여과 확률 공간

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.

1. 개요
2. 정의
3. 추가 조건
- 3.1. 오른쪽 연속성
- 3.2. 완비성
4. 자연 여과
5. 종류
6. 응용
참조

1. 개요

여과 확률 공간은 확률론에서 사용되는 개념으로, 확률 공간과 시그마 대수의 증가하는 집합(여과)으로 구성된다. 이는 시간의 흐름에 따라 이용 가능한 정보의 양이 증가하는 상황을 수학적으로 모델링한다. 여과 확률 공간은 오른쪽 연속성, 완비성과 같은 추가적인 조건을 가질 수 있으며, 이러한 조건들은 확률 과정의 분석에 중요한 역할을 한다. 특히 자연 여과는 확률 과정에 의해 생성되는 여과 확률 공간을 나타낸다.

2. 정의

여과 확률 공간은 다음 데이터로 주어진다.

하계 $0\in T$ 와 상계 $\infty\in T$ 를 갖는 전순서 집합 $(T,\le)$
집합 $\Omega$
각 $t\in T$ 에 대하여, $\Omega$ 위의 시그마 대수 $\mathcal F_t\subseteq\operatorname{Pow}(\Omega)$
확률 공간 구조 $(\Omega,\mathcal F_\infty,\Pr)$

이는 다음 조건을 만족시켜야 한다.

$\mathcal F\colon T \to\operatorname{Pow}(\operatorname{Pow}(\Omega))$ 는 증가 함수이다. 즉, 임의의 $s,t\in T$ 에 대하여, 만약 $s\le t$ 라면, $\mathcal F_s \subseteq \mathcal F_t$ 이다.
(오른쪽 연속성 右連續性 right-continuity^영어) 임의의 $t\in T$ 에 대하여, $\textstyle\bigcap_{t 이다.$ ^[2]
(완비성) $\textstyle\bigcup_{A\in\mathcal F_\infty\colon \Pr(A) = 0} \operatorname{Pow}(A) \subseteq \mathcal F_0$

보통,

T = [0,\infty]

(연속 시간) 또는

T = \mathbb N \sqcup\{\infty\}

(이산 시간)를 사용한다.^[2]

시그마 대수는 (가산 또는 비가산) 교집합에 대하여 닫혀 있으므로,

T

의 하계의 존재는 크게 중요하지 않다. 만약

T

에 하계가 존재하지 않는다면, 여기에 하계

0

을 추가하고,

:

\mathcal F_0 = \bigcap_{t\in T}\mathcal F_t

를 정의할 수 있다. 반면,

T

의 상계의 존재는 덜 자명하다. 시그마 대수는 (가산 또는 비가산) 합집합에 대하여 닫혀 있지 않으며, 합집합으로 생성되는 시그마 대수를 취하더라도, 여기에 확률 측도가 잘 정의되는지 여부는 일반적으로 자명하지 않다.

T

의 상계에서의 시그마 대수

\mathcal F_\infty

는 어떤 전지적(全知的) 인물의 지식을 나타낸다.^[2]

오른쪽 연속성과 완비성은 보다 전문적인 조건이며, 대부분의 정리들을 증명할 때 필요하다. 이들은 대략 다음과 같이 해석될 수 있다.^[2]

오른쪽 연속성: 현재의 지식은 모든 미래 지식들의 교집합이다. (반면, 현재의 지식은 과거의 지식들의 합집합이 아닐 수 있는데, 이는 정확히 현재에 새 정보를 알 수 있기 때문이다.)
완비성: 만약 어떤 사건이 불가능하다면(또는 확실하다면), 그 불가능성(또는 확실성)은 처음부터 알 수 있다.

일부 문헌에서는 이 조건들이 생략되며, 이 조건들을 만족시키는 여과 확률 공간을 ‘표준 여과 확률 공간’(standard filtered probability space^영어) 또는 ‘보통 조건을 만족시키는 여과 확률 공간’(filtered probability space satisfying the usual conditions^영어)이라고 둘러 일컫게 된다.^[2]

확률 공간

(\Omega, \mathcal A, P)

이 주어지고,

I

가 전순서

\leq

를 가진 인덱스 집합이라고 하자 (주로

\N

,

\R^+

, 또는

\mathbb R^+

의 부분 집합).^[4]

모든

i \in I

에 대해,

\mathcal F_i

를

\mathcal A

의 부분 ''σ''-대수라고 하자. 그러면

:

