Wyklad Sds

Matematyka stosowana
Wstp do Analizy
Stochastycznej
Rafa Lataa
R.Latala@mimuw.edu.pl
http://www.mimuw.edu.pl/~rlatala
Uniwersytet Warszawski, 2011
Streszczenie. Oglna teoria procesw, proces Wienera. Wprowadzenie do teorii martyngaw z czasem cigym. Definicja i podstawowe wasnoci caki
stochastycznej. Wzr It
o. Stochastyczne rwnania rniczkowe. Twierdzenie
Girsanowa.
Wersja internetowa wykadu:

http://mst.mimuw.edu.pl/lecture.php?lecture=was
(moe zawiera dodatkowe materiay)
Niniejsze materiay s dostpne na licencji Creative Commons 3.0 Polska:

Uznanie autorstwa Uycie niekomercyjne Bez utworw zalenych.
c R.Latala, Uniwersytet Warszawski, Wydzia Matematyki, Informatyki i Mechaniki, 2011. Niniejszy
Copyright
plik PDF zosta utworzony 13 kwietnia 2011.
Projekt wspfinansowany przez Uni Europejsk w ramach

Europejskiego Funduszu Spoecznego.
Skad w systemie LATEX, z wykorzystaniem m.in. pakietw beamer oraz listings. Szablony podrcznika i prezentacji:
Piotr Krzyanowski; koncept: Robert Dbrowski.
Spis treci
1. Procesy stochastyczne. Proces Wienera
1.1. Podstawowe definicje . . . . . . . . . .
1.2. Proces Wienera (ruch Browna) . . . . .
1.3. Charakteryzacje procesu Wienera . . .
1.4. Uwagi i uzupenienia . . . . . . . . . .
1.4.1. Konstrukcja Procesu Wienera .
1.4.2. Nierniczkowalno trajektorii
1.5. Zadania . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
5
5
6
8
8
8
8
2. Rozkady procesw stochastycznych . . . . . . . . . . . .

2.1. -ciao zbiorw cylindrycznych . . . . . . . . . . . . . . .
2.2. Warunki zgodnoci. Twierdzenie Komogorowa o istnieniu
2.3. Uwagi i uzupenienia . . . . . . . . . . . . . . . . . . . .
2.4. Zadania . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . .
. . . . .
procesu
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
10
10
11
12
12
3. Cigo trajektorii . . . . . . . . . . . . . . . . . . . .
3.1. Procesy stochastycznie rwnowane i nierozrnialne
3.2. Twierdzenie o cigej modyfikacji . . . . . . . . . . .
3.3. Uwagi i uzupenienia . . . . . . . . . . . . . . . . .
3.4. Zadania . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
14
14
15
16
16
4. Filtracje, momenty zatrzymania

4.1. Filtracje z czasem cigym . .
4.2. Momenty zatrzymania . . . . .
4.3. Progresywna mierzalno . . .
4.4. Zadania . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
17
17
19
20
5. Martyngay z czasem cigym

5.1. Definicje i przykady . . . . .
5.2. Nierwnoci maksymalne . .
5.3. Zadania . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
22
22
23
26
6. Twierdzenia o zbienoci martyngaw

6.1. Przejcia w d przez przedzia . . . .
6.2. Zbieno prawie na pewno . . . . . .
6.3. Jednostajna cakowalno . . . . . . .
6.4. Ciga wersja twierdzenia Dooba . . .
6.5. Zbieno martyngaw w Lp . . . . .
6.6. Uwagi i uzupenienia . . . . . . . . .
6.7. Zadania . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
27
27
28
29
30
31
32
32
. . . . . . . .
. . . . . . . .
. . . . . . . .
martyngaw
. . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
34
34
35
36
37
.
.
.
.
7. Caka Stieltjesa . . . . . . . . . . .
7.1. Caka Riemanna-Stieltjesa . .
7.2. Caka Lebesguea-Stieltjesa . .
7.3. Nieskoczone wahanie cigych
7.4. Zadania . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
8. Caka izometryczna wzgldem procesu Wienera . . . . . . . . . . . . . . . . . . . . . . . 38

8.1. Caka Paleya-Wienera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
8.2. Procesy elementarne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
c R.Latala, Uniwersytet Warszawski, 2011.

Wstp do Analizy Stochastycznej
Spis treci
8.3.
8.4.
8.5.
Martyngay cige, cakowalne z kwadratem . . . . . . . . . . . . . . . . . . . . . . . . . . 40

Caka izometryczna It
o. Procesy prognozowalne . . . . . . . . . . . . . . . . . . . . . . . 41
Zadania . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
9. Wasnoci caki izometrycznej. Uoglnienie definicji caki stochastycznej

9.1. Twierdzenie o zatrzymaniu caki stochastycznej . . . . . . . . . . . . . . . .
9.2. Uoglnienie definicji caki stochastycznej . . . . . . . . . . . . . . . . . . . .
9.3. Martyngay lokalne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.4. Zadania . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
45
45
48
49
51
10.Caka wzgldem cigych martyngaw

10.1. Rozkad Dooba-Meyera . . . . . . . . .
10.2. Caka izometryczna . . . . . . . . . . .
10.3. Uoglnienie definicji caki . . . . . . . .
10.4. Zadania . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
52
52
52
54
55
11.Wasnoci nawiasu skonego . . . . . . . .

11.1. Nawias skony jako wariacja kwadratowa
11.2. Uoglnienie definicji nawiasu skonego . .
11.3. Zadania . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
56
56
58
59
12.Dalsze wasnoci caki stochastycznej . . . . . . . . .

12.1. Zbieno zmajoryzowana dla caek stochastycznych
12.2. Cakowanie przez podstawienie . . . . . . . . . . . .
12.3. Cakowanie przez czci . . . . . . . . . . . . . . . .
12.4. Cige semimartyngay . . . . . . . . . . . . . . . .
12.5. Zadania . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
61
61
61
63
65
66
13.Wzr It
o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.1. Podstawowe twierdzenie analizy stochastycznej . . . . . . . . . . . . . . . .
13.2. Twierdzenie Levyego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.3. Charakteryzacja procesu Wienera za pomoc martyngaw wykadniczych .
13.4. Zadania . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
67
67
69
71
71
14.Stochastyczne Rwnania Rniczkowe

14.1. Jednorodne rwnania stochastyczne .
14.2. Rwnania niejednorodne . . . . . . .
14.3. Przypadek wielowymiarowy . . . . . .
14.4. Generator procesu dyfuzji. . . . . . .
14.5. Zadania . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
74
74
78
79
80
81
15.Twierdzenie Girsanowa . . . . . . . . . . . . . .
15.1. Przypadek dyskretny . . . . . . . . . . . . .
15.2. Twierdzenie Girsanowa dla procesu Wienera
15.3. Zadania . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
83
83
83
86
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

Podczas pierwszego wykadu okrelimy czym jest proces stochastyczny oraz zdefiniujemy
proces Wienera najwaniejszy przykad procesu o cigych trajektoriach.
1.1. Podstawowe definicje

Zaczniemy od podania wanych definicji uywanych podczas caego wykadu.
Definicja 1.1. Niech (, F, P) bdzie przestrzeni probabilistyczn, (E, E) przestrzeni mierzaln, za T dowolnym zbiorem. Procesem stochastycznym o wartociach w E, okrelonym
na zbiorze T , nazywamy rodzin zmiennych losowych X = (Xt )tT , przyjmujcych wartoci w
zbiorze E.
Uwaga 1.1. W czasie wszystkich dalszych wykadw T bdzie podzbiorem R (najczciej przedziaem, niekoniecznie ograniczonym), za E = R lub Rd . Parametr t mona wwczas interpretowa jako czas.
Definicja 1.2. Trajektori procesu X nazywamy funkcj (losow!) t Xt (), okrelon na
zbiorze T o wartociach w E.
Definicja 1.3. Powiemy, e proces X = (Xt )tT , T R ma przyrosty niezalene jeli dla
dowolnych indeksw t0 t1 . . . tn ze zbioru T , zmienne losowe Xt0 , Xt1 Xt0 , Xt2
Xt1 , . . . , Xtn Xtn1 s niezalene.
Definicja 1.4. Mwimy, e proces stochastyczny (Xt )t0 ma przyrosty stacjonarne, jeli rozkad Xt Xs zaley tylko od t s, czyli
t>s0 Xt Xs Xts X0 .
1.2. Proces Wienera (ruch Browna)

Definicja 1.5. Procesem Wienera (ruchem Browna) nazywamy proces stochastyczny W =
(Wt )t0 taki, e
W0 = 0 p.n.;
(W0)
W ma przyrosty niezalene;
(W1)
Dla 0 s < t zmienna Wt Ws ma rozkad normalny N (0, t s);
(W2)
Trajektorie W s cige z prawdopodobiestwem 1.
(W3)
Uwaga 1.2. Warunek (W3) oznacza, e istnieje zbir A taki, e P(A) = 1 oraz dla wszystkich
A, t Wt () jest funkcj cig na [0, ). Czasami w definicji procesu Wienera zakada
si, e wszystkie trajektorie s cige oraz W0 0.

1.3. Charakteryzacje procesu Wienera

Najpierw podamy twierdzenie, ktre znacznie uatwia sprawdzanie, e dany proces jest procesem Wienera. Musimy wpierw poda wan definicj.
Definicja 1.6. Proces X = (Xt )tT nazywamy gaussowskim, jeli wszystkie skoczenie wymiarowe rozkady X s gaussowskie, tzn. wektor (Xt1 , . . . , Xtn ) ma rozkad gaussowski dla
dowolnych t1 , . . . , tn T .
Przykad 1.1. Nastpujce procesy s procesami gaussowskimi:
Xt = f (t)g, gdzie f : T R dowolne oraz g N (0, 1),
proces Wienera (Wt )t0 ,
most Browna Xt = Wt tW1 , 0 t 1.
Przykad 1.2. Procesy (Wt2 )t0 , (exp(Wt ))t0 nie s gaussowskie.
Twierdzenie 1.1. Proces (Xt )t0 jest procesem Wienera wtedy i tylko wtedy, gdy
jest procesem gaussowskim, o cigych trajektoriach p.n. takim, e EXt = 0 oraz
Cov(Xt , Xs ) = min{t, s}.
Dowd. : Mamy EXt = E(Xt X0 ) = 0 oraz Var(Xt ) = Var(Xt X0 ) = t na mocy (W0)

i (W2). Ponadto z niezalenoci przyrostw, dla t s, Cov(Xt , Xs ) = Cov(Xt Xs , Xs ) +
Var(Xs ) = 0 + s = min{t, s}.
: Zauwamy, e Var(X0 ) = 0 = EX0 , wic speniony jest warunek (W0). Dla t > s, zmienna
Wt Ws ma rozkad normalny ze redni 0 i wariancj Var(Xt Xs ) = Var(Xt ) + Var(Xs )
2Cov(Xt , Xs ) = t s, wic zachodzi (W2). By sprawdzi niezaleno przyrostw ustalmy 0
t0 t1 . . . tn . Zauwamy, e wektor (Xt0 , Xt1 Xt0 , Xt2 Xt1 , . . . , Xtn Xtn1 ) ma rozkad
gaussowski, wic jego wsprzdne s niezalene wtedy i tylko wtedy, gdy s nieskorelowane.
Mamy jednak dla s1 s2 s3 s4 ,
Cov(Xs1 , Xs3 Xs2 ) = Cov(Xs1 , Xs3 ) Cov(Xs1 , Xs2 ) = s1 s1 = 0
oraz
Cov(Xs2 Xs1 , Xs4 Xs3 ) = Cov(Xs2 , Xs4 Xs3 ) Cov(Xs1 , Xs4 Xs3 ) = 0.
Kolejne twierdzenie pokazuje, e (z dokadnoci do drobnych technicznych zaoe oraz

normalizacji) proces Wienera jest jedynym procesem o cigych trajektoriach oraz niezalenych
i stacjonarnych przyrostach.
Twierdzenie 1.2. Zamy, e proces (Xt )t0 spenia warunki (W0), (W1), (W3) (z
W zastpionym przez X) oraz
X ma przyrosty stacjonarne;
(W2a)
EX1 = 0, Var(X1 ) = 1;
(W2b)
EXt4
(W2c)
< dla wszystkich t > 0.
Wwczas Xt jest procesem Wienera.
1.3. Charakteryzacje procesu Wienera
Dowd. Okrelmy dla t 0, a(t) = EXt oraz b(t) = Var(Xt ). Zauwamy, e na mocy niezalenoci i stacjonarnoci przyrostw,
b(t + s) = Var(Xt+s Xt + Xt ) = Var(Xt+s Xt ) + Var(Xt )
= Var(Xs ) + Var(Xt ) = b(t) + b(s).
Ponadto oczywicie b(t) 0, zatem funkcja b(t) jest addytywna i niemalejca na [0, ), wic
b(t) = ct dla pewnego c 0, co wobec (W2b) daje Var(Xt ) = b(t) = t. Analogicznie sprawdzamy,
e a(t + s) = a(t) + a(s), wiemy te, e a(0) = 1, std wnioskujemy, e EXt = a(t) = 0 dla
t wymiernych. Wemy t > 0 i wybierzmy dcy do t cig liczb wymiernych (tn ). Na mocy
(W2c), EXt2 < , wiemy te, e EXt2n = Var(Xtn ) = tn , zatem (E|Xtn Xt |2 )1/2 M dla
pewnej staej M . Z cigoci trajektorii Xtn Xt prawie na pewno, czyli rwnie wedug
prawdopodobiestwa. Zatem dla > 0,
|EXt | = |EXt EXtn | E|Xt Xtn | + E|Xt Xtn |I{|Xt Xtn |}
+ (E|Xt Xtn |2 )1/2 P(|Xt Xtn | )1/2
+ M P(|Xt Xtn | )1/2 2
dla dostatecznie duych n. Std EXt = 0. Wykazalimy wic, e Xt ma redni zero i wariancj
t.
Ustalmy t > s 0, chcemy pokaza, e Xt Xs ma rozkad normalny N (0, ts). Zauwamy,
e
n
Xt Xs =
Yn,k = Xs+k(ts)/n Xs+(k1)(ts)/n .
Yn,k , gdzie
k=1
Zmienne (Yn,k )1kn tworz ukad trjktny, moemy wic skorzysta z Centralnego TwierdzeP
nia Granicznego i wykaza, e nk=1 Yn,k zbiega do N (0, t s) wedug rozkadu. Mamy
n
X
n
X
EYn,k = 0,
k=1
Var(Yn,k ) = t s,
k=1
wystarczy wic sprawdzi warunek Lindeberga. Dla > 0,

Ln () =
n
X
n
h X
E|Yn,k |2 I{|Yn,k |} E
k=1
|Yn,k |2 I{maxkn |Yn,k |}
k=1
n
X
|Yn,k |2
2 1/2
P max |Yn,k |
1/2
kn
k=1
Zauwamy, e zmienne (Yn,k ) dla ustalonego n s niezalene i maj redni zero, zatem
n
X
E(Xt Xs ) = E
=
Yn,k
4
k=1
1k1 ,k2 ,k3 ,k4 n
4
EYn,k
+6
n
X
k=1
n
X
k=1
EYn,k1 Yn,k2 Yn,k3 Yn,k4
2
2
EYn,k
EYn,l
1k<ln
4
EYn,k
+2
X
1k<ln
2
2
EYn,k
EYn,l
n
X
=E
|Yn,k |2
2
k=1
Z cigoci trajektorii X wynika, e P(maxkn |Yn,k | ) 0 przy n , zatem speniony

jest warunek Lindeberga limn Ln () = 0.
Uwaga 1.3. Warunek (W2c) nie jest konieczny - zob. Twierdzenie 5 z paragrafu 13.1 ksiki [3].
Okazuje si, e rwnie nie trzeba zakada skoczonoci wariancji ani nawet istnienia wartoci redniej W1 - warunek (W2b) ma charakter czysto normalizacyjny. Dokadniej zachodzi
nastpujce twierdzenie.
Twierdzenie 1.3. Zamy, e proces stochastyczny X = (Xt )t0 spenia warunki

(W0),(W1), (W2a) i (W3). Wwczas istniej stae a, b R i proces Wienera W takie,
e Xt = aWt + bt dla wszystkich t 0.
1.4. Uwagi i uzupenienia

1.4.1. Konstrukcja Procesu Wienera
Podczas nastpnych wykadw podamy do abstrakcyjn konstrukcj procesu Wienera
opart o oglniejsze twierdzenia dotyczce istnienia i cigoci trajektorii procesw stochastycznych. Alternatywna, bardziej bezporednia konstrukcja (wymagajca pewnej znajomoci analizy
funkcjonalnej) procesu Wienera jest zawarta w wiczeniach 1.10-1.12.
1.4.2. Nierniczkowalno trajektorii
Trajektorie procesu Wienera maj wiele ciekawych wasnoci, jedn z nich jest to, e prawdopodobiestwem 1 s funkcjami cigymi, nierniczkowalnymi w adnym punkcie.
Twierdzenie 1.4. Prawie wszystkie trajektorie procesu Wienera (Wt )t0 s funkcjami
nierniczkowalnymi w adnym punkcie, tzn.

P t0 0 t Wt () jest rniczkowalne w t0 = 0.
1.5. Zadania
wiczenie 1.1. Znajd rozkad zmiennej 5W1 W3 + W7 .
wiczenie 1.2. Dla jakich parametrw a i b, zmienne aW1 W2 oraz W3 + bW5 s niezalene?
wiczenie 1.3. Udowodnij, e limt
Wt
t
= 0 p.n.
wiczenie 1.4. Znajd rozkad wektora losowego (Wt1 , Wt2 , . . . , Wtn ) dla 0 < t1 < t2 < . . . <
tn .
wiczenie 1.5. Udowodnij, e z prawdopodobiestwem 1 trajektorie procesu Wienera s nieograniczone.
wiczenie 1.6. Udowodnij, e z prawdopodobiestwem 1 trajektorie procesu Wienera nie s
jednostajnie cige na R+ .
1.5. Zadania
wiczenie 1.7. Udowodnij, e nastpujce procesy te s procesami Wienera:

i) Xt = Wt (odbicie);
ii) Yt = c1/2 Wct , c > 0 (przeskalowanie czasu);
iii) Zt = tW1/t dla t > 0 oraz Z0 = 0 (inwersja czasu);
iv) Ut = WT +t WT , T 0;
v) Vt = Wt dla t T , Vt = 2WT Wt dla t > T , gdzie T 0.
(n)
(n)
(n)
(n)
wiczenie 1.8. Niech n = {t0 , t1 , . . . , tkn }, gdzie a = t0

(n)
(n)
< t1
(n)
< . . . < tkn = b bdzie
(n)
cigiem podziaw odcinka [a, b] oraz kn k = maxk |tk tk1 | oznacza rednic n . Udowodnij,
e
Sn =
kn
X
|Wt(n) Wt(n) |2 b a
k
k=1
w L2 () przy n ,
k1
jeli kn k 0 oraz Sn b a p.n., jeli
n kn k
< .
wiczenie 1.9. Udowodnij, e prawie wszystkie trajektorie procesu Wienera maj nieskoczone wahanie na kadym przedziale.
wiczenie 1.10. Niech fi (t) bdzie dowoln baz L2 [0, 1], hi (t) = 0t fi (s)ds oraz niech gi
P
bdzie cigiem niezalenych zmiennych N (0, 1). Wyka, e szereg Xt = i gi hi (t) jest zbieny
w L2 dla dowolnego t [0, 1] oraz Xt ma te same rozkady skoczenie wymiarowe co proces
Wienera.
R
wiczenie 1.11. Niech I(0) = {1}, I(n) = {1, . . . , 2n1 }, n = 1, 2, . . .. Ukadem Haara nazywamy rodzin funkcji (hn,k )n=0,1,...,kI(n) okrelonych na [0, 1] wzorami h0,1 (t) 1 oraz dla
n = 1, 2, . . . , k I(n),
hn,k (t) =
n1
2 2
n1
2
(2k 2)2n t < (2k 1)2n ,

(2k 1)2n t < 2k2n ,
w pozostaych przypadkach.
Ukadem Schaudera nazywamy rodzin funkcji (Sn,k )n=0,1,...,kI(n) okrelonych na [0, 1] wzoR
rem Sn,k (t) = 0t hn,k (s)ds. Niech (gn,k )n=0,1,...,kI(n) bdzie rodzin niezalenych zmiennych
losowych o rozkadzie N (0, 1), pomy
(n)
Wt () =
n
X
gm,k ()Sm,k (t).
m=0 kI(m)
(n)
Wyka, e dla prawie wszystkich cig funkcji (Wt ()) zbiega jednostajnie na [0, 1]
do pewnej funkcji cigej Wt (). Jeli okrelimy np. Wt () = 0 dla pozostaych to tak
zdefiniowany proces stochastyczny jest procesem Wienera na [0, 1].
wiczenie 1.12. Niech (Wt )t[0,1] bdzie procesem Wienera na [0, 1]. Wyka, e ((1+t)W
1
1+t
W1 )t0 jest procesem Wienera na caej pprostej.

wiczenie 1.13. Udowodnij Twierdzenie 1.4.
Wskazwka. Wyka wpierw, e jeli funkcja f jest rniczkowalna w jakim punkcie przedziau
[0, 1), to
j + k + 1

M < m< nm 0jn3 k=0,1,2 f
j + k
5M

.

2. Rozkady procesw stochastycznych

Podczas tego wykadu zdefiniujemy rozkad procesu stochastycznego, w szczeglnoci powiemy jakie zdarzenia okrelone przez proces s mierzalne. Udowodnimy, e rozkad procesu jest
wyznaczony przez rozkady skoczenie wymiarowe. Sformuujemy te warunki, ktre musz by
spenione, by istnia proces stochastyczny o zadanych rozkadach skoczenie wymiarowych.
Przypomnijmy, e jeli X jest zmienn losow o wartociach w przestrzeni mierzalnej (E, E),
to rozkadem X jest miara probabilistyczna na (E, E) zadana wzorem
X (A) = P(X A), A E.
Dla uproszczenia bdziemy przyjmowa, e proces X przyjmuje wartoci rzeczywiste.
2.1. -ciao zbiorw cylindrycznych

Proces X = (Xt )tT moemy traktowa jako zmienn losow o wartociach w RT . Jakie
podzbiory RT s wwczas na pewno mierzalne?
Definicja 2.1. Zbiory postaci
x RT : (xt1 , . . . , xtn ) A ,
t1 , . . . , tn T, A B(Rn )
nazywamy zbiorami cylindrycznymi. Przez B(RT ) bdziemy oznacza najmniejsze -ciao zawierajce zbiory cylindryczne i bdziemy je nazywa -ciaem zbiorw cylindrycznych.
Uwaga 2.1. Zauwamy, e
B(RT ) = ({x RT : xt A}, t T, A B(R)).
Przykad 2.1. Zbiory {x : xt > xs }, {x : xt1 > 0, xt2 xt1 > 0, . . . , xtn xtn1 > 0} oraz
{x : t<s,t,sQ+ xt > xs } nale do B(R[0,) ).
Przykad 2.2. Zbir {x : suptT |xt | 1} nie naley do B(RT ), gdy T jest nieprzeliczalny,
podobnie {x : t xt cige} nie naley do B(RT ), gdy T jest niezdegenerowanym przedziaem.
Definicja 2.2. Rozkadem procesu X = (Xt )tT nazywamy miar probabilistyczn X na
B(RT ) dan wzorem
X (C) = P((Xt )tT C), C B(RT ).
Uwaga 2.2. Zamy, e T jest przedziaem (skoczonym lub nie). Na przestrzeni funkcji ciagych
C(T ) rozwamy topologi zbienoci niemal jednostajnej. Wwczas B(RT ) C(T ) = B(C(T )),
co oznacza, e jeli proces X = (Xt )tT ma cige trajektorie, to X wyznacza rozkad probabilistyczny na przestrzeni funkcji cigych (C(T ), B(C(T ))). W szczeglnoci proces Wienera
wyznacza pewien rozkad probabilistyczny na C[0, ).

2.2. Warunki zgodnoci. Twierdzenie Komogorowa o istnieniu procesu
11
2.2. Warunki zgodnoci. Twierdzenie Komogorowa o istnieniu procesu

Najprostsze zbiory z B(RT ) to zbiory cylindryczne. Miary takich zbiorw to rozkady skoczenie wymiarowe procesu.
Definicja 2.3. Dla procesu (Xt )tT o wartociach w R i t1 , . . . , tn T okrelamy miar t1 ,...,tn
na Rn wzorem
t1 ,...,tn (A) = P((Xt1 , . . . , Xtn ) A), A B(Rn ).
Rodzin miar {t1 ,...,tn : t1 , . . . , tn T parami rne} nazywamy rodzin skoczenie wymiarowych rozkadw procesu X.
Stwierdzenie 2.1. Zamy, e X = (Xt )tT i Y = (Yt )tT s procesami o tych samych
skoczenie wymiarowych rozkadach, czyli
P((Xt1 , . . . , Xtn ) A) = P((Yt1 , . . . , Ytn ) A)
dla wszystkich t1 , . . . , tn T, A B(Rn ). Wwczas X i Y maj ten sam rozkad, tzn.
P(X C) = P(Y C) dla wszystkich C B(RT ).
Dowd. Rodzina zbiorw cylindrycznych A tworzy -ukad, a rodzina C zbiorw C takich, e
P(X C) = P(Y C), jest -ukadem zawierajcym A. Zatem z twierdzenia o - i - ukadach,
C zawiera rwnie -ciao generowane przez A, czyli B(RT ).
Definicja 2.4. Powiemy, e rodzina skoczenie wymiarowych rozkadw
{t1 ,...,tn : t1 , . . . , tn T parami rne}
spenia warunki zgodnoci, jeli zachodz nastpujce warunki:
i) Dla dowolnych t1 , t2 , . . . , tn T , dowolnej permutacji (i1 , . . . , in ) liczb (1, . . . , n) oraz zbiorw A1 , A2 , . . . , An B(R),
ti1 ,...,tin (Ai1 Ai2 . . . Ain ) = t1 ,...,tn (A1 A2 . . . An ).
ii) Dla dowolnych t1 , t2 , . . . , tn+1 T oraz A1 , A2 , . . . , An B(R),
t1 ,...,tn ,tn+1 (A1 A2 . . . An R) = t1 ,...,tn (A1 A2 . . . An ).
Oczywicie rodzina rozkadw skoczenie wymiarowych dowolnego procesu stochastycznego
spenia warunki zgodnoci. Okazuje si, e s to jedyne warunki jakie naley naoy na tak
rodzin.
Twierdzenie 2.1. Zamy, e dana jest rodzina skoczenie wymiarowych rozkadw (t1 ,...,tn ) speniajca warunki zgodnoci. Wwczas istnieje proces (Xt )tT majcy
skoczenie wymiarowe rozkady rwne (t1 ,...,tn ).
Nie bdziemy przedstawia technicznego dowodu powyszego twierdzenia - wszystkich zainteresowanych odsyamy do [9] lub [4]. W zamian sformuujemy uyteczny wniosek.
12
2. Rozkady procesw stochastycznych
Wniosek 2.1. Zamy, e T R oraz dana jest rodzina rozkadw skoczenie wymiarowych
{t1 ,...,tn : t1 < t2 < . . . < tn , t1 , . . . , tn T } speniajca warunek
t1 ,...,tn (A1 . . . Ak1 R Ak+1 . . . An )
= t1 ,...tk1 ,tk+1 ,...,tn (A1 . . . Ak1 Ak+1 . . . An ).
dla wszystkich t1 < t2 < . . . < tn , n 2, 1 k n oraz zbiorw borelowskich A1 , . . . , An .
Wwczas istnieje proces (Xt )tT taki, e (Xt1 , . . . , Xtn ) ma rozkad t1 ,...,tn dla t1 < t2 < . . . <
tn .
Dowd. Dla t1 , . . . , tn T parami rnych istnieje permutacja (i1 , . . . , in ) liczb (1, . . . , n) taka,
e ti1 < ti2 < . . . < tin . Moemy wic okreli t1 ,...,tn jako rozkad wektora (Y1 , . . . , Yn ) takiego, e (Yi1 , . . . , Yin ) ma rozkad ti1 ,...,tin . Nietrudno sprawdzi, e tak okrelona rodzina miar
(t1 ,...,tn ) spenia warunki zgodnoci.
Przykad 2.3. Jeli (t )tT jest dowoln rodzin rozkadw na R, to istnieje rodzina niezalenych zmiennych losowych (Xt )tT taka, e Xt ma rozkad t . Uywamy tu twierdzenia o
istnieniu dla t1 ,...,tn = t1 . . . tn .
Przykad 2.4. Istnieje proces speniajcy warunki (W0)-(W2) definicji procesu Wienera. Istotnie dla 0 = t0 t1 < t2 < . . . < tn kadziemy

t1 ,...,tn X1 , X1 + X2 , . . . ,
n
X
Xk ,
k=1
gdzie X1 , . . . , Xn s niezalenymi zmiennymi losowymi Xk N (0, tk tk1 ). Warunki zgodnoci

wynikaj wwczas std, i jeli Y1 , Y2 s niezalene i Yi N (0, i2 ) dla i = 1, 2, to Y1 + Y2
N (0, 12 + 22 ).

