Procesy stochastyczne 2. Lista zadań 4. Autor: dr hab. A. Jurlewicz
Transkrypt
Procesy stochastyczne 2. Lista zadań 4. Autor: dr hab. A. Jurlewicz
Procesy stochastyczne 2. Lista zadań 4. Autor: dr hab. A. Jurlewicz WPPT Matematyka, studia drugiego stopnia, I rok, rok akad. 2011/12 1 Lista 4: Procesy stacjonarne, samopodobne, gaussowskie. Równania Fokkera-Plancka. Proces stochastyczny {Xt , t ∈ T } nazywamy stacjonarnym, gdy dla dowolnego s takiego, że t + s ∈ T dla wszystkich t, proces {Xs+t , t ∈ T } ma ten sam rozkład co proces {Xt }. Proces stochastyczny {Xt , t ∈ T } nazywamy samopodobnym z indeksem H, gdy dla każdej stałej c > 0 proces {c−H Xct , t ∈ T } jest dobrze określony i ma ten sam rozkład co proces {Xt }. Proces stochastyczny {Xt , t ∈ T } nazywamy gaussowskim, gdy jego rozkłady skończenie wymiarowe są gaussowskie1 . Rozkład takiego procesu określimy podając dwie funkcje: średnią m(t) := EXt i kowariancję K(t1 , t2 ) := E(Xt1 −m(t1 ))(Xt2 −m(t2 )). Proces Wienera {Wt , t 0} to proces o przyrostach niezależnych, stacjonarnych, taki że W0 = 0 p.n. oraz Wt dla t > 0 ma rozkład normalny N (0, σ 2 = t). Gęstość f (t, x) jednowymiarowego rozkładu procesu {Xt }, który jest rozwiązaniem SRR dXt = m(t, Xt )dt + σ(t, Xt )dWt z warunkiem poczatkowym Xt0 , gdzie m(t, x), σ(t, x) spełniają założenia z twierdzenia Itô i dodatkowo są ciągłymi funkcjami (t, x), spełnia równanie Fokkera-Plancka ∂ 1 ∂2 2 ∂f (t, x) + (m(t, x)f (t, x)) − (σ (t, x)f (t, x)) = 0 ∂t ∂x 2 ∂x2 z warunkiem początkowym f (t0 , x) = f0 (x), gdzie f0 (x) jest gęstością Xt0 . 1. Wykazać, że rodzina niezależnych zmiennych losowych o jednakowym rozkładzie tworzy proces stacjonarny. 2. Czy proces stacjonarny może mieć przyrosty niezależne i stacjonarne? 3. Niech {Xt , t 0} będzie procesem samopodobnym z indeksem H. Sprawdzić, że proces {Yt , t ∈ R} określony zależnością Yt := e−Ht X(et ), jest stacjonarny. (Jest to tzw. transformacja Lampertiego.) 1 tzn. normalne wielowymiarowe, patrz Dodatek. 2 (1) 4. Pokazać, że (a) proces gaussowski {Xt , t ∈ R} jest stacjonarny wtedy i tylko wtedy, gdy jego średnia m(t) jest funkcją stałą, a kowariancja zależy tylko od różnicy argumentów, tzn. K(t1 , t2 ) = K̃(t2 − t1 ) dla pewnej odpowiedniej funkcji K̃; (b) proces gaussowski {Xt , t 0} jest samopodobny z indeksem H > 0 wtedy i tylko wtedy, gdy jego średnia jest funkcją potęgową postaci m(t) = atH , gdzie a jest pewną stałą, natomiast kowariancja dla dowolnego t2 jest równa ( K(t1 , t2 ) = t2H 1 K̃(t2 /t1 ) dla t1 > 0 0 dla t1 = 0 dla pewnej odpowiedniej funkcji K̃. 5. Sprawdzić, że proces Wienera jest samopodobny z indeksem H = 1/2. 6. Proces stacjonarny utworzony z procesu Wienera wg wzoru (1) z H = 1/2 nazywamy procesem Ornsteina–Uhlenbecka. Czy proces Ornsteina–Uhlenbecka {Ut , t ∈ R} jest procesem gaussowskim? Policzyć jego średnią i kowariancję. 