ROCZNIKI POLSKIEGO TOWARZYSTWA MATEMATYCZNEGO

Seria II: WIADOMOSCI

MATEMATYCZNE XL (2004)

J. Zabczyk (Warszawa)

Waniejsze wydarzenia w teorii procesw stochastycznych

Niniejszy tekst jest rozszerzeniem wykadu wygoszonego na Zjedzie
PTM w odzi w 2002 roku w serii Najwaniejsze wydarzenia w mojej dziedzinie. Intencj wykadu byo sformuowanie wanych i typowych wynikw
teorii procesw stochastycznych w taki sposb, by matematycy pracujcy
w innych dziedzinach mogli je bez trudu zrozumie. Z powodu ogranicze
czasowych prezentacja nie podaje dokadniejszych informacji o dowodach
i technicznych trudnociach pojawiajcych si w teorii.
Wstp. Teoria procesw stochastycznych stanowi jeden z najwaniejszych dziaw teorii prawdopodobiestwa. Przypomnijmy, e podstawowymi
obiektami teorii prawdopodobiestwa s przestrzenie mierzalne, miary probabilistyczne i zmienne losowe. Przestrze mierzalna (, F), skada si ze
zbioru i -ciaa F podzbiorw . Rodzina F podzbiorw nazywa si
-ciaem, gdy spenia nastpujce warunki:
i) jeeli A F, to i AC F,
S+
ii) jeeli A1 , A2 , . . . F, to n=1 An F.
Wanym przykadem -cia s -ciaa borelowskie B(E), czyli najmniejsze -ciaa podzbiorw przestrzeni metrycznej E, zawierajce wszystkie jej
podzbiory domknite. Miara probabilistyczna P jest funkcj dziaajc z
w [0, 1] tak, e P() = 1 i dla rozcznych zbiorw A1 , A2 , . . . F,
! +
+
[
X
P
An =
P(An ).
n=1

n=1

Trjka (, F, P) nazywa si przestrzeni probabilistyczn. W zastosowaniach

zbir reprezentuje wszelkie moliwe wyniki (realizacje) badanego lub obserwowanego zjawiska. Zbir F utosamia si czsto ze stwierdzeniami, ktre
o danym zjawisku mona wypowiedzie. Miara P zwizuje ze zdarzeniami
stwierdzeniami liczby, ktre mierz szanse, e opisywane stwierdzeniami sytuacje bd miay miejsce. Zmienna losowa to dowolne odwzorowanie mierzalne X z jednej przestrzeni mierzalnej (, F) w inn (E, E), czyli odwzorowanie X takie, e
{ : X() } F,

jeeli tylko

E.

78

J. Z a b c z y k

Najczciej rozpatruje si zmienne losowe przyjmujce wartoci w zbiorze E skoczonym lub w przestrzeni euklidesowej E = Rd . Wany jest przypadek, gdy E jest przestrzeni Banacha, w szczeglnoci przestrzeni C[0, T ]
rzeczywistych funkcji cigych okrelonych na przedziale [0, T ]. Caki (Lebesguea) ze zmiennych losowych

X()P(d)

oznacza si symbolem EX i nazywa si wartociami oczekiwanymi.

Proces stochastyczny X(t), t [0, T ], to rodzina zmiennych losowych
okrelonych na ustalonej przestrzeni probabilistycznej (, F, P) i o wartociach w ustalonej przestrzeni mierzalnej (E, E). Trajektori procesu X jest
kada funkcja zmiennej t postaci X(t, ), dla jakiego . Najczciej rozpatruje si procesy rzeczywiste, wtedy E = R1 , lub wektorowe, wtedy E = Rd .
Wane klasy procesw przyjmuj wartoci w przestrzeniach Hilberta i Banacha.
Najwaniejsze wydarzenia w teorii procesw stochastycznych rozgryway
si wok procesu Wienera nazywanego rwnie ruchem Browna. Drugim co
do wanoci jest proces Poissona. S to reprezentanci dwch rnych wiatw: procesw o cigych i niecigych trajektoriach. Pierwszy z nich pojawi
si w pracy L. Bacheliera [1] z 1900 roku powiconej analizie cen na giedzie
paryskiej. Pi lat pniej posuy on A. Einsteinowi [14] i M. Smoluchowskiemu [36] do modelowania ruchw Browna. Proces Poissona i pokrewne
mu procesy pojawiy si na pocztku XX wieku w zwizku z analiz prac
central telefonicznych [15] i badaniem zmiennoci kapitau rm ubezpieczeniowych [27]. Rok 1900 mona uwaa za moment powstania teorii procesw stochastycznych. Wraz z aksjomatyk teorii prawdopodobiestwa [23]
w 1933, zasadniczym twierdzeniem o istnieniu procesu stochastycznego i
abstrakcyjnej denicji warunkowej wartoci oczekiwanej, teoria procesw
stochastycznych staa si czci matematyki. Pierwsze monograe przedmiotu to Processus stochastiques et mouvement brownian P. Levyego [26]
z 1948 i Stochastic processes J. L. Dooba [11] z 1953 roku.
Formowanie si matematycznych podstaw teorii prawdopodobiestwa
i teorii procesw stochastycznych dokonywao si jednoczenie z budowaniem oglnej teorii miary [40]. Pojcie -ciaa pojawio si w 1898 w pracy
Borela [3], w ktrej wprowadzi on pojcie zbiorw borelowskich. W 1902
H. Lebesgue w [25] konstruuje teori miary i caki wzgldem klasycznej
miary na Rd . To, e teoria Lebesguea moe zosta przeniesiona na abstrakcyjne przestrzenie mierzalne, zauway M. Frechet w 1915 [17]. Zasadnicze twierdzenie C. Caratheodoryego o rozszerzaniu miar pojawia si
w jego ksice [5] z 1918 roku. W 1930 roku O. Nikodym [31] podaje
abstrakcyjny dowd twierdzenia nazywanego dzisiaj twierdzeniem Radona
Nikodyma o rozkadzie miar. W tym momencie budowanie abstrakcyjnej