Podczas wykadu zakadalimy, e proces X ma wartoci rzeczywiste. Nic si zmieni (poza
oczywistymi drobnymi zmianami definicji) dla procesw o wartociach w Rd . Czasem jednak
zachodzi potrzeba rozpatrywania procesw o wartociach w oglniejszej przestrzeni E. Warto
wic zauway, e
w Stwierdzeniu 2.1 nie wykorzystywalimy adnych wasnoci przestrzeni E,
w dowodzie Twierdzenia 2.1 wykorzystuje si regularno miar na E n tu wystarczy zaoy,
e E jest -zwart przestrzeni metryczn, tzn. E jest przeliczaln sum zbiorw zwartych
lub doda warunek regularnoci rozpatrywanych miar (definicje i podstawowe wasnoci miar
regularnych mona znale w rozdziale 2 [7]).
2.4. Zadania
wiczenie 2.1. Udowodnij, e jeli zbir A B(RT ), to istnieje zbir przeliczalny T0 T taki,
e jeli x, y RT oraz x(t) = y(t) dla t T0 , to x A y A.
wiczenie 2.2. Niech T = [a, b], a < t0 < b, wyka, e nastpujce zbiory nie nale do B(RT ):
i) A1 = {x RT : supt[a,b] |xt | 1};
ii) A2 = {x RT : t xt cige na [a, b]};
iii) A3 = {x RT : limtt0 xt = 0};
iv) A4 = {x RT : t xt cige w t0 }.
2.4. Zadania
13
Wyka mierzalno tych zbiorw przy zaoeniu cigoci (prawostronnej cigoci) trajektorii, tzn. wyka, e wszystkie te zbiory po przeciciu z C(T ) (odp. RC(T )przestrzeni funkcji
prawostronnie cigych) nale do B(RT ) C(T ) (B(RT ) RC(T ) odp.).
wiczenie 2.3. Niech T = [a, b]. Wyka, e F = {AC(T ) : A B(RT )} jest -ciaem zbiorw
borelowskich (w metryce supremum) na C(T ).
wiczenie 2.4. Wyka, e istnieje proces (Xt )t0 o przyrostach niezalenych, startujcy z 0
taki, e Xt Xs ma rozkad Cauchyego z parametrem t s (proces taki nazywamy procesem
Cauchyego, bd procesem 1-stabilnym).
3. Cigo trajektorii
Wiemy ju kiedy istnieje proces o zadanych skoczenie wymiarowych rozkadach. Nasuwa si pytanie kiedy taki proces ma cige trajektorie? Zanim jednak zastanowimy si nad
odpowiedzi wprowadzimy dwa wane sposoby porwnywania procesw.
3.1. Procesy stochastycznie rwnowane i nierozrnialne

Definicja 3.1. Niech X = (Xt )tT oraz Y = (Yt )tT bd dwoma procesami stochastycznymi,
okrelonymi na tej samej przestrzeni probabilistycznej. Powiemy, e:
a) X jest modyfikacj Y (lub X jest stochastycznie rwnowany Y ), jeli
tT P(Xt = Yt ) = 1;
b) X i Y s nierozrnialne, jeli
P(tT Xt = Yt ) = 1.
Zauwamy, e procesy nierozrnialne s oczywicie stochastycznie rwnowane. Ponadto
dwa procesy stochastycznie rwnowane maj ten sam rozkad. Poniszy przykad pokazuje, e
z rozkadu procesu nie mona wnioskowa o wasnociach trajektorii.
Przykad 3.1. Niech Z 0 bdzie dowoln zmienn losow o rozkadzie bezatomowym tzn.
P(Z = z) = 0 dla wszystkich z R. Zdefiniujmy dwa procesy na T = [0, ):
(
Xt 0
oraz
Yt () =
0
1
dla t 6= Z(),
dla t = Z().
Wwczas Y jest modyfikacj X, bo P(Xt 6= Yt ) = P(Z = t) = 0. Zauwamy jednak, e wszystkie

trajektorie Y s niecige. W szczeglnoci P(t0 Xt = Yt ) = 0, a zatem procesy X i Y nie s
nierozrnialne.
Stwierdzenie 3.1. Zamy, e T jest przedziaem oraz procesy X = (Xt )tT i Y = (Yt )tT
maj prawostronnie cige trajektorie. Wwczas, jeli X jest modyfikacj Y , to X i Y s nierozrnialne.
Dowd. Wybierzmy przeliczalny podzbir T0 T , gsty w T , zawierajcy dodatkowo sup T ,
jeli T jest przedziaem prawostronnie domknitym. Niech
A = {tT0 Xt = Yt },
wwczas P(A) = 1, jako przeliczalne przecicie zbiorw penej miary. Ponadto, jeli A, to
dla dowolnego t T ,
Xt () =
lim
st+,sT0
Xs () =
lim
st+,sT0
Ys () = Yt (),
czyli
P(tT Xt = Yt ) P(A) = 1.

15
3.2. Twierdzenie o cigej modyfikacji
3.2. Twierdzenie o cigej modyfikacji

Najwaniejsze twierdzenie tego wykadu podaje kryterium istnienia modyfikacji procesu,
ktra ma cige trajektorie. Zanim sformuujemy dokadny wynik przypomnijmy definicj funkcji holderowskiej.
Definicja 3.2. Funkcja f : [a, b] R jest h
olderowsko ciga z wykadnikiem , jeli dla pewnej
staej C < ,
|f (s) f (t)| C|t s| dla wszystkich s, t [a, b].
Twierdzenie 3.1. Zamy, e X = (Xt )t[a,b] jest procesem takim, e

t,s[a,b] E|Xt Xs | C|t s|1+
(3.1)
e = (X
et)
dla pewnych staych dodatnich , , C. Wwczas istnieje proces X
t[a,b] , bdcy modyfikacj procesu X, ktrego wszystkie trajektorie s cige. Co wicej trajektorie kadej modyfikacji X o cigych trajektoriach s, z prawdopodobiestwem 1,
h
olderowsko cige z dowolnym wykadnikiem < .
Zainteresownych dowodem odsyamy np. do [4] lub [9].

Wniosek 3.1. Twierdzenie 3.1 jest prawdziwe, gdy przedzia [a, b] zastpimy nieskoczonym
przedziaem, o ile h
olderowsko trajektorii zastpimy lokaln h
olderowskoci (tzn. h
olderowskoci na kadym przedziale skoczonym). Co wicej, wystarczy, by warunek (3.1) zachodzi dla
|s t| , gdzie jest ustalon liczb dodatni.
Dowd. Przedzia nieskoczony T mona zapisa jako przeliczaln sum przedziaw [an , an+1 ],
e (n) procesu X
dugoci nie wikszej od . Z Twierdzenia 3.1 wynika istnienie modyfikacji X
t
(n+1)
a(n)
na przedziale [an , an+1 ], o cigych trajektoriach. Niech An = {X
n+1 6= Xan+1 }, wwczas
S
A = n An ma miar zero. Moemy wic pooy:
(
e t () =
X
(n)
e ()
X
t
0
dla t [an , an+1 ],

/ A,
dla A.
Wniosek 3.2. Istnieje proces Wienera, tzn. proces speniajcy warunki (W0)-(W3).
Dowd. Mamy E|Ws Wt |4 = E| t sW1 |4 = (s t)2 EW14 = 3(s t)2 i moemy zastosowa
Wniosek 3.1 z = 1, = 4 i C = 3.
Wniosek 3.3. Prawie wszystkie trajektorie procesu Wienera s lokalnie h
olderowsko cige z
dowolnym parametrem < 1/2.
Dowd. Mamy E|Ws Wt |p = (s t)p/2 E|W1 |p = Cp (s t)p/2 dla dowolnego p < . Stosujc
Twierdzenie 3.1 z = p/2 1, = p dostajemy holderowsk cigo trajektorii z dowolnym
< 21 p1 . Biorc p dostajemy tez.
Uwaga 3.1. Prawie wszystkie trajektorie procesu Wienera nie s jednostajnie cige na [0, ),
nie mog wic by globalnie h
olderowskie z adnym wykadnikiem.
16
3. Cigo trajektorii
Uwaga 3.2. Zaoenia > 0 nie mona opuci wystarczy rozway proces Poissona (Nt )t0
(tzn. proces o prawostronnie ciaglych trajektoriach, startujcy z zera, o przyrostach niezalenych
taki, e Nt Ns ma rozkad Poissona z parametrem (ts) zob. np. rozdzia 23 w [1]). Wwczas
E|Nt Ns | = |t s|, a oczywicie proces Poissona przyjmuje wartoci cakowite, wic nie ma
modyfikacji o cigych trajektoriach.

W tym wykadzie koncentrowalimy uwag nad procesami o trajektoriach cigych. Warto
jednak wspomnie o innych formach cigoci procesw stochastycznych.
Definicja 3.3. Niech X = (Xt )tT bdzie procesem stochastycznym. Mwimy, e
a) proces X jest stochastycznie cigy, jeli
P
tn t Xtn Xt .
b) proces X jest cigy wg p-tego momentu (cigy w Lp ), jeli
tn t E|Xtn Xt |p 0.
Uwaga 3.3. Cigo trajektorii oraz cigo wg p-tego momentu implikuj cigo stochastyczn procesu. Z pozostaych czterech implikacji midzy powyszymi pojciami cigoci procesu adna nie jest prawdziwa bez dodatkowych zaoe.
3.4. Zadania
wiczenie 3.1. Proces X jest modyfikacj procesu Wienera. Ktre z nastpujcych wasnoci
s spenione dla procesu X:
a) niezaleno przyrostw,
b) stacjonarno przyrostw,
c) cigo trajektorii,
d) limt Xtt = 0 p.n.,
e) limt Xtt = 0 wedug prawdopodobiestwa?
wiczenie 3.2. Wyka, e trajektorie procesu Wienera nie s lokalnie 1/2-holderowskie.
wiczenie 3.3. Scentrowany proces gaussowski nazywamy uamkowym ruchem Browna, jeli
E|Xt Xs |2 = |t s|2 (mona wykaza, e taki proces istnieje dla 0 < < 1). Udowodnij,
e uamkowy ruch Browna ma cig modyfikacj. Co mona powiedzie o holderowskoci jej
trajektorii?
wiczenie 3.4. Udowodnij tez Uwagi 3.3.

Pokaemy jak zmodyfikowa definicje omawiane podczas kursowego wykadu z rachunku
prawdopodobiestwa z przypadku czasu dyskretnego na czas cigy.
Bdziemy zakada, e T jest lewostronnie domknitym przedziaem (typowo T = [0, )),
cho wikszo definicji i wynikw mona uoglni na szersz klas zbiorw.
4.1. Filtracje z czasem cigym

Definicja 4.1. Filtracj (Ft )tT przestrzeni probabilistycznej (, F, P) nazywamy rosnc
rodzin -cia zawartych w F, tzn. Ft Fs F dla t s, t, s T .
Zdarzenia z -ciaa Ft moemy interpretowa jako zdarzenia obserwowalne do chwili t.
Definicja 4.2. Niech X = (Xt )tT bdzie procesem stochastycznym. Filtracj generowan
przez X nazywamy rodzin (FtX )tT dan wzorem FtX = (Xs : s t).
Stwierdzenie 4.1. Proces Xt ma przyrosty niezalene wtedy i tylko wtedy, gdy dla dowolnych
t < s, t, s T przyrost Xs Xt jest niezaleny od -ciaa FtX .
Dowd. : Rodzina A zdarze niezalenych od Xs Xt tworzy -ukad, ponadto, z niezalenoci
przyrostw X, zawiera -ukad zdarze postaci {Xt1 A1 , . . . , Xtn An } dla t1 < . . . < tn t,
ktry generuje -ciao FtX . Zatem, na mocy twierdzenia o - i -ukadach, A FtX .
: Ustalmy t1 < . . . < tn oraz zbiory borelowskie A1 , . . . , An . Zdarzenie {Xt1 A1 , Xt2
Xt1 A2 , . . . , Xtn1 Xtn2 An1 } naley do -ciaa FtXn1 , wic jest niezalene od zmiennej
Xtn Xtn1 . Std
P(Xt1 A1 , Xt2 Xt1 A2 , . . . , Xtn Xtn1 An )
= P(Xt1 A1 , . . . , Xtn1 Xtn2 An1 )P(Xtn Xtn1 An ).
Iterujc to rozumowanie pokazujemy, e
P(Xt1 A1 , Xt2 Xt1 A2 , . . . , Xtn Xtn1 An )
= P(Xt1 A1 )P(Xt2 Xt1 A2 , ) P(Xtn Xtn1 An ).
Definicja 4.3. Proces X = (Xt ) nazywamy zgodnym z filtracj (Ft )tT , Ft -adaptowalnym
lub adaptowanym do filtracji (Ft )tT , jeli dla wszystkich t T , Xt jest Ft mierzalne.
Uwaga 4.1. Oczywicie proces X jest zgodny z filtracj (Ft )tT wtedy i tylko wtedy, gdy FtX
Ft dla t T . W szczeglnoci kady proces X jest zgodny z filtracj przez siebie generowan.
4.2. Momenty zatrzymania

Definicja 4.4. Momentem zatrzymania (momentem Markowa, czasem zatrzymania) wzgldem
filtracji (Ft )tT nazywamy zmienn losow o wartociach w T {} tak, e { t} Ft dla
wszystkich t T .
18
Moment zatrzymania to strategia przerwania eksperymentu losowego (np. zakoczenia udziau w pewnej grze losowej) taka, e decyzj o przerwaniu do chwili t podejmujemy tylko na
podstawie obserwacji dostpnych w tym czasie.
Dla zbioru A R i procesu stochastycznego (Xt )tT okrelmy
A = inf{t T : Xt A}.
Stwierdzenie 4.2. Jeli (Xt )tT jest Ft -adaptowalnym procesem o cigych trajektoriach, za
A zbiorem domknitym, to A jest momentem zatrzymania wzgldem filtracji (Ft ).
Dowd. Niech T0 T bdzie gstym podzbiorem T zawierajcym lewy koniec. Z domknitoci
zbioru A i cigoci X dostajemy dla t T ,
{A t} = {st Xs A} =
{Xs A1/n } Ft ,
n=1 st,sT0
gdzie
A := {x Rn : d(x, A) < }
(-otoczka zbioru A).
Uwaga 4.2. Jeli w powyszym przykadzie A bdzie zbiorem otwartym, to A nie musi by momentem zatrzymania wzgldem filtracji (Ft )tT , ale musi by momentem zatrzymania wzgldem
filtracji (Ft+ )tT , gdzie dla t < sup T
Ft+ :=
Fs ,
s>t
a jeli t jest najwikszym elementem T , to kadziemy Ft+ = Ft .

Powysza uwaga motywuje ponisz definicj, ktra ma nieco techniczny charakter, ale jest
powszechnie uywana w teorii procesw.
Definicja 4.5. Filtracj (Ft )tT nazywamy prawostronnie cig, jeli Ft+ = Ft dla wszystkich
t T . Mwimy, e filtracja (Ft )tT spenia zwyke warunki, jeli
a) jest prawostronnie ciga,
b) dla wszystkich t, Ft zawiera wszystkie zbiory miary zero, tzn. jeli A F, P(A) = 0, to
A Ft .
Definicja 4.6. Niech bdzie momentem zatrzymania wzgldem filtracji (Ft )tT . Definiujemy
-ciao zdarze obserwowalnych do chwili wzorem
n
F := A F :=
[
Ft : tT A { t} Ft .
tT
Stwierdzenie 4.3. a) Zbir F jest -ciaem.

b) Jeli , to F F .
c) Zmienna losowa jest F mierzalna.
Dowd. a) Zbir F , bo { t} = { t} Ft . Jeli A F , to A0 { t} = { t}\
S
S
(A { t}) Ft , czyli A0 F . Jeli An F , to ( n An ) { t} = n (An { t}) Ft ,
S
zatem n An F .
b) Wemy A F , wwczas dla t T , A { t} = A { t} { t} Ft , czyli
A F .
c) Wystarczy pokaza, e { s} F , ale { s}{ t} = { st} Fst Ft .
19
4.3. Progresywna mierzalno
Stwierdzenie 4.4. Zamy, e i s momentami zatrzymania. Wwczas F = F F

oraz zdarzenia { < }, { < }, { }, { }, { = } nale do F .
Dowd. Zauwamy, e jest momentem zatrzymania oraz i , zatem
na mocy Stwierdzenia 4.3 dostajemy F F F . Na odwrt, jeli A F F , to
A { t} = A ({ t} { t}) = (A { t}) (A { t}) Ft , czyli
A F . Dalsz cz stwierdzenia pozostawiamy do samodzielnego udowodnienia w ramach
prostego wiczenia.
4.3. Progresywna mierzalno

Okazuje si, e adaptowalno procesu nie gwarantuje np. mierzalnoci zmiennych X dla
wszystkich momentw zatrzymania . Dlatego wprowadzimy jeszcze jedn techniczn definicj.
Definicja 4.7. Proces X = (Xt )tT nazywamy progresywnie mierzalnym wzgldem filtracji
(Ft )tT , jeli dla kadego t T , funkcja (s, ) Xs () traktowana jako funkcja ze zbioru
T (, t] w R jest mierzalna wzgldem -algebry B(T (, t]) Ft . Rwnowanie
tT AB(R) {(s, ) T : s t, Xs () A} B(T (, t]) Ft .
Stwierdzenie 4.5. Zamy, e T jest przedziaem oraz dany jest proces X = (Xt )tT oraz
filtracja (Ft )tT .
a) Jeli proces X jest progresywnie mierzalny wzgldem (Ft ), to jest Ft -adaptowalny.
b) Jeli proces X jest Ft -adaptowalny oraz ma prawostronnie cige trajektorie, to jest progresywnie mierzalny wzgldem (Ft ).
Dowd. a) Zbir { : Xt () A} jest przekrojem zbioru {(s, ) T : s t, Xs () A}, a
zatem naley do Ft .
(n)
b) Ustalmy t T i pomy dla s T , s t, Xs := Xt2n k , gdzie k jest liczb cakowit
tak, e t 2n (k + 1) < s t 2n k. Wwczas
{(s, ) T : s t, Xs(n) () A}
=

[
k=0
T t
k+1
k i
,
t
{ : Xt kn () A}
2
2n
2n
B(T (, t]) Ft .
(n)
Zatem funkcja Xs (), s T (, t], jest B(T (, t])Ft mierzalna. Wobec prawo(n)
stronnej cigoci X mamy Xs () = limn Xs (), wic funkcja Xs (), s T (, t],
jest B(T (, t]) Ft mierzalna jako granica funkcji mierzalnych.
Jeli jest momentem zatrzymania, a X = (Xt )tT procesem, to zmienna X jest dobrze
zdefiniowana tylko na zbiorze { < }. Musimy zatem okreli co mamy na myli mwic, e
zmienna X jest mierzalna.
Definicja 4.8. Mwimy, e zmienna losowa X okrelona na zbiorze A jest mierzalna wzgldem
-ciaa G zawierajcego A, jeli { A : X(w) B} G dla dowolnego zbioru borelowskiego
B.
Przed sformuowaniem kolejnego stwierdzenia wprowadzimy jeszcze jedn uyteczn definicj.
Definicja 4.9. Jeli X = (Xt )tT jest procesem stochastycznym, a zmienn o wartociach w
T {}, to definujemy X = (Xt )tT proces X zatrzymany w czasie wzorem Xt = X t .
20
Stwierdzenie 4.6. Zamy, e X = (Xt )tT jest procesem progresywnie mierzalnym wzgldem
filtracji (Ft )tT , a jest momentem zatrzymania. Wwczas zmienna losowa X okrelona na
zbiorze { < } F jest F mierzalna. Ponadto X proces X zatrzymany w chwili jest
progresywnie mierzalny.
Dowd. Odwzorowanie
(s, ) ( () s, ) : T (, t] T (, t]
jest mierzalne wzgldem -ciaa B(T (, t]) Ft ). Jeli zoymy je z odwzorowaniem
(s, ) Xs ()
mierzalnym z (T (, t] , B(T (, t]) Ft ) w R,
to otrzymamy odwzorowanie
(s, ) X ()s ()
mierzalne z (T (, t] , B(T (, t]) Ft ) w R.
Std wynika progresywna mierzalno procesu X . By zakoczy dowd zauwamy, e

{X A} { t} = {X t A} { t} Ft
na mocy progresywnej mierzalnoci (a waciwie adaptowalnoci) X .
4.4. Zadania
wiczenie 4.1. Zamy, e T jest przedziaem i okrelmy:
Ft+ :=
\
s>t
Fs ,
Ft :=
[
Fs .
s<t
a) Wyka, e filtracja Ft+ jest prawostronnie ciga, tzn. Ft++ = Ft+ .

b) Udowodnij, e jeli Ft = FtX jest filtracj generowan przez proces X o lewostronnie cigych
trajektoriach, to Ft = Ft .
c) Niech T = [0, ), A F oraz Xt = (t 1)+ IA . Znajd FtX .
d) Dla X jak w punkcie c) okrelmy := inf{t : Xt > 0}. Wyka, e nie jest momentem
X.
zatrzymania wzgldem FtX ale jest momentem zatrzymania wzgldem Ft+
wiczenie 4.2. Zamy, e T jest przedziaem, wyka, e:
a) jeli jest momentem zatrzymania, to { < t} Ft dla wszystkich t;
b) jeli { < t} Ft dla wszystkich t, to jest momentem zatrzymania wzgldem Ft+ .
wiczenie 4.3. Niech T = [0, ), a bdzie momentem zatrzymania, ktre ze zmiennych
+ 1, 2 , 1 musz by momentami zatrzymania?
wiczenie 4.4. Niech T = [0, ), a Xt procesem Ft -adaptowalnym o cigych trajektoriach.
Wyka, e dla A otwartego A := inf{t : Xt A} jest momentem zatrzymania wzgldem Ft+ .
wiczenie 4.5. Wyka, e jeli i s momentami zatrzymania, to zdarzenia { < }, { = }
i { } nale do F , F i F .
wiczenie 4.6. Wyka, e jeli jest momentem zatrzymania, to proces Xt := I[0, ) (t) jest
progresywnie mierzalny.
wiczenie 4.7. Niech bdzie momentem zatrzymania wzgldem (Ft )tT , a (Xt ) bdzie procesem Ft -adaptowalnym. Wyka, e
a) jest F -mierzalne;
b) jeli przyjmuje przeliczalnie wiele wartoci, to X jest F mierzalny na zbiorze < .
4.4. Zadania
21
wiczenie 4.8. Wyka, e jeli jest momentem zatrzymania, oraz jest F mierzalny,
to jest momentem zatrzymania.
wiczenie 4.9. Wyka, e jeli proces Xt ma niezalene przyrosty i prawostronnie cige
X.
trajektorie, to dla s t zmienna Xs Xt jest niezalena od Ft+

Tak jak podczas poprzedniego wykadu, jeli nie zaznaczymy inaczej, bdziemy zakada, e
T jest lewostronnie domknitym przedziaem.
5.1. Definicje i przykady

Definicja 5.1. Mwimy, e (Xt )tT jest martyngaem (odp. podmartyngaem, nadmartyngaem) wzgldem filtracji (Ft )tT lub, e (Xt , Ft )tT jest martyngaem (odp. podmartyngaem,
nadmartyngaem), jeli
a) dla wszystkich t T , Xt jest Ft -mierzalny i E|Xt | < ,
b) dla dowolnych s, t T, s < t, E(Xt |Fs ) = Xs p.n. (odp. dla podmartyngau i dla
nadmartyngau).
Przykad 5.1. Jeli X jest cakowaln zmienn losow, a Ft dowoln filtracj to Xt := E(X|Ft )
jest martyngaem.
Sprawdzamy dla t > s,
E(Xt |Fs ) = E(E(X|Ft )|Fs ) = E(X|Fs ) = Xs
p.n..
Przykad 5.2. (Wt )t0 jest martyngaem wzgldem naturalnej filtracji Ft = (Ws : s t).
Istotnie dla t > s mamy z niezalenoci przyrostw
E(Wt |Fs ) = E(Ws |Fs ) + E(Wt Ws |Fs ) = Ws + E(Wt Ws ) = Ws
p.n..
Przykad 5.3. (Wt2 )t0 jest podmartyngaem, a (Wt2 t)t0 martyngaem wzgldem naturalnej
filtracji Ft = (Ws : s t).
Liczymy dla t > s,
E(Wt2 |Fs ) = E(Ws2 |Fs ) + E(2Ws (Wt Ws )|Fs ) + E((Wt Ws )2 |Fs )
= Ws2 + 2Ws E(Wt Ws ) + E(Wt Ws )2 = Ws2 + t s
p.n..
W ).
Uwaga 5.1. W ostatnich dwu przykadach filtracj (FtW ) mona zastpi filtracj (Ft+
Stwierdzenie 5.1. Zamy, e (Xt , Ft ) jest martyngaem (odp. podmartyngaem), za f : R

R funkcj wypuk (odp. wypuk i niemalejc) tak, e E|f (Xt )| < dla wszystkich t. Wwczas (f (Xt ), Ft ) jest podmartyngaem.
Dowd. Z nierwnoci Jensena mamy E(f (Xt )|Fs ) f (E(Xt |Fs )) p.n., a ostatnia zmienna jest
rwna f (Xs ) w przypadku martyngau i nie mniejsza ni f (Xs ) dla podmartyngau.
Przypomnijmy definicj funkcji harmonicznych.
Definicja 5.2. Funkcj f : Rn R nazywamy podharmoniczn (odp. harmoniczn, nadharmoniczn) jeli jest ograniczona na zbiorach zwartych oraz
xRn r0 f (x)
1
|S n1 |
f (x + ry)d(y)
(odp. =, ),
S n1
gdzie (y) jest miar powierzchniow na sferze, a |Sn1 | =
S n1
d(y) = 2 n/2 ((n/2))1 .

23
5.2. Nierwnoci maksymalne
Uwaga 5.2. Funkcja gadka jest harmoniczna (odp. pod-,nad-) wtedy i tylko wtedy, gdy f = 0
(odp. , ). Dla n = 1 warunek podharmonicznoci jest rwnowany wypukoci. Funkcja
f (x) = ln |x x0 | jest nadharmoniczna na R2 , a funkcja f (x) = |x x0 |2d nadharmoniczna
na Rd dla d > 2.
(1)
(d)
Stwierdzenie 5.2. Niech Wt = (Wt , . . . , Wt ) bdzie d-wymiarowym procesem Wienera,

FtW = (Ws : s t), za f : Rd R funkcj harmoniczn (odp. nad-, pod-) tak, e E|f (Wt )| <
dla t 0. Wwczas (f (Wt ), FtW ) jest martyngaem (odp. nad-, pod-).
Dowd. Liczymy dla t > s korzystajc z niezalenoci przyrostw procesu Wienera oraz wprowadzajc wsprzdne sferyczne,
E(f (Wt )|FsW ) = E(f (Ws + (Wt Ws ))|FsW )
= (2(t s))d/2
d/2
= (2(t s))
|x|2
f (Ws + x)e
Rd
Z
2(ts)
r
d1 2(ts)
Z
S d1
= (2(t s))d/2 |S d1 |f (Ws )

= (2)d/2 |S d1 |
dx
f (Ws + y)d(y) dr
2
r
2(ts)
rd1 e
dr
0
r2
rd1 e 2 drf (Ws ) = cd f (Ws )
p.n..
By zauway, e cd = 1 przeprowadzamy albo bezporedni rachunek, albo podstawiamy powyej

f 1.

