随机过程 Brown 运动(下)

这篇具有很好参考价值的文章主要介绍了随机过程 Brown 运动(下)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

随机过程 Brown 运动(下)

Brown 运动的最大值变量及反正弦律

T x T_x Tx 记 Brown 运动首次击中 x x x 的时刻,即:
T x = inf ⁡ { t > 0 ,   B ( t ) = x } T_x=\inf\{t>0,\,B(t)=x\} Tx=inf{t>0,B(t)=x}
x > 0 x\gt 0 x>0 时,为计算 P ( T x ≤ t ) P(T_x\leq t) P(Txt) ,我们考虑 P ( B ( t ) ) ≥ x P(B(t))\geq x P(B(t))x ,由全概率公式:
P ( B ( t ) ≥ x ) = P ( B ( t ) ≥ x ∣ T x ≤ t ) P ( T x ≤ t ) + P ( B ( t ) ≥ x ∣ T x > t ) P ( T x > t ) P(B(t)\geq x)=P(B(t)\geq x|T_x\leq t)P(T_x\leq t)+P(B(t)\geq x|T_x\gt t)P(T_x\gt t) P(B(t)x)=P(B(t)xTxt)P(Txt)+P(B(t)xTx>t)P(Tx>t)
T x ≤ t T_x\leq t Txt 。则 B ( t ) B(t) B(t) [ 0 ,   t ] [0,\,t] [0,t] 中的某个时刻击中 x x x ,由对称性得:(在 [ 0 ,   t ] [0,\,t] [0,t] 中的某个时刻击中 x x x 后,之后的某个时刻是在 x x x 右边还是左边的概率是一样的,都是 1 2 \frac{1}{2} 21
P ( B ( t ) ≤ x   ∣   T x ≤ t ) = 1 2 P(B(t)\leq x\,|\,T_x\leq t)=\frac{1}{2} P(B(t)xTxt)=21
再由连续性得, B ( t ) B(t) B(t) 不可能还未击中 x x x 就大于 x x x ,因此 P ( B ( t ) ≥ x ∣ T x > t ) = 0 P(B(t)\geq x|T_x\gt t)=0 P(B(t)xTx>t)=0 ,得到分布函数为:
F T x ( t ) =   P ( T x ≤ t ) =   2 P ( B ( t ) ≥ x ) =   2 2 π t ∫ x ∞ e − u 2 2 t   d u =   2 2 π ∫ x / t ∞ e − y 2 2   d y \begin{align} F_{T_x}(t)=&\,P(T_x\leq t) \\ =&\,2P(B(t)\geq x) \\ =&\,\frac{2}{\sqrt{2\pi t}}\int_x^{\infty}\mathrm{e}^{-\frac{u^2}{2t}}\,du \\ =&\,\frac{2}{\sqrt{2\pi}}\int_{x/\sqrt{t}}^{\infty}\mathrm{e}^{-\frac{y^2}{2}}\,dy \\ \end{align} FTx(t)====P(Txt)2P(B(t)x)2πt 2xe2tu2du2π 2x/t e2y2dy
由此可见:
P ( T x < ∞ ) = lim ⁡ t → ∞ P ( T x ≤ t ) = 2 2 π ∫ 0 ∞ e − y 2 2   d y = 1 P(T_x\lt \infty)=\lim\limits_{t\to\infty}P(T_x\leq t)=\frac{2}{\sqrt{2\pi}}\int_0^{\infty}\mathrm{e}^{-\frac{y^2}{2}}\,dy=1 P(Tx<)=tlimP(Txt)=2π 20e2y2dy=1
性质 P ( T x < ∞ ) P(T_x\lt \infty) P(Tx<) 称为 Brown 运动的常返性。

