Kolmogorov y la teor de la la probabilidad a

David Nualart Academia de Ciencias y Universidad de Barcelona

La axiomatizacin del clculo de probabilidades o a

A. N. Kolmogorov: Grundbegrie des Wahrscheinlichkeitsrechnung (1933) Espacio de probabilidad: (, F, P ) es un conjunto (conjunto de resultados de una experiencia aleatoria) F es una -lgebra de partes de a P es una medida en la -lgebra F tal que P () = 1 a

Variable aleatoria: Funcin X : IR tal que para cada o nmero a u { , X() < a} F La ley de X es la medida imagen de P en la recta real: PX ([a, b]) = P (X 1 ([a, b])

Caracter sticas de esta axiom`tica a

1.- Era ms prctica y util que la teor de colectivos de von a a a Mises (1919)

2.- Proporciona un espacio de probabilidad preciso para cada experiencia aleatoria y permite eliminar la ambigedad de u las paradojas (Borel, Bertrand)

3.- Marco totalmente abstracto (sin estructura topolgica) o

Aportaciones de la monograf de Kolmogorov a

a) Construccin de una probabilidad en un producto innito o de espacios Objetivo: Construir una probabilidad P en = IRT , donde T = [0, ) o T = IN a partir de sus leyes marginales pt1 ,...,tn , donde pt1 ,...,tn es la imagen de P por la proyeccin o t1 ,...,tn : IRT IRn Teorema La probabilidad P existe y es unica siempre que las marginales sean compatibles Los elementos de IRT son funciones x : T IR que se pueden considerar como trayectorias del proceso estocstico Xt (x) = a x(t)

Consecuencia: La ley de un proceso estocstico (Xt )tT a est determinada por las leyes marginales a P(Xt1 ,...,Xtn ) = P (Xt1 , . . . , Xtn )1 que pueden elegirse de manera arbitraria siempre que sean compatibles 4

b) Contruccin de la probabilidad condicionada por una vario able aleatoria X mediante el teorema de Lebesgue-RadonNikodym (1930)

Objetivo: Para cada suceso A F, encontrar una variable de la forma fA (X) que represente la probabilidad de A condicionada por una variable aleatoria X Solucin: o dP (A X 1 ()) (x) fA (x) = dP (X 1 ())

Por ejemplo, si A = X 1 ([a, b]), entonces fA = 1[a,b] .

c) La ley del 0-1 Si (Xn )n1 es una sucesin de variables aleatorias indepeno dientes, los sucesos de la -lgebra asinttica a o G=
n1

Gn ,

Gn = (Xn , Xn+1 , . . .)

tienen probabilidad cero o uno.

Demostracin: o Sea A G y supongamos P (A) > 0. Para todo B (X1 , X2 , . . . , Xn ), se tiene P (B|A) = P (B A) = P (B) P (A)

ya que A y B son independientes P (|A) y P conciden en el lgebra n1 (X1 , X2 , . . . , Xn ) a y por tanto coinciden en la -lgebra generada por todas las a variables Xn Luego, P (A|A) = P (A) lo que implica P (A) = 1

Teoremas l mite y series Teorema (1928) (Xn )n1 variables aleatorias independientes y centradas
2 E(Xn ) < n1 n1

Xn

converge c.s.

Desigualdad de Kolmogorov (Xn )n1 variables aleatorias independientes y centradas. Si Sn = X1 + + Xn , entonces, para todo > 0
2 E(Sn ) P ( max |Sk | ) 1kn 2

Generalizacin de la desigualdad de Tchebychev o Se extiende a martingalas (Doob)

Teorema de la Tres Series (1929) (Xn )n1 variables aleatorias independientes. Fijamos A > 0 y denimos Yn = Xn 1|Xn |A Entonces, la serie n1 Xn converge casi seguramente si y solo si las tres series siguientes convergen (i)
n1

P (|Xn | > A) =
n1

P (Xn = Yn )

(ii)
n1

E(Yn ) Var(Yn )
n1

(iii)

La propiedad n1 P (Xn = Yn ) < implica, por el lema de Borel Cantelli, que casi seguramente las dos sucesiones (Xn ) y (Yn ) coinciden a partir de cierto lugar (sucesiones equivalentes) Consecuencia: La serie n1 Xn converge casi seguramente si y solo si converge en probabilidad

Leyes de los Grandes N meros u (Xn )n1 variables aleatorias independientes Problema: Comportamiento asinttico de o
X1 ++Xn n

Teorema (1930) (Xn )n1 variables aleatorias independientes y centradas Sn = X1 + + Xn .

