Vilniaus pedagoginis universitetas

Matematikos ir informatikos fakultetas

Algebros ir statistikos katedra

Kstutis Kubilius
ATSITIKTINIAI PROCESAI
Vadovlis

Vilnius, 2008

Vadovlis apsvarstytas Vilniaus pedagoginio universiteto

Matematikos ir informatikos fakulteto Algebros ir statistikos katedros posdyje
2008 m. gruodio 16 d. (protokolo Nr. 9), Vilniaus pedagoginio universiteto
Matematikos ir informatikos fakulteto tarybos posdyje 2008 m. gruodio 30 d.
(protokolo Nr. 1) ir rekomenduotas spausdinti.

Recenzentai:
prof. habil. dr. Romanas Janukeviius (Vilniaus pedagoginis universitetas)
dr. Dalius Pumputis (Vilniaus pedagoginis universitetas)

ISBN 978-9955-20-386-5

Kstutis Kubilius, 2008

Vilniaus pedagoginis universitetas, 2008

Turinys
vadas

iii

1 Pagrindins tikimybi teorijos svokos ir apibrimai

1.1. Tikimybin erdv . . . . . . . . . . . . . . . . . . . . . .
1.2. -algebra . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Atsitiktiniai dydiai, j skirstiniai ir vidurkiai . . . . . .
1.4. Atsitiktini dydi konvergavimas . . . . . . . . . . . .
1.5. Nepriklausomumas . . . . . . . . . . . . . . . . . . . . .
1.6. Slygins tikimybs ir slyginiai vidurkiai . . . . . . . .
1.7. Slyginis tankis . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

1
1
2
4
10
12
14
18

2 Atsitiktiniai procesai
2.1. Atsitiktinio proceso svoka . . . . . . . . . . . . . . .
2.2. Brauno judesys ir jo savybs . . . . . . . . . . . . . .
2.3. Gauso procesas . . . . . . . . . . . . . . . . . . . . . .
2.4. Markovo grandins . . . . . . . . . . . . . . . . . . . .
2.5. Markovo procesai . . . . . . . . . . . . . . . . . . . . .
2.6. Diskretaus laiko martingalai . . . . . . . . . . . . . . .
2.7. Tolydaus laiko martingalai . . . . . . . . . . . . . . . .
2.8. Kvadratu integruojami martingalai . . . . . . . . . . .
2.9. Stochastinis integralas Brauno judesio atvilgiu . . . .
2.10. Stochastinis diferencialas ir Ito formul . . . . . . . . .
2.11. Stochastins diferencialins lygtys . . . . . . . . . . . .
2.12. Stochastini diferencialini lygi skaitinis sprendimas

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

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

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

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

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

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

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

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

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

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

20
20
22
25
30
31
33
37
39
40
50
53
57

3 Taikymas statistikoje
3.1. Didij skaii dsnis ir CRT . . . . . . . . .
3.1.1. Nepriklausomi atsitiktiniai dydiai . . .
3.1.2. Martingalai . . . . . . . . . . . . . . . .
3.2. Didiausio tiktinumo metodas . . . . . . . . .
3.3. Mat absoliutus tolydumas . . . . . . . . . . .
3.3.1. AR(1) modelis . . . . . . . . . . . . . .
3.3.2. Difuziniai procesai . . . . . . . . . . . .
3.4. Didiausio tiktinumo veriai ir j asimptotika

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

62
62
62
64
65
66
66
68
69

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

ii

Turinys
3.4.1. AR(1) modelis . . . . . . . . . . . .
3.4.2. Ornteino-Ulenbeko procesas . . . .
3.5. Didiausio tiktinumo veri aproksimacija
3.6. Markovo savybs taikymas . . . . . . . . . .
3.7. Difuzijos parametro vertinys . . . . . . . .
Literatra

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

69
71
75
76
77
79

vadas
iuolaikin proces teorija yra labai plati ir ji domi ne tik matematikams. Taikant jos
metodus, kuriami modeliai ir tiriamos j savybs vairiose gamtos moksl srityse. Todl
norint supaindinti bent su pagrindinmis proces teorijos svokomis ir taikomais joje
metodais, reikia susikoncentruoti ties kai kuriomis proces klasmis ir sprendiamais
udaviniais.
Atsitiktini proces kursai skaitomi visuose universitetuose. iame vadovlyje pateikta mediaga buvo skaityta VPU ir VGTU studentams. vedus naujas svokas ar
suformulavus teiginius, stengiamasi juos iliustruoti vairiais pavyzdiais ir udaviniais,
siekiant atskleisti svok ir teigini turin.
Vadovlio pirmojoje dalyje didelis dmesys yra skiriamas tikimybi teorijos faktams,
apie kuriuos maai kalbama standartiniuose tikimybi teorijos kursuose. Antrojoje dalyje vedama atsitiktinio proceso svoka ir kai kurios pagrindins proces klass bei
j savybs. Ypatingas dmesys skiriamas Brauno judesiui, Gauso procesui ir j savybms. Apibriamas stochastinis integralas Brauno judesio atvilgiu, stochastinis
diferencialas, Ito formul, aikinama stochastins diferencialins lygties samprata ir j
skaitiniai sprendimo metodai. Treioji dalis skirta statistini veri konstravimui ir j
asimptotini savybi tyrimui. Nagrinjami AR(1) ir Ornteino-Ulenbeko procesai.
Teorem, teigini, lem, apibrim, pastab numeracija kiekviename skyriuje yra
itisin. Pavyzdiai numeruojami kiekviename skyrelyje atskirai. Udavini numeracija
kiekviename skyriuje yra itisin. Simbolis naudojamas paymti pabaig.

1 skyrius

Pagrindins tikimybi teorijos

svokos ir apibrimai
1.1.

Tikimybin erdv

Vis galim elementarij vyki erdvs poaibi sistem ymsime 2 . vyki erdv
tuomet yra aibs 2 poaibis F, sudarytas i vis leidiam vyki, t. y. i vyki,
kuriems mes priskiriame tikimybes. Poaibis F yra ne bet koks, bet turintis tam tikras
savybes.
1.1 apibrimas. Sakysime, kad F 2 yra -algebra, jei
a)

F;

b)

jei A F,

tai A F;

c)

jei Ai F

bet kokiems i N,

tai

Ai F,

i=1

ia A yra aibs A papildinys.

1.2 pastaba. I deMorgano dsni nesunku gauti, kad jei Ai F visiems i N ir F
T
yra -algebra, tai
i=1 Ai F.
1.3 apibrimas. Por (, F), ia F aibs poaibi -algebra, vadinsime maia erdve. Duotai maiai erdvei tikimybinis matas P yra funkcija P : F [0, 1],
tenkinanti savybes:
a)

0 P(A) 1,

b)

P() = 1;

c)

P(A) =
A=

k=1

A F;

P(Ak ),

jei

Ak yra skaiti nesikertani aibi Ak F sjunga.

k=1

1 skyrius. Pagrindins tikimybi teorijos svokos ir apibrimai

Tikimybin erdv yra trejetas (, F, P), ia P yra tikimybinis matas maioje erdvje (, F).

1.2.

-algebra

Aibi, kurios sudaro -algebr F, ivardijimas nra praktikas pasirinkimas, kai

nra skaiti. Daniausiai tariame, kad tam tikros aibs generuoja ms -algebr, t. y.
imama maiausia -algebra, kuri eina mus dominanios aibs.
1.4 apibrimas. Duotam poaibi rinkiniui A (parametras nebtinai priklauso
skaiiai aibei) maiausi -algebr F, kuriai A F visiems , ymsime (A ).
(A ) vadinsime -algebra, generuot aibi A , t. y.
(A ) =

\n

G : G 2 yra -algebra, A G visiems .

Skirtingos aibs gali generuoti t pai -algebr.

Pavyzdys. Tarkime, = {1, 2, 3}. Aiku, kad ({1}) = ({2, 3}) = {, {1},
{2, 3}, {1, 2, 3}}.
Labai svarbus generuotos -algebros pavyzdys yra Borelio -algebra tiesje, kuri
galime apibrti


B(R) = {(a, b) : a, b R} .
Borelio -algebros B(R) aibs vadinamos Borelio aibmis.
Priminsime, kad jei aibi rinkinys A yra -algebros G poaibis, tai (A) G. Vadinasi, norint parodyti, kad (A )=(B ) dviem skirtingoms aibi sistemoms {A } ir
{B }, reikia rodyti, kad A (B ) visiems ir kad B (A ) visiems .
Pavyzdiui, nagrinkime

B(Q) = {(a, b) : a, b Q} ,

Q racionalij skaii seka.

Norint rodyti lygyb B(Q) = B(R) mums pakanka parodyti, kad bet koks intervalas
(a, b) B(Q). fakt gauname i to, kad bet kokiems realiesiems skaiiams a < b
egzistuoja tokie racionalieji skaiiai qn < rn , kad qn a, rn b ir
(a, b) =

(qn , rn ) B(Q).

1.5 teiginys. Teisingos lygybs

({(a, b) : a < b R}) = ({([a, b] : a < b R}) =
= ({(, b] : b R}) =
= ({(, b] : b Q}) =
= ({atviros aibs

O : O R}).

1.6 pastaba. Kiekviena atvira aib O R yra skaiti aibi (a, b) sjunga, ia a, b Q.

1.2. -algebra

Borelio -algebr B(R) galime apibrti ir kiek kitaip. Toliau pateikiamas Borelio
-algebros apibrimas yra konstruktyvesnis ir naudingesnis.
Nagrinkime skaii ties R ir (a, b] = {x R : a < x b}, ia a < b < .
Interval (a, ] sutapatinsime su intervalu (a, ). Tuomet intervalo (, b] papildinys
turi norim pavidal, t. y. jis atviras i kairs ir udaras i deins.
Paymkime aibi i R, sudaryt i baigtinio skaiiaus nesikertani interval (a, b]
jungini, sistem raide A, t. y.
A A, jei A =

n
X

(ai , bi ] ir (ai , bi ] (ak , bk ] = , jei i 6= k.

i=1

1.1 udavinys. Tarkime, kad A. rodyti, kad A yra algebra. (Algebros apibrimas
skiriasi nuo -algebros apibrimo tik treia slyga, t. y. 1.1 apibrime punkt c) pakeiiame c), jei A, B A, tai A B A.)
Sprendimas. Sakykime, A = (a1 , b1 ] . . . (an , bn ] yra nagrinjamo pavidalo
aib, t. y. A A. Tuomet A = (, a1 ] (b1 , a2 ] . . . (bn1 , an ] (bn , ] (jei
a1 6= , o bn 6= ) ir jis priklauso A (kai kurie i i interval gali bti tuios
aibs, jei bi sutaps su ai+1 ). Sakykime, B A ir B = (c1 , d1 ] . . . (cm , dm ]. Tada
A B = ni=1 m
j=1 {(ai , bi ] (cj , dj ]}. Kiekviena sankirta yra intervalas (jo pavidalas
(, ] ) arba tuia aib. Gauname nesikertani interval sjungas. Todl A B A.
Taigi A yra algebra.
1
n]

itaip apibrta aibi sistema nra -algebra, nes pamus aibi sek An = (0, 1
A gausime, kad
/ A.
n=1 An = (0, 1)

1.2 udavinys. Paymkime I = {(a, b] : a, b R} A. rodysime, kad (I) =

(A) = B(R).
Sprendimas. Aiku, kad I A. Kadangi

\

(a, b] =

a, b +

n=1

1
,
n

a < b,

tai (I) (A) B(R). Belieka rodyti, kad (a, b) (I). Tai iplaukia i lygybs
(a, b) =


[

a, b

n=1

1i
,
n

a < b.

Pastebsime, kad
[a, b) =
{a} =


\
n=1

\
n=1

1 
,b ,
n

1 i
,a .
n

a<b

Taigi Borelio -algebrai B(R) priklauso ne tik intervalai (a, b), (a, b], bet ir vientaks
aibs {a} bei intervalai [a, b). iai -algebrai, be jau mint interval (a, b], (a, b), [a, b],
[a, b) ir vientaks aibs {a}, priklauso begaliniai intervalai (, b], (, b), (a, ).

1 skyrius. Pagrindins tikimybi teorijos svokos ir apibrimai

1.7 teiginys. Egzistuoja R poaibis, kuris nepriklauso B(R), t. y. ne visos aibs yra
Borelio aibs.
Nepaisant io teiginio, praktikai visos aibs, su kuriomis susiduriame, yra Borelio
aibs.
Daugiamaiu atveju Borelio -algebra B(Rd ) yra apibriama kaip -algebra, generuota daugiakampi I1 . . . Id , ia Ik , k = 1, . . . , d, yra intervalai i R. Galima
rodyti, kad B(R)d = ({B1 . . . Bd }), ia Bk B(R), k = 1, . . . , d.

1.3.

Atsitiktiniai dydiai, j skirstiniai ir vidurkiai

Sakykime, duota tikimybin erdv (, F, P) ir mati erdv (R, B(R)). Atsitiktinis dydis
(toliau a. d.) yra funkcija X : R tokia, kad bet kokiems R aib { : X()
} F. Toki funkcij taip pat vadiname maia funkcija.
(
1, A,
Pavyzdys. Bet kokiai A F funkcija 1A () =
yra a. d., nes
0,
/A

1,
{ : 1A () } = A, 0 < 1, visos ia ivardytos aibs priklauso F. Toks a. d.

, < 0
vadinamas aibs A indikatoriumi.
A. d. apibrime -algebra F vaidina labai svarb vaidmen.
1.3 udavinys. Tarkime, = {1, 2, 3}. Rasti -algebr F toki, kad (, F) bt mati
erdv, ir rasti atvaizd X : R tok, kad X nebt a. d. erdvje (, F).
Sprendimas. Imkime F = {{1, 2, 3}, } triviali -algebr. Tada (, F) mati
erdv. Tarkime, X() = , ia . Tada
{ : X() 1} = {1}
/ F.
Taigi X nra a. d.
1.8 apibrimas. Realiuoju paprastuoju a. d. erdvje (, F) vadiname a. d., gyjant
tik baigtin skaii skirting reikmi.
Jei paprastasis a. d. X() gyja reikmes c1 , . . . , cn ir jos visos yra skirtingos, tai
P
paymj Ak = X 1 (ck ) = { : X() = ck } F, gauname X() = nk=1 ck 1Ak (),
.
1.9 teiginys. Kiekvienam a. d. X() egzistuoja tokia paprastj a. d. seka Xn (),
kad Xn () X(), kai n , kiekvienam fiksuotam .
rodymas. Tarkime,
fn (x) = n1{x>n} +

n 1
n2X

k=0

k2n 1(k2n , (k+1)2n ] (x).

1.3. Atsitiktiniai dydiai, j skirstiniai ir vidurkiai

Jei a. d. X 0, tai Xn = fn (X) yra paprastieji a. d. Kadangi X Xn+1 Xn ir

X() Xn () 2n , kai X() n, tai Xn () X(), kai n , kiekvienam .
Kiekvien a. d. galima urayti dviej neneigiam a. d. suma, t. y. X() =
X+ () X (), ia X+ () = max(X(), 0) ir X () = min(X(), 0). Tuomet
paprastieji a. d. Xn = fn (X+ ) fn (X ) tenkina teiginio reikalavim.
1.10 apibrimas. Sakome, kad a. d. X ir Y , apibrti toje paioje tikimybinje
erdvje (, F, P), yra beveik visur (toliau b. v.) lygs, jei
P ({ : X() 6= Y ()}) = 0.
Raysime X = Y b. v. ir toki a. d. neskirsime.
1.11 lema. Tarkime, E yra tokia aibi sistema, kad (E) = B(R). A. d. = () bus
F matus tada ir tik tada, kai su bet kokiomis aibmis E E vykiai { : () E} F.
1.12 apibrimas. Duotam a. d. X maiausi -algebr F, kurios atvilgiu jis yra
matus erdvje (, F), ymsime (X). -algebr (X) vadinsime -algebra generuota
a. d. X ir pakaitomis j ymsime (X) arba F X . Tegul a. d. X1 , . . . , Xn apibrti
toje paioje tikimybinje erdvje. Maiausi -algebr F, kurios atvilgiu visi Xk , k =
1, . . . , n, yra mats erdvje (, F), ymsime (Xk , k n).
I 1.11 lemos iplaukia, kad
(X) = ({ : X() }) = ({ : X() B}),

B B(R).

(1.1)

Galima rodyti, kad

(Xk , k n) =

 \
n

{ : Xk () Bk } ,

Bk B(R).

k=1

1.13 apibrimas. Funkcij g : R R vadiname Borelio (maia) funkcija, jei g

yra a. d. erdvje (R, B(R)).
Pavyzdiui, visos funkcijos be antros ries trki (tarp j tolydios ir laiptins
funkcijos) yra Borelio.
Funkcija g : Rn R vadinama Borelio, jei g yra a. d. erdvje (Rn , B(Rn )).
1.14 teiginys. Jei g : Rn R yra Borelio funkcija ir X1 , . . . , Xn yra a. d., tai
g(X1 , . . . , Xn ) taip pat yra a. d.
Pavyzdys. Jei X1 ir X2 yra a. d., tai
Xn , R;

X1 + X2 ;

X1 X2

taip pat yra a. d.

Jei a. d. Z yra matus -algebros (Y1 , . . . , Yn ) atvilgiu, tai jo pavidal nusako

1.15 teorema.

1 skyrius. Pagrindins tikimybi teorijos svokos ir apibrimai

1.15 teorema. Jei Z yra a. d. maioje erdvje (, (Y1 , . . . , Yn )), tai egzistuoja Borelio funkcija g : Rn R tokia, kad Z = g(Y1 , . . . , Yn ).
1.16 teorema. Kiekvienam n < , kiekvienai Borelio funkcijai g : Rn R ir a. d.
Y1 , . . . , Yn apibrtiems toje paioje maioje erdvje, teisinga implikacija (g(Y1 , . . . , Yn ))
(Y1 , . . . , Yn ).
1.4 udavinys. Sukonstruoti maios erdvs, joje apibrto a. d. X ir funkcijos pavyzd,
kad
a) (g(X)) = (X), bet g(x) 6= x;
b) (f (X)) (X), bet (f (X)) nesutampa su (X) ir nenagrinjamas trivialios
-algebros pavyzdys.
Sprendimas. a) Imkime = R, B(R) Borelio -algebra, X(x) = x ir g(x) = x.
Tada (X) = (X) = B(R).
b) Tarkime, = R, B(R) Borelio -algebra, X(x) = x ir f (x) = 1(0,1) (x). Tada
(X) = B(R), bet (f (X)) = {, R, (0, 1), (0, 1)} 6= B(R).
1.17 ivada. Sakykime, a. d. Y1 , . . . , Yn ir Z1 , . . . , Zm , apibrti toje paioje tikimybinje erdvje, yra tokie, kad
Zi = gi (Y1 , . . . , Yn ),

1im

ir

Yj = hj (Z1 , . . . , Zm ),

1jn

su tam tikromis Borelio funkcijomis gi : Rn R ir hj : Rm R. Tada

(Y1 , . . . , Yn ) = (Z1 , . . . , Zm ).
1.5 udavinys. Tarkime, turime a. d. sek Y1 , Y2 , . . . ir Zk = Y1 + + Yk , k 1.
rodyti, kad (Y1 , . . . , Yn ) = (Z1 , . . . , Zn ).
Sprendimas. Kiekvienas a. d. Zk yra suma (Y1 , . . . , Yk ) mai a. d. Todl a. d.
Zk yra (Y1 , . . . , Yk ) matus. Vadinasi, (Z1 , . . . , Zk ) (Y1 , . . . , Yk ). Pastebsime,
kad Yk = Zk Zk1 . Todl a. d. Yk yra (Z1 , . . . , Zk ) matus ir (Y1 , . . . , Yk )
(Z1 , . . . , Zk ). Vadinasi, (Y1 , . . . , Yk ) = (Z1 , . . . , Zk ).
Kalbant apie -algebras, yra dar viena svarbi svoka -algebros papildymas.
1.18 apibrimas. Sakome, kad (, F, P) yra pilna tikimybin erdv, jei kiekvienas
aibs B poaibis N , N B F, kuriam P(B) = 0, taip pat priklauso F. T. y. -algebra
tampa pilna, jei j papildome nulinio mato aibs visais poaibiais.
1.19 apibrimas. A. d. X tikimybi skirstiniu (pasiskirstymu), ymimu PX ,
vadinamas tikimybinis matas apibrtas (R, B(R)) toks, kad PX (B) = P({ : X()
B}) kiekvienai Borelio aibei B.
Pastebsime, kad jei X = Y b. v., tai ir PX = PY .

1.3. Atsitiktiniai dydiai, j skirstiniai ir vidurkiai

1.20 apibrimas. Funkcija FX (x) = P({ : X() x}) = PX ((, x]), x R,

vadinama a. d. X pasiskirstymo funkcija. (Nelygybs enklai ir < keiia tik pasiskirstymo funkcijos savybes. Pirmuoju atveju ji tolydi i deins, o antruoju tolydi
i kairs.)
1.21 teiginys. Pasiskirstymo funkcija FX vienareikmikai apibria a. d. X tikimybin skirstin PX .
Tarkime, X = X() neneigiamas a. d. ir (Xn ) yra paprastj a. d. seka, tokia,
kad Xn () X(), n kiekvienam . I 1.9 teiginio inome, kad tokia seka
visada egzistuoja.
Kadangi EXn EXn+1 , tai egzistuoja vidurkio EXn riba, kuri gali gyti ir reikm
+.
1.22 apibrimas. Neneigiamo a. d. X matematiniu vidurkiu vadinamas skaiius
EX = lim EXn .
n

is apibrimas yra korektikas, nes nepriklauso nuo sekos (Xn ) parinkimo.

1.23 apibrimas. Sakoma, kad egzistuoja a. d. X matematinis vidurkis EX, arba
jis apibrtas, jei bent vienas i dydi EX + arba EX yra baigtinis. Tada pagal
apibrim
EX EX + EX ,

ia X + = max(X, 0),

X = min(X, 0).

Matematinis vidurkis EX dar vadinamas funkcijos X Lebego integralu tikimybinio

mato P atvilgiu. Tai uraoma
Z

EX =

Xd P =

X()P(d).

Sakoma, kad a. d. X yra integruojamas, jei E|X| < , t. y.

EX + <

ir EX < .

