随机微分方程(1)

最新推荐文章于 2024-06-06 21:54:10 发布

Route246

最新推荐文章于 2024-06-06 21:54:10 发布

阅读量633

点赞数

文章标签：概率论

本文链接：https://blog.csdn.net/fly_iostream/article/details/130482366

版权

随机微分方程(1)——布朗运动(Brownian Motion)

抛硬币实验例子

投掷硬币实验，正面赢一块，反面输一块。 $R_{i}$ 表示1或者-1的随机值。
当投掷i次时：
$E[R_{i} ]=0$ $E[R_{i}^{2} ]=1$ $E[R_{i}R_{j} ]=0$ 其中， $R_{i}$ 和 $R_{j}$ 相互独立。
$Var=\sum P_{i}*(R_{i}-\bar{R})^{2}=0.5*1^{2}+0.5*(-1)^{2}=1$ 其中， $\bar{R}=E[R_{i} ]=0$
$Var=E(R_{i}^{2})-E^{2}(R_{i} )$ $\because E^{2}(R_{i} )=0$ $\therefore E(R_{i}^{2})=1$ 令 $S_{i}$ 代表投硬币赢来的所有钱， $R_{j}$ 为每次投硬币输或赢的钱： $S_{i}=\sum_{j=1}^{i}R_{j}$
条件期望：一个实数随机变量的相对于一个条件概率分布的期望值
e.g. 第6次投硬币的期望值取决于前5次的投掷 $S_{5}:$ $E[S_{6}|R_{1}...R_{5}]=S_{5}$

$S_{i}$ 的统计性质
1、 $E[S_{i}]=0$ $E[S_{i}]=E[\sum_{j=1}^{i}R_{j}]=\sum_{j=1}^{i}E[R_{j}]=i*0=0$
2、 $E[S_{i}^{2} ]=E[R_{1}^{2}+R_{2}^{2}+...+2R_{1}R_{2}...]=i$
首先要求得到方差i $Var[S_{i} ]=Var[\sum R_{j}]=\sum Var[R_{j}]=i$
$Var[R_{j}]$ 每个方差都为1，所以i个1相乘就是i
再由方差的性质得到 $Var[S_{i}]=E[S_{i}^{2}]-E^{2}[S_{i}]$
$E^{2}[S_{i}]=0$
所以
$E[S_{i}^{2}]=i$
或者
$E[S_{i}^{2} ]=E[\left (\sum_{j=1}^{i}R_{j} \right ) ^{2}] =E[R_{1}^{2}+R_{2}^{2}+...+2R_{1}R_{2}...]=i$
因为 $E[R_{i}^{2}]=1$ ，所以 $E[R_{1}^{2}+R_{2}^{2}+...]=1*i$
所以 $E[S_{i}^{2}]=i$

马尔可夫性质(Markov Property)

以所有过去事件为条件的随机变量 $S_{i}$ 的值的分布仅取决于 $S_{i-1}$

注意： $E[S_{i}|S_{i-1}]\neq S_{i}$ 马尔可夫性质中的期望值仅取决于 $S_{i-1}$

鞅性质(Martingale Property)

已知第5次抛硬币后赢了多少钱，第6次抛硬币的预期总收益就是在任何次数抛掷之后持有的金额。
$E[S_{i}|S_{i-1},j<i]=S_{i-1}$

二次变差(Quadratic Variation)

$Q=V^{2}=\sum_{j=1}^{i}(S_{j}-S_{j-1})^{2}$
由于： $S_{j}-S_{j-1}|=1$
所以： $\sum_{j=1}^{i}(S_{j}-S_{j-1})^{2}=i$
让i趋近于无穷大，但是这种情况下，二次变差也趋近于无穷大，对于计算来说非常不方便。
如果将1元钱改为 $\sqrt{\frac{t}{6} }$ ,新的硬币投掷实验仍然有马尔可夫性和鞅性质，而它得二次变差变为︰
$\sum_{j=1}^{6}(S_{j}-S_{j-1})^2=6*(\sqrt{\frac{t}{6} } )^2=t$
接下来加快游戏速度，将原本投掷6次改成投掷n次，则
$\sum_{j=1}^{n}(S_{j}-S_{j-1})^2=n*(\sqrt{\frac{t}{n} } )^2=t$
当n趋近于无穷大，每次赌注（投一次得失的钱）趋近于无穷小时，离散过程变成了连续过程。
当 $n=\infty$ 时，得到的随机游走是有限的，有以下性质：
$E[S(t)|S_{0}]=0$
方差： $E[S(t)^2]=t$
其中，S(t)代表已经赢的钱，或者t时间后随机数的值。
所以 Brownian Motion的性质：
$E[X_{t}]=0$
$Var(X_{t})=t$