Stochan

Vilniaus universiteto leidykla

2005
UDK 519(075.8)
Ma 72
Aukštuj
˛ u˛ mokyklu˛ bendruj
˛ u˛ vadovėliu˛ leidybos
komisijos rekomenduota (2003–02–21, Nr. A–160)
Vadovėlis parengtas parėmus Lietuvos valstybiniam

mokslo ir studiju˛ fondui
ISBN 9986–19–804–6 c Vilniaus universiteto leidykla, 2005

c V. Mackevičius, 2005
TURINYS
Pratarmė . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Pagrindiniai žymenys . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
0. I˛žanga. Pagrindinės tikimybiu˛ teorijos savokos
˛ . . . . . . . . . . . . . . . . . . . . . . . . 11
1. Brauno judesys . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2. Stochastiniai modeliai su Brauno judesiu ir baltuoju triukšmu . . . . . . . . . . . . 40
3. Stochastinis integralas Brauno judesio atžvilgiu . . . . . . . . . . . . . . . . . . . . . . . 46
4. Ito formulė . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5. Stochastinės diferencialinės lygtys . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6. Ito procesai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
7. Stratonovičiaus integralas ir lygtys . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
8. Tiesinės stochastinės diferencialinės lygtys . . . . . . . . . . . . . . . . . . . . . . . . . . 106
9. SDL sprendiniai kaip difuziniai Markovo procesai . . . . . . . . . . . . . . . . . . . . 121
10. Pavyzdžiai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas . . . . . . . . . . . . . . . . 155
12. Daugiamatės stochastinės analizės elementai . . . . . . . . . . . . . . . . . . . . . . . . . 185
Rodyklė . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
Literatūra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
6

! !

" #

$ %
&

'

(

!

(

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
dispersija, atsitiktiniu˛ dydžiu˛ nepriklausomumas ir kt. Taikytojui „atsitiktinuma“ ˛ iš-

reiškia atsitiktinio dydžio (atsitiktiniu˛ dydžiu) ˛ pasiskirstymo funkcija, kuri intuityviai
gerai suvokiama ir kurios pagrindu taip pat galima apibrėžti daugel˛i tu˛ pačiu˛ tikimybiu˛
teorijos savok
˛ u, ˛ žinoma, dažnai atsisakant griežtumo ir bendrumo. Taigi kiekvienam
tikimybinės knygos, pretenduojančios i˛ platesn˛i nei matematikai skaitytoju˛ rata,˛ auto-
riui tenka ieškoti „aukso vidurio“ tarp griežtos bei abstrakčios teorijos ir prieinamumo
kitu˛ mokslo sričiu˛ atstovams ar net kitu˛ sričiu˛ matematikams. Ne išimtis ir šios knygos
autorius.
Palyginti neseniai atsiradusi tikimybiu˛ teorijos sritis – stochastinės diferencialinės
lygtys – pelno vis didesn˛i i˛vairiu˛ gamtos ir taikomuj ˛ u˛ mokslu˛ sričiu˛ atstovu˛ dėmes˛i.
Tai susij˛e visu˛ pirma su tuo, kad „paprastosios“ (determinuotos) diferencialinės lyg-
tys, modeliuojančios visokius realius reiškinius, paprastai aprašo tik vidutin˛e vienos
ar kitos sistemos elgsena.˛ Tačiau realios sistemos dažniausiai yra veikiamos daugybės
i˛vairiu˛ atsitiktiniu˛ veiksniu,˛ dar vadinamu˛ trikdžiais. Pasirodo, kad tie trikdžiai, kai jie
yra pakankamai stiprūs, gali ne tik „dezorganizuoti“ sistema,˛ versdami ja˛ svyruoti apie
vidutin˛e elgsena,˛ bet ir kokybiškai pakeisti pačia˛ vidutin˛e elgsena.˛ Aišku, kad tokioje
situacijoje determinuotos lygtys iš principo negali adekvačiai aprašyti sistemos.
Tačiau stochastinėje analizėje (stochastinio integravimo ir stochastiniu˛ diferencia-
liniu˛ lygčiu˛ teorijoje) dar rimčiau iškyla griežtumo ir paprastumo santykio klausimas.
Šiuolaikinė stochastinė analizė glaudžiai susijusi su gana abstrakčiomis tikimybiu˛ teori-
jos sritimis – bendraja ˛ atsitiktiniu˛ procesu˛ teorija ir martingalu˛ teorija. Kaip ju˛ išvengti
dėstant stochastiniu˛ diferencialiniu˛ lygčiu˛ pagrindus? Autorius pabandė šios teorijos
pagrindus išdėstyti, kiek i˛manoma, „naiviojo“ stochastinio integravimo dvasia. Panašiai
kaip taikymuose atsitiktinio dydžio savoka ˛ daugiau ar mažiau nepastebimai pakeičiama
jo pasiskirstymo funkcija, taip čia nepaprastai svarbi filtracijos – didėjančios i˛vykiu˛
-algebru˛ sistemos – savoka
˛ pakeičiama intuityviai lengviau suvokiama istorijos, arba
praeities, savoka.
˛ Atitinkamai suderinto atsitiktinio proceso1 savoka˛ tampa lengviau
suprantama, jei suderintu vadiname procesa,˛ kurio reikšmės bet kokiu laiko momentu
„priklauso istorijai“, arba „priklauso tik nuo praeities“.
Visi šie metodiniai ieškojimai bei „atradimai“ salygojo
˛ tai, kad šis vadovėlis yra
parašytas lyg ir dviem lygmenimis. Pagrindinis lygmuo, kuriuo parašyta didžioji va-
dovėlio dalis, skirtas „visiems“. Jame, šiek tiek nusižengiant griežtumui ir tikslumui
(tačiau be jokiu˛ „apgavysčiu“),
˛ supaprastintai išdėstoma stochastinio integravimo ir
stochastiniu˛ diferencialiniu˛ lygčiu˛ teorija. Autorius tikisi, kad j˛i i˛veiks visi, turintys
standartinio pradinio tikimybiu˛ teorijos kurso žiniu, ˛ na ir minimalia˛ matematin˛e
„klausa“.˛ Antrasis lygmuo skirtas studentams matematikams, norintiems susipažinti
1
Kaip proceso, kurio reikšmės bet kokiu laiko momentu yra mačios atžvilgiu atitinkamos -algebros iš
duotos filtracijos
8
su matematiškai griežta stochastinės analizės teorija. Šiame lygmenyje parašyti ko-

mentarai, tiksliai matematiškai apibrėžtos savokos,
˛ išsamūs teiginiu˛ i˛rodymai arba ju˛
patikslinimai knygoje pažymėti ženklu M.
Norint stochastinės analizės žinias pritaikyti realiu˛ atsitiktiniu˛ procesu˛ tyrimui ar

modeliavimui, reikia sukurti ar sugalvoti viena˛ ar kita˛ teorin˛i model˛i ir mokėti j˛i mode-
liuoti. Todėl vadovėlyje (11 skyriuje) nemažas dėmesys skiriamas skaitiniam stochasti-
niu˛ diferencialiniu˛ lygčiu˛ sprendimui, arba, kitaip tariant, ju˛ modeliavimui kompiuteriu.
Vadovėlyje iš esmės apsiribojama vienamačiu atveju. Perėjimas prie daugiamačio
atvejo dažnai susij˛es ne tiek su principiniais sunkumais, kiek su techniniais sudėtingu˛
žymėjimu˛ ir formuliu˛ nepatogumais, galinčiais apsunkinti stochastinės analizės pradžia-
moksl˛i. Skaitytojo patogumui paskutiniame skyriuje pateikiama glausta pagrindiniu˛
stochastinės analizės apibrėžimu˛ ir teiginiu˛ suvestinė daugiamačiu atveju.
Vadovėlyje naudojama vientisa skyriu˛ ir dviguba apibrėžimu,˛ teoremu,˛ pavyzdžiu˛
numeracija. Pavyzdžiui, 3-ajame skyriuje po 3.1 teoremos eina 3.2 išvada, 3.3 apibrė-
žimas ir t.t. Formuliu˛ bei lygčiu˛ numeravimo stengtasi vengti. Jei vis dėlto nuoroda i˛
formul˛e ir lygt˛i būdavo neišvengiama, ji žymėta kokiu nors neskaitiniu simboliu, pa-

vyzdžiui, ( ), ( ), (#), () ir panašiai. Negausiame literatūros saraše
˛ nurodyti tik tie
šaltiniai, kuriais buvo tiesiogiai naudotasi rašant š˛i vadovėl˛i.
Keletas žodžiu˛ apie grafiku˛ „gamybos technologija“. ˛ Visus knygoje pateikiamus
grafikus autorius nubraižė, naudodamas TEX’o makrokomandu˛ rinkin˛i PICTEX, o jiems
reikalingus „skaičiukus“ – grafiku˛ tašku˛ koordinates – paskaičiavo Pascal’io kalba pa-
rašytomis programėlėmis.
Pabaigoje autorius norėtu˛ padėkoti gausiam Vilniaus universiteto Matematikos ir
informatikos fakulteto magistrantu˛ būriui, o ypač – K˛estučiui Gadeikiui. Ju˛ dėka korek-
tūros klaidu˛ ir netikslumu˛ skaičius vadovėlyje iš esmės sumažėjo.
9
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

aibiu˛ (˛ivykiu) ˛ ir sankirta

,
=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
( ) aibė visu˛ funkciju˛ : IR, turinčiu˛ tolydžias išvestines iki

-osios eilės imtinai
( ) aibė visu˛ aprėžtu˛ funkciju˛ : IR, turinčiu˛ tolydžias ap-
rėžtas išvestines iki -osios eilės imtinai
0 (IR) aibė visu˛ funkciju˛ : IR IR su kompaktiška atrama (lygiu˛
nuliui baigtinio intervalo išorėje), turinčiu˛ tolydžias išvesti-
nes iki -osios eilės imtinai
2 [ ] aibė visu˛ (mačiuj

˛ funkciju˛ : [ ]
˛ u) IR, su kuriomis

= 2 := ( 2 ( ) d )1 2 +
E( ), E atsitiktinio dydžio vidurkis
D( ), D atsitiktinio dydžio dispersija
( 2 ) normalusis skirstinys su vidurkiu ir dispersija 2

( 2 ) atsitiktinis dydis pasiskirst˛es pagal normaluj˛ ˛ i skirstin˛i su
vidurkiu ir dispersija 2
== atsitiktiniai dydžiai ir vienodai pasiskirst˛e

atsitiktiniai dydžiai ir nepriklausomi
(b.t.)
atsitiktiniu˛ dydžiu˛ sekos konvergavimas beveik tikrai
(arba su tikimybe 1) i˛ atsitiktin˛i dyd˛i (0.8 skyrelis)

P
atsitiktiniu˛ dydžiu˛ sekos konvergavimas pagal tikimyb˛e
i˛ atsitiktin˛i dyd˛i (0.8 skyrelis)
atsitiktiniu˛ dydžiu˛ sekos konvergavimas kvadratinio vi-
2

durkio prasme i˛ atsitiktin˛i dyd˛i (0.8 skyrelis)

atsitiktiniu˛ dydžiu˛ sekos silpnasis konvergavimas (arba

konvergavimas pagal skirstin˛i) i˛ atsitiktin˛i dyd˛i (0.8 skyre-

lis)
=
Brauno judesio istorija (praeitis) iki momento (1 skyrius)

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

atsitiktinio proceso (Ito) integralas Ito proceso atžvilgiu

0
(3 ir 6 skyriai)
Æ = Æ
0

Ito proceso Stratonovičiaus integralas Ito proceso atžvil-
giu (7 skyrius)

Ito procesu˛ ir kovariacija (6 skyrius)
= Ito proceso kvadratinė variacija (6 skyrius)
11

-
!

.
((

(
(
%
%
#

/

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

2a pavyzdys. I˛sivaizduokime, kad nutarėme pamatuoti lauko temperatūra.˛ Tokio

eksperimento rezultatas – skaičius, reiškiantis temperatūra˛ pasirinktu laiko momentu.
12 0. I˛žanga. Pagrindinės tikimybiu˛ teorijos savokos
˛
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
žodžiais nusakyta˛ i˛vyk˛i atitinka erdvės Ω = IR24 poaibis 1

Ω: 24

nenutrūkstamai), mums gali rūpėti, ar „vidutinė paros temperatūra yra teigiama“. Š˛i
24
! 0
=1
˛ 13
(2b pavyzdys) arba erdvės Ω = [0 ] poaibis Ω: 24

0 ( ) d ! 0 (2c pa-
1 24
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
I˛vykio tikimybė P() intuityviai suvokiama kaip subjektyvus arba objektyvus

i˛vykio galimybės i˛vykti laipsnis. Pavyzdžiui, jei P() = 1 2, tai sakoma, kad i˛vy-
kiui i˛vykti ar ne˛ivykti šansai yra vienodi. Kraštutiniais atvejais, kai P() = 1 arba
˛
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 ( )
˛ 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“.
0.3. Atsitiktinio dydžio charakteristikos. Atsitiktinio dydžio skirstiniu2 vadinama tiki-

mybė P tiesės IR Borelio -algebroje , apibrėžiama lygybe
P ( ) := P = P Ω: ()
Skirstin˛i P visiškai nusako atsitiktinio dydžio pasiskirstymo funkcija # = # , api-
brėžiama lygybe

# ( ) = P = P Ω: () IR
Ji turi tokias savybes:
1) # ( ) := lim # ( ) = 0;

2) # (+ ) := lim + # ( ) = 1;

3) # – didėjanti tolydi iš kairės funkcija, t.y. lim # ( ) = # ( ), IR.

Teisingas ir atvirkščias teiginys: kiekviena funkcija # , tenkinanti šias tris salygas,

˛
yra kokio nors atsitiktinio dydžio pasiskirstymo funkcija.

Praktiniuose taikymuose tikimybinė erdvė (Ω P) dažnai nėra žinoma arba nė-
ra konkretizuojama, pakankama˛ informacija˛ suteikia atsitiktiniu˛ dydžiu˛ pasiskirstymo
1
Šiek tiek panašu i˛ „sviestuota˛ sviesta“.
˛ Žymiai geriau toks „apibrėžimas“ skamba tomis kalbomis, ku-
riose žodžiai atsitiktinis ir atsitiktinumas turi skirtingas šaknis (pvz., angl. random ir chance, pranc. aléatoire
ir hasard).
2
Senesnis terminas – pasiskirstymas.
˛
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# ( )

Dviem dažniausiai pasitaikantiems atsitiktiniu˛ dydžiu˛ tipams vidurk˛i galima apibrėžti

dar paprasčiau.
Jei žinoma atsitiktinio dydžio pasiskirstymo funkcija # , o atsitiktinis dydis =
( ) su (neatsitiktine) funkcija , tai atsitiktinio dydžio vidurk˛i galima apskaičiuoti
ir nežinant jo pasiskirstymo funkcijos:

+
E = ( ) d# ( )

Vidurkis turi tiesiškumo savyb˛e: jei ir – atsitiktiniai dydžiai, $ % – realieji

skaičiai, tai E($ + % ) = $ E + % E . Tai tiesiogiai išplaukia iš integralo tikimybės
atžvilgiu tiesiškumo.3
Atsitiktinio dydžio dispersija D = D( ) charakterizuoja jo išsibarstymo apie
vidurk˛i laipsn˛i ir apibrėžiama lygybėmis
D = E( E ) 2
= E( 2 ) (E) 2
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.
˛ 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.
˛
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)
Tokiu atveju rašoma

( 2 ). Normaliojo atsitiktinio dydžio vidurkis E =
ir dispersija D = 2 . Kai E = 0 ir D = 1, normalusis atsitiktinis dydis
vadinamas standartiniu normaliuoju atsitiktiniu dydžiu.
3) Eksponentinis atsitiktinis dydis su tankiu " ( ) = $ e , 0 ($ ! 0).
Nagrinėjant ne viena,˛ o kelis atsitiktinius dydžius, paprastai nepakanka žinoti kiek-

vieno iš ju˛ skirstin˛i, nes tie dydžiai gali i˛vairiai priklausyti vienas nuo kito. Todėl keliu˛
atsitiktiniu˛ dydžiu˛ sistemos tikimybin˛e elgsena˛ nusako i˛vairios bendros ju˛ charakteris-
tikos. Dvieju˛ atsitiktiniu˛ dydžiu˛ ir (bendraja) ˛ pasiskirstymo funkcija vadinama
dvieju˛ kintamuj˛ u˛ funkcija
# ( ) = # ( ) := P
Ω: () ir () IR
Funkcija " = " ( ) = " ( ), IR, vadinama atsitiktiniu˛ dydžiu˛ ir
(bendruoju) tankiu, jei

# ( ) = " () * ) d) d* IR

Jei # 2
2 , tai atsitiktiniu˛ dydžiu˛ ir bendrasis tankis egzistuoja ir lygus
" ( ) = ( )

.
˛ 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:

+ +
E+ = E ( ) = ( )" ( ) d d

Be to, jie abu yra tolydūs ir ju˛ tankiai per bendraj˛

˛ i tank˛i išreiškiami integralais:

+
" ( ) = " ( ) d IR

+
" ( ) = " ( ) d IR

Panašiai apibrėžiamos daugiau nei dvieju˛ atsitiktiniu˛ dydžiu˛ pasiskirstymo funkci-

jos ir bendrieji tankiai.
0.5. Salyginės
˛ tikimybės ir salyginiai
˛ skirstiniai. Tarkime, kad ir yra i˛vykiai ir
P( ) ! 0. I˛vykio salygine
˛ tikimybe su salyga,
˛ kad yra i˛vyk˛es i˛vykis (arba trumpai
– su salyga
˛ ), vadinamas skaičius

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
= P( )P( )P( ) P(

1 2 1 3 1 2 1 2 1 )

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
˛

– 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 =

Su kiekviena fiksuota reikšme salyginė tikimybė P = , kaip i˛vykio funk-

cija, yra „paprasta“ tikimybė. Todėl visas savokas,
˛ susijusias su tikimybėmis, galime
apibrėžti ir salyginėms
˛ tikimybėms (pridūr˛e prie ju˛ žod˛i salyginis(ė)).
˛ Atskiru atveju
galime nagrinėti kito atsitiktinio dydžio salygin˛
˛ i skirstin˛i su salyga
˛ = , apibrė-
=
žiama˛ lygybe
P = =
P

P =

Šio atsitiktinio dydžio salyginė

˛ pasiskirstymo funkcija su salyga
˛ = yra
;

# ( = ) := P = =
P =
P =
jo salyginis
˛ vidurkis su salyga
˛ = yra lygus

+

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
˛ 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
˛

-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 .;
kitaip tariant, i˛vykyje . salyginis

˛
vidurkis E( ) yra lygus E( . ). Beje, būtent
šia savybe dažnai aiškinamas pateikto (gana formalaus!) apibrėžimo natūralumas.
0.7. Nepriklausomi i˛vykiai ir atsitiktiniai dydžiai. I˛vykiai ir vadinami nepriklauso-

maisiais, jei P( ) = P()P( ). Kai P( ) ! 0, ši savybė ekvivalenti lygybei

P( ) = P(), kuria˛ intuityviai suprantame, kad i˛vykio tikimybė nepriklauso
nuo i˛vykio i˛vykimo arba ne˛ivykimo. Atsitiktiniai dydžiai ir vadinami nepri-
klausomaisiais, jei su visomis (mačiosiomis) aibėmis 1 ir 2 i˛vykiai 1 ir

2 yra nepriklausomi. Tokiu atveju rašysime . Atsitiktiniu˛ dydžiu˛ ir
nepriklausomumui pakanka lygybės # ( ) = # ( )# ( ), IR. Jei atsi-
tiktiniai dydžiai ir turi bendraj˛
˛ i tank˛i " , tai ju˛ nepriklausomumui pakanka lygybės
" ( ) = " ( )" ( ), IR.
Nepriklausomu˛ atsitiktiniu˛ dydžiu˛ savybės:
1) Jei 1 2 1 2 yra nepriklausomi atsitiktiniai dydžiai, tai
(1 2 ) /( 1 2 )
su visomis (mačiosiomis) funkcijomis : IR IR ir / : IR IR;

2) Jei , IN, ir
, tai ;

3) Jei , tai E( ) = E E su salyga,˛ kad egzistuoja vidurkiai E ir E ;

4) Jei , tai D( + ) = D + D su salyga, ˛ kad egzistuoja dispersijos D
ir D .

Apibendrinimas: nepriklausomu˛ atsitiktiniu˛ dydžiu˛ sistemos. Sakoma, kad i˛vy-

kiai , , yra nepriklausomi, jei P = P( ) su bet kokiu baigtiniu

0 . Sakoma, kad atsitiktiniai dydžiai , , yra nepriklausomi, jei su bet ko-

kiomis (mačiosiomis) aibėmis , , i˛vykiai , , yra nepriklausomi.
Nepriklausomu˛ atsitiktiniu˛ dydžiu˛ sistemoms yra teisingi (1)–(4) savybiu˛ apibendrini-
mai (pabandykite juos suformuluoti).
0.8. Atsitiktiniu˛ dydžiu˛ konvergavimas. Sakykime, ir , IN, – atsitiktiniai dydžiai.