1.24 teiginys. A. d. X yra integruojamas tada ir tik tada, kai E[|X|1|X|>M ] 0,

M .
1.25 apibrimas. Sakome, kad a. d. X turi tank fX , jei jo pasiskirstymo funkcij
FX galime urayti
Z x
FX (x) =
fX (y) dy

visiems x R. Tankis yra neneigiama funkcija ir R fX (x) dx = 1. Tokia FX yra tolydi

d
FX (x) = fX (x) beveik visiems x R.
ir beveik visur diferencijuojama, t. y. dx
1.26 teiginys. Jei a. d. X turi tank fX ir h : R
R yra Borelio funkcija, tai a. d.
R
Y = h(X)
yra
integruojamas
tada
ir
tik
tada,
kai
|h(x)|fX (x) dx < . iuo atveju
R
EX = h(x)fX (x) dx.

1 skyrius. Pagrindins tikimybi teorijos svokos ir apibrimai

1.27 apibrimas. A. d. X, kurio tankio funkcija

n (x )2 o
1
fX (x) =
exp
,
2 2
2

x R,

ia R ir > 0, vadinamas neisigimusiu Gauso (arba normaliuoju) a. d., kurio

vidurkis ir dispersija 2 . Tokio dydio skirstinys ymimas N (, 2 ).

1.6 udavinys. Tarkime, X N a, 2 . Apskaiiuokite E exp{X}.

Sprendimas. Pasinaudosime 1.26 teiginiu. Todl
E exp{X} =

1
(x a)2
e exp
2 2
2

(x a)2
exp x
2 2

exp

dx =

dx =

2 2 x x2 + 2ax a2
2 2

dx =

x2 (2a + 2 2 )x + a2
exp
2 2

2 )

x ( 2 + a)
exp
2 2

dx =
(

exp

2
+a
2

x ( 2 + a)
paymkime y :=
, tada dx = dy

1
exp
2

1
exp
2

(
(

2
+a
2

)Z
)

y2
exp
2

2
+ a 2 = exp
2

Taigi

E exp{X} = exp

dx =

dy =
)

2
+a .
2

2
+a .
2
n

1.7 udavinys. Tarkime, W N (, 1), Z = exp W +

ir EZ = 1.

2
2

. rodykite, kad Z > 0,

Sprendimas. 1) Z > 0, nes eksponent visada teigiama.

2) Tarkime, konstantos , R ir > 0. A. d. X + skirstinys yra normalusis,

1.3. Atsitiktiniai dydiai, j skirstiniai ir vidurkiai

jei X N a, 2 . Tai rodysime. Aiku, kad



t 
1
P X + < t = P X <
=

2

(x a)2
exp
2 2

(paymkime y := x + )
1

=
2

Z t

(y a)2
exp
22 2

dx =

dy.

Gavome, kad a. d. X skirstinys yra standartinis normalusis N a + , 2 2 .

Todl
!
!
2
2 2
W +
N , .
2
2
Pritaik ankstesn rezultat (r. 1.6 udavin), gauname
(

2
EZ = E exp W +
2

2 2
= exp +
2
2

= exp{0} = 1.

10

1 skyrius. Pagrindins tikimybi teorijos svokos ir apibrimai

1.4.

Atsitiktini dydi konvergavimas

1.28 apibrimas.
a)

Xn konverguoja X b. v. arba su tikimybe 1, jei



P :

lim Xn () = X() = 1.

n
b. v.

ymsime Xn X
b)

arba

Xn X b. v.

Xn konverguoja X pagal tikimyb, jei kiekvienam > 0

P ( : |Xn () X()| > ) 0, kai n .
P

ymsime Xn X.
c)

Xn konverguoja X Lp prasme, 1 p < , jei

E | Xn X|p 0.
Lp

ymsime Xn X.
d)

Xn konverguoja X pagal pasiskirstym, jei bet kokiai tolydiai aprtai funkcijai f (x)
Ef (Xn ) Ef (X),

kai

n .

ymsime Xn X arba Xn X.
1.29 pastaba. Konvergavimas pagal pasiskirstym (silpnas konvergavimas) yra ekvivalentus pasiskirstymo funkcijos FXn (x) konvergavimui FX (x) kiekviename ribins
pasiskirstymo funkcijos FX (x) tolydumo take. Tai ymima
FXn (x) FX (x).
Pateiksime sek konvergavimo ryi teiginius:
Lp

b. v.

a) i Xn X iplaukia, kad Xn X;
b) i Xn X iplaukia, kad Xn X;
c) i Xn X iplaukia, kad Xn X;
P

b. v.

d) jei Xn X, tai egzistuoja toks posekis nk , kad Xnk X, kai k ;

d

e) jei Xn C, ia C konstanta, tai Xn C.

1.30 teorema (monotoninis konvergavimas). Sakykime, X, Y , X1 , X2 , . . . yra a. d.:
a) jei Xn Y su visais n 1, EY > ir Xn X, tai EXn EX.
b) jei Xn Y su visais n 1, EY < ir Xn X, tai EXn EX.
1.31 ivada. Sakykime, (Xn ) seka neneigiam a. d. Tuomet
E

X
n=1

Xn =

X
n=1

EXn .

1.4. Atsitiktini dydi konvergavimas

11
b. v.

1.32 teorema. Tarkime, kad neneigiam a. d. seka (Xn ) yra tokia, kad Xn X
P
(arba Xn X) ir EXn EX < . Tada
E | Xn X| 0,

kai

n .

1.33 teiginys (Jenseno nelygyb). Sakykime, g() yra ikila apai funkcija, t. y.

g x + (1 )y g(x) + (1 )g(y)

x, y R,

0 1.

Jei X yra integruojamas a. d. ir g(X) irgi integruojamas, tai

g EX E g(X) .
1.34 pastaba. I Jenseno nelygybs gauname, kad
Lp

Lr

Xn X iplaukia Xn X,

jei

0 < r < p.

1.35 apibrimas. Sakysime, kad a. d. seka (Xn ) yra tolygiai integruojama, jei


lim sup E | Xn | 1{| Xn |>M } = 0.

M n

1.36 lema. Tegul a. d. seka (Xn ) tokia, kad | Xn | Y ir EY < . Tada seka (Xn )
yra tolygiai integruojama.
1.37 lema. Tam, kad a. d. seka (Xn ) bt tolygiai integruojama btina ir pakankama,
kad bt patenkintos slygos
a)

sup E| Xn | < ;
n

b)

sup E (| Xn | 1A ) 0,
n

kai

P(A) 0.

Tam, kad seka (Xn ) bt tolygiai integruojama, pakanka, kad

sup E| Xn | 1+ <
n

kokiam nors > 0.

P

1.38 teorema (maoruojamasis konvergavimas). Sakykime, Xn X, |Xn | |Y |

b. v. (visiems n) ir E|Y |r < . Tada
Lr

Xn X.
1.39 ivada (aprtasis konvergavimas). Tarkime, a. d. Xn yra aprti, t. y. egzistuoja
P
konstanta C tokia, kad su visais n teisinga nelygyb |Xn | C. Jei Xn X, tai
r
L
Xn X, r > 1.
d

1.40 teorema. Sakykime, Xn X ir seka a. d. (Xnr ) yra tolygiai integruojama

kokiam nors r > 0. Tada E|X|r < ,
lim EXnr = EX r

ir

lim E|Xn |r = E|X|r .

12

1 skyrius. Pagrindins tikimybi teorijos svokos ir apibrimai

d

1.41 lema (Sluckio). Sakykime, Xn X ir Yn c, ia c yra konstanta. Tada:

d
a) Xn + Yn X + c;
d

b)

Xn Yn cX;

c)

Xn
Yn

X
c,

kai c 6= 0.

1.42 lema (Sluckio). Sakykime, n ir n ,

Tada:
P
(n , n ) (, ).

o (x, y) tolydi funkcija.

1.43 teorema. Sakykime, seka (Xn ) ir X yra k-maiai vektoriai (toliau a. v.), o g
Borelio funkcija. Tada:
b. v.

a)

jeigu

Xn X,

b)

jeigu

c)

jeigu

Xn X,

b. v.

tai

g(Xn ) g(X);

Xn X,

tai

g(Xn ) g(X);

tai

g(Xn ) g(X).

b. v.

1.44 ivada. Sakykime, (Xn ) yra k-mai a. v. seka, X k-matis a. v. Jei Xn X,

P
d
arba Xn X, arba Xn X, tai
AXnT AX T

ir

Xn BXnT XBX T ,

ia Amk ir Bkk matricos, o konvergavimas yra tas pats, koks ir k-mai a. v.

1.5.

Nepriklausomumas

1.45 apibrimas. A. d. X1 , X2 , . . . , Xn , apibrti tikimybinje erdvje (, F, P)

yra nepriklausomi, jei bet kokioms aibms B1 , . . . , Bn B(R)
P(X1 B1 , . . . , Xn Bn ) =

n
Y

P(Xk Bk ).

k=1

1.46 apibrimas. Tegul tikimybinje erdvje (, F, P) duotos -algebros F1 , . . . , Fn ,

kurios yra F poaibiai. -algebros F1 , . . . , Fn yra nepriklausomos, jei bet kokioms
aibms A1 F1 , . . . , An Fn
P(A1 . . . An ) =

n
Y

P(Ak ).

k=1

1.47 teorema. A. d. X1 , . . . , Xn yra nepriklausomi tada ir tik tada, jei tenkinamas

nors vienas i i ekvivaleni teigini:
a)

FX1 , ...,Xn (x1 , . . . , xn ) = P X1 x1 , . . . , Xn xn =

n
Y
k=1

x1 , . . . , xn R;
b)

E exp{i

n
X
k=1

k Xk } =

n
Y
k=1

E exp{ik Xk },

k R.

FXk (xk ),

1.5. Nepriklausomumas

13

1.48 teiginys. Tarkime, X ir Y yra nepriklausomi a. d., f ir g yra tokios B(R)-maios

funkcijos, kad E|f (X)| < , E|g(Y )| < . Tada E|f (X)g(Y )| < ir


E f (X)g(Y ) = Ef (X) Eg(Y ).

1.49 ivada. Tarkime, X1 , . . . , Xn yra tokie nepriklausomi a. d., kad E|Xk | < ,
1 k n. Tada
Y

 n


E
Xk  <

ir

k=1

Y
n

Xk

k=1

n
Y

EXk .

k=1

1.50 apibrimas. Kvadratu integruojami a. d. X ir Y , t. y. EX 2 < ir EY 2 < ,

apibrti toje paioje tikimybinje erdvje, vadinami nekoreliuotais, jei E(XY ) =
EX EY .
1.51 apibrimas. Sakysime, kad a. d. X nepriklauso nuo -algebros G, jei X ir 1B ,
B G, yra nepriklausomi a. d., t. y.

P X A1 , 1B A2 = P X A1 P 1B A2 ,

A1 , A2 B(R) ir B G.

1.52 apibrimas. Dvi -algebros G ir H tokios, kad G, H F vadinamos nepriklausomomis, jei bet kurie du vykiai A G ir B H yra nepriklausomi. Jei turime
baigtin skaii -algebr G1 , . . . , Gn , kurios yra F poaibiai, tai jos yra nepriklausomos,
jei bet kurie n vykiai A1 G1 , . . . , A2 Gn yra nepriklausomi.
1.53 teorema. Jei -algebros G1 ir G2 yra generuotos nepriklausom algebr A1 ir
A2 , tai jos yra nepriklausomos.
1.8 udavinys. rodyti, kad a. d. ir yra nepriklausomi tada ir tik tada, kai j
generuotos -algebros () ir () yra nepriklausomos.
Sprendimas. -agebras () ir () generuoja atitinkamai aibs { A} ir {
B}, ia A ir B yra Borelio aibs i R. Todl () ir () yra nepriklausomos tada ir
tik tada, kai vykiai { A} ir { B} yra nepriklausomi bet kokioms Borelio aibms
A ir B, tai savo ruotu yra ekvivalentu, kad ir yra nepriklausomi.
Udavinio teigin galima apibendrinti.
1.54 teiginys. A. d. 1 , . . . , n yra nepriklausomi tada ir tik tada, kai -algebros
(1 ), . . . (n ) yra nepriklausomos.
1.55 teiginys. Tarkime, 1 ir 2 Borelio funkcijos, o 1 ir 2 nepriklausomi a. d.
Tuomet a. d. 1 (1 ) ir 2 (2 ) taip pat yra nepriklausomi
rodymas. Reikia rodyti, kad

P 1 (1 ) B1 , 2 (2 ) B2 = P 1 (1 ) B1 P 2 (2 ) B2 .
Aibs {x : i (x) Bi } = 1
i (Bi ) yra Borelio. Todl
{ : i (i ) Bi } = { : i 1
i (Bi )}
ir (1.2) lygyb gaunama, kai a. d. 1 ir 2 yra nepriklausomi.

(1.2)

14

1 skyrius. Pagrindins tikimybi teorijos svokos ir apibrimai

1.56 teorema. Tarkime, (n ) yra seka nepriklausom a. d. Bet kokiam k 1 -algebra

(n+k ) nepriklauso nuo (1 , . . . , n ).
Nepriklausomi a. d. yra nekoreliuoti, bet atvirkiai nebtinai.
Pavyzdys. Pateiksime nekoreliuot, bet priklausom a. d. pavyzd. Tegul a. d.
X N (0, 1), o a. d. Z gyja dvi reikmes: P(Z = 1) = P(Z = 1) = 1/2. A. d. X
ir Z yra nepriklausomi. Nagrinsime a. d. Y := Z X. Parodysime, kad X ir Y yra
nekoreliuoti, bet X ir Y nra nepriklausomi. Aiku, kad
E (XY ) = E(X 2 Z) = EX 2 EZ = 0,
nes Z ir X 2 yra nepriklausomi, o EZ = 0 ir EX 2 = 1. Taiau |X| = |Y |, taigi a. d. X
ir Y nra nepriklausomi. Be to, Y N (0, 1). Tikrai,
P(Y y) = P(Y y, Z = 1) + P(Y y, Z = 1) =
= P(X y, Z = 1) + P(X y, Z = 1) =
= P(X y)P(Z = 1) + P(X y)P(Z = 1) =
1
1
= P(X y) + P(X y) = P(X y).
2
2

1.6.

Slygins tikimybs ir slyginiai vidurkiai

1.57 apibrimas. Tegul X a. d., apibrtas tikimybinje erdvje (, F, P) ir integruojamas. A. d. X slyginiu vidurkiu G F atvilgiu vadinamas toks a. d. Z,
apibrtas maioje erdvje (, G), kad
E [(X Z) 1A ] = 0

A G.

Jis ymimas E (X | G). Kai G yra -algebra generuota a. d. Y , t. y. G = (Y ), tai

slyginis vidurkis ymimas E (X | Y ).
Savybs:
a)

Jei C konstanta ir X = C, tai E (X | G) = C (b. v.);

b)

Jei X Y, tai E (X | G) E (X | G) (b. v.);

c)

|E (X | G) | E (|X| | G) (b. v.);

d)

E (X + Y | G) = E (X | G) + E (Y | G) (b. v.);

e)

E E (X | G) = EX (b. v.);

f)

E (XY | G) = XE (Y | G) (b. v.), jei X yra G-matus;

g)

E (X | G) = EX (b. v.), jei X nepriklauso nuo G;

h)

E (E (X | G) | H) = E (X | H) (b. v.), jei H G;

i)

E (X | G) = EX (b. v.), jei G = {, }.

1.6. Slygins tikimybs ir slyginiai vidurkiai

15

1.9 udavinys. Tegul X ir Y nepriklausomi atsitiktiniai dydiai, tolygiai pasiskirst

intervale [0, 1], Z = (X, Y ), T = 1A (Z) + 5 1B (Z), ia
A = {0 < x < 1/4, 3/4 < y < 1} ,

B = {3/4 < x < 1, 0 < y < 1/2} .

Apskaiiuoti E(T |X).

Sprendimas.
A = {0 < x < 1/4} {3/4 < y < 1} = A1 A2 ;
B = {3/4 < x < 1} {0 < y < 1/2} = B1 B2 .
Tada
1A (Z) = 1A1 A2 (X, Y ) = 1A1 (X) 1A2 (Y );
1B (Z) = 1B1 B2 (X, Y ) = 1B1 (X) 1B2 (Y )
ir
 


E(T |X) = E 1A1 (X) 1A2 (Y ) + 5 1B1 (X) 1B2 (Y )X =

 


= E 1A1 (X) 1A2 (Y )X + 5E 1B1 (X) 1B2 (Y )X =

= 1A1 (X) E 1A2 (Y ) + 5 1B1 (X) E 1B2 (Y ) =

= 1A1 (X) P(Y A2 ) + 5 1B1 (X) P(Y B2 ) =
5
1
1A1 (X) + 1B1 (X).
=
4
2
1.10 udavinys. rodykite, kad jei E(X | Y ) = EX, tai X ir Y yra nekoreliuoti.
Sprendimas. Pasinaudosime slyginio vidurkio h) ir f) savybmis. Taigi

E(XY ) = E E(XY | Y ) = E E(X | Y )Y = E(X)E(Y ).

1.11 udavinys. Tegul X N (0, 1), Y = X 2 . rodykite, kad X ir Y nekoreliuoti, bet
E(Y |X) 6= EY .
Sprendimas. Apskaiiuosime koreliacij tarp X ir Y:
E(XY ) = E(X 3 ) = 0 = EX EY = 0 E(X 2 ) = 0 1 = 0.
Gavome, kad ie dydiai nekoreliuoti. Apskaiiuosime E(Y |X):
E(Y | X) = E(X 2 | X) = X 2 E(1 | X) = X 2 = Y.
Reikia parodyti, kad Y 6= EY .
P(Y = EY ) = 0, nes tikimyb, kad tolydus atsitiktinis dydis gis bet kuri fiksuot
reikm, yra 0. Taigi Y 6= EY .

16

1 skyrius. Pagrindins tikimybi teorijos svokos ir apibrimai

1.12 udavinys. Tarkime, kad a. d. Z gyja reikmes 1 ir 1 su tikimybe 1/2, Y

N (0, 1) ir nepriklauso nuo Z. Paymkime X = ZY . rodykite, kad E(X | Y ) = EX,
bet X ir Y nra nepriklausomi.
Sprendimas. Pastebsime, kad
E(X | Y ) = E(ZY | Y ) = Y E(Z | Y ) = Y EZ = 0 = EX.
Aiku, kad X ir Y nra nepriklausomi, nes |X| = |Y |.
1.58 apibrimas. Tarkime, maioje erdvje (, F) duoti du matai P ir Q. Sakysime,
kad Q absoliuiai tolydus mato P atvilgiu (ymsime Q  P), jeigu Q(A) = 0
visoms aibms A F, kurioms P(A) = 0.
1.59 teorema (Radono-Nikodimo). Jei Q  P, tada egzistuoja toks F-matus neneigiamas a. d. , kad A F
Z

Q(A) =

()P(d) = EP (1A ) .

F-matus a. d. yra b. v. vienintelis, t. y. jeigu Q(A) = EP (1A ) visoms A F, tai

= b. v.
dydio X skirstinys
1.13 udavinys. Tarkime, X N (, 1). rodyti,n kad atsitiktinio
o
2
e
e
mato P atvilgiu, ia P (A) = EP (Z1A ), Z = exp X + 2 , yra N (0, 1).
Sprendimas. Apskaiiuosime
Pe (X < t) =


= E Z1{X<t}
(

Z t

2
= E exp X +
2

2
=
exp x +
2

1
=
2
1
=
2
1
=
2

Z t

Z t

Z t

1{X<t}

1
(x )2
exp
2
2

2 (x )2

exp x +
2
2

dx =

dx =

2 x2
2
exp x +

+ x
2
2
2

x2
exp
2

dx =

dx.

Gavome, kad atsitiktinio dydio X skirstinys mato Pe atvilgiu yra standartinis normalusis.
1.60 apibrimas. A. d. vadinamas mato Q tankiu mato P atvilgiu (arba RadonoNikodimo ivestine) ir ymimas
() =

dQ
().
dP

1.6. Slygins tikimybs ir slyginiai vidurkiai

17

I Radono-Nikodimo teoremos gauname, kad () visada egzistuoja, jei Q  P.

Pastebsime, kad teisinga formul


EQ (X1A ) = EP X1A

dQ
.
dP

1.61 pastaba. Absoliuiai tolydi a. d. skirstiniai yra absoliuiai tolyds Lebego mato
atvilgiu ir tankio funkcijos apibriamos btent io mato atvilgiu.
1.62 teiginys. Tarkime, kad X 0, G F. Remdamiesi Radono-Nikodimo teorema,
darome ivad, kad E(X | G) visada egzistuoja.
rodymas. Tegul Q(A) := EP (X1A ), A G. Reikia rodyti, kad Q matas erdvje
P
(, G), t. y. parodyti, kad Q yra -adityvus: Q(A) =
k=1 Q(Ak ), jei A = Ak , o
A1 , A2 , . . . yra kas dvi nesikertanios aibs i G. I Q(A) apibrimo


Q(A) = EP (X1A ) = EP X1P

= EP X

A
k=1 k

1Ak

= EP

=
!

X1Ak .

k=1

k=1

Kadangi X 0, tai galime vidurk kelti po sumos enklu bei pasinaudoti Q(A) apibrimu
!
EP

X1Ak

EP (X1Ak ) =

k=1

k=1

Q(Ak ).

k=1

rodme, kad Q yra matas. Dabar reikia rodyti, kad Q  P.

Tarkime,
X=

n
X

xk 1Ak

k=1

yra paprastasis a. d. (xk konstantos) ir P(A) = 0. Reikia apskaiiuoti Q(A).

Q(A) = EP (X1A ) = EP

n
X

xk 1AAk

k=1

n
X

xk P (A Ak ) = 0.

k=1

I 1.9 teiginio inome: jei X 0, tai visada galima sukonstruoti toki paprastj
a. d. sek (Xn ), kad Xn X.
I monotoninio konvergavimo teoremos turime
Q(A) = EP (X1A ) = lim EP (Xn 1A ) = 0.
n

rodme, kad matas Q yra absoliuiai tolydus P atvilgiu. I Radono-Nikodimo teoremos turime, kad egzistuoja toks G-matus a. d. E (X | G), kad
Q(A) = EP (E (X | G) 1A ) .

18

1 skyrius. Pagrindins tikimybi teorijos svokos ir apibrimai

Kadangi Q(A) buvo apibrtas lygybe Q(A) = EP (X1A ), tai

EP (X1A ) = EP (E (X | G) 1A ) ,

A G

Tai ir rodo ms teigin.

