Documente Academic
Documente Profesional
Documente Cultură
FABIO DURASTANTE
S OMMARIO . Convergenza di variabili aleatorie e leggi. Spazi di probabilit astratti; indipendenza; legge 0 1 di Kolmogorov; lemmi di
Borel-Cantelli; convergenza quasi certa; disuguaglianze di convessit;
convergenza in probabilit; leggi dei grandi numeri; funzioni caratteristiche; convergenza in legge; aspettazione condizionale; martingale e
convergenza di martingale. Si vedano i testi: [1] e [2].
I NDICE
1. Richiami di teoria della misura
1.1. Spazio misurabile e misura
1.2. Funzioni misurabili
2. Variabili aleatorie
2.1. Esistenza di una v.a. con funzione di ripartizione data
2.2. -algebra generata e misurabilit
2.3. Indipendenza
2.4. Secondo Lemma di Borel-Cantelli
2.5. Borel-Cantelli e convergenza q.c.
2.6. La -algebra coda
3. Integrazione Astratta
3.1. Funzioni misurabili, teoremi di convergenza
3.2. Funzioni Integrabili
3.3. Misura assolutamente continua
4. Spazi L1 (, F, P) e L1 (, F, P)
4.1. Disuguaglianze di Markov e Jensen
4.2. Lo spazio Lp (, F, P)
4.3. Lo spazio Lp (, F, P)
4.4. Lo spazio L2 (, F, P)
5. Concetti di Convergenza
5.1. Leggi dei grandi numeri
5.2. Il Teorema di Approssimazione di Weierstrass
5.3. Convergenza in Distribuzione
6. Misure Prodotto
6.1. Misure prodotto e Teorema di Fubini
6.2. Leggi Congiunte
1
2
4
8
10
11
12
14
16
16
18
20
21
24
25
27
28
29
30
31
34
38
40
41
44
45
47
FABIO DURASTANTE
49
51
51
54
55
57
57
61
64
67
68
69
72
74
76
78
80
81
83
84
86
COMPLEMENTI DI PROBABILIT
nI
Siano F1 ,F2 -algebre allora F1 F2 non in generale una -algebra. Come controesempio consideriamo A, B S con B 6= A e siano F1 = {, A, Ac , S}
e F2 = {, B, Bc , S}, allora A B
/ F1 F2 .
Proposizione 2. Sia (F )T con T qualunque famiglia di -algebre allora si ha
che: T F una -algebra.
Dimostrazione. Verifichiamo la definizione:
T
(1) F T allora T F .
T
T
(2) A T F A F T Ac F T Ac T F .
S
(3) Sia (An )n1 T F (An )n1 F T n1 An F
S
T n1 An T F .
Esempio 2. Sia = {Ci }iI , con I finito o numerabile, una partizione di S.
Sia ora:
[
(1.2)
F = AS : A=
Ci , I A I
iIA
dove C = {F algebra che contiente C}, questo ha senso poich per linclusione () si ha che (C) C , mentre se () fosse falsa sarebbe violata la
minimalit di (C).
Esempio 3. Consideriamo lesempio gi fatto per A S abbiamo che (A) =
{, A, AC , S}.
FABIO DURASTANTE
B(S) = ()
COMPLEMENTI DI PROBABILIT
F = {s S : S(s) falsa}
1 2 su 1 2 su ()
1 2 su 1 2 su ()
FABIO DURASTANTE
Ak =
(Ak )
(Ai Aj ) + . . . + (1)n1
k=1
k: kn
i,j:i<jn
n
\
!
Ak
k=1
n1
Definizione 14. (An )n1 si dice che cresce ad A con A = n1 An se
An An+1 , si scrive An A.
Definizione 15. (Bn )n1 si dice che decresce a B con B = n1 Bn se
Bn Bn+1 , si scrive Bn B.
Proposizione 4. Se una misura finita allora si ha che:
(1) An A (An ) (A), ovvero (A) = limn (An ).
(2) Bn B (Bn ) (B), ovvero (B) = limn (Bn ).
Dimostrazione. Dimostriamo entrambi i punti:
0
(1) Sia AS
n1 allora:
n = An \ AS
Snk=1 Ak0 = Snk=1 Ak = An
k1 Ak0 = k1 Ak
allora abbiamo che:
!
+
n
[
X
X
0
0
(A) =
Ak =
(Ak ) = lim
(Ak0 ) =
k=1
(1.9)
= lim
n
n+
k=1
n
[
k=1
k=1
!
Ak0
= lim (An )
n
n+
n+
COMPLEMENTI DI PROBABILIT
n1 kn
n+ kn
(2)
n1 kn
n+ kn
n+
n+
n+
\ [
lim sup En =
Ek =
(1.11)
n1
kn
={ | n 1 n()
n : En()
}=
={ En i.o.}
[ \
lim inf En =
Ek =
n+
(1.12)
n1
kn
={ | n()
: Ek k n()}
=
={ En def.te }
n+
(1.14)
En
z}|{
= lim inf P kn Ek lim inf P(En )
n+
n+
FABIO DURASTANTE
Lemma 4 (Fatou inverso, Insiemi). Sia (, F, P) uno spazio di probabilit e sia
(En )n1 F, con (En ) < def.te, allora:
(1.15)
P lim sup En lim sup P(En )
n+
n+
n+
n+
Lemma 5 (Borel-Cantelli I). Sia
P (, F, P) uno spazio di probabilit e sia data la
successione (En )n1 F, con n1 (En ) < , allora:
(1.17)
P lim sup En = P(En i.o.) = 0
n+
n+
n+
kn
1.2. Funzioni misurabili.
Definizione 17 (Funzione Misurabile). Siano (S, S),(E, E) spazi misurabili,
allora una funzione f : (S, S) (E, E) si dice misurabile se A E
f1 (A) S. A livello di notazione: f1 (A) = {f A} = {i S : f(i) A}.
Osservazione 2. La misurabilit strettamente legata alle -algebre. Se f :
(S, S) (E, E) misurabile, allora date E 0 E e S 0 S -algebre, si ha
che f : (S, S 0 ) (E, E 0 ) ancora misurabile.
Definizione 18 (-algebra generata). Sia f : (S, S) (E, E) misurabile. Si
dice -algebra generata da f, si indica (f), la pi piccola -algebra su S che
rende f misurabile. Cio se f : (S, Sf ) (E, E) misurabile allora (f) Sf .
Proposizione 6. (f) = {f1 (A), A E} := Sf
Dimostrazione. Mostriamo la doppia inclusione,
: Se, per assurdo, esistesse A E tale che f1 (A)
/ (f) allora f non
sarebbe misurabile.
: Mostriamo che Sf una -algebra:
= f1 () Sf .
Sia A Sf A = f1 (B) Ac = f1 (B)c = f1 (Bc ) Sf .
COMPLEMENTI DI PROBABILIT
(1.19)
(f) = f1 (c) : c C
= f1 (C)
infatti, f1 (C) Sf = (f) e se A (f) allora A = f1 (B) = f1 (B(c
C)) = B(f1 (c C)) Sf = (f).
Esempio 7. Sia f : (S, S) (E, E) misurabile. Se f costante allora (f) =
{, f1 (c) = S}. Inoltre se E contiene i singleton e (f) = {, S} allora f
costante, infatti se per assurdo non lo fosse s1 , s2 S tali che f(s1 ) 6= f(s2 )
f1 (f(s1 )), f1 (f(s2 )) (f), che assurdo.
Esempio 8. Sia f : (R, B(R)) (R, B(R)) e sia f = 1A con A R. Allora f
misurabile A B(R). Inoltre (f) = {, A, Ac , R}.
Proposizione 7. f, g : (S, S) (E, E) misurabili, h : (E, E) (E, E) misurabile. Allora se f = h g (f) (g), inoltre se g = k f allora
(g) = (f).
Dimostrazione. Sia A (f) A = f1 (B E) = g1 (h1 (B) E)
(g).
Proposizione 8 (Criterio di Misurabilit). Siano (S, S),(E, E) spazi misurabili
e C classe di generatori di E, cio (C) = E, allora:
(1.20)
f misurabile f1 (c) S c C
10
FABIO DURASTANTE
n1
COMPLEMENTI DI PROBABILIT
11
Definizione 21 (Funzione di Ripartizione). Si definisce funzione di ripartizione di una variabile aleatoria X la funzione FX : R [0, 1] che mappa
x 7 X ((, x]) = P({X x}).
Osservazione 5. Data una v.a. X la sua legge univocamente determinata dal
valore assunto sulle semirette, ovvero dalla sua funzione di ripartizione.
Proposizione 13. Data una v.a. X la sua funzione di ripartizione FX tale che:
(1) FX non decrescente.
(2) limx+ FX (x) = 1.
(3) limx FX (x) = 0.
(4) FX continua a destra.
Dimostrazione. Mostriamo in ordine le propriet:
(1) Sia x y FX (x) = P({X x}) P({X y}) = FX (y).
(2) Sia An = {x tn } con tn + allora n1 An = A = {x R}
dunque: limx+ FX (x) = limn+ FX (tn ) = limn+ P(An ) =
P(A) = 1.
