形式陈述
设 ( X n , F n ) n ≥ 0 是实值离散下鞅 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。 。若
sup n ≥ 0 E | X n | < ∞ , 则存在可积且几乎处处有限的随机变量 X ∞ ,使 X n → X ∞ 几乎必然 理路 几乎必然收敛 Almost sure convergence 除去一个零概率事件后,随机变量序列逐样本收敛。 。这里的统一有界是期望界,不要求每条路径有同一个确定上界。对下鞅,假设也可写成 sup n E X n + < ∞ :因为 E X n ≥ E X 0 ,有
E X n − = E X n + − E X n ≤ sup k E X k + − E X 0 . 特别地,任何非负上鞅 M n 都几乎必然收敛到可积有限极限。原因是 E | M n | = E M n ≤ E M 0 ,而 − M n 是满足上述条件的下鞅。非负鞅自然包含在这个结论内。
结论只承诺几乎必然收敛与极限可积,不自动承诺 E | X n − X ∞ | → 0 ,也不自动承诺期望守恒。
直觉
“有界”本身不会强迫一般序列收敛,例如 ( − 1 ) n 一直振荡。这里起作用的是下鞅结构:如果路径永远在某两个水平之间反复来回,上穿策略就会反复获得固定大小的收益;而统一矩界又不允许其期望收益无限增长。两者结合排除了持续振荡。
从上穿次数到极限
固定有理数 a < b 。由上穿不等式 理路 上穿不等式 Upcrossing inequality · Doob upcrossing inequality 通过低买高卖的可预测持仓,把下鞅完成上穿一个区间的期望次数控制在终点正部期望之内。 ,若 C = sup n E | X n | ,则
( b − a ) E U N [ a , b ] ≤ E ( X N − a ) + ≤ C + | a | . U N 随 N 递增。单调收敛定理 理路 单调收敛定理 Monotone convergence theorem 非负可测函数单调递增时,积分极限等于极限函数积分。 于是给出 E U ∞ [ a , b ] < ∞ ,从而 U ∞ [ a , b ] < ∞ 几乎必然。有理端点对只有可数多个,所以可以在同一个概率一事件上令所有这类上穿次数都有限。
若一条路径满足 lim inf X n < lim sup X n ,便可在两者之间选到有理数 a < b ;这条路径将无限次从 a 以下走到 b 以上,与刚才的结论矛盾。因此路径存在扩展实数意义的极限。最后由 Fatou 引理 理路 Fatou 引理 Fatou's lemma 非负可测函数列下极限的积分不超过积分的下极限。 ,
E lim inf n | X n | ≤ lim inf n E | X n | ≤ C , 排除极限为正负无穷,并同时证明 E | X ∞ | ≤ C 。可在“存在有限极限”这一可测概率一事件上取实际极限,在其补集上置零,从而得到处处定义的实随机变量;不要求整个概率空间预先完备。证明中“排除振荡”和“排除无穷极限”是两个不同步骤。
例子与边界
几乎必然归零,但均值始终为一
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。 重复抛公平硬币,令 A n 表示前 n 次均为正面,并定义
M 0 = 1 , M n = 2 n 1 A n . 若前面已经出现反面,此后过程恒为零;否则下一步以各一半概率变为 2 n + 1 或零。因此 E [ M n + 1 ∣ F n ] = M n ,这是非负鞅。并且
E M n = 2 n P ( A n ) = 1. 永远不出现反面的概率为 lim n 2 − n = 0 ,所以几乎每条路径最终归零,定理的极限为 M ∞ = 0 。然而 E | M n − M ∞ | = 1 ,完全没有 L 1 收敛。每个有限阶段的均值由尚未归零的极少数路径承担,这些路径上的值不断增大。
对任意 K ,选取 2 n > K 就有 E [ M n 1 M n > K ] = 1 ,所以失败点恰是缺少一致可积性 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。 ,不是缺少路径收敛。
缺少统一界时可以发散
确定性过程 X n = n 是下鞅,但 X n → + ∞ ,不存在有限极限。每个时刻分别可积与统一可积矩界之间的区别因此不可省略。另一个方向上,有界确定性振荡 ( − 1 ) n 也不构成反例,因为它不是下鞅。
推论与应用
非负上鞅收敛常用来分析随时间减少的误差量或势函数,但极限存在并不意味着极限等于零;还需用额外的动力学、期望衰减或其他结构识别极限。对于需要保持均值或得到终端条件期望表示的问题,应继续使用鞅的 L¹ 收敛定理 理路 鞅的 L¹ 收敛定理 L1 martingale convergence theorem · Uniformly integrable martingale convergence · Closed martingale 离散鞅一致可积当且仅当它在 L¹ 中收敛,也当且仅当它由一个可积随机变量的条件期望闭合。 。
分枝过程的归一化鞅 理路 分枝过程的归一化鞅 Branching process martingale · Galton–Watson normalized martingale 将代际人数除以平均增长率,从正交鞅增量得到精确均方误差,并在超临界有限方差下证明极限为零恰好对应灭绝。 给出一份可计算的升级:超临界且繁殖方差有限时,正交增量的平方预算可求和,从而得到精确均方尾界,并证明零极限恰好对应家系灭绝。非退化临界家系仍可几乎必然灭绝且每代均值不变,因此矩与极限事件的识别需要分别检查。
如果已经知道某个 p > 1 下 sup n E | M n | p < ∞ ,高阶矩会提供一致可积性;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。 还可控制轨迹的整体最大值。这些都是在本页路径收敛结论之上的进一步控制。
自测。 非负上鞅 Z n 满足 E Z n → 0 ,能否断言其几乎必然极限为零?可以:先由定理得到 Z ∞ ≥ 0 ,再由 Fatou 引理得 E Z ∞ ≤ lim inf n E Z n = 0 ,故 Z ∞ = 0 几乎必然。这个论证不能仅凭“非负上鞅”四个字省略第二步。
参考资料