Stokastisk Kalkyle F06
|
|
- Anders Kjeldsen
- 5 år siden
- Visninger:
Transkript
1 Forelæsningsnoter til Stokastisk Kalkyle F6 Svend Erik Graversen Januar 26 Institut for Matematiske Fag Det Naturvidenskabelige Fakultet Aarhus Universitet. 1
2 Indledning. Alle i det følgende nævnte processer tænkes defineret på et givent filtreret sandsynlighedsfelt (Ω, F, (F t t, P, hvor (Ω, F, P er et sandsynlighedsfelt, og (F t t er et højrekontinuert filter af del-σ-algebraer i F, dvs. F t F s F og F t = u>t F u for alle t < s. Sæt F = t F t. Da denne basis tænkes fastholdt, vil vi oftest undlade at fremhæve elementerne i (Ω, F, (F t t, P i diverse notationer og definitioner nedenfor, også selvom begreberne eksplicit afhænger af de enkelte bestanddele. F.eks. vil vi kort skrive adapteret, stoptid, lokalisering og martingal i stedet for det mere korrekte (F t -adapteret, (F t -stoptid, ((F t, P-lokalisering og ((F t, P-martingal osv. Ligeledes vil vi, da vi udelukkende arbejder med tidsparametermængden [,, kort skrive (F t i stedet for (F t t og tilsvarende (X t i stedet for (X t t. Højrekontinuiteten af filtret betyder, at det ikke er nødvendigt at skelne mellem stoptider og udvidede stoptider, idet antagelsen bevirker, at τ : Ω R + er en stoptid, hvis og kun hvis {τ < t} F t t >, og i givet fald er den tilhørende stopids-σ-algebra givet ved F τ = {B F B {τ < t} F t t > }. Specielt er en First Hitting Time til en åben mængde for en adapteret proces med lutter højrekontinuerte udfaldsfunktioner en stoptid. Bemærk at (F t ikke antages P-komplet, idet en sådan antagelse komplicerer målskifte. Men i visse mere avancerede sammenhænge er det vigtigt at arbejde med en såkaldt komplet stokastisk basis eller ækvialent en stokastisk basis, som opfylder the usual conditions, hvilket betyder, at det ydeligere kræves, at (Ω, F, P er et komplet sandsynlighedsfelt, samt ethvert af F t erne indeholder alle P-nulmængder. Vi får brug for forskellige typer adapterede processer samt notation i forbindelse med sådanne. S betegner her et polsk rum for det meste dog R eller R n. Definition. Previsibilitet. En stokastisk proces (X t med udfaldsrum S siges at være previsibel, hvis afbildningen (s, ω X s (ω fra R + Ω ind i S er målelig mht. (P(F., B(S, hvor P(F. := σ( { {} F F F } { ] u, v ] F u < v, F F u }. P(F., der kaldes den previsible σ-algebra, er altså frembragt af alle såkaldte elementære previsible mængder, dvs. mængderne { {} F F F og ] u, v ] F u < v, F F u. Previsible processer er specielt adapterede, og omvendt er enhver venstrekontinuert adapteret proces previsibel. Mere generelt er (X t previsibel for enhver reel adap- 2
3 teret proces (X t, hvor (X t er defineret ved hvis t = X t := lim sup s t, s Q X s hvis t > og lim sup s t, s Q X s er endelig ellers. Bemærk at hvis t X t (ω for et givet ω har venstre grænseværdier i ethvert punkt t >, så er t X t (ω venstrekontinuert, idet der da gælder, at X t (ω = lim s t X s (ω for alle t >. Definition. Progressiv målelighed. En stokastisk proces (X t med udfaldsrum S siges at være progessivt målelig, hvis afbildningen (s, ω X s (ω fra R + Ω ind i S er målelig mht. (Pr(F., B(S, hvor Pr(F. := {A B(R + F A ([, t ] Ω B([, t ] F t for alle t }. Progressivt målelige processer er adapterede, og omvendt er enhver højre - eller venstrekontinuert adapteret proces progressivt målelig. Ligeledes er enhver previsibel proces progressivt målelig, idet P(F. er indeholdt i Pr(F.. Da vi hovedsageligt skal studere reelle processer, lader vi i det følgende P(R / Pr(R betegne mængden af previsible hhv. progressivt målelige reelle processer. For enhver højrekontinuert adapteret reel proces (X t definerer ( X t := (X t X t derfor et element i Pr(R, ofte omtalt som springprocessen hørende til (X t. For hvis t X t (ω er cadlag, angiver funktionen t X t (ω netop springene, idet den er, hvis t X t (ω er kontinuert i t, og springet i t, hvis t X t (ω er diskontinuert i t. Det er i denne sammenhæng værd at erindre, at en cadlag funktion på ethvert endeligt interval kun har endelig mange spring numerisk større end et fast tal, dvs. alt i alt kun tællelig mange spring. Tilvækster i reelle processer optræder hyppigt i det følgende, og for en reel proces (X t indføres notationen dvs. X(i, n, t := X i/2 n t X (i 1/2 n t i, n 1, t (i 1/2 n X(i, n, t = X t X (i 1/2 n (i 1/2 n t < i/2 n X i/2 n X (i 1/2 n i/2 n t. For givne t, n og ω er X(i, n, t(ω altså kun forskellig fra for endelig mange i og X(i, n, t = X t X t, n 1. i 1 Procesrummet bestående af de reelle adapterede højrekontinuerte processer betegnes C h. Dvs. en adapteret reel proces (X t ligger i C h, hvis og kun hvis 3
4 t X t (ω er højrekontinuert for alle ω Ω. Vi får brug for forskellige P-afhængige delmængder af C h samt Endvidere indføres C h (P l.b. := {(X t C h t X t (ω lokalt begrænset P -n.a. ω }, D(P := {(X t C h t X t (ω cadlag for P -n.a. ω } C(P := {(X t C h t X t (ω kontinuert for P -n.a. ω } V(P := {(X t C h t X t (ω voksende for P -n.a. ω } BV(P := V(P V(P. C h (P := {(X t C h P(X = = 1 } og for ethvert rum H eller H(P betegnes med notationen H(P, H c (P og H c (P gennemsnittene H(P C h (P, H(P C(P og H(P H c (P. Der gælder oplagt, at BV(P =V(P V(P samt at V c (P V c (P BV c (P og V c (P V c (P BV c (P. Men der gælder faktisk lighedstegn i den første og dermed også i den anden inklusion. Argument. (kan og bør overspringes ved første gennemlæsning Sæt for et givent element (X t = (A t B t i BV(P og ethvert n 1 ( (Var(X n t = X(i, n, t i 1 Ud fra definitionen ses umiddelbart, at (Var(X n t erne er elementer i C h, samt at der for alle n 1 gælder flg. punktvise uligheder Var(X n t Var(X n s t < s, t, s D n og Var(X n t Var(X m t t D n, m n. Definer herudfra for ethvert t D Udfra definitionen ses umiddelbart, at Var (X t := lim n Var(X n t (A t + B t. D t Var (X t (ω er voksende for alle ω. Men for P-n.a. ω er Var (X t (ω for alle t D lig den totale variation på intervallet [, t ] for udfaldsfunktionen t X t (ω, 4
5 dvs. D t Var (X t (ω er højrekontinuert for P-n.a. ω. Sættes derfor Var(X t (ω := inf Var (X s(ω t, ω Ω s>t, s D følger (her udnyttes, at filtret er højrekontinuert, at (Var(X t V(P, og den er P-kontinuert, hvis (X t er P-kontinuert. Endvidere er for P-n.a. ω og alle t Var(X t (ω = den totale variation på intervallet [, t ] for t X t (ω. Specielt gælder altså (Var(X t X t V(P, hvoraf den ønskede inklusion umiddelbart følger. Bemærkning. Et næsten identisk argument viser, at en højrekontinuert proces (X t ligger i BV(P hvis og kun hvis sup n X(i, n, t < P -n.o. for alle t. i 1 (X t i BV(P siges endvidere at have integrabel variation, hvis E[ Var(X t ] < for alle t, dvs. hvis E[ sup X(i, n, t ] = sup E[ X(i, n, t ] < for alle t n n i 1 i 1 D(P, C(P og V(P er alle delmængder af C h (P l.b., og de er alle lukkede under P-ækvivalens. Dvs. hvis to elementer (X t og (Y t i C h er P-ækvivalente, eller ækvivalent P-modifikationer, så ligger det ene i et af de pågældende rum, hvis og kun hvis det andet også ligger der. I det følgende skelnes normalt ikke mellem P-ækvivalente processer, og vi vil benytte betegnelsen (X t P = (Y t, hvis (X t og (Y t er P-ækvivalente. De indførte rum er ligeledes tydeligvis stabile under standsning samt identiske med de tilhørende lokaliserede rum, hvor en delmængde H C h siges at være stabil under standsning, hvis og (X t H og τ stoptid (X τ t := (X τ t H, LH := {(X t C h (τ n lokalisering så at (X τn t H for n 1 }. LH omtales som det lokaliserede rum hørende til H, og elementerne i LH kaldes lokale H-processer. Husk at en lokalisering (τ n n 1 er en følge af stoptider, så at τ n τ n+1 n 1 og τ n P-n.o. Dvs. hvis (τ n n 1 og (S n n 1 er lokaliseringer, så er (τ n S n n 1 også en lokalisering. Ved at benytte den trivielle lokalisering τ n for alle n ses, at der altid gælder H LH. 5
6 I forbindelse med lokaliseringsbegrebet er flg. bemærkninger relevante. Beviserne, hvoraf de tre første er umiddelbare, kan og bør igen overspringes i første gennemlæsning. 1 H stabil under standsning LH stabil under standsning. 2 H stabil under standsning og et vektorrum LH et vektorrum. 3 H 1 og H 2 stabil under standsning L(H 1 H 2 = LH 1 LH 2 4 H stabil under standsning L(LH = LH. 4 vil som nævnt være vist, hvis det vises, at ethvert element i L(LH ligger i LH. Lad derfor X t L(LH være givet. Pr. definition findes der lokaliseringer så at (X τn t (τ n og (S n, k k 1 for n 1, LH n 1 og ((X. τn S n, k t = (X τn S n, k t H n, k 1. Da lim k S n, k = P -n.o. for alle n kan vi for ethvert n vælge et k n n, så at Sæt nu For ethvert n er R n en stoptid og P(S n, kn < n 2 n. R n = inf l n S l, k l n 1. R n R n+1 og R n S n, kn samt P(R n < n P(S l,kl < n P(S l,kl < l 2 l = 2 2 n. l=n l=n l=n Ifølge det første Borel-Cantelli Lemma er (R n og dermed også (τ n R n en lokalisering, og da (X τn Rn t = (X τn Rn S n, kn t = ((X. τn S n, kn R n t for alle n 1 følger påstand 4, da H er stabil under standsning. Som allerede bemærket er en proces (X t i C h P-kontinuert, hvis og kun hvis der eksisterer en lokalisering (τ n, så at (Xt τn er P-kontinuert for alle n 1. For enhver delmængde H af C h er derfor L(H c (P = LH C(P, dvs. notationen LH c (P kan ikke misforstås. Til slut indføres de meget vigtige processer Wiener og Poisson processen. Begreberne afhænger eksplicit af både P og (F t. Bemærk at kravene til udfaldsfunktionerne er lidt anderledes end dem, I kender fra kurset Stokastiske Processer. 6
