应用随机分析
主要是时间、状态都连续的随机过程。
引言
布朗运动
时间与空间的尺度问题
比如建模时,要把研究的单位放在一个合适的尺度。如,研究太阳系的运动,最小的单位应放在行星上,不考虑地球上的人的分布。如,研究北京市每天乘坐地铁的人数,最小的单位应放在人上。
随机分析的应用尺度:
- 宏观 (大)人能感知的尺度。 研究肉眼差不多能够看见的,如扩散问题,一滴墨水到水杯里。
- 微观 (小)分子运动的尺度。1e-6~1e-9
- 介观 (中)花粉运动的尺度:微秒,1e-6。注意:花粉要比分子大得多。
注意宏观与微观是以研究的问题为区分的。
记号:
τ \tau τ:中间尺度的时间间隔
Δ \Delta Δ:单个粒子运动的增量
φ ( Δ ) \varphi(\Delta) φ(Δ): Δ \Delta Δ的分布律
关于 φ ( Δ ) \varphi(\Delta) φ(Δ):的一些性质:
- 只有当 Δ \Delta Δ很小时, φ ( Δ ) \varphi(\Delta) φ(Δ)不为0.
- ∫ − ∞ + ∞ φ ( Δ ) d Δ = 1 \int_{-\infty}^{+\infty}\varphi(\Delta)d\Delta=1 ∫−∞+∞φ(Δ)dΔ=1
- 对称性: φ ( Δ ) = φ ( − Δ ) \varphi(\Delta) = \varphi(-\Delta) φ(Δ)=φ(−Δ)
f ( x , t ) f(x,t) f(x,t): t t t时间 x x x处的分子数密度
f ( x , t + τ ) = ∫ − ∞ ∞ f ( x + Δ , t ) φ ( − Δ ) d Δ = ∫ − ∞ ∞ f ( x + Δ , t ) φ ( Δ ) d Δ f(x,t+\tau) = \int_{-\infty}^{\infty}f(x+\Delta,t) \varphi(-\Delta)d\Delta=\int_{-\infty}^{\infty}f(x+\Delta,t) \varphi(\Delta)d\Delta f(x,t+τ)=∫−∞∞f(x+Δ,t)φ(−Δ)dΔ=∫−∞∞f(x+Δ,t)φ(Δ)dΔ (全概率公式)
对 f ( x , t + τ ) f(x,t+\tau) f(x,t+τ)关于 t t t作泰勒展开(对时间展开到一阶)
f ( x , t + τ ) = f ( x , t ) + ∂ f ∂ t τ f(x,t+\tau) = f(x,t)+\frac{\partial f}{\partial t}\tau f(x,t+τ)=f(x,t)+∂t∂fτ
对 f ( x + Δ ) f(x+\Delta) f(x+Δ)关于 x x x作泰勒展开(对空间展开到二阶)
f ( x + Δ , t ) = f ( x , t ) + Δ ∂ f ∂ x + Δ 2 2 ! ∂ 2 f ∂ x 2 f(x+\Delta,t) = f(x,t)+\Delta \frac{\partial f}{\partial x}+\frac{\Delta^2}{2!}\frac{\partial^2 f}{\partial x^2} f(x+Δ,t)=f(x,t)+Δ∂x∂f+2!Δ2∂x2∂2f
有
f ( x , t ) + ∂ f ∂ t τ = ∫ − ∞ ∞ [ f ( x , t ) + Δ ∂ f ∂ x + Δ 2 2 ! ∂ 2 f ∂ x 2 ] φ ( Δ ) d Δ = f + 0 + 1 2 ! ∂ 2 f ∂ x 2 ∫ − ∞ ∞ Δ 2 φ ( Δ ) d Δ \begin{aligned} f(x, t)+\frac{\partial f}{\partial t} \tau &=\int_{-\infty}^{\infty}\left[f(x, t)+\Delta \frac{\partial f}{\partial x}+\frac{\Delta^{2}}{2 !} \frac{\partial^{2} f}{\partial x^{2}}\right] \varphi(\Delta) d \Delta \\ &=f+0+\frac{1}{2 !} \frac{\partial^{2} f}{\partial x^{2}} \int_{-\infty}^{\infty} \Delta^{2} \varphi(\Delta) d \Delta \end{aligned} f(x,t)+∂t∂fτ=∫−∞∞[f(x,t)+Δ∂x∂f+2!Δ2∂x2∂2f]φ(Δ)dΔ=f+0+2!1∂x2∂2f∫−∞∞Δ2φ(Δ)dΔ
则
∂ f ∂ t = ∂ 2 f ∂ x 2 ⋅ 1 2 ! ∫ − ∞ ∞ Δ 2 φ ( Δ ) d Δ \frac{\partial f}{\partial t}=\frac{\partial^2 f}{\partial x^2}\cdot\frac{1}{2!}\int_{-\infty}^{\infty}\Delta^2\varphi(\Delta)d\Delta\\ ∂t∂f=∂x2∂2f⋅2!1∫−∞∞Δ2φ(Δ)dΔ
我们可以得到一个热传导方程:
∂ f ∂ x = D ∂ 2 f ∂ x 2 \frac{\partial f}{\partial x}=D\frac{\partial^2 f}{\partial x^2} ∂x∂f=D∂x2∂2f
解为 f ( x , t ) = 1 2 π 1 2 D τ e x 2 4 D t f(x,t) = \frac {1} {\sqrt{2\pi}} \frac{1}{\sqrt{2D\tau}}e^\frac{x^2}{4Dt} f(x,t)=2π12Dτ1e4Dtx2 是个正态分布。
第一章
1.1随机事件及概率
首先定义三件套 ( Ω , F , P ) (\Omega,\mathscr{F},P) (Ω,F,P)
Ω \Omega Ω:样本空间。要研究的随机试验所有可能出现的结果
样本点:一个随机试验(trial)可能出现的一个结果,记为 ω \omega ω;
基本事件:样本点。
事件:Ω的子集
F \mathscr{F} F: 事件的集合。
-
若Ω的样本点为有限或可数个。。。则事件集是 Ω \Omega Ω的所有子集构成的集合。
-
若Ω是不可数集合,上述做法行不通,找出合适的、需要的,组成一个σ域
σ域:σ域是由样本空间一些集合为元素(通常包括 )组成的集合。
全空间Ω和空集 ∅ \emptyset ∅构成最小σ域,称做“平凡σ域”。 { Ω , ∅ } \{\Omega,\emptyset\} { Ω,∅}
对于Ω的任意子集A, { Ω , A , A c , ∅ } \{\Omega,A,A^c,\emptyset\} { Ω,A,Ac,∅}是σ域,它是最小的非平凡σ域.
