Professional Documents
Culture Documents
Stochan
Stochan
Aukštuj
˛ u˛ mokyklu˛ bendruj
˛ u˛ vadovėliu˛ leidybos
komisijos rekomenduota (2003–02–21, Nr. A–160)
! !
"
#
(
PRATARMĖ
Iš pradžiu˛ norėjau š˛i vadovėl˛i pavadinti „Stochastinė analizė visiems“ arba „Sto-
chastinė analizė be ašaru“,
˛ turėdamas mintyje, kad j˛i galės skaityti ne tik matematikos
studentai ir doktorantai, bet ir kitu˛ gamtamoksliniu˛ sričiu˛ atstovai – fizikai, chemikai,
biologai. Tačiau, nors ir siekiau kuo platesnio knygos „skaitomumo“ (ar pavyko, teatsa-
kys skaitytojas), galiausiai tokio jos pavadinimo atsisakiau kaip pernelyg pretenzingo.
Dauguma žmoniu˛ turi intuityvia˛ tikimybės samprata,˛ grindžiama˛ ju˛ gyvenimiška
patirtimi. Tačiau tikslūs tikimybiniu˛ savok ˛ u˛ apibrėžimai susij˛e su rimtais sunkumais –
tai rodo ir ilgas kelias, kur˛i nuėjo tikimybiu˛ teorija nuo elementaraus kombinatorinio
„šansu“ ˛ skaičiavimo azartiniuose lošimuose iki griežtos aksiomiškai pagr˛istos teorijos,
turinčios daugyb˛e taikymu˛ i˛vairiose praktinėse ir mokslo srityse. Turbūt kaip jokio-
je kitoje matematikos šakoje, tikimybiu˛ teorijoje ištakas bei pradmenis nuo griežtos ir
tikslios teorijos skiria milžiniškas atstumas. Tai visu˛ pirma susij˛e su tuo, kad tikimy-
biu˛ teorijos „rūmai“ stovi ant gana subtilios ir abstrakčios mato teorijos pamatu. ˛ Antai
matematikui tikimybininkui atsitiktinis dydis – tai „mačioji realioji funkcija, apibrėž-
ta elementariuj ˛ u˛ i˛vykiu˛ erdvėje“, o tikimybiu˛ teorijos taikytojams praktikoje ir gamtos
moksluose – fizikui, chemikui, biologui – tai „dydis, priklausantis nuo atsitiktinumo“.
Matematikui „atsitiktinuma“ ˛ i˛kūnija tikimybinis matas mačiojoje erdvėje (elementariu-
˛
ju˛ i˛vykiu˛ erdvėje su jos poaibiu˛ – i˛vykiu˛ -algebra), kuris kartu su ta mačiaja ˛ erdve
ir sudaro tikimybiu˛ teorijos „pradžiu˛ pradžia“ ˛ – tikimybin˛e erdv˛e. Jos pagrindu api-
brėžiamos visos tikimybiu˛ teorijos savokos, ˛ pavyzdžiui, atsitiktinio dydžio vidurkis ir
7
Pagrindiniai žymenys
) *
+
, 3
2 Π1 2
IN natūraliuj
˛ u˛ skaičiu˛ aibė 1 2
IN
IN +
IN+
IN 0
IR
˛ u˛ skaičiu˛ aibė (
realiuj + )
IR išplėstinė realiuj
˛ u˛ skaičiu˛ tiesė IR +
IR+ neneigiamu˛ realiuj
˛ u˛ skaičiu˛ aibė [0 + )
„su kiekvienu“, „su visais“, „visiems“
: egzistuoja toks , kad
:= „pažymėsime“, „lygu pagal apibrėžima“ ˛
tapačiai lygus
= , „išplaukia“
,
„tada ir tik tada“, „būtina ir pakankama“, „ekvivalentu“
tuščioji aibė
elementas priklauso aibei
elementas nepriklauso aibei
aibės papildinys; i˛vykis, priešingas i˛vykiui
aibiu˛ (˛ivykiu) ˛ ir sajunga
˛
, aibė yra aibės poaibis; iš i˛vykio išplaukia i˛vykis
aibės elementu˛ seka IN
,
=1
˛ sekos ,
aibiu˛ (˛ivykiu) IN, sajunga
˛
,
=1
˛ sekos , IN, sankirta
aibiu˛ (˛ivykiu)
=1
=1
: funkcija (atvaizdis), apibrėžta aibėje , su reikšmėmis aibė-
je
[ ] sveikoji skaičiaus dalis (didžiausias sveikasis skaičius, ne-
viršijantis skaičiaus )
max
min
aibės (˛ivykio) indikatorius: 1l ( ) = 1, kai ;
1l
1l ( ) = 0, kai
( )
˛ u˛ funkciju˛ :
visu˛ tolydžiuj IR aibė ( = IR arba [ ])
10
2 [0 ]
aibė suderintu˛ procesu˛ =
= (E 0 d ) + (3 skyrius)
2 1 2
[0 ] , su kuriais
2
2 [0 ] aibė suderintu˛ procesu˛ =
[0 ] , su kuriais
P 0 2 d +
= 1 (3 skyrius)
= d
-
!
.
((
(
(
%
%
#
/
0.1. Tikimybinė erdvė. Pagrindinė tikimybiu˛ teorijos savoka ˛ yra tikimybinė erdvė – trejetas
(Ω P), sudarytas iš bet kokios elementariu˛ i˛vykiu˛ (baigčiu) ˛ erdvės Ω, i˛vykiu˛ siste-
mos ir tikimybinio mato P. Nors šie objektai sudaro vieninga˛ visuma,˛ pabandysime
juos panagrinėti atskirai.
Elementariu˛ i˛vykiu˛ (arba baigčiu) ˛ erdvė Ω – tai bet kokia netuščia aibė. Jos ele-
mentai interpretuojami kaip kokio nors eksperimento (bandymo, stebėjimo, reiškinio ir
pan.) visos i˛manomos baigtys ir yra vadinami elementariaisiais i˛vykiais, arba tiesiog
baigtimis. Jie dažniausiai žymimi raide (galbūt su kokiu nors indeksu). Panagrinėki-
me kelis pavyzdžius.
1a pavyzdys. Sakykime, mūsu˛ eksperimenta˛ sudaro vieno lošimo kauliuko meti-
mas viena˛ karta.˛ Jei mus domina tik atsivertusiu˛ akučiu˛ skaičius, tai visas i˛manomas
baigtis galime aprašyti aibe Ω = 1 2 3 4 5 6 . Turbūt savaime suprantama, kad eks-
perimento baigt˛i „atsivertė penkios akutės“ simbolizuoja elementarusis i˛vykis = 5.
1b pavyzdys. Atlikime sudėtingesn˛i eksperimenta˛ – meskime kauliuka˛ tris kar-
tus. Š˛i eksperimenta˛ galima aprašyti elementariuj ˛ u˛ i˛vykiu˛ erdve, sudaryta iš natūraliuj˛ u˛
skaičiu˛ nuo 1 iki 6 trejetu˛ ( ) (ju˛ iš viso yra 6 = 216):
3
Ω = ( ): = 1 2 3 4 5 6
= (1 1 1) (1 1 2) (1 1 3) (6 6 5) (6 6 6)
1c pavyzdys. Jei kauliukas metamas iš anksto neapibrėžta˛ skaičiu˛ kartu˛ (pavyz-
džiui, kol tris kartus iš eilės atsivers šešios akutės arba kol nusibos), patogu nagrinėti
abstraktu˛ model˛i, kai kauliukas metamas neribotai. Tokio eksperimento baigt˛i simboli-
zuotu˛ seka = = 1 2 , kurios nariai yra bet kokie narūralieji skaičiai
nuo 1 iki 6. Taigi šiuo atveju elementariuj ˛ u˛ i˛vykiu˛ erdvė – visu˛ tokiu˛ seku˛ aibė:
Ω = = IN: 1 2 3 4 5 6 IN
Turėdami omenyje, kad praktiškai mūsuose temperatūra negali būti žemesnė nei 40
laipsniu˛ ir aukštesnė nei 40 laipsniu,˛ galime šio eksperimento baigčiu˛ erdv˛e aprašyti in-
tervalu Ω = [ 40 40]. Tačiau dažnai yra patogiau nenustatinėti kokiu˛ nors „protingu“ ˛
ribu˛ (gal mes matuojame temperatūra˛ šalčio poliuje ar Saturne) ir tarti, kad Ω = IR.
2b pavyzdys. Matuokime temperatūra˛ kas valanda˛ viena˛ para.˛ Tada eksperimento
rezultatas bus 24 skaičiu˛ (reiškiančiu˛ temperatūras laiko momentais = 1 2 24)
rinkinys, o visas galimas baigtis aprašys visu˛ tokiu˛ skaičiu˛ rinkiniu˛ aibė
Ω = [ 40 40]24
= (
1 2 24 ): [40 40] = 1 24
arba, jei neribosime galimu˛ temperatūros reikšmiu˛ intervalo,
Ω = IR24 = (1 2 24 ): IR = 1 24
2c pavyzdys. Meteorologinėse stotyse prietaisai paprastai matuoja temperatūra˛
nenutrūkstamai, braižydami temperatūros kreiv˛e popieriuje. Tokia˛ kreiv˛e galime lai-
kyti tolydžios funkcijos grafiku, o pačia˛ funkcija˛ – matavimo (eksperimento) baigti-
mi. Tad šiuo atveju elementariu˛ i˛vykiu˛ erdve galime laikyti aib˛e Ω = [0 ] (arba
Ω = [0 + ), kai matuojame neribota˛ laika) ˛ visu˛ realiuj ˛ u˛ tolydžiuj
˛ u˛ funkciju˛ inter-
vale [0 ] (arba [0 + )). Tokios elementariuj ˛ u˛ i˛vykiu˛ erdvės yra tipiškos atsitiktiniu˛
procesu˛ teorijoje, nes kiekvienas jos elementas gali būti interpretuojamas kaip galimas
nenutrūkstamo eksperimento rezultatas. Žinoma, tai nebūtinai yra temperatūros kreivė.
Funkcija gali reikšti ir radijo prietaiso fiksuojama˛ radijo signalo stiprumo arba dažnio
kitima˛ laike, ir akciju˛ kurso svyravima,˛ ir cukraus koncentracijos kraujyje kitima.˛ Kai
kuriems atsitiktiniams procesams aprašyti tenka nagrinėti ir netolydžiu˛ funkciju˛ erdves.
Pavyzdžiui, tirdami telefono skambučiu˛ intensyvumo kitima˛ tarnybinėje stotyje, neišsi-
versime be trūkiu˛ funkciju˛ erdvės, nes telefono skambučiu˛ skaičius kinta ne tolydžiai, o
vienetiniais šuoliukais.
I˛vykiai. Antrasis tikimybinės erdvės objektas – tai tam tikra elementariuj ˛ u˛ i˛vy-
kiu˛ erdvės Ω poaibiu˛ sistema. Aibės vadinamos i˛vykiais. Eksperimento metu
stebėtojui dažnai rūpi ne konkreti jo baigtis , o tos baigties priklausymas (arba ne-
priklausymas) kokiai nors aibei Ω. Jei eksperimento metu paaiškėja, kad baigtis
, tai sakoma, kad i˛vyko i˛vykis , priešingu atveju – kad i˛vykis ne˛ivyko (arba
kad i˛vyko i˛vykiui priešingas i˛vykis = Ω , nes tada ).
Pavyzdžiui, metant lošimo kauliuka˛ (1a pavyzdys), mums gali nerūpėti konkretus
atsivertusiu˛ akučiu˛ skaičius, o tik ar „atsivertusiu˛ akučiu˛ skaičius yra didesnis už tris“.
Š˛i žodžiais nusakyta˛ i˛vyk˛i atitinka elementariuj
˛ u˛ i˛vykiu˛ erdvės Ω = 1 2 3 4 5 6
poaibis – i˛vykis = 4 5 6 . Matuojant temperatūra˛ visa˛ para˛ (kas valanda˛ arba
vyzdys).
Natūralu būtu˛ pabandyti i˛vykiais vadinti visus elementariuj ˛ u˛ i˛vykiu˛ erdvės Ω po-
aibius. Deja, tai pasiteisina tik tuo atveju, kai Ω yra baigtinė arba skaičioji aibė,
t.y. kai elementariuosius i˛vykius galima sunumeruoti natūraliaisiais skaičiais Ω =
1 2 . Kai Ω nėra skaiti (pavyzdžiui, [0 ]), toks požiūris beveik visada pa-
smerktas nesėkmei dėl grynai techniniu˛ priežasčiu˛ – bandant vėliau korektiškai apibrėž-
ti visu˛ poaibiu˛ (t.y. i˛vykiu)
˛ tikimybes, paaiškėja, kad to padaryti ne˛imanoma (išskyrus
gal trivialius ir ne˛idomius atvejus). Todėl dažniausiai tenka išskirti „gerus“ erdvės Ω
poaibius, kuriuos prasminga pavadinti i˛vykiais. Paprastai i˛vykiais vadinami kokie nors
santykiškai paprasti erdvės Ω poaibiai ir visi poaibiai, kuriuos galima gauti iš papras-
tuj
˛ u,
˛ naudojant aibiu˛ skirtumo, sajungos
˛ (skaičiosios) bei sankirtos veiksmus. Pavyz-
džiui, kai Ω = IR (2a pavyzdys), paprastais i˛vykiais galima laikyti intervalus. Kai Ω
yra funkciju˛ aibė, tarkime, [0 ], tai paprastuj
˛ u˛ i˛vykiu˛ vaidmuo tenka vadinamosioms
cilindrinėms aibėms pavidalo
=
[0 ]: ( ) = 1 2
su bet kokiais IN,
+ , = 1 2 , 0 1 2
.
Taigi aiškėja, kodėl visada elementariuj˛ u˛ i˛vykiu˛ erdvės Ω poaibiu˛ (˛ivykiu)
˛ sistema
laikoma -algebra, t.y. poaibiu˛ sistema, tenkinančia šias salygas:˛
1) Ω ;
2) = ;
3) , IN = IN
.
Iš šiu˛ triju˛ -algebros savybiu˛ išplaukia jos uždarumas ir kitu˛ aibiu˛ veiksmu˛ atžvil-
giu:
4) 0 ;
5)
= ;
6)
, IN = IN
.
Tikimybė. Trečiasis tikimybinės erdvės objektas P – tikimybė (arba tikimybinis
matas) -algebroje . Tai funkcija P: [0 1], tenkinanti aksiomas:
1) P(Ω) = 1;
2) jei
, IN, – poromis nesikertančiu˛ i˛vykiu˛ seka, tai
P = P( )
IN IN
P() = 0, atitinkamai sakoma, kad i˛vykis yra būtinas arba negalimas. Tad pirmoji
tikimybės aksioma išreiškia reikalavima,˛ kad „kas nors būtinai i˛vyks“, t.y. visa elemen-
˛ u˛ i˛vykiu˛ erdvė Ω yra būtinas i˛vykis. Beje, čia reikia paminėti tikimybin˛e savok
tariuj ˛ a˛
„beveik tikrai“, susijusia˛ su būtinais i˛vykiais. Jei koks nors i˛vykis yra būtinas, tai
priimta sakyti, kad jis i˛vyks beveik tikrai (sutrumpintai b.t.), arba su tikimybe 1. Kartais
patogu vartoti bendresn˛i posak˛i beveik tikrai i˛vykyje , reiškiant˛i i˛vykyje , išskyrus
galbūt nulinės tikimybės aib˛e.
Jei Ω = 1 2 – baigtinė arba skaiti aibė, tikimyb˛e pilnai apibrėžia ele-
mentariu˛ i˛vykiu˛ tikimybės " := P( ) = P( ). Iš tikruj ˛ u,
˛ šiuo atveju remiantis
2 tikimybės aksioma, bet kurio i˛vykio Ω tikimyb˛e galima apskaičiuoti sudedant
visu˛ i˛ j˛i i˛einančiu˛ elementariuj
˛ u˛ i˛vykiu˛ tikimybes:
P() = "
:
Bendru atveju situacija kur kas sudėtingesnė. Tikimybės konstruojamos mato teo-
rijos metodais. Iš pradžiu˛ tikimybė apibrėžiama „paprastiems“ i˛vykiams, o po to –
prat˛esiama iki visos i˛vykiu˛ -algebros. I˛ šiuos gana subtilius klausimus šioje knygoje
nesigilinsime, nes tai – atskira tikimybiu˛ teorijos pagrindu˛ (ir pagrindimo) tema. Vi-
sada tarsime, kad „gyvename“ jau apibrėžtoje ar sukonstruotoje tikimybinėje erdvėje
(Ω P), nors dažnai praktikoje tai galėsime ir pamiršti – panašiai, žinodami, kad
esame Saulės sistemos ar Visatos dalis, kasdieninėje veikloje apie tai nedaug galvoja-
me.
0.2. Atsitiktiniai dydžiai. Dažnai pati elementariuj ˛ u˛ i˛vykiu˛ erdvė (teoriškai ir praktiškai)
nėra prieinama tiesioginiam stebėjimui. Informacija apie i˛vykus˛i elementaruj˛ ˛ i i˛vyk˛i
gaunama tam tikros jo skaitinės charakteristikos arba keliu˛ charakteristiku˛ pavidalu.
Tokios skaitinės charakteristikos vadinamos atsitiktiniais dydžiais. Tiksliau tariant,
atsitiktinis dydis (tikimybinėje erdvėje (Ω P)) – tai funkcija : Ω IR (arba
: Ω IR = [
+ ], leidžiant funkcijai i˛gyti ir begalines reikšmes ).
Norint turėti galimyb˛e nagrinėti i˛vykius, susijusius su atsitiktiniu dydžiu , visada rei-
kalaujama, kad būtu˛ matus, t.y. tenkintu˛ matumo salyg ˛ a˛
:= Ω: () IR
( )
Be šios salygos
˛ negalėtume kalbėti apie tokius i˛vykius, kaip „atsitiktinis dydis i˛gijo
reikšm˛e, mažesn˛e nei “ arba „atsitiktinis dydis i˛gijo reikšm˛e iš intervalo [ ]“, nes
atitinkamos elementariuj
˛ u˛ i˛vykiu˛ aibės Ω: () ir Ω: ()
nebūtu˛ i˛vykiai.
Antra vertus, ( ) salyga
˛ leidžia nagrinėti daug sudėtingesnius i˛vykius. Mažiausia
tiesės IR poaibiu˛ -algebra , kuriai priklauso visi intervalai, vadinama tiesės Borelio
-algebra, o jai priklausančios aibės – tiesės Borelio, arba mačiosiomis, aibėmis. Iš ( )
0. I˛žanga. Pagrindinės tikimybiu˛ teorijos savokos
˛ 15
salygos
˛ išplaukia, kad su visomis (mačiosiomis) aibėmis
aibė :=
Ω: () , t.y. fraz˛e „atsitiktinis dydis i˛gijo reikšm˛e iš aibės “ visiškai
teisėtai galima vadinti i˛vykiu.
Pastaba. Tenenusimena skaitytojas, kuriam sukelia nevilt˛i tokios savokos, ˛ kaip
antai -algebra, Borelio aibės, mačioji funkcija. Praktiškai bet kokie „sveiku protu“ i˛si-
vaizduojami tiesės poaibiai yra mačiosios aibės, elementariuj ˛ u˛ i˛vykiu˛ erdvės Ω poaibiai
yra matūs, taigi – i˛vykiai. Galiausiai, bet kokia „sveiku protu“ i˛sivaizduojama realio-
ji funkcija elementariuj ˛ u˛ i˛vykiu˛ erdvėje (su pakankamai turtinga i˛vykiu˛ -algebra) yra
mati, taigi – atsitiktinis dydis. Dar daugiau – daugeliu atveju˛ intuityviai atsitiktinius
dydžius pakanka suvokti kaip dydžius, kurie priklauso nuo atsitiktinumo.1 Ju˛ ti-
kimybinės savybės ir charakteristikos gana gerai nusakomos toliau apibrėžiamomis ir
daug lengviau intuityviai suprantamomis savokomis ˛ – pasiskirstymo funkcija, vidurkis,
dispersija ir t.t. Dėl šiu˛ priežasčiu˛ siekiant platesnio skaitytoju˛ rato subtilesni klausi-
mai, susij˛e su matumu, šioje knygoje dažnai samoningai˛ apeinami arba nutylimi. Tais
atvejais, kai kalbant apie aibes ir funkcijas nepavyksta išvengti terminu˛ mačioji ar Bore-
lio, skaitytojas, nerizikuodamas būti apgautas, gali juos pakeisti žodžiu gera. Žinoma,
tai neturima omeny matematiku,˛ kuriems visiškas tikslumas ir griežtumas yra „duona
kasdieninė“.
2) # (+ ) := lim + # ( ) = 1;
funkcijos. Kita vertus, teoriniu požiūriu net nežinomos tikimybinės erdvės panaudoji-
mas teikia tam tikru˛ pranašumu,˛ ypač, kai vienu metu tenka nagrinėti daugiau nei viena˛
atsitiktin˛i dyd˛i, pavyzdžiui, nagrinėjant ju˛ konvergavimo klausimus. Tada i˛ skirtingu˛
atsitiktiniu˛ dydžiu˛ skirstinius arba pasiskirstymo funkcijas galima žiūrėti kaip i˛ vienos
tikimybės P „pasireiškimo“ būdus.
Sakoma, kad du atsitiktiniai dydžiai ir yra vienodai pasiskirst˛e, jei P = P ,
t.y. jei P = P
su visomis geromis (mačiosiomis) aibėmis IR.
Tokiu atveju rašysime = = . Šiai lygybei pakanka pasiskirstymo funkciju˛ sutapimo:
= = , jei # ( ) = # ( ) su visais IR.
Svarbi atsitiktinio dydžio charakteristika – jo vidurkis E = E( ) – gali būti
apibrėžtas skirtingais būdais ir skirtingu bendrumu priklausomai nuo skaitytojo mate-
matinio pasiruošimo. Turintiems mato teorijos žiniu˛ pagrindus tai – integralas erdvėje
Ω pagal tikimybin˛i mata˛ P:
E = dP = () P()
Ω Ω
Žinantiems Styltjeso integrala˛ atsitiktinio dydžio vidurk˛i galima apibrėžti kaip integrala˛
jo pasiskirstymo funkcijos atžvilgiu:
+
E = d# ( )
E = ( ) d# ( )
3
Kita vertus, vidurkio tiesiškuma˛ būtu˛ gana sunku i˛rodyti naudojant pasiskirstymo funkcijas – tai dar
vienas argumentas, kodėl tikimybinius objektus patogu nagrinėti vienoje tikimybinėje erdvėje.
0. I˛žanga. Pagrindinės tikimybiu˛ teorijos savokos
˛ 17
arba
+
+
D = ( E )2
d# ( ) = 2 d# ( ) (E) 2
0.4. Atsitiktiniu˛ dydžiu˛ tipai. Taikymams ypač svarbūs dvieju˛ tipu˛ – diskretieji ir tolydieji
atsitiktiniai dydžiai.
Diskretieji atsitiktiniai dydžiai. Atsitiktinis dydis vadinamas diskrečiuoju,
jei jo reikšmiu˛ aibė yra baigtinė arba skaiti. Tokio atsitiktinio dydžio pasiskirsty-
mo funkcija˛ visiškai nusako visu˛ jo reikšmiu˛ i˛gijimo tikimybės " = P = ,
= 1 2 ( " = 1). Ji kinta šuoliukais atsitiktinio dydžio reikšmiu˛ aibės taš-
kuose: # ( ) = : " . Diskrečiojo atsitiktinio dydžio vidurk˛i ir dispersija˛ galima
apskaičiuoti (arba apibrėžti) naudojantis formulėmis:
E = " D = ( E) " = " (E)
2
2
2
Pavyzdžiai:
1) Tolygusis diskretusis atsitiktinis dydis , i˛gyjantis reikšmes 1 2 su vie-
nodomis tikimybėmis, t.y. P = = 1 , = 1 2 .
2) Binominis atsitiktinis dydis : P = = " (1 ")
, = 0 1
(
IN, " (0 1)). Tokiu atveju rašoma ( " ).
3) Puasono atsitiktinis dydis : P =
=e
,
IN+ (& ! 0). Tokiu
!
atveju rašoma ' (&). Puasono atsitiktinis dydis tam tikra prasme yra ribinis bino-
miniams atsitiktiniams dydžiams: ( " ) ' (&), kai " &,
. Pastaraj˛
˛i
˛ i suprantame taip: jei ( " ),
saryš˛ IN, ir ' (&), tai su visais IN+
turėsime P =
P = , kai " &, .
Tolydieji atsitiktiniai dydžiai. Atsitiktinis dydis vadinamas tolydžiuoju,4 jei jo
pasiskirstymo funkcija gali būti išreikšta integralu # ( ) =
" ( ) d , IR.
Tokiu atveju funkcija " vadinama atsitiktinio dydžio tankiu. Atsitiktinis dydis yra
tolydus, jei, pavyzdžiui, jo pasiskirstymo funkcija # = # yra tolydi ir turi tolydžia˛
išvestin˛e visur, išskyrus galbūt baigtin˛i skaičiu˛ tašku.˛ Tokiu atveju jo tankis " = #
(taškuose, kuriuose # neegzistuoja, " apibrėžiamas laisvai). Tolydžiojo atsitiktinio
dydžio su tankiu " patekimo i˛ aib˛e tikimybes, vidurk˛i ir dispersija˛ galima išreikšti
4
Dažnai – absoliučiai tolydžiu.
18 0. I˛žanga. Pagrindinės tikimybiu˛ teorijos savokos
˛
formulėmis:
P = " ( ) d
E = " ( ) d
D = ( E) "() d =
2
2 " ( ) d (E)
2
Pavyzdžiai:
1) Tolygusis (tolygiai pasiskirst˛es) atsitiktinis dydis intervale [ ], kurio tankis
lygus
1
[ ],
" ( ) =
0
[ ].
2) Normalusis (normaliai pasiskirst˛es) arba Gauso atsitiktinis dydis , kurio tankis
lygus
" ( ) = 12( e
( )2
2 2 IR ( IR 2
! 0)
Jei # 2
2 , tai atsitiktiniu˛ dydžiu˛ ir bendrasis tankis egzistuoja ir lygus
" ( ) = ( )
.
0. I˛žanga. Pagrindinės tikimybiu˛ teorijos savokos
˛ 19
Jei žinomas atsitiktiniu˛ dydžiu˛ ir bendrasis tankis " = " ( ), IR, tai,
apibendrinant minėta˛ savyb˛e, atsitiktinio dydžio + = ( ) vidurk˛i galima apskai-
čiuoti ir nežinant jo pasiskirstymo funkcijos ar tankio:
+ +
+
P( ) :=
P( )
P( )
Taikymuose iš nagrinėjamo uždavinio konteksto dažnai būna žinomos būtent salyginės
˛
tikimybės. Paprasčiausiu atveju tai leidžia paskaičiuoti (besalygin˛
˛ e) tikimyb˛e
P( ) = P( )P( )
Sudėtingesniais atvejais gali būti naudingos šios formulės: daugybos teorema
P(1 )
2
ir pilnosios tikimybės formulė
P() = P( )P( );
čia – baigtinė arba skaiti sistema i˛vykiu˛ (šioje formulėje interpretuojamu˛ kaip
hipotezės), kurie kas du nesutaikomi ( = , kai = ,) ir = Ω (t.y.
viena iš galimu˛ hipoteziu˛ būtinai i˛vyksta).
Ypač svarbios yra salyginės
˛ tikimybės atsitiktiniu˛ dydžiu˛ atžvilgiu, kai salygos
˛ yra
i˛vykiai, kad koks nors atsitiktinis dydis i˛gijo viena˛ ar kita˛ reikšm˛e. Pavyzdžiui, jei
20 0. I˛žanga. Pagrindinės tikimybiu˛ teorijos savokos
˛
– diskretusis atsitiktinis dydis, galintis i˛gyti reikšmes atitinkamai iš aibės (t.y.
P = ! 0,
, ir P = = 1), tai galime skaičiuoti salygines
˛ tikimybes
P =
P = =
P =
=
žiama˛ lygybe
P = =
P
P =
E( = ) =
d# ( = )
ir t.t.
Sudėtingiau apibrėžti salygines
˛ tikimybes tolydžiuj ˛ u˛ atsitiktiniu˛ dydžiu˛ atžvilgiu,
nes tada tikimybės, kad atsitiktinis dydis i˛gis kokia˛ nors konkrečia˛ reikšm˛e, yra lygios
nuliui. Tarkime, kad atsitiktiniai dydžiai ir turi bendraj˛
IR, ir " ( ) = IR " ( ) d ! 0, IR. Pažymėkime
˛ i tank˛i " = " ( ),
" ( ) = " ( ) :=
" ( )
" ( )
IR
Ši funkcija vadinama atsitiktinio dydžio salyginiu
˛ tankiu atsitiktinio dydžio atžvil-
giu. Juo remiantis apibrėžiamos kitos salyginės
˛ atsitiktinio dydžio atžvilgiu charak-
teristikos. Pavyzdžiui, atsitiktinio dydžio salyginė
˛ pasiskirstymo funkcija atsitiktinio
dydžio atžvilgiu apibrėžiama formule
# ( = ) = # ( ) :=
" () ) d) IR;
salyginė
˛ tikimybė, kad atsitiktinis dydis i˛gis reikšm˛e iš intervalo [ ] su salyga
˛
= , yra lygi P
[ ] = = # ( = ) # ( = ); atsitiktinio dydžio
0. I˛žanga. Pagrindinės tikimybiu˛ teorijos savokos
˛ 21
salyginiu
˛ vidurkiu atsitiktinio dydžio atžvilgiu vadinama funkcija
+
+
E( = ) =
d# ( ) =
" ( ) d IR
0.6. Salyginiai
˛ vidurkiai kaip atsitiktiniai dydžiai. Toliau tar˛e, kad atsitiktiniai dydžiai
ir turi bendraj˛
˛ i tank˛i, pažymėkime -( ) = E( = ),
IR, ka˛ tik apibrėžta˛
realaus kintamojo funkcija.˛ Atsitiktinis dydis -( ) taip pat vadinamas atsitiktinio
dydžio salyginiu
˛ vidurkiu atsitiktinio dydžio atžvilgiu ir žymimas E( ). Tada
˛ funkcija : IR
su bet kokia aprėžta (mačiaja)
IR teisinga lygybė
+ +
E ( ) = ( )" ( ) d d
+ +
=
( )" ( )" ( ) d d
+ +
= ( )
" ( ) d " ( ) d
=
+
( )E( = )" ( ) d = E ( )E( )
Gautaj
˛ a˛ lygyb˛e galima naudoti kaip salyginio
˛ vidurkio apibrėžima˛ bet kokio atsitiktinio
dydžio atveju – atsitiktinio dydžio salyginiu
˛ vidurkiu atsitiktinio dydžio atžvilgiu
vadinsime atsitiktin˛i dyd˛i -( ), žymima˛ E( ) ir tenkinant˛i lygyb˛e
E ( )-( ) = E ( )
su visomis aprėžtomis (mačiosiomis) funkcijomis : IR IR. Beje, paėm˛e šioje lygy-
bėje = 1, gauname svarbia˛ išvada˛ – iteracijos taisykl˛e:
E E( ) = E( )
M Salyginio
˛ vidurkio atsitiktinio dydžio atžvilgiu savok
˛ a˛ galima toliau gana reikšmingai
apibendrinti. Tarkime, kad tikimybinėje erdvėje (Ω P) turime -algebra˛ .
Atsitiktinio dydžio salyginiu
˛
vidurkiu -algebros atžvilgiu vadinamas -matusis
atsitiktinis dydis, žymimas E( ) ir tenkinantis salyg
˛ a˛
E + E( ) = E(+ )
su visais aprėžtais -mačiaisiais atsitiktiniais dydžiais + . Salyginis
˛ vidurkis E( )
egzistuoja, jei egzistuoja baigtinis E( ). Jei = (atsitiktinio dydžio generuota
22 0. I˛žanga. Pagrindinės tikimybiu˛ teorijos savokos
˛
-algebra), tai E( ) = E( ). Pagrindinė salyginio
˛ vidurkio -algebros atžvilgiu
savybė: jei 0
– -algebros ir E + , tai E(E( ) 0 ) = E( 0 ).
Beje, pateikta˛ apibrėžima˛ pagrindžia ir toks pastebėjimas: jei -algebra yra generuota
baigtinės arba skaičiosios nesutaikomu˛ i˛vykiu˛ sistemos . ir, be to, P(. ) ! 0 su
visais , tai
E( )() = E( . ) kai .;
Apibendrinimas: nepriklausomu˛ atsitiktiniu˛ dydžiu˛ sistemos. Sakoma, kad i˛vy-
kiai , , yra nepriklausomi, jei P = P( ) su bet kokiu baigtiniu
a) beveik tikrai (arba su tikimybe 1), jei
P lim = = P
Ω: lim () = ()
=1
0. I˛žanga. Pagrindinės tikimybiu˛ teorijos savokos
˛ 23
(rašysime
b.t. arba lim = b.t.);
b) pagal tikimyb˛e, jei su visais
! 0
!
0
P
(rašysime
P
arba P- lim = );
E( ) 0 2
mis)
E ()
E ( )
(žymėsime
); tam būtina ir pakankama, kad
# ( ) # ( )
Čia reikia atkreipti dėmes˛i i˛ tai, kad šiuo – pastovios (neatsitiktinės) ribos atveju
konvergavimas pagal tikimyb˛e turi prasm˛e ir sekoms atsitiktiniu˛ dydžiu,˛ apibrėžtu˛ skir-
tingose tikimybinėse erdvėse. Kita vertus, bendruoju atveju iš silpnojo konvergavimo
galima gauti konvergavima˛ pagal tikimyb˛e, tam tikru būdu „˛idėjus“ silpnai konverguo-
jančia˛ atsitiktiniu˛ dydžiu˛ seka˛ i˛ viena˛ tikimybin˛e erdv˛e.5 Tiksliau tariant, iš d) išplaukia
b ) egzistuoja tikimybinė erdvė (Ω P) ir joje tokie atsitiktiniai dydžiai ir ,
IN, kad = = , =
= , IN, ir P
.
Ateityje dažnai naudosimės šiomis veiksmu˛ su atsitiktiniu˛ dydžiu˛ seku˛ ribomis sa-
vybėmis:
pačia prasme.
5
Šis faktas dažnai naudojamas i˛rodymuose, nes dirbti vienoje tikimybinėje erdvėje dažnai būna lengviau
nei skirtingose.
24 0. I˛žanga. Pagrindinės tikimybiu˛ teorijos savokos
˛
Savokas,
˛ susijusias su atsitiktiniu˛ dydžiu˛ seku˛ konvergavimu kvadratinio vidurkio
prasme, patogu nagrinėti vadinamosios 2 normos terminais. Atsitiktinio dydžio 2
norma vadinamas skaičius = 2 := E( 2 ) (su salyga, ˛ kad jis yra baigtinis).