对分布函数求导数可求得 T x T_x Tx 的分布密度:
f T x ( u ) = { x 2 π u − 3 2 e − x 2 2 u u > 0 0 u ≥ 0 f_{T_x}(u)=\left\{ \begin{array}{ll} \frac{x}{\sqrt{2\pi}}u^{-\frac{3}{2}}\mathrm{e}^{-\frac{x^2}{2u}} & u\gt 0 \\ 0 & u \geq 0 \end{array} \right. fTx(u)={2π xu23e2ux20u>0u0
利用分布函数,可以得到:
E ( T x ) =   ∫ 0 ∞ P ( T x > t ) d t =   ∫ 0 ∞ ( 1 − 2 2 π ∫ x / t ∞ e − y 2 2   d y )   d t =   2 2 π ∫ 0 ∞ ∫ 0 x / t e − y 2 2   d y   d t =   2 2 π ∫ 0 ∞ ( e − y 2 2 ∫ 0 x 2 / y 2   d t )   d y (交换积分顺序) =   2 x 2 2 π ∫ 0 ∞ 1 y 2 e − y 2 2   d y ≥   2 x 2 e − 1 2 2 π ∫ 0 1 1 y 2   d y =   + ∞ \begin{align} E(T_x)=&\,\int_0^{\infty}P(T_x>t)dt \\ =&\,\int_0^{\infty}\left( 1-\frac{2}{\sqrt{2\pi}}\int_{x/\sqrt{t}}^{\infty}\mathrm{e}^{-\frac{y^2}{2}} \,dy\right)\,dt \\ =&\,\frac{2}{\sqrt{2\pi}}\int_0^{\infty}\int^{x/\sqrt{t}}_{0}\mathrm{e}^{-\frac{y^2}{2}} \,dy\,dt \\ =&\,\frac{2}{\sqrt{2\pi}}\int_0^{\infty}\left(\mathrm{e}^{-\frac{y^2}{2}}\int_{0}^{x^2/y^2}\,dt\right)\,dy \quad\text{(交换积分顺序)} \\ =&\,\frac{2x^2}{\sqrt{2\pi}}\int_0^{\infty}\frac{1}{y^2}\mathrm{e}^{-\frac{y^2}{2}}\,dy \\ \geq&\,\frac{2x^2\mathrm{e}^{-\frac{1}{2}}}{\sqrt{2\pi}}\int_0^1\frac{1}{y^2}\,dy \\ =&\,+\infty \end{align} E(Tx)======0P(Tx>t)dt0(12π 2x/t e2y2dy)dt2π 200x/t e2y2dydt2π 20(e2y20x2/y2dt)dy(交换积分顺序)2π 2x20y21e2y2dy2π 2x2e2101y21dy+

  • 第一个等号是常用的期望表示技巧,对于一个非负的连续型随机变量 X X X ,期望可以表示为:

E ( X ) =   ∫ 0 ∞ x f ( x )   d x =   ∫ 0 + ∞ ∫ 0 x f ( x )   d t   d x =   ∫ 0 + ∞ ∫ t ∞ f ( x )   d x   d t (交换积分顺序) =   ∫ − ∞ + ∞ P ( X > t )   d t \begin{align} E(X)=&\,\int_{0}^{\infty}xf(x)\,dx \\ =&\,\int_{0}^{+\infty}\int_0^{x}f(x)\,dt\,dx \\ =&\,\int_{0}^{+\infty}\int_t^{\infty}f(x)\,dx\,dt \quad\text{(交换积分顺序)} \\ =&\,\int_{-\infty}^{+\infty}P(X\gt t)\,dt \end{align} E(X)====0xf(x)dx0+0xf(x)dtdx0+tf(x)dxdt(交换积分顺序)+P(X>t)dt

  • 第二个等号是因为:

1 − 2 2 π ∫ x / t ∞ e − y 2 2   d y = 2 2 π ∫ 0 ∞ e − y 2 2   d y − 2 2 π ∫ x / t ∞ e − y 2 2   d y = 2 2 π ∫ 0 x / t e − y 2 2   d y 1-\frac{2}{\sqrt{2\pi}}\int_{x/\sqrt{t}}^{\infty}\mathrm{e}^{-\frac{y^2}{2}} \,dy=\frac{2}{\sqrt{2\pi}}\int_0^{\infty}\mathrm{e}^{-\frac{y^2}{2}} \,dy-\frac{2}{\sqrt{2\pi}}\int_{x/\sqrt{t}}^{\infty}\mathrm{e}^{-\frac{y^2}{2}} \,dy=\frac{2}{\sqrt{2\pi}}\int^{x/\sqrt{t}}_{0}\mathrm{e}^{-\frac{y^2}{2}} \,dy 12π 2x/t e2y2dy=2π 20e2y2dy2π 2x/t e2y2dy=2π 20x/t e2y2dy

