisuus<br />
∫<br />
∫<br />
g(x)δ 0 (x)dx = g(0) = g(x)F (dx)<br />
R<br />
kaikille jatkuville funktioille g, ja F (x) = 1(x ≥ 0). Diracin δ on porrasfunktion<br />
F :n derivaatta distribution mielessä.<br />
Lasketaan:<br />
i)<br />
∫<br />
R×R f(x)δ 0(x − y)p X (x)p Y (y)dxdy<br />
∫<br />
R×R δ 0(x − y)p X (x)p Y (y)dxdy<br />
∫<br />
1<br />
√ f(x)e −x2 dx<br />
π<br />
R<br />
=<br />
R<br />
∫<br />
R f(x)p X(x)p Y (x)dx<br />
∫<br />
R p X(x)p Y (x)dx<br />
=<br />
∫<br />
R f(x)e−x2 dx<br />
∫<br />
dx<br />
R e−x2<br />
=<br />
ii) Bayesin kaavasta<br />
p X|W (x, w) = p X(x)p W |X (x, w)<br />
= p X(x)p W |X (x, w)<br />
=<br />
p W (w)<br />
p W (w)<br />
1<br />
√ exp(− 1 1<br />
2π 2 x2 ) √ exp(− 1 ( 1<br />
2π 2 (w − x)2 ) √ exp(− 1 4π 4 w2 )<br />
) −1<br />
koska p W |X (w|x) = p Y (w −x) ja W on gaussinen ja E(W ) = E(X)−E(Y ) = 0,<br />
E(W 2 ) = E(X 2 ) + E(Y 2 ), siis<br />
p W |X (w|x) = √ 1 exp ( (w − x)2 )<br />
− 2π 2<br />
joka on gaussisen jakauman N (x, 1) tiheysfunktio.<br />
Tästä seuraa<br />
∫<br />
f(x)p X|W (x|0)dx = √ 1 ∫<br />
f(x)e −x2 dx<br />
π<br />
joka täsmää i) arvon kanssa.<br />
R<br />
R<br />
40
Kuitenkin<br />
p Z|X (z|x) = p Y (x/z)<br />
dy<br />
∣ dz ∣ = √ 1 exp ( − x2 ) |x|<br />
2π 2z 2 z 2<br />
muuttujan vaihdolla z = x/y , ja<br />
∫<br />
p Z (z) =<br />
R<br />
= 1 ∫ ∞<br />
z 2 2π 2<br />
= 1<br />
z 2 2π<br />
0<br />
∫ ∞<br />
0<br />
p Z|X (z|x)p X (x)dx = 1 ∫<br />
z 2 |x| exp ( − x2<br />
2π R 2 (1 + z−2 ) ) dx<br />
r 1/2 exp ( − r 2 (1 + z−2 ) ) r −1/2<br />
dr<br />
2<br />
exp ( − r 2 (1 + z−2 ) ) dr = 1<br />
z 2 2π<br />
2<br />
(1 + z −2 ) = 1<br />
(1 + z 2 )π<br />
muuttujan vaihdolla r = x 2 . Täman jakauman nimi on Student-t vapausasteella<br />
1.<br />
Tästä seuraa Bayesin kaavalla<br />
p X|Z (x|z) = p X(x)p Z|X (x|z)<br />
p Z (z)<br />
= (1 + z2 )|x|<br />
2<br />
=<br />
exp ( − x2<br />
2 (1 + z−2 ) )<br />
Kun z = 1 saadaan p X|Z (x|1) = |x| exp(−x 2 ) ja<br />
∫<br />
E P (f(X)|Z = 1) =<br />
R<br />
∫<br />
f(x)p X|Z (x|1)dx =<br />
√1<br />
2π<br />
exp(−x 2 1<br />
/2) √<br />
2π<br />
exp ( )<br />
− x2 |x|<br />
2z 2 z 2<br />
(1 + z 2 ) −1 π −1<br />
R<br />
f(x)|x| exp(−x 2 )dx<br />
joka on eri kuin integraalien i) ii) arvo.<br />
Eri nolla mittaisilla tapahtumilla voi olla eri esityksiä eri satunaaismuuttujen<br />
avulla, ja vastaavien ehdollisten odotusarvojen pistettäiset arvot saattaavat<br />
olla eriläisiä. Tämä ei ole ristiriidassa todennäköisyysteorian kanssa koska aina<br />
voidaan vaihtaa ehdollisen odotusarvon arvot pistettäin nolla mittaisissa joukoissa.<br />
17 Martingaalit<br />
Määritelmä 17.1. Olkoon (Ω, F) todennäköisyysavaruus, ja T = N, R + , Z, R, Q, Q + , . . .<br />
aikaindeksien joukko.<br />
Filtraatio F = (F t : t ∈ T) on σ-algebroiden kokoelma, joka on ajan suhteen<br />
ei-vähenevä:<br />
F s ⊆ F t ⊆ F<br />
∀0 ≤ s ≤ t<br />
Määritelmä 17.2. Stokastinen prosessi (X t (ω) : t ∈ T) on sopiva (tai adaptoitu)<br />
ltration F:n suhteen, kun X t (ω) on F t -mitallinen ∀t ∈ T.<br />
Määritelmä 17.3. Diskreetti ajassa, eli kun T ⊆ Z, stokastinen prosessi (X t (ω) :<br />
t ∈ T) on ennustettava ltration F:n suhteen, kun X t (ω) on F t−1 -mitallinen<br />
∀t ∈ T.<br />
41
Määritelmä 17.4. Sanotaan että prosessi X = (X t : t ∈ T) on (ali,yli)-<br />
martingaali ltraation F:n suhteen kun<br />
1. (X t ) on F-sopiva<br />
2. X t ∈ L 1 (Ω, F t , P ) ∀t ∈ T,<br />
3.<br />
E P (M t |F s ) = M s ∀s ≤ t,<br />
vastaavasti ≤ ylimartingaalin tapauksessa ja ≥ alimartingaalin tapauksessa.<br />
Huomataan että martingaalin ominaisuus riippuu sekä todennäköisyysmitasta<br />
että ltraatiosta. Ylimartingaali on ajan-suhteen keskimäärin ei-kasvava,<br />
alimartingaali on keskimäärin ei-vähenevä, martingaali on sekä ylimartingaali<br />
että alimartingaali.<br />
Lemma 17.1. Diskreetti ajassa (T ⊆ Z), määritelmässä 17.4 ominaisuus (3)<br />
seuraa kaikille s ≤ t kun<br />
E P (M t |F t−1 ) = M t−1<br />
∀t<br />
Tod. Induktiolla, kun t = s,<br />
E P (M t |F s ) = E P (M s |F s ) = M s<br />