Zacznijmy od przypomnienia podstawowego lematu dla martyngaw z czasem dyskretnym,
pochodzcego od Dooba.
Lemat 5.1. Zamy, e (Xn , Fn )0nN jest martyngaem (odp. nad-, pod-), za 0
N dwoma momentami zatrzymania. Wwczas
E(X |F ) = X
p.n. (odp. , ).
Dowd. Musimy pokaza, e dla A F , EX IA = EX IA . Pomy Ak := A { = k} dla

k = 0, 1, . . . , N . Mamy
(X X )IAk = (X Xk )IAk =
1
X
N
X
i=k
i=k
(Xi+1 Xi )IAk =
(Xi+1 Xi )IAk {>i} ,
zatem
E[(X X )IAk ] =
N
X
E[(Xi+1 Xi )IAk {>i} ] = 0,
i=k
gdy Ak { > i} Fi . Std

E[(X X )IA ] =
N
X
k=0
E[(X X )IAk ] = 0.
24
Uwaga 5.3. Lemat 5.1 nie jest prawdziwy, jeli nie zaoymy ograniczonoci momentw zatrzyP
mania, np. biorc Xn = nk=1 n , gdzie n niezalene zmienne losowe takie, e P(n = 1) = 1/2,
Fn = (1 , . . . , n ), = 0, = inf{n : Xn = 1} widzimy, e EX = 0 6= 1 = EX .
Przed sformuowaniem kolejnego lematu przypomnijmy, e przez X + i X oznaczamy odpowiednio cz dodatni i ujemn zmiennej X, tzn. X + := max X, 0 oraz X := max X, 0.
Lemat 5.2. Niech (Xn , Fn )0nN bdzie podmartyngaem, wwczas dla wszystkich 0 mamy
a) P
+
max Xn EXN I{max0nN Xn } EXN
,
0nN
b) P
+
min Xn EXN I{min0nN Xn >} EX0 EXN
EX0 .
0nN
Dowd. a) Niech := inf{n : Xn }, z Lematu 5.1 dostajemy (wobec N N )

EXN EX N = EX I{max0nN Xn } + EXN I{max0nN Xn <}
P( max Xn ) + EXN I{max0nN Xn <}
0nN
i po przeniesieniu wartoci oczekiwanych na jedn stron dostajemy postulowan nierwno.

b) Definiujemy := inf{n : Xn }, z Lematu 5.1 dostajemy (wobec N 0)
EX0 EX N = EX I{min0nN Xn } + EXN I{min0nN Xn >}
P( min Xn ) + EXN I{min0nN Xn >}
0nN
i znw wystarczy pogrupowa wartoci oczekiwane.

Wniosek 5.1. Jeli (Xn , Fn )0nN jest martyngaem, bd nieujemnym podmartyngaem, to

a) p1 0 p P
max |Xn | E|XN |p ,
0nN
b) p>1 E|XN |p E max |Xn |p
0nN
p p
E|XN |p .
p1
Dowd. a) Funkcja f (t) = |t|p jest wypuka, niemalejca na R+ , std na mocy Stwierdzenia 5.1
|Xn |p jest nieujemnym podmartyngaem, zatem z Lematu 5.2 mamy
p P
max |Xn | = p P
0nN
max |Xn |p p
0nN
E|XN |p I{max0nN |Xn |p p }
E|XN |p .
b) Niech X := max0nN |Xn |, z rachunku przeprowadzonego powyej dla p = 1,

P(X ) E|XN |I{X } .
Stosujc kolejno wzr na cakowanie przez czci, twierdzenie Fubiniego i nierwno Holdera
dostajemy
p
E max |Xn | = p
0nN
p1
= pE|XN |
P(X )d p
Z X
0
p2 d
Z
0
p2 E|XN |I{X } d
p
E|XN |(X )p1
p1
(E|XN |p )1/p (E(X )p )(p1)/p .

p1
25
Jeli E|XN |p < , to na mocy nierwnoci Jensena, E|Xn |p E|XN |p < dla 0 n N oraz
P
p
E(X )p E N
n=0 |Xn | < . Dzielc wic otrzyman poprzednio nierwno stronami przez
p
(p1)/p
(E(X ) )
dostajemy
(E(X )p )1/p
p
(E|XN |p )1/p .
p1
Udowodnimy teraz nierwno maksymaln Dooba w przypadku cigym.
Twierdzenie 5.1. Zamy, e (Xt , Ft )tT martyngaem lub nieujemnym podmartyngaem, o prawostronnie cigych trajektoriach. Wwczas

a) p1 0 p P sup |Xt | sup E|Xt |p ,

tT
tT
b) p>1 sup E|Xt |p E sup |Xt |p

tT
tT
p p
sup E|Xt |p .
p 1 tT
Uwaga 5.4. Oczywicie, jeli T zawiera element maksymalny tmax , to przy zaoeniach twierdzenia suptT E|Xt |p = E|Xtmax |p .
Dowd. Jeli D jest skoczonym podzbiorem T , to na podstawie Wniosku 5.1 dostajemy

p P sup |Xt | sup E|Xt |p sup E|Xt |p .

tD
tD
tT
Niech T0 bdzie gstym podzbiorem T zawierajcym prawy koniec T (o ile taki istnieje), za
S
Dn wstpujcym cigiem skoczonych podzbiorw T0 takim, e n Dn = T0 . Wwczas dla
> 0 dostajemy na mocy prawostronnej cigoci
dowolnego

p P sup |Xt | >

=
p P sup |Xt | >
tT
tT0
sup E|Xt |p .
p P sup |Xt | >
= lim
n
tDn
tT
n % dostajemy postulowan w a) nierwno. Nierwno z punktu b) wynika z

Biorc cig
Wniosku 5.1 w podobny sposb.
Uwaga 5.5. Punkt b) Twierdzenia 5.1 nie zachodzi dla p = 1 mona skonstruowa martynga
dla ktrego supt E|Xt | < , ale E supt |Xt | = . Zachodzi jednak (przy zaoeniach Twierdzenia
5.1) nierwno

e
E sup |Xt |
1 + sup E|Xt | ln+ |Xt | .
e1
tT
tT
Wniosek 5.2. Dla dowolnych u, s > 0 zachodzi

u2
sup Wt u e 2s .
0ts
26

2
Dowd. Ustalmy > 0, wwczas Mt := exp(Wt 2 t ) jest martyngaem wzgldem filtracji

FtW generowanej przez proces Wienera (wiczenie 5.2). Std na mocy Twierdzenia 5.1 a) z
p = 1 i nieujemnoci Mt dostajemy

sup Wt u P
0ts
sup Mt eu
2 s
2
0ts
eu+
2 s
2
sup E|Mt | = eu+
0ts
Zatem

sup Wt u inf eu+
2 s
2
>0
0ts
2 s
2
EM0 = eu+
2 s
2
u2
= e 2s .
5.3. Zadania
wiczenie 5.1. Zamy, e (Nt )t0 jest procesem Poissona, tzn. procesem o prawostronnie
cigych trajektoriach takim, e N0 = 0, N ma przyrosty niezalene, oraz Nt Ns Poiss(t s)
dla t > s. Wyka, e (Nt t)t0 oraz ((Nt t)2 t)t0 s martyngaami wzgldem (FtN )t0 .
wiczenie 5.2. Wyka, e (exp(Wt
2 t
W
2 ), Ft )t0
jest martyngaem dla dowolnego R.
wiczenie 5.3 (Prawo iterowanego logarytmu dla procesu Wienera). Wyka, e

a) lim supt 2tWlnt ln t = 1 p.n.,
b) lim inf t
Wt
2t ln ln t
= 1 p.n..
Wskazwka. i) Niech C > 1 oraz u > C 1/2 . Wyka, e

X
Wt u 2C n ln ln C n <
sup
C n tC n+1
i wywnioskuj std, e lim supt
Wt
2t ln ln t
u p.n..
lim supt 2tWlnt ln t
ii) Wyka, e
1 p.n. oraz lim inf t
iii) Udowodnij, e dla g N (0, 1) i t > 0,
Wt
2t ln ln t
1 p.n..
1 1
1 2
1 t2 /2
3 et /2 P(g t)
e
.
t
2 t
2t
iv) Wyka, e dla C > 1 i u < 1
X
P(WC n WC n1 u 1 1/C 2C n ln ln C n ) =
i wywnioskuj std i z ii), e lim supt

wiczenie 5.4. Udowodnij, e
a) lim supt0+ Wt
= 1 p.n.,
b) lim inf t0+
2t ln ln(1/t)
Wt
=
2t ln ln(1/t)
1 p.n..
Wt
2t ln ln t
u(1 1/C)1/2 C 1/2 p.n..

Udowodnimy twierdzenia o zbienoci martyngaw z czasem cigym prawie na pewno i w
Lp . Wykaemy te cig wersj twierdzenia Dooba optional sampling.
6.1. Przejcia w d przez przedzia

Definicja 6.1. Zamy, e I R, f : I R oraz < . Jeli I jest skoczone, to okrelamy
1 := inf{t I : f (t) } oraz 1 := inf{t I : t > 1 , f (t) }
i dalej indukcyjnie dla i = 1, 2, . . .
i+1 := inf{t I : t > i , f (t) } oraz i+1 := inf{t I : t > i+1 , f (t) }.
Definiujemy
DI (f, [, ]) := sup{j : j < } 0.
W przypadku, gdy I jest nieskoczone kadziemy
DI (f, [, ]) := sup{DF (f, [, ]) : F T skoczone}.
Wielko DI (f, [, ]) nazywamy liczb przej w d funkcji f przez przedzia [, ].
Przypomnijmy fakt z rachunku prawdopodobiestwa wicy skoczono liczby przej
cigu przez przedzia z istnieniem granicy.
Lemat 6.1. Cig liczbowy xn jest zbieny do pewnej, niekoniecznie skoczonej granicy wtedy i
tylko wtedy, gdy DN ((xn ), [, ]) < dla dowolnych liczb wymiernych < .
Nastpny lemat jest niewielk modyfikacj poprzedniego.
Lemat 6.2. Jeli f : [a, b) R, b jest prawostronnie cig funkcj tak, e dla dowolnych
liczb wymiernych < , D[a,b)Q (f, [, ]) < , to istnieje (niekoniecznie skoczona) granica
limtb f (t).
Dowd. Zamy, e postulowana granica nie istnieje, wtedy mona znale liczby wymierne
, takie, e
lim inf f (t) < < < lim sup f (t).
tb
tb
Std wynika, e istnieje rosncy cig liczb wymiernych tn z przedziau [a, b) taki, e f (t2k1 )
oraz f (t2k ) . Przyjmujc I = {t1 , t2 , . . .} widzimy, e D[a,b)Q (f, [, ]) DI (f, [, ]) =
.
Lemat 6.3. Zamy, e X = (Xt )tT jest podmartyngaem wzgldem pewnej filtracji, a F jest
przeliczalnym podzbiorem T , wwczas
EDF (X, [, ]) sup
tF
E(Xt )+
.

28
Dowd. Stosujc twierdzenie Lebesguea o zbienoci monotonicznej widzimy, e wystarczy udowodni lemat dla skoczonych zbiorw F , dla uproszczenia notacji moemy oczywicie przyj,
e F = {1, 2, . . . , N }. Zauwamy, e (przy oznaczeniach jak w Definicji 6.1)
Xi N Xi N =
Zatem
Xi Xi
Xi XN XN (XN )+
X X =0
N
N
gdy i < ,
gdy i < i = ,
gdy i = .
N
X
(Xi N Xi N ) ( )DF (X, [, ]) (XN )+ .
i=1
Na mocy Lematu 5.1, EXiN EXiN , wic

0E
N
X
(Xi N Xi N ) E( )DF (X, [, ]) E(XN )+ .
i=1
6.2. Zbieno prawie na pewno

Przypomnijmy twierdzenie dotyczce zbienoci podmartyngaw z czasem dyskretnym:
Twierdzenie 6.1. Zamy, e (Xn )nN jest podmartyngaem wzgldem pewnej filtracji takim, e supnN EXn+ < (lub nadmartyngaem takim, e supnN EXn < ),
wwczas X = limn Xn istnieje i jest skoczona p.n., ponadto E|X| < .
Sformuujemy teraz odpowiednik powyszego twierdzenia dla czasu cigego.
Twierdzenie 6.2. Zamy, e (Xt )t[a,b) , b jest podmartyngaem o prawostronnie cigych trajektoriach takim, e supt[a,b) EXt+ < . Wwczas X = limtb Xt
istnieje i jest skoczony p.n., ponadto E|X| < .
Dowd. Dla ustalonego < na podstawie Lematu 6.3 mamy
1
ED[a,b)Q (Xt , [, ])
sup E(Xt )+ < ,
t[a,b)
zatem P(D[a,b)Q (Xt , [, ]) = ) = 0. Niech
\
A :=
{D[a,b)Q (Xt , [, ]) < },
,Q,<
wwczas P(A) = 1, bo A jest przeciciem przeliczalnej liczby zbiorw penej miary. Jeli A,
to D[a,b)Q (Xt (), [, ]) < dla dowolnych liczb wymiernych < , czyli, na podstawie
Lematu 6.2, granica X() := limtb Xt () istnieje (cho apriori moe by nieskoczona). Zauwamy, e E|Xt | = 2EXt+ EXt 2EXt+ EX0 , zatem supt[a,b) E|Xt | < . Z Lematu
Fatou
E|X| = E lim |Xt | lim inf E|Xt | sup E|Xt | < ,
tb
tb
czyli zmienna X jest cakowalna, a wic w szczeglnoci skoczona p.n..
29
6.3. Jednostajna cakowalno
Wniosek 6.1. Zamy, e (Xt )t0 jest niedodatnim podmartyngaem (lub nieujemnym nadmartyngaem) o prawostronnie cigych trajektoriach, wwczas granica X = limt Xt istnieje
i jest skoczona p.n., ponadto E|X| < .
6.3. Jednostajna cakowalno

Definicja 6.2. Rodzin zmiennych losowych (Xi )iI nazywamy jednostajnie cakowaln, jeli
lim sup E|Xi |I{|Xi |>C} = 0.
C iI
Stwierdzenie 6.1. Rodzina zmiennych losowych (Xi )iI jest jednostajnie cakowalna wtedy i
tylko wtedy, gdy spenione s nastpujce dwa warunki
a) supiI E|Xi | < ,
b) >0 >0 P(A) supiI E|Xi |IA .
Dowd. : Ustalmy > 0 i dobierzmy C takie, e supiI E|Xi |I{|Xi |>C} /2. Wwczas
iI E|Xi | C + E|Xi |I{|Xi |>C} C + /2 <
oraz, jeli P(A) < :=
2C ,
to
E|Xi |IA CP(A) + E|Xi |I{|Xi |>C} C +
= .
2
: Niech := supiI E|Xi | oraz > 0 bdzie takie, e supiI E|Xi |IA dla P(A) .
Wwczas, jeli C = /, to P(|Xi | > C) < /C = dla dowolnego i I, czyli supiI E|Xi |I{|Xi |>C}
.
Podamy teraz kilka przykadw rodzin jednostajnie cakowalnych.
Przykad 6.1. Rodzina jednoelementowa {Y } taka, e E|Y | < .
Istotnie, na mocy twierdzenia Lebesguea o zbienoci zmajoryzowanej mamy limC E|Y |I{|Y |>C} =
0.
Przykad 6.2. Rodzina wsplnie ograniczona przez zmienn cakowaln tzn. rodzina (Xi )iI
taka, e iI |Xi | Y oraz EY < .
Wynika to ze Stwierdzenia 6.1, poprzedniego przykadu i oczywistej obserwacji E|Xi |IA
E|Y |IA .
Przykad 6.3. Rodzina urednie ustalonej cakowalnej zmiennej losowej, tzn. rodzina postaci
(E(X|Fi ))iI , gdzie E|X| < , za (Fi )iI dowolna rodzina -podcia F.
Na podstawie nierwnoci Jensena E|Xi | = E|E(X|Fi )| E|X|, a zatem
P(|Xi | C)
E|Xi |
E|X|
C
C
dla C
E|X|
.
Zbir {|Xi | > C} Fi , wic z nierwnoci Jensena

E|Xi |I{|Xi |>C} = E|E(XI{|Xi |>C} |Fi )| EE(|X|I{|Xi |>C} |Fi )
E(|X|I{|Xi |>C} ) ,
jeli tylko dobierzemy odpowiednio mae korzystajc z jednostajnej cakowalnoci {|X|}.
Jednostajna cakowalno jest jednym z kluczowych narzdzi (obok twierdzenia o zbienoci
zmajoryzowanej) pozwalajcym ze zbienoci prawie na pewno wywnioskowa zbieno w Lp .
30
Stwierdzenie 6.2. Zamy, e 1 p < , a Xn s zmiennymi losowymi takimi, e rodzina

(|Xn |p )
n=1 jest jednostajnie cakowalna. Wwczas Xn zbiega do zmiennej X w Lp wtedy i tylko
wtedy, gdy Xn zbiega do X wedug prawdopodobiestwa.
Dowd. Wystarczy udowodni, e zbieno Xn wedug prawdopodobiestwa implikuje zbieP
no w Lp , bo przeciwna implikacja jest zawsze prawdziwa. Zamy wic, e Xn X, wwczas
dla pewnego podcigu nk , Xnk zbiega do X p.n., std na mocy Lematu Fatou
E|X|p = E lim |Xnk |p lim inf E|Xnk |p sup E|Xn |p < .
k
Zatem rodzina {|Xn |p : n = 1, 2, . . .} {|X|p } jest jednostajnie cakowalna. Ustalmy > 0 i

dobierzmy > 0 tak, by dla P(A) < zachodzio E|Xn |p IA oraz E|X|p IA . Mamy
E|Xn X|p p + E|Xn X|p I{|Xn X|>}
p + 2p E|Xn |p I{|Xn X|>} + 2p E|X|p I{|Xn X|>} ,
P
a poniewa Xn X, wic P(|Xn X| > ) < dla duych n, czyli

E|Xn X|p p + 2p+1 dla dostatecznie duych n.
Wniosek 6.2. Jeli rodzina (Xn )

n=1 jest jednostajnie cakowalna oraz Xn zbiega prawie na
pewno do zmiennej X, to limn EXn IA = EXIA dla wszystkich zdarze A.
Dowd. Stosujemy Stwierdzenie 6.2 i oczywiste szacowanie |EXn IA EXIA | E|Xn X|.
6.4. Ciga wersja twierdzenia Dooba

Jestemy teraz gotowi do dowodu cigej wersji Lematu 5.1.
Twierdzenie 6.3. a) Zamy, e T jest przedziaem, a (Xt )tT martyngaem prawostronnie cigym, za i czasami zatrzymania takimi, e tmax oraz
tmax T . Wwczas E(X |F ) = X p.n..
b) Jeli (Xt )0t jest prawostronnie cigym martyngaem z ostatnim elementem X
to dla dowolnych dwu czasw zatrzymania , E(X |F ) = X p.n.
Dowd. Udowodnimy cz a) (cz b) mona za pomoc zmiany czasu sprowadzi do a)).

Zdefiniujmy
(
tmax nk
tmax n
k
2
dla () (tmax k+1
n , tmax n ], k = 0, 1, . . . , n ,
dla () tmax n
tmax nk
tmax n
k
2
dla () (tmax k+1
n , tmax n ], k = 0, 1, . . . , n ,
dla () tmax n.
n () :=
oraz
n () :=
Wwczas n n tmax s ograniczonymi czasami zatrzymania przyjmujcymi jedynie skoczenie wiele wartoci. Zatem na mocy Lematu 5.1 mamy E(Xn |Fn ) = Xn p.n., E(Xtmax |Fn ) =
Xn p.n. oraz E(Xtmax |Fn ) = Xn p.n., w szczeglnoci wic rodziny (Xn )

n=1 oraz (Xn )n=1
31
6.5. Zbieno martyngaw w Lp
s jednostajnie cakowalne. Poniewa n + oraz n +, wic z prawostronnej cigoci

X oraz Stwierdzenia 6.2, Xn X , Xn X p.n. i w L1 . Wemy A F Fn , wwczas
EX IA = lim EXn IA = lim EXn IA = EX IA ,
n
co oznacza, e E(X |F ) = X p.n..

Wniosek 6.3. Zamy, e T jest przedziaem, a (Mt )tT jest prawostronnie cigym martyngaem wzgldem (Ft )tT . Wwczas dla dowolnego momentu zatrzymania proces M = (M t )tT
jest martyngaem zarwno wzgldem (F t )tT , jak i (Ft )tT .
Dowd. Niech s < t oraz s, t T , wwczas s t t, wic z Twierdzenia 6.3 mamy
E(M t |F s ) = M s p.n., czyli (M t , F t )tT jest martyngaem.
By udowodni drug cz ustalmy s < t oraz A Fs . Nietrudno sprawdzi, e A { >
s} F s , zatem z poprzednio udowodnionej czci wniosku mamy
EM t IA{ >s} = EM s IA{ >s} .
Ponadto
EM t IA{ s} = EM IA{ s} = EM s IA{ s} .
Dodajc powysze tosamoci stronami otrzymujemy EM t IA = EM s IA dla A Fs , zatem
(M t , Ft )tT jest martyngaem.
6.5. Zbieno martyngaw w Lp

Zacznijmy od warunkw zbienoci martyngaw z czasem cigym w L1 .
Twierdzenie 6.4. Zamy, e (Xt )t[a,b) , b jest prawostronnie cigym martyngaem. Wwczas nastpujce warunki s rwnowane:
a) Rodzina (Xt )t[a,b) jest jednostajnie cakowalna.
b) Istnieje cakowalna zmienna losowa Xb taka, e Xt zbiega do Xb w L1 , tzn.
limtb E|Xt Xb | = 0.
c) Istnieje cakowalna zmienna losowa Xb mierzalna wzgldem -ciaa Fb :=
S
( t[a,b) Ft ) taka, e Xt = E(Xb |Ft ) dla t [a, b).
W przypadku, gdy zachodz warunki (a)-(c), to Xb = limtb Xt p.n..
Dowd. a)b): Xt jest jednostajnie cakowalny, wic supt E|Xt | < , czyli wobec Twierdzenia 6.2 istnieje zmienna cakowalna Xb taka, e Xt Xb p.n. przy t b. Z jednostajnej
cakowalnoci i Lematu 6.2 wynika zbieno w L1 .
b)c): Dla pewnego podcigu tk b, Xtk Xb p.n., std moemy zakada, e zmienna
Xb jest Fb mierzalna. Ustalmy t i A Ft , wwczas dla s t
EXt IA = EXs IA EXb IA , s .
Zatem Xt = E(Xb |Ft ) p.n..
c)a) Wiemy, e rodzina urednie ustalonej zmiennej jest jednostajnie cakowalna.
Ostatnia cz twiedzenia wynika z dowodu implikacji a)b).
32
Twierdzenie 6.5. Zamy, e (Xt )t[a,b) jest prawostronnie cigym martyngaem.

Wwczas nastpujce warunki s rwnowane:
a) supt[a,b) E|Xt |p < .
b) Rodzina (|Xt |p )t[a,b) jest jednostajnie cakowalna.
c) Istnieje zmienna losowa Xb Lp taka, e Xt zbiega do Xb w Lp , tzn. limtb E|Xt
Xb |p = 0.
S
d) Istnieje zmienna losowa Xb Lp mierzalna wzgldem Fb := ( t[a,b) Ft ) taka, e
Xt = E(Xb |Ft ) dla t [a, b).
W przypadku, gdy zachodz warunki (a)-(d), to Xb = limtb Xt p.n..
Dowd. a)b): Na podstawie Twierdzenia 5.1 wiemy, e

E sup |Xt |p
t[a,b)
p p
sup E|Xt |p < .
p 1 t[a,b)
Pozostae implikacje dowodzimy jak w dowodzie Twierdzenia 6.4.

W wielu twierdzeniach zakada si, i (Xt ) jest prawostronnie cigym podmartyngaem.
Oczywicie modyfikacja podmartyngau jest podmartyngaem problem jest tylko z mierzalnoci, ale znika on, gdy filtracja spenia zwyke warunki. Naturalnie jest wic zapyta kiedy
dany podmartynga moemy zmodyfikowa tak, by sta si prawostronnie cigy. Odpowied na
to pytanie jest bardzo prosta.
Twierdzenie 6.6. Zamy, e T jest przedziaem, a X = (Xt )tT jest podmartyngaem (odp. nadmartyngaem) wzgldem filtracji (Ft )tT speniajcej zwyke warunki.
Wwczas X ma prawostronnie cig modyfikacj wtedy i tylko wtedy, gdy funkcja
t EXt jest prawostronnie ciga.
6.7. Zadania
wiczenie 6.1. Ktre z podanych niej warunkw implikuj jednostajn cakowalno cigu
Xn :
a) supn E|Xn | < ,
b) supn E|Xn |2 < ,
c) E supn |Xn | < ,
d) zbieno Xn w L1 ,
e) zbieno Xn p.n.?
wiczenie 6.2. Niech (Xn , Fn )n0 bdzie podmartyngaem (z czasem odwrconym!) takim,
e limn EXn > . Wyka, e (Xn ) jest jednostajnie cakowalny.
wiczenie 6.3. Wyka, e martynga Mt = exp(Wt 2 t/2) jest zbieny p.n. i znajd jego
granic. Czy jest on zbieny w L1 ?
33
6.7. Zadania
wiczenie 6.4. a) Wyka, e jeli f jest dwukrotnie rniczkowalna na R oraz f, f 0 , f 00 s

ograniczone, to
Z
1 t 00
Mt = f (Wt ) f (W0 )
f (Wu )du
2 0
jest martyngaem wzgldem FtW .
b) Oglniej, jeli f jest dwukrotnie rniczkowalna na Rd , pochodne czstkowe f rzdu mniejszego ni 2 s ograniczone oraz W jest d-wymiarowym procesem Wienera, to
1
Mt = f (Wt ) f (W0 )
2
Z tX
d
2f
0 j=1
x2j
(Wu )du
jest martyngaem wzgldem FtW .

wiczenie 6.5. Niech bdzie momentem zatrzymania wzgldem FtW .
a) Wyka, e (W n , F n )
n=1 jest martyngaem.
b) Udowodnij, e jeli E < , to E supn W2n < .
c) Wyka, e jeli E < , to EW2 = E i EW = 0.
wiczenie 6.6. Niech Wt bdzie jednowymiarowym procesem Wienera oraz
a := inf{t > 0 : Wt = a}, a := inf{t > 0 : |Wt | = a}.
Rozpatrujc martyngay Wt i Wt2 t wyka, e
a) a < p.n. dla wszystkich a R,
b
b) P(a < b ) = a+b
dla a, b > 0,
2
c) E
a = a dla a 0,
d) Ea b = ab dla a, b > 0,
e) Ea = dla wszystkich a 6= 0.
wiczenie 6.7. Rozpatrujc martyngay Mt = exp(Wt 2 t/2) oraz Nt = (Mt + Mt )/2
wyka, e przy oznaczeniach
poprzedniego zadania, dla wszystkich a, 0,
a
2
a
a) Ee
=e
,
b) Eea = (cosh(a 2))1 .
wiczenie 6.8. Niech Wt = (Wt1 , . . . , Wtd ) bdzie d wymiarowym procesem Wienera, a x0 Rd
oraz d > 2.
a) Wyka, e |Wt x0 |2d jest nieujemnym nadmartyngaem.
b) Udowodnij, e |Wt x0 |2d zbiega przy t do 0 wedug prawdopodobiestwa i p.n. oraz
wywnioskuj std, e limt |Wt | = p.n..
c) Wyka, e dla prawostronnie cigego nadmartyngau (Xt )ta zachodzi
>0 P(sup Xt ) sup EXt + EXa .
ta
d) Wyka, e P(t>0 Wt = x0 ) = 0.
7. Caka Stieltjesa
Podstawowy problem
jakim siR zajmiemy podczas najbliszych
wykadw polega na cisym
R
R
zdefiniowaniu caek 0t f (s)dWs , 0t Xs dWs lub oglniej 0t Xs dYs , gdzie f (s) jest porzdn
funkcj, a Xs , Ys s porzdnymi procesami stochastycznymi.
Najprostsze podejcie polega
na zdefiniowaniu osobno caki dla kadej trajektorii, tzn. okreR
leniu dla ustalonego , 0s Ys ()dXs (). Sposb takiej konstrukcji daje caka Stieltjesa,
uoglniajca cak Riemanna.
7.1. Caka Riemanna-Stieltjesa

W tej czci podamy tylko podstawowe fakty i definicje, bez dowodw. Wicej informacji
oraz kompletne dowody mona znale w [2, 5] i [8].
Definicja 7.1. Podziaem przedziau [a, b] nazywamy niemalejcy cig liczb = (t0 , t1 , . . . , tk )
taki, e a = t0 t1 . . . tk = b. rednic podziau definiujemy wzorem diam() : =
maxi |ti+1 ti |.
Mwimy, e podzia 0 jest podpodziaem (ozn. 0 ) jeli wszystkie punkty s punktami
0 .
n
Cig n = (tn0 , . . . , tnkn ) nazywamy normalnym cigiem podziaw, jeli diam(n ) 0 oraz
n+1
n
.
Definicja 7.2. Niech f, g : [a, b] R. Powiemy e ab g df istnieje oraz, e g jest cakowalna
wzgldem f , jeli dla dowolnego normalnego cigu podziaw n = (tn0 , . . . , tnkn ) oraz punktw
sn0 , . . . , snkn 1 takich, e tkj skj tkj+1 istnieje skoczona granica
R
lim
kn
X
g(skj1 )[f (tkj ) f (tkj1 )],
j=1
ktra nie zaley od wybranego cigu punktw i podziaw. Granic t oznaczamy

i nazywamy cak Riemanna-Stjeltjesa.
Rb
a
g(t) df (t)
Uwaga 7.1. Mona udowodni, e caka ab g df istnieje oraz jest rwna S, jeli dla dowolnego
> 0 istnieje > 0 taka, e dla dowolnego podziau n = (tn0 , . . . , tnkn ) o rednicy nie wikszej
ni oraz punktw sn0 , . . . , snkn 1 takich, e tkj skj tkj+1 ,
R
kn

X

g(skj1 )[f (tkj ) f (tkj1 )] .
S
j=1
Uwaga 7.2. i) W przypadku f (t) = t caka Riemanna-Stieltjesa jest cak Riemanna.

ii) Jeli f C 1 [a, b], to f (tnj+1 ) f (tnj ) = f 0 (nj ) dla pewnego tn+1
nj tnj , std mona
j
Rb
Rb
prosto udowodni, e w tym przypadku a g(t) df (t) = a g(t)f 0 (t) dt.
Wprost z definicji natychmiast wynika.
35
7.2. Caka Lebesguea-Stieltjesa
Stwierdzenie 7.1. i) Jeli g1 i g2 s cakowalne wzgldem f , to dla dowolnych liczb c1 i c2

funkcja c1 g1 + c2 g2 jest cakowalna wzgldem f oraz
Z b
Z b
Z b
g2 df.
g1 df + c2
(c1 g1 + c2 g2 )df = c1
ii) Jeli g jest cakowalna wzgldem f1 i f2 , to dla dowolnych liczb c1 i c2 , g jest cakowalna
wzgldem c1 f1 + c2 f2 oraz
Z b
Z b
Z b
gdf2 .
gdf1 + c2
gd(c1 f1 + c2 f2 ) = c1
Uwaga 7.3. Moe si zdarzy, e dla a < b < c caki ab gdf i bc gdf istniej, a caka
R
R
R
istnieje. Jeli jednak wszystkie trzy caki istniej, to ac gdf = ab gdf + bc gdf .
R
Oczywicie naturalnie jest zapyta dla jakich funkcji f i g istnieje caka

dzie na to pytanie musimy zdefiniowa funkcje o wahaniu skoczonym.
Rc
a
gdf nie
gdf . By odpowie-
Definicja 7.3. Jeli f : [a, b] R, to liczb

Wah[a,b] (f ) : = sup
sup
n
X
|f (ti ) f (ti1 )|
nN a=t0 <...<tn =b i=1
nazywamy wahaniem funkcji f w przedziale [a, b]. Mwimy, e f ma wahanie skoczone na

[a, b], jeli Wah[a,b] (f ) < .
Oczywicie 0 Wah[a,b] (f ) Wahanie jest addytywn funkcj przedziau, tzn. Wah[a,c] (f ) =
Wah[a,b] (f ) + Wah[b,c] (f ) dla a < b < c.
Przykad 7.1. Funkcje lipschitzowskie, funkcje monotoniczne maj wahanie skoczone na
ograniczonych przedziaach. Kombinacja liniowa funkcji o wahaniu skoczonym ma wahanie
skoczone.
Przykad 7.2. Funkcja f (x) = x sin( x1 ) oraz f (0) = 0 jest ciga, ale nie ma wahania skoczonego na [0, 1].
Twierdzenie R7.1. Jeeli f, g : [a, b] R, przy czym g jest ciga, a f ma wahanie

skoczone, to ab g df istnieje.
Twierdzenie to mona odwrci.