Sakoma, kad seka konverguoja i˛ :

a) beveik tikrai (arba su tikimybe 1), jei
P lim = = P

Ω: lim () = ()

=1
˛ 23
(rašysime
b.t. arba lim = b.t.);
b) pagal tikimyb˛e, jei su visais
! 0
!
0
P
(rašysime
P
arba P- lim = );
c) kvadratinio vidurkio prasme (arba prasme), jei

2
E( ) 0 2
(rašysime arba -lim

2
2
= );
(IR) (tolydžiomis ir aprėžto-

d) silpnai (arba pagal skirstin˛i), jei su visomis
mis)
E ()
E ( )
(žymėsime
); tam būtina ir pakankama, kad

# ( ) # ( )

visuose ribinės pasiskirstymo funkcijos # = # tolydumo taškuose IR.

Tiek iš konvergavimo su tikimybe 1, tiek iš konvergavimo kvadratinio vidurkio
prasme išplaukia konvergavimas pagal tikimyb˛e, o iš pastarojo – silpnasis konvergavi-
mas. Vienu paprastu atveju iš silpnojo konvergavimo išplaukia konvergavimas pagal
tikimyb˛e:
Jei (konstanta), tai .

P
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:
Jei ir beveik tikrai, pagal tikimyb˛e arba kvadratinio vidurkio

prasme, tai + + ta pačia prasme.
Jei ir beveik tikrai arba pagal tikimyb˛e, tai ta

pačia prasme.
5
Šis faktas dažnai naudojamas i˛rodymuose, nes dirbti vienoje tikimybinėje erdvėje dažnai būna lengviau
nei skirtingose.
˛
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
(trumpai: 0, , ). Koši kriterijus tvirtina, kad kiekviena funda-

2
mentali prasme atsitiktiniu˛ dydžiu˛ seka turi riba˛ prasme, t.y. jai atsiras toks

2 2
atsitiktinis dydis , kad , kai .

2

Konvergavimui pagal tikimyb˛e patikrinti gana dažnai naudojamas ir toks kriterijus:

Atsitiktiniu˛ dydžiu˛ seka konverguoja pagal tikimyb˛e tada ir tik tada, kai iš

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,

jei konverguoja jos nariu˛ 2 normu˛ eilutė, t.y. =1 2

(pakankama salyga).
˛
0.11. Lebego7 teorema. Integralu˛ ir ju˛ atskiro atvejo – atsitiktiniu˛ dydžiu˛ vidurkiu˛ konver-
gavimui i˛rodyti ypač plačiai naudojamas gana paprastas, bet galingas i˛rankis – Lebego
teorema apie mažoruota˛ konvergavima.˛ Jos esm˛e glaustai galima suformuluoti taip:

tam, kad iš funkciju˛ sekos konvergavimo
išplauktu˛ atitinkamu˛ integralu˛ kon-
vergavimas , pakanka, kad egzistuotu˛ integruojama funkcija / , su kuria
6
Augustin Louis Cauchy.
7
Henri Leon Lebesgue.
˛ 25

/ , 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

kuri teisinga gana bendromis salygomis

˛ – pakanka, kad (mačioji) pointegralinė funkcija

tenkintu˛ viena˛ iš triju˛ salyg
˛ u: ˛

1) ( ) d d + , t.y. funkcija yra integruojama kaip dvieju˛

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.
˛
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:
1.1 pav. trajektorija.
Iš CRT taip pat turime, kad

:= (0 )

0
˛ u,˛ su visais ! 0

Iš tikruj

=
[
] [ ]
[ ]
4 (0 )

Čia pasinaudojome tuo, kad [ ] , kai , su visais 0. Tai matyti iš

nelygybiu˛ ( 1) [ ] , kuriu˛ kairioji pusė ( 1) .
Taigi gauname, kad su kiekvienu fiksuotu atsitiktiniu˛ procesu˛ reikšmiu˛ seka

, 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
proceso. Kitaip tariant, ar galima vienoje tikimybinėje erdvėje (Ω P) sukonstruoti

tok˛i atsitiktin˛i procesa˛
, 0, kad su visais 0 turėtume

?

Prieš atsakydami i˛ š˛i klausima,˛ nubraižykime

, 0, grafikus su i˛vairiais , stebė-
dami, kaip elgiasi ju˛ trajektorijos didinant . Proceso 2 trajektorija (su ta pačia seka

4 ) atrodys taip:
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.
16 32
64 128
256 512
1.2. Teorema. Egzistuoja toks atsitiktinis procesas =
0 , kad

&

&

=1 =1
su visais rinkiniais 0 , & IR, = 1 2 , IN. Šia˛

savyb˛e žymėsime ir sakysime, kad procesu˛ seka silpnai konverguoja i˛
1 2

(baigtiniamačiu˛ skirstiniu˛ prasme). Procesas vadinamas Brauno judesiu (arba

standartiniu Vynerio2 procesu).
2
Norbert Wiener.
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,

Antra vertus, remiantis CRT,

=

4[ ]+1 + 4[ ]+2 +

=

+ 4 [
]
41 + 42 +
=

+ 4[
] [ ]

=
41 + 42 + + 4[
] [ ]
[ ]
[ ]

4 (0 ) ;
[ ] [ ]

čia 4 (0 1).

2) Su kiekvienu IN atsitiktiniai dydžiai
[
]

1
= 4 = 1 2
=[
1 ]+1

yra nepriklausomi (skaitiklyje su skirtingais sumuojami skirtingi nepriklausomi at-

sitiktiniai dydžiai). Todėl ir ju˛ ribos

1 , = 1 2 yra nepriklausomi
atsitiktiniai dydžiai.
3) Pasinaudosime Kolmogorovo teorema (0.14 skirsnis). Kadangi

(0 ), kai ! , tai E
= 3 , 0. Todėl Brauno jude-
4 2
sio tolydumas išplaukia iš Kolmogorovo teoremos, imant $ = 4, % = 1, = 3 ir bet

kok˛i . !
Pateiksime dar pora˛ subtilesniu˛ Brauno judesio savybiu.˛
1.4. Teorema (papildomos Brauno judesio savybės).
1) Su tikimybe 1 Brauno judesio trajektorijos nėra diferencijuojamos nė viename taš-
ke 0.
2) Jei
:= sup
, ,
:= inf
, tai
=
=
ir ,
=
=
su visais 0.
I˛rodymas. 1) Iš pradžiu˛ pateiksime i˛rodymo idėja.˛ Su kiekvienu 5 ! 0 pokytis

+
(0 5) ir todėl (
+
) 5
(0 5 1 ). Kadangi santykio
(
+

) 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

˛ i ! , atsiras toks (atsitiktinis)

! 0, kad
(atsitiktin˛i) natūraluj˛
( )

kai 0

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
sajunga.
˛ Todėl pakanka i˛sitikinti, kad P( ) = 0 su visais , IN. Kadangi
[ ] +3
P( ) P

=1 = +1
kai ,, tai savo ruožtu pakanka i˛rodyti, kad su visais IN

0
[ ] +3
P
=1 = +1
Kadangi i˛vykiai , = + 1 + 2 + 3, yra nepriklausomi ir

( 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

!
6 , yra pasiskirst˛e pagal normaluj˛

judesio simetrijos principas teigia, kad šie pokyčiai išlieka simetriški ir tada, kai 6 yra
ne fiksuotas laiko momentas, o pirmasis (atsitiktinis) kokio nors lygio IR pasiekimo
momentas, t.y. kai
6 = 6 = min 0: =
(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 =

sup == =

!
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!
1.5. Apibrėžimas. Sakysime, kad atsitiktinis dydis priklauso klasei

=
, jei j˛i
pilnai nusako proceso reikšmės intervale [0 ], t.y. yra Brauno judesio trajektorijos

, [0 ], funkcionalas. Visu˛ tokiu˛ atsitiktiniu˛ dydžiu˛ klas˛e
vadinsime Brauno
judesio praeitimi, arba istorija iki momento . Taip pat sakysime, kad i˛vykis
,
jei 1l
.
1.6. Teiginys. Jei

, tai , ) .
#
I˛rodymas. Atsitiktiniu˛ dydžiu˛ klases

apibrėžėme daugiau intuityviai. Norėdami i˛si-
tikinti teiginio teisingumu, turime tiksliau apibūdinti atsitiktinius dydžius, priskirtinus
klasei
. Visu˛ pirma, tai paprasti atsitiktiniai dydžiai pavidalo

=
1
2
;

( )
čia : IR IR – gera (mačioji) funkcija; 0 1 2 , IN. Tok˛i
atsitiktin˛i dyd˛i galima išreikšti Brauno judesio pokyčiais iki momento :

+

=
1 0
2
1
1 0

1 0 = 0
=1
Iš čia matome (0.7 skirsnis, 1) savybė), kad toks atsitiktinis dydis # ,

) . Taip pat natūralu, kad jei
,
IN, ir
b.t., tai riba
taip pat priklauso klasei
. Iš nepriklausomu˛ atsitiktiniu˛ dydžiu˛ savybiu˛ (0.7 skirsnis,

2) savybė) turime, kad # , ) . Jau gautu˛ atsitiktiniu˛ dydžiu˛ iš klasės

seku˛ ribas taip pat natūralu priskirti klasei
ir t.t., juolab, kad pereinant prie ribos

išlieka nepriklausomumas nuo pokyčiu˛ # , ) (galima būtu˛ i˛rodyti, kad
nagrinėjant tokias „ribu˛ ribas“ faktiškai nauju˛ atsitiktiniu˛ dydžiu˛ jau nėra gaunama, bet
šis faktas mums nėra svarbus). !
1.7. Pavyzdžiai ir pastabos. Atsitiktiniu˛ dydžiu,˛ priklausančiu˛ klasei
, pavyzdžiai:
1 = (
); čia (IR);

2 = d = lim ;
=1

0
3 = sup = lim max ;

= lim min 2
[0
]
0
4 = min 0: ( ) ! 1
: ( 2 ) ! 1

Visus šiuos gana paprastus pavyzdžius galima užrašyti pavidalu = # ( ) su

tolydžiuoju funkcionalu # : [0 ]
IR. Tačiau klasė
yra nepalyginamai platesnė.
1 pastaba. Prireikus Brauno judesio istorija˛
galima papildyti atsitiktiniais dy-
džiais, iš viso nepriklausančiais nuo Brauno judesio. Visam tolesniam išdėstymui fak-
tiškai tėra svarbu išlaikyti 1.6 teiginyje formuluojama˛ Brauno judesio pokyčiu˛ # ,
) , nepriklausomumo nuo istorijos
savyb˛e. Pavyzdžiui,
galima imti
sudaryta˛ iš visu˛ paprastu˛ atsitiktiniu˛ dydžiu˛ pavidalo

= 41 42 4
1
2

˛ čia 4 , = 1 2 – bet kokie atsitiktiniai dydžiai, nepri-
ir tokiu˛ dydžiu˛ seku˛ ribu;
klausomi nuo Brauno judesio .

M 2 pastaba. Atsitiktiniu˛ dydžiu˛ klas˛e galima apibrėžti ir visiškai griežtai. Pažymė-
kime = -algebra˛ , generuota˛ visu˛ atsitiktiniu˛ dydžiu˛ , ,

ir visu˛ nulinės tikimybės i˛vykiu.˛ Kitaip tariant,

yra mažiausia -algebra, kurios at-
žvilgiu yra matūs visi šie dydžiai ir kuriai priklauso visi nulinės tikimybės i˛vykiai. Tada
Brauno judesio istorija iki momento pavadinsime klas˛e
visu˛ atsitiktiniu˛ dydžiu, ˛

kurie yra matūs -algebros
atžvilgiu. Atsižvelgus i˛ 1 pastaba,˛
galima imti gene-
ruota˛ ne tik visu˛ Brauno judesio reikšmiu˛ , , bet ir bet kokiu˛ atsitiktiniu˛ dydžiu,
˛
nepriklausomu˛ nuo Brauno judesio . Istorija
atitinkamai išsiplės. -algebras
,
0, galima apibrėžti ir visiškai bendrai, paliekant šiuos reikalavimus:

1) IF =
0 – didėjanti -algebru˛ šeima, t.y.

, kai ;

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
.

Laužtiniu˛ procesu˛ tipišku˛ trajektoriju˛ palyginimui su laiptiniu˛ procesu˛ tra-

jektorijomis pateikiame ju˛ paveikslus su tais pačiais ir su tomis pačiomis, iš anksto

sugeneruotomis sekos 4 reikšmėmis (1.2 ir 1.2.k pav., k = 1 9).
1.2 pav.
1 trajektorija. 1.2.1 pav.
2 trajektorija.
1.2.2 pav.
8 trajektorija.
1.2.4 pav.
32 trajektorija.
1.2.6 pav.
128 trajektorija.
Pastebėkime, kad procesai jau yra dalimis diferencijuojami ir
4 ( + 1)

=

7 d 7 = +1 = 0 1 2

0
Atsitiktiniu˛ procesu˛ 7 elgsenai geriau i˛sivaizduoti pateiksime ir pora˛ ju˛ trajektoriju˛

grafiku˛ kartu su grafikais. Tiesa, tai sunkoka padaryti su dideliais , nes procesu˛ 7
reikšmės, didinant , vis labiau šokinėja. Todėl apsiribosime atvejais = 4 ir = 8
(1.3 pav.).
Šuoliškus procesus 7 galima interpretuoti kaip chaotiškus procesus su dideliais
1.2.8 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

judesio trajektorijos yra niekur nediferencijuojamos!

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

.

Pastaba. Kitoje interpretacijoje baltasis triukšmas – tai apibendrintasis stacionarusis procesas

su nuliniu vidurkiu ir kovariacine funkcija, lygia Dirako funkcijai. Trumpai pakomentuosime
čia paminėtas savokas.
˛ Atsitiktinis procesas , 0, vadinamas stacionariuoju procesu (pla-
˛ prasme), jei jo vidurkis ( ) := E ir kovariacinė funkcija ( ) := E(
čiaja ) nesi-
keičia keičiant laiko atskaitos momenta˛ , t.y. jei yra pastovi, o priklauso tik nuo skirtumo

: ( ) = ( ). 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

= . Natūralu susitarti, kad ir IR ( ) d = lim IR ( ) d = 1. Šie faktai ir

interpretuojami kaip lygybė ( ) = ( ) = Æ ( ).

40

!
)

% )

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 (#)

Pavyzdžiui, nagrinėkime paprasčiausia˛ model˛i, aprašant˛i gyvūnu˛ populiacijos kitima:˛

0 =
+1 =
+ &
Δ ;
( )
čia & – koeficientas, rodantis dauginimosi intensyvuma.˛ Šiame paprastame modelyje
neatsižvelgta i˛ tai, kad gamtoje populiacija negali augti neribotai ir jos dauginimosi
intensyvumas mažėja dėl i˛vairiu˛ priežasčiu˛ (riboti maisto ištekliai, ligos, plėšrūnai ir
pan.). Tikroviškesnis modelis galėtu˛ atrodyti taip:

0 =
+1 =
+ &
1

Δ ; ()
čia – pakankamai didelis skaičius, nurodantis natūralia˛ riba,˛ kurios fiziškai negali
viršyti populiacija – artėjant prie jos populiacijos dydžiui, dauginimosi intensyvumas
mažėja. Kuo labiau atsižvelgiama i˛ kitus populiacija˛ veikiančius faktorius, tuo sudėtin-
gesnė gaunama koeficiento išraiška. Pavyzdžiui, jei norėtume atsižvelgti i˛ plėšrūnu˛
2. Stochastiniai modeliai su Brauno judesiu ir baltuoju triukšmu 41
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
Kitos šiu˛ lygčiu˛ interpretacijos: vėžiniu˛ lasteli

˛ u˛ dauginimasis (plėšrūnai – imuninė
sistema, naikinanti tas lasteles);
˛ saskaitos
˛ banke evoliucija (& – dividendu˛ intensyvu-
mas, plėšrūnai – mokesčiai, atskaitymai už paslaugas ir pan.).
Lygties sprendinys paprasčiausiu pirmuoju atveju yra

IN
1

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
Pastebėkime, kad dešinėje yra funkcijos (

) Rymano integralinė suma. Jei lai-
ko intervalai Δ yra maži, palyginti su visu nagrinėjamu laiko intervalu (sakykime,

[0 ] = [0 ]), tai tame intervale seka˛
su nedidele paklaida galime pakeisti

funkcija
, [0 ], tenkinančia integralin˛e lygt˛i

[0 ]

= + ( ) d
0
arba ekvivalenčia diferencialine lygtimi su pradine salyga

˛

= (
) 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 =
( )
kurios sprendinys yra

= e
, 0. Lygt˛i ( ) atitinka Ferhiulsto 2
(arba logistinė)
diferencialinė lygtis

= &
1
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
kurios sprendinys, kai 0 , yra

=
+ ( ) e
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
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.
arba

= (
) + ˜ (
)7
0 =

Perėj˛e prie integralinio užrašo, gauname lygt˛i

= + ( ) d + ˜ ( ) d
0 0
Panagrinėsime kelis pavyzdžius.

Augimo lygtis. Anksčiau minėta lygtis
= &
, 0 = , priklauso nuo intensy-
vumo parametro &. J˛i randomizuodami gauname stochastin˛e lygt˛i

= + & 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
Paėm˛e = &, gautume lygt˛i

= &

2 , kurios parametro & randomizavimo

rezultatas būtu˛ stochastinė diferencialinė lygtis

= +

& d +

d

0 0
Genetikoje bei chemijoje svarbus Ferhiulsto lygties apibendrinimo – lygties

= + & (1 )

0 =
stochastinis atitikmuo, gaunamas randomizuojant parametra˛ &, yra

) d + ) d

= + + & (1 (1
0 0
8 9 9

46
"

:(
%
;
&$
'

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˛
/( );

( ) d/ ( ) = lim (4 ) / ( +1 )

max Δ
0

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
( ) d/ ( ) := lim (4 ) / (+1 )

=0

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 ) /( )
+ ;

čia sup imamas pagal visus intervalo [ ] skaidinius = 0 1 2 = ,

IN. Skaičius 8 (/ ) vadinamas funkcijos / variacija. Jei 8 (/ ) + , tai / va-

dinama baigtinės variacijos funkcija. Jei /
1 [ ], tai 8 (/ ) = / ( ) d ir

( ) d/ ( ) = ( )/ ( ) d . Truput˛i bendriau: jei / ( ) = / ( ) +
5( ) d , 5

– integruojama intervale [ ] funkcija, tai 8 (/ ) = 5( ) d ir ( ) d/ ( ) =

3. Stochastinis integralas Brauno judesio atžvilgiu 47

( )5( ) d . Taigi, jei [ ], o / turi tolydžia˛ išvestin˛e, tai Styltjeso integralas

( ) 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).
I˛rodymas. Praleisdami indeksus (bet turėdami juos mintyje), žymėsime
Δ = (+1 ) ( )

Δ = +1

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

Remiantis 3.1 teorema, Δ2 2

, taigi ir Δ2 , kai . Per-
P

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
Brauno judesiu ) intervale [0 ], jei su visais [0 ].

[0 ] žymėsime aib˛e visu˛ suderintu˛ intervale [0 ] atsitiktiniu˛ procesu˛ , su

2
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
Funkcija turi i˛prastines normos savybes:

1) $ = $ , $ IR;
2) + + ;

2 ) .
erdve su norma , susitarus laikyti

M Aibė [0 ] tampa normuota ir netgi Banacho
2
sutampančiais bet kokius du procesus [0 ], su kuriais

= 0. Kartu 2
ji yra ir Hilberto erdvė su skaliarine sandauga ( ) := E

d .

0
1
Suderinti (angl. adapted) su Brauno judesiu procesai kartais vadinami neužskubančiaisiais (nonanti-
cipating) procesais.
3.4. Apibrėžimas. Suderintasis atsitiktinis procesas =

[0 ] vadinamas láip-
tiniu procesu, jei egzistuoja intervalo [0 ] skaidinys 0 = 0 1 = , su
kuriuo

=
kai [ ) = 0 1 2 1
arba trumpai: =
1
+1

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
Pastabos. 1. Apibrėždami stochastin˛i integrala˛ intervale [1 2 ]

[0 ], galime elgtis ir kitaip.
Nemažindami bendrumo, tarkime, kad galiniai intervalo [1 2 ] taškai yra ir proceso [0 ]
pastovumo intervalu˛ galai. Sakykime, kad tai taškai = 1 ir = 2 . Tada

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
].

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

Paskutinėje lygybėje pasinaudojome tuo, kad E(Δ ) = 0.