Tada konvergavima˛ 2 prasme galima apibrėžti taip: 0.
2
Atsitiktiniu˛ dydžiu˛ norma turi šias gerai iš funkcinės analizės žinomas savybes:
1) $ = $ , $ IR;
2)
2) + + ;
.
0.9. Koši6 kriterijus. Kai norima patikrinti, ar atsitikiniu˛ dydžiu˛ seka konverguoja (turi
riba)
˛ kokia nors prasme, dažnai naudojamas atitinkamas Koši kriterijus. Negriežtai kal-
bant, Koši kriterijus teigia, kad jei
0 kokia nors prasme, kai , ,
tai seka turi riba˛ ta pačia prasme. Koši kriterijus yra teisingas a), b) ir c) atvejais.
Suformuluokime griežtai konvergavimo 2 prasme kriteriju.˛ Atsitiktiniu˛ dydžiu˛ seka
vadinama fundamentaliaja ˛ (arba Koši) seka 2 prasme, jei
! 0 IN: = E( )
kai , !
2
mentali prasme atsitiktiniu˛ dydžiu˛ seka turi riba˛ prasme, t.y. jai atsiras toks
2 2
kiekvieno jos posekio galima išrinkti kita˛ jo posek˛i, konverguojant˛i beveik visur.
0.10. Atsitiktiniu˛ dydžiu˛ eilutės. Kiekviena˛ atsitiktiniu˛ dydžiu˛ konvergavimo tipa˛ (išskyrus
silpnaj˛
˛ i konvergavima)
˛ atitinka atsitiktiniu˛ dydžiu˛ eilučiu˛ konvergavimo tipas. Sakoma,
kad atsitiktiniu˛ dydžiu˛ eilutė =1 konverguoja beveik tikrai (pagal tikimyb˛e, kvad-
ratinio vidurkio prasme), jei jos daliniu˛ sumu˛ seka 1 := =1 , IN, konverguoja
beveik tikrai (pagal tikimyb˛e, kvadratinio vidurkio prasme) i˛ kok˛i nors atsitiktin˛i dyd˛i
. Tada rašoma, kad = =1 beveik tikrai (pagal tikimyb˛e, kvadratinio vidurkio
prasme). Atsitiktiniu˛ dydžiu˛ eilutė =1 konverguoja kvadratinio vidurkio prasme,
/ , IN. Žinoma, čia turima mintyje, kad visos funkcijos yra apibrėžtos (ir
mačios) aibėje su matu, kurio atžvilgiu ir yra imami integralai; funkcija / yra vadinama
mažoruojančia sekai , iš čia – ir teoremos pavadinimas. Suformuluosime ja˛ kiek
griežčiau dviem svarbiausiais mums atvejais:
Jei atsitiktiniu˛ dydžiu˛ seka konverguoja (beveik tikrai) i˛ atsitiktin˛i dyd˛i ir
egzistuoja toks atsitiktinis dydis su baigtiniu vidurkiu E , kad su visais
IN, tai E E .
Jei integruojamu˛ intervale [ ] funkciju˛ seka konverguoja (beveik visur) ta-
( ) / ( ), [ ], su visais IN, tai ( ) d
me intervale i˛ funkcija˛ ir egzistuoja tokia integruojama intervale [ ] funkcija / , kad
( ) d , .
0.12. Fubinio8 teorema. Skaičiuojant keliu˛ kintamuj ˛ u˛ funkciju˛ (dvilypius arba daugialypius)
integralus dažnai taikoma Fubinio teorema, kuri leidžia juos išreikšti vieno kintamojo
funkciju˛ (kartotiniais) integralais. Pavyzdžiui, dvieju˛ kintamuj ˛ u˛ funkcijos integralas
stačiakampyje gali būti apskaičiuotas, pasinaudojus lygybe
( ) d d = ( ) d d = ( ) d d
kintamuj˛ u˛ funkcija;
2) 0 (šiuo atveju visi integralai lygybėje gali būti ir lygūs + );
3) ( ( ) d ) d + arba ( ( ) d ) d + .
Praktiškai Fubinio teoremoje svarbi ne tik pirmoji lygybė, bet ir antroji, leidžian-
ti sukeisti integravimo tvarka,˛ nes dažnai pasitaiko, kad kuria nors viena tvarka dvieju˛
kintamuj ˛ u˛ funkcijos kartotinis integralas apskaičiuojamas daug lengviau nei kita tvar-
ka. Be to, Fubinio teorema teisinga kur kas bendresnėje situacijoje – realiuj ˛ u˛ skaičiu˛
tiesės intervalus galima pakeisti bet kokiomis aibėmis, kuriose (tiksliau, ju˛ poaibiu˛ -
algebrose) apibrėžti matai. Šioje knygoje ypač dažnai susidursime su atveju, kai vienas
iš matu˛ yra tikimybinis. Būtent, jei ( ) = ( ), [ ], yra atsitiktiniu˛ dydžiu˛
šeima, tai bendroji Fubinio teorema garantuoja lygyb˛e
E ( ) d = E ( ) d
jei tik ( ) 0 b.t.,
[ ], arba vienas iš lygiu˛ integralu˛ E ( ) d =
E ( ) d yra baigtinis (ir, žinoma, = ( ), [ ], Ω, kaip dvie-
ju˛ kintamuj ˛ u˛ funkcija, yra gera, t.y. mati).
8
Guido Fubini.
26 0. I˛žanga. Pagrindinės tikimybiu˛ teorijos savokos
˛
0.13. Atsitiktiniai procesai. Apibendrinant atsitiktinio dydžio savok ˛ a,˛ galima nagrinėti at-
vaizdžius (funkcijas), apibrėžtus elementariu˛ i˛vykiu˛ erdvėje Ω ir i˛gyjančius ne realias
reikšmes, o reikšmes iš kokios nors kitokios aibės 2 . Tokie atvaizdžiai vadinami at-
sitiktiniais elementais su reikšmėmis aibėje 2 . Ypatingai svarbus yra atvejis, kai 2
yra kokia nors funkciju,˛ apibrėžtu˛ intervale
IR, erdvė, ir tada atsitiktiniai elemen-
tai vadinami atsitiktinėmis funkcijomis. Dažniausiai 2 = ( ) (tolydžios intervale
funkcijos) arba 2 = 3 ( ) (tolydžios iš dešinės ir turinčios ribas iš kairės funkcijos
intervale ). Kadangi paprastai interpretuojamas kaip laiko intervalas, tai atsitiktinės
funkcijos dar vadinamos atsitiktiniais procesais.
Taigi atsitiktinis procesas (arba atsitiktinė funkcija) – tai atvaizdis , kiekvienam
elementariajam i˛vykiui Ω priskiriantis funkcija˛ () =
() = ( ), ,
vadinama˛ atsitiktinio proceso trajektorija. Fiksuodami , gauname atsitiktin˛i dyd˛i
=
(), Ω. Todėl atsitiktinis procesas dažnai apibrėžiamas ir kaip atsitiktiniu˛
dydžiu˛ šeima
, . Paprastai reikalaujama, kad atsitiktinis procesas = ( )
būtu˛ pakankamai gera (mačioji) funkcija abieju˛ kintamuj
˛ u˛ ( ) atžvilgiu (pavyzdžiui,
tam, kad galėtume sukeisti integravimo tvarka˛ integrale E
d = E
d ; žr.
praeita˛ skyrel˛i). Dažnai patogu pačia˛ elementariuj ˛ u˛ i˛vykiu˛ erdv˛e imti lygia˛ kokiai nors
funkciju˛ erdvei, pavyzdžiui, Ω = ( ). Tada atsitiktinis procesas
() := ( ),
, vadinamas kanoniniu procesu.
0.14. Kolmogorovo9 teorema. Kadangi šioje knygoje nagrinėjami dažniausiai tolydūs pro-
cesai, tai svarbu turėti paprasta˛ procesu˛ tolydumo požym˛i. Viena˛ paprasčiausiu˛ ir gana
universalu˛ požym˛i pateikia Kolmogorovo teorema:
Jei atsitiktiniam procesui =
[0 ] egzistuoja konstantos ! 0,
$ ! 0 ir % ! 0, su kuriomis
E
+1
[0 ]
tai yra tolydus (su tikimybe 1).
Pastaba. Griežtai kalbant, reikėtu˛ patikslinti teoremos teigin˛i. Atsitiktinis procesas vadinamas
M atsitiktinio proceso modifikacija, jei su visais 0 beveik tikrai teisinga lygyb ė = .
Patikslintas teoremos teiginys tvirtina, kad egzistuoja tolydžioji atsitiktinio proceso modifika-
cija. Atsitiktiniu˛ procesu˛ specialistai teigin˛i „procesas yra tolydus“ praktiškai visada supranta
kaip teigin˛i „egzistuoja proceso tolydžioji modifikacija“. Panašiai funkcinėje analizėje teigi-
nys „funkcija 2 [ ] yra tolydi“ faktiškai reiškia, kad egzistuoja funkcija ˜ [ ],
sutampanti su beveik visur (t.y. visuose intervalo [ ] taškuose, išskyrus galbūt nulinio mato
aib˛e).
0 / $
!
" #
9
Andrej Nikolajevič Kolmogorov (Andre Nikolaeviq Kolmogorov).
27
#
(
1(
%
%
( (
%
(
2 %
%
(
3
( !
4"
!
!
$
Brauno judesys suvaidino ryšku˛ vaidmen˛i fizikoje ir matematikoje. Iš pradžiu˛ jis
buvo skirtas mažos dalelės, veikiamos daugybės chaotišku˛ molekuliu˛ smūgiu, ˛ judėjimui
1
skystyje aprašyti . Kadangi dalelės masė yra daug didesnė nei molekulės, tai kiekvieno
atskiro smūgio poveikis yra praktiškai nereikšmingas. Tačiau nuolat vykstančiu˛ susi-
dūrimu˛ skaičius yra nepaprastai didelis (apie 1021 per sekund˛e), todėl per mikroskopa˛
galima stebėti visiškai realu˛ nenutrūkstama˛ chaotiška˛ dalelės judėjima.˛ Dar svarbu yra
tai, kad kiekvienas smūgis yra nepriklausomas nuo kitu. ˛ Remiantis visais šiais faktais,
gaunamas Brauno judesio matematinis modelis. Matematiškai Brauno judesio chao-
tiškumas pasireiškia tuo, kad jo trajektorijos, nors ir būdamos tolydžios, yra niekur
nediferencijuojamos. Būtent dėl šios priežasties iškyla daugelis matematiniu˛ sunkumu˛
ir „egzotišku“˛ reiškiniu˛ nagrinėjant klausimus, susijusius su Brauno judesiu.
Ilgainiui paaiškėjo, kad Brauno judesys – žymiai universalesnis atsitiktinis pro-
cesas. Daugel˛i gyvenimišku˛ reiškiniu˛ lydi daugybė smulkiu˛ nepriklausomu˛ faktoriu˛
(„molekuliu˛ smūgiu“),˛ kuriu˛ kiekvienas atskirai yra galbūt ir visiškai nereikšmingas,
tačiau bendras suminis ju˛ poveikis gali būti gana juntamas. Pavyzdžiui, imkime akciju˛
kurso svyravima.˛ Ne visada i˛sivaizduojame, kokios priežastys ar likimo („molekuliu“) ˛
smūgiai lemia chaotiška˛ jo svyravima˛ – politiniai i˛vykiai ir skandalai, investiciju˛ i˛sta-
tymu˛ kaitaliojimas, stichinės nelaimės, nusikalstamumo lygis, banku˛ bankrotai, samo- ˛
ningai ir nesamoningai
˛ platinami gandai, mėnulio fazės, veikiančios finansu˛ makleriu˛
savijauta,˛ nuotaika˛ ir nusiteikima˛ rizikai ir pan.
Turintys tikimybiu˛ teorijos pagrindus, gerai žino centrin˛e ribin˛e teorema˛ (CRT),
kuri teigia, kad labai bendromis salygomis
˛ mažu˛ nepriklausomu˛ dydžiu˛ suma yra apy-
tikriai pasiskirsčiusi kaip normalusis atsitiktinis dydis. Pasirodo, kad nagrinėdami tokiu˛
dydžiu˛ sumu˛ seka,˛ kaip atsitiktin˛i procesa,˛ apytikriai gauname Brauno judes˛i.
Suformuluokime griežtai viena˛ iš paprastesniu˛ centrinės ribinės teoremos variantu.˛
1.1. Teorema (CRT). Sakykime, 4 – nepriklausomu˛ vienodai pasiskirsčiusiu˛ atsitiktiniu˛
dydžiu˛ seka, E4 = 0, D4 = E42 = 1, 0 = 0, = 41 + 42 + + 4 , IN. Tada
4 (0 1)
( )
1
Pirmasis tok˛i judėjima˛ 1827 metais aprašė anglu˛ botanikas R. Braunas (Robert Brown).
28 1. Brauno judesys
Matome, kad su dideliais sekos nariai , padauginti iš atitinkamo normuojančio dau-
giklio 1
, yra apytikriai pasiskirst˛e kaip normalusis atsitiktinis dydis 4
(0 1).
˛ Atsižvelgiant i˛ ( )
O kaip galėtume apibūdinti visos atsitiktiniu˛ dydžiu˛ sekos elgsena?
savyb˛e, reikšmiu˛ skal˛e natūralu pabandyti „suspausti“ daugikliu 1
, t.y. nagrinėti
seka˛ =
= 0 1 2 . Pasirodo, kad patogu „suspausti“ ir laiko skal˛e
daugikliu 1
tam, kad, pavyzdžiui, sekos reikšmė būtu˛ i˛gyjama laiko momentu 1,
o ne .
Prat˛eskime atsitiktin˛e seka˛ iki atsitiktinio proceso
0 :
:= [
] = [ + 1) IN + = IN 0
Čia [ ] žymi skaičiaus sveikaj˛ a˛ dal˛i. Tipiška proceso trajektorija atrodo taip:
:= (0 )
0
˛ u,˛ su visais ! 0
Iš tikruj
=
[
] [ ]
[ ]
4 (0 )
, kaip atsitiktiniu˛ dydžiu˛ seka, silpnai konverguoja i˛ atsitiktin˛i dyd˛i (0 ). Ta-
čiau tai dar nereiškia, kad seka kokia nors prasme artėja prie kokio nors atsitiktinio
1. Brauno judesys 29
2
1.1.1 pav. trajektorija.
Atkreipkime dėmes˛i i˛ tai, kad proceso 2 trajektorija intervale [0 5] pakartoja
proceso = 1 trajektorija˛ intervale [0 10], tik laiko kryptimi mastelis yra du kartus
mažesnis, o proceso reikšmės 2 kartu˛ sumažintos. Toliau dvigubindami gauname
procesu˛ , = 2 , = 2 3 9, trajektorijas, pavaizduotas 1.1.k paveiksluose,
k = 2 9. Visuose paveiksluose panaudotos tos pačios, iš anksto sugeneruotos
atsitiktiniu˛ dydžiu˛ sekos 4 reikšmės. Todėl ir toliau matome, kad kiekvieno paveikslo
trajektorija˛ kitame paveiksle su atitinkamai pakeistais laiko ir erdvės masteliais atkartoja
naujos trajektorijos dalis. Tačiau kur kas svarbiau yra tai, kad, didinant , laiptuotos
procesu˛ trajektorijos susilieja i˛ gana netaisyklingas, bet tolydžias trajektorijas. Todėl
galime tikėtis ne tik teigiamo atsakymo i˛ suformuluota˛ klausima,˛ bet ir ribinio proceso
trajektoriju˛ tolydumo.
4 8
1.1.2 pav. trajektorija. 1.1.3 pav. trajektorija.
30 1. Brauno judesys
16 32
1.1.4 pav. trajektorija. 1.1.5 pav. trajektorija.
64 128
1.1.6 pav. trajektorija. 1.1.7 pav. trajektorija.
256 512
1.1.8 pav. trajektorija. 1.1.9 pav. trajektorija.
1.2. Teorema. Egzistuoja toks atsitiktinis procesas =
0 , kad
&
&
=1 =1
Šios teoremos ne˛irodinėsime, nors ir sakoma, kad pagrindinis Brauno judesio teo-
rijos rezultatas yra jo egzistavimas. Tačiau pasinaudosime ja, i˛rodydami pagrindines
Brauno judes˛i charakterizuojančias savybes.
1.3. Teorema (Brauno judesio savybės).
1) 0 = 0 ir
(0 ), 0 .
2) Atsitiktiniai dydžiai
1
0 ,
2
1 ,
3
2
1 yra nepriklausomi
su bet kokiais 0 0 1 2
(procesai, turintys šia˛ savyb˛e,
vadinami procesais su nepriklausomais pokyčiais).
3) yra tolydusis procesas, t.y.
, 0, yra tolydžioji funkcija su tikimybe 1.
I˛rodymas. 1) Lygybė (0) = 0 akivaizdi. Remiantis 1.2 teorema,
=
41 + 42 +
=
+ 4[
] [ ]
=
41 + 42 + + 4[
] [ ]
[ ]
[ ]
4 (0 ) ;
[ ] [ ]
1
= 4 = 1 2
=[
1 ]+1
(
+
)
5 dispersija 5 1 , kai 5
0, tai šis santykis negali turėti ribos,
kai 5
0 (normaliuj ˛ u˛ atsitiktiniu˛ dydžiu˛ sekos riba gali būti tik normalusis atsitiktinis
dydis arba konstanta).
M Pakanka i˛rodyti Brauno judesio trajektorijos nediferencijuojamuma˛ bet kokiame baigti-
niame intervale = [0 ]. Jei trajektorija yra diferencijuojama kokiame nors taške
, tai egzistuoja baigtinė riba = lim
. Paėmus bet kok˛i
Dabar paėm˛e tok˛i (atsitiktin˛i) IN, kad 4
ir = [ ] + 1, gauname (žr.
˛ 0
, = + 1 + 2 + 3 , ir todėl
brėžinuka)
4
= + 1 + 2 + 3
Iš čia
( 1) +
( 1)
4 4 8
+ = = + 1 + 2 + 3
Apibrėžkime i˛vykius
:=
( 1) 8
ir panagrinėkime i˛vyk˛i
[
] +3
=
=1 =1 = =1 = +1
Jis i˛vyks tada, kai atsiras toks natūralusis skaičius , kad su visais pakankamai dideliais
IN tam tikram bus teisingos iš diferencijuojamumo prielaidos anksčiau gautos
nelygybės ( 1) 8
, = + 1 + 2 + 3. Todėl apima i˛vyk˛i,
kad Brauno judesio trajektorija yra diferencijuojama kokiame nors taške [0 ]. Tad
teiginys bus i˛rodytas, jei i˛sitikinsime, kad P() = 0. I˛vykis yra skaičioji i˛vykiu˛
IN
[
] +3
:= ,
= =1 = +1
1. Brauno judesys 33
sajunga.
˛ Todėl pakanka i˛sitikinti, kad P( ) = 0 su visais , IN. Kadangi
[
] +3
P( ) P
=1 = +1
0
[
] +3
P
=1 = +1
( 1) == (1
) == (1)
tai su visais IN
(1) 8
= P
+3 +3 3
P
= P
= +1
= +1
8 3
= P (1)
Pasinaudoj˛e paprasta nelygybe
P (1) =
1
e
2
2
d 22( ! 0
2(
gauname
2 3
2(
+3 8
P
=
= +1
3 2
su konstanta , priklausančia tik nuo . Iš čia galutinai gauname
[
] +3
[
] +3
P
P
=1 = +1 =1 = +1
[ ]
3 2
0
M 2) Pasinaudosime vadinamuoju Brauno judesio simetrijos principu. Atsitiktinis
dydis vadinamas simetrišku, jei = = . Brauno judesio pokyčiai , !
˛ i dėsn˛i (0 6 ) ir todėl yra simetriški. Brauno
!
(Intuityviai šis faktas gana akivaizdus, tačiau nėra trivialus ir yra atskiras daug bendres-
nės Brauno judesio stipriosios Markovo savybės atvejis.) Tiksliau tariant, atsitiktiniai
dydžiai
1l
kai 6 ,
=
!
!
0 kai 6 ! ,
yra simetriški. Atskiru atveju gauname, kad su visais ! 0 ir 0
P 6 = P 6
! + P 6
+ P 6
=
= 2P 6
! = 2P
! = P
! ;
čia pasinaudojome tuo, kad dėl simetrijos principo
P 6
! = P
1l !0
= P 1l
!
!
0
!
!
= P 6
ir tuo, kad P 6
= P
= = 0. Kadangi i˛vykiai
ir 6
sutampa, tai
P
= P 6 = P
! = P
! 0
arba
#"
( ) = 1 P
= 1 P
= P
= #
( ) IR
(#"
( ) = #
( ) = 0, kai 0).
Lygyb˛e ,
=
=
galima i˛rodyti analogiškai arba pasinaudojant ka˛ tik i˛rodyta
savybe. Kadangi atsitiktinis procesas
:=
, 0, taip pat yra Brauno judesys,
tai
,
= inf =
!
Pastaba. I˛domu pastebėti, kad nors, kaip ka˛ tik i˛sitikinome, = sup
==
su kiekvienu
fiksuotu , procesai = 0 ir
=
0 ne tik nėra vienodai pasiskirst˛e, bet
ir elgiasi visiškai skirtingai!
+
=
1 0
2
1
1 0
1 0 = 0
=1
2 = d = lim ;
=1
0
4 = min 0: ( ) ! 1
: ( 2 ) ! 1
M 2 pastaba. Atsitiktiniu˛ dydžiu˛ klas˛e galima apibrėžti ir visiškai griežtai. Pažymė-
kime = -algebra˛ , generuota˛ visu˛ atsitiktiniu˛ dydžiu˛ , ,
2) -algebroms
priklauso visi nulinės tikimybės i˛vykiai;
3) su visais 0 atsitiktinis dydis
yra
-matus ir pokyčiai # ,
) , nepriklauso nuo -algebros
, t.y. nuo visu˛
-mačiuj˛ u˛ atsitiktiniu˛
dydžiu. ˛
-algebru˛ sistema IF, tenkinanti 1) ir 2) reikalavimus, vadinama filtracija. Jei, be
to, tenkinamas 3) reikalavimas, tai sakoma, kad Brauno judesys suderintas su filtracija
IF, arba kad yra Brauno judesys filtracijos IF atžvilgiu.
1.8. Baltasis triukšmas ir Brauno judesys. Gr˛ižkime prie atsitiktiniu˛ procesu˛ sekos ,
silpnai konverguojančios i˛ . Modifikuokime juos taip, kad jie virstu˛ tolydžiais, vietoje
„laiptinio“ proceso imdami „laužtin˛i“ procesa.˛ Tiksliau tariant, imkime
=
, kai
= , = 0 1 2 , ir prat˛eskime tiesiškai intervaluose [
( + 1)
], t.y.
=
+ ( +1) 1
4
=
+ +1 (
)
( + 1)
= 0 1 2
Su šia seka taip pat
.
1.2 pav.
1 trajektorija. 1.2.1 pav.
2 trajektorija.
1. Brauno judesys 37
1.2.2 pav.
4 trajektorija. 1.2.3 pav.
8 trajektorija.
1.2.4 pav.
16 trajektorija. 1.2.5 pav.
32 trajektorija.
1.2.6 pav.
64 trajektorija. 1.2.7 pav.
128 trajektorija.
Pastebėkime, kad procesai jau yra dalimis diferencijuojami ir
4
( + 1)
=
1.2.8 pav.
256 trajektorija. 1.2.9 pav.
512 trajektorija.
1.3 pav.
ir trajektorijos, kai = 4 ir = 8.
šuoliais ir trumpa atmintimi: 7
7 , jei ! 1 . Tokie procesai vadinami triukš-
mais. Kai , riboje lyg gautume atsitiktin˛i procesa˛ 7 su begalinėmis reikšmėmis ir
visai be atminties. Nors i˛prastine prasme toks procesas neegzistuoja, tačiau, pavyzdžiui,
fizikai j˛i naudoja kaip realaus triukšmo – intensyvaus chaotiško proceso su labai trumpa
atmintimi – idealizuota˛ model˛i. Procesas 7 vadinamas baltuoju triukšmu, o procesai
7 arba i˛ juos panašūs – spalvotaisiais triukšmais. Kadangi
= 0
7 d
(ir
= 7
), tai sakoma, kad Brauno judesio išvestinė yra baltasis triukšmas (ir rašoma
d
= 7
arba
= 0 7 d ), nors, kaip i˛rodyta 1.4 teoremoje, beveik tikrai Brauno
d
Taigi realia˛ prasm˛e turi ne baltasis triukšmas, o tik jam artimi procesai. Fraz˛e
„procesas 7
yra artimas baltajam triukšmui“ reikia suprasti kad procesas
= 0 7 d
yra artimas Brauno judesiui. Norint sukurti kokio nors realaus fizikinio reiškinio su
tikrais triukšmais idealizuota˛ matematin˛i model˛i, patartina pradžioje pabandyti aprašyti
ta˛ model˛i su realiais – spalvotaisiais triukšmais 7 , o po to pereiti prie ribos, kai
=
0 7 d
. Beje, yra labai daug atsitiktiniu˛ procesu˛ (tiksliau, ju˛ seku)
˛ 7 , kuriuos
taip pat galima būtu˛ pavadinti spalvotaisiais triukšmais, artimais baltajam triukšmui.
I˛rodyta daug teoremu˛ apie pakankamas salygas,
silpnaj˛
˛ garantuojančias atitinkamu˛ integralu˛
˛ i konvergavima˛ i˛ Brauno judes˛i. Pavyzdžiui, , kai
= 07 d ,
7 = 4̃ , [ +1 ), 0 = 0 1 2
, max Δ = max (+1
)
0,
, ir su kiekvienu fiksuotu IN atsitiktiniai dydžiai 4̃ , IN, yra
nepriklausomi vienodai pasiskirst˛e su vidurkiais E4̃ = 0 bei dispersijomis E4̃ 2
=
1
Δ
.
: ( ) = ( ). Dirako funkcija vadinama „funkcija“ Æ : IR [0 +], turinti
savyb˛e: IR Æ ( ) d = 1, Æ (0) = +, Æ ( ) = 0, IR 0. Suprantama, Æ nėra funkcija
i˛prastine prasme, tačiau ja˛ galima i˛sivaizduoti kaip riba˛ neneigiamu˛ funkciju˛ sekos Æ , su kuria
visi integralai IR Æ ( ) d = 1 ir Æ ( ) = 0, kai [1 1]. Griežtai Dirako funkci-
ja apibrėžiama ir nagrinėjama apibendrintuj ˛ u˛ funkciju˛ teorijoje. Pasižiūrėkime, kokia yra ka˛ tik
nagrinėto baltojo triukšmo kovariacinė funkcija . Remiantis ankstesniais samprotavimais, ja˛
natūralu apibrėžti kaip procesu˛ koreliaciniu˛ funkciju˛ riba.˛ Lengvai apskaičiuojame, kad
( ) = E( ) = , kai ir patenka i˛ ta˛ pat˛i intervala˛ [ ( + 1)), ir ( ) = 0
priešingu atveju; be to, IR ( ) d = 1 su visais . Perėj˛e prie ribos, kai , gauname,
kad ribinė „kovariacinė funkcija“ ( ) = lim ( ) lygi +, kai = , ir lygi 0, kai
!
)
%
)
5
#
!
!
6
/!
"
%
(
7$
!
(
!
Praeitame skyriuje sužinojome, kad Brauno judesys gali būti naudojamas kaip:
1) diskretaus laiko proceso (pavyzdžiui, nepriklausomu˛ atsitiktiniu˛ dydžiu˛ su-
mu)˛ aproksimacija, kai erdvės ir laiko masteliai tam tikru santykiu neribotai
didinami;
2) tolydaus laiko aukšto intensyvumo ir trumpos atminties proceso (triukšmo),
tiksliau – jo integralo, matematinė idealizacija.
Šie du atvejai Brauno judesio taikymu˛ atžvilgiu gali būti žymiai išplėsti.
2.1. Diskretusis laikas. Dažnai diskrečiojo laiko (neatsitiktinės) sekos
, IN+ , apra-
šančios biologinius, fizikinius, cheminius, finansinius procesus, apibrėžiamos rekuren-
čiosiomis lygtimis:
0 =
+1 =
+
Δ Δ = +1 (#)
poveik˛i, turėtume i˛vesti pataisa˛ – ta˛ poveik˛i atspindinčia˛ didėjančia˛ teigiama˛ funkcija˛ 5
(kuo didesnė populiacija, tuo aktyvesni plėšrūnai1 ), ir tada lygtis galėtu˛ atrodyti taip:
0 =
+1 =
+ &
1 5( )
Δ
0 =
= (1 + &Δ )
=0
Kitais atvejais lygties sprendinys užrašomas sudėtingiau. Todėl dažnai naudojama toly-
džioji (tolydaus laiko) lygties (#) aproksimacija. Lygt˛i (#) galima užrašyti taip:
+1 = + Δ
=0
= + ( ) d
0
= (
) 0 =
Tokia˛ aproksimuojančia˛ lygt˛i paprastai lengviau spr˛esti negu pradin˛e diskrečiojo laiko
lygt˛i. Pavyzdžiui, paprasčiausiaj˛ a˛ ( ) lygt˛i atitinka diferencialinė lygtis
= &
0 =
( )
0 = ( )
1
Plėšrūnais galima būtu˛ pavadinti ir medžiotojus. Tada funkcija nebūtinai teigiama, nes, pavyzdžiui,
populiacijai labai sumažėjus iki kokios nors kritinės ribos 0 , protingi medžiotojai gali pradėti rūpintis jos
didinimu. Tai reikštu,˛ kad ( ) 0, kai 0 , ir ( ) 0, kai 0 .
2
Pierre François Verhulst.
42 2. Stochastiniai modeliai su Brauno judesiu ir baltuoju triukšmu
0
Nors istoriškai iš pradžiu˛ Ferhiulsto lygtis buvo išvesta populiacijos augimui aprašyti,
vėliau paaiškėjo, kad ji aptinkama ir daugelyje kitu˛ sričiu˛ – chemijoje (proteinu˛ dina-
mika), genetikoje ir kt.
Realybėje tokie determinuoti modeliai aprašo tik vidurkin˛e reiškinio elgsena˛ ir ne-
atskleidžia išsamaus vaizdo, nes neatsižvelgia i˛ atsitiktinius trikdžius. Labai dažnai geri
matematiniai modeliai, gana tikroviškai aprašantys realias fizines, biologines, chemines
ir kitokias sistemas, gaunami tarus, kad sistema˛ veikiantys trikdžiai:
a) veikia trumpa˛ laika,˛
b) yra nepriklausomi,
c) turi nulinius vidurkius,
d) turi intensyvuma˛ (apibūdinama˛ antruoju momentu – kvadrato vidurkiu), pro-
porcinga˛ ju˛ veikimo laikui.
Atsižvelgiant i˛ šias prielaidas, paprasčiausiu atveju sutrikdytoji (#) lygtis atrodo
taip:
0 =
+1 =
+
Δ + 4 ;
čia 4 , IN+ , – nepriklausomi (dažniausiai imami normalieji) atsitiktiniai dydžiai su
E4 = 0, E42 = Δ . Pažymėj˛e 7
= 1 2 4
Δ , gauname
0 =
+1 =
+
Δ + 7
Δ ;
čia E7
= 0, E7
2 = 1
Δ . Kitaip šia˛ lygt˛i galime perrašyti
+1 = + Δ + 7
Δ
=0 =0
Kaip ir determinuotu atveju, jei laiko intervalai Δ yra maži, palyginti su visu nagrinė-
jamu laiko intervalu, tai tame intervale seka˛
galima pakeisti (dabar jau atsitiktine)
funkcija
, [0 ], tenkinančia integralin˛e lygt˛i
= + ( ) d +
7 d
0 0
"
kurioje 7 = 7
, kai [ +1 ). Kadangi E(7
Δ ) = 0 ir E(7
Δ )2 = Δ , tai
(1.8 skirsnis) mažindami pokyčius Δ gauname 07 d
7
Δ
, t.y. 7 –
procesas, artimas baltajam triukšmui. Todėl natūralu antraj˛˛ i integrala˛ pakeisti Brauno
judesiu
. Gauname integralin˛e lygt˛i
= + ( ) d +
(A)
0
2. Stochastiniai modeliai su Brauno judesiu ir baltuoju triukšmu 43
Šios lygties jau negalima pakeisti diferencialine lygtimi, nes, kaip minėta (1.4 teo-
rema), Brauno judesio trajektorijos yra nediferencijuojamos. Tačiau ši lygtis turi prasm˛e
kaip Voltero3 tipo integralinė lygtis ir turi vienintel˛i sprendin˛i su kiekviena (tolydžia)
Brauno judesio trajektorija
, 0, jei tik koeficientas tenkina Lipšico salyg
˛ a.˛
Bendresniu atveju triukšmo intensyvumas proporcingas dydžiui, priklausančiam
nuo sistemos būsenos kiekvienu momentu:
+1 = + Δ +
7
Δ
=0 =0
Iš šios lygties panašiai samprotaudami gauname integralin˛e lygt˛i
= + ( ) d + ( )7 d
0 0
Š˛i karta˛ galime tik formaliai pakeisti diferenciala˛ 7 d Brauno judesio diferencialu
d :
= + ( ) d + ( ) d (M)
0 0
Deja, dar karta˛ prisiminus Brauno judesio trajektoriju˛ nediferencijuojamuma,˛ tenka
konstatuoti, kad antrasis integralas dažniausiai neegzistuoja i˛prastine (Styltjeso) pras-
me. Tad norint suteikti šiai lygčiai kokia˛ nors prasm˛e, i˛prastiniu˛ „determinuotu“˛ inte-
gralu˛ nepakanka. Laimei, i˛manoma korektiškai apibrėžti atsitiktiniu˛ procesu˛ integralus
0 d Brauno judesio atžvilgiu, kartu suteikiant ir trokštama˛ prasm˛
e (M) lygčiai.
Tiesa, padėt˛i komplikuoja tai, kad, kaip vėliau matysime, stochastin˛i integrala˛ galima
apibrėžti i˛vairiai ir ne visada aišku, kur˛i iš žinomu˛ – Ito ar Stratonovičiaus apibrėži-
mu˛ naudoti. Čia nėra analogijos su Rymano ir Lebego integralais, kurie sutampa tais
atvejais, kai abu egzistuoja. Ito ir Stratonovičiaus integralai skiriasi net tada, kai abu
egzistuoja! Po gana ilgu˛ mokslinėje spaudoje diskusiju,˛ kuris integralas geresnis, nusi-
stovėjo bendras sutarimas, kad abu integralai reikalingi, abu turi savo pliusus ir minusus
ir abu turi savo „˛itakos sferas“. Paprastai Ito integralas naudotinas tais atvejais, kai
tolydžiais procesais aproksimuojami diskrečiojo laiko modeliai, o Stratonovičiaus in-
tegralas – kai nagrinėjami tolydaus laiko procesai, veikiami artimu˛ baltajam triukšmui
trikdžiu.˛
Lygtis (M) dažnai formaliai užrašoma diferencialiniu pavidalu
d
= (
) d + (
) d
0 =
ir vadinama stochastine diferencialine lygtimi (SDL), nors faktiškai tai – integralinė lyg-
tis. Iš dalies tai galima paaiškinti tradicija ir istorija. Tačiau pagrindinė priežastis turbūt
yra ta, kad i˛vairiuose taikymuose intuityviai ir gana formaliai samprotaujant atrandamas
būtent diferencialinis lygties užrašas.
