条件期望
引入1
在概率空间上
(
Ω
,
F
,
P
)
(\Omega, \mathcal{F},P)
(Ω,F,P)上，给定事件
B
B
B，那么
P
(
A
∣
B
)
=
P
(
A
∩
B
)
P
(
B
)
P(A|B)=\frac{P(A\cap B)}{P(B)}
P(A∣B)=P(B)P(A∩B)称为条件概率，令
P
B
=
{
P
(
A
∣
B
)
:
A
∈
F
}
P_B=\{P(A|B):A\in \mathcal{F} \}
PB={P(A∣B):A∈F}，
(
Ω
,
F
,
P
B
)
(\Omega, \mathcal{F},P_B)
(Ω,F,PB)也构成概率空间，在这个概率空间中随机变量
X
X
X求期望就是：
E
(
X
∣
B
)
=
∫
Ω
X
d
P
B
=
1
P
(
B
)
∫
B
X
d
P
.
E(X|B)=\int_\Omega X dP_B=\frac{1}{P(B)}\int_B X dP.
E(X∣B)=∫ΩXdPB=P(B)1∫BXdP.
引入2
如果条件
G
\mathcal{G}
G具有可列个可测分割，原子记为
{
B
1
,
B
2
,
…
,
B
n
,
…
}
\{B_1, B_2,\dots, B_n, \dots\}
{B1,B2,…,Bn,…}，那么条件期望
E
(
X
∣
G
)
(
ω
)
E(X|\mathcal{G})(\omega)
E(X∣G)(ω)是一个随机变量。当
ω
∈
B
1
\omega\in B_1
ω∈B1时，
E
(
X
∣
G
)
(
ω
)
=
E
(
X
∣
B
1
)
E(X|\mathcal{G})(\omega)=E(X|B_1)
E(X∣G)(ω)=E(X∣B1)，同理，因此可以写成
E
(
X
∣
G
)
(
ω
)
=
∑
i
=
1
∞
E
(
X
∣
B
i
)
1
B
i
.
E(X|\mathcal{G})(\omega)=\sum_{i=1}^{\infty}E(X|B_i)1_{B_i}.
E(X∣G)(ω)=i=1∑∞E(X∣Bi)1Bi.
这里需要说明，如果 ω 1 , ω 2 ∈ B i \omega_1, \omega_2 \in B_i ω1,ω2∈Bi，那么 E ( X ∣ B i ) ( ω 1 ) = E ( X ∣ B i ) ( ω 2 ) E(X|B_i)(\omega_1)=E(X|B_i)(\omega_2) E(X∣Bi)(ω1)=E(X∣Bi)(ω2)，这是因为如果 E ( X ∣ B i ) ( ω 1 ) ≠ E ( X ∣ B i ) ( ω 2 ) E(X|B_i)(\omega_1)\ne E(X|B_i)(\omega_2) E(X∣Bi)(ω1)=E(X∣Bi)(ω2)，设这两个值为 c 1 , c 2 c_1, c_2 c1,c2，那么 B i ∩ { ω : E ( X ∣ B i ) = c 1 } B_i\cap \{\omega:E(X|B_i)=c_1\} Bi∩{ω:E(X∣Bi)=c1}和 B i ∩ { ω : E ( X ∣ B i ) = c 2 } B_i\cap \{\omega:E(X|B_i)=c_2\} Bi∩{ω:E(X∣Bi)=c2}都是非空子集，和 B i B_i Bi是原子矛盾。
对于
B
=
∑
B
i
B=\sum B_i
B=∑Bi，可以通过
E
(
X
∣
G
)
(
ω
)
E(X|\mathcal{G})(\omega)
E(X∣G)(ω)求出来，具体的，
P
(
B
)
E
(
X
∣
B
)
=
∫
B
X
d
P
=
∑
∫
B
i
X
d
P
=
∑
E
(
X
∣
B
i
)
P
(
B
i
)
=
∑
i
=
1
∞
E
(
X
∣
B
i
)
1
B
i
1
B
P
(
B
i
)
=
∫
B
E
(
X
∣
G
)
d
P
.
P(B)E(X|B)=\int_BXdP=\sum\int_{B_i}XdP=\sum E(X|B_i)P(B_i)\\ =\sum_{i=1}^{\infty}E(X|B_i)1_{B_i}1_{B}P(B_i)=\int_BE(X|\mathcal{G})dP.