2 . Tarkime, kad = ir = yra laiptinio proceso pastovumo intervalu˛
galai. Tada

1

1
+
d
= +
Δ = +
Δ
= =

Pastebėkime, kad jei 1 , o +

– aprėžtas atsitiktinis dydis, tai atsitiktinis

procesas
:= +
1l[ ] ( ), [0 ], taip pat yra aprėžtas laiptinis procesas (sude-
rintumo reikalavimas taip pat yra tenkinamas). Todėl paskutin˛e suma˛ galime užrašyti
kaip šio proceso stochastin˛i integrala˛

+
1l[ ] ( ) d
=

+
d
. Taigi
0
+
d
= +
d

ir lieka pritaikyti šiam integralui 2-aj

˛ a˛ savyb˛e.
3. Turime
2

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
4. Du kartus pasinaudoj˛e elementaria skaitine tapatybe = (( +)2 ( )2 ) 4

ir 3 bei 1 savybėmis, turime

E
d

d
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

(
+
)2 ( ) 2
d = E

d

=E
4
0 0
5. Paprastai ši nelygybė i˛rodoma pasitelkus martingalu˛ teorija.˛ Tačiau i˛manomas

M
ir tiesioginis i˛rodymas, panašus i˛ 3 savybės i˛rodyma.˛ Pastarajame integralo d 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
$
=E $ Δ Δ Δ Δ$

$
= E( $ Δ Δ Δ Δ$ )

$
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 +6 +4 + E( $ Δ Δ Δ Δ$ )

$

=$ = =$ = = =$
=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.
Pasinaudoj˛e lygybėmis EΔ$ = E(Δ$ )3 = 0, E(Δ$ )2 = Δ$ , E(Δ$ )4 = 3Δ$2 ,

gauname
4

E
d
=6 E Δ Δ Δ + 3 E Δ
$
2
$
4
$
2
$

( )
$ $
0
˛ a˛ suma˛ papildydami ja˛ iki sumos pagal visus 9 :

Pertvarkykime pirmaj

E Δ Δ Δ

2
$ $

2 E Δ Δ Δ
$
= 2
2
$ $
$ =$ = =$ = %$ % $

=E Δ Δ $ Δ$ 2
2 E Δ E(Δ )Δ

$
3
$ $ $
E EΔ Δ E EΔ Δ

$
4 2 2 2 2
$ $ $ $ $
2 E Δ E(Δ )Δ

$ %$
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
˛ 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
Abi nelygybės puses pakėl˛e kvadratu ir padalin˛e iš E( d ) , gauname reikalinga˛

4
! 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
aproksimuoti aprėžtais procesais iš [0 ]. Apibrėžkime procesus & lygybe 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
'' '' = E d 0

& 2

& 2

2 žingsnis. Dabar pažymėkime bet kur˛i iš aprėžtu˛ procesu˛ & . I˛sitikinsime,

kad j˛i galima aproksimuoti aprėžtais tolydžiais procesais. Apibrėžkime tolydžiuosius
procesus + lygybe
+ :=

d IN;

1
čia tariame, kad (pavyzdžiui) = 0, kai 0. Kadangi +

priklauso tik nuo su-
derintojo proceso reikšmiu˛ iki momento , tai + – taip pat suderintasis procesas.

Atsižvelgiant i˛ tai, kad
, procesai + taip pat yra aprėžti ( +
). I˛vertinsi-
me skirtuma˛

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
Remiantis integruojamojo kvadrato funkciju˛ vidurkinio tolydumo savybe,5

(
) d 0

2
kai # 0

0

Dėl (

)2 aprėžtumo ( 4 2 ) gauname, kad ir E 0 (

) d 0, kai
2
# ) d
, kai

0. Todėl su bet kokiu

! 0 atsiras toks 0 IN, kad E 0 (

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
Dėl + tolydumo + 0, . Antra vertus, dėl + aprėžtumo akivaizdu,

2
kad seka 1 [0 ] yra tolygiai aprėžta – jei + , tai ir , IN.

+
Todėl

2
2 (
)2 + +
2 4 2 [0 ]
Kadangi

E 4 2 d
0
tai vėl pasirėm˛e Lebego teorema gauname
'' +''
= E + d 0

2

2

0
4 žingsnis. Dabar, remdamiesi i˛rodytu, bet kokiam procesui 2 [0 ] su

kiekvienu IN galime nuosekliai išrinkti aprėžta˛ procesa˛ & , aprėžta˛ tolyduj˛
˛ i procesa˛
+ ir laiptin˛i procesa˛ 1 [0 ], su kuriais
'' '' 1 '' + '' 1 ''+ '' 1
& &

5
Jei [ ], tai
2
( ( + ) ( )) d 0, kai 0; čia ( ) := 0, kai [ ].

2

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
Nurodyta riba visada egzistuoja. Iš tikruj

˛ u,˛
2
E d
d
'
0 0
=E

d

= ' '

'
2
2

' ' '

0
'
' ' + ' ' 0 ,
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 ]
pasirinkimo. Iš tikruj ˛ tarkime, kad taip pat 1 [0 ]

˛ u, $ . Sudarykime nauja˛

2
seka˛
=
1 1 2 2

taip pat konverguojančia˛ i˛ erdvėje 2 [0 ]. Atitinkama integralu˛ seka 0
d
konverguoja 2 prasme. Todėl du jos posekiai – 0

d
ir 0
d
– turi ta˛

pačia˛ riba.˛
3.8. Teorema. Stochastinis integralas klasėje 2 = 2 [0 ] turi 35 teiginyje suformuluo-

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

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
' '
($ + % )' = '$ ( ) + % ( )'
+ % )
'
' ' ' '

$ ' ' + % ' ' 0

+ % $ + % . Todėl, du kartus pasirėm˛e stochastinio integralo apibrė-

2
tai $
žimu, gauname

($ + % )
d
= - lim
2
$
+ %
d

0 0

= $ - lim
2
d
+ % - lim

2

d

0 0

=$
d
+ %
d

0 0
2. Remiantis stochastinio integralo apibrėžimu,

:=
d
:=
2

d

0 0
ir E = 0 su visais IN, todėl

E = lim E = 0

Iš tikruj
˛ u,˛
E E = E( )
2 2
E
0 2

6
Joseph Leo Doob.
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

arba, pažymėjus := 1l[ ] ir := 1l[ ] ,

+ 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
t.y. kairiosios lygybės pusės riba (kvadratinio vidurkio prasme) yra +

d
. Ka-

dangi + ir todėl
'
0
'+ + '' = ''+( )'' '' '' 0

tai dešinioji jos pusė

+ d

2
+
d

0 0
Taigi

+
d
= +
d

0 0
o tai ir yra i˛rodomoji lygybė.

3. I˛rodomaj˛ a˛ lygyb˛e gauname perėj˛e prie ribos, kai , lygybėje
'' '' ' '
'' ' = ' '
2 2
'

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
Tad i˛rodomaj˛ a˛ nelygyb˛e gausime, perėj˛e prie ribos, kai , nelygybėje

4 2
2
E d
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

'

'
(#)
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

Čia pasinaudojome 2 savybe, kuria remiantis, E( d 1l ) = 0. Vietoje i˛vykio

0 0

˛raš˛e i˛ nelygyb˛e i˛vykius + :=

i

ir :=

, 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
čia pasinaudojome tuo, kad

1l

ir todėl (2 savybė) antrasis vidurkis lygus

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
Procesas ( ), [0 ], yra tolydus , todėl pakanka patikrinti, ar

7
1
P max ( ) & E ' ( ) & ! 0 (::)
0 &'
su bet kokiais IN ir 0 = 1 = . Pažymėkime

0
:= ( ) & ir max ( ) & 1

0 1

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
= E ' ( )1l = E ' ( )1l

&' =1

&'
Antrojoje nelygybėje pasinaudojome (#) nelygybe. Atskiru atveju gauname (::) nely-
gyb˛e (kartu ir (:) nelygyb˛e), nes paskutinis narys neviršija 1 E ' ( ).

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).
Pritaik˛e Koši nelygyb˛e, gauname

E 2 2 E 2 ( )
E
1 2 2 1 2

Galiausiai padalijame abi nelygybės puses iš (E 2 )1 2 :
E 2 1 2

2 E 2 ( )
1 2
arba
E 2 4E 2 ( ) !
Pastaba. I˛rodymo pabaigoje norint dalyti iš (E 2 )1 2 , reikia būti tikriems, kad E 2 . Tuo
i˛sitikinti galima vietoje ( ) imant „nupjautus” procesus ( ) := ( ) ir pereinant prie ribos,
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
Jei Δ = 0 = = , IN, – tokia intervalo [0 ] skaidiniu˛

seka, kad Δ = max Δ = max 0, tai

0 1

+1

( )

1

d
= - lim 2
(

+1
)

=0
0
I˛rodymas. Iš pradžiu˛ pastebėkime, kad iš proceso tolydumo kvadratinio vidurkio pras-

me išplaukia jo antrojo momento E
2 tolydumas atžvilgiu:

E E E( ) 0
2

2

2
Iš čia atskiru atveju gauname, kad funkcija E
2 , [0 ], yra aprėžta. Pažymėkime
= sup
[0 ] E
2 .

Panašiai kaip i˛rodydami 3.6 teigin˛i (3 žingsnis), apibrėžkime seka˛ 1 2 [0 ]

lygybe

:=

+1
Tada

) ( ) =
1
(

+1

d

=0
0
Dėl tolydumo kvadratinio vidurkio prasme E

0, , su visais
2
[0 ]. Antra vertus, dėl E

2 aprėžtumo (E
2 )
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
tai pasirėm˛e Lebego teorema gauname
'' '' = E d 0

2

2

Tad pasinaudoj˛e stochastinio integralo apibrėžimu, galime parašyti

( )

1

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

variacijos savybe (3.1 teorema), gauname

Δ = ( +1 )

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
!
Stochastin˛i integrala˛ galima šiek tiek apibendrinti ir apibrėžti tiems atsitiktiniams

procesams , su kuriais

P
2 d + = 1 %
( )
0
Tam mums prireiks stochastinio integralo lokalumo savybės.

3.11. Lema. Tarkime, kad atsitiktiniai procesai [0 ] sutampa i˛vykyje , t.y.
2

() =
() [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
iš procesu˛ ir sutapimo i˛vykyje išplaukia ir atitinkamu˛ laiptiniu˛ procesu˛ bei

sutapimas i˛vykyje (su visais IN). Remdamiesi laiptinio proceso stochastinio
integralo apibrėžimu, gauname, kad ju˛ integralai 0
d
bei 0
d
sutampa ai-

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
Proceso stochastin˛i (Ito) integrala˛ apibrėšime formule

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

(& ) (& )
ir todėl E 0(
)2 d . Vadinasi, visi stochastiniai integralai 0
d
,

IN, yra apibrėžti. Pažymėkime i˛vykius Ω& := 0

2 d ,

IN.

Pastebėkime, kad (& ) = (" ) = i˛vykyje Ω" su visais . Todėl

(& ) (" )
0
d
= 0
d
(b.t.) i˛vykyje Ω" , kai . Vadinasi, kiekviename i˛vy-

kyje Ω" visi stochastiniai integralai

(& )

d
sutampa (b.t.), kai . Negana
ju˛ seka IN, turi riba˛ (b.t.). Kadangi
0
(& )
d
,

to, kiekviename i˛vykyje Ω"
0
Ω = " Ω" , tai ši seka turi riba˛ ir su tikimybe 1. !

Pastaba. Bendru atveju 3.8 teoremos 2–5 savybės gali ir negalioti.
3.14. Teiginys. Su kiekvienu procesu [0 ] stochastinis integralas
2
( ) := d [0 ]
0
kaip viršutinio rėžio funkcija, yra tolydus su tikimybe 1.

d , [0 ], tolyduma˛ i˛rodysime, naudodamiesi
Kolmogorovo teorema (0.14 skirsnis),
M I˛rodymas. Integralo ( ) =

0
kai proceso trajektorijos yra aprėžtos (pavyz-

džiui, tolydžios).8 Iš pradžiu˛ tarkime, kad aprėžtas kokia nors neatsitiktine konstanta:

, [0 ]. Tada, remiantis 5 savybe,

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.˛
Dar apibrėšime du stochastinio integralo apibendrinimus – begaliniam ir atsitikti-

niam laiko intervalams.
3.15. Apibrėžimas. 2 [0 ) žymėsime aib˛e visu˛ suderintu˛ atsitiktiniu˛ procesu˛ =

0 , su kuriais
1 2
= 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
Atsitiktinio proceso [0 ) stochastiniu integralu (arba Ito integralu)

2
Brauno judesio atžvilgiu intervale [0 ) vadinama riba

d
:= - lim 2

d

0 0
Nurodyta riba egzistuoja, nes seka

d
yra Koši seka kvadratinio vidurkio pras-

0
me, t.y. jei , , tai
2
2
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
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
0. Turintys šia˛ savyb˛e atsitiktiniai dydžiai su pastaraja˛ savybe vadinami stabdymo,

arba Markovo, momentais (Brauno judesio atžvilgiu). Intuityviai: neneigiamas9 at-
sitiktinis dydis 6 yra stabdymo momentas, jei kiekvienu laiko momentu 0 galime
pasakyti, ar 6 , t.y. ar i˛vyko stabdymas iki momento . Tipiškas stabdymo momen-
tas – suderinto proceso (atskiru atveju – Brauno judesio) pirmojo patekimo i˛ kokia˛ nors
(mačiaj ˛ aib˛e momentas:
˛ a)
6 := inf 0:

Visiškai griežtas apibrėžimas skamba taip.

3.16. Apibrėžimas. Pažymėkime
=
:= atsitiktiniu˛ dydžiu˛ , ,
ir visu˛ nulinės tikimybės i˛vykiu˛ generuota˛ -algebra.˛ Atsitiktinis dydis 6 , i˛gyjantis

M reikšmes iš intervalo [0 + ], vadinamas stabdymo, arba Markovo, momentu (Brauno
judesio atžvilgiu), jei su visais 0 i˛vykis 6
.
3.17. Pastaba. Atsitiktiniu˛ procesu˛ teorijoje plačiai naudojama ir turi prasm˛e bendra stab-

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
Tokio proceso stochastiniu integralu intervale [0 6 ] vadinamas atsitiktinis dydis

!

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
singa Niutono–Leibnico1 formulė

# # = # 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.
I˛rodymas. Pasinaudokime Teiloro formule su gerai žinomu Lagranžo pavidalo lieka-

muoju nariu
# ( ) # () = # ()( ) + 21 # (4 )( ) 2
kurioje taškas 4 = 4 ( ) yra tarp ir ( 4 arba 4 ). Iš čia
# ( ) # () = # ()( ) + 21 # ()( ) 2
+
1# (4 ) # ()( ) 2
2
# # () sup # (˜ ) # (˜ )

Akivaizdu, kad
(4 )
˜ ˜

kai 5 (taigi ir 4 5). Kita vertus, dėl funkcijos #

) # (˜ ) 0 5 0
tolygaus tolydumo
sup # (˜
˜ ˜

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
Todėl i˛rodomoji formulė yra teisinga, kai

1
sup # ( ) # ( ) 5 ! 0
< (5) :=
2 !

4.2. Teorema (Ito formulė Brauno judesiui). Jei # 2 (IR), tai

# # = # d +
1
# d
0

2
0 0
Pastaba. Ši formulė dažnai užrašoma formaliu diferencialiniu pavidalu
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 .
I˛rodymas. I˛š pradžiu˛ tarsime, kad funkcija #

2 (IR) ir, be to, funkcijos # antroji
išvestinė # yra tolygiai tolydi. Pasinaudosime ka˛ tik i˛rodyta Teiloro formule.
Imkime intervalo [0 ] skaidiniu˛ seka˛ Δ = 0 = 0 1 = ,

IN, su Δ = max Δ = max +1

0,
. Kad būtu˛ trumpiau,

žymėsime = ( ), Δ = +1 , Δ = Δ . Remiantis 4.1 lemoje pateikta
# ( ) = # ( # ( )
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
( )Δ2 konverguoja i˛ 0# (

) d . Išskaidykime ja˛ i˛

I˛sitikinsime, kad suma
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

Kadangi # ( ) , tai # ( ) Δ Δ . Kadangi # ( ) , 2
# ( ) , ir Δ Δ , kai , tai ir # ( )# ( )(Δ

2 2
Δ ) ; iš čia # ( )# ( )(Δ Δ ) Δ Δ , kai . Todėl

+1
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
;( +1 ) < Δ Δ max < Δ

2

2

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

Dabar nagrinėkime bendraj˛

˛ i atvej˛i, atsisakydami aprėžtumo apribojimu˛ funkcijai
# (IR) ir jos išvestinėms. Vėliau parodysime, kad galima sukonstruoti seka˛ funk-
2
ciju˛ # (IR), IN, iš kuriu˛ kiekviena turi tolygiai tolydžia˛ antraj

2

˛ a˛ išvestin˛e ir
72 4. Ito formulė

(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

3.11 lema, šiame i˛vykyje

# # = # 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.
M I˛rodymui liko sukonstruoti žadėtaj˛ a˛ funkciju˛ seka˛ # . Su kiekvienu IN apibrėžki-

me funkcijas
# () + # ()( ) + # ()( ) 1 2
1 + ( )
= ( ) =
2
2
# () + # ()( + ) + # ()( + ) 1 2

> ( ) = 2
1 + ( + )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.
= () = # () = () = # () = () = # ()

> ( ) = # ( )
> ( ) = # ( )
> ( ) = # ( )
Funkciju˛ reikšmės ir išvestinės sutampa, paėmus skaitikliuose atitinkamus funkcijos
# Teiloro daugianarius (tiksliau – trinarius) taškuose . Kad funkcijos tenkintu˛ dar
ir aprėžtumo salygas,
˛ tie daugianariai padalyti iš kvadratiniu˛ trinariu,˛ kurie nekeičia
funkciju˛ ir pirmuj˛ u˛ dvieju˛ išvestiniu˛ reikšmiu˛ taškuose = .

Dabar funkcija˛ # taškuose = „sulipdykime“ su funkcijomis = ir >
(4.1 pav., čia # ( ) = ( 3 + 1) 10, = 4):
+, # () [ ],

- > () .
# ( ) := = ( ) ! ,

Aišku, kad funkcijos # tenkina visas reikalingas salygas.

˛ !
4. Ito formulė 73
4.1 pav. Funkcijos 2 (IR) aproksimavimas funkcijomis 2 (IR).

4.3. Pavyzdys. Pritaikykime Ito formul˛e funkcijai # ( ) = +1 ( IN):

1

+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.
4.2a. Teorema. Jei # ([0 ] & IR), tai

2
# ( ) # (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
I˛rodymas. Lygindami su 4.2 teoremos i˛rodymu, nurodysime tik pagrindinius skirtumus.

Kaip anksčiau, teoremos i˛rodyma˛ galima suvesti i˛ atvej˛i, kai funkcija # yra aprėžta ir
tolydi kartu su savo pirmosios ir antrosios eilės dalinėmis išvestinėmis ir, be to, jos ant-
rosios eilės dalinės išvestinės yra tolygiai tolydžios. Tokios funkcijos Teiloro formulė
atrodo taip:
# ( ) # ( )
= # ( )( ) + # ( )( )
1 (

+ # ( )( ) + 2# ( )( )( ) + # ( )( )

2

2
2
+ ; ( );
čia liekamasis narys
;( ) < ( + )(( ) + ( ) ) 2 2
didėjanti funkcija < : IR IR tenkina salyg

+ ˛ a˛ lim < (5) = 0.
+ 0
Todėl dabar tokios funkcijos skirtumo # ( ) # (0 ) skleidimas „telesko-

0
pine“ suma atrodo taip:
# (0 )
# ( )

0
= # ( ) # ( )
+1 +1

= # ( )Δ + #
( )Δ

1

+ # ( )Δ2 + 2 #
( )Δ Δ + #

( )Δ2
2

+ ; ( +1 +1 )

Kaip ir 4.2 teoremos i˛rodyme,
# ( )Δ
2
# (
) d

0
# ( )Δ2 P

# (
) d

0
; ( +1 +1 ) 0
P

4. Ito formulė 75
Lieka panagrinėti papildomai skleidinyje atsirandančias tris sumas:
#
( )Δ #
(
) d

0
1
2
#
0
( )Δ2

#
( )Δ Δ 0

Pirmosios sumos konvergavimas aiškus. Antraj

˛ a˛ suma˛ nesunku i˛vertinti:

# ( )Δ # ( )Δ Δ #

2

(
) d 0 = 0

0
Trečioji suma i˛vertinama panašiai:

#

( )Δ Δ

# ( )Δ max Δ

# ( ) d 0 = 0

!

@ ( (

% )!