因此 T x T_x Tx 虽然几乎必然是有限的,但有无穷的期望。即 Brown 运动以概率 1 会击中 x x x ,但它的平均时间是无穷的。由于始于 a a a 点的 Brown 运动与 { a + B ( t ) } \{a+B(t)\} {a+B(t)} 是相同的,所以:
P a ( T x < ∞ ) = P 0 ( T x − a < ∞ ) = 1 P_a(T_x\lt \infty)=P_0(T_{x-a}\lt \infty)=1 Pa(Tx<)=P0(Txa<)=1
即 Brown 运动从任意点出发,击中 x x x 的概率都是 1 1 1

x < 0 x\lt 0 x<0 时,由对称性, T x T_x Tx T − x T_{-x} Tx 有相同的分布,于是有:
F T x ( t ) = P ( T x ≤ t ) = 2 2 π ∫ ∣ x ∣ / t ∞ e − y 2 2   d y f T x ( u ) = { − x 2 π u − 3 2 e − x 2 2 u u > 0 0 u ≥ 0 \begin{array}{l} F_{T_x}(t)=P(T_x\leq t)=\frac{2}{\sqrt{2\pi}}\int_{|x|/\sqrt{t}}^{\infty}\mathrm{e}^{-\frac{y^2}{2}}\,dy \\ f_{T_x}(u)=\left\{ \begin{array}{ll} \frac{-x}{\sqrt{2\pi}}u^{-\frac{3}{2}}\mathrm{e}^{-\frac{x^2}{2u}} & u\gt 0 \\ 0 & u \geq 0 \end{array} \right. \end{array} FTx(t)=P(Txt)=2π 2x∣/t e2y2dyfTx(u)={2π xu23e2ux20u>0u0
最大值变量:Brown 运动再 [ 0 ,   t ] [0,\,t] [0,t] 中达到的最大值 M ( t ) = max ⁡ 0 ≤ s ≤ t B ( s ) M(t)=\max\limits_{0\leq s\leq t}B(s) M(t)=0stmaxB(s) 的分布。对于 x > 0 x\gt 0 x>0 ,有:
P ( M ( t ) ≥ x ) = P ( T x ≤ t ) = 2 2 π ∫ x / t ∞ e − y 2 2   d y P(M(t)\geq x)=P(T_x\leq t)=\frac{2}{\sqrt{2\pi}}\int_{x/\sqrt{t}}^{\infty}\mathrm{e}^{-\frac{y^2}{2}}\,dy P(M(t)x)=P(Txt)=2π 2x/t e2y2dy
对于最小值 m ( t ) = min ⁡ 0 ≤ s ≤ t B ( s ) m(t)=\min\limits_{0\leq s\leq t}B(s) m(t)=0stminB(s) ,当 x < 0 x\lt 0 x<0 时,有:
P ( m ( t ) ≥ x ) = P ( T x ≥ t ) = 1 − 2 2 π ∫ ∣ x ∣ / t ∞ e − y 2 2   d y P(m(t)\geq x)=P(T_x \geq t)=1-\frac{2}{\sqrt{2\pi}}\int_{|x|/\sqrt{t}}^{\infty}\mathrm{e}^{-\frac{y^2}{2}}\,dy P(m(t)x)=P(Txt)=12π 2x∣/t e2y2dy
零点:若时刻 τ \tau τ 使得 B ( τ ) = 0 B(\tau)=0 B(τ)=0 ,则称 τ \tau τ 为 Brown 运动的零点。我们有下述定理:

Th:设 { B x ( t ) } \{B^x(t)\} {Bx(t)} 为始于 x x x 的 Brown 运动,则 B x ( t ) B^x(t) Bx(t) ( 0 ,   t ) (0,\,t) (0,t) 中至少有一个零点的概率为:
∣ x ∣ 2 π ∫ 0 t u − 3 2 e − x 2 2 u   d u \frac{|x|}{\sqrt{2\pi}}\int_0^tu^{-\frac{3}{2}}\mathrm{e}^{-\frac{x^2}{2u}}\,du 2π x0tu23e2ux2du
证明:若 x < 0 x < 0 x<0 ,则由 B x ( t ) B^x(t) Bx(t) 的连续性以及 B x ( t ) = B ( t ) + x B^x(t)=B(t)+x Bx(t)=B(t)+x 得到:
  P (   B x ( t ) 在 ( 0 ,   t ) 中至少有一个零点 ) =   P ( max ⁡ 0 ≤ s ≤ t B x ( s ) ≥ 0 ) =   P ( max ⁡ 0 ≤ s ≤ t B ( s ) + x ≥ 0 ) = P ( max ⁡ 0 ≤ s ≤ t B ( s ) ≥ − x ) =   P ( T − x ≥ t ) = P ( T x ≤ t ) =   ∫ 0 t f T x ( u )   d u = − x 2 π ∫ 0 t u − 3 2 e − x 2 2 u   d u \begin{align} &\,P(\text{ $B^x(t)$在$(0,\,t)$中至少有一个零点}) \\ =&\,P(\max\limits_{0\leq s\leq t}B^x(s)\geq 0) \\ =&\,P(\max\limits_{0\leq s\leq t}B(s)+x\geq 0)=P(\max\limits_{0\leq s\leq t}B(s)\geq -x) \\ =&\,P(T_{-x}\geq t)=P(T_x\leq t) \\ =&\,\int_0^t f_{T_x}(u)\,du=\frac{-x}{\sqrt{2\pi}}\int_0^tu^{-\frac{3}{2}}\mathrm{e}^{-\frac{x^2}{2u}}\,du \end{align} ====P( Bx(t)(0,t)中至少有一个零点)P(0stmaxBx(s)0)P(0stmaxB(s)+x0)=P(0stmaxB(s)x)P(Txt)=P(Txt)0tfTx(u)du=2π x0tu23e2ux2du
x ≥ 0 x\geq 0 x0 ,则同样有:
  P (   B x ( t ) 在 ( 0 ,   t ) 中至少有一个零点 ) =   P ( min ⁡ 0 ≤ s ≤ t B x ( s ) ≤ 0 ) =   P ( min ⁡ 0 ≤ s ≤ t B ( s ) + x ≤ 0 ) = P ( min ⁡ 0 ≤ s ≤ t B ( s ) ≤ − x ) =   P ( T − x ≥ t ) = P ( T x ≤ t ) =   ∫ 0 t f T x ( u )   d u = x 2 π ∫ 0 t u − 3 2 e − x 2 2 u   d u \begin{align} &\,P(\text{ $B^x(t)$在$(0,\,t)$中至少有一个零点}) \\ =&\,P(\min\limits_{0\leq s\leq t}B^x(s)\leq 0) \\ =&\,P(\min\limits_{0\leq s\leq t}B(s)+x\leq 0)=P(\min\limits_{0\leq s\leq t}B(s)\leq -x) \\ =&\,P(T_{-x}\geq t)=P(T_x\leq t) \\ =&\,\int_0^t f_{T_x}(u)\,du=\frac{x}{\sqrt{2\pi}}\int_0^tu^{-\frac{3}{2}}\mathrm{e}^{-\frac{x^2}{2u}}\,du \end{align} ====P( Bx(t)(0,t)中至少有一个零点)P(0stminBx(s)0)P(0stminB(s)+x0)=P(0stminB(s)x)P(Txt)=P(Txt)0tfTx(u)du=2π x0tu23e2ux2du