1.63 apibrimas. Turime tikimybin erdv (, F, P) ir aib B F. Tada a. d.
E (1B | G) ymsime P (B | G) ir vadinsime slygine tikimybe -algebros G, G F
atvilgiu.
Slygin tikimyb P (B | G) bet kokiai fiksuotai aibei B F yra a. d., tenkinantis
ias slygas:
a)

P (B | G)

b)

A G

yra G-matus a. d.;

P (A B) = EP (1A P (B | G)) .

A. d. E (X | Y ) yra (Y )-matus (pagal apibrim), todl egzistuoja tokia Borelio

funkcija m = m(y), apibrta ir gyjanti reikmes aibje R = R {}, kad
m (Y ()) = E (X | Y ) ()

Funkcij m(y) = E (X | Y = y) vadinsime a. d. X slyginiu vidurkiu vykio {Y = y}

atvilgiu. Tokios funkcijos egzistavimas rodomas taikant Radono-Nikodimo teorem.
vykio A F slygine tikimybe vykio {Y = y} atvilgiu (ymime P(A | Y = y))
vadinsime E(1A | Y = y).
Aiku, kad P(A | Y = y) galima apibrti kaip B(R)-mai funkcij, tenkinani
lygyb
Z

P A {Y B} =

1.7.

P(A | Y = y) PY (dy),

B B(R).

Slyginis tankis

1.64 apibrimas. Vektoriaus, sudaryto i bet kuri skirting pradinio a. v. koordinai, tikimybin skirstin vadiname marginaliuoju.
Pavyzdiui, a. v. Y skirstin vadiname marginaliuoju jungtinio vektoriaus X =
(Y1 , . . . , Yk , Z1 . . . , Zm ) atvilgiu.
1.65 apibrimas. Tegul (, ) dvimatis a. v. su tankio funkcija f, (x, y), o f (x)
ir f (y) vienmaiai (marginaliniai) tankiai. Tada a. d. slyginiu tankiu, kai = y,
vadinamas dydis
f, (x, y)
f| (x | y) :=
f (y)
tariant, kad f| (x | y) = 0, jei f (y) = 0.

1.7. Slyginis tankis

19

Tuomet

P ( C | = y) =

f| (x | y) dx ,

C B(R),

t. y. f| (x | y) yra slyginio skirstinio tankis.

Savybs:
a)
b)

f| (x | y)dx = 1;

f, (x, y) = f| (x | y) f (y).

Tai formuls f, (x, y) = f (x) f (y), teisingos nepriklausom a. d. tankiams, apibendrinimas.

Daugiamaiu atveju tursime
fX1 , ...,Xn (x1 , . . . , xn ) = fX1 (x1 )

n
Y

fXk |Xk1 ,...,X1 (xk | xk1 , . . . , x1 ) .

(1.3)

k=2

Tai gauname i lygybs

fX1 , ...,Xn (x1 , . . . , xn ) =

fX1 , ...,Xn1 (x1 , . . . , xn1 )

fX1 , ...,Xn (x1 , . . . , xn )

fX1 , ...,Xn1 (x1 , . . . , xn1 ) fX1 , ...,Xn2 (x1 , . . . , xn2 )

fX1 ,X2 (x1 , x2 )
...
fX1 (x1 ).
fX1 (x1 )

2 skyrius

Atsitiktiniai procesai
2.1.

Atsitiktinio proceso svoka

Duota tikimybin erdv (, F, P).

2.1 apibrimas. Atsitiktinis procesas (toliau ats. pr.) yra a. d. eima {Xt , t T},
kur indeksas t priklauso indeks aibei T. Paprastai T yra intervalas i R (iuo atveju
sakome, kad X yra tolydaus laiko ats. pr.) arba poaibis N (iuo atveju sakome, kad
X yra diskretaus laiko ats. pr.). Atvaizd t X(t, ) vadinsime atsitiktinio proceso
trajektorija arba realizacija.
Realiai stebdami atsitiktin proces, stebime vien i jo realizacij.
2.2 apibrimas. Tarkime, kad X = {X(t), t T} yra realusis ats. pr. ir {t1 , . . . , tn }
T, ia t1 < t2 < . . . < tn . Tada n-maio atsitiktinio vektoriaus (X(t1 ), . . . , X(tn ))
skirstin vadinsime ats. pr. X = {X(t), t T} baigtiniamaiu skirstiniu.
2.3 apibrimas. Sakysime, kad duotas ats. pr. X = {X(t), t T}, jei inomi visi
jo baigtiniamaiai skirstiniai visiems baigtiniams rinkiniams {t1 , . . . , tn } T. Baigtiniamaiai skirstiniai turi tenkinti vadinamasias suderinamumo slygas.
2.4 apibrimas. Atsitiktiniai procesai X = {X(t), t T} ir Y = {Y (t), t T}, apibrti toje paioje tikimybinje erdvje ir gyjantys reikmes toje paioje maioje erdvje
(Rn , B(Rn )), vadinami stochastikai ekvivaleniais, jei P(X(t, ) 6= Y (t, )) = 0 bet
kuriam t T. (Arba sakome, kad X ir Y yra vienas kito modifikacija.)
Pastebsime, kad jei X ir Y yra stochastikai ekvivalents, tai j baigtiniamaiai

2.1. Atsitiktinio proceso svoka

21

skirstiniai sutampa. I tikrj



P X(t1 ) B1 , . . . , X(tn ) Bn =


= P X(t1 ) B1 , . . . , X(tn ) Bn , X(t1 ) = Y (t1 ), . . . , X(tn ) = Y (tn ) =



= P Y (t1 ) B1 , . . . , Y (tn ) Bn , X(t1 ) = Y (t1 ), . . . , X(tn ) = Y (tn ) =



= P Y (t1 ) B1 , . . . , Y (tn ) Bn .
Taiau nors procesai X ir Y turi tuos paius skirstinius, bet j trajektorijos vis dlto
gali skirtis.
Pavyzdys. Tarkime, T = [0, 1], o a. d. () turi tolygj skirstin aibje T, t. y.
jo pasiskirstymo funkcija

0,

F (x) =

kai x 0,
x, kai 0 < x < 1,

1, kai x 1.

Apibrkime du procesus
(

X(t, ) = 0,

t T,

ir Y (t, ) =

1, kai t = (),
0, kai t 6= (),

t T.

ie procesai yra stochastikai ekvivalents, nes kiekvienam t T

P(X(t, ) 6= Y (t, )) = P(t = ()) = 0.
Taip yra todl, kad tolydaus a. d. tikimyb gyti fiksuot reikm yra lygi 0. Matome,
kad bet kuri X trajektorija yra tolydi ir lygi nuliui, o Y trajektorijos yra trkios
atsitiktiniais laiko momentais.
2.5 apibrimas. Atsitiktiniai procesai X = {X(t), t T} ir Y = {Y (t), t T}
vadinami neatskiriamaisiais, jei b. v. j trajektorijos sutampa, t. y. jei
P(X(t) = Y (t),

jei visiems t T) = 1.

Pavyzdyje apibrti procesai X ir Y nra neatskiriami.

2.6 teiginys. Tarkime, ats. pr. X = {X(t), t T} ir Y = {Y (t), t T} yra stochastikai ekvivalents ir abu tolyds i deins. Tada X ir Y yra neatskiriami.
2.7 apibrimas. Atsitiktinis procesas X su reikmmis maioje erdvje (R, B(R))
vadinamas tolydiuoju, jei b. v. funkcijos t X(t, ) yra tolydios.
2.8 teorema (Kolmogorovo tolydumo). Tarkime, kad procesas X = {X(t), t 0}
tenkina slyg: visiems T > 0 egzistuoja tokios teigiamos konstantos , , K, kad
E|X(t) X(s)| K|t s|1+ ,
Tuomet egzistuoja tolydi X modifikacija.

0 s, t T.

22

2 skyrius. Atsitiktiniai procesai

2.2.

Brauno judesys ir jo savybs

2.9 apibrimas. Stochastiniu Brauno judesiu arba standartiniu Vynerio procesu,

prasidedaniu take 0, vadinamas atsitiktinis procesas W = {W (t), t 0}, tenkinantis
slygas:
1) W (0) = 0;
2) bet kokiam rinkiniui 0 t0 < t1 < . . . < tn a. d. W (t1 ) W (t0 ), W (t2 )
W (t1 ), . . . , W (tn ) W (tn1 ) yra nepriklausomi, t. y. Brauno judesio pokyiai yra nepriklausomi;
3) a. d. W (t)W (s), 0 s t, skirstinys yra normalusis su vidurkiu 0 ir dispersija
t s, t. y. W (t) W (s) N (0, t s).
2.10 pastaba. Brauno judesio trajektorijos yra tolydios, nes patenkintos Kolmogorovo
teoremos slygos. Tikrai, i Vynerio proceso apibrimo
E|W (t) W (s)|4 = 3|t s|2 ,
nes, kaip inoma, a. d. N (0, 2 ) ketvirtas momentas E 4 = 3(E 2 )2 = 3 4 .
2.1 udavinys. Apskaiiuokite EW (t) ir cov (W (t), W (s)).
Sprendimas. inome, kad (W (t) W (s)) N (0, t s) ir W (0) = 0. Todl
E (W (t)) = E (W (t) W (0)) = 0 ir cov (W (t), W (s)) = E (W (t)W (s)).
Tarkime, s < t. Kadangi Brauno judesio pokyiai yra nepriklausomi, tai
E (W (t)W (s)) = E [(W (t) W (s) + W (s)) W (s)] =
h

= E (W (t) W (s)) (W (s) W (0)) + W 2 (s) =

= E (W (t) W (s)) E (W (s) W (0)) + EW 2 (s) = s.
Jeigu s > t, tai E (W (t)W (s)) = t. Todl cov (W (t), W (s)) = t s.
Tarkime, (tnk ) yra intervalo [0, T ] skaidinys, t. y.
0 = tn0 < tn1 < . . . < tnm = T.
Paymkime ni W = W (tni+1 ) W (tni ), ia W Vynerio procesas.
2.11 teiginys. rodysime, kad
l.i.m.

n 0

m1
X

(nk W )2 = T,

k=0

t. y.
lim E

n 0

!2

m1
X

(nk W )2

= 0,

k=0

ia
n =

max

0km1

| tnk+1 tnk | =

max

0km1

| nk t| ,

nk t = tnk+1 tnk .

2.2. Brauno judesys ir jo savybs

23

rodymas. Aiku, kad

m1
X

(nk W )2

T =

k=0

mX
n 1 

(nk W )2 nk t .

k=0

Vynerio proceso pokyiai nk W yra nepriklausomi a. d. Todl (nk W )2 nk t taip pat
yra nepriklausomi a. d. (r. 1.55 teigin). Kadangi E (nk W )2 nk t = 0, tai
E

!2

m1
X

(nk W )2

nk t

m1
X

(nk W )2

= D

k=0

nk t

k=0

=
=
=

m1
X
k=0
m1
X

m1
X

D (nk W )2 nk t =

k=0

E (nk W )2 nk t

2

E (nk W )4 2(nk W )2 (nk t) + (nk t)2 =

k=0
m1
X

3(nk t)2 2(nk t)2 + (nk t)2 =

k=0
m1
X

m1
X

k=0

k=0

(nk t)2 2n

= 2

(nk t) = 2T n 0,

kai n 0.
2.12 apibrimas. Funkcijos f : [0, T ] R variacija vadinsime skaii
v(f ; [0, T ]) := sup

 m1
X

| f (ti+1 ) f (ti )| ,

i=0

ia tikslusis virutinis ris (supremumas) imamas pagal visus galimus intervalo [0, T ]
skaidinius 0 = t0 < t1 < . . . < tm = T , m N. Jei v(f ; [0, T ]) < +, tai f vadinama
baigtins variacijos funkcija.
1 pavyzdys. Jei funkcija yra diferencijuojama arba yra Lipico, tai ji turi baigtin
variacij. Jei monotonin irgi turi baigtin variacij.
2.13 ivada. Vynerio procesas beveik visur (su tikimybe 1) turi begalin variacij bet
kuriame intervale [s, t].
rodymas. Turime
X
i

|ni W | =

X (n W )2
i
i

|ni W |

X
i

X
(ni W )2
1
=
(ni W )2 .
maxj |nj W |
maxj |nj W | i
L2

I rodyto 2.11 teiginio turime, kad i (ni W )2 (t s), taigi ir i (ni W )2 (t s),
kai n . Pereidami, jei reikia, prie pakankamai greitai smulkjanio skaidini sekos
P
{tnk } posekio, galime laikyti, kad i (ni W )2 (t s), kai n , beveik visur.

24

2 skyrius. Atsitiktiniai procesai

Kadangi dl funkcijos W tolydumo intervale [s, t] turime maxj |nj W | 0 (beveik

visur), tai
X
X
|ni W | =
|W (tni+1 W (tni )| , kai n .
i

Todl v(W ; [s, t]) = sup{

tervalo [s, t] skaidinius.

i
n
i |i W | }

= +, ia supremumas imamas pagal visus in-

2 pavyzdys. rodyti, kad W (t) yra b. v. nediferencijuojama take t = 0.

Sprendimas. Reikia parodyti, kad
| W (t) W (0)|
t
galima padaryti kiek norima didel, kai t yra maas b. v. . Paymkime
(

An =

1
| W (t)|
> n tam tikram t 0, 4
:
t
n

)

Aiku, kad
P(An )

 





 
 W n14 

1 
1
= P W
P
>
n
=
>

1
n4 
n3
n4
d

kadangi | W (1/n4 )| = | W (1)| 1/n2





1
1
= 1 P | W (1)|
=
= P | W (1)| >
n
n
Z 1
x2
n
1

= 1
e 2 dx,
2 n1
o
1

1
n

1
n

x2
2

2
1
dx 0,
2 n

kai n .

Todl P(An ) 1, kai n . Kadangi vykiai An yra majantys, tai

P

\
n=1

An

= P (W (t) nediferencijuojama take t = 0) = lim P(An ) = 1.

n

2.14 teiginys. Su tikimybe 1 Vynerio proceso trajektorijos nra diferencijuojamos n

viename take t 0.
rodymas. Procesas Vt (s) = W (s + t) W (t) yra Vynerio procesas bet kokiam t 0.
I k tik gauto rezultato turime, kad Vt (s) nra diferencijuojamas take s = 0. Bet
tuomet turime, kad W (t) nra diferencijuojama take t.

2.3. Gauso procesas

2.3.

25

Gauso procesas

Daugiamatis Gauso, arba daugiamatis normalusis, skirstinys yra vienas svarbiausi

tikimybi teorijoje ir matematinje statistikoje. Todl detaliau panagrinsime jo savybes.
iame skyrelyje raydami xT ymsime transponuot vektori, t. y. vektori
eilut.
2.15 apibrimas. A. v. X T = (X1 , . . . , Xn ) vadinamas Gauso (normalusis), jei jo
charakteristin funkcija turi pavidal


1 T 
A ,
(1 , . . . , n ) := E exp{i X} = exp i m
2
T

arba
 X
n

(1 , . . . , n ) := E exp i

k Xk

k=1

 X
n

n X
n
1X
= exp i
k mk
i j ij ,
2 i=1 j=1
k=1

ia T = (1 , . . . , n ) Rn , EX T = mT , t. y. EXk = mk su visais k = 1, . . . , n, ir
A = (ij )nn kovariacij matrica, t. y. ij = E (Xi mi ) (Xj mj ). Sutrumpintai
ymsine X N (m, A).
2.16 apibrimas. Sakysime, kad X T turi neisigimus Gauso skirstin, jei matrica
A yra apveriama arba antraip, kai A yra grietai teigiamai apibrta matrica, t. y.
Pn Pn
i=1
j=1 i j ij > 0, ia yra nenulinis vektorius.
2.17 teiginys. A. v. X T su neisigimusiu Gauso skirstiniu tankis yra
 1  ! 21
A 

fX1 , ...,Xn (x1 , . . . , xn ) =

(2)n

exp

1
(x m)T A1 (x m) ,
2

ia A1 yra kovariacij matricos A atvirktin matrica.

2.2 udavinys. Suraskite matric A ir A1 iraikas dvimaiu atveju.
Sprendimas.
A =
1

12 12
12 22
1
1 2

12
1 2
1 2
22

1/12
/1 2
/1 2
1/22

ia =



 1 
A  =

12
,
1 2

1
.
(1 2 ) 12 22

2.3 udavinys. Apskaiiuokite normaliojo vektoriaus (X1 , X2 ) slygin tank fX2 |X1 (x2 |
x1 ).

26

2 skyrius. Atsitiktiniai procesai

Sprendimas. Kadangi
n

fX1 ,X2 (x1 , x2 ) =

exp

h (x m )2
1
1
1

2(1 2 )
12

21 2 1 2
(x1 m1 )(x2 m2 ) (x2 m2 )2 io
2
+
1 2
22

ir
fX1 (x1 ) =

n (x m )2 o
1
exp 1 2 1
,
21
1 2

tai
fX2 |X1 (x2 | x1 ) =
=

fX1 ,X2 (x1 , x2 )

=
fX1 (x1 )
(

p
exp
2 2 1 2

1
22
2
(x1 m1 )2
22 (1 2 ) 12


(x1 m1 )2
2
2 (x1 m1 )(x2 m2 ) + (x2 m2 )2 +
1
212

(iskirsime piln kvadrat)

=

p
exp
2 2 1 2


2
1
2
+
(x

m
)

(x

m
)
1
1
2
2
2
22 (1 2 ) 1

p
exp
2 2 1 2

2
(x1 m1 )2
+ 22 (1 2 )(x1 m1 )2 +
1
212

p
exp
2 2 1 2


2 
1
2
2
(x1 m1 ) (x2 m2 )
22 (1 2 ) 1

2 (1 2 )(x1 m1 )2 (x1 m1 )2
2
+
212 22 (1 2 )
212
1


2 
1
2
2
(x1 m1 ) (x2 m2 )
.
22 (1 2 ) 1

2.4 udavinys. Apskaiiuokite normaliojo vektoriaus (X1 , X2 , X3 ) su nuliniu vidurkiu

slygin tank fX3 |X2 ,X1 (x3 | x2 , x1 ).
Sprendimas. Paymkime A1 = (aij ). Tada
fX3 |X2 ,X1 (x3 | x2 , x1 ) =

fX1 ,X2 ,X3 (x1 , x2 , x3 )

fX1 ,X2 ,X3 (x1 , x2 , x3 )
= R
=
fX1 ,X2 (x1 , x2 )
fX1 ,X2 ,X3 (x1 , x2 , x3 ) dx3


exp

1 P3 P3
j=1 aij xi xj
i=1
2

1 P3 P3
2 i=1 j=1 aij xi xj dx3

exp

2.3. Gauso procesas

27

Nesunku apskaiiuoti, kad

3 X
3
X

aij xi xj

i=1 j=1

2 X
2
X

aij xi xj + 2a13 x1 x3 + 2a23 x2 x3 + a33 x23 =

i=1 j=1

2 X
2
X

aij xi xj + a33 x3 +

i=1 j=1

a33

h a


13 2 2
x1
a33

a

a13
a23 i2
x1 +
x2
a33
a33


23 2 2
x2
a33

+2

i
a13 a23
x
x
1 2 .
a233

Todl


fX3 | X2 ,X1 (x3 | x2 , x1 ) =

exp

2
a13
a23
a33 x1 + a33 x2

2
a13
a23
1
dx3
2 a33 x3 + a33 x1 + a33 x2

exp 12 a33 x3 +


h
n 1
2
a13
a23 i2 o
exp a33 x3 +
x1 +
x2
.
a33
2
a33
a33

2.18 pastaba. Nesunku rodyti, kad

s

fXn |Xn1 ,...,X1 (xn | xn1 , . . . x1 ) =

n1
n 1
h
X ain i2 o
2
exp ann xn +
xi
.
ann
2
a
i=1 nn

2.19 teiginys. Jei normaliojo vektoriaus (X, Y ) koordinats nekoreliuotos, tai jos ir
nepriklausomos.
rodysime teigin. Kadangi (X, Y ) yra dvimatis normalusis a. v., tai


E exp iX + iY

= exp im1 + im2

io
1h 2 2
1 + 21 2 + 2 22 ,
2

ia m1 = EX, m2 = EY , 12 = DX, 22 = DY , = cor(X, Y ) koreliacija.

Jei X ir Y nekoreliuoti, tai = 0 ir


E exp iX + iY

= E exp iX E exp iY .

2.5 udavinys. Tarkime, a. d. Z gyja reikmes 1 ir 1 su tikimybe 1/2, X N (0, 1)

ir nepriklauso nuo Z. Paymkime Y = ZX. rodykite, kad a. v. (X, Y ) nra Gauso,
o X ir Y nra nepriklausomi.
Sprendimas. Anksiau buvo rodyta, kad X ir Y yra nekoreliuoti, bet jie nra
nepriklausomi (r. 14 psl. pateikt pavyzd). Be to, Y N (0, 1). Jei a. v. (X, Y ) bt
Gauso, tai i 2.19 teiginio iplaukt, kad a. d. X ir Y yra nepriklausomi. Gauname
prietar. Todl a. v. (X, Y ) nra Gauso. Taigi nors a. d. X ir Y yra Gauso ir
nekoreliuoti, bet a. v. (X, Y ) nebtinai yra Gauso.
2.20 teiginys. Tarkime, n-matis Gauso a. v. X (k) konverguoja L2 prasme a. v. X,
(k)
t. y. E(Xi Xi )2 , kai n , su visais i = 1, 2, . . . , n. Tada X yra Gauso a. v.,
kurio parametrai ir yra atitinkam X (k) parametr (k) ir (k) ribos.

28

2 skyrius. Atsitiktiniai procesai

rodymas. rodysime, kad i konvergavimo L2 prasme X (k) X iplaukia vidurki

(k) ir kovariacij matric (k) konvergavimas X vidurk ir kovariacij matric. Pasinaudosime akivaizdia nelygybe
|(a + x)(b + y) ab| |ay| + |bx| + |xy| .
(k)

Paimsime a = Xi , b = Xj , x = Xi
 (k)

(k)

EXi Xj

(k)

Xi ir y = Xj

(k)

Xi Xj  EXi (Xj


(k)

+E(Xi

Xj . Tuomet


(k)

Xj ) + EXj (Xi
(k)

Xi )(Xj

Xi )

Xj ) .