P(B)E(X∣B)=∫BXdP=∑∫BiXdP=∑E(X∣Bi)P(Bi)=i=1∑∞E(X∣Bi)1Bi1BP(Bi)=∫BE(X∣G)dP.
第一、三个等号是条件期望的定义。
我们得到一个关系是对
∀
B
∈
G
,
\forall B \in \mathcal{G},
∀B∈G,
∫
B
X
d
P
=
∫
B
E
(
X
∣
G
)
d
P
.
\int_BXdP=\int_BE(X|\mathcal{G})dP.
∫BXdP=∫BE(X∣G)dP.
这便引出了描述性定义，和上面的定义是等价的。
若
Z
(
ω
)
Z(\omega)
Z(ω)在
G
\mathcal{G}
G上可测，且满足上面的式子，那么就是条件期望。
一般情形
在一般情形下不能像上面那样找到一列原子分割，但是描述性定义仍然成立。条件期望作为随机变量，不在 P P P的零测集上定义。
条件期望的性质
1、
E
[
E
[
X
∣
G
]
]
=
E
X
E[E[X|\mathcal{G}]]=EX
E[E[X∣G]]=EX
∫
Ω
E
[
X
∣
G
]
d
P
=
∫
Ω
X
d
P
=
E
X
\int_\Omega E[X|\mathcal{G}]dP=\int_\Omega XdP=EX
∫ΩE[X∣G]dP=∫ΩXdP=EX
2、若
X
∈
G
X\in \mathcal{G}
X∈G，则
E
[
X
Y
∣
G
]
=
X
E
[
Y
∣
G
]
a
.
s
.
E[XY|\mathcal{G}]=XE[Y|\mathcal{G}] a.s.
E[XY∣G]=XE[Y∣G]a.s.
只考虑
X
=
1
B
1
,
B
1
∈
G
X=1_{B_1},B_1\in \mathcal{G}
X=1B1,B1∈G的情形，
∫
B
E
[
X
Y
∣
G
]
d
P
=
∫
B
∩
B
1
Y
d
P
=
∫
B
E
[
Y
∣
G
]
d
P
=
∫
B
∩
B
1
1
B
1
E
[
Y
∣
G
]
d
P
\int_BE[XY|\mathcal{G}]dP=\int_{B\cap {B_1}}YdP=\int_{B}E[Y|\mathcal{G}]dP=\int_{B\cap {B_1}}1_{B_1}E[Y|\mathcal{G}]dP
∫BE[XY∣G]dP=∫B∩B1YdP=∫BE[Y∣G]dP=∫B∩B11B1E[Y∣G]dP
由条件期望在
a
.
s
.
a.s.
a.s.下的唯一性得到：
1
B
1
E
[
Y
∣
G
]
=
E
[
1
B
1
Y
∣
G
]
a
.
s
.
1_{B_1}E[Y|\mathcal{G}]=E[1_{B_1}Y|\mathcal{G}]\ a.s.
1B1E[Y∣G]=E[1B1Y∣G] a.s.
3、若
H
⊂
G
\mathcal{H}\subset\mathcal{G}
H⊂G，则
E
[
X
∣
H
]
=
E
[
E
(
X
∣
G
)
∣
H
]
=
E
[
E
(
X
∣
H
)
∣
G
]
E[X|\mathcal{H}]=E[E(X|\mathcal{G})|\mathcal{H}]=E[E(X|\mathcal{H})|\mathcal{G}]
E[X∣H]=E[E(X∣G)∣H]=E[E(X∣H)∣G]
对于
∀
A
∈
H
\forall A \in \mathcal{H}
∀A∈H
∫
A
E
[
E
(
X
∣
G
)
∣
H
]
d
P
=
∫
A
E
(
X
∣
G
)
d
P
=
∫
A
X
d
P
=
∫
A
E
[
X
∣
H
]
d
P
\int_AE[E(X|\mathcal{G})|\mathcal{H}]dP=\int_AE(X|\mathcal{G})dP=\int_AXdP=\int_AE[X|\mathcal{H}]dP
∫AE[E(X∣G)∣H]dP=∫AE(X∣G)dP=∫AXdP=∫AE[X∣H]dP
对于第二个等号，
E
(
X
∣
H
)
∈
G
E(X|\mathcal{H})\in \mathcal{G}
E(X∣H)∈G，因此直接脱出。
扫一扫
596
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