Twierdzenie 7.2. Jeli caka Riemanna-Stieltjesa ab gdf istnieje dla dowolnej funkcji
cigej g, to funkcja f ma wahanie skoczone na [a, b].
R
7.2. Caka Lebesguea-Stieltjesa

Stwierdzenie 7.2. Jeli f ma wahanie skoczone na [a, b], to istniej funkcje niemalejce
f1 , f2 takie, e f1 (a) = f2 (a) = 0 oraz f (t) = f (a) + f1 (t) f2 (t). Co wicej f ma w kadym
punkcie granice jednostrone. Ponadto jeli f jest ciga (odp. prawostronnie ciga), to f1 i f2
mona wybra cige (odp. prawostronnie cige).
36
7. Caka Stieltjesa
Szkic dowodu. Okrelamy f1 (t) =

f (t) + f (a)).
1
2 (Wah[a,t] (f )
+ f (t) f (a)) oraz f2 (t) =
1
2 (Wah[a,t] (f )
Definicja 7.4. Zamy, e f jest prawostronnie cig funkcj na [a, b] o wahaniu skoczonym.
Niech f1 i f2 bd prawostronnie cigymi funkcjami niemalejcymi takimi, e f1 (a) = f2 (a) = 0
oraz f (t) = f (a) + f1 (t) f2 (t). Istniej wtedy skoczone miary borelowskie 1 i 2 na [a, b]
takie, e i [a, t] = fi (t) dla i = 1, 2. Dla ograniczonych funkcji mierzalnych g na [a, b] okrelamy
cak Lebesguea-Stieltjesa g wzgldem f wzorem
Z
gdf =
gd1
gd2 .
[a,b]
Uwaga 7.4. Mona wykaza, e dla funkcji cigych g caki Riemanna-Stieltjesa i Lebesguea-Stieltjesa
g wzgldem f s sobie rwne.
7.3. Nieskoczone wahanie cigych martyngaw

Niestety proces Wienera ma z prawdopodobiestwem jeden nieskoczone wahanie na kadym
przedziale. Prawdziwy jest znacznie oglniejszy fakt.
Twierdzenie 7.3. Zamy, e (Mt )t[a,b] jest cigym martyngaem oraz

A = { : Mt () ma wahanie skoczone na [a,b]}.
Wwczas Mt ma z prawdopodobiestwem 1 trajektorie stae na A, tzn.
P(t[a,b] Mt IA = Ma IA ) = 1.
Dowd. Zamy najpierw, e istnieje staa C < taka, e dla wszystkich , Wah[a,b] (Mt ())
C oraz supt[a,b] |Mt ()| C. Ustalmy 0 u b a i rozpatrzmy zmienne losowe
Xn =
n1
X
(Ma+(k+1)u/n Ma+ku/n )2 .
k=0
Dla s < t mamy

EMs Mt = EE(Ms Mt |Fs ) = E(Ms E(Mt |Fs )) = EMs2 ,
std
EXn =
n1
X
2
2
2
E(Ma+(k+1)u/n
Ma+ku/n
) = EMa+u
EMa2 .
k=0
Szacujemy
|Xn |
sup
|Ma+(k+1)u/n Ma+ku/n |
0kn1
sup
|st|u/n
n1
X
k=0
|Mt Ms |Wah[a,b] (Mt ),
|Ma+(k+1)u/n Ma+ku/n |
37
7.4. Zadania
std |Xn | 2C 2 oraz, z cigoci M , limn Xn = 0. Zatem z twierdzenia Lebesguea o

2
zbienoci zmajoryzowanej limn EXn = 0, czyli EMa+u
= EMa2 . Zauwamy jednak, e
2
EMa+u
= EE((Ma + (Ma+u Ma ))2 |Fa )
= EMa2 + E(Ma+u Ma )2 + 2E[Ma E((Ma+u Ma )|Fa )

= EMa2 + E(Ma+u Ma )2 .
Std Ma+u = Ma p.n., czyli Mt = Ma p.n. dla dowolnego t [a, b]. Z cigoci M wynika, e
P(t Mt = Ma ) = 1.
W przypadku oglnym zdefiniujmy cig czasw zatrzymania
n = inf{t a : sup |Ms | n} inf{t a : Wah[0,t] n},
ast
wwczas martynga M n spenia zaoenia pierwszej czci dowodu (z C = n), wic M n ma

stae trajektorie p.n.. Wystarczy zauway, e dla A, n () = dla dostatecznie duych
n.
7.4. Zadania
wiczenie 7.1. Zamy, e h jest niemalejc funkcj cig na przedziale [a, b]. Udowodnij,
e
a) Jeli g ma wahanie skoczone, to g h te ma wahanie skoczone.
R h(b)
b) Jeli h(a) f dg istnieje, to
Z h(b)
Z b
f (s)dg(s).
f (h(t))dg(h(t)) =
a
h(a)
wiczenie 7.2. Zamy, e f, g, h : [a, b] R, przy czym f i g s cige, a h ma wahanie

skoczone. RUdowodnij, e
a) H(x) = ax g(t)dh(t) ma wahanie skoczone na [a, b],
R
R
b) ab f dH = ab f gdh.
wiczenie
7.3. Wyka, e dla dowolnej funkcji cigej f o wahaniu skoczonym na [a, b]
R
zachodzi ab f (s)df (s) = 12 (f 2 (b) f 2 (a)).
wiczenie 7.4. Oblicz granice w L2 () przy n ,
P
a) n1
Wtk/n (Wt(k+1)/n Wtk/n ),
Pk=0
b) n1
k=0 Wt(k+1)/n (Wt(k+1)/n Wtk/n ).
8. Caka izometryczna wzgldem procesu Wienera

Podczas kolejnych wykadw zdefiniujemy cak wzgldem procesu Wienera - zaczniemy od
cakowania funkcji deterministycznych, by pniej przej do konstrukcji izometrycznej caki
stochastycznej It
o.
Konstrukcja caki stochastycznej ma pewne podobiestwa do konstrukcji caki Lebesguea.
Najpierw okrela si, w naturalny sposb, caki najprostszych funkcji/procesw (funkcje schodkowe, procesy elementarne), pniej pokazuje si wasnoci tak okrelonej caki (oparte na liczeniu drugich momentw), ktre pozwalaj uoglni definicj na bardziej zoone funkcje/procesy.
Naley zwrci uwag, e cak stochastyczn definiujemy globalnie na caej przestrzeni
probabilistycznej, a nie dla kadej trajektorii z osobna.R
R
Dla uproszczenia notacji bdziemy definiowali caki 0t Xs dWs . Cak ut Xs dWs dla 0 < u < t
mona wwczas okreli na kilka
sposobw - albo uoglniajc w naturalny sposb odpowiednie
Rt
definicje albo np. jako cak 0 Xs I[u,) (s)dWs .
Bdziemy zakada, e 0 < T oraz (Ft )t0 jest filtracj speniajc zwyke warunki
tak, e Wt jest Ft -mierzalne oraz Ws Wt jest niezalene od Ft dla s t (za Ft mona przyj
W ).
uzupenienie Ft+
8.1. Caka Paleya-Wienera

Definiowanie caki stochastycznej wzgldem procesu Wienera zaczniemy od najprostszego
przypadku funkcji deterministycznych.
Dla funkcji schodkowej postaci
h=
k
X
i I(ti1 ,ti ] ,
0 = t0 < t1 < . . . < tk = t, i R,
i=1
okrelamy
Z t
h(s) dWs :=
I(h) =
0
k
X
i (W (ti ) W (ti1 )).
i=1
Z podstawowych wasnoci procesu Wienera natychmiast otrzymujemy nastpujce wasnoci przeksztacenia I:

Stwierdzenie 8.1. Przy powyej wprowadzonych oznaczeniach mamy
i) EI(h) = 0,
R
ii) Var(I(h)) = EI(h)2 = 0t h2 (s) ds,R
iii) I(h) ma rozkad normalny N (0, 0t h2 (s) ds),
iii) I(c1 h1 + c2 h2 ) = c1 I(h1 ) + c2 I(h2 ) dla c1 , c2 R.
Oznaczajc przez E1 zbir funkcji schodkowych na [a, b] widzimy, e przeksztacenie I definiuje liniow izometri L2 ([0, t]) E1 L2 (). Poniewa funkcje schodkowe s gste w L2
izometri w jednoznaczny sposb moemy rozszerzy na cae L2 ([0, t]).
Definicja 8.1. Rozszerzenie powyszej Rizometrii do izometrii na L2 ([0, t]) nazywamy cak
Paleya-Wienera z funkcji h i oznaczamy 0t h(s) dWs .
39
8.2. Procesy elementarne
Stwierdzenie
8.2. Dla dowolnej funkcji h L2 ([0, t]),
Rt
i) E( 0 h(s)
dWs ) = 0, R
Rt
R
h(s)
dWs ) = E( 0t h(s) dWs )2 = 0tRh2 (s) ds,
ii) Var(
Rt 0
iii) 0 h(s) dWs ma rozkad normalny N (0, 0t h2 (s) ds).
Mona te udowodni nastpujce proste wasnoci caki Paleya-Wienera:
Stwierdzenie 8.3. i) Jeeli h C 1 ([0, t]), to
Z t
h(s) dWs = h(t)Wt
Z t
h0 (s)Ws ds.
Ponadto
dla dowolnego h L2R[0, t],
R
ii) E| 0t h(s) dWs |p = E|W1 |p ( 0t h2 (s) ds)p/2
orazR
R
iii) 0u h(s)dWs = 0t h(s)I[0,u] (s)ds p.n. dla dowolnych 0 < u < t.
Dowd pozostawiamy Czytelnikowi (zob. wiczenia 8.2-8.4).
8.2. Procesy elementarne

Starajc si przenie konstrukcj Paleya-Wienera na przypadek caki z procesw, musimy
okreli stochastyczny odpowiednik funkcji schodkowych - s to tak zwane procesy elementarne.
Definicja 8.2. Powiemy, e proces X = (Xt )t[0,T ) naley do E - rodziny procesw elementarnych (elementarnych procesw prognozowalnych), jeli X jest postaci
Xt = 0 I{0} +
m
X
k1 I(tk1 ,tk ] (t),
(8.1)
k=1
gdzie 0 = t0 < t1 < . . . < tm < T , za k s ograniczonymi zmiennymi losowymi, Ftk -mierzalnymi.
Oczywicie E jest przestrzeni liniow.
Definicja 8.3. Dla X E definiujemy proces
I(X) = (I(X)t )tT =
Z t
Xs dWs
wzorem
I(X)t :=
m
X
tT
k1 (Wtk t Wtk1 t ).
k=1
Uwaga 8.1. Definicja jest poprawna, tzn. nie zaley od reprezentacji X E.

Stwierdzenie 8.4. Jeli X jest procesem elementarnym, to proces I(X) = ( 0t Xs dWs )tT jest
martyngaem wzgldem (Ft )0tT , o cigych trajektoriach takim, e I(X)0 = 0 oraz
R
Z T

Xs dWs = E
Z T
0
Xs2 ds.
Dowd. Przyjmijmy, e Xt jest postaci (8.1). Cigo trajektorii i I(X)0 = 0 wynika natychmiast z okrelenia I(X). Jeeli tj t tj+1 , to zmienna
I(X)t = 0 (Wt1 Wt0 ) + 1 (Wt2 Wt1 ) + . . . + j (Wt Wtj )
40
jest Ft mierzalna. Ponadto I(X)t = I(X)tm dla tm t T .

Sprawdzimy teraz, e I(X) jest martyngaem, czyli dla s < t T mamy E(I(X)t |Fs ) =
I(X)s . Wystarczy pokaza to dla tj s < t tj+1 , ale wtedy
E(I(X)t I(X)s |Fs ) = E(j (Wt Ws )|Fs ) = j E(Wt Ws |Fs ) = 0,
wykorzystujemy tu zaoenie, e j jest Ftj Fs mierzalne. By zakoczy dowd liczymy
EI(X)2T
m
X
2
E[k1
(Wtk Wtk1 )2 ]
k=1
+2
E[k1 j1 (Wtk Wtk1 )(Wtj Wtj1 )]
=: I1 + I2 .
j<k
Wykorzystujc mierzalno j oraz niezaleno przyrostw procesu Wienera mamy

I1 =
2
E[k1
E((Wtk
Wtk1 ) |Ftk1 )] =
2
Ek1
(tk
tk1 ) = E
Z T
0
Xs2 ds
oraz
I2 = 2
E[(k1 j1 E((Wtk Wtk1 )(Wtj Wtj1 )|Ftk1 )]
j<k
=2
E[k1 j1 (Wtj Wtj1 )E(Wtk Wtk1 |Ftk1 )] = 0,
j<k
bo E(Wtk Wtk1 ) = 0.
Uwaga 8.2. Jedyne wasnoci procesu Wienera jakie wykorzystywalimy w dowodzie, to E(Wt
Ws |Fs ) = 0 oraz E((Wt Ws )2 |Fs ) = t s dla 0 s < t. Wasnoci te mona formalnie
wyprowadzi z faktu, e procesy (Wt ) i (Wt2 t) s martyngaami wzgldem (Ft ).
8.3. Martyngay cige, cakowalne z kwadratem

Definicja 8.4. Przez M2,c
T oznaczamy przestrze martyngaw (Mt )0tT wzgldem filtracji
(Ft )t[0,T ] o trajektoriach cigych takich, e EMT2 < .
2
2
Uwaga 8.3. i) Jeli M M2,c
T , to z nierwnoci Jensena wynika, e EMt EMT < , wic
2
(Mt )0tT jest podmartyngaem.
ii) Przestrze M2,c
T mona utosami z przestrzeni martyngaw cigych (Mt )0t<T takich,
2
e supt<T EMt < . Moemy bowiem okreli MT jako granic p.n. Mt przy t T (zob.
Twierdzenie 6.5 dla p = 2).
iii) Z nierwnoci Dooba (Twierdzenie 5.1) wynika, e dla M = (Mt ) M2,c
T ,
E sup Mt2 4EMT2 .

tT
Twierdzenie 8.1. Przestrze MT2,c jest przestrzeni Hilberta (tzn. zupen przestrzeni euklidesow) z iloczynem skalarnym
(M, N ) = (M, N )T = EMT NT ,
M, N M2,c
T
oraz norm
kM kT =
(M, M )T =
EMT2 = kMT kL2 () .
41
8.4. Caka izometryczna It

o. Procesy prognozowalne
Uwaga 8.4. i) Przy rozwaaniach dotyczcych caki stochastycznej utosamiamy procesy nieodrnialne. Formalnie rzecz biorc elementy M2,c
T to klasy abstrakcji martyngaw cigych
wzgldem relacji nieodrnialnoci.
ii) Przeksztacenie M MT jest izometrycznym woeniem przestrzeni M2,c
T w L2 (, F, P).
Dowd Twierdzenia. Oczywicie M2,c
T jest przestrzeni liniow, za (M, N ) jest iloczynem skalarnym, bo jest dwuliniowy, symetryczny, (M, M ) 0 oraz jeli (M, M ) = 0, to EMT2 = 0,
czyli MT = 0 p.n., co z wasnoci martygau implikuje, e Mt = 0 p.n., wic z cigoci M ,
P(tT Mt = 0) = 1.
(n)
Musimy jeszcze udowodni zupeno. Niech M (n) = (Mt ) M2,c
T bdzie cigiem Cauchyego, czyli
(n)
(m)
kM (n) M (m) k2T = E(MT MT )2 0
dla m, n .
(n)
Wwczas MT jest cigiem Cauchyego w L2 (, FT , P), zatem z zupenoci L2 istnieje cako(n)

walna z kwadratem zmienna MT taka, e E|MT MT |2 0 przy n .
t := E(MT |Ft ), ale taka definicja nie gwarantuje cigoci M
. UdowodMoemy pooy M
nimy, e mona znale martynga M , ktry jest cig modyfikacj M .

Zauwamy, e na mocy nierwnoci Dooba,
(n)
E sup(Mt
tT
(m) 2
(n)
(m)
) 4E|MT MT |2 ,
Mt
wic moemy wybra podcig nk taki, e

(nk )
l>k E sup(Mt
tT
Wwczas
(nk )
P sup |Mt
tT
(nk+1 )
Mt
(nl ) 2
Mt
) 8k .
| 2k 2k .
Zatem, jeli okrelimy

(nk )
Ak := {sup |Mt
tT
(nk+1 )
Mt
| 2k },
P(Ak ) < , czyli na mocy lematu Borela-Cantelli, P(lim sup Ak ) = 0.

(n
)
(n )
Jeli
/ lim sup Ak , to
/ Ak dla k k0 = k0 (), czyli suptT |Mt k Mt k+1 | 2k
nk
dla k k0 . Cig (Mt ())0tT jest zatem zbieny jednostajnie na [0, T ] do pewnej funkcji
Mt (). Kadziemy dodatkowo M () = 0 dla lim sup Ak .
(n )
Z cigoci M (nk ) wynika cigo M . Poniewa MT k MT w L2 wic rwnie w L1 , czyli
(n )
(n )
(n )
t
Mt k = E(MT k |Ft ) E(MT |Ft ) w L1 , a e Mt k Mt p.n., wic Mt = E(MT |Ft ) = M
p.n., czyli (Mt )0tT jest martyngaem cigym.
to
8.4. Caka izometryczna It

o. Procesy prognozowalne
Kademu procesowi elementarnemu X przyporzdkowalimy martynga cigy I(X), co wicej przeksztacenie I
I
L2 ([0, T ] , B([0, T ]) F, P) - E M2,c

T
jest liniow izometri. Przeksztacenie I moemy wic rozszerzy do liniowej izometrii (ktr
te bdziemy oznacza liter I) z E w M2,c
T , gdzie E oznacza domknicie przestrzeni procesw
elementarnych w L2 ([0, T ] , B([0, T ]) F, P).
42
Definicja 8.5. Tak zdefiniowane przeksztacenie I przyporzdkowujce kademu procesowi

X = (Xt )0tT z przestrzeni E cigy, cakowalny z kwadratem martynga I(X) nazywamy
izometryczn cak stochastyczn It
o z procesu X i oznaczamy
Z t
Xs dWs ,
I(X)t =:
0 t T.
Oczywicie natychmiast powstaje pytanie jak wyglda przestrze E, czyli jakie procesy stochastyczne umiemy cakowa.
Definicja 8.6. -ciao zbiorw prognozowalnych P, to -ciao podzbiorw [0, T ) generowane
przez zbiory postaci {0} A, (s, t] A, s < t < T , A Fs .
Proces X = (Xt )0t<T jest prognozowalny, jeli traktowany jako funkcja X : [0, T ) R
jest mierzalny wzgldem P.
Z definicji natychmiast wynika, e Xt () = IA ()I(u,v] (t) jest prognozowalny, jeli A Fu
oraz u v < T .
Poniewa kad ograniczon zmienn , Fu mierzaln mona aproksymowa jednostajnie
P
przez zmienne postaci ai IAi , Ai Fu , wic proces ()I(u,v] (t) jest prognozowalny dla dowolnej ograniczonej zmiennej , Fu mierzalnej.
Zatem dowolny proces Y E jest prognozowalny, czyli E L2 ([0, T ) , P, P), std
E L2 ([0, T ) , P, P).
W szczeglnoci kady proces z E jest nieodrznialny od procesu prognozowalnego. Okazuje si,
e zachodzi rwnie odwrotne zawieranie.
Stwierdzenie 8.5. Mamy E = L2 ([0, T ) , P, P).
Dowd. Wobec poprzednich rozwaa musimy tylko pokaza, e E L2 ([0, T ) , P, P).
Rozwaymy dwa przypadki.
Przypadek I: T < .
Najpierw pokaemy, e jeli P, to I E. W tym celu okrelmy A := { P : I E}
oraz
B := {{0} A : A F0 } {(u, v] A : 0 u < v < T, A Fu }.
atwo sprawdzi, e B jest -ukadem, ponadto jeli B, to I E E, a zatem B A. Co
wicej A jest -ukadem dla T < , bo
i) = [0, T ) A, czyli I = 1 E, gdy biorc cig Tn % T , otrzymujemy E 3 I{0} +
L
2
I(0,Tn ] = I[0,Tn ]
I[0,T ) E.
ii) 1 , 2 A, 1 2 , I2 \1 = I2 I1 E z liniowoci E, czyli 2 \ 1 A.
2
iii) n A wstpujcy, wwczas In
IS n E, czyli n A.
Zatem dla T < , z twierdzenia o - i -ukadach A (B) = P.
P
P
Dalej, jeli i P, ai R, to ni=1 ai Ii E (z liniowoci). Ponadto funkcje proste in ai Ii
s gste w L2 ([0, T ) , P, P), czyli E = L2 ([0, T ) , P, P).
Przypadek II: T = .
(n)
Niech X L2 ([0, ) , P, P) oraz Xt () := Xt ()I[0,n) (t, ). Wwczas procesy
X (n) s prognozowalne, nale do L2 ([0, n) , P, P), zatem X (n) E na mocy przypadku
I.
Ponadto X (n) X w L2 ([0, ) , P) (tw. Lebesguea o zbienoci zmajoryzowanej),
czyli X E.
43
8.5. Zadania
Okrelilimy zatem 0t Xs dWs dla procesw prognozowalnych cakowalnych z kwadratem

wzgldem miary P na [0, T ) . Od tej pory przyjmujemy nastpujce oznaczenie
R
LT2 = L2 ([0, T ) , P, P)
Z T
= X = (Xt )0t<T prognozowalny : E
Xs2 ds < .
Dobrze by byo jeszcze wiedzie, e klasa procesw prognozowalnych jest dostatecznie dua,
wynika to z nastpujcego faktu:
Stwierdzenie 8.6. Jeli X = (Xt )t[0,T ) jest procesem adaptowalnym i lewostronnie cigym,
to X jest prognozowalny.
Dowd. Dla T < okrelmy
(n)
Xt
:= X0 I{0} +
n 1
2X
X k1
I k1
n T ( n T,
2
k=1
k
T]
2n
za w przypadku T = niech
(n)
Xt
:= X0 I{0} +
n
n2
X
I k1
X k1
n ( n ,
2
k=1
k
]
2n
atwo zauway, e procesy X (n) s prognozowalne oraz z lewostronnej cigoci X wynika, e

(n)
Xt Xt punktowo. Prognozowalno X wynika z faktu, e granica punktowa cigu funkcji
mierzalnych jest mierzalna.
Uwaga 8.5. Mona udowodni, e dla (Ft )-adaptowalnego procesu X = (Xt )t[0,T ) takiego,
R
e E 0T Xs2 ds < istnieje proces prognozowalny Y taki,
e Xt () = Yt () dla P praR
wie wszystkich (t, ) [0, T ) . Pozwala to okreli XdW dla procesw adaptowalnych z
L2 ([0, T ) ).
8.5. Zadania
wiczenie 8.1. Oblicz Cov(
Rs
0
h1 (t)dWt ,
Rs
0
h2 (t)dWt ) dla h1 , h2 L2 ([0, s]).
wiczenie 8.2. Wyka, e dla 0 u < t i h L2 ([0, t]) zachodzi

Z u
Z t
h(s)dWs =
0
hI[0,u] (s)dWs
p.n..
wiczenie 8.3. Wyka, e dla h C 1 [0, t] zachodzi

Z t
h(s)dWs = h(t)Wt
Z t
h0 (s)Ws ds
p.n..
wiczenie 8.4. Niech Cp := (E|W1 |p )1/p . Wyka, e dla 0 < p < , przeksztacenie h
R
Cp1 0T h(t)dWt jest izometrycznym woeniem L2 ([0, T ]) w Lp ().
wiczenie 8.5. Wyka, e proces
(
Yt =
(1 t)
0
Rt 1
0 1s dWs
0 t < 1,
t=1
ma takie same rozkady skoczenie wymiarowe co proces Zt = Wt tW1 (most Browna).
44
wiczenie 8.6. Wyka, e jeli X R L2T , 0 t sR T oraz jest ograniczon

zmienn losow
Rs
s
s
2
Ft mierzaln to XI(t,s] LT oraz t XdW = t XdW (Uwaga: t XdW definiujemy jako
RT
0 I(s,t] XdW ).
wiczenie 8.7. Wyka, e jeli 0 < t1 < . . . < tm < T oraz k s zmiennymiR losowymi
P
t
2
w L2 (), Ftk mierzalnymi to proces X := m1
k=1 k I(tk ,tk+1 ] naley do LT oraz 0 XdW =
Pm1
k=1 k (Wtk+1 t Wtk t ).
wiczenie 8.8. Zamy, e X jest procesem prognozowalnym, cigym w L2 (tzn. t Xt
jest ciga z [0, T ] w L2 ()). Wyka, e wwczas X L2T oraz dla dowolnego cigu podziaw
(n)
(n)
(n)
0 = t0 t1 . . . tkn = T o rednicy zbiegajcej do zera zachodzi dla t T ,
kX
n 1
Xt(n) (Wt(n) Wt(n) )
k=0
w L2 () przy n .
wiczenie 8.9. Oblicz
Rt
0
Ws dWs .
k+1
Z T
XdW
0
9. Wasnoci caki izometrycznej. Uoglnienie

definicji caki stochastycznej
Poprzednio zdefiniowalimy cak XdW dla X L2T . Czasami Rjednak potrzeba zdefiniowa
cak wzgldem procesu Wienera z procesu cigego X dla ktrego EXt2 dt = . Podczas tego
wykadu pokaemy jak okreli tak cak.
R
9.1. Twierdzenie o zatrzymaniu caki stochastycznej

Zacznijmy od prostej obserwacji.
Stwierdzenie 9.1. Jeli X L2T , to dla dowolnego u < T , I[0,u] X L2T i
Z tu
Z t
0
I[0,u] (s)Xs dWs =
Xs dWs
dla 0 t T.
Dowd. Funkcja (t, ) I[0,u] (t) jest deterministyczna, wic prognozowalna, zatem proces
I[0,u] X jest prognozowalny jako iloczyn procesw prognozowalnych, std I[0,u] X L2T .
P
Jeli X jest procesem elementarnym postaci X = 0 I{0} + k k I(tk1 ,tk ] , to XI[0,u] = 0 I{0} +
P
k k I(tk1 u,tk u] E oraz
Z t
0
I[0,u] (s)Xs dWs =
k (Wtk ut Wtk1 ut ) =
Z tu
Xs dWs .
0
Dla X L2T wemy X (n) E takie, e X (n) X w L2T . Wwczas oczywicie rwnie
X (n) I[0,u] XI[0,u] w L2T . Std
Z t
0
Xs I[0,u] (s)dWs
Z t
0
Xs(n) I[0,u] (s)dWs =
Z tu
0
Xs(n) dWs
Z tu
Xs dWs .
0
Uoglnieniem faktu jest wane twierdzenie o zatrzymaniu caki stochastycznej.
Twierdzenie 9.1. Niech X L2T oraz bdzie momentem zatrzymania. Wwczas

I[0, ] X L2T oraz
Z t
0
Z t
I[0, ] (s)Xs dWs =
Xs dWs
dla 0 t T.
(9.1)
Dowd. Biorc T zamiast T moemy zakada, e T p.n..

