UA MATH565C 随机微分方程II Wiener过程简介
UA MATH565C 随机微分方程II Wiener过程简介
- Wiener过程的简单性质
- Wiener过程的定义
在上一讲我们定义了WtW_tWt:
dWt=ηtdt⇔Wt=∫0tηsdsdW_t = \eta_t dt \Leftrightarrow W_t = \int_{0}^t \eta_s dsdWt=ηtdt⇔Wt=∫0tηsds
其中ηt\eta_tηt是高斯白噪声过程,WtW_tWt被称为Wiener过程或者Brown运动。这一part给出Wiener过程的构造理论,以及一些常用的性质与结论。
Wiener过程的简单性质
因为Wiener过程根据高斯白噪声构造,所以性质也主要由高斯白噪声的性质推导得到。高斯白噪声的性质为:
- Eηt=0,∀t∈TE\eta_t=0,\forall t \in \mathcal{T}Eηt=0,∀t∈T
- Eηtηs=δ(t−s),∀t,s∈T,σ2<+∞E\eta_t\eta_s=\delta(t-s),\forall t,s \in \mathcal{T},\sigma^2 < +\inftyEηtηs=δ(t−s),∀t,s∈T,σ2<+∞
- 高斯过程
根据这三条,可以得到Wiener过程的三条简单性质:
- 高斯过程
- EWt=E∫0tηsds=∫0tEηsds=0EW_t = E\int_{0}^t \eta_s ds = \int_{0}^t E\eta_s ds=0EWt=E∫0tηsds=∫0tEηsds=0
- ∀0≤s<t<v<u,E[(Wt−Ws)(Wu−Wv)]=0\forall 0\le s<t<v<u,E[(W_t-W_s)(W_u-W_v)]=0∀0≤s<t<v<u,E[(Wt−Ws)(Wu−Wv)]=0
这一条是根据高斯白噪声的性质2得到的,因为Wt−Ws=∫stηrdr,Wu−Wv=∫vuηrdrW_t-W_s=\int_s^t \eta_rdr,W_u-W_v=\int_v^u \eta_rdrWt−Ws=∫stηrdr,Wu−Wv=∫vuηrdr。
其实根据WtW_tWt的定义还可以看出它的初值为0:
W0=∫00ηtdt=0W_0 = \int_0^0 \eta_t dt = 0W0=∫00ηtdt=0
从Wiener过程的性质3得到,假设s<ts<ts<t,则
E[Ws(Wt−Ws)]=0⇒E[WsWt]=E[Ws2]=sE[W_s(W_t-W_s)]=0 \Rightarrow E[W_sW_t] = E[W_s^2] =sE[Ws(Wt−Ws)]=0⇒E[WsWt]=E[Ws2]=s
这个结论可以写成更一般的:
E[WsWt]=min(s,t),∀s,t∈TE[W_sW_t]=min(s,t),\forall s,t \in \mathcal{T}E[WsWt]=min(s,t),∀s,t∈T
其中WtW_tWt的矩的计算可以用特征函数来做,这里给两个结论:∀k∈N\forall k \in \mathbb{N}∀k∈N
- E[Wt]2k=(2k)!2kk!tkE[W_t]^{2k} = \frac{(2k)!}{2^k k!} t^kE[Wt]2k=2kk!(2k)!tk
- E[Wt]2k−1=0E[W_t]^{2k-1} = 0E[Wt]2k−1=0
因为Wt∼N(0,t)W_t \sim N(0,t)Wt∼N(0,t),所以Wiener过程的矩可以直接套用正态分布的nnn阶矩公式,公式的推导懒得打字,直接贴我的作业:
里面那个复合函数的高阶导数公式可以参考柯召的组合论。
Wiener过程的定义
根据Wiener过程的简单性质来定义它,如果随机过程WtW_tWt满足下面三条性质:∀s,t∈T\forall s,t \in \mathcal{T}∀s,t∈T
- 高斯过程;
- EWt=0EW_t=0EWt=0;
- E[WtWs]=min(s,t)E[W_tW_s]=min(s,t)E[WtWs]=min(s,t)
比较正式的构造需要用Kolmogorov定理,为此WtW_tWt的路径函数依概率1连续,Wiener过程的构造放在下一讲。
应用Wiener过程之前,需要根据这三条性质来验证一个随机过程是不是Wiener过程,下面举几个例子来说明。
如果WtW_tWt是Wiener过程,则
例1
1、−Wt-W_t−Wt是Wiener过程;
2、Xt=Wt0+t−WtX_t=W_{t_0+t}-W_tXt=Wt0+t−Wt是Wiener过程,∀t0∈T\forall t_0 \in \mathcal{T}∀t0∈T
第一条比较直观,验证一下第二条的性质3:
E[XsXt]=E[(Wt0+s−Ws)(Wt0+t−Wt)]=E[Wt0+sWt0+t]+E[WsWt]−E[Wt0+sWt]−E[Wt0+tWs]=min(t+t0,s+t0)+min(t,s)−min(t0+s,t)−min(t0+t,s)=min(t,s)E[X_sX_t] = E[(W_{t_0+s}-W_s)(W_{t_0+t}-W_t)] \\ = E[W_{t_0+s}W_{t_0+t}]+E[W_sW_t] - E[W_{t_0+s}W_t]-E[W_{t_0+t}W_s]\\=min(t+t_0,s+t_0)+min(t,s)-min(t_0+s,t)-min(t_0+t,s) =min(t,s) E[XsXt]=E[(Wt0+s−Ws)(Wt0+t−Wt)]=E[Wt0+sWt0+t]+E[WsWt]−E[Wt0+sWt]−E[Wt0+tWs]=min(t+t0,s+t0)+min(t,s)−min(t0+s,t)−min(t0+t,s)=min(t,s)
例2 Yt=1cWc2tY_t=\frac{1}{c}W_{c^2t}Yt=c1Wc2t是Wiener过程,这种构造叫Wiener Scaling
性质1、2都很显然,验证一下性质3:
E[YsYt]=E[1c2Wc2sWc2t]=1c2min(c2s,c2t)=min(s,t)E[Y_sY_t]=E[\frac{1}{c^2} W_{c^2s}W_{c^2 t}] = \frac{1}{c^2} min(c^2s,c^2t)=min(s,t)E[YsYt]=E[c21Wc2sWc2t]=c21min(c2s,c2t)=min(s,t)
例3 Zt=tW1tZ_t=tW_{\frac{1}{t}}Zt=tWt1是Wiener过程
性质1、2同样很显然,先验证一下性质3:
E[ZsZt]=E[stW1sW1t]=stmin(1s,1t)=min(s,t)E[Z_sZ_t] = E[stW_{\frac{1}{s}}W_{\frac{1}{t}}] = st min(\frac{1}{s},\frac{1}{t}) = min(s,t)E[ZsZt]=E[stWs1Wt1]=stmin(s1,t1)=min(s,t)
需要注意的是这个随机过程的时间在WtW_tWt的基础上做了一个反比例变换,导致t=0t=0t=0成为了一个奇点。因此需要验证一下这个随机过程的路径函数是否以概率1连续,更精确一点,要验证ZtZ_tZt在t=0t=0t=0处能以概率1连续。
定义E={w:Zt→0,ast→0}E = \{w:Z_t \to 0, as\ t \to 0\}E={w:Zt→0,as t→0},用一个比较神奇的构造:
E=⋂n⋃m⋂q∈Q∩[0,1m]{w:∣Zq∣≤1n}E=\bigcap_n \bigcup_m \bigcap_{q \in \mathbb{Q}\cap [0,\frac{1}{m}]}\{w:|Z_q| \le \frac{1}{n}\}E=n⋂m⋃q∈Q∩[0,m1]⋂{w:∣Zq∣≤n1}
要证明以概率1连续,需要
P(E)=1P(E)=1P(E)=1
因为Zq=W1q1/qZ_q = \frac{W_{\frac{1}{q}}}{1/q}Zq=1/qWq1,当q→0q \to 0q→0,1q→∞\frac{1}{q} \to \inftyq1→∞,根据大数法则Zq→0a.s.Z_q \to 0\ a.s.Zq→0 a.s.,用这个来证明P(E)=1P(E)=1P(E)=1就很直接了。再来看一下这个神奇的构造,要证明ZtZ_tZt在t=0t=0t=0处连续,需要在T\mathcal{T}T上找一个收敛到0的子列,满足按这个子列对ZtZ_tZt的采样依概率1收敛到0。因为ZtZ_tZt中的时间在已知的Wiener过程中是1/t1/t1/t,所以这里用q=Q∩[0,1m],m=1,⋯,∞q=\mathbb{Q} \cap [0,\frac{1}{m}],m=1,\cdots,\inftyq=Q∩[0,m1],m=1,⋯,∞是在确定一个收敛到0有理子列。∣Zq∣≤1n|Z_q| \le \frac{1}{n}∣Zq∣≤n1并对n=1,⋯,∞n=1,\cdots,\inftyn=1,⋯,∞取交集,ZqZ_qZq其实就是按那个子列对ZtZ_tZt做的一列采样,如果这个东西的概率是1,就可以说明这个子列对ZtZ_tZt的采样依概率1收敛到0。
UA MATH565C 随机微分方程II Wiener过程简介相关推荐
- UA MATH565C 随机微分方程III Ito积分简介
UA MATH565C 随机微分方程III Ito积分简介 Wiener过程的分割 与Riemann积分的对比 Ito积分的构造 在随机微分方程解的构造中,积分 ∫0tσ(Xs)dWs\int_{0} ...
