Ocena ryzyka kredytowego
Transkrypt
Ocena ryzyka kredytowego
Marcin Studniarski http://math.uni.lodz.pl/ marstud/ [email protected] Ocena ryzyka kredytowego (semestr letni 2013/14) 1 Informacje wstepne ¾ Celem tego rozdzia÷ u jest powtórzenie pewnych wiadomości z mojego wyk÷ adu z Ryzyka inwestycji …nansowych, g÷ ównie w celu ustalenia oznaczeń i terminologii. Treść tego rozdzia÷ u nie bedzie ¾ przedmiotem odrebnych ¾ pytań egzaminacyjnych, ale jej znajomość jest niezbedna ¾ do zrozumienia dalszej cześci ¾ wyk÷adu. W ramach tego wyk÷adu rozwaz·amy ryzyko kredytowe, które wynika z moz·liwości niedotrzymania warunków kontraktu przez osobe¾ lub instytucje, ¾ której udzielono kredytu. 1.1 Podzia÷ryzyka kredytowego 1. Ryzyko niedotrzymania warunków - ryzyko niedokonania przez druga¾ strone¾ p÷atności wynikajacych ¾ z kontraktu. 2. Ryzyko wiarygodności kredytowej - moz·liwość zmiany wiarygodności kredytowej drugiej strony. 1.2 Przestrzeń probabilistyczna Niech bedzie ¾ dowolnym zbiorem zdarzeń elementarnych. Prawdopodobieństwo przypisujemy podzbiorom zbioru nalez·acym ¾ do tzw. klasy zdarzeń F, gdzie F 2 . Zak÷ adamy, z·e F jest -cia÷ em podzbiorów , tzn. spe÷ nia nastepuj ¾ ace ¾ warunki: S1. F = 6 ;. S2. Jez·eli A 2 F, to nA 2 F. S1 S3. Jez·eli Ai 2 F dla i = 1; 2; :::, to i=1 Ai 2 F. Z powyz·szych warunków wynika, z·e do F nalez·a¾ zdarzenia: (zdarzenie pewne) i ; (zdarzenie niemoz·liwe). Najmniejsze -cia÷ o zawierajace ¾ wszystkie zbiory otwarte w Rn nazywamy -cia÷ em zbiorów borelowskich w Rn i oznaczamy B(Rn ). Prawdopodobieństwem nazywamy dowolna¾ funkcje¾ P : F ! R spe÷ niajac ¾ a¾ warunki: A1. P (A) 0 dla kaz·dego A 2 F, A2. P ( ) = 1, 1 A3. Jez·eli Ai 2 F dla i = 1; 2; ::: oraz Ai \ Aj = ; dla i 6= j, to ! 1 1 [ X P Ai = P (Ai ): i=1 (1) i=1 Przestrzenia¾ probabilistyczna¾ nazywamy trójk¾ e ( ; F; P ), gdzie jest dowolnym zbiorem, F jest -cia÷ em podzbiorów , a P jest prawdopodobieństwem określonym na F. 1.3 Zmienne losowe Niech ( ; F; P ) bedzie ¾ przestrzenia¾ probabilistyczna. ¾ Zmienna¾ losowa¾ (wektorem losowym) o wartościach w Rn nazywamy odwzorowanie X : ! Rn takie, z·e dla dowolnego zbioru borelowskiego A w Rn zbiór X 1 (A) nalez·y do F. Moz·na wykazać, z·e X jest zmienna¾ losowa¾ wtedy i tylko wtedy, gdy dla kaz·dego uk÷adu liczb 1 ; :::; n 2 R mamy X 1 (( 1; 1] ::: ( 1; n ]) 2 F: Uwaga. Jeśli jest zbiorem skończonym i F = 2 , to kaz·da funkcja ! Rn jest zmienna¾ losowa. ¾ Rozk÷ adem prawdopodobieństwa zmiennej losowej X : ! Rn nazywamy funkcje¾ PX : B(Rn ) ! R dana¾ wzorem X: PX (B) := P (X 1 (B)) dla B 2 B(Rn ): (2) Mówimy, z·e zmienna losowa X ma rozk÷ ad dyskretny, jez·eli istnieje taki zbiór przeliczalny S Rn , z·e PX (S) = 1. Uwaga. Jeśli jest zbiorem skończonym i F = 2 , to moz·na przyjać ¾ S := X( ) (zbiór skończony) i wtedy PX (S) = PX (X( )) = P (X 1 (X( ))) = P ( ) = 1: Zatem kaz·da zmienna losowa określona na skończonym zbiorze zdarzeń elementarnych ma rozk÷ad dyskretny. 