Sei sulla pagina 1di 86

COMPLEMENTI DI PROBABILITÀ

FABIO DURASTANTE

SOMMARIO. Convergenza di variabili aleatorie e leggi. Spazi di pro- babilità astratti; indipendenza; legge 0 1 di Kolmogorov; lemmi di Borel-Cantelli; convergenza quasi certa; disuguaglianze di convessità; convergenza in probabilità; leggi dei grandi numeri; funzioni caratte- ristiche; convergenza in legge; aspettazione condizionale; martingale e convergenza di martingale. Si vedano i testi: [1] e [2].

INDICE

1.

Richiami di teoria della misura

2

1.1.

Spazio misurabile e misura

4

1.2.

Funzioni misurabili

8

2.

Variabili aleatorie

10

2.1.

Esistenza di una v.a. con funzione di ripartizione data

11

2.2.

σ-algebra generata e misurabilità

12

2.3.

Indipendenza

 

14

2.4.

Secondo Lemma di Borel-Cantelli

16

2.5.

Borel-Cantelli e convergenza q.c.

16

2.6.

La σ-algebra coda

18

3.

Integrazione Astratta

20

3.1.

Funzioni misurabili, teoremi di convergenza

21

3.2.

Funzioni Integrabili

24

3.3.

Misura assolutamente continua

25

4.

Spazi L 1 (Ω, F , P)

e L 1 (Ω, F , P)

27

4.1.

Disuguaglianze di Markov e Jensen

28

4.2.

Lo

spazio

L p (Ω, F , P)

29

4.3.

Lo

spazio

L p (Ω, F , P)

30

4.4.

Lo

spazio

L 2 (Ω, F , P)

31

5.

Concetti di Convergenza

34

5.1.

Leggi dei grandi numeri

38

5.2.

Il Teorema di Approssimazione di Weierstrass

40

5.3.

Convergenza in Distribuzione

41

6.

Misure Prodotto

 

44

6.1.

Misure prodotto e Teorema di Fubini

45

6.2.

Leggi Congiunte

47

1

2

FABIO DURASTANTE

6.3.

Indipendenza e Leggi Prodotto

49

7.

Funzioni Caratteristiche

51

7.1.

Regolarità delle funzioni caratteristiche

51

7.2.

Teoremi di Inversione e Caratterizzazione

54

7.3.

Gaussiane Multivariate

55

8.

Convergenza in R d

57

8.1.

Convergenza in Legge

57

8.2.

Tightness e convergenza in legge

61

8.3.

Uniforme Integrabilità e Convergenza dei Momenti

64

9.

Speranza Condizionale

67

9.1.

Casi Particolari

68

9.2.

Caso Generale

69

9.3.

Proprietà

72

10.

Martingale

74

10.1.

Decomposizione di Doob

76

10.2.

Tempi D’Arresto

78

10.3.

Martingale arrestate

80

11.

Comportamento asintotico di martingale

81

11.1.

Convergenza q.c. di Martingale

83

11.2.

Convergenza in L p

84

Riferimenti bibliografici

86

1. RICHIAMI DI TEORIA DELLA MISURA

Definizione 1 (algebra). Sia S un insieme, A ∈ P(S) si dice algebra se:

(1)

(2)

(3) {A i } i=1,

∅ ∈ A. A ∈ A A c ∈ A.

,n

n

∈ A i=1

A i ∈ A.

Definizione 2 (σ-algebra). Sia S un insieme, A ∈ P(S) si dice σ-algebra se:

(1)

∅ ∈ A.

(2)

A ∈ A A c ∈ A.

(3) {A i } iN ∈ A iN A i ∈ A.

Osserviamo che se S è finito allora A è un’algebra se e solo se A è una σ-algebra.

Esempio 1. σ-algebra banale data da F = {, S}, la più grande σ-algebra possibile per S data data F = P(S). Dato un insieme A S abbiamo

F = {, A, A c , S}.

Proposizione 1. Una σ-algebra (algebra) è chiusa rispetto alle intersezioni nu- merabili (finite).

COMPLEMENTI DI PROBABILITÀ

3

Dimostrazione. Sia I finito o numerabile, allora:

(1.1)

nI A n = nI

A

c

n c

∈ F

Siano F 1 ,F 2 σ-algebre allora F 1 ∪F 2 non è in generale una σ-algebra. Co-

me controesempio consideriamo A, B S con B

e F 2 = {, B, B c , S}, allora A B /

Proposizione 2. Sia (F γ ) γT con T qualunque famiglia di σ-algebre allora si ha che: γT F γ è una σ-algebra.