Muuten voidaan käyttää induktiota r = (t−s):n suhteen, olettamalla että lemma<br />
on voimassa kaikille arvoille t, s joilla (t − s) < r, kun (t − s) = r seuraa<br />
E P (M t |F s ) = E P (E P (M t |F s+1 )|F s )<br />
= E P (M s+1 |F s ) = M s<br />
Samoin voidaan tarkistaa myös ali- ja yli- martingaalin epäyhtälöitä.<br />
Esimerkki 17.1. Olkoon (X t : t ∈ N) ⊆ L 1 (P ) riippumattomien satunnaismuuttujen<br />
jono jolla E(X t ) = µ ∈ R, ja olkoon F t = F X t := σ(X 1 , X 2 , . . . , X t )<br />
S t = (X 1 + · · · + X t ) on F-alimartingaali kun µ > 0 , ja F-ylimartingaali<br />
kun µ > 0, ja F-martingaali kun µ = 0.<br />
Esimerkki 17.2. Olkoon (X t : t ∈ N) riippumattomien satunnaismuuttujen<br />
jono jolla X t (ω) ≥ 0 P-m.v. ja E(X t ) = µ ∈ [0, +∞), ja olkoon F t =<br />
σ(X 1 , X 2 , . . . , X t )<br />
Silloin tuloprosessi M t = (X 1 X 2 . . . X t ) on F-alimartingaali kun µ > 1 , ja<br />
F-ylimartingaali kun µ < 1, ja F-martingaali kun µ = 1.<br />
Esimerkki 17.3. Olkoon X t (ω) ∈ R d t ∈ N, diskreetti aikainen Markovin ketju<br />
alkujakaumalla π(dx) ja siirtymäytimellä K(x, dy).<br />
Olkoon F t = Ft X = σ(X 0 , X 1 , . . . , X t ).<br />
Määritellään operaattori<br />
∫<br />
(Kf)(x) := f(y)K(y, dx) = E x (f(X 1 )) = E P (f(X t )|X t−1 = x)<br />
R d<br />
42
Osoita että<br />
M t (f) =<br />
t∑<br />
(f(X s ) − (Kf)(X s−1 ))<br />
s=1<br />
on F-martingaali kun f(x) on rajoitettu ja Borel mitallinen.<br />
Teleskoppisen summan esityksestä,<br />
f(X t ) = f(X 0 ) +<br />
f(X 0 ) +<br />
t∑<br />
(f(X s ) − f(X s−1 ) =<br />
s=1<br />
t∑<br />
(f(X s ) − Kf(X s−1 ) +<br />
s=1<br />
= f(X 0 ) + M t (f) + A t (f)<br />
t∑<br />
((Kf)(X s−1 ) − f(X s−1 ))<br />
saadaan Doobin hajotelma jossa A t (f) on ennustettava prosessi<br />
Lause 17.1. Olkoon (X t ) martingaali ja (Y t ) ennustettava prosessi ltraation<br />
(F t : t ∈ N) suhteen.<br />
Määritellään martingaalimuunnos tai aika-diskreetti stokastinen integraali<br />
M t =<br />
s=1<br />
t∑<br />
Y s (X s − X s−1 ) =<br />
s=1<br />
t∑<br />
Y s ∆X s<br />
s=1<br />
Kun E(|Y s ∆M s |) < ∞ ∀s ∈ N, (M t ) on martingaali.<br />
Tod. Määritelmästä seuraa että M t on F-sopiva ja integroituvuus ehto seuraa<br />
kolmio epäyhtälöstä. Tarkistamme että martingaali-ominaisuus on voimassa:<br />
E P (M t − M t−1 |F t−1 ) = E P (Y t (X t − X t−1 )|F t−1 ) = Y t E P (X t − X t−1 |F t−1 ) = 0<br />
jossa käytettiin integrandin (Y t ):n F-ennustettavuutta.<br />
Integroituuvus voidaan tärkistää Hölderin epäyhtälöllä<br />
E(|Y s ∆M s |) ≤‖ Y s ‖ Lp ‖ ∆M s ‖ Lq<br />
kun p, q ∈ [1, +∞] ovat konjugaatti-eksponentteja joilla p −1 + q −1 = 1.<br />
Vedonlyönti-tulkinta Oletamme että hetkellä (t − 1) on mahdollisuus ostaa<br />
tai myydä arpajaisia hinnalla X t−1 . Hetkellä t arpajaisen arvo on X t , satunnaisvoittolla<br />
∆X t = (X t − X t−1 ) (negatiivinen voitto tulkitaan on tappioksi).<br />
Tässä Y t (ω) on vedonlyonti strategia, ennustettava siinä mielessä että on F t−1 -<br />
mitallinen kun ∆X t on F t -mitallinen, siis kun lyödään vetoa ei tiedetä mitä<br />
tapahtuu seuraavaksi. M t on pelajan pääoma ja<br />
M t − M 0 =<br />
t∑<br />
Y s ∆X s<br />
on pelajan voitto. Reilussa pelissa E P (∆X t |F t−1 ) = 0 ja arpajaisen arvoprosessi<br />
on martingaali. Lause 17.1 kertoo että niin kauan kun integroituvuus-ehdot ovat<br />
voimassa ja pelistrategia on ennustettava, pelajan voitto-prosessi on martingaali.<br />
Kun X t on ylimartingaali (kuten roulette-pelissä), ja ennustettava pelistrategia<br />
on rajoitettu ja ei-negatiivinen, voittoprosessi on edelleen ylimartingaali.<br />
s=1<br />
43
Määritelmä 17.5. Satunnais-hetki τ(ω) ∈ T = N on (F t )-pysähdyshetki kun<br />
{ω : τ(ω) ≤ t} ∈ F t ∀t ∈ N<br />
18 Doobin Martingaali-konvergenssi lause<br />
Martingaali (M t : t ∈ N) joka on rajoitettu L 1 (P ) normissa, suppenee P -melkein<br />
varmasti kun t → +∞.<br />
Teoreema 18.1. (Doob)<br />
Olkoon (X t : t ∈ N) ylimartingaali jolla sup E P (Xt − ) < ∞,<br />
t∈N<br />
( tässä x − = max(−x, 0)).<br />
Silloin<br />
sup E P (|X t |) < ∞<br />
t∈N<br />
lim X t(ω) = X ∞ (ω)<br />
t→∞<br />