Th B y ( t ) B^y(t) By(t) 在区间 ( a ,   b ) (a,\,b) (a,b) 中至少有一个零点的概率为:
2 π arccos ⁡ a b \frac{2}{\pi}\arccos\sqrt{\frac{a}{b}} π2arccosba
证明:记 h ( x ) = P ( B y 在 ( a ,   b ) 中至少有一个零点   ∣   B ( a ) = x ) h(x)=P(B^y\text{在}(a,\,b)\text{中至少有一个零点}\,|\,B(a)=x) h(x)=P(By(a,b)中至少有一个零点B(a)=x) 。由 Markov 性, h ( x ) = P ( B x 在 ( 0 ,   b − a ) 中至少有一个零点 ) h(x)=P(B^x\text{在}(0,\,b-a)\text{中至少有一个零点}) h(x)=P(Bx(0,ba)中至少有一个零点) 。由条件概率得:
  P ( B y 在 ( a ,   b ) 中至少有一个零点 ) =   ∫ − ∞ ∞ h ( x ) P ( d x ) =   2 π a ∫ 0 ∞ h ( x ) e − x 2 2 a   d x =   2 π a ∫ 0 ∞ ( e − x 2 2 a x 2 π ∫ 0 b − a u − 3 2 e − x 2 2 u   d u )   d x =   1 π a ∫ 0 b − a ( u − 3 2 ∫ 0 ∞ x e − x 2 ( − 1 2 u + 1 2 a )   d x )   d u (交换积分顺序) =   1 π a ∫ 0 b − a ( u − 3 2 a u a + u )   d u =   a π ∫ 0 b − a u − 1 2 a + u   d u =   2 π arctan ⁡ b − a a = 2 π arccos ⁡ a b \begin{align} &\,P(B^y\text{在}(a,\,b)\text{中至少有一个零点}) \\ =&\, \int_{-\infty}^{\infty}h(x)P(dx) \\ =&\, \sqrt{\frac{2}{\pi a}}\int_0^{\infty}h(x)\mathrm{e}^{-\frac{x^2}{2a}}\,dx \\ =&\, \sqrt{\frac{2}{\pi a}}\int_0^{\infty}\left(\mathrm{e}^{-\frac{x^2}{2a}}\frac{x}{\sqrt{2\pi}}\int_0^{b-a}u^{-\frac{3}{2}}\mathrm{e}^{-\frac{x^2}{2u}}\,du\right)\,dx \\ =&\,\frac{1}{\pi\sqrt{a}}\int_0^{b-a}\left(u^{-\frac{3}{2}}\int_0^{\infty}x\mathrm{e}^{-x^2(-\frac{1}{2u}+\frac{1}{2a})}\,dx\right)\,du \quad\text{(交换积分顺序)} \\ =&\, \frac{1}{\pi\sqrt{a}}\int_0^{b-a}\left(u^{-\frac{3}{2}}\frac{au}{a+u}\right)\,du \\ =&\, \frac{\sqrt{a}}{\pi}\int_0^{b-a}\frac{u^{-\frac{1}{2}}}{a+u}\,du \\ =&\, \frac{2}{\pi}\arctan \sqrt{\frac{b-a}{a}}=\frac{2}{\pi}\arccos{\sqrt{\frac{a}{b}}} \end{align} =======P(By(a,b)中至少有一个零点)h(x)P(dx)πa2 0h(x)e2ax2dxπa2 0(e2ax22π x0bau23e2ux2du)dxπa 10ba(u230xex2(2u1+2a1)dx)du(交换积分顺序)πa 10ba(u23a+uau)duπa 0baa+uu21duπ2arctanaba =π2arccosba

