Professional Documents
Culture Documents
Wyklad Sds
Wyklad Sds
Wstp do Analizy
Stochastycznej
Rafa Lataa
R.Latala@mimuw.edu.pl
http://www.mimuw.edu.pl/~rlatala
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.
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
. . . . .
. . . . .
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
17
17
19
20
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
22
22
23
26
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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 . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Spis treci
8.3.
8.4.
8.5.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
45
45
48
49
51
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
52
52
52
54
55
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
56
56
58
59
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
(W0)
W ma przyrosty niezalene;
(W1)
(W2)
(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.
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}.
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)
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 , 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
n
X
n
h X
E|Yn,k |2 I{|Yn,k |} E
k=1
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
4
EYn,k
+6
n
X
k=1
n
X
k=1
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
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 1.4. 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
(n)
(n)
(n)
(n)
< t1
(n)
(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
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
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
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
j + k
5M
.
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, ).
11
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
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
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.
Xt 0
oraz
Yt () =
0
1
dla t 6= Z(),
dla t = Z().
lim
st+,sT0
Xs () =
lim
st+,sT0
Ys () = Yt (),
czyli
P(tT Xt = Yt ) P(A) = 1.
15
(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 < .
(n)
e ()
X
t
0
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.
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.
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.
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) < }
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
F := A F :=
[
Ft : tT A { t} Ft .
tT
19
[
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 ()
to otrzymamy odwzorowanie
(s, ) X ()s ()
4.4. Zadania
wiczenie 4.1. Zamy, e T jest przedziaem i okrelmy:
Ft+ :=
\
s>t
Fs ,
Ft :=
[
Fs .
s<t
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+
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+
1
|S n1 |
f (x + ry)d(y)
(odp. =, ),
S n1
S n1
23
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)
= (2(t s))
|x|2
f (Ws + x)e
Rd
Z
2(ts)
r
d1 2(ts)
Z
S d1
dx
f (Ws + y)d(y) dr
2
r
2(ts)
rd1 e
dr
0
r2
p.n..
p.n. (odp. , ).
1
X
N
X
i=k
i=k
(Xi+1 Xi )IAk =
zatem
E[(X X )IAk ] =
N
X
i=k
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
a) p1 0 p P
0nN
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 .
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
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
Twierdzenie 5.1. Zamy, e (Xt , Ft )tT martyngaem lub nieujemnym podmartyngaem, o prawostronnie cigych trajektoriach. Wwczas
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
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
tT
tT0
sup E|Xt |p .
p P sup |Xt | >
= lim
n
tDn
tT
u2
sup Wt u e 2s .
0ts
26
sup Wt u P
0ts
sup Mt eu
2 s
2
0ts
eu+
2 s
2
0ts
Zatem
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
Wt
2t ln ln t
= 1 p.n..
Wt u 2C n ln ln C n <
sup
C n tC n+1
Wt
2t ln ln t
u p.n..
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 ) =
2t ln ln(1/t)
Wt
=
2t ln ln(1/t)
1 p.n..
Wt
2t ln ln t
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
i=1
N
X
i=1
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 :=
,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
29
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| < .
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
= .
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|
.
30
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.
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 ) =
31
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
p p
sup E|Xt |p < .
p 1 t[a,b)
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
Z tX
d
2f
0 j=1
x2j
(Wu )du
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.
.
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
j=1
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
35
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
Rc
a
gdf nie
gdf . By odpowie-
sup
n
X
|f (ti ) f (ti1 )|
36
7. Caka Stieltjesa
1
2 (Wah[a,t] (f )
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.
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
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
|Ma+(k+1)u/n Ma+ku/n |
37
7.4. Zadania
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)
k
X
i I(ti1 ,ti ] ,
i=1
okrelamy
Z t
h(s) dWs :=
I(h) =
0
k
X
i=1
39
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
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).
m
X
(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
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
m
X
2
E[k1
(Wtk Wtk1 )2 ]
k=1
+2
=: I1 + I2 .
j<k
2
E[k1
E((Wtk
Wtk1 ) |Ftk1 )] =
2
Ek1
(tk
tk1 ) = E
Z T
0
Xs2 ds
oraz
I2 = 2
j<k
=2
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 ).
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 =
41
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)
dla m, n .
(n)
E sup(Mt
tT
(m) 2
(n)
(m)
) 4E|MT MT |2 ,
Mt
l>k E sup(Mt
tT
Wwczas
(nk )
P sup |Mt
tT
(nk+1 )
Mt
(nl ) 2
Mt
) 8k .
| 2k 2k .
