wykład 8
Transkrypt
wykład 8
Proste Procesy Stochastyczne i ich zastosowania, Pawe÷J. Szab÷ owski March 2007 Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 1 / 27 Funkcja kowariancji Theorem (Herglotz’a) Zespolona funkcja K okre´slona na zbiorze liczb ca÷ kowitych jest funkcja¾ kowariancji L2 -procesu wtedy i tylko wtedy, gdy istnieje sko´nczona miara µ na B[ π, π ] taka, · ze: K (n ) = Z π exp(inu )d µ(u ) π dla wszystkich ca÷ kowitych n. Proof. Oznaczmy: GN (x ) = Pawe÷J. Szab÷ owski () 1 2πN N ∑ exp ( jix ) exp ( jkx )K (i k) . k ,i =1 Wyklad 8 March 2007 2 / 27 Funkcja kowariancji Proof. Z nieujemnej określoności funkcji K wynika, z·e GN (x ) 0 dla N 1 i x 2 R. ¾ Zauwaz·my, z·e exp ( jix ) exp ( jkx ) = exp ( jx (i k )) . Moz·na wiec zmienić indeksy sumowania wprowadzajac ¾ m = i k Dostaniemy wówczas: GN (x ) = = Pawe÷J. Szab÷ owski () 1 2πN 1 2πN N 1 ∑ exp( jxm )K (m ) m = N +1 ∑ 1 f(k ,i ):k i =m g N 1 ∑ (N m = N +1 Wyklad 8 jmj) exp( jxm)K (m) . March 2007 3 / 27 Funkcja kowariancji Proof. Rozwaz·my miary µN określone na < Z π π π, π > z gestościami ¾ GN . Mamy: exp(jnx )d µN (x ) Z N 1 π 1 = exp(jnx ) exp( jxm )dx (N jmj) K (m) ∑ 2πN m = N +1 π ( n 1 jNj K (n) dla jn j < N = . 0 dla pozosta÷ ych n Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 4 / 27 Funkcja kowariancji Proof. Rπ π, π >) = K (0) . Rodzina miar n o ¾ ciasna a wiec ¾ istnieje podciag ¾ µN i tych miar zbiez·ny fµN gN 1 jest wiec (s÷ abo) do pewnej miary µ. Gdy N zbiega do nieskończoności wzd÷ uz· podciagu ¾ fNi g , to dostaniemy: Ponadto mamy π GN dx = µN (< Z π exp(jnx )d µ (x ) = K (n). π Na odwrót, gdy K (n) ma powyz·sza¾ reprezentacje z miara¾ µ to dostajemy: m ∑ zk zi K (nk k ,i ni ) = Z π m ∑ zi exp (jni x ) 2 d µ (x ) 0 π i =1 Uogólnieniem tego twierdzenia jest nastepuj ¾ ace ¾ : Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 5 / 27 Funkcja kowariancji Theorem (Bochnera) Funkcja K okre´slona na R, ciag÷ ¾ a w poczatku ¾ osi jest funkcja¾ kowariancji pewnego stacjonarnego L2 -procesu wtedy i tylko wtedy, gdy istnieje sko´nczona miara µ na R taka, · ze: 8t 2 R : K (t ) = Pawe÷J. Szab÷ owski () Z ∞ ∞ Wyklad 8 exp(itx )d µ(x ). March 2007 6 / 27 Przestrzeń Hilberta De…nition Niech H bedzie ¾ przestrzenia¾ wektorowa¾ nad C. Funkcja h : H nazywa sie¾ forma¾ hermitowska¾ , gdy: H !C 1. 8 y 2 H h (., y ) jest forma¾ liniowa¾ , tzn. h(λ1 x + λ2 z, y ) = λ1 h(z1 , y ) + λ2 h(z2 , y ) dla wszystkich x, y , z 2 H i λ1 , λ2 2 C . 2. 8 x, y 2 H : h(y , x ) = h(x, y ) . Fact Warunki 1 i 2 mówia¾ , · ze h (x, y ) jest forma¾ antyliniowa¾ , tzn. np., · ze h(x, λy ) = λ̄h(x, y ) λ 2 C, x, y 2 H. De…nition Forma hermitowska jest nieujemna, gdy: 3. 