Abstract
In uno spazio di probabilità \(({\Omega},\mathcal{F},P)\), siano \(X\) una variabile aleatoria e \(\mathcal{G}\) una sotto-\({\sigma}\)-algebra di \(\mathcal{F}\). In questo capitolo introduciamo i concetti di distribuzione e attesa di \(X\) condizionate a \(\mathcal{G}\). Ricordando che una \({\sigma}\)-algebra può essere interpretata come un insieme di ‘‘informazioni’’, l’attesa di \(X\) condizionata a \(\mathcal{G}\) rappresenta la miglior stima del valore aleatorio \(X\) in base alle informazioni contenute in \(\mathcal{G}\). Tanto più \(\mathcal{G}\) è grande, tanto migliore e più dettagliata è la stima di \(X\) data dall’attesa condizionata: quest’ultima, dal punto di vista matematico, è definita come una variabile aleatoria che gode di determinate proprietà. I concetti di attesa e distribuzione condizionata sono alla base della teoria dei processi stocastici e di tutte le applicazioni della teoria della probabilità in cui si vuole modellizzare un fenomeno aleatorio che evolve nel tempo: in tal caso è necessario descrivere non solo l’evoluzione del valore aleatorio \(X\) ma anche quella delle informazioni che, col passare del tempo, diventano disponibili e permettono di stimare \(X\).
We have not succeeded in answering all our problems – indeed we sometimes feel we have not completely answered any of them. The answers we have found have only served to raise a whole set of new questions. In some ways we feel that we are as confused as ever, but we think we are confused on a higher level, and about more important things.
Earl C. Kelley
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
L’ipotesi ii) non è realmente restrittiva: se \(Z\) verifica i) allora esiste un’unica \(Y\) discreta tale che \(P(Y=y)> 0\) per ogni \(y\in Y({\Omega})\) e \(Z=Y\) q.c.
- 2.
Nella distribuzione esponenziale \({\mathrm{Exp}}_{\lambda}\), il parametro \(\lambda> 0\) è usualmente chiamato intensità.
- 3.
Più precisamente, si veda la (5.11).
- 4.
Vale anche
$$\begin{gathered}\displaystyle E\left[E\left[X\mid\mathcal{H}\right]\mid\mathcal{G}\right]=E\left[X\mid\mathcal{H}\right]\end{gathered}$$che segue direttamente dalla proprietà 2) e dal fatto che \(E\left[X\mid\mathcal{H}\right]\in m\mathcal{G}\) poiché \(\mathcal{H}\subseteq\mathcal{G}\).
- 5.
Il problema di fornire condizioni necessarie e sufficienti è complesso e in parte ancora aperto: al riguardo si veda [18].
- 6.
Uno spazio metrico \(\mathcal{S}\) si dice separabile se esiste un sottoinsieme numerabile e denso in \(\mathcal{S}\).
- 7.
Qui utilizziamo il fatto che \({\mu}_{X\mid\mathcal{G}}={\mu}_{X\mid\mathcal{G}}(\cdot;{\omega})\) è una distribuzione per ogni \({\omega}\in{\Omega}\).
- 8.
Si ricordi che
$$\begin{gathered}\displaystyle F(x,y)=\int_{-\infty}^{x}\int_{-\infty}^{y}{\gamma}_{(X,Y)}({\xi},{\eta})d{\xi}d{\eta}.\end{gathered}$$ - 9.
Si ricordi la notazione dell’Osservazione 5.3.5.
- 10.
Ricordiamo (cfr. Osservazione 2.4.19) che la densità di una v.a. è definita a meno di insiemi di Borel di misura nulla secondo Lebesgue.
- 11.
Il limite esiste per la monotonia di \(F\).
Author information
Authors and Affiliations
Corresponding author
5.1 Electronic Supplementary Material
Rights and permissions
Copyright information
© 2020 Springer-Verlag Italia S.r.l., part of Springer Nature
About this chapter
Cite this chapter
Pascucci, A. (2020). Probabilità condizionata. In: Teoria della Probabilità. UNITEXT(), vol 123. Springer, Milano. https://doi.org/10.1007/978-88-470-4000-7_5
Download citation
DOI: https://doi.org/10.1007/978-88-470-4000-7_5
Published:
Publisher Name: Springer, Milano
Print ISBN: 978-88-470-3999-5
Online ISBN: 978-88-470-4000-7
eBook Packages: Mathematics and StatisticsMathematics and Statistics (R0)