76
&

%

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, yra stochastinės diferencialinės lygties

d
= ?
d +
d
0 = 0
sprendinys. Šia lygtimi aprašomas, pavyzdžiui, akciju˛ kurso kitimas (Bleko–Šoulso1
rema) funkcijai # ( ) = 0 exp (? 2

2) + , gauname

modelis), kai kuriu˛ biologiniu˛ populiaciju˛ vystymasis. Taikydami Ito formul˛e (4.2a teo-

= # (
)

= # (0 0) + # ( ) d + # ( ) d + # ( ) d

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
Atskiru atveju, kai ? = 0 ir = 1, gauname, kad atsitiktinis procesas

= 0 exp

2 , 0, yra stochastinės diferencialinės lygties
d
=
d
0 = 0
sprendinys. Todėl procesas
kartais vadinamas Brauno judesio stochastine ekspo-
nente (jei procesas būtu˛ ne Brauno judesys, o bet koks tolydžiai diferencijuojamas
procesas, tai lygties sprendinys būtu˛ eksponentė
= 0 e
).
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
"
# 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
Apibrėžtai funkcijai analogiška funkcija

˜ ( ) := E 2 , 0, jau yra aprėžta – kadangi

pagal apibrėžima˛ , 0, tai ˜ ( ) 2 , 0. Todėl jai Gronvolo lema˛ galime
ir gauti
˜ ( ) = 0 su visais 0. Taigi

taikyti ramia sažine
˛
2 = 0 0
2
E = E
su bet kokiu 0. Kadangi ir todėl bei , kai , tai

pereidami paskutinėje lygybėje prie ribos, kai , gauname

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
vienaties i˛rodyme gauta nelygybe, turime

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.
Pasinaudoj˛e tiesiško augimo salyga,

˛ turime

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 (#)
!
Iš gautosios nelygybės matome, kad

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-
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

Pirmasis dėmuo dešiniojoje nelygybės pusėje 2E

2 0, kai . Antrasis
dėmuo – integralas 2
0 E

1 2
d taip pat konverguoja i˛ nul˛i, nors tai nėra

taip akivaizdu.5 Tai išplaukia iš i˛verčio, kur˛i gauname pasinaudoj˛e (#) nelygybe:
'' ''
E = =' ''
2
'
1

2

1
2
2 +1

'
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
t.y. atsitiktinis procesas

, 0, yra ( ) lygties sprendinys.
5
Nes tam nepakanka, kad pointegralinė funkcija E

1 2 0 su visais [0 ]!
83
' $ (
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
I˛rodymas. 1. Ši savybė tiesogiai išplaukia iš 3.8 teoremos 2 savybės, kuria remiantis,

su bet kokiu aprėžtu atsitiktiniu dydžiu +

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

3. Naudodamiesi 2 savybe, su bet kokiu aprėžtu neneigiamu atsitiktiniu dydžiu

+

gauname
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)

Bet kokiam aprėžtam atsitiktiniam dydžiui +

pažymėkime +
+
:= max + 0 ir

+ := max + 0 . Tada + + 0 ir + = +
+ +

+ . Todėl, remiantis i˛rodyta

lygybe neneigiamiems +

,

E + ( ) = E (+ + )( )

+
!

= E (+ ( ) E + ( ) = 0 0 = 0 +
6.4. Apibrėžimas. Atsitiktinio proceso , [0 ], stochastiniu integralu 6.3 teiginyje

apibrėžto martingalo atžvilgiu vadinamas atsitiktinis dydis

d := d
0 0
jei dešiniojoje pusėje esantis integralas yra apibrėžtas.

6. Ito procesai 85
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
[0 ]. Jei , [0 ], yra tolydusis suderintasis atsitiktinis procesas, tai:

0
0
Δ d = d ;

Δ d = d

1) 0

0

P
2 2
2)
Atskiru atveju, kai
1,
0

0

Δ
2 P

Todėl atsitiktinis procesas , [0 ], vadinamas martingalo kvadratine varia-

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
Dėl proceso trajektoriju˛ tolydumo , , su visais [0 ], ir todėl

0, , [0 ]. Antra vertus,

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
.
Visi procesai (& ) yra aprėžti (

). Kadangi tokiems procesams teiginys jau
(& )
i˛rodytas, tai su visais

(& )
Δ 2

(& )
d

0
ir juo labiau
(& )
Δ P

(& ) d

0
I˛sitikinsime, kad iš čia išplaukia ir i˛rodomasis konvergavimas. Laisvai pasirinkime bet

kokius
! 0 ir Æ ! 0. Apibrėžkime i˛vykius Ω& :=
[0 ] , IN.
Kadangi & Ω& yra būtinasis i˛vykis, tai atsiras toks , kad P(Ω& ) ! 1 Æ 2 arba
P(Ω& ) Æ 2. Kadangi (& ) = i˛vykyje Ω& , tai
(& )

(& )

Δ = Δ ir
d
=
d

0 0
beveik tikrai i˛vykyje Ω& (3.11 lema). Todėl

) *
P Δ d !

))

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.

su Ito formulės i˛rodymu)

Δ Δ Δ Δ
2 2
E =E 2

2

=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
čia pasinaudojome tuo, kad

E + (Δ 2 Δ ) === E+Δ( ) Δ ( 632 2
(
= 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

Procesu˛ ir aprėžtumo apribojimo „atsikratome“ panašiai kaip pirmojoje tei-

ginio dalyje. !
6.6. Apibrėžimas. Suderintas atsitiktinis procesas
, [0 ], vadinamas Ito procesu
(arba difuzinio tipo procesu), jei jis gali būti išreikštas pavidalu

= 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
Suderinto atsitiktinio proceso +

, [0 ], stochastiniu integralu Ito proceso
(išreiškiamo () pavidalu) atžvilgiu vadinamas atsitiktinis procesas

+
=
+ 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.
6.7. Apibrėžimas. Dvieju˛ Ito procesu˛

= 0 + @ d + d ir
= 0 + @ d + d
. Procesas
0 0 0 0
kovariacija vadinamas atsitiktinis procesas :=

:=

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

3 savybė. Kadangi pagal 6.6 apibrėžima˛ +

=

0 0
A (+ )
=
A (+ @ ) d + A (+ ) d

0 0

= (A + )@ d + (A + ) d = (A + )

[0 ]
0 0
+ d A @ d +
4 savybė. Iš lygybiu˛ +
= 0+ @ d + ir A
=

0 0
0 d pagal 6.7 apibrėžima˛ gauname

A

+ A =
(+ A ) d
+ A = (+A ) [0 ]

!
=

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

bet kokiam atsitiktiniam procesui , praleisdami indeksus , žymėsime = ( ),
.

Δ =
+1

6.10. Teiginys. Sakykime, = + + = + @ d + d , [0 ], yra

Ito procesas, ir , [0 ], – tolydus suderintas atsitiktinis procesas. Tada:

0

0 0 0
Δ d ;
Δ d

1) 0

Δ ,
2
2)
Atskiru atveju, kai
1,
0

P
2
I˛rodymas. 1) Iš Styltjeso integralo savybiu˛ išplaukia, kad

Δ d ,

(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

Remiantis 6.5.2 teiginiu,
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-

Dėl martingalo trajektoriju˛ (tolygaus) tolydumo max Δ 0,

kutin˛e suma˛ galima i˛vertinti atsitiktiniu dydžiu, nepriklausančiu nuo :

+1
Δ max Δ max

[0 ]

@ d

+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

Δ Δ

P

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

+ # ( )Δ2 + 2 #

( )Δ Δ
3
2

+ #

( )Δ 2
+ ; ( +1 +1 );

čia ; ( ) < ( + )(( )2 + ( )2 ), o funkcija < : IR+ IR
,
+
˛ a˛ lim 0 < (5) = 0. Gautojoje išraiškoje pereidami prie ribos, kai
tenkina salyg
gauname i˛rodomaj˛ a˛ formul˛e. Iš tikruj

˛ u,˛ remiantis 6.10 teiginiu,
# ( )Δ
P
# (
) d

0
ir

# ( )Δ 2

P
# (
) d

0
94 6. Ito procesai
Be to, kaip 4.2 ir 4.2a teiginiu˛ i˛rodymuose,

#
( )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
arba diferencialiniu pavidalu:

d( ) = d + d + d
Atskiru atveju, kai bent vienas iš procesu˛ ar yra reguliarus, šios formulės virsta
i˛prastinėmis integravimo dalimis formulėmis:

d =

0 0 d d = d( ) d
0 0
I˛rodymas. Sakykime,

= 0 + @ d + d ir
= 0 + @ d + d [0 ]
0 0 0 0
Remiantis Ito formule, pritaikyta funkcijai # ( ) = , 2

IR, ir procesams , bei
+ ,

=
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

+ 20 0 + 2 d + 2 d + 2 d

0 0 0
6. Ito procesai 95
Atėm˛e iš paskutinės lygybės dvi pirmasias

˛ ir padalij˛e iš 2, gauname

= 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.
6.14. Apibrėžimas. Tarkime, kad +

, 0, yra Ito procesas, o
, 0, – reguliarus Ito
procesas. Sakoma, kad atsitiktinis (Ito) procesas
, 0, yra stochastinės diferencia-
linės lygties
d
= (
) d
+ (
) d+
0 = 0 (B)
sprendinys, jei jis su visais 0 tenkina lygt˛i

= 0 + ( ) d + ( ) d+ ;
0 0
čia, kaip ir anksčiau, koeficientai : IR & [0 ] IR.

Galima i˛rodyti 5.4 teoremos analoga.˛
6.15. Teorema. Jei lygties koeficientai ir tenkina Lipšico ir tiesiško augimo salygas,
˛ tai
egzistuoja vienintelis Ito procesas – (B) lygties sprendinys.
96
)
*

./
$
/
B
!
/
#

$ %!
7.0. I˛žanga. Brauno judesio trajektoriju˛ nediferencijuojamumas, stochastinio integravimo

teorija ir ja˛ lydinčios ne˛iprastos „egzotinės“ Ito, integravimo dalimis ir kitos formulės
yra toji kaina, kuria˛ mokame už gamtamoksliniu˛ ir kitu˛ modeliu˛ su baltuoju triukš-
mu idealizacija.˛ Tačiau tuo mūsu˛ „nemalonumai“ dar nesibaigia. I˛sivaizduokime, kad
kokiame nors realiame eksperimente mes stebime integrala˛ 0
d
tikro, „realaus“

Brauno judesio atžvilgiu ir norime sukurti jo matematin˛i model˛i. Nors „realiojo“ Brau-
no judesio, kaip ir jo matematinio modelio, trajektorijos yra gana chaotiškos, jos ne-
išvengiamai yra diferencijuojamos.1 Norėdami gauti integralo 0
d
matematin˛e

idealizacija,˛ galime pabandyti imti tolydžiai diferencijuojamu˛ funkciju˛ seka˛ , IN,

konverguojančia˛ i˛ Brauno judes˛i , ir panagrinėti atitinkamu˛ integralu˛ seka˛ 0
d
,

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

matematinis modelis, lyg ir turėtu˛ būti lygus 2 2, o ne 2 2 2, kaip esame gav˛e

3.10 pavyzdyje. Išeitu, ˛ kad stochastinis integralas blogai modeliuoja tai, ka˛ jis turėtu˛
modeliuoti!
Kai šitaip atsitiko su stochastiniais integralais, gero nelauk ir iš stochastiniu˛ dife-
rencialiniu˛ lygčiu!
˛ Sakykime, kad kokiais nors euristiniais svarstymais nutarėme, kad

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
Jau esame pastebėj˛e, kad siekiant pasinaudoti integruojamo proceso suderinamumu

jo reikšmės imamos kairiuosiuose skaidinio intervalu˛ [ +1 ] galuose . O jeigu tas
reikšmes imti simetriškai, t.y. skaidinio intervalu˛ centruose ¯ := ( + +1 ) 2, ir pa-

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
7.1. Apibrėžimas. Sakykime, ir yra Ito procesai. Proceso Stratonovičiaus integralu

intervale [0 ] proceso atžvilgiu vadinama riba
+
Æ Æ

+1

= d := P- lim Δ

0

2
Čia toliau naudojame i˛prastinius suprastintus žymėjimus: Δ = 0 = 0 1

= , IN, yra smulkėjanti intervalo [0 ] skaidiniu˛ seka ( Δ = max +1

0, ), = ( ), Δ = +1 = (+1 ) ( ).
7.2. Teiginys. Apibrėžtas integralas egzistuoja ir

Æ

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
I˛rodymas. Pasinaudoj˛e 6.10 teiginiu ir 6.11 išvada, gauname

+ +1
2 3 +1
Δ = P- lim Δ + Δ

P- lim
2 2

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 ) .

I˛rodymas. 1 savybė. Remiantis stochastiniu˛ integralu˛ 1-aja

˛ savybe (6.8 teiginys),
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 ) ;

(+A ) Æ = (+A ) + 21 4+A 5

= (+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 = # Æ d + # d

0
0 0
Kitaip tariant, diferencijuojamoms funkcijoms teisinga i˛prastinė formulė.
I˛rodymas. Iš 7.2 teiginio gauname

4 5
# Æ d = # d

1
+ # ( )
(#)
0 0 2
Taikome procesui # (
), 0, Ito formul˛e:

# (
) = # (0 0 ) + # ( ) d
0

1
+ # ( ) d + # ( ) d 0
2 0 0
Paskutiniai du dėmenys yra reguliarieji procesai. Todėl ju˛ ir proceso kovariacijos

yra lygios nuliui. Atsitiktiniu˛ procesu˛ 0# ( ) d , 0, ir kovariacija yra

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

7.5. Teiginys (Vongo–Zakajo teorema stochastiniams integralams). Sakykime, , ,

4
IN, yra Ito procesai ir b.t. , , tolygiai intervale [0 ]. Tada su bet kokia

funkcija (IR & IR) 2

+
Æ d ( ) Æ d

0 0
4
Eugene Wong, Moshe Zakai.
I˛rodymas. Pažymėkime

# ( ) = ( ) d ( ) IR & IR

+
0
Kadangi # 23
ir # ( ) = ( ), ( ) IR & IR, tai, remiantis 7.4 teorema,

+
Æ d

= # # 0 # d

0
0 0
# ( ) # (0 ) # ( ) d

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

= (0 0 ) + ( ) d + ( ) d

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˛ + := + ,
kai . Nemažindami bendrumo, galime laikyti +0 = 0, IN.

7.7. Teorema (Stratonovičiaus stochastiniu˛ diferencialiniu˛ lygčiu˛ stabilumas). Jei +
+, , tolygiai baigtiniuose intervaluose b.t., tai := , ,

tolygiai baigtiniuose intervaluose b.t. su salyga,
˛ kad lygčiu˛ (S ) koeficientai ir yra
pakankamai geri.5
5
Koeficientu˛ gerumo salygos
˛ paaiškės i˛rodymo metu.
I˛rodymas. Tarkime, kad tenkina tokias aprėžtumo salygas:

˛
0 ( ) ( ) IR & IR

+
Užrašykime lygt˛i diferencialiniu pavidalu
d
= (
) d + (
) d+
Æ
Remdamiesi 7.3 teiginio 3 savybe, abi lygties puses galime padauginti iš 1
(
):
1
Æ
(
) d
= 1
(
) d + d+

Sugr˛iž˛e prie integralinio užrašymo, gauname

Æ

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

. ( ) d + . ( ) d

0
0 0

= ( 1
+ . )( ) d + +

0
Su kiekvienu fiksuotu funkcija .( ) yra tolydi, griežtai didėjanti ir

lim .( ) =

Ši savybė išplaukia iš nelygybės
.( ) = .( ) .( 0) inf . ( ) 0 1

IR

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
Tokia˛ pat gauname ir aproksimuojančiu˛ lygčiu˛ išraiška:˛

=

.(0 ) +0
1
+ . d + +

(# )
0
Kadangi 1 . ( ) 1 , tai ( ) ir todėl ( ) ( )

, IR, t.y. funkcija tenkina Lipšico salyg ˛ a.˛ Todėl, pažymėj˛e @ :=
1
+ .
, galime i˛vertinti sprendiniu˛ skirtuma:˛
@ @ ( ) d + + +

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-

d + + +

gybės turėsime

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

Pastabos. 1. Pagrindinė i˛rodymo vieta, kurioje pasinaudojome Stratonovičiaus integralo priva-

lumais, yra (#) ir (# ) lygtys, kuriose ribinis procesas ir jo aproksimacijos dalyvauja be

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

Tada, bandant kaip teoremos i˛rodyme i˛vertinti skirtuma˛

, atitinkamoje nelygybėje atsi-
d +
rastu˛ papildomas „šalutinis“ narys:

1

0
4 5 4 5
+ d ( ) d
2

0 0
Dėl šio nario negalime tikėtis konvergavimo 0, nes iš procesu˛ ir artumo

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˛

pareikalauti ne tik konvergavimo , bet ir kvadratiniu˛ variaciju˛ konvergavimo

, o tai – per stipri salyga

˛ taikymu˛ požiūriu.
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.
Dabar panagrinėsime dabar atskira˛ atvej˛i, kai tolydžiuj

˛ u˛ reguliariuj
˛ u˛ procesu˛ seka

konverguoja tolygiai baigtiniuose intervaluose i˛ Brauno judes˛i . Pavyzdžiui,

galima aproksimuoti Brauno judes˛i laužtėmis , kuriu˛ reikšmės sutampa su Brauno

judesio reikšmėmis taškuose . Tokiu atveju Stratonovičiaus lygtys (S ) sutampa su Ito
lygtimis

IN

= 0 + d + d

0
0 0
7.8. Išvada (Vongo–Zakajo teorema stochastinėms diferencialinėms lygtims). Sakykime,

lygčiu˛ koeficientai ir yra tokie kaip 7.7 teoremoje. Jei tolydžiuj ˛ u˛ reguliariuj
˛ u˛ pro-

cesu˛ seka konverguoja, kai

, i˛ Brauno judes˛i tolygiai baigtiniuose inter-

valuose, tai atitinkamu˛ lygčiu˛ sprendiniu˛ seka konverguoja i˛ lygties

1

= 0 + ( ) +
( ) d + ( ) d 0
0 2 0
sprendin˛i (taip pat tolygiai baigtiniuose intervaluose).
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

TSDL vadinama autonomine; jei 2 2 0, tai lygtis vadinama homogenine.

Pažymėkime
)

*
Φ
= exp 1 ( ) 1 2
( ) d +
2 1
1 ( ) d 0
0 0
8.2. Teiginys. Atsitiktinis procesas Φ

, 0, yra homogeninės TSDL
d
= 1 ( )
d + 1 ( )
d
()
˛ a˛ 0 = 1. Procesas Φ vadinamas fundamentaliuo-
sprendinys, tenkinantis pradin˛e salyg

ju ( ) lygties sprendiniu.
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
I˛rodymas. Patikriname analogiškai:
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.
I˛rodymas. Pasinaudoj˛e integravimo dalimis formule (6.13 išvada) ( ) lygties sprendi-

niui
ir procesui
= Φ
1 bei 8.3 teiginiu, gauname

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

Integruodami gauta˛ reiškin˛i ir atsižvelgdami i˛ tai, kad Φ0 1 0 = 0 , gauname
Φ

= 0 +
1
( ) ( ) ( ) Φ
2 1 2

1
d + 2 ( )Φ 1 d

0
0 0
Lieka padauginti abi lygybės puses iš Φ

. !
Panagrinėsime kelis atskirus atvejus.
8.5. Adityvusis triukšmas. Jei 1
0, tai ( ) lygtis vadinama tiesine stochastine diferen-

cialine lygtimi su adityviuoju triukšmu.
1. Lanževeno1 lygtis yra
d
= d + d

0 = 0
1
Paul Langevin.
108 8. Tiesinės stochastinės diferencialinės lygtys
Kai ! 0, ši lygtis aprašo dalelės, judančios klampiame skystyje ir veikiamos chao-

tišku˛ molekuliu˛ smūgiu,˛ greičio kitima.˛ Koeficientas ! 0 charakterizuoja skysčio
klampuma,˛ o ! 0 – molekuliu˛ smūgiu˛ intensyvuma.˛ Lanževeno lygties sprendin˛i bū-
tu˛ galima pavadinti „realaus“ (fizikinio) Brauno judesio (tiksliau, jo greičio) modeliu,
kai atsižvelgiama i˛ skysčio klampuma.˛

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.
2. Nehomogeninės lygties su pastoviais koeficientais
d
= (
+ ) d + d
0 = 0
sprendinys yra

= e

0 + (1

e
)+
e d 0
0
3. Nehomogeninės lygties su nepastoviais koeficientais

d
= ( )
+ ( ) d + ( ) d

0 = 0
sprendinys yra
)
*"
) *

= exp ( ) d 0 + ( ) exp ()) d) d
0

0

) 0
* #
+ ( ) exp ()) d) d 0
0 0
8.6. Multiplikatyvusis triukšmas (1

0).
1. Homogeninė lygtis su pastoviais koeficientais (augimo lygtis):
d
=
d +
d
0 = 0
2
Leonard Salomon Ornstein, George Eugene Uhlenbeck.
Sprendinys:

= 0 Φ
= 0 exp 12 +
2

0
2. Nehomogeninė lygtis su pastoviais koeficientais:
d
= (
+ ) d + (
+ ) d
0 = 0
Sprendinys:
"

#

= Φ
0 + ( ) Φ 1 d +

Φ 1 d

0
0
0
Φ
= exp 1 2
2
+

3. Homogeninė lygtis su nepastoviais koeficientais:
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
Diferencijuodami gauname vidurkio diferencialin˛e lygt˛i

d2 ( )
= 1 ( )2 ( ) + 2 ( ) 2 (0) = 0
d

)
*
) *
2 ( ) = exp 1 ( ) d 0 + 2 ( ) exp 1 ()) d) d 0
0 0 0
Beje, šia˛ formul˛e galima gauti ir pasinaudojus ta pačia 8.4 teorema, imant 1

0.
2
Dabar pritaikykime Ito formul˛e funkcijai # ( ) = , i˛statydami i˛ ja˛ sprendin˛i : 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 +

21 ( )2 + 22 ( ) + 1 ( ) + 2 ( )

( d
2

0
+2

1 ( )2 + 2 ( ) d

(
0
Imdami vidurk˛i, gauname

( 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 ( )C( ) + 22 ( )2 ( ) + 12 ( )C( )

0
+ 21 ( )2 ( )2 ( ) + 22 ( ) d
(

= 02 + 21 ( ) + 12 ( ) C( )
0

+ 2 2 ( ) + 1 ( )2 ( ) 2 ( ) + 22 ( ) d
(
Diferencijuodami gauname lygt˛i

dC( )
= 21 ( ) + 12 ( ) C( ) + 2 2 ( ) + 1 ( )2 ( ) 2 ( ) + 22 ( )

d
su pradine salyga
˛ C(0) = 02 . Jos sprendinys yra
)
*
) *
C( ) = exp 1 ( ) d 02 + 2 ( ) exp 1 ()) d) d 0;
0 0 0

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
8.1 pav. Lygties d = d + d

, 0 = 0, sprendiniai, kai = 1 ir = 1; 4; 16.

