10.第七章 Brown运动(1)

最新推荐文章于 2023-04-26 16:37:46 发布

江景页

最新推荐文章于 2023-04-26 16:37:46 发布

阅读量2.5k

点赞数 1

分类专栏：《随机过程》学习笔记文章标签：概率论

本文链接：https://blog.csdn.net/jingye333/article/details/108442592

版权

《随机过程》学习笔记专栏收录该内容

12 篇文章

订阅专栏

第七章 Brown运动(1)

1.Brown运动的基础信息

Brown运动：令 $\boldsymbol B=(B(t),t\ge 0)$ 是实数值随机过程，如果满足

初始值： $B (0) = 0$ ；
独立增量：如果 $0<t_1<t_2<\cdots<t_k$ ，则 $B(t_1),B(t_2)-B(t_1),\cdots,B(t_k)-B(t_{k-1})$ 相互独立；
平稳增量：如果 $s < t$ ，那么 $B (t) - B (s)$ 与 $B (t - s)$ 同分布；
正态性：对任何 $t > 0$ ，有 $B(t)\sim N(0,\sigma^2 t)$ 。

则称 $\boldsymbol B=(B(t),t\ge0)$ 为参数为 $\sigma^2$ 的Brown运动。当 $\sigma^2=1$ 时称作标准Brown运动，以下均讨论标准Brown运动。

Brown运动的相关信息如下：

$\mu(t)=EB(t)=0,D(B(t))=t,EB(t)^m=t^k(2k-1)!!,m=2k,k\in \N^+$ 。，由 $B(t)\sim N(0,t)$ 可以直接推得。
$r_B(s,t)=\min(s,t)$ ，由其独立增量性可以证明。
Brown过程是正态过程，其多维分布是
$(B(t_1),B(t_2),\cdots,B(t_n))\sim N(\boldsymbol 0, \boldsymbol \Sigma_n)\\ \boldsymbol \Sigma_n=(\min(t_it_j))_{n\times n}$
Brown的每一条样本曲线都是处处连续但无处可微的。

如果随机过程 $\boldsymbol X$ 的任意线性组合为正态随机变量，那么 $\boldsymbol X$ 是正态过程，反之也成立；如果实数值正态过程 $\boldsymbol X=(X(t),t\ge 0)$ 满足 $E(X(t))=0,r_X(s,t)=\min(s,t)$ ，那么 $\boldsymbol X$ 一定是标准Brown运动，这可以用于证明随机过程是Brown过程。以下几种都是标准Brown运动的形式：

给定 $t_0\ge 0$ ，定义 $X (t)$ 为
$X(t)=B(t+t_0)-B(t_0),\quad t\ge 0;$
给定常数 $c$ ，定义 $X (t)$ 为
$X(t)=\frac 1{\sqrt c}B(ct),\quad t\ge0;$
定义 $X (t)$ 为
$X(t)=\left\{ \begin{array}l tB(t^{-1}),&t>0;\\ 0,&t=0. \end{array} \right.$

2.与Brown运动相关的随机过程

Brown桥运动为 $\boldsymbol B^0=(B^0(t),0\le t\le 1)$ ，其中
$B^0(t)=B(t)-tB(1),\quad 0\le t\le 1.$
显然有 $E(B^0(t))=0,D(B^0(t))=t(1-t)$ ，且 $E(B^0(s)B^0(t))=\min(s,t)(1-\max(s,t))$ 。