Waniejsze wydarzenia w teorii procesw stochastycznych

79

teorii caki i miary zostao zakoczone. Jej systematyczny wykad zosta

zaprezentowany, po raz pierwszy, w monograi S. Saksa [34] z 1930 roku
(francuskie tumaczenie z jzyka polskiego w 1933 roku). Bardziej specjalne
rozdziay tej teorii, jak miary na przestrzeniach liniowych, zostay rozwinite
ju w latach pidziesitych i szedziesitych.
Teoria prawdopodobiestwa i teoria procesw stochastycznych przez dugi czas nie cieszyy si powaaniem matematycznego establishmentu. W swej
historii matematyki z 1960 roku N. Bourbaki [4] nie zauwaa ich jeszcze, chocia obszerny rozdzia powica cakowaniu, a rozwinita teoria procesw istniaa ju od prawie trzydziestu lat. W nastpnym wydaniu z 1984 roku [4]
znajduje si rozdzia zatytuowany Cakowanie w przestrzeniach nielokalnie zwartych. Podkrelona w nim zostaa wano miary Wienera i teorii
Prochorowa miar na przestrzeniach polskich (czyli metrycznych, orodkowych i zupenych). Zauwaa si w nim, e miary takie pojawiy si dziki
teorii procesw stochastycznych. Miary na przestrzeniach lokalnie zwartych
i w szczeglnoci na lokalnie zwartych grupach stay si wan czci matematyki znacznie wczeniej. N. Bourbaki pisze: Perhaps the reason for the
late influence of these developments on measure theory must be sought in
the relative isolation of Probability Theory, which remained on the margin
of traditional mathematical disciplines until recent times.
Na zakoczenie wstpu przytocz interesujc opini D. Mumforda, wybitnego specjalisty z geometrii algebraicznej pracujcego od kilkunastu lat
w zastosowaniach teorii prawdopodobiestwa. W artykule zatytuowanym
The dawning of the age of stochasticity [30] pisze on, e: We argue that
stochastic differential equations are more fundamental and relevant to modelling the world than deterministic equations. [...] Instead of focussing on
describing the pathologies of the strange attractors to which the classical
solution tends asymptotically, the center of attention is now the existence of
an invariant probability measure in which almost all solutions spend their
whole lives.
W omwieniu skoncentruj si na nastpujcych tematach: 1) proces
Wienera, 2) proces Poissona, 3) twierdzenie o istnieniu, 4) martyngay,
5) procesy Markowa, 6) rwnania Komogorowa, 7) rwnania stochastyczne,
8) rachunek Malliavina, 9) caka stochastyczna i matematyka nansowa,
10) procesy gaussowskie, 11) warunkowe wartoci oczekiwane i momenty
zatrzymania.
Autor dzikuje recenzentowi za uwagi i sugestie.
1. Proces Wienera. Przedmiotem zainteresowania L. Bacheliera byy
ceny akcji notowane na giedzie paryskiej. Kadego dnia ich przebiegi s
rne. Nie sposb przewidzie, jak bd wyglday w przyszoci. Mona si
jednak pokusi, by wypowiada o nich sdy mniej lub bardziej wiarygodne.

80

J. Z a b c z y k

Sdy te wygodnie jest wypowiada w jzyku procesw stochastycznych. Zilustrujmy to na przykadzie. Niech X(t), t [0, 1], oznacza cen okrelonej
akcji po czasie t od otwarcia giedy. Poniewa moliwe s rne przebiegi,
wic powinnimy mie na uwadze nie jedn funkcj X(t), t [0, 1], ale ca
rodzin X(t, ), t [0, 1], , potencjalnie moliwych funkcji, przy czym
przedzia [0, 1] odpowiada czasowi otwarcia giedy, na przykad 8 godzinom.
Celem matematycznego opisu byoby przyporzdkowanie stwierdzeniom A
typu:
A:
gdzie

X(t1 ) [a1 , b1 ], . . . , X(tn ) [an , bn ],

0 t 1 < t 2 < . . . < tn 1

ai bi , i = 1, . . . , n,

prawdopodobiestw ich zajcia, czyli pewnych liczb z przedziau [0, 1], w sposb niesprzeczny i odzwierciedlajcy rzeczywisty stan rzeczy.
Zamy, e (, F, P) jest przestrzeni probabilistyczn i X(t), t [0, 1],
to rzeczywiste zmienne losowe. Wtedy zbir
{ : X(t1 , ) [a1 , b1 ], . . . , X(tn , ) [an , bn ]}

naley do F i dlatego liczba

P { : X(t1 , ) [a1 , b1 ], . . . , X(tn , ) [an , bn ]} ,

ktra jest prawdopodobiestwem zajcia A, jest dobrze okrelona. Wymaganie, by rodzina F bya -ciaem, odpowiada daniu, by operacje logiczne
na stwierdzeniach zbiorach z F nie wyprowadzay poza F.
L. Bachelier wprowadzi nastpujce postulaty, ktre powinien spenia
proces cen akcji:
i) cigo trajektorii: dla dowolnego , funkcje X(t, ), t [0, 1] s
cige,
ii) niezaleno przyrostw: dla dowolnych t0 = 0 < t1 < . . . < tn 1
i dowolnych ai bi , i = 1, . . . , n, n = 1, 2, . . .


P { : X(ti , ) X(ti1 , ) [ai , bi ], i = 1, 2, . . . , n}
n
Y


P { : X(ti , ) X(ti1 , ) [ai , bi ]}
=
i=1

iii) jednorodno w czasie: dla t, h 0, t + h 1 i a b,

P { : X(t + h, ) X(t, ) [a, b]}

= P { : X(h, ) X(0, ) [a, b]} .

Twierdzenie (P. Levy). Zamy, e X(t), t [0, 1], jest procesem stochastycznym speniajcym warunki i), ii), iii). Istniej wtedy stae 0
i m R takie, e:
i) albo = 0 i P({ : X(t + h, ) X(t, ) = mh, t + h 1}) = 1,

Waniejsze wydarzenia w teorii procesw stochastycznych

81

ii) albo > 0 i dla dowolnych a R1 , t, h 0, t + h 1,

a

R (xmh)2


1
2h
P { : X(t + h, ) X(t, ) a} =
e
dx.
2h

Proces speniajcy warunki i), ii) i iii) nazywa si procesem Wienera.

Prawdopodobiestwa zda zwizanych z przebiegiem procesu Wienera s
wic funkcjami parametrw m i i warunku pocztkowego X(0, ), .
Od tego momentu bdziemy zakada, e X(0, ) = 0, , m = 0 i = 1
i oznacza proces Wienera przez W .
Zmienne losowe Z okrelone na (, F, P) i o wartociach w (E, E) przeksztacaj miar P okrelon na (, F) na pewn miar na (E, E) w myl
wzoru