(3) Analogo al caso precedente.
(4) Sia tn x, An = {x tn }, A = n1 {X tn } = {X x}, allora
An A e limtx+ Fx (t) = limn+ P(An ) = P(A) = FX (x).
Osservazione 6. Osserviamo che:
(2.2)
tx
12
FABIO DURASTANTE
Teorema 2 (Skorohod). Si pu sempre trovare una v.a. con funzione di ripartizione assegnata FX su ([0, 1], B([0, 1])).
Dimostrazione. Riduciamoci prima al caso in cui la funzione FX strettamente crescente e continua. Basta prendere X(w)
= F1
X (). Se FX ha
delle
discontinuit di salto allora tale che
xx
xx
kA
COMPLEMENTI DI PROBABILIT
13
((X ) ) = (A)
Lesistenza del limite non garantita dalla crescenza, poich fn crescente solo su
Im(Y).
14
FABIO DURASTANTE
2.3. Indipendenza.
Definizione 25 (Indipendenza -algebre). Sia (, F, P) uno spazio di probabilit. Sia (Gn )n1 F una famiglia di -algebre. Le (Gn )n1 sono
indipendenti,
, se e solo se n N per i1 , . . . , in distinti ed interi si
ha:
(2.10)
Definizione 26 (Indipendenza di v.a.). Sia (Xn )n1 v.a. su (, F, P) spazio di probabilit si dicono indipendenti se la famiglia ((Xn ))n1 di
-algebre indipendenti.
Definizione 27 (Indipendenza di eventi). Data una successione di eventi
(En )n1 F, questi sono indipendenti se sono indipendenti le -algebre
generate ((En ))n1 .
Osservazione 10. (En )n1 F (1En )n1 , infatti (En ) = (1En ) =
{, En , Ecn , }.
Proposizione 15. Siano (, F, P) spazio di probabilit, I1 , . . . , Im -system
contenenti e G1 = (I1 ), . . . , Gm = (Im ), allora:
P(G1 . . . Gm ) =
m
Y
P(Gl ) Gl Gl
l=1
(2.11)
{i1 , . . . , ik } 1, . . . , m
k m
Qk
P(Ji1 . . . Jik ) = l=1 P(Jil ) Jil Iil
G
rispettivamente.
Allora
^
i
1
1
1
1 sono
i=2
due misure finite su G1 e coincidono sul -system I1 , dunque per
il Teorema di Estesione di Charateodory (thm. 1) si ha che queste
coincidono su G1 . Dunque:
(2.12)
G1 G1 , J2 I2 , . . . , Jm Im P(G1 (m
i=2 Ji )) = P(G1 )
m
Y
P(Ji )
i=2
COMPLEMENTI DI PROBABILIT
15
(I1 ), . . . , (Im ) P (m
i=1 Ji ) =
m
Y
P(Ji ) Ji Ii
j=1
(2.14)
j=1
La nuova definizione implica direttamente questa, mentre per il viceversa basta osservare che {En }n1 un -system che genera (En ) e dunque, a meno di aggiungere una copia di al -system, si pu applicare la
proposizione precedente per ottenere lequivalenza.
Definizione 29 (Old). Gli elementi della successione (Xn )n1 sono v.a. indipendenti se n N {i1 , . . . , in } N distinti:
(2.15)
nj=1 {Xij
xij } =
n
Y
P {Xij xij }
j=1
La nuova definizione implica direttamente questa, mentre per il viceversa basta osservare che {Xn x} x R un -system che genera (Xi ),
dunque, a meno di aggiungere una copia di al -system, si pu applicare
la proposizione precedente per ottenere lequivalenza.
Osservazione 11. Osserviamo che:
(2.16)
(Xn )n1
k N P
ki=1 {Xi
xi } =
k
Y
P ({Xi xi })
i=1
x
}
=
lim
P
{X
x
}
{
{X
k}}
=
i
i
i
i
j
jI
/
j=1
j=1
j
j
j
j
k+
= lim
k+
N
Y
N
Y
P({Xij xij })
N
Y
j=1
Y
jI
/
j=1
P({Xij xij })
P(Xj k) =
jI
/
j=1
P({Xij xij })
P(Xj ) =
16
FABIO DURASTANTE
(2.17)
{X1
n (A), A B(R)} = (Xn )
c
si ha che:
(2.20) P (mn Ecm ) =
P(Ecm ) =
mn
(1pm )
mn
epm = e
P
mn
pm
mn
dunque:
P lim inf Ecn =P (n1 mn Ecm ) = lim P(mn Ecm )
(2.21)
lim e
n+
n+
mn pm
=0
Se e solo se:
(2.23) N F : P(N) = 0 t.c. \ N lim sup Xn () = X() < +
n+
P lim inf{Xn < X + } = 1
n+
P lim sup Xn = X = 1 > 0
n+
COMPLEMENTI DI PROBABILIT
17
e P lim inf{Xn < X + } = 1 P lim sup{Xn X + } = 0.
n+
n+
n+
n+
P lim inf{Xn < X + } lim sup{Xn > X }
n+
n+
(2.24)
P lim inf{Xn < X + } 1
n+
P lim sup{Xn > X } 1
n+
ovvero la tesi.
(): Mostriamo laltra implicazione:
P lim sup Xn = X =
n+
!
P
(2.25)
\
lim inf{Xn < X + } lim sup{Xn > X }
>0
n+
n+
1
lim sup Xn > X
P
lim inf Xn < X +
n+
N
n+
N=1
1
= lim P lim inf Xn < X +
lim sup Xn > X
n+
N
N
n+
+
\
1
N
1
N
!
=
=1
P
lim
inf
{X
>
X
}
=1
n
n+
P lim inf Xn = X = 1 > 0
n+
e P lim inf{Xn > X } = 1 P lim sup{Xn X } = 0.
n+
n+
n+
18
FABIO DURASTANTE
(2.26)
n0
sup Xn x
(2.29)
nm
nm
{Xn x} m1
nm
n1 kN
nN+1 kn
n1 kN
nN+1 kn
COMPLEMENTI DI PROBABILIT
19
k=1
Teorema 8 (Legge 0-1 di Kolmogorov). Siano (Xn )n1 v.a. reali allora:
(1) La -algebra coda PP-triviale, cio:
A P(A) {0, 1}
(2.32)
P({ = c}) = 1
n = (Xi , i > n)
n = (Xi , i = 1, . . . , n)
= (Xi , i 1)
allora si ha che:
n
n , infatti i -system:
(2.35)
(2.36)
(2.37)
20
FABIO DURASTANTE
3. I NTEGRAZIONE A STRATTA
Definizione 32. Sia (S, , ) uno spazio di misura, si definiscono:
m :={f : (S, ) (R, B(R)), misurabile}
(3.1)
(m)+ :={f m | f 0}
(3.2)
(3.3)
Definizione 33 (Funzioni Semplici). Una funzione f (m)+ si dice semplice se n N a1 , . . . , an [0, +] ed A1 , . . . , An tali che:
(3.4)
f(x) =
n
X
ai 1Ai (x)
k=1
k=1
R
f (SF)+ , A tale che (A) = 0 RA fd = 0.
R
Siano f, g (SF)+ con (f 6= g) R= 0 SRfd = S gd.
Siano f, g (SF)+ con f g S fd S gd.
Siano , R+ , f, g (SF)+ allora:
Z
Z
Z
(f + g)d = fd + gd
S
(5) Sia f
(SF)+
tale che
S
S fd
COMPLEMENTI DI PROBABILIT
21
P
(2) Sia BP= {f 6= g}, allora (B) = 0, dunque f = nk=1 k 1Ak + 1B e
g = nk=1 k 1Ak + 1B , quindi:
Z
Z
n
n
X
X
(3.8)
fd =
k (Ak ) + (B) =
k (Ak ) + (B) = gd
S
k=1
k=1
k,j=1
k,j=1
(3.10)
=
k,j=1
n,m
X
k,j=1
(f + g)d
S
k,j=1
R
Pn
) = 0 (Ak ) =
(5) f =
k=1 k (A
k=1 k 1Ak , quindi S fd =
Pk
0 k t.c. k 6= 0 ({f > 0}) = k 6=0 Ak k 6=0 (Ak ) = 0.
Pn
22
FABIO DURASTANTE
(3) Si ha che {f > 0} = n1 {f > 1/n}, sia, per assurdo ({f > 0}) > 0,
allora n tale che ({f > 1/n})
> 0:
Z
Z
1
fd f1{f>1/n} d ({f > 1/n})
>0
(3.15)
n
S
S
lassurdo cercato.
Teorema 9 (Convergenza Monotona).
Sia (S,
R , ) spazio di misura, siano
R
fn , f (m)+ tali che fn f, allora: S fn d S fd.
Osservazione 16. Sia f (mF)+ , definiamo la funzione:
x=0
0
n
i1
i
i1
n
(3.16)
(x) =
n
2n < x 2n i = 1, . . . , n2
2
n
x>n
allora:
fn (x) = (n f) (x)
(3.17)
sono tali che (fn )n1 (SF)+ e fRn f q.c.,Rquindi per il Teorema di Convergenza Monotona (thm. 9) si ha S fn d S fd.