7 Definition. Wiener processen En proces (W t C(P kaldes en Wiener proces med parameter σ 2 >, hvis a W t W s N(, σ 2 (t s for alle s < t. b F t og σ({w t+u W t u } er uafhængige for alle t. Definition. Poisson processen En proces (P t V(P kaldes en Poisson proces med parameter λ >, hvis a P t P s po(λ (t s for alle s < t. b F t og (σ{p t+u P t u } er uafhængige for alle t. Som bekendt antager en Poisson proces (P t kun ikke-negative heltallige værdier, og dens spring er alle af størrelse 1, dvs. P(P t N for alle t = 1 og P( t > : P t / {, 1} =. 7
8 Martingalteori I. De delmængder af C h, der omtaltes i indledningen, afhænger kun af P gennem de tilhørende nulmængder. Martingalrummenne M(P og M 2 (P er derimod i høj grad målafhængige. M(P / M 2 (P betegner her de processer i C h, som er martingaler hhv. kvadratisk integrable martingaler. De tilhørende M(P, M c (P og M c (P samt M 2 (P, M 2 c(p og M 2 c(p er derfor vel definerede. Alle er vektorrum og stabile under standsning, men modsat tidligere er de tilhørende lokaliserede rum, som også er vektorrum og stabile under standsning, generelt meget større. M 2 (P er ligeledes normalt en ægte delmængde af M(P og tilsvarende for de tilhørende lokaliserede og kontinuerte udgaver. Men der gælder dog flg. resultat (X t LM c (P og X L 2 (P (X t LM 2 c(p, som ses ved at betragte lokaliseringen (τ n S n n 1, hvor (τ n n 1 er bestemt ved τ n := inf{t > X t > n X }, og (S n n 1 er en lokalisering, så at (Xt Sn M(P for alle n 1. Variablene i en lokal martingal er ikke nødvendigvis integrable, men da X τ = X for enhver stoptid τ er X L 1 (P/L 2 (P for ethvert (X t M(P/M 2 (P. Bemærk endvidere at M(P D(P og dermed LM(P D(P ifølge Martingal Modifikationssætningen. Da teorien om martingaler for en stor del er kendt stof, nøjes vi med at formulere og delvis bevise flg. tre udsagn, som vi ofte vil benytte i det følgende. Af overskuelighedsgrunde indføres for ethvert (X t C h og t betegnelsen Xt := sup X s. s t Maksimumsvariablen X t er tydeligvis F t -målelig med værdier i R +. Proposition 1 Doob s Ulighed For ethvert (X t M(P og ethvert t og λ > er λ P(X t λ E[ X t, X t λ ] E[ X t ], og derfor E[X p p t ] ( p 1 p E[ X t p ] for alle p > 1. Proposition 2 Lenglart s Ulighed Lad (X t C h (P og (< X > t V c (P være givet, så at (X 2 t < X > t LM(P. Da gælder med notation som i Doob s Ulighed for alle positive t, δ og λ, at P(X t λ E[δ < X > t ]/λ 2 + P(< X > t δ δ λ 2 + P(< X > t δ 8
9 specielt er P(X t < = 1 for alle t. For ethvert p (, 2 gælder derfor, at E[X p t ] 4 p 2 p E[< X >p/2 t ]. Korollar 1 Hvis (X t yderligere er P-kontinuert, gælder også omvendt P(< X > 1/2 t λ E[δ X 2 t ]/λ 2 + P(X 2 t δ for alle t, δ og λ, og dermed for alle p (, 2 E[< X > p/2 t ] 4 p 2 p E[X p t ]. Proposition 3 Ethvert element (X t LM c (P BV c (P er konstant, dvs. P(X t = X 1. Mere generelt gælder, at hvis (X t BV c (P er en submartingal, så er (X t P-voksende, dvs. (X t V c (P. Da beviset for Doob s Ulighed er vel kendt, bevises kun propositionerne 2 og 3. De anførte momentuligheder er konsekvenser af flg. generelle resultater for ikke-negative stokastiske variable. Beviserne for disse uligheder findes i Appendiks 1. Momentuligheder. For ikke-negative stokastiske variable X og Y gælder a Hvis λ P(X λ E[Y, X λ] for λ > er E[X p p ] ( p 1 p E[Y p ] for p > 1. b Hvis λ P(X λ E[λ Y ] + λ P(Y λ for λ > er E[X p ] 2 p 1 p E[Y p ] for < p < 1. Bevis for Proposition 2. Da C h (P og V c (P er stabil under standsning, viser et simpelt lokaliseringsargument, at det er nok at betragte tilfældet, hvor (X 2 t < X > t M(P. Vi behøver endvidere kun vise den første ulighed, og da højresiden heri er en kontinuert funktion af λ, er det nok at vise uligheden, hvor vi på venstreside erstatter λ med > λ. Lad derfor positive tal t, λ og δ være givet. Definer τ λ := inf{s > X s > λ} og S δ := inf{s > < X > s > δ}. τ λ og S δ er da vel definerede stoptider, og der gælder P(X t > λ = P(X t > λ, < X > t < δ + P(X t > λ, < X > t δ 9
10 P(X t > λ, < X > t < δ + P(< X > t δ. Benyttes nu, at (X t er højrekontinuert og (< X > t P-kontinuert, fås endvidere ved brug af Optional Sampling, at P(X t > λ, < X > t < δ E[ X τ λ λ, X t > λ, < X > t < δ ] λ 2 E[ X 2 τ λ t S δ, X t > λ, < X > t < δ ] λ 2 E[ X 2 τ λ t S δ ] = λ 2 E[ < X > τλ t S δ ] λ 2 E[ δ < X > t ] δ/λ 2. Hvilket alt i alt er de søgte uligheder. Bevis for Korollar 1. I det netop gennemførte bevis anvendtes Optional Sampling Sætningen på martingalen (X 2 t < X > t og den begrænsede stoptid τ λ t S δ, dvs. ligheden E[X 2 τ λ t S δ < X > τλ t S δ ] = eller ækvivalent E[X 2 τ λ t S δ ] = E[< X > τλ t S δ ]. For beviset er det ikke afgørende, at der gælder =, idet er nok, og da t Xt en ikke-negativ P-kontinuert voksende proces, samt er E[( < X > τ 2 ] = E[< X > τ ] = E[X 2 τ ] E[X 2 τ ] for enhver begænset stoptid τ, kan man i det P-kontinuerte tilfælde derfor tilsvarende vise, at for alle positive t, λ og δ. P( < X > t λ λ 2 E[ δ X 2 t ] + P(X 2 t δ Bevis for Proposition 3. Lad (X t LM c (P BV c (P være givet. Da (X t X er element i det samme procesrum, kan og vil vi antage, at (X t er i, dvs. er på formen (A t B t, hvor (A t og (B t er elementer i V c (P. Sæt for n 1 τ n = inf{t > A t + B t > n}. τ n erne er da stoptider, og (Xt τn erne, der er uniformt begrænsede, er derfor elementer i M 2 c(p. For alle t, k og n gælder nu i X τn (i, k, t 2 sup X τn (i, k, t i i X τn (i, k, t sup X τn (i, k, t i i ( A τn (i, k, t + B τn (i, k, t sup X τn (i, k, t (A τn t i + B τn t n sup X τn (i, k, t. i 1
11 P-kontinuiteten sikrer derfor, at lim k i Xτn (i, k, t 2 = P-n.o. Men da martingalegenskaben bevirker, at E[X 2 t τ n ] = E[ i X τn (i, k, t 2 ] for alle k, fås ved brug af Doob s ulighed og Lebesgue s sætning, at X t τn = P-n.o. for alle n og dermed X t = P -n.o., da τ n P-n.o. Lad os dernæst vise bemærkningen. Det er nok at vise, at P(X t X s = 1 for ethvert par af dyadisk rationale tal t < s. Lad derfor et sådant par være givet. Som ovenfor kan vi antage, at processen er i og uniformt begrænset specielt kvadratisk integrabel. Resultatet vil derfor være vist, hvis S n (t := 1 i 2 n t E[ X(i, n, t F i 1 2 n ] n X t i L 2 og tilsvarende S n (s := 1 i 2 n t E[ X(i, n, s F i 1 2 n ] n X s i L 2. For da t < s og begge er dyadisk rationale, er summen svarende til t en delsum i summen hørende til s for tilstrækkeligt store n, dvs. 1 i 2 n t E[ X(i, n, t F i 1 2 n ] 1 i 2 n t 1 i 2 n t E[ X(i, n, s F i 1 2 n ] P-n.o. for n stor, da leddene ifølge submartingal egenskaben er ikke negative. Hvad angår L 2 -konvergensen har vi for alle n 1 ( 2 E[ (X t S n (t 2 ] = E[ ( X(i, n, t E[ X(i, n, t F i 1 ] ] 2 n = 1 i 2 n t = 1 i 2 n t E[ ( X(i, n, t E[ X(i, n, t F i 1 2 n ] 2 ] E[ X(i, n, t 2 E[ X(i, n, t F i 1 2 n ]2 ] 1 i 2 n t E[ X(i, n, t 2 ]. Men som vist ovenfor, konvergerer denne sum imod, og da det tilsvarende gælder for s, er bemærknigen vist. LM(P er generelt meget større end M(P, og spørgsmålet om, hvornår en lokal martingal er en martingal, er normalt vanskeligt at besvare. Men flg. småresultater er ofte relevante. Lemma 1 For et givet (M t LM(P gælder implikationen E[ M t ] < t > (M t M(P. 11
12 Bevis. Lad (M t LM(P med Mt integrabel være givet. Pr. definition findes der en lokalisering (τ n, så at (Mt τn M(P for alle n. Men da M τn t M t P -n.o. for alle t og dermed ifølge antagelsen og Lebesgue s Sætning også i L 1, følger konklusionen umiddelbart af den vel kendte implikation X n X i L 1 (P E[X n, B] E[X, B] B F. Lemma 2 Enhver ikke negativ lokal martingal er en supermartingal. Dvs. et element (M t i LM(P + er en martingal, hvis og kun hvis E[M t ] = E[M ] for alle t >. Bevis. Lad (M t LM(P + være givet og lad (τ n betegne en lokalisering, så at (Mt τn er en martingal for alle n. Da fås af Fatou s Lemma, at E[M t ] lim inf n M τn t M t P -n.o. for alle t > E[Mt τn ] = E[M τn ] = E[M ] < for alle t > og tilsvarende af Fatou s Lemma for betingede middelværdier, at E[M t F s ] lim inf n E[M τn t F s ] = lim inf n M τn s = M s for alle s < t. Dvs. (M t er en supermartingal og dermed en martingal, hvis og kun hvis den har konstant middelværdi. Vi fortsætter med to simple, men, specielt hvad angår den sidste, meget nyttige resultater. Beviserne overlades i det store hele til læseren. Lemma 3 En given proces (X t C h (P er en martingal, hvis og kun hvis for alle begrænsede stoptider S. X S L 1 og E[X S ] = Bevis. kun hvis er en umiddelbar konsekvens af Optional Sampling. Ved først at bruge antagelsen på konstante S ses, at X t erne er integrable med middelværdi. Martingalegenskaben følger derefter ved for givne s < t og A F s at udnytte antagelsen på S := s 1 A + t 1 A c. Lemma 4 For ethvert (X t M(P og alle a < b og Z bm(f a er Endvidere er (Z (X b t X a t M(P. ( i 1 Z n i X(i, n, t M(P for alle n 1, hvis Zi n bm(f i 1 for i, n 1. Hvis (X t M 2 (P ligger de dannede martingaler 2 n igen i M 2 (P. 12
