文章目录
5.4 最大值与首中时的分布特性
设 { B ( t ) , t ≥ 0 } \{B(t),t\ge0\} {B(t),t≥0} 是标准布朗运动，不妨设 B ( 0 ) = 0 B(0)=0 B(0)=0。
定义：首次击中 a a a 的时间 τ a = inf { t : t ≥ 0 , B ( t ) = a } \tau_a=\inf\{t:t\ge0,B(t)=a\} τa=inf{t:t≥0,B(t)=a}
定义：对 ∀ t > 0 , M ( t ) = max 0 ≤ u ≤ t B ( u ) \forall t > 0, M(t)=\max_{0\le u\le t}B(u) ∀t>0,M(t)=max0≤u≤tB(u) 表示 [ 0 , t ] [0,t] [0,t] 上的最大值。
当 a > 0 a > 0 a>0 时，显然存在等价关系 { τ a ≤ t } = { M ( t ) ≥ a } \{\tau_a \le t\} = \{M(t) \ge a\} {τa≤t}={M(t)≥a}，因此有 P ( τ a ≤ t ) = P ( M ( t ) ≥ a ) P(\tau_a \le t) = P(M(t) \ge a) P(τa≤t)=P(M(t)≥a)。
Remark：事实上，这与泊松过程中定义的 { S n ≤ t } = { N ( t ) ≥ n } \{S_n\le t\} = \{N(t)\ge n\} {Sn≤t}={N(t)≥n} 类似。主要差别在于泊松过程中讨论离散点情况，这里讨论连续情况。
定理 5.6：对任意
a
>
0
a>0
a>0，
M
(
t
)
M(t)
M(t) 和
τ
a
\tau_a
τa 的分布密度函数分别为
f
M
(
t
)
(
a
)
=
2
π
t
e
−
a
2
/
2
t
I
[
0
,
∞
)
(
a
)
f
τ
a
(
t
)
=
a
2
π
e
−
a
2
/
2
t
t
−
3
/
2
,
t
>
0
\begin{aligned} f_{M(t)}(a) &= \sqrt{\frac{2}{\pi t}} e^{-a^2/ 2t} I_{[0,\infty)}(a) \\ f_{\tau_a}(t) &= \frac{a}{\sqrt{2\pi}} e^{-a^2/2t} t^{-3/2}, \quad t > 0 \end{aligned}
fM(t)(a)fτa(t)=πt2e−a2/2tI[0,∞)(a)=2πae−a2/2tt−3/2,t>0
τ
a
\tau_a
τa 的 Laplace 变换为
E
[
exp
(
−
s
τ
a
)
]
=
e
−
2
s
a
,
s
>
0
{\mathbb E}[\exp(-s\tau_a)] = e^{-\sqrt{2s}a}, ~ s>0
E[exp(−sτa)]=e−2sa, s>0。
证明： P ( B ( t ) ≥ a ) = P ( B ( t ≥ a ∣ τ a ≤ t ) ) P ( τ a ≤ t ) P(B(t)\ge a) = P(B(t\ge a | \tau_a \le t))P(\tau_a \le t) P(B(t)≥a)=P(B(t≥a∣τa≤t))P(τa≤t)，由于 P ( B ( t ) ≥ a ) ∣ τ a ≤ t ) = P ( B ( t ) < a ) ∣ τ a ≤ t ) = 1 / 2 P(B(t)\ge a) | \tau_a\le t) = P(B(t)< a) | \tau_a\le t)=1/2 P(B(t)≥a)∣τa≤t)=P(B(t)<a)∣τa≤t)=1/2，因此可以得到 P ( M ( t ) ≥ a ) = P ( τ a ≤ t ) = 2 P ( B ( t ) ≥ a ) = 2 2 π t ∫ a ∞ e − x 2 / 2 t d x P(M(t)\ge a) = P(\tau_a \le t) = 2P(B(t)\ge a)=\frac{2}{\sqrt{2\pi t}}\int_a^{\infty} e^{-x^2 / 2t}dx P(M(t)≥a)=P(τa≤t)=2P(B(t)≥a)=2πt2∫a∞e−x2/2tdx。于是 f M ( t ) ( a ) = d ( 1 − P ( M ( t ) ≥ a ) ) / d a f_{M(t)}(a)={d(1-P(M(t)\ge a))} / {da} fM(t)(a)=d(1−P(M(t)≥a))/da， f τ a ( t ) = d ( P ( τ a ≤ t ) ) / d a f_{\tau_a}(t) = d(P(\tau_a \le t)) / da fτa(t)=d(P(τa≤t))/da，证毕。