Proces I[0, ] (t) jest lewostronnie cigy i adaptowalny, a zatem jest prognozowalny, czyli
I[0, ] X jest prognozowalny (iloczyn funkcji mierzalnych jest funkcj mierzaln). Std I[0, ] X
L2T .
46
Wzr (9.1) udowodnimy w trzech krokach.

Krok 1. X E, przyjmuje skoczenie wiele wartoci.
Ewentualnie powikszajc cig ti moemy zakada, e przyjmuje wartoci 0 = t0 t1
P
. . . tm T oraz X = 0 I{0} + m1
k=0 k I(tk ,tk+1 ] . Mamy
I[0, ] (t) =
m
X
m k1
X
X
I{ =tk } I[0,tk ] (t) =
= I I{0} (t) +
m1
X
m
X
j=0
k=0
k=0
I{ =tk } I(tj ,tj+1 ] (t) + I{ =tk } I{0}
I{ =tk } I(tj ,tj+1 ] (t)
j=0 k=j+1
= I I{0} (t) +
m1
X
I{ >tj } I(tj ,tj+1 ] (t),
j=0
zatem
I[0, ] (t)X = 0 I{0} (t) +
m1
X
j I{ >tj } I(tj ,tj+1 ] (t),
j=0
czyli I[0, ] (t)X E. Liczymy

Z t
0
I[0, ] (s)Xs dWs =
m1
X
j I{ >tj } (Wtj+1 t Wtj t )
j=0
m1
X
m
X
j I{ =tk } (Wtj+1 t Wtj t )
j=0 k=j+1
=
=
m
X
k=1
m
X
I{ =tk }
k1
X
j (Wtj+1 t Wtj t )
j=0
Z t
Z ttk
I{ =tk }
k=1
Xs dWs .
Xs dWs =
0
Krok 2. dowolne oraz X E.

Wemy cig momentw zatrzymania n przyjmujcych skoczenie wiele wartoci taki, e
Rn & . Na mocyRkroku 1, para (n , X) spenia (9.1). Z cigoci trajektorii caki stochastycznej,
tn
Xs dWs 0t Xs dWs p.n.. Mamy
0
Z t
I[0,n ] (s)Xs dWs
Z t
0
I[0, ] (s)Xs dWs
2
Z t
=E
Z t
=E
I(,n ] (s)Xs dWs
2
I(,n ] (s)Xs2 ds 0.
Zbieno wynika z twierdzenia Lebesguea, gdy proces I(,n ] (s)Xs2 dy punktowo do zera i
jest majoryzowany przez Xs2 . Std
Z t
p.n.
X dW
Z tn
Z t
X dW =
0
czyli spenione jest (9.1).

Krok 3. oraz X L2T dowolne.
L2 ()
I[0,n ] X dW
Z t
0
I[0, ] X dW,
47
9.1. Twierdzenie o zatrzymaniu caki stochastycznej
Wemy X (n) E takie, e X (n) X w L2T . Z kroku 2, para (, X (n) ) spenia (9.1). Mamy
Z t
(Xs
2
Xs(n) ) dWs
Z T
(X X (n) ) dW
2
Z T
=E
(X Xs(n) )2 ds 0,
gdzie pierwsza
nierwno wynika z nierwnoci Jensena oraz Twierdzenia Dooba 6.3 dla marR
tyngau ( (X X (n) ) dW ). Ponadto
Z t
Z t
2
I[0, ] (s)(Xs Xs(n) ) dWs
=E
E
Z T
0
I[0, ] (s)(Xs Xs(n) )2 ds

(Xs Xs(n) )2 ds 0.
Std
Z t
L2 ()
Xs dWs
Z t
0
Xs(n) dWs =
Z t
0
L2 ()
I[0, ] Xs(n) dWs
Z t
0
I[0, ] Xs dWs ,
czyli (9.1) spenione jest i w tym przypadku.

Rt
Wniosek 9.1. Dla X L2T , proces M := ((
X dW )2
Rt
0
X 2 ds)tT jest martyngaem.
Dla X 1 otrzymujemy znany fakt, e Wt2 t jest martyngaem.

Dowd wniosku oparty jest na nastpujcej prostej obserwacji.
Stwierdzenie 9.2. Zamy, e M jest adaptowalnym, prawostronnie cigym procesem takim,
e M0 = 0 i dla wszystkich t, E|Mt | < . Wwczas M jest martyngaem wtedy i tylko wtedy
gdy EM = 0 dla wszystkich ograniczonych momentw zatrzymania .
Dowd. : Z Twierdzenia Dooba 6.3, EM = EM0 = 0.
: Musimy pokaza, e dla s < t, E(Mt |Fs ) = Ms p.n., czyli EMt IA = EMs IA dla wszystkich
A Fs . Okrelmy
(
s dla A,
:=
t dla 6 A.
Jak atwo sprawdzi jest momentem zatrzymania, std
0 = EM = EMs IA + EMt IAc = EMs IA EMt IA ,
gdzie ostatnia rwno wynika z faktu, e
EMt IAc = EMt EMt IA = 0 EMt IA .
Dowd Wniosku. Jak wiemy X dW MT2,c , czyli proces M jest cigy, adaptowalny i cakowalny oraz M0 = 0. Dla ograniczonego momentu zatrzymania T otrzymujemy na mocy
twierdzenia o zatrzymaniu caki stochastycznej
R
Z
E
Zatem
X dW
2
Z T
=E
I[0, ] X dW
h Z
EM = E
2
X dW
Teza Wniosku wynika ze Stwierdzenia 9.2.
Z T
=E
2
Z
0
I[0, ] (s)Xs2 ds = E
i
Xs2 ds = 0.
Z
0
Xs2 ds.
48
9.2. Uoglnienie definicji caki stochastycznej

Definicja 9.1. Dla T okrelamy przestrze procesw prognozowalnych, lokalnie cakowalnych z kwadratem
2T
= (Xt )t<T prognozowalny :
Z t
0
Xs2 ds < p.n. dla 0 < t < T .
Zatem proces prognozowalny X naley do przestrzeni 2T wtedy i tylko wtedy, gdy

Z t
P t<T
Xs2 ds < = 1.
Przestrze 2T jest liniowa, ale nie jest przestrzeni Hilberta.

Lemat 9.1. Dla X 2T okrelmy
n
n := inf t 0 :
Z t
0
Xs2 ds n T n, n = 1, 2, . . . .
Wwczas (n ) jest rosncym ciagiem momentw zatrzymania, n % T p.n. Ponadto dla wszystkich n, I[0,n ] X L2T .
Dowd. n jest momentem Rzatrzymania gdy jest definiowany poprzez moment dojcia przez
adaptowalny
proces cigy 0t Xs2 ds do zbioru domknitego [n, ). Z zaoenia o skoczonoci
R 2
Xs ds wynika, e n % T p.n..
Proces I[0,n ] X jest prognozowalny jako iloczyn procesw prognozowalnych, ponadto na mocy
nierwnoci Schwarza i definicji n ,
Z T
2
I[0,n ] (s)Xs ds
Z n
=E
2
Xs ds
E n
Z n
0
Xs2 ds n2 < .
Zamy, e mamy dany rosncy cig momentw zatrzymania n % T p.n. taki, e I[0,n ] X
R
dla wszystkich n. Niech Mn (t) := 0t I[0,n ] Xs dWs . Przypomnijmy te, e przez X oznaczamy proces X zatrzymany w chwili (zob. Definicja 4.9).
L2T
n i M s nierozrnialne, czyli
Lemat 9.2. Dla m n, procesy Mm
n
P(tT Mm (t n ) = Mn (t)) = 1.
Dowd. Na mocy twierdzenia o zatrzymaniu caki stochastycznej dla ustalonego t T ,
Mm (n t) =
Z n t
0
Z t
I[0,m ] X dW =
I[0,n ] I[0,m ] X dW
Z t
=
0
I[0,n ] X dW = Mn (t).
jest modyfikacj M . Teza lematu wynika z cigoci obu procesw.

Zatem Mm
n
Definicja 9.2. Niech X 2T oraz n bdzie rosncym do T cigiem

momentw zatrzymania
R
takich, e I[0,n ] X L2T dla wszystkich n. Cak stochastyczn X dW dla X 2T nazywamy
R
R
R
taki proces (Mt )t<T = ( 0t X dW )t<T , e Mtn = 0tn X dW = 0t I[0,n ] X dW dla n = 1, 2, . . ..
Stwierdzenie 9.3. Proces M zdefiniowany powyej jest jest cigy i jednoznacznie okrelony
w klasie procesw nieodrnialnych.
49
9.3. Martyngay lokalne
Dowd. Na mocy Lematu 9.2 dla kadego m > n istnieje zbir Nn,m taki, e P(Nn,m ) = 0
oraz dla 6 Nn,m zachodzi Mn (t, ) = Mm (t n (), ) dla wszystkich t < T . Niech N :=
S
/ N , t n () cig (Mm (t, ))mn jest stay. Zatem
m>n Nn,m , wwczas P(N ) = 0 oraz dla
moemy (i musimy) pooy M (t, ) := Mn (t, ) dla t n ().
Stwierdzenie 9.4. Definicja X dW nie zaley od wyboru cigu n dla X 2T . Dokadniej,
jeli n , n - momenty zatrzymania, n % T , n % T , I[0,n ] X L2T i I[0, n ] X L2T oraz M, M
okrelone jak w Definicji 9.2 za pomoc n , n odpowiednio, to procesy M i M s nierozrnialne.
R
Dowd. Mamy
Z t
Mtn =
Z t
I[0,n ] X dW,
M t n =
I[0, n ] X dW.
Na mocy twierdzenia o zatrzymaniu caki stochastycznej,

Z t
Mtn n =
I[0,n ] I[0, n ] X dW = M tn n .
Ponadto n n % T , wic t n n = t dla n n() i std Mt = M t p.n., a e s to procesy

cige, to s nierozrnialne.
Sformuujemy teraz uoglnienie twierdzenia o zatrzymaniu caki stochastycznej.
Twierdzenie 9.2. Jeli X 2T , to dla dowolnego momentu zatrzymania , I[0, ] X

2T oraz
Z t
Z t
X dW =
0
I[0, ] X dW.
Dowd. Proces I[0, ] X jest prognozowalny jako iloczyn procesw prognozowalnych, jest majoryzowany przez X, std I[0, ] X 2T . Proces X 2T , wic istnieje cig n % T taki, e
I[0,n ] X L2T . Wtedy te I[0,n ] I[0, ] X L2T . Niech
Z
M :=
X dW,
N :=
I[0, ] X dW.
Na mocy definicji,
Z t
Mtn =
Z t
I[0,n ] X, dW,
Ntn =
I[0,n ] I[0, ] X dW.
Z udowodnionego wczeniej Twierdzenia 9.1 o zatrzymaniu caki izometrycznej,

Z t
Mt n =
I[0, ] I[0,n ] X dW = Ntn .
Biorc n dostajemy Mt = Mt = Nt , czyli M = N .
9.3. Martyngay lokalne

Definicja 9.3. Jeeli dla procesu adaptowalnego M = (Mt )t<T , istnieje cig momentw zatrzymania n % T taki, e M n jest martyngaem, to M nazywamy martyngaem lokalnym.
Jeli dodatkowo M n M2,c
T , to mwimy, e M jest cigym martyngaem lokalnym cakowal2,c
nym z kwadratem. Klas takich procesw oznaczamy M2,c
T,loc (Mloc jeli warto T jest jasna z
kontekstu).
50
c
Uwaga 9.1. M M0 McT,loc wtedy i tylko wtedy, gdy M M0 M2,c
T,loc , gdzie MT,loc oznacza
rodzin cigych martyngaw lokalnych.
Stwierdzenie 9.5. Zamy, e M = XdW dla X T2 . Wwczas

i) M jest procesem cigym, M0 = 0,
ii) M M2,c
T,loc ,
R
iii) Przeksztacenie X XdW jest liniowe.
R
Dowd. Punkty i), ii) wynikaj z definicji. By udowodni iii) wemy X, Y 2T . Istniej wwczas
momenty zatrzymania n % T i n % T takie, e I[0,n ] X L2T oraz I[0, n ] Y L2T . Przyjmujc
n := n n % T otrzymujemy I[0,n ] X, I[0,n ] Y L2T , a zatem I[0,n ] (aX + bY ) L2T dla doR tn
R tn
wolnych
a,
b
R.
Std
na
mocy
definicji
otrzymujemy,
e
(aX
+bY
)
dW
=
a
X dW +
0
0
R tn
R
R
R
b 0
Y dW i biorc granic n , (aX + bY ) dW = a XdW + b Y dW.
Uwaga 9.2. Martynga lokalny M = X dWR dla X 2T nie musi by martyngaem, Mt
nie musi by nawet cakowalne. Ale, jeli E 0t Xs2 ds < dla wszystkich t < T , to M jest
martyngaem, bo moemy przyj n = tn , gdzie tn jest cigiem rosncym zbienym do T i
wtedy Mtn = Mttn M2,c
T .
R
Uwaga 9.3. Przykady cigych martyngaw lokalnych, ktre nie s martyngaami s podane
w wiczeniach 13.4 i 13.6.
R
Mimo, e w przypadku oglnym

procesu nierwno Dooba.
X dW nie musi by martyngaem, to zachodzi dla tego
Twierdzenie 9.3 (Nierwno Dooba). Dla dowolnego procesu X T2 oraz momentu

zatrzymania T ,
Z
Z
E sup
X dW
t<
2
4E
Xs2 ds.
Dowd. Wemy n % T takie, e I[0,n ] X L2T . Mamy

E sup
Z tn
t<
X dW
2
= E sup
Z t
t<
= E sup
t<T
Z t
0
I[0,n ] X dW
2
I[0,n ] X dW
= E sup
2
Z t
0
tT
I[0, ] I[0,n ] X dW
2
I[0, ] I[0,n ] X M2,c

T , wic t < T mona zamieni na t T . Na mocy nierwnoci Dooba dla
martyngaw,
E sup
tT
Z t
0
I[0,T ] I[0,n ] X dW
2
Z T
4E
I[0, ] I[0,n ] X dW
Z T
= 4E
0
4E
Z
0
2
(I[0, ] I[0,n ] Xs ) ds = 4E
Xs2 ds.
Wykazalimy zatem, e
E sup
t<
Z tn
0
X dW
2
4E
Z
0
Xs2 ds.
Z n
0
Xs2 ds
51
9.4. Zadania
Poniewa
sup
t<
Z tn
X dW
2
= sup
Z t
t< n
X dW
2
% sup
t<
Z t
X dW
2
wic teza wynika z twierdzenia Lebesguea o zbienoci monotonicznej.

Stwierdzenie 9.6. a) Kady ograniczony martynga lokalny jest martyngaem.
b) Kady nieujemny martynga lokalny jest nadmartyngaem.
Dowd. Zamy, e n % T jest cigiem momentw zatrzymania takim, e dla kadego n, M n
jest martyngaem. Ustalmy s < t < T oraz A Fs .
a) Jeli M jest ograniczony, to z twierdzenia Lebesguea o zbienoci zmajoryzowanej,
EMt IA EMn t IA = EMtn IA = EMsn IA = EMn s IA EMs IA ,
std M jest martyngaem.
b) Jeli M jest nieujemny, to
EMs IA = lim EMs IA{n >s} = lim EMsn IA{n >s} = lim EMtn IA{n >s}
n
E lim Mtn IA{n >s} = EMt IA ,

n
gdzie korzystalimy z twierdzenia Lebesguea o zbienoci monotonicznej, tego, e M n jest

martyngaem i A {n > s} Fs oraz z lematu Fatou.
9.4. Zadania
wiczenie
9.1. Niech bdzie momentem zatrzymania takim, e E < . Wyka, e I[0, ]
R
L2 oraz 0 I[0, ] (s)dWs = W . Wywnioskuj std, e EW = 0 oraz EW2 = E .
wiczenie 9.2. Dla a, b > 0 okrelmy := inf{t : |Wt | = a b + t}. Wyka, e < p.n.
a2 b
oraz E < wtedy i tylko wtedy gdy a < 1. Ponadto dla a < 1, E = 1a
2.
wiczenie 9.3. Wyka, e dla X 2T , ( X dW )2 X 2 ds jest cigym martyngaem lokalnym.
R
wiczenie 9.4. Niech X 2T , 0 t < s T oraz bdzie

zmiennR losow Ft -mierzaln
Rs
2
(niekoniecznie ograniczon). Wyka, e XI(t,s] T oraz t XdW = ts XdW .
wiczenie 9.5. Znajd proces X 2T taki, e
Rt
0
Xs dWs nie jest martyngaem.
wiczenie 9.6. Wyka, e M M0 Mcloc wtedy i tylko wtedy, gdy M M0 M2,c

loc .
wiczenie 9.7. Niech X bdzie martyngaem lokalnym takim, e |Xt | Y dla wszystkich t
oraz EY < . Wyka, e X jest martyngaem.
wiczenie 9.8. Podaj przykad nieujemnego cakowalnego cigego martyngau lokalnego,
ktry nie jest martyngaem.
10. Caka wzgldem cigych martyngaw

R
Podczas wczeniejszych wykadw zdefiniowalimy

cak XdW . Okazuje si, e bez wikR
szych trudnoci definicj t daje si uoglni na XdM , gdzie M jest cigym martyngaem (a
nawet cigym martyngaem lokalnym).
10.1. Rozkad Dooba-Meyera

Podstaw konstrukcji caki stochastycznej wzgldem procesu Wienera jest to, e Wt i Wt2 t
s martyngaami. Okazuje si, e dla dowolnego cakowalnego z kwadratem cigego martyngau
M znajdzie si proces niemalejcy X taki, e M 2 X jest martyngaem.
Twierdzenie 10.1 (rozkad Dooba-Meyera). Dla M M2,c

T istnieje proces hM i =
(hM it )0tT o trajektoriach cigych, niemalejcych taki, e hM i0 = 0 oraz (Mt2
hM it )0tT jest martyngaem. Co wicej proces hM i jest wyznaczony jednoznacznie.
Udowodnimy jednoznaczno rozkadu, dowd istnienia mona znale w [6].

Dowd Jednoznacznoci. Zamy, e procesy Yt , Zt s niemalejce oraz Mt2 Yt i Mt2 Zt s
martyngaami o cigych trajektoriach. Trajektorie procesu Yt Zt maj wahanie skoczone,
ponadto Yt Zt = (Mt2 Zt ) (Mt2 Yt ) jest martyngaem cigym. Std, na podstawie
Twierdzenia 7.3, Y Z 0.
Przykad 10.1. Dla procesu Wienera
hW it = t. R
R
Oglniej, Wniosek 9.1 implikuje, e h Xs dWs it = 0t Xs2 ds dla X L2T .
10.2. Caka izometryczna

Poniewa dla wszystkich , t hM it () jest niemalejce, zatem ma wahanie skoczone,
czyli mona okreli skoczon miar dhM it () na [0, T ]. Z uwagi na cigo hM i miara ta jest
bezatomowa. Nastpna definicja jest naturalnym uoglnieniem definicji dla procesu Wienera.
Definicja 10.1. Dla procesu elementarnego X postaci
X = 0 I{0} +
m1
X
k I(tk ,tk+1 ] ,
k=0
gdzie 0 = t0 t1 t2 . . . tm < T , k ograniczone, Ftk - mierzalne oraz M M2,c

T okrelamy
Z t
X dM :=
0
m1
X
k (Mtk+1 t Mtk t ) dla 0 t T.
k=0

53
10.2. Caka izometryczna
Definiujemy te dla M M2,c

T ,
n
L2T (M ) = X = (Xt )t<T prognozowalne takie, e E

M2,c
Stwierdzenie 10.1. Niech M

0 oraz
Z
kI(X)k2M2,c = E
Xs dMs
2
Z T
=E
Xs2 dhM is < .
oraz X E. Wwczas I(X) :=
Z T
X dM M2,c
T , I(X)0 =
Xs2 dhM is = kXk2L2 (M ) .

T
Dowd. Cigo I(X), warunek I(X)0 = 0 oraz to, e I(X)t L2 dla wszystkich t s oczywiste.
Dla tj t tj+1 mamy
I(X)t = 0 (Mt1 Mt0 ) + 1 (Mt2 Mt1 ) + . . . + j (Mt Mtj ).
Dla tj t s tj+1 otrzymujemy zatem
E(I(X)s |Ft ) I(X)t = E(j (Ms Mt )|Ft ) = j (E(Ms |Ft ) Mt ) = 0,
czyli I(X) jest martyngaem. Ponadto
EI(X)2T =
m1
X
E[k2 (Mtk+1 Mtk )2 ]
k=0
+2
E[k1 j1 (Mtk Mtk1 )(Mtj Mtj1 )] =: I1 + I2 .
j<k
Zauwamy, e dla s < t,

E((Mt Ms )2 |Fs )
= E(Mt2 hM it |Fs ) + E(hM it |Fs ) 2Ms E(Ms |Fs ) + Ms2
= Ms2 hM is + E(hM it |Fs ) Ms2 = E(hM it hM is |Fs ).
Std
I1 =
E[k2 E((Mtk+1 Mtk )2 |Ftk )] =
=E
E[k2 E(hM itk+1 hM itk |Ftk )]
k2 (hM itk+1
hM itk ) = E
X Z tk+1
k
tk
k2 dhM is
Z T
=E
Xs2 dhM is .
Ponadto
I2 = 2
E[k1 j1 (Mtj Mtj1 )E(Mtk Mtk1 |Ftk1 )] = 0.
j<k
Tak jak dla procesu Wienera dowodzimy, e domknicie E w przestrzeni L2 ([0, T ), dhM i
P) jest rwne E = L2T (M ). Izometri RI(X) moemy przeduy do E, w ten sposb otrzymujemy
izometryczn definicj caki I(X) = X dM dla X L2T (M ). Mamy zatem nastpujcy fakt.
Stwierdzenie 10.2. Niech M M2,c
T . Wwczas
R
2
a) Dla X LT (M ) proces XdM M2,c
T oraz
Z
2

XdM
M2,c
T
Z T
=E
Xs dMs
2
Z T
=E
Xs2 dhM is = kXkL2 (M ) .

T
b)R Jeli X, Y L2T (M ), to aX + bY L2T (M ) dla a, b R oraz (aX + bY )dM = a XdM +

b Y dM .
R
54
10. Caka wzgldem cigych martyngaw
10.3. Uoglnienie definicji caki

Zacznijmy od prostego faktu.
Stwierdzenie 10.3. Zamy, e M M2,c
T , wwczas dla dowolnego momentu zatrzymania ,
2,c
M MT oraz hM i = hM i .
Dowd. Wiemy, e M jest cigym martyngaem. Na mocy nierwnoci Jensena
E|MT |2 = EM2T = E[E(MT |F T )]2 EMT2 ,
zatem M M2,c
T . Proces hM i startuje z zera, ma trajektorie cige, ponadto (M ) hM i =
(M 2 hM i) jest martyngaem, wic hM i spenia wszystkie warunki definicji hM i.
Moemy uoglni rozkad Dooba-Meyera na przypadek cigych martyngaw lokalnych.

Wniosek 10.1. Zamy, e M Mcloc , wwczas istnieje dokadnie jeden proces hM i =
(hM it )0t<T o trajektoriach cigych, niemalejcych taki, e hM i0 = 0 oraz M 2 hM i Mcloc .
Dowd. Istnienie. Niech n bdzie rosncym do T cigiem momentw zatrzymania takim, e
n
M n M2,c
T . Okrelmy Yn := hM i, wwczas dla n m,
Ymn = hM m in = h(M m )n i = hM n m i = hM n i = Yn .
Std istnieje proces cigy Y = (Yt )0t<T taki, e Y n = Yn , oczywicie Y0 = Yn,0 = 0, ponadto
Y ma trajektorie niemalejce oraz
(M 2 Y )n = (M n )2 Y n = (M n )2 hM n i Mc ,
zatem M 2 Y jest cigym martyngaem lokalnym na [0, T ).
Jednoznaczno. Niech Y i Y procesy cige o niemalejcych trajektoriach takie, e
Y0 = Y0 = 0 oraz M 2 Y i M 2 Y s martyngaami lokalnymi. Wwczas istniej momenty
zatrzymania n % T i n % T takie, e (M 2 Y )n oraz (M 2 Y )n s martyngaami. Biorc
n = n n % T dostajemy martyngay (M 2 Y )n = ((M 2 Y )n )n oraz (M 2 Y )n =
((M 2 Y )n )n , proces (Y Y )n jest wic martyngaem o ograniczonym wahaniu, czyli jest
stay, zatem Y n = Y n . Przechodzc z n otrzymujemy Y = Y .
Podobnie jak dla procesu Wienera dowodzimy twierdzenie o zatrzymaniu caki stochastycznej wzgldem martyngaw cakowalnych z kwadratem.
2
Twierdzenie 10.2. Zamy, e M M2,c
T , X LT (M ) oraz jest momentem
2
2
zatrzymania. Wwczas I[0, ] X LT (M ), X LT (M ) oraz
Z t
0
Z t
I[0, ] (s)Xs dMs =
Z t
Xs dMs =
0
Xs dMs
dla 0 t T.
Definicja 10.2. Dla T , M Mcloc okrelamy przestrze procesw prognozowalnych,

lokalnie cakowalnych z kwadratem wzgldem hM i
2T (M )
R
= (Xt )t<T prognozowalny :
Z t
0
Xs2 dhM is < p.n. dla t < T .
Poniewa XdM = Xd(M M0 ) oraz hM M0 i = hM i, wic bez straty oglnoci przy

uoglnianiu definicji caki bdziemy zakada, e M0 = 0.
55
10.4. Zadania
Definicja 10.3. Niech M = (Mt )t<T Mcloc , M0 = 0, X = (Xt )t<T 2T (M ) oraz n bdzie
rosncym do T cigiem momentw zatrzymania takich, e M n M2,c
L2T (M n )
T i I[0,n ] X
R
Rt
dla wszystkich
n. Cak stochastyczn X dM nazywamy taki proces (Nt )t<T = ( 0 X dM )t<T ,
R
e Ntn = 0t I[0,n ] X dM n dla n = 1, 2, . . ..
Nietrudno udowodni (naladujc dowd dla caki wzgldem procesu Wienera), e caka
X dM dla M Mcloc i X 2T (M ) jest zdefiniowana poprawnie i jednoznacznie (z dokadnoci do nieodrnialnoci procesw) oraz nie zaley od wyboru cigu momentw zatrzymania
n .
R
Nastpujcy fakt przedstawia podstawowe wasnoci XdM .
R
Stwierdzenie 10.4. NiechR M, N Mcloc . Wwczas

a) Dla X 2T (M ) proces XdM Mcloc .
R
R
b)R Jeli X, Y 2T (M ), to aX + bY 2T (M ) dla a, b R oraz (aX + bY )dM = a XdM +
b Y dM .
R
c)R Jeli X R2T (M ) 2T (N ) oraz a, b R, to X 2T (aM + bN ) oraz Xd(aM + bN ) =
a XdM + b XdN .
Mona rwnie sformuowa twierdzenie o zatrzymaniu caki stochastycznej w oglnym przypadku.
Twierdzenie 10.3. Zamy, e M Mcloc , X 2T (M ) oraz bdzie momentem

zatrzymania. Wwczas I[0, ] X 2T (M ), X 2T (M ) oraz
Z t
0
Z t
I[0, ] (s) dMs =
Z t
Xs dMs =
0
Xs dMs
dla 0 t < T.
10.4. Zadania
wiczenie 10.1. Niech M =
Wt1 naley do tej przestrzeni?
Wt2 dWt . Oblicz EMs2 . Jak wyglda przestrze L2T (M )? Czy
wiczenie 10.2. Udowodnij Twierdzenia 10.2 i 10.3.

wiczenie 10.3. Udowodnij Stwierdzenie 10.4.
wiczenie 10.4. Zamy, e X jest procesem cigym, a M cigym martyngaem lokalnym.
(n) (n)
(n)
(n)
Wyka, e jeli t < T , n = (t0 , t1 , . . . , tkn ) jest cigiem podziaw [0, t] takim, e 0 = t0
(n)
t1
(n)
. . . tkn = t oraz diam(n ) 0, to

kX
n 1
k=0
Xt(n) (Mt(n) Mt(n) )

k
k+1
Z t
Xs dMs
wedug prawdopodobiestwa.
wiczenie 10.5. Wyka, e kady cigy martynga lokalny M = (Mt )t<T , ktrego trajektorie
maj skoczone wahanie na kadym przedziale [0, t] jest stale rwny M0 .
11. Wasnoci nawiasu skonego

Podczas tego wykadu zajmiemy si interpretacj procesu hM i. Wprowadzimy te definicj
nawiasu skonego pary cigych martyngaw lokalnych.