注意到 $B^0(0)=B^0(1)=0$ ，因此Brown桥运动又称为绑在0，1上的Brown运动。
反射Brown运动为 $\boldsymbol X=(X(t),t\ge 0)$ ，其中
$X(t)=|B(t)|,\quad t\ge 0.$
这里 $X (t)$ 仅取非负实数值，不再是正态过程了，可以计算 $X (t)$ 的概率密度函数与相关数字特征为
$p(x;t)=\sqrt{\frac{2}{\pi t}}e^{-\frac{x^2}{2t}}I(x\ge0);\\ \begin{aligned} E(X(t))=&\sqrt{\frac{2}{\pi t}}\int_0^\infty xe^{-\frac{x^2}{2t}}dx\\ =&\sqrt{\frac{2t}{\pi}}\int_0^\infty e^{-x}dx\\ =&\sqrt{\frac{2t}{\pi}}.\\ \\ D(X(t))=&E(X(t)^2)-[EX(t)]^2\\ =&E(B(t)^2)-\frac{2t}{\pi}\\ =&\frac{\pi-2}{\pi}t. \end{aligned}$
几何Brown运动为 $\boldsymbol X=(X(t),t\ge0)$ ，其中
$X(t)=e^{\alpha t+\beta B(t)},\quad t\ge 0,\beta>0.$
这里 $X (t)$ 仅取非负实数值，不再是正态过程，可以计算 $X (t)$ 的概率密度函数和数字特征为
$\begin{aligned} F(x;t)=&P(X(t)\le x)\\ =&P(B(t)\le\frac{\ln x-\alpha t}{\beta})\\ =&\Phi\left(\frac{\ln x-\alpha t}{\beta \sqrt t}\right);\\ \quad\\ p(x;t)=&F'(x;t)\\ =&\frac{1}{\sqrt {2\pi}}e^{-\frac{(\ln x-\alpha t)^2}{2\beta^tt}}\cdot\frac{1}{x\beta \sqrt t}\\ =&\frac{1}{\beta x\sqrt {2\pi t}}e^{-(\ln x-\alpha t)^2/2\beta^2t}I(x>0).\\ \quad \\ EX(t)=&Ee^{\alpha t+\beta B(t)}\\ =&e^{\alpha t}Ee^{\beta B(t)}\\ =&e^{\alpha t+\frac12\beta^2t};\\ \quad \\ E(X(t)^2)=&Ee^{2\alpha t+2\beta B(t)}\\ =&e^{2\alpha t}Ee^{2\beta B(t)}\\ =&e^{2\alpha t+2\beta^2 t}; \end{aligned}$
这里用到正态分布的矩母函数：若 $X\sim N(\mu,\sigma^2)$ ，则 $Ee^{tX}=e^{\mu t+\frac12\sigma^2t^2}$ 。
积分过程。对于Brown运动而言，几乎每条样本曲线都连续，即存在一个零概率时间 $\Omega_0$ ，使得对于每一个 $\omega\in \Omega\setminus\Omega_0$ ， $B(t,\omega)$ 作为 $t$ 的函数在 $[0,+\infty)$ 都连续，于是定义
$X(\omega,t)=\int_0^t B(\omega,s)ds, \quad\omega\in \Omega\setminus\Omega_0.$
的积分是Riemann积分，它存在并有限。记
$X(t)=\int_0^t B(s)ds,\quad t\ge0,$
称 $\boldsymbol X=(X(t),t\ge0)$ 为积分过程，它是一个正态过程，并且
$\begin{aligned} EX(t)=&\int_0^t EB(s)ds=0,\quad t\ge0,\\ \quad\\ r_\boldsymbol X(s,t)=&E(X(s)X(t))\\ =&\int_0^s \int_0^t E(B(u)B(v))dudv\\ =&\int_0^s \int_0^ t \min(u,v) dudv\\ =&\int_0^s\int_u^sudvdu+\int_0^s\int_0^u vdvdu+\int_s^t\int_0^s v dudv\\ =&\frac{s^3}6+\frac{s^3}{6}+\frac{s(t^2-s^2)}{2}\\ =&\frac{st^2}{2}-\frac{s^3}{6},\quad s\le t \end{aligned}$

3.最大值与首中时

最大值：对于任意给定的 $t$ ，令 $M_t=\max\limits_{n\le s\le t}B(s)$ ，就称 $M_t$ 是Brown在 $[0, t]$ 内的最大值。