  • 第四个交换积分顺序还是很简单的,因为 x x x u u u 的积分区间不相关,不要想复杂了

反正弦律:设 { B y ( t ) ,   t ≥ 0 } \{B^y(t),\,t\geq 0\} {By(t),t0} 是 Brown 运动,则:
P ( B y 在 ( a ,   b ) 中没有零点 ) = 2 π arcsin ⁡ a b P(B^y\text{在}(a,\,b)\text{中没有零点})=\frac{2}{\pi}\arcsin\sqrt{\frac{a}{b}} P(By(a,b)中没有零点)=π2arcsinba
下面介绍 Brown 运动中在时刻 t t t 之前的最后一个零点和在 t t t 之后的第一个零点的分布情况,令:
ζ t =   sup ⁡ { s ≤ t ,   B ( s ) = 0 } = t  之前的最后一个零点 β t =   inf ⁡ { s ≥ t ,   B ( s ) = 0 } = t  之前的第一个零点 \begin{align} \zeta_t=&\,\sup\{s\leq t,\,B(s)=0\}=t\text{ 之前的最后一个零点} \\ \beta_t=&\,\inf\{s\geq t,\,B(s)=0\}=t\text{ 之前的第一个零点} \end{align} ζt=βt=sup{st,B(s)=0}=t 之前的最后一个零点inf{st,B(s)=0}=t 之前的第一个零点
注意到 β t \beta_t βt 是一个停时,而 ζ t \zeta_t ζt 不是一个停时(我也没有理解为什么),由反正弦律有:
P ( ζ t ≤ x ) =   P ( B 在 ( x ,   t ) 中没有零点 ) = 2 π arcsin ⁡ x t P ( β t ≥ y ) =   P ( B 在 ( t ,   y ) 中没有零点 ) = 2 π arcsin ⁡ t y P ( ζ t ≤ x ,   β t ≥ y ) =   P ( B 在 ( x ,   y ) 中没有零点 ) = 2 π arcsin ⁡ x y   , x < y \begin{align} P(\zeta_t\leq x)=&\,P(B\text{在}(x,\,t)\text{中没有零点})=\frac{2}{\pi}\arcsin\sqrt{\frac{x}{t}} \\ P(\beta_t\geq y)=&\,P(B\text{在}(t,\,y)\text{中没有零点})=\frac{2}{\pi}\arcsin\sqrt{\frac{t}{y}} \\ P(\zeta_t\leq x,\,\beta_t\geq y)=&\,P(B\text{在}(x,\,y)\text{中没有零点})=\frac{2}{\pi}\arcsin\sqrt{\frac{x}{y}}\,,\quad x<y \\ \end{align} P(ζtx)=P(βty)=P(ζtx,βty)=P(B(x,t)中没有零点)=π2arcsintx P(B(t,y)中没有零点)=π2arcsinyt P(B(x,y)中没有零点)=π2arcsinyx ,x<y

Brown 运动的几种变化

Brown 桥

Brown 桥: 设 { B ( t ) ,   t ≥ 0 } \{B(t),\,t\geq 0\} {B(t),t0} 是 Brown 运动,令:
B ∗ ( t ) = B ( t ) − t B ( 1 )   , 0 ≤ t ≤ 1 B^*(t)=B(t)-tB(1)\,,\quad0\leq t\leq 1 B(t)=B(t)tB(1),0t1
则称随机过程 { B ( t ) ,   0 ≤ t ≤ 1 } \{B(t),\,0\leq t \leq 1 \} {B(t),0t1} 为 Brown 桥。

Brown 桥也是 Guass 过程,其 n n n 维分布由均值函数和协方差函数完全决定,且对 ∀ 0 ≤ s ≤ t ≤ 1 \forall 0\leq s\leq t\leq 1 ∀0st1 ,有:
E [ B ∗ ( t ) ] =   0 E [ B ∗ ( s ) B ∗ ( t ) ] =   E [ ( B ( s ) − s B ( 1 ) ) ( B ( t ) − t B ( 1 ) ) ] =   E [ B ( s ) B ( t ) − s B ( t ) B ( 1 ) − t B ( s ) B ( 1 ) + s t B ( 1 ) 2 ] =   t − s t − s t + s t = s ( 1 − t ) \begin{align} E[B^*(t)]=&\,0 \\ E[B^*(s)B^*(t)]=&\,E[(B(s)-sB(1))(B(t)-tB(1))] \\ =&\,E[B(s)B(t)-sB(t)B(1)-tB(s)B(1)+stB(1)^2] \\ =&\,t-st-st+st=s(1-t) \end{align} E[B(t)]=E[B(s)B(t)]===0E[(B(s)sB(1))(B(t)tB(1))]E[B(s)B(t)sB(t)B(1)tB(s)B(1)+stB(1)2]tstst+st=s(1t)

