David Gamarnik, and John Tsitsiklis. 6.436J Fundamentals of Probability. Fall 2008. Massachusetts Institute of Technology: MIT OpenCourseWare, https://ocw.mit.edu. License: Creative Commons BY-NC-SA.
- Lecture 11 Abstract Integration -I
- Lecture 12 Abstract Integration -II
- 1. Borel-Cantelli Revisited
- 2. Connections between Abstract Integration and Elementary Definitions of Integrals and Expectations
- 2.2 Evaluating Expectations by Integrating on Different Spaces
- 2.3 The Case of Continuos Random Variables, Described by PDFs
- Fatou’s Lemma
- 4. Dominated Convergence Theorem(DCT, 優収束定理)
Lecture 11 Abstract Integration -I
Lebesgue 積分について論じる.
1. Preliminaries
measure space (Ω,F,μ)とg:Ω→¯Rについて,∫gdμを定義する.∫gdμをgの(Ωでの)Lebesgue integralというが,これを∫gとか∫g(ω)dμ(ω)と書くことも有る.
Special cases:
(a) (Ω,F,P)がprobability spaceでX:Ω→¯Rがmeasurableなら, ∫XdP=E[X]
(b) (R,B,λ)において,BがBorel sets, λがBorel measureとするとき,∫gdλを∫g(x)dxと書くことが有る.これはRiemann積分の一般化である.
The Program:
∫gdμを以下の段階に沿って定義する.
(a) gが非負で値域が有限集合な関数(simple function, 単函数)について,単に重み付きの和として積分を定める.
(b) 非負なgを,simple functionによって下から近似して,その極限で積分を定める.
(c) 一般のgについて,g=g+−g−と正部と負部にわけてそれぞれ積分し,∫gdμ=∫g+dμ−∫g−dμとする.
Ω上の積分についてのみ論じるが,あるB∈Fにおける積分は単に
∫Bgdμ=∫(1Bg)dμ
とすればよい.ただし1Bg(ω)={g(ω) ω∈B0otherwiseとする.
以後,ある性質Pについて,μ({ω|P(ω)=False})=0であるとき,”Pはa.e. (almost everywhere, ほとんどいたる所) に成立する”という.特にμがprobability measureであるとき,a.s. (almost surely, ほとんど確かに)と呼ぶ.例えばX≠Ya.s.とは,P(X=Y)=P({ω|X(ω)≠Y(ω)})=0と同値である.
同様に,函数g,hにg≤hとは∀ωg(ω)≤h(ω)のことだが,g≤h a.e.とは,μ({ω|g(ω)>h(ω)})=0ということである.また”gn↑g”によって,任意のωにgn(ω)が広義単調増加数列で,gに収束することを示し,gn↑g a.e.はgn(ω)がほとんどすべての点でg(ω)に広義単調増加収束するということである.
2. The Main Result
The Programで挙げた(a), (b), (c)で,(c)においてg+dμ=g−dμ=∞である場合以外,かならず積分値が¯Rの元に確定する.以下は重要な定理であるが,証明は略す.左に一般のmeasureに成立する命題を,右に特に確率論の記法で書いたその命題を記す.
Theorem 11-1
1.∫1Bdμ=μ(B) E[1B]=P(B)2.g≥0⇒∫gdμ≥0X≥0⇒E[X]≥03.g=0a.e.⇒∫gdμ=0X=0a.s.⇒E[X]=04.g≤h⇒∫g≤∫hX≤Y⇒E[X]≤E[Y]4′g≤h,a.e.⇒∫g≤∫hX≤Ya.s.⇒E[X]≤E[Y]5.g=h,a.e.⇒∫g=∫hX=Y,a.s.⇒E[X]=E[Y]6.[g≥0,a.e.and∫g=0]⇒g=0,a.e.[X≥0,a.s.andE[X]≥0]⇒X=0,a.s.7.∫(g+h)=∫g+∫hE[X+Y]=E[X]+E[Y]8.∫(ag)=a∫g9. 0≤gn↑g⇒∫gd↑∫g0≤Xn↑X⇒E[Xn]↑E[X]9′ 0≤gn↑g, a.e.⇒∫gn↑∫g0≤Xn↑X,a.s.⇒E[Xn]↑E[X]10.g≥0⇒ν(B)=∫Bg is a measure[f≥0,∫f=1]⇒ν(B)=∫B is a probability measure
9, 9’をMonotone Convergence Theorem(MCT, 単調収束定理)という.これにのみあとで証明を与える.
The Riemann Integral
Riemann積分の定義はすでにやった.http://37ma5ras.blogspot.jp/2017/06/basic-analysis-jiri-lebl-16.html.
Riemann積分はほとんど至るところ連続な函数でしか定義できない.Lebesgue積分はこの問題を解決する.