( ) = P { : Z() } , E.
Ta nowa miara nazywa si rozkadem zmiennej Z. Dla probabilistw naprawd interesujce s wanie obrazy miar, a nie wyjciowa miara P.
Proces Wienera W mona traktowa jako odwzorowanie mierzalne z
w C[0, 1], zadane wzorem:
W (, ),
ktrego wartociami s trajektorie procesu. Nietrudno wykaza, e jest ono
odwzorowaniem mierzalnym. Obraz miary P przy tym przeksztaceniu, czyli
rozkad procesu Wienera na przestrze C[0, 1], nazywa si miar Wienera.
Oznacza j bdziemy symbolem W . Wiener udowodni nastpujce, zaskakujce wasnoci miary Wienera W :
Zbir funkcji cigych okrelonych na przedziale [0, 1], ktre w jakim
punkcie maj skoczon pochodn prawostronn, ma miar W zero.
Funkcje, ktre speniaj warunek H
oldera z wykadnikiem < 12 , tworz
zbir penej miary Wienera.
Funkcje, ktre speniaj warunek H
oldera z wykadnikiem 12 , tworz
zbir miary zero.
Zauwamy, e powysze twierdzenie nic nie mwi o istnieniu procesu
Wienera. Biorc pod uwag niezwyko wasnoci miary Wienera, problem
istnienia staje si bardzo istotny. W roku 1923 N. Wiener w pracy [39]
udowodni istnienie takiego procesu. Dowd opar na opublikowanej nieco
wczeniej pracy Daniella [8]. Jest on niekonstruktywny. W 1934 Wiener wraz
z Paleyem podali dowd konstruktywny, ktry teraz naszkicujemy.
Rozpoczniemy od twierdzenia Steinhausa z 1922 [37].
Twierdzenie (H. Steinhaus). Niech oznacza miar Lebesguea na
przedziale [0, 1[. Dla dowolnej miary unormowanej na (, +) istnieje taki cig funkcji borelowskich (fn ) na przedziale [0, 1[, e dla dowolnych

82

J. Z a b c z y k

a1 , . . . , am , m = 1, 2, . . .
{ : fk () ak ,

m

Y


k = 1, . . . , m} =
{ : fk () ak }
k=1

Zauwamy, e trjka ([0, 1[, B([0, 1[), ) jest przykadem przestrzeni probabilistycznej i e w tej przestrzeni funkcje f1 , . . . s, z denicji, niezalenymi
zmiennymi losowymi o rozkadzie kada.
Na przykad niech, dla ustalonej liczby naturalnej m, bdzie miar
1
tak, e {k} = m
, k = 0, 1, 2, . . . , m 1. Dla dowolnej liczby [0, 1[
niech fn () oznacza n-ty wspczynnik rozwinicia wzgldem potg m1 :
+
X
fn ()
=
.
mn
n=1

Wtedy cig (fn ) ma wymagane wasnoci.

Niech teraz cig (fn ) odpowiada mierze :
1 R x2
( ) =
e 2 dx,
2

B(, +).

Paley i Wiener [33] udowodnili, e wzr

+
X
2
W (t, ) = f1 ()t +
fn+1 ()
sin nt,
n
n=1

t [0, 1],

[0, 1[,

deniuje proces Wienera na przedziale [0, 1[.

Konstrukcja, w ktrej funkcje trygonometryczne zostay zastpione przez
klasyczn baz Schaudera w C[0, 1], naley do P. Levyego i Z. Ciesielskiego [26] i [6].
2. Proces Poissona. Niech X(t), t 0, oznacza liczb zgosze, ktre
napyny do centrali telefonicznej w przedziale [0, t]. Erlang [15] zakada,
e proces ten powinien spenia zaoenia ii) i iii) z denicji procesu Wienera.
Zamiast postulatu cigoci trajektorii da, by trajektorie byy funkcjami
niemalejcymi, przyjmujcymi nieujemne wartoci cakowite i miay skoki
rwne 1. Procesy takie atwo skonstruowa. Okazuje si, e ich rozkady
s sparametryzowane parametrem > 0. Niech bdzie tak zwan miar
wykadnicz na [0, +):
(dx) = ex dx
i niech f1 , f2 , . . . bdzie cigiem odpowiadajcym mierze , ktrego istnienie
zapewnia twierdzenie Steinhausa. Wtedy proces

0, gdy t < f1 (),
X(t, ) =
k, gdy f1 () + . . . + fk () t < f1 () + . . . + fk+1 ()

Waniejsze wydarzenia w teorii procesw stochastycznych

83

jest procesem, ktrego istnienie postulowa Erlang. Poniewa rozkady

zmiennych X(t) s poissonowskie:


(t)k
P { : X(t, ) = k} = et
, k = 0, 1, . . . ,
k!
proces X nazywa si procesem Poissona.
3. Twierdzenie o istnieniu. Jeeli X jest procesem stochastycznym
na [0, T ] o wartociach w E, to dla dowolnego rosncego cigu liczb 0
t1 < t2 < . . . < tn T dobrze zdeniowany jest obraz miary P przez
odwzorowanie:
(X(t1 , ), . . . , X(tn , )) E n .
Obrazy te (t1 ,...,tn ) , ktre nazywa si rozkadami skoczenie wymiarowymi
procesu X, speniaj oczywisty warunek zgodnoci:
(t1 ,...,tn ,tn+1 ) (1 , . . . , n , E) = t1 ,...,tn (1 , . . . , n ), i E, i = 1, . . . , n,
t1 < . . . < tn < tn+1 .
Nastpujce twierdzenie pochodzi z pracy Komogorowa [23]:
Twierdzenie (A. Komogorow). Jeeli E jest przestrzeni polsk i rodzina rozkadw = {(t1 ,...,tn ) : 0 t1 < t2 < . . . < tn T , n = 1, 2, . . .}
jest zgodna, to istnieje proces stochastyczny X, ktrego rozkady skoczenie
wymiarowe s identyczne z rodzin .
Twierdzenie to nie daje adnej informacji o trajektoriach procesu. Ten
niedostatek kompensuje nastpne twierdzenie Komogorowa [35] z 1937 roku:
Twierdzenie (A. Komogorow). Jeeli E jest przestrzeni polsk z metryk oraz istniej stae > 0, > 0, c > 0 takie, e


E (X(t), X(s)) c|t s|1+ , t, s [0, T ],
to istnieje proces X o cigych trajektoriach i o rozkadach skoczenie wymiarowych identycznych z rozkadami skoczenie wymiarowymi procesu X.
Z tych dwu twierdze wynika ju atwo istnienie procesu Wienera.

4. Martyngay. Martyngay wraz z procesami Markowa stanowi najwaniejsz klas procesw stochastycznych. Precyzyjna denicja martyngau
pojawia si w pracy [38] J. Ville w 1939, jednake najwaniejsze twierdzenia teorii martyngaw s dzieem J. L. Dooba [11]. Martyngay stanowi
wany pomost pomidzy teori prawdopodobiestwa a klasyczn analiz.
Niech T bdzie podzbiorem przedziau [0, +), a Ft F, t T rosnc
rodzin -cia: Ft Fs dla t s, t, s T. Mwimy, e proces X jest
adaptowany, gdy dla dowolnego t T zmienna X(t) jest Ft mierzalna. Niech
X(t), t RT, bdzie procesem adaptowanym o wartociach rzeczywistych
takim, e |X(t, )|P(d) < +, t T. Proces X(t), t T, nazywa

84

J. Z a b c z y k

si martyngaem (odpowiednio nadmartyngaem, podmartyngaem), gdy dla

dowolnych s, t T, s t i dowolnych A Fs :
(1)

X(s, )P(d) =

X(t, )P(d),

(odpowiednio , ).
Niech u bdzie funkcj rzeczywist, a W (t), t [0, +) = T, rzeczywistym procesem Wienera. Niech Ft , t 0, bdzie najmniejszym -ciaem,
wzgldem ktrego zmienne W (s), s t, s mierzalne. Proces


X(t) = u W (t) , t 0,

jest martyngaem, odpowiednio nadmartyngaem i podmartyngaem, wtedy

i tylko wtedy, gdy funkcja u jest liniowa, odpowiednio wklsa i wypuka.
Przytoczymy dwa podstawowe twierdzenia Dooba [12]. Pierwsze to tak
zwane twierdzenie o zbienoci.
Twierdzenie (J. L. Doob). Jeeli X(t), t [0, +), jest prawostronnie
cigym nadmartyngaem takim, e
sup E|X(t)| < +,
t0

to istnieje skoczona granica

lim Xt = X ,

t+

E|X | < +.