利用上述定理可以到如下结果：
- τ a \tau_a τa 几乎处处有限，即 P ( τ a < ∞ ) = 1 P(\tau_a < \infty)=1 P(τa<∞)=1；
- E τ a = ∞ {\mathbb E}\tau_a = \infty Eτa=∞。
证明：1） P ( τ a < ∞ ) = lim t → ∞ = P ( τ a ≤ t ) = lim t → ∞ 2 2 π ∫ a / t ∞ e − u 2 / 2 d u = 1 P(\tau_a<\infty) = \lim_{t\to\infty}=P(\tau_a \le t) = \lim_{t\to\infty} \frac{2}{\sqrt{2\pi}}\int_{a/\sqrt{t}}^{\infty} e^{-u^2/2}du = 1 P(τa<∞)=limt→∞=P(τa≤t)=limt→∞2π2∫a/t∞e−u2/2du=1；2） E [ exp ( − s τ a ) ] = e − 2 s a {\mathbb E}[\exp(-s\tau_a)]=e^{-\sqrt{2s}a} E[exp(−sτa)]=e−2sa，两边对 s s s 求导得到 E [ τ a exp ( − s τ a ) ] = 2 2 a s − 1 / 2 e − 2 s a {\mathbb E}[\tau_a \exp(-s\tau_a)] = \frac{\sqrt{2}}{2} a s^{-1/2} e^{-\sqrt{2s}a} E[τaexp(−sτa)]=22as−1/2e−2sa，令 s → 0 s\to 0 s→0 即可得到 E τ a = ∞ {\mathbb E}\tau_a = \infty Eτa=∞，证毕。
栗子 5.1：
定理 5.7：设 { B ( t ) } \{B(t)\} {B(t)} 为标准布朗运动， ∀ a > 0 , y ≥ 0 \forall a > 0, y\ge0 ∀a>0,y≥0 有 P ( B ( t ) ≤ a − y , M ( t ) ≥ a ) = P ( B ( t ) ≥ a + y ) P(B(t)\le a-y, M(t)\ge a) = P(B(t) \ge a+y) P(B(t)≤a−y,M(t)≥a)=P(B(t)≥a+y)
证明：根据反射性定义
B
∗
(
t
)
=
2
a
−
B
(
t
)
B^{\ast}(t) = 2a-B(t)
B∗(t)=2a−B(t)，则有
τ
a
=
τ
a
∗
=
inf
{
B
∗
(
t
)
=
a
}
\tau_a = \tau^{\ast}_a = \inf\{B^{\ast}(t)=a\}
τa=τa∗=inf{B∗(t)=a}，又由于
{
M
(
t
)
≥
a
}
=
{
τ
a
≤
t
}
\{M(t)\ge a\} = \{\tau_a \le t\}
{M(t)≥a}={τa≤t}，于是有
P
(
B
(
t
)
≤
a
−
y
,
M
(
t
)
≥
a
)
=
P
(
B
(
t
)
≤
a
−
y
,
τ
a
≤
t
)
=
P
(
B
∗
(
t
)
≤
a
−
y
,
τ
a
≤
t
)
=
P
(
B
(
t
)
≥
a
+
y
,
τ
a
≤
t
)
=
P
(
B
(
t
)
≥
a
+
y
)
\begin{aligned} P(B(t)\le a-y, M(t)\ge a) &= P(B(t)\le a-y, \tau_a\le t) \\ &= P(B^{\ast}(t) \le a-y, \tau_a \le t) \\ &= P(B(t) \ge a+y, \tau_a\le t) \\ &= P(B(t)\ge a+y) \end{aligned}
P(B(t)≤a−y,M(t)≥a)=P(B(t)≤a−y,τa≤t)=P(B∗(t)≤a−y,τa≤t)=P(B(t)≥a+y,τa≤t)=P(B(t)≥a+y)
推论 5.7.1：设
{
B
(
t
)
}
\{B(t)\}
{B(t)} 为标准布朗运动，
∀
a
>
0
\forall a > 0
∀a>0 有
P
(
M
(
t
)
≥
a
)
=
2
P
(
B
(
t
)
≥
a
)
=
P
(
∣
B
(
t
)
∣
≥
a
)
P(M(t)\ge a) = 2P(B(t)\ge a) = P(|B(t)|\ge a)
P(M(t)≥a)=2P(B(t)≥a)=P(∣B(t)∣≥a).