Example
Q=[0,1]∩Qとする.g=1Qとする.[0,1]の任意の分割P=(0=x1<x2<⋯<xn=1)を考える.[xi,xi+1)は必ず有理数と無理数を含むから,Darboux和はL(P,g)=0,U(P,g)=1が必ず成立.よっていかなる分割にもDarboux上下和は一致せず,Riemann積分不能.一方[0,1]上のuniform distributionとrandom variable 1Qを考えると,P(1Q=1)=0(∵|Q|=|N|)で,E[X]=∫[0,1]1Q(x)dx=0.
4.The Integral of a Nonnegative Simple Function
Definition 11-2
g:Ω→Rがsimple function(単函数)⇔gはmeasurableで|g(Ω)|<|N|
このときgは
g(ω)=k∑i=1ai1Ai(ω), ai∈R, Ai∈F
と書ける.このような表現はいくらでも作れるが,{ai}がすべて異なった値で,{Ai}が互いに素である表現は唯一つで,このような表現をcanonicalという.canonical表現では{ai}=g(Ω),Ai={ω|g(ω)=ai)である.
Definition 11-3
gがsimple functionであって上の様に表現するとき,その積分を
∫gdμ:=k∑i=1aiμ(Ai)
と定める.
μがprobability measure Pであるとすると,simple function X:Ω→Rをsimple random variableとよび,その積分∫XdPはE[X]と書かれ,
E[X]=k∑i=1aiP(Ai)
である.仮に{ai}の元がそれぞれ異なるとき,つまりcanonicalであるとき
E[X]=k∑i=1aiP(X=ai)
が成立する.
4.2 Proof of the Monotone Convergence Theorem
property 9の,probability measureの場合をsimple functionに示す.
q=∑ki=1ai1Ai,ai>0と表現したsimple function qを考える.
{gn}をgn↑qなるnonnegative measurable functionの列とする.∫qが無限である場合と有限である場合に場合分けする.
(i) ∫q=∞であるとき,あるiにμ(Ai)=∞ということである.このiについて
Bn={ω∈Ai|gn(ω)>ai/2}
という集合列を考える.Bn↑Aiであって,measureの連続性からμ(Bn)↑∞.またgn≥(ai/2)1Bnである.Theorem 11-1-4から
∫gndμ≥∫(ai/2)1Bndμ=ai2μ(Bn)↑∞
よって∫gn↑∞(ii) ∫q<∞とする.常にμ(Ai)<∞であって,A=∑ki=1Aiとする.finite additivityからμ(A)<∞である.1/r<aなる整数rを固定する.
Bn={ω∈A|gn(ω)≥q(ω)−(1/r)}
とするとBn↑Aで,連続性からμ(Bn)↑μ(A)=μ(Bn)+μ(A∖Bn)<∞からμ(A∖Bn)↓0.
1Aq=q,a.e.であって,
∫qdμ=∫1Aqdμ=∫1Bnqdμ+∫1A∖Bnqdμ
ω∈Bnにgn(ω)+(1/r)≥q(ω)だから,gn+(1/r)1Bn≥1Bnq.
したがって
∫gndμ+∫1r1Bndμ≥∫1Bnqdμ=∫qdμ−∫1A∖Bnqdμ≥∫qdμ−aμ(A∖Bn)
極限を取って
limn→∞∫gndμ+1rμ(A)≥∫qdμ
r>1/aは任意だから
lim∫gndμ≥∫qdμ
一方gn≤qから∫gndμ≤∫qdμでlim∫gndμ≤∫qdμ.
以上より
lim∫gn=∫q
5. The Integral of a Nonnegative Function
非負関数gの積分は,gをsimple functionによって下から近似して定めることはすでに述べた.
Definition 11-4
measurable g:Ω→[0,∞]について,S(g)={q|q≤g,qはsimple}とする.
∫gdμ=supq∈S(g)∫qdμ
と積分を定める.
Lecture 12 Abstract Integration -II
この章では重要な定理が証明されているが,関数がsimple functionである場合以外は省略する.
1. Borel-Cantelli Revisited
Borel-Cantelliの補題はすでに述べたがもう一度定式化する.http://37ma5ras.blogspot.jp/2017/07/gamarnik-tsisiklis-fundamentals-of_8.html
特に第一の主張A={Ani.o.},∑P(An)<∞⇒P(A)=0について論じる.
Xiをevent Aiのindicator functionとする.E[Xi]=P(Ai)であって,∑E[Xi]<∞を仮定する.∑ni=1Xiというrandom variableは非負でnによって増加列をなす.さらに
limnn∑i=1Xi=∞∑i=1Xi
と各点収束する.Monotone Convergence Theoremとexpectationの線形性から
E[∑Xi]=limE[n∑i=1Xi]=limn∑i=1E[Xi]=limn∑i=1P(Ai)=∑P(Ai)<∞
であって,∑Xi<∞ a.s.である.Aiが有限回起きる確率が1ということであって,すなわちAiが無限回起きる確率が0ということである.