Proposizione 20. Sia (S, , ) spazio di misura,
R
R
(1) Siano f, g (m)+ con ({f 6= g}) = 0 S fd = S gd.
(2) Siano , R+ , f, g (m)+ allora:
Z
Z
Z
(3.18)
(f + g)d = fd + gd
S
COMPLEMENTI DI PROBABILIT
23
n+ S
Osservazione 17. Se la misura
R di Lebesgue ed f una funzione integrabile secondo Riemann allora S P
fd lintegrale
P di Riemann. Se una
combinazione lineare di : = k1 k {xk } e k1 k = 1, allora:
Z
X
(3.20)
fd =
k f(xk )
S
k1
n+
dunque:
Z
Z
gn d inf
(3.23)
S
e allora:
kn S
fk d
(3.24)
gd = lim
S
n+ S
gn d lim inf
n+ kn S
fk d = lim inf
n+
fn d
S
Lemma 9 (Lemma
di Fatou Inverso). Sia (fn )n1 (m)+ , g (m)+ tale
R
che fn g e S gd , allora:
Z
Z
(3.25)
lim sup fn d lim sup fn d
S n+
n+
24
FABIO DURASTANTE
cio se:
Z
|f|d =
(3.27)
(f+ + f )d < +
R
R
Osservazione 18. f L1 (S, , ) si ha che S fd S |f|d.
Proposizione 21. Siano f, g L1 (S, , ), , R, allora:
1
(1) f
R + g L (S, , )
R
R
(2) S (f + g)d = S fd + S gd
Dimostrazione. Dimostriamo in primo luogo che f + g L1 (S, , ), si ha
che:
Z
Z
Z
(3.29)
|f + g|d || |f|d + || |g|d <
S
chiamiamo
che h+ + f R+ g = hR+ g+ + f+
R abbiamo
R + h= f + g, per cui
+
+
+
S f d S f d + S g d S g d S hd = S fd + S gd. Per
0 abbiamo che:
(3.30)
Z
Z
Z
Z
Z
Z
+
fd = f d f d =
f d f d = fd
S
Per = 1:
(3.31)
Z
+
f d
S
fd =
S
f d =
S
fd
S
Teorema 11 (Convergenza Dominata). Siano (fn )n1 m, f m e sia:
(1) lim fn (s) = f(s) s S.
n+
Z
lim fn d =
n+
fd
S
COMPLEMENTI DI PROBABILIT
25
R
Dimostrazione. Osserviamo che |fn f| 2g e S 2gd < +, dunque per
il Lemma di Fatou Inverso (lem. 9) abbiamo che:
Z
Z
Z
(3.33)
0 = 0d = lim sup |fn f|d lim sup |fn f|d 0
S
quindi limn+
(3.34)
S n+
n+
S |fn
f|d = 0 e:
Z
Z
Z
fn d fd |fn f|d = 0
S
= 0 A ({f 6= 0}) = 0.
R
R
Dimostrazione. Osserviamo che: {f > 0} {f>0} fd = S f1{f>0} d = 0
f1{f>0} > 0 = 0 dunque ({f > 0}) = 0. Inoltre, {f < 0}
R
R
f1{f<0} > 0 = ({f < 0}) = 0 e
{f<0} fd = S f1{f<0} d = 0
quindi abbiamo la tesi ({f 6= 0}) = ({f < 0}) + ({f > 0}) = 0.
Proposizione 22. Sia f L1 (S, , ) e
A fd
Z
Z X
Z
[
S
f
An = S
fd = f1 n1 An d =
f1An d =
n1
(3.36)
n1
An
Z
(thm. 9) =
=
lim
N
X
S N+ n1
XZ
n1 An
S n1
N Z
X
f1An d = lim
fd =
N+
f1An d =
n1 S
f (An )
n1
Mostriamo ora la seconda parte della proposizione, mostriamola per funzioni semplici. Per linearit ci basta mostrare per g = 1B con B :
Z
Z
Z
Z
Z
(3.37)
gdf = 1B df = f (B) = fd = f1B d = fgd
S
(SF)+ ,
dunque vero g
applicando il Teorema di Convergenza Monotona (thm. 9) si ha che g (m)+ .
26
FABIO DURASTANTE
Definizione 39. Sia = f con f (m)+ allora si dice che ha densit
rispetto a e scriviamo d
d = f
Definizione 40 (Assoluta Continuit). Siano , misure su (S, ) allora
assolutamente continua rispetto a , si scrive << , se e solo se:
(3.39)
F : (F) = 0 (F) = 0
COMPLEMENTI DI PROBABILIT
27
Definizione 41. La densit che gi si conosceva detta densit di RadonNycodim rispetto alla misura di Lebesgue.
4. S PAZI L1 (, F, P) E L1 (, F, P)
Definizione 42. Sia X L1 (, F, P) v.a. allora si dice media di X:
Z
X()dP()
(4.1)
E[X] =
(4.2)
Per linearit estendiamo il risultato alle funzioni semplici (SF)+ , per la convergenza monotona possiamo estendere il risultato a (m)+ , con h+ ed h
lo estendiamo a tutte le funzioni misurabili m.
Osservazione 22. Il risultato che abbiamo appena visto ci permette di trovare
la classica definizione di media di una variabile aleatoria. Infatti se X una
v.a. assolutamente continua con densit f, allora abbiamo che X ammette
media se:
Z
Z
(4.3)
|x|f(x)dx = |x|dX (x) < +
R
R
R
R
R
e E[X] = R xf(x)dx = R xdX x = X()dP(). Invece se X una v.a.
discreta si ha che X ammette media se:
X
(4.4)
|x|f(x) < +
e E[X] =
xR xf(x)
xR
R xdX (x) =
X()dP().
(4.5)
28
FABIO DURASTANTE
Lemma di Fatou: E lim inf Xn lim inf E [Xn ].
n+
n+
< Y L1 (, F, P)
e si ha che:
(4.6)
n+
n+
n+
n+
X
X
(4.8)
E
Zk
E[Zk ] < +
k1
k1
dunque
(4.9)
Zk < + = 1
k1
quindi:
(4.10)
lim Zk = 0 = 1
k+
perch {limk+ Zk = 0} {
R
(4) Se F F E[X1F ] = F XdP.
k1 Zk
< +}.
E[g(Z)] g(c)P(Z c) c R
Dimostrazione. Fissato un c R:
E[g(Z)] =E g(Z)1{Z<c} + E g(Z)1{Zc} E g(Z)1{Zc}
(4.12)
g(c)E 1{Zc} = g(x)P(Z c)
COMPLEMENTI DI PROBABILIT
29
(4.13)
Se R+ , Y (mF)+ allora:
h i
(4.14)
E eY ec P(Y c)
Teorema 15 (Disuguaglianza di Jensen). Sia G un intervallo di R ed f : G R
convessa, dunque continua perch convessa su di un intervallo, allora se X
L1 (, F, R) con P(X G) = 1 e f(X) L1 (, F, P) si ha che:
E[f(X)] f(E[X])
(4.15)
X Lr (, F, P) X Lp (, F, P)
Dimostrazione. Sia Xn = (|X| n)p allora (Xn )n0 una successione di v.a.
limitate e tale che Xn |X|p . Consideriamo anche la funzione f(x) = xr/p per
x > 0, questa funzione convessa e positiva, possiamo dunque applicare
la disuguaglianza di Jensen (thm. 15) e ottenere:
(4.19)
30
FABIO DURASTANTE
|X|
+
|Y|
=
(4.21)
n+
COMPLEMENTI DI PROBABILIT
31
X Y X = Y q.c.
Lp (, F, P) = Lp (, F, P)/
n+
Proposizione 32. (Lp (, F, P), || ||p ) uno spazio normato completo, ovvero
uno spazio di Banach.
Proposizione 33 (Convergenza dei Momenti). Siano (Xn )n1 Lp (, F, P)
ed X Lp (, F, P) con Xn X in Lp allora ||Xn ||p ||X||p .
Dimostrazione. Se Xn X in Lp allora, per definizione (def. 47), abbiamo
che: limn+ ||Xn X||p = 0, ma:
(4.28)
(4.29)
4.4. Lo spazio L2 (, F, P). Si ha che L2 (, F, P), oltre ad essere uno spazio di Banach, dunque normato e completo, anche uno spazio di Hilbert,
infatti la norma indotta dal prodotto scalare:
Z
(4.30)
< X, Y >2 = E[XY] =
XYdP X, Y L2 (, F, P)
< , >2 .
32
FABIO DURASTANTE
Dimostrazione. Riconduciamo, come al solito, prima a v.a. limitate ponendo: Xn = |X| n e Yn = |Y| n, allora presi a, b R abbiamo che:
(4.32)
Covarianza
Varianza
COMPLEMENTI DI PROBABILIT
33
(2) X Y Z Z K.