推论 5.7.2： ∀ ξ > 0 , x ≤ ξ \forall \xi > 0, x\le\xi ∀ξ>0,x≤ξ， M ( t ) M(t) M(t) 和 B ( t ) B(t) B(t) 的联合分布密度函数为 f M , B ( ξ , x ) = 2 π ( 2 ξ − x t 3 / 2 ) exp ( − ( 2 ξ − x ) 2 / 2 t ) I [ 0 , ∞ ) ( ξ ) I ( − ∞ , ξ ] ( x ) f_{M,B}(\xi,x) = \sqrt{\frac{2}{\pi} }(\frac{2\xi-x}{t^{3/2} }) \exp(-(2\xi-x)^2/2t) I_{[0,\infty)}(\xi)I_{(-\infty,\xi]}(x) fM,B(ξ,x)=π2(t3/22ξ−x)exp(−(2ξ−x)2/2t)I[0,∞)(ξ)I(−∞,ξ](x).
5.5 过零点的反正弦定理
∀
t
1
<
t
2
\forall t_1 < t_2
∀t1<t2，记事件
o
(
t
1
,
t
2
)
=
{
∃
t
∈
(
t
1
,
t
2
)
,
B
(
t
)
=
0
}
o(t_1,t_2)=\{\exists t\in(t_1,t_2), B(t)=0\}
o(t1,t2)={∃t∈(t1,t2),B(t)=0}，利用全概率公式有
P
(
o
(
t
1
,
t
2
)
)
=
∫
−
∞
∞
P
(
o
(
t
1
,
t
2
)
∣
B
(
t
1
)
=
x
)
1
2
π
t
1
e
−
x
2
/
2
t
1
d
x
P(o(t_1,t_2)) = \int_{-\infty}^{\infty} P(o(t_1,t_2) | B(t_1)=x) \frac{1}{\sqrt{2\pi t_1} }e^{-x^2/2t_1} dx
P(o(t1,t2))=∫−∞∞P(o(t1,t2)∣B(t1)=x)2πt11e−x2/2t1dx
利用布朗运动的连续性和对称性有
P
(
o
(
t
1
,
t
2
)
∣
B
(
t
1
)
=
x
)
=
P
(
τ
x
≤
t
2
−
t
1
)
=
2
2
π
(
t
2
−
t
1
)
∫
x
∞
e
−
u
2
/
2
(
t
2
−
t
1
)
d
u
P(o(t_1,t_2)|B(t_1)=x) = P(\tau_x\le t_2-t_1) = \frac{2}{\sqrt{2\pi(t_2-t_1)} }\int_x^{\infty} e^{-u^2/2(t_2-t_1)} du
P(o(t1,t2)∣B(t1)=x)=P(τx≤t2−t1)=2π(t2−t1)2∫x∞e−u2/2(t2−t1)du
于是有
P
(
o
(
t
1
,
t
2
)
)
=
π
t
1
(
t
2
−
t
1
)
∫
0
∞
∫
x
∞
e
−
y
2
2
(
t
2
−
t
1
)
d
y
⋅
e
−
x
2
2
t
1
d
x
P(o(t_1,t_2)) = \frac{}{\pi\sqrt{t_1(t_2-t_1)} }\int_0^{\infty}\int_x^{\infty} e^{-\frac{y^2}{2(t_2-t_1)} }dy \cdot e^{-\frac{x^2}{2t_1} }dx
P(o(t1,t2))=πt1(t2−t1)∫0∞∫x∞e−2(t2−t1)y2dy⋅e−2t1x2dx
这个积分的直接求解非常困难，为求此积分，采用另外的方法，也即反正弦定理。
定理 5.8（反正弦定理）：设 B ( t ) B(t) B(t) 是标准布朗运动，记 o ˉ ( t 1 , t 2 ) = { B ( t ) ≠ 0 , ∀ t ∈ ( t 1 , t 2 ) } \bar{o}(t_1,t_2)=\{B(t)\ne 0,\forall t\in(t_1,t_2)\} oˉ(t1,t2)={B(t)=0,∀t∈(t1,t2)}，则 P ( o ˉ ( t 1 , t 2 ) ) = 2 π arcsin t 1 t 2 P(\bar{o}(t_1,t_2))=\frac{2}{\pi} \arcsin\sqrt{\frac{t_1}{t_2} } P(oˉ(t1,t2))=π2arcsint2t1，且当 t 1 = x t , t 2 = t , 0 < x < 1 t_1=xt, t_2=t, 0 < x < 1 t1=xt,t2=t,0<x<1 时，有 P ( o ˉ ( x t , t ) ) = 2 π arcsin x P(\bar{o}(xt,t))=\frac{2}{\pi} \arcsin \sqrt{x} P(oˉ(xt,t))=π2arcsinx.