13 Det er i mange sammenhænge nødvendigt at operere med flere sandsynlighedsmål samtidigt, og i forbindelse hermed er flg. begreb vigtigt. Definition. Lad P og Q betegne to sandsynlighedsmål på (Ω, F. P siges da lokalt at dominere Q (betegnes Q loc P, hvis Q P opfattet som mål på (Ω, F t for ethvert t. Lokal ækvivalens defineres tilsvarende og betegnes Q loc P. Implikationen: Q P på F Q loc P, er oplagt, men P og Q kan være singulære på F selvom Q loc P. Læseren opfordres til at overveje, at de i indledningen indførte procesrum bevares ved skift til et lokalt ækvivalent mål Q. Dette gælder ligeledes de tilhørende lokaliserede rum, da en følge af stoptider (τ n er en lokalisering mht. P, hvis og kun hvis (τ n er en lokalisering mht. Q, idet τ n P-n.o. P(sup τ n < t = lim n n P(sup τ n < t = for alle t >. n Derimod er de tilhørende martingalrum og Wiener og Poisson proces begreberne yderst målafhængige. Hvis Q loc P kaldes en ikke-negativ adapteret proces (R t en Radon-Nikodym proces for Q mht. P, hvis Q(A = R t d P for alle A F t og t. A En Radon-Nikodym proces er altså entydigt bestemt op til P-modifikation. Da Q(A = A R t d P = A R s d P for A F t F s for alle t < s er (R t en ikke-negativ P-martingal med middelværdi 1, og en reel adapteret proces (X t er en Q-martingal, hvis og kun hvis (X t R t er en P-martingal. Dette følger umiddelbart af lighederne og E Q [ X t ] = E P [ X t R t ] = E P [ X t R t ] E Q [ X s, A ] = E Q [ X s 1 A ] = E Q [ X s 1 A R t ] = E Q [ X s R t, A ] for alle t s og A F t. Hvis (X t og (R t begge er højrekontinuerte, dvs. elementer i C h, og Q loc P, gælder tilsvarende, at Lemma 5 (X t er en Q-lokal martingal, hvis og kun hvis (X t R t er en P-lokal martingal. Bevis. En simpel overvejelse viser, at vi kan antage X. Som bemærket ovenfor er begreberne P-lokalisering og Q-lokalisering sammenfaldende. Dvs. hvis (X t er en Q-lokal martingal, findes der en P -lokalisering (τ n, så at (Xt τn er en Q-martingal, og dermed ifølge det netop viste, så at (Xt τn R t er en P-martingal. Men da martingal 13
14 egenskaben bevares under standsning er (Xt τn Rt τn derfor en P-martingal, og (X t R t er derfor en P-lokal martingal. Antag omvendt at (X t R t er en P-lokal martingal, dvs. der findes en Q-lokalisering (τ n, så at (Xt τn Rt τn er en P-martingal. For at vise at (Xt τn er en Q-martingal, er det ifølge Lemma 3 nok at vise, at X τn S L1 (Q og E Q [ X τn S ] = for enhver begrænset stoptid S. Lad S t være en sådan. Vi har da ifølge Optional Sampling E Q [ X τn S ] = EP [ X τn S R t ] = lim M EP [ X τn S M R t ] = lim M EP [ X τn S M R τn S ] = E P [ X τn S R τn S ] = E P [ X τn S R τn S ] < og tilsvarende fås ved opsplitning af X τn S E Q [ X τn s, A ] = E P [ Xs τn R τn i positiv og negativ del, at s, A ] = E P [ Xt τn Rt τn, A ] = E Q [ Xs τn, A ] for alle t s og alle A F t, hvilket netop er det, vi søger. Bemærkning. Som vist er enhver Radon-Nikodym proces en ikke-negativ P-martingal med middelværdi 1. Omvendt kan man ud fra en en given ikke-negativ P- martingal (R t med middelværdi 1 konstruere en mængdefunktion Q : F t [, 1] : Q(A := R t d P hvis A F t. t> Martingalegenskaben sikrer, at Q er vel defineret. For ethvert t er Q et sandsynlighedsmål på F t, men det kan ikke nødvendigvis udvides til et sandsynlighedsmål på F. Ifølge Martingalkonvergenssætning er dette muligt, hvis (R t er uniformt integrabel, og det gælder ligeledes, hvis (Ω, F, (F t er et såkaldt standard filteret måleligt rum. A 14
15 Konvergens af stokastiske processer. Inden vi fortsætter med martingalerne indføres et konvergensbegreb i C h ofte omtalt som lokal uniform konvergens i sandsynlighed. Begrebet afhænger af P, men er dog invariant under lokal ækvivalent målskifte. Notation Lad (X n t n 1 og (X t betegne processer i C h. (X n t n 1 siges da at konvergere imod (X t i d p -forstand, skrives (X n t d P (X t, hvis lim sup Xs n X s = i P -mål for alle t. n s t Dvs. ( (Xt n d P (X t lim P sup Xs n X s ɛ = for alle t og ɛ >. n s t Da konvergens i sandsynlighed er metrisk og invariant under ækvivalent målskifte, er det ikke vanskeligt at se, at d P -konvergens også er metrisk, idet den svarer til konvergens i (pseudo metrikken d P ((X t, (Y t := 2 n sup s n X s Y s E[ 1 + sup s n X s Y s ] (X t, (Y t C h. n=1 Bemærk at d P ((X t, (Y t = (X t P = (Y t samt, at d P og d Q erækvivalente, hvis P og Q er lokalt ækvivalente. Konvergensbegrebet harmonerer pænt med den lineære struktur, idet en linearkombination af konvergente følger konvergerer mod den tilsvarende linearkombination af de oprindelige grænseværdier. Eventuelle grænseværdier er entydigt bestemt op til P-uskelnelighed idet (X n t d P (X t X n t X t i P -mål for alle t. Der gælder endog, at X n τ X τ i P-mål for enhver endelig stoptid τ, og afbildningen (X t (X τ t er d P -kontinuert for enhver stoptid τ. Mere præcist gælder at (Xt n d P (X t (X n, τ k t d P (X τ k t for alle k for en lokalisering (τ k k 1. Bemærk at C h (P, C(P, D(P og V(P samt herudfra dannede gennemsnit alle er lukkede under d P -konvergens. Dvs. grænseprocessen hørende til en konvergent følge af elementer fra et af rummene kan vælges i det samme rum. Et standardargument baseret på Borel-Cantelli lemmaet viser, at hvis (X n t d P (X t så findes der en delfølge (n k k 1, så at sup X n k s X s P -n.o. for alle t >. s t 15
16 Endvidere konvergerer de tilhørende springprocesser, f. eks. har vi for (X n t, (X t D(P, at (X n t d P (X t ( X n t d P ( X t. De indtil nu nævnte egenskaber er mere eller mindre trivielle konsekvenser af definitionen. Det næste resultat, som viser, at d P -konvergens er fuldstændig, er derimod mere indviklet. Påstanden, der spiller en vigtig rolle i det følgende, formuleres u- den bevis, men den interesserede læser kan finde et bevis på side 97 i Stroock og Varadhan s bog: Multidimensional Diffusion Processes. Resultatet er ikke helt indlysende, da vi med vilje har undladt at forlange, at det givne filter er P-komplet. Proposition 4 En følge (X n t n 1 C h konvergerer i d P, dvs. der findes et element (X t C h så at (Xt n d P (X t, hvis og kun hvis ( lim P sup Xs n Xs m ɛ = for alle k 1 og ɛ >. m,n s k Fuldstændigheden muliggør definition via lokalisering. konsekvens af Proposition 4, har vi flg. udsagn. For som en umiddelbar Korollar 2 Hvis (X n t n 1 er en følge af elementer i C h, og (τ n n 1 er en lokalisering, så at (X n+1 τn t P = (X n t for alle n 1, så findes der op til P-uskelnelighed præcist et element (X t C h så at (X τn t P = (X n t for alle n 1. En anden mere kompliceret konsekvens af Proposition 4 viser, at ethvert element i V(P kan opsplittes i en kontinuert og en ren diskontinuert del, dvs. til ethvert (A t i V(P findes der to processer (A c t og (A d t i V(P, så at (A t = P (A c t + A d t og (A c t V c (P og A d t = A s t > P -n.o. s t Ideen i beviset, som overlades til læseren, er først at bevise påstanden for (A n t erne, hvor for n 1 A n t (ω := sup A s (ω n t, ω Ω. s t Da (A n t erne har lutter voksende og højrekontinuerte udfaldsfunktioner, er dekompositionen her mulig, da der på ethvert endeligt interval kun er endelig mange spring, som er større end en fast værdi. Den ønskede dekomponering fås derefter ved d p - grænseovergang. Vi afsluttet kapitlet med at se på d p konvergens af martingal processer. For (M 1 t og (M 2 t i M(P gælder ifølge Doob, at P( sup Ms 1 Ms 2 ɛ E[ Mk 1 Mk 2 ]/ɛ for alle k 1 og ɛ >. s k Dvs. for (M n t n 1 og (M t i M(P gælder E[ M n k M k ] k 1 (M n t d P (M t. 16
17 Da t E[ M n t M t ] er voksende, er venstresiden ækvivalent med, at E[ M n t M t ] for alle t >. Fuldstændigheden af L 1 (P og L 2 (P samt Proposition 4 sikrer derfor flg. påstand. Lemma 6 Hvis (M n t n 1 M(P opfylder lim E[ M t n Mt m ] = for alle t > ( ækvivalent for alle k 1 n,m så findes der et (M t M(P, så at (M n t d P (M t. For (M n t n 1 M 2 (P gælder tilsvarende, at hvis lim E[ (M t n Mt m 2 ] = for alle t > ( ækvivalent for alle k 1 n,m så findes der et (M t M 2 (P, så at (M n t d P (M t. Bevis. Vi viser kun L 2 -tilfældet. Som bemærket ovenfor sikrer Doob s Ulighed, at (M n t n 1 er en Cauchy-følge i d P, dvs. opfylder betingelsen i Proposition 4. (M n t n 1 har derfor en grænseværdi (M t C h Specielt gælder M n t M t i P-mål for alle t >, men da variablene Mt n for n 1 pr. antagelse er en L 2 -Cauchyfølge for ethvert t, er der derfor også konvergens i L 2. (M t er dermed en kvadratisk integrabel proces, og martingal egenskaben følger nu let af implikationen E[ (Mt n M t 2 ] t Mt n dp M t dp for alle B F, t. B B L 1 -tilfældet klares på samme måde. 17
18 Martingalteori II. Proposition 3 viser, at der til ethvert (X t i C h op til P-uskelnelighed højst findes et (< X > t i V c (P, så at (X 2 t < X > t M(P (entydigheden retfærdiggør notationen. Med baggrund heri indføres procesrummet MI(P := {(X t LM(P (< X > t V c (P : (X 2 t < X > t LM(P}. Forkortelsen MI(P står for martingal integratorer, en betegnelse, som vi senere skal se, giver god mening. En simpel øvelse viser, at enhver Wiener proces (W t ligger i MI(P tillige med processer af formen (P t λt, hvor (P t er en Poisson proces med parameter λ. Da LM(P og V c (P er stabile under standsning, er MI(P tydeligvis også stabil under standsning, og det tilhørende lokaliserede rum er derfor rummet selv. Dvs. vi har ligheden. LMI(P = MI(P. Et direkte argument for dette kan opnås ved en anvendelse af Korollar 2 og Proposition 3. For hvis (X t LMI(P, så er (X t LLM(P = LM(P, og der findes en lokalisering (τ n samt for ethvert n en proces (< X τn > t V c (P, så at Men da (Xt τn 2 < X τn > t M(P. (X τ n+1 2 t τ n < X τ n+1 > t τn = (X τn 2 < X τ n+1 > t τn M(P for ethvert n 1 og dermed (< X τ n+1 > t τn < X τn > t M(P fås af Proposition 3, at (< X τ n+1 > t τn P = (< X τn > t n 1. Ifølge Korollar 2 eksisterer der derfor et (< X > t V c (P, så at for alle n, hvilket indsat ovenfor giver, at (< X > t τn P = (< X τn > t (Xt τn 2 < X > t τn = (Xt τn 2 < X > τn t M(P for alle n 1. Men dette betyder netop, at (X 2 t < X > t LM(P. MI(P er pr. definition en delmængde af LM(P, men der gælder yderligere. Proposition 5 For ethvert (X t MI(P findes der en lokalisering (τ n, så at (X τn t t M 2 (P og (Xt τn 2 < X > t τn M(P for alle n 1. Dvs. MI(P LM 2 (P, og for (M t LM 2 (P gælder (M t MI(P ( M t := (M t M MI(P, og i givet fald er (< M > t P = (< M > t. 18