Ak := {sup |Mt
tT
(nk+1 )
Mt
| 2k },
42
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
LT2 = L2 ([0, T ) , P, P)
Z T
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
8.5. Zadania
wiczenie 8.1. Oblicz Cov(
Rs
0
h1 (t)dWt ,
Rs
0
Z t
h(s)dWs =
0
hI[0,u] (s)dWs
p.n..
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
44
k=0
w L2 () przy n .
wiczenie 8.9. Oblicz
Rt
0
Ws dWs .
k+1
Z T
XdW
0
Z t
0
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
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
Z tu
0
Xs(n) dWs
Z tu
Xs dWs .
0
Z t
Xs dWs
dla 0 t T.
(9.1)
46
m
X
m k1
X
X
= I I{0} (t) +
m1
X
m
X
j=0
k=0
k=0
j=0 k=j+1
= I I{0} (t) +
m1
X
j=0
zatem
I[0, ] (t)X = 0 I{0} (t) +
m1
X
j=0
m1
X
j=0
m1
X
m
X
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
Z t
0
2
Z t
=E
Z t
=E
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
L2 ()
I[0,n ] X dW
Z t
0
I[0, ] X dW,
47
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
=E
E
Z T
0
Std
Z t
L2 ()
Xs dWs
Z t
0
Xs(n) dWs =
Z t
0
L2 ()
Z t
0
I[0, ] Xs dWs ,
X dW )2
Rt
0
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
Z T
=E
2
Z
0
I[0, ] (s)Xs2 ds = E
i
Xs2 ds = 0.
Z
0
Xs2 ds.
48
Z t
0
P t<T
Xs2 ds < = 1.
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).
49
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.
Mtn n =
I[0,n ] I[0, n ] X dW = M tn n .
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 =
Mt n =
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.
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
X dW
t<
2
4E
Xs2 ds.
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
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
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
Rt
0
m1
X
k I(tk ,tk+1 ] ,
k=0
X dM :=
0
m1
X
k=0
53
Xs dMs
2
Z T
=E
Z T
X dM M2,c
T , I(X)0 =
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
k=0
+2
j<k
=E
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
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
54
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.
2
Twierdzenie 10.2. Zamy, e M M2,c
T , X LT (M ) oraz jest momentem
2
2
Z t
0
Z t
Z t
Xs dMs =
0
Xs dMs
dla 0 t T.
Z t
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
Z t
Z t
Xs dMs =
0
Xs dMs
dla 0 t < T.
10.4. Zadania
wiczenie 10.1. Niech M =
Wt1 naley do tej przestrzeni?
t1
(n)
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 .
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 <
.
kn
X
(Mt(n) Mt(n) )
k
k=1
X
k
2
k1
(Mt(n) Mt(n) )2 + 2
k
= VMn ,t + 2
k1
k<j
k1
j1
j1
Niech
Xn (s) :=
kn
X
j=1
j1
j1 j
|Xn M |2 dhM is 0.
57
M dM w M2,c
t , to znaczy Nn (t)
Rt
0
Ms dMs w
M dM w L2 ().
2
2
Ys
VMn ,s VMn ,t
Yt ,
M
Twierdzenie 11.2. Zamy, e M M2,c
T , wwczas dla t < T , V,t hM it w
L1 (), gdy diam() 0.
58
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
j1
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} .
59
11.3. Zadania
(n)
(n)
Stwierdzenie 11.2. Niech n = (t0 , t1 , . . . , tkn ) bdzie cigiem podziaw [0, t] takim, e
(n)
(n)
(n)
k=0
k+1
w L1 ().
b) Jeli M, N M2,c
loc , to dla t < T ,
kX
n 1
k=0
k+1
wedug prawdopodobiestwa.
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
3n1
X Z (k+1)/n
k=n
k/n
Ws4 dWs .
Xn dM
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
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.
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 .
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[0,tj+1 ] XdN
Z tX
0
Z t
0
XZ t
j
Z t
I[0,tj ] XdN
Y XdN.
0
Ys2 dhM is
kY
k2 E
Z T
0
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
Z T
0
2
XY dN
Z t
XYn dN =
0
2
Yn dM
Z t
Y dM.
0
M n =
Z
XdN
n
XI[0,n ] dN n ,
63
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
Z t
Ms dNs +
Mt Nt = M0 N0 +
Ns dMs + hM, N it .
(12.1)
1
1
Ms dMs = (Mt2 M02 ) hM it .
2
2
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
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
Z t
=2
dla M Mcloc , M0 = 0.
Ms dMs + hM it
(12.2)
(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
Z t
Ms dAs .
