조건부기댓값의 건설
확률론에서 조건부기댓값은 어떤 조건 하에서 특정한 확률변수에 대한 기댓값이다.
(Ω,F,P)를 확률공간이라 하고, X와 Z를 다음과 같은 확률변수라 하자.X=x1,x2,...,xmZ=z1,z2,...,znZ=zj일 때 X=xi일 확률은 다음과 같고P(X=xi|Z=zj)={P(X=xi}∩{Z=zj})P(Z=zj)또한 Z=zj일 때의 조건부기댓값은 다음과 같다. E(X|Z=zi)=m∑i=1xiP(X=xi|Z=zj)*{Z=zj}는 {ω∈Ω|Z(ω)=zj}이다.
Y=E(X|Z)인 확률변수 Y는 다음과 같이 정의할 수 있다.
Z(ω)=zj이면, Y(ω)=E(X|Z=zj)=yj이다.
Z에 의해 생성된 σ−체 G=σ(Z)는 집합 {Z∈B}(B는 보렐집합)들로 구성되어 있고, 따라서 n개의 {Z=zj}들의 2n가지의 합집합들로 구성되어있다. Z=zj(1≤j≤n)일 때, Y는 상수함수이고 더 나아가서 G−가측이다.
다음으로 Y는 Z=zj일 때 상수값 yj를 가지므로 다음 등식이 성립한다.∫{Z=zj}YdP=yjP(Z=zj)=∑jxiP(X=xi|Z=zj)P(Z=zj)=∑ixiP({X=xi}∩{Z=zj})=∫{Z=zj}XdPGj={Z=zj}로 나타내면 위의 식으로부터 E(Y1Gj)=E(X1Gj)가 된다. 모든 G∈G에 대하여 1G=m∑j=11Gj이므로 E(Y1G)=E(X1G)이고 다음이 성립한다.∫GYdP=∫GXdP조건부기댓값은 다른 관점에서 보면 직교사영이라고 할 수 있다.(아래 그림참고)
L2확률공간 (Ω,F,P)의 확률변수 X를 부분공간 L2(G)(G는 F의 부분 σ−체, L2(G)는 G−가측 L2함수들의 공간)으로 직교사영한 확률변수 Y가 조건부기댓값이고, 이때 Y는 E((X−Y)2)를 최소가 되게 하고, Y를 G−가측 함수 중에서 X의 '최선의 예측'이라고 할 수 있다. X−Y는 L2(G)에 수직이므로 L2상의 내적의 정의에 의해 모든 Z∈L2(G)에 대하여⟨X−Y,Z⟩=∫Ω(X−Y)ZdP=0이고 특히 모든 G∈G에 대하여 1G∈L2(G)이므로 다음 식이 성립한다.∫GYdP=∫GXdP다음과 같이 조건부기댓값을 정의할 수 있다.
(Ω,F,P)를 확률공간이라 하고, G를 F의 부분 σ−체라고 하자. F−가측 확률변수 X에 대하여 유일한 G−가측 확률변수 Y가 존재해서 모든 G∈G에 대하여 다음 등식이 성립한다고 하자.∫GXdP=∫GYdP이러한 확률변수 Y를 Y=E(X|G)로 나타내고 X의 G에 대한 조건부기댓값(conditional expectation)이라고 한다.
조건부기댓값의 직관적인 의미는 어떤 실행이 이루어졌을때 표본 ω가 선택된 정보는 모든 G−가측 확률변수 Z에 대하여 Z(ω)를 값으로 갖는 집합들에 있을 때 주어진 정보에서 X(ω)의 기댓값이 Y(ω)=E(X|G)(ω)라는 것이다. 이 상황에서 G={Ω,ϕ}이면(정보가 없음), 모든 ω에 대하여 E(X|G)(ω)=E(X)이다.
앞에서의 정의에 의해 X∈L2에 대하여 조건부기댓값은 잘 정의되고 다음 조건에 의해 X,Y∈L1이라고 해도 문제없다.∫GYdP=∫GXdP(G∈G)임의의 X∈L1(F)에 대하여 E(X|G)∈L1(G)를 다음과 같이 건설할 것이다.
다음의 정리들은 건설에 필요한 정리들이다.
정리 1. {fn}이 가측공간 (X,M)상의 가측함수열이면, 다음의 함수들도 가측이다.max
정리 2. 단조수렴정리(Monotone Convergence Theorem)
\{f_{n}\}이 음이 아닌 측도공간 (X,\,\mathcal{M},\,\mu)상의 가측 함수열이고 f로 단조증가하며 수렴하면, 다음 등식이 성립한다.\lim_{n\,\rightarrow\,\infty}{\int_{X}{f_{n}d\mu}}=\int_{X}{fd\mu}
정리 3. E가 유한측도를 갖는 집합이고 1\leq p\leq q\leq\infty이면, L^{q}(E)\subset L^{p}(E)이다.
* a.s.는 거의 확실히(almost surely)를 뜻하며, 측도론에서의 거의 어디서나(almost everywhere)와 같은 의미를 갖는다.