2 E(Xn ) Sn 0 c.s. < n2 n

n1

La condicin sobre las varianzas es ptima o o

Teorema (Ley Fuerte de los Grandes N meros) u (Xn )n1 variables aleatorias independientes y con la misma distribucin o (i) (ii) Sn E(X1 ) c.s. n |Sn | E(|X1 |) = lim sup = + n n E(|X1 |) <

c.s.

Ley del logaritmo iterado Teorema (1929) (Xn )n1 variables aleatorias independientes, centradas. Sn = X1 + + Xn . Se cumple lim sup
n

Sn = 1, 2Bn log log Bn

c.s.

si Bn :=

n 2 E(Xk ) k=1

|Xn | Mn = o

Bn log log Bn

2 En el caso identicamente distribuido, con 2 = E(X1 ), se obtiene Sn lim sup = c.s. 2n log log n n

lo que precisa la ley fuerte de los grandes nmeros: u c.s.

Sn n

La demostracin de Kolmogorov hizo posible extender el o resultado a variables no acotadas, mediante argumentos de truncacin o

10

Procesos de Markov A. N. Kolmogorov: Uber die analytischen Methoden in der Wahrscheinlichkeitsrechnung Math.Ann. 104, 415-458 (1931) Un proceso estocstico (Xt )t0 con valores en un espacio de a estados E es un proceso de Markov si para todo s < t y A IR, P (Xt A|Xr , 0 r s) = P (Xt A|Xs ) Futuro y pasado son independientes si se conoce el presente Podemos poner P (Xt A|Xs ) = P (s, Xs , t, A) La funcin P (s, x, t, A) representa la probabilidad de que el o proceso est en A en el instante t sabiendo que en el instante e s est en x (probabilidades de transicin) a o Ecuacin de Chapman-Kolmogorov: Si s < u < t o P (s, x, t, A) =
E

P (s, x, u, dy)P (u, y, t, A)

11

En el caso E = IR Kolmogorov obtiene ecuaciones diferenciales para las densidades P (s, x, t, dy) f (s, x, t, y) = dy bajo ciertas hiptesis que garantizan la existencia de los o l mites siguientes denominados (coecientes de deriva y de difusin): o 1 0 1 B(t, x) = lim 0 2 A(t, x) = lim (y x)P (t, x, t + , dy)
IR

(y x)2 P (t, x, t + , dy)

IR

Ecuacin forward de Kolmogorov: o f 2f f 2 = A(s, x) B (s, x) 2 s x x Ecuacin backward de Kolmogorov: o f [A(t, y)f ] 2 [B 2 (t, y)f ] = + t y y 2 Estas ecuaciones son el punto de partida de la interaccin o entre procesos de Markov y ecuaciones en derivadas parciales

12

Criterio de continuidad Se dice que dos procesos estocsticos X = (Xt )0t1 y Y = a (Yt )0t1 son equivalentes (o que X es una modicacion de Y ) si para cada t P (Xt = Yt ) = 0 Dos procesos equivalentes pueden tener trayectorias diferentes Teorema Consideremos un proceso estocstico (Xt )0t1 . a Supongamos que existen constantes , c, > 0 tales que E(|Xt Xs | ) c|t s|1+ . Entonces, existe una modicacin de X que tiene trayectoo rias continuas E. B. Slutsky: Qualche proposizione relativa alla teoria delle funzioni aleatorie . Giornale dellInstituto Italiano dei Attuari 8, 183-199 (1937) Se puede demostrar que la modiciacin de X tiene trayeco torias casi seguramente hlderianas de orden < , es decir o |Xt Xs | G|t s| Ejemplo: El movimiento browniano cumple E(|Xt Xs |2k ) ck |t s|k y por lo tanto tiene trayectorias hlderianas de orden < o 13
1 2

Conclusiones

A) Kolmogorov es el fundador de la teor de la probabilia dad. La monograf de Kolmogorov transform el carcter a o a del clculo de probabilidades, convirtindolo en una discia e plina matemtica a

B) Los resultados sobre teoremas l mite para sucesiones y series de variables independientes fueron denitivos y son todav de actualidad a

C) Las ideas de Kolmogorov inuenciaron decisivamente casi todo el trabajo realizado sobre procesos de Markov e hicieron posible el desarrollo posterior del anlisis estocstico a a

14