P-m.v.<br />
jossa X ∞ (ω) ∈ L 1 (Ω)<br />
Huomautus : vaikka X ∞ (ω) ∈ L 1 (Ω), ilman tasaisen integroituvuuden<br />
ehtoa, konvergenssi L 1 (P )-mielessä ei seura.<br />
Tod. Koska X t on ylimartingaali, ∀t ∈ N<br />
joten<br />
sup<br />
t<br />
E(X + t ) ≤ E(X 0 ) + E(X − t )<br />
E(X t + ) ≤ E(X 0 ) + sup E(Xt − )<br />
t<br />
jossa E(|X 0 |) < ∞, siksi (X t ) t∈N on rajoitettu L 1 (P ) avaruudessa.<br />
Olkoon a < b, ja määritellän pysähdyshetkien jono<br />
(ensimmäinen a tason alituksen hetki)<br />
σ 0 (ω) = inf { s ∈ N : X s (ω) < a}<br />
τ i (ω) = inf { s > σ i (ω) : X s (ω) ≥ b},<br />
σ i (ω) = inf { s > τ i−1 (ω) : X s (ω) < a}, i ≥ 1<br />
joilla 0 ≤ σ i < τ i < σ i+1 < . . . Nämä ovat pysähdyshetkiä, koska ∀t ∈ N<br />
tapahtumat<br />
{ω : σ i (ω) ≤ t} ja {ω : τ i (ω) ≤ t}<br />
riippuvat ainoastaan prosessin polusta (X 1 (ω), . . . , X t (ω)), ja siksi ovat F t -<br />
mitallisia.<br />
Määritellään sijoitusstrategia<br />
{ 1 t ∈ (σi , τ<br />
C t (ω) =<br />
i ] joillekin i ∈ N<br />
0 t ∈ (τ i , σ i+1 ]<br />
44
Koska τ i ja σ i ovat pysähdyshetkiä, kaikille t ∈ N<br />
{C t = 1} = ⋃ i∈N<br />
{t ∈ (σ i , τ i ]} = ⋃ i∈N{σ i ≤ (t − 1)} ∩ {τ i ≤ (t − 1)} c ∈ F t−1<br />
Koska C t (ω) ∈ {0, 1} on ei-negatiivinen ja rajoitettu ennustettava prosessi,<br />
seuraa että martinagaali muunnos<br />
Y t (ω) =<br />
t∑<br />
C s (ω)∆X s<br />
s=1<br />
on myös ylimartingaali, erityisesti E(Y t ) ≤ E(Y 0 ) = 0.<br />
Koska<br />
Y t ≥ (b − a)U [a,b] ([0, t]) − (X t − a) −<br />
ja koska E(Y t ) ≤ E(Y 0 ) = 0, seuraa Doobin ylitysten-epäyhtälö (upcrossinginequality)<br />
(<br />
E P U[a,b] ([0, t]) ) 1<br />
≤<br />
(b − a) E (<br />
P (Xt − a) −)<br />
Koska U [a,b] ([0, t]) on ei-vähenevä, ∀ω on olemassa<br />
U [a,b] ([0, ∞), ω) := lim<br />
t→∞<br />
U [a,b] ([0, t]) ∈ N ∪ {+∞}<br />
(X t − a) − = max(a − X t , 0) ≤ |a| + X − t<br />
seuraa monotonisen konvergenssin lauseesta<br />
E P<br />
(<br />
U[a,b] ([0, ∞)) ) = lim<br />
t→∞<br />
E P<br />
(<br />
U[a,b] ([0, t]) ) ≤<br />
(<br />
1<br />
(b − a)<br />
|a| + sup E P (Xt − )<br />
t∈N<br />
Erityisesti U [a,b] ([0, ∞), ω) < ∞ P -melkein varmasti.<br />
Olkoon<br />
N = { ω : lim inf X t(ω) ≨ lim sup X t (ω) }<br />
t→∞ t→∞<br />
= ⋃ {<br />
ω : lim inf X t(ω) ≤ a < b ≤ lim sup X t (ω) }<br />
t→∞ t→∞<br />
a
Seuraus 18.2. Kun X t on ei-negatiivinen ylimartingaali, on olemassa P-melkein<br />
varmasti raja-arvo X ∞ (ω) := lim X t (ω) ≥ 0 jolla E P (X ∞ |F t )(ω) ≤ X t (ω)<br />
t→∞<br />
∀t < ∞.<br />
Tod. Doobin martingaalikonvergenssilause soveltuu koska X − t (ω) ≡ 0. Fatou<br />
lemmasta ehdolliselle odotusarvolle<br />
E P (X ∞ |F t ) = E P (lim inf X u |F t )<br />
u<br />
≤ lim inf E P (X u |F t ) ≤ X t<br />
u<br />
(X t ) on ylimartingaali laajennetulla indeksijoukolla N ∪ {+∞} □<br />
18.1 Tasaisesti integroituvat martingaaalit<br />
Lause 18.1. Olkoon satunnaismuuttuja X(ω) ∈ L 1 (Ω, F, P ). Kokoelma<br />
{<br />
EP (X|G)(ω) : G ⊆ F ali σ-algebra }<br />
on tasaisesti integroituva.<br />
Tod. Koska {X} ⊆∈ L 1 (P ) on tasaisesti integroituva, ∀ε > 0 ∃δ > 0 jolla<br />
E P (|X|1 A ) < ε kun P (A) < δ.<br />
Olkoon Y (ω) = E P (X|G)(ω), seuraa että E P (|Y |) ≤ E P (|X|) < ∞<br />
KP (|Y | > K) ≤ E P (|Y |) ≤ E P (|X|)<br />
josta seuraa P (|Y | > K) < δ kun K > E P (|X|)δ −1 , ja<br />
ε ≥ E P (|X|1(|Y | > K)) = E P<br />
(<br />
EP (|X||G)1(|Y | > K|) )<br />
≥ E P<br />
(<br />
|Y |1(|Y | > K)<br />
)<br />
on voimassa samaan aikaan kaikille ali σ-algebroille G ⊆ F.<br />
Seuraus 18.3. Olkoon satunnaismuuttuja X(ω) ∈ L 1 (Ω, F, P ), ja F = (F t :<br />
t ∈ T) ltraatio. Silloin<br />
M t (ω) = E P (X|F t )(ω)<br />
t ∈ T<br />
on tasaisesti integroituva martingaali.<br />
Teoreema 18.2. • F-martingaali (M t : t ∈ N) on tasaisesti integroituva<br />
jos ja vain jos on olemassa satunnaismuuttuja M ∞ (ω) ∈ L 1 (Ω, F ∞ , P )<br />
jossa F ∞ := ∨ t∈N F t ja<br />
M t (ω) → M ∞ (ω) P-melkein varmasti ja L 1 (P ) mielessä.<br />
• Kun F-martingaali (M t : t ∈ N) on ei-negatiivinen, erityisesti se on<br />