\mathbb F:= (\mathcal F_i)_{i \in I}

는 여과(filtration)라고 불리며, 모든

k \leq \ell

에 대해

\mathcal F_k \subseteq \mathcal F_\ell

이다. 따라서 여과는 감소하지 않는 순서로 정렬된 ''σ''-대수의 모임이다.^[2]^[6] 만약

\mathbb F

가 여과라면,

(\Omega, \mathcal A, \mathbb F, P)

를 '''여과 확률 공간'''이라고 부른다.^[4]

3. 추가 조건

시그마 대수는 (가산 또는 비가산) 교집합에 대하여 닫혀 있으므로, $T$ 의 하계의 존재는 크게 중요하지 않다. 만약 $T$ 에 하계가 존재하지 않는다면, 여기에 하계 $0$ 을 추가하고,

: $\mathcal F_0 = \bigcap_{t\in T}\mathcal F_t$

를 정의할 수 있다. 반면, $T$ 의 상계의 존재는 덜 자명하다. 시그마 대수는 (가산 또는 비가산) 합집합에 대하여 닫혀 있지 않으며, 합집합으로 생성되는 시그마 대수를 취하더라도, 여기에 확률 측도가 잘 정의되는지 여부는 일반적으로 자명하지 않다. $T$ 의 상계에서의 시그마 대수 $\mathcal F_\infty$ 는 어떤 전지적(全知的) 인물의 지식을 나타낸다.

오른쪽 연속성과 완비성은 보다 전문적인 조건이며, 대부분의 정리들을 증명할 때 필요하다. 이들은 대략 다음과 같이 해석될 수 있다.

오른쪽 연속성: 현재의 지식은 모든 미래 지식들의 교집합이다. (반면, 현재의 지식은 과거의 지식들의 합집합이 아닐 수 있는데, 이는 정확히 현재에 새 정보를 알 수 있기 때문이다.)
완비성: 만약 어떤 사건이 불가능하다면(또는 확실하다면), 그 불가능성(또는 확실성)은 처음부터 알 수 있다.

일부 문헌에서는 이 조건들이 생략되며, 이 조건들을 만족시키는 여과 확률 공간을 ‘표준 여과 확률 공간’(standard filtered probability space^영어) 또는 ‘보통 조건을 만족시키는 여과 확률 공간’(filtered probability space satisfying the usual conditions^영어)이라고 둘러 일컫게 된다.

여과 확률 공간에서 오른쪽 연속성은 임의의

t\in T

에 대하여,

\textstyle\bigcap_{t 인 조건을 의미한다. 즉, 현재의 지식은 모든 미래 지식들의 교집합이다. 이는 정확히 현재에 새로운 정보를 알 수 있기 때문에, 현재의 지식이 과거 지식들의 합집합이 아닐 수 있다는 점과 대조적이다.

만약

\mathbb F= (\mathcal F_i)_{i \in I}

가 필터레이션이라면, 이에 대응하는 우연속 필터레이션(right-continuous filtration)은 다음과 같이 정의된다.

:

\mathbb F^+:= (\mathcal F_i^+)_{i \in I}

여기서

:

\mathcal F_i^+:= \bigcap_{z > i} \mathcal F_z

이다. 필터레이션

\mathbb F

자체가

\mathbb F^+ = \mathbb F

일 때 우연속이라고 한다.

오른쪽 연속성은 완비성과 함께 여과 확률 공간 관련 정리들을 증명할 때 필요한 전문적인 조건이다. 일부 문헌에서는 이 조건들이 생략되기도 하며, 이 조건들을 만족시키는 여과 확률 공간을 '표준 여과 확률 공간' 또는 '보통 조건을 만족시키는 여과 확률 공간'이라고 부르기도 한다.

여과 확률 공간의 완비성은 만약 어떤 사건이 불가능하거나 확실하다면, 그 불가능성 또는 확실성은 처음부터 알 수 있다는 것을 의미한다. 일부 문헌에서는 완비성 조건이 생략되며, 이 조건을 만족시키는 여과 확률 공간을 '표준 여과 확률 공간'(standard filtered probability space^영어) 또는 '보통 조건을 만족시키는 여과 확률 공간'(filtered probability space satisfying the usual conditions^영어)이라고 부른다.

확률 공간

(\Omega, \mathcal F, P)

가 주어졌을 때,

\mathcal N_P:= \{A \subseteq \Omega \mid A \subseteq B \text{ for some } B \in  \mathcal F \text{ with } P(B)=0 \}

는

P

-영집합에 포함되는 모든 집합의 집합으로 정의된다. 여과

\mathbb F= (\mathcal F_i)_{i \in I}

가 모든

\mathcal F_i

가

\mathcal N_P

를 포함하면, 이를 '''완비 여과'''라고 부른다. 이는 모든

i \in I

에 대해

(\Omega, \mathcal F_i, P)

가 완비 측도 공간임을 의미한다. (역은 반드시 성립하지 않는다.)