Na przykad funkcja u(x) = |x|1d2 , x 6= 0, u(0) = + jest nadharmoniczna w Rd , d 3, i przez proste uoglnienie wczeniejszej uwagi o funkcjach wklsych, proces X(t) = u(a + W (t)), t 0, dla dowolnego a 6= 0,
jest nadmartyngaem. Warunki twierdzenia s spenione i dlatego istnieje
granica
1
lim
= X .
t+ |a + W (t)|d2
Nietrudno zauway, e X = 0 z prawdopodobiestwem 1. Otrzymujemy wic nastpujcy rezultat. W przestrzeniach euklidesowych o wymiarze
3, trajektorie procesu Wienera uciekaj do nieskoczonoci. W wymiarach
d = 1 i d = 2 nie ma dodatnich funkcji nadharmonicznych rnych od staej. Std mona wywnioskowa, e z prawdopodobiestwem 1 trajektorie
procesu Wienera na prostej i na paszczynie tworz zbir gsty.
Drugie twierdzenie dotyczy tak zwanych maksymalnych nierwnoci
Dooba.
Twierdzenie (J. L. Doob). Jeeli proces X(t), t [0, T ], jest prawostronnie cigym martyngaem, to dla dowolnego p > 1


1/p

1/p
p
E sup |X(t)|p

sup E |X(t)|p
.
p 1 t[0,T ]
t[0,T ]

Waniejsze wydarzenia w teorii procesw stochastycznych

85

Z twierdzenia tego wynika atwo nastpujca klasyczna nierwno Hardyego. Dla dowolnej funkcji f L1 [0, 1], i p > 1,
!1/p
!1/p
p
R1  1 R1
R1
p

p
f (u)du dt

|f (u)| du
.

1t
p1
0

Wystarczy przyj = [0, 1], F = B([0, 1]), P = miara Lebesguea,

Ft = ([0, ]; t), t [0, 1],

f (),1
R
X(t, ) =
1

1t f (u)du, t < 1
t

Proces X jest martyngaem i nierwno Hardyego jest prostym wnioskiem

z nierwnoci Dooba.

5. Procesy Markowa. Procesy Markowa s naturalnym uoglnieniem

ukadw dynamicznych w czasie cigym. Dla uproszczenia przyjmijmy, e
przestrzeni fazow (E, E) jest (Rd , B(Rd )). Potokiem na E nazywamy rodzin odwzorowa F (t) : E E tak, e


F (t) F (s)(x) = F (t + s)(x), t, s 0, x E.

Trajektori potoku o stanie pocztkowym x nazywamy funkcj F (t)(x),

t 0.
Potokiem stochastycznym lub, inaczej, funkcj przejcia nazywa si tak
rodzin P t , t 0, odwzorowa P t : E P(E), t 0, gdzie P(E) oznacza
zbir unormowanych, nieujemnych miar na (E, E), e spenione jest nastpujce rwnanie Chapmana-Komogorowa:
P t+s (x, ) =

P t (x, dy)P s (y, ),

t, s 0,

E.

Liczb P t (x, ) naley interpretowa jako prawdopodobiestwo tego, e

ukad przejdzie ze stanu x do zbioru w czasie t.
Potok deterministyczny jest szczeglnym przypadkiem potoku stochastycznego. Wystarczy przyj:
P t (x, ) = (F (t)(x)) (),

t 0,

x E.

Wraz z potokiem (P t ) deniuje si indukcyjnie prawdopodobiestwa przejcia w chwilach 0 t1 < t2 < . . . < tn przez zbiory 1 , . . . , n wzorem
P t1 ,t2 ,...,tn (x, 1 , . . . , n ) =

P t1 (x, dx1 )P t2 t1 ,...,tn t1 (x1 , 2 , . . . , n ).

86

J. Z a b c z y k

Odpowiednikiem trajektorii potoku deterministycznego jest proces Markowa. Jest to taka rodzina zmiennych losowych X(t), t 0, zadanych na
pewnej przestrzeni (, F, P), e
i) X(0, ) = x,


ii) P { : X(ti , ) i , i = 1, 2, . . . , n} = P t1 ,...,tn (x, 1 , . . . , n ).
Dziki umiejtnemu zastosowaniu teorii zbiorw analitycznych i pojemnoci Choqueta stao si moliwe sformuowanie gitkiej denicji wasnoci
Markowa. Ukoronowaniem rozwoju teorii oglnych procesw Markowa s
monograe Dynkina [13] z 1959 oraz Blumenthala i Getoora [2] z 1968 roku.
Teoria procesw Markowa jest cile powizana z teori potencjau.
Przedmiotem bada teorii potencjau s klasyczne funkcje harmoniczne
i nadharmoniczne, w tym potencjay miar oraz rne aspekty zagadnienia Dirichleta. W chwili obecnej istnieje rozwinita teoria potencjau dla
rnych uoglnie klasycznego operatora Laplacea .
Potencjaem V nazywa si liniowe odwzorowanie z przestrzeni CK (E)
funkcji cigych o nonikach zwartych w przestrze C(E) funkcji cigych,
ktre funkcjom nieujemnym przyporzdkowuje funkcje nieujemne. Mwimy,
e potencja V spenia zasad maksimum, gdy z tego, e funkcja g = V
osiga maksimum w jakim punkcie x, wynika, e (x) 0. Przykadem
potencjau V jest potencja newtonowski w wymiarze d 3:
(2)

V (x) = Cd

(y)
dy,
|x y|d2

Rd

x Rd .

