Mocna własnosc Markowa procesu Wienera Procesy Stochastyczne
Transkrypt
Mocna własnosc Markowa procesu Wienera Procesy Stochastyczne
Mocna własność Markowa procesu Wienera Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 21 maja, 2012 Mocna własność Markowa (”strong Markov property”) Mocna własność Markowa W = (W1 , . . . , Wd ) oznaczać będzie proces Wienera o wart. w Rd , tzn. {Wi (t)} - układ niezależnych procesów Wienera o wart. w R1 . Przyjmujemy, że ”punkt startu” procesu W , tzn. W (0) = x ∈ Rd . Niech Fs = σ{W (t); t ≤ s}. {Wt+s − Ws ; t ≥ 0} jest procesem Wienera, niezal. od Fs , dla dow. s ≥ 0. Pokażemy, że czas s można zastąpić przez dowolny czas zatrzymania τ względem Ft . Mocna własność Markowa procesu Wienera Niech {W (t); t ≥ 0} będzie procesem Wienera o wartościach w Rd (startującym z 0) oraz τ - czasem zatrzymania względem W , określonym na Ω. Niech Yt = Wτ +t − Wτ . Dla każdego A ∈ Fτ i dowolnych Ai - borelowskich w Rd zachodzi P{(Yt1 ∈ A1 , . . . , Ytk ∈ Ak )∩A} = P(A)P(Wt1 ∈ A1 , . . . , Wtk ∈ Ak). Zatem {Y (t); t ≥ 0} jest procesem Wienera o wartościach w Rd (startującym z 0), niezależnym od Fτ . Mocna własność Markowa (”strong Markov property”) Dowód mocnej własności Markowa 1. Załóżmy, że τ przyjmuje przeliczalnie wiele wartości, powiedzmy {s1 , s2 , . . . , }. NiechSEj = τ −1 {sj }. Zachodzi Ej ∈ Fτ , Ei ∩ Ej = ∅, dla i 6= j oraz Ω = ∞ j=1 Ej . Niech A ∈ Fτ . Zachodzi Tk P Tk P( i=1 {Yti ∈ Ai } ∩ A) = ∞ j=1 P( i=1 {Yti ∈ Ai } ∩ A ∩ Ej ) P Tk = ∞ j=1 P( i=1 {Wti +sj − Wsj ∈ Ai } ∩ A ∩ Ej ) P Tk Tk = ∞ j=1 P( i=1 {Wti ∈ Ai })P(A ∩ Ej ) = P( i=1 {Wti ∈ Ai })P(A). 2. Gdy τ - dow. moment zatrzymania, to niech τn = k/n, gdy (k − 1)/n < τ ≤ k/n. τn jest ciągiem momentów zatrzymania, zbieżnym do τ z prawd. 1. Mamy τ ≤ τn < τ + 1/n więc Fτ ⊆ Fτn , dla każdego n. Ponieważ A ∈ Fτ więc A ∈ Fτn , dla (n) każdego n. Niech Yt = Wt+τn − Wτn . Na mocy punktu 1 Tk T (n) otrzymujemy P( i=1 {Yti < xi } ∩ A) = P( ki=1 {Wti < xi })P(A). (n) Z ciągłości trajektorii limn Yt = Yt , z prawd. 1 więc korzystając ze zbieżności odp. indykatorów zbiorów w L1 (P) otrzymujemy tezę. Mocna własność Markowa (”strong Markov property”) Zasada odbicia dla procesu Wienera Niech W = (Wt )t≥0 będzie procesem Wienera w R1 (startującym z 0) oraz τ - czasem zatrzymania wzgl. W . Definiujemy Wt , t ≤ τ, ρτ Wt = 2W τ − Wt , t > τ. Zasada Odbicia: ρτ Wt jest procesem Wienera Dowód. Niech C0 [0, ∞) będzie przestrzenią funkcji ciągłych f , f (0) = 0 oraz niech T > 0. Definiujemy odwzorowanie ϕ (f , T , g ) −→ < f , T , g > ∈ C0 [0, ∞): f (t), 0 ≤ t ≤ T, < f , T , g > (t) = f (t) + g (t − T ), T < t < ∞. W C0 [0, ∞) rozważamy topologię zbieżności niemal jednostajnej (jednostajnej na zb. ogr.) oraz strukturę borelowską względem tej topologii. Odwzorowanie ϕ jest ciągłe (produktowo) w tej topologii, więc borelowskie. Mocna własność Markowa (”strong Markov property”) Zasada Odbicia Definiujemy f (t, ω) = Wt∧τ , g (t, ω) = Wt+τ − Wτ . f , τ są Fτ -mierzalne, zaś g jest niezależne od (f , τ ) i ma rozkład W . Połóżmy h = −g . Z symetrii procesu Wienera h ma taki sam rozkład (=W ) i jest niezależne od (f , τ ). Stąd, rozkłady (f , τ, g ) i (f , τ, h) są