1.4 Wartość oczekiwana zmiennej losowej o rozk÷ adzie dyskretnym Wartościa¾oczekiwana¾(lubśrednia) ¾ zmiennej losowej X : ! R o rozk÷adzie dyskretnym, przyjmujacej ¾ skończenie wiele wartości, nazywamy liczbe¾ X EX := xi P (X = xi ); (3) i2I gdzie X( ) = fxi gi2I , I – skończony zbiór indeksów, a P (X = xi ) jest skróconym zapisem wyraz·enia P (f! 2 : X(!) = xi g). 2 Wartościa¾ oczekiwana¾ wektora losowego X = (X1 ; :::; Xn ) : ! Rn , gdzie wszystkie zmienne losowe Xi przyjmuja¾ skończenie wiele wartości, nazywamy wektor EX := (EX1 ; :::; EXn ): (4) 1.5 Wartość oczekiwana zmiennej losowej w przypadku ogólnym W przypadku dowolnej zmiennej losowej X : ! R mówimy, z·e ma ona wartość oczekiwana, ¾ jez·eli jest ca÷ kowalna, tzn. Z jXj dP < 1: Wówczas wartościa¾ oczekiwana¾ zmiennej losowej X nazywamy liczbe¾ Z EX := XdP: (5) De…nicja (5) jest uogólnieniem de…nicji (3). W ogólnym przypadku do zde…niowania wartości oczekiwanej wektora losowego uz·ywamy wzoru (4) przy za÷ oz·eniu, z·e wszystkie wspó÷ rzedne ¾ maja¾ wartość oczekiwana. ¾ Twierdzenie 1. Niech X i Y bed ¾ a¾zmiennymi losowymi na o warto´sciach w R. Za÷ó·zmy, ·ze istnieja¾ warto´sci oczekiwane EX i EY . Wówczas: (a) Je´sli X 0, to EX 0. (b) jEXj E jXj. (c) Dla dowolnych a, b 2 R istnieje warto´s´c oczekiwana aX + bY i E(aX + bY ) = aEX + bEY . 1.6 (6) Wariancja i odchylenie standardowe zmiennej losowej Niech X : ! R bedzie ¾ zmienna¾ losowa. ¾ Jeśli E (X EX)2 < 1, to te¾ liczbe¾ nazywamy wariancja¾ zmiennej losowej X i oznaczamy Var X = D2 X := E (X EX)2 : (7) Wariancje¾ moz·na inaczej zapisać nastepuj ¾ aco: ¾ Var X = E(X 2 ) (EX)2 : (8) Ze wzorów (7) i (3) wynika, z·e jeśli X przyjmuje skończona¾ ilość wartości xi , i 2 I, to X Var X = P (X = xi )(xi EX)2 : (9) i2I W÷ asności wariancji. Jeśli X jest zmienna¾ losowa, ¾ dla której E(X 2 ) < 1, to istnieje Var X i spe÷nia warunki (a) Var X 0. 3 (b) Var( X) = 2 Var X ( 2 R). (c) Var(X + ) = Var(X) ( 2 R). (d) Var X = 0 wtedy i tylko wtedy, gdy zmienna losowa X jest sta÷ a z prawdopodobieństwem 1. Odchyleniem standardowym zmiennej losowej X nazywamy pierwiastek z wariancji: p Var X: (10) X = DX = 1.7 Niezalez·ność zmiennych losowych Zmienne losowe X1 ; :::; Xn o wartościach w R, określone na zbiorze , gdzie ( ; F; P ) jest przestrzenia¾ probabilistyczna, ¾ nazywamy niezale· znymi, jez·eli dla dowolnych zbiorów B1 ; :::; Bn 2 B(R) zachodzi równość P (X1 2 B1 ; :::; Xn 2 Bn ) = P (X1 2 B1 ) ::: P (Xn 2 Bn ): (11) W powyz·szym wzorze wyraz·enie po lewej jest skróconym zapisem wyraz·enia P f! 2 : X1 (!) 2 B1 ^ ::: ^ Xn (!) 