19 Bevis. Lad (X t i MI(P være givet. Ifølge definitionen findes der en lokalisering (τ n, så at (Xt τn M(P og ((X τn 2 t < X > t τn M(P for alle n. Men da vi ved yderligere standsning også kan opnå, at E[< X > t τn ] < for alle t > og n 1, indses let, at Xt τn er kvadratisk integrabel for alle n og t, dvs. (Xt τn M 2 (P for alle n. Den sidste påstand skyldes, at (M 2 t M 2 t LM(P for alle (M t LM 2 (P, da (Xt 2 (X t X 2 = (2X t X + X 2 M(P for ethvert (X t M 2 (P. Kombineres Proposition 5 med Lenglart s og Doob s uligheder fås flg. resultat. Korollar 3 For ethvert (X t MI(P gælder E[ < X > t ] < t > (X t M(P samt E[< X > t ] < t > (X t M 2 (P og (X 2 t < X > t M(P. Bevis. Proposition 5 viser, at det er nok at se på (X t i MI(P. Lad derfor et sådant (X t være givet. Første del følger umiddelbart af Lemma 1, da antagelsen sammen med Lenglart s Ulighed viser, at E[X t ] < for alle t >. For at vise anden del, vælges en lokalisering (τ n, så at (X τn t M 2 (P og (X 2 t τ n < X > t τn M(P for alle n. Ifølge Doob s ulighed gælder derfor for alle t > og alle n 1, at E[ sup Xs τ 2 n ] 4 E[< X > t τn ] 4 E[< X > t ] 1 s t og dermed via Monoton konvergens E[ sup Xs 2 ] 4 E[< X > t ]. 1 s t Men dette viser den ønskede implikation da ifølge Lebesgue s Sætning for alle t >. X τn t X t i L 2 og X 2 t τ n < X > t τn X 2 t < X > t i L 1 (P MI(P udgør normalt hverken hele LM(P eller LM 2 (P, men som vi nu skal vise, er LM 2 c(p altid indeholdt i MI(P. Der gælder nemlig flg. resultat. 19
20 Proposition 6 Ethvert (X t LM c (P for hvilket X L 2 (P ligger i MI(P. Specielt er LM c (P MI(P. Bevis. Ifølge Proposition 5 er det nok at vise det sidste; og da LMI(P = MI(P er det hertil nok at vise (tænk over dette, at MI(P indeholder ethvert element i M 2 c(p, som er uniformt begrænset. Lad derfor et sådant (X t være givet, og antag at (X t er uniformt begrænset af et M R +. Med baggrund i et vel kendt resultat for Wiener processen ledes vi til at se på den asymptotiske opførsel af processerne (A n t := ( i 1 X(i, n, t 2 n 1. Ud fra definitionen ses umiddelbart, at (A n t erne er P-kontinuerte, og at A n = samt A n t A n s for t s t, s D n P-n.o. for alle n 1. Dvs. hvis lim n (A n t eksisterer i d P må grænseprocessen nødvendigvis ligge i V c (P. Simpel aritmetik giver nu, at A n t = i 1 X(i, n, t 2 = i 1 (X i/2 n t + X (i 1/2 n t X(i, n, t 2 X (i 1/2 n X(i, n, t = i 1 (X 2 i/2 n t X 2 (i 1/2 n t 2 i 1 X (i 1/2 n X(i, n, t = X 2 t 2 M n t. Bemærk at (M n t M 2 (P for alle n 1. Dvs. konvergens af (A n t n 1 er det samme som konvergens af martingalfølgen (M n t n 1, og i følge overvejelserne side 16 mangler vi derfor alt i alt kun at vise, at for alle k 1 er Lad k 1 være valgt. For n m er i=1 lim E[ (M k n Mk m 2 ] =. n,m k2 n k2n Mk n = X i 1 (X 2 n i/2 n X (i 1/2n = dvs. M n k M m k = k2 n i=1 j=(i 12 m n +1 og dermed ifølge Pythagoras E[ (M n k M m k 2 ] = k2 n i2 m n i2 m n i=1 j=(i 12 m n +1 i=1 X i 1 2 n i2 m n j=(i 12 m n +1 (X j/2 m X (j 1/2 m (X (i 1/2 n X (j 1/2 m (X j/2 m X (j 1/2 m E[ (X (i 1/2 n X (j 1/2 m 2 (X j/2 m X (j 1/2 m 2 ]. 2
21 Sættes har vi derfor D n k (X = E[ (M n k M m k 2 ] E[D n k (X A n k ] sup (X s X t 2 s t 1/n, s,t k Men kontinuiteten og Doob s Ulighed sikrer at og da ovenstående omskrivning af A n t lim n E[D n k (X 2 ] =, viser, at E[ (A n k 2 ] 2 E[X 4 k] + 8 E[M n 2 k ] = 2 E[X 4 k] + 8 E[Dk n(x2 ] E[ (A n k 2 ]. k2 n i=1 E[ X 2 i 1 2 n (X i/2 n X (i 1/2 n2 ] k2n 2 M M 2 E[ (X i/2 n X (i 1/2 n 2 ] = 2 M M 2 E[ Xk] 2 1 M 4 ses derfor, at i=1 lim E[ (M k n Mk m 2 ] =. n,m Afgørende for om et ikke-kontinuert element i LM 2 (P ligger i MI(P er forudsigeligheden af springene i (X t. Der gælder nemlig flg. udsagn. Lemma 7 (X t LM 2 (P ligger i MI(P, hvis og kun hvis det for enhver stoptid τ gælder X τ 1 {τn<τ for alle n} = P -n.o. for enhver følge (τ n af stoptider, så at τ n τ P -n.o. Bevis. Da hvis-delen kræver et stort arsenal af generel teori, nøjes vi her med at vise kun hvis -delen. Beviset kan overspringes ved første gennemlæsning. Et lokaliseringsargument baseret på Proposition 5 viser, at vi kan antage, at (X t M 2 (P og (X 2 t < X > t M(P. Lad τ og (τ n være givet, så at τ n τ P -n.o. Ved at se på τ t og τ n t for t > ses, at vi uden tab af generalitet kan antage, at τ er begrænset. Da (X t, som tidligere nævnt, ligger i D(P, har vi X τ 1 {τn<τ for alle n} = lim n (X τ X τn 1 {τn<τ for alle n} P -n.o. og ifølge Fatou s Lemma derfor E[( X τ 2 1 {τn<τ for alle n} ] lim inf n E[(X τ X τn 2 ]. Men Optional Sampling anvendt på martingalen (X 2 t < X > t og de begrænsede stoptider τ n τ viser, at E[(X τ X τn 2 ] = E[X 2 τ ] E[X 2 τ n ] = E[< X > τ ] E[< X > τn ] for alle n 1, hvoraf resultatet følger ved brug af Monoton konvergens. 21
22 Appendiks 1. Lad i det følgende X og Y betegne to ikke-negative stokastiske variable defineret på et sandsynlighedsfelt (Ω, F, P. Vi skal i dette appendiks deducere forskellige momentuligheder ud fra fordelingsuligheder. Vi starter med et resultat, som bruges i Doob s ulighed. Resultat 1 For alle p > 1 gælder implikationen t P(X t E[ Y, X t ] t > E[X p p ] ( p 1 p E[ Y p ]. Bevis. Lad p > 1 være givet, og antag at fordelingsuligheden holder. Da X n for ethvert n ligeledes opfylder uligheden, kan og vil vi antage, at X er begrænset. Integreres på begge sider med p t p 1 dt fås ved brug af Tonelli s sætning, at E[X p ] = E[ Y P(X t p t p 1 dt X Men ifølge Hölder s ulighed er p t p 2 dt] = E[ Y, X t] p t p 2 dt = p p 1 E[ Y Xp 1 ]. E[ Y X p 1 ] E[ Y p ] 1/p P[X p ] p 1 p, og indsættes dette fås ved forkortning, da E[X p ] er endelig, at E[X p p ] ( p 1 p E[ Y p ]. Det generelle tilfælde følger nu ved brug af monoton konvergens. Beviset udnytter eksplicit at p > 1, og modeksempler viser, at resultatet ikke holder for p = 1. Men for fuldstændigheden skyld vises, at den samme fordelingsulighed sikrer flg. resultat. Resultat 2 Bevis. Antagelserne sikrer og dermed E[X] 2 (1 + E[ Y log + Y ]. 2t P(X 2t E[ Y, X 2t ] E[ Y, Y t, X 2t ]+ E[ Y, Y > t, X 2t ] t P(X 2t + E[ Y, Y > t ], t P(X 2t E[ Y, Y > t ] for alle t >. Integreres denne ulighed fra 1 til med dt fås ved brug af Tonelli s sætning E[X]/2 = E[X/2] = 22 P(X 2t dt
23 1 + 1 = 1 + E[ Y P(X 2t dt 1 + Y 1 1 E[ Y, Y > t ]/t dt 1/t dt, Y > t ] 1 + E[ Y log + Y ] En variant af Resultat 1, som dog holder for alle p 1, er indeholdt i flg. implikation. Resultat 3 E[X, X t] E[Y + t, X t] for alle t > E[X p ] p p E[ Y p ] p 1. Bevis. Tilfældet p = 1 følger umiddelbart ved at lade t på begge sider i de givne sæt af betingelser. For at klare tilfældet p > 1 lader vi r > være givet. På samme vis som ovenfor kan og vil vi antage, at X er begrænset. Integreres uligheden på begge sider med r t r 1 dt fås via Tonelli s sætning, at (1/r 1/(r + 1 E[X r+1 ] E[ Y X r ]/r, og derfor ifølge Hölder s ulighed brugt på r + 1 og dets konjugerede (r + 1/r, at 1 r + 1 E[Xr+1 ] E[X r+1 ] r r+1 E[ Y r+1 ] 1 p+1. Den ønskede ulighed følger nu igen ved forkortning. Til slut vises momentuligheden, som bruges sammen med Lenglart s ulighed. Resultat 4 For alle < p < 1 gælder implikationen P(X t E[t Y ]/t + P(Y t t > E[X p ] 2 p 1 p E[Y p ]. Bevis. Lad < p < 1 være givet. Ved brug af Tonelli s sætning fås som før E[X p ] = = E[ Y P(X t p t p 1 dt E[ t Y ] p t p 2 dt + p t p 1 dt + Y Y P(Y t p t p 1 dt p t p 2 dt] + E[ Y p ] = E[ Y p ] + p 1 p E[Y p ] + E[ Y p ] = 2 p 1 p E [Y p ]. 23
24 Stokastisk integration A. Til ethvert (X t C h tilordnes det såkaldte simple integral mht. (X t, dvs. den lineære afbildning I X : E(F. C h bestemt ved (I X (Z 1 {} t = (Z X og (I X (Y 1 ] a,b ] t = (Y (X b t X a t, hvis Z bm(f, Y bm(f a og a < b, hvor E(F. er vektorummet bestående af de elementære/simple previsible processer, dvs. E(F. = span ({Z 1 {}, Y 1 ] a,b ] a < b og Z bm(f, Y bm(f a }. Som navnet antyder, er der ikke tale om et rigtigt stokastisk integral, jævnfør nedenstående definition, men det spiller alligevel en vigtig rolle i det følgende. Til senere brug bemærkes, at integralprocesserne (I X (Y. t er P-kontinuerte, hvis (X t er P-kontinuert, og endvidere er I X (E(F. BV(P hvis (X t BV(P og I X (E(F. M(P/M 2 (P hvis (X t M(P/M 2 (P Her følger den sidste påstand af Lemma 4, og den første ved linearitet ud fra den åbenbare implikation (A t V(P I A (E(F. + V(P. Endvidere gælder for ethvert (X t C h, (Y t E(F. og stoptid τ stoptidsformlen (I X (Y. τ t = (I X (Y. τ t = (I Xτ (Y. t (1 Vi er nu klar til at indføre begrebet en stokastisk integrator og et stokastisk integral. Med baggrund i det dynamiske dvs. procesaspekt, vi har i tankerne, er et stokastisk integral et objekt, som på lineær og kontinuert vis til såkaldte integrantprocesser tilordner tilhørende integralprocesser på en sådan måde, at det har mening at sige, at integralprocesserne er generaliserede vægtede tilvækster i den betragtede stokastiske integrator. Kontinuiteten skal her i lighed med sædvanlig integralteori forstås som en form for Lebesgue s Sætning om domineret konvergens. Begrebet er præciseret i flg. matematiske definition. Definition SI. (X t C h kaldes en stokastisk integrator hvis der findes en afbildning P(R u.l.b. (Y t (I X P (Y. t C h med flg. tre egenskaber, hvor (Y n t n 1, (Y t og (Z t er elementer i P(R u.l.b.. 24