ei-negatiivinen ylimartingaali, seuraa laueseesta 18.2 että on olemassa<br />
M ∞ (ω) ∈ L 1 (P ) jolla M t (ω) → M ∞ (ω) P-melkein varmasti ja E P (M ∞ |F t )(ω) ≤<br />
M t (ω) ∀t ∈ N.<br />
Silloin (M t : t ∈ N) on tasaisesti integroituva ja M t (ω) = E P (M ∞ |F t )(ω)<br />
jos ja vain jos E P (M 0 ) = E P (M ∞ ).<br />
46
Tod. Koska (M t : t ∈ N) on rajoitettu L 1 (P ):ssa koska on tasaisesti integroituva<br />
ja<br />
sup<br />
t<br />
(<br />
E P (|M t |) ≤ K + sup E P |Xt |1(|X t | > K) ) < ∞.<br />
t∈N<br />
Doobin martingaali konvergenssi lause soveltuu<br />
lim M t(ω) = M ∞ (ω)<br />
t→∞<br />
P -m.v.<br />
jossa määritellään ∀ω<br />
M ∞ (ω) := lim inf<br />
t→∞ M t(ω)<br />
L 1 (P ) konvergenssin karakterisaatiosta seuraa että M t<br />
L 1 (P )<br />
→ M ∞ .<br />
Olkoon A ∈ F t , koska (M t (ω)1 A (ω) : t ∈ N) on tasaisesti integroituva,<br />
seuraa kun ∀u ≥ t<br />
E P (M t 1 A ) = E P (M u 1 A ) → E P (M ∞ 1 A ) kun u ↑ ∞<br />
∀A ∈ F t<br />
joka tarkoittaa E P (M ∞ |F t )(ω) = M t (ω).<br />
Kun (M t ) on ei-negatiivinen martingaali, seuraa että<br />
M t − E P (M ∞ |F t ) ≥ 0<br />
jos<br />
0 = E P (M t ) − E P (M ∞ ) = E P<br />
(<br />
Mt − E P (M ∞ |F t ) )<br />
seuraa että<br />
M t = E P (M ∞ |F t )<br />
ja se on tasaisesti integroituva.<br />
Huomautus (M t : t ∈ N) on tasaisesti integroituva martingaali, jos ja vain<br />
jos (M t ) on martingaali laajennetussa aikaindeksijoukolla N ∪ {+∞}.<br />
Esimerkki 18.1. Olkoon X t (ω) ≥ 0 ja P-riippumattomia, joilla E P (X t ) = 1<br />
∀t ∈ N. Silloin M t (ω) = X 1 (ω)X 2 (ω) . . . X t (ω) on F-martingaali jossa F t =<br />
σ(X 1 , . . . , X t ).<br />
Koska M t on ei-negatiivinen ylimartingaali, seuraa että P-melkein varmasti<br />
lim t→∞ M t (ω) = M ∞ (ω) ∈ L 1 (p), ja M t (ω) ≥ E P (M ∞ |F t )(ω).<br />
Jos (M t : t ∈ N) on tasaisesti integroituva, seuraa M t (ω) = E P (M ∞ |F t )(ω).<br />
18.2 Martingaalin takaperäinen konvergenssi<br />
Olkoon (F t : t ∈ −N) ltraatio. Kun −∞ ≤ s ≤ t ≤ 0<br />
F ⊇ F t ⊇ F s ⊇ F −∞ := ⋂<br />
jossa F −∞ on häntä σ-algebra .<br />
t∈−N<br />
F t<br />
47
Teoreema 18.3. (Doobin martingaalin takaperäinen konvergenssilause) Olkoon<br />
(X t : t ∈ −N) alimartingaali ltraatiossa (F t : t ∈ −N).<br />
Tarkastellaan mitä tapahtuu kun t ↓ (−∞) ja informaatio pienenee.<br />
1. P-melkein varmasti on olemassa raja-arvo<br />
2. Kun<br />
X −∞ (ω) =<br />
seuraa että X −∞ (ω) ∈ L 1 (P ).<br />
lim X t(ω) ∈ [−∞, ∞)<br />
t→−∞<br />
sup E(Xt − ) < +∞<br />
t≤0<br />
3. Kun (X t : t ∈ −N) on martingaali, koska X t = E P (X 0 |F t ) ∀t ∈ −N se on<br />
on tasaisesti integroituva ja<br />
X −∞ (ω) = E(X 0 |F −∞ )(ω)<br />
eli martingaalin ominaisuus on voimassa lajennetussa aika-indeksi joukossa<br />
{−∞} ∪ Z.<br />
Tod. Olkoon U (a,b) ([t, 0]) prosessin (X t ):n (a, b)-ylitysten määrä aikavälissä<br />
[t, 0], jossa a < b ∈ R, t ∈ −N.<br />
Olkoon C t (ω) ∈ {0, 1} sama ennustettava pelistrategia kuten Doobin etuperäisessa<br />
martingaalikonvergenssilauseessa, ja<br />
Y u − Y t =<br />
u∑<br />
r=t+1<br />
C r ∆X r t ≤ u ≤ 0<br />
on ylimartingaali aikaparemetrilla u ∈ {t, t + 1, . . . , 0}. Kun t < u = 0<br />
Y 0 (ω) − Y t (ω) ≥ U (a,b) ([t, 0], ω) − (Y 0 (ω) − a) −<br />
E(Y 0 − Y t ) ≤ 0 koska (Y t ) on alimartingaali, josta seuraa<br />
E P (U [a,b] ([t, 0])) ≤ E P ((X 0 − a) − )<br />
(b − a)<br />
ja kuten etuperäisessa martingaalikonvergenssilauseessa<br />
≤ (|a| + E P (|X 0 |)<br />
(b − a)<br />
X −∞ (ω) := lim sup X t (ω) = lim inf X t(ω)<br />
t→−∞<br />
t→−∞<br />
P -m.v.<br />
Kun X t on martingaali, on tasaisesti integroituva ja siitä seuraa konvergenssi<br />
L 1 (P ) mielessä.<br />
Alimartingaalin tapauksessa, koska X t ≤ E(X 0 |F t ) kun t < 0, seuraa<br />
ja Fatou lemmasta seuraa<br />
X + t ≤ E(X 0 |F t ) + ≤ E(X + 0 |F t)<br />
E(|X −∞ |) ≤ lim inf<br />
t<br />
≤ E P (|X 0 |) + sup E P (Xt − )<br />
t<br />
E P (X t + ) + lim inf E P (Xt − )<br />
t<br />
48
Olkoon A ∈ F −∞ ⊆ F t ∀t ∈ −N. Koska ( X t = E P (X 0 |F t ) : t ∈ −N ) on tasaisesti<br />
integroituva martingaali, L 1 (P )-konvergenssin karakterisaation nojalla<br />
