Professional Documents
Culture Documents
Ats Proc4a Kubilius
Ats Proc4a Kubilius
Kstutis Kubilius
ATSITIKTINIAI PROCESAI
Vadovlis
Vilnius, 2008
Recenzentai:
prof. habil. dr. Romanas Janukeviius (Vilniaus pedagoginis universitetas)
dr. Dalius Pumputis (Vilniaus pedagoginis universitetas)
ISBN 978-9955-20-386-5
Turinys
vadas
iii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
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
0 P(A) 1,
b)
P() = 1;
c)
P(A) =
A=
k=1
A F;
P(Ak ),
jei
k=1
Tikimybin erdv yra trejetas (, F, P), ia P yra tikimybinis matas maioje erdvje (, F).
1.2.
-algebra
\n
B(Q) = {(a, b) : a, b Q} ,
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).
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
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)
(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, ).
1.7 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.
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
B B(R).
(1.1)
\
n
{ : Xk () Bk } ,
Bk B(R).
k=1
X1 + X2 ;
X1 X2
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
ia X + = max(X, 0),
X = min(X, 0).
EX =
Xd P =
X()P(d).
ir EX < .
x R,
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
2
2
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.
2
EZ = E exp W +
2
2 2
= exp +
2
2
= exp{0} = 1.
10
1.4.
1.28 apibrimas.
a)
P :
lim Xn () = X() = 1.
n
b. v.
ymsime Xn X
b)
arba
Xn X b. v.
ymsime Xn X.
c)
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.
X
n=1
Xn =
X
n=1
EXn .
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.
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
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.
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
ir
12
b)
Xn Yn cX;
c)
Xn
Yn
X
c,
kai c 6= 0.
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.
ir
Xn BXnT XBX T ,
1.5.
Nepriklausomumas
n
Y
P(Xk Bk ).
k=1
n
Y
P(Ak ).
k=1
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
ir
k=1
Y
n
Xk
k=1
n
Y
EXk .
k=1
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
1.6.
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.
b)
c)
d)
E (X + Y | G) = E (X | G) + E (Y | G) (b. v.);
e)
E E (X | G) = EX (b. v.);
f)
g)
h)
i)
15
16
Q(A) =
()P(d) = EP (1A ) .
= 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
17
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
= 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
n
X
xk 1Ak
k=1
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
A G
P (B | G)
b)
A G
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.
19
Tuomet
P ( C | = y) =
f| (x | y) dx ,
C B(R),
f| (x | y)dx = 1;
f, (x, y) = f| (x | y) f (y).
n
Y
(1.3)
k=2
2 skyrius
Atsitiktiniai procesai
2.1.
21
P X(t1 ) B1 , . . . , X(tn ) Bn =
= 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.
jei visiems t T) = 1.
0 s, t T.
22
2.2.
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 .
23
(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
k=0
m1
X
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
i
n
i |i W | }
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
= 1
e 2 dx,
2 n1
o
1
1
n
1
n
x2
2
2
1
dx 0,
2 n
kai n .
\
n=1
An
2.3.
25
Gauso procesas
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
(2)n
exp
1
(x m)T A1 (x m) ,
2
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
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 ) =
=
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
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
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
27
aij xi xj
i=1 j=1
2 X
2
X
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
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
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
io
1h 2 2
1 + 21 2 + 2 22 ,
2
E exp iX + iY
= E exp iX E exp iY .
28
Paimsime a = Xi , b = Xj , x = Xi
(k)
(k)
EXi Xj
(k)
Xi ir y = Xj
(k)
Xi Xj EXi (Xj
(k)
+E(Xi
Xj . Tuomet
(k)
Xj ) + EXj (Xi
(k)
Xi )(Xj
Xi )
Xj ) .
(k) (k)
EX X Xi Xj
(k)
Xj +
(k)
2 (k)
+ EXi
(k)
(k)
Vadinasi, EXi Xj
gauname
Xi EXj
(k)
E|Xj |2 EXi
Xi
Xj .
E|Xi |2 EXj
(k)
(k)
ij = EXi Xj
(k)
= EXi
(k) (k)
i j
EXi Xj i j = ij .
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
29
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
n
Y
W (ti )W (ti1 ) (i + . . . + k ).
i=1
Todl
= 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.
Markovo grandins
= 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
... ... ...
pjk = 1,
P X(0) = k = p0k
(k = 1, 2, . . .).
p0k = 1.
k
(n)
= 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.