Dimostrazione. Sia = inf ||X Z||2 allora (Yn )n1 K tale che =
zK
n+
Yn ||22
+ ||X
Ym ||22
2
2
1
1
= 2 X (Yn + Ym ) + 2 (Yn Ym )
2
2
2
2
lim
n,m+
||Yn Ym || = 0
(4.46)
quindi:
(4.47)
inf () = ( ) = E[X]
34
FABIO DURASTANTE
E[X2 ] E[X]
H(a, b) = 2
E[X]
1
(4.55)
Cov(X, Y)
p
<1
Var(X) Var(Y)
COMPLEMENTI DI PROBABILIT
35
(5.2)
n+
ovvero se:
> 0
(5.3)
lim P
m+
|Xn X| > = 0
nm
(5.4)
n+
allora Ynk
(5.6)
1
2k
= Xnk X 0 q.c. per il Lemma di Borel-Cantelli I (lem. 5), perch:
X
P (|Ynk | > ) < +
k > 0 nk t.c. P(|Xnk X| > ) <
(5.5)
k1
Proposizione 38. Xn X in probabilit Xnk sotto-successione di Xn ,
Xnkl tale che: Xnkl X q.c. per l +.
Dimostrazione. Dimostriamo le due implicazioni:
(): Poich Xn X in probabilit si ha la tesi dalla proposizione
precedente (pro. 37).
(): Per assurdo, si abbia che Xn 6 X in probabilit, allora:
(5.7)
> 0 t.c.
n+
dunque P(|Xn X| > ) > definitivamente, quindi non possibile estrarre da X una sotto-successione convergente in probabilit,
ovvero non possibile estrarne una che converge quasi certamente.
Corollario 3. Il limite in probabilit unico quasi certamente.
Corollario 4. Si abbia che Xn X in probabilit e sia f una funzione continua,
allora f(Xn ) f(X) in probabilit.
36
FABIO DURASTANTE
Dimostrazione. Data una qualsiasi sotto-successione (f(Xnk ))k1 della successione (f(Xn ))n1 si ha che, poich Xnk X in probabilit, esiste una
sotto-sotto-successione (Xnkl )l1 tale che (Xnkl )l1 X quasi certamente.
Allora (f(Xnkl ))l1 una sotto-sotto-successione di quella di partenza convergente ad f(X) quasi certamente, dunque f(Xn ) f(X) in probabilit per
la proposizione precedente.
Definizione 52. Una successione (Xn )n1 di v.a. si dice di Cauchy in probabilit se e solo se:
(5.8)
> 0 k > 0 :
n+
Proposizione 39. Se (Xn )n1 di Cauchy in probabilit allora X v.a. tale che
Xn X in probabilit.
Dimostrazione. Osserviamo che se (Xn )1 di Cauchy in probabilit allora
esiste una sua sotto-successione (Xnk )k1 di Cauchy q.c.. Sia ora (Xnk )k1
una sottosuccessione di (Xn )n1 , allora essa di Cauchy in probabilit e
dunque ammette unestratta (Xnkl )l1 che lo q.c. e dunque X tale che
Xnkl X q.c., quindi Xn X in probabilit.
Definizione 53. Siano (Xn )n1 ,X Lp , allora si dice che Xn X in Lp se e
solo se:
(5.9)
n+
n+
P(|Xn X| > )
E[|Xn X|p ]
0
p
E[|Xn X|p ] =E[|Xn X|p 1{|Xn X|} ] + E[|Xn X|p 1{|Xn X|>} ]
p + E[(Y + |X|)p 1{|Xn X|>} ] p
COMPLEMENTI DI PROBABILIT
37
(5.12)
infatti:
(5.14)
(5.16)
P(|Xn 0| > ) =
1
0
kn
38
FABIO DURASTANTE
ma:
(5.18)
{|Xn 0| > } = 1 m
nm
!4
n
n
n
X
X
X
E[X2i X2j ]
E[X4i ] +
E[S4n ] =E
Xi =
i<j=1
i=1
i=1
(5.19)
n(n 1)
(thm. 15) nM + 6
M 3Mn2
2
dunque:
" #
X Sn 4
X
X 3M
Sn 4
=
(5.20)
E
E
< +
n
n
n2
n1
n1
n1
da cui si ha che:
(5.21)
X Sn 4
n1
< + q.c
quindi:
(5.22)
Sn
= lim X n = 0 q.c.
n+ n
n+
lim
COMPLEMENTI DI PROBABILIT
39
Teorema 23 (Legge Debole dei Grandi Numeri I). Siano (Xn )n1 v.a. in L2 a
due a due non correlate con 2n = Var(Xn ) tale che supn 2n = < +, allora:
(5.23)
!
n
1 X
(Xk E[Xk ]) > 0 per n +
P
n
k=1
(5.24)
!
P
n
n
1 X
Var n1 nk=1 Zk
1 X
P
Zk >
=
Var(Zk )
n
2
n2 2
k=1
k=1
2 0 per n +
n
Teorema 24 (Legge Forte dei Grandi Numeri di Rajchman). Siano (Xn )n1
v.a. in L2 a due a due non correlate con 2n = Var(Xn ) tale che supn 2n = <
+ e E[Xn ] = n 1, allora: X n q.c.
Dimostrazione. Dimostriamo il risultato, senza perdita di generalit, per
= 0, infatti ci si pu sempre ricondurre a questo caso ponendo Y = X ,
applichiamo la disuguaglianza di Markov (thm. 14):
n
Var(X n2 )
1 X
> )
Var(Xk ) 2 2
=
2
2
4
n
n
2
(5.25)
P(X n2
k=1
dunque X n2 0 q.c.
N n tale che n2 N (n + 1)2 , allora:
SN
|SN Sn2 | + |Sn2 |
|S 2 | Dn
n2 + 2
N
N
n
n
(5.26)
Dn
n2
0 q.c., si ha che:
(n+1)2 1
(5.27)
D2n
sup
n2 N(n+1)2
|SN Sn2 |
2
N=n2
|SN Sn2 |2
40
FABIO DURASTANTE
abbiamo quindi:
(n+1)2 1
(n+1)2 1
E[D2n ]
E[|SN Sn2 | ] =
2
(n+1)2 1
(5.28)
(n+1)2 1 (n+1)2
N
X
N=n2
k=n2 +1
(n+1)2 1
E[|Xn2 +1 + + XN |2 ] =
N=n2
N=n2
Var(Xk )
N=n2
k=n2 +1
Var(Xk )
(n + 1)2 (n2 + 1) =
N=n2
(n+1)2 1
2n 4n2
N=n2
e quindi:
(5.29)
Dn
1
4
Dn
> 2 4 E[D2n ] 2 2 2 0 q.c.
2
n
n
n
n
n
n
1 X
2X n X
n 2
Xk
Xk +
X =
n1
n1
n1 n
k=1
(5.31)
=
1
n1
n
X
k=1
k=1
X2k
n 2
X E[X21 ]
| {z }
n1 n
thm. 25
E[X1 ]2
| {z }
= 2
thm. 25 o thm. 24
n
4 n
COMPLEMENTI DI PROBABILIT
41
(5.33)
x(0,1)
Sn
:
B
(p)
n
n
Sn
(5.35)
|Bn (p) f(p)| |E f
Bn (p) | E[Yn ]
n
e allora, se Snn p < Yn < 2 :
i
h
E[Yn ] =E Yn 1{| Sn p|<} + E[Yn 1{| Sn p|} ]
n
n
Sn
= + 2 max |f| P
p
2
n
x[0,1]
(5.36)
| {z }
allora, detto Yn = f
=M
Var Snn
+ 2M
2
2
2M 1
+ 4
< def.te
2
4n2
n+
Teorema 27 (Skohorod). Siano (n )n1 , misure su ((0, 1), B((0, 1)), Leb) con
n per n +. Allora (Xn )n1 , X v.a. su ((0, 1), B((0, 1)), Leb) tali
che le leggi di Xn sono n , la legge di X e Xn X q.c.
42
FABIO DURASTANTE
Dimostrazione. Siano:
(5.39)
(5.40)
Xn () = inf{x : Fn () }
X() = inf x : F(x)
allora:
(5.41)
(5.42)
{X() x} = {F(x) }
F(x) <
quindi si ha che:
(5.46)
x < Xn () n n
cio:
(5.47)
e, per 0:
(5.48)
Teorema 28. Le seguenti affermazioni sono equivalenti:
(1)
R n in Rdistribuzione.
(2) fdn fd f Cb (R).
(3) n (A) (A) A B(R) t.c. (A) = 0.
Dimostrazione. Mostriamo le implicazioni:
R
R
(1 2): Osserviamo che: fdn fd f limitata tale che Df :=
{x : f non continua in x} e (Df ) = 0, siano (Yn )n1 le variabili
aleatorie associate alle misure n garantite dal Teorema di Skohorod
COMPLEMENTI DI PROBABILIT
43
(thm. 27), allora abbiamo che f(Yn ) f(Y) q.c., dunque possiamo
applicare il Teorema di Convergenza Dominata ed ottenere:
Z
Z
(5.50)
fdn = E[f(Yn )] E[f(Y)] = fd
(1 3): Basta applicare lo stesso ragionamento del punto precedente
fissando f = 1A .
(3 1): Se si pone A = (, x] si ha il risultato dalla definizione.
