マルチンゲール収束定理

ドゥーブの収束定理は、変動が激しくないマルチンゲールがほとんど確実に極限に収束することを示しており、確率列が収束することを証明するための強力かつ非常に一般的な方法を提供します。

Definition

マルチンゲール収束定理とは、第1平均で有界なマルチンゲールがほとんど確実に収束し、一様可積分性の下では第1平均でも収束し、その極限の条件付き期待値に等しくなることを述べる結果です。

Scope

このトピックでは、ドゥーブのアップクロッシング不等式と、第1平均で有界な過程に対するほとんど確実なマルチンゲール収束定理、第1平均での収束へのアップグレードと極限によるマルチンゲールの閉包における一様可積分性の役割、1より大きいpに対するp次平均での収束、およびコルモゴロフの0-1法則を系とするレヴィの上方および下方収束定理について扱います。

Core questions

• なぜ第1平均での有界性がマルチンゲールをほとんど確実に収束させるのでしょうか？
• 平均での収束と閉じた極限変数を生み出す追加条件は何ですか？
• レヴィの定理は、フィルター処理に沿った条件付き期待値の極限をどのように記述していますか？
• これらの定理は、どのようにして0-1法則や他の収束結果をもたらすのでしょうか？

Key concepts

• アップクロッシング不等式
• ほとんど確実な収束
• 一様可積分性
• 閉じたマルチンゲール
• レヴィの0-1法則

Key theories

ドゥーブのマルチンゲール収束定理

絶対値の第1モーメントが有界なマルチンゲールは、ほとんど確実に有限な極限に収束します。これは、過程が任意の区間を横切る回数を制限するアップクロッシング不等式を通じて証明され、最小限の仮定の下で収束をもたらします。

一様可積分性と平均収束

一様可積分なマルチンゲールは、ほとんど確実にも第1平均でも収束し、その極限によって閉じられます。これは、各項が対応する情報が与えられた場合のその極限の条件付き期待値であることを意味し、良好な振る舞いをするマルチンゲールを特徴づけます。

レヴィの上方および下方定理

増加または減少するシグマ代数族が与えられた固定の可積分変数の条件付き期待値は、ほとんど確実にも平均においても、極限シグマ代数が与えられた場合の条件付き期待値に収束し、コルモゴロフの0-1法則は特殊なケースとして含まれます。

Clinical relevance

マルチンゲール収束は、データが蓄積されるにつれてベイズ事後分布の一貫性、確率的近似およびオンライン学習アルゴリズムのほとんど確実な収束、逆マルチンゲールを介した大数の強法則、および逐次検定とモデル選択を支配する尤度比の収束の根底にあります。

History

ドゥーブは1940年代にほとんど確実な収束定理を証明し、アップクロッシング論法を導入しました。レヴィはそれ以前に、フィルター処理に沿った条件付き期待値の収束を確立していました。これらが合わさって、現代の教科書で提示されるマルチンゲール理論の収束の基盤となりました。

Key figures

• Joseph L. Doob
• Paul Levy
• David Williams

Seminal works

• williams1991

Frequently asked questions

マルチンゲールのほとんど確実な収束は、その平均の収束を意味しますか？

それだけでは意味しません。ほとんど確実な収束は第1平均での有界性から導かれますが、期待値の収束と閉包性は、より強い条件である一様可積分性を必要とします。

アップクロッシング不等式とは何ですか？

これは、マルチンゲールが固定された区間を上向きに横切る期待回数を、その現在のサイズで制限するものです。収束しない有界な列は、ある区間を無限回振動しなければならないため、この上限はほとんど確実な収束を強制します。