3
Vito Volterra.
44 2. Stochastiniai modeliai su Brauno judesiu ir baltuoju triukšmu
2.2. Tolydusis laikas. Tas pačias lygtis galima gauti ir nagrinėjant kai kuriuos tolydaus laiko
modelius. Pradėkime nuo diferencialinės lygties
= (
) 0 =
kuri ekvivalenti integralinei lygčiai
= + ( ) d
0
Tokio tipo lygtimis dažnai galima aprašyti dalelės judėjima˛ jėgu˛ lauke arba elektrinės
schemos signalo kitima.˛ Realybėje dalelės judėjimas gali būti veikiamas chaotiškais
daug mažesniu˛ daleliu˛ (pavyzdžiui, molekuliu) ˛ smūgiais. Nors jie, palyginti su jėgu˛
lauko poveikiu, yra labai nereguliarūs, tačiau dėl chaotiškumo iš dalies vienas kita˛ kom-
pensuoja. Elektros grandinėse dėl i˛vairiu˛ priežasčiu˛ atsiranda triukšmai, kurie prisideda
prie švaraus signalo. Dar viena – finansu˛ rinkos – interpretacija: akciju˛ savininko regu-
liaru˛ pelno kitima˛ (dividendus) veikia triukšmai – atsitiktiniai ir santykiškai chaotiški
akciju˛ kurso svyravimai. Pridėj˛e triukšma˛ (pažymėkime j˛i 7
), padauginta˛ iš proporcin-
gumo koeficiento , prie diferencialinės lygties dešiniosios pusės, gauname lygt˛i
= (
) + 7
0 =
Jei triukšmo proporcingumo koeficientas priklauso nuo sprendinio būsenos, gauname
bendresn˛e lygt˛i
= (
) + (
)7
0 =
Jei triukšmas 7
artimas baltajam triukšmui, tai vėl gauname (A) ir (M) lygtis (raidės
ir pasirinktos neatsitiktinai – (A) pavidalo lygtis vadinama lygtimi su adityviuoju
triukšmu, (M) – su multiplikatyviuoju triukšmu).
Dažnai deterministinės diferencialinės lygties, priklausančios nuo kokio nors pa-
rametro (arba keliu˛ parametru),˛ stochastinis atitikmuo gaunamas ta˛ parametra˛ randomi-
4
zuojant , tarus, kad realybėje j˛i veikia trikdžiai, proporcingi baltajam triukšmui (tiksliau
– jam artimam procesui). Tarkime, turime kok˛i nors reiškin˛i aprašančia˛ diferencialin˛e
lygt˛i
= (
) = (
) + &5(
) 0 =
kurios dešinioji pusė tiesiškai priklauso nuo realaus parametro &, atitinkančio vidurkin˛e
sistemos būsena.˛ Laikydami, kad faktiškai parametra˛ & veikia trikdžiai, proporcingi
baltajam triukšmui, pakeiskime j˛i sutrikdytuoju procesu &
= & + 7
, 0. Gauname
lygt˛i
= (
) + &5(
) + 5(
)7
0 =
4
Nuo random (angl.) – atsitiktinis. Deja, sunku rasti lietuviška˛ atitikmen˛i šiam žodžiui, o atsitiktinizuoti
yra ganėtinai nemalonus ausiai.
2. Stochastiniai modeliai su Brauno judesiu ir baltuoju triukšmu 45
arba
= (
) + ˜ (
)7
0 =
Perėj˛e prie integralinio užrašo, gauname lygt˛i
= + ( ) d + ˜ ( ) d
0 0
= + & d + d
0 0
I˛domu, kad ši lygtis ne tik aprašo paprasta˛ (gal todėl nelabai tikroviška)
˛ trikdžiu˛ veikia-
mo populiaciju˛ augimo model˛i, kai augimui nėra jokiu˛ apribojimu,˛ bet ir gana populiaru˛
akciju˛ kurso svyravimo model˛i.
Ferhiulsto lygtis. Nagrinėkime ( ) lygt˛i, paprastumo dėlei imdami = 1, t.y.
= &
(1 )
0 =
Randomizuodami parametra˛ &, gauname stochastin˛e diferencialin˛e lygt˛i
) d + ) d
= + & (1 (1
0 0
= +
& d +
d
0 0
= + + & (1 (1
0 0
"
:(
%
;
&$
'
Ankstesniame skyriuje aptarėme, kodėl, norint suteikti prasm˛e stochastinėms di-
ferencialinėms lygtims, yra svarbu apibrėžti integralus 0 d , kai integruojamoji
funkcija yra atsitiktinė, o integruojančioji funkcija (taip pat atsitiktinė) yra Brauno
judesys .
Prieš apibrėždami atsitiktinės funkcijos stochastin˛i integrala˛ Brauno judesio at-
žvilgiu prisiminkime Styltjeso integralo apibrėžima.˛ Šiek tiek nusižengiant griežtumui,
funkcijos Styltjeso (arba Rymano–Styltjeso) integrala˛ intervale [ ] funkcijos / at-
žvilgiu galima apibrėžti kaip riba˛
/( );
čia = 0 1
= – intervalo [ ] skaidinys, 4 = 4 – jo tarpinis
skaidinys, t.y. 4 [ +1 ], Δ := +1 .
Norėdami visiškai griežtai apibrėžti Styltjeso integrala˛ ( ) d/ ( ), imkime bet
M
kokia˛ intervalo [ ] skaidiniu˛ seka˛ Δ = = 0 1 2 = ,
IN, su kuria Δ := max Δ = max +1
0, ir tarpiniu˛ skaidiniu˛ seka˛
4 = 4
[ +1 ] = 0 1 1 , IN. Funkcijos Styltjeso integralu
intervale [ ] funkcijos / atžvilgiu vadinama riba
/( )
1
su salyga,
˛ kad ši riba egzistuoja ir nepriklauso nei nuo skaidiniu˛ sekos Δ , IN, nei
nuo tarpiniu˛ skaidiniu˛ sekos 4 , IN, pasirinkimo.
Tokio integralo egzistavimui pakanka, kad [ ] ir !
8 (/ ) = 8 (/ ; ) := sup /( +1 ) /( )
+ ;
( ) d/ ( ) egzistuoja ir jame diferenciala˛ d/ ( ) galima pakeisti formalia jo išraiš-
ka / ( ) d . Tačiau tai mūsu˛ visiškai netenkina, jeigu prisiminsime, kad (deja!) Brauno
judesio trajektorijos yra niekur nediferencijuojamos. Maža to, baigtinės variacijos funk-
cijos sudaro tam tikra prasme didžiausia˛ klas˛e funkciju,˛ kuriu˛ atžvilgiu galima integruoti
tolydžiasias
˛ funkcijas. Pasirodo, kad jei integralas ( ) d/ ( ) egzistuoja su visomis
funkcijomis [ ], tai / – baigtinės variacijos funkcija! Deja (bloga žinia), Brau-
no judesio trajektorijos turi begalin˛e variacija˛ bet kokiame intervale (3.2 išvada). Tačiau
pasirodo (gera žinia), kad Brauno judesys turi baigtin˛e vadinamaj˛ a˛ kvadratin˛e variacija.˛
3.1. Teorema. Sakykime,
, 0, yra Brauno judesys. Tarkime, kad
Δ = = 0 1
IN
=
yra tokia intervalo [ ] skaidiniu˛ seka, kad Δ = max Δ = max 0,
. Tada
+1
( ) ( )
1 1
2 2 2
Δ =
+1
=0 =0
Pastabos. 1. Remiantis šia teorema sakoma, kad Brauno judesys kiekviename intervale [ ] turi
kvadratin˛e variacija,˛ lygia˛ . Šis faktas dažnai simboliškai užrašomas (d
)2 = d .
2. Jei Δ 0 pakankamai „greitai“, tai teoremoje konvergavimas yra su tikimybe 1
(beveik tikrai).
Tada
( )
2 2
:= E Δ 2
=E Δ 2
Δ
Δ
2
=E Δ2
Brauno judesio pokyčiai Δ yra nepriklausomi atsitiktiniai dydžiai. Todėl Δ2 Δ ,
kaip ju˛ funkcijos, taip pat yra nepriklausomi atsitiktiniai dydžiai. Kadangi E(Δ2
Δ ) = 0, tai
= D Δ2 Δ
= D Δ Δ
2
Δ = EΔ 2Δ EΔ
2
= E Δ 2
4
2
+ Δ2
48 3. Stochastinis integralas Brauno judesio atžvilgiu
= 3Δ2 2Δ
2
+ Δ2 = 2 Δ2
2Δ
Δ = 2( )Δ 0
!
3.2. Išvada. Brauno judesys beveik tikrai (su tikimybe 1) turi begalin˛e variacija˛ bet kokiame
intervale [ ].
I˛rodymas. Naudodami tuos pačius žymėjimus, turime:
Δ = ΔΔ maxΔΔ = max 1Δ Δ
2 2
2
eidami, jei reikia, prie pakankamai greitai smulkėjančio skaidiniu˛ sekos Δ posekio,
galime laikyti Δ2 , , beveik tikrai.
Kadangi Brauno judesio trajektorijos yra tolygiai tolydžios intervale [ ] funk-
cijos, tai max Δ
Δ = ( ) ( )
0 (beveik tikrai), todėl
+1
Iš čia 8 ( ; ) = sup
Δ = + (supremumas – pagal visus intervalo [ ]
!
skaidinius).
3.3. Apibrėžimas. Atsitiktinis procesas = [0 ] vadinamas suderintuoju (su 1
kuriais
1 2
= 2 := E
d
2
+
0
Sakysime, kad atsitiktiniu˛ procesu˛ seka konverguoja i˛ atsitiktin˛i procesa˛ erdvėje
[0 ] ir rašysime , jei 0, kai .
2
2
1
Suderinti (angl. adapted) su Brauno judesiu procesai kartais vadinami neužskubančiaisiais (nonanti-
cipating) procesais.
3. Stochastinis integralas Brauno judesio atžvilgiu 49
1l[
+1 ) (t.y.
() =
()1l[
+1 ) ( )). Tokio
1
=0 =0
proceso stochastiniu integralu (arba Ito2 integralu) Bauno judesio atžvilgiu intervale
[0 ] vadinama suma
1
d
:=
+1
=0
0
Visu˛ laiptiniu˛ procesu,˛ priklausančiu˛ 2 [0 ], klas˛e žymėsime 1 2 [0 ], o visu˛ aprėžtu˛
laiptiniu˛ procesu˛ klas˛e žymėsime 1 [0 ].
Laiptinio proceso 1 [0 ] stochastiniu integralu Brauno judesio atžvilgiu siau-
resniame intervale [1 2 ] [0 ] vadinsime integrala˛
2
d
:=
1l[
1
2 ] ( ) d
1 0
2
d
:=
1
+1
=
1
Šis apibrėžimas tinka ir tada, kai laiptinis procesas apibrėžtas tik intervale [1 2 ].
2. Apibrėždami laiptinio proceso stochastin˛i integrala,˛ nereiklavome, kad procesas būtu˛ su-
derintas. Tačiau be šio reikalavimo nebus teisingos žemiau i˛rodomos visos stochastinio integralo
savybės (išskyrus 1-aj
˛ a˛ savyb˛e – tiesiškuma).
˛ O be ju˛ toliau – nė iš vietos!
3.5. Teiginys. Stochastinis integralas klasėje 1 = 1 [0 ] turi šias savybes:
1. 1 , $ % IR =
0 ($ + % )
d
= $ 0
d
+ % 0
d
2. E 0
d
= 0
2 . Jei +
– aprėžtas atsitiktinis dydis, tai +
d
=
+
d
ir atskiru
atveju E(+
d
) = 0.
3. E( 0
d
)2 = E 0
2 d , t.y. 0
d
2 = 2 . Kitaip tariant, at-
vaizdis, laiptiniam procesui priskiriantis jo stochastin˛i integrala,˛ išlaiko nor-
ma.˛ 3
2
Kyoshi Itô – japonu˛ matematikas, stochastinės analizės pradininkas.
3
Tokie atvaizdžiai vadinami izometrijomis. Kaip matysime vėliau, tai – pagrindinė savybė, kuria remian-
tis, stochastin˛i integrala˛ galima prat˛esti i˛ procesu˛ klas˛e 2 [0
].
50 3. Stochastinis integralas Brauno judesio atžvilgiu
d
0
d
) = E 0
d
4. E( 0
5. E( 0
d
)4 36 E( 0
2 d )2
I˛rodymas. 1. Visu˛ pirma pastebėsime, kad nemažindami bendrumo laiptinius procesus
ir galime laikyti turinčiais tuos pačius pastovumo intervalus. Priešingu atveju,
sujung˛e skaidinius, atitinkančius procesus ir , gautume nauja˛ skaidin˛i, kurio in-
tervaluose būtu˛ pastovūs abu procesai ir . Taigi imkime intervalo [0 ] skaidin˛i
0 = 0 1
= , su kuriuo
=
ir
=
kai [ +1 ) = 0 1 2 1
Tada
1
($ + % )
d
= ($ + % )
+1
=0
0
1
= $
+ %
+1
=0
+%
1 1
=$
+1
+1
=0 =0
=$
d
+ %
d
0 0
2. Tegu ir toliau laiptinis atsitiktinis procesas yra toks kaip 3.4 apibrėžime. Pa-
žymėkime Δ =
+1
. Kadangi
, tai
Δ . Todėl
E
d
= E
Δ = E Δ
0
= E E(Δ ) = 0
+
d
= +
Δ = +
Δ
= =
procesas
:= +
1l[
] ( ), [0 ], taip pat yra aprėžtas laiptinis procesas (sude-
rintumo reikalavimas taip pat yra tenkinamas). Todėl paskutin˛e suma˛ galime užrašyti
3. Stochastinis integralas Brauno judesio atžvilgiu 51
+
d
= +
d
2
E
d
=E
Δ =E
Δ
Δ
0
=E
Δ Δ
=E
2 Δ2 + 2E
Δ Δ
E
= E Δ + 2 2
2
Δ Δ
Kadangi
Δ , tai ir
2 Δ . Be to, Δ , kai (t.y.
2
Δ , kai . Tad t˛esdami lygyb˛e, gauname
+1 ), ir todėl
Δ
2
E
d
= E
2 EΔ2 + 2 E Δ EΔ
0
= E
Δ + 0 = E 2
Δ = E
2
2 d
0
0
0
d
+
d
2
d
d
2
=E 0 0 0 0
E
( + ) d E
4
( ) d
2
2
0
0
=
4
E ( + ) d E ( ) d 2
2
0
0
=
4
52 3. Stochastinis integralas Brauno judesio atžvilgiu
(
+
)2 ( ) 2
d = E
d
=E
4
0 0
kvadratas užrašytas dvieju˛ vienodu˛ sumu˛ sandauga, vėliau sumu˛ dėmenys sudauginti
kiekvienas iš kiekvieno ir po atitinkamo gautu˛ sandaugu˛ grupavimo pasinaudota daugi-
namuj˛ u˛ nepriklausomumu. Pabandykime panašiai panagrinėti integralo 0
d
ket-
˛ i laipsn˛i, užrašyta˛ keturiu˛ vienodu˛ sumu˛ sandauga.4 Trumpumo dėlei rašydami
virtaj˛
vietoje
gauname
4
E
d
=E Δ Δ Δ $ Δ$
0
$
Sugrupuokime sumoje esančius dėmenis pagal tai, kiek dėmenyje yra didžiausia˛ nu-
mer˛i turinčiu˛ vienodu˛ indeksu˛ – tokiu˛ gali būti nuo 1 iki 4. Kartu atsižvelkime i˛ tai,
kad dėmenys, kuriuose skiriasi tik indeksu˛ ( 9 ) tvarka, sutampa (pvz., dėmenys
su indeksais (1 1 3 5) ir (1 5 3 1)). Jei didžiausias indeksas yra vienas, tai jis gali
užimti viena˛ iš keturiu˛ galimu˛ poziciju.˛ Jei tokiu˛ indeksu˛ yra du, tai ju˛ pora gali išsi-
dėstyti keturiose vietose 42 = 6 būdais; trys sutampantys indeksai – 43 = 4 būdais;
na, o keturiu˛ sutampančiu˛ indeksu˛ atveju, žinoma, pasirinkimo neturime – juos išdėstyti
keturiose vietose galime vieninteliu būdu. Tad t˛esiame lygyb˛e:
4
E
d
0
=4 E Δ Δ Δ E Δ
$ $
$
+6 E $2 Δ Δ E Δ$2
$
E EΔ
+4 E Δ E Δ +
$
3
3
$ $
4 4
$
$ $
4
Idėja autoriaus, i˛rodymas K˛estučio Gadeikio.
3. Stochastinis integralas Brauno judesio atžvilgiu 53
2 E Δ Δ Δ
$
= 2
2
$ $
$ =$ = =$ = %$ % $
=E Δ Δ $ Δ$ 2
3
$ $ $
4 2 2 2 2
$ $ $ $ $
2
$ $
% $
=E
d
d
d 2
20
0 0
0
E $ Δ$
4 2
E 2 $2 Δ Δ$ 20
$ %$
"
2
#
=E
d
d2
0
0
1
2
E $ Δ$
4 2
1
2
E $ Δ$ + E
4 2
$ Δ Δ$
2 2
$ $ = $
" 2 #
=E
d
d2
1
2
E $ Δ$
4 2
1
2
E $ Δ Δ$
2 2
" #
$ $
0 0
2
2
=E
d
d2
1
2
E $ Δ$
4 2
1
2
E
d 2
$
0 0 0
54 3. Stochastinis integralas Brauno judesio atžvilgiu
˛ a˛ lygyb˛e i˛ ( ), gauname
I˛stat˛e gautaj
4 "
2
#
2
E
d
= 6E
d
d
2
3E
d
2
" #
0 0 0 0
2
6E
d
2 d
0 0
$
Pritaikykime šiam reiškiniui Koši nelygyb˛e:
%
%
E d
%
6&E d
E d
0 0 0
! 0
nelygyb˛e.
Pastaba. Neatmet˛e nario 3E(
d ) , gautume šiek tiek tikslesn˛e nelygyb˛e
2 2
0
4
2
E d
(3 + 6) E 2 2
d
0 0
su konstanta (3 + 6)2 297 vietoje 36.
3.6. Teiginys. Kiekvienam atsitiktiniam procesui 2 [0 ] egzistuoja aprėžtu˛ laiptiniu˛
procesu˛ seka , konverguojanti i˛ erdvėje 2 [0 ], t.y. tokia, kad
'' ''
d 0
2 2
=E
0
Kitaip tariant, aprėžtu˛ laiptiniu˛ procesu˛ klasė 1 [0 ] yra tiršta erdvėje 2 [0 ].
Pastaba. Šio teiginio (kartu su i˛rodymu) būtu˛ galima „išvengti“, apibrėžus 2 [0 ] kaip klas˛e
visu˛ atsitiktiniu˛ procesu˛ , kuriems egzistuoja seka
[0 ], su kuria
0.
M I˛rodymas panašus i˛ realiuj˛ u˛ laiptiniu˛ funkciju,˛ apibrėžtu˛ intervale [ ], klasės tirštumo
erdvėje [ ] i˛rodyma.˛
2
1 žingsnis. Imkime bet kok˛i procesa˛ [0 ]. I˛sitikinsime, kad j˛i galima 2
& := max
min
Aišku, kad
& . Kadangi
& =
, kai
, tai
& , , arba
(
&
)2 0, . Kita vertus,
& 2
2
&
2
+
2 4
2
( [0 ]
ir
E
d = E
2
2 d = 2
+
0 0
Todėl, remdamiesi Lebego teorema apie mažoruota˛ konvergavima˛ (0.11 skyrelis), gau-
name
& 2
+ :=
d IN;
1
2
+
2
= E d
d
0
1
= E
d d
2
0
1
E
2
d d
(nelygybė (
)2 (
)
2)
0
1
= E
d˜ d
1
2
(keitinys = ˜ )
˜
0 0
1
= E
2
d d
0 0
56 3. Stochastinis integralas Brauno judesio atžvilgiu
(
) d 0
2
kai # 0
0
Dėl (
)2 aprėžtumo ( 4 2 ) gauname, kad ir E 0 (
) d 0, kai
2
# ) d
, kai
0 1 0 . Iš čia
''+ '' 2
1
d =
kai ! 0
0
Vadinasi, + 0, kai .
3 žingsnis. Pažymėkime + bet kur˛i iš 2 žingsnyje sukonstruotu˛ aprėžtu˛ tolydžiuj
˛ u˛
procesu˛ + . I˛sitikinsime, kad procesa˛ + galima aproksimuoti aprėžtais laiptiniais pro-
cesais. Imkime intervalo [0 ] skaidiniu˛ seka˛ Δ = 0 = 0 1 = ,
IN, kurios diametras Δ = max Δ = max +1
0, .
Laiptiniu˛ procesu˛ seka˛ apibrėžkime lygybe
[ )
:= +
+1
+
Todėl
2
2 (
)2 + +
2 4 2 [0 ]
Kadangi
E 4 2 d
0
'' +''
= E + d 0
2
2
0
5
Jei [
], tai
2
( ( + ) ( )) d 0, kai 0; čia ( ) := 0, kai [
].
2
3. Stochastinis integralas Brauno judesio atžvilgiu 57
Tada
'' '' '' '' + '' + '' + ''+ '' 3 0
& &
ir teiginys i˛rodytas. !
3.7. Apibrėžimas. Sakykime, 2 [0 ] ir 1 [0 ]
. Atsitiktinio proceso $ 2
stochastiniu integralu (arba Ito integralu) Brauno judesio atžvilgiu intervale [0 ]
vadinama riba
d
:= - lim 2
d
0 0
E d
d
'
0 0
=E
d
= ' '
'
2
2
Taigi integralu˛ seka d yra atsitiktiniu˛ dydžiu˛ Koši seka
2
prasme ir todėl
$
0
2
konverguoja 2 prasme. Be to, ši riba nepriklauso nuo sekos 1 [0 ]
seka˛
=
1 1 2 2
taip pat konverguojančia˛ i˛ erdvėje 2 [0 ]. Atitinkama integralu˛ seka 0
d
tas 1–5 savybes, t.y.:
1. 2 , $ % IR =
0 ($ + % )
d
= $ 0
d
+ % 0
d
2. E 0
d
= 0
2 . Jei +
– aprėžtas atsitiktinis dydis, tai
+
d
=
+
d
ir atskiru atveju E(+
d
) = 0.
d
)2 = E 0
2 d , t.y. 0
d
=
3. E( 0 2 2 .
4. E(
0
d
0
d
) = E 0
d
58 3. Stochastinis integralas Brauno judesio atžvilgiu
5. E( 0
d
)4 36 E( 0
2 d )2
Be to, yra teisingos tokios nelygybės stochastinio integralo maksimumui (Dūbo6 nely-
gybės):
6. P sup
0 d & 1
E 0 d ' & ! 0 " 1;
atskiru atveju
P sup
0 d & 12 E 0
2 d & ! 0
6 . (Dūbo kvadratinė nelygybė.)
E sup
( 0 d )2 4E 0
2 d
I˛rodymas. Savybiu˛ 1–3 i˛rodymo idėja paprasta – reikia pereiti prie ribos 3.5 teiginio 1–3
savybėse, užrašytose bet kokioms sekoms 1 $ , 1 $ .
2
2
2
2
''($
1. Kadangi
' '
($ + % )' = '$ ( ) + % ( )'
+ % )
'
' ' ' '
žimu, gauname
($ + % )
d
= - lim
2
$
+ %
d
0 0
= $ - lim
2
d
+ % - lim
2
d
0 0
=$
d
+ %
d
0 0
:=
d
:=
2
d
0 0
Iš tikruj
˛ u,˛
E E = E( )
2 2
E
0 2
6
Joseph Leo Doob.
3. Stochastinis integralas Brauno judesio atžvilgiu 59
2 . Ši savybė taip pat i˛rodoma perėjus prie ribos kvadratinio vidurkio prasme laip-
tiniams procesams jau i˛rodytoje lygybėje (su kiekvienu aprėžtu atsitiktiniu dydžiu
+ )
+ d
=
+
d
+ d
=
+
d
0 0
Pastebėsime, kad visi procesai – , , + , + yra suderinti (ir, beje, lygūs 0 intervale
[0 )). Kadangi
'' ''
d = E d
2 2 2
=E
0
E
' '
d = ' ' 0
2 2
ir + , tai
2 "
# 2
E + d
+
d
=E + d
d
0 0 0 0
2
2
E d
d
0
0 0
dangi + ir todėl
'
0
+ d
2
+
d
0 0
Taigi
+
d
= +
d
0 0
60 3. Stochastinis integralas Brauno judesio atžvilgiu
'
d '
'
=E
d
2
IN
0 2 0
Iš tikruj ˛
˛ u, :=
d
:=
2
d
, todėl pasinaudoj˛e normu˛ savybėmis
0 0
gauname
'' '' 0
2 2
ir
'' '' 0
Iš čia
2 =
Tai ir reikėjo patikrinti.
4. Ši savybė i˛rodoma lygiai taip pat, kaip 3.5 teiginyje.
5. Jei E( 0
2 d )2 = + , tai teiginys akivaizdus. Jei E( 0
2 d )2 + , tai,
truput˛i patobulin˛e 3.6 teiginio i˛rodyma,˛ galime sukonstruoti aprėžtu˛ laiptiniu˛ procesu˛
seka˛ , kad
2
d 0
2
E
0
ir
4
E d
d
0
0 0
36 E d
0 0
M
6. Nelygyb˛e i˛rodysime tik dažniausiai naudojamais atvejais, kai " = 1 ir " = 2.
Pažymėkime := d , [0 ]. Iš pradžiu˛ i˛sitikinsime, kad jei , t.y.
1l , tai
0
E 1l E 1l " = 1 2
'
'
(#)
3. Stochastinis integralas Brauno judesio atžvilgiu 61
nors ši savybė teisinga ir su visais " 1. Tegul " = 1. Tada su visais i˛vykiais
E 1l = E 1l E( 1l ) = E
d 1l
0
d 1l + E d 1l
= E
= E( 1l )
0
0 0
, gauname
E
1l+ E(
1l+ ) = E(
1l+ ) = E
1l+
ir
E(
1l ) E(
1l ) = E( 1l
) = E(
1l )
Šias nelygybes sudėj˛e ir pasinaudoj˛e lygybe 1l+ + 1l = 1l , galutinai turime
E
1l = E
1l E
1l = E
1l
t.y. (#) nelygyb˛e.
Kai " = 2, (#) nelygyb˛e gauname daug paprasčiau:
)"
# *
2
E(
1l )2 = E
2 + 2
d + d 1l
= E(
1l ) + 2E (
1l )
2
d + E 1l d
E(
1l ) ; 2
nuliui.
Dabar pažymėkime ( ) :=
= 0 d , [0 ]. I˛rodysime bendresn˛e
nelygyb˛e
1
P sup ( ) & E ' ( ) & ! 0 " 1 (:)
&'
kuri, pasinaudojus 3 savybe, kai " = 2, virsta i˛rodomaja
˛ nelygybe:
1 1
P sup ( ) & E ( ) =
2
E
2 d
&2 &2
0
62 3. Stochastinis integralas Brauno judesio atžvilgiu
1
P max ( ) & E ' ( ) & ! 0 (::)
0 &'
su bet kokiais IN ir 0 = 1 = . Pažymėkime
0
Aišku, kad = , kai =
, := max0 ( ) & =
ir
=1
(t.y. 1l
). Todėl
P( ) = P( ) = E(1l )
=1 =1
E
'
( )
1l =
1
E ( )1l
'
&' &
'
= 1 E ( ) 1l
=1 =1
1
E '
( )1l '
&' &
'
1
=1
1
=1
M 6 . Pažymėkime := sup
galime užrašyti
( ). Tada, imdami " = 1, ka˛ tik i˛rodyta˛ nelygyb˛e
1 & ! 0
P & E ( )1l
&
Todėl
E 2 = 2E & d& = 2E &1l d&
0 0
=2 &E(1l ) d& = 2
&P & d&
d& = 2E ( )
0 0
2 E ( )1l
1l d&
0
= 2E ( )
0
7
Tai i˛rodyta tolesniame 3.14 teiginyje (Dūbo nelygybės nenaudojamos).
3. Stochastinis integralas Brauno judesio atžvilgiu 63
arba
E 2 4E 2 ( ) !
Pastaba. I˛rodymo pabaigoje norint dalyti iš (E 2 )1 2 , reikia būti tikriems, kad E 2 . Tuo
kai .
Tolydžiu˛ procesu˛ stochastin˛i integrala˛ galima apibrėžti panašiai kaip Styltjeso in-
tegrala.˛ Svarbu yra tai, kad Styltjeso tipo integralinėse sumose integruojamo proceso
reikšmes būtina imti ne bet kokiuose, o kairiuosiuose skaidinio intervalu˛ galuose:
3.9. Teiginys. Tarkime, kad [0 ] – tolydus
2 2
prasme atsitiktinis procesas, t.y. su
visais [0 ]
E
2 0 kai
ir E
( )
1
d
= - lim 2
(
+1
)
=0
0
2
Iš čia atskiru atveju gauname, kad funkcija E
2 , [0 ], yra aprėžta. Pažymėkime
= sup
[0
] E
2 .
Tada
) ( ) =
1
(
+1
d
=0
0
64 3. Stochastinis integralas Brauno judesio atžvilgiu
E
2
2 E(
)2 + E
2 2 max E
2 + max E
2
[0
]
4 max E
4
[0
]
2
[0 ]
Kadangi
(4 ) d
0
2
d
= - lim 2
d
= 2 - lim ( ) (+1 )
!
=0
0 0
0
d
, remdamiesi 3.9 teiginiu. Imkime tei-
3.10. Pavyzdys. Apskaičiuosime integrala˛
ginyje nurodyta˛ intervalo [0 ] skaidiniu˛ seka˛ Δ ( Δ 0). Trumpumo dėlei pažy-
mėkime = ( ), Δ = +1 . Tada, remdamiesi Brauno judesio kvadratinės
Δ
1
= 2+1 2
2
2
12 Δ
1
= 2+1 2
2
2
1
2 2 2
2
1 2 2
= Δ2
2
Taigi
d
=
2
2
0
2
!
3. Stochastinis integralas Brauno judesio atžvilgiu 65
() =
() [0 ]
Tada i˛vykyje beveik tikrai teisinga lygybė
0
d
= 0
d
.
M I˛rodymas. Atidžiai peržiūrėkime 3.6 teiginio i˛rodyma,˛ kuriame bet kokiam atsitiktiniam
procesui [0 ] konstruojama seka 1 [0 ] $ . Nesunku matyti, kad
2
2
bėje (su visais IN). Todėl ir ju˛ ribos 0
d
bei 0
d
sutampa i˛vykyje
beveik tikrai.
Paskutin˛e išvada˛ verta paaiškinti truput˛i detaliau. Iš tikruj
posekiu,˛ galime teigti, kad 0
d
˛ u,˛ perėj˛e, jei reikia, prie
0
d
ir 0
d
0
d
beveik tik-
rai, t.y. visur, išskyrus nulinės tikimybės i˛vyk˛i. Todėl, išskyrus galbūt nulinės tikimybės
i˛vyk˛i, 0
d
= 0
d
visur, kur sutampa integralai 0
d
bei 0
d
, o jie
pagal prielaida˛ sutampa bent jau i˛vykyje . !
3.12. Apibrėžimas. Klas˛e visu˛ suderintu˛ atsitiktiniu˛ procesu˛ , tenkinančiu˛ ( ) savyb˛e, %
žymėsime 2 [0 ].
Bet kokiam procesui 2 [0 ] pažymėkime
(& )
=
1l
2
d &
[0 ] IN
0
d
:= lim
(& ) d
&
0 0
3.13. Teiginys. Kiekvienam procesui 2 [0 ] nurodyta riba egzistuoja (su tikimybe 1),
t.y. stochastinis integralas 0
d
apibrėžtas korektiškai.
M I˛rodymas. Visi procesai
(& )
, IN, priklauso klasei [0 ], nes
2
(& ) 2
d =
2 1l
2
d &
d
0
0 0
66 3. Stochastinis integralas Brauno judesio atžvilgiu
(& ) (& )
ir todėl E 0(
)2 d . Vadinasi, visi stochastiniai integralai 0
d
,
(& ) (" )
0
d
= 0
d
(b.t.) i˛vykyje Ω" , kai . Vadinasi, kiekviename i˛vy-
(& )
d
,
to, kiekviename i˛vykyje Ω"
0
( ) := d [0 ]
0
0
2
1 4
E ( ) ( )
4
2 1 =E d d
0
2 4
0
=E d
1
2 2
36 E d 2
36 4 2 1
2
ir proceso ( ),
[0 ], tolydumas išplaukia iš Kolmogorovo teoremos. Bendru
atveju (kai yra aprėžtas galbūt atsitiktine konstanta) procesui apibrėžkime aprėž-
tus procesus & = max min . Tada (3.11 lema) stochastiniai integra-
lai ( ) = 0 d ,
[0 ], (beveik tikrai) sutampa su stochastiniais integralais
& ( ) := 0
& d , [0 ], i˛vykiuose Ω& := [0 ] ir todėl
kiekviename iš šiu˛ i˛vykiu˛ turi tolydžiasias˛ trajektorijas. Kadangi & Ω& yra būtinasis
i˛vykis, tai ( ), [0 ], turi tolydžiasias
˛ trajektorijas beveik tikrai. !
8
Čia reikia pabrėžti, kad proceso aprėžtumas gali būti suprantamas dvejopai: 1) kiekviena proceso trajek-
torija yra aprėžta (kokia nors konstanta, kuri gali priklausyti nuo trajektorijos ir todėl apskritai yra atsitiktinis
dydis); 2) pats procesas yra aprėžtas viena neatsitiktine konstanta. Pavyzdžiui, Brauno judesys yra aprėžtas
pirmaja
˛ prasme (kiekviename baigtiniame intervale), bet nėra aprėžtas antraja.˛
3. Stochastinis integralas Brauno judesio atžvilgiu 67
= 2 := E
d
2
+
0
Sakysime, kad suderintu˛ atsitiktiniu˛ procesu˛ seka konverguoja i˛ suderinta˛ atsitikti-
n˛i procesa˛ erdvėje [0 ) ir rašysime , jei 0, kai .