Niech = (t0 , t1 , . . . , tk ) bdzie podziaem [0, t] takim, e 0 = t0 t1 . . . tk = t.
Definiujemy wwczas
M
V,t
:=
k
X
(Mti Mti1 )2 .
i=1
M . Pokaemy, e hM i jest granic V M przy
Bdziemy te czasem pisa V,t (M ) zamiast V,t
t
,t
diam() 0, dlatego te hM i nazywa si czsto wariacj kwadratow M .
Zacznijmy od najprostszej sytuacji martyngaw ograniczonych, tzn. takich, e supt kMt k <
.
Twierdzenie 11.1. Zamy, e M jest ograniczonym martyngaem cigym Wwczas

M hM i w L () dla t T , gdy diam() 0.
V,t
t
2
Dowd. Moemy zaoy, rozpatrujc zamiast M proces M M0 , e M0 = 0, bo V,t (M M0 ) =

V,t (M ) oraz hM M0 i = hM i ((M M0 )2 hM i = (M 2 hM i)2M M0 +M02 jest martyngaem,
czyli, z jednoznacznoci hi, mamy hM M0 i = hM i).
(n)
(n)
(n)
Niech n = (0 = t0 t1 . . . tkn = t) bdzie cigiem podziaw [0, t] takim, e
diam(n ) 0.
Pomy C = supsT kMs k . Liczymy
Mt2
kn
X
(Mt(n) Mt(n) )
k
k=1
X
k
2
k1
(Mt(n) Mt(n) )2 + 2
k
= VMn ,t + 2
k1
(Mt(n) Mt(n) )(Mt(n) Mt(n) )
k<j
k1
j1
(Mt(n) Mt(n) )Mt(n) = VMn ,t + 2Nn (t).

j
j1
Niech
Xn (s) :=
kn
X
j=1
j1
Mt(n) I(t(n) ,t(n) ] E,

j1
j1 j
wwczas Nn (t) = 0t Xn (s) dMs . Z cigoci M dostajemy Xn (s) Ms dla wszystkich s t.

Ponadto |Xn | C, std |Xn M |2 4C 2 i na mocy twierdzenia Lebesguea o zbienoci
zmajoryzowanej,
Z
R
|Xn M |2 dhM is 0.

57
Zatem Xn M w L2t (M ), czyli Nn

L2 (). Wykazalimy zatem, i
M dM w M2,c
t , to znaczy Nn (t)
VMn ,t = Mt2 2Nn (t) Mt2 2
Rt
0
Ms dMs w
M dM w L2 ().
Proces Y := M 2 2 M dM jest cigy, Y0 = 0 oraz M 2 Y = 2 M dM jest martyngaem.

By zakoczy dowd, e Y = hM i musimy wykaza monotoniczno trajektorii Y . Wybierzmy
s < t i rozpatrzmy taki cig podziaw n odcinka [0, t], e s jest jednym z punktw kadego z
podziaw. Wwczas n mona te traktowa jako cig podziaw [0, s] i okreli VMn ,s . Mamy
R
2
2
Ys
VMn ,s VMn ,t
Yt ,
czyli proces Y ma trajektorie monotoniczne.

Uwaga 11.1. W szczeglnoci przedstawiony dowd pokazuje,
e dla martyngau jednostajnie
R
ograniczonego M , takiego, e M0 = 0, zachodzi M 2 = 2 M dM + hM i.
By uoglni Twierdzenie 11.1 na przypadek martyngaw cakowalnych z kwadratem bdziemy potrzebowali dwch faktw.
Lemat 11.1. Niech (n ) bdzie cigiem zmiennych losowych, a (Ak ) wstpujcym cigiem zdaS
rze takim, e P( Ak ) = 1. Zamy, e dla wszystkich k, zmienne n IAk zbiegaj wedug prawdopodobiestwa (przy n ) do zmiennej k . Wwczas n zbiega wedug prawdopodobiestwa
do zmiennej takiej, e IAk = k p.n. dla k = 1, 2, . . ..
Dowd. Dla k l mamy l IAk = k p.n., gdy pewien podcig ns IAl l p.n., a zatem
ns IAl = ns IAl IAk l IAk p.n. (czyli rwnie wg P). Std istnieje zmienna losowa taka, e
IAk = k p.n..
Zauwamy, e P(Ack ) /2 dla duego k oraz przy ustalonym k, P(|n IAk k | ) /2
dla duych n, std
P(|n | ) P(Ack ) + P(|n IAk IAk | )
dla dostatecznie duych n.
Kolejny lemat pokazuje, e przy pewnych prostych zaoeniach mona ze zbienoci wedug
prawdopodobiestwa wyprowadzi zbieno w L1 .
Lemat 11.2. Zamy, e n 0, n wedug P oraz dla wszystkich n, En = E < .
Wwczas n w L1 .
Dowd. Mamy
E| n | = E(| n | ( n )) = 2E( n )I{n }
+ 2E( n )I{n + 4 } + 2EI{n + 4 } .

2
2
Na mocy zbienoci wedug prawdopodobiestwa, limn P( n + /4) = 0. Ponadto E|| =
E < , zatem {} jest jednostajnie cakowalna , czyli |EIA | /2 dla odpowiednio maego
P(A). Std EI{n +/4} /2 dla duych n, a wic E| n | .
M
T , wwczas dla t < T , V,t hM it w
L1 (), gdy diam() 0.
58
Dowd. Jak poprzednio moemy zakada, e M0 = 0. Ustalmy cig podziaw n taki, e

diam(n ) 0.
Istnieje cig momentw zatrzymania k % T taki, e M k jest jednostajnie ograniczony (np.
k = inf{t : |Mt | k}). Na mocy Twierdzenia 11.1, dla ustalonego k, mamy przy n ,
L
2
Vn ,t (M k )
hM k it = hM it k .
Std
L
2
I{tk } Vn ,t (M ) = I{tk } Vn ,t (M k )
I{tk } hM it k = I{tk } hM it .
Zbieno w L2 implikuje zbieno wedug prawdopodobiestwa, zatem moemy stosowa Lemat 11.1 do n = Vn ,t (M ) i Ak = {t k }, by otrzyma Vn ,t (M ) hM it wedug P. Mamy
jednak
EhM it = EMt2 = E[Vn ,t (M ) + 2
X
j
Mt(n) (Mt(n) Mt(n) )] = EVn ,t (M ),

j1
j1
a zatem na mocy Lematu 11.2, Vn ,t (M ) hM it w L1 .

Dla martyngaw lokalnych zachodzi zblione twierdzenie, tylko zbieno w L1 musimy
zastpi zbienoci wedug prawdopodobiestwa.
M hM i wedug prawdopodoWniosek 11.1. Zamy, e M Mcloc , wwczas dla t < T , V,t
t
biestwa, gdy diam() 0.
Dowd. Bez straty oglnoci moemy zaoy, e M0 = 0, wwczas M M2,c

loc . Niech n bd
k
podziaami [0, t] o rednicy zbienej do zera oraz k % T takie, e M M2,c . Na podstawie
Twierdzenia 11.2 otrzymujemy, e dla ustalonego k,
L
1
Vn ,t (M k )
hM k i = hM ik .
Std
L
1
Vn ,t (M )I{k t} = Vn ,t (M k )I{k t}
hM ik I{k t} = hM iI{k t} .
Teza wynika z Lematu 11.1.
11.2. Uoglnienie definicji nawiasu skonego

Nawias skony okrela si nie tylko dla pojedynczego martyngau, ale te i dla pary martyngaw.
Definicja 11.1. Nawiasem skonym dwch cigych martyngaw lokalnych M i N nazywamy
proces hM, N i zdefiniowany wzorem
1
hM, N i = [hM + N i hM N i].
4
Stwierdzenie 11.1. a) Zamy, e M, N M2,c
T , wwczas hM, N i to jedyny proces o trajektoriach cigych majcych wahanie skoczone na [0, T ] taki, e hM, N i0 = 0 oraz M N hM, N i
jest martyngaem na [0, T ].
b) Zamy, e M, N Mcloc , wwczas hM, N i to jedyny proces o trajektoriach cigych majcych wahanie skoczone na [0, t] dla t < T taki, e hM, N i0 = 0 oraz M N hM, N i jest
martyngaem lokalnym na [0, T ).
59
11.3. Zadania
Dowd. Jednoznaczno dowodzimy jak dla hM i, za wymienione wasnoci wynikaj z tosamoci

i
1 h
M N hM, N i =
(M + N )2 hM + N i (M N )2 hM N i .
4
(n)
(n)
(n)
Stwierdzenie 11.2. Niech n = (t0 , t1 , . . . , tkn ) bdzie cigiem podziaw [0, t] takim, e
(n)
(n)
(n)
0 = t0 t1 . . . tkn = t oraz diam(n ) 0.

a) Jeli M, N M2,c
T , to dla t < T ,
kX
n 1
(Mt(n) Mt(n) )(Nt(n) Nt(n) ) hM, N it

k+1
k=0
k+1
w L1 ().
b) Jeli M, N M2,c
loc , to dla t < T ,
kX
n 1
k=0
(Mt(n) Mt(n) )(Nt(n) Nt(n) ) hM, N it

k+1
k+1
Dowd. Wystarczy zauway, e

1
(Mt Ms )(Nt Ns ) = [((Mt + Nt ) (Ms + Ns ))2 ((Mt Nt ) (Ms Ns ))2 ]
4
i skorzysta z Twierdzenia 11.1 i Wniosku 11.1.
Stwierdzenie 11.3. Dla dowolnych cigych martyngaw lokalnych M i N ,
a) hM, M i = hM i = hM i,
b) hM, N i = hN, M i,
c) hM M0 , N i = hM, N N0 i = hM M0 , N N0 i = hM, N i,
d) (N, M ) hM, N i jest przeksztaceniem dwuliniowym,
e) hM , N i = hM , N i = hM, N i = hM,RN i dlaRkadego momentu
zatrzymania ,
R
2
2
f ) jeli X T (M ) oraz Y T (N ), to h XdM, Y dN i = XY dhM, N i.
Szkic dowodu.. Punkty a), b) i c) wynikaj natychmiast z definicji, punkt d) z Wniosku 11.1.
To, e hM , N i = hM, N i dowodzimy jak w Stwierdzeniu 10.3 (wykorzystujc Stwierdzenie
11.1). Pozostae rwnoci w e) wynikaj ze Stwierdzenia 11.2. Punkt f) dowodzimy najpierw dla
przypadku, gdy M i N s martyngaami, za X i Y procesami elementarnymi, nastpnie dla X
L2T (M ) oraz Y L2T (M ) i wreszcie, wykorzystujc wasno e), dla przypadku oglnego.
11.3. Zadania
wiczenie 11.1. Oblicz hW 1 , W 2 i, gdzie W 1 , W 2 s niezalenymi procesy Wienera.
wiczenie 11.2. Wyka, e
a) |hM, N i| hM ihN i
b) Wah[s,t] (hM, N i) 12 [hM it hM is + hN it hN is ].
wiczenie 11.3. Uzupenij dowd Stwierdzenia 11.3.
wiczenie 11.4. Wyka, e dla dowolnego procesu M Mcloc , X T2 (M ) oraz momentu
zatrzymania T ,
Z
Z t
2
E sup
X dM 4E
Xs2 dhM is .
t<
60
wiczenie 11.5. Zamy, e M Mcloc , M0 = 0 oraz jest momentem zatrzymania takim,

e EhM i < . Wyka, e M jest martyngaem.
wiczenie 11.6. Okrelamy
Sn () =
3n1
X Z (k+1)/n
k=n
k/n
Ws4 dWs .
a) Wyka, e cig Sn (2) jest zbieny w L1 i zidentyfikuj jego granic.

b) Co mona powiedzie o zbienoci wedug prawdopodobiestwa cigu Sn () dla 6= 2?
12. Dalsze wasnoci caki stochastycznej

Podczas tego wykadu wykaemy szereg wanych wasnoci caki stochastycznej, ktre pozwol nam pniej udowodni wzr It
o.
12.1. Zbieno zmajoryzowana dla caek stochastycznych

Zacznijmy od wersji stochastycznej twierdzenia Lebesguea o zbienoci zmajoryzowanej.

loc oraz Xn s procesami prognozowalnymi
takimi, e limn Xn,t () = Xt () dla wszystkich t < T, . Jeli dla wszystkich
t < T i , |Xn,t ()| Yt () dla pewnego procesu Y 2T (M ), to Xn , X 2T (M )
oraz
Z
Z
t
Xn dM
wedug prawdopodobiestwa przy n .
XdM
0
Dowd. Proces X jest prognozowalny jako granica procesw prognozowalnych. Ponadto dla
t < T,
Z
Z
Z
t
Xs2 dhM is ,
2
Xn,s
dhM is
Ys2 dhM is < p.n.,
wic Xn , X 2T (M ). Bez straty oglnoci moemy te zaoy, e M0 = 0.

2
k
Niech k % T takie, e M k M2,c
T oraz I[0,k ] Y LT (M ). Poniewa I[0,k ] Xn I[0,k ] Y ,
wic I[0,k ] Xn L2T (M k ). Z twierdzenia Lebesguea o zbienoci zmajoryzowanej atwo wykaza,
e I[0,k ] Xn I[0,k ] X w L2T (M k ). Std dla ustalonego k,
Z tk
Z t
Xn dM =
0
L2 ()
I[0,k ] Xn dM k
Z t
0
I[0,k ] XdM k =
Z tk
XdM,
0
czyli
Z t
I{k t}
2
Xn dM
I{k t}
Z t
XdM przy n .
Zbieno w L2 implikuje zbieno wedug prawdopodobiestwa, by zakoczy dowd wystarczy skorzysta z Lematu 11.1.
12.2. Cakowanie przez podstawienie

Definicja 12.1. Mwimy, e proces X jest lokalnie ograniczony, jeli istniej momenty zatrzymania n % T takie, e procesy X n X0 s ograniczone.
Uwaga 12.1. Kady proces cigy, adaptowalny jest lokalnie ograniczony.
Kolejne twierdzenie podaje wzr na cakowanie przez podstawienie.
62
2
Twierdzenie 12.2. a) Zamy, eR N M2,c
T , X LT (N ), Y jest procesem prognozowalnym
ograniczonym oraz M = XdN . Wwczas Y L2T (M ), XY L2T (N ) oraz
R
R
Y dM = XY dN .
b)Zamy, e N Mcloc , X R 2T (N ), Y jest procesem prognozowalnym lokalnie
ograniczonym
oraz M = XdN . Wwczas Y 2T (M ), XY 2T (N ) oraz
R
R
Y dM = XY dN .
Dowd. a) Zamy wpierw, e Y jest procesem elementarnym postaci

Y = 0 I{0} +
n1
X
j I(tj ,tj+1 ] ,
j=0
gdzie 0 = t0 < t1 < . . . < tk < T , za k s ograniczonymi zmiennymi Ftk -mierzalnymi. Wwczas
Z t
Y dM =
0
j (Mtj+1 t Mtj t )
Z t
0
Z t
I(tj ,tj+1 ] XdN =
I[0,tj+1 ] XdN
Z tX
0
Z t
0
XZ t
j
Z t
j I(tj ,tj+1 ] XdN =
I[0,tj ] XdN
j I(tj ,tj+1 ] XdN
Y XdN.
0
Jeli Y jest dowolnym ograniczonym procesem prognozowalnym, to

Z T
Ys2 dhM is
kY
k2 E
Z T
0
dhM is = kY k2 EhM iT = kY k2 EMT2 < ,
wic Y L2T (M ). Nietrudno te sprawdzi, e XY L2T (N ). Moemy znale procesy elementarne Yn zbiene do Y w L2T (M ), co wicej moemy zaoy, e kYn k kY k . Zauwamy,
e
kXY XYn k2L2 (N ) = E
Z T
Z T
=E
(XY XYn )2s dhN is = E
Z T
0
(Y Yn )2s Xs2 dhN is
(Y Yn )2s dhM is = kY Yn k2L2 (M ) 0,

T
wic Yn X Y X w L2T (N ). Std dla t T ,

Z t
2
XY dN
Z t
XYn dN =
0
2
Yn dM
Z t
Y dM.
0
b) Mamy 0t Y0 dM = Y0 Mt = Y0 0t XdN = 0t Y0 XdN , zatem rozpatrujc Y Y0 zamiast

Y moemy zakada,e Y0 = 0. Niech n % T takie, e Y n jest ograniczone, N n M2,c
T oraz
XI[0,n ] L2T (N n ). Zauwamy, e
R
M n =
Z
XdN
n
XI[0,n ] dN n ,
63
12.3. Cakowanie przez czci
zatem na mocy czci a),

Z
Y dM
n
Y I[0,n ] dM n =
XY I[0,n ] dN n =
=
=
Y I[0,n ] XI[0,n ] dN n
Z
XY dN
n
Biorc n dostajemy tez.
12.3. Cakowanie przez czci

Sformuujemy teraz pierwsze twierdzenie o cakowaniu przez czci.
Twierdzenie 12.3. Niech M, N Mcloc , wwczas

Z t
Z t
Ms dNs +
Mt Nt = M0 N0 +
Ns dMs + hM, N it .
(12.1)
Stosujc twierdzenie do M = N dostajemy natychmiast.

Wniosek 12.1. Jeli M Mcloc , to
Z t
0
1
1
Ms dMs = (Mt2 M02 ) hM it .
2
2
Wniosek 12.2. Niech X, Y 2T , M =
XdW oraz N =
Z t
Mt Nt =
Z t
Ms dNs +
0
Y dW , wwczas
Ns dMs + hM, N it
Z t
Z t
Z t
Xs Ys ds.
Ns Xs dWs +
Ms Ys dWs +
Dowd. Pierwsza
rwno wynika z Twierdzenia 12.3, druga z Twierdzenia 12.2 oraz tego, e
R
hM, N i = XY ds.
R
Dowd Twierdzenia 12.3. Caki M dN i N dM s dobrze okrelone, gdy procesy M i N s

cige, zatem lokalnie ograniczone.
Moemy zaoy, i M0 = N0 = 0, gdy hM, N i = hM N0 , N N0 i,
Z
M dN =
Z
M d(N N0 ) =
(M M0 )d(N N0 ) +
M0 d(N N0 )
(M M0 )d(N N0 ) + M0 (N N0 ),
zatem
Z t
M0 N0 +
Z t
M dN +
0
Z t
=
0
N dM + hM, N it Mt Nt
(M M0 )d(N N0 ) +
Z t
(N M0 )d(M M0 )
+ hM N0 , N N0 it (Mt M0 )(Nt N0 ).
64
Wystarczy udowodni, e teza zachodzi dla M = N , tzn.

Mt2
Z t
=2
dla M Mcloc , M0 = 0.
Ms dMs + hM it
(12.2)
Jeli bowiem zastosujemy (12.2) dla M + N i M N , odejmiemy stronami i podzielimy przez

4, to dostaniemy (12.1).
Wiemy (zob. Uwaga 11.1), e (12.2) zachodzi przy dodatkowym zaoeniu ograniczonoci
M . W oglnym przypadku okrelamy
n := inf{t > 0 : |Mt | n} T,
wtedy n % T . Ponadto M n jest ograniczonym martyngaem lokalnym, zatem ograniczonym
martyngaem, wic
2 n
(M )
n 2
= (M ) = 2
Z
M dM
+ hM i = 2
Z
M I[0,n ] dM + hM in = 2
=2
M n I[0,n ] dM + hM in
n
M dM + hM i
Przechodzc z n dostajemy (12.2).

Definicja 12.2. Przez V c oznaczamy procesy cige, adaptowalne, ktrych trajektorie maj
wahanie skoczone na kadym przedziale [0, t] dla t < T .
Udowodnimy teraz kolejne twierdzenie o cakowaniu przez czci.
Stwierdzenie 12.1. Zamy, e M Mcloc , A V c , wwczas
Z t
Z t
Ms dAs .
As dMs +
Mt A t = M0 A 0 +
Dowd. Jak w dowodzie Twierdzenia 12.3 moemy zaoy, e M0 = A0 = 0.

Zamy wpierw, e M i N s ograniczone. Zauwamy, e
M t At =
=
n
X
n
X
(Mtj/n Mt(j1)/n )
j=1
n
X
(Atk/n At(k1)/n
k=1
(Mtj/n Mt(j1)/n )(Atj/n At(j1)/n )
j=1
n
X
Mt(j1)/n (Atj/n At(j1)/n ) +
j=1
n
X
(Mtj/n Mt(j1)/n )At(j1)/n
j=1
=: an + bn + cn .
Skadnik bn dy prawie na pewno do
sprawdzi, e procesy elementarne
An =
Rt
0
n
X
M dA (definicja caki Riemanna-Stieltjesa). Nietrudno
At(j1)/n I(t(j1)/n,tj/n]
j=1
zbiegaj w L2t (M ) do A, std cn =

2
|an |
n
X
Rt
0
An dM zbiega w L2 do
(Mtj/n Mt(j1)/n )
n
X
Rt
0
AdM . Zauwamy te, e
(Atj/n At(j1)/n )2
j=1
n
X
j=1
j=1
1jn
(Mtj/n Mt(j1)/n )2 sup |Atj/n At(j1)/n |Wah[0,t] (A).
65
12.4. Cige semimartyngay
Pierwszy czynnik powyej dy do hM it w L2 (w szczeglnoci jest wic ograniczony w L2 ), drugi

za dy do zera p.n. (proces A jest cigy), std an dy do 0 wedug prawdopodobiestwa.
Zatem
Z
Z
t
Mt At = an + bn + cn
AdM.
M dA +
0
Jeli M i A nie s ograniczone, to okrelamy

n = inf{t > 0 : |Mt | n} inf{t > 0 : |At | n} T.
Mamy |An | n, |M n | n, wic z poprzednio rozwaonego przypadku
n
(M A)
A dM
M dA
Z
n
AdM +
M dA
przechodzc z n dostajemy tez.

Ostatnie twierdzenie o cakowaniu przez czci jest nietrudn konsekwencj definicji caki
Riemanna-Stieltjesa.
Stwierdzenie 12.2. Zamy, e A, B V c , wwczas
Z t
Z t
Bs dAs .
As dBs +
At B t = A0 B 0 +
12.4. Cige semimartyngay

Definicja 12.3. Proces Z = (Zt )t<T nazywamy cigym semimartyngaem, jeli da si przedstawi w postaci Z = Z0 + M + A, gdzie Z0 jest zmienn F0 -mierzalna, M M2loc , A V c oraz
A0 = M0 = 0.
Uwaga 12.2. Rozkad semimartyngau jest jednoznaczny (modulo procesy nieodrnialne).
Dowd. Jeli Z = Z0 + M + A = Z0 + M 0 + A0 , to M M 0 = A0 A jest cigym martyngaem
lokalnym, startujcym z zera o ograniczonym wahaniu na [0, t] dla t < T , zatem jest stale rwny
0.
Przykad 12.1. ProcesR It
o, tzn. proces postaci Z = Z0 + XdW + Y ds, gdzie X 2T , Y
t
prognozowalny taki, e 0 |Ys |ds < p.n. dla t < T jest semimartyngaem.
R
Przykad 12.2. Z twierdzenia Dooba-Meyera wynika, e kwadrat martyngau jest semimartyngaem.

R
Definicja R12.4. Jeli Z = Z0 + M + A jest cigym semimartyngaem, to okrelamy XdZ :=

R
XdM + XdA, gdzie pierwsza caka to caka stochastyczna, a druga caka Stieltjesa.
Twierdzenie 12.4. Jeli Z = Z0 + M + A oraz Z 0 = Z00 + M 0 + A0 s cigymi

semimartyngaami, to ZZ 0 te jest semimartyngaem oraz
ZZ 0 = Z0 Z00 +
ZdZ 0 +
Z 0 dZ + hM, M 0 i.
Dowd. Mamy ZZ 0 = Z0 Z00 + M M 0 + M A0 + AM 0 + AA0 i stosujemy twierdzenia o cakowaniu

przez czci (Twierdzenie 12.3, Stwierdzenia 12.1 i 12.2).
66
Dla semimartyngaw wygodnie jest te wprowadzi nastpujc definicj:

Definicja 12.5. Jeli Z = Z0 + M + A, Z 0 = Z00 + M 0 + A0 s cigymi semimartyngaami, to
przyjmujemy hZ, Z 0 i = hM, M 0 i.
12.5. Zadania
wiczenie 12.1. Udowodnij Stwierdzenie 12.2.
wiczenie 12.2. Korzystajc ze wzoru na cakowanie przez czci przedstaw
wyraenie nie zawierajce caek stochastycznych.
Ws2 dWs jako
wiczenie 12.3. Zamy, e X jest procesem cigym, a Z cigym martyngaem lokalnym.

(n)
(n) (n)
(n)
Wyka, e jeli t < T , n = (t0 , t1 , . . . , tkn ) jest cigiem podziaw [0, t] takim, e 0 = t0
(n)
t1
(n)
. . . tkn = t oraz diam(n ) 0, to

kX
n 1
Z t
Xt(n) (Zt(n) Zt(n) )

k
k=0
k+1
Xs dZs
(n)
(n)
(n)
wiczenie 12.4. Niech n = (t0 , t1 , . . . , tkn ) bdzie cigiem podziaw [0, t] takim, e
(n)
(n)
(n)
0 = t0 t1 . . . tkn = t oraz diam(n ) 0. Wyka, e dla dowolnych cigych

semimartyngaw X i Y ,
kX
n 1
(Xt(n) Xt(n) )(Yt(n) Yt(n) ) hX, Y it
k=0
k+1
k+1
13. Wzr It
o
Podczas tego wykadu udowodnimy fundamentalne twierdzenie dla analizy stochastycznej.
Pokazuje ono, e klasa semimartyngaw cigych jest zamknita ze wzgldu na funkcje gadkie
oraz podaje wzr na rniczk stochastyczn df (X).
13.1. Podstawowe twierdzenie analizy stochastycznej
Twierdzenie 13.1 (Wzr It

o). Zamy, e Z = Z0 + M + A jest cigym semimartyngaem, f funkcj klasy C 2 na R. Wwczas f (Z) te jest semimartyngaem oraz
Z t
f (Zt ) = f (Z0 ) +
0
1
f (Zs )dZs +
2
0
Z t
f 00 (Zs )dhM is .
(13.1)
Dowd. Wszystkie caki w (13.1) s dobrze zdefiniowane, bo procesy f 0 (Zs ) i f 00 (Zs ) s cige,
zatem f 0 (Zs ) 2T (M ) oraz f 00 (Zs ) jest cakowalne wzgldem hM i.
Wzr Ito (13.1) bdziemy dowodzi poczynajc od najprostszych przypadkw.
Przypadek I. Z jest semimartyngaem ograniczonym, a f wielomianem.
Z liniowoci obu stron (13.1) wystarczy rozpatrywa przypadek, gdy f (x) = xn . Pokaemy
ten wzr przez indukcj po n.
Dla n = 0 teza jest oczywista. Zamy wic, e (13.1) zachodzi dla f (x) = xn pokaemy go
dla g(x) = xf (x). Zauwamy, e g 0 (x) = f (x) + xf 0 (x) oraz g 00 (x) = 2f 0 (x) + xf 00 (x). Ze wzoru
na cakowanie przez czci,
Z t
g(Zt ) =Zt f (Zt ) = Z0 f (Z0 ) +
Z t
Zs df (Z)s +
DZ
f 0 (Z)dM, M
Z t
=g(Zt ) +
0
Z t
f (Z)dZs
0
E
t
1
(Zs f 0 (Zs )dZs + Zs f 00 (Zs )dhM is ) +
2
Z t
f (Z)dZs
0
f 0 (Zs )dhM is
Z t
=g(Zt ) +
0
g 0 (Zt )dZt +
1
2
Z t
g 00 (Zt )dhM is .
Przypadek II. Z jest semimartyngaem ograniczonym (a f jest dowoln funkcj klasy C 2 ).