Remark：这说明布朗运动处处连续但处处不可导。
5.6 布朗运动的推广
5.6.1 带吸收点的布朗运动
设 Z ( t ) = { B ( t ) , t < τ x x , t ≥ τ x Z(t)=\begin{cases}B(t), & t < \tau_x \\ x, & t\ge \tau_x \end{cases} Z(t)={B(t),x,t<τxt≥τx，为求 Z ( t ) Z(t) Z(t) 的分布，不妨设 x > 0 x > 0 x>0
（1）当 y > x y > x y>x 时， P ( Z ( t ) ≤ y ) = 1 P(Z(t) \le y)=1 P(Z(t)≤y)=1；
（2）当 y = x y=x y=x 时， P ( Z ( t ) = x ) = P ( τ x ≤ t ) = 2 2 π t ∫ x ∞ e − u 2 / 2 t d u P(Z(t)=x) = P(\tau_x\le t) = \frac{2}{\sqrt{2\pi t} }\int_x^\infty e^{-u^2/2t} du P(Z(t)=x)=P(τx≤t)=2πt2∫x∞e−u2/2tdu；
（3）当 y < x y < x y<x 时，
5.6.2 原点反射的布朗运动
5.6.3 几何布朗运动
令 W ( t ) = e B ( t ) W(t)=e^{B(t)} W(t)=eB(t)，称它为几何布朗运动，取 B ( t ) B(t) B(t) 的矩母函数 ϕ ( s ) = E [ e s B ( t ) ] \phi(s)={\mathbb E}[e^{sB(t)}] ϕ(s)=E[esB(t)]，则 ϕ ( s ) = e t s 2 / 2 \phi(s)=e^{ts^2/2} ϕ(s)=ets2/2，因此 E [ W ( t ) ] = ϕ ( 1 ) = e t / 2 {\mathbb E}[W(t)]=\phi(1)=e^{t/2} E[W(t)]=ϕ(1)=et/2， D [ W ( t ) ] = E [ W 2 ( t ) ] − ( E [ W ( t ) ] ) 2 = ϕ ( 2 ) − e t = e 2 t − e t D[W(t)] = {\mathbb E}[W^2(t)]-({\mathbb E}[W(t)])^2=\phi(2)-e^t = e^{2t}-e^t D[W(t)]=E[W2(t)]−(E[W(t)])2=ϕ(2)−et=e2t−et.
栗子 5.2：考虑股票市场收益率， S 0 , S n S_0,S_n S0,Sn 分别表示最初价位和最终价位， S n = S 0 e B ( t 1 ) − B ( t 0 ) ⋯ e B ( t n ) − B ( t n − 1 ) S_n=S_0 e^{B(t_1)-B(t_0)}\cdots e^{B(t_n)-B(t_{n-1})} Sn=S0eB(t1)−B(t0)⋯eB(tn)−B(tn−1).