Dimostrazione. Verifichiamo la definizione:

= A e siano F 1 = {, A, A c , S}

F 1 ∪ F 2 .

(1)

∅ ∈ F γ γ T allora ∅ ∈ γT F γ .

(2)

A γT F γ A ∈ F γ γ T A c ∈ F γ γ T A c γT F γ .

(3) Sia (A n ) n1 ⊆ ∩ γT F γ (A n ) n1 ⊆ F γ γ T n1 A n ∈ F γ γ T n1 A n ∈ ∩ γT F γ .

Esempio 2. Sia ϕ = {C i } iI , con I finito o numerabile, una partizione di S. Sia ora:

(1.2)

F =

A S

:

A =

iI A

C i , I A I

allora F è una σ-algebra, infatti:

(1)

(2)

(3)

= iI C i ∅ ∈ F. A c = iI A cC i A c ∈ F.

j1 A j = j1 iI A j C i j1 A j F.

Definizione 3. Sia C ⊂ P(S) una famiglia. Si dice σ-algebra generata da C,

e si scrive σ(C), la più piccola σ-algebra contenente C.

Osserviamo che la definizione è ben posta, infatti, nel caso peggiore, pos- siamo sempre prendere come σ(C) = P(S). Possiamo inoltre caratterizzare la σ-algebra generata da C come:

(1.3)

σ(C) =

F = G

F∈Γ C

dove Γ C = {F σ algebra che contiente C}, questo ha senso poiché per l’in- clusione () si ha che σ(C) Γ C , mentre se () fosse falsa sarebbe violata la minimalità di σ(C).

Esempio 3. Consideriamo l’esempio già fatto per A S abbiamo che σ(A) = {, A, A C , S}.

4

FABIO DURASTANTE

Proposizione 3. Valgono le seguenti proprietà:

(1) Se C è una σ-algebra allora σ(C) = C.

(2)

Se C 1 ⊆ C 2 allora σ(C 1 ) σ(C 2 ).

(3)

Se C 2 è una σ-algebra e C 1 è una famiglia con C 1 ⊂ C 2 allora σ(C 1 ) σ(C 2 ) = C 2

Definizione 4 (Borel). Sia S uno spazio topologico (S, θ), si dice σ-algebra di Borel di S:

(1.4)

un elemento B ∈ B(S) è detto boreliano.

B(S) = σ(θ)

Osservazione 1. Sia C la famiglia dei chiusi, allora: θ σ(C) σ(θ) σ(C), inoltre C ⊂ σ(θ) σ(C) σ(θ). Dunque B(S) = σ(θ) = σ(C).

Esempio 4. Sia S = R allora:

Gli intervalli aperti sono boreliani.

Gli intervalli chiusi sono boreliani.

Gli intervalli della forma (a, b],[c, d), con b, c R e a, d R, sono boreliani.

I punti sono boreliani, ma non generano B(R). Esistono altri generatori di B(R) oltre gli aperti:

I chiusi.

Gli intervalli aperti, infatti, detta I la famiglia degli intervalli aperti

si ha che I θ σ(I) σ(θ), inoltre A θ {I n } nN I tale che

A = iN I i , dunque θ σ(I), ovvero abbiamo le due inclusioni e

B(S) = σ(I).

Gli intervalli semiaperti, infatti, detta K la famiglia degli interval-

li semiaperti si ha che K ⊂ B(S), dunque σ(K) ⊆ B(S), inoltre

(a, b) = nN (a, b n ], dunque I σ(K), ovvero abbiamo le due inclusioni B(S) = σ(K).

Le semirette chiuse a destra, infatti dette Π(R) la loro famiglia si ha che Π(R) ⊆ B(S), quindi σ(Π(R)) ⊆ B(S), inoltre (a, b] = (−, b] (−, a] c K Π(R) B(S) σ(Π(R)), ovvero abbiamo le due inclusioni B(S) = σ(Π(R)).

1

1.1. Spazio misurabile e misura.

Definizione 5 (Spazio Misurabile). Siano S un insieme ed F una σalgebra su S, allora la coppia (S, F ) si dice spazio misurabile.

Definizione 6 (Misura). Si dice misura su (S, F ) un’applicazione: µ : F [0, +] tale che:

(1) µ() = 0.

(2) (A n ) n1 ⊂ F, A i A j = ∅ ∀i

= j

µ ( n1 A n ) = n1 µ(A n )

COMPLEMENTI DI PROBABILITÀ

5

Definizione 7. Una misura si dice finita se: µ(S) < +.