(2 1): Siano x < y e sia:
x < x
1
xy
x < xy
(5.51)
f(x) =
x y
0
x > y
allora:
Z
Fn (x) fdn Fn (y)
(5.52)
e:
F(x) fd F(y)
(5.53)
dunque:
(5.54)
n+
infine se y x + :
lim sup Fn (x) F(x+ ) = F(x)
(5.55)
n+
inoltre:
(5.56)
n+
dunque per x y :
(5.57)
Proposizione 43. Siano (Xn )n1 , X v.a. tali che Xn X in probabilit
Xn X in distribuzione.
44
FABIO DURASTANTE
Dimostrazione. Si ha che:
{Xn x} ={Xn x, X Xn } {Xn x, X Xn > }
(5.59)
{X x + } {X Xn > }
{Xn > x} ={Xn > x, X Xn > } {Xn > x, X Xn }
(5.60)
{X x } {Xn X > }
dunque:
(5.61)
cio:
(5.62)
Definizione 56 (-algebra prodotto). Siano (S1 , 1 ) e (S2 , 2 ) spazi misurabili, detto S = S1 S2 definiamo la -algebra prodotto, a partire da:
(6.1)
1 : S S1
(s1 , s2 ) 7 s1
2 : S S2
(s1 , s2 ) 7 s2
come = (1 , 2 ).
Osservazione 29. Si ha che:
(6.2)
= ({A1 S1 , A1 1 } {S1 A2 , A2 2 })
Inoltre tale definizione si pu estendere facilmente al prodotto di un numero finito di spazi misurabili.
Osservazione 30. Un -system che genera :
(6.3)
I = {A1 A2 | A1 1 , A2 2 }
X = (X1 , . . . , Xn ) : (, F) (E1 En , )
COMPLEMENTI DI PROBABILIT
45
X (B1 . . . Bn ) =
(6.5)
n
\
X1
k (Bk ) F
k=1
1
X1
i (Bi ) = X (E1 . . . Bi . . . En ) F
6.1. Misure prodotto e Teorema di Fubini. Ci restringiamo al caso di i
misure finite su (Si , i ).
Definizione 57. Dato lo spazio misurabile (S, ) definiamo:
(6.7)
f1 (s1 ) =f(s1 , s2 )
s2 S2
(6.9)
f2 (s2 ) =f(s1 , s2 )
s1 S1
allora f1 b1 e f2 b2 .
Dimostrazione. Sia H b la famiglia delle funzioni che soddisfano la tesi,
allora:
(1) H uno spazio vettoriale.
(2) 1 H.
(3) Se (fn )n1 H ed fn f allora f H
Inoltre se A I si ha che 1A H, perch se A I allora A = B1 B2 e:
0
s2 6 B2
b
(6.10)
f1 (s1 ) = 1A (s1 , s2 ) =
1B1 (s1 ) s2 B2
analogamente si mostra che f2 (s2 ) b2 . La conclusione deriva quindi dal
Teorema delle Classi Monotone (thm. 3).
Definizione 58. Data f b si definisce:
Z
f
(6.11)
I1 (s1 ) =
f(s1 , s2 )d2 (s2 )
S2
Z
f
I2 (s2 ) =
(6.12)
f(s1 , s2 )d1 (s1 )
S1
46
e:
FABIO DURASTANTE
Z
If1 (s1 )d1 (s1 )
(6.13)
=
S2
S1
S1
Definizione 59 (Misura prodotto). Definiamo la misura prodotto sullo spazio misurabile (S = S1 S2 , = 1 2 ) come:
Z
Z
I11F (s1 )d1 (s1 ) F
(6.15)
(F) =
I12F (s2 )d2 (s2 ) =
S1
S2
S1
COMPLEMENTI DI PROBABILIT
47
(6.19)
(6.23)
dunque:
Z Z +
E[X] =
XdP) =
Z +
(6.26)
Z + Z
dxdP =
1[0,X() xdPdx =
0
P({X x})dx
=
0
Qn
i=1 B(R).
48
FABIO DURASTANTE
e allora: fX,Y =
dX,Y
d Leb .
e la densit di X :
(6.31)
fX (x) =
analogamente si fa per Y.
k=1
n
X
ck X,Y (Ak ) =
k=1
Z
=
Z X
n
R k=1
k=1
COMPLEMENTI DI PROBABILIT
49
sia ora f (mB(R2 ))+ , allora, per il Teorema di Convergenza Monotona (thm.
9), si ha che:
E[f(X, Y)] = lim E[sn (X, Y)] = lim sn (x, y)dX,Y (x, y) =
n+
n+
Z
f(x, y)dX,Y (x, y)
=
(6.35)
R2
R2
R2
(6.37)
(6.38)
e:
(6.40)
Z
Z
X,Y (A) =X (A1 )Y (A2 ) =
fX (x)dx
fY (y)dy =
A1
A2
Z
= fX (x)fY (y)dxdy
A
50
FABIO DURASTANTE
(): Banale.
Proposizione 51. Siano X1 , . . . , Xn v.a. su (, F, P), allora, se fi 0:
E[f1 (X1 ) . . . fn (Xn )] =
(6.41)
n
Y
E[fi (Xi )]
i=1
(6.42)
Z
=
Rn i=1
n
Y
fi (Xi )
n
Y
Rn i=1
n
Y
i=1
d(xi ) =
n Z
Y
i=1 R
E[fi (xi )]
i=1
Corollario 5. La proposizione precedente vale anche se le fi sono solo integrabili.
Proposizione 52. Siano X, Y v.a. di legge X e Y rispettivamente, allora
X + Y ha legge X Y .
Dimostrazione. Sia A B(R):
(6.43)
Osservazione 36. Se, nelle ipotesi della proposizione precedente, si ha anche
X
che X assolutamente continua con: fX = dd
Leb allora:
Z Z
(6.44)
P(X + Y A) =
fX (x y)dY (y) dx
A
COMPLEMENTI DI PROBABILIT
51
7. F UNZIONI C ARATTERISTICHE
Definizione 62 (Funzione Caratteristica). Sia X una variabile aleatoria a
valori in (Rm , B(Rm )), si dice funzione caratteristica di X, la funzione X :
Rm C con:
h
i
i<,X>
(7.1)
X () = E e
= E[cos < , X >] + iE[sin < , X >]
Osservazione 37. Osserviamo che:
(1) X () definita
Rm e |X ()| 1.
R
(2) X () = Rm ei<,X> d(x) con legge di X.
da cui abbiamo che v.a. con la stessa legge posseggono la stessa funzione
caratteristica.
Proposizione 53. Si ha che:
(1) X (0) = 1.
(2) X () = X ().
(3) Se la legge di X simmetrica, ovvero X X, allora X reale.
(4) Sia Y = AX + b con A Rpm , b Rp allora Y una v.a. a valori in Rp
e:
Y () = ei<,b> X (At )
(7.2)
Z () = X ()Y ()
h
i
h
i
Z () =E ei<,X+Y> = E ei<,X> ei<,Y> =
h
i h
i
=E ei<,X> E ei<,Y> = X ()Y ()
52
FABIO DURASTANTE
allora:
(7.10)
Z
f(t, x)d(x) =
f(t, x)
d(x)
t
eiX
(7.12)
eiX dP =
dP = (iX)eiX dP
COMPLEMENTI DI PROBABILIT
53
E[Xk ] = X ()|=0
(7.13)
1
X () =X (0) + X0 (0) + X00 (0)2 + o(2 )
2
1
X () =X (0) X0 (0) + X00 (0)2 + o(2 )
2
dunque:
(7.16)
quindi:
X () + X () 2X (0)
= 00 (0)
0
2
(7.17)
lim
inoltre si ha che:
(7.18)
e:
(7.19)
2(cos(X) 1)
2(1 cos(X))
E
= E
2
2
inoltre:
2(1 cos(X))
X2 q.c.
2
(7.20)
e:
2(1 cos(X))
0 q.c.
2
(7.21)
(7.23)
(k)
(k)
X () + X () 2X (0)
k+2 (0) q.c.
2
54
FABIO DURASTANTE
e:
(k)
(k)
(k)
X () + X () 2X (0) E (iX)k eiX + (iX)k eiX 2(iX)k
=
=
2
2
(cos(X) 1)
=E 2(iX)k
=
2
(1 cos(X))
= i k E Xk
2
e quindi: 0 E[|X|k+2 ] ik k+2 (0) = k+2 (0).
X1 , . . . , Xm
(X1 ,...,Xm ) () =
m
Y
Xj (j )
j=1
(7.26)
=
m
Y
Xj (j )
j=1
(X1 ,...,Xm ) () =
m
Y
j=1
Xj (j ) =
m
Y
Uj (j ) = (U1 ,...,Um ) ()
j=1
COMPLEMENTI DI PROBABILIT
55
(7.31)
|x|2
1
e 2
m/2
(2)
e:
(7.32)
X () =
m
Y
Xj (j ) = e 2 ||
1
j=1
h
i
1
t
Y () = E ei<,AX+z = ei<,z> X (At ) = ei<,z> e 2 <,AA
ci,j = Cov(Yi , Yj )
() = ei<,z> e 2 <,C>
56
FABIO DURASTANTE
Dimostrazione. Basta provare che esiste A Rmm tale che AAt = C, possiamo fare di pi prendendo in realt A simmetrica, prendendo A radice
quadrata di C. Se C diagonale con elementi non nulli 1 , . . . , m si prende:
..