voidaan ottaa raja-arvoa odotusarvon sisään kun tarkistamme ehdollisen odotusarvon<br />
määritelmää, eli<br />
E P (X 0 1 A ) = E P (X t 1 A ) → E P (X ∞ 1 A )<br />
∀A ∈ F −∞<br />
joka tarkoittaa X −∞ = E P (X t |F −∞ ).<br />
Teoreema 18.4. (Kolmogorovin 0 − 1 laki) Olkoon (X t : t ∈ N) satunnaismuuttujen<br />
jono ja<br />
T −t := σ(X u : u ≥ t), T −∞ := ⋂ t∈N<br />
T −t (18.1)<br />
T −∞ kutustaan jonon häntä σ-algebraksi.<br />
Kun (X t : t ∈ N) ovat P-riippumattomia, T −∞ on P-triviaali, eli ∀A ∈ T ,<br />
P (A) ∈ {0, 1}<br />
Tod. Olkoon A ∈ T −∞ . Koska A ∈ T −t ∀t, seuraa A ⊥⊥ (X 1 , . . . , X t )∀n, eli<br />
A ⊥⊥ (X t : t ∈ N).<br />
Koska A ∈ T −∞ ⊆ σ(X t : t ∈ N), seuraa että A on P -riippumaton itsestään,<br />
eli<br />
josta seuraa P (A) ∈ {0, 1} □<br />
P (A) = P (A ∩ A) = P (A)P (A)<br />
Teoreema 18.5. ( Kolmogorovin vahva suurten lukujen laki)<br />
Olkoon (X t (ω) : t ∈ N) riippumattomia ja samoin jakautuneita satunnaismuuttujia<br />
jossa X 1 ∈ L 1 (P ), ja olkoon<br />
Silloin<br />
S t (ω) = X 1 (ω) + · · · + X t (ω)<br />
lim<br />
t→∞ t−1 S t (ω) = E P (X 1 )<br />
P-melkein varmasti ja L 1 (P ):n mielessä.<br />
Tod.<br />
Olkoon (F −t : t ∈ N) ltraatio jossa kun t ≤ 0<br />
ja martingaali (M −t : t ∈ N) jossa<br />
F −t = σ(S t , S t+1 , . . . ),<br />
M −t = E P (X 1 |F −t )<br />
Huomataan että σ-algebran F −t :n sisältämä informaatio vähenee kun t ↑ ∞.<br />
Symmetrisyyden nojalla satunnaisparit (S t , X r ) ja (S t , X 1 ) ovat samoin jakautuneita<br />
kun 1 ≤ r ≤ t, ja P -riippumattomuusesta seuraa kun t ≥ 0<br />
M −t := E P (X 1 |F −t ) = E P (X 1 |S t , S t+1 , S t+2 , . . . )<br />
= E P (X 1 |S t , X t+1 , X t+2 . . . ) = E P (X 1 |σ(S t )) = E P (X r |σ(S t )) ∀1 ≤ r ≤ t<br />
49
eli<br />
S t = E P (X 1 + · · · + X t |σ(S t )) =<br />
t∑<br />
E P (X r |σ(S t )) = tE P (X 1 |σ(S − ))<br />
r=1<br />
ja M −t (ω) = S t (ω)/t kun t ≥ 0. Doobin takaperäisestä martingaali-konvergenssi<br />
lausesta seuraa P -melkein varmasti ja L 1 (P ) mielessä on olemassa rajaarvo<br />
jossa<br />
M −∞ (ω) = lim<br />
t→∞<br />
t −1 S t (ω) = M −∞ (ω)<br />
P m.v.<br />
M −∞ (ω) := lim inf<br />
t→∞ t−1 S t (ω) ∀ω<br />
Huomataan myös että ∀ω ∈ Ω, ∀n ∈ N<br />
lim inf<br />
t→∞<br />
= 0 + lim inf<br />
t→∞<br />
1<br />
t S 1<br />
t(ω) = lim inf<br />
t→∞ t<br />
1<br />
t<br />
t∑<br />
i=(n+1)<br />
n∑<br />
i=1<br />
X i (ω)<br />
X i (ω) + lim inf<br />
t→∞<br />
1<br />
t<br />
t∑<br />
i=(n+1)<br />
X i (ω)<br />
on T −n = σ(X n , X n+1 , . . . )-mitallinen ∀n, on mitallinen häntä σ-algebran T −∞<br />
suhteen (18.1), koska (X t ) t∈N ovat P -riippumattomia Kolmogorovin 0 − 1 lemmasta<br />
seuraa että M −∞ (ω) on P -triviaali:<br />
P (t ≤ M −∞ ) ∈ {0, 1} ∀t ja P (M −∞ < ∞) = 1, siitä seuraa että on olemassa<br />
c ∈ R jolla P (M −∞ = c) = 1.<br />
Siis P -melkein varmasti ja L 1 (P ) mielessä<br />
Ottaamalla odotusarvoa seuraa<br />
1<br />
t S t(ω) → c = E P (X 1 |F −∞ )(ω)<br />
c = E P (M −∞ ) = E P<br />
(<br />
EP (X 1 |F −∞ ) ) = E P (X 1 ).<br />
Huomautus Symmetriasta seuraasi että t −1 S t (ω) = E P (X 1 |σ(S t ))(ω),<br />
ja sen konvergenssi P -melkein varmasti ja L 1 (P ) mielessä seurasi taperäisestä<br />
martingaali-konvergenssi lauseesta. Riippumattomuuden tarvittiin osoittamaan<br />
E P (X 1 |σ(S t ))(ω) = E P (X 1 |σ(S t , S t+1 , S t+2 . . . ))(ω)<br />
ja että raja-arvo on P -triviaali. Kun luovutaan rippumattomuudesta, raja-arvo<br />
on satunnainen. Siihen pohjautuu De Finettin lause. Bruno De Finetti (1906-<br />
1985) oli italialainen matematiikko, taloustieteilijä ja loso.<br />
19 Vaihdettavuus ja De Finettin lause<br />
Määritelmä 19.1. Satunnaisjono (X t ) t∈N joka saa arvot todennäköisyysavaruudessa<br />
(S, S) on äärettömästi vaihdettavissa (engl. innitely exchangeable)<br />
kun ∀n, t 1 , . . . , t n ∈ N ja indeksien {1, . . . , n} permutaatio π, satunnaisvektorit<br />
(X t1 , . . . , X tn ) ja (X tπ(1) , . . . , X tπ(n) ) ovat samoin jakautuneita P mitan suhteen.<br />
50
Huomataan että kun jono (X t ) t∈N saa arvot R:ssa, kuuten riippumattomien<br />