Niech C := kZk < , istnieje cig wielomianw fn taki, e
|fn (x) f (x)|, |fn0 (x) f 0 (x)|, |fn00 (x) f 00 (x)|
1
n
dla x [C, C].

68
13. Wzr It
o
Wtedy fn (Zs ) f (Zs ), fn0 (Zs ) f 0 (Zs ), fn00 (Zs ) f 00 (Zs ) jednostajnie oraz |fn0 (Zs )|
supn sup|x|C |fn0 (x)| sup|x|C |f 0 (x)| + 1 < , wic z twierdzenia Lebesguea o zbienoci
zmajoryzowanej (dla caki zwykej i stochastycznej),
1 t 00
+
f (Zs ) fn (Zs ) = fn (Z0 ) +
f (Zs )dhM is
2 0 n
0
Z t
Z t
1
f 0 (Zs )dZs +
f (Z0 ) +
f 00 (Zs )dhM is .
2 0
0
Z t
fn0 (Zs )dZs
Przypadek III. Zmienna Z0 jest ograniczona.

Pomy w tym przypadku
n := inf{t > 0 : |Zt | n} T,
(n)
wwczas Z (n) := Z0 + M n + An jest cigym ograniczonym semimartyngaem oraz Zt

p.n.. Na mocy przypadku II, (13.1) zachodzi dla Z (n) , wic
Z t
(n)
f (Zt ) = f (Z0 ) +
f 0 (Zs(n) )dZs(n) +
Z tn
= f (Z0 ) +
Z tn
1
2
Z t
0
(Zs(n) )I[0,n ] dZs
Zt
f 00 (Zs(n) )dhM n is
1
2
Z tn
0
f 00 (Zs(n) )I[0,n ] dhM isn
1 tn 00
f (Zs )I[0,n ] dZs +
= f (Z0 ) +
f (Zs )I[0,n ] dhM is
2 0
0
Z tn
Z tn
1
f 0 (Zs )dZs +
= f (Z0 ) +
f 00 (Zs )dhM is .
2 0
0
Z
Biorc n dostajemy (13.1).

Przypadek IV. Z jest dowolnym semimartyngaem cigym.
R
R
(n)
(n)
Pomy Z0 := (Z0 n)n oraz Z (n) := Z0 +M +A. Zauwamy, e XdZ = XdZ (n) ,
wic, poniewa wiemy ju, i (13.1) zachodzi, gdy Z0 ograniczone, to
(n)
(n)
Z t
f (Zt ) = f (Z0 ) +
f 0 (Zs(n) )dZs +
1
2
Z t
0
f 00 (Zs(n) )dhM is .
(13.2)
Mamy
|f 0 (Zs(n) )| sup |f 0 (Zs(n) )| := Ys ,
n
proces Y jest prognozowalny jako supremum procesw prognozowalnych, ponadto

sup sup |Zs(n) | |Z0 | + sup |Ms | + sup |As | < p.n..
n
st
st
st
Zatem z cigoci f 0 , supst |Ys | < p.n., skd Y 2T (M ). Z twierdzenia Lebesguea o

zbienoci zmajoryzowanej dla caek stochastycznych,
Z t
f
0
(Zs(n) )dMs
Z t
f 0 (Zs )dMs ,
ponadto z twierdzenia Lebesguea dla zwykej caki,

Z t
0
f 0 (Zs(n) )dAs
Z t
0
f 0 (Zs )dAs
p.n..
69
13.2. Twierdzenie Levyego

(n)
Podobnie supn supst |f 00 (Zs )| < p.n. i ponownie stosujc twierdzenie Lebesguea dostajemy
Z t
0
f 00 (Zs(n) )dhM is
Z t
f 00 (Zs )dhM is
p.n..
(n)
Oczywicie f (Zt ) f (Zt ) p.n., wic moemy przej w (13.2) z n do , by dosta (13.1).
Wniosek 13.1. Dla f C 2 (R),
Z t
1 t 00
f (Ws )ds.
2 0
0
W podobny sposb jak w przypadku jednowymiarowym moemy udowodni wielowymiarow
wersj twierdzenia It
o.
f (Wt ) = f (0) +
f 0 (Ws )dWs +
Twierdzenie 13.2. Zamy, e f : Rd R jest funkcj klasy C 2 oraz Z =

(i)
(Z (1) , . . . , Z (d) ), gdzie Z (i) = Z0 + M (i) + A(i) s cigymi semimartyngaami dla
i = 1, . . . , d. Wwczas f (Z) jest semimartyngaem oraz
f (Zt ) = f (Z0 ) +
d Z t
X
f
i=1 0
xi
(Zs )dZs(i)
d
1 X
+
2 i,j=1
Z t
0
2f
(Zs )dhM (i) , M (j) is .
xi xj
13.2. Twierdzenie Levyego
Twierdzenie 13.3 (Levy). Zamy, e M jest cigym martyngaem lokalnym takim,

e M0 = 0 oraz Mt2 t jest martyngaem lokalnym. Wwczas M jest procesem Wienera.
Dowd. Musimy wykaza, e dla s < t, Mt Ms jest niezalene od Fs oraz ma rozkad N (0, ts).
W tym celu wystarczy wykaza, e
1
E(eih(Mt Ms ) |Fs ) = e 2 (ts)h
dla t > s 0, h R.
(13.3)
Istotnie (13.3) implikuje, e Eeih(Mt Ms ) = exp( 12 (t s)h2 ) dla h R, czyli Mt Ms

N (0, t s). Ponadto dla dowolnej Fs -mierzalnej zmiennej oraz h1 , h2 R,
Eeih1 (Mt Ms )+ih2 = E[eih2 E(eih1 (Mt Ms ) |Fs )]
1
= E[eih2 e 2 (ts)h1 ] = Eeih2 Eeih1 (Mt Ms ) .

Zatem Mt Ms jest niezalene od zmiennych Fs -mierzalnych, czyli jest niezalene od Fs .
Zastosujmy wzr It
o dla f (x) = eihx (wzr Ito zachodzi te dla funkcji zespolonych, wystarczy doda odpowiednie rwnoci dla czci rzeczywistej i urojonej),
eihMt = f (Mt ) = f (M0 ) +
Z t
f 0 (Mu )dMu +
Z t
= 1 + ih
0
h2
eihMu dMu
2
= eihMs + ih
Z t
s
Z t
eihMu dMu
1
2
Z t
f 00 (Mu )dhM iu
eihMu du
h2
2
Z t
s
eihMu du.
70
13. Wzr It
o
Niech N := 0t eihM dM , wwczas N jest martyngaem lokalnym oraz z nierwnoci Dooba

(Twierdzenie 9.3),
R
E sup Ns2 4E
Z t
|eihMu |2 du = 4t,
0st
czyli N jest na kadym przedziale skoczonym majoryzowany przez zmienn cakowaln, zatem
jest martyngaem. Ustalmy A Fs , wtedy
E[eihMt IA ] = E[eihMs IA ] + E[(Nt Ns )IA ]
h2
= E[eihMs IA ]
2
Z t
h2 h
E
2
Z t
eihMu duIA
E[eihMu IA ]du.
Zdefiniujmy g(u) = E[eihMs+u IA ], wtedy

h2
g(t s) = g(0)
2
Z t
h2
2
Z r
g(u s)du,
czyli
g(r) = g(0)
g(u)du.
0
Funkcja g jest ciga, a zatem z powyszego wzoru jest rniczkowalna i spenia rwnanie
rniczkowe
h2
g 0 (r) = g(r).
2
Zatem g(r) = g(0) exp( 12 h2 r) dla r 0, czyli
1
2 (ts)
E[eihMt IA ] = E[eihMs IA ]e 2 h
2 (ts)
= E[eihMs 2 h
IA ],
std E(eihMt |Fs ) = exp(ihMs 12 h2 (t s)) p.n. i

1
2 (ts)
E(eih(Mt Ms ) |Fs ) = eihMs E(eihMt |Fs ) = e 2 h
Uwaga 13.1. Rwnowanie Twierdzenie Levygo mona sformuowa w nastpujcy sposb:

Jeli M Mcloc oraz hM i = t, to M M0 jest procesem Wienera.
Uwaga 13.2. Zaoenie cigoci M jest fundamentalne. Jeli pooymy Mt = Nt t, gdzie N
jest procesem Poissona z parametrem 1, to Mt2 t jest martyngaem, a oczywicie M nie jest
procesem Wienera.
Mona te udowodni wielowymiarow wersj twierdzenia Levyego.
Twierdzenie 13.4. Zamy, e M (1) , . . . , M (d) s cigymi martyngaami lokalnymi

(i)
(i)
(j)
takimi, e M0 = 0 oraz Mt Mt i,j t s martyngaami lokalnymi dla 1 i, j d.
Wwczas M = (M (1) , . . . , M (d) ) jest d-wymiarowym procesem Wienera.
71
13.3. Charakteryzacja procesu Wienera za pomoc martyngaw wykadniczych
13.3. Charakteryzacja procesu Wienera za pomoc martyngaw

wykadniczych
Twierdzenie 13.5. Zamy, e proces M jest cigy, adaptowalny oraz M0 = 0.

Wwczas M jest procesem Wienera wtedy i tylko wtedy, gdy dla wszystkich R,
exp(Mt 2 t/2) jest martyngaem lokalnym.
Dowd. To, e exp(Wt 2 t/2) jest martyngaem jest prostym i dobrze znanym faktem. Wystarczy wic udowodni implikacj .
Okrelmy n := inf{t > 0 : |Mt | n} n, wwczas n % oraz dla wszystkich proces
Xt () = exp(Mtn 2 t n /2) jest ograniczonym martyngaem lokalnym (z dou przez 0, z
gry przez e||n ), a wic martyngaem. Std
dla s < t, A Fs .
E[Xt ()IA ] = E[Xs ()IA ]

Zauwamy, e Xt (0) = 1 oraz
dX ()
t

= |Xt ()(Mtn t n )| e0 n (n + 0 n)
dla || 0 .
Std, z Twierdzenia Lebesquea o zbienoci zmajoryzowanej dla t < s, A Fs ,

h1
E[Xt ()(Mtn t n )IA ] = lim E

h0
h1
= lim E
h0
(Xt ( + h) Xt ())IA
(Xs ( + h) Xs ())IA = E[Xs ()(Msn s n )IA ].
Biorc = 0 dostajemy E[Mtn IA ] = E[Msn IA ], czyli M n jest martyngaem, a wic M

M2,c
loc .
By skorzysta z twierdzenia Levyego i zakoczy dowd musimy jeszcze wykaza, e Mt2 t
2,c
Mloc . Szacujemy dla || 0 ,
d2 X ()
t

= |Xt ()[(Mtn t n )2 t n ]| e0 n [(n + 0 n)2 + n],
2
skd w podobny sposb jak dla pierwszych pochodnych dowodzimy, e dla t < s, A Fs ,
E[Xt ()((Mtn t n )2 t n )IA ] = E[Xs ()((Msn s n )2 s n )IA ].
Podstawiajc = 0 dostajemy
2
2
E[(Mt
t n )IA ] = E[(Ms
s n )IA ],
n
n
czyli (Mt2 t)n jest martyngaem, wic Mt2 t M2,c

loc .
13.4. Zadania
wiczenie 13.1. Korzystajc ze wzoru Ito oblicz hWt2 i oraz hWt , eWt i.
wiczenie
13.2. Niech Zt = exp(Wt 2 t/2). Wyka, e dZt = Zt dWt tzn. Zt = 1 +
Rt
0 Zs dWs .
72
13. Wzr It
o
wiczenie 13.3. Niech f bdzie funkcj klasy C 2 na R2 , korzystajc z wzoru Ito oblicz
df (t, Wt ).
wiczenie 13.4. Niech M bdzie cigym martyngaem lokalnym. Wyka, e proces Nt =
exp(Mt 12 hM it ) jest cigym martyngaem lokalnym oraz nadmartyngaem. Ponadto jeli M
jest ograniczony, to N jest martyngaem.
wiczenie 13.5. Niech g : Rd R bdzie funkcj klasy C 2 , G zbiorem otwartym ograniczonym
w Rd oraz x G. Okrelmy := inf{t : Wt + x
/ G}. Korzystajc ze wzoru Ito wyka, e jeli g
jest harmoniczna w G, to h(Wt + x) jest martyngaem. Poka, e wystarczy zakada, i g jest
klasy C 2 w pewnym otoczeniu domknicia G.
wiczenie 13.6. Wyka, e dla 3-wymiarowego ruchu Browna Wt i a R3 , a 6= 0 proces
Xt = |Wt a|1 jest martyngaem lokalnym, ale nie jest martyngaem. Ponadto Xt jest nadmartyngaem oraz zbiega do 0 w L1 i prawie na pewno.
wiczenie 13.7. Wyka, e 2-wymiarowego ruchu Browna Wt i a R2 , a 6= 0 proces Xt =
ln |Wt a| jest martyngaem lokalnym. Wywnioskuj std, e z prawdopodobiestwem 1 proces
Wt omija punkt a, ale trajektoria procesu jest dowolnie bliska punktu a.
wiczenie 13.8. Zamy, e W = (W (1) , W (2) , W (3) ) jest trjwymiarowym procesem Wienera
oraz
Z
Z
t
Xt :=
0
(3)
(1)
sin(Wt )dWt
+
0
(3)
(2)
cos(Wt )dWt .
Wyka, e X jest procesem Wienera.

wiczenie 13.9. Udowodnij Twierdzenie 13.4.
wiczenie 13.10. Niech T < oraz X = (Xt )0t<T bdzie procesem prognozowalnym takim,
e dla pewnej liczby cakowitej m 1 zachodzi
Z T
E
Wyka, e X L2T oraz M =
X 2m (s)ds < .
XdW jest martyngaem takim, e
EMT2m
(m(2m 1)) T
m1
Z T
Xs2m ds.
Wskazwka. Zastosuj wzr It

o i nierwno H
oldera.
wiczenie 13.11. Niech W = (W 1 , . . . , W d ) bdzie d-wymiarowym ruchem Browna, a Rt =
kWt k. Wyka, e
(i)
a) Bt := dj=1 0t WRss dWsi jest jednowymiarowym procesem Wienera;

R
b) Rt = 0t d1
2Rs ds + Bt (Rt jest nazywane procesem Bessela).
P
wiczenie 13.12. Niech Z = Z0 + A + M, Y = Y0 + B + N bd cigymi semimartyngaami.

Definiujemy cak Stratonowicza wzorem
Z t
0
Ys dZs :=
Z t
0
1
Ys dZs + hM, N i.
2
Pokaza, e jeli f jest funkcj klasy C 3 na R, to

Z t
f (Zt ) = f (Z0 ) +
0
f 0 (Zs ) dZs .
73
13.4. Zadania
wiczenie 13.13. Pokaza, e przy oznaczeniach poprzedniego zadania oraz dowolnym cigu
(n) (n)
(n)
n = {t0 , t1 , . . . , tkn } podziaw odcinka [0, t] takim, e diam(n ) 0 zachodzi
kn Y (n) + Y (n)
X
tj+1
tj
j=1
(Zt(n) Zt(n) )
przy n wedug prawdopodobiestwa.
j+1
Z t
0
Ys dZs
14. Stochastyczne Rwnania Rniczkowe

Z cak stochastyczn wie si pojcie rwnania stochastycznego. Podamy kryteria istnienia
i jednoznacznoci rozwiza takich rwna oraz omwimy kilka przykadw.
14.1. Jednorodne rwnania stochastyczne

Definicja 14.1. Zamy, e b, : R R s funkcjami cigymi, a zmienn losow Fs -mierzaln.
Mwimy, e proces X = (Xt )t[s,T ) rozwizuje jednorodne rwnanie stochastyczne
dXt = b(Xt )dt + (Xt )dWt ,
Xs = ,
(14.1)
jeli
Z t
Xt = +
Z t
b(Xr )dr +
(Xr )dWr ,
t [s, T ).
Uwaga 14.1. Przyjelimy, e b i s funkcjami cigymi, by unikn problemw zwizanych

z mierzalnoci i lokaln ograniczonoci procesw b(Xr ) i (Xr ). Rozwaa si jednak rwnie
stochastyczne rwnania rniczkowe z niecigymi wspczynnikami.
t := Xt+s , t [0, T s) oraz filtracj Ft := Ft+s
Uwaga 14.2. Wprowadzajc nowy proces X
z warunkiem pocztkowym
zamieniamy rwnanie rniczkowe (14.1) na podobne rwnanie dla X
X0 = .
Definicja 14.2. Proces X rozwizujcy rwnanie (14.1) nazywamy dyfuzj startujca z .
Funkcj nazywamy wspczynnikiem dyfuzji, a funkcj b wspczynnikiem dryfu.
Przypomnijmy, e funkcja f : R R jest lipschitzowska ze sta L, jeli |f (x) f (y)|
L|x y| dla wszystkich x, y. Lipschitzowsko implikuje te, e
p
1 + x2
|f (x)| |f (0)| + L|x| L
= 2 max{|f (0)|, L}.
gdzie mona przyj np. L
Twierdzenie 14.1. Zamy, e funkcje b i s lipschitzowskie na R, wwczas rwnanie stochastyczne (14.1) ma co najwyej jedno rozwizanie (z dokadnoci do nierozrnialnoci).
Dowd. Bez straty oglnoci moemy zakada, e s = 0 oraz , b s lipschitzowskie z t sam

sta L.
Zamy, e X i Y s rozwizaniami (14.1), wwczas
Xt Yt =
Z t
0
(b(Xr ) b(Yr ))dr +
Z t
((Xr ) (Yr ))dWr ,
0 t < T.

75
Krok I. Zamy dodatkowo, e funkcja u 7 E|Xu Yu |2 jest skoczona i ograniczona na

przedziaach [0, t], t < T .
Mamy
Z t
E(Xt Yt )2 2E
(b(Xr ) b(Yr ))dr
2
Z t
+ 2E
((Xr ) (Yr )dWr
2
=: I1 + I2 .
Z warunku Lipschitza i nierwnoci Schwarza,
Z t
I1 2L2 E
|Xr Yr |dr
2
Z t
2L2 t
E(Xr Yr )2 dr.
By oszacowa I2 zauwamy, e |(Xr ) (Yr )| L|Xr Yr |, wic (Xr ) (Yr ) L2t . Std
Z t
I2 = 2E
((Xr ) (Yr ))2 dr 2L2
Z t
0
E(Xr Yr )2 dr.
Ustalmy t0 < T , wwczas z powyszych oszacowa wynika, e

E(Xt Yt )2 C
Z t
0
E(Xr Yr )2 dr
dla t t0 ,
gdzie C = C(t0 ) = 2L2 (t0 + 1). Iterujc powysz nierwno dostajemy dla t t0 ,
E(Xt Yt )2 C
Z t
0
E(Xr1 Yr1 )2 dr1 C 2
. . . Ck
Z t Z r1
0
C k sup E(Xr Yr )2
rt
= C k sup E(Xr Yr )2
rt
Z rk1
0
E(Xr2 Yr2 )2 dr2 dr1
E(Xrk Yrk )2 drk . . . dr1
Z t Z r1
0
Z t Z r1
Z rk1
drk . . . dr1
tk k7
0.
k!
Std dla wszystkich t < T , E(Xt Yt )2 = 0, czyli Xt = Yt p.n., a wic z cigoci obu procesw,
X i Y s nieodrnialne.
Krok II. X i Y dowolne. Okrelmy
n := inf{t s : |Xt | + |Yt | n}
i zauwamy, e |Xt |I(0,n ] , |Xt0 |I(0,n ] n. Poniewa w zerze oba procesy si pokrywaj, wic
|Xtn Ytn | 2n, std |(Xtn ) (Ytn )| 2Ln i (X n ) (Y n ) L2t dla t < T . Mamy
Xtn Ytn =
Z tn
0
Z tn
=
0
(b(Xr ) b(Yr ))dr +
Z tn
((Xr ) (Yr ))dWr
(b(Xrn ) b(Yrn ))dr +
Z tn
0
((Xrn ) (Yrn ))dWr .
Naladujc rozumowanie z kroku I dostajemy Xtn = Ytn p.n., przechodzc z n mamy

Xt = Yt p.n..
Twierdzenie 14.2. Zamy, e funkcje b i s lipschitzowskie na R oraz E 2 < ,
wwczas rwnanie stochastyczne (14.1) ma dokadnie jedno rozwizanie X = (Xt )ts .
Co wicej EXt2 < oraz funkcja t EXt2 jest ograniczona na przedziaach ograniczonych.
76
Dowd. Jak w poprzednim twierdzeniu zakadamy, e s = 0. Jednoznaczno rozwizania ju

znamy. By wykaza jego istnienie posuymy si konstrukcj z uyciem metody kolejnych przy(0)
blie. Okrelamy Xt () := () oraz indukcyjnie
(n)
Xt
Z t
b(Xr(n1) )dr +
:= +
0
Z t
(Xr(n1) )dWr .
(14.2)
(n)
Definicja jest poprawna (tzn. caki s dobrze okrelone), gdy Xt s procesami cigymi,
(n)
adaptowalnymi. Ponadto indukcyjnie pokazujemy, e funkcja r E|Xr |2 jest ograniczona na
przedziaach skoczonych:
(n)
Z t
Z t
E|Xt |2 3 E 2 + E
3 E 2 + tE
h
|b(Xr(n1) )|dr
2
Z t
+E
|b(Xr(n1) )|2 dr + E
Z t
0
(Xr(n1) )dWr
|(Xr(n1) )|2 dr
2 i
2 (1 + t) sup E|Xr(n1) |2 .
3 E + L
2
0rt
Zatem X (n) L2t , a wic rwnie (X (n) ) L2t .

Zauwamy, e wobec nierwnoci (a + b)2 2a2 + 2b2 i niezalenoci i Wt , dla t t0
zachodzi
(1)
E|Xt
Z t
(0)
Xt |2
=E
Z t
()dWr
b()dr +
2
= E(b()t + ()Wt )2
2 (1 + E 2 )(t + t2 ) C,
2t2 Eb()2 + 2E()2 EWt2 ) 2L
2 (1 + E 2 )(t0 + t2 ). Podobnie szacujemy dla t t0 ,
gdzie C = C(t0 ) = 2L
0
(n+1)
(n)
Xt |2
E|Xt
hZ t
=E
(b(Xr(n) ) b(Xr(n1) ))dr +
hZ t
|b(Xr(n) )
2E
hZ t
L|Xr(n)
2E
0
2
2L (t + 1)E
Z t
0
b(Xr(n1) )|dr
Xr(n1) |dr
|Xr(n)
i2
Z t
i2
hZ t
+ 2E
Z t
+ 2E
0
Xr(n1) |2 dr
((Xr(n) ) (Xr(n1) ))dWr
i2
((Xr(n) ) (Xr(n1) ))dWr
i2
|(Xr(n) ) (Xr(n1) )|2 dr
C1
Z t
0
E|Xr(n) Xr(n1) |2 dr,
gdzie C1 = C1 (t0 ) = 2L2 (t0 + 1). Iterujc to szacowanie dostajemy

(n+1)
E|Xt
(n)
Xt |2
C12
Z t Z r1
0
C1n
C1n C
(n+1)
Pokazalimy zatem, e kXt
Z t Z r1
Z tZ
(n)
E|Xr(n1)
Xr(n2)
|2 dr2 dr1
2
2
0 0
r1
Z rn1
0
Z rn1
0
E|Xr(1)
Xr(0)
|2 drn . . . dr1
n
n
drn . . . dr1 = CC1n
tn
.
n!
Xt k2L2 CC1n tn! dla t t0 . Poniewa szereg
(n)
n tn 1/2
n (CC1 n! )
jest zbieny, wic (Xt )n0 jest cigiem Cauchyego w L2 , czyli jest zbieny. Z uwagi na jednostajno szacowa wykazalimy istnienie Xt takiego, e
(n)
Xt
Xt w L2 jednostajnie na przedziaach ograniczonych.
77
Std te wynika, e t 7 EXt2 jest ograniczona na przedziaach ograniczonych.

(n)
Wykaemy teraz, e Xt z prawdopodobiestwem 1 zbiega do Xt niemal jednostajnie.
Zauwamy, e dla t0 < ,

(n+1)
(n)
P sup|Xt
Xt |
tt0
P sup
Z t
tt0 0
1
2n
|b(Xr(n) ) b(Xr(n1) )|dr
+ P sup |
tt0
Z t
0
1
2n+1
((Xr(n) ) (Xr(n1) ))dWr |
1
2n+1
=: I1 + I2 .
Mamy
Z t0
I1 P
Z t0
4n+1 E
4n+1 L2 t0
0
t0
2n+1
Z t0
4n+1 L2 E
1
|Xr(n) Xr(n1) |dr
CC1n1
2
2
4n+1 L2 t0 E
Z t0
0
|Xr(n) Xr(n1) |2 dr
rn1
1
dr = 4n+1 L2 CC1n1 tn+1
.
0
(n 1)!
n!
Z nierwnoi Dooba dla martyngau ((X (n) ) (X (n1) ))dW dostajemy

R
Z t

I2 4n+1 E sup
tt0
((Xr(n) ) (Xr(n1) ))dWr
2
Z t0

n+2
((Xr(n) ) (Xr(n1) ))dWr
4
E
0
Z t0
n+2
=4
((Xr(n) )
4n+2 L2 CC1n1 tn0
(Xr(n1) ))2 dr
Z t0
n+2 2
L E
|Xr(n) Xr(n1) |2 dr
1
.
n!
Przyjmujc
An :=
(n+1)
sup |Xt
tt0
(n)
Xt |
1o
2n
dostajemy
X
P(An )
4n+1 (4 + t0 )L2 CC1n1 tn0
1
< ,
n!
wic P(lim sup An ) = 0. Zatem dla t0 < , cig procesw X (n) zbiega jednostajnie na [0, t0 ] z
prawdopodobiestwem 1, czyli z prawdopodobiestwem 1 zbiega niemal jednostajnie na [0, ).
Ewentualnie modyfikujc X i X (n) na zbiorze miary zero widzimy, e X jest granic niemal
jednostajn X (n) , czyli X ma trajektorie cige.
(n)
Ze zbienoci Xr do Xr w L2 , jednostajnej na [0, t] oraz lipschitzowskoci b i atwo
R
R
R
R
(n)
(n)
wynika zbieno w L2 , 0t b(Xr )dr i 0t (Xr )dr do odpowiednio 0t b(Xr )dr i 0t (Xr )dWr ,
zatem moemy przej w (14.2) do granicy by otrzyma dla ustalonego t < T
Z t
Xt := +
0
Z t
b(Xr )dr +
(Xr )dWr
p.n..
Oba procesy X i + b(X)dr + (X)dW s cige, zatem s nierozrnialne.
78
Przykad 14.1. Stosujc wzr It

o atwo sprawdzi, e proces Xt = exp(Wt
rozwizaniem rwnania
dXt = Xt dWt , X0 = .
2
2 t)
jest
Jest to jedyne rozwizanie tego rwnania, gdy b = 0 oraz (x) = x s funkcjami lipschitzowskimi.
Przykad 14.2. Proces
Xt = ebt +
Z t
eb(ts) dWs
jest rozwizaniem rwnania

dXt = bXt dt + dWt ,
X0 = .
Jest to jedyne rozwizanie, gdy funkcje b(x) = bx oraz (x) = s2 s lipschitzowskie. Jeli b < 0
1 2
oraz ma rozkad N (0, 2b
), to proces X jest stacjonarny (proces Ornsteina-Uhlenbecka).
14.2. Rwnania niejednorodne

Czsto wspczynniki rwnania zale nie tylko od x, ale i od czasu.
Definicja 14.3. Zamy, e b, : R2 R s funkcjami cigymi, a zmienn losow Fs -mierzaln.
Mwimy, e proces X = (Xt )t[s,T ) rozwizuje rwnanie stochastyczne
dXt = b(t, Xt )dt + (t, Xt )dWt ,
Xs = ,
(14.3)
jeli
Z t
Z t
(r, Xr )dWr ,
b(r, Xr )dr +
Xt = +
s
t [s, T ).
Dla rwnania niejednorodnego naturalne s nastpujce warunki Lipschitza

|b(t, x) b(t, y)| L|x y|,
|(t, x) (t, y)| L|x y|,
1 + x2 ,
|b(t, x)| L
p
1 + x2 .
|(t, x)| L
Twierdzenie 14.3. Zamy, e funkcje b i speniaj warunki Lipschitza. Wwczas dla dowolnej zmiennej , Fs -mierzalnej takiej, e E 2 < istnieje dokadnie
jedno rozwizanie (14.3). Co wicej rozwizanie to daje si otrzyma metod kolejnych
przyblie jak w przypadku jednorodnym.
Przykad 14.3. Rwnanie

dXt = (t)Xt dWt ,
X0 = .
(14.4)
spenia zaoenia twierdzenia, jeli supt |(t)| < . By znale jego rozwizanie sformuujmy
oglniejszy fakt.
Stwierdzenie 14.1. Zamy, e M jest cigym martyngaem lokalnym, za Z0 zmienn
F0 -mierzaln. Wwczas proces Zt = exp(Mt 21 hM it ) jest martyngaem lokalnym takim, e
R
dZt = Zt dMt , tzn. Zt = Z0 + 0t Zs dMs .
Proces Z bywa nazywany eksponent stochastyczn.
79
14.3. Przypadek wielowymiarowy
Dowd. Z wzoru It
o dla semimartyngau Xt = Mt 21 hM it dostajemy
1
dZt = d(Z0 eXt ) = Z0 eXt dXt + Z0 eXt dhM it = Z0 eXt dMt = Zt dMt .
2
Proces Z jest martyngaem lokalnym na mocy konstrukcji caki stochastycznej.
Wracajc do Przykadu 14.3 zauwaamy, e Mt =
wic rozwizanie rwnania (14.4) ma posta

1
Xt = exp Mt hM it = exp
2
Z t
Rt
0
(s)dWs jest martyngaem lokalnym,
(s)dWs
1
2
Z t
(s)2 ds .
Przykad 14.4. Rozpatrzmy niejednorodne rwnanie liniowe postaci

dYt = b(t)Yt dt + (t)Yt dWt ,
X0 = .
Wspczynniki b(t, y) = b(t)y i (t, y) = (t)y speniaj warunki Lipschitza, jeli supt |b(t)| <
oraz supt |(t)| < . By znale rozwizanie zamy, e jest postaci Xt = g(t)Yt , gdzie
dYt = (t)Yt dWt , Y0 = , posta Y znamy z Przykadu 3. Wwczas, z dwuwymiarowego wzoru
Ito
dXt = g 0 (t)Yt dt + g(t)dYt = g 0 (t)Yt dt + (t)Xt dWt .
Wystarczy wic rozwiza zwyczajne rwnanie rniczkowe
g 0 (t) = b(t)g(t),
g(0) = 1,
by dosta
Xt = Yt g(t) = exp
Z t
0
1
(s)dWs
2
Z t
Z t
b(s)ds .
(s) ds +
0
14.3. Przypadek wielowymiarowy

Zanim sformuujemy odpowiednik wczeniejszych wynikw dla przypadku wielowymiarowego wprowadzimy wygodne ustalenia notacyjne.
Definicja 14.4. Niech W = (W (1) , . . . , W (d) ) bdzie d-wymiarowym procesem Wienera. Dla
X = [X (i,j) ]1im,1jd macierzy m d zoonej z procesw z 2T okrelamy m-wymiarowy
proces
Z
(1)
(m)
Mt = (Mt , . . . , Mt
wzorem
(i)
Mt
d Z t
X
j=1 0
Xs dWs ,
)=
0t<T
Xs(i,j) dWs(j) ,
1 i m.
Przy powyej wprowadzonej notacji moemy zdefiniowa wielowymiarowe rwnania stochastyczne.