(7.36)
A=
m
se non diagonale
diagonalizzabile, cio O Rmm tale che C = Ot O
e si prende A = Ot 0 con diagonale.
Proposizione 59. Se C invertibile Y Nm (z, C) la densit :
1
(7.37)
fY (y) =
fX A1 (y z)
| det A|
con fX densit di una Nm (0, I).
Dimostrazione. Si ha che:
fY (y) =fX (1 (y))|D1 (y)| =
(7.38)
=
e 2 <C
1
fX (A1 (y z)) =
| det A|
1 (yz),(yz)>
con (x) = Ax + z.
Y = AX + b
=ei<,b> ei<A
t ,z>
e 2 <CA
t ,At >
12 <ACAt ,>
=ei<,Az+b> e
Proposizione 61. La marginali di una gaussiana multivariata sono gaussiane.
Dimostrazione. Sia = (1 , 0, . . . , 0) allora:
(7.41)
X1 (1 ) = X () = ei1 z1 e 2 1 c1,1
COMPLEMENTI DI PROBABILIT
57
Pm
j=1
j zj 21
Pm
j=1
j cjj
m
Y
eij zj e 2 j cjj =
j=1
(7.42)
=
m
Y
Xj (j )
j=1
8. C ONVERGENZA IN Rd
Riscriviamo in questo caso le definizioni per le convergenze gi viste:
Definizione 65. Siano X, (Xn )n1 v.a. in (Rd , B(Rd )) allora:
(1) Xn X in probabilit se e solo se:
> 0 lim P(||Xn X|| > ) = 0
(8.1)
n+
(3) Xn X in
Lp
se e solo se:
lim E[||Xn X||p ] = 0
(8.3)
n+
Xn X in Lp Xn X in probabilit
(8.5)
Xn X q.c. Xn X in probabilit
Rd
(5)
n+
58
FABIO DURASTANTE
d(x, F)
1
1
0=
1
d(x,F)
xF
0 < d(x, F) <
d(x, F)
(8.8)
Rd
n+
(f t)dt =
=
0
fd
Rd
n+
si ha che:
|E[f(Xn )] E[f(X)]| E[|f(Xn ) f(X)|1{|Xn X|>} ]+
(8.12)
COMPLEMENTI DI PROBABILIT
59
e si ha:
(8.14)
Proposizione 65. Xn X in distribuzione, f continua f(Xn ) f(c) in
probabilit.
Dimostrazione. Basta osservare che se g Cb (Rd ) allora g f Cb (Rd ) e si
ottiene la convergenza dalla definizione.
Proposizione 66. Siano (Xn )n1 in Rd con Xn n e n << Leb con densit
fn . Se fn f in L1 allora f una densit e Xn X in distribuzione con X e
<< Leb con densit f.
Dimostrazione. Si ha che:
Z
(8.15)
Z
fn (x)dx
n (A) =
f(x)dx A B(Rd )
R
e f(x) 0 q.o. e R f(x) = 1 dunque f una densit e X esiste ed << Leb,
mostriamo che Xn X in distribuzione, cio che: g Cb (Rd ) E[g(Xn )]
E[g(X)]:
(8.16)
Z
|E[g(Xn )] E[g(X)]| =
Rd
g(x) (fn (x) f(x)) dx
|fn (x) f(x)|dx 0
Mg
R
Teorema 35. Siano n , Prob(Rd ) allora:
(8.17)
n in distribuzione n () () Rd
60
FABIO DURASTANTE
e
+ |Xn (t) X (t)| =
(8.18)
i
h
=E eitYn eit(Xn +Y) 1|Yn Y| +
h
i
+ E eitYn eit(Xn +Y) 1|Yn Y|> +
+ |Xn (t) X (t)|
2P({|Yn Y|} > ) + t + |Xn (t) X (t)|
e si ha che: 2P({|Yn Y|} > ) + t + |Xn (t) X (t)| t per n + e
t 0 per 0.
Proposizione 68. Siano Xn X, Yn Y in distribuzione con Xn Yn e
X
Y Xn + Yn X + Y in distribuzione.
Dimostrazione. Si ha che:
(8.19)
lim Xn +Yn (t) = lim Xn (t)Yn (t) = X (t)Y (t) = X+Y (t)
n+
n+
Corollario 6. Sia Xn n , Yn n e X ,Y si ha che n n
in distribuzione
Esempio 13. Sia n N(0, 2 ) con limn+ 2n = 0 e misura con n
allora:
(8.20)
n {0} = in distribuzione
(8.21)
H = X : Rd ; X Nd (, C)
mostriamo che H L2 , si ha che X H allora X = AY + con Y Nd (0, I),
si ha che:
E[|X|2 ] =E[|AY + |2 ] = E[(AY + )t (AY + )] =
(8.22)
COMPLEMENTI DI PROBABILIT
61
(8.23)
n+
n+
(8.25)
k+
k+
k+
Sia ora:
(8.28)
62
FABIO DURASTANTE
xx+
0
xx0
ed anche F(x) [0, 1]. Siano infine r, s c tali che r < x < s se:
(8.31)
allora ho anche che Fnk (r) < Fnk (x) < Fnk (s) e dunque:
(8.32) F(x) < H(r) < lim inf Fnk (x) lim sup Fnk (x) < H(s) < F(x) +
k+
k+
Definizione 67. La successione {n }n1 Prob(Rd ) si dice tight (o trattenuta) se > 0 K compatto tale che:
(8.33)
inf n (K ) > 1
n1
Teorema 38. Sia {Fn }n1 una successione di funzioni di distribuzione. Condizione necessaria e sufficiente affinch il limite di ogni sotto-successione convergente
sia una funzione di distribuzione che la successione delle {n }n1 , associate alle
{Fn }n1 , sia tight.
Dimostrazione. Dimostriamo tutte e due le condizioni:
(): > 0 k > 0 tale che n ([k, k]) > 1 , allora, essendo il
limite di una qualsiasi sotto-successione di n , allora a, b R tali
che ({a}) = ({b}) = 0 per cui (a, b] [k, k] e allora:
(8.34)
dunque (R) = 1.
(): Per assurdo sia {n }n1 non tight. Allora > 0 tale che k nk
tale che: nk ([k, k]) 1 . Prendiamo una sotto-successione
convergente di {nk }k1 allora (a, b] R, ((a, b]) 1 dunque
(R) 1 .
Corollario 7. Sia {n }n1 tight. Se ogni sotto-successione convergente tende alla
stessa misura di probabilit allora n in distribuzione.
Dimostrazione. Per assurdo esista x R tale che ({x}) = 0 e per cui:
(8.35)
COMPLEMENTI DI PROBABILIT
63
allora. lim infn+ n ((, x], lim supn+ n ((, x]) con 6=
n ((, x]) ed esiste {nk }k=1 tale che:
nk ((, x])
(8.36)
Osservazione 42. Si pu generalizzare quanto visto in dimensione arbitraria.
Teorema 39 (Levy). Sia {Fn }n1 una successione di funzioni di distribuzione e
sia:
(8.37)
g() = lim n ()
n+
g = F
e Fn F e n in distribuzione.
Dimostrazione. Se mostriamo che {Fn }n1 tight possiamo prendere una
sotto-successione convergente, per cui limk+ nk () = g() e g() =
F () dunque tutte le sotto-successioni che convergono hanno lo stesso
limite F e si ha la tesi.
Verifichiamo ora che {n }n1 tight. Si ha, dalla continuit in 0, che se
|| < |1 g()| < 4 . Inoltre si ha:
Z
(8.39)
n () n () = 2 cos(x)dn (x)
R
(8.40)
2
2
2
=
2
Z Z
(1 cos(x))dn (x)d =
R
Z
(1 cos(x))d
dn (x)
R
Z
Z
2
2
sin(x)
=
dn (x)2 (1 cos(x))d =
dn (x)
=
2 R
R
x
0
Z
Z
sin(x)
1
= 2 1
2
dn (x)
1
x
|x|
R
|x|>2
Z
64
FABIO DURASTANTE
(8.42)
con Sn =
Sn nm
Y Nd (0, C)
n
Pn
i=1 Xi .