= (1 )e 0
2

ir konvergavimas tuo greitesnis, kuo didesnis .

Ateityje (9 skyriuje) i˛sitikinsime, kad faktiškai iš bet kokio taško išėjusio Ornštei-
no–Ulenbeko proceso reikšmiu˛
skirstiniai artėja prie normaliojo dėsnio (0 2 2 ).
Augimo lygties d
=
d +
d
atveju 1 ( ) = , 1 ( ) = , 2 ( ) =
2 ( ) = 0, 1 ( ) = 2 + 2 , 2 ( ) = 0. Iš čia:
2 ( ) = 0 e

2
C( ) = 02 e(2 + )

3 ( ) = 02 e2
e
1
2

8.9. Kitos išreikštiniu pavidalu išsprendžiamos lygtys. Lygtis

1
d
= (
) (
) d + (
) d
0 = 0
2
su teigiamu koeficientu . Pastebėkime, kad Stratonovičiaus pavidalu ji užrašoma
d
= (
) d
Æ 0 = 0
Šia˛ lygt˛i faktiškai jau esame išsprend˛e, i˛rodinėdami 7.7 teorema˛ apie Stratonovičiaus
stochastiniu˛ diferencialiniu˛ lygčiu˛ stabiluma˛ ((#) lygybė, kai = 0):

= .(0 ) +
;

čia . yra funkcijos 1 pirmykštė funkcija (. =
1
), o – funkcijos . atvirkštinė
funkcija. Pavyzdžiui, lygties
d
= sin cos d + cos d

2

0 = 0
sprendinys, kai (( 2 ( 2), yra

0

= arctg tg 0 +

Šiek tiek apibendrindami gauname, kad lygties

1
d
= $ (
) + (
) (
) d + (
) d
0 = 0
2
arba
d
= $ (
) d + (
) d
Æ 0 = 0
sprendinys yra

= .(0 ) + $ +

Pabandykime panašiai išspr˛esti šiek tiek bendresnio pavidalo lygt˛i
1
d
= $ (
)5(
) + (
) (
) d + (
) d
0 = 0
2
Š˛i karta˛ gauname lygyb˛e

.(
) = .(0 ) + $ 5( ) d +
0
0
Pažymėkime
:= .(
). Tada
= (
) ir gauname lygt˛i su adityviuoju triukšmu
(ne tiesin˛e!):

= 0 + $ 5 ( ) d +
0
0
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
Atskiru atveju, kai 5 = ., gauname

= .(0 )e
+ 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,
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 .
8.10. Stochastinė eksponentinė lygtis. Natūralus nagrinėtu˛ stochastiniu˛ tiesiniu˛ diferencia-

liniu˛ ( ) lygčiu˛ apibendrinimas – lygtys, kuriose „valdantysis“ Brauno judesys yra
pakeistas bet kokiu Ito procesu . Apsiribosime ypač svarbia stochastinėje analizėje
stochastine eksponentine lygtimi

= 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
Jis vadinamas atsitiktinio proceso stochastine eksponente ir žymimas ( ).

I˛rodymas. Pažymėkime +
=
ir # () = e . Tada = # (+ ) ir # (+ ) =
1
2
# (+
) =
. 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

=1+ D 8 d+ + 8 D d + D 8 d +

0 0 0
=1+

D 8 d + + + +

t.y. D 8 = ( + + + + ). !
8.13. Išvada. Jei yra Ito procesas su 0 = 0, tai ( ) 1

= ( + ).
I˛rodymas. Remiantis 8.12 teiginiu,
( ) + = + + 4 +54 + 5

= + = (0) = 1
!
Pereisime prie (##) lygties, kurios (vienintel˛i) sprendin˛i žymėsime ( )
.
8.14. Teorema. Tarkime, kad ir yra Ito procesai, 0 = 0. Tada (##) lygties sprendinys
yra
)
*

= ( )
= ( )
0 + ( )

1
d

0
0
I˛rodymas. Pasinaudosime diferencialiniu˛ lygčiu˛ teorijoje žinomu konstantu˛ varijavimo

metodu. Sprendinio ieškosime pavidalu
=
( )
. Pažymėkime 2
= ( )
ir
integruokime dalimis:

d
=
d2
+ 2
d
+ d 2
= 2 d + 2 d + 2 d

= d + 2 d +

˛ a˛ ir (##) lygybes, turime

Palygin˛e gautaj
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

˛ a˛ d išraiška˛ i˛ ankstesn˛e lygyb˛e, gauname

I˛stat˛e gautaj
2 d = d + 2 d

t.y.
d
= 2
1
d
2 d = 2 d

arba integraliniu pavidalu,

= 0 + 2 1 d
Lieka pastebėti, kad 0 = 0 , ir prisiminti, kad

= ( )

. !
Teigin˛i galima apibendrinti tuo atveju, kai nėra Ito procesas.
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 @ @
Kadangi @0 = 0, d@ = d ir d @

= d , tai

+
= ( )
( )

1
d
Lieka i˛statyti šia˛ išraiška˛ i˛ lygyb˛e

=
+ +
. !
Pasinaudojus 8.14 teoremos formule, galima i˛rodyti svarbia˛ stochastiniu˛ diferen-
cialiniu˛ lygčiu˛ sprendiniu˛ palyginimo teorema.˛
8.16. Teorema (Sprendiniu˛ palyginimo teorema). Tarkime, kad ir yra stochastiniu˛ dife-
rencialiniu˛ lygčiu˛

= 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.
Jei 0 ! 0 ir ( ) ! ( ) su visais 0, IR, tai beveik tikrai !

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.
Pastaba. Determinuotu atveju (kai 0) ši teorema gerai žinoma paprastuj ˛ u˛ diferenciali-

niu˛ lygčiu˛ teorijoje. Todėl intuityviai suformuluota˛ teorema˛ lengva suvokti, stochastiniu˛ diferen-
cialiniu˛ lygčiu˛ sprendinius interpretuojant kaip determinuotu˛ lygčiu˛ sprendinius, kuriuos vienodai
veikia triukšmai (tas pats difuzijos koeficientas !). Jei vienas iš determinuotu˛ sprendiniu˛ yra vi-
sada didesnis už kita,˛ tai natūralu tikėtis, kad ir atitinkamu˛ stochastiniu˛ lygčiu˛ sprendiniai turi ta˛
pačia˛ savyb˛e.
I˛rodymas. Iš pradžiu˛ tarkime, kad 0 ! 0 , ( ) ! ( ). Pažymėkime +

=

M

, @
= (
) (
). Tada

+
= 0 0 + @ d + ( ) ( ) d

0 0

) ( ) ( ) 1l

=
+ ( = d

=
+ + d ;
0
čia pažymėjome:

= 0 0 + @ d
( ) ( ) 1l

= = d

0
(antrajame integrale pointegrinis procesas absoliučiuoju didumu aprėžtas konstanta ).

Remiantis 8.14 teorema,
)
*

+
= ( )
0 0 + ( )

1
d
0
Figūriniuose skliaustuose esant˛i procesa˛ išreikškime taip:

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
visais 0 (beveik tikrai). Tarkime priešingai, kad 8

= 0 su kokiu nors (atsitiktiniu)
! 0. Imkime mažiausia˛ tok˛i , t.y. = min : 8 = 0 (toks egzistuoja dėl 8

trajektoriju˛ tolydumo). Tada +
=

= 0 ir todėl @
= (
) (
) =

(
) (
) ! 0. Dėl @ tolydumo atsiras toks (atsitiktinis)
! 0, kad @ ! 0

su visais [
]. Iš čia 0 = 8
= 8
* +
* @ d 8
* ! 0 – prieštara.

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 (
< ( %

%
( < (
)

%

4?
% %
3

9.0. I˛žanga. Viena Brauno judesio pokyčiu˛ nepriklausomumo išvada yra ju˛ ortogonalu-
mas praeičiai, arba kitaip tariant, tai, kad Brauno judesys yra martingalas (6.2.1 pasta-
ba). Kita pokyčiu˛ nepriklausomumo išvada – vadinamoji Markovo savybė. Intuityviai
atsitiktinio proceso Markovo savybė gali būti nusakoma taip: jo tikimybinė elgsena po
bet kokio momento (ateityje) priklauso tik nuo proceso reikšmės laiko momentu
(dabartyje) ir nepriklauso nuo proceso reikšmiu˛ iki laiko momento (praeities). Yra
daugybė būdu˛ didesniu ar mažesniu bendrumu griežtai apibrėžti Markovo savyb˛e. Pa-
prasčiausia tai padaryti atsitiktiniams procesams, kuriu˛ reikšmės, kaip atsitiktiniai dy-
džiai, turi tankius. Atsitiktinis procesas vadinamas (realiuoju) Markovo procesu, jei
salyginis
˛ tankis
"

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

arba trumpai (0.6 skirsnis) – su visais 0 1

E ( )

1
2

= E (
) = +
( )" ( ) d )

(

122 9. SDL sprendiniai kaip difuziniai Markovo procesai

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

su visais 0 ir (IR). Šiuo atveju taip pat teisinga pirmoji iš ()

lygybiu.˛ Kai turi perėjimo tank˛i " = " ( ), perėjimo tikimybė ' ( ) =
" ( ) d .

Pabandysime patikrinti, ar Brauno judesys yra Markovo procesas, ir rasime jo perė-

i tank˛i " , apibrėžta˛ ( ) lygybe ir „pretenduojant˛i“
jimo tank˛i. Visu˛ pirma rasime salygin˛
˛
būti vadinamu perėjimo tankiu. Pažymėkime
= ( ) = 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 + (
)

#
= " () * ) d) d* = " () * ) d* d) IR

# #+-
Diferencijuodami gauname
"
( ) =
E 2 # ( )
EE
= " ( ) = =( )=( )
Taigi
" ( ) := "

( ) = "
( )
" ( )
= = ( )
Panašiai, atsižvelgiant i˛ tai, kad atsitiktiniai dydžiai

1 (0 ) (0 )
1
2
1 2 1
(0 ) (0 )

yra nepriklausomi, rinkinio (

1
2

) tankis yra
" (1 2 ; 1 2 )
= = (1 1 )= (2 ) 1 2 1
& =( )=( )=( )

1 1
9. SDL sprendiniai kaip difuziniai Markovo procesai 123

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
kurios koeficientai tenkina sprendinio egzistavimo ir vienaties salygas,

˛ sprendinys
vadinamas (Ito) difuziniu procesu. Jei koeficientai ir nepriklauso nuo laiko , tai
vadinamas homogeniniu (laike) difuziniu procesu. Koeficientas vadinamas difu-
zinio proceso poslinkio koeficientu, o – difuzijos koeficientu. Norėdami pabrėžti
sprendinio priklausomyb˛e nuo pradinio taško , j˛i žymėsime , o difuziniu pro-
cesu vadinsime visa˛ šeima˛ sprendiniu˛
IR . Atsitiktin˛i procesa,˛ apibrėžta˛

intervale [ ) ( 0) ir tenkinant˛i lygt˛i

= + ) d) + ) d
#

# # (::)

žymėsime .
Pastaba. Su kiekviena pora ( ) sprendinys , 0, yra tolydus beveik tikrai. I˛rodyta, kad

j˛i galima „pataisyti“ taip, kad
˛ u˛ ( ) atžvilgiu.
beveik tikrai būtu˛ tolydus visu˛ kintamuj
9.2. Teiginys. Su visais

=

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

vietoje i˛raš˛e atsitiktin˛i dyd˛i

, gauname

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.

9.4. Teiginys (difuzinio proceso Markovo savybė). Su kiekvienu IR procesas yra

Markovo procesas ir su visomis aprėžtomis (mačiosiomis) funkcijomis : IR IR

E

1
2
= E
=

0 1 . Be to,

# = # 0 )
t.y. (

# ) :=
(
# ) = # su visomis aprėžtomis (mačiosiomis) funkcijomis
: IR IR.
I˛rodymas. Pasinaudosime lygybe, i˛rodyta 9.2 teiginyje:

=

=

=

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
=

( )

vietoje ir gauti lygyb˛e salyginiam

˛ vidurkiui1 :
=
E
= E

Panašiai

E
# = #
#
)
Imkime abieju˛ lygybės pusiu˛ vidurkius ir pasinaudokime iteracijos taisykle:

( ) = E
) = E E
#
( = ( )() = (
= E ( )
#
) ( ) )
#
# # #
#
Kadangi atsitiktiniai dydžiai

1
2
irgi nepriklauso nuo pokyčiu˛ # ,
-
) * , tai kaip anksčiau gauname

E

1
2
= E

1
2

=E =
!

1
Š˛i intuityviai akivaizdu˛ žingsn˛i griežtai pagr˛isti yra gana sunku.
Toliau paprastumo dėlei nagrinėsime homogeninius (laike) difuzinius procesus

= , t.y. tarsime, kad (:) lygties koeficientai nepriklauso nuo laiko: = ( ),
= ( ),
IR. Tada 9.3 apibrėžime apibrėžti operatoriai
priklauso tik nuo

skirtumo . Todėl pakanka nagrinėti operatorius
:= 0
, apibrėžiamus lygybe

( ) = E
0 IR
I˛rodyta 9.4 teiginyje operatoriu˛ savybė virsta tokia:

= +
0

Dėl jos operatoriu˛ šeima
0 vadinama difuzin˛i procesa˛ atitinkančiu operato-
riu˛ pusgrupiu (dvieju˛ šeimos operatoriu˛ sandauga – vėl tos šeimos operatorius).

Homogeninio difuzinio proceso perėjimo tankis " ( ) taip pat priklau-

so tik nuo skirtumo ir todėl pakanka nagrinėti funkcija˛ " ( ) := " (0 ) =
" ( + ). Pastaroji šiuo atveju taip pat vadinama proceso perėjimo tankiu.
9.5. Apibrėžimas. Homogeninio difuzinio proceso = generatoriumi (arba infinite-
zimaliniu operatoriumi) vadinamas operatorius funkciju˛ : IR IR aibėje, apibrė-
žiamas lygybe
( ) = 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 ).
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
Imdami vidurkius, gauname

E = ( ) + E / d = ( ) + E/ d

0
0 0
Tuo pasinaudoj˛e, gauname, kad egzistuoja
( ) = lim
E (
) () = lim E/( ) d = E/ = /()
0

0
0 0
I˛raš˛e / ( ) = ( ) i˛ ankstesn˛e lygyb˛e, gauname Dynkino formul˛e. !

9.7. Pastabos. 1. Difuzinio proceso , aprašomo Stratonovičiaus lygtimi
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.
2. Dynkino formulė yra teisinga ne tik su fiksuotais laiko momentais , bet ir

stabdymo momentais 6 (kurie apskritai yra atsitiktiniai). Priminsime, kad plati tokiu˛
momentu˛ klasė yra pirmojo patekimo i˛ geras (mačiasias)
˛ aibes IR momentai:

6 = inf :
. Jei tokio momento vidurkis E6 + , tai
!

E = ( ) + E

!
d
0
3. Iš teoremos i˛rodymo išplaukia, kad procesas

( ) := d

0
.

yra martingalas su visomis teoremoje nurodytomis funkcijomis ir visais IR. Tokiu

atveju procesas (tiksliau, ju˛ šeima) vadinamas martingalu˛ problemos, atitinkančios
operatoriu˛ , sprendiniu. Procesu˛ konstravimas martingalu˛ problemos terminais šiuo
metu yra turbūt pats bendriausias Markovo procesu˛ konstravimo būdas.
9.8. Pavyzdžiai. 1. Brauno proceso (

= +
) generatorius yra ( ) = 12 ( ).
2. Ornšteino–Ulenbeko proceso (Lanževeno lygties d
= d + d spren-

dinio) generatorius yra

( ) = ( ) + 2 ( )
1
2
3. Geometrinio Brauno judesio (augimo lygties d

= ?
d +
d
spren-
dinio) generatorius yra
1
( ) = ? ( ) + ( )
2 2
2

9.9. Išvada (atgalinė Kolmogorovo lygtis). Sakykime, = yra homogeninis difuzinis

procesas su generatoriumi ir 2 (IR). Pažymėkime
)( ) =
( ) = E

( ) IR & IR
+
Tada funkcija ) yra lygties dalinėmis išvestinėmis su pradine salyga

˛
+, E)
= )
- )E(0 ) = () (B)
sprendinys. Čia operatorius taikomas funkcijos ) = )( ) argumento atžvilgiu.

I˛rodymas. Remiantis Dynkino formule, egzistuoja

E)( ) E
( )
E
=
E
=
( ) 0 IR
Kita vertus,
E)( )
= lim

+ ( )
( )
E

0

( )
( )
= 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).

2. Kai difuzinis procesas turi perėjimo tank˛i " = " ( ),

( ) = " ( ) ( ) d ! 0
IR
Todėl atgalin˛e Kolmogorovo lygt˛i funkcijai )( ) :=

( ) galime užrašyti taip:
E
E

" ( ) ( ) d = ( ) " ( ) ( ) d
E E
IR
1
IR
E2

+ 2
( ) " ( ) ( ) d
2 E 2
IR
Formaliai diferencijuodami po integralo ženklais, gauname

E" ( )
E" ( )
( ) d = ( ) ( ) d
E E
IR
1
IR
E 2 " ( )
+ 2
( ) ( ) d
2 E 2
IR
E"( )
E
() E"(E ) 12 2
( )
E 2 " ( )
E 2
( ) d = 0
IR
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)
Pareikalaukime perėjimo tankiui salyg

˛ u,˛ užtikrinančiu˛ ka˛ tik atlikto diferencijavimo po
integralo ženklais teisėtuma.˛
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 ( )

( ) IR & IR

+
0
3
Richard Feynman, Marc Kac.
yra lygties dalinėmis išvestinėmis

E*
= * + /*
E
˛ a˛ * (0 ) = ( ).
sprendinys, tenkinantis pradin˛e salyg

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
Be to, remiantis i˛prastine Niutono–Leibnico formule,

) *
+ = +0 +

exp / d) / d = 1 + + / d

#

0
0 0 0
Kadangi + yra reguliarus procesas, tai +

0.