2
2
d
:= - lim 2
d
0 0
E d d
=E
d
0 0
=E
d =
2
E
2 d 0
nes
E
2
d = E
d
2
.
0 0
3.8a. Teorema. Visos 38 teoremoje nurodytos stochastinio integralo savybės išlieka, kai =
.
Tarkime dabar, kad 6 – neneigiamas atsitiktinis dydis. Kokiais atvejais galima
korektiškai apibrėžti stochastin˛i integrala˛ 0
d
? Nestochastiniam funkcijos (tiek
!
determinuotos, tiek ir atsitiktinės) ( ), 0, integralui akivaizdžiai teisinga lygybė
!
( ) d = ( )1l[0 ! ] ( ) d
0 0
jei tik egzistuoja bent vienas iš nurodytu˛ integralu.˛ Pamėgdžiodami šia˛ lygyb˛e, galime
pabandyti apibrėžti stochastin˛i (Ito) integrala˛ lygybe
!
d
:=
1l[0 ! ] ( ) d
0 0
68 3. Stochastinis integralas Brauno judesio atžvilgiu
Kad dešinėje esantis integralas egzistuotu,˛ reikia, kad būtu˛ suderintas (Brauno judesio
atžvilgiu) ne tik atsitiktinis procesas , bet ir atsitiktinis procesas 1l[0 ! ] ( ), 0. Ant-
ra vertus, 1l[0 ! ] ( )
su visais 0 tada ir tik tada, kai 6
su visais
dymo momento savoka ˛ bet kokios filtracijos – didėjančios -algebru˛ šeimos IF =
M
0 – atžvilgiu. Sakoma, kad atsitiktinis dydis 6 , i˛gyjantis reikšmes iš intervalo
[0 + ], yra stabdymo, arba Markovo, momentas (filtracijos IF atžvilgiu), jei su visais
0 i˛vykis 6
. Šiame apibrėžime vietoje 6
paėm˛e i˛vykius 6 ,
gausime platesnės opcionaliojo momento savokos ˛ apibrėžima.˛ Apibrėždami stabdymo
momenta˛ 6 Brauno judesio atžvilgiu kaip atsitiktin˛i dyd˛i, su kuriuo 6
, 0,
faktiškai apibrėžėme opcionaluj˛ ˛ i momenta.˛ Tačiau Brauno judesio generuotos filtraci-
jos atveju stabdymo ir opcionaliojo momentu˛ savokos ˛ sutampa. Bendrai jos sutampa,
kai filtracija yra tolydi iš dešinės, t.y., kai
+0 := =
0
%
3.18. Apibrėžimas. Jei 6 yra stabdymo momentas Brauno judesio atžvilgiu, tai sakysime,
kad suderintas atsitiktinis procesas priklauso klasei 2 [0 6 ], jei
!
E
d = E
2
2 1l[0 ! ] ( ) d +
0 0
d
:=
1l[0 ! ] ( ) d
0 0
3.8b. Teorema. Jei 6 yra stabdymo momentas Brauno judesio atžvilgiu, tai visos 38 teo-
remoje nurodytos stochastinio integralo savybės išlieka, kai = 6 .
9
Leidžiama ir reikšmė +.
69
# $ %
<% %
. (
- =
>
% %
<?
? (
(
7$
%
"
/!
!
;
( %
Baigtinės variacijos tolydiesiems procesams ir funkcijoms # (IR) yra tei-
1
# # = # d
0
Iš 3.10 pavyzdžio matome, kad stochastiniams integralams ji nėra teisinga. Jos analogas
yra žemiau i˛rodoma Ito formulė. I˛rodymui mums bus reikalinga Teiloro2 formulė su gal
kiek ne˛iprastai užrašytu Peano3 pavidalo liekamuoju nariu.
4.1. Lema (Teiloro formulė). Jei # (IR) ir antroji išvestinė yra tolygiai tolydi, tai
2 4
# ( ) # ( ) = # ( )( ) + # ( )( ) + ; ( );
1 2
2
čia liekamasis narys ; ( ) < ( )( ) , didėjanti funkcija < : IR IR
2
+ +
˛ a˛ lim
tenkina salyg
0 < (5) = 0.
# ( ) # () = # ()( ) + 21 # (4 )( ) 2
# ( ) # () = # ()( ) + 21 # ()( ) 2
+
1# (4 ) # ()( ) 2
2
1
Isaac Newton, Gottfried Wilhelm Leibnitz.
2
Brook Taylor.
3
Giuseppe Peano.
4
Tam pakanka, kad, pavyzdžiui, funkcija turėtu˛ aprėžta˛ trečiaj˛ a˛ išvestin˛e .
70 4. Ito formulė
# # = # d +
1
# d
0
2
0 0
d (
) = (
) d
+
1
2
(
) d
I˛ ja˛ galima žiūrėti kaip i˛ antros eilės Teiloro skleidin˛i
d (
) = (
) d
+
1
2
(
) (d
)2
kuriame antros eilės diferencialas (d
)2 interpretuojamas kaip d .
# ( ) = # ( # ( )
Teiloro formule,
# (
0 +1 )
1
= # ( )Δ + # ( )Δ2 + ; ( +1 )
2
Atsitiktinis procesas # (
), [0 ], yra tolydus 2 prasme, nes (pavyzdžiui)
remiantis Lagranžo baigtiniu˛ pokyčiu˛ teorema5 E(# ( ) # (
))2 E[ (
)]2 = 2 ( ) 0,
; čia := sup IR # ( ) . Todėl, pritaik˛e šiam
procesui 3.9 teigin˛i, gauname, kad pirmoji suma
# ( )Δ
2
# (
) d
#
0
Δ
dvi sumas:
# ( )Δ2 = # ( )Δ + # ( ) Δ2
5
Jei 1 [
], tai egzistuoja toks [
], kad () (
) = ()(
).
4. Ito formulė 71
Pirmoji suma, kaip tolydžios funkcijos # (
), [0 ], Rymano integralinė suma,
konverguoja i˛ jos integrala˛ 0 # (
) d (beveik tikrai, taigi ir pagal tikimyb˛e). Patik-
rinsime, kad antroji suma konverguoja i˛ 0 kvadratinio vidurkio prasme (taigi ir pagal
tikimyb˛e):
Δ )
2
E # ( )(Δ 2
#
=E # ( ) Δ Δ
2
( ) Δ Δ
2
E # ( ) Δ Δ
2
2
=
Δ )# ( )Δ Δ
+2 E # ( ) Δ2
2
2 2
E
# ( ) Δ Δ 2
2
E # ( ) E Δ Δ
2 2 2
=
+2 E # ( )# ( ) Δ Δ ) E Δ Δ
2
2
E Δ Δ + 0 = 2
2
2
Δ
2
2 2
2 Δ Δ = 2 Δ 0
2
2
;( ) 0:
Liko patikrinti, ar
Δ
+1
0 = 0
< max Δ
Δ2
P
Čia pasinaudojome tuo, kad dėl Brauno judesio trajektoriju˛ tolydumo max Δ 0,
, beveik tikrai (taigi ir pagal tikimyb˛e) ir kad
Δ (3.1 teorema). 2 P
(svarbiausia!) sutampa su # intervale [ ], t.y. # ( ) = # ( ), kai [ ].
Tokioms funkcijoms Ito formul˛e jau i˛rodėme, todėl galime rašyti
# # = # d + IN
1
0# d
2
0 0
Kadangi # (
) = # (
), [0 ], i˛vykyje Ω = sup
[0
] , tai, remiantis
# # = # d +
1
0 # d
2
0 0
Todėl Ito formulė teisinga i˛vykyje Ω = IN Ω . Lieka pastebėti, kad Ω yra būtinasis
i˛vykis. Taigi Ito formulė teisinga su tikimybe 1.
me funkcijas
1 + ( )
= ( ) =
2
2
Funkcijos = ir > parinktos taip, kad priklausytu˛ klasei (IR) (turėtu˛ visu˛ eiliu˛ ap-
rėžtas tolydžias išvestines) ir kad intervalo [ ] galuose ju˛ reikšmės ir pirmosios bei
antrosios išvestinės sutaptu˛ su atitinkamomis funkcijos # išvestinėmis, t.y.
+1
= ( + 1) d
+ ( + 1)
1
d
2
0 0
Iš čia
+1
d
=
2
1
d IN
+1
!
0 0
Ito formul˛e nesunku apibendrinti tuo atveju, kai funkcija # = # ( ), [0 ],
IR, priklauso ir nuo laiko.
# (
) # (0 ) = 0 # (
) d
+ #
(
) d +
1
2
# (
) d
0 0 0
Pastaba. Kaip ir 4.2 teoremoje, šia˛ formul˛e taip pat galima gauti „integruojant“ formalu˛ Teiloro
skleidin˛i
d (
) = (
) d
+ (
) d
+ (
) (d
)2 + 2 (
) d
d + (
) (d )2
1
2
˛ (d
)2 = d , d
d = (d )2 = 0.
susitarus laikytis tokiu˛ diferencialu˛ daugybos taisykliu:
74 4. Ito formulė
# ( ) # ( )
= # ( )( ) + # ( )( )
1 (
2
2
+ ; ( );
# (0 )
# (
)
0
= # ( ) # ( )
+1 +1
= # ( )Δ + #
( )Δ
1
+ # ( )Δ2 + 2 #
( )Δ Δ + #
( )Δ2
2
+ ; ( +1 +1 )
# ( )Δ
2
# (
) d
0
0
; ( +1 +1 ) 0
P
4. Ito formulė 75
#
( )Δ #
(
) d
0
1
2
#
0
( )Δ2
#
( )Δ Δ 0
2
(
) d 0 = 0
0
# ( ) d 0 = 0
!
&
%
8
"
5
*
"
!
Dabar jau galime suteikti prasm˛e integralinei lygčiai
= 0 + ( ) d + ( ) d
( )
0 0
išvestai 2 skyriuje (dažniausiai intervalas = [0 ] arba [0 )). Iš dalies dėl istoriniu˛
priežasčiu,˛ bet labiau dėl praktinio patogumo ji paprastai užrašoma formaliu diferencia-
liniu pavidalu
d
= (
) d + (
) d
0 = 0 )
(
Abi lygtys vadinamos stochastinėmis diferencialinėmis lygtimis, nors tiksliau būtu˛ var-
toti žod˛i integralinė. Formalus apibrėžimas skamba taip:
5.1. Apibrėžimas. Sakoma, kad tolydusis atsitiktinis procesas
, , yra stochastinės
diferencialinės lygties ( ) sprendinys intervale , jei su visais jis tenkina ( )
lygt˛i (su tikimybe 1).
5.2. Pavyzdys. Patikrinsime, ar atsitiktinis procesas
= 0 exp(? 2
2) + ,
= # (
)
0 0 0
= 0 +
0 exp (?
2
2) + d
0
+ ?
2
2 exp (? 2
2) + d
0
0
1
F. Black, M. Scholes.
5. Stochastinės diferencialinės lygtys 77
+ 0 2
exp (? 2
2) + d
2
= 0 +
?0 exp (?
2
2) + d
0
0 exp (?
2
2) + d
0
= 0 + ? d + d 0
0 0
Toliau tarsime, kad lygties koeficientai tenkina šias Lipšico2 ir tiesiško augimo
salygas:
˛
1) ( ) ( ) 2 + ( )
( ) 2 2 IR IR +;
2) ( ) 2 + ( ) 2 (1 + 2 ) IR IR+
Pastaba. Jei koeficientai ir nepriklauso nuo , tai antroji salyga
˛ išplaukia iš pirmosios:
( )2 + ( )2 2 ( ) (0)2 + (0)2 + 2 ( ) (0)2 + (0)2
2(0)2 + 2 (0)2 + 2 2 (1 + 2 ) IR IR+ ;
čia = max2 2(0)2 + 2 (0)2 .
I˛rodant bendra˛ teorema˛ apie stochastinės diferencialinės lygties sprendinio egzis-
tavima˛ ir vienat˛i, mums reikės Gronvolo3 lemos, kurios i˛vairūs variantai plačiai taikomi
diferencialiniu˛ lygčiu˛ teorijoje.
5.3. Lema (Gronvolo lema). Jei neneigiama funkcija = [0 ] tenkina nelygyb˛e
= ( ) = ( ) d +
[0 ]
0
2
Rudolf Otto Sigismund Lipschitz.
3
Tomas Hakon Gronwall.
78 5. Stochastinės diferencialinės lygtys
su neneigiamomis konstantomis ir
, tai
= ( )
e(
[0 ]
Atskiru atveju, jei 0 = ( )
=() d, [0 ], tai =
0.
I˛rodymas. Iš nelygybės
"
#
[0 ]
= ( )
ln
0
= ( ) d +
=
= ( ) d +
0
gauname
"
#
ln = ( ) d +
ln
= ln = ()) d) +
d
0 0 0
d = [0 ]
0
Iš čia
[0 ]
= ( ) = ( ) d +
= e ln(( ) ( ) d +* )
e(
+ln * =
e(
!
0
0
5.4. Teorema. Jei 1 ir 2 salygos
˛ tenkinamos, tai egzistuoja vienintelis tolydusis atsitikti-
nis procesas , kuris yra stochastinės diferencialinės lygties ( ) sprendinys intervale
[0 ).
I˛rodymas. Vienatis. Pradėsime nuo vienaties i˛rodymo. Su bet kokiu tolydžiuoju atsitik-
tiniu procesu pažymėkime atsitiktin˛i procesa,˛ apibrėžiama˛ dešiniaja
˛ ( ) lygties
puse, t.y.
:= 0 + ( ) d + ( ) d 0
0 0
Akivaizdu, kad atsitiktinis procesas yra ( ) lygties sprendinys intervale [0 ) tada
ir tik tada, kai = , t.y.
=
, 0 (b.t.).
Dabar imkime bet kokius du ( ) lygties sprendinius ir . Tada = ir
= . I˛vertinsime ir skirtuma:˛
E
" 2
= E
2
#
=E
( ) ( ) d +
( ) ( ) d
2
0 0
5. Stochastinės diferencialinės lygtys 79
"
# 2 "
# 2
2E ( ) ( ) d
+ 2E ( ) ( ) d
0 0
( )
2 E ( )
2
d + 2E ( ) ( )
2
d
0 0
2 E
2
d + 2 E
2
d
0 0
= 2 ( + 1)E
2
d =
E
2
d 0;
0 0
čia
:= 2 ( +1). Pritaik˛e Gronvolo lema˛ neneigiamai funkcijai = ( ) := E
2 ,
[0 ], su
= 0 ir konstanta
vietoje , gauname = ( ) = 0, [0 ], t.y.
=
beveik tikrai su visais [0 ]. Kadangi čia yra bet koks, tai
=
su
visais 0.
Pastabos. Čia i˛ i˛rodyma˛ i˛terpsime pora˛ svarbiu˛ pastabu: ˛
M 1. Vienaties i˛rodyme yra vienas „bet“ – mes negalime būti tikri, kad funkcijos reikšmės
yra baigtinės! Norėdami i˛veikti šia˛ kliūt˛i ir užpildyti i˛rodymo spraga,˛ pasinaudosime viena gana
i˛prasta panašiose situacijose atsitiktiniu˛ procesu˛ teorijos priemone – procesu˛ sustabdymu, kai pa-
siekta tam tikra baigtinė reikšmė. Su bet kokia konstanta 0 apibrėžkime stabdymo momenta˛
:= min 0: = ir atsitiktinius procesus := bei := (momentu
sustabdytieji procesai ir ). Tada procesams ir vietoje ka˛ tik i˛rodytos nelygybės gauname
"
E
=E
2
( ) ( ) d
0
# 2
+ ( ) ( ) d
"
0
=E 1l
( ) ( ) d
0
# 2
+ 1l ( ) ( ) d
0
E 1l 2 d
0
= E 1l
d
2
E
2
d 0
0 0
80 5. Stochastinės diferencialinės lygtys
2 = 0 0
2
E = E
E 2 = 0 0
t.y. = beveik tikrai su visais 0.
2. Tiesa˛ sakant, yra gana subtilus skirtumas tarp lygybės = beveik tikrai su visais
[0 ] ir lygybės = su visais [0 ] beveik tikrai. Pirmuoju atveju nulinės tikimybės
i˛vykis, kuriame , gali priklausyti nuo ir visu˛ tokiu˛ i˛vykiu˛ sajunga
= ˛ pagal visus [0 ]
nebūtinai yra nulinės tikimybės i˛vykis (nes [0 ] nėra skaičioji aibė). Todėl negalime tvirtinti,
kad beveik tikrai lygybė = yra teisinga su visais [0 ]. Tačiau, jei procesai ir yra
tolydūs (kaip mūsu˛ nagrinėjamu atveju), tai teiginiai, kad = b.t., [0 ], ir = ,
[0 ], b.t., yra ekvivalentūs, nes tam, kad tolydieji procesai tapačiai sutaptu,˛ pakanka, kad jie
˛ u˛ aibėje.
sutaptu˛ skaičiojoje racionaliuj
Egzistavimas. Taikysime diferencialiniu˛ lygčiu˛ teorijoje gerai žinoma˛ Pikaro4 ite-
raciju˛ metoda˛ ir sukonstruosime atsitiktiniu˛ procesu˛ seka,˛ konverguojančia˛ i˛ lygties
sprendin˛i. Pažymėkime
0 = 0 , 0, ir apibrėžkime seka˛ rekurentiškai ly-
gybe +1 = ,
IN+ . Tada +1 = 1 . Pasinaudoj˛e
E = E E
2 2 2
+1
1
1
d 0
0
Panaudoj˛e gautaj
˛ a˛ nelygyb˛e dar karta,˛ gauname
E E d
+1 2 1 2
0
E
2
2
1
#
2
#
d) d 0
0 0
T˛esiame toliau:
1
E E
1
+1
2
1
0 2
d d2 d1 IN
. /0 1
0 0
0
4
Charles Émile Picard.
5. Stochastinės diferencialinės lygtys 81
E
2
0 2
1
=E (0 ) d + (0 ) d
0
0
2
2
2E (0 ) d + 2E (0 ) d
0
0
2 ( )
0
2
d +
(0 ) 2 d
0
2 ( + 1) 1 + 02 =
;
0
čia konstanta
=
(1 + 02 ). I˛stat˛e i˛ ankstesn˛e nelygyb˛e, su visais IN gauname
1
E
1
+1
2
d d2 d1
. /0 1
0 0 0
= 0 (#)
!
2 1 2
+1
2 = E
+1
( )
=1 =1
1 2
0
=1
!
t.y. eilutė =1 (
+1
) konverguoja kvadratinio vidurkio prasme (0.10 skirsnis).
Pažymėkime
=
0 + =0 (
+1
) (kvadratinio vidurkio prasme). Tada
= - lim
1
= - lim
+
2 0
+1
2
=0
Taigi Pikaro iteraciju˛ seka
turi riba˛
(kvadratinio vidurkio prasme) kiek-
viename taške 0. Lygybėje
+1 =
formaliai perėj˛e prie ribos, kai ,
gautume lygyb˛e
=
, 0, kuri reiškia, kad yra ( ) lygties sprendinys.
Griežtas tokio perėjimo pagrindimas šiek tiek sunkesnis. Iš sprendinio vienaties i˛rody-
82 5. Stochastinės diferencialinės lygtys
mo turime nelygyb˛e
"
# 2
E ( ) ( ) d +
( ) ( ) d
0 0
E
2
d 0
" #
Todėl
2
E
0 ( ) d ( ) d
" 0
( ) d
= E
+ 1
# 2
+ 1
( ) d
2E
0
2
+ 2E
1
( ) d +
1
( ) d
2
0 0
2E + 2 E 2
1 2
d 0 0 IN
'
2 ( ) 3 =1 2
' '
'
:= +1
2
1 2 2
=1
2
=1
!
Iš tikruj
˛ u,
˛ kadangi i˛verčio dešinėje esantis narys
yra monotoniškai didėjanti funk-
cija, tai gauname 0 E 1 2 d 0
d 0
d =
0,
, su
visais 0. Taigi E(
0
( ) d ( ) d )2
= 0 su visais 0,
!
0 0
A%
( %
;
(
$
#$
;
5
(
;
5
0
*
+
,
6.1. Apibrėžimas. Suderintas atsitiktinis procesas =
0 vadinamas martinga-
) = 0
lu, jei
E + (
( )
su visais aprėžtais atsitiktiniais dydžiais +
ir 0.
6.2. Pastabos. 1. Sakoma, kad atsitiktiniai dydžiai +1 ir +2 yra ortogonalūs, jei E(+1 +2 ) =
0. Todėl ( ) savyb˛e galima interpretuoti taip: atsitiktinis procesas yra martingalas, jei
jo pokyčiai
, 0, yra ortogonalūs praeičiai
(t.y. visiems aprėžtiems
atsitiktiniams dydžiams +
). Brauno judesys yra martingalas – jo pokyčiai yra
ne tik ortogonalūs, bet ir nepriklausomi nuo praeities. Daug Brauno judesio savybiu˛
gali būti apibendrintos martingalams, nes ju˛ i˛rodymuose faktiškai remiamasi ne tiek
pokyčiu˛ nepriklausomumu nuo praeities, kiek ju˛ ortogonalumu pastarajai.
2. Dažnai ( ) lygybėje atsitiktiniu˛ dydžiu˛ + aprėžtumo galima atsisakyti, jei tik
sandauga + (
) turi vidurk˛i. Pavyzdžiui, jei E
2 , 0, tai iš ( ) lygybės
su aprėžtais +
išplaukia lygybė ir atsitiktiniams dydžiams +
, turintiems
˛ i momenta˛ (E+ ).
baigtin˛i antraj˛ 2
M 3. Dažniausiai martingalas apibrėžiamas naudojant atsitiktinio dydžio salyginio
vidurkio -algebros atžvilgiu savok ˛ a.˛ Sakykime, yra atsitiktinis dydis,
˛
–
-algebra. Prisiminkime (0.6 skirsnis), kad atsitiktinis dydis vadinamas atsitiktinio
dydžio vidurkiu -algebros atžvilgiu, jei jis yra -matus ir
E(+ ) = E(+ )
su kiekvienu aprėžtu -mačiu atsitiktiniu dydžiu + . Jis žymimas E( ). Martingala˛
apibrėžianti ( ) savybė tada gali būti užrašyta taip:
E( ) = 0
6.3. Teiginys. Sakykime, atsitiktinis procesas 2 [0 ]. Pažymėkime
= 0 d ,
= 0
2 d , [0 ]. Tada:
1) atsitiktinis procesas
, [0 ], yra martingalas;
2) E(+ ( 2
2 )) = E(+ (
)2 ) su visais aprėžtais +
, 0 ;
3) atsitiktinis procesas
:=
2
, [0 ], yra martingalas.
84 6. Ito procesai
E + ( ) = E +
# d# = E
+# d# = 0
2. Kadangi +
, tai, remiantis 6.1 apibrėžimu (taip pat žr. 6.2.2 pastaba),
˛
E + ( ) = E + ( + 2 )
2 2 2
= E + ( ) 2E (+ )( )
2 2
= E + ( )
2 2
E + ( )
= E + ( )
2 2
= E + ( ) + ( )
2 2
= E + ( ) + ( )
*
(2 savybė)
2
=E + d + d) # #
2
#
)
* 2
=E + # d + d)
# #
2
(3.8 teorema, 2 savybė)
2
=E + # d# E + #
2
d) = 0 (3.8 teorema, 3 savybė)
lygybe neneigiamiems +
,
E + ( ) = E (+ + )( )
+
!
= E (+ ( ) E + ( ) = 0 0 = 0 +
d := d
0 0
Š˛i apibrėžima˛ pateisina keli toliau i˛rodomi teiginiai apie Rymano tipo integralines
sumas. Sakykime, Δ = 0 = 0 1
= , IN, – smulkėjanti
intervalo [0 ] skaidiniu˛ seka ( Δ = max +1 0, ). Žymėjimams
suprastinti vėl susitarsime praleisti indeksus ir rašyti = ( ), Δ = +1 .
6.5. Teiginys. Sakykime, [0 ], := d , [0 ], ir := d ,
2
2
Δ d = d ;
Δ d = d
1) 0
0
P
2 2
2)
Atskiru atveju, kai
1,
0
0
Δ
2 P
cija.
I˛rodymas. 1. Iš pradžiu˛ tarsime, kad yra aprėžtas atsitiktinis procesas, t.y.
,
[0 ] ( – neatsitiktinė konstanta).1 Pažymėkime
= = ( ), [ +1 ).
Tada
2
E Δ
d
0
+1
2
=E
d
d
0
+1
2
=E
d
d
0
+1
2
=E
d
d
0
d
2
2
=E
=E
d
0 0
pointegralinis reiškinys (
)2
2
2 2
2 (
)2
+ 4 [0 ]
2 2 2 2
1
Beje, esant šiam apribojimui ir i˛rodysime daugiau – konvergavima˛ kvadratinio vidurkio prasme.
86 6. Ito procesai
. Todėl, remiantis Lebego teorema (0.11 skirsnis),
ir E 0 4 2
2 d = 4 2 2
E 0 (
)2
2 d
0, . Tuo pačiu gauname
2
E Δ
d
0
0
M Bendru atveju, kai nėra aprėžtas viena (neatsitiktine) konstanta, pažymėkime
)
(& )
:= max min =
kai
! ,
kai
,
kai
.
(& )
Δ 2
(& )
d
0
ir juo labiau
(& )
Δ P
(& ) d
0
(& )
(& )
Δ = Δ ir
d
=
d
0 0
))
0
* *
= P Δ d !
Ω
(& ) (& )
&
)) * *
0
+ P Δ d !
Ω
&
0
6. Ito procesai 87
) *
P d !
+ P Ω
(& )
Δ
(& )
&
) * Æ Æ
0
P d !
+
(& )
Δ
(& )
2 2
0
Vadinasi, atsiras toks 0 , kad
) *
P Δ d !
Æ
0
su visais 0 . Kadangi
! 0 ir Æ ! 0 pasirinkome laisvai, tai
) *
P Δ d !
0
! 0
0
Tai ir reikėjo i˛rodyti.
2. Kadangi Δ yra Styltjeso integralo 0
d
integralinės sumos, tai
˛ i (b.t.), kai
jos konverguoja i˛ pastaraj˛
. Todėl pakanka i˛rodyti, kad
Δ 2 Δ 0
P
Iš pradžiu˛ tai vėl patikrinsime su tam tikrais aprėžtumo apribojimais – tarsime, kad
procesai ir yra aprėžti:
ir
, [0 ]. Remdamiesi tuo, kad
procesas
=
2
, [0 ], yra martingalas (6.3.3 teiginys), gauname (plg.
=E Δ Δ Δ Δ
2
2
(Δ Δ )
2
=E
2
+ 2E Δ Δ Δ
Δ 2
2
E Δ Δ 2 2 2
=
+2 E (Δ Δ ) Δ Δ
2
2
E Δ Δ + 0 2 E Δ + Δ ;
2
2 2
2 4
2
88 6. Ito procesai
(
= E + Δ( ) === 0
2
633
su + = (Δ Δ )
, (žr. taip pat 6.2.2 pastaba).
2
˛ Lieka i˛sitikinti,
E(Δ + Δ ) 0, . Pasinaudoj˛e nelygybe
4 2
kad
2 4
2 2
E d 36E d 2
1
1
(3.8 teorema, 5 savybė), gauname
E Δ 4
+Δ 2
" #
+1 4 +1 2
= E d +E d 2
+1 2
2
37 E d 2
37 4 +1
= 37 Δ 0
37 4 Δ +1
4
= 0 + @ d + d [0 ]; ()
0 0
(b.t.), t.y. 0 @ d + ir 0 2 d + (b.t.). Tokiu atveju sakoma, kad
čia @ ir yra tokie suderinti atsitiktiniai procesai, kad nurodyti integralai egzistuoja
procesas turi stochastin˛i diferenciala˛
d
= @
d +
d
arba trumpiau,
d = @ d + d
Atskiru atveju, kai = 0, sakysime, kad Ito procesas yra reguliarus.
6. Ito procesai 89
+
=
+ d := + @ d + + d [0 ]
0 0 0
jei dešinėje esantys integralai egzistuoja su visais [0 ]. Pastebėkime, kad tokiu
atveju stochastinis integralas + taip pat yra Ito procesas.
= 0 + @ d + d ir
= 0 + @ d + d
. Procesas
0 0 0 0
:=
0
vadinamas Ito proceso kvadratine variacija. Pastebėsime, kad kovariacija
= 0, jei bent vienas iš Ito procesu˛ ir yra reguliarus.
6.8. Teiginys (Stochastiniu˛ integralu˛ savybės). Tarkime, kad ir yra Ito procesai, o + ir
A – suderinti atsitiktiniai procesai intervale [0 ]. Tada:
1) + ($ + % ) = $+ + %+ , $ %
IR,
2) ($+ + %A ) = $+ + %A , $ % IR,
3) A (+ ) = (A + )
4) + A = (+A )
su salyga,
˛ kad pirmuj˛ u˛ triju˛ lygybiu˛ dešinėje, o paskutinės lygybės – kairėje esantys
integralai yra apibrėžti.
I˛rodymas. Visos savybės gana lengvai patikrinamos tiesiog pagal stochastinio integralo
˛ u,˛ sakykime, kad Ito procesai ir tokie, kaip nurodyta 6.7 api-
apibrėžima.˛ Iš tikruj
brėžime.
1 savybė. Remiantis stochastinio integralo Brauno judesio atžvilgiu tiesiškumu,
d [0 ]
($ + % )
= $0 + %0 +
$@ + % @ d + $ + %
0 0
Todėl
+ ($ + % )
= + $@
d + + $
+ %@ + % d
0 0
90 6. Ito procesai
= $+ @
+ %+ @ d + $+ + %+ d
0
0
=$ + @ d + + d + %
+ @ d + + d
[0 ]
0 0 0 0
= $+
+ %+
2 savybė. Patikrinama panašiai:
($+ + %A )
= ($+ + %A )@ d + ($+ + %A ) d
0 0
=$ + @ d + % A @ d + $ + d + % A d
0
0
0
0
=$ + @ d + + d + % A d + A d
[0 ]
0 0 0 0
= $+
+ %A
+ @ d + + d , tai
0 0
A (+ )
=
A (+ @ ) d + A (+ ) d
0 0
0 0
+ A =
(+ A ) d
0
6.9. Pastaba. Skaičiuojant stochastinius integralus (kaip, beje, ir „paprastus“ integra-
lus), dažnai labai patogu naudotis formaliomis atsitiktiniu˛ funkciju˛ (procesu)
˛ ir ju˛ di-
ferencialu˛ daugybos bei sudėties taisyklėmis. Susitarkime rašyti d+ = d , jei
6. Ito procesai 91
+
+0 = 0
d , [0 ]. Atskiru atveju ( = 1) dviem Ito procesams + ir
rašysime d+ = d , jei +
+0 =
0 , [0 ]. Taip pat apibrėžkime Ito
procesu˛ ir diferencialu˛ suma˛ ir „sandauga“
˛ lygybėmis
d + d := d( + )
d d := d
Tada 6.8 teiginyje suformuluotas savybes galima užrašyti diferencialiniu pavidalu taip:
1) + d($ + % ) = $+ d + %+ d
2) ($+ + %A ) d = $+ d + %A d
3) A (+ d ) = (A + ) d
4) (+ d ) (A d ) = (+A ) d d .
Prie šiu˛ savybiu˛ dar pridursime kelis naudingus pastebėjimus, tiesiogiai išplau-
kiančius iš apibrėžimo:
5) (d + d ) d+ = d d+ + d d+ ,
6) d d = d d ,
7) (d d ) d+ = d (d d+ ) = 0, nes dvieju˛ Ito procesu˛ kovariacija – visada
reguliarus procesas.
Kuo patogi, pavyzdžiui, 3 savybė? Tarkime, kad
= 0 + 0+ d . Diferencia-
liniu pavidalu šis saryšis
˛ užrašomas d = + d . Remiantis 3 savybe galima formaliai
padauginti šia˛ lygyb˛e iš atsitiktinio proceso A ir gauti lygyb˛e A d = A + d , o po to,
˛ integralu˛ lygyb˛e 0A d = 0A + d .
vėl formaliai suintegravus, gauti (teisinga!)
Dabar i˛rodysime 6.5 teiginio apibendrinima˛ Ito procesams. Vėl tarkime, kad
Δ = 0 = 0 1 IN
=
yra smulkėjanti intervalo [0 ] skaidiniu˛ seka (Δ = max 0). Ir toliau
+1
.
Δ =
+1
6.10. Teiginys. Sakykime, = + + = + @ d + d , [0 ], yra
Δ d ;
Δ d
1) 0
Δ ,
2
2)
Atskiru atveju, kai
1,
0
P
2
(beveik tikrai, taigi – ir pagal tikimyb˛e). Todėl, remdamiesi 6.5.1 teiginiu, gauname 0
Δ d + d P
Δ = Δ +
0 0
=
d
0
92 6. Ito procesai
2) Turime
Δ2 = Δ 2 + 2 Δ Δ + Δ2
Δ 2
d
=
d
0 0
Todėl pakanka i˛rodyti, kad
Δ Δ 0P
ir Δ2 0
P
Turime
Δ Δ max Δ Δ
, o pas-
+1
+1
max
[0
]
@ d = max @ d
[0
]
Δ Δ 0, . Analogiškai
0
Todėl
Δ max Δ Δ 0
2
!
6.11. Išvada. Jei ir , [0 ], yra du Ito procesai, tai
I˛rodymas.
(Δ + Δ ) (Δ Δ ) 2 2
Δ Δ =
4
(Δ( + ) ) (Δ( ) ) +
2 2
=
4 4
+ ) ( 2 + )
(
+ 2
=
=
4
!
6. Ito procesai 93
Remdamiesi 6.10 teiginiu, Ito formul˛e galime i˛rodyti ir Ito procesams, panašiai
kaip tai darėme Brauno judesiui (4.2 ir 4.2a teiginiai)
6.12. Teorema (Ito formulė Ito procesui). Jei
= 0 + 0@ d + 0 d ,
[0 ], yra
&
Ito procesas ir # 2 ([0 ] IR), tai
# # 0
0
1
= # d + # d +
# d
2
0 0 0
= # d + # @ d
0 0
1
+ # d +
#
d
2
0 0
Pastaba. Bendresnis atvejis – Ito formulė keliu˛ Ito procesu˛ funkcijai – suformuluotas 12.5 teore-
moje.