2 Bn g; podobna uwaga dotyczy wyraz·eń po prawej stronie. Twierdzenie 2. Je·zeli zmienne losowe X1 ; :::; Xn sa¾Q niezale·zne i maja¾ n warto´s´c oczekiwana, ¾ to istnieje warto´s´c oczekiwana iloczynu i=1 Xi i zachodzi równo´s´c ! n n Y Y E Xi = EXi : (12) i=1 i=1 Twierdzenie 3. Przy za÷o·zeniach Twierdzenia 2 zachodzi równo´s´c ! n n X X Var Xi = Var Xi : i=1 1.8 (13) i=1 Kowariancja i wspó÷ czynnik korelacji zmiennych losowych Kowariancja¾ ca÷kowalnych zmiennych losowych X i Y , spe÷ niajacych ¾ warunek E jXY j < 1, nazywamy liczbe¾ Cov(X; Y ) := E [(X EX) (Y EY )] : (14) Z powyz·szej de…nicji i z Twierdzenia 1(c) wynika, z·e Cov(X; Y ) = E(XY ) EX EY: (15) Jeśli Cov(X; Y ) = 0, to zmienne losowe X i Y nazywamy nieskorelowanymi; w przeciwnym przypadku –skorelowanymi. Korzystajac ¾ z nierówności Schwarza dla ca÷ek, moz·na wykazać nastepuj ¾ ac ¾ a¾ nierówność: p jCov(X; Y )j Var X Var Y ; (16) 4 przy czym równość zachodzi wtedy i tylko wtedy gdy z prawdopodobieństwem 1 zmienne losowe X i Y zwiazane ¾ sa¾ zalez·nościa¾ liniowa, ¾ tzn. istnieja¾ takie liczby a, b 2 R, z·e P fY = aX + bg = 1: (17) Wspó÷ czynnikiem korelacji zmiennych losowych X i Y o dodatnich odchyleniach standardowych nazywamy liczbe¾ Corr(X; Y ) := Cov(X; Y ) X Y =p Cov(X; Y ) : Var X Var Y (18) Z nierówności (16) wynika, z·e jCorr(X; Y )j 1, a równość zachodzi tylko w przypadku liniowej zalez·ności miedzy ¾ zmiennymi X i Y . Z Twierdzenia 2 i z równości (15) wynika, z·e jeśli zmienne losowe X i Y sa¾ niezalez·ne i maja¾ wartość oczekiwana, ¾ to sa¾ nieskorelowane. Za÷ óz·my teraz, z·e zmienne losowe X i Y przyjmuja¾skończenie wiele wartości i z·e dany jest rozk÷ ad prawdopodobieństwa pary zmiennych losowych (X; Y ), tzn. dane sa¾skończone ciagi ¾ liczbowe x1 ; :::; xn i y1 ; :::; yn oraz ciag ¾ liczb dodatnich p1 ; :::; pn takie, z·e n X pi = 1 oraz P (X = xi ; Y = yi ) = pi , i = 1; :::; n: (19) i=1 Wówczas, korzystajac ¾ z wzoru (3) na wartość oczekiwana, ¾ moz·emy zapisać wzór (14) w postaci n X Cov(X; Y ) = pi (xi EX) (yi EY ) : (20) i=1 1.9 Wariancja sumy zmiennych losowych Dotychczas podaliśmy wzór na wariancje¾ sumy zmiennych losowych jedynie w przypadku zmiennych losowych niezalez·nych (wzór (13)). Obecnie podamy wzór dla przypadku ogólnego. Twierdzenie 4. Je·zeli ¾ to istPnzmienne losowe X1 ; :::; Xn maja¾ wariancje, nieje te·z wariancja sumy X i zachodzi równo ´s´c i i=1 ! n n X X X Var Xi = Var Xi + 2 Cov(Xi ; Xj ): (21) i=1 i=1 1 i<j n Wniosek. Je·zeli zmienne losowe X1 ; :::; Xn maja¾ wariancje¾ i sa¾ parami nieskorelowane, to zachodzi równo´s´c (13). 1.10 Dystrybuanta zmiennej losowej Dystrybuanta¾ zmiennej losowej X : ! R nazywamy funkcje¾ F : R ! [0; 1] określona¾ wzorem F (t) := P (X t): (22) 5 Twierdzenie 5. Dystrybuanta F zmiennej losowej X ma nastepuj ¾ ace ¾ w÷asno´sci: (a) F jest niemalejaca. ¾ (b) F jest prawostronnie ciag÷ ¾ a. (c) limt! 1 F (t) = 0, limt!