Todėl pritaik˛e integravimo
dalimis formul˛e (6.13 išvada) gauname

+ = 0 +0 + d+ + + d

0 0
= ( ) +

+ / + + d

0
+ ( ) d

0
0
Pointegraliniai procesai yra aprėžti ir tolydūs, todėl imdami vidurkius gauname

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
/
* = E exp ) / d*

/

0 =
) *

= E exp / d

/ /
/ + / +
) * 0 =

/ d
/ /
= E exp / + / +

/
) * 0

= E exp / d
/ +

/ +

/
Remiantis vidurkiu˛ iteracijos taisykle,
) *
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 * ( + < ) * ( )

1
exp /( ) d 1

<
/ 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
kalba. Panašiai ta kalba galima užrašyti lygyb˛e E

E =
. Pažymėkime

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
Panašiai, du kartus integruodami dalimis, gauname
1

1

2
( ) ( )/ ( ) d = 2
( )/ ( ) ( ) d
2 2

Sudėj˛e gautasias
˛ dvi lygybes, gauname lygyb˛e ().
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

" ( ) ( ) d = " ( ) ( ) d

E

Teiginio salygos
˛ leidžia kairėje diferencijuoti pagal po integralo ženklu, o dešinėje –
pasinaudoti () lygybe. Todėl

E" ( )

( ) d = " ( ) ( ) d

E

arba
E"( )

E
"( ) () d = 0

su visomis (IR). Vadinasi, laužtiniuose skliaustuose esanti funkcija yra tapačiai

2
!
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
E"(E ) = ()"( )

(BBB)
o vietoje () lygties – lygt˛i

E" ( )
= ( )" ( )

()
E
4
Adriaan Fokker, Max Planck.
Čia ( ) ir ( ) – operatoriu˛ ir analogai, priklausantys nuo laiko parametro

(apatinis indeksas arba rodo, kurio argumento atžvilgiu jis taikomas):
( ) ( ) := ( ) ( ) +
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
Analogiškai tankis taip pat yra fundamentalusis lygties - (
) = ( )* ( )

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
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
˛ i tank˛i "0 , elgsenos stabilizacija˛ dideliuose

Difuziniu˛ procesu,˛ turinčiu˛ stacionaruj˛
laiko intervaluose galima apibūdinti ir kita savybe, vadinama ergodiškumu: su bet kokia
˛ funkcija : IR
aprėžta (mačiaja) IR
1

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 +
)

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˛

" ( ) d = 1 ! 0 ( )

ir

"0 ( ) = " ( )"0 ( ) d ! 0 ( )

Nepasiekiamieji difuzinio proceso taškai gali būti dvejopi. Pirmuoju atveju

arba

, kai
. Tada arba vadinamas difuzinio proceso pritrau-
kiančiuoju kraštu. Aišku, kad šiuo atveju difuzinis procesas intervale ( ) staciona-
riojo tankio neturi, nes ribinis proceso skirstinys sukoncentruotas taške arba . Kitas

atvejis – kai procesas , išėj˛es iš bet kurio taško ( ), be galo daug kartu˛ ap-
lanko visus intervalo ( ) taškus. Tada taškai ir vadinami natūraliaisiais difuzinio
proceso kraštais.
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

I˛rodymas panašus i˛ tiesioginės Kolomogorovo lygties perėjimo tankiui (9.14 teiginys)

i˛rodyma.˛ Vėl pradėsime nuo lygybės

E
E
" ( ) ( ) d = " ( ) ( ) d ( )

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,

( ). Padaugin˛e abi lygybės puses iš "0 ( ) ir suintegrav˛e pagal ( ),
gauname
E

" ( )"0 ( ) d ( ) d
E

= " ( )"0 ( ) d ( ) d

arba
E

"0 ( ) ( ) d = "0 ( ) ( ) d

E

Kairioji lygybės pusė lygi nuliui, o dešinioji – integralui

"0 ( ) ( ) d Taigi

"0 ( ) ( ) d = 0

su visomis ( ). Todėl "

0 intervale ( ).
2
0

0 !
9.19. Išvada. Jei tenkinamos 918 teiginio salygos
˛ ir ( ) ! 0, ( ), tai difuzinio
proceso stacionarusis tankis "0 yra pavidalo
) *

"0 ( ) = 2
( )
exp 2
())
2 ())
d) ( );

čia" (–)betd koks

= 1.
taškas iš intervalo ( ), o yra normuojanti konstanta, su kuria
0
I˛rodymas. Suintegrav˛e Kolmogorovo lygt˛i stacionariajam tankiui, gauname
()" () + 21 0
2

( )"0 ( ) = const
˛ u˛ kraštu˛ ir atveju dešinėje esanti konstanta turi būti

Galima parodyti, kad natūraliuj
lygi nuliui. Pažymėkime F ( ) := 2 ( )"0 ( ). Tada ši lygtis virsta paprastai spren-
5
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.
su atsiskiriančiais kintamaisiais. Jos bendrasis sprendinys yra

) *
F ( ) = exp 2
())
2 ())
d) ( );

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) ( );

čia paskutinėje lygybėje i˛ normuojančia˛ konstanta˛ „˛ikėlėme“ daugikl˛i exp ln () =

1 (), nepriklausant˛i nuo . Taigi bendra Ito ir Stratonovičiaus lygtims stacionariojo
tankio formulė yra
) *

"0 ( ) = 1
( )
exp 2
())
2 ())
d) ( )

kurioje Ito lygčiai G = 2 , Stratonovičiaus lygčiai G = 1.

2. Stacionarusis tankis suteikia gana svarbia˛ ir vaizdžia˛ pradin˛e informacija˛ apie
proceso tikimybin˛e elgsena.˛ Čia taip pat svarbu yra tai, kad, kaip i˛sitikinome, stacio-
naruj˛
˛ i tank˛i galima užrašyti išreikštiniu pavidalu. Kita vertus, net tais palyginti retais
atvejais, kai stochastinės lygties sprendin˛i arba perėjimo tank˛i taip pat galima rasti iš-
reikštiniu pavidalu, iš ju˛ išraišku˛ paprastai yra sunkiau suvokti proceso elgsenos ypatu-
mus.
140
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
vaizdžiau matyti sprendiniu˛ elgsenos priklausomybė nuo parametru˛ (dažniausiai – nuo

triukšmo intensyvumo), nes „atsitiktinumo“ i˛taka visoms lygtims, priklausančioms nuo
parametro, yra identiška. Todėl tu˛ pačiu˛ lygčiu˛ su skirtingais parametrais sprendiniu˛
trajektoriju˛ pavyzdžiuose nesunkiai galime i˛žiūrėti ir panašumu,˛ ir skirtumu.˛ Panašu-
mus salygoja
˛ naudojama ta pati „valdančioji“ Brauno judesio trajektorija, o skirtumus
– parametru˛ kaita.
10.1. Adityvusis triukšmas: Lanževeno lygtis. Ornšteino–Ulenbeko difuzinio proceso, ap-

rašomo Lanževeno lygtimi d
=
d + d
, stacionarusis tankis yra
)
)
2 )

2
"0 ( ) = exp 2
d) = exp 2

0
Nesunkiai atpaž˛istame, kad, kai ! 0, tai yra normaliojo atsitiktinio dydžio 4

(0 2 2 ) tankis pastovaus daugiklio tikslumu. Tad normuojančia˛ konstanta˛
reikia imti lygia˛ 1 ( 2 . Taigi iš bet kokio taško išėjusio Ornšteino–Ulenbeko
proceso
skirstinys ilgainiui tampa artimas normaliajam (0 2 2 ). Šis fak-
tas neblogai papildo 8 skyriuje gautus faktus apie jo vidurkio ir dispersijos elgsena˛
(E
= exp 0 ir D
= 2 (2 ) 1 (1 exp 2 ) 2

2 ).
Kai 0, stacionariojo tankio procesas neturi. To ir galima buvo tikėtis. Kai
= 0, pastovaus daugiklio tikslumu turime Brauno judes˛i
= +
( 2 ),
kurio skirstinys, kai
, neartėja i˛ jok˛i ribin˛i – išlaikydamas pastovu˛ vidurk˛i
E
= , jis turi neribotai didėjančia˛ dispersija˛ D
= 2 . Kai 0, dar blo-

giau – ne tik dispersija D

+ , bet ir vidurkis E
sgn .
10.2. Adityvusis triukšmas: bendrasis atvejis. Š˛i pavyzd˛i nesunku apibendrinti bet kokiai
stochastinei diferencialinei lygčiai su adityviuoju triukšmu
d
= (
) d + d

Jei atitinkamo difuzinio proceso stacionarusis tankis egzistuoja, tai jis turi būti pavidalo
) *
2
"0 ( ) = exp 2
()) d)
0
˛ u˛ būtu˛ tankis, būtinas funkcijos "0 integruojamumas – tada nor-

Tam, kad tai iš tikruj
muojančia˛ konstanta˛ galėsime imti lygia
) * 1
2
= exp 2
()) d) d
0
Matome, kad su pakankamai dideliais (absoliutiniu didumu) poslinkio koeficientas

= ( ) turi būti priešingo ženklo nei ir integralas 0 ()) d) turi ne per daug

142 10. Pavyzdžiai
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
10.1 pav. Funkcija ( ) = 4 3 2 + 5 ir jos potencialas % .
Gr˛ižkime dabar prie stacionariojo tankio. Proceso su adityviuoju triukšmu stacio-

naruj˛
˛ i tank˛i galime užrašyti

"0 ( ) = exp 2
2
D ( )
Matome, kad stacionariojo tankio maksimumo taškai sutampa su potencialo minimumo
taškais. Šiu˛ maksimumu˛ dydis priklauso ne tik nuo potencialo, bet ir nuo triukšmo
intensyvuma˛ rodančio koeficiento . Kuo mažesnis , tuo didesni tankio maksimumai.
Stacionariojo tankio funkcijos, atitinkančios kelias skirtingas reikšmes, pavaizduotos
10.3 paveiksle.
Čia atkreipsime dėmes˛i i˛ tai, kad stacionariojo tankio (arba potencialo) ekstre-
mumu˛ skaičius ir ju˛ padėtis yra ypač svarbios difuzinio proceso stacionarios elgsenos
charakteristikos. Difuzinis procesas su adityviuoju triukšmu, turintis stacionaruj˛ ˛ i tank˛i,
santykiškai daugiausia laiko praleis tankio maksimumu˛ (potencialo minimumu) ˛ tašku˛
aplinkose. Be to, laikas, praleistas tankio maksimumo taško aplinkoje, bus tuo dides-
nis, kuo didesnis tas maksimumas. Ir atvirkščiai – patekusios i˛ potencialo maksimumo
taškus, t.y. stacionariojo tankio minimumo taškus, difuzinio proceso trajektorijos turėtu˛
juos palikti gan greitai. Jei stacionarusis tankis turi kelis maksimumus (potencialas turi
kelis minimumus), tai, pabuv˛es vienoje potencialo duobėje, procesas anksčiau ar vėliau
persiris per potencialo kalniuka˛ i˛ gretima˛ potencialo duob˛e. Tačiau, jei kalniukas labai
aukštas arba triukšmas ( ) labai mažas, tai tokio persiritimo gali tekti laukti labai ilgai.
Dėl to nesulaukėme persiritimu˛ per kalniuka˛ laiko intervale [0 1] (10.2 pav.), išskyrus
trajektorijos, išeinančios nuo paties kalniuko – taško = 0, pradžia.˛ Pabandykime ste-
bėti sprendiniu˛ elgsena˛ daug ilgiau, pavyzdžiui, laiko intervale [0 100]. Sprendinio
144 10. Pavyzdžiai
10.2 pav. Lygties d = ( ) d + d

sprendiniai, kai = 0 ir = 08.
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.
10.3. Multiplikatyvusis triukšmas: bendrosios pastabos.

Pereikime prie pavyzdžiu˛ su multiplikatyviuoju triukšmu. Tarkime, kad difuzinis

procesas , aprašomas lygtimi d
= (
) d + (
) d
, turi stacionaruj˛
˛ i tank˛i
10. Pavyzdžiai 145
10.3 pav. Stacionariojo tankio priklausomybė nuo .
"0 intervale ( ). I˛sitikinome, kad jis turi pavidala˛

"0 ( ) = 2
( )
exp 2
())
2 ())
d) ( )

Norėdami panagrinėti, kaip kinta stacionarusis tankis, proporcingai keičiant triukš-

ma,˛ tarsime, kad difuzijos koeficientas yra proporcingas vienai funkcijai, t.y. ( ) =
/ ( ); čia 0 – proporcingumo koeficientas. Siekdami analogijos ir palyginimo su
adityviojo triukšmo atveju, užrašysime stacionaruj˛ ˛ i tank˛i pavidalu (skirtingose eiluṫese
normuojančios konstantos skirtingos)

"0 ( ) = exp 2
())
2 ())
d) 2 ln ( )
2

= exp 2
())
/ 2 ())
d) 2 ln /()

= exp 2 ()
2
( )
ir funkcija˛

( ) := ())
/ 2 ())
d) 2
ln / ( ) ( )

pavadinsime nagrinėjamos lygties stochastiniu potencialu intervale ( ). Adityviuo-

ju atveju (/ ( ) 1) stochastinis potencialas sutampa su deterministiniu potencialu D .

146 10. Pavyzdžiai
10.4 pav. Lygties d = ( ) d + d

, 0 = 0, sprendiniai su = 08; 1; 12.
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
ekstremumo taškais. Pastaruosiuose
( ) = / (())
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
10.4. Multiplikatyvusis triukšmas: Ferhiulsto lygtis. Pereikime prie konkrečiu˛ pavyzdžiu.˛

Pradžioje nagrinėsime stochastin˛e Ferhiulsto lygt˛i
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
Iš sprendinio išraiškos matome, kad jei 0 ! 0, tai ir

! 0 su visais 0.
Jei & 2 2, tai (& 2

2) +
= [(& 2
2) +
] , kai
. Čia pasinaudojome tuo, kad
0, kai

. Tai išplaukia iš to, kad

=
=4 (0 1) ir todėl
= (
) 0, kai
. Iš čia gauname,
kad
0, kai
. Taigi, kai & 2
2, taškas 0 yra pritraukiantysis kraštas
ir šiuo atveju stacionariojo tankio procesai, aprašomi Ferhiulsto lygtimi, tikrai neturi.
Tad šia lygtimi aprašomo difuzinio proceso stacionariojo tankio "0 egzistavimo inter-

vale (0 ) galime tikėtis, kai & 2 2. Jo pavidalas turėtu˛ būti (imame, pavyzdžiui,
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
;
čia paskutiniame žingsnyje pastovu˛ (nepriklausant˛i nuo ) daugikl˛i exp 2 2 vėl

pažymėjome . Funkcija "0 yra integruojama intervale (0 ), kai 2& 2 2 ! 1,
tai yra, kai 2 2&. Tad galime sakyti, kad, kai 2 = 2& (arba taške = 2&), mes
turime triukšmo indukuota˛ virsma˛ – difuzinis procesas, aprašomas Ferhiulsto lygtimi,
neturi stacionariojo tankio, kai 2 2&,3 ir j˛i turi, kai 2 2&. Toliau atkreipkime
dėmes˛i i˛ tai, kad
+, + kai 2 2 & 2
,
- 0
lim " ( ) = = kai & = 2 ,
2
0
0
kai & ! 2 .
Taigi matome, kad stacionariojo tankio pavidalai yra kokybiškai skirtingi, kai & 2

2& ir 2 & (žr. 10.5 pav.). Tad galime sakyti, kad, kai 2 = & (arba taške =
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
o triukšmo indukuotus virsmus turėsime, kai & = 0 ir & = 2

2 (atitinkamai vietoje
& = 2 2 ir & = 2 ).
10.5. Multiplikatyvusis triukšmas: genetinis modelis. Determinuota lygtis
d
= $
+ & (1 ) d 0 (0 1)

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
10.6 pav. Ferhiulsto lygties d = (& 2 ) d + d

, 0 = 1, sprendiniai su i˛vairiais
(& = 1, 2 = 0; 125; 13; 45; 1; 85; 3).
10. Pavyzdžiai 151
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)

Ekvivalenti jai Ito lygtis yra
d
= $
+ & (1 ) + 1 2
)(1 2 ) d

(1

2
+ (1 ) d (0 1)

0
Stratonovičiaus interpretacija čia pasirinkta ne dėl matematiniu˛ priežasčiu˛ – nors

„˛iprastinės“ integravimo ir diferencijavimo taisyklės dažnokai leidžia išspr˛esti Strato-
novičiaus lygt˛i išreikštiniu pavidalu, š˛i karta˛ jos, deja, nepadeda. Pasirodo, nagrinėja-
ma stochastinė diferencialinė lygtis geriau modeliuoja minėtus biologinius ir cheminius
reiškinius, kai ji yra suprantama Stratonovičiaus prasme.
Visu˛ pirma i˛sitikinsime, kad jei 0
(0 1), tai ir
(0 1) su visais 0,
tai yra 0 ir 1 yra nepasiekiamieji kraštai procesui , išėjusiam iš intervalo (0 1) taško.

Padalinkime abi lygties puses iš
(1
) ! 0 – remiantis Stratonovičiaus stochastiniu˛
integralu˛ savybėmis (7.3 teiginys), tai galima daryti, kol procesas
, išėj˛es iš intervalo
(0 1) taško, nepasiekia to intervalo krašto:
$

1
(1 )
Æ d =

(1 ) +&

d + d

Integruodami ir taikydami Ito formul˛e Stratonovičiaus pavidalu (7.4 teorema) kairiajai

pusei, gauname

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
Toliau paprastumo dėlei nagrinėsime atvej˛i $ = 1 2. Stacionarusis proceso tankis

turi pavidala˛ (žr. 9.20.1 pastaba)
˛
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
Vienas lygties sprendinys yra = 1 2. Jei 2 4, ši lygtis daugiau sprendiniu˛ neturi

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,
10.7 pav. Genetinio modelio simetriniai stacionarieji tankiai (& = 0).

10. Pavyzdžiai 153
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.
10.7a pav. Genetinio modelio asimetriniai stacionarieji tankiai

"
(& = 1, = 3054, = 12 , = 5 ! ).
Determinuota lygtis ( = 0) turi stabiluj˛

˛ i pusiausvyros taška˛ 0 = 1 2 + ( 1 + &2

1) (2&) (lygties 1 2 + & (1 ) = 0 sprendinys iš intervalo (0 1)). Didinant
! 0, stacionarusis tankis pradžioje turi vienintel˛i maksimumo taška˛ 1 – lygties
F ( ) = 0 sprendin˛i, kuris slenka link 1 (link 0, kai & 0). Kai pasiekia tam tikra˛
kritin˛e riba˛ , lygtis F ( ) = 0 turi dar viena˛ (dviguba) ˛ sprendin˛i 2 (š˛i sprendin˛i
kartu su galima rasti išsprendus ju˛ atžvilgiu sistema˛ F ( ) = 0, F ( ) = 0). Kai
= , šiame taške stacionarusis tankis turi perlink˛i. Kai ! , dvigubas lygties
F ( ) = 0 sprendinys išsiskiria i˛ du sprendinius 2 3 . Taške 2 stacionarusis
tankis turi maksimuma,˛ o taške 3 – minimuma.˛ Tad galima sakyti, kad taške =
turime triukšmo indukuota˛ virsma,˛ charakterizuojama˛ stacionariojo tankio ekstremumu˛
skaičiaus pasikeitimu. Lyginant su simetrišku atveju, galima pastebėti i˛domu˛ skirtuma.˛
Simetrišku atveju virsmas nuo vieno prie triju˛ ekstremumu˛ i˛vyksta „švelniai“ – kai
pereina pro kritin˛e reikšm˛e, maksimumo taškas 1 tolydžiai išsiskiria i˛ du maksimumo
taškus + ir (+
0, kai # = 2). Gi asimetrišku atveju vienas
naujas maksimumas atsiranda „staiga“ netoli kito intervalo (0 1) galo.

10.8 paveiksle matome tipiškas genetinio modelio sprendiniu˛ trajektorijas simetri-
niu (& = 0) ir asimetriniu atvejais (& ! 0) su i˛vairiais triukšmais – mažesniais, lygiais
ir didesniais už kritines reikšmes. Nesunku matyti, kad trajektoriju˛ elgsena yra visiškai
adekvati atitinkamu˛ stacionariuj ˛ u˛ tankiu˛ ypatumams.
154 10. Pavyzdžiai
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 & =
pastoviu žingsniu 5 = . Su visais tokiais 5 konstruojami diskrečiojo laiko atsi-

tiktiniai procesai , = 0 1 2 , kurie priklausytu˛ tik nuo Brauno judesio
reikšmiu˛ , = 0 1 2 , ir kurie „kaip galima geriau“ aproksimuotu˛ tiksluj˛
˛i
lygties sprendin˛i , kai 5 =
0. Patogu procesus
laikyti apibrėžtais su

visais [0 ]. Pavyzdžiui,

:= [
] [5 ( + 1)5)
(laiptinis procesas) arba

:= + ( +1)
55 [5 ( + 1)5)

(tolydžioji laužtė). Kaip i˛vertinti apytikriu˛ sprendiniu˛ ir artuma?

˛ Naudojami du
pagrindiniai būdai.
11.1. Apibrėžimas. Sakoma, kad yra sprendinio -osios eilės stiprioji aproksimaci-

ja, jei su visais [0 ]

E = O(5 )
5 0

Priminimas. Užrašas $ (') = O(' ), ' 0, reiškia, kad egzistuoja '0 0 ir

0, su
kuriais $ (') ' , kai 0 ' '0 (nagrinėjamu atveju 0 ' '0 , nes ' 0).

