พิสูจน์ / หักล้าง


10

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


กำหนดพื้นที่น่าจะเป็นกรอง(Ω,F,{Fn}n∈N,P)ให้{F}A∈F

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

∃t∈N 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 ) ?

∃t∈N 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[1A⋅F]=E[E[1A⋅F|Ft]]=E[F⋅E[1A|Ft]]

=E[p⋅F]=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 การกำหนดคุณสมบัติของความคาดหวังที่มีเงื่อนไขนี้ก็คือว่า ∫ F 1 B d P = ∫ F 1 d PสำหรับทุกF∈ Fเสื้อ โดยเฉพาะอย่างยิ่งการรับF=Bนำไปสู่P(B)=P(A∩B)ซึ่งเราสามารถสรุปได้ว่าB⊂AE[1A|Ft]=1BB∈Ft∫F1BdP=∫F1AdPF∈FtF=BP(B)=P(A∩B)B⊂A(ยกเว้นอาจเป็นชุดของความน่าจะเป็นศูนย์) อย่างไรก็ตามเราก็รู้ (เหมือนในข้อโต้แย้งที่คุณเขียน) ว่าเช่นP ( A ) = P ( B )ดังนั้นข้อสรุปที่เป็นไปได้เพียงอย่างเดียวคือA = B (ยกเว้นอาจเป็นไปได้สำหรับชุดของความน่าจะเป็นศูนย์)E[E[1A|Ft]]=E[1B]P(A)=P(B)A=B

สำหรับ , F t ⊂ F 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>tFt⊂FsE[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<tA∈FsE[1A|Fs]=1AAFsE[1A|Fs]โดยทั่วไป สำหรับตัวอย่างที่เป็นรูปธรรมดูบทความนี้รูปที่ 1 การรับยกตัวอย่างเช่นให้ลำดับความคาดหวังตามเงื่อนไขE [ 1 A | F 0 ] = 1A={ω2}∈F2∖F1,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(A∪B)→B⊆AE[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 c ∩ Bเราจะต้องมีP ( A c ∩ B ) = 0ซึ่งหมายความว่าB ⊂ Aเหมือนตอนนี้ในวิธีเดียวกันเราสามารถใช้P ( A ) = P ( B )เพื่อสรุปว่าP(B)=P(A∩B)BA∩BAc∩BP(Ac∩B)=0B⊂AP(A)=P(B) asA=B∈Ft
— S. Catterall Reinstate Monica
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.