5.6.4 布朗运动的积分
令
S
(
t
)
=
∫
0
t
B
(
u
)
d
u
S(t)=\int_0^t B(u)du
S(t)=∫0tB(u)du，根据正态分布的性质知道他是正态过程，
E
S
(
t
)
=
0
{\mathbb E}S(t)=0
ES(t)=0，
∀
0
≤
δ
≤
t
\forall 0\le \delta \le t
∀0≤δ≤t，有
cov
[
S
(
δ
)
,
S
(
t
)
]
=
E
[
∫
0
δ
∫
0
t
B
(
u
)
B
(
v
)
d
u
d
v
]
=
∫
0
δ
∫
0
t
(
u
∧
v
)
d
u
d
v
=
δ
2
2
(
t
−
δ
3
)
\operatorname{cov}[S(\delta),S(t)] = {\mathbb E}[\int_0^\delta\int_0^t B(u)B(v)dudv] = \int_0^\delta\int_0^t(u\wedge v)dudv=\frac{\delta^2}{2}(t-\frac{\delta}{3})
cov[S(δ),S(t)]=E[∫0δ∫0tB(u)B(v)dudv]=∫0δ∫0t(u∧v)dudv=2δ2(t−3δ)
5.6.5 布朗运动的形式导数
考虑增量比，固定 Δ t > 0 \Delta t > 0 Δt>0，令 B ( t + Δ t ) − B ( t ) Δ t = Δ B ( t ) Δ t \frac{B(t+\Delta t)-B(t)}{\Delta t} = \frac{\Delta B(t)}{\Delta t} ΔtB(t+Δt)−B(t)=ΔtΔB(t)，
5.7 布朗桥与经验分布
5.7.1 布朗桥的基本概念与性质
定义： { B ( t ) , t ≥ 0 } \{B(t),t\ge0\} {B(t),t≥0} 为标准布朗运动，不妨设 B ( 0 ) = 0 B(0)=0 B(0)=0，令 B 00 ( t ) = B ( t ) − t B ( 1 ) B_{00}(t)=B(t)-tB(1) B00(t)=B(t)−tB(1)，则称 { B 00 ( t ) , 0 ≤ t ≤ 1 } \{B_{00}(t), 0\le t\le 1\} {B00(t),0≤t≤1} 为布朗桥。
根据其定义，可以得到基本性质如下：
- B 00 ( 0 ) = B 00 ( 1 ) = 0 B_{00}(0)=B_{00}(1)=0 B00(0)=B00(1)=0；（？？）
- E [ B 00 ( t ) ] = E [ B ( t ) − t B ( 1 ) ] = 0 {\mathbb E}[B_{00}(t)]={\mathbb E}[B(t)-tB(1)]=0 E[B00(t)]=E[B(t)−tB(1)]=0；
- D [ B 00 ( t ) ] = E [ B 00 2 ( t ) ] = t ( 1 − t ) D[B_{00}(t)]={\mathbb E}[B_{00}^2(t)]=t(1-t) D[B00(t)]=E[B002(t)]=t(1−t)；
- 设 s ≤ t s\le t s≤t， cov [ B 00 ( s ) , B 00 ( t ) ] = s ( 1 − t ) \operatorname{cov}[B_{00}(s),B_{00}(t)]=s(1-t) cov[B00(s),B00(t)]=s(1−t)；
- { B 00 ( t ) , 0 ≤ t ≤ 1 } \{B_{00}(t),0\le t\le1 \} {B00(t),0≤t≤1} 的分布与 { B ( t ) , t ≥ 0 } \{B(t), t\ge0 \} {B(t),t≥0} 在 B ( 1 ) = 0 B(1)=0 B(1)=0 下的条件分布相同。
5.7.2 经验分布与布朗桥的关系
工程统计中，经常独立抽取多个样本 X 1 , . . . , X n X_1,...,X_n X1,...,Xn 来统计某参量的统计特性，定义经验分布 F ^ n ( x ) = 1 n ∑ i = 1 n I { X i ≤ x } \hat{F}_n(x) = \frac{1}{n}\sum_{i=1}^n I_{\{X_i\le x\} } F^n(x)=n1∑i=1nI{Xi≤x}。假设 X 1 , . . . , X n X_1,...,X_n X1,...,Xn 独立同分布，且 X n ∼ F ( x ) X_n\sim F(x) Xn∼F(x)，则有：