+1 F (t) = 1. Twierdzenie 6. Je·zeli funkcja F : R ! [0; 1] spe÷nia warunki (a)–(c) Twierdzenia 5, to jest dystrybuanta¾ pewnej zmiennej losowej; jej rozk÷ad jest wyznaczony jednoznacznie. Twierdzenie 7. Je·zeli F jest dystrybuanta¾ zmiennej losowej X, to dla ka·zdego t 2 R, P (X < t) = F (t ) := lim F (s): (23) s!t n Niech X = (X1 ; :::; Xn ) : ! R bedzie ¾ zmienna¾ losowa¾ n-wymiarowa¾ (wektorem losowym). Rozk÷ ad prawdopodobieństwa zmiennej losowej X jest zde…niowany ogólnie wzorem (2). Rozk÷ad ten nazywamy rozk÷ adem ÷ acznym ¾ wektora losowego X. Gdy znamy rozk÷ ad ÷ aczny, ¾ to znamy takz·e rozk÷ad kaz·dej wspó÷ rzednej: ¾ P (Xj 2 B) = P (X1 2 R; :::; Xj 1 2 R; Xj 2 B; Xj+1 2 R; :::; Xn 2 R): (24) Rozk÷ ady (24) nazywamy rozk÷ adami brzegowymi wektora losowego X. Dystrybuanta¾ wektora losowego X nazywamy funkcje¾ F : Rn ! [0; 1] określona¾ wzorem F (t1 ; :::; tn ) := P (X1 t1 ; :::; Xn tn ): (25) Dystrybuantami brzegowymi F1 ; :::; Fn nazywamy dystrybuanty odpowiednio zmiennych losowych X1 ; :::; Xn . 1.11 Zmienne losowe zwiazane ¾ z ryzykiem kredytowym Ryzyko kredytowe bedziemy ¾ rozpatrywać jako ryzyko niedotrzymania warunków umowy przez kredytobiorce¾ (osobe¾ lub instytucje). ¾ Dla banku udzielajacego ¾ wielu kredytów istotna jest takz·e ocena ryzyka jednoczesnego wystapienia ¾ wielu przypadków niewyp÷acalności klientów oraz badanie zalez·ności miedzy ¾ tymi zdarzeniami losowymi. 1.11.1 Przypadek pojedynczego kredytobiorcy Podstawowa¾ zmienna¾ losowa, ¾ która¾ tutaj rozwaz·amy, jest strata, oznaczana przez L (od ang. loss). Jest ona dana wzorem L := EAD SEV Y; (26) gdzie EAD (exposure at default) –maksymalna wartość, jaka moz·e być utracona w przypadku niedotrzymania warunków umowy przez kredytobiorce. ¾ Jest to wartość ustalona, a wiec ¾ nie jest zmienna¾ losowa. ¾ 6 SEV (severity) – zmienna losowa o wartościach w przedziale [0; 1]; podaje ona, jaki procent wartości EAD jest faktycznie tracony przy zajściu zdarzenia niedotrzymania warunków; Y –zmienna losowa o wartościach w zbiorze f0; 1g; przyjmuje wartość 0, gdy kredytobiorca dotrzyma warunków, a 1 w przeciwnym przypadku. Zmienna¾ Y nazywamy wskaźnikiem niedotrzymania warunków. Ponadto de…niujemy: LGD (loss given default) –strata (jako procent wartości EAD) w przypadku niedotrzymania warunków. Jest to parametr modelu, który zwykle wyznacza sie¾ z wzoru LGD = E(SEV ): (27) P D (probability of default) –prawdopodobieństwo niedotrzymania warunków. Wówczas wartość oczekiwana wskaźnika niedotrzymania warunków wyraz·a sie¾ wzorem EY = 1 P D + 0 (1 P D) = P D: (28) Za÷ óz·my, z·e bank udzieli÷kredytu w wysokości K jednostek pieniedzy ¾ na okres 1 roku, a stopa oprocentowania tego kredytu wynosi R. W przypadku dotrzymania warunków umowy bank otrzyma po roku kwote¾ EAD = K(1 + R): (29) Jest to jednocześnie maksymalna kwota, jaka¾ bank moz·e stracić w przypadku niedotrzymania warunków. W praktyce w wiekszości ¾ przypadków bankowi udaje sie¾ odzyskać cześć ¾ tej kwoty. Wysokość tej odzyskanej kwoty przyjmujemy jako EAD(1 LGD). Wartość oczekiwana kwoty uzyskanej przez bank po roku wynosi zatem K(1 + R)(1 P D) + K(1 + R)(1 LGD)P D = K(1 + R)[(1 P D) + (1 LGD)P D]: (30) Przyjmuje sie, ¾ z·e wartość ta powinna być równa kwocie kredytu wolnej od ryzyka, tj. obliczonej dla tzw. stopy procentowej wolnej od ryzyka (risk-free rate), oznaczanej Rf : K(1 + R)[(1 P D) + (1 LGD)P D] = K(1 + Rf ): (31) Z równości (31) moz·na otrzymać dwa inne wzory: 1) Wzór na implikowane prawdopodobieństwo niedotrzymania (implied default probability) –jest to prawdopodobieństwo niedotrzymania warunków umowy wynikajace ¾ z przyjetego ¾ modelu: PD = 1+Rf 1+R 1 LGD : (32) 2) Wzór na spread kredytowy (credit spread ), czyli róz·nice¾ miedzy ¾ stopa¾ procentowa¾ uwzgledniaj ¾ ac ¾ a¾ ryzyko a stopa¾ wolna¾ od ryzyka: R Rf = (1 + Rf ) 7 LGD P D : 1 LGD P D (33) Oczekiwana¾ strata¾ (expected loss) nazywamy wartość oczekiwana¾ straty (26). Zak÷ adajac ¾ niezalez·ność zmiennych losowych SEV i Y , otrzymujemy na mocy Twierdzenia 2 oraz (27) i (28) EL = E(EAD SEV Y ) = EAD E(SEV ) E(Y ) = EAD LGD P D: (34) Nieoczekiwana¾ strata¾ (unexpected loss) nazywamy odchylenie standardowe straty (26) p p p Var L = Var(EAD SEV Y ) = EAD Var(SEV Y ): (35) L = Twierdzenie 8. Je·zeli zmienne losowe SEV i Y sa¾ niezale·zne, to p 2 P D): L = EAD Var(SEV )P D + LGD P D(1 1.11.2 (36) Portfel wielu kredytów Bedziemy ¾ teraz rozwaz·ać ryzyko portfela P z÷oz·onego z m kredytów. Podstawowa¾ zmienna¾ ryzyka w tym przypadku jest strata z portfela LP określona wzorem m m X X LP := Li = EADi SEVi Yi ; (37) i=1 i=1 gdzie wszystkie zmienne z dolnym indeksem i dotycza¾ i-tego kredytu. Oczekiwana strata z portfela P jest równa, zgodnie z (34), E(LP ) = m X i=1 E(Li ) = m X EADi LGDi P Di ; (38) i=1 przy za÷ oz·eniu, z·e dla kaz·dego i zmienne losowe SEVi i Yi sa¾niezalez·ne. Nieoczekiwana¾ strata¾ z portfela P nazywamy odchylenie standardowe (LP ) straty z portfela. Twierdzenie 9. v uX u m (LP ) = t EADi EADj Cov (SEVi Yi ; SEVj Yj ): (39) i;j=1 Twierdzenie 10. Za÷ó·zmy, ·ze poziom straty w przypadku niedotrzymania warunków jest sta÷y i jest taki sam dla wszystkich sk÷adników portfela: SEVi LGDi = LGD; 8i 2 f1; :::; mg: (40) Wówczas v uX u m (LP ) = t EADi EADj LGD2 i;j=1 ij q P Di (1 P Di )P Dj (1 P Dj ); (41) gdzie ij := (SEVi Yi ; SEVj Yj ) = (Yi ; Yj ): 8 (42) 1.12 Warunkowa wartość oczekiwana Niech ( ; F; P ) bedzie ¾ przestrzenia¾ probabilistyczna. ¾ Dla dowolnego A 2 F takiego, z·e P (A) > 0, zde…niujmy funkcje¾ PA : F ! R wzorem PA (B) := P (Bj A) = P (B \ A) : P (A) (43) Moz·na ÷ atwo wykazać, z·e PA jest rozk÷ adem prawdopodobieństwa na , tzn. spe÷ nia aksjomaty (A1)–(A3) de…nicji prawdopodobieństwa. Dla dowolnej zmiennej losowej X : ! R posiadajacej ¾ wartość oczekiwana¾ de…niujemy jej warunkowa¾ wartość oczekiwana¾ pod warunkiem zajścia zdarzenia A nastepuj ¾ aco: ¾ Z E (Xj A) := XdPA : (44) Wzór podany w poniz·szym twierdzeniu oznacza, z·e E (Xj A) jest średnia¾ wartościa¾ zmiennej losowej X na zbiorze A. Twierdzenie 11. Je·zeli P (A) > 0 i X jest zmienna¾ losowa¾ o sko´nczonej warto´sci oczekiwanej, to Z 1 XdP: (45) E (Xj A) = P (A) A Zde…niujemy teraz warunkowa¾ wartość oczekiwana¾ wzgledem ¾ -cia÷ a generowanego przez co najwyz·ej przeliczalna¾ liczbe¾ zdarzeń. Do tego potrzebne nam bedzie ¾ nastepuj ¾ ace ¾ oznaczenie: dla dowolnego zdarzenia A 2 F, symbol 1A oznacza zmienna¾ losowa¾ określona¾ nastepuj ¾ aco: ¾ 1A (!) := 1 dla ! 