  • 第四个等号是前面 Guass 过程的性质

由定义可知 B ∗ ( 0 ) = B ∗ ( 1 ) = 0 B^*(0)=B^*(1)=0 B(0)=B(1)=0 ,即此过程的起始点是固定的,就像桥一样。

有吸收值的 Brown 运动

T x T_x Tx 记 Brown 运动首次击中 x x x 的时刻, x > 0 x>0 x>0 (就是说从原点出发,吸收值大于 0),令
Z ( t ) = { B ( t ) t < T x x t ≥ T x Z(t)=\left\{ \begin{array}{ll} B(t) & t<T_x \\ x & t\geq T_x \end{array} \right. Z(t)={B(t)xt<TxtTx
{ Z ( t ) ,   t ≤ 0 } \{Z(t),\,t\leq 0\} {Z(t),t0} 是击中 x x x 后,永远停留在哪里的 Brown 运动。 ∀ t > 0 \forall t> 0 t>0 ,随机变量 Z ( t ) Z(t) Z(t) 的分布由离散和连续两个部分,离散部分的分布是:
P ( Z ( t ) = x ) = P ( T x ≤ t ) = 2 2 π t ∫ x ∞ e − y 2 2 t   d y P(Z(t)=x)=P(T_x\leq t)=\frac{2}{\sqrt{2\pi t}}\int_x^{\infty}\mathrm{e}^{-\frac{y^2}{2t}}\,dy P(Z(t)=x)=P(Txt)=2πt 2xe2ty2dy
下面求连续部分的分布。先不考虑吸收值的问题, ∀ y ≤ x \forall y\leq x yx ,有:
P ( Z ( t ) ≤ y ) = P ( B ( t ) ≤ y ,   max ⁡ 0 ≤ s ≤ t B ( s ) ≤ x ) = P ( B ( t ) ≤ y ) − P ( B ( t ) ≤ y ,   max ⁡ 0 ≤ s ≤ t B ( s ) > x ) P(Z(t)\leq y)=P(B(t)\leq y,\,\max\limits_{0\leq s\leq t}B(s)\leq x)=P(B(t)\leq y)-P(B(t)\leq y,\,\max\limits_{0\leq s\leq t}B(s)> x) P(Z(t)y)=P(B(t)y,0stmaxB(s)x)=P(B(t)y)P(B(t)y,0stmaxB(s)>x)
由条件概率公式得:
P ( B ( t ) ≤ y ,   max ⁡ 0 ≤ s ≤ t B ( s ) > x ) = P ( B ( t ) ≤ y   ∣   max ⁡ 0 ≤ s ≤ t B ( s ) > x ) P ( max ⁡ 0 ≤ s ≤ t B ( s ) > x ) P(B(t)\leq y,\,\max\limits_{0\leq s\leq t}B(s)> x)=P(B(t)\leq y\,|\,\max\limits_{0\leq s\leq t}B(s)> x)P(\max\limits_{0\leq s\leq t}B(s)> x) P(B(t)y,0stmaxB(s)>x)=P(B(t)y0stmaxB(s)>x)P(0stmaxB(s)>x)
事件 max ⁡ 0 ≤ s ≤ t B ( s ) > x \max\limits_{0\leq s\leq t}B(s)> x 0stmaxB(s)>x 等价于事件 T x < t T_x<t Tx<t B ( t ) B(t) B(t) 在时刻 T x T_x Tx T x < t T_x < t Tx<t)时击中 x x x 时,为了使其在时刻 t t t 不大于 y y y ,则在 T x T_x Tx 之后的 t − T x t-T_x tTx 这段时间中就必须减少 x − y x-y xy 的位移。由 Brown 运动的对称性可知,减少和增加 x − y x-y xy 的概率是相等的,所以有:
P ( B ( t ) ≤ y   ∣   max ⁡ 0 ≤ s ≤ t B ( s ) > x ) = P ( B ( t ) ≥ 2 x − y   ∣   max ⁡ 0 ≤ s ≤ t B ( s ) > x ) P(B(t)\leq y\,|\,\max\limits_{0\leq s\leq t}B(s)> x)=P(B(t)\geq 2x-y\,|\,\max\limits_{0\leq s\leq t}B(s)> x) P(B(t)y0stmaxB(s)>x)=P(B(t)2xy0stmaxB(s)>x)
代入上边的式子,得到:
P ( B ( t ) ≤ y ,   max ⁡ 0 ≤ s ≤ t B ( s ) > x ) = P ( B ( t ) ≥ 2 x − y ,   max ⁡ 0 ≤ s ≤ t B ( s ) > x ) = P ( B ( t ) ≥ 2 x − y ) P(B(t)\leq y,\,\max\limits_{0\leq s\leq t}B(s)> x)=P(B(t)\geq 2x-y,\,\max\limits_{0\leq s\leq t}B(s)> x)=P(B(t)\geq 2x-y) P(B(t)y,0stmaxB(s)>x)=P(B(t)2xy,0stmaxB(s)>x)=P(B(t)2xy)