156 11. Stochastiniu˛ diferencialiniu˛ lygčiu˛ skaitinis sprendimas
Sakoma, kad yra sprendinio -osios eilės silpnoji aproksimacija, jei su

visais [0 ]
E ( ) = O(5 )
E

5 0

pakankamai plačiai funkciju˛ : IR IR klasei (pavyzdžiui,

(IR)).
Turint teorin˛e aproksimacija˛ , galima sukurti (dar sakoma – generuoti) ir stebėti

jos (atsitiktines!) trajektorijas kompiuterio monitoriuje arba nubraižyti jas popieriaus la-
pe. Kadangi , skirtingai nuo tikrojo sprendinio , priklauso tik nuo Brauno judesio
dydžius . Tai nėra sunku padaryti, nes = 1

reikšmiu˛ taškuose 5, = 1 2 , reikia mokėti generuoti kompiuteriu atsitiktinius
(( +1)

), o pokyčiai

=0
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
11.2. Prisiminimai apie paprastuj ˛ u˛ diferencialiniu˛ lygčiu˛ aproksimacijas. Nagrinėkime

paprastaj˛ a˛ diferencialin˛e lygt˛i

= (
) 0 = arba
= + ( ) d [0 ]
0
Pažymėj˛e 5 = , = 5, turime

+1
0 =
+1 =
+ ( ) d = 0 1 1

Pakeiskime integrala˛ apytikre jo reikšme pagal stačiakampiu˛ formul˛e:

+1

+1 "
+ (
) d =
+ (
)5 = 0 1 1

Atmetus paklaida˛ ir vietoje tikslios lygybės naudojant apytiksl˛e, gaunama paprasčiausia

– Oilerio3 aproksimacija:
0 =

+1 =
+
5
= 0 1 1
I˛rodoma, kad Oilerio aproksimacija yra pirmosios eilės:
sup
= O(5) 5 0

Stačiakampiu˛ formul˛e pakeit˛e trapeciju˛ formule, gautume

+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.
˛ Oilerio arba Hoino4 aproksimacija. Ji turi

Ši aproksimacija dar vadinama pagerintaja
jau antros eilės tiksluma:˛
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.
11.3. Oilerio aproksimacija. Oilerio aproksimacijos analogas ( ) stochastinei diferenciali-

nei lygčiai yra Oilerio (arba Oilerio–Marujamos6 ) aproksimacija, apibrėžiama lygybė-
mis
0 =
+1 =
+
5 +
Δ

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
lygt˛i su „vėluojančiu“ koeficientu:

=+ d ;
čia ( ) := (

),
[ +1 ). I˛vertinsime koeficientu˛ skirtuma.˛ Imdami
[ +1 ), su visais 5 ! 0 gauname
) = ( ) +
2 2 2

2 + 2 + 5

2

2

Imkime vidurkius:
E ( )
( )
2

2E + 2E

2

2
+5 [
+1 ]
[0 ]
Pažymėkime
2
= ( ) := sup E

> (5) := sup E

#
#
2
5 ! 0
6
Gishiro Maruyama.
Tada iš paskutinės nelygybės turime
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

= ()) d) + 2 > (5) + 5

[0 ]
0
Pasinaudoj˛e Gronvolo lema, gauname

= ( ) 2 > (5) + 5 e2(
5 ! 0
Pastebėkime, kad
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

Iš 11.1 paveikslo matome stochastinės diferencialinės lygties
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.˛
11.1 pav. Oilerio aproksimacijos su i˛vairiais žingsniais.
Pirma, žinomas jos tikslus sprendinys

= arctg(tg 0 +
), kuris, beje, yra ap-
rėžtas; antra, jos koeficientai pakankamai sudėtingi. Iš paveikslu˛ gana aiškiai matome,
kaip gerėja aproksimacijos mažinant žingsn˛i 5, o esant pakankamai mažam 5 = 001
Oilerio aproksimacija˛ nuo tikslaus sprendinio vizualiai sunku ir beatskirti.
11.5. Aukštesniuj˛ u˛ eiliu˛ stipriosios aproksimacijos. Dabar pabandysime pagerinti aprok-
simacijos eil˛e panaudodami Teiloro formulės analoga˛ – Ito–Teiloro formul˛e stochasti-
nėms diferencialinėms lygtims. Kad būtu˛ paprasčiau, nagrinėsime homogenin˛e lygt˛i.
Jau esame i˛rod˛e (9.6 teorema) formul˛e

(
) = (
) + ( ) d + 1 ( ) d ; (#)

čia = + 1
2
2
, 1 = . Atskiru atveju, kai ( ) = , turime = ,
1 = ir (#) virsta pradine Ito lygtimi

=
+ ( ) d + ( ) d

Analogiškai kaip ir determinuotos lygties atveju, pritaik˛e (#) formul˛e funkcijoms =

ir = , gauname

=
+ (
) + (# ) d) + 1(# ) d# d

+ (
) + (# ) d) + 1 (# ) d# d

=
+ (
) d + (
) d + ; ;

čia liekamasis narys

;= (# ) d) d + 1(# ) d# d

+ (# ) d) d + 1 (# ) 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

;1 = (# ) d) d + 1(# ) d# d

#
+ (# ) d) d + 1 (- ) d* d# d


#
+ 1 2 (- ) d- d# d =: ;11 + ;12 + ;13 + ;14 + ;15

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 ).
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
;12 = 1(# ) d# d = 1(

) d# d + ;22

+1

+1
;13 = (# ) d) d = (

) d) d + ;23

+1 #
;15 = 1 2 (- ) d- d# d

+1 #
=1 2
(
) d- d# d + ;25

su i˛verčiais E;22 = O(54 ), = 2 3 5. Pažymėjus integrala˛

+1

+1
Δ+ = # d = ( ) d

kitus du integralus galima išreikšti per j˛i:

) ( ) d

+1
+1
+1
) d = ) d = ( )(
(

+1
=

= Δ 5 Δ+ ;

+1 #

+1
d- d# d = (# ) d

# d

( )

+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
su i˛verčiu E;22 = O(54 ). Atmet˛e liekamaj˛

˛ i nar˛i, gauname aproksimacija˛
Δ + 1 Δ 5 + 1 Δ+

+1 =
+
5 + 2
1 Δ 1 Δ 5

2
+ (Δ 5 Δ+ ) + 1 2 3
1 6 1 2

= + 5 + Δ + Δ 2
Δ + 1 1 Δ 5

2 2
1
+ 1 2 3 2

6 2
+ (1 ) Δ+

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

su i˛verčiu ;22 = O(55 ). Taip gauname stipriaj˛ a˛ aproksimacija˛

1

+1 =
+ 12
5 + ( )5

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
Dydžiu˛ Δ ir Δ+ kovariacija lygi

E(Δ Δ+ ) = E(Δ1 Δ+1 ) = E d
0
1
= E( ) d = d = 52
2
0 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.

O kaip su Hoino metodu? Parašykime jo analoga˛ stochastinei diferencialinei lyg-

čiai, pagrindin˛i dėmes˛i skirdami difuzinei daliai:
1 + (Δ

+1 =
+
5 +

+1
2

+1 =
+ 5 + Δ

Remiantis Teiloro formule,

= + + O( ) 2
Δ + 5 + O

+1
= +

+1

+1

2

+1

Todėl Hoino aproksimacijai galime parašyti

+1 =
+
5 +
Δ 1

Δ2+

2
+ aukštesnės eilės nariai
Tad Hoino aproksimacija „ekvivalenti“ aproksimacijai

+1 =
+
5 +
Δ +
1 Δ 2

2
Pastebėkime, kad tai – Milšteino aproksimacija lygčiai
1
d
= + (
) d + (
) d

2
t.y. Stratonovičiaus lygčiai
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.
11.6. Pirmosios eilės silpnosios aproksimacijos. Nagrinėsime homogenin˛e lygt˛i

= + ( ) d + ( ) d 0
0 0
Tirsime jos silpnasias

˛ aproksimacijas pavidalo
0 =

+1 =
5 Δ ;

& &
čia = ( ), ( ) IR [0 ] IR, – pakankamai gera realioji funkcija,

˛ a˛ ( 0 0) . Remiantis (#) formule,

tenkinanti salyg

( ) = (0 ) + (
) d + 1 (
) d

0 0
Imkime vidurk˛i:

E ( ) = ( ) + E (
) d 5 0
0
Pakartoj˛e šia˛ formul˛e pointegralinei funkcijai E (

), [0 5], gauname
"
#
E ( ) = ( ) + ( ) + E ( ) d d 2
0 0

= ( ) + ( )5 + E2 ( ) d d (
( )
0 0
Panašia˛ formul˛e galima parašyti aproksimacijai . Pažymėkime
˜ ( ) = ( ( ))
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
1
d2 ˜
+ (
) d
2 d 2
0
d ˜
= ˜ ( 0 0) + Δ˜ (
) d + (
) d

d
0 0
Imdami vidurk˛i, gauname

E ( ) = ˜ ( 0 0) + EΔ˜ (
) d
0
Kartojame gautaj˛ a˛ formul˛e pointegralinei funkcijai EΔ˜ (

), [0 5]:
"
#
E ( ) = ( ) + Δ˜ ( 0 0) + EΔ2 ˜ ( ) d d
0 0

= ( ) + Δ˜ ( 0 0)5 + EΔ2 ˜ ( ) d d ((()

0 0
Jei, pavyzdžiui, 2 ir Δ2 ˜ (arba bendriau, E2 ( ) ir EΔ2 ˜ ( ), [0 ])

yra aprėžtos funkcijos, tai galime parašyti:
E ( ) = ( ) + ( )5 + O(52 )
E ( ) = ( ) + Δ˜ ( 0 0)5 + O(52 )
Sakykime, kad funkcija˛ , apibrėžiančia˛ aproksimacija˛ , parinkome taip, kad
Δ˜ ( 0 0) = ( ) IR %
( )
Tada su bet kokia pradine reikšme IR

E E ( ) = O(5 ) 2
Pasinaudoj˛e sprendinio ir aproksimacijos markoviškumu, galime parašyti, kad ir

salyginiams
˛ vidurkiams

E
+1
=
E ( )
= = O(52 )

+1

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
tikslumo (kaip ir determinuotu atveju) išplaukia pirmosios eilės („globalus“) tikslumas.

%
˛ a,˛ išreikškime Δ˜ funkcijos terminais:
Norėdami pritaikyti ( ) salyg
d ˜ d ˜
= ( ) = ( )
d d
d2 ˜ 2
= ( ) + ( )
d

2
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
Gauname tokias pakankamas salygas,˛ kad nagrinėjamoji aproksimacija Stratonovičiaus
+, (¯ )
lygčiai būtu˛ pirmosios eilės:
= ( )
- + ()

(S1)

1

2
)
(¯ = + 1
2
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 ( =
+
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

Remiantis didžiuj˛ u˛ skaičiu˛ dėsniu, ši suma su tikimybe 1 konverguoja i˛ E (

), kai
. Todėl ja˛ galime laikyti teorinio vidurkio E (
) i˛verčiu su paklaida

1 E ( )
&

=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 ( ) =

ln + + 1 .) Lygties sprendinys yra

= sinh (
+ arcsinh ). Pažymėj˛e
2
:= 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
11.3 pav. Silpnoji Oilerio aproksimacija su i˛vairiais žingsniais ' ir generuotu˛

nepriklausomu˛ jos trajektoriju˛ skaičiais ( .
pagrindinis i˛našas i˛ sumin˛e paklaida˛ tenka statistinei paklaidai, o ji juntamiau mažė-
ja būtent didinant . Tad tolesnio paklaidos mažinimo racionaliau siekti didinimo
saskaita.
˛
Praktiniuose skaičiavimuose reikia nepamiršti, kad
vis dėlto stochastiniu˛ diferencialiniu˛ lygčiu˛ aproksimaci-
jos, kaip ir patys sprendiniai, yra atsitiktiniai procesai. To-
dėl – nors ir retais atvejais (su maža tikimybe) – galimi „di-
deli nuokrypiai“ nuo teoriškai tikėtinu˛ rezultatu.˛ Dešinėje
matome paveikslėl˛i, kuris karta˛ pasitaikė vietoje gražaus,
daugmaž teorija˛ atitinkančio vaizdo (11.3 pav., atvejis 5 = 0001, = 1000). Tad i˛
gautus skaičiavimu˛ rezultatus reikia žiūrėti su tam tikru atsargumu.
11.9. Aukštesniuj˛ u˛ eiliu˛ silpnosios aproksimacijos. Pabandykime pagerinti ir silpnuj
˛ u˛ ap-
( ((
roksimaciju˛ tikslumo eil˛e. Prat˛es˛e ( ) ir ( ) lygybes, gauname:
52
E ( ) = ( ) + ( )5 + 2 ( )
2

+ E3 (# ) d) d d
0 0 0
52
E ( ) = ( ) + Δ˜ ( 0 0)5 + Δ2 ˜ ( 0 0)
2

+ EΔ3 ˜ ( ) # ) d) d d
0 0 0
Jei, pavyzdžiui, E3 ( ) ir EΔ3 ˜ ( ), [0 ], yra aprėžtos funkcijos, tai:

52
E ( ) = ( ) + ( )5 + 2 ( ) + O(53 )
2
5 2
E ( ) = ( ) + Δ˜ ( 0 0)5 + Δ2 ˜ ( 0 0) + O(53 )
2
%
Todėl prie ( ) pridėj˛e salyg
˛ a˛
Δ2 ˜ ( 0 0) = 2 ( ) IR (%%)
gauname pakankamas 3-osios eilės vienažingsnio tikslumo arba 2-osios eilės „globa-
liojo“ tikslumo salygas.
˛
Elementariais, bet ilgokais ir nuobodžiais skaičiavimais galima rasti 2 ir Δ2 ˜
išraiškas:
1 2
2 ( ) = ( )( ) = ( + )( )
1 2
2
1 2 1 2
= + ( ) + + ( )
2 2
1 2
2 2

= + + +
3
2
1 2 1 2
+ + + + ( )
2
2
1
2
= 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
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
( )
Prisiminus (I1) salygas,

˛ ketvirtoji lygtis tenkinama automatiškai. Antrojoje ir trečiojoje
lygtyse sutrauk˛e atitinkamai lygius narius
1 2 1 2
+ ) = 2 ( )
(¯ ir + (¯ ) = 2
( )
2 2
2
o po to dar trečiaj˛ a˛ suprastin˛e iš (¯
) = 2
( ), gauname
1 2
1 1
2 + + ) = + ( )
2 2 2 3
(¯ + +
2 2 2
(¯ ) = ( )
Galiausiai pirmojoje iš gautuj

˛ u˛ lygčiu˛ sutraukime lygius narius
1 1
( )2 (¯
) = ( )
2 2
2 2
(antroji lygtis) ir suprastinkime ja˛ iš (¯
) = ( ). Tada ji virsta lygtimi
2 1

+ (¯
) = + + 2
( )
2
Dar karta˛ pasinaudoj˛e lygybe (¯
) = ( ), š˛i karta˛ – antrojoje iš (I1) lygčiu,˛ galuti-
nai gauname tokias Ito lygties silpnosios aproksimacijos 2-osios eilės salygas
˛ funkcijos
terminais:
+8 (¯ ) = ( )
8, (¯ )

= ( ) 12
( )
88 2(¯ )+ (¯ )

= ( ) (I2)
- + + (¯ )

1
= ( ) ( ) + 12 2 ( )
= ( ) + 12 2 ( )
4
Stratonovičiaus lygčiai tokios salygos

˛ gaunamos, (I2) salygose
˛ koeficienta˛ pa-
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
Rinkdamiesi koeficientus 3 –7 , turime gana daug laisvės. Imkime 4 = 6 = 7 = 0.

Gauname tokia˛ antrosios eilės silpnaj˛ a˛ aproksimacija˛ (ji taip pat vadinama Milšteino
aproksimacija):

( ) = + ( ) + 12 ( ) +
1
( ) 2
1 1 1 2
1
+ ( ) + 2
( ) + + 2
( ) 2
2 4 2 4
Panašiai galima rasti Milšteino aproksimacija˛ Stratonovičiaus lygčiai. Iš (S2a)
salyg
˛ u˛ turime:
0 = ( )
1 = ( )
1
2 =
( )
2
1 1
3 + 34 = ( ) ( ) + ( ) ( )
2 2
1 1 1
5 + 6 + 37 = ( ) + ( ) ( ) + ( ) ( )
2 4 4
1
( +) ( )

8
Vėl yra gana daug laisvės pasirinkti koeficientus 3 –7 . Viena˛ iš aproksimaciju˛ galima
užrašyti ypač simetrišku pavidalu:
1
( ) = + ( ) + ( ) 2

2
1 1 1
+ ( ) + ( ) 2 + ( ) ( ) 3 + ( ) ( ) 4
2 6 24
1
+ ( ) ( ) +
1
( ) + (

) ( ) 2
()
2 4
Pastaba. Kai = 0, turime determinuota˛ lygt˛i d = ( ) d . Todėl nieko nuostabaus,

kad tokiu atveju antrosios eilės aproksimacija sutampa su antrosios eilės Teiloro aproksimacija,
apibrėžiama lygybe

=

=
' 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
kurioje funkcija apibrėžiama lygybe (#), koeficientai sutampa su determinuotos lygties d =

( ) d ketvirtosios eilės Teiloro aproksimacijos

=

0 ' = +
' + 1

' 2
'
+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

i˛prasta, yra (deja!) dvigubai mažesnė.

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

pastaroji ir dešimt kartu˛ mažesnė). Skaičiavimo rezultatus dviejuose skirtinguose lai-

ko intervaluose matome 11.4 paveiksle. Jo dešinioji dalis atitinka taškuota˛ stačiakamp˛i
kairiojoje dalyje.
11.4 pav. Oilerio ir Milšteino aproksimaciju˛ palyginimas: stora linija – tikrosios

vidurkio E ( ) reikšmės, plona linija – Milšteino aproksimacija, brūkšninė linija
– Oilerio aproksimacija.
Rungės–Kuto aproksimacijos. Plačiaja

˛ prasme Rungės–Kuto (RK) aproksimacijo-
mis vadinamos tokios, kuriose nenaudojamos koeficientu˛ išvestinės. Tai ypač patogu
programuojant, kai reikia perprogramuoti tik kiekvienos naujos lygties koeficientus; be

to, sudėtingu˛ koeficientu˛ atveju nereikia gaišti laiko išvestiniu˛ skaičiavimui. Panagri-
nėsime RK aproksimacijas, analogiškas populiarioms keturžingsnėms RK aproksima-
cijoms neatsitiktinėms diferencialinėms lygtims spr˛esti, tokio pavidalo:
3 3
( ) = + F # + < .
=0 =0
#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
Naudodamiesi (S2) salygomis,

˛ pabandysime išvesti lygtis 21 nežinomam paramet-
rui $ , % , F , < . Kodėl nagrinėjame Stratonovičiaus, o ne Ito lygties salygas?
˛ Kaip
netrukus pamatysime, Ito lygčiai neegzistuoja (deja!) šiu˛ parametru˛ rinkinys, tenkinan-
tis (I2) salygas.
˛ Tačiau Ito lygčiai pritaikyti RK metoda˛ galima sprendžiant ekvivalenčia˛
9
John Butcher.
Stratonovičiaus lygt˛i su koeficientu ˜ = 12

( ) vietoje . Tiesa, taip būtume pri-
versti naudoti koeficiento išvestin˛e, bet tai geriau nei naudoti po dvi koeficientu˛ ir
koeficientu˛ išvestines, kaip ka˛ tik nagrinėto pavyzdžio Milšteino aproksimacijoje.
Visu˛ pirma apskaičiuosime (S2) salygose˛ dalyvaujančias funkcijos dalines išves-
tines , , , , , , ir . Pradėj˛e skaičiuoti rankiniu būdu, greitai
i˛sitikintume, kad su kiekviena išvestine reiškiniu˛ apimtis tiesiog ne˛itikėtinai padidėja.
Laimei, galima pasinaudoti kokiu nors programiniu paketu. Atrodo, kad čia geriausiai
tinka MAPLE’as. Juo gautu˛ išvestiniu˛ išraišku˛ neišrašinėsime, nes jos užimtu˛ kelis
puslapius! Mums pakanka tu˛ išvestiniu˛ reikšmiu˛ taškuose ¯ = ( 0 0), o su nulinėmis
ir reikšmėmis didžioji dalis išvestiniu˛ išraišku˛ nariu˛ taip pat virsta nuliais. Gautasias˛
išraiškas šiek tiek sugrupuosime – iš pradžiu˛ išrašysime išvestines tik atžvilgiu, po to
– atžvilgiu ir galiausiai – mišriasias ˛ išvestines:
(¯ ) = (<0 + <1 + <2 + <3 ) ( )
(¯ ) = 2(<1 %1 + <2 %2 + <3 %3 ) ( )
(¯

) = 3 < % 2
+ <2 %22 + <3 %32 / ) 2 ( )
1 1
2
+ 6(<2 %21 %1 + <3 %31 %1 + <3 %32 %2 ) ( )
(¯ ) = 4/ (<1 %13 + <2 %23 + <3 %33 / ) 3 ( )
12/ (<2 %21 %12 + <3 %31 %12 + <3 %32 %22 / )
+
+ 24(<2 %21 %1 %2 + <3 %31 %1 %3 + <3 %32 %2 %3 )
( 2
( )
3
+ 24(<3 %32 %21 %1 ) ( );
(¯ ) = (F0 + F1 + F2 + F3 )( )
(¯ ) = 2(F1 $1 + F2 $2 + F3 $3 ) ( );
(¯ ) = 2(<0 $0 + <1 $1 + <2 $2 + <3 $3 ) ( )

+ 2(F1 %1 + F2 %2 + F3 %3 ) ( )

(¯ ) = 2 <1 %1 $0 + <2 (%20 $0 + %21 $1 )
+ <3 (%30 $0 + %31 $1 + %32 $2 )
( 2
( )
+ 2(<1 $1 %1 + <2 $2 %2 + <3 $3 %3 ) ( )
+ 2(F2 %21 %1 + F3 %31 %1 + F3 %32 %2
+ <2 $21 %1 + <3 $31 %1 + <3 $32 %2 ) ( )

+2 F % 2
+ F2 %22 + F3 %32 / ) 2
( )
1 1
Pastebėkime, kad išvestinėse atžvilgiu dalyvauja tik koeficientas , atžvilgiu – tik

, o mišriose išvestinėse – abu koeficientai. Visas daliniu˛ išvestiniu˛ reikšmes i˛raš˛e i˛
(S2) lygtis, RK aproksimacijos parametrams gauname 15 salyg ˛ u,˛ kuriu˛ pakanka, kad
aproksimacija būtu˛ antrosios eilės (kaip silpnoji aproksimacija):
<0 + <1 + <2 + <3 = 1 ( 1)

1
<1 %1 + <2 %2 + <3 %3 = ( 2)
2
1
<1 %1 + <2 %2 + <3 %3 =
2 2 2
( 3)
3
1
<2 %21 %1 + <3 %31 %1 + <3 %32 %2 = ( 4)
6
1
<1 %13 + <2 %23 + <3 %33 = ( 5)
<2 %21 %12 + <3 %31 %12 + <3 %32 %22
4
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 .

