形式陈述
设 ( M n , F n ) n ≥ 0 是离散实值鞅 理路 鞅 Martingale · Submartingale · Supermartingale 在当前全部信息下,下一步条件均值等于当前值的可积适应过程。 ,令 F ∞ = σ ( ⋃ n F n ) 。以下三条等价:
{ M n : n ≥ 0 } 一致可积 理路 一致可积性 Uniform integrability · Uniformly integrable family 一族可积随机变量在统一截断水平之外的绝对期望可以一致地趋于零。 。
存在 M ∞ ∈ L 1 ,使 M n → M ∞ 在 L¹ 范数 理路 L^p 空间 L-p space · Lebesgue space 按几乎处处相等取商的积分范数空间;从尖峰和完备性走到共轭指数的对偶表示,并证明有限测度下的反身性。 中成立。
存在可积随机变量 Z ,使每个 n 都满足 M n = E [ Z ∣ F n ] 。
第三条称为闭鞅表示。满足这些条件时,收敛也几乎必然成立,并且
几 乎 必 然 M n = E [ M ∞ ∣ F n ] , M ∞ = E [ Z ∣ F ∞ ] 几乎必然 . 因此 E M ∞ = E M n = E Z 。若 Z 本身对 F ∞ 可测,极限才可以进一步写成 Z 。闭合变量可以携带永远不会被滤过揭示的信息,不能无条件把它与极限混同。
直觉
几乎必然收敛解决的是沿路径能否看到稳定终值;L 1 收敛还要求平均绝对误差消失。UI 排除小概率路径长期携带巨大均值贡献,因而把这两件事连接起来。闭鞅表示则从另一方向解释稳定性:每一步都在预测同一个可积目标,新增信息只能更新预测,不能凭空制造越来越难控制的尾部。
三个条件怎样接起来
UI 首先蕴含 sup n E | M n | < ∞ ,由鞅收敛定理 理路 鞅收敛定理 Martingale convergence theorem · Almost sure martingale convergence 绝对一阶矩统一有界的离散下鞅具有有限的几乎必然极限,但未必在一阶均值中收敛。 得到几乎必然极限;再用 UI 的 Vitali 判据升级为 L 1 收敛。
若已有 L 1 收敛,固定 n ,对每个 m ≥ n 有 M n = E [ M m ∣ F n ] 。条件期望的L1收缩 理路 条件期望 Conditional expectation 以信息分组的加权平均建立条件期望直觉,再连接测度定义、最小均方预测、塔式性质和可计算反例。 给出
E | E [ M m − M ∞ ∣ F n ] | ≤ E | M m − M ∞ | ⟶ 0 , 故 M n = E [ M ∞ ∣ F n ] ,得到闭合表示。
最后证明闭合表示提供 UI。对任意子 σ -代数 G ,记 Y = E [ Z ∣ G ] ,把 Z 分成 | Z | ≤ K / 2 与其补集两部分,得到
| Y | ≤ K / 2 + E [ | Z | 1 | Z | > K / 2 ∣ G ] . 在 | Y | > K 的事件上,右侧尾部项至少为 | Y | / 2 ,所以
E [ | Y | 1 | Y | > K ] ≤ 2 E [ | Z | 1 | Z | > K / 2 ] ⟶ 0. 右边与 G 无关,极限由控制收敛定理 理路 控制收敛定理 Dominated convergence theorem 几乎处处收敛且被同一可积函数控制时,可以交换极限与积分。 保证。这同时证明所有这些条件期望组成的族一致可积。
极限版本与全部已揭示信息
等价条件成立后,路径极限在一个概率一事件上有限。所有 M n 都对 F ∞ 可测,因此“存在有限极限”的事件也属于该σ代数 理路 σ-代数 Sigma-algebra · Sigma-field 对补集和可数并封闭、用来承载可测事件与信息的集合族。 。在此事件上取极限、其余点置零,得到一个 F ∞ -可测版本 M ∞ ,无须假定 F ∞ 已完备。若先给定的是另一 L 1 极限,范数极限的唯一性保证两者几乎处处相等。
对任意 A ∈ F n ,闭鞅表示给出 E [ M m 1 A ] = E [ Z 1 A ] (m ≥ n );L 1 收敛使左边趋于 E [ M ∞ 1 A ] 。令 A = ⋃ n F n ,滤过递增保证它是集合代数。还需把事件积分等式从 A 传到 σ ( A ) = F ∞ ,不能只验证每个固定时刻便跳过这一步。
记 D = M ∞ − Z ∈ L 1 ,并令
L = { A ∈ F ∞ : E [ D 1 A ] = 0 } . 它包含 A ,特别包含 Ω ;对嵌套的两个集合可用有限积分相减,对递增集合列可用 | D | 支配的控制收敛。因此 L 是λ系统:包含全集、对嵌套差和递增可数并封闭。
