Filtration in Probability Theory (非降sigma-代数族)

最新推荐文章于 2024-05-06 01:04:56 发布

置顶极尽繁华

最新推荐文章于 2024-05-06 01:04:56 发布

阅读量1.7k

点赞数 7

分类专栏：随机过程文章标签： filtration 非降sigma代数族鞅信息流

本文链接：https://blog.csdn.net/qq_25777079/article/details/102505118

版权

随机过程专栏收录该内容

1 篇文章 0 订阅

订阅专栏

在学鞅的时候遇到了鞅的定义：

设 $\left \{ X_{n}, n\geqslant 0 \right \}$ 为概率空间 $\left ( \Omega, \mathfrak{F}, P \right )$ 上的随机过程，给定随机过程 $\left \{ Y_{n}, n\geqslant 0 \right \}$ 如果

是 $\left \{ \mathfrak{F}_{t} \right \}_{t\in T}$ 的；
$E\left ( \left | X_{n} \right | \right )< \infty$ ；
$E\left ( X_{n+1}\mid Y_{0}, Y_{1}, \cdot \cdot \cdot, Y_{n}\right )=X_{n}$ ，

则称 $\left \{ X_{n}, n\geqslant 0 \right \}$ 关于 $\left \{ Y_{n}, n\geqslant 0 \right \}$ 是鞅。

很不明白第一个条件是怎么回事，书上解释的意义是 $X_{n}$ 是 $\left \{ Y_{0}, Y_{1}, \cdot \cdot \cdot ,Y_{n}\right \}$ 的函数，解释得很笼统，所以仔细查了查这个 $\left \{ \mathfrak{F}_{t} \right \}_{t\in T}$ ，有这么几个称呼：流域、滤波、非降的 $\sigma$ -代数族、随时间演化的信息流，觉得随时间演化的信息流更贴切一些，下面是我结合查阅的资料的理解：

示例1

假设投掷一个色子，出现六个面的概率相同，则结果会是“1或2或3或4或5或6“，使用集合表示为 $\Omega =\left \{ 1,2,3,4,5,6 \right \}$ 。在0时刻（掷色子前），会问一个问题：”会出现哪一面“，此时我们是不知道什么将要发生，所以这个时候的信息流很简单，要么没投掷要么投掷了并出现六个数字之一，所以此时的信息是 $\Omega$ 或者 $\phi$ ，也就是0时刻系统给到的信息是 $\mathfrak{F}_{0}=\left \{ \Omega ,\phi \right \}$ ，可以看出这是一个 $\sigma$ -代数；

第一次投掷了色子之后得到一个结果 $\omega _{1}\in \Omega$ ，这时候会有很多的问题：”出现的一面是1吗“，”是奇数吗“，”比3大吗“等等，满足这些问题的回答分别是 $\left \{ 1 \right \}$ ， $\left \{ 1,3,5 \right \}$ ， $\left \{ 4,5,6 \right \}$ 等等，所以所有的问题的答案都会出现在 $\Omega$ 的幂集 $\mathbb{P}\left ( \Omega \right )$ 中，可以将信息流理解为某时刻过后包含所有问题答案的集合，也就是 $\mathfrak{F}_{1}=\mathbb{P}\left ( \Omega \right )$ 。显然 $\mathfrak{F}_{0}\subseteq \mathfrak{F}_{1}$ 。

假设按照顺序投掷两次色子，在投掷之前，我们是不知道结果的，最后的结果会出现在 $\Omega _{2}=\Omega \times \Omega$ 中，所以此时的信息流为 $\mathfrak{F}_{0}=\left \{\Omega _{2} ,\phi \right \}$ ；

在一次投掷之后，能回答的问题有哪些呢？只有关于第一次投掷的问题，关于第二次抛掷的问题是得不到答案的，所以此时的信息流 $\mathfrak{F}_{1}=\mathbb{P}\left ( \Omega \right )\times \Omega$ ；

两次投掷之后，就会有所有的信息了，信息流就是 $\mathfrak{F}_{2}=\mathbb{P}\left ( \Omega _{2} \right )$ 。显然 $\mathfrak{F}_{0}\subseteq \mathfrak{F}_{1}\subseteq \mathfrak{F}_{2}$ 。

举例：

$\left \{ \left ( 1,5 \right ) \right \}\in \mathfrak{F}_{2}$ 表示第一次投掷结果为1，第二次投掷结果为5；

$\left \{ \left ( 1,5 \right ),\left ( 5,1 \right ) \right \}\in \mathfrak{F}_{2}$ 表示在两次投掷中一次为1，一次为5；

$\left \{ \left ( 1,3,5 \right ) \times \left ( 2,4,6 \right ) \right \}\in \mathfrak{F}_{2}$ 表示一次投掷为奇数，第二次投掷为偶数。

也就是说， $\mathfrak{F}_{2}$ 可以回答两次色子投掷之后关于投掷的所有问题！

总结： $\left \{ \mathfrak{F}_{t} \right \}_{t\in T}$ 表示随时间演化的信息流（flow of information up to time t），随机变量随着时间的增加不断地产生更多的信息。

示例2

举一个更简单的例子，随机过程在0时刻的值为0，在1时刻取值为或，2时刻的取值为或（1时刻取值为的情况下）、或（1时刻取值为的情况下）。也就是随机过程会有四条取值路径： $\omega _{1}=0\rightarrow a\rightarrow c$ ， $\omega _{2}=0\rightarrow a\rightarrow d$ ， $\omega _{3}=0\rightarrow b\rightarrow e$ ， $\omega _{4}=0\rightarrow b\rightarrow f$ 。路径空间为 $\Omega =\left \{ \omega _{1},\omega _{2},\omega _{3},\omega _{4} \right \}$ ，我们可以得到信息流如下：