7. Pokazać, że proces gaussowski o funkcji kowariancji K(t1 , t2 ) ma własność braku pamięci wtedy i tylko wtedy, gdy dla dowolnych t1 < t2 < t3 K(t1 , t3 )K(t2 , t2 ) = K(t1 , t2 )K(t2 , t3 ). (Feller, II tom, str.93) 8. Sprawdzić, że jedynymi stacjonarnymi procesami gaussowskimi o zerowej średniej, które mają własność braku pamięci, są oprócz gaussowskich białych szumów procesy postaci {Uλt }, gdzie {Ut } to proces Ornsteina–Uhlenbecka, a λ jest pewną stałą. (Feller, II tom, str.93) 9. Pokaż, że proces {Yt , 0 ¬ t ¬ T }, gdzie Yt = Rt g(u)dWu dla pewnej ciągłej funkcji 0 g : [0, T ] → R, jest gaussowski. Wyznacz jego średnią i kowariancję. 10. Pokaż, że gdy Xt0 jest stałe lub jest odpowiednią gaussowską zmienną losową, to rozwiązanie SRR dXt = (a1 (t)Xt + a2 (t))dt + b(t)dWt (z zadania 9 z listy 2) jest procesem gaussowskim. 11. Pokaż, że rozwiązanie równania Langevina z szumem addytywnym 1 dXt = − Xt dt + dWt 2 z warunkiem początkowym X0 - niezależną od procesu Wienera zmienną losową o standardowym rozkładzie normalnym (patrz zadanie 10 z listy 2) ma rozkład taki jak proces Ornsteina-Uhlenbecka. 3 12. Jakie jest rozwiązanie równania Langevina dXt = −aXt dt + bdWt z warunkiem początkowym jak w zadaniu 10 ? Odpowiedź uzasadnij. 13. Pokaż, że rozwiązanie SRR dXt = −Xt dt + dWt , 0 ¬ t < 1, 1−t X0 = 0 jest co do rozkładu identyczne z mostem Browna {Bt , 0 ¬ t ¬ 1}, gdzie Bt = Wt − tW1 . 14. Wyznacz gęstość f (x, t) zmiennej losowej Xt , gdzie proces {Xt } jest rozwiązaniem SRR dXt = mdt + σdWt , X0 = 0, ze stałymi m, σ > 0. Pokaż, że f (x, t) spełnia równanie Fokkera-Plancka odpowiadające temu SRR. 15. Wyznacz gęstość f (x, t) zmiennej losowej Xt , gdzie proces {Xt } jest rozwiązaniem równania Langevina z zadania 11. Pokaż, że f (x, t) spełnia równanie FokkeraPlancka odpowiadające temu SRR. 16. Wyznacz gęstość f (x, t) zmiennej losowej Xt , gdzie proces {Xt } jest rozwiązaniem SRR ! σ2 dt + σdWt , X0 = 1, dXt = Xt 2 ze stałą σ > 0. Pokaż, że f (x, t) spełnia równanie Fokkera-Plancka odpowiadające temu SRR. 17. Wyznacz gęstość f (x, t) zmiennej losowej Xt , gdzie proces {Xt } jest rozwiązaniem równania Langevina z zadania 13. Pokaż, że f (x, t) spełnia równanie FokkeraPlancka odpowiadające temu SRR. 4 Dodatek: wielowymiarowe rozkłady normalne. Niech X = (X1 , . . . , Xn ) będzie wektorem losowym, dla którego momenty mi := EXi oraz µij := E(Xi − mi )(Xj − mj ) są skończone dla wszystkich i, j = 1, . . . , n, a macierz kowariancji K := [µij ]ni,j=1 jest nieosobliwa. Oznaczmy L = K −1 . Def. Wektor X ma n–wymiarowy rozkład normalny, gdy ma rozkład ciągły o gęstości s det L 1 ~ ~ T , x − m) exp − (~x − m)L(~ f (~x) = n (2π) 2 ~ = (m1 , . . . , mn ). gdzie ~x = (x1 , . . . , xn ), a m Fakt. Jeżeli X ma n–wymiarowy rozkład normalny, to: 1. Funkcja charakterystyczna wektora X ma postać 1 ~ − ~tK~tT , φ(~t) = exp i~tm 2 gdzie ~t = (t1 , . . . , tn ). 2. Gęstości brzegowe wektora X są normalne. 3. Dla dowolnej nieosobliwej macierzy kwadratowej A stopnia n wektor Y = XA ma ~ Y = mA, ~ również n–wymiarowy rozkład normalny, przy czym m a KY = AT KA. 4. Jeżeli macierz kowariancji K wektora X jest macierzą diagonalną, to zmienne losowe X1 , . . . , Xn są niezależne (tzn. nieskorelowane zmienne losowe o normalnym rozkładzie łącznym są niezależne). 5