(8.43)
n
X
Y
i
=
n
i=1
h in
e dunque Sn () = Y n
, sviluppando con il polinomio di Taylor si
ha che:
(8.44)
Y () = 1
1
< C, > +o(2 )
2
dunque:
n
1
1
1
(8.45) lim () = lim 1
< C, > +o( 2 )
= e 2 <C,>
n+
n+
2n
n
Sn
fA (x) =
Rd
COMPLEMENTI DI PROBABILIT
65
|x|r dn (x) =
{|x|>A}
(8.48)
Z
|x|pr
|x|r pr dn (x)
=
|x|
{|x|>A}
Z
1
M
pr
|x|p dn (x) pr 0
A
A
Rd
per A +, dunque:
Z
|x|r d = lim E[fA (x)] = lim lim E[fA (Xn )] =
A+
A+ n+
d
R
(8.49)
= lim lim E[fA (Xn )] = lim E[|Xn |r ]
n+ A+
n+
(8.50)
n+
Definizione 68. Sia {Xn }n1 successione di v.a., questa si dice uniformemente integrabile, u.i., se:
Z
(8.51)
lim sup
|Xn |dP = 0
+
|Xn |>
|Xn |>
{|Xn |>}
+ {|Y|>}
Esempio 17. Sia {Xn }n1 u.i. e R, allora {Xn } u.i. poich:
Z
Z
|Xn |dP = 0
(8.54)
lim sup
|Xn |dP = || lim sup
+
{|Xn |>}
{|Xn |> ||
}
66
FABIO DURASTANTE
Esempio 18. Sia {Xn }n1 ,{Yn }n1 u.i. reali, allora {Xn + Yn } u.i. poich:
Z
|Xn + Yn |dP
lim sup
+
(8.55)
" Z
lim sup 2
+
{|Xn |>
}
2
|Xn |dP + 2
{|Yn |>
}
2
#
|Yn |dP = 0
(8.56)
(8.57)
Si ha quindi che:
Z
Z
Z
|Xd |dP =
|Xn |dP +
|Xn |dP
E
E{|Xn |>}
E{|Xn |}
Z
(8.58)
2
{|Xn |>}
ponendo =
(): Si ha che:
2 .
: P({|Xn | > })
(8.59)
dunque:
(8.60)
E[|Xn |]
M
<
Z
> 0
{|Xn |>}
COMPLEMENTI DI PROBABILIT
67
(8.61)
k+
(8.62)
e:
(8.63)
E[|Xn X|r ] =E[|Xn X|r 1{|Xn X|} ] + E[|Xn X|r 1{|Xn X|>} ]
r + E[|Xn X|r 1{|Xn X|>} ] r
0
allora:
Z
(8.65)
{|x|r A}
|x|r A
A < |x|r A + 1
|x|r > A + 1
Z
|x|r d(x)
fA d(x)
R
{|x|r A+1}
|x|r d(x)
e fA Cb (Rd ), dunque:
Z
lim inf
|x|r dn lim E[fA (Xn )]
n+ {|x|r A+1}
n+
Z
(8.66)
|x|r dn
{|x|r A}
(8.67)
n+
e dunque:
(8.68)
lim sup
n+
Z
|x| dn
r
{|x|r >A+1}
{|x|r >A+1}
|x|r d 0 A +
9. S PERANZA C ONDIZIONALE
Partiamo da alcuni esempi particolari.
68
FABIO DURASTANTE
9.1. Casi Particolari. Sia (X, Y) una v.a. congiuntamente discreta con densit pX,Y (x, y) con x Ex R e y Ey R. Supponiamo inoltre che
py (y) > 0 y Ey e X integrabile, allora ben definita:
X
xpX|Y (x, y) = hX (y)
(9.1)
E[X|Y = y] =
xEx
(9.2)
1
=
pY (y)
xEx
x 1pX,Y (x, ) =
(x,)Ex {y}
1
=
E[X1{y} (y)]
pY (y)
dunque:
(9.3)
hX (y) =
1
E[X1{y} (y)]
pY (y)
definiamo allora:
(9.4)
hX (Y) = E[X|Y] =
hx (y)1{y} (y)
yEy
(9.5)
X
1
E[X1{y} (Y)]pY (y) =
E[X1{y} (Y)]
pY (y)
yB
yB
X
=E X
1{y} (Y) = E[X1B (Y)]
yB
COMPLEMENTI DI PROBABILIT
69
Proposizione 72. Le propriet della proposizione 71 caratterizza la hX (Y).
Dimostrazione. Sia Z con le propriet della proposizione (prop. 71). Allora Z essendo (Y)misurabile costante sugli atomi che generano (Y),
dunque della forma:
X
z y 1{y} (Y)
(9.6)
Z =
yEy
{y} (Y)] =
zy P({Y = y}) =E[Z1{y} (Y)] = E[X1{y} (Y)] = E[Z1
=z{y} P({Y = y})
quindi z y = zy .
E[X|G] =
1
E[X1Gi ] Gi
P(Gi )
Allora:
(9.10)
E[X|G] =
X
iI
1
E[X1Gi ]1Gi
P(Gi )
E[Z1G ] = E[X1G ] G G
70
FABIO DURASTANTE
supponiamo X 0. Si ha che Q << P dunque per il teorema di RadonNicodym esiste Z Gmisurabile tale che:
Z
(9.13)
Q(G) = ZdP
G
e tale Z unica quasi certamente. Per una X generica si ripete il ragionamento per X+ e X .
Osservazione 44. Nel caso in cui G = (Y) allora scriviamo:
(9.14)
E[X|Y] = E[X|G]
X (Y) = E[X|Y]
con:
Z Z
Z Z
x1B (y)fX,Y (x, y)dxdy =
B
R R
e quindi:
(9.18)
X (y) =
1
fY (y)
X (y)fY (y)dy
B
(9.19)
dunque:
xfX,Y (x, y)dx dy
Z
xfX,Y (x, y)dx =
R
xfX|Y (x|y)dx
R
(9.20)
x=0
dunque E[X|X + Y] =
X+Y
2 .
COMPLEMENTI DI PROBABILIT
71
(9.22)
E[U|V = v] =
upU|V (u|v)du
R
dove:
(9.23)
pU,V (u, v)
pU|V (u|v) =
pV (v) =
pV (v)
quindi si ha che:
(9.24)
Z 1v
E[U|V = v] =
0
dunque: E[U|V] =
2(1 v) v (0, 1)
0
altrimenti
1v
u
du =
1v
2
1V
2 .
1{0} (z)
p
E[X1Z=0 ] =
1 (z)
P(Z = 0)
1 (1 p)2 {0}
Possiamo dare, a questo punto, una seconda caratterizzazione della media condizionale:
Proposizione 73. Abbiamo che Y = E[X|G] se e solo se:
(1) Y G-misurabile.
(2) W v.a. G-misurabile limitata si ha:
(9.26)
E[WX] = E[WY]
(9.28)
72
FABIO DURASTANTE
in particolare: E[Y|G] = Y.
(6) Siano H G F algebre, allora:
(9.31)
(4) Sia G = { : E[X|G] E[Y|G] > 0}, allora G G, sia, per assurdo
P(G) > 0 allora si ha che:
(9.34)
che un assurdo.
(5) Abbiamo che YE[X|G] G-misurabile come prodotto di v.a. G misurabili. Sia W una v.a. G-misurabile e limitata. Allora:
(9.35)
E[E[X|H]|G] = E[X|H]
COMPLEMENTI DI PROBABILIT
73
e dunque Y = E[X|G].
Proposizione 76. Se Xn 0 allora:
(9.40)
E lim inf Xn |G lim inf E[Xn |G q.c.
n+
n+
n+
Dimostrazione. Si ha che:
(9.43)
E[(X)|G] (E[X|G])
74
FABIO DURASTANTE
dunque:
(9.46)
si ha che:
E[|X Z|2 ] =E[|(X E[X|G]) + (E[X|G] Z)|2 ] =
(9.49)
perch:
E[(X E[X|G])(E[X|G] Z)] =E[E[(X E[X|G])(E[X|G] Z)]|G] =
=E[(E[X|G] Z)E[(X E[X|G])|G]] =
=E[(E[X|G] Z)(E[X|G] E[E[X|G]|G])] =
=E[(E[X|G] Z)(E[X|G] E[X|G])] = 0
10. M ARTINGALE
Definizione 71 (Filtrazione). Si dice filtrazione su (, F, P) una famiglia
crescente di -algebre (Ft )t con [0, +), Fs F s > t e Ft F
t .
Definizione 72 (Processo). Una famiglia (Xt )t famiglia di v.a. tale che X
F -misurabile t si dice processo F -adattato.
Osservazione 46. Dato un processo (Xt )t esiste sempre una filtrazione rispetto al quale il processo adattato, la pi piccola possibile detta filtrazione naturale, ed data da: (Ft = ({Xs , s t}))t .
Definizione 73 (Martingala). In (, F, P), data una filtrazione (Fn )nN ed
un processo (Xn )nN Fn -adattato. (Xn )nN si dice martingala (super-mg,
sub-mg) se e solo se:
(1) E[|Xn |] < n N.
(2) E[Xn+1 |Fn ] = (, )Xn q.c. n N.
COMPLEMENTI DI PROBABILIT
75
Osservazione 47. Un processo (Xn )nN Fn -adattato e integrabile una martingala se e solo se:
(10.1)
A Fn E[Xn+1 1A ] = E[Xn 1A ]
Proposizione 81. Se (Xn )nN una sub-mg, o una super-mg, e (E[Xn ])nN
costante allora (Xn )nN una martingala.
Dimostrazione. Basta osservare che E[Xn+1 |Fn ] Xn 0 q.c. ed ha media
nulla, dunque: E[Xn+1 |Fn ] = Xn q.c.
