https://sdu-wh-graphtheory.github.io/author/%E8%B7%AF%E5%AE%87%E8%BD%A9/路宇轩Hugo Blox Builder (https://hugoblox.com)en-usWed, 08 Apr 2026 00:00:00 +0000https://sdu-wh-graphtheory.github.io/author/%E8%B7%AF%E5%AE%87%E8%BD%A9/avatar_hu4131514046082095780.pnghttps://sdu-wh-graphtheory.github.io/author/%E8%B7%AF%E5%AE%87%E8%BD%A9/https://sdu-wh-graphtheory.github.io/post/2026-04-08-conditional-probability-martingale/Wed, 08 Apr 2026 00:00:00 +0000https://sdu-wh-graphtheory.github.io/post/2026-04-08-conditional-probability-martingale/<p>本次讨论主要复习了条件概率、条件期望、σ-代数等基础概念，并将这些概念串联起来，解释了 martingale 的理论基础。通过系统梳理，我们明确了从条件概率到 martingale 的完整逻辑链条。</p> <h2 id="核心概念串联">核心概念串联</h2> <p>最近讨论的内容可以按以下逻辑线串联起来：</p> <ol> <li><strong>条件概率</strong> (\mathbb P(A\mid B)) 表示在附加信息 (B) 下的概率；</li> <li><strong>条件期望</strong> (\mathbb E(X\mid \mathcal F)) 表示在附加信息 (\mathcal F) 下对随机变量 (X) 的平均预测；</li> <li><strong>σ-代数</strong> (\mathcal F) 表示当前可判断的事件，也就是“信息”；</li> <li><strong>(\mathcal F)-measurable</strong> 表示一个随机变量的值已经完全由 (\mathcal F) 所包含的信息决定；</li> <li><strong>(\sigma(X))</strong> 和 <strong>(\sigma(\xi_1,\dots,\xi_i))</strong> 都是“由随机变量生成的信息系统”；</li> <li><strong>filtration</strong> 是信息随时间增长的一列嵌套的 σ-代数；</li> <li>因而 [ M_i=\mathbb E(X\mid \mathcal F_i) ] 就是“第 (i) 步信息下对最终答案的预测”；</li> <li>而 <em>Tower property</em> 恰好说明这串预测满足 martingale 条件。</li> </ol> <h2 id="关键点解析">关键点解析</h2> <h3 id="条件概率与条件期望的关系">条件概率与条件期望的关系</h3> <p>条件概率是条件期望的特殊情况。当考虑指示函数 (X = \mathbb 1_A) 时，条件期望 (\mathbb E(\mathbb 1_A \mid \mathcal F)) 就是条件概率 (\mathbb P(A \mid \mathcal F))。</p> <h3 id="σ-代数的信息解释">σ-代数的信息解释</h3> <p>σ-代数 (\mathcal F) 可以理解为当前可用的信息集合。一个事件 (A) 属于 (\mathcal F) 意味着在当下信息水平下，我们可以判断 (A) 是否发生。</p> <h3 id="filtration-与信息增长">Filtration 与信息增长</h3> <p>Filtration ({\mathcal F_i}) 描述了信息随时间的累积过程。(\mathcal F_i \subseteq \mathcal F_{i+1}) 表示信息不会丢失，只会增加。</p> <h3 id="martingale-的直观理解">Martingale 的直观理解</h3> <p>如果 ({M_i}) 是一个 martingale，那么 (M_i) 是在时刻 (i) 的信息下对最终值 (X) 的最佳预测。Tower property 保证了这种预测的一致性：基于较少信息的预测，等于对基于较多信息的预测再求平均。</p> <h2 id="讨论意义">讨论意义</h2> <p>本次串联讨论帮助澄清了以下要点：</p> <ul> <li>条件期望不仅是技术工具，更是信息下的最优预测</li> <li>σ-代数为概率论提供了严格的信息框架</li> <li>Martingale 条件本质上是预测的一致性要求</li> <li>这些概念共同构成了现代概率论的基础语言</li> </ul> <p>通过这样的梳理，我们能够更清晰地理解 martingale 在随机过程研究中的核心地位，也为后续更深入的理论探讨打下了坚实基础。</p>https://sdu-wh-graphtheory.github.io/author/%E8%B7%AF%E5%AE%87%E8%BD%A9/Wed, 08 Apr 2026 00:00:00 +0000https://sdu-wh-graphtheory.github.io/author/%E8%B7%AF%E5%AE%87%E8%BD%A9/<p>路宇轩是</p>