31
P N (t) = k, N (s) = j
=
P N (s) = j
= P N (t) N (s) = k j ,
nes aib
N (t0 ) N (0) = j0
\
n1
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.,
32
t0 t1 < . . . < tn t T
ir
B B(Rd )
P (s, x, t, B) =
d)
Rd
b. v.,
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),
33
Rd
B1
Bn1
o atskiru atveju
P (Xt B) =
Rd
0 t s T t0 .
P (t, x, A) =
2.6.
(x y)2
exp
1
2t
(2t) 2
1
dy.
E| n | < ;
2)
E(n+1 | Fn ) = n
b. v.
34
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
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 )
35
a2
Zn =
exp ak k k
2
k=1
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
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
b. v.
n
X
k=1
Be to, i k
37
n
X
cov(k , k ).
k=1
n
X
E(Xk Yk | Fk1 ),
ia Xk = Xk Xk1 .
k=1
n
X
Xk Yk
ir [X]n =
k=1
2.7.
n
X
(Xk )2 .
k=1
38
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)!
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 =
E W (t) | Fs
EW 2 (t) = t)
2
= E W (t) W (s)
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
=
=
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.
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
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
2.9.
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
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
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
(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
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
Rasime ribas
l.i.m.
n
ir
l.i.m.
n
n1
X
n .
j=0
n1
X
j=0
1
1
b(b a) = (b2 a2 ) + (b a)2 .
2
2
Tada
n1
X
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
Panaiai
n1
X
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
n1
X
(2.5)
j=0
Z T
0
X(t)dW (t) :=
n1
X
j [W (tj+1 ) W (tj )] .
j=0
2) E
3)
4)
RT
0R
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
43
n1
X
j=0
n1
X
j=0
n1
X
j=0
ir
Z T
0
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
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
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
i
1h
(a + b)2 (a b)2
4
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
Z T
Z T
1
E
4
Z T
0
!2
(X(t) Y (t))2 dt =
i
Z T
0
Z T
0
X 2 (t)dt < ,
|X X| := E
Z T
0
(X n (t) X(t))2 dt 0,
n .
45
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
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 .
Z T
0
X (t)dW (t)
=E
Z T
0
!2
Z T
X (t)dW (t)
"Z
=E
#2
n
(X n (t) X m (t))2 dt = |X n X m |2
(|X n X| + |X X m |)2 0,
RT
n, m .
H2
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
Z T
0
(X n (t) X(t))2 dt 0,
n .
Z T
0
!2
n
X (t) dW (t)
=E
Z T
0
(X n (t))2 dt.
L2
X n (t) dW (t)
n
Z T
0
X(t) dW (t) .
(2.6)
46
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 ,
Z b
a
X(t) dt =
Z b
a
EX(t) dt.
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.
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
kX
n 1
i=0
W (t) dW (t) =
1 2
1
W (t) T.
2
2
t dW (t) = T W (T )
Z T
0
W (t) dt,
n1
X
ia tni =
i=0
iT
.
n
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
i=0
!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
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
i=0
tn t
i+1
2
=n
tni+1 t dt =
"
n 3
| W (tni+1
Z T
0
n .
W (t)dt.
Z t
0
Xs dWs ,
t [0, T ].
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).
X(t) =
b(s) dW (s)
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.
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)
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
2.10.
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
(2.7)
W (T ) =
Z T
0
dt + 2
Z T
0
W (t) dW (t).
(2.8)
Z T
0
F 0 (xt ) dxt ,
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 .
51
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)
Z T
0
1 00
(t, W (t)) dt +
+ Fxx
2
Z T
0
b. v.
Diferencialiniu pavidalu
dF (t, W (t)) =
1 00
+ Fxx
(t, W (t)) dt + Fx0 (t, W (t)) dW (t).
2
00
Fx0 (t, x) = 2x ir Fxx
(t, x) = 2.
W (T ) =
Z T
0
dt + 2
Z T
0
W (t) dW (t).
W (T ) = 3
W (t) dt + 3
00
ir Fxx
(t, x) = 6x.
Z T
0
W 2 (t) dW (t).
52
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
00
ir Fxx
(t, x) = ex et/2 .
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
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).
53
Z t
0
es dW (s).
(2.11)
Fx0 (t, x) = et
Procesas
X(t) =
Z t
0
00
ir Fxx
(t, x) = 0.
es dW (s)
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
2.11.
Z t
0
f (s, X(s)) ds +
Z t
0
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
ir
D konstanta.
X0 = 0 ,
(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
ln | x(t)| = at + bw(t) + c.
