พิสูจน์ / หักล้าง


10

พิสูจน์ / หักล้างE[1A|Ft]=0 or 1 a.s. E[1A|Fs]=E[1A|Ft] a.s.


กำหนดพื้นที่น่าจะเป็นกรอง(Ω,F,{Fn}nN,P)ให้{F}AF

สมมติว่ามันติดตามแล้วล่ะE [ 1 A | F s ] = E [ 1 A | F t ] เป็นs > t ? s < t

tN s.t. E[1A|Ft]=1 a.s.
E[1A|Fs]=E[1A|Ft] a.s. s>t ?
s<t

จะเกิดอะไรขึ้นถ้าหรือถ้าE [ 1 A | F t ] = p a.s สำหรับบางพี( 0 , 1 ) ?

tN s.t. E[1A|Ft]=0 a.s. ?
E[1A|Ft]=p a.s. for some p(0,1) ?

สิ่งที่ฉันพยายาม:


ถ้าดังนั้นซึ่งเหมือนกับ (เกือบจะแน่นอน) ในกรณีนี้ (เกือบแน่นอน) สำหรับแต่ละsE [ 1 A ] = 1 1 A = 1 E [ 1 A | F s ] = 1 sE[1A|Ft]=1E[1A]=11A=1E[1A|Fs]=1s

ในทำนองเดียวกันถ้าดังนั้นซึ่งเหมือนกับ (เกือบจะแน่นอน) ในกรณีนี้ (เกือบแน่นอน) สำหรับแต่ละsE [ 1 A ] = 0 1 A = 0 E [ 1 A | F s ] = 0 sE[1A|Ft]=0E[1A]=01A=0E[1A|Fs]=0s

ถ้าสำหรับค่าคงที่เราก็จะได้p ( 0 , 1 )E[1A|Ft]=pp(0,1)

E[1A|Fs]=E[E[1A|Ft]|Fs]=E[p|Fs]=pP นี้อาจล้มเหลวหากเสื้อs>t

อีกทางเลือกหนึ่งสำหรับกรณี:=p

ปล่อยให้เป็นตัวแปรสุ่มที่มีขอบเขตF tFFt

E[1AF]=E[E[1AF|Ft]]=E[FE[1A|Ft]]

=E[pF]=pE[F]=E[1A]E[F]

หมายความว่าและเป็นอิสระ กล่าวอีกนัยหนึ่งและเป็นอิสระ ดังนั้นและนอกจากนี้ยังมีอิสระถ้าและด้วยเหตุนี้P นี้อาจล้มเหลวหากเสื้อ F σ ( A ) F t σ ( A ) F s s < t E [ 1 A | F s ] = E [ 1 A ] = p s > t1AFσ(A)Ftσ(A)Fss<tE[1A|Fs]=E[1A]=ps>t

ฉันเดาว่าความคิดนั้นคือค่าคงที่ทั้งสองเป็นอิสระจากและวัดF sFsFsได้

คำตอบ:


5

ข้อโต้แย้งของคุณดูเหมือนจะถูกต้อง แต่คุณเริ่มจากการสมมติว่า 1 อย่างไรก็ตามคำถามระบุว่าE [ 1 A | F t ] { 0 , 1 }ซึ่งฉันอยากจะหมายความว่าตัวแปรสุ่มE [ 1 A | F t ]รับค่าในชุด{ 0 , 1 }เช่นE [ 1 A | FE[1A|Ft]=1E[1A|Ft]{0,1}E[1A|Ft]{0,1}ที่B Fเสื้อ การกำหนดคุณสมบัติของความคาดหวังที่มีเงื่อนไขนี้ก็คือว่าF 1 B d P =F 1 d PสำหรับทุกF Fเสื้อ โดยเฉพาะอย่างยิ่งการรับF=Bนำไปสู่P(B)=P(AB)ซึ่งเราสามารถสรุปได้ว่าBAE[1A|Ft]=1BBFtF1BdP=F1AdPFFtF=BP(B)=P(AB)BA(ยกเว้นอาจเป็นชุดของความน่าจะเป็นศูนย์) อย่างไรก็ตามเราก็รู้ (เหมือนในข้อโต้แย้งที่คุณเขียน) ว่าเช่นP ( A ) = P ( B )ดังนั้นข้อสรุปที่เป็นไปได้เพียงอย่างเดียวคือA = B (ยกเว้นอาจเป็นไปได้สำหรับชุดของความน่าจะเป็นศูนย์)E[E[1A|Ft]]=E[1B]P(A)=P(B)A=B