Definizione 8. Una misura si dice σ-finita se (S n ) n1 ⊂ F tale che:

(1)

n1 S n = S,

(2)

µ(S n ) < +n 1.

Definizione 9. Una misura si dice di probabilità se µ(S) = 1.

Definizione 10 (Spazio di Probabilità). Si dice spazio di probabilità una terna (S, F , µ) dove S è un insieme, F una σ-algebra su S e µ una misura di probabilità su (S, F ).

Definizione 11. Un insieme F si dice di misura nulla se:

F ∈ F,

µ(F) = 0.

Definizione 12 (q.c.). Si dice che una proprietà S è vera quasi certamente (q.c.), se, detto:

(1.5)

si ha che F ∈ F e µ(F) = 0, cioè se F è di misura nulla.

Definizione 13 (Π-System). Si dice Π-System una famiglia di insiemi di S chiusa rispetto ad intersezione finita.

Esempio 5. La famiglia delle semirette chiuse a destra è un Π-System.

Lemma 1. Siano (S, F ) uno spazio misurabile, π un Π-system su S e µ 1 ,µ 2 due misure finite su (S, F ). Allora:

(1.6)

F = {s S : S(s) è falsa}

µ 1 µ 2 su π

µ 1 µ 2 su σ(π)

Corollario 1. Siano (S, F ) uno spazio misurabile, π un Π-system su S e µ 1 ,µ 2 due misure di probabilità su (S, F ). Allora:

(1.7)

Teorema 1 (Caratheodory). Sia S un insieme, Σ 0 un’algebra su S e µ 0 : Σ 0 [0, ) tale che:

µ 1 µ 2 su π

µ 1 µ 2 su σ(π)

(1) µ 0 () = 0,

(2) µ 0

+

k=1

A k =

+

k=1

µ 0 (A k ) {A k } k1 Σ 0 tali che

+

k=1

A k Σ 0 .

Allora, posto Σ = σ(Σ 0 ), esiste una misura µ su (S, Σ) tale che: µ| Σ 0 = µ 0 . Inoltre, se µ 0 è σ-finita tale estensione è unica.

Esempio 6. Costruiamo come esempio la misura di Lebesgue sullo spazio misurabile ((0, 1], B((0, 1])). Consideriamo:

(1) Σ 0 = {F (0, 1]

(2) µ 0 : Σ 0 [0, 1] definita come µ 0 () = 0 e µ 0 (F) = k=1

:

r

F = i=1

(a i , b i ]},

r

(b k a k )

6

FABIO DURASTANTE

allora Σ = σ(Σ 0 ) = B((0, 1]) dunque per il Teorema di Caratheodory esiste un’estensione, che, essendo unica, coincide con la misura di Lebesgue.

Lemma 2. Sia (S, Σ, µ) uno spazio di misura finito, allora:

(1)

A, B Σ, A B µ(a) µ(A) + µ(B \ A) = µ(B).

(2)

(A n ) n1

Σ

µ n1 A n σ n1 µ(A n ).

(3)

(A n ) n1 Σ tale µ(A n ) = 0 n 1 µ (n1 A n ) = 0.

(4)

A Σ µ(A c ) = µ(S) − µ(A).

(5)

Formula di inclusione/esclusione: A 1 ,

, A n Σ si ha:

µ

k=1 A k =

n

k: kn

µ(A k ) −

i,j:i<jn

µ(A i A j ) +

+

(−1) n1 µ

k=1 A k

n

Dimostrazione. La parte (1) si ottiene immediatamente dalla definizione di misura. Per la (2) osserviamo che possiamo sempre scrivere gli A n come:

B n = A n \ n1 A k che sono tali che n1 B n = n1 A n , B i B j =

k=1

i

= j, B n A n n 1, per cui abbiamo:

(1.8) µ (n1 A n ) = µ (n1 B n ) = µ(B n ) µ(A n )

n1

n1

Definizione 14. (A n ) n1 Σ si dice che cresce ad A con A = n1 A n se A n A n+1 , si scrive A n A.

Definizione 15. (B n ) n1 Σ si dice che decresce a B con B = n1 B n se B n B n+1 , si scrive B n B.

Proposizione 4. Se µ è una misura finita allora si ha che:

(1) A n A µ(A n ) µ(A), ovvero µ(A) = lim n µ(A n ). (2) B n B µ(B n ) µ(B), ovvero µ(B) = lim n µ(B n ).