- E [ F ^ n ( x ) ] = F ( x ) {\mathbb E}[\hat{F}_n(x)] = F(x) E[F^n(x)]=F(x)
- Var [ F ^ n ( x ) ] = 1 n F ( x ) ( 1 − F ( x ) ) \operatorname{Var}[\hat{F}_n(x)]=\frac{1}{n}F(x)(1-F(x)) Var[F^n(x)]=n1F(x)(1−F(x))
- 任意给定 x x x，利用强大数定理得到 任意给定 x x x，利用强大数定理得到 P ( lim n → ∞ F ^ n ( x ) = F ( x ) ) = 1 P(\lim_{n\to\infty} \hat{F}_n(x)=F(x))=1 P(limn→∞F^n(x)=F(x))=1
- 任意给定 x x x，利用中心极限定理得到 n → ∞ n\to\infty n→∞ 时有（依分布收敛）
∑ i = 1 n ( I { X i ≤ x } − F ( x ) ) n F ( x ) ( 1 − F ( x ) ) = d N ( 0 , 1 ) \frac{\sum_{i=1}^n (I_{\{X_i\le x\} }-F(x)) }{\sqrt{nF(x)(1-F(x))} } \overset{d}{=} {\mathcal N}(0,1) nF(x)(1−F(x))∑i=1n(I{Xi≤x}−F(x))=dN(0,1)
证明：（2） Var [ F ^ n ( x ) ] = E [ F ^ n ( x ) 2 ] − F ( x ) 2 = 1 n 2 E [ ∑ i = 1 n I { X i ≤ x } ∑ j = 1 n I { X j ≤ x } ] \operatorname{Var}[\hat{F}_n(x)]={\mathbb E}[\hat{F}_n(x)^2] - F(x)^2 = \frac{1}{n^2}{\mathbb E}[\sum_{i=1}^n I_{\{X_i\le x\} } \sum_{j=1}^n I_{\{X_j\le x\} } ] Var[F^n(x)]=E[F^n(x)2]−F(x)2=n21E[∑i=1nI{Xi≤x}∑j=1nI{Xj≤x}]，展开化简就可以得到性质 2.
（4）记 G n ( x ) = n ( F ^ n ( x ) − F ( x ) ) G_n(x)=\sqrt{n}(\hat{F}_n(x)-F(x)) Gn(x)=n(F^n(x)−F(x))，容易证明 E G n ( x ) = 0 , Var G n ( x ) = F ( x ) ( 1 − F ( x ) ) {\mathbb E}G_n(x)=0,\operatorname{Var}G_n(x)=F(x)(1-F(x)) EGn(x)=0,VarGn(x)=F(x)(1−F(x))，特别的，根据中心极限定理，当 n → ∞ n\to\infty n→∞ 时有 G n ( x ) = d G ( x ) G_n(x)\overset{d}{=}G(x) Gn(x)=dG(x)，其中 G ( x ) ∼ N ( 0 , F ( x ) ( 1 − F ( x ) ) ) G(x)\sim {\mathcal N}(0,F(x)(1-F(x))) G(x)∼N(0,F(x)(1−F(x)))。
引理 5.1：如果 x 1 < x 2 x_1 < x_2 x1<x2，则 E [ G n ( x 1 ) G n ( x 2 ) ] = F ( x 1 ) ( 1 − F ( x 2 ) ) {\mathbb E}[G_n(x_1)G_n(x_2)] = F(x_1)(1-F(x_2)) E[Gn(x1)Gn(x2)]=F(x1)(1−F(x2))。
证明：代入展开化简即可得到。
Remark：根据上述引理和 G n ( x ) G_n(x) Gn(x) 的性质可知，当 F n ( x ) = x F_n(x)=x Fn(x)=x 时，即 X 1 , . . . , X n X_1,...,X_n X1,...,Xn 服从 [ 0 , 1 ] [0,1] [0,1] 上的均匀分布时， G n ( x ) G_n(x) Gn(x) 的极限分别 G ( x ) G(x) G(x) 是布朗桥。