$\mathfrak{F}_{0}=\left \{ \phi ,\Omega \right \}$

$\mathfrak{F}_{1}=\left \{ \phi ,\left \{ \omega _{1},\omega _{2} \right \}, \left \{ \omega _{3},\omega _{4} \right \}, \Omega \right \}$

$\mathfrak{F}_{2}=\mathbb{P}\left ( \Omega \right )$

举例：

$\left \{ \omega _{1},\omega _{3},\omega _{4} \right \}\in \mathfrak{F}_{2}$ 表示“没有走路径2”的信息

$\left \{ \omega _{1},\omega _{2} \right \}\in \mathfrak{F}_{2}$ 表示“1时刻走了a的路径”的信息，这个信息同样也出现在了 $\mathfrak{F}_{1}$ 中。

Filtration就是在某一时刻的所有的信息的反映。在0时刻，不知道随机变量会朝着哪一条路径发展，所以所拥有的信息就只有空集和全集；在1时刻可以取值或，确定了随机变量的发展方向，拥有的信息量更多；在2时刻就可以知道关于路径的所有的事情。可以看到 $\mathfrak{F}_{0}\subseteq \mathfrak{F}_{1}\subseteq \mathfrak{F}_{2}$ 。

示例3

题目：投掷一枚硬币，正反面分别用、表示，投掷一枚硬币得到正反面的概率相同，每一时刻投掷一次，求0、1、2、3时刻的信息流。

最后可取的值有 $\omega _{1}=H\rightarrow H\rightarrow H$ ， $\omega _{2}=H\rightarrow H\rightarrow T$ ， $\omega _{3}=H\rightarrow T\rightarrow H$ ， $\omega _{4}=H\rightarrow T\rightarrow T$ ， $\omega _{5}=T\rightarrow H\rightarrow H$ ， $\omega _{6}=T\rightarrow H\rightarrow T$ ， $\omega _{7}=T\rightarrow T\rightarrow H$ ， $\omega _{8}=T\rightarrow T\rightarrow T$ ，取值空间为 $\Omega =\left \{ \omega _{1}, \omega _{2}, \omega _{3}, \omega _{4}, \omega _{5}, \omega _{6}, \omega _{7}, \omega _{8} \right \}$ 。

则信息流为：

$\mathfrak{F}_{0}=\left \{ \phi ,\Omega \right \}$

$\mathfrak{F}_{1}=\left \{ \phi ,\left \{ \omega _{1},\omega _{2},\omega _{3},\omega _{4} \right \}, \left \{ \omega _{5},\omega _{6},\omega _{7},\omega _{8} \right \}, \Omega \right \}$

$\mathfrak{F}_{2}=\left \{ \phi , \left \{\omega _{1},\omega _{2} \right \}, \left \{\omega _{3},\omega _{4} \right \}, \left \{\omega _{5},\omega _{6} \right \}, \left \{\omega _{7},\omega _{8} \right \}\left \{ \omega _{1},\omega _{2},\omega _{3},\omega _{4} \right \}, \left \{ \omega _{5},\omega _{6},\omega _{7},\omega _{8} \right \}, \Omega \right \}$

$\mathfrak{F}_{3}=\mathbb{P}\left ( \Omega \right )$

另外一种理解方式：

设每一次投掷的取值空间为 $\Sigma =\left \{ H,T \right \}$ ，因此

$\mathfrak{F}_{0}=\left \{ \phi ,\Sigma \right \}$ ，需要注意的是这里的 $\left \{ H,T \right \}=\left \{ \omega _{1}, \omega _{2}, \omega _{3}, \omega _{4}, \omega _{5}, \omega _{6}, \omega _{7}, \omega _{8} \right \}$ ；
$\mathfrak{F}_{1}=\mathbb{P}\left ( \Sigma \right )=\left \{ \phi ,\left \{ H \right \},\left \{ T \right \} ,\Sigma \right \}$ ；
$\mathfrak{F}_{2}=\mathbb{P}\left ( \Sigma\times \Sigma \right )$
$\mathfrak{F}_{3}=\mathbb{P}\left ( \Sigma\times \Sigma \right \times \Sigma )$

回到鞅的定义就可以知道，鞅的定义中第一个条件是指估计的过程 $\left \{ X_{n}, n\geqslant 0 \right \}$ 与观察过程之间存在一定的内在联系，也就是要求估计的过程可以表示为观察的过程 $\left \{ Y_{n}, n\geqslant 0 \right \}$ 的函数，比如独立同分布随机变量的和是鞅、独立随机变量的平方和是鞅等等。

当我们写鞅的时候写成 $E\left ( X_{n+1}\mid Y_{0}, Y_{1}, \cdot \cdot \cdot, Y_{n}\right )$ ，同样的可以写成 $E\left ( X_{n+1}\mid \mathfrak{F}_{n}\right )$ 。

极尽繁华

关注

7
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
Filtration in Probability Theory (非降sigma-代数族)

在学鞅的时候遇到了鞅的定义：设为概率空间上的随机过程，给定随机过程如果是的；；，则称关于是鞅。很不明白第一个条件是怎么回事，书上解释的意义是是的函数，解释得很笼统，所以仔细查了查这个，有这么几个称呼：流域、滤波、非降的-代数族、随时间演化的信息流，觉得随时间演化的信息流更贴切一些，下面是我结合查阅的资料的理解：示例1假设投掷一个色子，出现六个面的概率相同，则结果会...
复制链接

扫一扫

专栏目录