ja samoin jakautuneiden satunnaismuuttujen tapauksessa<br />
M −t (ω) = t −1 S t (ω) := E(X 1 |T −t ),<br />
t ∈ N<br />
on martingaali jolla on martingaali jolla on raja-arvo P -melkein varmasti ja<br />
L 1 (P ):mielessä kun t → ∞<br />
M −∞ (ω) = E(X 1 |T −∞ )(ω)<br />
Häntä σ-algebra T −∞ ei tarvitse olla triviaali ja M −∞ (ω) on aidosti satunnainen.<br />
Määritelmä 19.2. Satunnaismuuttujat (X t (ω) : t ∈ N) jotka saavat arvoja<br />
todennäköisyysavaruudessa (S, S) ovat ehdollisesti riippumattomia ja samoin<br />
jakautuneita ehdolla σ-algebraa G kun ∀n, t 1 , . . . , t n , A 1 . . . A n ∈ S.<br />
n∏<br />
P (X t1 ∈ A 1 , . . . , X tn ∈ A n |G)(ω) = P (X 1 ∈ A i |G)(ω)<br />
i=1<br />
P m.v<br />
Ottaamalla ehdollisen odotusarvon odotusarvoa, seuraa että ehdollisesti riippumattomia<br />
ja samoin jakautuneita satunnaismuuttujat ovat äärettömästi vaihdettavissa.<br />
Teoreema 19.1. (De Finetti) Olkoon (S, S) Borelin avaruus. Kun satunnaisjono<br />
(X t (ω) : t ∈ N) ⊆ S on äärettömästi vaihdettavissa P:n suhteen toinen<br />
implikaatio on myös voimassa, satunnaismuuttujat ovat ehdollisesti riippumattomia<br />
ja samoin jakautuneita ehdolla häntä-σ-algebraa T −∞ joka tullaan määrittelemään.<br />
Proof Olkoon<br />
t∑<br />
µ t (dx; ω) = t −1 1(X i (ω) ∈ dx)<br />
i=1<br />
satunnaismuuttujen (X 1 , . . . , X t ) empiirinen mitta joka virittää σ-algebran σ(µ t ) =<br />
σ{µ t (A) : A ∈ S} ⊆ F.<br />
Huomataan että σ(µ t ) ⊆ σ(X 1 , . . . , X t ), ja kun t > 1 se on aidosti pienempi<br />
koska empiirinen mitta sisältää satunnaismuuttujen arvot mutta unohtaa niiden<br />
järjestyksen.<br />
Määritellään vähenevä σ-algebroiden jono<br />
T −t := ∨ k≥t<br />
σ(µ k ), T −∞ = ⋂ t∈N<br />
T −t , on häntä-σ-algebra .<br />
Olkoon k ∈ N ja f(x 1 , . . . , x k ) : S k → R rajoitettu ja mitallinen funktio.<br />
Kun t ≥ k laskemme symmetrian avulla E P (f(X 1 , . . . , X k )|T −t )(ω).<br />
Olkoon 1 ≤ k ≤ t ja määritellään satunnaistodennäköisyysmitta<br />
µ ◦k<br />
t : S ⊗k → [0, 1]<br />
joka on säännöllinen versio satunnaisvektorin (X 1 , . . . , X k ) ehdollisesta jakaumasta<br />
ehdolla σ(µ t ) (joka on olemassa koska (S, S) on Borelin avaruus).<br />
51
Symmetriasta seuraa<br />
E P (f(X 1 , . . . , X k )|σ(µ t ))(ω)<br />
∫<br />
= µ ◦k<br />
t (f; ω) := f(x)µ ◦k<br />
t (dx; ω) = 1 ∑<br />
f(X π(1) (ω), . . . , X π(k) (ω))<br />
S t!<br />
k π<br />
(t − k)! ∑<br />
= f(X i1 , X i2 , . . . , X ik )<br />
t!<br />
1≤i 1,...,i k ≤t eriläisiä<br />
jossa summa otetaan yli {1, . . . , t} joukon permutaatioita π.<br />
Huomataan että µ ◦k (dx; ω) on σ(µ t )-mitallinen, koska rippuu vain arvoista<br />
{X 1 (ω), . . . , X t (ω)} eikä niiden järjesyksestä. Huomataan myös että µ ◦k<br />
t (dx) ei<br />
ole tulo mitta, koska summassa ei ole toistuvien indeksien termeja.<br />
Huomataan myös että kun k = 1<br />
µ ◦1<br />
t (A) = µ t (A) = 1 t<br />
t∑<br />
1(X k ∈ A)<br />
k=1<br />
on otoksen (X 1 (ω), . . . , X t (ω)):n empiirinen mitta.<br />
Kun k ≤ t vaihdettavuuden nojalla kaikille {1, . . . , t} joukon permutaatiolle<br />
π (X 1 , . . . , X k , µ t ) ja (X π(1) , . . . , X π(k) , µ t ) ovat samoin jakutuneita, josta seuraa<br />
E P (f(X 1 , . . . , X k |σ(µ t ))(ω) = E P (f(X π(1) , . . . , X π(k) )|σ(µ t ))(ω)<br />
Kun summataan permutaatioiden π:n yli ja jaetaan niiden määrällä saadaan<br />
Osoitamme seuraavaksi<br />
µ ◦k<br />
t (f; ω) = E P (f(X 1 , . . . , X k )|σ(µ t ))(ω)<br />
E P (f(X 1 , . . . , X k )|σ(T −t ))(ω) = E P (f(X 1 , . . . , X k )|σ(µ t ))(ω)<br />
Huomaamme myös että<br />
T −t = σ(µ t , µ t+1 , µ t+2 , . . . ) = σ(µ t , X t+1 , X t+2 , . . . )<br />
koska empiiriset mitat µ t (dx; ω) ja µ t+1 (dx; ω) määrävät X t+1 (ω) yhtälössä<br />
(µ t+1 − µ t )(dx) = 1 (<br />
)<br />
1(X t+1 ∈ dx) − µ t (dx)<br />
t + 1<br />
Then from innite exchangeability it follows that in law, for m ∈ N<br />
(X 1 , X 2 , . . . , X n , X n+1 , X n+2 , . . . X n+m )<br />
L<br />
= (X π(1) , X π(2) , . . . , X π(n) , X n+1 , X n+2 , . . . X n+m )<br />
for any permutation π of {1, . . . , n}.<br />