- UA MATH565C 随机微分方程V Markov Family简介
UA MATH565C 随机微分方程V Markov Family简介 Transition function Banach Space Method ODE的IVP可以看成是对系统的一些变量从初始状 ...
- UA MATH565C 随机微分方程V 算子半群理论简介
UA MATH565C 随机微分方程V 算子半群理论简介 Banach空间中的算子半群 Hille-Yosida定理 Shift Operator 上一讲提到Homogeneous Markov Fa ...
- UA MATH565C 随机微分方程VI 扩散过程简介
UA MATH565C 随机微分方程VI 扩散过程简介 Kolmogorov定理 称具有路径连续的Markov Family (ξt,Px)(\xi_t,P_x)(ξt,Px)是一个diffusi ...
- UA MATH565C 随机微分方程I SDE的定义与例子
UA MATH565C 随机微分方程I SDE的定义与例子 随机微分方程的定义 白噪声过程 SDE的一般形式 例子:Ornstein-Uhlenbeck过程 随机微分方程的定义 经典力学中描述一个确定 ...
- UA MATH565C 随机微分方程V Markov Family的算子
UA MATH565C 随机微分方程V Markov Family的算子 函数的算子 测度的算子 Homogeneous Markov Family 函数的算子 这一讲正式介绍Markov Famil ...
- UA MATH565C 随机微分方程V 无穷小生成算子
UA MATH565C 随机微分方程V 无穷小生成算子 Infinitesimal generator as derivative 这一讲给出算子半群那一讲提出的infinitesimal gener ...
- UA MATH565C 随机微分方程V Markov Family的特征函数
UA MATH565C 随机微分方程V Markov Family的特征函数 特征函数 上一讲用u(t,x)u(t,x)u(t,x)和v(t,x)v(t,x)v(t,x)描述了Markov Famil ...
- UA MATH565C 随机微分方程V Stationary Measure
UA MATH565C 随机微分方程V Stationary Measure Markov Property Stationary Measure PDE方法 这一讲试图回答的问题是基于Homogen ...
最新文章
- jmeter测试java接口测试_简单易学的测试攻略:JMeter测试Java请求示例
- 平行志愿计算机检索原理,通俗图解平行志愿,让你明白平行志愿检索规则
- 实战SSM_O2O商铺_30【商品】商品添加之Controller层的实现
- 用 Freemarker 生成 word 文档
- Docker---问题1:bash: vi: command not found/bash: vim: command not found
- 超赞 | 计算机视觉联盟全新Logo!近期精华回顾!
- 3.5 RNN 字符级语言模型
- SpringBoot读取配置文件
- shell基本理论知识
- 语音合成技术及国内外发展现状
- 零基础学习SQL Server(一)---查询语句在项目实例中的执行
- Falsy Bouncer
- 抖音有这样一个姑娘她活成了大家都想要的样子
- No ‘Access-Control-Allow-Origin‘ header is present on the requested resource Vue配置代理解决跨域问题
- 基于keras的mnist手写体识别程序
- C#实现的系统内存清理
- java获取MP3文件信息(歌手,歌名,封面,专辑,时长)
- informatica关于计划任务的表说明
- webpack的摇树、拆包、热更新、按需加载等难点
- elm and halogen
热门文章
- Java生成CRC16数据校验码
- Linux操作系统Ubuntu部署J2EE篇
- 开启LeetCode之路
- Pandas简明教程:六、Pandas条件查询
- 分别用递归和非递归方式实现二叉树先序、中序和后序遍历(java实现)
- 取 1~100之间的随机整数
- 用html和js写一个直接在页面运行js的页面
- HTML areamap标签及在实际开发中的应用
- IMXRT1052/1064 如何将代码存放在ITCM中
- 编译器编译16bit单片机程序对数组data[0]=0x12,data[1]=0xBD,data[2]=0x00,data[3]=0x45转换成16进制整数12BD0045的报警