I˛rodymas. Kadangi i˛rodymas panašus i˛ 4.2 ir 4.2a teiginiu˛ i˛rodymus, pateiksime tik
jo eskiza.˛ Skirtuma˛ # (
) # (0 0 ) užraš˛e „teleskopine“ suma ir pasinaudoj˛e
# 0 = # ( ) # ( )
Teiloro formule, turime
#
0 +1 +1
= # ( )Δ + # ( )Δ
2
1
+ #
( )Δ 2
+ ; ( +1 +1 );
čia ; ( ) < ( + )(( )2 + ( )2 ), o funkcija < : IR+ IR
,
+
˛ a˛ lim 0 < (5) = 0. Gautojoje išraiškoje pereidami prie ribos, kai
tenkina salyg
# ( )Δ
P
# (
) d
0
ir
#
( )Δ #
(
) d
1
2
#
( )Δ2 0
0
#
( )Δ Δ 0
P
; ( +1 +1 ) 0
P
!
6.13. Išvada (Integravimo dalimis formulė). Jei ir yra Ito procesai intervale [0 ], tai
= 0 0 + d + d +
[0 ]
0 0
d =
0 0 d d = d( ) d
0 0
I˛rodymas. Sakykime,
= 0 + @ d + d ir
= 0 + @ d + d [0 ]
0 0 0 0
=
2
02 + 2 d + 2 d
0
0
=
2
02 + 2 d +
2 d
0
0
2
(
+
) = (0 + 0 ) + 2 ( + ) d( + ) +
2 2
+ d
= 02 + 2 d + d +
2
02 + 2 d +
2 d
0
= 0 0 + d + d + d
0 0 0 !
Apibrėžus stochastinius integralus Ito procesu˛ atžvilgiu, galima apibendrinti ir sto-
chastinės diferencialinės lygties savok
˛ a,˛ kurioje stochastinis integralas imamas Ito pro-
ceso atžvilgiu.
d
= (
) d
+ (
) d+
0 = 0 (B)
= 0 + ( ) d + ( ) d+ ;
0 0
6.15. Teorema. Jei lygties koeficientai ir tenkina Lipšico ir tiesiško augimo salygas,
˛ tai
egzistuoja vienintelis Ito procesas – (B) lygties sprendinys.
96
)
*
./
$
/
B
!
/
#
$ %!
IN. Dėl diferencijuojamumo šie integralai lygūs 0
d
= (
)
2. Ka-
2
(
)2
2 =
2
2, tai gamtoje minėtasis integralas 0
d
, kartu ir jo
dangi lim
tam tikras reiškinys turėtu˛ būti modeliuojamas stochastine diferencialine lygtimi
= 0 + ( ) d + ( ) d ( )
0 0
Norėdami pagr˛isti tok˛i pasirinkima,˛ galime pabandyti paimti reguliariu˛ (tolydžiai dife-
rencijuojamu)
˛ procesu˛ seka˛ IN , konverguojančia˛ i˛ Brauno judes˛i (pavyz-
džiui, tolygiai baigtiniuose laiko intervaluose [0 ]). Nagrinėkime atitinkamu˛ lygčiu˛
seka˛
= 0
+ d + d
0 0
Jei sprendiniu˛ seka turi riba˛ , tai natūralu tikėtis, kad ši riba ir yra atsitiktinis
procesas, gerai modeliuojantis reiškin˛i. Deja, kaip vėliau i˛sitikinsime, nėra lygties
( ) sprendinys. Maža to, jis tenkina kita˛ lygt˛i
)
1
= 0 + ( ) +
( ) d + ( ) d (
0 2 0
1
Gal šiek tiek rizikuojant, galima būtu˛ tvirtinti, kad gamtoje iš viso neegzistuoja funkciju,˛ kurios yra
tolydžios, bet nediferencijuojamos.
7. Stratonovičiaus integralas ir lygtys 97
kurioje matome papildoma˛ nar˛i 12 0 ( ) d . Taigi ( ) lygt˛i, kuri turėtu˛ gerai
aprašyti reiškin˛i, turime papildyti koreguojančiu nariu ir vietoje jos nagrinėti ( ) lygt˛i.
Panašūs „paradoksai“ apibūdinami Ito integralu˛ ir stochastiniu˛ diferencialiniu˛ lyg-
čiu˛ nestabilumu. Iš susidariusios padėties yra dvi galimos išeitys.
1. Koreguojantieji stochastiniu˛ diferencialiniu˛ lygčiu˛ nariai. I˛ stochastines diferen-
cialines lygtis, modeliuojančias realius reiškinius, būtina žiūrėti kritiškai. Reikia turėti
mintyje, kad intuityviais, euristiniais samprotavimais išvestas lygtis dažniausiai tenka
papildyti koreguojančiais nariais.
2. Kito stabilesnio integralo sukonstravimas. Vietoje Ito integralo galima paban-
dyti sukonstruoti kitok˛i stochastin˛i integrala,˛ kuriam nebūtu˛ būdingi ka˛ tik nupasakoti
„paradoksai“. Laimei, toks integralas yra sukonstruotas. Jo esm˛e galima apibūdinti taip.
Prisiminkime 3.9 teiginyje pateikta˛ tolydžiojo atsitiktinio proceso stochastinio integralo
apibūdinima˛ kaip Rymano tipo integraliniu˛ sumu˛ riba: ˛
( )
d
= lim ( ) (+1 )
0
bandyti integrala˛ apibrėžti lygybe
( )?
d
= lim (¯ ) (+1 )
0
Pasirodo, kai integruojamasis procesas yra pakankamai geras, taip gaunamas integra-
las, kuris taip pat yra tam tikra prasme simetriškas. Pirmasis tokio tipo integralus ir lyg-
tis su jais nagrinėjo (taikymuose!) rusu˛ radiofizikas ir tikimybininkas Stratonovičius.2
Vėliau paaiškėjo, kad darnesnė simetriniu˛ stochastiniu˛ integralu˛ teorija gaunama, kai
integralinėse sumose imamos ne procesu˛ reikšmės skaidinio intervalu˛ viduryje, o pačiu˛
reikšmiu˛ intervalu˛ galuose vidurkiai. Ilga˛ laika˛ matematinėje literatūroje vyko disku-
sija, koks integralas geresnis – Ito ar Stratonovičiaus. Galima sakyti, kad „varžybos“
baigėsi lygiosiomis. Kiekvienas integralas turi savo „pliusu˛ ir minusu“. ˛ Ito integralas
turi geresnes analizines savybes (platesnė integruojamu˛ procesu˛ klasė), o Stratonovi-
čiaus – geometrines (˛iprastinės kintamuj
˛ u˛ keitimo formulės). Jei abu egzistuoja, jie ga-
na paprastai išsireiškia vienas per kita.˛3 Dažniausiai Ito integralai ir lygtys naudojami,
kai tolydžiojo laiko modeliais aproksimuojami diskrečiojo laiko reiškiniai (biologiniu˛
populiaciju˛ dinamika, finansu˛ rinka), o Stratonovičiaus – kai aprašomi tolydžiojo laiko
reiškiniai su trikdžiais, artimais baltajam triukšmui (cheminės reakcijos, radijo signalai
su triukšmais).
2
R. L. Stratonovič (Ruslan Leonteviq Stratonoviq ).
3
Čia situacija iš esmės skiriasi nuo „determininuotu“
˛ Rymano ir Lebego integralu,˛ kurie sutampa, kai abu
egzistuoja.
98 7. Stratonovičiaus integralas ir lygtys
+1
= d := P- lim Δ
0
2
1
d = d +
0 0 2
arba trumpiau –
Æ
= +
1
2
Atskiru atveju, kai bent vienas iš procesu˛ ir yra reguliarus, Stratonovičiaus ir Ito
integralai sutampa: = . Æ
1
= P- lim Δ + P- lim Δ Δ
2
1
= d +
0 2 !
Pastaba. Pastebėsime, kad Stratonovičiaus integralas Æ egzistuoja, kai pointegralinis procesas
yra Ito procesas. Nors tai nėra bendriausia reikiama integruojamumo Stratonovičiaus prasme
salyga,
˛ tačiau integruojamu˛ Stratonovičiaus prasme procesu˛ klasė vis dėlto daug siauresnė už
integruojamu˛ Ito prasme procesu˛ klas˛e. Turbūt tai rimčiausias Stratonovičiaus integralo trūkumas.
7.3. Teiginys (Stratonovičiaus integralo savybės). Tarkime, kad , , + ir A yra Ito proce-
sai intervale [0 ]. Tada:
Æ Æ Æ
1) + ($ + % ) = $+ + %+ , $ % IR;
2) ($+ + %A ) Æ = $+ Æ + %A Æ , $ % IR;
3) A Æ (+ Æ ) = (A + ) Æ ;
4) + Æ A Æ = + A = (+A ) Æ = (+A ) .
7. Stratonovičiaus integralas ir lygtys 99
Æ
+ ($ + % ) = + ($ + % ) +
1
+ $ + %
2
1
= $+ + %+ + $ + + % +
2
1
= $ + + + + % + + +
2
1
2
= $+ + %+ Æ Æ
2 savybė. Patikrinama analogiškai:
Æ
($+ + %A ) = ($+ + %A ) +
1
($+ + %A )
4 5
2
1
= $+ + %A + $ + + % A
2
1
= $ + + + + % A + A
2
1
2
= $+ + %A Æ Æ
3 savybė. Lygybės kairėje
Æ Æ
A (+ ) = A (+ ) + Æ 1
A + Æ
4 5
2
= A (+ +
1
1 1
+ ) + A + + +
4 5
2 2 2
1 1 1
= (A + ) + A + + + A + A +
2
2 4
Dešinėje
Æ
(A + ) = (A + ) +
1
A +
4 5
2
613 1
===(A + ) + A + + + A + A +
4 5
2
1
= (A + ) + A + + + A +
2
1
2
1
2
A +
Abieju˛ lygybiu˛ paskutiniai dėmenys lygūs nuliui, todėl savybė i˛rodyta.
4 savybė.
6 7
+ Æ A Æ = 1
+ +
1
+ A + A
4 5 4 5
2 2
= + A +
1 1
+ A + + A
4 5
2 2
1
+ + A
4
= + A = (+A ) ;
100 7. Stratonovičiaus integralas ir lygtys
= (+A )
Čia pasinaudojome tuo, kad dvieju˛ Ito procesu˛ kovariacijos (kaip reguliaraus proceso)
ir bet kokio trečio Ito proceso kovariacija lygi nuliui. !
7.4. Teorema (Ito formulė Stratonovičiaus pavidalu). Jei
, 0, yra Ito procesas, o
&
funkcija # 2 3 (IR+ IR) (t.y. # yra dukart tolydžiai diferencijuojama pagal pirmaj˛˛i
argumenta˛ ir triskart – pagal antraj˛
˛ i), tai
#
0
0 0
1
+ # ( )
(#)
0 0 2
Taikome procesui # (
), 0, Ito formul˛e:
# (
) = # (0 0 ) + # ( ) d
0
1
+ # ( ) d + # ( ) d 0
2 0 0
0# ( ) d , 0 (6.8 teiginys, 4 savybė). I˛stat˛
e tai i˛ (#) lygt˛i ir pasinaudoj˛e
Ito formule (6.12 teorema), gauname
# Æ d = # d + # ( ) d
2
0 0 0
= # # 0 # d
! 0
0
IN, yra Ito procesai ir b.t. , , tolygiai intervale [0 ]. Tada su bet kokia
+
Æ d ( ) Æ d
0 0
4
Eugene Wong, Moshe Zakai.
7. Stratonovičiaus integralas ir lygtys 101
I˛rodymas. Pažymėkime
Kadangi # 23
ir # ( ) = ( ), ( ) IR & IR, tai, remiantis 7.4 teorema,
+
Æ d
= # # 0 # d
0
0 0
0
0
= ( ) Æ d
0
Čia pasinaudojome tuo, kad iš tolygaus (bet kokiame baigtiniame intervale [0 ]) kon-
vergavimo
dėl funkciju˛ # ir # tolydumo išplaukia konvergavimas (tolygus
tame pačiame intervale) # ( ) # ( ) ir # ( )
# ( ), [0 ].
!
I˛rodyta 7.5 teiginyje Stratonovičiaus stochastiniu˛ integralu˛ stabilumo savybė rodo,
kad galime tikėtis tam tikro stabilumo ir Stratonovičiaus stochastinėms diferenciali-
nėms lygtims (kuriose stochastiniai integralai imami Stratonovičiaus prasme). Tačiau
pradžioje nustatykime ryš˛i tarp Stratonovičiaus ir Ito stochastiniu˛ diferencialiniu˛ lygčiu.˛
Nagrinėkime lygt˛i
Æ
= 0 + ( ) d + ( ) d 0 (S)
0 0
Tam, kad ji turėtu˛ prasm˛e, reikia, kad su bet kokiu Ito procesu procesas ( ),
0, vėl būtu˛ Ito procesas. Remiantis Ito formule, tam pakanka, kad koeficientas
2 (t.y. būtu˛ dukart tolydžiai diferencijuojamas). Pabandykime (S) lygt˛i užrašyti Ito
pavidalu (kaip stochastin˛e diferencialin˛e lygt˛i su Ito integralu). Visu˛ pirma, remiantis
7.2 teiginiu, bet koks (S) lygties sprendinys tenkina lygt˛i
1 4 ( ) 5
= 0 + ( ) d + ( ) d +
0 (S )
2
0 0
Todėl
= ( ) d ir, remiantis Ito formule (4.2 teorema),
2
(
) = (0 0 ) + ( ) d + ( ) d
0 0
1
+
( ) d
2 0
102 7. Stratonovičiaus integralas ir lygtys
4 5
0 0
1
+ ( ) d ( )
2 0
1
+ ( ) d + 2
( ) d
0 2 0
=
( ) d + reguliarus procesas
0
4 ( ) 5 =
Todėl
( ) d ()
0
I˛stat˛e šia˛ išraiška˛ i˛ pradin˛e (S ) lygt˛i, gauname ekvivalenčia˛ (S) lygčiai Ito lygt˛i
1
= 0 + ( ) +
( ) d + ( ) d 0 (I)
0 2 0
Atvirkščiai, jei atsitiktinis procesas tenkina (I) lygt˛i ir (IR & IR), tai
2
+
analogiškai gauname, kad teisinga () lygybė. Todėl
Æ
1
( ) d + ( ) d = ( ) d 0
2 0 0 0
ir iš (I) lygybės išplaukia (S) lygybė. Taigi teisingas toks teiginys:
7.6. Teiginys. Jei : IR+ IR IR ir &
2 (IR+ & IR), tai kiekvienas (S) lygties spren-
dinys yra lygties (I) sprendinys (ir atvirkščiai).
Pastaba. Nesunku pastebėti, kad jei (S) lygtyje
yra bet koks Ito procesas, tai (I) lygt˛i reikia
pakeisti lygtimi
= 0 + ( ) d +
1
2
(
) d
+ ( ) d
0
0 0 0
Nagrinėkime dabar seka˛ lygčiu˛
Æ d+ IN = IN
= 0 + d +
0 (S )
0 0
kurioje + , IN, – bet kokie Ito procesai, konverguojantys i˛ Ito procesa˛ + := + ,
d
= (
) d + (
) d+
Æ
Remdamiesi 7.3 teiginio 3 savybe, abi lygties puses galime padauginti iš 1
(
):
1
Æ
(
) d
= 1
(
) d + d+
1
( ) d = 1
( ) d + +
0 0
Pažymėkime .( ) = 0 ( ) d (t.y. . ( ) = ( )). Pritaik˛e Ito for-
1 1
mul˛e (7.4 teorema) kairiojoje lygybės pusėje esančiam Stratonovičiaus integralui, gau-
name
.( ) .(0 ) = Æ
= ( 1
+ . )( ) d + +
0
gautos pritaikius funkcijai .( ) Lagranžo vidutinės reikšmės teorema.˛ Todėl su kiek-
vienu fiksuotu funkcija .( ) turi atvirkštin˛e funkcija,˛ apibrėžta˛ visoje tiesėje IR.
Pažymėkime ja˛ ( ). Tada
= .(0 ) + 0
1
+ . ( ) d + +
(#)
0
=
.(0 ) +0
1
+ . d + +
(# )
0
104 7. Stratonovičiaus integralas ir lygtys
0
@ @ ( ) d + + +
Dabar matome, kad natūralu pareikalauti Lipšico salygos˛ ir funkcijai @ (tai – papildo-
mas reikalavimas, kad koeficientai būtu˛ geri; jis išpildytas, jei, pavyzdžiui, egzistuoja
tolydžios ir aprėžtos išvestinės ( 1 ) ( ) ir ( 1 )
( )). Tada iš paskutinės nely-
1
Čia galime pritaikyti Gronvolo lema˛ (5.3 lema), su bet kokiu fiksuotu imdami = ( ) =
ir
:= sup
+
+
|. Ja remdamiesi, gauname
sup + + e
(1
t.y.
e + 0
sup
sup +
!
(1
stochastiniu˛ integralu.
˛ Jei Stratonovičiaus integralus pakeistume Ito integralais, gautume lygybes
= (0 0 ) + ( 1 + )( ) d + ( ) d +
1
0 2 0
ir
d4 5 +
= (0 ) +0
+ d + 1 1
0 2 0
d +
rastu˛ papildomas „šalutinis“ narys:
1
0
4 5 4 5
+ d ( ) d
2
0 0
7. Stratonovičiaus integralas ir lygtys 105
neišplaukia ju˛ kvadratiniu˛ variaciju˛ artumas. Pakanka panagrinėti paprasta˛ atvej˛i, kai =
yra
Brauno judesys, o – jo reguliarios aproksimacijos, pavyzdžiui, laužtės (atkarpomis tiesiški
procesai); tada = , o = 0. Tad norint gauti stabilumo savyb˛e Ito lygtims, tektu˛
2. Faktiškai teorema yra teisinga, kai tenkina Lipšico salyg˛ a, ˛ o turi aprėžtas pirmaj
˛ a˛ ir
antraj
˛ a˛ išvestines, tačiau su šiomis salygomis
˛ jos i˛rodymas būtu˛ daug sunkesnis.
= 0 + d + d
0
0 0
1
= 0 + ( ) +
( ) d + ( ) d 0
0 2 0
I˛rodymas. Pakanka pasinaudoti 7.7 teorema, prisiminus, kad nurodytoji lygtis sutampa
su (S) lygtimi, užrašyta Ito pavidalu (7.6 teiginys). !
106
+ ,
%
&
C.
" DE
)
&'
()
8.1. Apibrėžimas. Tiesine stochastine diferencialine lygtimi (TSDL) vadinama lygtis
d
= 1 ( )
+ 2 ( ) d + 1 ( )
+ 2 ( ) d
0 = 0 ;
( )
čia ir ( = 1 2) – neatsitiktinės funkcijos, aprėžtos kiekviename baigtiniame in-
tervale [0 ] (pavyzdžiui, tolydžios). Lengva patikrinti, kad tada TSDL koeficientai
tenkina Lipšico salygas
˛ ir todėl ji turi vienintel˛i sprendin˛i. Jei ir – konstantos, tai
*
Φ
= exp 1 ( ) 1 2
( ) d +
2 1
1 ( ) d 0
0 0
I˛rodymas. Pažymėkime
+
= 1 ( ) 1 2
( ) d +
2 1
1 ( ) d
0 0
taigi Φ
= e+
, 0. Tada, remiantis Ito formule,
1
dΦ
= e+
d+
+ e+
d +
2
= e 1 ( )
+
1 2
2
1
1 ( ) d + e+
1 ( ) d
+ e+
12 ( ) d
2
= e 1 ( ) d + e 1 ( ) d
+
+
= 1 ( )Φ
d + 1 ( )Φ
d
Pradinė salyga
˛ Φ0 = 1 akivaizdžiai tenkinama. !
8.3. Teiginys. Atsitiktinis procesas Φ
1 , 0, yra TSDL
d
= ( ) + ( ) d ( ) d
1
2
1
1
0 = 1
sprendinys.
8. Tiesinės stochastinės diferencialinės lygtys 107
dΦ
1
= e d+ + 1 e d+
= d e +
+
+
2
= e ( ) ( ) d + e ( ) d
1 1
+
2 +
+ e +
12 ( ) d
2
1 1 1
=e ( ) + ( ) d e ( ) d
+
1
2 +
= ( ) + ( ) Φ d ( )Φ d
1
2 1 1
1 1
1
Pradinė salyga
˛ Φ0 1 = 1 taip pat akivaizdžiai tenkinama.
!
8.4. Teorema. Atsitiktinis procesas
)
*
= Φ
0 + ( ) ( ) ( ) Φ
2 1 2
1
d + 2 ( )Φ 1 d
0
0 0
yra ( ) TSDL sprendinys.
d
Φ
= dΦ + Φ d + d Φ
d
1 1 1 1
= ( ) + ( ) Φ d + ( )Φ
2 1 1
1 1
1
+ Φ ( ) + ( ) d + Φ ( ) + ( ) d
d
1 1
1
2 1
2
+ ( ) + ( ) ( )Φ
1
1
2 1
= ( ) ( ) ( ) Φ d + ( )Φ d
1 1
2 1 2
2
Φ
= 0 +
1
( ) ( ) ( ) Φ
2 1 2
1
d + 2 ( )Φ 1 d
0
0 0
d
= d + d
0 = 0
1
Paul Langevin.
108 8. Tiesinės stochastinės diferencialinės lygtys
Šiuo atveju Φ
= e , ir todėl jos sprendinys yra
= e
0 + e d
0
=e
0 + e
e d 0
0
2
Jis vadinamas Ornšteino–Ulenbeko procesu.
d
= (
+ ) d + d
0 = 0
sprendinys yra
= e
0 + (1
e
)+
e d 0
0
d
=
d +
d
0 = 0
2
Leonard Salomon Ornstein, George Eugene Uhlenbeck.
8. Tiesinės stochastinės diferencialinės lygtys 109
Sprendinys:
= 0 Φ
= 0 exp 12 +
2
0
d
= (
+ ) d + (
+ ) d
0 = 0
Sprendinys:
"
#
= Φ
0 + ( ) Φ 1 d +
Φ 1 d
0
0
0
Φ
= exp 1 2
2
+
d
= ( )
d + ( )
d
0 = 0
Sprendinys:
)
*
= 0 exp ( ) 1 2
2
( ) d + ( ) d 0
0 0
8.7. Tiesiniu˛ lygčiu˛ sprendiniu˛ vidurkis ir dispersija. Svarbias TSDL sprendinio cha-
rakteristikas – vidurk˛i 2 ( ) = E
, antraj˛ ˛ i momenta˛ C( ) = E
2 ir dispersija˛
3 ( ) = D
= C( ) 2 2 ( ) – galima rasti ir nesprendžiant pačios lygties, pasi-
naudojus tik stochastiniu˛ integralu˛ savybėmis. Paėm˛e TSDL
= 0 + 1 ( ) + ( ) d + ( )
2 1 + 2 ( ) d
0 0
abieju˛ pusiu˛ vidurk˛i ir pasinaudoj˛e tuo, kad stochastinio integralo vidurkis lygus nuliui,
gauname
2 ( ) = 0 + 1 ( )2 ( ) + 2 ( ) d
0
Beje, šia˛ formul˛e galima gauti ir pasinaudojus ta pačia 8.4 teorema, imant 1
0.
2
=
2
02 + 2 d + d
0 0
= 02 + 2 ( )
(
+ ( ) d + 2 ( )
(
+ 2 ( ) d
1 2 1
0 0
1 ( ) + 2 ( ) d
( 2
0
= 02 +
0
+2
( d
2
C( ) = E
2 = 02 + E 2 ( ) 1 + 2 ( ) + 1 ( ) + 2 ( )
0
= 02 + E 2 ( ) 1
2
+ 22 ( ) + 12 ( )2
0
+ 21 ( )2 ( ) + 22 ( ) d
(
= 02 + 21 ( ) + 12 ( ) C( )
0
+ 2 2 ( ) + 1 ( )2 ( ) 2 ( ) + 22 ( ) d
(
8. Tiesinės stochastinės diferencialinės lygtys 111
čia pažymėjome:
1 ( ) = 21 ( ) + 12 ( ) 2 ( ) = 2 2 ( ) + 1 ( )2 ( ) 2 ( ) + 22 ( )
8.8. Pavyzdžiai. Lanževeno lygties d
=
d + d
atveju 1 ( ) = , 2 ( ) = ,
2 ( ) = 1 ( ) = 0, 1 ( ) = 2 , 2 ( ) = 2 . Iš čia, naudodamiesi 2 ( ) ir C( )
išraiškomis, gauname:
2 ( ) = 0 e
1
2 2
C( ) = e 2
02 + 2 e2 d = e 2
02 + e
2
0
1e
2
= e 2
+ 2
2
0
2
3 ( ) = C( ) 2 ( ) = 1e
2
2 2
2
Pastebėkime, kad su bet kokia pradine reikšme 0 = 0 Ornšteino–Ulenbeko
proceso vidurkis ir dispersija artėja prie pastoviu˛ reikšmiu:
˛
2 ( ) = 0 e
0 3 ( ) =
2
1
e
2
2 2
Tai galima interpretuoti kaip tam tikra˛ proceso elgsenos stabilizacija˛ po pakankamai
ilgo laiko. Tai patvirtina ir 8.1 paveiksle pavaizduotos Ornšteino–Ulenbeko proceso 11
trajektoriju,˛ išeinančiu˛ iš skirtingu˛ tašku.˛
Matome, kad jos ilgainiui ne tik spiečiasi apie laiko aš˛i, bet ir sueina i˛ viena˛ arti-
mu˛ trajektoriju˛ pluošta.˛ Toks reiškinys fizikoje vadinamas trajektoriju˛ sinchronizacija
veikiant identiškiems triukšmams. Jis būdingas ne tik Lanževeno, bet ir daugeliui kitu˛
stochastiniu˛ diferencialiniu˛ lygčiu,
˛ kuriu˛ sprendiniai, išeinantys iš skirtingu˛ tašku,
˛ turi
ta˛ pat˛i ribin˛i skirstin˛i, kai
. Lanževeno lygties atveju sinchronizacijos faktu i˛siti-
kinti galima labai paprastai. Dvieju˛ trajektoriju˛
1 ir
2 esant bet kokioms pradinėms
reikšmėms 01 = 1 ir 02 = 2 skirtumas
:=
1
2 tenkina neatsitiktin˛e(!) lygt˛i
= 1 2 d
0
112 8. Tiesinės stochastinės diferencialinės lygtys
= (1 )e 0
2
2 ( ) = 0 e
2
C( ) = 02 e(2 + )
3 ( ) = 02 e2
e
1
2
2
0 = 0
sprendinys, kai ((
2 (
2), yra
0
= arctg tg 0 +
.(
) = .(0 ) + $ 5( ) d +
0
0
Pažymėkime
:= .(
). Tada
= (
) ir gauname lygt˛i su adityviuoju triukšmu
(ne tiesin˛e!):
= 0 + $ 5 ( ) d +
0
0
114 8. Tiesinės stochastinės diferencialinės lygtys
Ja˛ galime interpretuoti kaip Voltero integralin˛e lygt˛i, kai duota funkcija
, 0, ir
spr˛esti funkcinės analizės metodais kiekvienai konkrečiai stebimai Brauno judesio tra-
jektorijai. Jei mums ypač pasisekė ir lygties koeficientas 9 ( ) = $5( ( )), IR, yra,
pavyzdžiui, tiesinė funkcija, tai lygt˛i galime išspr˛esti išreikštiniu pavidalu. Sakykime,
9 ( ) = + . Tada lygties sprendinys (8.5 skirsnis, 2 pavyzdys) yra
= 0 e + (e
1) + e (
)
d 0
0
ir todėl
= .(0 )e
+ (e
1) + e (
)
d 0
0
d +
Pabaigoje išspr˛esime i˛vairioms mokslo šakoms svarbia˛ Ferhiulsto lygt˛i
d
= &
2
d
Pakeitimu
= 1
ja˛ galima suvesti i˛ tiesin˛e lygt˛i. Iš tikruj
˛ u,
˛ remdamiesi Ito formule
(6.12 teorema), pritaikyta funkcijai # ( ) := 1
, gauname
1 d + 21 2 d
d
= 2
3
1
= & d
1 1
d + 2 2
2 d
2
2
3
&
= d
2
+1+ d
= (& + ) + 1 d d
Jos sprendinys yra (8.6 skirsnis, 2 pavyzdys)
&
1 1
= exp 2
0 + exp & 2
+ d
2 0 2
Iš čia
0 exp &
+
+ d
1 2
1
= = 2
1 + 0 0 exp &
1
2
2
Reikia prisipažinti, kad čia nevisai teisėtai pasinaudojome Ito formule, nes funkcija
# ( ) = 1
nepriklauso klasei 2 (IR). Tačiau viskas baigėsi laimingai – jei 0 0,
8. Tiesinės stochastinės diferencialinės lygtys 115
gautojoje sprendinio išraiškoje negali būti dalybos iš nulio; be to, galime ir tiesiogiai
patikrinti, kad šia formule apibrėžtas atsitiktinis procesas iš tikruj
˛ u˛ tenkina Ferhiulsto
lygt˛i. Kai 0 0, padėtis šiek tiek komplikuojasi, nes vardiklis gali virsti nuliu tam
tikru (atsitiktiniu) laiko momentu. Nesigilinant i˛ griežta˛ formulavima,˛ galima sakyti,
kad tada yra lygties sprendinys iki vardiklio virtimo nuliu momento.
Panašiai stochastinės Ginzburgo–Landau lygties
d
= &
d + 3
d
sprendinys
+
0 exp &
1 2
exp 2& + 2 d
= 2
1 + 202
1 2
0 2
gaunamas pakeitimu
= 1
2 .
= 1 + d 0 (#)
0
ir jos apibendrinimu
=
+ d 0; (##)
0
čia yra Ito procesas, – bet koks tolydusis suderintas procesas. Pirmoji lygtis taip
vadinama todėl, kad tuo atveju, kai – reguliarus atsitiktinis procesas, jos sprendinys
yra eksponentė
= exp
0 , 0.
8.11. Teiginys. Jei 0 = 0, tai (#) lygties sprendinys yra
= exp
12
0
# (+
) =
. Todėl pritaik˛e Ito formul˛e (6.12 teorema) gauname
= 0 + # (+ ) d+ +
1
2
# (+ ) d +
0 0
=1+ d+ +
1
2
d +
0 0
=1+ d 1
2
d +
1
2
d
0 0 0
=1+ d
0 !
8.12. Teiginys. Jei ir + yra du Ito procesai, 0 = +0 = 0, tai ( ) (+ ) = ( + + +
+ ).
I˛rodymas. Pažymėkime D
= ( )
ir 8
= (+ )
. Tada dD
= D
d
, d8
= 8
d+
ir d D 8
= D
8
d +
. Todėl integruodami dalimis (6.13 išvada) gauname
D
8
= D0 80 + D d8 + 8 dD + D 8
0 0
0 0 0
=1+
D 8 d + + + +
t.y. D 8 = ( + + + + ). !
8.13. Išvada. Jei yra Ito procesas su 0 = 0, tai ( ) 1
= ( + ).
8.14. Teorema. Tarkime, kad ir yra Ito procesai, 0 = 0. Tada (##) lygties sprendinys
yra
)
*
= ( )
= ( )
0 + ( )
1
d
0
0
= 2 d + 2 d + 2 d
= d + 2 d +
d
+
d
=
d
+ 2
d +
arba
d
= 2
d +
Iš čia
2
1 d
= d
+ d
Imdami abieju˛ pusiu˛ kovariacija˛ su ir pasinaudoj˛e tuo, kad = 0, gauname
2
1 d
= d
2 d = d + 2 d
t.y.
d
= 2
1
d
2 d = 2 d
= 0 + 2 1 d
8.15. Išvada. Tarkime, kad yra tolydus suderintas procesas, o – Ito procesas, 0 = 0.
Tada (##) lygties sprendinys yra
= ( )
=
+ ( )
( )
1
d
0
0
I˛rodymas. Pažymėkime +
=
. Tada + tenkina lygybes
+
= d = (+ + ) d
0 0
= + d + d = @
+ + d
0 0 0
Kadangi čia @ = yra Ito procesas, tai pritaik˛e 8.14 teigin˛i gautajai lygčiai, turime
*
+
= ( )
@0 + ( )
1
d @ @
+
= ( )
( )
1
d
= 0 + ( ) d + ( ) d
0 0
ir
= 0 + ( ) d + ( ) d
0 0
sprendiniai. Sakykime, kad bendras abiem lygtims difuzijos koeficientas tenkina Lip-
˛ a˛ ( )
šico salyg
( ) ,
IR, 0, o abieju˛ poslinkio
koeficientai – tolydžiosios funkcijos.
8. Tiesinės stochastinės diferencialinės lygtys 119
su visais 0.
Jei 0 0 ir ( ) ( ) su visais 0, IR, ir bent vienos iš lygčiu˛
˛ a,˛ tai beveik tikrai
su visais
koeficientai tenkina sprendinio vienaties salyg
0.
M
, @
= (
) (
). Tada
+
= 0 0 + @ d + ( ) ( ) d
0 0
) ( ) ( ) 1l
=
+ ( = d
=
+ + d ;
0
čia pažymėjome:
= 0 0 + @ d
( ) ( ) 1l
= = d
0
8
:= 0 0 + ( )
1
d
= 0 0 + ( )
1
@ d
= 0 0 + @ d ;
0
čia
:= ( ) d , 0, – nemažėjantis procesas. I˛sitikinsime, kad 8
! 0 su
1
0
Taigi 8
! 0 su visais 0. Iš čia gauname +
= ( )
8
! 0, t.y.
!
, 0.
„Negriežtu˛ nelygybiu“˛ atveju apibrėžtumo dėlei tarkime, kad pirmosios lygties po-
slinkio koeficientas tenkina sprendinio vienaties salyg
˛ a.˛ Nagrinėkime lygtis
= 0 +
+
*
+
d +
*
d *
! 0
0 0
Remiantis pirmaja
˛ i˛rodymo dalimi,
*1 !
*2 !
0
jei
1 !
2 ! 0. Iš čia išplaukia du faktai. Pirma, egzistuoja riba
0 := lim*
*
#
0
. Antra, paskutinėje lygtyje perėj˛e prie ribos, kai
0, gauname
= 0
0
+ d + d 0
0
0 0
t.y. 0 yra pirmosios lygties sprendinys. Dėl šios lygties sprendinio vienaties 0 = .
Iš čia
=
0
, 0. !
Pastaba. Kaip matome iš i˛rodymo, be sprendinio vienaties salygos
˛ tegalėtume tvirtinti, kad eg-
zistuoja pirmosios lygties sprendinys 0 , su kuriuo 0 , 0.
121
- ./
(
(
%0
1 (
2
,,,
( 1 2 ) = " ( ) := "
( )
( )
su visais 0 1 2
1 2 IR Tada funkcija
" = " ( ), 0 , IR, vadinama Markovo proceso perėjimo tankiu.