25 1 I X P er P-lineær og skelner ikke mellem P-uskelnelige integranter, dvs. (I X P (ay. + bz. t P = (ai X P (Y. t + bi X P (Z. t a, b R og (Y t P = (Z t (I X P (Y. t P = (I X P (Z. t. 2 I X P er en P-udvidelse af IX, dvs. (I X P (Y. t P = (I X (Y. t for alle (Y t E(F.. 3 (I X P (Y. n t d P (I X P (Y. t hvis (Yt n konvergerer P(R u.l.b. -domineret mod (Y t, dvs. hvis der for P-n.a. ω gælder Y n t (ω Y t (ω og sup Yt n (ω Z t (ω for alle t. n IP X kaldes i givet fald et stokastisk integral mht. (X t, en betegnelse der ligeledes vil blive brugt om enhver udvidelse af (IP X, P(R u.l.b., som opfylder 1, 2 og 3 på sit definitionsområde. Det ovenstående simple integral, der som nævnt eksisterer for ethvert (X t C h, er derfor ikke et stokastisk integral, da dets definitionsmængde er for lille, og fordi det generelt ikke opfylder punkt 3. Kombineres 1, 2 og 3 fremkommer umiddelbart følgende Riemann -resultat. Lemma 8 For enhver stokastisk integrator (X t konvergerer ( Z X + i 1 Z (i 1/2 n X(i, n, t d P (I X P (Z. t, hvis (Z t er adapteret og uniformt lokalt begrænset og venstrekontinuert. Specielt gælder derfor, at (I X P (Z. t P = (Z (X τ2 t X τ1 t, hvis (Z t = (Z 1 ]]τ1,τ 2 ]](t for stoptider τ 1 τ 2 og Z bm(f τ1 ; og dermed for alle (Y t E(F. og alle stoptider τ. (I X P (Y. 1 [[,τ]] ( t P = (I X P (Y. τ t (2 Bevis. Første del følger ved at observere, at (Z t er element i P(R u.l.b., og at følgen af simple previsible processer n2 n ( Z 1 {} (t + Z (i 1/2 n 1 ] (i 1/2 n,i/2 n ](t n 1 i=1 konvergerer P(R u.l.b. -domineret mod (Z t. Anden del følger af første ved at bemærke, at for n tilstrækkelig stor er ( i 1 Z (i 1/2 n X(i, n, t (ω = Z(ω (X t i2 /2 n(ω X t i 1 /2 n(ω 25
26 for ethvert ω {τ 1 < τ 2 } og ethvert t >, hvor i 1, i 2 1 er bestemt ved (i 1 1/2 n τ 1 (ω < i 1 /2 n (i 2 1/2 n τ 2 (ω < i 2 /2 n. Egenskaber ved d P -konvergens giver herudfra umiddelbart det ønskede resultat. Inden vi går i gang med at bestemme forskellige typer stokastiske integratorer og studere de tilhørende integraler, vil vi knytte nogle kommentarer til ovenstående definition. Beviserne, der overlades til læseren, kan overspringes ved første gennemlæsning. Stokastisk integral, generelle egenskaber A For enhver stokastisk integrator er det tilhørende stokastiske integral entydigt bestemt op til P-uskelnelighed på P(R u.l.b.. B Mængden af stokastiske integratorer er et lineært underrum, og integralet er P- lineær i integratoren. Specielt er (X t C h en stokastisk integrator, hvis og kun hvis ( X t = (X t X er en stokastisk integrator, og i givet fald gælder for alle (Y t i P(R u.l.b. (I X P (Y. t P = (Y X + I X P (Y. t P = (Y X + I X P (Y. 1 ], [ ( t. C Begreberne stokastisk integrator og stokastisk integral er invariante under lokal ækvivalent målskifte. D Mængden af stokastiske integratorer er stabil under standsning og identisk med det tilhørende lokaliserede procesrum. Endvidere gælder for enhver stokastisk integrator (X t og stoptid τ flg. ligheder for alle (Y t P(R u.l.b. (I Xτ P (Y. t P = (I X P (Y. t τ P = (I X P (Y. 1 [[,τ]] ( t. Bevisskitse. A er en konsekvens af det Monotone Klasse Lemma. B og D følger ved gentagen brug af A, og C skyldes, at konvergens i sandsynlighed er sammenfaldende for ækvivalente mål. Lad mig for fuldstændighedens skyld sige lidt mere om beviset for D. Lad en stokastisk integrator (X t og en stoptid τ være givet. Afbildningen P(R u.l.b. (Y t (I X P (Y. t τ C h opfylder klart 1 og 3 i Definition SI, og ifølge formel (1 er den derfor et stokastisk integral mht. (X τ t. Dvs. (X τ t er en stokastisk integrator, og den første lighed er dermed en konsekvens af A. Den anden vises tilsvarende ved at indse, at afbildningen P(R u.l.b. (Y t (I X P (Y. 1 [[,τ]] ( t C h også er et stokastisk integral mht. (X τ t. Her er det i stedet formel (2, der sikrer punkt 2 i Definition SI. Ved brug af formlerne i D kan man for enhver stokastisk integrator (X t på kanonisk vis udvide det tilhørende stokastiske integral IP X til et integral på LP(R u.l.b.. Eksistensen af en sådan udvidelse beror på, at for ethvert (Z t LP(R u.l.b. eksisterer lim n (I X P (Z. 1 [[,τn]]( t 26
27 i d p, for enhver lokaliserering (τ n så at (Z t 1 [[,τn]](t P(R u.l.b. for alle n 1. Eksistensen af grænseværdien fås af D og Korollar 2, idet (I X P (Z. 1 [[,τn]]( t P = (I X P (Z. 1 [[,τn+1 ]]( 1 [[,τn]]( t P = (I X P (Z. 1 [[,τn+1 ]]( τn t for alle n; og er (S n en eventuel anden lokalisering med samme egenskab gælder ifølge integralets kontinuitet og punkt D, at (I X P (Z. 1 [[,Sk ]]( t P = lim n (I X P (Z. 1 [[,Sk ]]( 1 [[,τn]]( t P = lim n (I X P (Z. 1 [[,τn]]( S k t P = (I X P (Z. S k t for alle k, hvilket sikrer uafhængigheden af den valgte lokalisering. (Z t LP(R u.l.b. er mængden L X P (Z. C h bestemt ved For ethvert {d P - lim n (I X P (Z. 1 [[,τn]]( t (τ n lokalisering, (Z t 1 [[,τn]](t P(R u.l.b. n 1} derfor ikke tom, og dens elementer er P-ækvivalente. Defineres derfor en afbildning ĨP X fra LP(R u.l.b. ind i C h, så at (ĨX P (Z. t L X P(Z. for alle (Z t LP(R u.l.b. ses, at sådan afbildning er et stokastisk integral mht. (X t på LP(R u.l.b.. 1 og 2 i Definition SI er oplagte, og 3 skyldes, at der ifølge ovenstående udregninger gælder (ĨX P (Z. 1 [[,τ]] ( t P = (ĨX P (Z. τ t for alle (Z t LP(R u.l.b. og alle stoptider τ. For heraf følger, at hvis (Y n t n 1 konvergerer LP(R u.l.b. -domineret mod (Y t, så findes der en lokalisering (τ k, så at og dermed (Yt n 1 [[,τk ]](t konvergerer P(R u.l.b. -domineret mod (Y t 1 [[,τk ]](t lim n (I X P (Y n. 1 [[,τk ]]( t P = (I X P (Y. 1 [[,τk ]]( t i d P for alle k 1, hvilket tilsammen viser 3. 27
28 Appendiks 2. For en given ikke-tom mængde E betegner b R E mængden af alle begrænsede reelle funktioner defineret på E. Definition En delmængde H br E kaldes et MVR, hvis H opfylder flg. betingelser. i H er et vektorrum. ii H indeholder alle konstante funktioner. iii H er stabil under monoton begrænset konvergens, dvs. (f n n 1 H, f n f n+1 f punktvis og f br E f H. Bemærk at bm(e er et MVR for enhver σ-algebra E på E. Det Monotone Klasse Lemma For ethvert MVR H og enhver multiplikativ delmængde K br E, dvs. f, g K fg K, gælder implikationen K H bm(σ(k H. Resultatet er ofte anvendeligt, hvis man ønsker at vise, at alle elementer i bm(e, hvor E er en σ-algebra på E, har en given egenskab p. Idet man så først viser, at H := {f bm(e f har egenskaben p} udgør et MVR, hvorefter resultatet følger, hvis man kan vise, at H indeholder en multiplikativ delmængde K, som er så stor, at σ(k = E. 28
29 Stokastisk integration B. For bedre at forstå konstruktionen af de to hovedtyper af stokastiske integraler indføres lidt notation hørende til et (A t V(P. Definer for (Y t Pr(R + og t ( t Y s (ω da s (ω ω V A (t ω L.S. Y s da s (ω = ω / V A (t, hvor V A (t = {ω s A s (ω er voksende i [, t] }. L.S. notationen er valgt for at understrege tilknytningen til Lebesgue-Stieltjes integralet. Da V A (t F t er den herved definerede variabel F t -målelig med værdier i R +. Herudfra defineres to lineære procesrum og dvs. L 1 (A., P := {(Y t Pr(R L.S. L 2 (A., P := {(Y t Pr(R L.S. Y s da s < P -n.o. for alle t} Y 2 s da s < P -n.o. for alle t}, (Y t L 2 (A., P (Y 2 t L 1 (A., P. Til senere brug udvides ovenstående L.S.-variabel til hele L 1 (A., P via fastsættelsen L.S. Y s + da s L.S. Ys da s hvis L.S. Y s da s < L.S. Y s da s := ellers. Det ses let, at Pr(R l.b. L 2 (A., P L 1 (A., P, samt at de to L-rum er stabile under multiplikation med processer i Pr(R l.b.. Endvidere er ( P L.S. Y s da s = (I A (Y. t for alle (Y t E(F.. Vi er især interesserede i delrummene L 1 (E, A., P og L 2 (E, A., P, hvor L 1 (E, A., P betegner de elementer (Y t i L 1 (A., P, for hvilke der findes en følge (Yt n E(F., så at L.S. Y s Y n s da s n i P -mål for alle t. og tilsvarende L 2 (E, A., P de elementer (Z t i L 2 (A., P, for hvilke der findes en følge (Zt n E(F., så at L.S. (Z s Z n s 2 da s n i P -mål for alle t. 29
