Gaußscher Wahrscheinlichkeitsraum

Wahrscheinlichkeitsraum

Ein gaußscher Wahrscheinlichkeitsraum ist in der Stochastik und insbesondere im Malliavin-Kalkül ein Wahrscheinlichkeitsraum zusammen mit einem Hilbert-Raum zentrierter, reeller gaußscher Zufallsvariablen, welcher gaußscher Hilbert-Raum (oder gaußscher Raum) genannt wird. Wichtige Beispiele gaußscher Wahrscheinlichkeitsräume sind die abstrakten Wiener-Räume.

Die Terminologie ist in der Literatur nicht immer einheitlich, generell versteht man unter dem Begriff gaußscher Raum einen abgeschlossenen Unterraum des L2-Raumes, dessen Elemente zentrierte Gauß-Variablen sind. Manche Autoren bezeichnen aber auch allgemein Räume mit einem gaußschen Maß als gaußsche Räume. Wir folgen der Monographie ([1]) von Paul Malliavin.

Gaußscher Wahrscheinlichkeitsraum Bearbeiten

Ein gaußscher Wahrscheinlichkeitsraum   besteht aus

  • einem (vollständigen) Wahrscheinlichkeitsraum   ,
  • einem abgeschlossenen Unterraum  , so dass alle   zentrierte Gauß-Variablen sind, d. h. es gilt  . Die σ-Algebra der Elemente in   notieren wir mit  .
  • einer σ-Algebra   der transversalen Zufallvariablen, welche durch die Beziehung
 
definiert wird.[2]

Irreduzibilität Bearbeiten

Ein gaußscher Wahrscheinlichkeitsraum heißt irreduzibel, wenn   gilt. Irreduzible gaußsche Wahrscheinlichkeitsräume werden mit   notiert. Der Begriff der nicht-irreduziblen gaußschen Wahrscheinlichkeitsräume wird aus zwei Gründen definiert:

  1. Um auf Unterräumen arbeiten zu können.
  2. Um den Wahrscheinlichkeitsraum   erweitern zu können.

Ansonsten wählt man in der Regel einen irreduziblen gaußschen Wahrscheinlichkeitsraum.[2]

Unterräume Bearbeiten

Ein Unterraum   eines gaußschen Wahrscheinlichkeitsraumes   besteht aus

  • einem abgeschlossenen Unterraum   von  ,
  • einer Teil-σ-Algebra   der transversalen Zufallvariablen, so dass   und   unabhängig sind und eine neue Produkt-σ-Algebra   bilden. Des Weiteren soll gelten  .[2]

Beispiel:

Sei   gaußscher Wahrscheinlichkeitsraum mit abgeschlossenem  . Sei nun   das orthogonale Komplement von   in  . Orthogonalität impliziert Unabhängigkeit zwischen   und  , also ist   unabhängig von  . Definiere nun   durch  .

Bemerkung Bearbeiten

Bemerke, für   gilt  .

Fundamentalalgebra Bearbeiten

Zu einem gaußschen Wahrscheinlichkeitsraum   definieren wir die Algebra der zylindrischen Zufallsvariablen der Form

 

wobei   ein Polynom in   Variablen ist und nennen   die Fundamentalalgebra. Es gilt   für  .

Für einen irreduziblen gaußschen Wahrscheinlichkeitsraum   gilt, dass   eine dichte Menge in   für alle   ist.[3]

Numerisches Modell und Segal-Modell Bearbeiten

Ein irreduzibler gaußscher Wahrscheinlichkeitsraum   mit einer gewählten Basis für   nennt man numerisches Modell. Zwei numerische Modelle sind isomorph, wenn ihre gaußschen Räume die gleiche Dimension haben.[4]

Gegeben ist ein separabler Hilbert-Raum  , dann existiert immer ein kanonischer irreduzibler gaußscher Wahrscheinlichkeitsraum   namens Segal-Modell mit   als gaußscher Raum.[5]

Beispiele Bearbeiten

  • Sei   der klassische Wiener-Raum,   die σ-Algebra der Koordinaten-Abbildungen   (oder äquivalent die borelsche σ-Algebra von  ) und   das Wiener-Maß. Weiter sei   und   die Familie der Wiener-Integrale definiert durch
 
Dann ist   ein irreduzibler gaußscher Wahrscheinlichkeitsraum.[6]
  • Sei   ein abstrakter Wiener-Raum, d. h.   ist ein separabler Banach-Raum und   separabler Hilbert-Raum, der stetig und dicht in   eingebettet ist,   ein zentriertes gaußsches Maß und  . Dann ist   ein irreduzibler gaußscher Wahrscheinlichkeitsraum.[6]

Einzelnachweise Bearbeiten

  1. Paul Malliavin: Stochastic analysis. Hrsg.: Springer. Berlin, Heidelberg 1997, ISBN 3-540-57024-1, doi:10.1007/978-3-642-15074-6.
  2. a b c Paul Malliavin: Stochastic analysis. Hrsg.: Springer Berlin, Heidelberg. 1997, ISBN 3-540-57024-1, S. 4–5, doi:10.1007/978-3-642-15074-6.
  3. Paul Malliavin: Stochastic analysis. Hrsg.: Springer Berlin, Heidelberg. 1997, ISBN 3-540-57024-1, S. 13–14, doi:10.1007/978-3-642-15074-6.
  4. Paul Malliavin: Stochastic analysis. Hrsg.: Springer Berlin, Heidelberg. 1997, ISBN 3-540-57024-1, S. 14, doi:10.1007/978-3-642-15074-6.
  5. Paul Malliavin: Stochastic analysis. Hrsg.: Springer Berlin, Heidelberg. 1997, ISBN 3-540-57024-1, S. 16, doi:10.1007/978-3-642-15074-6.
  6. a b Zhi-yuan Huang und Jia-an Yan: Introduction to Infinite Dimensional Stochastic Analysis. Hrsg.: Springer Netherlands. Niederlande 2000, S. 60.