Ypač dažnai Markovo savybė taikoma užrašyta salygini ˛ u˛ vidurkiu˛ terminais. Iš ( )
lygybės išplaukia, kad su visomis aprėžtomis (mačiosiomis) funkcijomis : IR IR ir
su visais 0 1 2
, 1 2 IR teisinga lygybė
E (
)
1 = 1
2 = 2
= =
+
= E ( )
= = ( )" ( ) d
E ( )
1
2
= E (
) = +
M Bendruoju atveju Markovo procesa˛ galima apibrėžti taip: atsitiktinis procesas
vadinamas (realiuoju) Markovo procesu su perėjimo tikimybe ' ( ), 0 ,
IR, (IR), jei beveik tikrai
P = ' ( )
1
2
= ( ) = 21( e
2
2
IR
normaliojo atsitiktinio dydžio 4 (0 ) tank˛i. Kadangi , tai atsitiktiniu˛
dydžiu˛ ir
bendrasis tankis lygus
" ( ) = = ( )= ( ) IR
Iš čia nesunku rasti atsitiktiniu˛ dydžiu˛ ir
bendraj˛
˛ i tank˛i. Ju˛ bendroji pasiskirstymo
funkcija
# ( ) = P
= P + (
)
#
Diferencijuodami gauname
"
( ) =
E 2 # ( )
EE
= " ( ) = =( )=( )
Taigi
(0 ) (0 )
Iš čia gauname, kad ( ) lygybės dešinėje esantis salyginis
˛ tankis (kai = )
"
1
2 ,,,
( 1 2 )
" (1 2 ; 1 2 )
=
" (1 2 ; 1 2 )
) (
1 1 )) (
2
1 2 1 )) (
1 1 )) (
)) (
)
= ) (
1 1 )) (
2
1 2 1 )) (
1 1 )) (
)
= = ( ) = "( )
Deja, bendru atveju galimybė užrašyti perėjimo tankio formul˛e išreikštiniu pavidalu yra
veikiau maloni išimtis nei taisyklė. Čia galima paminėti dvi Markovo procesu˛ teori-
jos kryptis – analizin˛e ir tikimybin˛e (arba stochastin˛e). Analizinės Markovo procesu˛
teorijos išeities taškas – perėjimo tankiai arba perėjimo tikimybės. Išskiriamos ir tiria-
mos i˛vairios ju˛ klasės, jiems išvedamos lygtys (pavyzdžiui, diferencialinės dalinėmis
išvestinėmis), kurias spr˛esti neretai tenka artutiniais metodais. Kartu i˛rodomas atitin-
kamu˛ Markovo procesu˛ egzistavimas, o bet kokios gautos perėjimo tankiu˛ ar tikimybiu˛
savybės paprastai gali būti interpretuojamos kaip tam tikros tu˛ procesu˛ savybės. Su-
paprastintai š˛i požiūr˛i galima būtu˛ palyginti su atsitiktiniu˛ dydžiu˛ savybiu˛ tyrimu ju˛
pasiskirstymo funkciju˛ ar tankiu˛ pagrindu. Tikimybinėje teorijos kryptyje Markovo
procesai konstruojami tiesiogiai – kaip stochastiniu˛ diferencialiniu˛ lygčiu˛ sprendiniai.
Šio požiūrio pagrindinis pranašumas yra tai, kad tirti Markovo procesa˛ kaip konkrečios
lygties sprendin˛i lengviau nei Markovo procesa˛ su netiesiogiai apibrėžtu perėjimo tan-
kiu ar tikimybe. Skaitytojas turbūt jau suprato, kad šioje knygoje laikomasi antrosios –
tikimybinės Markovo procesu˛ teorijos krypties.
9.1. Apibrėžimas. Stochastinės diferencialinės lygties
= + ( ) d + ( ) d 0 (:)
0 0
= + ) d) + ) d
#
# # (::)
žymėsime .
Pastaba. Su kiekviena pora ( ) sprendinys , 0, yra tolydus beveik tikrai. I˛rodyta, kad
˛ u˛ ( ) atžvilgiu.
beveik tikrai būtu˛ tolydus visu˛ kintamuj
124 9. SDL sprendiniai kaip difuziniai Markovo procesai
b.t. )
(
Pastaba. Tai dar vienas Markovo savybės formulavimas – procesas bet kokiu laiko momentu
prasideda iš naujo nuo proceso reikšmės momentu (nepriklausydamas nuo proceso reikš-
miu˛ iki momento ). Vėliau 9.4 teiginyje parodysime, kad iš jo išplaukia Markovo savybė ()
salygini
˛ u˛ vidurkiu˛ terminais.
I˛rodymas. Lygybėje
= + ) d) + ) d
#
# # IR
d) + ) d
= + )
# # #
Pastaba. Intuityviai tokio keitinio teis ėtumas aiškus, nes Brauno judesio pokyčiai intervale [ ]
yra nepriklausomi nuo . Formalus šio fakto i˛rodymas panašus i˛ 3.8 teoremos 2 savybės
i˛rodyma.˛
Antra vertus,
= + ) d) + ) d
#
# #
0 0
=
+ ) d) + ) d
#
# #
išraiškas, matome, kad atsitiktiniai procesai
ir
, kai ,
Palygin˛e gautasias
˛
yra tos pačios SDL sprendiniai. Dėl SDL sprendinio vienaties jie sutampa intervale
[ ). !
9.3. Apibrėžimas. Visu˛ aprėžtu˛ (mačiuj ˛ funkciju˛ : IR
˛ u) IR aibėje apibrėšime tiesiniu˛
operatoriu˛ šeima˛
, 0 , susijusia˛ su difuziniu procesu , apibrėžtu (:)
lygtimi:
( ) := E
IR;
čia yra (::) lygties sprendinys.
Pastaba. Funkciju˛ aprėžtumas tėra paprasčiausia salyga,
˛ garantuojanti vidurkiu,˛ apibrėžiančiu˛
operatorius , egzistavima.˛ Difuziniams procesams su Lipšico koeficientais faktiškai pakanka,
kad būtu˛ funkcija, auganti ne greičiau kaip koks nors laipsnis: ( ) (1 + ), IR.
9. SDL sprendiniai kaip difuziniai Markovo procesai 125
# = # 0 )
t.y. (
# ) :=
(
# ) = # su visomis aprėžtomis (mačiosiomis) funkcijomis
: IR IR.
=
=
Su bet kokiu
IR atsitiktinis dydis
priklauso tik nuo Brauno judesio pokyčiu˛
# - , ) * , po laiko momento . Todėl atsitiktin˛i dyd˛i , nepriklausant˛i nuo
visu˛ šiu˛ pokyčiu,
˛ galime i˛rašyti i˛ lygyb˛e
E
=
( )
Panašiai
E
# = #
#
)
1
2
=E =
!
1
Š˛i intuityviai akivaizdu˛ žingsn˛i griežtai pagr˛isti yra gana sunku.
126 9. SDL sprendiniai kaip difuziniai Markovo procesai
( ) = lim
( ) () = lim E ( ) ()
IR
0
0
Generatoriaus apibrėžimo sritimi vadinama aibė visu˛ funkciju˛ : IR IR, kurioms
tokia (baigtinė) riba egzistuoja visuose taškuose IR.
9.6. Teorema. Sakykime, = yra homogeninis difuzinis procesas, apibrėžiamas lyg-
timi
d
= (
) d + (
) d
Jei funkcija (IR) turi aprėžtas pirmaj˛ a˛ ir antraj˛ a˛ išvestines, tai
2
ir
( ) ( ) IR
1
( ) = ( ) ( ) + 2
2
arba trumpiau, = + 1
2
2
. Be to, su kiekviena tokia funkcija teisinga lygybė
E = ( ) + E d
0 (DF)
0
arba
( ) = ( ) + ( ) d 0
0
2
(Dynkino formulė).
2
Eugene B. Dynkin (Evgeni Borisoviq Dynkin ).
9. SDL sprendiniai kaip difuziniai Markovo procesai 127
I˛rodymas. Pažymėkime / ( ) = ( ) ( ) + 1
2
2
( ) ( ). Remiantis Ito formule,
1
4 5
= + d
0
+ d
2
1
0 0
= ( ) + + d
2
2
0
+ d
0
= ( ) + / d + d
0
0 0
E = ( ) + E / d = ( ) + E/ d
0
0 0
( ) = lim
E (
) () = lim E/( ) d = E/ = /()
0
0
0 0
d
= (
) d + (
) d
Æ
generatorius yra
1 1
= + + 2
2 2
Ši formulė išplaukia iš šios lygties išraiškos Ito pavidalu (7.6 teiginys):
1
d
= + (
) d + (
) d
2
Dažnai patogu naudoti simetriškesn˛e Stratonovičiaus lygties sprendiniu˛ generatoriaus
išraiška˛
1
= + ( )
2
kurios teisingumu paprasta i˛sitikinti tiesiogiai.
128 9. SDL sprendiniai kaip difuziniai Markovo procesai
( ) := d
0
.
( ) = ( ) + 2 ( )
1
2
9.9. Išvada (atgalinė Kolmogorovo lygtis). Sakykime, = yra homogeninis difuzinis
procesas su generatoriumi ir 2 (IR). Pažymėkime
)( ) =
( ) = E
( ) IR & IR
+
( )
( )
= lim
0
=
( ) = )( )
!
9.10. Pastabos. 1. I˛sitikinome, kad funkcijoms (IR) teisinga lygybė
2
E
( ) =
( ) =
( )
E
Dėl šiu˛ lygybiu˛ operatoriu˛ pusgrup˛i galima formaliai interpretuoti kaip generatoriaus
eksponent˛e:
= e
. Galima i˛rodyti, kad, kai ! 0, pirmoji lygybė teisinga visoms
(IR) ir net funkcijoms
(IR), augančioms ne greičiau kaip koks nors
daugianaris ( ( ) (1 + ), IR).
( ) = " ( ) ( ) d ! 0
IR
E"( )
E
() E"(E ) 12 2
( )
E 2 " ( )
E 2
( ) d = 0
IR
130 9. SDL sprendiniai kaip difuziniai Markovo procesai
E"( )
arba trumpai –
E
"( ) () d = 0;
IR
čia apatin˛i indeksa˛ prie operatoriaus užrašėme norėdami pabrėžti, kad jis taikomas
kintamojo atžvilgiu. Kadangi lygybė yra teisinga visoms funkcijoms 02 (IR), tai
reiškinys laužtiniuose skliaustuose yra tapačiai lygus nuliui. Taigi
E" ( )
E
= " ( ) ! 0 IR (BB)
9.11. Išvada (atgalinė Kolmogorovo lygtis perėjimo tankiui). Tarkime, kad difuzinio proceso
su generatoriumi perėjimo tankis " = " ( ), ! 0, IR, yra tolydus srityje
&
(0 + ) IR2 kartu su savo dalinėmis išvestinėmis E"
E , E"
E ir E2 "
E 2 . Tada
tankis " šioje srityje tenkina atgalin˛e (BB) Kolmogorovo lygt˛i.
9.12. Pavyzdys. Kai proceso perėjimo tankis žinomas išreikštiniu pavidalu, 9.9 išvada
leidžia išreikštiniu pavidalu užrašyti ir lygties sprendin˛i. Pavyzdžiui, Brauno judesio
atveju ( ) = 12 ( ), o lygtis (B) sutampa su šilumos sklidimo lygtimi
+, E) 1 E ) 2
=
- )E(0 )2=E ()
2
Kadangi
= +
( ), perėjimo tankis
" ( ) = 21( e
( )2
2
tai šilumos sklidimo lygties sprendinys yra
)( ) = 21( ( )e
( )2
2
d
IR
Panašiai i˛ 9.6 teorema,˛ nors šiek tiek sunkiau, i˛rodomas toks bendresnis teiginys:
9.13. Teorema (Feinmano–Kaco3 formulė). Jei (IR), / (IR), tai funkcija
2
" ) * #
* ( ) = E exp / d ( )
3
Richard Feynman, Marc Kac.
9. SDL sprendiniai kaip difuziniai Markovo procesai 131
M I˛rodymas. Pirma i˛sitikinsime, kad
funkcija * yra diferencijuojama atžvilgiu. Pažymė-
kime := ( ), + := exp / ( ) d . Tada kaip 9.6 teoremos i˛rodyme
0
= ( ) + d +
( ) d 0
0 0
+ = +0 +
exp / d) / d = 1 + + / d
#
0
0 0 0
+ = 0 +0 + d+ + + d
0 0
= ( ) +
+ / + + d
0
E + = ( ) + E
+ / + + d 0
0
t.y. egzistuoja
E* ( )
= E
+
/
+ +
E
Dabar panagrinėsime * ( ) = lim/ 0 < 1 (E* ( / ) * ( )). Dėl procesas
yra homogeniškas, tai ==/ + . Pritaik˛e Markovo savyb˛e, gauname
/
/
0 =
132 9. SDL sprendiniai kaip difuziniai Markovo procesai
) *
= E exp / d
/ /
/ + / +
) * 0 =
/ d
/ /
= E exp / + / +
/
) * 0
= E exp / d
/ +
/ +
/
) *
E* = E exp
/
/ d
/ +
/ +
) *
0
/ +
= E exp / d
/ +
) *
/
= E +/+
exp / d
/ +
Iš čia
* ( ) = lim
E* ( / ) *( )
<
/
0
" ) * # /
exp / d E +
1
= lim E +
/
0 < / +
/ +
1 E+
0
= lim E +
< / +
/ +
" ) * #
/ 0
+ lim E +
1
exp / d 1
/
/
0 < / +
/ +
(
0
/
+ lim E + 0
/ +
< / +
/
0
=
E* ( ) E*( )
+ E +
/
= *( )/() !
E 0
E
Galima sakyti, kad atgalinė Kolmogorovo lygtis perėjimo tankiui (9.11 išvada) yra
pusgrupiu˛ teorijos lygybė E
E =
, užrašyta diferencialiniu˛ lygčiu˛ teorijos
9. SDL sprendiniai kaip difuziniai Markovo procesai 133
tiesin˛i operatoriu,˛ formaliai jungtin˛i difuzinio proceso generatoriui , apibrėžiama˛
lygybe
( ) :=
() () + 21 2
( ) ( ) ;
čia koeficientai , ir funkcija , kuriai taikomas operatorius , laikomi pakanka-
mai glodžiais, kad reiškinys kairiojoje lygybės pusėje turėtu˛ prasm˛e. I˛sitikinsime, kad
operatorius ir sieja lygybė
( )/ ( ) d = ( ) / ( ) d
()
kuri yra teisinga, kai, pavyzdžiui, / 2 (IR) ir bent viena iš funkciju˛ / turi
kompaktiška˛ atrama,˛ t.y. priklauso klasei 02 (IR).
Pastaba. Beje, ši lygybė paaiškina, kodėl ! vadinamas operatoriumi, formaliai jungtiniu ope-
ratoriui !. Du operatoriai ! ir ! tiesinėje erdvėje
su skaliarine sandauga () vadinami
jungtiniais, jei su visais "
teisinga lygybė (! " ) = ( ! " ). Jei ši lygybė yra teisinga
ne su visais "
, o tik su ir " iš pakankamai „turtingu“˛ erdvės
poerdviu, ˛ sakoma, kad
! ir ! yra formaliai jungtiniai. Na, o (#) lygyb˛e galima interpretuoti kaip lygyb˛e (! $) =
( ! $ ) Hilberto erdvėje = 2 (IR) su skaliarine sandauga ( $ ) := IR ( )$ ( ) d .
Integruojame dalimis:
( ) ( )/ ( ) d = ( )/ ( ) d ( )
= ( )/ ( ) ( )
( ) ( )/ ( ) d
=
( )/ ( ) ( ) d
Čia pasinaudojome tuo, kad arba / (kartu – ir sandauga / ) yra lygi nuliui baigtinio
() ()/() = 0
intervalo išorėje ir tuo labiau
( ) ( )/ ( ) = lim ( ) ( )/ ( )
=0 =0
0
1
1
2
( ) ( )/ ( ) d = 2
( )/ ( ) ( ) d
2 2
Sudėj˛e gautasias
˛ dvi lygybes, gauname lygyb˛e ().
134 9. SDL sprendiniai kaip difuziniai Markovo procesai
9.14. Teiginys (tiesioginė Kolmogorovo lygtis perėjimo tankiui). Tarkime, kad difuzinio pro-
ceso koeficientai
2 (IR), o jo perėjimo tankis " = " ( ), ! 0,
&
IR, yra tolydus srityje (0 + ) IR2 kartu su savo dalinėmis išvestinėmis
E"
E , E"
E ir E 2 "
E 2 . Tada tankis " šioje srityje tenkina lygt˛i
E" ( )
= " ( )
()
E
vadinama˛ tiesiogine Kolmogorovo, arba Fokerio–Planko,4 lygtimi.
I˛rodymas. Lygyb˛e E
E =
arba E E (
)
E = E (
) naudojant perėji-
mo tank˛i galima užrašyti
E
Teiginio salygos
˛ leidžia kairėje diferencijuoti pagal po integralo ženklu, o dešinėje –
pasinaudoti () lygybe. Todėl
E" ( )
E
arba
E"( )
E
"( ) () d = 0
!
0
lygi nuliui.
9.15. Pastaba. Kodėl (BB) lygtis vadinama atgaline, o () lygtis – tiesiogine? Tai paprasčiau
paaiškinti nehomogeninio difuzinio proceso atveju. Jo tankiui " ( ) vietoje (BB)
lygties gautume
( ) ( ) := ( ) ( ) +
1 2
( ) ( ) IR
( ) ()
2
( ) ( ) :=
1 2
2
( ) ( ) IR
+
Pirmoji iš lygčiu˛ (atgalinė) interpretuojama kaip „nukreipta atgal“, nes yra susijusi su
diferencijavimu laiko intervalo [ ] pradžios atžvilgiu, o antroji (tiesioginė) lygtis yra
„nukreipta pirmyn“, nes susijusi su diferencijavimu intervalo galo atžvilgiu.
Pastebėsime, kad difuzinio proceso tankis " ( ) ne tik tenkina (BBB) lygt˛i
&
srityje ( ) [0 ) IR su bet kokiais fiksuotais , bet ir kraštin˛e (tiksliau, galin˛e)
salyg
˛ a˛
lim " ( ) ( ) d = ( )
IR
su visomis
0 (IR) (apibendrintuj˛ u˛ funkciju˛ terminais " ( ) Æ ( ),
'
kai ; čia Æ – Dirako delta funkcija). Diferencialiniu˛ lygčiu˛ teorijos terminais tai
reiškia, kad perėjimo tankis " ( ), , IR, yra parabolinės lygties
E)( )
+ ( ))( ) = 0
E
fundamentalusis sprendinys. Taip skambiai jis vadinamas todėl, kad jo terminais galima
išreikšti bet kur˛i šios lygties Koši uždavinio su galine salyga
˛
)( ) := lim )( ) = ( )
sprendin˛i
)( ) = " ( ) ( ) d
IR
) = ( )* ( )
sprendinys, t.y. jis yra šios lygties sprendinys srityje ( ) ( + ) IR su bet ko- &
kiais fiksuotais ir, be to, tenkina pradin˛e salyg
˛ a˛ IR " ( ) ( ) d ( ),
#
kai , su visomis 0 (IR). Tai, kad ta pati funkcija pagal skirtingus kintamuo-
sius ( ir ) yra dvieju˛ jungtiniu˛ lygčiu˛ fundamentalusis sprendinys, yra gerai žinomas
diferencialiniu˛ lygčiu˛ teorijos faktas.
9.16. Apibrėžimas. Difuzinio proceso su perėjimo tankiu " ( ), ! 0, IR,
stacionariuoju tankiu vadinama tankio funkcija "0 ( ), IR, tenkinanti lygt˛i
"0 ( ) = " ( )"0 ( ) d ! 0 IR
IR
136 9. SDL sprendiniai kaip difuziniai Markovo procesai
Šia˛ lygyb˛e galima interpretuoti taip: jei difuzinio proceso pradinė reikšmė 0
yra atsitiktinis dydis 0 su tankiu "0 , tai difuzinio proceso reikšmės
turi ta˛ pat˛i skirs-
tin˛i su tankiu "0 visais laiko momentais 0. Maža to, jo reikšmiu˛ baigtiniu˛ rinkiniu˛
(
1 +
2 +
+
) skirstiniai yra tie patys su visais 0. Tokie procesai vadi-
nami stacionariaisiais. Taigi difuzinis procesas, kurio pradinė reikšmė turi stacionaruj˛ ˛i
tank˛i, yra stacionarus. Taikymuose stacionarieji procesai turi labai didel˛e reikšm˛e, nes
daugybė realiu˛ reiškiniu˛ yra modeliuojami būtent tokiais procesais. Žinoma, taikymuo-
se sunku tikėtis, kad reiškin˛i modeliuojantis difuzinis procesas pradės savo istorija˛ nuo
atsitiktinės reikšmės su stacionariuoju tankiu. Tačiau pasirodo, kad gana bendromis
salygomis
˛ (praktiškai visada tenkinamomis) difuzinio proceso stacionarusis tankis, jei
toks egzistuoja, turi lyg ir traukos savyb˛e – iš bet kokio taško išėjusio difuzinio proce-
so
tikimybinė elgsena ilgainiui stabilizuojasi ta prasme, kad jo tankis tampa artimas
stacionariajam. Tiksliau tariant,
" ( ) " () IR
0
lim d =
( )"0 ( ) d
0 IR
Atskiru atveju
1
lim 1l d = "0 ( ) d
0
Kitaip tariant, vidutinė proceso buvimo aibėje IR trukmė artėja prie tikimybės
patekti i˛ aib˛e atsitiktiniam dydžiui, turinčiam tank˛i "0 .
9.17. Pastaba. Gana dažnai pasitaiko, kad difuzinio proceso trajektorijos išsiskiria tam
tikru uždarumu kokio nors intervalo ( )
IR atžvilgiu – procesas, išėj˛es iš bet ko-
kio taško ( ), pasilieka intervale ( ) visa˛ laika.˛ Tada sakoma, kad ir yra
difuzinio proceso nepasiekiamieji kraštai. Pavyzdžiui, kaip jau nagrinėjome 8.9 skirs-
nyje, Ferhiulsto lygties d
= (&
2 ) d +
d
sprendiniu˛ toks yra inter-
valas (0 + ), o Ginzburgo–Landau lygčiai galima nurodyti net du tokius intervalus:
(0 + ) ir ( 0). Galima nurodyti ir baigtinio intervalo pavyzd˛i. Lygties
d = sin cos
3
d + cos2
d
0 = ((
2 (
2)
(arba Stratonovičiaus pavidalu d
= cos2
Æ d ) sprendinys yra
= arctg (tg +
)
9. SDL sprendiniai kaip difuziniai Markovo procesai 137
Matome, kad išėj˛es iš bet kokio taško intervale ( (
2 (
2) šios lygties sprendinys
lieka tame intervale visa˛ laika.˛
˛ i tank˛i intervale ( ).
Tokioje situacijoje prasminga kalbėti apie stacionaruj˛
9.16a. Apibrėžimas. Sakoma, kad difuzinis procesas , kurio perėjimo tankis " = " ( ),
˛ i tank˛i "0 intervale ( ), jei
turi stacionaruj˛
ir
9.18. Teiginys. Sakykime, difuzinis procesas , kurio generatorius ir perėjimo tankis " =
" ( ), turi stacionaruj˛
˛ i tank˛i "0 = "0 ( ) intervale ( ). Tarkime, kad " ir "0 yra
tolydžios funkcijos, turinčios tolydžiasias˛ dalines išvestines E"
E , E"
E , E2 "
E 2 ,
E"0
E , E "0
E . Tada "0 intervale ( ) tenkina tiesiogin˛e Kolmogorovo (Fokerio–
2 2
Planko) lygt˛i
"0 = 0
kuri yra teisinga su visomis funkcijomis 02 ( ), t.y. turinčiomis dvi tolydžiasias ˛
išvestines intervale ( ) ir lygiomis nuliui kokio nors uždarojo intervalo [ ]
( ) išorėje. Čia integravimo rėžiai pasikeitė todėl, kad IR ( ) " ( ) d = 0,
138 9. SDL sprendiniai kaip difuziniai Markovo procesai
( ). Padaugin˛e abi lygybės puses iš "0 ( ) ir suintegrav˛e pagal ( ),
gauname
E
" ( )"0 ( ) d ( ) d
E
arba
E
"0 ( ) ( ) d = 0
()" () + 21 0
2
( )"0 ( ) = const
džiama lygtimi
2( )
F ( ) = 2 ( )
F ( )
5
Tai galima paaiškinti gana paprastai. Kadangi natūralusis kraštas lyg ir atstumia difuzin˛i procesa,˛ tai kuo
arčiau krašto, tuo rečiau ten pabuvoja difuzinio proceso trajektorija. Todėl jo stacionarusis tankis 0 ( ) turi
pakankamai greitai (kartu su savo išvestine) gesti, kai artėja prie krašto.
9. SDL sprendiniai kaip difuziniai Markovo procesai 139
čia – bet koks fiksuotas intervalo ( ) taškas. Iš čia ir gauname stacionariojo tankio
"0 išraiška.˛ !
9.20. Pastabos. 1. Jei difuzinis procesas = aprašomas Stratonovičiaus lygtimi
d
= (
) d + (
) Æ d
tai jos stacionariojo tankio formulė gaunama vietoje poslinkio koeficiento i˛rašant ko-
eficienta˛ ˜ := + 12 iš Stratonovičiaus lygties užrašo Ito pavidalu (7.6 teiginys).
Tačiau galima gauti ir paprastesn˛e formul˛e:
) *
()) + 1
())
"0 ( ) = 2 exp 2 2
d)
( ) 2 ())
)
*
()) ())
= 2 exp 2 d) + d)
( ) 2 ()) ())
)
*
=
2 ( )
exp 2
())
2 ())
d) exp ln ( ) ln ()
)
*
=
( )
exp 2
())
2 ())
d) ( );
0
# %
( %
%
%
8
!
"
!
-
*
+ ,
6 (
% (
=
(
6 7$
. -
B
( =
* $
# '
/
!
$
% ( (kinu˛ filosofas, V a. p.m.e.)
Anksčiau išdėstyta˛ teorija˛ šiame skyriuje pailiustruosime keletu pavyzdžiu.˛ Ju˛ pa-
sirinkima˛ lėmė dvejopos priežastys. Visu˛ pirma, juose nagrinėjamos lygtys yra svar-
bios ir realiai naudojamos i˛vairiems gamtamoksliniams taikymams ir finansu˛ matema-
tikoje. Antra, jie gana ryškiai parodo, kaip išoriniai triukšmai gali ne tik kiekybiškai
„dezorganizuoti“ makroskopin˛e sistema,˛ didindami atsitiktinius nuokrypius nuo jos „vi-
dutinės“ elgsenos, paprastai aprašomos deterministinėmis lygtimis. I˛sitikinsime, kad
pakankamai stiprūs multiplikatyvieji triukšmai gali sukelti kokybinius sistemos elgse-
nos pakitimus, kuriu˛ iš principo ne˛imanoma aprašyti paprastomis (nestochastinėmis)
lygtimis, orientuotomis i˛ vidutin˛e elgsena.˛
Keliuose paveiksluose pateikiamos tipiškos i˛vairiu˛ stochastiniu˛ diferencialiniu˛ lyg-
čiu˛ sprendiniu˛ trajektorijos. Kaip kompiuteriu skaitiškai gaunamos (modeliuojamos)
tokios trajektorijos, sužinosime kitame skyriuje. Tačiau čia reikia pabrėžti, kad pa-
veiksluose tu˛ sprendiniu˛ trajektorijos yra nors ir tipiškos, bet atsitiktinės, nes priklauso
nuo atsitiktinės Brauno judesio trajektorijos. Todėl kiekviena˛ karta˛ paleid˛e kompiute-
rin˛e programa,˛ sprendžiančia˛ ar modeliuojančia˛ stochastin˛e diferencialin˛e lygt˛i, ekrane
(arba išspausdinta˛ popieriaus lape) pamatysime vis kita˛ sprendinio trajektorija.˛ Tačiau
Brauno judesio trajektorija kompiuteriu konstruojama naudojant kompiuteriu generuo-
jama˛ vadinamaj˛ a˛ pseudoatsitiktiniu˛ dydžiu˛ seka˛ (neatsitiktiniu˛ skaičiu˛ seka,˛ turinčia˛
atsitiktiniu˛ skaičiu˛ sekos savybes). Paprastai kompiuterinės programos suteikia galimy-
b˛e nustatyti režima,˛ kuriuo skaičiuodama programa kiekviena˛ karta˛ atkartotu˛ ta˛ pačia˛
(pseudo)atsitiktiniu˛ dydžiu˛ seka.˛ Tad ir Brauno judesio trajektorija gaunama ta pati.
Kuriant šio skyriaus pavyzdžius, šia galimybe ir pasinaudota. Visi stochastiniu˛ dife-
rencialiniu˛ lygčiu˛ sprendiniu˛ pavyzdžiai gauti su ta pačia identiška (netgi iš anksto su-
generuota) Brauno judesio trajektorija. Tokio metodo gera ypatybė yra ta, kad daug
10. Pavyzdžiai 141
lėtai artėti prie, kai . Tai galima interpretuoti taip: tam, kad proceso
tikimybinė elgsena laikui bėgant stabilizuotusi,
˛ reikia, kad jam „per daug nutolus“
nuo koordinačiu˛ pradžios jis būtu˛ pakankamai stipriai stumiamas atgal – priešinga jo
ženklui kryptimi.
Trumpam pasižiūrėkime, kas vyksta kraštutiniu atveju, kai triukšmo nėra, t.y.
= 0. Kadangi ( ) 0 su pakankamai dideliais , tai atsiras bent vienas taš-
kas 0 IR, kuriame (0 ) = 0. Paprastuj ˛ u˛ diferencialiniu˛ lygčiu˛ teorijoje tokie
taškai vadinami (lygties d
= (
) d ) pusiausvyros taškais. Iš tokio taško išėj˛es
sprendinys visam laikui lieka tame taške:
0 = 0 su visais 0. Pusiausvyros
taškai skirstomi i˛ stabiliuosius ir nestabiliuosius pagal tai, kaip elgiasi būdamas taš-
kuose, artimuose pusiausvyros taškui. Jei pusiausvyros taškui 0 artimuose taškuose
funkcija mažėja (kerta aš˛i taške 0 iš viršaus i˛ apačia˛ arba (0 ) 0), tai
tokiuose taškuose ( )( 0 ) 0 ir todėl juose lygties sprendinys yra stumiamas
link pusiausvyros taško 0 . Toks pusiausvyros taškas vadinamas stabiliuoju. Priešingu
atveju jis vadinams nestabiliuoju. Stabiliuosius ir nestabiliuosius pusiausvyros taškus
terminais. Pažymėkime D ( ) = 0 ( ) d ,
patogu apibūdinti potencialo savokos
˛
IR. Funkcija D vadinama funkcijos potencialu.1 Pusiausvyros taške potencia-
las D i˛gyja ekstremuma˛ – minimuma˛ stabiliajame taške ir maksimuma˛ – nestabiliaja-
me. Tipiška situacija, kai iš visu˛ tašku,˛ kurie nėra nestabilūs pusiausvyros taškai, išėj˛e
sprendiniai „subėga“ i˛ stabilius pusiausvyros taškus, arba kitaip tariant, i˛ potencialo
„duobes“ – minimumus. Jai pailiustruoti gana gerai tinka trečiojo laipsnio daugianariai
( ) = ( 1 )( 2 )( 3 ) su neigiamu koeficientu prie 3 ir trimis skirtin-
gomis realiosiomis šaknimis 1 2 3 . Tada (1 ) 0, (2 ) ! 0, (3 ) 0
ir todėl 2 yra nestabilusis, o 1 ir 3 – stabilieji pusiausvyros taškai. Panagrinėkime
konkretu˛ pavyzd˛i ( ) := 43 2 + 5 = 4 ( 1)( + 54 ) su stabiliaisiais
pusiausvyros taškais 1 bei 54 ir nestabiliuoju 0 (pasirinkima˛ lėmė grafinio vaizdumo
motyvai). Funkcijos potencialas yra D ( ) = 4 + 13 3 52 2 (10.1 pav.).
Keletas determinuotos lygties ( = 0) trajektoriju˛ pavaizduota 10.2 paveikslo vir-
šutinėje dalyje. Matome, kad visos jos, išskyrus trajektorija,˛ prasidedančia˛ nestabilia-
jame pusiausvyros taške = 0, gana greitai sueina i˛ viena˛ iš dvieju˛ stabiliuj ˛ u˛ pusiau-
svyros tašku˛ = 1 ir = 125, arba fiziku˛ terminais – i˛krenta i˛ potencialo duobes.
Apatinėje paveikslo dalyje pavaizduotos išeinančios iš tu˛ pačiu˛ tašku˛ stochastinės lyg-
ties su = 08 tipiškos trajektorijos. Matome, kad jos taip pat linkusios nusileisti
i˛ viena˛ iš potencialo duobiu,˛ bet, veikiamos trikdžiu,˛ nukrypsta nuo pusiausvyros pa-
dėčiu.
˛ Kartu galime pastebėti viena˛ dėsninguma˛ – trajektorijos, patekusios i˛ ta˛ pačia˛
potencialo duob˛e, ilgainiui sueina i˛ viena˛ siaura˛ trajektoriju˛ pluošta.˛
1
Vienmačiu atveju faktiškai yra funkcijos pirmykštė funkcija su priešingu ženklu. Daugiamačiu
atveju funkcija : IR IR vadinama vektorinės funkcijos : IR IR potencialu, jei grad ,
t.y. = su visais = 1 2 .
10. Pavyzdžiai 143
elgsena˛ esant i˛vairiems matome 10.4 paveiksle. Pastebime, kad didinant persi-
ritimai per potencialo kalniuka˛ tampa dažnesni – didėja stacionariojo tankio reikšmės
taške = 0 ir jo aplinkoje. Laiko, praleisto pusiausvyros tašku˛ = 125 ir = 1
aplinkose, trukmės skirtumai, nors ir juntami su visais , bet didinant mažėja. To ir
reikėjo tikėtis, nes, didinant , mažėja skirtumas tarp atitinkamo stacionariojo tankio
maksimumu˛ (10.3 pav.).
Reziumuodami galime konstatuoti, kad adityvusis triukšmas kokybine prasme ne-
keičia difuzinio proceso stacionarios elgsenos – keičiant triukšmo intensyvuma,˛ keičiasi
tik stacionariojo tankio ekstremumu˛ dydis, bet nesikeičia ju˛ skaičius ir padėtis. Didi-
nant ar mažinant adityvuj˛ ˛ i triukšma,˛ procesas virpa potencialo duobėse, šokinėdamas iš
vienos duobės i˛ kita,˛ tačiau triukšmo dydžio kitimas neturi i˛takos potencialo formai.