30 Bemærk at trekantsuligheden og Cauchy-Schwarz s Ulighed tilsammen viser, at hvis hhv. så gælder L.S. L.S. Y s Y n s da s n i P -mål for alle t. (Z s Z n s 2 da s n i P -mål for alle t. hhv. L.S. L.S. Y n s da s n L.S. (Z n s 2 da s n L.S. Y s da s i P -mål for alle t Z 2 s da s i P -mål for alle t. L 1 (E, A., P og L 2 (E, A., P er oplagt lineære rum, som hver især er stabile under multiplikation med processer i P(R l.b.. Det næste resultat omhandler størrelsen af L 1 (E, A., P og L 2 (E, A., P. Proposition 7 L 1 (E, A., P / L 2 (E, A., P indeholder begge alle previsible samt alle P-venstrekontinuerte elementer i L 1 (A., P / L 2 (A., P, og hvis (A t V c (P er L 1 (E, A., P = L 1 (A., P og L 2 (E, A., P = L 2 (A., P. Udsagnet vedrørende de previsible / P-venstrekontinuerte elementer følger af det Monotone Klasse Lemma og Lebesgue s Sætning. Identiteterne er mere komplicerede, og læseren henvises til Lemma 5.4 på side 185 i R. Sh. Liptser og A.N. Shiryaev s bog Stochastics of Random Processes. I tilfældet (A t = (t følger det dog ved et simpelt approksimerende kerne -argument. Approksimationen i sandsynlighed kan skærpes under passende integrabilitetsbetingelser. F.eks. gælder flg. resultat. Korollar 4 Hvis (A t V c (P er integrabel, findes til ethvert (Y t L 2 (A., P, som opfylder E[ L.S. en følge (Yt n E(F., så at E[ L.S. Y 2 s da s ] < for alle t >, (Y s Y n s 2 da s ] for alle t >, Bevisskitse. Det er klart nok at vise, at der for ethvert n 1 findes et (Yt n E(F., så at E[ L.S. n (Y s Y n s 2 da s ] 1/n. Men sættes Y t, M = M Y s ( M for alle t og M >, ses, da E[ L.S. n (Y s Y s, M 2 da s ] M 3
31 for alle n ifølge Lebesgue s Sætning, ved et trekantsargument at vi kan antage, at (Y t er uniformt begrænset. Men for sådanne følger egenskaben af Proposition 7 og integrabiliteten af (A t. Bemærk endvidere at fuldstændigheden af L 2 -rummet hørende til målrummet hvor for t > µ t (B = E[ L.S. ([, t ] Ω, B([, t ] F t, µ t, sikrer, at hvis (Z n t n 1 L 2 (A., P opfylder, at 1 B (s, da s ] B B([, t ] F t, lim E[ L.S. (Zs n Zs m 2 da s ] = for alle t >, n,m så findes der et (Z t L 2 (A., P, så at E[ L.S. (Z n s Z s 2 da s ] for alle t >. Lad mig til slut nævne flg. evidente faktum. For ethvert (A t V(P og enhver stoptid τ er for i = 1, 2 L i (A., P L i (A τ., P og L i (E, A., P L i (E, A τ., P; og hvis for elementer (Z n t n 1 og (Z t i L 2 (A., P L.S. for alle t, så gælder også L.S. (Z n s Z s 2 da s i P -mål (Z n s Z s 2 da τ s i P -mål for alle t. Der gælder selvfølgeligt et tilsvarende resultat i L 1 (A., P. 31
32 Stokastisk integration C. Vi er nu klar til at vise, at alle processer i V(P og i MI(P og dermed også i BV(P + MI(P er integratorer, samt at konstruere de tilhørende kanoniske integraler. Fremgangsmåden er i begge tilfælde at vise, at de tilhørende simple integraler er tilstrækkeligt d P -kontinuerte. Bevisteknikkerne vil dog være helt forskellige afspejlende forskellen mellem et generelt element i V(P og MI(P. Betragt først et (A t V(P være givet. Da (I A (Y. t og (L.S. Y s da s er P-uskelnelige for alle (Y t E(F., gælder for ethvert par af processer (Y t, (Z t E(F. at P( sup I A (Y. s I A (Z. s ɛ = P( sup I A (Y. Z. s ɛ s k s k = P( sup I A (Y. Z. s ɛ = P( sup L.S. s Q [,k ] s Q [,k ] P( sup s Q [,k ] L.S. s Y u Z u da u ɛ P(L.S. s k (Y u Z u da u ɛ Y s Z s da s ɛ for alle k 1 og ɛ >. Ifølge Proposition 4 eksisterer lim n (I A (Y n. t derfor i d p for ethvert (Y t L 1 (E, A., P og enhver følge (Yt n E(F. så at L.S. Y s Y n s da s n i mål for alle t. Eksistensen af grænseværdien for enhver approksimerende følge viser, at grænseværdien ikke afhænger af den eksplicit valgte approksimerende følge. For blandes to approksimerende følger fås en ny approksimerende følge, hvori de to oprindelige optræder som delfølger. Vi kan derfor til ethvert (Y t L 1 (E, A., P tilordne en ikke-tom delmængde L A P (Y. C h(p givet ved {d P - lim n (I A (Y n. t Y n t E(F. : L.S. Y s Y n s da s i mål for t }. Elementerne i L A P (Y. er som netop vist P-ækvivalente, og ved at udnytte lineariteten af I A indses let, at der yderligere gælder a al A P (Y. + bla P (Z. LA P (ay. + bz. (Y t, (Z t L 1 (E, A., P og a, b R. b L A P (Y. = LA P (Z. hvis (Y t, (Z t L 1 (E, A., P er P-ækvivalente. c (I A (Y. t L A P (Y. for (Y t E(F.. Defineres derfor en afbildning I A P fra L1 (E, A., P ind i C h (P så at (I A P(Y. t L A P(Y. for alle (Y t L 1 (E, A., P 32
Stokastisk Kalkyle II E05
Forelæsningsnoter til Stokastisk Kalkyle II E5 Svend Erik Graversen August 25 1 Indledning. En del af det, jeg vil fortælle jer her i starten, vil være vel kendt, men da det indeholder en lidt anden vinkel
Læs mereSandsynlighedsteori 1.1 Uge 44.
Institut for Matematiske Fag Aarhus Universitet Den 18. oktober 2004. Sandsynlighedsteori 1.1 Uge 44. Forelæsninger: Vi afslutter foreløbigt den rene mål- og integralteori med at gennemgå afsnittet Produktmål,
Læs mereEksamen 2014/2015 Mål- og integralteori
Eksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål Ved bedømmelsen indgår de spørgsmål med samme vægt
Læs mereGult Foredrag Om Net
Gult Foredrag Om Net University of Aarhus Århus 8 th March, 2010 Introduktion I: Fra Metriske til Topologiske Rum Et metrisk rum er en mængde udstyret med en afstandsfunktion. Afstandsfunktionen bruges
Læs mereHilbert rum. Chapter 3. 3.1 Indre produkt rum
Chapter 3 Hilbert rum 3.1 Indre produkt rum I det følgende skal vi gøre brug af komplekse såvel som reelle vektorrum. Idet L betegner enten R eller C minder vi om, at et vektorrum over L er en mængde E
Læs mereEn martingalversion af CLT
Kapitel 11 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske
Læs mereSupplerende opgaver. S1.3.1 Lad A, B og C være delmængder af X. Vis at
Supplerende opgaver Analyse Jørgen Vesterstrøm Forår 2004 S.3. Lad A, B og C være delmængder af X. Vis at (A B C) (A B C) (A B) C og find en nødvendig og tilstrækkelig betingelse for at der gælder lighedstegn
Læs mereWigner s semi-cirkel lov
Wigner s semi-cirkel lov 12. december 2009 Eulers Venner Steen Thorbjørnsen Institut for Matematiske Fag Århus Universitet Diagonalisering af selvadjungeret matrix Lad H være en n n matrix med komplekse
Læs mereANALYSE 1, 2014, Uge 5
ANALYSE, 204, Uge 5 Afleveringsfrist for Prøve 2 er Tirsdag den 20/5 kl 0:5. Forelæsninger Tirsdag Vi går videre med Afsnit 4 om uniform konvergens af Fourierrækker, hvor hovedsætningen er Sætning 4.3.
Læs merePunktmængdetopologi. Mikkel Stouby Petersen. 1. marts 2013
Punktmængdetopologi Mikkel Stouby Petersen 1. marts 2013 I kurset Matematisk Analyse 1 er et metrisk rum et af de mest grundlæggende begreber. Et metrisk rum (X, d) er en mængde X sammen med en metrik
Læs mereFoldningsintegraler og Doobs martingale ulighed
Foldningsintegraler og Doobs martingale ulighed N.J. Nielsen Indledning I dette notat vil vi vise en sætning om foldningsintegraler, som blev benyttet trin 2 i onstrutionen af Itointegralet, gennemgå esempel
Læs mereEn martingalversion af CLT
Kapitel 9 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske variable,
Læs mere1 Beviser for fornyelsessætningen
Hvordan beviser man fornyelsessætningen? 1 1 Beviser for fornyelsessætningen I dette notat skal vi diskutere, hvorman man kan bevise fornyelsessætningen. Vi vil starte med at se på tilfældet, hvor ventetidsfordelingen
Læs mereEksamensnoter til Analyse 1
ksamensnoter til Analyse 1 Martin Geisler gimpster@daimi.au.dk Sommer 23 Indledning Disse noter gennemgår de 26 spørgsmål stillet til den mundtlige eksamen i Analyse 1 ved Aarhus Universitet sommeren 23.
Læs mereIndledning. 1 Martingalerepræsentationssætningen
Indledning I disse noter vil uddybe nogle af Øksendals resultater i afsnittene 4 og 7 samt give andre beviser for dem. Disse resultater er gennemgået til forelæsningerne. 1 Martingalerepræsentationssætningen
Læs mereAnalyse 2. Gennemgå bevis for Sætning Supplerende opgave 1. Øvelser. Sætning 1. For alle mængder X gælder #X < #P(X).
Analyse 2 Øvelser Rasmus Sylvester Bryder 3. og 6. september 2013 Gennemgå bevis for Sætning 2.10 Sætning 1. For alle mængder X gælder #X < #P(X). Bevis. Der findes en injektion X P(X), fx givet ved x
Læs mereMM501 forelæsningsslides
MM501 forelæsningsslides uge 40, 2010 Produceret af Hans J. Munkholm bearbejdet af JC 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen s.445-8 dx Eksempler
Læs mereAffine rum. a 1 u 1 + a 2 u 2 + a 3 u 3 = a 1 u 1 + (1 a 1 )( u 2 + a 3. + a 3. u 3 ) 1 a 1. Da a 2
Affine rum I denne note behandles kun rum over R. Alt kan imidlertid gennemføres på samme måde over C eller ethvert andet legeme. Et underrum U R n er karakteriseret ved at det er en delmængde som er lukket
Læs mereKalkulus 2 - Grænseovergange, Kontinuitet og Følger
Kalkulus - Grænseovergange, Kontinuitet og Følger Mads Friis 8. januar 05 Indhold Grundlæggende uligheder Grænseovergange 3 3 Kontinuitet 9 4 Følger 0 5 Perspektivering 4 Grundlæggende uligheder Sætning
Læs mereANALYSE 1, 2014, Uge 6
ANALYSE 1, 2014, Uge 6 Forelæsninger Tirsdag Topologiske begreber i generelle metriske rum, dvs. begreber som åbne og afsluttede delmængder og rand af en mængde. For talrummene R k er disse begreber indført
Læs mere13 Markovprocesser med transitionssemigruppe
13 Markovprocesser med transitionssemigruppe I nærværende kapitel vil vi antage at tilstandsrummet er polsk, hvilket sikrer, at der findes regulære betingede fordelinger. Vi skal se på eksistensen af Markovprocesser.
Læs mereANALYSE 1. Uge 7, 4. juni juni, 2007
ANALYSE 1 Uge 7, 4. juni - 10. juni, 2007 Forelæsninger Mandag 4. juni Formålet med denne dags forelæsninger er at etablere en overgang til emnet metriske rum, hvis hovedformål er at udvide begreber som
Læs mereMM501/MM503 forelæsningsslides
MM501/MM503 forelæsningsslides uge 50, 2009 Produceret af Hans J. Munkholm 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen dx Eksempler = et udtryk, der indeholder
Læs mereAnalyse 1, Prøve 4 Besvarelse
Københavns Universitet Prøve ved Det naturvidenskabelige Fakultet juni 2011 1 Analyse 1, Prøve 4 Besvarelse Lad Opgave 1 (50%) M = {T R 2 T er en åben trekant} og lad A : M R være arealfunktionen, dvs.