(2.15)
55
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
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) = X0 e
a b2
t+bW (t)
(2.16)
56
ia c = a
b2
2
b2
c+
2
a b2
t+bW (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.
57
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.
Z t
0
b(s, X(s)) ds +
Z t
0
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
(tolydioji laut).
Kaip vertinti apytikri sprendini X h ir X artum? Naudojami du pagrindiniai
bdai.
58
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
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.
Z tk+1
tk
k = 0, 1, . . . , N 1.
Atmetus paklaid ir vietoje tikslios lygybs naudojant apytiksl, gauname paprasiausi Oilerio aproksimacij:
X0h = x0 ,
k = 0, 1, . . . , N 1.
h 0.
tT
1
[b(tk , X(tk )) + b(tk+1 , X(tk+1 ))] h,
2
k = 0, 1, . . . , N 1.
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 h (tk+1 ) = X h (tk ) +
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
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
ir t. t.,
.
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!
tk = kh.
60
t [tk , tk+1 ].
h 0,
tT
(2.21)
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)
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
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
Sb(X(u)) dW (u) dz +
Z tZ z
s
A(X(u)) du dz +
(2.23)
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.
3.1.1.
Pn
(Xk ) d
n(X n )
Sn =
= k=1
N (0, 1),
n
ia
Xn =
n
1X
Xk .
n k=1
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
Xk k
.
Bn
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
64
1kn
kai
n .
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 .
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
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)
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
Z T
0
!
2
f (t) dt <
= 1,
0 < T < .
3.2.
Z T
0
Z T
0
f 2 (s) ds 2 < ,
d
f (s) dWs N 0, 2 .
66
dP
d (x)
= f (x, ) ir
!T
=
l()
3.3.
3.3.1.
l(), . . . ,
l()
1
p
2
0,
1 2
67
Tokiu atveju
EXn = 0
ir
1 2n
2n 2
2
+
=
.
1 2
1 2
1 2
(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
1
2
1
1
0
1
V31 () = 2 1 + 2 .
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
#)
3.3.2.
n+1 p
exp
"
n
x2 (1 2 )
1 X
0
+
(xk xk1 )2
2 2
2 2 k=1
#)
Difuziniai procesai
69
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
X (1) (0) = x0 ,
t [0, T ],
X (2) (0) = x0 ,
t [0, T ],
X (3) (0) = x0 ,
t [0, 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 .
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
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
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
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)
n
,
12
71
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.
In () en .
Pastebsime, kad
r
In ()(en )
ir
n
(en )
1 2
ia
Un
n e
=
,
n
1 2
Vn
Mn
Un = q
n
12
o Vn =
hM in
n
12
3.4.2.
Ornteino-Ulenbeko procesas
(T )
L T , 0 , X T = sup L , 0 , X T
sprendinys, ia
L , 0 , X T =
(T )
dP
(T )
dP0
(X T ).
72
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)
b
b
X(t) = + x0
a
a
at
Z t
0
ea(tu) dW (u),
t 0.
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
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.
X(s) dX(s) b
Z T
0
X(s) ds + a
Z T
0
X 2 (s) ds = 0,
73
bT
a
RT
0
X(s) ds
RT
0
RT
0 X(s) dX(s)
2
X (s) ds
RT
0
X(s) ds
RT
0
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
=
=
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
Z Th
0
Z T
0
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
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.
Z T
Z T
0
b2
2
,
+
a2 2a
X 2 (t) dt
X(t) dWt N
2
b2
0, 2 +
a
2a
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
= exp
1
2
1
2
2
Z T
0
Z Th
0
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
lT := ln L(, X ) =
Z T
0
2
X(t) dX(t)
2
Z T
0
X 2 (t) dt
X (t) dt
T
,
n
i = 1, . . . , n.
Paymkime
ln,T () =
n
X
i=1
n
2 X
X 2 (ti1 )ti .
2 i=1
Pn
76
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
bn,T,1 =
3.6.
1
X 2 (T ) T
P2n
.
2
i=1 X (ti1 )ti
n
X
i=1
n
X
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.
X(t) = et x + b
Z t
0
ir
EX(t) = et x,
DX(t) = b2
eu dW (u)
1 e2t
=: 2 (t).
2
77
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.
t [0, 1].
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
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
Remdamiesi (3.3) ir
b. v.
max |Wi | 0
1in
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
P
(Wi )2 + E(Wi )2 0.
i=1
n
X
(Xi )4 3 4 .
i=1
d
bn2 2 )
n Vn1/2 (
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