首中时：对于任意给定的非零实数 $a$ ，令 $T_a=\inf\{t\ge0:B(t)=a\}\text{ a.s.}$ ，就称 $T_a$ 是 $a$ 的首中时。

反射原理：固定实数 $a$ ，令
$\hat B(t)=\left\{ \begin{array}l B(t), &t<T_a;\\ 2a-B(t),&t\ge T_a. \end{array} \right.$
则 $\hat B(t)$ 也是一个Brown运动。

对于任意给定的 $t > 0$ ，有 $M_t\stackrel d= |B(t)|$ 。

$P(M_t>x)=P(M_t>x, B(t)>x)+P(M_t>x,B(t)<x)$
这里 $P(M_t>x,B(t)>x)=P(B(t)>x)$ 是显然的。

要证明 $P(M_t>x,B(t)<x)=P(M_t>x,B(t)>x)$ ，如果 $M_t>x$ ，则必定存在一个时刻 $s\in(0,t)$ 使得 $B (s) = x$ ，即 $T_x<t$ 且 $B(T_x)=x$ 。将坐标原点平移到此处，由于 $X(t)=B(t+T_x)-B(T_x)$ 是一个Brown运动，所以此时 $P (B (t) - x > 0) = P (B (t) - x < 0)$ ，得证。

对于首中时 $T_a$ ，用 $f_a(t)$ 表示它的密度函数，则有
$f_a(t)=\frac{|a|}{\sqrt {2\pi}t^{3/2}}e^{-a^2/2t}I(t>0).$
不妨设 $a > 0$ ，对任意 $t > 0$ 有
$P(T_a\le t)=P(M_t\ge a)=\sqrt\frac{2}{\pi}\int_a^\infty \frac{1}{\sqrt t}e^{-x^2/2t}dx\\ \begin{aligned} &f_a(t)\\=&\frac{dP(T_a\le t)}{dt}\\ =&-\frac{1}{\sqrt {2\pi}}\int_a^\infty \frac1{t^{3/2}}e^{-x^2/2t}dx+\frac{1}{\sqrt{2\pi}}\int_a^\infty\frac{x^2}{t^{5/2}}e^{-x^2/2t}dx\\ \\ &\int_a^\infty \frac{1}{t^{3/2}}e^{-x^2/2t}dx\\=&-\frac a{t^{3/2}}e^{-a^2/2t}+\int_a^\infty \frac{x^2}{t^{5/2}}e^{-x^2/2t}dx\\ \quad\\ f_a(t)=&\frac{a}{\sqrt{2\pi}t^{3/2}}e^{-a^2/2t} \end{aligned}$
对 $a < 0$ 时类似证明，得到 $f_a(t)$ 的密度函数。

由此可以验证：
$\begin{aligned} P(T_a<\infty)=&\lim\limits_{t\to \infty }P(T_a\le t)\\ =&\lim_{t\to \infty }P(M_a\ge a)\\ =&\lim_{n\to \infty }\sqrt{\frac 2\pi}\int_a^\infty \frac{1}{\sqrt t}e^{-x^2/2t}dx\\ =&\lim_{n\to \infty }\sqrt {\frac2\pi}\int_a^\infty e^{-\frac{(x/\sqrt t)^2}{2}}d(x/\sqrt t)\\ =&\lim_{n\to \infty}\sqrt {\frac 2\pi}\int_{a/\sqrt t}^\infty e^{-m^2/2}dm\\ =&\sqrt {\frac2\pi}\int_0^\infty e^{-m^2/2}dm=1\\ \\ ET_a=&\int_0^\infty tf_a(t)dt\\ =&\frac{|a|}{\sqrt {2\pi}}\int_0^\infty \frac{1}{\sqrt t}e^{-a^2/2t}dt\\ =&\infty \end{aligned}$