Esimerkki 19.1. (X 1 , . . . , X n ) ja (X n+1 , X n+2 , . . . ) ovat ehdollisesti riippumattomia<br />
ehdolla σ(µ n ),<br />
52
R. Huomataan ensin että satunnaismuuttuja W (ω) on σ(µ n ) mitaalinen jos<br />
ja vain jos W (ω) = g(X 1 , . . . , X n ) jossa g on mitallinen ja symmetrinen, eli<br />
g(x 1 , . . . , x m ) = g(x π(1) , . . . , x π(m) ) ∀π permutaatiolle .<br />
Oletaamme myös että g on rajoitettu.<br />
Olkoon myös Y (ω) rajoitettu ja σ(X n+1 , X n+2 , . . . )-mitallinen, ja f(x 1 , . . . , x n )<br />
rajoitettu S ⊗n mitallinen, (ei välttämättä symmetrinen) Jonon äärettömästä<br />
vaihdettavuudesta seuraa ∀n ∈ N ja kaikille {1, . . . , n} indeksien permutaatioille<br />
π, jonot<br />
(X 1 , X 2 , . . . X n , X n+1 , X n+1 , . . . ) L = (X π(1) , X π(2) , . . . X π(n) , X n+1 , X n+1 , . . . )<br />
ovat samoin jakautuneita P-mitan suhteen<br />
E P (Y W f(X 1 , . . . , X n ))E P (Y g(X 1 , . . . , X n ) f(X 1 , . . . , X n ))<br />
= E P (Y g(X π(1) , . . . , X π(n) ) f(X π(1) , . . . , X π(n) ))<br />
( koska jono on vaihdettavissa )<br />
= E P (Y g(X 1 , . . . , X n ) f(X π(1) , . . . , X π(n) )) = E P (Y W f(X π(1) , . . . , X π(n) ))<br />
( koska g on symmetrinen )<br />
= 1 ∑<br />
(<br />
(<br />
E P Y W f(X π(1) , . . . , X π(n) )) = E P Y W 1 ∑<br />
)<br />
f(X π(1) , . . . , X π(n) )<br />
n!<br />
n!<br />
π<br />
= E P<br />
(<br />
Y W µ<br />
◦n<br />
n (f) )<br />
Ehdollinen odotusarvon määritelmästä seuraa että<br />
E P<br />
(<br />
f(X1 , . . . , X n ) ∣ ∣ σ(µn , X n+1 , X n+2 , . . . ) ) (ω) = µ ◦n<br />
n (f; ω) = E P<br />
(<br />
f(X1 , . . . , X n ) ∣ ∣ σ(µn ) ) (ω)<br />
eli (X 1 , . . . , X n ) ja (X n+1 , X n+2 , . . . ) ovat ehdollisesti P-rippumattomia ehdolla<br />
σ(µ n ).<br />
Toisin sanoen, T −n ei sisällä informatioota jono ensimmäisten n-arvojen<br />
järjesyksestä.<br />
Koska M (k)<br />
−t (f) := µ ◦k<br />
t (f) on martingaali ltratiossa (T −t : t ∈ N), Doobin<br />
takaperäisestä martingaalikonvergenssi lauseesta seuraa että kun t → ∞, on<br />
olemassa rajaarvo M −∞(f) (k) P -melkein varmasti ja L 1 (P ):ssa.<br />
Koska (X 1 , . . . , X k ) saa arvot Borel avaruudessa, ehdollisella todennäköisyydellä<br />
P ((X 1 , . . . , X k ) ∈ A|T −∞ )(ω),<br />
A ∈ S ⊗k<br />
on säännöllinen versio,<br />
eli T −∞ -mitallinen todennäköisyysydin µ ◦k<br />
∞(dx; ω) on (S 1 × · · · × S k ) jolla<br />
P -melkein varmasti kaikille rajoitetuille ja mitalliseille funktioille<br />
M (k)<br />
−∞(f; ω) = E P (f(X 1 , . . . , X k )|σ(T −∞ ))(ω)<br />
∫<br />
= f(x 1 , . . . , x k )µ ◦k<br />
∞(dx 1 , . . . dx k ; ω)<br />
S 1,...,S k<br />
Kun k = 1 merkitään µ ∞ = µ ◦1<br />
∞ , jossa<br />
1<br />
t∑<br />
∫<br />
lim f(X i (ω)) = f(x)µ ∞ (dx, ω)<br />
t→∞ t<br />
i=1<br />
S<br />
π<br />
P -m.v.<br />
53
Esimerkki 19.2. Koska (S, S) on Borelin avaruus, on olemassa mitallinen<br />
inijektio f : (S, S) → ([0, 1], B([0, 1])) jolla on mitallinen käänteiskuvaus f −1 .<br />
Tästä seuraa että kun A ⊆ S, A ∈ S jos ja vain jos f(A) on Borelin joukko.<br />
Koska<br />
σ { (a, b] : 0 ≤ a < b ≤ 1, a, b ∈ Q } = B([0, 1])<br />
seuraa että myös S on numeroituvasti generoitu, koska<br />
S = σ { f −1 ((a, b] ∩ f(S)) : 0 ≤ a < b ≤ 1, a, b ∈ Q } = σ { A(l) : l ∈ N }<br />
A priori tiedetään että ∀A ∈ S, ∃N A ⊆ Ω jolla P (N A ) = 0 ja<br />
µ t (A; ω) → µ ∞ (A; ω) ∀ω ∉ N A<br />
Koska P (N ) = 0 jossa N = ⋃ N A(l) , seuraa että<br />
l∈N<br />
µ t (A l ; ω) → µ ∞ (A l ; ω) ∀l ∈ N ∀ω ∉ N<br />
ja koska σ{A l : l ∈ N} = S seuraa että ∀A ∈ S<br />
µ t (A; ω) → µ ∞ (A; ω) ∀A ∈ S ∀ω ∉ N (19.1)<br />
Samoin löytyy nolla mittainen joukko Ñ ⊆ Ω jolla ∀k ∈ N, ∀{A i} ⊆ S<br />
µ ◦k<br />
t (A 1 × · · · × A k ; ω) → µ ◦k<br />
∞(A 1 × · · · × A k ; ω) ∀ω ∉ Ñ (19.2)<br />
P -melkein varmasti äärellisulotteisten jakaumien kokoelma<br />
{<br />
}<br />
µ ◦k<br />
∞(dx 1 , . . . dx k ; ω) : k ∈ N<br />
on yhteensopiva (tarkista!), ja Kolmogorovin laajennuslauseesta 2.1 seuraa että<br />
on olemssa satunnaismitta ν ∞ ( · ; ω) jonojen (x k : k ∈ N) ⊆ S avaruudessa<br />
jolla ∀k, A 1 , . . . , A k ∈ S<br />