Tada i Koi-Buniakovskio nelygybs gauname

r


 (k) (k)
EX X Xi Xj 

 (k)

Xj  +

 (k)

2  (k)

+ EXi
(k)

(k)

Vadinasi, EXi Xj
gauname

Xi  EXj

 (k)

E|Xj |2 EXi

Xi 

Xj  .

EXi Xj . Dar kart panaudoj Koi-Buniakovskio nelygyb

 (k)
 q  (k)
2

E Xi Xi  EXi Xi  .
(k)

I ios nelygybs iplaukia, kad i

1, . . . , n. Taigi
(k)

E|Xi |2 EXj

(k)

(k)

ij = EXi Xj

(k)

= EXi
(k) (k)

i j

konverguoja i = EXi su visais i =

EXi Xj i j = ij .

Be to, i konvergavimo L2 prasme iplaukia atitinkam vektori konvergavimas pagal

tikimyb. Todl su visais Rn gauname, kad
 X
n

exp i

(k)
i Xi

 X
n

exp i

i=1

i Xi .

i=1

Kadangi dydiai aprti, tai galime taikyti 1.39 ivad. Gausime, kad
 X
n

exp i

(k)

j j

j=1
(k)

n X
n
1X
(k)
i j ij
2 i=1 j=1

 X
n

= E exp i

(k)

i Xi

 X
n

E exp i

i=1

(k)

i Xi .

i=1

Kadangi j ir ij konverguoja j ir ij , kai k , tai X charakteristin funkcija

turi pavidal
 X

n
n X
n
1X
exp i
j j
i j ij .
2 i=1 j=1
j=1
Vadinasi, X yra Gauso a. v.
Savybs. Tegul X = (X1 , . . . , Xn )T , X N (m, ), tuomet:

2.3. Gauso procesas

29

a) jei Gauso a. v. X koordinats yra nekoreliuotos, tai jo koordinats yra nepriklausomi a. d.



b) jeigu Y = HX + b, tai Y skirstinys yra normalusis, Y N Hm + b, HAH T ,
ia H yra k n matavim matrica, b yra k-matis konstant vektorius.
c) jei Xi N (mi , Ai ), 1 i n, yra nepriklausomi a. v., tai a. v.
n
X

Hi Xi

i=1

n
X

Hi mi ,

i=1

n
X

(Hi Ai HiT )

i=1

ia Hi , 1 i n, konstant matricos.
2.21 apibrimas. Procesas X = {X(t), t 0} vadinamas Gauso, jei jo baigtiniamaiai skirstiniai yra normalieji, t. y. su visais 0 t1 < . . . < tk , k N, a. v.
(X(t1 ), . . . , X(tk )) skirstinys yra normalusis.
2.22 pastaba. Visos Gauso proceso skirstinio savybs yra nusakomos (t) = EXt
(vadinama proceso vidurkiu) ir (t, s) = EXt Xs (vadinama proceso autokoreliacine
funkcija).
2.6 udavinys. rodyti, kad Brauno judesys W yra Gauso procesas.
Sprendimas. Tarkime, kad 0 = t0 < t1 < . . . < tk . Kadangi Brauno judesys yra
procesas su nepriklausomais pokyiais, tai atsitiktinis dydis
k
X
i=1

i W (ti ) =

k
X

(i + . . . + k ) W (ti ) W (ti1 ) ,

i R,

1 i k,

i=1

yra suma nepriklausom a. d.

(i + . . . + k ) W (ti ) W (ti1 ) N 0, (i + . . . + k )2 (ti ti1 ) .

P

Todl ki=1 i W (ti ) yra normalusis a. d.

Be to, a. v. (W (t1 ), . . . , W (tk )) charaktetristinei funkcijai teisinga lygyb
W (t1 ),...,W (tk ) (1 , . . . , k ) =

n
Y

W (ti )W (ti1 ) (i + . . . + k ).

i=1

Todl


W (t1 ),...,W (tk ) (1 , . . . , k ) = exp



= exp
ia

A=

t1 t1
t1 t2
... ...
t1 t2

k
1X

(i + . . . + k )2 (ti ti1 )
2 i=1

1 T 
A ,
2

. . . t1
. . . t2
... ...
. . . tk

(2.1)

30

2.4.

2 skyrius. Atsitiktiniai procesai

Markovo grandins

Prie paprasiausi proces priskiriamos vadinamosios Markovo grandins. Nagrinsime

atsitiktin proces X = {X(t), t T}, apibrt tikimybinje erdvje (, F, P) ir gyjant reikmes i maios erdvs (E, E). Laikysime T = {0, 1, . . .}, o bsen erdv E
baigtine, arba skaiia. Bsenas ymsime tiesiog natraliaisiais skaiiais. Sakysime,
kad procesas yra Markovo grandin (tiksliau diskreiojo laiko Markovo grandin), jei
bet kuriam natraliajam skaiiui n ir bet kuriems k, j0 , j1 , . . . , jn2 , j E teisingos
lygybs
P X(n) = k | X(0) = j0 , X(1) = j1 , . . . , X(n 2) = jn2 , X(n 1) = j

= P X(n) = k | X(n 1) = j .

(2.2)

(2.2) lygybs deinje esani tikimyb vadinsime perjimo i j-osios bsenos k-j
(n)
bsen tikimybe ir ymsime pjk . Matrica

(n)

(n)

(n)

p
p12 . . .
11

(n)
= p21 p(n)
...
22
... ... ...

vadinama perjimo matrica. Aiku,

X (n)

pjk = 1,

kai sumuojama pagal visas galimas bsenas. Paymsime

P X(0) = k = p0k

(k = 1, 2, . . .).

ios tikimybs vadinamos pradinmis tikimybmis. Ir ia

X

p0k = 1.

k
(n)

Markovo grandin vadinama homogenine, jei tikimybs pjk = pjk nepriklauso

nuo n. Jei bsen skaiius yra baigtinis, tai grandin vadinama baigtine; jei bsen aib skaiti, tai ir grandin vadinama skaiia.
Tarkime, kad T yra baigtinis, arba begalinis, realij skaii intervalas, o bsen
erdv E baigtin arba skaiti. Sakysime, kad procesas yra tolydaus laiko Markovo
grandin, jei bet kuriam natraliajam skaiiui n, bet kuriems t0 < t1 < . . . < tn1 <
s < t i T ir bet kuriems k, j0 , j1 , . . . , jn2 , j E teisingos lygybs
P X(t) = k | X(t0 ) = j0 , X(t1 ) = j1 , . . . , X(tn1 ) = jn1 , X(s) = j

= P X(t) = k | X(s) = j .

(2.3)

Ir ia galime kalbti apie fizin sistem, kurios bsena laiko momentu t yra X(t). Tada
P(X(t) = k | X(s) = j) yra tikimyb sistemai patekti k-j bsen laiko momentu t,
jei laiko momentu s ji buvo j-ojoje bsenoje. Jei ta tikimyb priklauso tik nuo t s,
tai grandin vadinama homogenine. Tada galima kalbti apie perjimo tikimyb pjk (t)
i j-osios bsenos k-j per laiko tarp t.

2.5. Markovo procesai

31

2.23 apibrimas. Puasono procesu su parametru ( > 0) vadinamas ats. pr. N =

{N (t), t 0}, tenkinantis slygas:
1) N (0) = 0;
2) bet kokiam rinkiniui 0 t0 < t1 < . . . < tn a. d. N (t1 ) N (t0 ), N (t2 )
N (t1 ), . . . , N (tn ) N (tn1 ) yra nepriklausomi;
3) A. d. N (t) N (s), 0 s t, skirstinys yra Puasono su parametru (t s), t.
y.


[(t s)]k
,
k = 0, 1, 2, . . .
P N (t) N (s) = k = exp{(t s)}
k!
2.7 udavinys. rodykite, kad Puasono procesas N = {N (t), t 0} yra tolydaus laiko
Markovo grandin.
Sprendimas. Pastebsime, kad
P N (t) = k | N (s) = j

P N (t) = k, N (s) = j


=
P N (s) = j

P N (t) N (s) + N (s) = k, N (s) = j

=
P N (s) = j

P N (t) N (s) = k j, N (s) = j

.
P N (s) = j

Puasono proceso pokyiai yra nepriklausomi. Todl

P N (t) = k | N (s) = j = P N (t) N (s) = k j .

Analogikai

P N (t) = k | N (t0 ) = j0 , N (t1 ) = j1 , . . . , N (tn1 ) = jn1 , N (s) = j =

= P N (t) N (s) = k j ,
nes aib


N (t) = k, N (t0 ) = j0 , N (t1 ) = j1 , . . . , N (tn1 ) = jn1 , N (s) = j

yra sankirta nepriklausom vyki



N (t) N (s) = k j N (s) N (tn1 ) = j jn1



N (t0 ) N (0) = j0

\ 
n1

N (tk ) N (tk1 ) = jk jk1 .

k=1

2.5.

Markovo procesai

2.24 apibrimas. Atsitiktinis procesas X = {Xt , t [t0 , T ]}, apibrtas tikimybinje erdvje (, F, P) su reikmmis Rd , vadinamas Markovo procesu, jei patenkinta
vadinamoji Markovo savyb: bet kuriems t0 s t T ir B B(Rd ) galioja lygyb

P Xt B| Fts0 = P (Xs B| Xs )

b. v.,

Fts0 = {Xu : t0 u s}.

32

2 skyrius. Atsitiktiniai procesai

2.25 teorema. Markovo savyb yra ekvivalenti:

n 1,

t0 t1 < . . . < tn t T

ir

B B(Rd )

P (Xt B| Xt1 , . . . , Xtn ) = P (Xt B| Xtn ) .

2.26 apibrimas. Funkcija P (s, x, t, B), tenkinanti savybes:
a)
P (s, x, t, ) yra tikimyb B(Rd ) fiksuotiems s t ir x Rd ;
b)
P (s, , t, B) yra B(Rd )-mati funkcija fiksuotiems s t ir B B(Rd );
c)
jei t0 s u t T, B B(Rd ) ir x Rd
Z

P (s, x, t, B) =
d)

Rd

P (u, y, t, B)P (s, x, u, dy);

s [t0 , T ] ir B B(Rd ) teisinga

P (s, x, t, B) = 1B (x),

vadinama perjimo tikimybe.

Jei X yra Markovo procesas ir P (s, x, t, B) yra tokia perjimo tikimyb, kad fiksuotiems s t ir B B(Rd ) teisinga lygyb
P (s, Xs , t, B) = P (Xt B| Xs )

b. v.,

tai P (s, x, t, B) vadinama Markovo proceso X perjimo tikimybe.

Naudojamas ymjimas
P (s, x, t, B) = P(Xt B| Xs = x),
kuris interpretuojamas kaip tikimyb, kad stebimas procesas bus aibje B laiko momentu t, jei laiko momentu s, s t, jis buvo bsenoje x.
2.27 pastaba. Jei tikimyb P (s, x, t, ) turi tank, t. y. jei visiems s, t [t0 , T ], visiems
x Rd ir visoms B B(Rd ),
Z

P (s, x, t, B) =

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

s < t.

ia p(s, x, t, y) yra funkcija, gyjanti neneigiam reikm, kuri yra mati y atvilgiu ir
kurios integralas lygus 1.
2.28 teorema. Jei X = {Xt , t [t0 , T ]} yra Markovo procesas ir jei P (s, x, t, B) yra
jo perjimo tikimyb, o Pt0 yra Xt0 skirstinys, t. y.
Pt0 (A) = P(Xt0 A),

2.6. Diskretaus laiko martingalai

33

tai bet kokiems t0 t1 < . . . < tn T ir Bi B(Rd )

P (Xt1 B1 , . . . , Xtn Bn ) =
Z

Rd

B1

Bn1

P (tn1 , xn1 , tn , Bn ) P (t0 , x0 , t1 , dx1 ) Pt0 (dx0 ),

o atskiru atveju

P (Xt B) =

Rd

P (t0 , x, t, B)Pt0 (dx).

2.29 apibrimas. Markovo proces X = {Xt , t [t0 , T ]} vadiname homogeniniu

(laiko atvilgiu), jei jo perjimo tikimyb P (s, x, t, B) yra stacionari, t. y.
P (s + u, x, t + u, B) = P (s, x, t, B) ,
kai t0 s t T ir t0 s + u t + u T . iuo atveju perjimo tikimyb yra funkcija
x, t s ir B. Todl j galima urayti
P (t s, x, B) = P (s, x, t, B),

0 t s T t0 .

Vadinasi, P (t, x, B) yra tikimyb pereiti i x B per laik t.

Pavyzdys. Brauno judesys tenkina Markovo savyb su perjimo tikimybe
Z

P (t, x, A) =

2.6.

(x y)2
exp

1
2t
(2t) 2
1

dy.

Diskretaus laiko martingalai

Nagrinsime tikimybin erdv (, F, P).

2.30 apibrimas. -algebr F0 , F1 , . . ., apibrt , ir toki, kad F0 F1 . . .
F, sek vadinsime filtracija.
2.31 apibrimas. Sakysime, kad a. d. seka (n ) yra suderinta su filtracija (Fn ),
jei n yra Fn -matus kiekvienam n N.
2.32 apibrimas. Jei a. d. seka (n ) yra tokia, kad kiekvienam n 1 a. d. n yra
Fn1 -mats, tai raysime = (n , Fn1 )n1 ir vadinsime numatoma seka.
1 pavyzdys. Jei Fn = (1 . . . , n ) yra -algebra, generuota a. d. 1 . . . , n , tai
seka (n ) yra suderinta su filtracija (Fn ).
2.33 apibrimas. A. d. seka (n ), suderinta su filtracija (Fn ), vadinama martingalu, jei bet kokiems n 1 :
1)

E| n | < ;

2)

E(n+1 | Fn ) = n

b. v.

34

2 skyrius. Atsitiktiniai procesai

Sakydami, kad a. d. seka (n ) yra martingalas, mes visada j turime susieti su kokia
nors filtracija. Todl nordami pabrti, su kokia filtracija nagrinjamas martingalas
yra suderintas, raysime = (n , Fn )n1 .
2.34 apibrimas. A. d. seka (n ), suderinta su filtracija (Fn ), vadinama submartingalu, jei bet kokiems n 1 :
1)

E| n | < ;

2)

E(n+1 | Fn ) n

b. v.

2.35 apibrimas. A. d. seka (n ), suderinta su filtracija (Fn ), vadinama supermartingalu, jei a. d. seka = (n , Fn ) yra submartingalas.
2.8 udavinys. Tarkime, kad (n ) yra nepriklausom a. d. seka tokia, kad E|n | <
ir En = 0. Paymsime Xn = 1 + . . . + n , Fn = (1 , . . . , n ). rodykite, kad
X = (Xn , Fn )n1 , yra martingalas.
Sprendimas. Patikrinsime martingalo apibrimo 2) savyb, nes a. d. seka (n )
yra suderinta su filtracija (Fn ) ir integruojama. Pasinaudoj slyginio vidurkio d)
savybe, gauname
E(Xn+1 | Fn ) = E(Xn + n+1 | Fn ) = E(Xn | Fn ) + E(n+1 | Fn ).
Pastebsime, kad a. d. Xn yra Fn -matus. Todl E(Xn | Fn ) = Xn . Kadangi a. d.
n+1 nepriklauso nuo Fn , tai vietoje slyginio vidurkio galime rayti paprast vidurk,
kuris lygus 0. Gauname, kad
E(Xn+1 | Fn ) = Xn + E(n+1 ) = Xn
ir X = (Xn , Fn )n1 yra martingalas.
2.9 udavinys. Tarkime, kad (n , Fn )n1 yra martingalas. rodykite, kad (n , Gn )n1
yra martingalas, jei Gn = (1 , . . . , n ).
Sprendimas. Reikia patikrinti, kad seka (n , Gn )n1 tenkina 2.33 apibrimo 2)
slyg. Kadangi Gn Fn , tai i slyginio vidurkio savybi gausime, kad

E(n+1 | Gn ) = E E(n+1 | Fn ) | Gn = E n | Gn = n .
2.10 udavinys. Tarkime, (n ) nepriklausom a. d. seka tokia, kad Ek = 1, k =
1, . . . , n. rodykite, kad X = (Xn , Fn )n1 yra martingalas, jei
Xn =

n
Y

k ,

Fn = (1 , . . . , n ) .

k=1

Sprendimas. A. d. Xn integruojamumas gaunamas i 1.49 ivados. Patikrinsime

2) savyb. Kadangi a. d. Xn yra Fn -matus, o a. d. k+1 nepriklauso nuo Fn , tai
E

n+1
Y
k=1

k | Fn

= E n+1

n
Y

k | Fn

k=1

= Xn En+1 = Xn .

n
Y
k=1

k E (n+1 | Fn )

2.6. Diskretaus laiko martingalai

35

2.11 udavinys. Tarkime, (n ) nepriklausom a. d. seka, k N (0, 1), k N.

Paymkime F0 = {, }, Fn = (1 , . . . , n ). Tarkime, (an ) realij skaii seka.
rodykite, kad
( n
)
n
X
1X
Zn = exp
ak k
a2k , n 1,
2
k=1
k=1
yra martingalas filtracijos (Fn ) ir EZn = 1 atvilgiu visiems n N.
Sprendimas. Kadangi (n ) nepriklausom a. d. seka, tai
n
Y

a2
Zn =
exp ak k k
2
k=1

ir (r. 1.6 udavin)

(

a2
E exp ak k k
2

a2
= exp k
2

a2
E exp {ak k } = exp k
2

exp

Vadinasi, EZn = 1.
Toliau
E (Zn+1

( n
X

n
1X
a2k
| Fn ) = E exp
ak k
2
k=1
k=1

a2
= Zn E exp an+1 n+1 n+1
2

a2
exp an+1 n+1 n+1
2

a2k
2

)
!


 Fn =


= Zn .

2.12 udavinys. Tarkime, (n ) seka toki nepriklausom a. d., kad P (k = 1) =

P
P (k = 1) = 12 . Paymkime Sn = nk=1 k ir n = (1)n cos(Sn ). rodykite, kad
(n , Fn )n1 yra martingalas, ia Fn = (1 , . . . , n ).
Sprendimas. Kadangi n yra funkcija nuo Sn , tai n yra Fn -matus a. d. (r.
1.5 udavin) kiekvienam n. Kadangi |n | 1, tai n yra integruojamas. Be to, n+1
nepriklauso nuo Fn . Tuomet
E (n | Fn1 ) = E ((1)n cos [Sn1 + n ] | Fn1 ) =
= (1)n E (cos(Sn1 ) cos(n ) sin (Sn1 ) sin (n ) | Fn1 ) =
= (1)n cos (Sn1 ) E (cos(n ) | Fn1 )
(1)n sin (Sn1 ) E (sin(n ) | Fn1 ) =
= (1)n cos (Sn1 ) E (cos (n )) (1)n sin (Sn1 ) E (sin (n )) =


1
1
n
= (1) cos (Sn1 ) cos() + cos()

2
2


1
1
(1)n sin (Sn1 ) sin() + sin()
=
2
2
1
= (1)n cos (Sn1 ) 2 cos() = (1)n cos (Sn1 ) (1) =
2
n1
2
= (1)
cos (Sn1 ) (1) = (1)n1 cos (Sn1 ) = n1 .

36

2 skyrius. Atsitiktiniai procesai

2 pavyzdys. Tegul (n ) seka neneigiam integruojam a. d. Tada Xn = 1 +

. . .+n yra submartingalas filtracijos Fn = (1 , . . . , n ) atvilgiu, nes E(n+1 | Fn ) 0
ir
E(Xn+1 | Fn ) = Xn + E(n+1 | Fn ) Xn .
2.36 apibrimas. A. d. seka (n ) vadinama martingaliniu skirtumu, jei E| n | <
bet kokiems n 1 ir
E(n+1 | Fn ) = 0 b. v.
3 pavyzdys. Jei X = (Xn , Fn )n1 yra martingalas, tai n = Xn Xn1 yra
martingalinis skirtumas, kai n 2.
2.37 teorema (Dbo). Tarkime, X = (Xn , Fn )n1 yra submartingalas. Tuomet egzistuoja martingalas m = (mn , Fn )n1 ir numatoma didjanti seka A = (An , Fn1 )n1
tokie, kad su visais n 1 teisingas Dbo idstymas
Xn = mn + An

b. v.

Toks idstymas yra vienintelis.

2.38 apibrimas. Dbo idstyme esanti didjanti seka vadinama kompensatoriumi.
Sakykime, M = (Mn , Fn )n1 yra kvadratu intergruojamas martingalas, t. y. martingalas, kuriam EMn2 < , kai n 1. Tada M 2 = (Mn2 , Fn )n1 yra submartingalas.
I Dbo teoremos turime, kad
Mn2 = Mn + hM in ,
ia hM in martingalo Mn kvadratin charakteristika:
hM in =

n
X

E (Mk Mk1 )2 | Fk1 .

k=1

Be to, i k

E (Mk Mi )2 | Fi = E (Mk2 Mi2 ) | Fi = E (hM ik hM ii ) | Fi .

Jei M0 = 0, tai
EMk2 = EhM ik .
2.39 teiginys. Jei M0 = 0 ir Mn = 1 + . . . , n , ia (n ) seka nepriklausom a. d.,
toki, kad Ei = 0, Ei2 < , tai kvadratin charakteristika
hM in = EMn2 = D1 + . . . + Dn
yra neatsitiktin ir sutampa su dispersija.

2.7. Tolydaus laiko martingalai

37

Sakykime, X = (Xn , Fn )n1 ir Y = (Yn , Fn )n1 kvadratu integruojami martingalai. Apibriame

i
1h
hX, Y in = hX + Y in hX Y in .
4
Seka


Xn Yn hX, Y in , Fn
yra martingalas. Todl, kai i j,
i

E (Xj Xi )(Yj Yi ) | Fi = E hX, Y ij hX, Y ii | Fi .