\mathcal N_P:= \{A \in \mathcal P(\Omega) \mid A \subset B \text{ for a } B \text{ with } P(B)=0 \}

를

P

-영집합이라고 한다.

정보계

\mathbb F= (\mathcal F_i)_{i \in I}

는 임의의

\mathcal F_i

가

\mathcal N_P

를 포함할 때 '''완비 정보계''' (complete filtration)라고 한다. 이는 임의의

i \in I

에 대해

(\Omega, \mathcal F_i, P)

가 완비 측도 공간인 것과 동치이다.

3. 1. 오른쪽 연속성

여과 확률 공간에서 오른쪽 연속성은 임의의

t\in T

에 대하여,

\textstyle\bigcap_{t 인 조건을 의미한다.

^[3]^[7] 즉, 현재의 지식은 모든 미래 지식들의 교집합이다. 이는 정확히 현재에 새로운 정보를 알 수 있기 때문에, 현재의 지식이 과거 지식들의 합집합이 아닐 수 있다는 점과 대조적이다.

만약

\mathbb F= (\mathcal F_i)_{i \in I}

가 필터레이션이라면, 이에 대응하는 우연속 필터레이션(right-continuous filtration)은 다음과 같이 정의된다.

:

\mathbb F^+:= (\mathcal F_i^+)_{i \in I}

여기서

:

\mathcal F_i^+:= \bigcap_{z > i} \mathcal F_z

이다. 필터레이션

\mathbb F

자체가

\mathbb F^+ = \mathbb F

일 때 우연속이라고 한다.

오른쪽 연속성은 완비성과 함께 여과 확률 공간 관련 정리들을 증명할 때 필요한 전문적인 조건이다. 일부 문헌에서는 이 조건들이 생략되기도 하며, 이 조건들을 만족시키는 여과 확률 공간을 '표준 여과 확률 공간' 또는 '보통 조건을 만족시키는 여과 확률 공간'이라고 부르기도 한다.

3. 2. 완비성

여과 확률 공간의 완비성은 만약 어떤 사건이 불가능하거나 확실하다면, 그 불가능성 또는 확실성은 처음부터 알 수 있다는 것을 의미한다. 일부 문헌에서는 완비성 조건이 생략되며, 이 조건을 만족시키는 여과 확률 공간을 '표준 여과 확률 공간'(standard filtered probability space^영어) 또는 '보통 조건을 만족시키는 여과 확률 공간'(filtered probability space satisfying the usual conditions^영어)이라고 부른다.

확률 공간

(\Omega, \mathcal F, P)

가 주어졌을 때,

\mathcal N_P:= \{A \subseteq \Omega \mid A \subseteq B \text{ for some } B \in  \mathcal F \text{ with } P(B)=0 \}

는

P

-영집합에 포함되는 모든 집합의 집합으로 정의된다. 여과

\mathbb F= (\mathcal F_i)_{i \in I}

가 모든

\mathcal F_i

가

\mathcal N_P

를 포함하면, 이를 '''완비 여과'''라고 부른다. 이는 모든

i \in I

에 대해

(\Omega, \mathcal F_i, P)

가 완비 측도 공간임을 의미한다. (역은 반드시 성립하지 않는다.)

\mathcal N_P:= \{A \in \mathcal P(\Omega) \mid A \subset B \text{ for a } B \text{ with } P(B)=0 \}

를

P

-영집합이라고 한다.

정보계

\mathbb F= (\mathcal F_i)_{i \in I}

는 임의의

\mathcal F_i

가

\mathcal N_P

를 포함할 때 '''완비 정보계''' (complete filtration)라고 한다. 이는 임의의

i \in I

에 대해

(\Omega, \mathcal F_i, P)

가 완비 측도 공간인 것과 동치이다.

4. 자연 여과

전순서 집합 $(T,\le)$ 을 지표 집합으로 하는, 완비 확률 공간 $(\Omega,\mathcal F,\Pr)$ 위의 확률 과정 $(X_t\colon\Omega\to S)_{t\in T}$ 이 주어졌다고 하자. 또한, 표본 공간 $S$ 의 시그마 대수를 $\mathcal A\subseteq\operatorname{Pow}(S)$ 라고 하자. 그렇다면, $T\sqcup\{\infty\}$ 위의 여과 확률 공간은 다음과 같이 정의된다.