P ( X 1 ∈ A 1 , . . . X k ∈ A k |T −∞ )(ω) =<br />
µ ◦k<br />
({ } )<br />
∞(A 1 × · · · × A k ; ω) = ν ∞ (xl : l ∈ N) : x 1 ∈ A 1 , . . . , x k ∈ A k ; ω<br />
Näytän että P -melkein varmasti ν ∞ (·; ω) on satunnaismitan kopioiden ääretön<br />
tulomitta, eli ∀k<br />
P ( X 1 ∈ A 1 , . . . X k ∈ A k |T −∞ )(ω) =<br />
k∏<br />
P (X 1 ∈ A i |T −∞ )(ω)<br />
Olkoon µ ⊗k<br />
t k-kertainen tulomitta empiirisestä mitasta µ t . Kun f(x 1 , . . . , x k )<br />
rajoitettu ja Borel mitallinen,<br />
∑<br />
µ ⊗k<br />
t (f) = t −k f(X i1 , . . . , X ik )<br />
1≤i 1,...,i k ≤t<br />
i=1<br />
54
joka sisältää myös termeja joissa on toistettuja indekseja. Silloin<br />
(µ ◦k<br />
t<br />
µ ◦k<br />
t (f)<br />
− µ ⊗k<br />
t<br />
(<br />
1 −<br />
)(f) = µ ◦k<br />
t<br />
t!<br />
t k (t − k)!<br />
(f) − µ ⊗k<br />
t (f) =<br />
)<br />
∑<br />
+ t −k<br />
1≤i 1,...i k ≤t: ∃l≠m i l =i m<br />
f(X i1 , . . . , X ik )<br />
jossa ensimmäisessä osassa on termeja ilman toistettuja indekseja ja toisessa<br />
osassa kaikissa termeissä vähintään yksi satunnaismuuttuja on toistettu. Silloin<br />
∀k ∈ N,ω ∈ Ω,<br />
|µ ◦k<br />
t<br />
(f; ω) − µ ⊗k<br />
t<br />
(f; ω)|<br />
k−1<br />
∏ (t − l)<br />
≤‖ f ‖ ∞<br />
(1 −<br />
t<br />
l=0<br />
( ) k<br />
+ t<br />
)t −k k−1 → 0 kun t → ∞<br />
2<br />
jossa ‖ f ‖ ∞ = sup x∈S |f(x)| ja arvio ei riipu ω:sta<br />
Kaikille A 1 , A 2 · · · ∈ S, ∀k P -melkein varmasti kun t → ∞<br />
ja kun k = 1<br />
µ ◦k<br />
t (A 1 × A 2 × · · · × A k ) → µ ◦k<br />
∞(A 1 × A 2 × · · · × A k )<br />
kovergenssi seuraa myös tulomitoille<br />
µ ⊗k<br />
t (A 1 × A 2 × · · · × A k ) =<br />
Kolmio epäyhtälöstä<br />
|µ ◦k<br />
−∞(f) − µ ⊗k<br />
−∞(f)|<br />
≤ |µ ◦k<br />
−∞(f) − µ ◦k<br />
t<br />
P -m.v. kun t → ∞, ja<br />
µ ◦1<br />
t (A i ) → µ ∞ (A i ),<br />
k∏<br />
i=1<br />
(f)| + |µ ◦k<br />
t<br />
µ ◦1<br />
t (A i ) →<br />
k∏<br />
i=1<br />
(f) − µ ⊗k<br />
t<br />
µ ∞ (A i ) = µ ⊗k<br />
∞ (A 1 × A 2 × · · · × A k ).<br />
(f)| + |µ ⊗k<br />
t (f) − µ ⊗k<br />
∞ (f)| → 0<br />
µ ◦k<br />
∞(f; ω) = µ ⊗k<br />
∞ (f; ω)<br />
P -a.s<br />
kaikille rajoitetuille mitallisille f(x 1 , . . . , x k ). Se tarkoittaa Kolmogorovin laajennus<br />
ν ∞ on tulomitta jonojen avaruudessa S N . Rajoitetuille mitalliselle funktiolle<br />
g 1 , . . . , g k : S → R<br />
E P (g 1 (X 1 ) . . . g k (X k )|T −∞ )(ω) =<br />
Ottaamalla odotusarvoa seuraa<br />
E P (g 1 (X 1 ) . . . g k (X k ))<br />
(∫<br />
) ∫<br />
= E P g i (x)µ ∞ (dx) =<br />
S<br />
k∏<br />
{∫<br />
i=1<br />
M(S)<br />
S<br />
{<br />
∏ k ∫<br />
i=1<br />
}<br />
g i (x)µ ∞ (dx, ω)<br />
S<br />
}<br />
g i (x)µ(dx) Q(dµ)<br />
55
jossa Q on satunnaismitan µ ∞ (dx; ω) jakauman avaruudessa<br />
M(S) = { todennäköisyys mittoja ν : S → [0, 1] }<br />
Toisin sanoen, permutaatio-symmetrinen (eli äärettömasti vaihdettavissa)<br />
satunnaismuuttujen jono joka saa arvot Borelin avaruudessa, on riippumattomien<br />
ja samoin jakautuneiden jonojen sekoitus □<br />
Esimerkki 19.3. De Finetti todisti ensin lauseensa yksinkertaisimmissa tapauksessa,<br />
binaarijonoille, jossa S = {0, 1}. Silloin M(S) = [0, 1].<br />
Olkoon S t (ω) = (X 1 (ω) + · · · + X t (ω)).<br />
Jos kolikkoheittojenjono on äärettömästi vaihdettavissa P-mitan suhteen,<br />
raja-arvo ϑ(ω) :=<br />
lim t −1 S t (ω) ∈ [0, 1] on olemassa P-melkein varmasti ja<br />
t→∞<br />
L 1 (P ):ssa .<br />
Olkoon Q(dθ) = P ({ω : ϑ(ω) ∈ dθ}). Kun ehdollistetaan σ-algebraan σ(ϑ),<br />
kolikonheitot ovat ehdollisesti riippumattomia ja Bernoulli jakautuneita, samalla<br />
satunnais-todennäköisyysparametrilla ϑ(ω) ∈ [0, 1]. Raja-arvon todennäköisyysmitta<br />
Q(dθ) tulkitaan prioritodennäköisyydeksi parametrille ϑ. Silloin ∀k,<br />
(x i ) i∈N ⊆ {0, 1},<br />
P ( X 1 = x 1 , . . . , X k = x k ) =<br />
∫ 1<br />
0<br />
θ S k<br />
(1 − θ) (k−S k) Q(dθ)<br />
∫ 1<br />
0<br />
{ k<br />
∏<br />
i=1<br />
}<br />
P (X 1 = x i |ϑ = θ) Q(dθ)<br />
Q(B) = P ({ ω : lim<br />
t→∞<br />
t −1 S t (ω) ∈ B }) , B ∈ B([0, 1])<br />
De Finettin lause on avain Bayeslaiseen päättelyyn.<br />
56