2.40 teiginys. Tegul Xn = 1 + . . . + n , Yn = 1 + . . . + n , o (n ) ir (n ) tokios
nepriklausom a. d. sekos, kad Ei = Ei = 0 ir Ei2 < , Ei2 < visiems i =
1, . . . , n. Tada
hX, Y in =

n
X

cov(k , k ).

k=1

Sek hX, Y i = (hX, Y in , Fn ) danai vadina bendra martingal X ir Y charakteristika. Be to,

hX, Y in =

n
X

E(Xk Yk | Fk1 ),

ia Xk = Xk Xk1 .

k=1

Martingal teorijoje svarb vaidmen atlieka kvadratin kovariacija ir kvadratin

variacija, t. y.
[X, Y ]n =

n
X

Xk Yk

ir [X]n =

k=1

2.7.

n
X

(Xk )2 .

k=1

Tolydaus laiko martingalai

Duota tikimybin erdv (, F, P). Raide T, T [0, ), ymsime baigtin ar begalin

interval.
2.41 apibrimas. -algebr F = (Ft ), apibrt , t T, eim vadinsime filtracija, jei
Fs Ft F visiems s, t T tokiems, kad s t.
Paprastai reikalaujama, kad filtracija F = (Ft ), t T, tenkint prastines slygas,
t. y. filtracija turi bti tolydi i deins (Ft = s>t Fs ) ir F0 priklauso visos P-nulinio
mato aibs i F.
2.42 apibrimas. Stochastinis procesas X = {X(t), t T} vadinamas martingalu
(submartingalu, supermartingalu) filtracijos F = (Ft ) atvilgiu, jei:
a) X(t) yra integruojamas kiekvienam t T, t. y. E|X(t)| < ;
b) X(t) yra Ft -matus kiekvienam t T, t. y. X yra suderintas su filtracija F;
c) X(s) = E(X(t) | Fs ) (atitinkamai arba ) visiems s, t T, tokiems, kad s t.

38

2 skyrius. Atsitiktiniai procesai

Nordami pabrti, su kokia filtracija nagrinjamas martingalas yra suderintas, raysime X = (X(t), Ft )tT .
1 pavyzdys. Procesas N (t) t yra martingalas filtracijos F = (Ft ), Ft =
{N (s), s t} atvilgiu, ia N Puasono procesas su parametru t.
Kadangi N yra Puasono procesas su parametru t, tai
(t)n
.
n!
Reikia patikrinti martingalo apibrimo slygas. Integruojamumas bus, jei E|N (t)| < .
Kadangi N (t) yra neneigiamas, tai
P(N (t) = n) = et

E| N (t)| = EN (t) =

P(N (t) = n) =

n=0

net

n=0

(t)n
=
n!

X
X
(t)n1
(t)n
= tet
= tet
= tet et = t.
n=1

(n 1)!

n=0

(n)!

N (t) t yra Ft matus, nes toks yra N (t).

inome, kad Puasono procesas yra procesas su nepriklausomais pokyiais. Todl
a. d. N (t) N (s) yra nepriklausomas Fs atvilgiu visiems 0 s t. Vadinasi,


E N (t) N (s) | Fs = E N (t) N (s) = t s.

Taigi

E N (t) t | Fs = E N (s) s | Fs = N (s) s.

2 pavyzdys. (W (t), Ft )t0 yra martingalas; ia Ft = {W (s), 0 s t}. Jis yra
integruojamas, nes
r

x2
1
t
E| W (t)| =
| x| e 2t dx =
2
2t
r Z
r

2
x
2t
2t
=
xe 2 dx =
,
0

| x| e

x2
2

dx =

(arba pasinaudojus Koi nelygybe ir Vynerio proceso apibrimu E| W (t)|

ir


E W (t) | Fs

EW 2 (t) = t)

= E W (t) W (s) | Fs + E W (s) | Fs =



= E W (t) W (s) + W (s) = W (s).

3 pavyzdys. Procesas X = {W 2 (t) t, t 0} yra martingalas filtracijos F = (Ft ),
Ft = {W (s), 0 s t}, atvilgiu:


E W 2 (t) | Fs = E [W (t) W (s) + W (s)]2 | Fs =



= E [W (t) W (s)]2 | Fs + 2 E [W (t) W (s)]W (s) | Fs + E W 2 (s) | Fs =



2

= E W (t) W (s)

+ 2Ws E W (t) W (s) + W 2 (s) = t s + W 2 (s),

2.8. Kvadratu integruojami martingalai

i ia gauname, kad

39

E W 2 (t) t | Fs = W 2 (s) s.
4 pavyzdys. Procesas exp{W (t) t/2} yra martingalas filtracijos F = (Ft ), Ft =
{W (s), 0 s t}, atvilgiu:


E exp{W (t)} | Fs

= E exp{W (t) W (s)} exp{W (s)} | Fs =



= eW (s) E exp{W (t) W (s)} | Fs =



= eW (s) E exp{W (t) W (s)}

ir


E exp{W (t) W (s)}

=
=

1
x
ex e 2(ts) dx =
2(t s)
Z
ts
ts
z2
1
e 2
e 2 dz = e 2 ,
2

nes

x2
+x =
2(t s)
=

Vadinasi,

h
i ts
1
=
x2 + 2(t s)x (t s)2 +
2(t s)
2
 [x (t s)]2  t s
x (t s)
1
; z :=
.

+
2(t s)
2(t s)
2
ts


E eW (t)t/2 | Fs = eW (s)s/2 .

2.8.

Kvadratu integruojami martingalai

2.43 apibrimas. Tarkime, X = (X(t), Ft )t0 yra tolydus i deins martingalas.

Sakysime, kad X yra kvadratu integruojamas, jei EX 2 (t) < bet kokiam t 0,
t. y.
sup EX 2 (t) < .
t0

Jei papildomai X(0) = 0 b. v., tai raysime X M2 (arba X Mc2 , jei X yra tolydus).
Jei X M2 , tai X 2 = (X 2 (t), Ft )t0 yra neneigiamas submartingalas. I DboMejerio teoremos gauname, kad
X 2 (t) = M (t) + A(t),

t 0,

ia M = (M (t), Ft )t0 yra tolydus i deins martingalas ir A = (A(t), Ft )t0 yra numatomas didjantis integruojamas procesas, t. y. procesas, matus -algebros atvilgiu,
generuotos vis tolydi i kairs atsitiktini proces. iame idstyme procesas A
paprastai ymimas hXi ir vadinamas proceso X kvadratine variacija.

40

2 skyrius. Atsitiktiniai procesai

Pavyzdys. Ats. pr. W 2 (t) nra kvadratu integruojamas martingalas. Kadangi

EW 2 (t) = t, tai
sup EW 2 (t) = .
t0

2.44 apibrimas. A. d. : T {}, T [0, ), vadinamas stabdymo

momentu filtracijos (Ft )tT atvilgiu, jei kiekvienam t T aib
{ : () t} Ft .
2.45 apibrimas. Lokalus martingalas (lokalus kvadratu integruojamas martingalas) yra toks procesas, kuriam egzistuoja didjanti stabdymo moment seka (Tn ),
tenkinanti slygas:
lim Tn = b. v.
n

ir kiekvienas sustabdytas procesas

X Tn (t) = X(t Tn )
yra tolygiai integruojamas martingalas (kvadratu integruojamas martingalas), t. y.
h

sup E | X Tn (t)| 1 | X Tn (t)| > N

kai

N .

t0

2.46 teorema (numatoma kvadratin variacija). 1. Sakykime, M ir N lokaliai kvadratu integruojami martingalai. Egzistuoja toks vienintelis tikslumu iki nulinio mato
aibs numatomas procesas hM, N i, kad M N hM, N i yra lokalus martingalas. Be to,
hM, N i =


1
hM + N, M N i hM N, M N i .
4

2. Jei M ir N yra kvadratu integruojami martingalai, tai hM, N i variacija yra

integruojama ir M N hM, N i yra tolygiai integruojamas martingalas.
2.47 apibrimas. Procesas hM, N i vadinamas numatoma kvadratine kovariacija.

2.9.

Stochastinis integralas Brauno judesio atvilgiu

Funkcijos f Styltjeso integral intervale [a, b] funkcijos g atvilgiu galima apibrti kaip
rib
Z b
a

f (t) dg(t) =

lim

maxi | ti |0

f (si ) [g(ti+1 ) g(ti )] ;

ia a = t0 < t1 < . . . < tn = b yra intervalo [a, b] skaidinys, (si ) jo tarpinis skaidinys,
t. y. si [ti , ti+1 ], o ti = ti+1 ti . Styltjeso integralo reikm nepriklauso nei nuo
(si ), nei nuo skaidinio (ti ) reikmi.
Tokiam integralui egzistuoti pakanka, kad f D([a, b]) (t. y. funkcija f apibrta
[a, b] ir neturi antros ries trki) ir V (g; [a, b]) < . Jei g C 1 ([a, b]) (t. y. funkcija

2.9. Stochastinis integralas Brauno judesio atvilgiu

41

g apibrta [a, b] ir turi tolydi ivestin),R o f C([a, b]) (t. y. funkcija f apibrta
[a, b] ir yra tolydi), tai Styltjeso integralas ab f (t) dg(t) egzistuoja ir
Z b
a

f (t) dg(t) =

Z b
a

f (t)g 0 (t) dt.

(2.4)

Mes norime apibrti stochastin integral 0t Y (s) dW (s), kai integruojamoji funkcija Y yra atsitiktin, o integruojanioji funkcija W yra Brauno judesys.
Kadangi Brauno judesio trajektorijos yra niekur nediferencijuojamos, tai stochastinio integralo negalime apibrti (2.4) formule. Prisimin, kad W trajektorijos turi
begalin variacij bet kokiame intervale, negalime apibrti stochastinio integralo kaip
Styltjeso integralo.
Nagrinkime sum
n1
X

Y (sj ) [W (tj+1 ) W (tj )] ,

j=0

ia 0 = t0 < t1 < . . . < tn = T yra intervalo [0, T ] skaidinys, (si ) jo tarpinis skaidinys.
Pasirodo, kad ios sumos riba priklauso nuo tako sj pasirinkimo.
2.13 udavinys. Tarkime, n = {tnk } yra toks intervalo [0, T ] skaidinys, kad

| n | = max tnk+1 tnk 0,

k

Rasime ribas
l.i.m.
n

ir
l.i.m.
n

n1
X

n .

W (tnj ) W (tnj+1 ) W (tnj )

j=0

n1
X

W (tnj+1 ) W (tnj+1 ) W (tnj ) ,

j=0

t. y. k konverguoja atitinkamos ribos kvadratinio vidurkio prasme.

Sprendimas. Teisingos lygybs
1
1
a(b a) = (b2 a2 ) (b a)2 ,
2
2

1
1
b(b a) = (b2 a2 ) + (b a)2 .
2
2

Tada
n1
X

W (tnj ) W (tnj+1 ) W (tnj ) =

j=0

i 1 n1
i2
Xh
Xh
1 n1
W 2 (tnj+1 ) W 2 (tnj )
W (tnj+1 ) W (tnj ) =
2 j=0
2 j=0

i2 2 1
Xh
1 2
1 n1
1
L
W (T )
W (tnj+1 ) W (tnj ) W 2 (T ) T.
2
2 j=0
2
2

42

2 skyrius. Atsitiktiniai procesai

Panaiai
n1
X

W (tnj+1 ) W (tnj+1 ) W (tnj ) =

j=0

i 1 n1
i2
Xh
Xh
1 n1
W 2 (tnj+1 ) W 2 (tnj ) +
W (tnj+1 ) W (tnj ) =
2 j=0
2 j=0

i2 2 1
Xh
1 2
1 n1
1
L
W (T ) +
W (tnj+1 ) W (tnj ) W 2 (T ) + T.
2
2 j=0
2
2

Tarkime, filtracija F = {Ft , t 0} tenkina prastines slygas ir su visais t 0 a.d.

Wt yra Ft -matus ir pokyiai Ws Wu , s u t, nepriklauso nuo -algebros Ft , t. y.
nuo vis Ft maij a. d.
2.48 apibrimas. Ats. pr. X = {X(t), t [0, T ]} vadinamas laiptiniu, jei egzistuoja intervalo [0, T ] skaidinys 0 = t0 < t1 < . . . < tn = T ir kvadratu integruojami a. d.
1 , . . . , n1 tokie, kad
X(t) =

n1
X

j 1[tj ,tj+1 ) (t),

(2.5)

j=0

ia j yra Ftj -matus a. d., j = 0, 1, . . . , n 1. i laiptini proces aib ymsime

S2 [0, T ].
Procesas X yra {Ft , t T } suderintas. Tikrai, jei t [tj , tj+1 ), tai {X(t) < c} =
{j < c} Ftj Ft . Be to, jei X, Y S2 [0, T ], tai ir aX + bY S2 [0, T ] bet kokiems
a, b R.
2.49 apibrimas. Laiptinio proceso (2.5) stochastiniu integralu (arba Ito integralu) intervale [0, T ] vadinsime sum
IT (X) :=

Z T
0

X(t)dW (t) :=

n1
X

j [W (tj+1 ) W (tj )] .

j=0

2.50 teiginys. Stochastinis integralas klasje S2 [0, T ] pasiymi iomis savybmis:

1) jei X, Y S2 [0, T ], a, b R, tai
Z T
0

2) E
3)
4)

RT
0R

(aX + bY )(t) dWt = a

X(t) dW (t) = 0;

E 0T
R
E 0T

2

X(t) dW (t)

X(t) dW (t)

=E

RT
0

RT
0

Z T
0

X(t) dW (t) + b

Z T
0

Y (t) dW (t);

X 2 (t) dt;


Y (t) dW (t) = E

RT
0

X(t) Y (t) dt.

2.9. Stochastinis integralas Brauno judesio atvilgiu

43

rodymas. 1. Vis pirma pastebsime, kad nemaindami bendrumo baigtinius

procesus X ir Y galime laikyti turiniais tuos paius pastovumo intervalus. I tikrj,
prieingu atveju, apjung skaidinius, atitinkanius procesus X ir Y , gautume nauj
skaidin, kurio intervaluose abu procesai X ir Y bt pastovs. Taigi imkime tok
intervalo [0, T ] skaidin 0 = t0 < t1 < . . . < tn = T , kad
X(t) =

n1
X

j 1[tj ,tj+1 ) (t) ir Y (t) =

j=0

n1
X

j 1[tj ,tj+1 ) (t),

j=0

ia j ir j yra Ftj -mats a. d. su visais j = 0, 1, . . . , n 1. Pasiymkime

j W = W (tj+1 ) W (tj ).
Tada
(aX + bY )(t) =

n1
X

(aj + bj )1[tj ,tj+1 ) (t)

j=0

ir
Z T
0

(aX + bY )(t) dW (t) =

n1
X

(aj + bj )j W =

j=0

=a

n1
X

j j W + b

j=0

n1
X

j j W = a

j=0

Z T
0

X(t) dW (t) + b

Z T
0

Y (t) dW (t).

2.
E

Z T
0

X(t) dW (t) = E

n1
X

j j W =

j=0

n1
X

n1
X

E (j j W ) =

j=0

EE j j W | Ftj =

j=0

n1
X

n1
X

i

E j E j W | Ftj

j=0

Ej Ej W = 0.

j=0

3. Paymkime j t = tj+1 tj . Turime Ej W = 0 ir E(j W )2 = j t.

E

Z T
0

!2

X(t)dW (t)

n1
X

= E

j j W = E

j=0

=E

n1
X n1
X

n1
X
i=0

n1
X

n1
X

i2 (i W )2 + 2E

i=0

E i2 (i W )2 + 2

X
i<j

i i W

i=0

(i j i W j W ) = E

i=0 j=0

E (i j i W j W ) .

n1
X

j j W =

j=0

X
i<j

(i j i W j W ) =

44

2 skyrius. Atsitiktiniai procesai

Pastebsime, kad
h

E i2 (i W )2 = Ei2 E (i W )2 = Ei2 j t.
Jei i < j, tai


i

E i j i W j W = E (i j i W ) E j W | Ftj

= E(i j i W ) Ej W = 0.

Todl
E

Z T
0

!2

X(t) dW (t)

n1
X

Ei2

j t = E

i=0

nes

Z T
0

i2

j t = E

i=0
n1
X Z ti+1

X 2 (t) dt =

n1
X

ti

i=0

X 2 (t) dt =

n1
X

Z T
0

X 2 (t) dt,

i2 i t.

i=0

4. Du kartus pasinaudoj tapatybe

ab =

i
1h
(a + b)2 (a b)2
4

ir 1 bei 3 savybmis, turime

E

Z T
0

X(t) dW (t)
 Z T

1
= E
4

Z T

1
= E
4
=E

Y (t) dW (t)

X(t) dW (t) +

X(t) dW (t)

Z T

1
= E
4

Z T

Z T
0

!2

Y (t) dW (t)

Y (t) dW (t)

!2

Z T

1
(X(t) + Y (t)) dt E
4
2

Z T h
1
0

!2 

(X(t) + Y (t)) dW (t)

Z T

Z T

1
E
4

Z T
0

!2

(X(t) Y (t)) dW (t)

(X(t) Y (t))2 dt =
i

(X(t) + Y (t))2 (X(t) Y (t))2 dt = E

Z T
0

X(t)Y (t) dt.

2.51 teiginys. Kiekvienam atsitiktiniam procesui X = {X(t), t [0, T ]} H2 [0, T ],

t. y. suderintam intervale [0, T ] su (Ft ), t [0, T ], ir tokiam, kad
|X| 2 := E

Z T
0

X 2 (t)dt < ,

egzistuoja aprt laiptini proces seka (X n ) Sb [0, T ], konverguojanti X erdvje

H2

H2 [0, T ] (raysime X n X), t. y. tokia, kad

n

|X X| := E

Z T
0

(X n (t) X(t))2 dt 0,

n .

2.9. Stochastinis integralas Brauno judesio atvilgiu

45

2.52 pastaba. Funkcija | | tenkina prastines normos savybes.

H2

2.53 apibrimas. Sakykime, X H2 [0, T ] ir Sb [0, T ] 3 X n X. Atsitiktinio proceso X stochastiniu integralu (arba Ito integralu) Brauno judesio atvilgiu intervale
[0, T ] vadinsime rib
Z T

X(t)dW (t) := l.i.m.

n

t. y.

Z T
0

X n (t)dW (t),

2
Z T
Z T


n

X(t)dW (t)
X (t)dW (t) 0
E
0

n .

Nurodyta riba visada egzistuoja. I tikrj,

E

Z T
0

X (t)dW (t)

=E

Z T
0

!2

Z T

X (t)dW (t)

"Z

=E

#2
n

(X (t) X (t)) dW (t)

(X n (t) X m (t))2 dt = |X n X m |2

(|X n X| + |X X m |)2 0,
RT

Taigi integral seka (

n, m .

X n (t) dW (t)) yra a. d. Koi seka L2 prasme ir todl konver-

H2

guoja L2 prasme. Be to, i riba nepriklauso nuo sekos Sb [0, T ] 3 X n X pasirinkimo.

2.54 teorema. Stochastinis integralas H2 [0, T ] klasje pasiymi savybmis:
R
R
1) jei X, Y H2 [0, T ], a, b R, tai 0T (aX(t) + bY (t)) dW (t) = a 0T X(t) dW (t) +
RT
b 0 Y (t) dW (t);
R
2) E 0T X(t) dW (t) = 0;
4)

R

T
0
R
E 0T

3) E

2

X(t) dW (t)

X(t) dW (t)

RT
0

RT
0

X 2 (t) dt;


Y (t) dW (t) = E

RT
0

X(t)Y (t) dt.

H2

rodymas. rodysime 3 lygyb. Sakykime, Sb 3 X n X H2 , t. y.

kX n Xk2 = E

Z T
0

(X n (t) X(t))2 dt 0,

n .

Laiptiniams procesams turjome lygyb

E

Z T
0

!2
n

X (t) dW (t)

=E

Z T
0

(X n (t))2 dt.

I stochastinio integralo apibrimo turime, kad

Z T
0

L2

X n (t) dW (t)
n

Z T
0

X(t) dW (t) .

(2.6)

46

2 skyrius. Atsitiktiniai procesai

Kadangi
v
v
2 u
2 
Z T
u
u
u Z T

t
t
n
X(t) dW (t) E
X (t) dW (t)  =
 E


0
0

 Z



Z
 T

T n





X (t) dW (t) 
X(t) dW (t)
= 

 0
0
L2
L2

Z T
Z T


X(t) dW (t)
X n (t) dW (t)

0, n ,

0

tai
E

Z T
0

L2

!2
n

X (t) dW (t)

Z T

!2

X(t) dW (t)

n .

Kita vertus,
| k X n k k Xk | k X n Xk 0,

n ,

t. y. k X n k k Xk , n . Vadinasi, k X n k2 k Xk2 , n . Todl, perj prie

ribos (2.6), gausime reikiam tvirtinim.
Ar Brauno judesys priklauso H2 [0, T ]? Prie atsakydami klausim, suformuluosime Fubini teorem.
2.55 teorema (Fubini). Tarkime, X = {X(t), t [a, b]} yra tolydus i deins (arba
kairs)
atsitiktinis
procesas. Jei X(t) 0 b. v., t [a, b], arba vienas i integral
R
R
E ab X(t)dt, ab EX(t)dt yra baigtinis, tai
E

Z b
a

X(t) dt =

Z b
a

EX(t) dt.

2.14 udavinys. rodyti, kad kiekvienam T > 0 Vynerio procesas W H2 [0, T ].

Sprendimas. Kadangi procesas W yra suderintas su (Ft ), tai belieka rodyti, kad
E 0 W 2 (t) dt < . I Fubini teoremos gauname
RT

Z T
0

Todl
E

Z b
a

EW 2 (t) dt =

W (t) dt =

Z b
a

Z T
0

t dt =

T2
< .
2

EW 2 (t) dt < .

Tolydi proces stochastin integral galima apibrti panaiai kaip Styltjeso integral. Svarbu yra tai, kad Styltjeso tipo integralinse sumose integruojamo proceso
reikmes btina imti ne bet kokiuose, o kairiuosiuose skaidinio interval galuose:
2.56 teiginys. Tarkime, kad X H2 [0, T ] tolydus L2 prasme atsitiktinis procesas,
t. y. visiems t [0, T ]
EX 2 (t) <

ir

E | X(s) X(t)|2 0,

kai

s t.

2.9. Stochastinis integralas Brauno judesio atvilgiu

n

47

Jei n = 0 = tn0 < tn1 < . . . < tnkn = T , n N, tokia intervalo [0, T ] skaidini seka,


kad | n | = maxi ti = maxi  tni+1 tni  0, tai
Z T
0

X(t)dW (t) = l.i.m.

kX
n 1

X(tni ) W (tni+1 ) W (tni ) .

i=0

2.15 udavinys. Patikrinti lygyb

Z T
0

W (t) dW (t) =

1 2
1
W (t) T.
2
2

Sprendimas. Reikia tik patikrinti, ar W yra tolydus L2 prasme procesas. I W

apibrimo turime, kad EW 2 (t) = t, o E| W (t) W (t)| 2 = | s t| 0, kai s t.
Vadinasi, W yra tolydus L2 prasme procesas. Tada i k tik pateikto teiginio ir anksiau
sprsto 2.13 udavinio gausime norim lygyb.
2.16 udavinys. Patikrinti lygyb
Z T

t dW (t) = T W (T )

Z T
0

W (t) dt,

ia integralas deinje pusje suprantamas kaip Rymano integralas kiekvienam .