8x 2 H : h(x, x ) Pawe÷J. Szab÷ owski () 0 Wyklad 8 March 2007 7 / 27 Przestrzeń Hilberta De…nition Forma hermitowska nazywa sie¾ iloczynem skalarnym, gdy jest nieujemna i gdy: (h(x, x ) = 0) () (x = 0). Proposition Prawdziwe sa¾ nastepuj ¾ ace ¾ w÷ asno´sci form hermitowskich nieujemnych h. Nierówno´s´c Schwarza: Niech h bedzie ¾ forma¾ hermitowska¾ nieujemna¾ na H. Wtedy jh(x, y )j2 Pawe÷J. Szab÷ owski () h(x, x )h(y , y ), 8x, y 2 H. Wyklad 8 March 2007 8 / 27 Przestrzeń Hilberta Proposition Nierówno´s´c Mi´nkowskiego. Niech h bedzie ¾ forma¾ hermitowska¾ nieujemna¾ na H. Wtedy x ! p (x ) := h1/2 (x, x ) jest pó÷ norma¾ tzn.: p (x + y ) p (x ) + p (y ). Formu÷ a polaryzacji. Dla dowolnej formy hermitowskiej zachodzi wzór: 4h(x, y ) = h(x + y , x + y ) h (x +ih(x + iy , x + iy ) Pawe÷J. Szab÷ owski () Wyklad 8 y, x ih(x y) iy , x iy ). March 2007 9 / 27 Przestrzeń Hilberta De…nition Proposition Wzór równoleg÷ oboku. Dla dowolnej formy hermitowskiej zachodzi wzór: h (x + y , x + y ) + h (x y, x y ) = 2(h (x, x ) + h (y , y )). Corollary Niech h bedzie ¾ forma¾ hermitowska¾ na H. Niech No = fx 2 H : h(x, x ) = 0g i niech N bedzie ¾ podprzestrzenia¾ liniowa¾ zawarta¾ w No . Wtedy h (x, y ) = 0 dla x, y 2 N. Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 10 / 27 Przestrzeń Hilberta Fact Odtad ¾ warto´sci funkcjona÷ u h bedziemy ¾ oznaczali (., .) (lub czasami <, > tzn. h (x, y ) = (x, y ) (lub h(x, y ) =< x, y >) za´s norme¾ w H bedziemy ¾ 1/2 oznaczali k.k tzn. (x, x ) = k.k . De…nition Niech H bedzie ¾ przestrzenia¾ wektorowa¾ nad cia÷ em liczb zespolonych z iloczynem skalarnym i norma¾ k.k zde…niowana¾ przez ten iloczyn skalarny. Jeśli H jest zupe÷ na wzgledem ¾ k.k , to nazywa sie¾ przestrzenia¾ Hilberta. Theorem (o rzucie na zbiór wypuk÷ y): Niech W bedzie ¾ domknietym ¾ zbiorem wypuk÷ ym w przestrzeni Hilberta (H, ( , )). Wtedy W zawiera dok÷ adnie jeden element xo o najmniejszej normie. Dok÷ adniej, istnieje jedyny element xo 2 W taki, · ze kx0 k = inf x 2W kx k Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 11 / 27 Przestrzeń Hilberta Proof. Istnienie: Niech m = inf x 2W kx k i niech fxn g 2 W , kxn k ! m gdy n ! ∞ . Z wypuk÷ ości zbioru W wynika, z·e .5(xn + xk ) 2 W , a wiec. ¾ oboku wynika, z·e kxn + xk k 2m. Z nierówności równoleg÷ 0 xk k2 = 2 kxn k2 + kxk k2 kxn kxn + xk k2 ! 0 n,k !∞ bo odjemna da¾z·y do 4m2 , i odjemnik do 4m2 . Zatem ciag ¾ fxn g jest zbiez·ny. Poniewaz· zbiór W jest domkniety, ¾ wiec ¾ xn ! xo 2 W . Na skutek ciag÷ ¾ ości normy mamy kx0 k = lim kxn k = m . Jednoznaczno´s´c: Niech x bedzie ¾ jakimkolwiek elementem zbioru W takim, z·e kx k = m . Znów z wypuk÷ ości W mamy: .5(xo + x ) 2 W , tzn. kx0 + x k 2m . Ale 2m = kx k + kx0 k czyli - kxo k + kx k kx0 + x k . Jak wiemy, ma to jednak miejsce jedynie wtedy, gdy x = axo , gdzie a 0. Wiec ¾ a = 1, czyli x = xo Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 12 / 27 Przestrzeń Hilberta Theorem (o rzucie prostopad÷ ym). Niech M bedzie ¾ podprzestrzenia¾ domkniet ¾ a¾ przestrzeni Hilberta (H, (., .)). Wtedy 1 2 3 Ka· zdy wektor x 2 H ma jedyny rozk÷ ad x = x M + x ? , gdzie M ? x 2 M, x jest prostopad÷ y do M (tzn. (x ? , h) = 0 dla h 2 M). Wektor x M najlepiej przybli· za x w´sród wektorów nale· zacych ¾ do M. ? Oznaczajac ¾ M = fx 2 H : (x jm ) = 0, m 2 M g, mamy H = M M ? , czyli H/M = M ? Proof. Poniewaz· zbiór M + x jest wypuk÷ y i domkniety, ¾ wiec ¾ istnieje taki wektor x ? 