Oglniej, jeeli (P t ) jest stochastycznym potokiem, to, przy spenieniu naturalnych zaoe, wzr
+

(3)

V (x) =

R
0

P t (x, dy)(y),

xE

deniuje potencja speniajcy zasad maksimum. Gdy (P t ) odpowiada procesowi Wienera, otrzymujemy potencja newtonowski. Okazuje si, e zachodzi i twierdzenie odwrotne nalece do Hunta [19].
Twierdzenie (G. A. Hunt). Dla kadego potencjau V speniajcego zasad maksimum na przestrzeni lokalnie zwartej E istnieje funkcja przejcia
(P t ) taka, e potencja dany jest wzorem (3).
Dziki probabilistycznej teorii potencjau rne klasyczne wyniki dotyczce funkcji harmonicznych i ich granicznego zachowania uzyskay gbsze
wyjanienie.
6. Rwnania Komogorowa. W pracy [24] z 1931 roku Komogorow
udowodni, e jeeli prawdopodobiestwa przejcia P t (x, ) maj dostatecz-

Waniejsze wydarzenia w teorii procesw stochastycznych

87

nie regularne gstoci pt (x, y), y Rd :

P t (x, ) =

pt (x, y)dy,

B(Rd ),

t 0,

x, y Rd ,

to s one identyczne z rozwizaniami podstawowymi pewnego rwnania dyfuzyjnego,

u
1
(4)
(t, x) = Tr Q(x)uxx (t, x) + hF (x), ux (t, x)i,
t > 0, x Rd ,
t
2
z warunkiem pocztkowym u(0, x) = (x), x Rd .
Rwnanie (4), w tym kontekcie, nazywa si rwnaniem Komogorowa.
W rwnaniu (4), Q(x), x Rd , jest dodatnio okrelon macierz wymiaru
d d, F pewnym odwzorowaniem z Rd Rd , a rozwizanie u dane jest
rwnoci
u(t, x) =

pt (x, y)(y)dy,

t > 0,

Rd

x Rd .

Jeszcze w latach trzydziestych uwiadamiano sobie, e rwnie bardziej

oglne rwnania s zwizane z procesami Markowa. Jak pokaza P. Courrege [7] w 1965, s one postaci
u
1
(t, x) = Tr Q(x)uxx (t, x) + hF (x), yx (t, x)i
t
2 

R
hy, ux (t, x)i
+
u(t, x + y) u(t, x)
(x, dy),
1 + |y|2
d
R

u(0, x) = (x),

x Rd ,

t > 0,

gdzie (x, ), x R , jest rodzin miar nieujemnych na Rd \ {0} takich, e

d

Rd

(|y|2 1)(x, dy) < +.

Mona wic powiedzie, e procesy Markowa s opisywane przez trjk charakterystyk, (Q(x), F (x), (x, ), x Rd ).
7. Rwnania stochastyczne. Problem konstrukcji procesu Markowa
z zadanymi charakterystykami postawi K. Ito na pocztku lat czterdziestych. Rozwiza je, przy pewnych dodatkowych zaoeniach, wprowadzajc
tak zwane rwnania stochastyczne, ktrych rozwinita teoria pojawia si
w 1951 roku w jego pracy [20]. Podamy konstrukcj Ito w przypadku, gdy
(x, ) 0, x Rd . Ponisze twierdzenie jest bardzo szczeglnym przypadkiem teorii Ito.
> 0, x Rd , F jest odwzoTwierdzenie. Zamy, e Q(x) = Q
rowaniem lipschitzowskim, (x, ) = 0, x Rd , i e W (t), t 0 jest dwymiarowym procesem Wienera na przestrzeni probabilistycznej (, F, P).

88

J. Z a b c z y k

Dla dowolnego x, , rwnanie

(5)

X(t, ) = x +

Rt

1/2 W (t, ),
F (X(s, ))ds + Q

t 0,

ma dokadnie jedno rozwizanie. Rozwizanie to jest procesem Markowa

F (x), 0, x Rd ).
startujcym z punktu x o charakterystykach (Q,
Rwnanie (5) zapisuje si symbolicznie:
1/2 dW,
dX = F (X) dt + Q
X(0) = x.
Przypumy, e nadal (x, ) = 0, x Rd , ale odrzumy zaoenie, e funkcja
Q(x), x Rd , jest staa. Okazuje si, e proces Markowa z charakterystykami
(Q(x), F (x), 0; x Rd ) mona skonstruowa jako rozwizanie rwnania
X(t, x) = x +

Rt
0

F (X(s, ))ds +

Rt

Q1/2 (X(s, ))dW (s, ),

ktre mona otrzyma metod kolejnych przyblie. Specjalnej uwagi wymaga wystpujca po prawej stronie caka wzgldem procesu Wienera W .
Poniewa trajektorie procesu W nie maj ograniczonej wariacji i trajektorie rozwizania X s zaledwie h
olderowskie z wykadnikiem < 12 , to caki
tej nie moemy zdeniowa jako klasycznej caki Stieltjesa. Tym niemniej,
z prawdopodobiestwem 1 istniej granice
X


lim
Q1/2 (X(tni , )) W (tni+1 , ) W (tni , )
n

tn
t
i

dla dostatecznie szybko zagszczajcego si cigu podziaw (tni ). Fakt ten

stanowi klucz do oglnej teorii caki Ito.
Na og jednak miary (x, ) s rne od zera. Nazywa si je miarami skokw procesu. Na przykad, gdy miary te s takie same dla wszystkich x Rd :
(x, ) = (), to ( ) jest redni liczb skokw ze zbioru , ktre proces wykonuje w przedziale jednostkowym. W oglnym przypadku punktem
wyjcia konstrukcji jest nie tylko proces Wienera, ale pewna rodzina kanonicznych procesw Poissona, ktre wchodz do denicji caki stochastycznej
wystpujcej w rwnaniu na poszukiwany proces X. Ta oglna konstrukcja
zostaa zaproponowana przez Ito, w tej samej pracy z 1951 roku.
8. Rachunek Malliavina. Moliwo konstruowania, w sposb czysto
probabilistyczny, rozwiza rwna typu Komogorowa, pozwala ywi nadziej, e metodami probabilistycznymi mona dowodzi pewnych faktw
o rwnaniach parabolicznych. Najgoniejszy przypadek tego typu zwizany
jest z nazwiskiem Malliavina i z jego dowodem twierdzenia H
ormandera

Waniejsze wydarzenia w teorii procesw stochastycznych

89

o rwnaniach hipoeliptycznych. Punktem wyjcia pracy Malliavina [28] jest

lemat.
Lemat. Niech bdzie miar na Rd . Zamy, e istnieje taka staa
c > 0, e dla dowolnej funkcji ograniczonej wraz ze wszystkimi pochodnymi
mamy
R





()
|(x)|, x Rd , i = 1, . . . , d.
 xi (x)(dx) c sup
x
Rd

Wtedy miara ma gsto wzgldem miary Lebesguea.