Sprendimas. Kadangi procesas X(t) := t yra tolydi neatsitiktin funkcija, tai
belieka rasti rib
l.i.m.
n

n1
X

tni W (tni+1 ) W (tni ) ,

ia tni =

i=0

iT
.
n

Pasinaudosime tapatybe c(ba) = (dbca)b(dc). Tada, imdami d = tni+1 , gauname

n1
X

tni W (tni+1 ) W (tni ) =

i=0

n1
X

X
n
 n1


ti+1 W (tni+1 ) tni W (tni )
W (tni+1 ) tni+1 tni =

i=0

i=0

= T W (T )

n1
X

W (tni+1 ) tni+1 tni .

i=0

Remdamiesi Hiolderio nelygybe, gausime

n
X

!p

| ai |

np1

i=1

n
X

| ai | p ,

p > 1.

i=1

(Hiolderio nelygybje
n
X
k=1

| ak bk |

n
X
k=1

!1

| ak |p

n
X
k=1

!1

| bk |q

p > 1,

1 1
+ =1
p q

48

2 skyrius. Atsitiktiniai procesai

imsime bk = 1 ir q =

p
p1

.) Todl

 n1
2
Z T
X





E
W (tni+1 ) tni+1 tni
W (t)dt =


0
i=0
 n1 Z n
2
 X ti+1 
 

n
= E
W (ti+1 ) W (t) dt
n


i=0 ti

2
n1
X  Z tni+1 
 
n
n
E
W (ti+1 ) W (t) dt .
 tn

i=0

Analogikai

Z b
a

!p

(b a)p1

| x(t)| dt

Z b
a

| x(t)|p dt.

Todl
n

n1
X
i=0

Z n
2
 ti+1



n
E
[W (ti ) W (t)] dt
 tn

i

n
=n

n1
X
i=0
n1
X

tni+1

tni+1 tni

=n

n

tni+1 ti

i=0

=n

n1
X
i=0

tn
i

Z tn
i+1
tn
i

i=0
n1
X

Z tn
i+1

tni E

tni+1 ti
2

W (t)| dt

n1
X
i=0

2 # tni+1

=


tn
i

T3
T3
=
0,
2n3
2n

Vadinasi,
n1
X

L2

tni W (tni+1 ) W (tni ) T W (T )

n

i=0

tn t
i+1
2
=n

tni+1 t dt =

"

n 3

| W (tni+1

Z T
0

n .

W (t)dt.

2.57 teorema. Tarkime, kad X H2 [0, T ] ir

I(t) :=

Z t
0

Xs dWs ,

t [0, T ].

Tada egzistuoja suderinta proceso I(t) modifikacija I(t),

kurios b. v. trajektorijos yra
tolydios. i modifikacija yra vienintel.
Toliau laikykime, kad I(t) yra tolydus procesas.

2.9. Stochastinis integralas Brauno judesio atvilgiu

49

2.58 teorema. 2.54 teoremos teigin 2) galima sustiprinti. Procesas I(t) yra martingalas, t. y. kai s t,
E

Z t

X(s) dW (s)| Fs =

Z s
0

X(r) dW (r).

2.59 teorema. Tarkime, W yra standartinis Vynerio procesas ir b(t) neatsitiktin

funkcija. Tada
Z
t

X(t) =

b(s) dW (s)

yra Gauso procesas su nuliniu vidurkiu m(t) = 0 ir kovariacija

cov(X(s), X(t)) = (s, t) =

Z st
0

b2 (u) du.

2.60 teorema. Tarkime, W yra standartinis Vynerio procesas, a(t) ir b(t) yra neatsitiktins funkcijos. Apibrkime
X(t) =

Z t
0

b(s) dW (s),

Y (t) =

Z t
0

a(s)X(s) ds.

Tada Y yra Gauso procesas su nuliniu vidurkiu m(t) = 0 ir kovariacija

cov(Y (s), Y (t)) = (s, t) =

Z st
0

Z s

b (v)

a(y) dy

 Z t
v

a(y) dy dv.

2.61 pastaba. Jei b(t) yra atsitiktn funkcija, tai X nebtinai yra Gauso procesas.
2.17 udavinys. rodyti, kad
Y (t) =

Z t

W (s) dW (s)

priklauso H2 [0, T ] bet kokiems T > 0.

Sprendimas. Reikia parodyti, kad
E

Z T
0

Y 2 (t) dt < .

Nagrinjame
E

Z T
0

Y 2 (t) dt =
=E

Z T Z t

=
=

0
T 

Z T 2
t
0

Z t
0

2

W (s) dW (s)

dt =

W 2 (s) ds dt =

dt =

T3
6

< .

Z T
0

Z T Z t
0

Z t
0

2

W (s) dW (s)

s ds dt =

dt =

50

2 skyrius. Atsitiktiniai procesai

2.10.

Stochastinis diferencialas ir Ito formul

Bet kokiai tolydiai diferencijuojamai funkcijai x(t) tokiai, kad x(0) = 0, teisinga lygyb
x2 (T ) = 2

Z T

x(t) dx(t) = 2

Z T
0

x(t) x0 (t) dt.

(2.7)

Praeitame skyriuje standartiniam Vynerio procesui mes rodme lygyb

2

W (T ) =

Z T
0

dt + 2

Z T
0

W (t) dW (t).

(2.8)

Matome, kad (2.7) ir (2.8) skiriasi 0T dt nariu.

(2.7) lygyb galime gauti tiesiogiai, arba i Niutono-Leibnico formuls
F (xT ) F (x0 ) =

Z T
0

F 0 (xt ) dxt ,

teisingos tolydioms baigtins variacijos funkcijoms x ir funkcijoms F C1 (R). (2.8)

lygyb gali bti gauta i stochastinio Niutono-Leibnico formuls analogo, vadinamosios
Ito formuls. Prie formuluodami Ito formul vesime Ito proceso svok.
2.62 apibrimas. Stochastinis procesas X = {X(t), t [0, T ]} vadinamas Ito procesu, jei jo trajektorijos yra b. v. tolydios ir j galime urayti taip:
X(T ) = X0 +

Z T
0

a(t) dt +

Z T
0

b(t) dW (t)

b. v.,

(2.9)

ia procesas b(t) = b(t, ) priklauso H2 [0, T ] klasei visiems T > 0, o procesas a(t) =
a(t, ) yra suderintas su filtracija {Ft , t [0, T ]}, apibrta praeitame skyrelyje, ir toks,
kad
Z
T

| a(t)| dt <

b. v. su visais T > 0.

(2.10)

Vis suderint proces a(t), tenkinani slyg (2.10) kokiam nors T > 0, klas bus
ymima L1T .
Jei X yra (2.9) pavidalo Ito procesas, tai jis kartais uraomas trumpiau
dX(t) = a(t) dt + b(t) dW (t).
dX(t) yra vadinamas proceso X(t) stochastiniu diferencialu. Reikt pabrti, kad
stochastinis diferencialas neturi apibrtos matematins prasms. Tai tik paprastesnis
(2.9) lygties uraymas.
1 pavyzdys. Vynerio proces W (t) galima urayti taip:
W (T ) =

Z T
0

dW (t).

Vadinasi, Vynerio procesas W yra Ito procesas, nes jis turi (2.9) pavidal su a(t) = 0
ir b(t) = 1, X0 = 0. Funkcijos a(t) L1T , o b(t) H2T .

2.10. Stochastinis diferencialas ir Ito formul

51

2 pavyzdys. Kiekvienas procesas, kur galime urayti

X(T ) = X(0) +

Z T
0

a(t) dt,

ia a(t) L1T kiekvienam T 0, yra Ito procesas. Atskiru atveju kiekvienas determinuotasis tokio pavidalo procesas su neatsitiktine funkcija a(t) yra Ito procesas.
3 pavyzdys. Kadangi a(t) = 1 priklauso klasei L1T ir b(t) = 2W (t) priklauso H2T
kiekvienam T > 0, tai
W 2 (T ) =

Z T
0

dt + 2

Z T
0

W (t) dW (t)

yra Ito procesas.

2.63 teorema (Ito formul, supaprastintas variantas). Tarkime, kad F (t, x) yra reali dviej kintamj funkcija, turinti tolydias dalines ivestines Ft0 (t, x), Fx0 (t, x) ir
00 (t, x) visiems t 0 ir x R. Tarkime, kad procesas F 0 (t, W (t)) priklauso H2
Fxx
x
T
visiems T > 0. Tuomet F (t, W (t)) yra toks Ito procesas, kad
F (T, W (T )) F (0, W (0)) =
=

Z T
0

Ft0 (t, W (t))

1 00
(t, W (t)) dt +
+ Fxx
2

Z T
0

Fx0 (t, W (t)) dW (t)

b. v.

Diferencialiniu pavidalu


Ft0 (t, W (t))

dF (t, W (t)) =

1 00
+ Fxx
(t, W (t)) dt + Fx0 (t, W (t)) dW (t).
2

2.64 pastaba. Dviej kintamj funkcijos F (t, x) pilnas diferencialas uraomas

dF (t, x(t)) = Ft0 (t, x(t)) dt + Fx0 (t, x(t)) dx(t),
ia x(t) yra diferencijuojama funkcija.
4 pavyzdys. Imkime F (t, x) = x2 . Tada
Ft0 (t, x) = 0,

00
Fx0 (t, x) = 2x ir Fxx
(t, x) = 2.

Tuomet i Ito formuls

2

W (T ) =

Z T
0

dt + 2

Z T
0

W (t) dW (t).

5 pavyzdys. Imkime F (t, x) = x3 . Tada

Ft0 (t, x) = 0,
Tuomet
3

W (T ) = 3

Fx0 (t, x) = 3x2

Z T
0

W (t) dt + 3

00
ir Fxx
(t, x) = 6x.

Z T
0

W 2 (t) dW (t).

52

2 skyrius. Atsitiktiniai procesai

2.18 udavinys. rodyti, kad eksponentinis martingalas

t

X(t) = eW (t) 2
yra Ito procesas ir tenkina lygt
dX(t) = X(t) dW (t).
Sprendimas. Imkime F (t, x) = ex et/2 . Tada
1
Ft0 (t, x) = ex et/2 ,
2

Fx0 (t, x) = ex et/2

00
ir Fxx
(t, x) = ex et/2 .

Kadangi X(t) = eW (t) et/2 , tai i Ito formuls

dX(t) = dF (t, W (t)) =


1 00
= Ft0 (t, W (t)) + Fxx
(t, W (t)) dt + Fx0 (t, W (t)) dW (t) =
2


1
1
= X(t) + X(t) dt + X(t) dW (t) = X(t) dW (t).
2
2
Tam, kad X(t) = eW (t) et/2 bt Ito procesas, pakanka parodyti, kad X(t) priklauso
H2T klasei kiekvienam T > 0. Aiku, kad X(t) yra suderintas su {Ft , t [0, T ]}. Toliau
E

Z T
0

| X(t)|2 dt =

Z T
0

E e2W (t) et dt,

Z

2
x2
1
1
1
e2x e 2t dx =
e 2t (x2t) +2t dx =
Ee2W (t) =
2t
2t
Z
Z
2
(x2t)
1
1 2t z2
2t
2t

=
e
e
dx =
e
e 2 dz = e2t .
2t
2

Todl
E
Vadinasi, X(t)

Z T
0

| X(t)|2 dt =

Z T
0

et dt = eT 1 < .

H2T .

2.65 teorema (Ito formul, bendrasis atvejis). Tarkime, X(t) yra Ito procesas. Tarkime, kad F (t, x) yra reali funkcija, turinti tolydias ivestines Ft0 (t, x), Fx0 (t, x) ir
00 (t, x) visiems t 0 ir x R. Be to, tarkime, kad procesas b(t)F 0 (t, x) priklauFxx
x
so H2T visiems T > 0. Tuomet F (t, X(t)) yra toks Ito procesas, kad


1 00
dF (t, X(t)) = Ft0 (t, X(t)) + Fx0 (t, X(t))a(t) + Fxx
(t, X(t))b2 (t) dt+
2
+ Fx0 (t, X(t))b(t) dW (t).

2.11. Stochastins diferencialins lygtys

53

2.19 udavinys. Tarkime, kad > 0 ir R yra fiksuoti. Apibrkime

Y (t) = et

Z t
0

es dW (s).

rodyti, kad Y (t) tenkina lygt

dY (t) = Y (t)dt + dW (t).

(2.11)

Sprendimas. Paymkime F (t, x) = et x. Tada

Ft0 (t, x) = et x,

Fx0 (t, x) = et

Procesas
X(t) =

Z t
0

00
ir Fxx
(t, x) = 0.

es dW (s)

yra Ito procesas. Funkcija

b(t)Fx0 (t, x) = et et =
yra aprta. Todl b(t)Fx0 (t, x) priklauso H2T klasei kiekvienam T > 0 ir galime taikyti
Ito formul. Gauname


dY (t) = d et X(t) =
= et X(t) dt + et et dW (t) = Y (t) dt + dW (t).
Vadinasi, rodme, kad Y(t) tenkina lygt (2.11).
Procesas
Z t
t
Y (t) = e
es dW (s).
0

vadinamas Ornteino-Ulenbeko procesu.

2.11.

Stochastins diferencialins lygtys

Dabar nagrinsime integralin lygt

Xt = 0 +

Z t
0

f (s, X(s)) ds +

Z t
0

g(s, X(s)) dW (s),

t 0.

(2.12)

I dalies dl istorini prieasi, bet labiau dl praktinio patogumo ji paprastai uraoma formaliu diferencialiniu pavidalu
dXt = f (t, X(t)) dt + g(t, X(t)) dW (t),

X0 = 0 .

(2.13)

Abi lygtys vadinamos stochastinmis diferencialinmis lygtimis (SDL), nors tiksliau bt vartoti od integralin.

54

2 skyrius. Atsitiktiniai procesai

2.66 apibrimas. Ito procesas X(t), t 0 vadinamas stochastins diferencialins

lygties (2.13) sprendiniu, jei 0 yra F0 -matus a. d., procesai f (t, X(t)) ir g(t, X(t))
priklauso atitinkamai L1T ir H2T klasms ir visiems t 0 jis tenkina (2.12) lygt (su
tikimybe 1).
2.67 teorema. Tarkime, kad f ir g tenkina Lipico slyg, t. y. egzistuoja tokia
konstanta C > 0, kad visiems x, y R
| f (t, x) f (t, y)| C| x y|

ir

| g(t, x) g(t, y)| C| x y| .

Tada jie tenkina ir tiesinio augimo slyg

| f (t, x)| + | g(t, x)| D(1 + | x| ),

D konstanta.

Be to, tarkime, kad 0 yra F0 -matus a. d. Tuomet stochastin diferencialin lygtis

(2.13) turi sprendin {X(t), t 0}, kuris priklauso Ito proces klasei. Sprendinys yra
vienintelis. (Jei {(t), t 0} yra kitas Ito procesas, tenkinantis (2.13) lygt, tai ie du
procesai sutampa b. v., t. y. P (X(t) = (t), t 0) = 1.)
2.68 apibrimas. Tiesine stochastine diferencialine (TSDL) vadinama lygtis
dXt = (a0 (t)Xt + a2 (t)) dt + (b1 (t)Xt + b2 (t)) dWt ,

X0 = 0 ,

ia ai ir bi neatsitiktins funkcijos. Jei ai ir bi konstantos, tai TSDL vadinama

autonomine; jei a2 = b2 = 0, tai lygtis vadinama homogenine.
2.20 udavinys. Tarkime, kad w(t), t 0, yra tokia deterministin funkcija i klass
C 1 (R), kad w(0) = 0. Isprsti parpastj diferencialin lygt
dx(t) = ax(t) dt + bx(t) dw(t)

(2.14)

su pradine slyga x(0) = x0 (raome dw(t) vietoje w0 (t) dt, kad bt analogija su stochastinmis diferencialinmis lygtimis).
Sprendimas. Perraome (2.14) lygt


dx(t) = ax(t) + bx(t)w0 (t) dt = x(t) a + bw0 (t) dt.

Atskiriame kintamuosius


dx(t)
= a + bw0 (t) dt
x(t)

ln | x(t)| = at + bw(t) + c.

Kadangi x(0) = x0 , tai

ln | x(t)| = at + bw(t) + ln| x0 |
ir
| x(t)| = exp {at + bw(t) + ln | x0 | } = | x0 | eat+bw(t) .
Vadinasi,
x(t) = x0 eat+bw(t) .

(2.15)

2.11. Stochastins diferencialins lygtys

55

Matome, kad lygties (2.14) sprendinys turi pavidal (2.15).

Pakeiskime lygybje (2.15) neatsitiktin funkcij w(t) atsitiktine. Imkime vietoj
w(t) Vynerio proces W (t). Dabar isiaikinsime, kokios stochastins lygties sprendiniu
yra is atsitiktinis procesas.
2.21 udavinys. rodyti, kad procesas
X(t) = x0 eat+bW (t)
yra tiesins stochastins diferencialins lygties
b2
dX(t) = a +
2

X(t) dt + bX(t) dW (t)

su pradine slyga X(0) = x0 sprendinys.

Sprendimas. Paymkime Yt = at + bW (t). Tai Ito procesas. Imkime F (x) =
x0 ex . I Ito formuls


1 00
F (Yt ) =
a + Fxx
(Yt ) b2 dt + Fx0 (Yt ) b dW (t) =
2
#
"
b2
= x0 exp {Yt } + x0 exp {Yt } dt + bx0 exp {Yt } dW (t).
2
Fx0 (Yt )

Vadinasi,
b2
dX(t) = a +
2

X(t) dt + bX(t) dW (t)

ir
X(0) = x0 exp {Y0 } = x0 .
Galima rodyti iek tiek bendresn teigin, t. y. procesas
X(t) = X0 eat+bW (t)
yra stochastins diferencialins lygties
dX(t) =

b2
a+
2

X(t) dt + bX(t) dW (t),

su pradine slyga X(0) = X0 , sprendinys. is sprendinys yra vadinamas geometriniu

Brauno judesiu.
2.22 udavinys. rodyti, kad tiesin stochastin diferencialin lygtis
dX(t) = aX(t) dt + bX(t) dW (t)
su pradine slyga X(0) = X0 turi vienintel sprendin


X(t) = X0 e

a b2


t+bW (t)

(2.16)

56

2 skyrius. Atsitiktiniai procesai

Sprendimas. Stochastin diferencialin lygt (2.16) galima perrayti
dX(t) =

ia c = a

b2
2

b2
c+
2

X(t) dt + bX(t) dW (t),

. I ankstensio udavinio gauname, kad ios lygties sprendinys yra



X(t) = X(t) = X0 ect+bW (t) = X0 e

a b2

t+bW (t)

Vienatis gaunama i teoremos.

Ireiktiniu pavidalu SDL sprendin galime gauti ne tik tiesiniu atveju. Nagrinkime
tokio pavidalo SDL:
dX(t) =

1
b(X(t))b0 (X(t)) dt + b(X(t)) dW (t),
2

X(0) = x0 ,

b C 1 (R).

(2.17)

Kadangi b(x) yra diferencijuojama funkcija, tai ios lygties sprendinys iekomas pavidalu
X(t) = h1 (W (t) + h(x0 )),
ia h1 yra funkcijos
h(x) =

Z x
ds
0

b(s)

atvirktin funkcija.
2.23 udavinys. Rasti lygties
q
1
dX(t) = a2 X(t) dt + a 1 X 2 (t) dW (t),
2

X0 = x0

(2.18)

sprendin.

Sprendimas. Paymj b(x) = a 1 x2 , lygt (2.18) galime urayti (2.17) pavidalu, nes
ax
b0 (x) =
ir b(x)b0 (x) = a2 x.
1 x2
Tada ms nagrinjamos lygties (2.18) sprendinio iekome naudodami transformacij
h(x) =

Z x
0

ds
1

= arcsin x.
2
a
a 1s

Funkcijai h(x) atvirktin funkcija yra h1 (x) = sin(ax). Vadinasi, lygties (2.18) sprendinys yra
X(t) = sin (aW (t) + arcsin x0 ).
Lygtis
(2.18) netenkina sprendinio egzistavimo ir vienaties slyg, nes funkcija b(x) =

a 1 x2 nra Lipico.

2.12. Stochastini diferencialini lygi skaitinis sprendimas

57

2.24 udavinys. Rasti lygties

dX(t) = sin X(t) cos3 X(t) dt + cos2 X(t) dW (t),

X0 = x0

(2.19)

sprendin.
Sprendimas. Paymj b(x) = cos2 x, lygt (2.19) galime urayti (2.17) pavidalu,
nes
b0 (x) = 2 cos x sin x ir b(x)b0 (x) = 2 cos3 x sin x.
Tada ms nagrinjamos lygties (2.19) sprendinio iekome naudodami transformacij
h(x) =

Z x
0

ds
= tg (x).
cos2 s

Funkcijai h(x) atvirktin funkcija yra h1 (x) = arctg x. Vadinasi, lygties (2.19) sprendinys yra
X(t) = arctg (W (t) + tg x0 ).

2.12.

Stochastini diferencialini lygi skaitinis sprendimas

Nagrinkime stochastin diferencialin lygt

Xt = x0 +

Z t
0

b(s, X(s)) ds +

Z t
0

(s, X(s)) dW (s),

t 0.

(2.20)

Ireiktiniu pavidalu tokia lygtis isprendiama gana retai. Natralu, kaip ir paprastj diferencialini lygi atveju, reikia skaitini artutini sprendimo metod, kurie leist stochastines diferencialines lygtis sprsti kompiuteriais. Taiau k reikia
artutiniai (apytikriai) isprsti stochastin diferencialin lygt, kurios sprendinys yra
atsitiktinis procesas?
Paprastai daroma taip. Imama fiksuota laiko intervalo [0, T ] diskretizacija 0 = t0 <
T
t1 < . . . < tN = T su pastoviu ingsniu h = N
. Visiems tokiems h konstruojami
h
diskreiojo laiko atsitiktiniai procesai Xkh , k = 0, 1, . . . , N , kurie priklausyt tik nuo
Vynerio proceso W reikmi Wkh , k = 0, 1, . . . , N , ir kaip galima geriau aproksimuot
T
h yra
tikslj lygties sprendin X, kai h = N
0. Patogu laikyti, kad procesai Xkh
apibrti su visais t [0, T ].
h
(laiptinis procesas) arba
Pavyzdys. Xth := X[t/h]h


h
h
h
Xth := Xkh
+ X(k+1)h
Xkh

 t kh

kai t [kh, (k + 1)h)

(tolydioji laut).
Kaip vertinti apytikri sprendini X h ir X artum? Naudojami du pagrindiniai
bdai.