As dMs +
Mt A t = M0 A 0 +
n
X
n
X
(Mtj/n Mt(j1)/n )
j=1
n
X
(Atk/n At(k1)/n
k=1
j=1
n
X
j=1
n
X
j=1
=: an + bn + cn .
Skadnik bn dy prawie na pewno do
sprawdzi, e procesy elementarne
An =
Rt
0
n
X
At(j1)/n I(t(j1)/n,tj/n]
j=1
|an |
n
X
Rt
0
An dM zbiega w L2 do
(Mtj/n Mt(j1)/n )
n
X
Rt
0
(Atj/n At(j1)/n )2
j=1
n
X
j=1
j=1
1jn
65
Mt At = an + bn + cn
AdM.
M dA +
0
(M A)
A dM
M dA
Z
n
AdM +
M dA
Z t
Bs dAs .
As dBs +
At B t = A0 B 0 +
ZdZ 0 +
Z 0 dZ + hM, M 0 i.
66
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.
t1
(n)
Z t
k=0
k+1
Xs dZs
(n)
wedug prawdopodobiestwa.
(n)
(n)
wiczenie 12.4. Niech n = (t0 , t1 , . . . , tkn ) bdzie cigiem podziaw [0, t] takim, e
(n)
(n)
(n)
k=0
k+1
k+1
wedug prawdopodobiestwa.
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).
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
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 .
1
n
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
(n)
f (Zt ) = f (Z0 ) +
f 0 (Zs(n) )dZs(n) +
Z tn
= f (Z0 ) +
Z tn
1
2
Z t
0
Zt
f 00 (Zs(n) )dhM n is
1
2
Z tn
0
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
(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
st
st
st
f
0
(Zs(n) )dMs
Z t
f 0 (Zs )dMs ,
f 0 (Zs(n) )dAs
Z t
0
f 0 (Zs )dAs
p.n..
69
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 +
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
dla t > s 0, h R.
(13.3)
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
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.
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 ],
2 (ts)
71
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 .
dX ()
t
= |Xt ()(Mtn t n )| e0 n (n + 0 n)
dla || 0 .
h1
= lim E
h0
(Xt ( + h) Xt ())IA
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
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 .
E
Wyka, e X L2T oraz M =
X 2m (s)ds < .
EMT2m
(m(2m 1)) T
m1
Z T
Xs2m ds.
Ys dZs :=
Z t
0
1
Ys dZs + hM, N i.
2
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) )
j+1
Z t
0
Ys dZs
Xs = ,
(14.1)
jeli
Z t
Xt = +
Z t
b(Xr )dr +
(Xr )dWr ,
t [s, T ).
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).
Z t
0
Z t
0 t < T.
75
E(Xt Yt )2 2E
2
Z t
+ 2E
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
Z t
0
E(Xr Yr )2 dr.
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
. . . 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
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
Z tn
Z tn
0
76
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
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
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
i2
i2
C1
Z t
0
(n)
Xt |2
C12
Z t Z r1
0
C1n
C1n C
(n+1)
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
tn
.
n!
(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
77
(n+1)
(n)
P sup|Xt
Xt |
tt0
P sup
Z t
tt0 0
1
2n
+ P sup |
tt0
Z t
0
1
2n+1
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
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 t
I2 4n+1 E sup
tt0
2
Z t0
n+2
((Xr(n) ) (Xr(n1) ))dWr
4
E
0
Z t0
n+2
=4
((Xr(n) )
(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 )
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..
78
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
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).
Xs = ,
(14.3)
jeli
Z t
Z t
(r, Xr )dWr ,
b(r, Xr )dr +
Xt = +
s
t [s, T ).
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.
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
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
1
2
Z t
(s)2 ds .
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
(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.
Xs = ,
jeli
Z t
Xt = +
Z t
b(Xr )dr +
s
(Xr )dWr ,
s
t [s, T ).
80
(m)
)ts . Ponadto
dla u < .
stu
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
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
(i)
(i)
i = 1, . . . , m,
X0x = x,
f (x) = h(x), x D.
Rt
0
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 ).
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 +
S(0) = I.
Z t
(t) := S(t) +
S 1 (s)a(s)ds
Z t
X(t) = S(t) +
S
0
(0) = ,
Z t
(s)a(s)ds+
S 1 (s)(s)dWs
X0 = .
EQ X =
XdQ =
XZdP = E(XZ).
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.
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 ]
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
85
Y ds
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.
86
Z t
0
(1)
Ys ds = Wt
Z t
0
(d)
Y (1) ds, . . . , Wt
Z t
0
Ys(d) ds
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.
Z t
0
1
b(s, Us )dUs
2
Z t
b (s, Us )ds ,
Wt := Ut
Z t
b(s, Us )ds.
0
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.