2 M + x, z·e x ? = inf y 2M ky + x k j. Wykaz·emy, z·e x ? jest prostopad÷ y do M. Poniewaz· x ? + αv x ? , dla dowolnych α 2 C i ν 2 M, wiec ¾ x? Pawe÷J. Szab÷ owski 2 () x? 2 2 + ᾱ(x ?Wyklad , v ) 8+ α(v , x ? ) + jαj2 kv kMarch . 2007 13 / 27 Przestrzeń Hilberta Example Przestrzeń L2 zmiennych losowych o wartościach zespolonych, średnich zero, ca÷ kowalnych z kwadratem wraz z iloczynem skalarnym zde…niowanym przez (X , Y ) = EX Ȳ jest przestrzenia¾ Hilberta. L2 procesy stochastyczne zde…niowane w tej przestrzeni sa¾ zatem krzywymi w tej przestrzeni. Example Przestrzeń Lp (M, M, µ) funkcji f , zespolonych, określonych na M M mierzalnych (tzn. dla kaz·dego zbioru borelowskiego B f 1 (B ) 2 M) z iloczynemR skalarnym zde…niowanym nastepuj ¾ aco ¾ (f , g ) = M f (x )g (x )µ(dx ) jest przestrzenia¾ Hilberta wtedy, gdy utoz·samimy wszystkie funkcje f i g spe÷ niajace ¾ warunek kf g k = 0. Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 14 / 27 Przestrzeń Hilberta Niech dany bedzie ¾ L2 proces stochastyczny X = fXt , t 2 T g. Przez H (X ) oznaczymy domkniet ¾ a¾ liniowa¾ podprzestrzeń L2 rozpiet ¾ a¾ przez Xt tzn. H (X ) sk÷ ada sie¾ z granic (średnio kwadratowych) kombinacji liniowych postaci ∑ni=1 ci Xti , n = 1, 2, ... 8 t1 , . . . tn 2 T , c1 , . . . , cn 2 C . H (X ) jest zatem przestrzenia¾ zmiennych losowych otrzymywanych przez liniowe operacje na fXt , t 2 T g. Zauwaz·my z·e H (X ) jest podprzestrzenia¾ L2 . Rozwaz·a sie¾ takz·e przestrzenie Ht (X ) generowana¾ ( jak H (X ) przez kombinacje liniowe Xs ale dla s t. Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 15 / 27 Przestrzeń Hilberta Niech F (X ) bedzie ¾ σ-cia÷ em generowanym przez fXt , t 2 T g (tj. F (X ) jest najmniejszym σ-cia÷ em zawierajacym ¾ σ-cia÷ a σ(Xt ), t 2 T ). Przestrzeń L = L2 (Ω, F (X ), P ) jest tez· domkniet ¾ a¾ podprzestrzenia¾ przestrzeni L2 . Sk÷ ada sie¾ ona ze zmiennych losowych mierzalnych wzgledem ¾ F (X ), czyli funkcjona÷ ów Borelowskich procesu Xt . Podobnie rozwaz·a sie¾ takz·e przestrzenie Lt generowane (jak L ) przez funkcjona÷ y Borelowskie procesu zmiennych losowych Xs dla s t. Rozwaz·my dwa problemy estymacji. Niech Y 2 L2 bedzie ¾ zadana¾ zmienna¾ losowa¾ . 1. Znaleźć taki element Ŷ 2 H (X ) najbliz·szy ( w sensie średnio kwadratowym) Y tzn. rozwiazać ¾ problem: q E (Y Ȳ )2 ). Y Ŷ = min kY Ȳ k = ( min Ȳ 2H (X ) Ȳ 2H (X ) Ŷ jest wiec ¾ najlepszym estymatorem opartym na liniowych przekszta÷ ceniach Xt . Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 16 / 27 Przestrzeń Hilberta 2. Znaleźć taki element Ỹ 2 L najbliz·szy Y . Ỹ jest wiec ¾ estymatorem opartym na dowolnym funkcjonale borelowskim Xt . ×atwo widzieć, z·e Ỹ = E (Y jF (X )). Oczywiście Ỹ przybliz·a Y lepiej niz· Ŷ . Czesto ¾ jednak znalezienie Ỹ jest bez porównania trudniejsze niz· Ŷ . W terminach przestrzeni Hilberta oba te problemy maja¾ te¾ sama¾ nature¾ a mianowicie nalez·y znaleźć rzut Y na odpowiednia¾ podprzestrzeń, czyli element Ŷ (lub Ỹ ) spe÷ niajacy ¾ warunek : Y Ŷ ?H (X ) (lub Y Ỹ ?L ). Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 17 / 27 Ca÷ ki stochastyczne. Example (wprowadzajacy) ¾ : Niech Z1 , ...Zn bed ¾ a¾ ortogonalnymi zmiennymi losowymi o średniej 0. Niech λ1 , . . . , λn bed ¾ a¾ pewnymi liczbami rzeczywistymi. Rozwaz·my proces stochastyczny: X (t ) = ∑nj=1 Zj exp(i λj t ) . Sprawdzić , z·e proces ten jest stacjonarny i ma funkcje¾ kowariancji równa¾ : K (s ) = ∑nj=1 E jZj j2 exp(i λj s ) . Zauwaz·my, kowa¾ ca÷ ki : R π z·e ostatnia suma jest jakby suma¾ ca÷ K̃ (s ) = π exp(j λs )d µ(λ) . W dalszej cześci ¾ bedziemy ¾ uogólniali wzór n X (t ) = ∑j =1 Zj exp(i λj t ) w tym sensie, z·e bedziemy ¾ go traktowali jako Rπ pewna¾ sume¾ ca÷ kowa¾ ca÷ ki: exp(j λt )dZ (λ) z procesem Z (λ) o π przyrostach nieskorelowanych (zm. los. Zi to przyrosty tego procesu w punktach λ1 , . . . , λn ) Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 18 / 27 Miary stochastyczne o wartościach ortogonalnych (mswo). De…nition Niech (S, S) bedzie ¾ przestrzenia¾ mierzalna¾ , i niech S0 bedzie ¾ cia÷ em takim, z·e σ(S0 ) = S . Niech m bedzie ¾ miara¾ na S0 , i niech H bedzie ¾ przestrzenia¾ Hilberta z iloczynem skalarnym (., .). Elementarna¾ miara¾ o wartościach ortogonalnych (elementarna¾ mwo) nazywamy funkcje¾ Z : S0 ! H taka¾ , z·e dla dowolnych E1 , E2 2 S0 mamy: (Z (E1 ), Z (E2 )) = m(E1 \ E2 ) w szczególności: m (E1 ) = kZ (E1 )k2 . Z ( E1 [ E2 ) = Z ( E1 ) + Z ( E2 ) (1) (suma) jeśli tylko E1 \ E2 = ∅ . Miara m zwana jest miara¾ skojarzona¾ z mwo Z . Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 19 / 27 Miary stochastyczne o wartościach ortogonalnych (mswo). Fact Zauwa· zmy, · ze warunek (1) wymusza nieujemno´s´c m ; za´s warunek (??) pociaga ¾ za soba¾ sko´nczona¾ addytywno´s´c m na S0 . A zatem na podstawie twierdzenia Caratheodory’ego, m ma przeliczalnie addytywne rozszerzenie na S . Rozszerzenie to bedzie ¾ tak· ze oznaczane przez m. Zauwaz·my, z·e : Z (∅) = 0 a takz·e z·e dla roz÷ acznych ¾ E1 i E2 mamy: Z (E1 )? Z (E2 ) . Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 20 / 27 Miary stochastyczne o wartościach ortogonalnych (mswo). Rozwaz·my prosta¾ funkcje¾ określona¾ na S o wartościach zespolonych mierzalna¾ wzgledem ¾ S0 tj. f = ∑ j = 1 a j I ( Ej ) n gdzie aj 2 C; j = 1, ..., n zaś zbiory Ej , dla j = 1, .., n sa¾ roz÷ aczne. ¾ Po÷ óz·my: Z n fdZ = S ∑ aj Z (Ej ) (2 H ) j =1 Ca÷ ka ta jest dobrze zde…niowana. (uzasadnić) Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 