58

2 skyrius. Atsitiktiniai procesai

2.69 apibrimas. Sakoma, kad (X h ) yra sprendinio X n-osios eils silpnoji aproksimacija, jei visiems t [0, T ],
Ef (X h (t)) Ef (X(t)) = O(hn ),

h 0,

pakankamai plaiai funkcij f : R R klasei, pavyzdiui, vis aprt funkcij, turini tolydias vis eili aprtas ivestines, t. y. Cb (R).
Turint teorin aproksimacij X h , reikia mokti generuoti kompiuteriu atsitiktinius
dydius Wkh . Tai nra sunku padaryti, nes
Wkh =

k1
X

W(i+1)h Wih ,

i=0

o prieaugiai
Wi = W(i+1)h Wih N (0, h)
yra nepriklausomi a. d. Todl paprastai
generuojama nepriklausom a. d. seka i

N (0, 1), i N, ir imama Wi := i h.

Paprastj diferencialini lygi aproksimacija. Nagrinkime paprastj diferencialin lygt
Xt0 = b(t, X(t)), X0 = x0 , t [0, T ],
arba
X(t) = x0 +
Paymj h =

T
N , tk

X(0) = x0 ,

Z t
0

b(s, X(s))ds,

t [0, T ].

= kh, turime

X(tk+1 ) = X(tk ) +

Z tk+1
tk

b(s, X(s))ds,

k = 0, 1, . . . , N 1.

Pakeiskime integral apytikre jo reikme pagal staiakampi formul:

X(tk+1 ) X(tk ) +

Z tk+1
tk

b(tk , X(tk ))ds = X(tk ) + b(tk , X(tk )) h,

k = 0, 1, . . . , N 1.

Atmetus paklaid ir vietoje tikslios lygybs naudojant apytiksl, gauname paprasiausi Oilerio aproksimacij:
X0h = x0 ,

X h (tk+1 ) = X h (tk ) + b(tk , X h (tk )) h,

k = 0, 1, . . . , N 1.

rodoma, kad Oilerio aproksimacija yra pirmosios eils:

sup | X h (t) X(t)| = O(h),

h 0.

tT

Pakeit staiakampi formul trapecij formule, gautume

Xtk+1 X(tk ) +

1
[b(tk , X(tk )) + b(tk+1 , X(tk+1 ))] h,
2

k = 0, 1, . . . , N 1.

2.12. Stochastini diferencialini lygi skaitinis sprendimas

59

Taiau i schem nepatogu naudoti kiekviename ios schemos ingsnyje dar reikia
sprsti lygt Xthk+1 atvilgiu. is sunkumas apeinamas, deinje pakeiiant nar Xthk+1
jo apytikre reikme, pasiskolinta i Oilerio metodo. Taip gauname modifikuot
trapecin aproksimacij:
i
1 h
h (tk+1 )) h,
b(tk , X h (tk )) + b(tk+1 , X
2
h
h

X (tk+1 ) = X (tk ) + b(tk , X h (tk )) h, k = 0, 1, . . . , N 1.

X h (tk+1 ) = X h (tk ) +

i aproksimacija dar vadinama pagerintja Oilerio, arba Heuno, aproksimacija. Ji

turi jau antros eils tikslum:
sup | X h (t) X(t)| = O(h2 ),

h 0.

tT

Kitas bdas aproksimacijos eilei padidinti yra Teiloro formuls pritaikymas. Taikydami
j sprendiniui X intervale [tk , tk+1 ], gauname:
X(tk+1 ) =X(tk ) + X 0 (tk ) h +
Rnk =

1 00
1
X (tk ) h2 + . . . + X (n) (tk ) hn + Rnk ,
2
n!

1
X (n+1) (nk ) hn+1 ,
(n + 1)!

nes
X(t) = X(tk ) +

nk [tk , tk+1 ],

Z t
tk

b(s, X(s)) ds.

Vadinasi,
X 0 (tk ) = b(tk , X(tk )),
X 00 (tk ) = t b(tk , X(tk )) + x b(tk , X(tk )) X 0 (tk ) =
= t b(tk , X(tk )) + b(tk , X(tk )) x b(tk , X(tk )),
000

X (tk ) = b00tt + 2b00tx b + b00xx b2 + b0t b0x + b(b0x )2

ir t. t.,

nes funkcijos y = f (t, x(t)) ivestin

f
f dx
dy
=
+

.
dt
t
x dt
Atmesdami Teiloro formulje liekamj nar Rn , gausime vadinamj n-osios eils
Teiloro aproksimacij. Pavyzdiui, 2-osios eils Teiloro aproksimacija yra
X h (tk+1 ) = X h (tk )+b(tk , X h (tk ))h+

i
1h 0
bt (tk , X h (tk ))+b(tk , X h (tk ))b0x (tk , X h (tk )) h2 .
2!

Stipriosios SDL aproksimacijos. Oilerio aproksimacijos analogas stochastinei

diferencialinei lygiai yra Oilerio-Marujamos aproksimacija, apibrta lygybmis:
X0h = x0 ,

X h (tk+1 ) = X h (tk ) + b(tk , X h (tk )) h + (tk , X h (tk )) Wk ,

Wk = W (tk+1 ) W (tk ),

tk = kh.

60

2 skyrius. Atsitiktiniai procesai

Patogu jos reikmes pratsti visam intervalui [0,T]:

X h (t) = X h (tk ) + b(tk , X h (tk )) (t tk ) + (tk , X h (tk )) (W (t) W (tk )),
X0h = x0 ,

t [tk , tk+1 ].

2.70 apibrimas. Sakykime, lygties (2.20) koeficientai tenkina Lipico slyg



| b(t, x) b(s, y)|2 + | (t, x) (s, y)|2 C | x y|2 + | t s|2 .

Tada

sup E| Xth Xt | = O(h 2 ),

h 0,

tT

t. y. Oilerio aproksimacijos eil yra 21 .

Konvergavimo eil nulemia blogesn difuzin lygties dalis.
Dabar bandysime pagerinti aproksimacijos eil naudodami Teiloro formuls analog Ito-Teiloro formul stochastinms diferencialinms lygtims. Paprastumo dlei
nagrinsime homogenin lygt, t. y.
dX(t) = b(X(t)) dt + (X(t)) dW (t).

(2.21)

I Ito formuls f C 2 (R), t s :

f (X(t)) = f (X(s)) +
+

Z t
s

Z th
s

f 0 (X(u))b(X(u)) +

i
1 00
f (X(u))(X(u)) du
2

f (X(u))(X(u)) dW (u)

(2.22)

Atskiru atveju, kai f (x) = x, turime Af = f 0 (x)b(x) + 21 f 00 (x)(x) = b(x) ir Sf =

f 0 (x)(x) = (x). Tada (2.22) virsta pradine Ito lygtimi (2.21).
Pagal analogij su determinuota lygtimi, pritaikydami formul (2.22) funkcijoms
f = b ir f = pastarojoje lygtyje, gauname
X(t) = X(s) +
+

Z th
s

Z th
s

b(X(s)) +

(X(s)) +

= X(s) + b(X(s))

Z z
s

Z t
s

Z z
s

Ab(X(u)) du +

A(X(u)) du +

du + (X(s))

Z t
s

Z z
s

Z z
s

Sb(X(u)) dW (u) dz +
i

S(X(u)) dW (u) dWz =

dW (u) + R,

ia liekamasis narys
R =

Z tZ z
s

Ab(X(u)) du dz +

s
tZ z

Z
s

Z tZ z
s

S(X(u)) dW (u) dz.

Sb(X(u)) dW (u) dz +

Z tZ z
s

A(X(u)) du dz +
(2.23)

2.12. Stochastini diferencialini lygi skaitinis sprendimas

61

Tai paprasiausia Ito-Teiloro formul. Pritaik (2.22) formul (2.23) formuls funkcijai
f = S, gausime Ito-Teiloro formul
X(t) = X(s)+b(X(s))

Z t
s

du+(X(s))

Z t
s

dW (u)+S(X(s))

Z tZ z
s

dW (u) dW (z)+R1 ,

ia
ER12 C(t s)3 .
Atmesdami liekamj nar gauname aproksimacij
X h (tk+1 ) = X h (tk ) + b(X h (tk )) h + (X h (tk )) Wk +


1
+ (X h (tk )) 0 (X h (tk )) Wk2 h =
2


1 0
h
= X (tk ) + b (X h (tk )) h +
2
1
+(X h (tk )) Wk + 0 (X h (tk )) Wk2 .
2
Ji vadinama Milteino aproksimacija ir jos eil lygi 1.

3 skyrius

Taikymas statistikoje
3.1.

Didij skaii dsnis ir CRT

3.1.1.

Nepriklausomi atsitiktiniai dydiai

Pateiksime pagrindini tikimybi teorijos ribini teorem formulavimus. Nordami

palengvinti didij skaii dsnio (DSD) ir centrins ribins teoremos (CRT), formuluojam martingalams, suvokim, i pradi pateiksime DSD ir CRT nepriklausomiems
a. d.
3.1 teorema (Kolmogorovo). Sakykime, (Xn ) yra nepriklausom vienodai pasiskirsiusi a. d. seka. Tuomet
n
1X
b. v.
Xk
n k=1
tada ir tik tada, kai egzistuoja EXk ir EXk = .
3.2 teorema (Chinino). Jei (Xn ) yra nepriklausom vienodai pasiskirsiusi a. d.
seka su baigtiniu vidurkiu , tai
n
1X
P
Xk .
n k=1

ias teoremas galima bendrinti, atsisakant vienodo Xk pasiskirstymo.

CRT formuluosime paprasiausiu atveju.
3.3 teorema (Lindebergo-Levi). Jei (Xn ) yra nepriklausom vienodai pasiskirsiusi
a. d. seka su vidurkiu ir dispersija 2 > 0, tai

Pn
(Xk ) d
n(X n )
Sn =
= k=1
N (0, 1),

n
ia
Xn =

n
1X
Xk .
n k=1

3.1. Didij skaii dsnis ir CRT

63

3.4 teorema (Lindebergo). Tarkime, (Xn ) yra nepriklausom a. d. seka, kuri antri
P
momentai yra baigtiniai. Tarkime, kad n = EXn ,n2 = DXn > 0, Bn2 = nk=1 k2 ir
a. d. Xn pasiskirstymo funkcija Fn . Jei kiekvienam > 0
n Z
1 X
(x k )2 dFk (x) 0,
Bn2 k=1 {| xk | >Bn }

tai

()

n
1 X
d
(Xk k ) N (0, 1).
Sn =
Bn k=1

3.5 pastaba. Slyga () vadinama Lindebergo slyga. I () gaunama slyga

k2
0,
2
1kn Bn
max

kuri vadinama nykstamo maumo slyga.

Lengva patikrinti, kad Lindebergo-Levi teorema yra atskiras Lindebergo teoremos
atvejis.
Uraykime Lindebergo slyga paprastesniu pavidalu. Tegul
nk =

Xk k
.
Bn

Tada Lindebergo slyg galima perrayti ir gausime

n
X

2
E(nk
1{| nk | >} ) 0,

kai n .

k=1

Aiku, kad
2
max Enk
2 +

1kn

n
X

2
E(nk
1{| nk | >} ).

k=1

Vadinasi, i Lindebergo slygos iplaukia nykstamo maumo slyga. Be to, jei nk yra
nepriklausomi vienodai pasiskirst a. d., tai Lindebergo slyga


n
E (1 1 )2 1{| 1 1 |>n} 0, kai n ,
2
n
bus patenkinta, jei a. d. 12 yra kvadratu integruojamas.
Jei patenkinta Liapunovo slyga, t. y. jei egzistuoja toks > 0, kad
n
X

E| nk |2+ 0,

kai n ,

k=1

tai patenkinta ir Lindebergo slyga, nes

E| nk |2+ E| nk |2+ 1{| nk |} E| nk |2 1{| nk |}
bet kokiam > 0.
Anksiau suformuluot Lindebergo teorem galima apibendrinti.

64

3 skyrius. Taikymas statistikoje

3.6 teorema (Lindebergo-Felerio). Tegul kiekvienam n 1 a. d. n1 , . . . , nn yra

nepriklausomi ir tokie, kad Enk = 0 ir DSn = 1, ia
Sn = n1 + . . . + nn .
Tarkime, kad patenkinta nykstamo maumo slyga, t. y.
2
max Enk
0,

1kn

kai

n .

Tuomet Lindebergo slyga yra btina ir pakankama, kad

d

Sn N (0, 1).

3.1.2.

Martingalai

Nepriklausom a. d. sekas pakeiskime kvadratu integruojamais martingalais. Galima bt nagrinti tiesiog martingalus, bet tada teorem formulavimai tapt ymiai
sudtingesni.
3.7 teorema. Sakykime, M = (Mn , Fn ) kvadratu integruojamas martingalas. Jei
hM i = , tai
Mn b. v.
0, kai n .
hM i
Pavyzdys. Tarkime, (k ) seka nepriklausom vienodai pasiskirsiusi a. d. su
P
nuliniu vidurkiu ir baigtine dispersija. Tada Mn = nk=1 k martingalas, ir
P

n
Mn
k
= Pnk=1
=
hM i
k=1 Dk

Pn

k=1 k b. v.

n 2

0,

kai n .

Matome, kad i DSD kvadratu integruojamiems martingalams nesunkiai gauname DSD

nepriklausomiems a. d. Tik iuo atveju reikalaujame papildomos slygos dispersijos
egzistavimo.
3.8 teorema (CRT martingalams). Tarkime,
n = (nk , Fnn ),

1 k n,

n N,

2 < ir E( | F n ) =
yra kvadratu integruojam martingalini skirtum seka, t. y. Enk
nk
k1
0. Tarkime, patenkinta Lindebergo slyga
n
X

P

2
n
E nk
1{| nk | >} | Fk1
0.

k=1

Jei patenkinta bent viena i slyg

n
X

P

2
n
E nk
| Fk1
2

k=1

arba

n
X
k=1

tai
Sn =

n
X
k=1

nk N (0, 2 ).

2
nk
2 ,

(3.1)

3.2. Didiausio tiktinumo metodas

65

Matome, kad CRT martingalams atsiranda papildoma slyga (3.1), kuri nepriklausom a. d. atveju visada patenkinta. Nagrinjant nepriklausomus a. d. slygin Lindebergo slyga transformuojasi beslygin.
Dabar suformuluosime DSD ir CRT stochastiniams integralams, kurie yra kvadratu
integruojami tolydaus laiko martingalai. Matysime, kaip natraliai transformuojasi
slygos.
3.9 teorema. Tarkime, W = (W (t), Ft ), t 0, Brauno judesys, o f = (f (t), Ft ),
t 0, yra toks,
R kad

1) P 0T f 2 (t) dt < = 1, 0 < T < ;


R
2) P 0 f 2 (t) dt = = 1.
Tada

Rt
0

lim

f (s) dW (s)
=0
2
0 f (s) ds

b. v.

Rt

3.10 teorema. Tarkime, f yra tolydus i deins procesas ir

P

Z T
0

!
2

f (t) dt <

= 1,

0 < T < .

Jei egzistuoja tokios neatsitiktin funkcija T ir teigiama konstanta , kad

2T
tai
T

3.2.

Z T
0

Z T
0

f 2 (s) ds 2 < ,
d

f (s) dWs N 0, 2 .

Didiausio tiktinumo metodas

Didiausio tiktinumo metodas yra bendras metodas, kuris taikomas parametrini

skirstini eimoms, t. y. j galime taikyti, kai inomas pasiskirstymo tipas, bet neinomi to pasiskirstymo parametrai.
Sakykime, stebime atsitiktin element X, gyjant reikmes maioje erdvje (E, E).
Tai reikia, kad duota tikimybin erdv (, F, P) ir X yra matus atvaizdis i (, F)
(E, E), t. y. bet kokiai aibei B E
{ : X() B} F.
Pagrindin atsitiktinio elemento X charakteristika yra jo skirstinys. Tai matas apibrtas erdvje E lygybe
P X (A) = P(X A).
Tarkime, P = {P , Rp } parametrini skirstini eima apibrta maioje
erdvje (E, E), dominuojama tam tikru -baigtiniu matu , t. y. visi matai P yra
absoliuiai tolyds mato atvilgiu
P  , .

66

3 skyrius. Taikymas statistikoje

Tada i Radono-Nikodimo teoremos seka, kad egzistuoja tankis

visiems A E
Z
Z
P (A) =
f (x, )(dx) =
f (x, )d.
A

dP
d (x)

= f (x, ) ir

3.11 apibrimas. Atsitiktin funkcij

L() = LX () = f (X, ),

ia X stebimas atsitiktinis elementas, ,

vadinama X tiktinumo funkcija.

b
vadinama didiausio tiktinumo (DT) ver3.12 apibrimas. Statistika b = (X)
tiniu, jei -b. v.
b = sup L ().
LX ()
X

Paprastai DT vertinio iekoma maksimizuojant atvilgiu funkcij

l() = lX () = ln LX (),
nes ji pasiekia maksimum tame paiame take kaip ir L(), o ln L() iraika daniausiai yra paprastesn.
Jei funkcija l() turi maksimum ir diferencijuojama atvilgiu, tai DT vertiniai
tenkina tiktinumo lygtis
= 0,
l()
ia

!T

=
l()

3.3.
3.3.1.

l(), . . . ,
l()
1
p

Mat absoliutus tolydumas

AR(1) modelis

Sakysime, kad atsitiktin seka X = (X0 , X1 , . . .) tenkina pirmos eils autoregresijos

lygt, jei
Xk = Xk1 + k ,
k 1,
ia yra neinomas parametras, X0 a. d. ir = (k , k 1) seka a. d. su inomu
skirstiniu, kur galime traktuoti kaip atsitiktin triukm.
Tarkime, || < 1, k 1, k N (0, 2 ). Iskleidus Xk , turime
Xk = 2 Xk2 + k1 + k =
= k + k1 + . . . + k1 1 + k X0 .
Tarkime, kad X0 nepriklauso nuo 1 , . . . , k ir
X0 N

2
0,
1 2

3.3. Mat absoliutus tolydumas

67

Tokiu atveju
EXn = 0
ir


DXn = 2 1 + 2 + . . . + 2(n1) + 2n DX0 =

= 2

1 2n
2n 2
2
+
=
.
1 2
1 2
1 2

Apskaiiuosime kovariacij tarp Xn ir Xnk :

cov(Xn , Xnk ) = EXn Xnk = E [(Xk1 + k ) Xnk ] =
= EXn1 Xnk + En Xnk = EXn1 Xnk =
(kadangi Xnk nepriklauso nuo n )
2
2
= k EXnk
= k
.
1 2
Gavome, kad cov(Xn , Xnk ) priklauso tik nuo k. Tai reikia, kad (Xn ) seka yra stacionari.
Kadangi normalij a. d. tiesin kombinacija irgi yra normalusis a. d., tai vektorius
(X0 , X1 , . . . , Xn ) turi daugiamat normalj skirstin:


(X0 , X1 , . . . , Xn ) N 0, 2 Vn+1 () ,
ia

| ij|
, i, j = 0, . . . , n.
1 2
Kadangi yra vienas neinomas parametras , tai turim mat eim P , kuri yra
absoliuiai tolydi Lebego mato atvilgiu, ir egzistuoja tankis
vij = cov(Xi , Xj ) = 2

Vn+1 () = kvij k,

dP
(x0 , . . . , xn ) = f (, x0 , . . . , xn ).
d
3.1 udavinys. Apskaiiuokite tank f (, x0 , x1 , x2 ).
Sprendimas. Pasinaudosime (1.3) lygybe
fX0 ,X1 ,X2 (x0 , x1 , x2 ) = fX2 |X1 ,X0 (x2 | x1 , x0 ) fX1 |X0 (x1 | x0 ) fX0 (x0 ).
Aiku, kad kovariacij matricos turi pavidal
V2 () =
ir

v00 v01
v10 v11

2 /(1 2 ) 2 /(1 2 )
2 /(1 2 ) 2 /(1 2 )

1 2

V3 () =
1 .
1 2
2 1
2

2
=
1 2

1
1

68

3 skyrius. Taikymas statistikoje

Tada atvirktins matricos yra

V21 () =

1
2

1
1

0
1

V31 () = 2 1 + 2 .

Pasinaudosime 2.3 ir 2.4 udavini rezultatais. Kadangi

fX1 |X0 (x1 | x0 ) =

p
exp
1 2 1 2


2 
1
1
(x

m
)

(x

m
)
2
,
0
0
1
1
21 (1 2 ) 0

o
0 =

v00 =
,
1 2

1 =

v11 =
,
1 2

v01
= ,
=
v00 v11

m1 = m0 = 0,

tai

n
o
1 
1
fX1 |X0 (x1 | x0 ) =
exp 2 (x1 x0 )2 .
2
2
Analogikai gauname
n
o
1 
1
fX2 |X0 ,X1 (x2 | x0 , x1 ) =
exp 2 (x2 x1 )2 .
2
2

Todl
f X0 ,X1 ,X2 (x0 , x1 , x2 ) =

2


 

2
1 X
1 2
x2 (1 2 )
1
2

exp

=
exp 0

(x

x
)
=
k
k1
2 2
2 2 k=1
2
2


3 p

exp

"

2
x2 (1 2 )
1 X
0
+
(xk xk1 )2
2 2
2 2 k=1

#)

3.13 pastaba. Bendruoju atveju

f X0 , ...,Xn (x0 , . . . , xn ) =


3.3.2.

n+1 p

exp

"

n
x2 (1 2 )
1 X
0
+
(xk xk1 )2
2 2
2 2 k=1

#)

Difuziniai procesai

Tarkime, C[0, T ], T > 0, yra tolydi funkcij x = (x(s), 0 s T ) erdv. Erdv

C[0, T ], jei joje vesta tolygi metrika, yra pilna separabili metrin erdv. B(C[0, T ])
Borelio -algebra, generuota atvir aibi i C[0, T ].
Ats. pr. X = {X(t), 0 t T }, apibrtas tikimybinje erdvje (, F, P) su reikmmis (C[0, T ], B(C[0, T ])), indukuoja tikimybin mat PX erdvje (C[0, T ], B(C[0, T ])).
Jis vadinamas atsitiktinio proceso X skirstiniu.