2
= exp 2
())
/ 2 ())
d) 2 ln /()
= exp 2 ()
2
( )
ir funkcija˛
( ) := ())
/ 2 ())
d) 2
ln / ( ) ( )
Kaip jau minėjome, difuzinio proceso stacionariojo tankio ekstremumai ir ju˛ padėtis yra
svarbios proceso elgsenos charakteristikos. Multiplikatyviuoju atveju šiu˛ ekstremumu˛
taškai dabar sutampa su stochastinio potencialo ekstremumo taškais, kurie gali es-
mingai skirtis nuo deterministinio potencialo D ekstremumo tašku.˛ Labai svarbu yra
tai, kad proporcingas multiplikatyviojo triukšmo didinimas gali kokybiškai pakeisti pro-
ceso elgsena.˛ Tai pasireiškia ne tik stacionariojo tankio ekstremumu˛ dydžiu,˛ bet ir ju˛
skaičiaus bei padėties pakitimais. Tokie kokybiniai stacionariojo tankio pakitimai va-
dinami triukšmo indukuotais virsmais. Galima sakyti, kad multiplikatyvusis triukšmas,
skirtingai nuo adityviojo, ne tik sukelia didesnius ar mažesnius sistemos, aprašomos
stochastine diferencialine lygtimi, virpesius potencialinio „landšafto“ duobėse, bet ir
veikia pat˛i „landšafta“
˛ – jo atskiros „vietovės“, kintant triukšmo intensyvumui, pakyla
arba nusileidžia, kartu kokybiškai keisdamos svarbiausias stacionariojo tankio charak-
teristikas – ekstremumu˛ skaičiu˛ ir padėt˛i.
Stacionariojo tankio ekstremumu˛ taškai sutampa su stochastinio potencialo
10. Pavyzdžiai 147
( ) = / (())
2
2/ ( )
/ ( )
= 0
t.y.
( ) 2
/ ( )/ ( ) = 0
Ši paprasta lygtis labai svarbi triukšmo indukuotu˛ virsmu˛ – stacionariojo tankio ekst-
remumu˛ kokybiniu˛ pokyčiu˛ – tyrimui. Stratonovičiaus lygties atveju, vietoje funkcijos
2
( ) i˛rašius funkcija˛ ( ) + ( ) ( )
2 = ( ) + 22 / ( )/ ( ), ji virsta lygtimi
2
( ) / ( )/ ( ) = 0
2
d
= (&
) d +
2
d
Jau minėta, kad ši lygtis, pradžioje naudota kai kuriu˛ biologiniu˛ populiaciju˛ augimo
modeliavimui, ilgainiui „pasireiškė“ i˛vairiose gamtamokslinėse srityse.2 Ja˛ esame iš-
sprend˛e 8.9 skyrelyje:
+
0 exp & 1
2
2
=
+
1 + 0 exp & 1
2
2
d
0
2
I˛domu, kad naudojamos tiek Ito, tiek Stratonovičiaus lygtys – adekvačios interpretacijos pasirinkimas
priklauso nuo konkretaus modeliuojamo proceso.
148 10. Pavyzdžiai
= 1)
&) ) d) 2
"0 ( ) = 2 2 exp 2
2 )2
1
= 2 2 exp 2
&
2 )
1
2
d)
1
= 2 2 exp
2&
ln 2
1)
(
2
2 2
= exp 2
2
2 2 2 2
exp
2
= 2 2
2
2
exp 2
2
;
10.5 pav. Ferhiulsto lygties stacionarieji tankiai (& = 1, 2 = 125; 13; 1; 45; 85).
3
˛ u˛ funkciju˛ terminais, galima sakyti, kad šiuo atveju stacionarusis tankis 0 ( ) =
Kalbant apibendrintuj
Æ ( ) – Dirako delta funkcija.
10. Pavyzdžiai 149
&), taip pat turime triukšmo indukuota˛ virsma.˛ Šiek tiek mažiau juntama˛ kokybiška˛
skirtuma˛ (kur˛i taip pat galėtume pavadinti virsmu) stacionariojo tankio "0 elgsenoje
taško = 0 aplinkoje galime i˛žiūrėti tarp atveju˛ 23 & 2 & ir 2 23 &. Pirmuoju
atveju lim 0 "0 ( ) = + , antruoju – lim 0 "0 ( ) = 0.
Prilygin˛e stacionariojo tankio išvestin˛e nuliui arba iš 10.3 skirsnio pabaigoje išves-
tos lygties (kuri šiuo atveju yra & 2 2
= 0) lengvai randame stacionariojo tankio
maksimumo taška˛ max = & 2
(kai 0 2 &). (Paties maksimumo "0 (max )
dydžio išraiška gana „griozdiška“ ir todėl čia nepateikiama.) Kai triukšmas labai mažas
( artėja prie nulio), stacionariojo tankio funkcija „smailėja“ ir jo maksimumo taškas
artėja prie = &. Tai suprantama – mažinant triukšma,˛ stochastinės lygties sprendi-
niai turėtu˛ panašėti i˛ determinuotos lygties sprendin˛i ( = 0), o pastarajam yra teisinga
lim
= &, jei 0 ! 0.
10.6 paveiksle pavaizduoti Ferhiulsto lygties sprendiniai su & = 1 ir i˛vairiais
– pradedant nuliu, kai lygtis deterministinė ir visi lygties sprendiniai artėja prie &, ir
baigiant didele reikšme ! 2&, kai lygtis stacionariojo tankio jau nebeturi ir visi
sprendiniai konverguoja i˛ nul˛i.
Šio pavyzdžio pabaigai pora žodžiu˛ apie Ferhiulsto lygt˛i Stratonovičiaus interpre-
tacijoje
d
= (&
) d + 2
Æ
d
Ekvivalenčiu Ito pavidalu ji užrašoma kaip
d
= (&
˜
) d + 2
d
su &˜ := & + 1 2 . Todėl, norint pereiti nuo šios lygties Ito interpretacijos prie Stratono-
2
vičiaus interpretacijos, tereikia visur šiame pavyzdyje pakeisti & i˛&
˜ Pavyzdžiui, lygties
sprendinys dabar bus
0 exp & +
=
1 + 0
exp & + d
0
su parametrais $ (0 1) ir & IR vadinama genetiniu modeliu. Tam tikromis salygo- ˛
mis šios lygties sprendinys
modeliuoja vieno iš dvieju˛ genotipu˛ – ir – santykin˛i
kiek˛i
laiko momentu ; čia = + – visos populiacijos dydis. Lygtis turi
150 10. Pavyzdžiai
taikymu˛ ir kitose srityse. Pavyzdžiui, ji aprašo tam tikras chemines reakcijas, kuriose
dalyvauja dvi medžiagos, ir
reiškia vienos iš ju˛ santykin˛i kiek˛i laiko momentu .4
Laikydami, kad parametras & yra veikiamas triukšmo (atsitiktiniu˛ aplinkos svyravimu),˛
artimo baltajam, gausime Stratonovičiaus stochastin˛e diferencialin˛e lygt˛i
d
= $
+ & (1 ) d +
(1 ) Æ d 0 (0 1)
d
= $
+ & (1 ) + 1 2
)(1 2 ) d
(1
2
+ (1 ) d (0 1)
0
1
(1 )
Æ d =
(1 ) +&
d + d
d + & +
ln
1
ln
0
1 0
=
$
(1 )
0
Tarkime, kad 0
0, kai
6 . Tada kairioji lygties pusė artėja prie ,o
dešiniosios pusės pointegralinė funkcija ($ )
( (1 ))
+ , kai 6.
Todėl integralas dešinėje niekaip negali artėti prie , kai
6 („blogiausiu atveju“
jis gali diverguoti i˛ + ). Analogiškai gauname prieštara,˛ tar˛e, kad 1 !
1, kai
6.
4 2 + , + +
Chemikai tokia˛ reakcija˛ aprašytu˛ schema + + 2 + .
152 10. Pavyzdžiai
2
) + &)(1 )) d)
1
2
(1 ) ) (1 ))
"0 ( ) = exp 2 2 2
2 1 2)
1 2
&
(1 ) 2) (1 )) )(1 ))
= exp 2
+ d)
2 2
2 1 1 2
1
exp
(1 ) 2 (1 )
= + & ln
2
Nesunkiai matyti, kad ši funkcija integruojama intervale (0 1) su visomis parametru˛
! 0 ir & IR reikšmėmis, taigi ir nagrinėjama lygtis visada turi stacionaruj˛
˛ i tank˛i. Jo
ekstremumo taškai tenkina lygt˛i
+ &(1 ) )(1 2) = 0
2
1
F ( ) := (1
2 2
Paprastumo dėlei pradžioje panagrinėkime simetriška˛ atvej˛i & = 0. Stacionariojo tankio
ekstremumams gauname lygt˛i
1
F ( ) =
2
1 2
(1 ) =0
arba
12 2 +
1
2
= 0
ir stacionarusis tankis turi maksimuma˛ taške 1 = 1
2. Jei 2 ! 4, lygtis turi dar
du sprendinius = (1 1 4
2 )
2 ir šiuose taškuose stacionarusis tankis turi
maksimumus, o taške 1 = 1
2 – jau minimuma! ˛ (10.7 pav.). Tad galime sakyti,
kad, kai 2 = 4, mes turime triukšmo indukuota˛ virsma.˛ Gr˛iždami prie cheminės re-
akcijos interpretacijos, i˛sivaizduokime, kad viena reakcijoje dalyvaujanti medžiaga yra
mėlyna, o kita geltona. Kai triukšmo nėra arba jis mažas, tai nusistovėjus reakcijai abie-
ju˛ medžiagu˛ yra apytikriai po lygiai ir mes matysime žalios spalvos mišin˛i. Padidinus
triukšma˛ iki virsmui reikalingo dydžio pirmosios medžiagos santykinis kiekis
bus
artimas tai vienam stacionariojo tankio maksimumo taškui, tai kitam. Mes matysime
tai mėlyna,˛ tai geltona˛ reaguojančiu˛ medžiagu˛ mišin˛i. I˛domu, kad tokie makroskopi-
niai reiškiniai yra realiai stebimi laboratorijose, ir ju˛ negalima paaiškinti determinuotu˛
lygčiu˛ rėmuose.
Asimetriniu atveju & ! 0 (arba & 0) kokybiškai situacija panaši, tačiau yra ir tam
tikru˛ skirtumu˛ (10.7a pav.). Visu˛ pirma, stacionariojo tankio forma tampa asimetriška.
10.8 pav. Genetinio modelio sprendiniai simetriniu (& = 0) ir asimetriniu atvejais (& = 1 0).
Brūkšninėmis linijomis parodyti stacionariojo tankio maksimumo taškai.
155
%
*
(
)
=
=(
(( %
=
!
(
Nagrinėkime stochastin˛e diferencialin˛e lygt˛i
= + ( ) d + ( ) d 0
( )
0 0
Išreikštiniu pavidalu tokia lygtis išsprendžiama gana retai. Natūralu, kad, kaip ir pap-
rastuj
˛ u˛ diferencialiniu˛ lygčiu˛ atveju, reikia skaitiniu˛ artutiniu˛ sprendimo metodu,˛ kurie
leistu˛ stochastines diferencialines lygtis spr˛esti kompiuteriais. Tačiau ka˛ reiškia artuti-
nai (apytikriai) išspr˛esti stochastin˛e diferencialin˛e lygt˛i, kurios sprendinys yra atsitikti-
nis procesas?
Paprastai daroma taip. Imama fiksuoto laiko intervalo [0 ] diskretizacija
0 = 0 1 2 & =
:= [
] [5 ( + 1)5)
(laiptinis procesas) arba
:= + ( +1)
55 [5 ( + 1)5)
Δ = ( +1) (0 5) yra nepriklausomi atsitiktiniai dydžiai. Todėl papras-
tai generuojama nepriklausomu˛ atsitiktiniu˛ dydžiu˛ seka 4 (0 1), IN, ir imama
Δ := 4 5. Kaip generuoti tokia˛ seka˛ 4 ? Nors daugelis matematiniu˛ programu˛
paketu˛ turi tokiu˛ seku˛ generavimo galimyb˛e, programavimo kalbos dažniausiai turi tik
tolygiai pasiskirsčiusiu˛ atsitiktiniu˛ dydžiu˛ generavimo funkcijas ar procedūras. Pavyz-
džiui, Paskalio programavimo kalboje tokia yra funkcija RANDOM, generuojanti to-
lygiai pasiskirsčiusius atsitiktinius dydžius. Tokiu atveju gali padėti i˛vairūs normaliuj
˛ u˛
atsitiktiniu˛ dydžiu˛ generavimo metodai, naudojantys tolygiai pasikirsčiusius atsitikti-
nius dydžius. Vienas paprasčiausiu˛ yra Bokso–Miulerio1 metodas. Jis remiasi tokiu
faktu – jei D1 ir D2 yra du nepriklausomi atsitiktiniai dydžiai, tolygiai pasiskirst˛e inter-
vale (0 1), tai
41 :=
2 ln D 2 ln D
1 cos(2(D2 ) ir 42 := 1 sin(2(D2 )
yra du nepriklausomi standartiniai normalieji atsitiktiniai dydžiai. Pateiksime šiuo me-
todu besiremiančios paprastos funkcijos Paskalio kalba pavyzd˛i. Kiekvieno kreipimosi
˛ i atsitiktin˛i atsitiktin˛i dyd˛i2 :
metu ji generuoja standartin˛i normaluj˛
...
FUNCTION NORMAL:real;
var U1,U2:real;
begin
U1:=random; U2:=random;
U1:=ln(U1); U2:=pi*U2;
U1:=sqrt(-U1-U1);U2:=U2+U2;
NORMAL:=U1*cos(U2);
end; NORMAL
...
1
George Edward Pelham Box, Mervin Edgar Muller.
2
Prieš pirmaj˛
˛ i funkcijos NORMAL (tiksliau, RANDOM) iškvietima˛ būtina iškviesti procedūra˛ RANDO-
MIZE, inicializuojančia˛ atsitiktiniu˛ skaičiu˛ generatoriu,˛ arba nustatyti konstantos RandSeed:LongInt reikšm˛e,
kuria˛ naudoja tas generatorius.
11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas 157
= (
) 0 = arba
= + ( ) d [0 ]
0
0 =
+1 =
+ ( ) d = 0 1 1
+1 "
+ (
) d =
+ (
)5 = 0 1 1
0 =
+1 =
+
5
= 0 1 1
I˛rodoma, kad Oilerio aproksimacija yra pirmosios eilės:
sup
= O(5) 5 0
+1 " +
1
(
) + ( +1
+1 ) 5
( = 0 1 1
2
Atmet˛e paklaida,˛ š˛i karta˛ gautume trapecin˛e aproksimacija,˛ nusakoma˛ lygybėmis
+1 =
+
1
+ +1
+1 5
( = 0 1 1
2
Tačiau šia˛ schema˛ nepatogu naudoti – kiekviename jos žingsnyje dar reikia spr˛esti lygt˛i
atžvilgiu
+1 . Šio sunkumo galima išvengti pakeitus dešinėje nar˛i
+1 jo apytikre
reikšme, „pasiskolinta“ iš Oilerio metodo. Taip gauname modifikuota˛ trapecin˛e aprok-
simacija˛
+1 =
+
1
+ +1
+1 5
(
+1
2
=
+
5 = 0 1 1
3
Johann Albrecht Euler.
158 11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas
sup
= O(5 ) 2
5 0
Kitas būdas padidinti aproksimacijos eil˛e – naudoti Teiloro formul˛e. Pritaik˛e ja˛ spren-
diniui intervale [ +1 ], gauname
+1 =
+
5 +
52 +
1
2
+ 1! ()
5 + ;
1 (+1)
; = 3 5+1 H +1
( + 1)!
Sprendinys tenkina lygt˛i
= (
)
Pakartotinai diferencijuodami šia˛ lygt˛i, gauname
=
(
) + (
)
=
(
) + (
)(
)
= (
+ )(
)
=
+ 2
+ 2 +
+ 2 (
)
ir t.t. I˛raš˛e šias išraiškas i˛ Teiloro formul˛e ir atmet˛e joje liekamaj˛˛ i nar˛i ; , gauname
vadinamaj˛ a˛ -osios eilės Teiloro aproksimacija,˛ ir ji iš tikruj˛ u˛ yra būtent -osios eilės
5
aproksimacija 11.1 apibrėžimo prasme. Pavyzdžiui, 1-osios eilės Teiloro aproksima-
cija sutampa su Oilerio aproksimacija, 2-osios eilės Teiloro aproksimacija apbrėžiama
lygybe
+1 =
+
5 +
1 (
+
52
2!
(
o trečiosios –
1
+1 =
+
5 +
+
52
( 5
2!
1
+ 2
+ 2 +
+ 2
3
+
3!
ir t.t. Ypač paprastai Teiloro aproksimacijos atrodo, kai koeficientas nepriklauso nuo
. Pavyzdžiui, ketvirtosios eilės aproksimacija tokiu atveju apibrėžiama lygybe
+1 =
+ 5 +
1 1 1
52 + ( ) 53 + ( ) 54 ;
2! 3! 4!
čia funkcija ir visos jos dalinės išvestinės imamos taške (
).
4
Karl Ludwig Wilhelm Heun.
5
Determinuotoms lygtims stiprios ir silpnos aproksimaciju˛ savokos
˛ yra ekvivalenčios.
11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas 159
Δ = Δ =
+1
= 5
Patogu jos reikšmes prat˛esti visame intervale [0 ]:
0 =
=
+
(
) + ( ) [ ]
+1
( ) ( ) + +
11.4. Teorema. Sakykime, ( ) lygties koeficientai tenkina Lipšico salyga˛
2
( ) ( )
2
2
= O(5
Tada
sup E
1 2
) 5 0
t.y. Oilerio aproksimacijos eilė yra 12 .
I˛rodymas. Konvergavimo eil˛e lemia „blogesnė“ – difuzinė lygties dalis, todėl dėl pa-
prastumo tarsime, kad „geroji“ – poslinkio dalis 0. Oilerio aproksimacija tenkina
=+ d ;
2 + 2 + 5
2
2
Imkime vidurkius:
E ( )
( )
2
2E + 2E
2
2
+5 [
+1 ]
[0 ]
Pažymėkime
2
= ( ) := sup E
6
Gishiro Maruyama.
160 11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas
E
( )
2
2 = ( ) + > (5) + 5
[0 ] 5 ! 0
Todėl
= ( ) = sup E = sup E )
2
(
() ) d
2
# #
0
= sup E
) () ) d)
2
#
0
2
= ()) + > (5) + 5 d)
2
E #
2
=E (* - ) d-
= E 2
(* - ) d* const ( )) 0 )
#
ir todėl
> (5) = sup E
#
#
2
= O(5) 5 0
Iš čia
( ) = O(5)
5 0
= sup E = ( ) 0 !
1 2
= O 51 2 5
d
= sin cos
3
d + cos2
d
0 = 1
2
tikslu˛ sprendin˛i (tiksliau, viena˛ tipiška˛ jo trajektorija)
˛ ir jo Oilerio aproksimacijas (lauž-
tės), esant i˛vairiems žingsniams 5. Tokia lygtis buvo pasirinkta dėl dvieju˛ priežasčiu.˛
11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas 161
(
) = (
) + ( ) d + 1 ( ) d ; (#)
čia = + 1
2
2
, 1 = . Atskiru atveju, kai ( ) = , turime = ,
162 11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas
=
+ ( ) d + ( ) d
+ (
) + (# ) d) + 1 (# ) d# d
=
+ (
) d + (
) d + ; ;
Tai – paprasčiausia Ito–Teiloro (IT) formulė. Ja˛ galima prat˛esti, taikant (#) formul˛e
pointegrinėms liekamojo nario funkcijoms. Pavyzdžiui, pritaik˛e (#) formul˛e paskutinio
(„blogiausio“) dėmens pointegralinei funkcijai = 1 , gauname Ito–Teiloro formul˛e
=
+ (
) d + (
) d + 1 (
) d# d + ;1
su liekamuoju nariu
#
#
Liekamaj˛
˛ i nar˛i galime i˛vertinti:
E;12 ( )
3
Pavyzdžiui,
# 2
E;15
2
=E 1 2
(- ) d- d# d
# 2
= E 1 2
(- ) d- d# d
# 2
#
2
= E 1 2
(- ) d- d) d = E1 2
(- ) d* d) d
sup E
( ) (- )
d* d) d = ( )
2
#
3
- [0
] 6
Imkime = +1 . Tada
+1 =
+ (
)5 + (
)Δ +
1
2
(
)(Δ2 5) + ; 1
Δ =
+1
E;12 53
Atmet˛e liekamaj˛
˛ i nar˛i, gauname aproksimacija˛
+1 =
+
5 +
Δ + 1 Δ 5 2
1 2
=
+ 5 + Δ +
1 Δ 2
2 2
Ji vadinama Milšteino7 aproksimacija ir jos eilė lygi 1. Tos pačios lygties Oilerio ir
Milšteino aproksimacijas su dviem žingsnio reikšmėmis 5 = 01 ir 005 (su mažes-
nėmis 5 reikšmėmis šias aproksimacijas vizualiai būtu˛ sunku atskirti) galima palyginti
11.2 paveiksle. Lygtis paimta ta pati kaip ir 11.1 paveiksle. Iš keliu˛ atsitiktinai sugene-
ruotu˛ sprendinio trajektoriju˛ pasirinkta tokia, su kuria aiškiau matomi šiu˛ aproksimaciju˛
skirtumai. Apskritai galima pastebėti, kad, palyginti su Oilerio aproksimacija, Milštei-
no aproksimacijos tikslumas tuo ryškesnis, kuo didesnė pirmosios paklaida.
7
G. N. Milshtein (Grigori Nohoviq Milxten ).
164 11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas
11.2 pav. Oilerio (brūkšninė laužtė) ir Milšteino (ištisinė laužtė) aproksimaciju˛ palyginimas.
M
kamojo nario ; =
; dėmenis. Kai = , dėmenys E; = O(5 ) ir
Pabandykime dar pagerinti aproksimacijos eil˛e, patikslindami „blogiausius“ lie-
1
5
=1 1 +1
2
11
4
E;14
2
= O(54 ); todėl „blogieji“ yra ;12 , ;13 , ;15 , kuriu˛ antrojo momento eilė yra tik
O(53 ). Vėl taikydami Ito formul˛e šiu˛ nariu˛ pointegrinėms funkcijoms, gauname:
+1
+1
+1
+1
+1 #
+1 #
=1 2
(
) d- d# d + ;25
11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas 165
+1
+1
) d = ) d = ( )(
(
+1
=
= Δ 5 Δ+ ;
+1 #
+1
( )
+1
2
2
310
d
===
2
+1
+1
==
Δ3
43
6
1
2
( ) d
1
2
( ) d
=
Δ3
6
12 Δ 5
Taigi
+1 =
+ (
)5 + (
)Δ +
1
(
) Δ2
5 + 1( )Δ+
1
2
+ (
)(Δ 5 Δ+ ) + 1
2
(
)
6
Δ3 12 Δ 5 + ; 2
1 Δ 1 Δ 5
2
+ (Δ 5 Δ+ ) + 1 2 3
1 6 1 2
= + 5 + Δ + Δ 2
6 2
+ (1 ) Δ+
166 11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas
Galima būtu˛ tikėtis, kad šios aproksimacijos eilė yra geresnė ir lygi 32 . Tačiau pasirodo,
kad tam ja˛ reikia papildyti vienu nariu, gautu patikslinus dar viena˛ liekamojo nario
dėmen˛i:
+1
1
;11 = (# ) d) d = (
)52 + ;22
2
2
1 1
+ Δ + Δ + 1 Δ 2 2 3
1 2
6
+ 1 Δ 5 + (1 ) Δ+
2
2
kurios eilė yra 32 . Atkreipsime dėmes˛i i˛ tai, kad joje dalyvauja atsitiktinis dydis Δ+ ,
kurio negalima išreikšti Brauno judesio reikšmėmis diskretizacijos taškuose . Todėl
kiekviename žingsnyje turime generuoti atsitiktiniu˛ dydžiu˛ pora˛ (Δ Δ+ ). Nors jie
jau nėra nepriklausomi, juos generuoti nėra sunku. Atsitiktinis dydis Δ+ yra normaliai
pasiskirst˛es su vidurkiu EΔ+ = 0 ir dispersija
2
EΔ+2 = EΔ+12 = E d =E d # d)
0 0 0
= E( # ) d d) = ( )) d d)
0 0 0 0
# )
))
2
= d + ) d d) = + )(5 d)
2
0 0 0
#
)2 53
5
2 3
1 3
= 5) d) = = 5
2 6 3
0
Koreliuotu˛ normaliai pasiskirsčiusiu˛ dydžiu˛ pora˛ (Δ Δ+ ) galima gauti iš nepri-
klausomu˛ atsitiktiniu˛ dydžiu˛ D1 D2 (0 1) poros:
1
Δ = D1 5 Δ+ =
2
D1 + 13 D 2 53 2
Toliau tokiu būdu gerinant aproksimacijos eil˛e, papildomai prireikia nauju˛ atsitik-
tiniu˛ dydžiu˛
+1 (
)2 d , kuriuos generuoti jau sunkiau.
Δ + 5 + O
+1
= +
+1
+1
2
+1
d
= (
) d + (
) d
Æ
Tai neturėtu˛ nustebinti. Veikiau atvirkščiai – palyginus Hoino aproksimacijos išraiška˛
su Stratonovičiaus integralo apibrėžimu, nesunku suvokti, kad kaip tik tokio „efekto“
ir reikėjo tikėtis. Hoino metodas geras tuo, kad nenaudojamos koeficientu˛ išvestinės.
Todėl j˛i galima pavadinti paprasčiausiu Rungės–Kuto8 metodu stochastinėms diferen-
cialinėms lygtims spr˛esti. Deja, Ito lygtims tokiu˛ pirmosios eilės metodu˛ nėra.
8
Karl David Tolmé Runge, Martin Wilhelm Kutta.
168 11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas
= + ( ) d + ( ) d 0
0 0
0 =
+1 =
5 Δ ;
& &
čia = ( ), ( ) IR [0 ] IR, – pakankamai gera realioji funkcija,
Imkime vidurk˛i:
E ( ) = ( ) + E (
) d 5 0
0
0 0
= ( ) + ( )5 + E2 ( ) d d (
( )
0 0
˜ ( ) = ( ( ))
ir
d 1 d2 ˜
Δ˜ = +
d 2 d 2
Taikome Ito formul˛e procesui ˜ (
), [0 5]:
( ) = ( 5 ) = ˜ ( 5 )
d d ˜
= ˜ ( 0 0) + ˜ (
) d + (
) d
d d
0 0
11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas 169
1
d2 ˜
+ (
) d
2 d 2
0
d ˜
= ˜ ( 0 0) + Δ˜ (
) d + (
) d
d
0 0
E ( ) = ( ) + ( )5 + O(52 )
E ( ) = ( ) + Δ˜ ( 0 0)5 + O(52 )
Δ˜ ( 0 0) = ( ) IR %
( )
su visais = 5, IR. Šiuo atveju sakoma, kad silpnoji aproksimacija turi antro-
sios eilės vienažingsn˛i tiksluma˛ (arba, kad ji yra lokaliai antrosios eilės). I˛rodoma, kad
esant tenkinamoms kai kurioms reguliarumo salygoms, ˛ iš antrosios eilės vienažingsnio
170 11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas
1 1 2
Δ˜ = + ( ) + ( )
2 2
Taške ¯ := ( 0 0)
1 1 2
Δ˜ (¯
) = + (¯ ) ( ) + (¯ ) ( )
2 2
%
Lygybė ( ) tenkinama, jei gautõsios išraiškos ir ( ) išraiškos koeficientai prie iš-
vestiniu˛ ( ) ir ( ) sutampa:
+,
+ (¯ )
1
2
= ( )
- (¯ )
2
= 2
( )
Natūralu pasirinkti (¯
) = ( ) (nors (¯ ) = ( ) taip pat tiktu).
˛ Tad galutinai
gauname tokias pakankamas salygas,
˛ kad funkcijos apibrėžiama aproksimacija
) (¯ )
būtu˛ pirmosios eilės:
= ( )
+
1
(¯ ) = ( )
(I1)
2
Stratonovičiaus lygčiai
= + ( ) d + Æ
( ) d 0
0 0
(I1) salygose
˛ koeficienta˛ reikia pakeisti koeficientu ˜ = + 1
2
, nes ši lygtis ekvi-
valenti Ito lygčiai
= + ( ) d +
˜ ( ) d 0
0 0
+, (¯ )
lygčiai būtu˛ pirmosios eilės:
= ( )
- + ()
(S1)
1
2
)
(¯ = + 1
2
11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas 171
11.7. Pastaba. Skaičiavimus suprastinti ir ypač pagreitinti galima Brauno judesio poky-
čius Δ
(0 5) pakeitus tokiais atsitiktiniais dydžiais 4 = 7 5, kad E(4 ) =
E(Δ ) , = 1 2 3. Iš tikruj
˛ u,˛ vietoje ( ((
) formulės išskleiskime funkcija˛ ˜ Teiloro
eilute trečiojo kintamojo atžvilgiu:
1 E ˜ ( 5 0)
3
1 E 4 ˜ ( 5 H )
˜ ( 5 Δ ) = (Δ ) + (Δ )4 ;
=0
! E 4! E 4
čia H Δ . Analogiškai,
1 E ˜ ( 5 0)
3
1 E 4 ˜ ( 5 H̄ )
˜ ( 5 4 ) = (4 ) + (4 )4 ;
=0
! E 4! E 4
čia H̄ 4 . Atimdami viena˛ lygyb˛e iš kitos ir imdami vidurkius, gauname
E˜ ( 5 4 ) E˜ ( 5 Δ )
E ˜ ( 5 H̄ ) E ˜ ( 5 H )
E (4 ) + E (Δ )
4 4
1
4 4
E
E
4! 4 4
E < ( 5 4 ) 4 + E < ( 5 Δ ) Δ ;
4
4
čia
< ( 5 ) :=
1
sup
4! 3 [ ]
E 4
E 4 ˜ ( 5 H )
Jei, pavyzdžiui, funkcija < yra aprėžta kokia nors konstanta , tai
E < ( 5 4 ) 44 + E < ( 5 Δ ) Δ4
E(7 5) + E(Δ )
4 4
= 5 + 35 = O 5
1
2 2 2
(Ta˛ pat˛i, taikant Hiolderio nelygyb˛e, galima gauti ir bendresniu atveju, kai < „ne per
daug greitai auga“ pagal .) Taigi pokyčiu˛ Δ pakeitimas dydžiais 4 nesumažina
silpnosios aproksimacijos vienažingsnio tikslumo antrosios eilės. Praktiškai papras-
čiausia turbūt imti 4 = 5 (t.y. 7 = 1) su tikimybėmis 12 .
11.8. Pavyzdžiai. Ištirkime, kada funkcija
( ) = + 1 + 2 + 3 2
( = ( )) apibrėžia pirmosios eilės aproksimacija˛ . Kadangi taškuose ¯ turime
= 1 , = 2 , = 23 , tai (I1) salygos
˛ virsta
+ 3 = ( )
1
2 = ( )
Koeficientui 2 pasirinkimo neturime: 2 = ( ). Pastebėkime, kad tiek Oile-
rio aproksimacija ( = + ( ) + ( ) ), tiek Milšteino aproksimacija ( =
172 11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas
+
1
() +
( ) + 12 ( ) 2 ) tenkina šias salygas.
˛ Taigi jos abi yra
2
pirmosios eilės silpnosios aproksimacijos. Kadangi Oilerio aproksimacija yra daug pa-
prastesnė nei Milšteino, tai praktikoje ji paprastai ir naudojama kaip silpnoji pirmosios
eilės aproksimacija. Pirmenybė Milšteino aproksimacijai suteikiama nebent tuo atveju,
kai dėl kokiu˛ nors priežasčiu˛ svarbu, kad ji, skirtingai nuo Oilerio aproksimacijos, yra
pirmosios eilės ir kaip stiprioji aproksimacija.
˛ u˛ gauname tokias funkcijos koeficien-
Stratonovičiaus lygties atveju iš (S1) salyg
˛
tu˛ salygas:
2 = ( )
1 + 3 = ( ) + 1
2
( )
Čia natūralu imti
1
1 = ( ) 2 = ( ) 3 = ( )
2
arba
1
1 = ( ) + ( ) 2 = ( ) 3 = 0
2
Dar patikrinsime, ar Hoino aproksimacija, kuria˛ atitinka funkcija
1
= + ( ) + ( ) + + ( ) + ( )
2
tenkina (S1) salygas.
˛ Pažymėj˛e ¯ = + ( ) + ( ) , turime:
= ( ) +
1
)( ) =
(¯ (¯ ) = ()
2
) ( ) = (¯ ) =
1 1
= ( ) + (¯
) + (¯
( )
2 2
1 1 1
= ) ( ) +
(¯ )
(¯ 2
( ) + ) ( )
(¯
2 2 2
= (¯
1
) ( ) +
2
) 2 ( ) = (¯ ) =
(¯ ( )
Taigi Hoino aproksimacija tenkina (S1) lygtis ir todėl yra pirmosios eilės silpnoji ap-
roksimacija Stratonovičiaus lygčiai (ir tai natūralu stipriajai tokios lygties pirmos eilės
aproksimacijai).
Kaip praktiškai realizuojamos silpnosios aproksimacijos? Tarkime, kad jau esame
pasirink˛e kokia˛ nors ( ) lygties sprendinio silpnaj˛ a˛ aproksimacija˛ 5 ! 0 (pavyz-
džiui, Oilerio) ir norime ja remdamiesi rasti apytikr˛i vidurk˛i E (
), žinodami, kad
"
teoriškai E (
) E (
) tam tikru tikslumu, kai 5 „mažas“. Tada kompiuteriu ge-
neruojamas „pakankamai didelis“ skaičius nepriklausomu˛ proceso realizaciju˛ ,
= 1 2 , ir suskaičiuojamas aritmetinis vidurkis
1
&
=1
=1
1
E + E E ( ) =:
&
+
2
1
=1
Dydis
2 =
2 (5) vadinamas sistemine paklaida. Ji priklauso tik nuo silpnosios aprok-
simacijos („sistemos“) ir greičiau ar lėčiau (priklausomai nuo pasirinktos aprok-
simacijos) artėja prie 0, kai 5
0. Dydis (atsitiktinis!)
1 = -1 (5 ) vadinamas
statistine paklaida. Norint ja˛ minimizuoti, reikia imti realizaciju˛ skaičiu˛ pakankamai
didel˛i. Antra vertus, siekiant sumažinti skaičiavimu˛ trukm˛e, pageidautina kiek gali-
ma sumažinti . Šie gana sudėtingi optimalaus parinkimo klausimai nagrinėjami
vadinamuj ˛ u˛ Monte Karlo metodu˛ teorijoje. Mes pasižiūrėsime, kaip elgiasi Oilerio ap-
roksimacija konkrečios lygties atveju. Kad pavyzdys būtu˛ pakankamai iliustratyvus,
stochastin˛e diferencialin˛e lygt˛i ir funkcija˛ pageidautina parinkti taip, kad: a) lygtis
nebūtu˛ „triviali“, bet būtu˛ išsprendžiama išreikštiniu pavidalu; b) funkcija nebūtu˛
„triviali“, bet būtu˛ galima paskaičiuoti teorin˛i vidurk˛i E (
). Panašu, kad šiuos rei-
kalavimus tenkina lygtis
1
d
=
d +
2 + 1 d
0 =
2
ir funkcija ( ) := arcsinh 4 ( ),
IR. (Čia priminsime, kad arcsinh yra
hiperbolinio sinuso sinh ( ) = (e
e )
2 atvirkštinė funkcija arcsinh ( ) =
:= arcsinh , gauname
E (
) = E(
+ )4 = E
4 + 4E
3 + 6E
2 2 + 4E
3 + 4
= 3 2 + 6 2 + 4
Oilerio aproksimacijos taikymo šiai lygčiai su keliomis 5 ir reikšmėmis pa-
vyzdžius matome 11.3 paveiksle. Pasirinkus = 08 ( " 028816), storesne
(ir glodesne) kreive visuose brėžinėliuose pavaizduotas teorinis vidurkis E (
) =
vidurkiu˛ 1 &
3 2 +6 2 + 4 . Plonesnėmis ir mažiau reguliariomis kreivėmis pavaizduotos generuotu˛
(
) reikšmės taškuose = 5, = 1 2 , sujungtos laužte.