Definicja 14.5. Zamy, e b : Rm Rm , : Rm Rmd s funkcjami cigymi, W =
(W (1) , . . . , W (d) ) jest d-wymiarowym procesem Wienera, a = (1 , . . . , m ), m-wymiarowym,
(1)
(m)
Fs -mierzalnym wektorem losowym. Mwimy, e m-wymiarowy proces X = (Xt , . . . , Xt )t[s,T )
rozwizuje jednorodne wielowymiarowe rwnanie stochastyczne
dXt = b(Xt )dt + (Xt )dWt ,
Xs = ,
jeli
Z t
Xt = +
Z t
b(Xr )dr +
s
(Xr )dWr ,
s
t [s, T ).
80
Tak jak w przypadku jednowymiarowym dowodzimy:
Twierdzenie 14.4. Zamy, e = (1 , . . . , m ) jest m-wymiarowym, Fs -mierzalnym

wektorem losowym takim, e Ej2 < dla 1 j m, b : Rm Rm , : Rm Rdm
s funkcjami lipschitzowskimi oraz W jest d-wymiarowym procesem Wienera. Wwczas
rwnanie
dXt = b(Xt )dt + (Xt )dWt , Xs =
(1)
(m)
ma dokadnie jedno rozwizanie X = (Xt , . . . , Xt

(i)
E sup E|Xt |2 <
)ts . Ponadto
dla u < .
stu
14.4. Generator procesu dyfuzji.

W tej czci zakadamy, e b = (bi )im : Rm Rm , = (i,j )im,jd : Rm Rmd s
funkcjami cigymi, za W = (W (1) , . . . , W (d) ) jest d-wymiarowym procesem Wienera.
Definicja 14.6. Generatorem m-wymiarowego procesu dyfuzji speniajcego stochastyczne
rwnanie rniczkowe
dXt = b(Xt )dt + (Xt )dWt
nazywamy operator rniczkowy drugiego rzdu dany wzorem
n
X
d
n X
f
2f
1X
Lf (x) =
bi (x)
i,j (x)
(x) +
(x),
xi
2 i=1 j=1
xi xj
i=1
f C 2 (Rm ).
Definicja ta jest motywowana przez poniszy prosty, ale bardzo wany fakt.
Stwierdzenie 14.2. Zamy, e L jest generatorem procesu dyfuzji speniajcego rwnanie
dXt = b(Xt )dt + (Xt )dWt . Wwczas dla dowolnej funkcji f C 2 (Rm ) takiej, e f (X0 ) jest
R
cakowalne, proces Mtf := f (Xt ) 0t Lf (Xs )ds jest cigym martyngaem lokalnym. Ponadto,
jeli f ma dodatkowo nonik zwarty, to Mtf jest martyngaem.
Dowd. Ze wzoru It
o atwo sprawdzi, e
Mtf = f (X0 ) +
n X
d Z t
X
i=1 j=1 0
i,j (Xt )
f
(j)
(Xt )dWt Mcloc .
xi
2 (Rm ), to funkcje (x) f (x) s cige i maj nonik zwarty w Rm , wic s

Jeli f Czw
i,j
xi
f
ograniczone, zatem procesy i,j (Xt ) x
(Xt ) nale do L2T dla dowolnego T < , wic Mtf jest
i
martyngaem (a nawet martyngaem cakowalnym z kwadratem).
Uwaga 14.3. Zaoenie o zwartym noniku f mona w wielu przykadach istotnie osabi. Zamy, e wspczynniki b i s lipschitzowskie oraz X0 L2 . Wwczas, jak wiemy, Xt jest
cakowalny z kwadratem oraz suptT EXt2 < dla T < . Std nietrudno sprawdzi (uywajc
f
lipschitzowskoci i,j ), e jeli pochodne f s ograniczone, to i,j (Xt ) x
(Xt ) L2T dla T < ,
i
zatem Mtf jest martyngaem.
81
14.5. Zadania
Przykad 14.5. Generatorem d-wymiarowego procesu Wienera jest operator Lf = 12 4f .

Jeli X = (X1 , . . . , Xd ) spenia
(i)
(i)
(i)
dXt = bXt dt + dWt ,
i = 1, . . . , m,
(m-wymiarowy proces Ornsteina-Uhlenbecka), to Lf (x) = bhx, f (x)i + 21 2 4f .

Wykad zakoczymy przykadem pokazujcym zwizek midzy stochastycznymi rwnaniami
rniczkowymi a rwnaniami czstkowymi. Dokadna analiza takich zwizkw jest wan dziedzin czc rozumowania analityczne i probabilistyczne. Nieco wicej na ten temat mona si
bdzie dowiedzie na przedmiocie Procesy Stochastyczne.
Przykad 14.6. Dla x Rm niech Xtx bdzie rozwizaniem rwnania stochastycznego
dXtx = b(Xtx )dt + (Xtx )dWt ,
X0x = x,
za L odpowiadajcym mu generatorem. Zamy, e D jest obszarem ograniczonym oraz f

spenia rwnanie czstkowe
Lf (x) = 0, x D,
f (x) = h(x), x D.
Zamy dodatkowo, e f daje si rozszerzy do funkcji klasy C 2 na pewnym otoczeniu D.

2 (Rm ). Wybierzmy x D i okrelmy
Wwczas f si rozszerza te do funkcji klasy Czw
= inf{t > 0 : Xtx
/ D}.
Wiemy, e proces Mt = f (Xtx )
rwnie Mt , ale
Rt
0
Lf (Xsx )ds jest martyngaem, zatem martyngaem jest
x
Mt = f (Xt
)
Z
0
x
tLf (Xsx )ds = f (Xt
),
w szczegnoci
x
Ef (Xt
) = EMt = EM0 = f (x).
Jeli dodatkowo < p.n. (to zaoenie jest spenione np. dla procesu Wienera), to z twierdzenia Lebesguea o zbienoci zmajoryzowanej
x
f (x) = Ef (Xt
) Ef (Xx ) = Eh(Xx ).
Otrzynalimy wic stochastyczn reprezentacj rozwizania eliptycznego rwnania czstkowego.

Podobne rozumowanie pokazuje, e (przy pewnych dodatkowych zaoeniach) rozwizanie
rwnania
Lf (x) = g(x), x D, f (x) = h(x)x D
ma posta zadan wzorem Feynmana-Kaca
f (x) = Eh(Xx ) = E
Z
0
g(Xsx )ds,
x D.
14.5. Zadania
wiczenie 14.1. Zweryfikuj rachunki dla procesu Ornsteina-Uhlenbecka z Przykadu 14.2.
82
wiczenie 14.2. i) Wyka, e dla x, , b R istnieje dokadnie jeden proces X = (Xt )t0 taki,
e
Z
Z
t
Xs ds.
Xs dWs + b
Xt = x +
Ponadto suptu EXt2 < dla u < .

ii) Oblicz EXt .
iii) Znajd stochastyczne rwnania rniczkowe spenione przez X 2 i eX .
wiczenie 14.3. Wyka, e rozwizanie rwnania dX = eX dW 12 e2X dt eksploduje w
skoczonym czasie. Wskazwka. Rozpatrz proces Y = eX .
wiczenie 14.4. Wyka, e rozwizanie rwnania
dXt = (1 + Xt )(1 + Xt2 )dt + (1 + Xt2 )dWt
eksploduje w skoczonym czasie. Ponadto warto oczekiwana czasu do eksplozji jest skoczona.
wiczenie 14.5. Zamy, e A(t) jest cig funkcj na [0, T ] o wartociach w macierzach
m m, (t) jest cig funkcj na [0, T ] o wartociach w macierzach m d, za a(t) jest cig
funkcj na [0, T ] o wartociach w Rm . Niech S(t) bdzie jedynym rozwizaniem rwnania
dS(t)
= A(t)S(t),
dt
S(0) = I.
Ponadto niech W bdzie d-wymiarowym procesem Wienera, a zmienn losow niezalen od

W . Wyka, e
a)
Z t
(t) := S(t) +
S 1 (s)a(s)ds
jest rozwizaniem rwnania deterministycznego

d(t)
= A(t)(t) + a(t),
dt
b)
Z t
X(t) = S(t) +
S
0
(0) = ,
Z t
(s)a(s)ds+
S 1 (s)(s)dWs
jest jedynym rozwizaniem stochastycznego rwnania rniczkowego

dXt = (A(t)Xt + a(t))dt + (t)dWt ,
X0 = .
15. Twierdzenie Girsanowa

W czasie tego wykadu przyjmujemy jak zwykle, e (, F, P) jest ustalon przestrzeni probabilistyczn. Bdziemy konstruowali inne miary probabilistyczne na przestrzeni (, F) wzgldem ktrych proces Wienera z dryfem ma taki rozkad jak zwyky proces Wienera. Przez EX
bdziemy rozumieli zawsze warto oczekiwan wzgldem P, warto oczekiwan X Rwzgldem
innej miary Q bdziemy oznacza EQ X. Zauwamy, e jeli dQ = ZdP, tzn. Q(A) = A ZdP, to
Z
EQ X =
XdQ =
XZdP = E(XZ).
15.1. Przypadek dyskretny

Zamy, e zmienne Z1 , Z2 , . . . , Zn s niezalene i maj standardowy rozkad normalny
P
P
N (0, 1). Wprowadmy now miar Q na (, F) wzorem dQ = exp( ni=1 i Zi 12 ni=1 2i )dP,
tzn.
Z
n
n
X

1X
Q(A) =
exp
i Zi ()
2i dP() dla A F.
2 i=1
A
i=1
Zauwamy, e
n
X
n
n

Y
1X
1
2
Q() = E exp
i Zi
i =
E exp i Zi 2i = 1,
2 i=1
2
i=1
i=1
wic Q jest miar probabilistyczn na (, F). Ponadto dla dowolnego zbioru B(Rn ),
Q((Z1 , . . . , Zn ) ) = E exp
n
X
i=1
n

1X
2i I{(Z1 ,...,Zn )}
2 i=1
n
n

1X

1X
2
i zi
i exp
zi2 dz1 . . . dzn
exp
2 i=1
2 i=1
i=1
1
=
(2)n/2
1
(2)n/2
i Zi
n
X
exp
n

1X
(zi i )2 dz1 . . . dzn .
2 i=1
Zatem wzgldem miary Q zmienne Zi i s niezalene oraz maj rozkad N (0, 1).
P
Definiujc Sk = Z1 + . . . + Zk widzimy, e wzgldem Q zmienne (Sk ki=1 i )kn s sumami niezalenych standardowych zmiennych normalnych (czyli maj ten sam rozkad co (Sk )k
wzgldem P). Podczas dalszej czci wykadu pokaemy, e mona podobny fakt sformuowa
R
P
w przypadku cigym, gdy Sk zastpimy procesem Wienera, a sumy ki=1 i cak 0t Ys ds.

Zamy, e T < , Rproces Y = (Yt )t<T jest prognozowalny oraz 0T Yt2 < p.n.,
wwczas
R
Y 2T , proces Mt = Y dW jest martyngaem lokalnym na [0, T ) oraz hM i = Y 2 dt. Co
R

84
wicej mona te okreli warto M i Z w punkcie T . Zatem jak wiemy (zob. Stwierdzenie
14.1) proces
Z

Z t
1 t 2
1
Ys dWs
Y ds
Zt := exp Mt hM it = exp
2
2 0 s
0
jest martyngaem lokalnym na [0, T ].
Lemat 15.1. Jeli M jest cigym martyngaem lokalnym na [0, T ], to proces Zt = exp(Mt
1
2 hM it ) jest martyngaem na przedziale skoczonym [0, T ] wtedy i tylko wtedy, gdy EZT = 1.
Dowd. Implikacja jest oczywista, bo EZT = EZ0 = 1. Wystarczy wic udowodni .
Wiemy, e Z jest nieujemnym martyngaem lokalnym, zatem jest nadmartyngaem (Stwierdzenie 9.6). Ustalmy t [0, T ], wwczas Zt E(ZT |Ft ) p.n.. Ponadto 1 = EZ0 EZt EZT ,
czyli, jeli EZT = 1, to EZt = 1 i
E(Zt E(ZT |Ft )) = EZt EZT = 0,
a wic Zt = E(ZT |Ft ) p.n..
Twierdzenie 15.1. Zamy,
e T < ,
proces Y jest prognozowalny oraz 0T Ys2 ds <
Rt
R
t
p.n.. Niech Zt = exp( 0 Ys dWs 21 0 Ys2 ds), wwczas, jeli EZT = 1 (czyli Z jest
martyngaem na [0, T ]), to proces
R
V t = Wt
Z t
Ys ds,
t [0, T ]
jest procesem Wienera na zmodyfikowanej przestrzeni propabilistycznej (, F, QT ),

gdzie dQT = ZT dP, tzn.
Z
QT (A) =
ZT dP,
A F.
Dowd. Zmienna ZT jest nieujemna i EZT = 1, wic QT jest miar probabilistyczn. Zauwamy
te, e jeli P(A) = 0, to QT (A) = 0, czyli zdarzenia, ktre zachodz P prawie na pewno,
zachodz te QT prawie na pewno. Proces V jest cigy, adaptowalny wzgldem Ft oraz V0 = 0.
Wystarczy zatem, na mocy Twierdzenia 13.5 wykaza, e dla R, proces Ut = Ut () :=
exp(Vt 21 2 t) jest martyngaem lokalnym wzgldem QT . Zauwamy, e

1
Ut Zt = exp Vt 2 t exp
2

1
Ys dWs
2
Z t
0
Ys2 ds

1 t
= exp Wt +
Ys dWs
(2Ys + 2 + Ys2 )ds
2 0
0
Z
Z t

1 t
1
= exp
( + Ys )dWs
( + Ys )2 ds = exp Nt hN it ,
2 0
2
0

Z t
Z t
gdzie N = ( + Y )dW Mcloc . Zatem proces U Z jest martyngaem lokalnym wzgldem P,

czyli istniej n % T takie, e U n Z n jest martyngaem. Ustalmy n, wtedy dla dowolnego
ograniczonego momentu zatrzymania ,
R
EQT U0 = E(U0 ZT ) = E(U0 E(ZT |F0 )) = E(U0 Z0 ) = E(Un Zn )

= E(Un E(ZT |Fn ) = E(Un ZT ) = EQT Un ,
zatem z twierdzenia odwrotnego do twierdzenia Dooba wynika, e U n jest martyngaem wzgldem QT , czyli U jest QT -martyngaem lokalnym.
85
W pewnych zastosowaniach wygodnie jest mie miar wzgldem ktrej proces W

jest procesem Wienera na caej pprostej [0, ).
Y ds
Twierdzenie 15.2. Zamy, e Y 2 , za proces Zt i miary QT dla T < s

okrelone jak poprzednio. Wwczas, jeli EZt = 1 dla wszystkich t (czyli Z jest marW)
tyngaem na [0, )), to istnieje dokadnie jedna miara probabilistyczna
Q na (, F
R
W
taka, e Q(A) = QT (A) dla A FT i T < . Proces V = W Y ds jest wzgldem
Q procesem Wienera na [0, ).
Szkic Dowodu.. Na zbiorach postaci A = {(Wt1 , Wt2 , . . . , Wtk ) }, 0 t1 t2 . . . tk

T , B(Rk ) kadziemy Q(A); = QT (A). Otrzymujemy w ten sposb zgodn rodzin miar probabilistycznych, ktra na mocy twierdzenia Komogorowa przedua si w spob jednoznaczny
W.
do miary Q na F
Uwaga 15.1. O ile miara QT jest absolutnie ciga wzgldem P (tzn. QT (A) = 0, jeli P(A) = 0),
to miara Q zadana przez ostatnie twierdzenie taka by nie musi. Istotnie okrelmy Yt 6= 0,
czyli Vt = Wt t. Niech
n
o
1
A := : lim sup Wt () = 0 ,
t
o n
o
n
1
1
B := : lim sup Vt () = 0 = : lim sup Wt () = .
t
t
Wwczas z mocnego prawa wielkich liczb dla proceseu Wienera P(A) = 1 oraz P(B) = 0,
W , mimo, e po
z drugiej strony Q(B) = 1, zatem miary P i Q s wzajemnie singularne na F
odbciciu do FTW dla T < s wzgldem siebie absolutnie cige. Mona pokaza, e albsolutna
cigo Q wzgldem P wie si z jednostajn cakowalnoci martyngau Z.
Naturalne jest pytanie kiedy spenione s zaoenia twierdzenia Girsanowa, czyli kiedy Z
jest martyngaem. Uyteczne jest nastpujce kryterium.
Twierdzenie 15.3 (Kryterium

Nowikowa). Jeli Y jest procesem prognozowalnym
1 RT
speniajcym warunek E exp( 2 0R Ys2 ds) < ,
to spenione s zaoenia twierdzenia
R
Girsanowa, tzn. proces Z = exp( Y dW 12 Y 2 dt) jest martyngaem na [0, T ].
Kryterium Nowikowa jest konsekwencj silniejszego twierdzenia, ktre przedstawimy bez

dowodu.
Twierdzenie 15.4. Zamy, e M jest cigym martyngaem lokalnym takim, e dla

wszystkich t, E exp( 12 hM it ) < . Niech Zt = exp(Mt 12 hM i), wwczas EZt = 1 dla
wszystkich t, czyli Z jest martyngaem.
Twierdzenie Girsanowa mona sformuowa te w przypadku wielowymiarowym.
86
Twierdzenie 15.5. Zamy, e Y = (Y (1) , . . . , Y (d) ) proces d-wymiarowy taki, e

Y (j) 2T oraz T < . Niech W = (W (1) , . . . , W (d) ) bdzie d-wymiarowym procesem
Wienera oraz
Z
d Z
X

1 t
(i)
Zt = exp
Ys(i) dWt
|Ys |2 ds .
2 0
i=1
Wwczas, jeli EZT = 1 (czyli Zt jest martyngaem na [0, T ]), to proces
V t = Wt
Z t
0
(1)
Ys ds = Wt
Z t
0
(d)
Y (1) ds, . . . , Wt
Z t
0
Ys(d) ds
jest procesem Wienera na [0, T ] wzgldem miary probabilistycznej Qt takiej, e dQT =

ZT dP.
Kryterium Nowikowa w przypadku d-wymiarowym ma posta
Twierdzenie 15.6. Jeli

Y jest d-wymiarowym procesem prognozowalnym speniaj1 RT
cym warunek E exp( 2 0 |Ys |2 ds) < , to spenione s zaoenia twierdzenia Girsanowa.
15.3. Zadania
W ), by proces (W + 2t4 )
wiczenie 15.1. Znajd tak miar probabilistyczn Q na (, F1
t
0t1
by procesem Wienera wzgldem Q.
wiczenie 15.2. Niech T < , U bdzie procesem Wienera na (, F, P),

Zt = exp
Z t
0
1
b(s, Us )dUs
2
Z t
b (s, Us )ds ,
Wt := Ut
Z t
b(s, Us )ds.
0
Stosujc twierdzenie Girsanowa wyka, e jeli EZT = 1, to istnieje miara probabilistyczna QT

taka, e na przestrzeni probabilistycznej (, F, QT ), (Wt )0tT jest procesem Wienera oraz
dUt = b(t, Ut )dt + dWt , 0 t T,
U0 = 0.
wiczenie 15.3. Niech oznacza miar Wienera na C([0, 1]) (tzn. rozkad wyznaczony przez
proces Wienera na [0, 1]). Dla h C([0, 1]) okrelamy now miar h wzorem h (A) := (h+A).
Wyka, e
R
a) jeli h(t) = 0t g(s)ds dla 0 t 1 oraz g L2 [0, 1], to miara h jest absolutnie ciga
wzgldem oraz znajd jej gsto,
b*) jeli h nie ma powyszej postaci, to miary i h s wzajemnie singularne.
Literatura
[1] P. Billingsley. Prawdopodobiestwo i miara. PWN, Warszawa, wydanie drugie, 2009.
[2] G.M. Fichtenholz. Rachunek rniczkowy i cakowy, t.3. PWN, Warszawa, wydanie dziesite, 2007.
[3] J. Jakubowski, R. Sztencel. Wstp do teorii prawdopodobiestwa. Script, Warszawa, wydanie drugie,
2001.
[4] I. Karatzas, S.E. Shreve. Brownian motion and stochastic calculus. Springer-Verlag, New York,
wydanie drugie, 1991.
[5] S. ojasiewicz. Wstp do teorii funkcji rzeczywistych. PWN, Warszawa, 1973.
[6] D. Revuz, M. Yor. Continuous martingales and Brownian motion. Springer-Verlag, Berlin, wydanie
trzecie, 1999.
[7] W. Rudin. Analiza rzeczywista i zespolona. PWN, Warszawa, wydanie drugie, 2009.
[8] W. Rudin. Podstawy analizy matematycznej. PWN, Warszawa, wydanie szste, 2009.
[9] A.D. Wentzell. Wykady z teorii procesw stochastycznych. PWN, Warszawa, 1980.


Wyklad Sds

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Wyklad Sds

Uploaded by

Copyright:

Available Formats

Matematyka stosowana

Uniwersytet Warszawski, 2011

Wersja internetowa wykadu:

Niniejsze materiay s dostpne na licencji Creative Commons 3.0 Polska:

Projekt wspfinansowany przez Uni Europejsk w ramach

2. Rozkady procesw stochastycznych . . . . . . . . . . . .

4. Filtracje, momenty zatrzymania

5. Martyngay z czasem cigym

6. Twierdzenia o zbienoci martyngaw

8. Caka izometryczna wzgldem procesu Wienera . . . . . . . . . . . . . . . . . . . . . . . 38

c R.Latala, Uniwersytet Warszawski, 2011.

Martyngay cige, cakowalne z kwadratem . . . . . . . . . . . . . . . . . . . . . . . . . . 40

9. Wasnoci caki izometrycznej. Uoglnienie definicji caki stochastycznej

10.Caka wzgldem cigych martyngaw

11.Wasnoci nawiasu skonego . . . . . . . .

12.Dalsze wasnoci caki stochastycznej . . . . . . . . .

14.Stochastyczne Rwnania Rniczkowe

1. Procesy stochastyczne. Proces Wienera

1.1. Podstawowe definicje

1.2. Proces Wienera (ruch Browna)

Dla 0 s < t zmienna Wt Ws ma rozkad normalny N (0, t s);

Trajektorie W s cige z prawdopodobiestwem 1.

c R.Latala, Uniwersytet Warszawski, 2011.

1. Procesy stochastyczne. Proces Wienera

1.3. Charakteryzacje procesu Wienera

Dowd. : Mamy EXt = E(Xt X0 ) = 0 oraz Var(Xt ) = Var(Xt X0 ) = t na mocy (W0)

Kolejne twierdzenie pokazuje, e (z dokadnoci do drobnych technicznych zaoe oraz

< dla wszystkich t > 0.

Wwczas Xt jest procesem Wienera.

1.3. Charakteryzacje procesu Wienera

Yn,k = Xs+k(ts)/n Xs+(k1)(ts)/n .

wystarczy wic sprawdzi warunek Lindeberga. Dla > 0,

|Yn,k |2 I{maxkn |Yn,k |}

1k1 ,k2 ,k3 ,k4 n

EYn,k1 Yn,k2 Yn,k3 Yn,k4

Z cigoci trajektorii X wynika, e P(maxkn |Yn,k | ) 0 przy n , zatem speniony

1. Procesy stochastyczne. Proces Wienera

Twierdzenie 1.3. Zamy, e proces stochastyczny X = (Xt )t0 spenia warunki

1.4. Uwagi i uzupenienia

wiczenie 1.7. Udowodnij, e nastpujce procesy te s procesami Wienera:

wiczenie 1.8. Niech n = {t0 , t1 , . . . , tkn }, gdzie a = t0

< . . . < tkn = b bdzie

jeli kn k 0 oraz Sn b a p.n., jeli

(2k 2)2n t < (2k 1)2n ,

gm,k ()Sm,k (t).

W1 )t0 jest procesem Wienera na caej pprostej.

M < m< nm 0jn3 k=0,1,2 f

2. Rozkady procesw stochastycznych

2.1. -ciao zbiorw cylindrycznych

c R.Latala, Uniwersytet Warszawski, 2011.

2.2. Warunki zgodnoci. Twierdzenie Komogorowa o istnieniu procesu

2.2. Warunki zgodnoci. Twierdzenie Komogorowa o istnieniu procesu

2. Rozkady procesw stochastycznych

gdzie X1 , . . . , Xn s niezalenymi zmiennymi losowymi Xk N (0, tk tk1 ). Warunki zgodnoci

2.3. Uwagi i uzupenienia

3.1. Procesy stochastycznie rwnowane i nierozrnialne

Wwczas Y jest modyfikacj X, bo P(Xt 6= Yt ) = P(Z = t) = 0. Zauwamy jednak, e wszystkie

c R.Latala, Uniwersytet Warszawski, 2011.

3.2. Twierdzenie o cigej modyfikacji

3.2. Twierdzenie o cigej modyfikacji

Twierdzenie 3.1. Zamy, e X = (Xt )t[a,b] jest procesem takim, e

Zainteresownych dowodem odsyamy np. do [4] lub [9].

dla t [an , an+1 ],

3.3. Uwagi i uzupenienia