关于离散情形Doob分解定理证明的疑问

嘿，我来帮你把这个疑惑捋清楚！

首先得回忆两个关键的基础点，这是理解这个结论的核心：

1. 我们讨论的随机过程对应的filtration（滤子）${\mathcal{F}_n}$是递增的——也就是说，对任意$0 \leq n \leq t$，都有$\mathcal{F}_n \subseteq \mathcal{F}_t$。这是“适应过程”定义里的默认前提（毕竟$Y$是适应的，意味着每个$Y_n$都是$\mathcal{F}_n$可测的）。
2. 条件期望的核心性质：对于任意随机变量$Z$和σ代数$\mathcal{G}$，条件期望$\mathbb{E}[Z|\mathcal{G}]$一定是**$\mathcal{G}$可测**的随机变量。

现在来看你疑惑的点：

• 先看$\mathbb{E}[Y_{n+1}|\mathcal{F}_n]$：根据上面的第二条性质，它是$\mathcal{F}_n$可测的。而因为filtration是递增的，$\mathcal{F}_n$是$\mathcal{F}_t$的子σ代数——简单说就是，所有能被$\mathcal{F}_n$描述的事件，都能被$\mathcal{F}_t$描述，所以任何$\mathcal{F}_n$可测的随机变量，自然也属于$\mathcal{F}_t$可测的范畴。
• 再看$Y_n$：因为$Y$是适应过程，$Y_n$是$\mathcal{F}_n$可测的，同样基于filtration递增的性质，它也一定是$\mathcal{F}_t$可测的。

那$A_{t+1} = \sum_{n=0}^t \left( \mathbb{E}[Y_{n+1}|\mathcal{F}_n] - Y_n \right)$是这些$\mathcal{F}t$可测项的和，而可测随机变量的线性组合依然是可测的，所以整个$A{t+1}$就是$\mathcal{F}t$可测的——这正好符合离散情形下“可料（predictable）过程”的定义（离散可料过程要求对每个$t$，$A{t+1}$是$\mathcal{F}_t$可测的）。

这样是不是就通顺多啦？

备注：内容来源于stack exchange，提问作者Anton2107