Manuskript
Manuskript
Manuskript
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
KAPITEL 3. DIE BEDINGTE ERWARTUNG 19<br />
Insbesondere gilt mit J = N also E � E[X|F] � = E[X]. Die Definition der bedingten Erwartung<br />
(3.1) lässt sich mit Hilfe der Eigenschaft (3.2) auf beliebige σ-Algebren F ⊆ A verallgemeinern.<br />
ex:bedErw Beispiel 3.1. Sei X gleichverteilt auf [0, 1], d.h. die Verteilung von X hat Dichte 1 [0;1]. Gegeben<br />
X = x ist Y binomialverteilt mit n und x, d.h. Y zählt die Anzahl der Erfolge in n<br />
unabhängigen Experimenten mit Erfolgswahrscheinlichkeit x. Intuitiv ist klar, dass das<br />
P({Y = k}|X) =<br />
� �<br />
n<br />
X<br />
k<br />
k (1 − X) n−k<br />
bedeuten sollte. Dies ist allerdings bisher nicht definiert, da P{X = x} = 0 gilt.<br />
3.2 Definition und Eigenschaften<br />
T:be Theorem 3.2 (Existenz und Eigenschaften der bedingten Erwartung). Sei F ⊆ A eine σ-<br />
Algebra. Dann gibt es einen fast sicher eindeutigen, linearen Operator E[.|F] : L 1 → L 1 (F),<br />
so dass für alle X ∈ L 1<br />
1. E � E[X|F]; A � = E[X; A] für alle A ∈ F.<br />
Weiter gilt<br />
2. E[X|F] ≥ 0, falls X ≥ 0.<br />
3. E � |E[X|F]| � ≤ E[|X|].<br />
4. Falls 0 ≤ Xn ↑ X für n → ∞, so ist auch E[Xn|F] ↑ E[X|F] in L 1 , falls alle Erwartungen<br />
existieren.<br />
5. Falls X eine F-messbare Funktion ist, so gilt E[XY |F] = XE[Y |F], falls alle Erwartungen<br />
existieren.<br />
6. E � XE[Y |F] � = E � E[X|F]Y � = E � E[X|F]E[Y |F] � , falls alle Erwartungen existieren.<br />
7. Ist F ⊆ G, so ist E � E[X|G]|F � = E[X|F].<br />
8. Ist X unabhängig von F, so ist E[X|F] = E[X].<br />
Beweis. 1. im Fall X ∈ L 2 : Sei M der abgeschlossene lineare Teilraum von L 2 , der aus allen<br />
Funktionen besteht, die bis auf eine Nullmenge mit einer F-messbaren Funktion übereinstimmen.<br />
Nach Proposition 2.21 gibt es nun fast sicher eindeutige Funktionen Y ∈ M, Z ⊥ M mit<br />
X = Y +Z. Wir definieren E[X|F] := Y . Damit gilt X−E[Y |F] ⊥ M, also E[X−E[X|F]; A] =<br />
0 für A ∈ F, woraus 1. für X ∈ L 2 folgt.<br />
3. im Fall X ∈ L 2 : Wähle A := {E[X|F] ≥ 0}. Nach 1. gilt dann<br />
E[|E[X|F]|] = E[E[X|F]; A] − E[E[X|F]; A c ] = E[X; A] − E[X; A c ] ≤ E[|X|].<br />
1. im Fall X ∈ L 1 : Ist X ∈ L 1 ⊃ L 2 , so wähle X1, X2, ... ∈ L 2 mit ||Xn − X||1 n→∞<br />
−−−→ 0<br />
(etwa so, dass |Xn| := |X| ∧ n), und definiere E[X|F] := limn→∞ E[Xn|F]. Dieser Grenzwert<br />
existiert in L 1 , da wegen 3.<br />
E[|E[Xn|F] − E[Xm|F]|] = E[|E[Xn − Xm|F]|] ≤ E[|Xn − Xm|] n,m→∞<br />
−−−−−→ 0<br />
(3.3) eq:exBedErw1