这里所需的π–λ扩张可短证如下。令 D 为包含 A 的最小λ系统。固定 B ∈ D 时,{ C : B ∩ C ∈ D } 仍为λ系统。先取 B ∈ A ,利用 A 对交封闭,推出该系统包含全部 D ;交换 B , C 的角色再应用一次,就知 D 自身对交封闭。λ系统再加交封闭便有补、有限并和可数并,故 D 是σ代数。因此 F ∞ = D ⊆ L 。
全部 A ∈ F ∞ 上的积分等式与刚选出的可测版本,正是条件期望定义;于是 M ∞ = E [ Z ∣ F ∞ ] 。
例子与边界
逐位揭示均匀变量
令 U 在 [ 0 , 1 ) 上均匀分布 理路 均匀分布 Uniform distribution 在有限集合或有限正测度区域上按计数或体积等比例分配概率的分布。 ,F n 只告诉我们 U 落在哪个长度为 2 − n 的二进区间内。若 U ∈ [ k 2 − n , ( k + 1 ) 2 − n ) ,则条件分布在该区间上均匀,所以
M n = E [ U ∣ F n ] = ( k + 1 2 ) 2 − n . 它就是已知区间的中点。设区间长度为 h = 2 − n ,该区间内的平均绝对误差为
1 h ∫ 0 h | u − h / 2 | d u = 2 h ∫ 0 h / 2 v d v = h 4 . 所有区间的误差相同,因此 E | M n − U | = 2 − n / 4 。同时逐路径误差至多为 2 − n − 1 ,并且 0 ≤ M n ≤ 1 保证 UI。这里整个二进信息最终确定 U ,故极限确实等于闭合变量。
若再引入与 U 独立 理路 独立性 Statistical independence 从概率表理解独立性,区分两两、相互和条件独立,并用可计算反例澄清零协方差与条件均值的限度。 、同样均匀分布于 [ 0 , 1 ) 的 V ,改用 Z = U + V ,但仍只逐步揭示 U ,则
E [ Z ∣ F n ] = M n + 1 2 ⟶ U + 1 2 . 极限是 E [ Z ∣ F ∞ ] ,不是 U + V ;未被观察的 V 始终只留下均值 1 / 2 。
仅有一阶矩界仍不够
前 n 次公平硬币均为正面时取值 2 n 、否则为零的非负鞅满足 E M n = 1 ,却几乎必然趋于零。因此 sup n E | M n | = 1 不足以保证本定理的任何等价条件。它不可能由某个可积 Z 闭合,否则本定理将迫使其在 L 1 中收敛并保留均值,与零极限矛盾。
推论与应用
对一个停时 τ ,可选停止页的有限可预测增量论证 理路 可选停止定理 Optional stopping theorem · Optional sampling theorem 在足以控制随机停止与极限交换的条件下,鞅的期望在停时前后保持不变。 已证明停止过程 ( M n ∧ τ ) 仍是鞅:第 k 步增量含有过去可测的有界指标 1 { τ ≥ k } ,所以保留零条件均值。这一有限阶段引理不使用本页的 L 1 收敛结论。若再有 τ < ∞ 几乎必然且停止族 { M n ∧ τ } UI,本定理才给出 M n ∧ τ → M τ 的 L 1 收敛,因此有限阶段的 E M n ∧ τ = E M 0 可以传到极限。
在条件期望的渐进更新中,上面的闭鞅结论也称 Lévy 向上收敛定理:可积 Z 的条件期望沿递增信息收敛到全部已揭示信息下的条件期望。若还掌握统一的 p > 1 阶矩,则可通过Doob 最大不等式 理路 Doob 最大不等式 Doob maximal inequality · Doob Lp inequality 用非负下鞅的终点尾部期望或鞅的终点 p 阶矩控制整个有限时间区间的最大值。 研究路径最大误差;均值收敛本身并不直接提供指定的收敛速率。
自测。 在二进区间例子中,要使 E | M n − U | ≤ 10 − 3 ,至少需要揭示多少位?由 2 − n / 4 ≤ 10 − 3 得 2 n ≥ 250 ,所以最小为 n = 8 。这是该例的精确误差计算,不是一般 UI 鞅的统一速率。
参考资料
Rick Durrett, Probability: Theory and Examples , 5th ed., Cambridge University Press, 2019,2019-01-11 作者稿,§4.6,印页244–247,Theorems 4.6.1、4.6.3–8及完整证明(UI鞅、闭合表示与Lévy收敛);π–λ扩张见Theorem 2.1.6及附录A.1 Theorem A.1.4完整证明,印页456–457。