Dimostrazione. Dimostriamo entrambi i punti:

(1) Sia A n = A n \ A n1 allora:

n

k=1 A

k1 A

k

k

= n

k=1 A k = A n

= k1 A k

allora abbiamo che:

(1.9)

µ(A) =µ

+

k=1

k =

A

k=1

µ(A k ) =

lim

n+

n→∞ µ

= lim

n

k=1

A k =

n µ(A n )

lim

n

k=1

µ(A k ) =

(2) Se B n B, allora B

c

n

n1 B

c

n

= (n1 B n ) c = B c , dunque:

(1.10)

n+µ(B

lim

n ) = µ(B c )

c

n+ (µ(S) − µ(B n )) = µ(S) − µ(B)

lim

COMPLEMENTI DI PROBABILITÀ

7

e allora: µ(B) = lim n µ(B n ).

Proposizione 5. Sia (Ω, F , P) uno spazio di probabilità. Se (F n ) n1 ⊂ F sono tali che P(F n ) = 1 allora P(n1 F n ) = 1.

Dimostrazione. Dall’ipotesi P(F n ) = 0 P(n1 F n ) = 0, si veda il lemma

(lem. 2), P(n1 F n ) =

c

c

P() − P(n1 F n ) = 1.

c

Ricordiamo i seguenti fatti dell’analisi reale:

(1) Sia {x n } n1 R,

lim sup x n = inf sup x k =

n+

n1

kn

n+sup

kn

lim

x k

lim inf x n = sup kn x k =

n+

n1

inf

n+kn x k

lim

inf

(2)

(3) Se lim sup x n z x n z definitivamente.

n+ x n se lim inf x n = lim sup x n .

lim

n+

n+

n+

(4) Se lim sup x n z x n z per un numero infinito di indici.

n+

Definizione 16. Sia (Ω, F , P) uno spazio di probabilità e sia (E n ) n1 ⊆ F, definiamo allora:

lim sup E n =

(1.11)

n→∞

n1

kn

E k   =

={ω | n 1 n¯ (ω) n : ω E n¯ (ω) } =

={ω E n i.o.}

(1.12)

lim inf E n =

n+

n1

E k

kn

=

={ω | n¯ (ω) : ω E k k n¯ (ω)} =

={ω E n def. te }

Lemma 3 (Fatou, Insiemi). Sia (Ω, F , P) uno spazio di probabilità e sia data la successione (E n ) n1 ⊆ F , allora:

(1.13)

P lim inf E n lim inf P(E n )

n+

n+

Dimostrazione. Siano D n = kn E k e D = lim sup n+ E n , allora D n D, dunque:

(1.14)

P(D) = lim

n+ P(D n ) = lim

n+P ( kn E k ) =

= lim inf P

n+

kn

E n

E

k

lim inf P(E n )

n+

8

FABIO DURASTANTE

Lemma 4 (Fatou inverso, Insiemi). Sia (Ω, F , P) uno spazio di probabilità e sia

(E n ) n1 ⊆ F , con µ(E n ) < def.te, allora:

(1.15)

P lim sup E n lim sup P(E n )

n+

n+

Dimostrazione. Siano G n = kn E k e G = n1 G n = lim sup n+ E n , allora G n G, dunque:

(1.16)

P(G) = lim

n+ P(G n ) = lim sup P(G n ) lim sup P(E n )

n+

n+

Lemma 5 (Borel-Cantelli I). Sia (Ω, F , P) uno spazio di probabilità e sia data la successione (E n ) n1 ⊆ F , con n1 µ(E n ) < , allora:

(1.17)

P lim sup E n = P(E n i.o.) = 0

n+

Dimostrazione. Sia D = lim sup n+ E n = n1 D n , ovvero D n = n allora:

(1.18)

k=1 E k ,

P(D) = lim

n+ P(D n ) = lim

n+P( n

k=1 E k )

n+

lim

P(E k ) = 0

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

f 1 (A) ∈ S. A livello di notazione: f 1 (A) = {f A} = {i S

Osservazione 2. La misurabilità è strettamente legata alle σ-algebre. Se f :

(S, S) (E, E) è misurabile, allora date E ⊂ E e S ⊂ S σ-algebre, si ha che f : (S, S ) (E, E ) è ancora misurabile.

Definizione 18 (σ-algebra generata). Sia f : (S, S) (E, E) misurabile. Si dice σ-algebra generata da f, si indica σ(f), la più piccola σ-algebra su S che rende f misurabile. Cioè se f : (S, S f ) (E, E) è misurabile allora σ(f) ⊂ S f .

