스라소니 머릿속에는

Conditional Expectation

10 min read

Conditional Expectation

Notation 정리

기호의미
Sigma-algebra 에 대한 X의 조건부 기댓값
확률변수 ()
조건이 되는 sigma-algebra ()
전체 sigma-algebra
-측정가능한 확률변수
확률 측도
표본공간의 원소 (하나의 시행)

조건부 기댓값의 정확한 의미

1. 수학적 정의 (Radon-Nikodym Theorem 기반)

는 다음 두 조건을 만족하는 유일한 -측정가능한 확률변수입니다:

  1. 측정가능성: 는 -측정가능
  2. 적분 조건: 모든 에 대해

적분 조건의 깊은 의미

이 조건이 왜 필요한지 단계별로 설명해보겠습니다.

1단계: 직관적 이해

“부분적 정보에서 전체를 일치시키기”

  • 왼쪽: -정보만으로 예측한 값들의 평균
  • 오른쪽: 실제 값들의 평균
  • 조건: 관찰 가능한 모든 사건 에서 이 두 평균이 같아야 함

2단계: 왜 모든 에 대해서인가?

핵심: 는 “현재 구별할 수 있는 사건들”의 집합

예시: 동전 던지기에서

  • : “앞면이 나온 경우들에서만” 평균이 같아야 함
  • : “뒷면이 나온 경우들에서만” 평균이 같아야 함
  • : “전체에서” 평균이 같아야 함

3단계: 적분의 의미 → 여기서 가 뭘 나타내는지 알 수 있었어

해석:

  • 에 속하는 모든 시행들에서
  • 예측값들을 확률로 가중평균한 결과가
  • 실제값들의 가중평균과 같아야 함

4단계: 구체적 예시로 확인

설정:

  • : 주사위 눈의 수 (1,2,3,4,5,6)
  • : “홀수/짝수”만 구별 가능

조건부 기댓값:

  • 홀수가 나왔다면:
  • 짝수가 나왔다면:

적분 조건 확인:

  • :
  • : ✓

5단계: 왜 이 조건이 “최선의 예측”을 보장하는가?

수학적 근거:
이 조건을 만족하는 -측정가능한 함수는 다음을 최소화합니다:

여기서 는 임의의 -측정가능한 함수

직관적 설명:

  • 관찰 가능한 모든 상황에서 평균이 맞다면
  • 그것이 가능한 최선의 예측

6단계: 일반적인 측도론적 해석

추상적 관점:

이는 두 측도가 위에서 같다는 의미:

Radon-Nikodym 정리: 이런 조건을 만족하는 함수가 유일하게 존재함을 보장

7단계: 잘못된 이해 vs 올바른 이해

❌ 잘못된 생각:
“가 각 점에서 성립해야 한다”

✅ 올바른 이해:
“관찰 가능한 모든 사건에서 평균적으로 일치해야 한다”

개별 점에서는 다를 수 있지만, 집합별 평균에서는 반드시 같아야 합니다.

2. 직관적 해석

“의 정보를 아는 상황에서 의 최선의 예측값”

  • : 현재 사용 가능한 정보
  • : 이 정보를 바탕으로 한 의 예측값
  • 이 예측값 자체도 확률변수 (정보에 따라 달라짐)

구체적 예시들

예시 1: 브라운 운동에서

= “1초까지의 브라운 운동 경로를 관찰한 상태에서 3초 시점 값의 예측”

계산: 독립 증분 성질에 의해

예시 2: 마팅게일에서

(for )

의미:

  • 현재 시점 까지의 모든 정보를 알고 있어도
  • 미래 시점 에서의 마팅게일 값의 최선 예측은
  • 단순히 현재 값

조건부 기댓값의 핵심 성질들

1. 선형성 (Linearity)

2. 측정가능성에 따른 인수분해 (Factorization)

만약 가 -측정가능하면:

직관: 의 값을 이미 안다면, 밖으로 빼낼 수 있음

3. Tower Property (반복 기댓값 법칙)

이면:

직관: 더 적은 정보로 예측하는 것은, 더 많은 정보로 예측한 뒤 다시 적은 정보로 예측하는 것과 같음

4. 독립성과의 관계

와 가 독립이면:

직관: 의 정보가 에 대해 아무것도 알려주지 않으므로, 무조건부 기댓값이 최선

마팅게일에서의 역할

마팅게일 조건 분석

단계별 해석:

  1. : 미래 시점 에서의 마팅게일 값 (아직 모름)
  2. : 현재 시점 까지 관찰한 모든 정보
  3. : 현재 정보로 미래를 예측한 값
  4. : 그 예측값이 정확히 현재 값

물리적 의미:

  • 아무리 정교한 분석을 해도
  • 현재까지의 모든 패턴을 파악해도
  • 미래에 대한 최선의 예측은 “현재 상태가 그대로 유지”

조건부 기댓값이 확률변수인 이유

중요한 개념적 차이

  • 일반적 기댓값 : 상수 (하나의 숫자)
  • 조건부 기댓값 : 확률변수 (조건에 따라 달라짐)

구체적 예시

브라운 운동에서 을 계산해보면:

결과가 에 의존하므로 확률변수입니다!

실제 계산에서의 활용

독립증분을 이용한 계산

브라운 운동의 독립증분 성질을 이용하면:

마팅게일 확인

확률과정 가 마팅게일인지 확인하려면:

  1. 확인
  2. 가 -adapted 확인
  3. 계산으로 확인

조건부 기댓값의 기하학적 직관

는 를 -측정가능한 함수들의 공간에 정사영시킨 결과

  • 공간에서 -측정가능한 부분공간으로의 직교투영
  • 거리 를 최소화하는 -측정가능한 함수
  • 이것이 바로 “최선의 예측”이라는 의미의 수학적 근거

흔한 오해와 주의사항

1. 조건부 확률과의 혼동

  • : 사건의 조건부 확률
  • : 확률변수의 조건부 기댓값
  • 둘 다 확률변수임!

2. 조건의 순서

일 때:

  • : 적은 정보로 예측 → 더 “뭉뚝한” 예측
  • : 많은 정보로 예측 → 더 “정교한” 예측

Reference

Stochastic Differential Equations 공부하기

관련 개념들

그래프 뷰

백링크