identyczne, więc także rozkład < f , τ, g > jest taki sam jak < f , τ, h >. Jednak < f , τ, g > = Wt , < f , τ, h >= ρτ Wt . Wniosek. P(maxs≤t Ws > a) = 2P(Wt > a) = P(|Wt | > a) Dowód. Niech a > 0. Kładziemy τ = τa = inf{t > 0; Wt > a} oraz A = (−∞, a). Mamy Wτ = a. Ponadto 2a − A = (a, ∞). Z Zasady Odbicia P(t > τ ; Wt ∈ A) = P(t > τ ; 2Wτ − Wt ∈ A) = P(t > τ ; Wt ∈ 2a − A) = P(t > τ ; Wt > a) = P(Wt > a). Stąd P(Wt > a) = P(τ < t; Wt < a) = P(τ < t; Wt ≤ a) = P(τ < t) − P(Wt > a) więc ostatecznie P(τ < t) = 2P(Wt > a). Jednak maxs≤t Ws > a zachodzi dokładnie wtedy, gdy τ < t, co kończy dowód. Mocna własność Markowa (”strong Markov property”) Własność Markowa procesu X Niech θs : (Ω, Σ) −→ (Ω, Σ) za pośrednictwem procesu Xt : Xt ◦ θs = Xt+s . Najłatwiej zinterpretować operatory (θs )s>0 na przestrzeni standardowej (R[0,∞) , ⊗t≥0 BR , µ), gdzie µ -rozkład procesu X . Wtedy Xt (ω) = ω(t) oraz Xt (ω) ◦ θs = ω(t + s). Dalej, rozpatrujemy proces dla którego X (0) = Y - dow. zm. losowa (rozkład początkowy procesu). Wartość oczekiwaną (prawd.) względem procesu o rozkładzie początkowym Y oznaczamy EY [·], (P Y (·)). Gdy Y = x ∈ Rd piszemy Ex [·], (P x (·)). Własność Markowa {Xt ; t ≥ 0}: dla Z ≥ 0, F∞ -mierzalnej Ex [Z ◦ θt |Ft ] = EXt [Z ], gdzie Ft = σ{Xs ; s ≤ t}, F∞ = σ{Xs ; s ≥ 0}. Dowód dla procesu Wienera W : dla Z = 1A (Ws ) otrzymujemy P(Wt+s ∈ A|Wt ) = E[1A ((Wt+s − Wt ) + Wt )|Wt ] = E[1A (Ws + y )]|{y =Wt } = EWt [1A (Ws )]. Analogicznie dla iloczynu indykatorów tej postaci. Dalej aproksymacja funkcjami prostymi. Mocna własność Markowa (”strong Markov property”) Mocna własność Markowa procesu X Mocna własność Markowa {Xt ; t ≥ 0}: dla τ - Ft -momentu zatrzymania i Z ≥ 0, F∞ -mierzalnej zm. losowej, zachodzi Ex [Z ◦ θτ |Fτ ] = EXτ [Z ], gdzie Ft = σ{Xs ; s ≤ t}, F∞ = σ{Xs ; s ≥ 0}. Uwaga. Dowodzi się, że gdy proces {Xt ; Ft ; t ≥ 0} posiada własność Markowa względem Ft , Ft jest prawostronnie ciągła, tzn. T Ft = Ft+ = s>t Ft oraz zupełna w sensie miarowym, a Xt jest normalnym procesem Markowa, to {Xt ; Ft ; t ≥ 0} posiada mocną własność Markowa. Normalny proces Markowa - przestrzeń fazowa S jest zwarta, metryczna i ośrodkowa oraz proces jest fellerowski R i stochastycznie ciągły, tzn. Tt zdefiniowane wzorem: Tt f (x) = f (y )Pt (x, dy ) działa na C (S) jako mocno ciągła półgrupa kontrakcji. Mocna własność Markowa (”strong Markov property”) Mocna własność Markowa procesu o przyr. niezal. Uwaga. Dowód mocnej własności Markowa zachodzi dla stochastycznie ciągłych procesów o przyrostach niezależnych o prawostronnie ciągłych trajektoriach (ośrodkowy i stochastycznie ciągły proces o przyrostach niezależnych ma modyfikację o tej własności). Przykład. Niech X = {Xt }t≥0 będzie jednorodnym, ośrodkowym procesem Poissona o intensywności λ i τ1 = inf{t > 0; Xt > 0}, τ0 = 0 oraz τn = inf{t > 0; Xτn−1 +t − Xτn−1 > 0}, dla n > 1. Z mocnej własności Markowa dla procesu X otrzymujemy, że (n) Yt = Xτn−1 +t − Xτn−1 , n ≥ 1, jest ciągiem niezależnych procesów Poissona o tym samym rozkładzie co X więc {τi }∞ i=1 jest ciągiem niezależnych zmiennych losowych o rozkładzie wykładniczym o średniej 1/λ. Mocna własność Markowa (”strong Markov property”)