dajc zachodzenia podobnych nierwnoci dla wyszych pochodnych
uzyskuje si istnienie gstoci rniczkowalnych do odpowiedniego rzdu.
Malliavin odkry, e zmienne losowe, bdce rozwizaniami rwna stochastycznych, mona w odpowiednim sensie (sensie Malliavina) rniczkowa
i e przy pomocy tych pochodnych mona formuowa warunki na istnienie
gstoci. Ograniczymy si do podania typowego wyniku. Dla uproszczenia
przyjmijmy, e d = 1. Niech = C[0, T ; R1 ] i niech X(), , bdzie
zmienn losow o wartociach rzeczywistych. Niech R bdzie liniowym operatorem z L2 = L2 [0, T ; R1 ] w H. Jeeli dla pewnego istnieje funkcja
Y (, ) L2 taka, e dla dowolnego h L2


1
lim X( + Rh) X() = hY (, ), hiL2 ,
0
Rt
to funkcj Y () nazywa si R-pochodn. Jeeli Rh = 0 h(s)ds, t [0, T ],
h L2 , to R-pochodna jest tak zwan pochodn Malliavina. Oznacza bdziemy j przez DM X() (dokadniej, operator DM jest domkniciem zdeniowanego wyej operatora). Zauwamy, e DM X jest procesem stochastycznym. Rachunek Malliavina podaje sposoby obliczania pochodnej Malliavina
i wasnoci tych pochodnych dla rnego rodzaju zmiennych, w szczeglnoci dla rozwiza rwna stochastycznych. Zamy, e X = (X1 , . . . , Xm )
jest d-wymiarow zmienn losow okrelon na = C[0, T ; Rd ]. Macierz
Malliavina dana jest wzorem
X = (hDM Xi , DM Xj iL2 ).

Jeden z gwnych wynikw teorii mwi, e przy bardzo sabych ograniczeniach na wektor X, odwracalno macierzy gwarantuje istnienie gstoci
rozkadu zmiennej X. Jeeli dodatkowo
\
(det X )1
Lp (),
p>1

to wtedy rozkad X ma gsto klasy C , [28] i [32].

Rozpatrzmy w szczeglnoci rwnanie stochastyczne
(6)

dX(t) = F (X(t))dt + G(X(t))dW (t), X(0) = x Rn ,

90

J. Z a b c z y k

z d-wymiarowym procesem Wienera. Niech Q(x) = G(x)G (x), x Rn .

Macierz dyfuzji Q(x) jest zawsze nieujemnie okrelona i gdy d < n, to
jest macierz osobliw. Rwnanie Komogorowa odpowiadajce (6) ma posta (4). Niech G1 (x), . . . , Gd (x) bd kolumnami macierzy G(x) i G0 (x) =
Pd
F (x) 12 j=1 Gjx (x)Gj (x), x Rd . Tutaj Gjx (x)Gj (x) oznacza pochodn
odwzorowania Gj (x) w punkcie x i w kierunku Gj (x). Przypomnijmy, e jeeli A i B s rniczkowalnymi odwzorowaniami Rn w Rn , to ich nawias
Liego [A, B] jest odwzorowaniem Rn w Rn danym wzorem:
[A, B](x) = Ax (x) B(x) Bx (x) A(x),

x Rn .

ormandera, gdy dla

Mwimy, e pola G0 , . . . , Gd speniaj warunek H
n
dowolnego x R wektory
G1 (x), . . . , Gd (x), [Gi , Gj ](x), 0 i, j d,
[Gi , [Gj , Gk ]](x), 0 i, j, k d, . . .

rozpinaj przestrze Rn .
Jedna z wersji twierdzenia Hormandera, udowodniona przez Malliavina,
mwi
Twierdzenie. Jeeli wspczynniki rwnania (6) s klasy C i speniaj warunek H
ormandera, to rwnanie Komogorowa (4) ma rozwizanie
podstawowe klasy C .
9. Caka stochastyczna i matematyka nansowa. W poowie lat
siedemdziesitych zakoczona zostaa budowa teorii caki stochastycznej
(7)

Rt

(s)dX(s),

dla moliwie najszerszej klasy procesw X i . Bya ona, w duej mierze,

dzieem matematykw francuskich zgrupowanych wok P. A. Meyera [29].
Wygodnym okazao si systematyczne traktowanie procesu stochastycznego jako odwzorowania z produktu [0, T ] , w zbir liczb rzeczywistych,
lub, oglniej, w przestrze mierzaln oraz dodanie do F rosncej rodziny
-cia: Ft Fs dla t s zawartych w F. Wprowadzone zostay dwie wane
klasy procesw stochastycznych: semimartyngay i procesy prognozowalne.
Semimartyngay to sumy martyngaw i procesw o trajektoriach ze skoczon wariacj. Najmniejsze -ciao podzbiorw [0, T ], wzgldem ktrego
mierzalne s wszystkie rzeczywiste procesy adaptowalne i cige, nazywa si
-ciaem prognozowalnym. Przypomnijmy, e proces X jest adaptowany, gdy
dla dowolnego t 0 zmienna X(t) jest Ft mierzalna. Procesy prognozowalne
to takie, ktre s mierzalne wzgldem -ciaa prognozowalnego. Zamy, e
adaptowany process (t), t 0, jest przedziaami stay:
(s) = (ti ),

s ]ti , ti+1 ],

ti +.

Waniejsze wydarzenia w teorii procesw stochastycznych

91

Naturalnie jest wtedy zdeniowa cak stochastyczn, dla t ]tk , tk+1 ], wzorem:
Rt
X
(s)dX(s) =
(ti )(X(ti+1 ) X(ti )) + (tk )(X(t) X(tk )).
ik1

K. Bichteler i C. Dellacherie [9] udowodnili, e operator cakowania, traktowany jako biliniowa operacja, daje si rozszerzy na produkt przestrzeni
procesw prognozowalnych i przestrzeni semimartyngaw X, i e uzyskane rozszerzenie jest w pewnym sensie maksymalne.
W poowie lat siedemdziesitych zaczy si rwnie pojawia prace
wiadczce o tym, e wyranowana teoria cakowania stochastycznego moe
sta si podstawowym narzdziem matematyki nansowej. Pogld ten w dojrzay sposb zaprezentowaa praca [18]. Koronnym osigniciem tej teorii
jest tak zwane zasadnicze twierdzenie o wycenie akcji autorstwa Delbaena
i Schachermayera [10].
Niech X(t) = (X 1 (t), . . . , X d (t)), t [0, T ] bdzie procesem cen akcji,
okrelonych na przestrzeni probabilistycznej (, F, P), na ktrej zadana jest
rosnca rodzina -cia Ft F. Dla kadego t 0, Ft jest rodzin tych zdarze, ktre mog zaj do chwili t. Zakada si, e proces X jest adaptowalny.
Agent giedowy z kapitaem wyjciowym x 0 moe w chwili pocztkowej
t = 0 cz swego kapitau umieci w banku, a za reszt kupi rnego
rodzaju akcje. Niech 0 (0), 1 (0), . . . , d (0) oznacza odpowiednio wielko
kapitau umieszczonego w banku i ilo zakupionych akcji odpowiednio rodzaju 1, . . . , d. Zauwamy, e
0 (0) + 1 (0)X 1 (0) + . . . + d (0)X d (0) = x.
Zamy, e bank przyjmuje wkady na procent zerowy i e w kadym momencie agent moe spienia posiadane akcje i kupowa za nie inne i poycza z konta bankowego na nansowanie transakcji. Niech 1 (t), . . . , d (t)
oznacza liczb akcji, ktre ma on w chwili t. Zamy, e strategia inwestowania (t), t 0, jest przedziaami staa:
(s) = (ti ),