=1
Matome, kad aproksimacijos tikslumas juntamiau gerėja didinant nei mažinant 5. Tai
galima paaiškinti gana paprastai – sumažinus 5, pavyzdžiui, dešimt kartu,˛ maždaug tiek
pat kartu˛ santykiškai sumažėja sisteminė paklaida. Jei 5 jau yra parinktas „protingai“
mažas, toliau j˛i mažinant, absoliuti sisteminė paklaida sumažėja gana nežymiai. Todėl
174 11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas
+ E3 (# ) d) d d
0 0 0
52
E ( ) = ( ) + Δ˜ ( 0 0)5 + Δ2 ˜ ( 0 0)
2
+ EΔ3 ˜ ( ) # ) d) d d
0 0 0
11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas 175
= 2 + + 2 +
1 2 2
1 2
+ + + + + +
2
3
2
+
2
+ + ( )
1
= + 2
( ) ( )
2
1 1
+ 2 + + ( ) ( )
2 2 2 3
+ +
+ 2
+ 3
()
2
( ) +
1 4
2
( ) ( )
4
ir panašiai
1
Δ2 ˜ (¯
) = + + (¯ ) ( )
2 1
4
2 1 2 3
+ + + 2 + + (¯ ) ( )
2 2
1 2 2
2
1 4
3
+ + + (¯ ) ( ) + (¯ ) ( )
2 4
176 11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas
Sulygin˛e Δ2 ˜ (¯
) ir 2 ( ) išraišku˛ koeficientus prie vienodu˛ išvestiniu,˛ gauna-
me lygtis
1 1 2
+ + (¯ ) = + ( )
4 2
1 2 1 2
+ + 2 + + (¯ ) = 2 + 2 +
2 2
1 2 2 1 3
+ + ( )
1 2 2
2
2
+ + (¯ ) = 2 + 3 ( )
2
4
(¯ ) = 4
( )
= ( ) 12
( )
88 2(¯ )+ (¯ )
= ( ) (I2)
- + + (¯ )
1
= ( ) ( ) + 12 2 ( )
= ( ) + 12 2 ( )
4
keitus koeficientu + 12
+8 (¯ )
:
= ( )
88 (¯ )
= ( )
88, (¯ )
2 + (¯ ) = ( )
88 + + (¯ )
2
= ( + )( ) + ( 2 + )( ) (S2)
88 = ( )
1
4
8-
2
+ 12 ( + + + 2 )( )
3
+( 3 +4 2 + )( ).
Šiek tiek pertvark˛e dvi paskutinies lygtis, gauname ypač simetriška˛ (S2) salyg
˛ u˛
+8 (¯ )
pavidala:˛
= ( )
88 (¯ )
= ( )
8, (¯ )
= ( )
88 2 ++ +(¯) (¯ )
= ( ) ( ) + ( ) ( ) (S2a)
88-
1
4
= ( ) + 12 (
) ( ) + 1
2
( ) ( )
+ 1
4
( ) ( )
Panašiai kaip 11.7 pastaboje, nemažinant silpnosios aproksimacijos eilės pokyčius
Δ (0 5) galima pakeisti tokiais atsitiktiniais dydžiais 4 = 7 5, kad E(4 ) =
E(Δ ) , = 1 2 3 4 5. Konkrečiai galima pasiūlyti naudoti atsitiktinius dydžius 7 ,
i˛gyjančius reikšmes 3 su tikimybėmis 16 ir reikšm˛e 0 su tikimybe 23 .
11.10. Pavyzdžiai. Milšteino tipo aproksimacijos. Tai aproksimacijos, kurias apibrėžianti
funkcija = ( ) yra daugianaris kintamuj
˛ u˛ ir atžvilgiu. Sakykime,
( ) = + 0 + 1 + 2 2 + 3 + 4 3 + 5 2 + 6 2 + 7 4 ;
čia = ( ), = 0 1 7. Šios funkcijos dalinės išvestinės taškuose ¯ yra:
= 1 = 25
= 0 = 22 = 64 = 247
= 3 = 26
Iš (I2) salyg
˛ u˛ gauname:
0 = ( )
1 = ( ) 12 ( )
1
2 = ( )
2
1 1 2
3 + 34 = ( ) ( ) + ( )
2 4
1 1 2
5 + 6 + 37 = ( ) + ( )
2 4
178 11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas
=
=
' 0
+
' + 1 '
2
+1
2!
Labiau stebina faktas, kad „grynai“ stochastiniu Stratonovičiaus lygties atveju, kai = 0, silpno-
sios antrosios eilės aproksimacijos
=
0 Δ
=
+
Δ
+ 1 Δ
2
1 Δ
+1
2
+ ( ) (
1
)Δ
3 + ( ) 4
6 24
11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas 179
'
+1
2
+ ( ) ( )'3 + ( )
1
1 4
6 24
koeficientais. Tai galima (negriežtai) paaiškinti tuo, kad Stratonovičiaus integralams ir lygtims
galioja „˛iprastinės“ diferencijavimo taisyklės. Determinuotoje lygtyje, vietoje „determinuoto“
diferencialo d imdami stochastin˛i diferenciala˛ d
, gauname „grynai“ stochastin˛e Stratonovi-
čiaus lygt˛i. Todėl galime tikėtis, kad determinuotos lygties aproksimacijoje pokyt˛i +1 = '
pakeit˛e pokyčiu Δ
=
+1
, gausime stochastinės lygties aproksimacija,˛ kurios eilė, kaip
Milšteino aproksimacijai palyginti su Oilerio aproksimacija pasinaudosime ta pa-
čia, ankstesniame pavyzdyje nagrinėta lygtimi d
= 05
d +
2 + 1 d
, 0 =
08, ir funkcija ( ) := arcsinh 4 ( ),
IR. Atlik˛e elementarius skaičiavimus,
gauname, kad Milšteino aproksimacija˛ šiai lygčiai apibrėžia funkcija
( ) = + 2 + 1 (1 +
2) + ( 2
2 + 2
8)
Norėdami sumažinti statistinės paklaidos vaidmen˛i, imsime pakankamai didel˛i =
10000. Antra vertus, žingsn˛i 5 imsime didesn˛i nei anksčiau, nes su mažais 5 vizu-
aliai sunkiai i˛žiūrėtume skirtuma˛ tarp Oilerio ir Milšteino aproksimaciju˛ (pavyzdžiui,
paveiksle arba monitoriaus ekrane sunku būtu˛ atskirti paklaida˛ 10 1 nuo 10 2 , nors
#0 = ( ) .0 = ( + $00 #0 )
1 = + $10 #0 + %10 .0
#1 = (1 ) .1 = (1 )
2 = + ($20 #0 + $21 #1 ) + (%20 .0 + %21 .1 )
#2 = (2 ) .2 = (2 )
3 = + ($30 #0 + $31 #1 + $32 #2 ) + (%30 .0 + %31 .1 + %32 .2 )
#3 = (3 ) .3 = (3 )
Čia šiek tiek bendra˛ simetrija˛ griaunantis papildomas parametras $00 i˛vestas dėl esteti-
niu˛ priežasčiu.˛ Su juo tinkami parametru˛ rinkiniai $ % < F paprastai yra ženkliai
paprastesni. Teoriškai uždavinys taip pat palengvėtu,˛ jei kiekviename žingsnyje, skai-
čiuodami reikšmes # ir . , vietoje vieno ankstesniuose žingsniuose gautu˛ reikšmiu˛
tiesinio darinio naudotume du skirtingus (daugiau parametru˛ – daugiau laisvės juos
pasirenkant). Tačiau praktikoje tai padidintu˛ skaičiavimu˛ skaičiu,˛ taigi – ir ju˛ trukm˛e.
Paprastuj˛ u˛ diferencialiniu˛ lygčiu˛ sprendimo Rungės–Kuto metodo parametrus pri-
imta surašyti i˛ vadinamaj˛ a˛ Bučerio9 lentel˛e. Mes pateikta˛ aproksimacija˛ taip pat
apibrėšime analogiška (dvigubai platesne) parametru˛ lentele, kurioje $ =
% = % :
$ ,
$0 $00 0
$1 $10 %1 %10
$2 $20 $21 %2 %20 %21
$3 $30 $31 $32 %3 %30 %31 %32
F0 F1 F2 F3 <0 <1 <2 <3
(¯ ) = (F0 + F1 + F2 + F3 )( )
(¯ ) = 2(F1 $1 + F2 $2 + F3 $3 ) ( );
(S2) lygtis, RK aproksimacijos parametrams gauname 15 salyg ˛ u,˛ kuriu˛ pakanka, kad
aproksimacija būtu˛ antrosios eilės (kaip silpnoji aproksimacija):
1
+ 2(<2 %21 %1 %2 + <3 %31 %1 %3 + <3 %32 %2 %3 ) = ( 6)
3
1
<3 %32 %21 %1 = ; ( 7)
24
F0 + F1 + F2 + F3 = 1 (1)
1
F1 $1 + F2 $2 + F3 $3 = ; (2)
2
1
<0 $0 + <1 $1 + <2 $2 + <3 $3 = ( 1)
2
1
F1 %1 + F2 %2 + F3 %3 = ( 2)
2
1
<1 %1 $0 + <2 (%20 $0 + %21 $1 ) + <3 (%30 $0 + %31 $1 + %32 $2 ) = ( 3)
4
1
F2 %21 %1 + F3 %31 %1 + F3 %32 %2 + <2 $21 %1 + <3 $31 %1 + <3 $32 %2 = ( 4)
4
1
<1 $1 %1 + <2 $2 %2 + <3 $3 %3 = ( 5)
4
1
F1 %12 + F2 %22 + F3 %32 = ( 6)
2
Čia lygtys, kaip ir anksčiau, sugrupuotos pagal koeficientu˛ ir dalyvavima˛ jose. Jei,
pavyzdžiui, koeficientas būtu˛ lygus nuliui, pakaktu˛ tik pirmuj
˛ u˛ septyniu˛ lygčiu˛ 1–7,
nes tada likusios lygtys būtu˛ patenkinamos su bet kokiais parametrais.
Pastaba. Šioje vietoje paaiškėja, kodėl Ito lygtims neegzistuoja silpnosios antrosios eil ės RK
aproksimacijos. Antrajai iš (I2) lygčiu˛ turėtume ()0 + )1 + )2 + )3 )( ) = ( ) 12 ( ).
˛ parametru˛ ) , nebent kokios nors konkrečios
Akivaizdu, kad šiai lygčiai nėra tinkamu˛ (pastoviu!)
lygties atveju atsitiktinai sandauga būtu˛ proporcinga koeficientui .
11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas 183
Kaip rasti bent viena˛ šios 15 lygčiu˛ sistemos sprendin˛i? Atrodytu,˛ uždavinys ga-
na sudėtingas. Tačiau, laimei, pirmosios septynios lygtys gerai žinomos determinuotu˛
diferencialiniu˛ lygčiu˛ skaitinio sprendimo specialistams. Jos sutampa su lygtimis, ku-
rias turi tenkinti ketvirtosios eilės RK metodo parametrai determinuotai diferencialinei
lygčiai d
= (
) d ! Turbūt jau pripratome prie to, kad stochastinėms Stratonovi-
čiaus ir determinuotoms diferencialinėms lygtims dažnai gaunami analogiški arba net
sutampantys rezultatai. Deja, stipriosios aproksimacijos mažiau gali „pasigirti“ tokiais
gražiais sutapimais. Tiesa, paprastai vietoje septyniu˛ lygčiu˛ imamos aštuonios, tinkan-
čios ir tais atvejais, kai koeficientai priklauso nuo laiko ( d
= (
) d ) arba lygtis
yra daugiamatė. Tiksliau, vietoje ( 6) nagrinėjamos lygtys:
1
<2 %21 %12 + <3 %31 %12 + <3 %32 %22 = ( 6a)
12
1
<2 %21 %1 %2 + <3 %31 %1 %3 + <3 %32 %2 %3 = ( 6b)
8
Nesunkiai pastebime, kad ( 6) lygtis yra pastaruj
˛ u˛ išvada, tiksliau – ju˛ tiesinis darinys
1
( 12 + 2 18 = 13 ).
Taigi iš dalies galime pasinaudoti žiniomis apie determinuotu˛ lygčiu˛ RK metodu˛
koeficientus. Matematinėje literatūroje galima rasti išsamiai aprašytus visus aštuoniu˛
lygčiu˛ ( 1–5, 6a, 6b ir 7) sistemos sprendinius. Tarp ju˛ populiariausi yra du –
klasikinis Rungės–Kuto ir 3
8 taisyklės metodai. Ju˛ parametrai % ir < apibrėžiami
tokiomis Bučerio lentelėmis:
0 0
1 1 1 1
2 2 3 3
1 1 2 1
0 1
1
2 2 3 3
1 0 0 1 1 1 1
1 1 1 1 1 3 3 1
6 3 3 6 8 8 8 8
1 1 0 0 0 0
1 1 1 1 1 1
1 1
2 2 2 2 3 3
1 1 2 1
0 0 0 0 0 0 0 1
1 1
2 2 3 3
1 1 0 0 1 0 0 1 1 0 0 1 1 1
1 1 1 1 1 1 1 1 1 3 3 1
2
0 0 2 6 3 3 6 2
0 0 2 8 8 8 8
184 11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas
Pabaigoje pateiksime skaičiavimu˛ pavyzd˛i su kairėje esančia Rungės–Kuto aprok-
simacija. Vėl imsime ta˛ pačia˛ lygt˛i d
= 05
d +
2 + 1 d
, 0 = 08,
Æ
kurios Stratonovičiaus pavidalas yra d
=
2 + 1 d
, 0 = 08, ir funkcija˛
( ) := arcsinh 4 ( ), IR. Kadangi šios lygties koeficientas
0, tai jos RK
aproksimacija ypač paprasta – ja˛ apibrėžia funkcija
1
( ) = + (.0 + 2.1 + 2.2 + .3 ) ;
6
.0 = ( )
1
.1 = + .
21
0
.2 = + .1
2
.3 = ( + .2 )
Skaičiavimu˛ rezultata˛ matome 11.5 paveiksle. Palyginimui skaičiavimai atlikti ir
su mums jau paž˛istama Rungės–Kuto pirmosios eilės – Hoino aproksimacija (11.5 ir
8 skirsniai).
.
0
<
(
0
%
(
6
(
+
,
.
Šioje knygoje iš esmės apsiribota vienamačiais procesais. Skaitytojo patogumui
šiame skyriuje pateikiama trumpa pagrindiniu˛ apibrėžimu˛ ir faktu˛ suvestinė be i˛rodymu˛
daugiamačiu atveju. Vieni ju˛ yra gana paprasti ir natūralūs jau išdėstytu˛ faktu˛ apibendri-
nimai, kiti gali būti patikrinti be papildomu˛ principiniu˛ sunkumu, ˛ o kai kuriu˛ gilesniam
supratimui būtu˛ sunku išsiversti be kitu,˛ išsamesniu˛ šaltiniu.˛
12.1. Daugiamatis Brauno judesys. Atsitiktinis procesas
= (
1
2
), 0, su
reikšmėmis -matėje realiojoje erdvėje IR , kurio visos koordinatės , = 1 2 ,
yra nepriklausomi vienas nuo kito vienamačiai Brauno judesiai, vadinamas -mačiu
(standartiniu) Brauno judesiu.
Aibė
=
visu˛ atsitiktiniu˛ dydžiu,˛ priklausančiu˛ tik nuo -mačio Brauno ju-
desio reikšmiu˛ iki momento , vadinama jo istorija (arba praeitimi) iki laiko momento
. Jei atsitiktinis dydis
, tai
# su visais ) . Atsižvelgiant i˛
186 12. Daugiamatės stochastinės analizės elementai
M
pažymėkime -algebra,˛ generuota˛ visu˛ ( -mačiu)
˛ atsitiktiniu˛ dydžiu˛ , ,
ir visu˛ nulinės tikimybės i˛vykiu. ˛ Tada -mačio Brauno judesio istorija
yra aibė
visu˛
-mačiuj˛ u˛ atsitiktiniu˛ dydžiu.˛
Kaip ir anksčiau, (realusis) atsitiktinis procesas vadinamas suderintuoju (su
Brauno judesiu ) intervale = [0 ] (arba = [0 )), jei
su visais
. Kadangi, kaip minėta, galime laikyti
=
, tai iš suderintumo su
-mačiu Brauno judesiu išplaukia jo suderintumas su kiekviena jo koordinate .
Todėl stochastiniams integralams 0 d be jokiu˛ pakeitimu˛ galioja visi 3 skyriaus
apibrėžimai ir teiginiai.
12.2. Ito formulė daugiamačiam Brauno judesiui. Jei # ([0 ] & IR ), tai
2
# ( ) # (0 ) 0
E#
E#
1 E #
2
= (
) d +
(
) d + (
) d
=1
E
E 2 =1
E2
0 0 0
12.3. Stochastinės diferencialinės lygtys. Tarkime, kad turime funkcijas : IR IR ir &
: IR
& IR, = 1 ,, = 1 ( = [0 ] arba [0 )). Nagrinėkime
stochastiniu˛ diferencialiniu˛ lygčiu˛ sistema˛
= 1 ,
= 0 +
( ) d + ( ) d
=1
0 0
d = (
) d + (
) d
= 1 ,
=1
d:
2
2
.. .. .. ..
. . . . . . .
1 2
arba trumpai
d
= (
) d + (
) d
( )
d
=
d + d
0 1
Determinuotas aukštesniu˛ eiliu˛ normalines diferencialines lygtis i˛prasta nagrinėti suves-
tas i˛ pirmos eilės diferencialiniu˛ lygčiu˛ sistema.˛ Panašiai galima pasielgti ir stochastiniu˛
lygčiu˛ atveju. Pavyzdžiui, nagrinėkime antrosios eilės lygt˛i su baltuoju triukšmu
= (
) + (
) 7
Pažymėj˛e
= (
), šia˛ lygt˛i galime performuluoti i˛ pirmosios eilės diferencialiniu˛
lygčiu˛ sistema˛
=
2
7
1
=
1
2 + 1
d
= d + d
(
) (
)
12.4. Ito procesai. Suderintas atsitiktinis procesas
, [0 ], vadinamas Ito procesu
(arba difuzinio tipo procesu), jei jis gali būti išreikštas pavidalu
[0 ];
= 0 + @ d + d ( )
=1
0 0
@ d +
ir 2
d + b.t.
0 0
188 12. Daugiamatės stochastinės analizės elementai
d
= @
d +
d
=1
arba trumpiau,
d = @ d + d
=1
Atskiru atveju, kai visi = 0, sakoma, kad Ito procesas yra reguliarus.
Suderinto atsitiktinio proceso +
, [0 ], stochastiniu (Ito) integralu Ito proceso
(išreiškiamo ( ) pavidalu) atžvilgiu vadinamas atsitiktinis procesas
[0 ]
+
=
+ d := + @ d + + d
=1
0 0 0
su salyga,
˛ kad dešinėje esantys integralai egzistuoja su visais [0 ]. Pastebėkime,
kad tokiu atveju stochastinis integralas + taip pat yra Ito procesas.
= + @ d +
0 d ir = + @ d +
d
0
=1 =1
, [0 ].
0 0 0 0
=1 0
Procesas
:=
, [0 ], vadinamas Ito proceso kvadratine variacija.
Pastebėsime, kad kovariacija = 0, jei bent vienas iš Ito procesu˛ ir yra
reguliarus.
Su šiais apibrėžimais visos stochastiniu˛ integralu˛ Ito procesu˛ atžvilgiu savybės ir
teiginiai, suformuluoti 6 skyriuje (6.8–6.15), lieka teisingi. Taip pat be pakitimu˛ lieka
galioti Stratonovičiaus integralo apibrėžimas ir savybės (7.1–7.3 skirsniai).
Kaip ir vienamačiu atveju, galime nagrinėti daugiamates stochastines diferenciali-
nes lygtis (lygčiu˛ sistemas), kuriose stochastiniai integralai suprantami Stratonovičiaus
prasme:
Æ = 1 ,
= 0 +
( ) d + ( ) d
=1
0 0
d
= (
) d + (
) d
Æ
12. Daugiamatės stochastinės analizės elementai 189
d
= ˜(
) d + (
) d
1
E
˜ = + = 1 ,
E$
$
2 $ =1 =1
[0 ]
= 0 + @ d +
$ d$
$ =1
0 0
# (
) # (0 )
E#
0
E#
= (
) d +
(
) d
=1
E
E
0 0
1
E 2# 4 5
+ (
) d
2 =1 E E
E#
E#
= (
) d + $ $
(
)@
d
=1 $ =1
E
=1
E
0 0
E#
1
E 2#
(
) d + (
)
$
d
$
+
E 2 =1 $ =1 E
0 0
Jei, be to, # 2 3 ([0 ] & IR ), tai šia˛ formul˛e galima užrašyti Stratonovičiaus
integralo terminais:
# (
) # (0 ) 0
E#
E#
Æ
= (
) d +
(
) d
=1
E
E
0 0
E#
E#
E#
Æ d +
= (
) $ $
(
)@ d +
(
) d
=1 $ =1
E
=1
E
E
0 0 0
190 12. Daugiamatės stochastinės analizės elementai
o išplėstinis –
d
= 1' ( )
' + 2 ( ) d + 1' ( )
' + 2 ( ) d
' =1 =1 ' =1
= Φ
0 + Φ 1 2 ( )
1 ( )2 ( ) d + Φ 1 2 ( ) d
=1 =1
0 0
dΦ
= 1 ( )Φ
d + 1 ( )Φ
d
=1
su pradine salyga
˛ &
Φ0 = 2 (vienetinė , , matrica) sprendinys. Skirtingai nuo vie-
namačio atvejo, ši lygtis neturi išreikštiniu pavidalu užrašomo sprendinio. Tačiau jei
matricos 1 ir 1 yra konstantos (nepriklauso nuo ) ir yra perstatomos, t.y. 1 1 =
1 1 ir 1 1 = 1 1 su visais , tai1
!
1
Φ
= exp 1 (1 )2 + 1
0
2 =1 =1
*
= e 1
0 + e 1
2 ( ) d + 1
e 2 ( ) d
0
=1
0 0
1
Matricos eksponentė apibrėžiama matricu˛ eilute exp = e :=
!.
=0
12. Daugiamatės stochastinės analizės elementai 191
( ) = lim
( ) () = lim E ( ) ()
IR
0
0
yra
E E 2
IR;
1
( ) = ( ) ( ) + (
) ( ) ( )
E 2 =1 E E
=1
čia
– transponuota matrica , ( ) = $=1 $ $ = $=1 $ $ .
Daugiamačiams difuziniams procesams IR teisingi visu˛ teiginiu,˛ api-
būdinančiu˛ ju˛ ryš˛i su diferencialinėmis lygtimis dalinėmis išvestinėmis, apibendrinimai.
Pavyzdžiui, jei 2 (IR ), tai funkcija
)( ) =
( ) = E (
) ( ) IR & IR
+
+, E)
tenkina atgalin˛e Kolmogorovo lygt˛i dalinėmis išvestinėmis su pradine salyga
˛
= )
- )E(0 ) = ()
Ta˛ pačia˛ lygt˛i ( atžvilgiu) tenkina ir difuzinio proceso perėjimo tankis " = " ( ),
! 0, IR (kai jis egzistuoja ir yra pakankamai glodus):
E" ( )
E
= " ( ) ! 0 IR
EE () () + 21 EEE ( IR
2
( ) =
) ( ) ( )
=1 =1
Feinmano–Kaco formulė (9.13 teorema) taip pat yra teisinga su akivaizdžiu tiesės
IR pakeitimu erdve IR .
192 12. Daugiamatės stochastinės analizės elementai
= + ( ) d + ( ) d [0 ]
0 0
Oilerio aproksimacija apibrėžiama lygybėmis:
0 =
+1 =
+ '
5 +
Δ
'
'
Δ' = Δ' =
+1 ( )
' = "5
Jos, kaip stipriosios aproksimacijos, eilė yra 12 , o kaip silpnosios aproksimacijos – 1.
sup E
= O(5
Kitaip tariant,
1 2
) ir E (
) E ( ) = O(5) 5 0
su visomis 4 (IR ). Milšteino aproksimacija = ( 1 2 ) apibrė-
Δ
žiama lygybėmis:
0 =
+1 =
+ '
5 + '
'
E
$ 4
+1
Δ'$4 := d $
$
4
Ji yra 1-osios eilės ir kaip silpnoji, ir kaip stiprioji aproksimacija. Dėl jos sudėtingumo
nėra rimtos priežasties naudoti ja˛ kaip silpnaj˛ a,˛ nes šia prasme jos eilė sutampa su dauig
paprastesnės Oilerio aproksimacijos eile. Be to, dydžiai ' yra sunkiai generuojami,
$4
nes ju˛ skirstinys nėra žinomas išreikštiniu pavidalu, kai 9 = F . Todėl ši aproksimacija
daugiamačiu atveju praktiškai naudojama tik kai kuriais „simetriniais“ atvejais, kai koe-
ficientai prie ' ir ' yra lygūs, t.y. su visais 9 F tenkinama vadinamoji komutavimo
$4 4$
salyga
˛
E E
4 $
=
E E
$ 4
Rodyklė
8
< (
<=
<
0
.
<= %
% (
'
( %
F( (
-
!
"
.
!
"
!
6 !
)
'
/. ,
, 0 ,
Aibė Atsitiktinis procesas 26
Borelio 14 laiptinis 49
mačioji 14 neužskubantysis 48
-algebra 13 suderintasis 48
i˛vykiu˛ 13
poaibiu˛ 13 Baltasis triukšmas 36
Aproksimacija Brauno judesys 27, 30
Hoino 157, 167, 172 -matis 185
Milšteino 163, 172, 178, 192 Centrinė ribinė teorema 27
Milšteino Stratonovičiaus lygčiai 178
Milšteino tipo 177 Diferencialas
modifikuota trapecinė 157 stochastinis 88, 90, 188
Oilerio 157, 159, 172, 192 Dispersija
Oilerio–Marujamos 159 atsitiktinio dydžio 16
pagerintoji Oilerio 157 diskrečiojo atsitiktinio dydžio 17
Rungės–Kuto 180 tolydžiojo atsitiktinio dydžio 17
silpnoji 156 TSDL sprendiniu˛ 109
stiprioji 155, 159 Dydis
Aproksimavimas atsitiktinis 14
suderintu˛ procesu˛ laiptiniais 54
Atsitiktiniai dydžiai Eilutė
nepriklausomi 22 atsitiktiniu˛ dydžiu˛ 24
ortogonalūs 83 Eksponentė
Atsitiktinis dydis 14 Brauno judesio 77
absoliučiai tolydus 17 stochastinė 115
binominis 17 Erdvė
diskretusis 17 baigčiu˛ 11
eksponentinis 18 elementariuj ˛ u˛ i˛vykiu˛ 11
Gauso 18 tikimybinė 11
normalusis 18 Ergodiškumas
Puasono 17
difuzinio proceso 136
tolydusis 17
tolygusis 18 Filtracija
tolygusis diskretusis 17 -algebru˛ 36
194
Formulė tolydžiuj
˛ u˛ procesu˛ stochastinis 63
Dynkino 126, 128 Istorija
Feinmano–Kaco 130, 191 Brauno judesio 34, 185
integravimo dalimis 94 I˛vykiai
Ito 70, 73, 93, 100, 186, 189 nepriklausomi 22
Ito Brauno judesiui 70, 73 I˛vykis 11, 12
Ito daugiamačiam Brauno jude- elementarusis 11
siui 186
Ito daugiamačiam Ito procesui 189 Judesys
Ito Ito procesui 93 -matis Brauno 185
Ito Stratonovičiaus pavidalu 100, 189 Brauno 27, 30
Niutono–Leibnico 69 Brauno kaip Markovo procesas 122
pilnosios tikimybės 19 fizikinis Brauno 108
Teiloro 69, 74 Koeficientas
Funkcija difuzijos 123
baigtinės variacijos 46 poslinkio 123
bendroji pasiskirstymo 18 Konvergavimas
Dirako 39 beveik tikrai 22
kovariacinė 39 kvadratinio vidurkio prasme 23
pasiskirstymo 15
pagal skirstin˛i 23
salyginė
˛ pasiskirstymo 20
pagal tikimyb˛e 23
Generatorius su tikimybe 1 22
difuzinio proceso 126, 191 atsitiktiniu˛ dydžiu˛ eilutės 24
Generavimas atsitiktiniu˛ procesu˛ 48
atsitiktiniu˛ dydžiu˛ sekos 156 silpnasis 23
Integralas silpnasis baigtiniamačiu˛ skirstiniu˛
Ito 43, 49, 57, 65, 67, 188 prasme 30
laiptinio proceso stochastinis , apibrė- Kovariacija
žimas 49 Ito procesu˛ 89
laiptinio proceso stochastinis , savy- Kraštas
bės 49 natūralusis 137
Rymano–Styltjeso 46 nepasiekiamasis 136
stochastinis 188 pritraukiantysis 137
stochastinis , apibendrinimas 65 Kriterijus
stochastinis , martingalinės savybės 83 Koši konvergavimo 24
stochastinis , savybės 57, 89 Kvadratinė variacija
stochastinis begaliniu intervalu 67 Brauno judesio 47
stochastinis Brauno judesio atžvil- Ito proceso 89
giu 57 martingalo 85
stochastinis Ito proceso atžvilgiu 89
stochastinis martingalo atžvilgiu 84 Lema
stochastinis su atsitiktiniu viršutiniu Gronvolo 77
rėžiu 67 Lentelė
Stratonovičiaus 43, 98 Bučerio 180
Stratonovičiaus , savybės 98 Lokalumas
Styltjeso 46 stochastinio integralo 65
195
Lygtis Praeitis
atgalinė Kolmogorovo 128, 130, 134, Brauno judesio 34, 185
191 Principas
augimo 112 simetrijos 33
Ferhiulsto 41, 45, 114, 147 Problema
Fokerio–Planko 134, 137, 191 martingalu˛ 128
genetinio modelio 149 Procesas
Ginzburgo–Landau 115 su nepriklausomais pokyčiais 31
Lanževeno 107, 111, 141 atsitiktinis 26
stochastinė diferencialinė 43, 76, 95, difuzinio tipo 88, 187
187 difuzinis 123
stochastinė diferencialinė Stratonovi- Ito 88, 187
čiaus pavidalu 101, 188 Ito difuzinis 123
stochastinė eksponentinė 115 laiptinis atsitiktinis 49
Stratonovičiaus 101, 188 Markovo 121, 122
Stratonovičiaus , suvedimas i˛ Ito neužskubantysis atsitiktinis 48
lygt˛i 102, 189 Ornšteino–Ulenbeko 108, 111, 141
tiesinė stochastinė diferencialinė 106, reguliarusis 88, 188
190 stacionarusis 39, 136
tiesioginė Kolmogorovo 134, 135, standartinis Vynerio 30
137, 191 suderintasis 48, 186
suderintasis atsitiktinis 48
Martingalas 83
Pusgrupis
Matas
operatoriu˛ 126
tikimybinis 13
Metodas Randomizavimas
Bokso–Miulerio 156 parametro 44
Pikaro iteraciju˛ 80 Riba
Modelis integraliniu˛ sumu˛ 85, 91
genetinis 149 Salyga
˛
Momentas Lipšico 77
Markovo 68 matumo 14
opcionalusis 68 tiesiško augimo 77
stabdymo 68 Savoka
˛ beveik tikrai 14
Nediferencijuojamumas Savybė
Brauno judesio trajektoriju˛ 31 difuzinio proceso Markovo 125
Nelygybė Markovo 121, 124
Dūbo 58 stochastinio integralo lokalumo 65
Dūbo kvadratinė 58 Sistema
i˛vykiu˛ 11
Operatorius
nepriklausomu˛ atsitiktiniu˛ dydžiu˛ 22
difuzinio proceso infinitezimalinis
nepriklausomu˛ atsitiktiniu˛ i˛vykiu˛ 22
126, 191 stochastiniu˛ diferencialiniu˛ lygčiu˛
formaliai jungtinis 133, 191
186
Potencialas Skirstinys
funkcijos 142 atsitiktinio dydžio 15
stochastinis 145 salyginis
˛ 20
196
Literatūra
(
(
,# ,
1. D. Lamberton and B. Lapeyere, Introduction to Stochastic Calculus Applied to
Finance, London, Chapman & Hall, 1996.
2. P. E. Kloeden and E. Platen, Numerical Solution of Stochastic Differential Equ-
ations, Berlin, Springer–Verlag, 1980.
3. B. Oksendal, Stochastic Differential Equations, Berlin, Springer–Verlag, 1980.
4. P. Protter, Stochastic Integration and Differential Equations: A New Approach,
Berlin, Springer–Verlag, 1990.
5. Z. Schuss, Theory and Applications of Stochastic Differential Equations, New
York, John Wiley & Sons, 1980.
6. A. V. Skorokhod, Lectures on the Theory of Stochastic Processes, Utrecht, VSP,
1996.
7. A. D. Ventcel, Kurs teorii sluqanyh processov, Moskva, Nauka,
1975.
8. K. V. Gardiner, Stohastiqeskie metody v estestvennyh naukah,
Moskva, Mir, 1986.
9. T. Hida, Brounovskoe dvienie, Moskva, Nauka, 1987.
10. V. Horsthemke i R. Lefevr, Inducirovannye xumom perehody,
Moskva, Mir, 1987.