สำหรับ , F tF sดังนั้นกฎหอคอยสำหรับความคาดหวังตามเงื่อนไขแสดงถึงE [ 1 A | F t ] = E [ E [ 1 A | F t ] | F s ] แต่E [ 1 A | F t ] = 1 Aดังนั้นE [ 1 A | F s ] =s>tFtFsE[1A|Ft]=E[E[1A|Ft]|Fs]E[1A|Ft]=1Aดังนั้นความคาดหวังตามเงื่อนไขทั้งหมดสำหรับ s > tเท่ากับ ( 1 A ) สำหรับ s < tถ้า A F sเราจะยังคงมี E [ 1 A | F s ] = 1 ในทางกลับกันถ้าเรากลับไปที่เวลาที่ไปไม่ได้อยู่ใน F sแล้วผมไม่คิดว่าสิ่งที่สามารถจะกล่าวเกี่ยวกับ E [ 1 | F s ]E[1A|Fs]=1As>t1As<tAFsE[1A|Fs]=1AAFsE[1A|Fs]โดยทั่วไป สำหรับตัวอย่างที่เป็นรูปธรรมดูบทความนี้รูปที่ 1 การรับยกตัวอย่างเช่นให้ลำดับความคาดหวังตามเงื่อนไขE [ 1 A | F 0 ] = 1A={ω2}F2F1,E[1A| F1]=1E[1A|F0]=181Ω,E[1A| F2]=1{ω2},E[1A| F3]=1{ω2}E[1A|F1]=121{ω1,ω2}E[1A|F2]=1{ω2}E[1A|F3]=1{ω2}


ขอบคุณ S. Catterall คุณจะรู้ว่า 1 ? 2 E [ 1 A | F t ] = 1 A ? กำลังจะแก้ไขคำถามด้วย ขออภัยในความไม่สะดวกใด ๆ. ฉันจะใช้ข้อมูลเชิงลึกบางส่วนของคุณเพื่อแก้ไขP(B)=P(AB)BAE[1A|Ft]=1A
BCLC

1
ผมขอสรุปเป็นภาษาธรรมชาติ กรองสอดคล้องกับการแบ่งปลีกย่อยมากขึ้นของพื้นที่ผลและความคาดหวังที่มีเงื่อนไขของเหตุการณ์wrt องค์ประกอบต่อเนื่องของการกรอง ( "เป็นข้อมูลเพิ่มเติมจะกลายเป็นใช้ได้") จะมากขึ้นแหลมรอบเหตุการณ์ (ที่รัฐเริ่มต้นของข้อมูล F 0มันเป็นแค่การกระจายตัวแบบสม่ำเสมอ) เวลาหยุดคือพื้นผิวการตั้งค่าระดับสุ่มของกระบวนการ (ในกระดาษตัวแปรผลลัพธ์คือไบนารีและเลือกค่า0 ) AF00
ocramz

@ocramz และ S. Catterall ทำการแก้ไขเรียบร้อยแล้ว มันเป็นอย่างไรกรุณา ^ - ^
BCLC

1
ในภาพนี้ถ้าเรามีการวัดเหตุการณ์แต่กระบวนการตัวอย่างจบลงในการกำหนดค่าω ฉันที่ไม่ได้อยู่ใน, กลายเป็นได้อย่างมีประสิทธิภาพ "หยั่งรู้" (วัด0 ) คำอธิบายนี้ถูกต้องหรือไม่ ยิ่งกว่านั้นความคาดหวังที่มีเงื่อนไขในเวลาที่ต่อเนื่องกันทำให้ฉันนึกถึงกระบวนการวนซ้ำของ Bayes มีการเชื่อมโยงระหว่างแนวคิดเหล่านี้หรือไม่? @S CatterallAωiAA0
ocramz

1
ในการตอบคำถามในความคิดเห็นแรกของคุณ: ถ้าดังนั้นเนื่องจากBเป็นสหภาพที่ไม่ปะติดปะต่อของA BและA cBเราจะต้องมีP ( A cB ) = 0ซึ่งหมายความว่าB Aเหมือนตอนนี้ในวิธีเดียวกันเราสามารถใช้P ( A ) = P ( B )เพื่อสรุปว่าP(B)=P(AB)BABAcBP(AcB)=0BAP(A)=P(B) asA=BFt
S. Catterall Reinstate Monica
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.