s ]ti , ti+1 ],

ti +,

czyli e w momentach ti dokonuje si zmiany portfela akcji na portfel

1 (ti ), . . . , d (ti ) ,

ktry bdzie niezmienny na ]ti , ti+1 ]. Przyrost kapitau na przedziale [0, t],
spowodowany ruchem cen i sposobem inwestowania, rwna si, gdy t
]tk , tk+1 ]:
X
(ti )(X(ti+1 ) X(ti )) + (tk )(X(t) X(tk )),
ik1

czyli jest identyczny z cak stochastyczn [18].

92

J. Z a b c z y k

Mwimy, e rynek zdeniowany jako pitka (, F, (Ft ), P, (X(t), t

[0, T ])), dopuszcza arbitra, gdy istnieje taka strategia , e
RT

RT

P
(s)dX(s) 0 = 1,
P
(s)dX(s) > 0 > 0.
0

Oznacza to, e przez samo kupowanie i sprzedawanie akcji mona si wzbogaci nie ponoszc przy tym ryzyka.
Zasadnicze twierdzenie o wycenie akcji mwi [10], e przy odpowiednich
zaoeniach, rynek nie dopuszcza arbitrau wtedy i tylko wtedy, gdy istnieje
rwnowana mierze P taka, e proces cen X(t), t [0, T ], jest na
miara P
przestrzeni (, F, (Ft ), P) martyngaem. Twierdzenie to ma wiele wanych
zastosowa.
10. Miary i procesy gaussowskie. Miary i procesy gaussowskie pojawiaj si w olbrzymiej iloci zagadnie teoretycznych i praktycznych. Zgodnie z denicj miara gaussowaka na R1 jest albo skoncentrowana w jednym
(xm)2

1
e 2q , x R1 , z pewpunkcie, powiedzmy m R1 , albo ma gsto 2q
nym m R1 , q > 0 . Miara probabilistyczna na przestrzeni Banacha E jest
gaussowska, gdy dowolny cigy funkcjona liniowy f na E, traktowany jako
zmienna losowa na przestrzeni probabilistycznej (E, B(E), ), ma rozkad
gaussowski. Jeeli miara na Rd jest gaussowska, to dla pewnego > 0,

e|x| dx < +.

Rd

Twierdzenie, e analogiczny fakt jest prawdziwy dla dowolnych miar gaussowskich na przestrzeniach Banacha, zostao udowodnione przez X. Fernique
[16]. Stanowi ono jeden z larw teorii procesw stochastycznych.
Stochastyczny proces X(t), t 0, o wartociach rzeczywistych nazywa
si gaussowski, gdy dla dowolnych
0 t1 < . . . < td , d = 1, 2, . . ., wektorowe
zmienne losowe X(t1 ), . . . , X(td ) maj rozkady gaussowskie. Jednym z
centralnych zagadnie teorii procesw gaussowskich, postawionym jeszcze
przez Komogorowa w 1950 r., byo podanie warunkw koniecznych i dostatecznych na istnienie cigej wersji X procesu X w terminach funkcji:
m(t) = EX(t), q(t, s) = E(X(t) m(t))(X(s) m(s)), t, s 0.

Proces X jest cig wersj procesu X, gdy ma cige trajektorie i

P(X (t) = X(t)) = 1, t 0.

Oczywistym warunkiem koniecznym istnienia cigej wersji jest cigo

funkcji m, q. Bez zmniejszenia oglnoci rozwaa mona zaoy, e funkcja
m jest tosamociowo rwna zero. Warunek konieczny i dostateczny, ktry
powinna spenia funkcja q w przypadku, gdy proces X jest stacjonarny,

Waniejsze wydarzenia w teorii procesw stochastycznych

93

czyli gdy q zaley tylko od rnicy t s, zosta podany przez X. Fernique

rwnie w pracy [16]. Potraktujmy odcinek [0, 1] jako przestrze metryczn
z metryk dan wzorem:
p
(t, s) = E(X(t) X(s))2 .
To, e jest metryk, sprawdza si natychmiastowo. Dla dowolnego r > 0
oznaczmy przez N (r) minimaln ilo - kul o promieniach r pokrywajcych
[0, 1].
Twierdzenie. Stacjonarny proces gaussowski ma cig modykacj
wtedy i tylko wtedy, gdy dla pewnego > 0

R p

log N (r)dr < +.

Wynik ten by istotnym krokiem w rozwizaniu problemu istnienia cigych wersji w przypadku oglnym.
11. Warunkowe wartoci oczekiwane i momenty zatrzymania.
W dowodach twierdze uywa si czsto dwu poj teorii, o ktrych dotychczas nie byo mowy: warunkowe wartoci oczekiwane i momenty zatrzymania. Swobodne operowanie nimi wymaga wprawy i intuicji probabilistycznej
i dlatego nie byy one uywane w tym artykule. Ich denicje nie s jednak
skomplikowane i zostan teraz podane.
Niech (, F, P) bdzie przestrzeni probabilistyczn, G pewnym -ciaem zawartym w F, a X zmienn losow o wartociach rzeczywistych i skoczonej wartoci oczekiwanej. Warunkow wartoci oczekiwan zmiennej X
wzgldem -ciaa G jest zmienna losowa Y , mierzalna wzgldem -ciaa G
taka, e dla dowolnego zdarzenia A G:
(8)

X()P(d) =

Y ()P(d).

Zmienna losowa Y jest wyznaczona jednoznacznie z dokadnoci do zbiorw

P miary zero i oznaczana symbolem E(X|G). W szczeglnym przypadku, gdy
A1 , . . . , AN jest rozbiciem przestrzeni na zbiory rozczne G -ciaem sum
zbiorw Ai , to

(9)

E(X|G)() =

X()P(d)

Ai

P(Ai )

, Ai , i = 1, . . . , N.

Jeeli zmienna losowa X ma skoczony drugi moment: E|X|2 < +, to

E(X|G) jest rzutem ortogonalnym w przestrzeni Hilberta L2 (, F, P) funkcji
mierzalnych wzgldem F i cakowalnych z kwadratem, na podprzestrze
funkcji mierzalnych wzgldem G.

94

J. Z a b c z y k

Denicja martyngau moe by teraz wyraona krcej. Process X(t),

t T, jest martyngaem, gdy dla t s,
(10)

E(X|Ft ) = E(X|Fs ).