: $\mathcal F_\infty = \mathcal F$

: $\mathcal F_t = \sigma\left(\{X_s^{-1}(A)\colon s\le t,\;A\in\mathcal A\} \cup \{A\in\mathcal F\colon \Pr(A) = 0\}\right)$

이를 $X_t$ 에 대응하는 '''자연 여과 확률 공간'''(natural filtered probability space^영어)이라고 한다. 모든 확률 과정은 스스로의 자연 여과 확률 공간 위의 순응 확률 과정을 이룬다.

확률 공간 $(\Omega, \mathcal A, P)$ 에서 $(X_n)_{n \in \N}$ 을 확률 과정이라고 할 때, $\sigma(X_k \mid k \leq n)$ 을 확률 변수 $X_1, X_2, \dots, X_n$ 에 의해 생성된 ''σ''-대수라고 하면,

: $\mathcal F_n:=\sigma(X_k \mid k \leq n)$

은 ''σ''-대수이고, $\mathbb F= (\mathcal F_n)_{n \in \N}$ 은 여과가 된다.

$\mathbb F$ 는 정의에 의해 모든 $\mathcal F_n$ 은 ''σ''-대수이고

: $\sigma(X_k \mid k \leq n) \subseteq \sigma(X_k \mid k \leq n+1).$

이므로, $(X_n)_{n \in \N}$ 에 대한 $\mathcal A$ 의 자연 여과가 된다.

5. 종류

5. 1. 우연속 여과

만약

\mathbb F = (\mathcal F_i)_{i \in I}

가 정보계일 때, 대응하는 '''우연속 정보계'''는 다음과 같이 정의된다.^[3]

:

\mathbb F^+ := (\mathcal F_i^+)_{i \in I}

여기서

:

\mathcal F_i^+ := \bigcap_{i < z} \mathcal F_z

이다. 정보계

\mathbb F

는

\mathbb F^+ = \mathbb F

를 만족할 때 우연속이라고 한다.^[7]

5. 2. 완비 여과

확률 공간

(\Omega, \mathcal F, P)

가 주어졌을 때,

:

\mathcal N_P:= \{A \subseteq \Omega \mid A \subseteq B \text{ for some } B \in \mathcal F \text{ with } P(B)=0 \}

를

P

-영집합에 포함되는 모든 집합의 집합으로 정의한다.

여과

\mathbb F = (\mathcal F_i)_{i \in I}

가 모든

\mathcal F_i

가

\mathcal N_P

를 포함하면, 이를 '''완비 여과'''라고 부른다. 이는 모든

i \in I

에 대해

(\Omega, \mathcal F_i, P)

가 완비 측도 공간임을 의미한다. (역은 반드시 성립하지 않는다.)

:

\mathcal N_P:= \{A \in \mathcal P(\Omega) \mid A \subset B \text{ for a } B \text{ with } P(B)=0 \}

를

P

-영집합이라고 한다.

정보계

\mathbb F = (\mathcal F_i)_{i \in I}

는 임의의

\mathcal F_i

가

\mathcal N_P

를 포함할 때 '''완비 정보계''' (complete filtration)라고 한다. 이는 임의의

i \in I

에 대해

(\Omega, \mathcal F_i, P)

가 완비 측도 공간인 것과 동치이다.

5. 3. 확장 여과

필터레이션은 완전하고 오른쪽 연속일 경우 '''확장 필터레이션'''이라고 한다. 모든 필터레이션

\mathbb F

에 대해

\mathbb F

를 세분화하는 가장 작은 확장 필터레이션

\tilde {\mathbb F}

이 존재한다.^[3]

필터레이션이 확장 필터레이션이면, '''일반적인 가설''' 또는 '''일반적인 조건'''을 만족한다고 말한다. 정보계가 오른쪽 연속이고 완전할 때 '''확대 정보계'''(augmented filtration)라고 하며, 임의의 정보계

\mathbb F

에 대해 최소의 확대 정보계

\tilde {\mathbb F}

가 존재한다.

정보계가 확대 정보계일 때, 여과 확률 공간 '''

(\Omega, \mathcal A, \mathbb F, P)

'''는 '''완비'''(complete)라고 하거나, '''통상적인 가정'''(usual hypothese) 또는 '''통상적인 조건'''(usual condition)이 충족된다고 한다.

6. 응용

참조

_[1] 서적 Random Measures, Theory and Applications Springer
_[2] 서적 Probability Theory https://archive.org/[...] Springer
_[3] 서적 Probability Theory https://archive.org/[...] Springer
_[4] 서적 Limit Theorems for Stochastic Processes https://link.springe[...] Springer Berlin, Heidelberg
_[5] 서적 Random Measures, Theory and Applications Springer
_[6] 서적 Probability Theory Springer
_[7] 서적 Probability Theory Springer

본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com