事实上，对于一般的连续分布函数 F ( x ) F(x) F(x)， G n ( x ) G_n(x) Gn(x) 的极限分布 G ( x ) G(x) G(x) 也可以用布朗桥表示。为此，首先给出如下引理。
引理 5.2：随机变量 X X X 的分布函数 F ( x ) F(x) F(x) 连续，则 Y = F ( X ) Y=F(X) Y=F(X) 是一个 [ 0 , 1 ] [0,1] [0,1] 均匀分布的随机变量。
证明： ∀ y ∈ [ 0 , 1 ] \forall y\in[0,1] ∀y∈[0,1]，定义 x = inf { u : F ( u ) ≥ y } x=\inf\{u:F(u)\ge y\} x=inf{u:F(u)≥y}，因此有 P ( F ( X ) ≥ y ) ) = P ( Y ≥ y ) = 1 − F ( x ) = 1 − y P(F(X)\ge y)) = P(Y\ge y)=1-F(x)=1-y P(F(X)≥y))=P(Y≥y)=1−F(x)=1−y，从而有 P ( Y < y ) = y P(Y< y) = y P(Y<y)=y，证毕。
基于引理 5.2，可以定义 G # ( x ) = B 00 ( F ( x ) ) G^{\#}(x)=B_{00}(F(x)) G#(x)=B00(F(x))，利用布朗桥性质有 G # ( x ) G^{\#}(x) G#(x) 与 G ( x ) G(x) G(x) 有相同的分布特性，从而可以推得 G n ( x ) G_n(x) Gn(x) 的极限分布为以 F ( x ) F(x) F(x) 为参变量的布朗桥。
5.7.3 经验分布的误差估计
略。
5.8 带漂移的布朗运动
定义：设 { B ( t ) , t ≥ 0 } \{B(t),t\ge0\} {B(t),t≥0} 为标准布朗运动，记 X ( t ) = B ( t ) + η t X(t)=B(t)+\eta t X(t)=B(t)+ηt，其中 η \eta η 为常数，称 { X ( t ) , t ≥ 0 } \{X(t),t\ge0\} {X(t),t≥0} 为带漂移的布朗运动。
5.8.1 移出区间的概率计算
定理 5.9：对任意 A > 0 , B > 0 A > 0, B > 0 A>0,B>0，定义停时 τ = inf { t : X ( t ) = A o r X ( t ) = − B } \tau=\inf\{t:X(t)=A ~ or ~ X(t)=-B \} τ=inf{t:X(t)=A or X(t)=−B}，则 P A = P ( X ( τ ) = A ) = e 2 η B − 1 e 2 η B − e 2 η a P_{A}=P(X(\tau)=A) = \frac{e^{2\eta B}-1}{e^{2\eta B}-e^{2\eta a} } PA=P(X(τ)=A)=e2ηB−e2ηae2ηB−1.
5.8.2 首中时问题
5.9 布朗运动的轨道性质
轨道处处连续，几乎处处不可导。
定理：标准布朗运动
B
(
t
)
B(t)
B(t)，对任意的
t
≥
0
t\ge0
t≥0，有
P
(
lim
h
→
0
sup
∣
B
(
t
+
h
)
−
B
(
t
)
h
∣
=
+
∞
)
=
1
P(\lim_{h\to 0}\sup\left|\frac{B(t+h)-B(t)}{h}\right|=+\infty) = 1
P(h→0limsup∣∣∣∣hB(t+h)−B(t)∣∣∣∣=+∞)=1
证明：略。
最后给我的博客打个广告，欢迎光临
https://glooow1024.github.io/
https://glooow.gitee.io/
前面的一些博客链接如下
泛函分析专栏
高等数值分析专栏
随机过程专栏
随机过程1 绪论
随机过程2 平稳过程与二阶矩
离散鞅论1 | 基本概念
离散鞅论2 | 停时与停时定理
离散鞅论3 | 鞅论应用
泊松过程1 | 定义与基本性质
泊松过程2 | 泊松过程扩展
布朗运动 1 | 基本概念与性质
布朗运动 2 | 布朗运动的推广
马尔可夫过程1 | 基本概念
马尔可夫过程2 | 状态空间
连续参数马尔可夫链
6205
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