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
Klasikinis RK metodas 38 taisyklė

Taigi gera pradžia – galime sakyti, kad 10 koeficientu˛ jau turime. Parinkti likusius
vienuolika ($ ir F ) galime patikėti kompiuteriui. Papildomai pareikalav˛e, kad nuli-
niu˛ parametru˛ būtu˛ kuo daugiau (kuo daugiau nuliuku,˛ tuo mažiau skaičiavimu˛ ir tuo
greičiau), galime tikėtis gan simpatišku˛ lenteliu.˛ Čia pateiksime du geriausius antro-
sios eilės silpnuj
˛ u˛ RK aproksimaciju˛ pavyzdžius, kuriuos pavyko gauti klasikinio RK
metodo ir 3 8 taisyklės pagrindu:
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

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).
11.5 pav. Rungės–Kuto aproksimacijos: stora linija – tikrosios vidurkio E ( ) reikš-

mės, plona linija – Rungės–Kuto 2-osios eilės aproksimacija (dešiniajame paveiksle
beveik susiliejusi su tikruoju vidurkiu), brūkšninė linija – Hoino aproksimacija.
185
.

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.
12.1 pav. Tipiška dvimačio Brauno judesio

= (
1
2 ) trajektorija ( [0 5]; Brauno
judesio reikšmės sugeneruotos su žingsniu Δ = 0001).
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
1.7 skirsnio 2 pastaba,˛ kiekvienos daugiamačio Brauno judesio koordinatės isto-

rija˛
patogu (ir galima) laikyti sutampančia su viso Brauno judesio istorija
.

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
arba diferencialiniu pavidalu

d = (
) d + (
) d
= 1 ,

=1
Dažnai ja˛ patogu užrašyti ir vektoriniu pavidalu

9 1 < 9 < 9 < 9 1 <
: == = :: . ==( ) d + :: ==( ) d:: ==

1 11 12 1
d:
2
2
; .. > ;. > ; > ; .. >

2 21 22 2

.. .. .. ..
. . . . . . .

1 2

arba trumpai
d
= (
) d + (
) d
su vektoriniu ir matriciniu koeficientais = ( = 1 ,): IR IR &

bei = ( = 1 , = 1 ): IR

IR . Todėl stochastiniu˛ &
12. Daugiamatės stochastinės analizės elementai 187
diferencialiniu˛ lygčiu˛ sistema˛ galime interpretuoti kaip viena˛ daugiamat˛e stochastin˛e

diferencialin˛e lygt˛i.
Jei funkcijos visos koordinatės ir funkcijos visi matriciniai elementai yra
Lipšico funkcijos, ši stochastinė diferencialinė lygtis turi vienintel˛i sprendin˛i.
Daugiamatės stochastinės diferencialinės lygtys ne tik apibendrina vienamates, bet
kartais leidžia užrašyti vektoriniu pavidalu kai kurias skaliarines stochastines lygtis,
kuriu˛ negalima užrašyti vienamate stochastine diferencialine lygtimi, kaip tai daroma
5 skyriuje. Pavyzdžiui, pasitaiko, kad vienamatės lygties koeficientai yra ne tik spren-
dinio ir laiko funkcijos, bet priklauso ir nuo lygt˛i „valdančio“ (pavyzdžiui, vienamačio)
Brauno judesio :

= (

) d + (

) d

Pažymėjus
= (
1
2 ) := (

), tokia˛ lygt˛i galima užrašyti kaip i˛prastin˛e dvi-
( )
mat˛e stochastin˛e diferencialin˛e lygt˛i

(
)

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

kuria˛ modeliuoja dvimatė stochastinė diferencialinė lygtis su vienamačiu Brauno jude-

siu

2
0

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
čia @ ir , = 1 , yra tokie suderinti atsitiktiniai procesai, kad nurodyti integ-

ralai egzistuoja (b.t.), t.y.

@ d +
ir 2

d + b.t.
0 0
Tokiu atveju sakoma, kad procesas turi stochastin˛i diferenciala˛

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.
Dvieju˛ Ito procesu˛

= + @ d +

0 d ir = + @ d +
d

0

=1 =1
, [0 ].
0 0 0 0
kovariacija vadinamas atsitiktinis procesas :=

=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
arba matriciniu diferencialiniu pavidalu
d
= (
) d + (
) d
Æ
Jei koeficientai , tai ši lygtis ekvivalenti daugiamatei Ito lygčiai

2
d
= ˜(
) d + (
) d

kurioje poslinkio koeficientas ˜ = (˜1 ˜2 ˜ ) yra išreiškiamas lygybe
1
E
˜ = + = 1 ,
E$
$
2 $ =1 =1
12.5. Ito formulė daugiamačiams Ito procesams. Jei

[0 ]

= 0 + @ d +

$ d$
$ =1
0 0
= 1 ,, yra Ito procesai ir # ([0 ] & IR ), tai

2
# ( ) # (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
12.6. Tiesinės stochastinės diferencialinės lygtys. Bendrasis daugiamatės tiesinės stochas-

tinės diferencialinės lygties pavidalas yra

d
= 1 ( )
+ 2 ( ) d + 1 ( )
+ 2 ( ) d

=1
o išplėstinis –

d
= 1' ( )
' + 2 ( ) d + 1' ( )
' + 2 ( ) d

' =1 =1 ' =1
= 1 ,; čia 1 , 1 , = 1 , – (neatsitiktinės) , , matricinės funkcijos, &

2 , 2 , = 1 , – ,-matės vektorinės funkcijos. Jos sprendinys yra ,-matis
atsitiktinis procesas
)

*

= Φ
0 + Φ 1 2 ( )
1 ( )2 ( ) d + Φ 1 2 ( ) d

=1 =1
0 0
0; čia Φ – , & , matricinis atsitiktinis procesas, kuris yra stochastinės diferencia-

linės lygties

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
Pavyzdžiui, kai turime lygt˛i su keliais nepriklausomais adityviaisiais triukšmais, t.y.

visos 1
0 (nulinės matricos), tai Φ

= exp 1 ir todėl tokios lygties sprendinys
yra
)

*

= e 1
0 + e 1
2 ( ) d + 1
e 2 ( ) d

0
=1
0 0
12.7. Difuziniai procesai. Daugiamatės stochastinės diferencialinės lygties

d
= (
) d + (
) d
1
Matricos eksponentė apibrėžiama matricu˛ eilute exp = e :=
!.

=0
su vektoriniu ir matriciniu koeficientais = ( = 1 ,): IR IR bei

= ( = 1 , = 1 ): IR

IR , tenkinančiais Lipšico saly-
˛
ga,˛ sprendiniai su pradine salyga
˛
0 = , IR , apibrėžia homogenin˛i difuzin˛i
Markovo procesa˛ su reikšmėmis erdvėje IR . Jo generatorius (arba infinitezimalinis
operatorius) , kaip ir anksčiau, apibrėžiamas lygybe
( ) = 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
Jis, be to, tenkina ir tiesiogin˛e Kolmogorovo (Fokerio–Planko) lygt˛i

E" ( )
E
= " ( )

! 0 IR
Čia operatorius , formaliai jungtinis operatoriui , išreiškiamas lygybe

EE () () + 21 EEE ( IR
2
( ) =

) ( ) ( )

=1 =1
Daugiamačio difuzinio proceso stacionarusis tankis "0 = "0 ( ), IR , apibrėžia-

mas visiškai analogiškai vienamačiam atvejui, taip pat tenkina tiesiogin˛e Kolmogorovo
(Fokerio–Planko) lygt˛i "0 = 0.
Feinmano–Kaco formulė (9.13 teorema) taip pat yra teisinga su akivaizdžiu tiesės
IR pakeitimu erdve IR .
12.8. Stochastiniu˛ diferencialiniu˛ lygčiu˛ sprendiniu˛ aproksimacijos. ,-matės stochasti-

nės diferencialinės lygties (su -mačiu valdančiuoju Brauno judesiu )

= + ( ) 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

Δ'$4 ' = "5;

4
+
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

Tada dydžiu˛ Δ' ir Δ' generavimo išvengiama pasinaudojus lygybėmis Δ +

$4 4$ $4
Δ = Δ'$ Δ' , kai 9 = F , ir Δ' + Δ' = (Δ'$ )2 5, kai 9 = F .

4$ 4 $4 4$

4

/

0

,! #(

193
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
Sprendinys Vongo–Zakajo stochastiniams

fundamentalusis 135 integralams 100
fundamentalusis lygties 106 Tikimybė 13
stochastinės diferencialinės lygties 76 perėjimo 122
Stabilumas salyginė
˛ 19, 20
Stratonovičiaus integralu˛ 100 Tolydumas
Stratonovičiaus SDL 102
stochastinio integralo 66
Taisyklė Trajektorija
vidurkiu˛ iteracijos 21 atsitiktinio proceso 26
Tankis Triukšmas
atsitiktinio dydžio 17
adityvusis 44, 107, 141
bendrasis 18
baltasis 36
perėjimo 121
multiplikatyvusis 44, 108, 144
salyginis
˛ 20
stacionarusis 135, 139, 191 Variacija
Taškas Brauno judesio 48
nestabilusis pusiausvyros 142 Brauno judesio kvadratinė 47
pusiausvyros 142 funkcijos 46
stabilusis pusiausvyros 142 Ito proceso kvadratinė 89
Teorema
kvadratinė 188
apie mažoruota˛ konvergavima˛ 24
martingalo kvadratinė 85
centrinė ribinė 27
Fubinio 25 Vidurkis
Kolmogorovo 26 atsitiktinio dydžio 16
Lebego 24 salyginis
˛ 20, 21
sprendiniu˛ palyginimo 118 TSDL sprendiniu˛ 109
Vongo–Zakajo stochastinėms diferen- Virsmas
cialinėms lygtims. 105 triukšmo indukuotas 146
197
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.

Stochan

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Stochan

Uploaded by

Copyright:

Available Formats

 

Vilniaus universiteto leidykla

Vadovėlis parengtas parėmus Lietuvos valstybiniam

ISBN 9986–19–804–6 c Vilniaus universiteto leidykla, 2005

          

dispersija, atsitiktiniu˛ dydžiu˛ nepriklausomumas ir kt. Taikytojui „atsitiktinuma“ ˛ iš-

su matematiškai griežta stochastinės analizės teorija. Šiame lygmenyje parašyti ko-

Norint stochastinės analizės žinias pritaikyti realiu˛ atsitiktiniu˛ procesu˛ tyrimui ar

aibiu˛ (˛ivykiu) ˛ ir  sankirta

  ( ) aibė visu˛ funkciju˛  :   IR, turinčiu˛ tolydžias išvestines iki

durkio prasme i˛ atsitiktin˛i dyd˛i  (0.8 skyrelis)

konvergavimas pagal skirstin˛i) i˛ atsitiktin˛i dyd˛i  (0.8 skyre-

  atsitiktinio proceso  (Ito) integralas Ito proceso  atžvilgiu

  Ito proceso  Stratonovičiaus integralas Ito proceso  atžvil-

   giu (7 skyrius)

2a pavyzdys. I˛sivaizduokime, kad nutarėme pamatuoti lauko temperatūra.˛ Tokio

žodžiais nusakyta˛ i˛vyk˛i atitinka erdvės Ω = IR24 poaibis   1

(2b pavyzdys) arba erdvės Ω =  [0  ] poaibis  Ω: 24 

I˛vykio tikimybė P( ) intuityviai suvokiama kaip subjektyvus arba objektyvus

0.3. Atsitiktinio dydžio charakteristikos. Atsitiktinio dydžio  skirstiniu2 vadinama tiki-

3) # – didėjanti tolydi iš kairės funkcija, t.y. lim  # ( ) = # ( ), IR.

Teisingas ir atvirkščias teiginys: kiekviena funkcija # , tenkinanti šias tris salygas,

Dviem dažniausiai pasitaikantiems atsitiktiniu˛ dydžiu˛ tipams vidurk˛i galima apibrėžti

Vidurkis turi tiesiškumo savyb˛e: jei  ir  – atsitiktiniai dydžiai, $ % – realieji

Tokiu atveju rašoma  

Nagrinėjant ne viena,˛ o kelis atsitiktinius dydžius, paprastai nepakanka žinoti kiek-

# (   ) = " () * ) d) d*    IR

E+ = E (  ) =  (   )" (   ) d d

Be to, jie abu yra tolydūs ir ju˛ tankiai per bendraj˛

" ( ) = " (   ) d  IR

" ( ) = " (   ) d    IR

Panašiai apibrėžiamos daugiau nei dvieju˛ atsitiktiniu˛ dydžiu˛ pasiskirstymo funkci-

= P( )P(  )P(   )  P(     

Su kiekviena fiksuota reikšme  salyginė tikimybė P  =  , kaip i˛vykio funk- 

Šio atsitiktinio dydžio  salyginė

kitaip tariant, i˛vykyje . salyginis

0  . Sakoma, kad atsitiktiniai dydžiai  ,   , yra nepriklausomi, jei su bet ko-

0.8. Atsitiktiniu˛ dydžiu˛ konvergavimas. Sakykime,  ir  ,   IN, – atsitiktiniai dydžiai.

c) kvadratinio vidurkio prasme (arba  prasme), jei

(rašysime    arba  -lim

d) silpnai (arba pagal skirstin˛i), jei su visomis  

visuose ribinės pasiskirstymo funkcijos # = # tolydumo taškuose IR. 

Jei    (konstanta), tai   .

Jei   ir    beveik tikrai, pagal tikimyb˛e arba kvadratinio vidurkio

(trumpai:     0,  ,  ). Koši kriterijus tvirtina, kad kiekviena funda-

atsitiktinis dydis  , kad    , kai   .

Konvergavimui pagal tikimyb˛e patikrinti gana dažnai naudojamas ir toks kriterijus:

jei konverguoja jos nariu˛ 2 normu˛ eilutė, t.y. =1  2 

kuri teisinga gana bendromis salygomis

1.1 pav. trajektorija.

Iš CRT taip pat turime, kad

Čia pasinaudojome tuo, kad [ ]    , kai   , su visais  0. Tai matyti iš

proceso. Kitaip tariant, ar galima vienoje tikimybinėje erdvėje (Ω  P) sukonstruoti

Prieš atsakydami i˛ š˛i klausima,˛ nubraižykime 

su visais rinkiniais 0        , &  IR,  = 1 2  ,   IN. Šia˛

 (baigtiniamačiu˛ skirstiniu˛ prasme). Procesas  vadinamas Brauno judesiu (arba

Antra vertus, remiantis CRT,

 4[ ]+1 + 4[ ]+2 +

čia 4   (0 1).

yra nepriklausomi (skaitiklyje su skirtingais  sumuojami skirtingi nepriklausomi at-

sio tolydumas išplaukia iš Kolmogorovo teoremos, imant $ = 4, % = 1,  = 3 ir bet

I˛rodymas. 1) Iš pradžiu˛ pateiksime i˛rodymo idėja.˛ Su kiekvienu 5 ! 0 pokytis

˛ i  !  , atsiras toks (atsitiktinis)

aibiu˛ (˛ivykiu) ˛ ir sankirta

( ) aibė visu˛ funkciju˛ : IR, turinčiu˛ tolydžias išvestines iki

durkio prasme i˛ atsitiktin˛i dyd˛i (0.8 skyrelis)

konvergavimas pagal skirstin˛i) i˛ atsitiktin˛i dyd˛i (0.8 skyre-

atsitiktinio proceso (Ito) integralas Ito proceso atžvilgiu

Ito proceso Stratonovičiaus integralas Ito proceso atžvil-

giu (7 skyrius)

žodžiais nusakyta˛ i˛vyk˛i atitinka erdvės Ω = IR24 poaibis 1

(2b pavyzdys) arba erdvės Ω = [0 ] poaibis Ω: 24

I˛vykio tikimybė P() intuityviai suvokiama kaip subjektyvus arba objektyvus

0.3. Atsitiktinio dydžio charakteristikos. Atsitiktinio dydžio skirstiniu2 vadinama tiki-

3) # – didėjanti tolydi iš kairės funkcija, t.y. lim # ( ) = # ( ), IR.

Vidurkis turi tiesiškumo savyb˛e: jei ir – atsitiktiniai dydžiai, $ % – realieji

Tokiu atveju rašoma

# ( ) = " () * ) d) d* IR

E+ = E ( ) = ( )" ( ) d d

" ( ) = " ( ) d IR

" ( ) = " ( ) d IR

= P( )P( )P( ) P(

Su kiekviena fiksuota reikšme salyginė tikimybė P = , kaip i˛vykio funk-

Šio atsitiktinio dydžio salyginė

kitaip tariant, i˛vykyje . salyginis

0 . Sakoma, kad atsitiktiniai dydžiai , , yra nepriklausomi, jei su bet ko-

0.8. Atsitiktiniu˛ dydžiu˛ konvergavimas. Sakykime, ir , IN, – atsitiktiniai dydžiai.

c) kvadratinio vidurkio prasme (arba prasme), jei

(rašysime arba -lim

d) silpnai (arba pagal skirstin˛i), jei su visomis

visuose ribinės pasiskirstymo funkcijos # = # tolydumo taškuose IR.

Jei (konstanta), tai .

Jei ir beveik tikrai, pagal tikimyb˛e arba kvadratinio vidurkio

(trumpai: 0, , ). Koši kriterijus tvirtina, kad kiekviena funda-

atsitiktinis dydis , kad , kai .

jei konverguoja jos nariu˛ 2 normu˛ eilutė, t.y. =1 2

Čia pasinaudojome tuo, kad [ ] , kai , su visais 0. Tai matyti iš

proceso. Kitaip tariant, ar galima vienoje tikimybinėje erdvėje (Ω P) sukonstruoti

Prieš atsakydami i˛ š˛i klausima,˛ nubraižykime

su visais rinkiniais 0 , & IR, = 1 2 , IN. Šia˛

(baigtiniamačiu˛ skirstiniu˛ prasme). Procesas vadinamas Brauno judesiu (arba

4[ ]+1 + 4[ ]+2 +

čia 4 (0 1).

yra nepriklausomi (skaitiklyje su skirtingais sumuojami skirtingi nepriklausomi at-

sio tolydumas išplaukia iš Kolmogorovo teoremos, imant $ = 4, % = 1, = 3 ir bet

˛ i ! , atsiras toks (atsitiktinis)

kai ,, tai savo ruožtu pakanka i˛rodyti, kad su visais IN

Kadangi i˛vykiai , = + 1 + 2 + 3, yra nepriklausomi ir

sup == =

1.5. Apibrėžimas. Sakysime, kad atsitiktinis dydis priklauso klasei

1.6. Teiginys. Jei

Iš čia matome (0.7 skirsnis, 1) savybė), kad toks atsitiktinis dydis # ,

3 = sup = lim max ;

Visus šiuos gana paprastus pavyzdžius galima užrašyti pavidalu = # ( ) su

Laužtiniu˛ procesu˛ tipišku˛ trajektoriju˛ palyginimui su laiptiniu˛ procesu˛ tra-

7 d 7 = +1 = 0 1 2

= . Natūralu susitarti, kad ir IR ( ) d = lim IR ( ) d = 1. Šie faktai ir

interpretuojami kaip lygybė ( ) = ( ) = Æ ( ).

Pastebėkime, kad dešinėje yra funkcijos (

kurios sprendinys yra

kurios sprendinys, kai 0 , yra

Paėm˛e = &, gautume lygt˛i

8 9 9

( ) d/ ( ) = lim (4 ) / ( +1 )

( ) d/ ( ) := lim (4 ) / (+1 )

čia sup imamas pagal visus intervalo [ ] skaidinius = 0 1 2 = ,

– integruojama intervale [ ] funkcija, tai 8 (/ ) = 5( ) d ir ( ) d/ ( ) =

I˛rodymas. Praleisdami indeksus (bet turėdami juos mintyje), žymėsime

Δ = (+1 ) ( )

Remiantis 3.1 teorema, Δ2 2

Brauno judesiu ) intervale [0 ], jei su visais [0 ].

[0 ] žymėsime aib˛e visu˛ suderintu˛ intervale [0 ] atsitiktiniu˛ procesu˛ , su

Funkcija turi i˛prastines normos savybes:

sutampančiais bet kokius du procesus [0 ], su kuriais

ji yra ir Hilberto erdvė su skaliarine sandauga ( ) := E

3.4. Apibrėžimas. Suderintasis atsitiktinis procesas =

Pastabos. 1. Apibrėždami stochastin˛i integrala˛ intervale [1 2 ]

Paskutinėje lygybėje pasinaudojome tuo, kad E(Δ ) = 0.

Pastebėkime, kad jei 1 , o +

4. Du kartus pasinaudoj˛e elementaria skaitine tapatybe = (( +)2 ( )2 ) 4

=E $ Δ Δ Δ Δ$

= E( $ Δ Δ Δ Δ$ )

= 4 +6 +4 + E( $ Δ Δ Δ Δ$ )