Proposizione 6. σ(f) = {f 1 (A), A ∈ E} := S f

Dimostrazione. Mostriamo la doppia inclusione,

: Se, per assurdo, esistesse A ∈ E tale che f 1 (A) / σ(f) allora f non sarebbe misurabile. : Mostriamo che S f è una σ-algebra:

: f(i) A}.

• ∅ = f 1 () ∅ ∈ S f .

COMPLEMENTI DI PROBABILITÀ

9

Sia (A n ) n1 ⊂ S f disgiunti A n = f 1 (B n ) n 1 si ha che: n1 A n = n1 f 1 (B n ) = f 1 (n1 B n ) ∈ S f . dunque essendo S f una σ-algebra che rende misurabile f, si ha che σ(f) ⊆ S f .

Osservazione 3. Se C è una classe di generatori di E allora:

(1.19) σ(f) = σ f 1 (c) : c ∈ C = σ f 1 (C)

infatti, σ f 1 (C) ⊆ S f = σ(f) e se A σ(f) allora A = f 1 (B) = f 1 (B(c ∈ C)) = B(f 1 (c ∈ C)) ∈ S f = σ(f).

Esempio 7. Sia f : (S, S) (E, E) misurabile. Se f è costante allora σ(f) =

{, f 1 (c) = S}. Inoltre se E contiene i singleton e σ(f) = {, S} allora f è

f(s 2 )

f 1 (f(s 1 )), f 1 (f(s 2 )) σ(f), che è assurdo.

costante, infatti se per assurdo non lo fosse s 1 , s 2 ∈ S tali che f(s 1 )

=

Esempio 8.

Sia f : (R, B(R)) (R, B(R)) e sia f = 1 A con A R.

Allora f è

misurabile A ∈ B(R). Inoltre σ(f) = {, A, A c , R}.

 

Proposizione 7.

f, g

:

(S, S)

(E, E) misurabili, h

:

(E, E)

(E, E) mi-

surabile. Allora se f = h g σ(f) σ(g), inoltre se g = k f allora σ(g) = σ(f).

Dimostrazione. Sia A

σ(f) A

=

f 1 (B

E)

=

g 1 (h 1 (B)

E)

σ(g).

Proposizione 8 (Criterio di Misurabilità). Siano (S, S),(E, E) spazi misurabili e C classe di generatori di E, cioè σ(C) = E, allora:

(1.20)

Dimostrazione. Mostriamo le due implicazioni.

(): Questa implicazione è ovvia, dalla definizione di misurabilità. (): Consideriamo G = {A ∈ E : f 1 (A) ∈ S}, tale G è una σ-algebra, infatti:

f è misurabile

f 1 (c) ∈ S ∀ c ∈ C

(1)

(2)

= f 1 () ∈ S ∅ ∈ G.

A ∈ G f 1 (A) ∈ S f 1 (A c ) = (f 1 (A)) c ∈ S A c ∈ G.

⊂ G disgiunti f 1 (A n ) ∈ S ∀ n 1 si ha che:

f 1 (n1 A n ) = n1 f 1 (A n ) ∈ S n1 A n ∈ G. per ipotesi si ha che: C ⊆ G ⊆ E dunque E = σ(C) σ(G) ⊆ E, dunque σ(G) = E.

Osservazione 4. Sia f : (S, S) (R, B(R)), allora se f 1 ((−, x]) ∈ S ∀ x R f è misurabile. Se f : (R n , B(R n )) (R, B(R)) è continua allora è anche misurabile.

(3)

(A n ) n1

10

FABIO DURASTANTE

Proposizione 9. Date f, f 1 , f 2 : (S, S) (R, B(R)) misurabili, α R allora si ha che:

(1) f 1 + f 2 è misurabile. (2) αf è misurabile.

Dimostrazione. Mostriamo le due affermazioni:

(1)

{f 1 + f 2 > x} = qQ ({f 1 > q} {f 2 > x q}) ∈ S.

(2)

{αf > x} = {f > α

x } ∈ S.

Date f : (S, S ) (E, E ) e h : (E, E ) (F, F ) misurabili,

Proposizione 10.

allora h f : (S, S ) (F, F ) è misurabile.

Dimostrazione. A ∈ F h 1 (A) ∈ E (hf) 1 (A) = f 1 (h 1 (A)) ∈ S.

Proposizione 11. Sia f n : (S, S) (R, B(R)) misurabili n 1. Allora:

(1) Le funzioni inf n1 f n , sup n1 f n , lim inf n1 f n , lim sup n