2 A; 0 dla ! 2 nA: (46) S Niech = i2I Ai , gdzie I jest zbiorem skończonym lub przeliczalnym, zaś zdarzenia Ai o dodatnim prawdopodobieństwie stanowia¾ rozbicie przestrzeni . Niech G = (Ai ; i 2 I) bedzie ¾ najmniejszym -cia÷em zawierajacym ¾ zbiory Ai . Dla dowolnej zmiennej losowej X : ! R posiadajacej ¾ wartość oczekiwana¾ de…niujemy jej warunkowa¾ wartość oczekiwana¾ pod warunkiem -cia÷ a G jako zmienna¾ losowa¾ E (Xj G) : ! R zde…niowana¾ wzorem X E (Xj G) (!) := E (Xj Ai ) 1Ai (!); ! 2 : (47) i2I Twierdzenie 12. Warunkowa warto´s´c oczekiwana E (Xj G) posiada nastepu¾ jace ¾ w÷asno´sci: (a) E (Xj G) jest mierzalna wzgledem ¾ -cia÷a G. (b) Je·zeli B 2 G, to Z Z XdP = E (Xj G) dP: (48) B B 9 Powyz·sze twierdzenie umoz·liwia uogólnienie de…nicji warunkowej wartości oczekiwanej na przypadek dowolnego -cia÷a G. Warunkowa¾wartościa¾oczekiwana¾ zmiennej losowej X pod warunkiem -cia÷ a G nazywamy dowolna¾ zmienna¾ losowa¾ E (Xj G) spe÷ niajac ¾ a¾ warunki (a) i (b) Twierdzenia 12. Twierdzenie 13. Niech G bedzie ¾ dowolnym -cia÷em zawartym w F i niech X : ! R bedzie ¾ zmienna¾ losowa¾ posiadajac ¾ a¾ warto´s´c oczekiwana. ¾ Wówczas: (a) Istnieje warunkowa warto´s´c oczekiwana dla X pod warunkiem G i jest ona wyznaczona jednoznacznie z dok÷adno´scia¾do zdarze´n o prawdopodobie´nstwie zero: je·zeli Y1 i Y2 sa¾takimi warto´sciami oczekiwanymi dla X, to P (Y1 6= Y2 ) = 0. (b) Zachodzi równo´s´c EX = E(E (Xj G)): (49) Jez·eli X : ! R jest zmienna¾ losowa¾ posiadajac ¾ a¾ wartość oczekiwana, ¾ a Y : ! Rn –dowolnym wektorem losowym, to moz·emy zde…niować warunkowa¾ wartość oczekiwana¾ zmiennej losowej X przy warunku zmiennej losowej Y : E (Xj Y ) := E (Xj (Y )) ; (50) gdzie (Y ) oznacza najmniejsze -cia÷o, przy którym zmienna losowa Y jest mierzalna. Wówczas z wzoru (49) otrzymujemy EX = E(E (Xj Y )): (51) Dla dowolnego zdarzenia B 2 F i dowolnego -cia÷a G F, prawdopodobieństwem warunkowym B wzgledem ¾ G nazywamy zmienna¾losowa¾P (Bj G) określona¾ wzorem P (Bj G) := E (1B j G) : (52) Analogicznie do (50), określamy prawdopodobieństwo warunkowe zdarzenia B wzgledem ¾ zmiennej losowej Y : P (Bj Y ) := P (Bj (Y )) = E (1B j (Y )) : (53) Funkcje¾ h : Rn ! Rm nazywamy borelowska, ¾ jez·eli h 1 (B) 2 B(Rn ) dla m kaz·dego B 2 B(R ). Twierdzenie 14. Je·zeli X : ! R jest zmienna¾ losowa¾ posiadajac ¾ a¾ warto´s´c oczekiwana, ¾ a Y : ! Rn – dowolnym wektorem losowym, to istnieje funkcja borelowska h : Rn ! R taka, ·ze E (Xj Y ) = h(Y ): 10 (54)