76
FABIO DURASTANTE
(10.4)
E[Xn ] =
m
X
j=1
m
X
j=1
Proposizione 84. Sia (Mn )n1 un processo adattato e integrabile, si ha che il processo (Mn )0nN una martingala se e solo
Pmse E[XN ] = 0 (Hn )n1 predicibile
per cui (Xn )n1 integrabile, dove Xn = j=1 Hj (Mj Mj1 ).
Dimostrazione. Mostriamo le due direzioni:
(): Segue dalla proposizione precedente (prop. 83).
(): Mostriamo che A Fn si ha che E[Mn+1 1A ] = E[Mn 1A ]. Fissato
un A Fn definiamo:
0
j 6= n + 1
(10.6)
Hj =
1A j = n + 1
allora Hj banalmente predicibile e Xn+1 = 1A (Mn+1 Mn ), dunque:
(10.7)
Pm
j=1 Hj (Mj
Mj1 ) si
COMPLEMENTI DI PROBABILIT
77
Mn + An = Xn = Mn0 + An0
e si ha:
(10.11)
0
0
An0 = E[An+1
An0 |Fn ] = E[Xn+1 Xn |Fn+1 ]
An+1
Teorema 44. Sia (Xn )n1 una super-mg. Allora esiste un processo (An )n1 tale
che:
(1) An crescente q.c., ovvero An An+1 q.c.
(2) A0 = 0 q.c.
(3) An integrabile e predicibile
tale che Xn = Mn An ed (Mn )n1 una martingala. Tale decomposizione
unica quasi certamente.
Dimostrazione. Segue dal teorema precedente (thm. 43) osservando che il
processo (Xn )n1 sub-mg e (Mn ) una martingala.
Definizione 76 (Compensatore). Il processo (An )n1 si dice compensatore
del processo (Xn )n1 .
Osservazione 49. Sia (Mn )n1 martingala di quadrato integrabile allora il
processo (M2n )n1 una sub-mg dunque per il teorema di Doob si decompone come M2n = Xn + An con Xn martingala e An compensatore, dunque
Xn = M2n An e una martingala, dunque ha media costante ed An cresce, allora esiste limn An = A quasi certamente. Abbiamo quindi che
supn E[M2n ] k < allora:
(10.12)
78
FABIO DURASTANTE
(10.13)
(10.14)
{1 + 2 = n} =
n
[
({1 = k} {2 = n k}) Fn
k=0
(10.17)
(10.18)
{1 2 n} = {1 n} {2 n} Fn
COMPLEMENTI DI PROBABILIT
79
Se un tempo darresto finito abbiamo che ( n)n1 un tempo darresto n 1 e limn+ P({ > n}) = 0 e inoltre { = +} = n0 { > n}
e { > n} & { = +}, dunque esiste il limite quasi certo della successione
{ n}n1 . Quindi:
lim n = un tempo darresto finito
(10.19)
n+
(10.20)
cio A F1 .
A {1 2 n} =A {1 n} {2 n} =
= (A {1 n}) ({2 n}) Fn
quindi A F1 2 .
{1 < 2 } =
k0
(10.23)
{1 < 2 } {1 = n} = {2 > n} {1 = n} Fn
(10.24)
{1 < 2 } {2 = n} = {1 < n} {2 = n} Fn
(10.26)
{1 = 2 } {1 = n} = {1 = n} {2 = n} Fn
(10.27)
{1 = 2 } {2 = n} = {2 = n} {1 = n} Fn
dunque {1 = 2 } F1 2 .
80
FABIO DURASTANTE
Xn := Xn
=Xn 1n +
n1
X
Xk 1=k
k=0
che quindi Fn -misurabile come combinazione lineare di funzione Fn misurabili, cio {Xn } un processo Fn -adattato. Inoltre {Xn } integrabile
perch:
#
"
n
n1
X
X
E[|Xk |] < +
(10.31)
E[|Xn |] = E Xn 1n +
Xk 1=k
k=0
k=0
infine si ha:
E[Xn+1 Xn |Fn ] =E[(X X )1{n} |Fn ] + E[(Xn+1 Xn )1{>n} ] =
(10.32)
=1{>n} E[Xn+1 Xn |Fn ] = (, )0
Proposizione 90. Sia {Xn }n1 una super-mg. Allora {Xn }n1 una super-mg ed
il suo compensatore {An } dove {An }n1 il compensatore di {Xn }n1 .
Proposizione 91. Sia X una v.a. integrabile, {Fn }n0 una filtrazione e un
tempo darresto limitato e definiamo: Xn = E[X|Fn ], allora X = E[X|F ].
Dimostrazione. Abbiamo mostrato che X F -misurabile. Inoltre A F :
"
#
L
L
X
X
(10.33)
E[X 1A ] = E X 1A
1{=n} =
E[Xn 1A{=n} ] = E[X1A ]
n=0
n=0
COMPLEMENTI DI PROBABILIT
81
(10.34)
(10.35)
=
L
X
k=0
E Xk2 1A{1 =k} =
k=0
L
X
E X21 1A{1 =k} =
k=0
=E[X1 2 1A ] = E[X1 1A ]
11. C OMPORTAMENTO ASINTOTICO DI MARTINGALE
Proposizione 92. Siano (Fn )n1 filtrazione e (Xn )n1 una sub-mg. Allora
> 0 si ha:
Z
(11.1)
P max Xk
XN dP
kN
{maxkN Xk }
da cui:
1
1
P max Xk E[X+
E[|XN |]
n]
kN
(11.2)
k=1 Ak
(11.4)
N
X
k=1
E[Xk 1Ak ]
k=1
N
X
P(Ak ) = P(A)
k=1
Proposizione 93. Sia (Xn )n0 sub-mg positiva q.c., allora:
p
Xk
(11.5)
||Xn ||p p > 1
max
p1
kN
p
82
FABIO DURASTANTE
per cui:
(11.7)
Z
p1
p1
Z
Z Z maxkN Xk
p1
Z
1A dP d =
dP d =
P(A)d =
p1
d dP =
=
0
p
p
Z
1
1
=
max Xk dP = E max Xk
p kN
p
kN
e:
p2
Z maxkN Xk
Xn dP
p1 d =
"0
#
p1
1
=
E max Xk
XN
p1
kN
p 1 p1
1
1
E max Xk
E[|Xn |p ] p
p1
kN
Xn dPd =
A
(11.8)
1
1 p
Teorema 46 (Disuguaglianza di Doob). Sia (Mn )n1 una martingala tale che
supn1 E[|Mn |p ] (limitata in Lp ). Allora, posto:
(11.10)
M = sup |Mn |
n0
si ha che:
M Lp
||M ||p
p
sup ||Mn ||p p > 1.
p 1 n1
N+ n<N
COMPLEMENTI DI PROBABILIT
83
(11.13)
n<N
e quindi:
p
||M ||p lim inf sup |Mn | lim inf
||MN ||p
N+
N+ p 1
(11.14)
n<N
p
p
inf sup
||MN ||p sup
||Mn ||p
k1 Nk p 1
n1 p 1
n+
E[(Xn b)+ ]
ba
E[(Xn a) ]
ba
84
FABIO DURASTANTE
(11.19)
allora:
(11.20)
N+
ma:
(11.21)
N+
e:
E[D (X, [a, b])] = lim E[DN (X, [a, b])] k
(11.22)
N+
il che un assurdo.
Proviamo che X L1 , si ha che:
|Xn | = 2X+
n Xn
(11.23)
dunque:
+
E[|Xn |] =2E[X+
n ] E[Xn ] < 2E[Xn ] + E[X0 ]
(11.24)
2 sup E[X+
n ] + E[X0 ] M
n
(11.25)
n+
Teorema 49. Sia (Xn )n1 super-mg tale che supn E[X
n ] K allora Xn X
q.c. e X L1 .
11.2. Convergenza in Lp . Cominciamo dal caso p > 1.
Teorema 50. Sia (Mn )n1 mg, limitata in Lp allora Mn M quasi certamente ed in Lp .
p
Dimostrazione. (|Mn |)n sub-mg e E[M+
k dunque
n ] E[|Mn |] ||Mn ||p
per il teorema (thm 48) abbiamo che |Mn | M q.c.. Per dimostrare la
convergenza in Lp sfruttiamo il Lemma di Fatou, per cui abbiamo che:
E[|M |p ] lim inf E[|Mn |p ] k
(11.26)
n+
dunque M
(11.27)
Lp .
COMPLEMENTI DI PROBABILIT
85
(11.29)
n+
Indaghiamo ora la convergenza nel caso p = 1.
Teorema 52. Sia (Mn )n1 una martingala. Le seguenti condizioni sono equivalenti:
(1) (Mn )n1 uniformemente integrabile.
(2) Mn M quasi certamente ed in L1 .
(3) M L1 tale che Mn = E[M|Fn ].
Dimostrazione. Vediamo le implicazioni:
(1 2): Si ha che:
sup E[M+
n] M
(11.30)
(11.31)
allora:
(11.32)
86
FABIO DURASTANTE
P({|Mn | > })
E[E[M|Fn ]]
E[|M|]
E[|Mn |]
=