21 / 27 Miary stochastyczne o wartościach ortogonalnych (mswo). Jeśli f = ∑nj=1 aj I (Ej ) i g = ∑nj=1 bj I (Ej ) sa¾ dwiema funkcjami prostymi S0 -mierzalnymi wówczas: ! n R R fdZ , gdZ = ∑ aj b̄k (Z (Ej , Z (Ek )) = S n S = ∑ ak b̄k m(Ek ) = k =1 = (f , g )L2 (S ,S ,m ) Pawe÷J. Szab÷ owski () j ,k =1 R f ḡ dm = S Wyklad 8 March 2007 22 / 27 Miary stochastyczne o wartościach ortogonalnych (mswo). Zde…niowaliśmy tym samym przekszta÷ cenie liniowe Φ(f ) = R fdZ z S podprzestrzeni L0 =L2 (S, S0 , m ) (sk÷ adajacej ¾ sie¾ z funkcji prostych) w przestrzeń Hilberta H. Ponadto jak pokazano wyz·ej przekszta÷ cenie to zachowuje iloczyn skalarny. Przestrzeń L0 jest gesta ¾ w L2 (S, S , m ). Zatem Φ ma jednoznaczne rozszerzenie (takz·e oznaczane przez Φ) do izometrycznego izomor…zmu L2 (S, S , m ) z pewna¾ domkniet ¾ a¾ liniowa¾ podprzestrzenia¾ H. Moz·emy wiec ¾ rozwaz·ać ca÷ ke¾ dla dowolnych funkcji z L2 (S, S , m ). Jeśli f 2 L2 (S, S , m ) to Z fdZ = Φ(f ). S Poniz·szy lemat jest oczywisty jeśli pamietać ¾ , z·e Φ jest izometrycznym izomor…zmem. Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 23 / 27 Miary stochastyczne o wartościach ortogonalnych (mswo). Lemma Niech f , g , fn 2 L2 (S, S , m ), a, b 2 C . Wówczas: R 1 fdZ 2 H ; S R R R 2 fdZ , gdZ = f ḡ dm; S 3 4 R R 2 fdZ = S R S (af + bg )dZ = a S 5 fn jf j2 dm ; R S fdZ + b R gdZ ; S ! f w L2 (S, S , m) wtedy i tylko wtedy gdy n !∞ H. Pawe÷J. Szab÷ owski () Wyklad 8 R S fn dZ ! n !∞ R fdZ w S March 2007 24 / 27 Miary stochastyczne o wartościach ortogonalnych (mswo). Jeśli f1 , f2 , ... sa¾ prostymi S0 mierzalnymi funkcjami zbiez·nymi do f w mn (n ) (n ) (n ) L2 (S, S , m ) i fn = ∑ ak I (Ek ) gdzie Ek , 1 k mn sa¾ roz÷ acznymi ¾ k =1 zbiorami z S0 wówczas z w÷ asności 5. wynika, z·e: mn R R (n ) (n ) fdZ = limn !∞ fn dZ = limn !∞ ∑ ak Z (Ek ) . Jeśli wziać ¾ S S k =1 (n ) Z (Ek ) sa¾ zmiennymi H = L2 (Ω, F , P ) wówczas losowymi nieskorelowanymi. Zatem ca÷ ka stochastyczna moz·e być przybliz·ana sumami rozwaz·anymi na poczatku ¾ wyk÷ adu !!!. Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 25 / 27 Miary stochastyczne o wartościach ortogonalnych (mswo). Ilustruje to poniz·szy przyk÷ ad. Wzieliśmy ¾ M = 20 niezalez·nych zmiennych losowych o rozk÷ adach N (0, 1) i wykreślono funkcje: ¾ X = ∑M j =1 Zj cos( λj t ) , gdzie Zj maja¾ w÷ aśnie rozk÷ ady normalne a λj = π + j 2π M . Otrzymano: 3.849184 5 Z( t ) 0 4.168296 5 0 0 Pawe÷J. Szab÷ owski () 10 20 t Wyklad 8 30 40 2 .M March 2007 26 / 27 Miary stochastyczne o wartościach ortogonalnych (mswo). Przy pomocy ca÷ ki , rozszerzymy Z z S0 na S . Dla E 2 S k÷ adziemy: R Z1 (E ) = Φ(I (E )) = I (E )dZ . S Ze ¾ na to, z·e m jest skończona¾ miara¾ , I (E ) 2 L2 (S, S , m ) , R wzgledu I (E )dZ jest dobrze określona. Ponadto Z1 = Z na S0 . Odtad ¾ indeks 1 S bedzie ¾ opuszczany. Pawe÷J. Szab÷ owski () Wyklad 8 March 2007 27 / 27