P P P: 事件发生的概率
思考: [ 0 , 1 ] [0,1] [0,1]与 ( 0 , 1 ) (0,1) (0,1)建立一个一一对应关系。
解法一:做从(0,1)到[0,1]映射 f ( x ) f(x) f(x)
分段函数:
f ( x ) = { 0 x = 1 2 1 n + 2 x = 1 n + 2 , n ∈ N + x x = [ 0 , 1 ] \ 以上 f(x)=\left\{\begin{array}{ll}0 & x=\frac{1}{2} \\ \frac{1}{n+2} & x=\frac{1}{n+2}, n \in N^{+} \\ x & x=[0,1] \backslash \text { 以上 }\end{array}\right. f(x)=⎩
⎨
⎧0n+21xx=21x=n+21,n∈N+x=[0,1]\ 以上
解法二:
我们知道,无限集合与有限集合的一个最大区别就是: 无限集合可以与其真子集对等.
我们把区间 [ 0 , 1 ] [0,1] [0,1]与 ( 0 , 1 ) (0,1) (0,1)中的元素分为有理数与无理数,如开区间 ( 0 , 1 ) (0,1) (0,1)中的有理数表示为
Q = { r 1 , r 2 , . . . } Q=\{r_{1},r_{2},...\} Q={ r1,r2,...} .我们按如下方式对应
r 1 , r 2 , . . . , r n , . . . r_{1},r_{2},...,r_{n},... r1,r2,...,rn,...
0 , 1 , r 1 , r 2 , . . . , r n , . . . 0,1,r_{1},r_{2},...,r_{n},... 0,1,r1,r2,...,rn,...
对于无理数,还按原来的方式对应.
下面我们确定 p p p,也就是对于任意的 A ∈ F A\in \mathscr{F} A∈F, P ( A ) = ? P(A)=? P(A)=?
定义 令 P P P是定义于 F \mathscr{F} F上,值域为 [ 0 , 1 ] [0,1] [0,1]的集合函数,满足:
(i) P ( Ω ) = 1 P(\Omega)=1 P(Ω)=1
(ii) 对任意两两互不相交的 E 1 , E 2 , . . . E_{1},E_{2},... E1,E2,...,有, P ( ⋃ i = 1 ∞ E n ) = ∑ i = 1 ∞ P ( E i ) P(\bigcup_{i=1}^{\infty}{E_n)=\sum_{i=1}^{\infty}{P\left( E_i \right)}} P(⋃i=1∞En)=∑i=1∞P(Ei)
PS:
-
(ii)称为概率的可列可加性,是公理,必须承认.
-
P的性质:
- P ( ∅ ) = 0 P(\emptyset)=0 P(∅)=0
- P ( A c ) = 1 − P ( A ) P(A^{c})=1-P(A) P(Ac)=1−P(A)
- 若 A ⊂ B A\subset B A⊂B,则 P ( B \ A ) = P ( B ) − P ( A ) P(B\backslash A)=P(B)-P(A) P(B\A)=P(B)−P(A)
-
可以任意定义不同的 P P P. 例如 掷一枚质地均匀骰子,我们知道 P ( 1 ) = P ( 2 ) = ⋯ = P ( 6 ) = 1 6 P(1)=P(2)=\cdots = P(6)=\frac16 P(1)=P(2)=⋯=P(6)=61.现在加入去掉“质地均匀”这个条件。即三件套 ( Ω , F , P ) (\Omega,\mathscr{F},P) (Ω,F,P)只改变 P P P.如下
-
P ( 1 ) = P ( 2 ) = P ( 3 ) = 1 9 , P ( 4 ) = P ( 5 ) = P ( 6 ) = 2 9 P(1)=P(2)=P(3)=\frac19 , \quad P(4)=P(5)=P(6)=\frac29 P(1)=P(2)=P(