Zmienna losowa o wartociach w zbiorze [0, +] nazywa si momentem zatrzymania wzgldem -cia Ft , t 0, wtedy i tylko wtedy, gdy dla
dowolnego t 0,
(11)

{ : () t} Ft .

W szczeglnoci, jeeli X jest procesem Wienera na R1 takim, e dla dowolnego t 0, zmienna X(t) jest Ft mierzalna, to tak zwany pierwszy moment
dotarcia X do zbioru domknitego F :
(12)

() = inf{t 0 : X(t, ) F },

jest momentem zatrzymania. Przyjmujemy, e inmum zbioru pustego jest

rwne +. Wicej informacji znajdzie czytelnik na przykad w [21].
Literatura

[1] L. B a c h a l i e r, Theorie de la speculation. Ann. Sci Ecole

Num. Sup. 17 (1900),
2186.
[2] R. B l u m e n t h a l and R. K. G e t o o r, Markov Processes and Potential Theory,
Academic Press, New York, 1968.
[3] E. B o r e l, Lecons sur les fonctions discontinues, Paris 1898.
[4] N. B o u r b a k i, Elements dhistoire des mathematiques, Masson Editeur, Paris
1984.
[5] C. C a r a t h e o d o r y, Vorlesung u
ber reelle Funktionen, LeipzigBerlin, 1918.
[6] Z. C i e s i e l s k i, H
older condition for realizations of Gaussian processes, Trans.
Amer. Math. Society 99 (1961), 403413.
[7] P. C o u r r e g e, Sur la forme integrodierentielle des operateurs de Ck dans C
satisfaisant au principe du maximum, sem. Theorie du Potentiel, 1965/66, Expose 2.
[8] P. J. D a n i e l l, Integrals in an innite number of dimensions, Ann. of Math. (2),
20 (1918), 281288.
[9] C. D e l l a c h e r i e, Un survol de la theorie de lintegral stochastique, Stochastic
Processes and Applications 10(1980), 115144.
[10] F. D e l b a e n and W. S c h a c h e r m a y e r, A general version of the fundamental
theorem of asset pricing, Math. Ann. 330 (1994), 463520.
[11] J. L. D o o b, Stochastic Processes, John Wiley and Sons, 1953.
[12] J. L. D o o b, The law of large numbers for continuous stochastic processes, Duke
Math. J. 6 (1940), 290306.
[13] E. B. D y n k i n, Podstawy teorii procesw Markowa, Pastwowe Wydawnictwa Fizyko-Matematyczne, Moskwa, 1959, w jzyku rosyjskim.
[14] A. E i n s t e i n, Ueber die von der molekular-kinetischen Theorie Warme gefordete
Bewegung von in ruhenden Flussichkeiten suspendierten Teilchen, Annalen der Physik
4, 17(1905), 549560.
[15] A. K. E r l a n g, The theory of probabilities and telephone conversations, Nyt Tidsskrift f
ur Matematik, B. vol. 20 (1909), 33.

Waniejsze wydarzenia w teorii procesw stochastycznych

95

[16] X. F e r n i q u e, Regularite des trajectoires des fonctions aleatoires gaussiennes,

LNiM, 480 (1975).
[17] M. F r e c h e t, Sur lintegral dune fonctionnelle entendue `
a un ensemble abstrait,
Bull. Soc. Math. France 43 (1915).
[18] J. M. H a r r i s o n and S. R. P l i s k a, Martingales and stochastic integrals in
the theory of continuous trading, Stochastic Processes and Applications, 11 (1981),
215260.
[19] G. A. H u n t, Marko processes and potentials, I, II, III, Illinois J. Math., 1 (1957),
4493, 316369, 2 (1958), 151213.
[20] K. I t o, On stochastic dierential equations, Mem. Amer. Math. Soc., 4 (1951).
[21] O. K a l l e n b e r g, Fondations of Modern Probability, Springer, 2002.
[22] J. F. C. K i n g m a n, Procesy Poissona, PWN, Warszawa, 2001.
[23] A. K o l m o g o r o f f, Grundbegrie der Wahrscheinlichkeitsrechnung, Erg. der
Math., Bd2, Berlin, Springer, 1933.

[24] A. K o l m o g o r o f f, Uber
die analytischen Methoden in der Wahrscheinlichkeitsrechnung, Math. Ann. 104 (1931), 415458.
[25] H. L e b e s g u e, Integral, longeur, air, Ann. Math. (3), VII (1902), 231359.
[26] P. L e v y, Processus stochastiques et mouvement brownian, GauthierVillars, Paris,
1948.
[27] F. L u n d b e r g, Zur Theorie der R
uckversicherung, Verhandl. Kongr. Versicherungsmath. Wien, 1909.
[28] P. M a l l i a v i n, Stochastic calculus of variation and hypo-elliptic operators, Proc.
Int. Symp. Stoch. Di. Eqns, Kyoto, 1976, KinokunigenWiley, 1978.
[29] P. A. M e y e r, Un cours sur les integrales stochastiques, LNiM 511, 1976, 245400.
[30] D. M u m f o r d, The dawning of the age of stochasticity, Mathematics, Frontiers
and Perspectives, 2000.
[31] O. N i k o d y m, Sur une generalisation des integrales de M. J. Radon, Fund. Math.
15 (1930), 131179.
[32] D. N u a l a r t, The Malliavin Calculus and Related Topics, Springer, 1995.
[33] R. E. A. C. P a l e y and N. W i e n e r, Fourier transforms in the complex domain,
Colloq. Publ. Amer. Math. Soc., 1934.
[34] S. S a k s, Zarys Teorii Caki, Warszawa, 1930, Theorie de lintegral, WarszawaLww, 1933, Theory of the Integral, Warszawa-Lww 1937, Monograe Matematyczne
No 7.
[35] E. E. S l u c k y, Alcuni proposizioni sulla theoria degli funzioni aleatorie, Giorn. Inst.
Ital. Attuari, 8 (1937), 183199.
[36] M. R. S m o l u c h o w s k i, Zarys kinetycznej teorji ruchw Browna i roztworw
mtnych, Rozprawy i Sprawozdania z Posiedze Wydziau Matematyczno-Przyrodniczego Akademii Umiejtnoci, Krakw, A46 (1906), 257-282. Niemiecki przekad
w Annalen der Physik 4, 21 (1906), 756780.
[37] H. S t e i n h a u s, Les probabilites denombrables et leur rapport `
a la theorie de la
mesure, Fund. Math. 4 (1922), 286310.
[38] J. V i l l e, Etude critique de la notion de collectif, Paris 1939.
[39] N. W i e n e r, Dierential spaces, J. Math. Phys., Math. Inst. Tech. 2 (1923), 131
174.
[40] J. Z a b c z y k, Pocztki procesw stochastycznych, Sprawozdanie z 5 Konferencji
z Historii Matematyki, Dziwnw, Maj 610, 1991.