2. Connections between Abstract Integration and Elementary Definitions of Integrals and Expectations
2.2 Evaluating Expectations by Integrating on Different Spaces
(Ω,F,P)というprobability spaceを考える. Xをその上のrandom variableとすと,(R,B,PX)という新しいprobability spaceが現れる.ここでBはRのBorel sets, PXはXのprobability law
PX(A)=P({ω∈Ω|X(ω)∈A})
である.measurableなg:R→RでY=g(X)を定義し,また新たなprobability space (R,B,PY)を定める. E[Y]は3つの方法で計算できる.
Theorem 12-1
∫YdP=∫gdPX=∫ydPY
proof. gがsimple functionである場合のみ示す.
g(R)={y1,...,yn}とする.定義より
YdP=∑yiyiP({ω|Y(ω)=yi}=∑yiyiP({ω|g(X(ω))=yi})
同様に
∫gdPX=∑yiyiPX({x|g(x)=yi})
PXの定義より,
PX({x|g(x)=yi})=PX(g−1(yi))=P({ω|X(ω)∈g−1(yi)})=P({ω|g(X(ω))=yi})
以上によって示せた.
2.3 The Case of Continuos Random Variables, Described by PDFs
X:Ω→Rがcontinuousであるとは,そのCDFが
FX(x)=P(X≤x)=∫1(−∞,x]fdλ (λ:Lebesgue masure)
というふうに,非負でmeasurableなfで書けることであった.このときA∈Bに
PX(A)=∫Afdλ
が成立する.fがRiemann積分可能でAが区間なら単にPX(A)=∫Af(x)dxと書ける.
Theorem 12-2
gはmeasurableで非負であるか,∫|g|dPX<∞ならば
E[g(X)]=∫gdPX=∫(gf)dλ
が成立する.
proof.
E[g(X)]=∫gdPXは定義であるから,∫gdPX=∫(gf)dλを示す.
gがsimple functionで,g=∑ki=1ai1Aiと書けるときのみ示す.
∫gdPX=k∑i=1aiPX(Ai)=k∑i=1ai∫Aifdλ=k∑i=1∫ai1Aifdλ=∫k∑i=1ai1Aifdλ=∫(gf)dλ
から,成立.
Fatou’s Lemma
X,Yという2つのrandom variableがあるとき,min{X,Y}≤X,min{X,Y}≤Yであって,expectationをとるとE[min{X,Y}]≤E[X],E[min{X,Y}]≤E[Y].したがって
E[min{X,Y}]≤min{E[X],E[Y]}が成立する.
Fatouの補題はこれに無限個のrandom variableと極限操作を入れて出来る命題である.
Theorem 12-3
YはE[|Y|]<∞なるrandom variableとする.このとき
(a) ∀n Y≤XnであるならE[lim infXn]≤lim infE[Xn]
(b) ∀n Xn≤YであるならE[lim supXn]≥lim supE[Xn]
proof.
(a)のみ示す.nを固定し,
infk≥nXk−Y≤Xm−Y ∀m≥n
expectationを取ってからinfを考えて
E[infk≥nXk−Y]≤infm≥nE[Xm−Y]
infk≥nXk−Yは非負であり,nによって広義単調増加である.またlim infXn−Yに収束する.両辺の極限を取って,
limnE[infk≥nXk−Y]≤lim infE[Xn−Y]
左辺はMonotone convegence theoremからE[lim infXn−Y]に収束し,
E[lim infXn−Y]≤lim infE[Xn−Y]
E[|Y|]<∞からE[lim infXn]≤lim infE[Xn]
4. Dominated Convergence Theorem(DCT, 優収束定理)
Theorem 4. (DCT)
Xに各点収束する{Xn}というrandom variableの列を考える.∀n |Xn|≤Y,E[|Y|]<∞があるなら, limE[Xn]=E[X]
proof.
−Y≤Xn≤Yだから,両辺にFatou’s Lemmaを適用して
E[X]=E[lim infXn]≤lim infE[Xn]≤lim supE[Xn]≤E[lim supXn]=E[X]
ゆえに
E[X]=lim infE[Xn]=lim supE[Xn]
よってlimE[Xn]が存在して,E[X]に等しい.
DCTの特別な場合に,Bounded Covergence Theorem(BCT, 有界収束定理)がある.これはYをcという定数としたとき,すなわち|Xn|≤c a.s.であるならE[Xn]→Xを主張する.
Corollary 12-1
∑E[|Zn|]<∞ならば
∞∑n=1E[Zn]=E[∞∑n=1Zn]
が成立する.
proof.
Monotone Convergence TheoremをYn=∑nk=1|Zk|に適用し
E[∑|Zn|]=∑E[|Zn|]<∞
Xn=∑ni=1ZiとすればlimXn=∑Zn. |Xn|≤∑|Zi|<∞で,これにDCTを適用する.
0 件のコメント:
コメントを投稿