Læs mere5.3 Konvergens i sandsynlighed Konvergens i sandsynlighed 55. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås
5.3. Konvergens i sandsynlighed 55 BEVIS: Lad φ 1, φ 2,... og φ være de karakteristiske funktioner for X 1, X 2,... og X. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås φ X,v
Læs mereMomenter som deskriptive størrelser. Hvad vi mangler fra onsdag. Momenter for sandsynlighedsmål
Hvad vi mangler fra onsdag Momenter som deskriptive størrelser Sandsynlighedsmål er komplicerede objekter de tildeler numeriske værdier til alle hændelser i en σ-algebra. Vi har behov for simplere, deskriptive
Læs mereHvad vi mangler fra onsdag. Vi starter med at gennemgå slides fra onsdag.
Hvad vi mangler fra onsdag Vi starter med at gennemgå slides 34-38 fra onsdag. Slide 1/17 Niels Richard Hansen MI forelæsninger 6. December, 2013 Momenter som deskriptive størrelser Sandsynlighedsmål er
Læs mereDette materiale er ophavsretligt beskyttet og må ikke videregives
Grundlæggende mål- og integralteori Grundlæggende mål- og integralteori Steen Thorbjørnsen Aarhus Universitetsforlag Grundlæggende mål- og integralteori Steen Thorbjørnsen og Aarhus Universitetsforlag
Læs mereProjekt 1.4 De reelle tal og 2. hovedsætning om kontinuitet
Projekt 1.4 De reelle tal og 2. hovedsætning om kontinuitet Mens den 1. hovedsætning om kontinuerte funktioner kom forholdsvis smertefrit ud af intervalrusebetragtninger, så er 2. hovedsætning betydeligt
Læs mere= λ([ x, y)) + λ((y, x]) = ( y ( x)) + (x y) = 2(x y).
Analyse 2 Øvelser Rasmus Sylvester Bryder 17. og 20. september 2013 Supplerende opgave 1 Lad λ være Lebesgue-målet på R og lad A B(R). Definér en funktion f : [0, ) R ved f(x) = λ(a [ x, x]). Vis, at f(x)
Læs mereOm hypoteseprøvning (1)
E6 efterår 1999 Notat 16 Jørgen Larsen 11. november 1999 Om hypoteseprøvning 1) Det grundlæggende problem kan generelt formuleres sådan: Man har en statistisk model parametriseret med en parameter θ Ω;
Læs mereNoter til Perspektiver i Matematikken
Noter til Perspektiver i Matematikken Henrik Stetkær 25. august 2003 1 Indledning I dette kursus (Perspektiver i Matematikken) skal vi studere de hele tal og deres egenskaber. Vi lader Z betegne mængden
Læs mereMatematisk modellering og numeriske metoder. Lektion 8
Matematisk modellering og numeriske metoder Lektion 8 Morten Grud Rasmussen 18. oktober 216 1 Fourierrækker 1.1 Periodiske funktioner Definition 1.1 (Periodiske funktioner). En periodisk funktion f er
Læs mereBesvarelses forslag til Tag-hjemeksamen Vinteren 02 03
IMFUFA Carsten Lunde Petersen Besvarelses forslag til Tag-hjemeksamen Vinteren 02 0 Hvor ikke andet er angivet er henvisninger til W.R.Wade An Introduction to analysis. Opgave a) Idet udtrykket e x2 cos
Læs mere1 Palm teori. Palm teori 1
Palm teori 1 1 Palm teori Lad X = {X(t)} t 0 være en stokastisk proces defineret på et måleligt rum (Ω, F), og lad T = {T n } n N0 være en voksende følge af ikke-negative stokastiske variable herpå. Vi
Læs mereAnalyse 2. Bevis af Fatous lemma (Theorem 9.11) Supplerende opgave 1. Øvelser
Analyse 2 Øvelser Rasmus Sylvester Bryder 24. og 27. september 203 Bevis af Fatous lemma (Theorem 9.) Hvis (u j ) j er en følge af positive, målelige, numeriske funktioner (dvs. med værdier i [, ]) over
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Et sandsynlighedsmål er en
Læs mereDen Brownske Bevægelse
Den Brownske Bevægelse N.J. Nielsen 1 Notation I dette notesæt vil vi generelt benytte samme notation som i det øvrige undervisningsmateriale i MM23. For ethvert n N betegner B n Borelalgebraen på R, og
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Den hændelse, der ikke indeholder
Læs mereHilbert rum. Chapter Indre produkt rum
Chapter 4 Hilbert rum 4.1 Indre produkt rum I det følgende skal vi gøre brug af komplekse såvel som reelle vektorrum. Idet L betegner enten R eller C minder vi om, at et vektorrum over L er en mængde E
Læs mereFortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.
Foldning af sandsnlighedsmål Lad µ og ν være to sandsnlighedsmål på (R, B). Fortolkning Lad φ : R R være φ(, ) = + for (, ) R. Lad X og Y være to reelle stokastiske variable defineret på (Ω, F, P). Definition
Læs mereBorel-σ-algebraen. Definition (EH 1.23)
Borel-σ-algebraen Definition (EH 1.23) Borel-σ-algebraen B k på R k er σ-algebraen frembragt af de åbne mængder O k. Andre frembringersystemer for B k : De afsluttede mængder. De åbne kasser I k (k = 1,
Læs mereNoget om en symmetrisk random walks tilbagevenden til udgangspunktet
Random Walk-kursus 2014 Jørgen Larsen 14. oktober 2014 Noget om en symmetrisk random walks tilbagevenden til udgangspunktet Dette notat giver et bevis for at en symmetrisk random walk på Z eller Z 2 og
Læs mereTaylors formel. Kapitel Klassiske sætninger i en dimension
Kapitel 3 Taylors formel 3.1 Klassiske sætninger i en dimension Sætning 3.1 (Rolles sætning) Lad f : [a, b] R være kontinuert, og antag at f er differentiabel i det åbne interval (a, b). Hvis f (a) = f
Læs mereAarhus Universitet 5. februar Meddelelse 2
fdeling for Teoretisk Statistik IOSTTISTIK Institut for Matematiske Fag Preben læsild arhus Universitet 5. februar 2003 Meddelelse 2 Forelæsningerne i uge 6 (3-7.2) Ved forelæsningen den 4.2 gav Frank
Læs mereBesvarelse, Eksamen Analyse 1, 2013
Københavns Universitet Prøve ved Det naturvidenskabelige Fakultet juni 23 Besvarelse, Eksamen Analyse, 23 Opgave Lad, for n N, funktionen f n : [, ) R være givet ved NB. Trykfejl. Burde være x. f n (x)
Læs mereReeksamen 2014/2015 Mål- og integralteori
Reeksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål. Ved bedømmelsen indgår de spørgsmål med samme vægt.
Læs mereIntroduktion til Laplace transformen (Noter skrevet af Nikolaj Hess-Nielsen sidst revideret marts 2013)
Introduktion til Laplace transformen (oter skrevet af ikolaj Hess-ielsen sidst revideret marts 23) Integration handler ikke kun om arealer. Tværtimod er integration basis for mange af de vigtigste værktøjer
Læs mere2. Fourierrækker i en variabel
.1. Fourierrækker i en variabel I Kapitel II 7 blev der indført, dels funktionsrummene L p (X, µ) (mere udførligt skrevet L p (X, E, µ)), dels rummene L p (X, µ), der fås af L p (X, µ) ved at funktioner
Læs meren=1 er veldefineret for alle følger for hvilke højresiden er endelig. F.eks. tilhører følgen
2 Hilbert rum 2. Eksempler på Hilbert rum Vi skal nu først forsøge at begrunde, at de indre produkt rum af funktioner eller følger, som blev indført i Kapitel, ikke er omfattende nok til vores formål.
Læs mereSide 9 sætningen: Kolmogorov s konsistensætning Tue Tjur, Institut for Matematisk Statistik
Side 9 sætningen: Kolmogorov s konsistensætning Tue Tjur, Institut for Matematisk Statistik Advarsel: I denne artikel gives udtryk for holdninger til sandsynlighedsregningens grundlag. Disse er forfatterens
Læs mereMatematisk modellering og numeriske metoder. Lektion 5
Matematisk modellering og numeriske metoder Lektion 5 Morten Grud Rasmussen 19. september, 2013 1 Euler-Cauchy-ligninger [Bogens afsnit 2.5, side 71] 1.1 De tre typer af Euler-Cauchy-ligninger Efter at
Læs mereNormale tal. Outline. Hvad er tilfældighed? Uafhængighed. Matematiklærerdag Simon Kristensen. Aarhus Universitet, 24/03/2017
Matematiklærerdag 2017 Institut for Matematik Aarhus Universitet Aarhus Universitet, 24/03/2017 Outline 1 2 3 Hvad er tilfældighed? I statistik, sandsynlighedsteori og ikke mindst i programmering er det
Læs mereElementær Matematik. Mængder og udsagn
Elementær Matematik Mængder og udsagn Ole Witt-Hansen 2011 Indhold 1. Mængder...1 1.1 Intervaller...4 2. Matematisk Logik. Udsagnslogik...5 3. Åbne udsagn...9 Mængder og Udsagn 1 1. Mængder En mængde er
Læs mereLineære differentialligningers karakter og lineære 1. ordens differentialligninger
enote 11 1 enote 11 Lineære differentialligningers karakter og lineære 1. ordens differentialligninger I denne note introduceres lineære differentialligninger, som er en speciel (og bekvem) form for differentialligninger.
Læs mereKonvergens i L 1 -forstand. Definition af L 1 -seminorm. Topologi i pseudometrisk rum. Seminorm til norm
Definition af L 1 -seminorm Konvergens i L 1 -forstand Lad (X, E, µ) være et målrum. Husk at L(µ) er et reelt vektorrum. Vi definerer f 1 = f dµ for f L Definition En følge af funktioner f 1, f 2, L siges
Læs mere8 Regulære flader i R 3
8 Regulære flader i R 3 Vi skal betragte særligt pæne delmængder S R 3 kaldet flader. I det følgende opfattes S som et topologisk rum i sportopologien, se Definition 5.9. En åben omegn U af p S er således
Læs mereTeoretisk Statistik, 16. februar Generel teori,repetition
1 Uge 8 Teoretisk Statistik, 16. februar 2004 1. Generel teori, repetition 2. Diskret udfaldsrum punktssh. 3. Fordelingsfunktionen 4. Tæthed 5. Transformationer 6. Diskrete vs. Kontinuerte stokastiske
Læs mereHistogrammetoden For (x i, y i ) R 2, i = 1,..., n, ser vi på den gennemsnitlige
Histogrammetoden For (x i, y i ) R 2, i = 1,..., n, ser vi på den gennemsnitlige længde: z = 1 n hvor z i = xi 2 + yi 2. n z i = 1 n i=1 n i=1 x 2 i + y 2 i Indfør tabellen samt vægtene Da er a k = #{i
Læs mereHistogrammetoden For (x i, y i ) R 2, i = 1,..., n, ser vi på den gennemsnitlige. Histogrammetoden. Histogrammetoden.