1단계: X는 음이 아닌 유계 확률변수
X가 유계이면, P(\Omega)=1이므로 정리 3에 의해 X\in L^{2}(\mathcal{F})이고 따라서 조건부기댓값 Y를 갖는다.
Y\geq0\,P-a.s.임을 보일 것이다. 이를 보이기 위해 Y가 음의 값을 가질 확률이 0보다 크다고 하자. 그러면 n\geq1이 존재해서 \displaystyle G=\left\{Y<-\frac{1}{n}\right\}\in\mathcal{G}에 대해 P(G)>0이고 따라서 다음의 부등식이 성립한다.\int_{G}{YdP}<-\frac{1}{n}P(G)<0그러나 \displaystyle\int_{G}{YdP}=\int_{G}{XdP}\geq0이어야 하므로 모순이다.
2단계: 음이 아닌 X\in L^{1}로 근사
X\in L^{1}(\mathcal{F})\,(X\geq0)를 선택하고 n\geq1에 대해 X_{n}=\min\{X,\,n\}이라 하자. 그러면 X_{n}은 유계이고 음이 아니므로 X_{n}을 1단계에 적용해 Y_{n}\in L^{2}(\mathcal{G})를 얻어내는데, 이때 식 \displaystyle\int_{G}{Y_{n}dP}=\int_{G}{X_{n}dP}가 성립한다.
\{X_{n}\}은 증가하므로 모든 G\in\mathcal{G}에 대하여 \displaystyle\left\{\int_{G}{X_{n}dP}\right\}도 증가하고 따라서 모든 G\in\mathcal{G}에 대해 \displaystyle\int_{G}{Y_{n}dP}\leq\int_{G}{Y_{n+1}dP}이므로 Y_{n+1}-Y_{n}\geq0-a.s.이고 이것은 \{Y_{n}\}이 a.s.증가함을 뜻한다.
3단계: 극한 취하기
모든 \omega\in\Omega에 대하여 \displaystyle Y(\omega)=\lim_{n\,\rightarrow\,\infty}{\sup Y_{n}(\omega)}라고 하자. 정리 1에 의해 Y는 \mathcal{G}-가측이다. 게다가 G\in\mathcal{G}와 모든 n에 대하여 다음 부등식이 성립하고\int_{G}{Y_{n}dP}=\int_{G}{X_{n}dP}\leq\int_{G}{XdP}<\infty단조수렴정리에 의해 \displaystyle\left\{\int_{G}{Y_{n}dP}\right\}는 \displaystyle\int_{G}{YdP}로 증가하면서 수렴하고 \displaystyle\int_{G}{YdP}<\infty이므로 Y\in L^{1}(\mathcal{G})이다.
반면에 \displaystyle\int_{G}{Y_{n}dP}=\int_{G}{X_{n}dP}이고 \displaystyle\left\{\int_{G}{X_{n}dP}\right\}도 \displaystyle\int_{G}{XdP}로 증가하면서 수렴하므로 모든 G\in\mathcal{G}에 대해 \displaystyle\int_{G}{YdP}=\int_{G}{XdP}이다.
4단계: 일반적인 X
일반적으로 X=X^{+}-X^{-}이고, 3단계에 의해 Y^{+},\,Y^{-}\in L^{1}(\mathcal{G})가 존재해서 모든 G\in\mathcal{G}에 대해\int_{G}{Y^{+}dP}=\int_{G}{X^{+}dP},\,\int_{G}{Y^{-}dP}=\int_{G}{X^{-}dP}이고 이 두 식들을 서로 빼서 식 \displaystyle\int_{G}{YdP}=\int_{G}{XdP}를 얻고, 이때 Y=Y^{+}-Y^{-}\in L^{1}(\mathcal{G})이다.
5단계: 유일성
Z\in L^{1}(\mathcal{G})도 모든 G\in\mathcal{G}에 대해 식 \displaystyle\int_{G}{ZdP}=\int_{G}{XdP}를 만족하면, Z=Y\,P-a.s.이다.
5단계에서 Y를 E(X|\mathcal{G})의 버전(version)이라고 한다. L^{1}(\Omega,\,\mathcal{G},\,P)의 정의에 의해 유일성은 모든 버전들이 다음과 같이 정의되는 동치관계에 속함을 보여준다.f\equiv g\,\Leftrightarrow\,P(\{\omega\in\Omega\,|\,f(\omega)\neq g(\omega)\})=0
참고자료:
Measure, Integral and Probability, Capinski, Kopp, Springer
Probability with Martingales, Williams, Cambridge University Press
'수학연구소 > 연구소' 카테고리의 다른 글
이차곡선(타원, 포물선, 쌍곡선)의 광학적 성질 (0) | 2020.09.16 |
---|---|
르베그 적분에서의 근사 (0) | 2020.03.17 |
최소제곱해 (0) | 2020.02.27 |
오일러-마스케로니 상수 (0) | 2019.09.16 |
자연대수 e (0) | 2019.09.08 |