3.4. Didiausio tiktinumo veriai ir j asimptotika

69

Tarkime, , W matai, apibrti (C[0, T ], B(C[0, T ])) ir atitinkantys procesus

= ((s), 0 s T ), W = (W (s), 0 s T ), t. y.
(B) = P( : () B),

W (B) = P( : W () B),

B B(C[0, T ])).

Be to, tarkime, matas yra absoliuiai tolydus mato W atvilgiu. Tuomet egzistuoja
d
d
Radono-Nikodimo ivestin dW (x). ymsime dW () FT -mat atsitiktin dyd, kur
gauname x pakeisdami .
Sakome, kad matai ir W ekvivalents, jei  W ir W  . ymima
W . Jei matai ekvivalents, tai
h d
i1
d
W
(x) =
(x) .
dW
d

Nagrinsime tris stochastines diferencialines lygtis:



dX (1) (t) = b1 X (1) (t) dt + X (1) (t) dW (t),

X (1) (0) = x0 ,

t [0, T ],

dX (2) (t) = b2 X (2) (t) dt + X (2) (t) dW (t),

X (2) (0) = x0 ,

t [0, T ],

dX (3) (t) = X (3) (t) dW (t),

X (3) (0) = x0 ,

t [0, T ]

ir pasiymkime i lygi sprendini indukuotus tikimybinius matus maioje erdvje

(T )
(T )
(T )
(C[0, T ], B(C[0, T ])) raidmis P1 , P2 , P3 .
3.14 teorema. Tarkime, egzistuoja nagrinjam lygi sprendiniai, t. y. patenkin(T )
(T )
(T )
tos 2.67 teoremos slygos. Tuomet trys matai P1 , P2 ir P3 yra ekvivalents ir
atitinkamos Radono-Nikodimo ivestins turi pavidal:
(T )

dP1

(T )

dP3

(X

(1)

(X

(1)

) = exp

(T )

dP2

(T )

dP1

) = exp

3.4.
3.4.1.

1
2

(Z
T b (X (1) (s))
1
0

2 (X (1) (s))

dX

(1)

1
(s)
2

Z T
b2 (X (1) (s)) b1 (X (1) (s))
0

2 (X (1) (s))

Z T 2 (1)
b2 (X (s)) b21 (X (1) (s))
0

2 (X (1) (s))

Z T 2 (1)
b1 (X (s))
0

2 (X (1) (s))

ds ,

dX (1) (s)


ds .

Didiausio tiktinumo veriai ir j asimptotika

AR(1) modelis

Nagrinsime AR(1) model, kurio atsitiktinis triukmas turi inom normalj skirstin N (0, 2 ). Rasime autoregresijos parametro didiausio tiktinumo (DT) vertin.
I praeito paragrafo rezultat turime, kad tiktinumo funkcijos logaritmas
lX () = ln f (, X1 , . . . , Xn ) =
#
"
n
X

1
2
2
2
2
(Xk Xk1 ) .
= (n + 1) ln ( 2) + ln (1 ) 2 X0 (1 ) +
2
k=1

70

3 skyrius. Taikymas statistikoje

ios funkcijos maksimum rasti manoma, bet sudtinga. Pastebsime, kad jeigu n
yra pakankamai didelis ir | | nra labai arti 1, tai nar ln (1 2 ) galime nekreipti
dmesio. Tuomet:
"

n
X
d
1
2
l
= 2 2X0 2
(Xk Xk1 )Xk1 = 0 ,
d X()
2
k=1

X02 +

n
X

k=1
n
X

n
X

(Xk Xk1 )

(Xk1 )2 = 0 ,

k=1

(Xk Xk1 ) =

k=1

n
X

(Xk1 )2 .

k=2

I ia gauname autoregresijos parametro DT vertin

Pn
(Xk Xk1 )
b
n = Pk=1
n
2
k=2 (Xk1 )

arba, jei nekreipsime dmesio tiktinumo funkcijos logaritmo nar X02 (1 2 ),

Pn
(Xk Xk1 )
e
n = Pk=2
.
n
2
k=2 (Xk1 )

Didelse imtyse bn ir en yra labai artimi. To negalime pasakyti, kai turime maas imtis.
Toliau nagrinsime vertin en . Aiku, kad
en =

Pn
Pn
k Xk1
k=2 Xk Xk1
Pn
= + Pk=2
.
n
2
X
X2
k=2

k=2

k1

k1

Pn

Lengva patikrinti, kad Mn = k=2 k Xk1 yra kvadratu integruojamas martingalas, o

P
2 .
kvadratin charakteristika hM in = nk=2 Xk1
Rasime Fierio informacij, t. y.
"

In () = E
=

"

n
b
n)
X
ln L(,
X
1
2
2

=
E
X
+
Xk1
=

0
2
2
k=1

n
X
1
1
2
E
Xk1
= 2 E hM in .

k=2

Kadangi
DXk = 2

1 2k
,
1 2

tai
In () =

n
X
1 2(k1)
k=2

1 2

1
1 2

1
=
1 2

n
X

n1
!

k=2

2 (1 2(n1) )
n1
.
1 2

2(k1)

3.4. Didiausio tiktinumo veriai ir j asimptotika

Aiku, kad In () ir

n
,
12

71

kai n , asimptotonis elgesys yra toks pats, t. y.

In ()

n
.
1 2

Vadinasi, hM in b. v. (jei tartume, kad riba baigtin, tai i monotoninio konvergavimo teoremos vidurkiams gautume prietar). Todl i didij skaii dsnio
kvadratu integruojamiems martingalamas gauname
Mn b. v.
0
hM in
ir

en

b. v.

Reikia, DT vertinys yra stipriai pagrstas.

Itirsime skirtumo en asimptotin normalum. Nagrinkime
q

In () en .

Pastebsime, kad
r

In ()(en )

ir

n
(en )
1 2

ribiniai skirstiniai sutampa. Tada

r

ia


Un
n e

=
,
n
1 2
Vn

Mn
Un = q

n
12

o Vn =

hM in
n
12

Galima rodyti, kad Un N (0, 4 ), o Vn 2 . Tada i Sluckio lemos

Un d
N (0, 1).
Vn

3.4.2.

Ornteino-Ulenbeko procesas
(T )

Tarkime, {P , } ekvivaleni mat eima.

3.15 apibrimas. Didiausio tiktinumo vertinys T yra lygties


L T , 0 , X T = sup L , 0 , X T

sprendinys, ia


L , 0 , X T =

(T )

dP

(T )
dP0

(X T ).

72

3 skyrius. Taikymas statistikoje

Jei i lygtis turi daugiau nei vien sprendin, tai galime imti bet kur i j kaip
didiausio tiktinumo vertin.
Nagrinkime Ornteino-Ulenbeko tipo proces, t. y. stochastins diferencialins
lygties
dXt = (b aX(t)) dt + dW (t),

X(0) = x0 ,

t 0,

0.

(3.2)

sprendin. Paprastai Ornteino-Ulenbeko procesu vadinamas procesas, kuriam b = 0,

o pateiktas procesas yra Vasiceko. i lygt galima isprsti. Pritaikius Ito formul
procesui f (t, X(t)), ia f (t, x) = x eat , gauname


b
b
X(t) = + x0
a
a

at

Z t
0

ea(tu) dW (u),

t 0.

Rasime io proceso neinom parametr a, b, didiausio tiktinumo vertinius.

Tarkime, koeficientai b ir inomi. vertinsime a (1 , 2 ). Nagrinjamu atveju
tiktinumo funkcija turi pavidal
(
T

L(a, a0 , X ) = exp
1
2
2
(

= exp
1
2
2

1
2

Z T
0

(a a0 )X(s) dX(s)

Z Th

Z T

Z T
0

b2 2a0 bX(s) + a20 X(s) b2 + 2abX(s) a2 X(s) ds

1
2

(a a0 )X(s) dX(s)
h

X(s) 2b(a a0 ) (a

a20 )

ds .

Skaiiuosime
d
ln L(a, a0 , X T ) =
da
"
#
Z
Z
Z
b(a a0 ) T
a2 a20 T 2
d a a0 T
X(s) dX(s)
X(s) ds +
X (s) ds =
=
da
2
2
2 2
0
0
0
1
= 2

Z T
0

b
X(s) dX(s) 2

Z T
0

a
X(s) ds + 2

Z T

X 2 (s) ds.

Prilygin tiktinumo funkcijos logaritmo ivestin nuliui

Z T
0

X(s) dX(s) b

Z T
0

X(s) ds + a

Z T
0

X 2 (s) ds = 0,

3.4. Didiausio tiktinumo veriai ir j asimptotika

73

gauname, kad vertinys

bT
a

RT
0

X(s) ds
RT
0

RT

0 X(s) dX(s)
2
X (s) ds

(statome dX(s) iraik i (3.2))

b

RT
0

X(s) ds

RT
0

X(s) [(b aX(s)) ds + dW (s)]

RT

2
0 X (s) ds
R
R
a 0T X 2 (s) ds 0T X(s) dW (s)
RT
2
0 X (s) ds
RT
X(s) dW (s)
.
a 0R T
2
0 X (s) ds

=
=

bT stipr pagrstum, pasinaudosime DSD tolydaus laiko

Nordami gauti vertinio a
martingalams (r. 3.9 teorem). Patikrinsime 3.9 teoremos slygas. Pastebsime, kad
i Fubini teoremos ir stochastini integral savybi

Z T Z t
0

Z T
0

Z T

dt =

Z TZ t
0

e2a(tu) du dt =


1
1 2aT
e
1 ,
e2at e2at 1 dt =
T+
2a
2a
0
Z T


2


b
b
2 
1 2aT
X 2 (t) dt =
+ x0
eat dt +
T+
e
1 .
a
a
2a
2a
0

1
=
2a

2

ea(tu) dW (u)

bT a 0, kai T .
Aiku, kad patenkintos teoremos slygos. Vadinasi, a
Tarkime, koeficientai a ir inomi. vertinsime b (1 , 2 ).
Kadangi
(
T

L(b, b0 , X ) = exp

1
2

1
2
2
(

= exp

1
2

Z T
0

[(b0 aX(s)) (b aX(s))] dX(s)

Z Th
0

Z T
0

(b0 aX(s)) (b aX(s))

1
(b0 b) dX(s) 2
2

Z Th

b20

ds

Z T
0

dX(s)

1
2 2

Z T
0

b 2a(b0 b)X(s) ds ,

tai ivestin
1
d
ln L(b, b0 , X T ) = 2
db

[2b + 2aX(s)] ds

74

3 skyrius. Taikymas statistikoje

prilygin nuliui, gauname DT vertin

b
bT

1
T

1
T

X(T ) X(0) + a
bT a

= b+

Z T
0

Z T
0

X(s) ds =

X(s) ds + W (T ) + a

Z T
0

X(s) ds =

WT
.
T
b. v.

I 3.9 teoremos gauname vertinio bbT stipr pagrstum, t. y. bbT b 0, T .

bT ir b
Ityrme a
bT stipr pagrstum. Dabar isiaikinsime, kada vertiniai konverguoja normalj dsn.
Galima rodyti, kad nagrinjamas Ornteino-Ulenbeko procesas yra toks, kad
1
T
ir

Z T

Z T
0

b2
2
,
+
a2 2a

X 2 (t) dt

X(t) dWt N

2
b2
0, 2 +
a
2a

Todl (r. 3.10 teorem)

d
bT a) N
T (a

2 2 a2
0, 2
2b + a 2

I ties,
R

T 2 0T X(t) dW (t)
2a2
bT a) =
T (a
N
2
RT
2b + a 2
T 1 0 X 2 (t) dt

b2
2
0, 2 +
a
2a

(dl simetrikumo)
=N

2 4a4
2b2 + a 2
0,

(2b2 + a 2 )2
2a2

=N

2 2 a2
0, 2
2b + a 2

b
bT vertinio atveju viskas ymiai paprasiau. iuo atveju skirstiniai tiesiog sutampa

d WT d
T (bbT b) = = N (0, 2 ).
T
Tarkime, inomas tik koeficintas . vertinsime a (1 , 2 ) ir b (1 , 2 ).
Turime


L (a, b), (a1 , b1 ), X

= exp

1
2

1
2
2

Z T
0

[(b1 a1 X(s)) (b aX(s))] dX(s)

Z Th
0

(b1 a1 X(s))2 (b aX(s))2 ds .

3.5. Didiausio tiktinumo veri aproksimacija

75

bT ir b
verius a
bT gauname i lygi sistemos:



ln L (a, b), (a1 , b1 ), X T = 0,
a


ln L (a, b), (a1 , b1 ), X T = 0.
b

Paymkime
Z(T ) =

Z T
0

X(s) dX(s),

Y1 =

Z T
0

X 2 (s) ds,

Y2 =

Z T
0

X(s) ds.

Tada

3.5.

bT
a

b
bT

T ZT (X(T ) X(0))Y2
,
Y22 Y1 T
Y2 Z(T ) (X(T ) X(0))Y1
.
Y22 Y1 T

Didiausio tiktinumo veri aproksimacija

Nagrinkime Ornteino-Ulenbeko tipo proces, kuris tenkina stochastin diferencialin

lygt
dXt = X(t) dt + dW (t), t 0, X(0) = 0, (, 0).
Tada tiktinumo funkcijos logaritmas gyja pavidal
T

lT := ln L(, X ) =

Z T
0

2
X(t) dX(t)
2

Z T
0

X 2 (t) dt

ir didiausio tiktinumo vertinys yra

RT
X(t) dX(t)
b
T = 0R T
.
2
0

X (t) dt

Tarkime, procesas X stebimas laiko momentais 0 t0 t1 . . . tn = T ir

ti = ti ti1 =

T
,
n

i = 1, . . . , n.

Paymkime
ln,T () =

n
X

X(ti1 ) (X(ti ) X(ti1 ))

i=1

n
2 X
X 2 (ti1 )ti .
2 i=1

ia mes pakeitme stochastinius integralus integralinmis sumomis. Maksimizuodami

apytiksl tiktinumo funkcijos logaritm, gauname vert
bn,T =

Pn

i=1 X(ti1 ) (X(ti ) X(ti1 ))

Pn
2
i=1 X (ti1 )ti

76

3 skyrius. Taikymas statistikoje

P

Galima rodyti, kad bn,T bT , n , kai T fiksuotas. Be to, galima rodyti stipr
verio bn,T suderinamum, t. y. bn,T b. v., kai T ir Tn 0.
Pasinaudosime Ito formule ir apskaiiuosime Ornteino-Ulenbeko proceso kvadrat,
t. y.
Z
X 2 (T ) = 2
I ia gauname

Z T
0

Nagrinsime
ln,T,1 =

X(s) dX(s) + T.

X(s) dX(s) =


1 2
X (T ) T .
2

n
 2 X
 2
X (T ) T
X 2 (ti1 )ti .
2
2 i=1

Maksimizuodami i funkcij gauname kit apytiksl didiausio tiktinumo vert

bn,T,1 =

3.6.

1
X 2 (T ) T
P2n
.
2
i=1 X (ti1 )ti

Markovo savybs taikymas

Tarkime, X Markovo procesas, stebimas diskreiais laiko momentais ti , 0 t0 <

. . . < tn = T . Paprastumo dlei raysime Xi vietoj X(ti ). Tarkime, perjimo tankis
p(s, x, t, y) yra inomas. Tada tiktinumo funkcijos logaritmas
ln () =

n
X

ln p(ti1 , Xi1 , ti , Xi , ) + ln p (X(0)).

i=1

Homogeniniu atveju laikysime ti ti1 = . Gauname

ln () =

n
X

ln p(, Xi1 , Xi , ) + ln p (X(0)) =

i=1

n
X

ln p (, Xi | Xi1 ) + ln p (X(0)).

i=1

Paprastai p (X(0)) yra neinomas, nebent procesas yra stacionarus. Taiau net ir iuo
atveju nelengva nustatyti p (X(0)). Jei bgant laikui stebini skaiius auga, tai galima
laikyti, kad p (X(0)) svoris maja. Todl galima tarti, kad p (X(0)) = 1.
Pavyzdys. Nagrinsime Ornteino-Ulenbeko proces
dX(t) = X(t) dt + b dW (t),

X(0) = x,

> 0.

i lygtis turi sprendin



X(t) = et x + b

Z t
0

ir
EX(t) = et x,

DX(t) = b2

eu dW (u)
1 e2t
=: 2 (t).
2

3.7. Difuzijos parametro vertinys

77

Ornteino-Ulenbeko procesas yra Gauso ir jo skirstinys take t yra



X(t) N et x, 2 (t) .
Todl perjimo tankis

2

e(ts) x y

pX (s, x, t, y) = p

2 2 (t

s)

exp

2 2 (t s)

Tada

ln () =

n
X

ln p (, Xi | Xi1 ) =

i=1


1 
ln 2 2 ()
2
i=1

e X

2

i1 Xi

2 2 (t s)

ia = , b2 . Prilygin tiktinumo funkcijos logaritmo dalines ivestines nuliui, gauname parametr verius
1
bn =
ln

!
Pn
i=1 Xi1 Xi
Pn
,
2
i=1 Xi1

b
b2n =

bn
2

n 1 e2bn

n 
X

Xi Xi1 ebn

2

i=1

kurie yra pagrsti. Visa bda, kad perjimo tikimybs daniausiai yra neinomos. Todl
yra konstruojamos perjimo tankio funkcij aproksimacijos ir taip iekomi veriai.

3.7.

Difuzijos parametro vertinys

Nagrinkime labai supaprastint SDL lygt

dX(t) = b dt + dW (t),

t [0, 1].

b . Imame intervalo [0, 1] skaidin 0 = t0 < . . . < tn = 1, tk =

vertinsime
Xi = X(ti ). Tarkime,
bn2 =

n
X

k
n

ir paymime

(Xi Xi1 )2 .

i=1
P

bn2 2 , n . Paymkime
bn2 yra pagrstas vertinys, t. y.
Parodysime, kad
Wi := (Wi Wi1 ). Tada
bn2 =

=
=

n 
X
b
i=1
b2

n
+

2

+ Wi

n
X
i=1

b2
b
+2
Wi + 2 (Wi )2
2
n
n

n
n
X
2b X
Wi + 2
(Wi )2 =
n i=1
i=1

n
X
b2 2bW1
+
+ 2
(Wi )2 .
n
n
i=1

78

3 skyrius. Taikymas statistikoje

Aiku, kad

b2
0,
n
Pasinaudoj 2.11 teiginiu gausime, kad
n
X

2bW1 b. v.
0.
n

(Wi )2 1.

(3.3)

i=1
P

bn2 2 , kai n .
Vadinasi,
bn2 asimptotin normalum. Nagrinsime
Dabar itirsime vertinio

bn2 2 ),
n Vn1/2 (

ia Vn = n

n
X

(Xi )4 .

i=1

Aiku, kad
n
X



b2
2bW
+ 1 + n 2
(Wi )2 E(Wi )2
n
n
i=1

bn2 2 ) =
n(
ir

n 
X

(Xi )4 4 (Wi )4  =
i=1
n 
X


(Xi )2 2 (Wi )2  (Xi )2 + 2 (Wi )2 =
=
i=1
n  2

X

b

b
Wi  (Xi )2 + 2 (Wi )2
=
 2 +2

i=1
n  2
X
b

i=1

h b2
i
b


Wi  2 + 2 2 (Wi )2 .
 2 +2
n
n
n

(3.4)

Pastebsime, kad
n
n
2X




2 X
n
(Wi )2 E(Wi )2 =
n(Wi )2 1 .
n i=1
i=1

Kadangi n(Wi )2 1 yra nepriklausomi vienodai pasiskirst a. d. su nuliniu vidurkiu

ir dispersija lygia 2, tai i Lindebergo-Levi CRT (r. 3.3 teorem) gausime, kad
n

 d
2 X

n(Wi )2 1 2 2 N (0, 1).

n i=1

Remdamiesi (3.3) ir
b. v.

max |Wi | 0

1in

(nes procesas W yra tolydus),

3.7. Difuzijos parametro vertinys

79

gausime, kad (3.4) nelygybs dein pus artja 0 pagal tikimyb. Toliau
n
X


(Wi )4 E(Wi )4  =
i=1

n
X



(Wi )2 E(Wi )2  (Wi )2 + E(Wi )2
i=1
n
X


max (Wi )2 E(Wi )2 

1in

 P

(Wi )2 + E(Wi )2 0.

i=1

ia rmms 2.11 teiginiu. Kadangi pokyiai Wi pasiskirst pagal normalj dsn,

tai

2
3
E(Wi )4 = 3 E(Wi )2 = 2 .
n
Vadinasi,
Vn = n

n
X

(Xi )4 3 4 .

i=1

I Sluckio lemos ir anksiau gaut teigini gauname

d
bn2 2 )
n Vn1/2 (

bn2 asimptotikos tyrim.

Tuo ir baigiame vertinio

2
N (0, 1).
3

Literatra
1. Bishwal Jaya P. N., Parameter Estimation in Stochastic Differential Equations,
Springer, 2008.
2. Breiman L., Probability, Classics in Applied Mathematics, Society for Industrial
and Applied Mathematics, 1992.
3. Brzeniak Z. and Zastawniak T., Basic Stochastic Processes, Springer, 1999.
4. Dembo A., Stochastic Processes. Lecture notes, 2008.
5. Iacus S. M., Simulation and Inference for Stochastic Differential Equations, Springer, 2008.
6. Mackeviius V., Stochastin analiz. Vilniaus universiteto leidykla, 2005.
7. Shiryaev A. N., Probability, Springer, 1996.

Kstutis Kubilius
Atsitiktiniai procesai. Vadovlis.
Vilnius: Vilniaus pedagoginio universiteto leidykla, 2008. 86 p.
ISBN 978-9955-20-386-5

Vadovlis skirtas matematikos ir statistikos studij magistrantams,

doktorantams bei visiems, besidomintiesiems proces teorija.

Redagavo ir maketavo autorius

CD virelio autor Dalia Raiceviit
SL 605. 10,75 sp. l. Tir. 25 egz. Usak. Nr. 09-013
Ileido ir spausdino Vilniaus pedagoginio universiteto leidykla
T. evenkos g. 31, LT-03111 Vilnius
Tel. +370 5 233 3593, el. p. spaustuve@vpu.lt
www.leidykla.vpu.lt