For ( i, y i ) R 2, i =,, n, ser vi på den gennemsnitlige længde: z = n hvor z i = i 2 + yi 2 Indfør tabellen samt vægtene Da er z i = n 2 i + y 2 i a k = #{i 00z i = k}, k N 0 z ned := ν k = a k n 00kν
Læs mereKarakteristiske funktioner og Den Centrale Grænseværdisætning
E6 efterår 1999 Notat 10 Jørgen Larsen 20. oktober 1999 Karakteristiske funktioner og Den Centrale Grænseværdisætning Karakteristiske funktioner som er nære slægtninge til Fourier-transformationen) er
Læs mereGEOMETRI-TØ, UGE 8. X = U xi = {x i } = {x 1,..., x n }, U α, U α = α. (X \ U α )
GEOMETRI-TØ, UGE 8 Hvis I falder over tryk- eller regne-fejl i nedenstående, må I meget gerne sende rettelser til fuglede@imf.au.dk. Opvarmningsopgave 1. Lad X være en mængde og T familien af alle delmængder
Læs mereProgram. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag I formiddag: Tætheder og fordelingsfunktioner kort resume fra i mandags og et par eksempler mere om sammenhængen
Læs mere4 Oversigt over kapitel 4
IMM, 2002-09-14 Poul Thyregod 4 Oversigt over kapitel 4 Introduktion Hidtil har vi beskæftiget os med data. Når data repræsenterer gentagne observationer (i bred forstand) af et fænomen, kan det være bekvemt
Læs mereNanostatistik: Stokastisk variabel
Nanostatistik: Stokastisk variabel JLJ Nanostatistik: Stokastisk variabel p. 1/29 Repetition Ω: udfaldsrummet: alle de mulige udfald af et experiment P(A): ss for hændelsen A = frekvens i uafhængige gentagelser
Læs mere6.1 Reelle Indre Produkter
SEKTION 6.1 REELLE INDRE PRODUKTER 6.1 Reelle Indre Produkter Definition 6.1.1 Et indre produkt på et reelt vektorrum V er en funktion, : V V R således at, for alle x, y V, I x, x 0 med lighed x = 0, II
Læs mereMat H /05 Note 2 10/11-04 Gerd Grubb
Mat H 1 2004/05 Note 2 10/11-04 Gerd Grubb Nødvendige og tilstrækkelige betingelser for ekstremum, konkave og konvekse funktioner. Fremstillingen i Kapitel 13.1 2 af Sydsæters bog [MA1] suppleres her med
Læs mereSandsynlighedsbaserede metoder
48 Metodeartikel Sandsynlighedsbaserede metoder Et førstehåndsindtryk med pseudotilfældige tal Daniel Kjær For nogle uger siden pålagde jeg mig selv den opgave at aflevere to artikler til Famøs om Monte
Læs mereDen homogene ligning. Vi betragter den n te ordens, homogene, lineære differentialligning. d n y dt n. an 1 + any = 0 (1.2) dt. + a1 d n 1 y dt n 1
1/7 Den homogene ligning Vi betragter den n te ordens, homogene, lineære differentialligning a 0 d n y dt n + a1 d n 1 y dt n 1 hvor a 0,..., a n R og a 0 0. Vi skriver ligningen på kort form som + + dy
Læs mereDesignMat Uge 1 Gensyn med forårets stof
DesignMat Uge 1 Gensyn med forårets stof Preben Alsholm Efterår 2010 1 Hovedpunkter fra forårets pensum 11 Taylorpolynomium Taylorpolynomium Det n te Taylorpolynomium for f med udviklingspunkt x 0 : P
Læs mereFundamentale begreber fra Analysen. Introduktion. De reelle tal. Carsten Lunde Petersen
IMFUFA Carsten Lunde Petersen Fundamentale begreber fra Analysen Introduktion Disse noter udgør et meget ltreret udkik over de grundlæggende begreber i reel analyse. Noten indeholder meget lidt om det
Læs mereDesignMat Uge 1 Repetition af forårets stof
DesignMat Uge 1 Repetition af forårets stof Preben Alsholm Efterår 008 01 Lineært ligningssystem Lineært ligningssystem Et lineært ligningssystem: a 11 x 1 + a 1 x + + a 1n x n = b 1 a 1 x 1 + a x + +
Læs merePotensrækker. Morten Grud Rasmussen 1 10. november 2015. Definition 1 (Potensrække). En potensrække er en uendelig række på formen
Potensrækker Morten Grud Rasmussen 1 10 november 2015 Definition og konvergens af potensrækker Definition 1 Potensrække) En potensrække er en uendelig række på formen a n pz aq n, 1) hvor afsnittene er
Læs mere1.1. n u i v i, (u, v) = i=1
1.1 1. Hilbert rum 1.1. Hilbert rum og deres geometri. Definition 1.1. Et komplekst vektor rum V kaldes et indre produkt rum (eller præ-hilbert rum), når det er forsynet med en funktion (, ): V V C, som
Læs mereMatematisk modellering og numeriske metoder. Lektion 16
Matematisk modellering og numeriske metoder Lektion 16 Morten Grud Rasmussen 6. november, 2013 1 Interpolation [Bogens afsnit 19.3 side 805] 1.1 Interpolationspolynomier Enhver kontinuert funktion f på
Læs mereLineære normale modeller (1) udkast. 1 Flerdimensionale stokastiske variable
E6 efterår 999 Notat 8 Jørgen Larsen 22. november 999 Lineære normale modeller ) udkast Ved hjælp af lineær algebra kan man formulere og analysere de såkaldte lineære normale modeller meget overskueligt
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag SaSt2 (Uge 6, onsdag) Middelværdi og varians 1 / 18 Program I formiddag: Tætheder og fordelingsfunktioner kort resume
Læs merePolynomier. Indhold. Georg Mohr-Konkurrencen. 1 Polynomier 2. 2 Polynomiumsdivision 4. 3 Algebraens fundamentalsætning og rødder 6
Indhold 1 Polynomier 2 Polynomier 2 Polynomiumsdivision 4 3 Algebraens fundamentalsætning og rødder 6 4 Koefficienter 8 5 Polynomier med heltallige koefficienter 9 6 Mere om polynomier med heltallige koefficienter
Læs mereSupplerende note om Hilbertrum og Banachrum
Supplerende note om Hilbertrum og Banachrum Jimi Lee Truelsen Om Noten Vi vil i denne note uddybe nogle af emnerne fra de første 3 apitler af [Ve] og komme med nogle eksempler. Det drejer sig især om begreberne
Læs mereProgram. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning Sandsynlighedstætheder og kontinuerte fordelinger på R Varians og middelværdi Normalfordelingen Susanne Ditlevsen Uge 48, tirsdag Tætheder og fordelingsfunktioner
Læs mere12.1 Cayley-Hamilton-Sætningen
SEKTION 12.1 CAYLEY-HAMILTON-SÆTNINGEN 12.1 Cayley-Hamilton-Sætningen Sætning 12.1.1 (Cayley-Hamilton) Lad A Mat n,n (C). Så gælder p A (A) =. Sætningen gælder faktisk over et vilkårligt legeme, men vi
Læs mereLineære 1. ordens differentialligningssystemer
enote enote Lineære ordens differentialligningssystemer Denne enote beskriver ordens differentialligningssystemer og viser, hvordan de kan løses enoten er i forlængelse af enote, der beskriver lineære
Læs mereSkriftlig eksamen - med besvarelse Topologi I (MM508)
INSTITUT FOR MATEMATIK OG DATALOGI SYDDANSK UNIVERSITET, ODENSE Skriftlig eksamen - med besvarelse Topologi I (MM508) Mandag d. 14. januar 2007 2 timer med alle sædvanlige hjælpemidler tilladt. Opgavesættet
Læs mereBetingning med en uafhængig variabel
Betingning med en uafhængig variabel Sætning Hvis X er en reel stokastisk variabel med første moment og Y er en stokastisk variabel uafhængig af X, så er E(X Y ) = EX. Bevis: Observer at D σ(y ) har formen
Læs mereEn differentiabel funktion hvis afledte ikke er kontinuert Søren Knudby
24 En differentiabel funktion hvis afledte ikke er kontinuert Søren Knudby Det er velkendt for de fleste, at differentiabilitet af en reel funktion f medfører kontinuitet af f, mens det modsatte ikke gælder
Læs merestandard normalfordelingen på R 2.
Standard normalfordelingen på R 2 Lad f (x, y) = 1 x 2 +y 2 2π e 2. Vi har så f (x, y) = 1 2π e x2 2 1 2π e y2 2, og ved Tonelli f dm 2 = 1. Ved µ(a) = A f dm 2 defineres et sandsynlighedsmål på R 2 målet
Læs mereNanostatistik: Stokastisk variabel
Nanostatistik: Stokastisk variabel JLJ Nanostatistik: Stokastisk variabel p. 1/34 Repetition Ω: udfaldsrummet: alle de mulige udfald af et experiment P(A): ss for hændelsen A = frekvens i uafhængige gentagelser
Læs mereTonelli light. Eksistensbeviset for µ ν gav målet. for G E K ved succesiv integration. Alternativ definition:
Tonelli light Eksistensbeviset for µ ν gav målet ( ) λ(g) = G (x, y)dν(y) dµ(x) for G E K ved succesiv integration. Alternativ definition: ( ) λ(g) = G (x, y)dµ(x) dν(y). Som λ(a B) = µ(a)ν(b) gælder λ(a
Læs mereModul 2: Sandsynlighedsmodeller og diskrete stokastiske variable
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable 2.1 Sandsynlighedsbegrebet............................... 1 2.1.1
Læs merez 1 = z 1z 1z 1 z 1 2 = z z2z 1 z 2 2
M å l e p u n k t R i e m a n n s k G e o m e t r i E 8 J a ko b L i n d b l a d B l a ava n d 2 5 3 6 7 5 27 oktober 28 I n s t i t u t fo r M at e m at i s k e Fag A a r h u s U n i v e r s i t e t indledning
Læs mereTØ-opgaver til uge 45
TØ-opgaver til uge 45 Først laver vi en liste over de ligninger med mere i [IPT], der skal bruges: [1]: Ligning (2.5) på side 4. [2]: Ligning (2.6) på side 5. [3]: Sætning 3.1, ligning (3.3) på side 7.
Læs meret a l e n t c a m p d k Matematiske Metoder Anders Friis Anne Ryelund 25. oktober 2014 Slide 1/42
Slide 1/42 Hvad er matematik? 1) Den matematiske metode 2) Hvad vil det sige at bevise noget? 3) Hvor begynder det hele? 4) Hvordan vælger man et sæt aksiomer? Slide 2/42 Indhold 1 2 3 4 Slide 3/42 Mængder
Læs mereaf koblede differentialligninger (se Apostol Bind II, s 229ff) 3. En n te ordens differentialligning
EKSISTENS- OG ENTYDIGHEDSSÆTNINGEN Vi vil nu bevise eksistens- og entydighedssætningen for ordinære differentialligninger. For overskuelighedens skyld vil vi indskrænke os til at undersøge een 1. ordens
Læs mereTidligere Eksamensopgaver MM505 Lineær Algebra
Institut for Matematik og Datalogi Syddansk Universitet Tidligere Eksamensopgaver MM55 Lineær Algebra Indhold Typisk forside.................. 2 Juni 27.................... 3 Oktober 27..................
Læs mereGEOMETRI-TØ, UGE 6. . x 1 x 1. = x 1 x 2. x 2. k f
GEOMETRI-TØ, UGE 6 Hvis I falder over tryk- eller regne-fejl i nedenstående, må I meget gerne sende rettelser til fuglede@imfaudk Opvarmningsopgave 1 Lad f : R 2 R være tre gange kontinuert differentierbar
Læs mereMatematik YY Foråret Kapitel 1. Grupper og restklasseringe.
Matematik YY Foråret 2004 Elementær talteori Søren Jøndrup og Jørn Olsson Kapitel 1. Grupper og restklasseringe. Vi vil i første omgang betragte forskellige typer ligninger og søge efter heltalsløsninger
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:
Læs mereLandmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen
Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,
Læs mereKursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet March 1, 2013 Sandsynlighedsregning og lagerstyring Normalfordelingen
Læs mereNoter om Komplekse Vektorrum, Funktionsrum og Differentialligninger LinAlg 2004/05-Version af 16. Dec.
Noter om Komplekse Vektorrum, Funktionsrum og Differentialligninger LinAlg 2004/05-Version af 16. Dec. 1 Komplekse vektorrum I defininitionen af vektorrum i Afsnit 4.1 i Niels Vigand Pedersen Lineær Algebra
Læs mere