  • 第二个等号是因为 y ≤ x y\leq x yx ,所以 2 x − y ≥ x 2x-y\geq x 2xyx ,因此事件 B ( t ) ≥ 2 x − y B(t)\geq 2x-y B(t)2xy 已经包含了事件 max ⁡ 0 ≤ s ≤ t B ( s ) \max\limits_{0\leq s\leq t}B(s) 0stmaxB(s)

再代入上边的式子,有:
P ( Z ( t ) ≤ y ) = P ( B ( t ) ≤ y ) − P ( B ( t ) ≥ 2 x − y ) = P ( B ( t ) ≤ y ) − P ( B ( t ) ≥ y − 2 x ) = 1 2 π t ∫ y − 2 x y e − u 2 2 t   d u P(Z(t)\leq y)=P(B(t)\leq y)-P(B(t)\geq 2x-y)=P(B(t)\leq y)-P(B(t)\geq y-2x)=\frac{1}{\sqrt{2\pi t}}\int_{y-2x}^{y}\mathrm{e}^{-\frac{u^2}{2t}}\,du P(Z(t)y)=P(B(t)y)P(B(t)2xy)=P(B(t)y)P(B(t)y2x)=2πt 1y2xye2tu2du

在原点反射的 Brown 运动

在原点反射的 Brown 运动:由 Y ( t ) = ∣ B ( t ) ∣ Y(t)=\left|B(t)\right| Y(t)=B(t) t ≥ 0 t\geq 0 t0)定义的过程 { Y ( t ) ,   t ≥ 0 } \{Y(t),\,t\geq 0\} {Y(t),t0} 称为在原点反射的 Brown 运动。它的概率分布为( y > 0 y > 0 y>0):
P ( Y ( t ) ≤ y ) =   P ( B ( t ) ≤ y ) − P ( B ( t ) ≤ − y ) =   2 P ( B ( t ) ≤ y ) − 1 =   1 2 π t ∫ − ∞ y e − u 2 2 t   d u − 1 \begin{align} P(Y(t)\leq y)=&\,P(B(t)\leq y)-P(B(t)\leq -y) \\ =&\,2P(B(t)\leq y)-1 \\ =&\,\frac{1}{\sqrt{2\pi t}}\int_{-\infty}^{y}\mathrm{e}^{-\frac{u^2}{2t}}\,du-1 \end{align} P(Y(t)y)===P(B(t)y)P(B(t)y)2P(B(t)y)12πt 1ye2tu2du1

几何 Brown 运动

几何 Brown 运动:由 X ( t ) = e B ( t ) X(t)=\mathrm{e}^{B(t)} X(t)=eB(t) t ≥ 0 t\geq 0 t0)定义的过程 { X ( t ) ,   t ≥ 0 } \{X(t),\,t\geq 0\} {X(t),t0} 称为几何 Brown 运动。由于 Brown 运动的矩母函数为 E [ e s B ( t ) ] = e t s 2 2 E\left[\mathrm{e}^{sB(t)}\right]=\mathrm{e}^{\frac{ts^2}{2}} E[esB(t)]=e2ts2 ,所以几何 Brown 运动的均值函数与方差函数分别为:
E [ X ( t ) ] =   E [ e B ( t ) ] = e t 2 V a r [ X ( t ) ] =   E [ X 2 ( t ) ] − E 2 [ X ( t ) ] =   E [ e 2 B ( t ) ] − e t =   e 2 t − e t \begin{align} E[X(t)]=&\,E[\mathrm{e}^{B(t)}]=\mathrm{e}^{\frac{t}{2}} \\ Var[X(t)]=&\,E[X^2(t)]-E^2[X(t)] \\ =&\,E[\mathrm{e}^{2B(t)}]-\mathrm{e}^t \\ =&\,\mathrm{e}^{2t}-\mathrm{e}^t \end{align} E[X(t)]=Var[X(t)]===E[eB(t)]=e2tE[X2(t)]E2[X(t)]E[e2B(t)]ete2tet
金融市场中,常常假定股票按照几何 Brown 运动变化。下面的例题中我们就这样假定:

:(股票期权的价值)设某人拥有某种股票的交割时刻为 T T T ,交割价格为 K K K 的欧式看涨期权,即他具有在时刻 T T T 以固定价格 K K K 购买一股这种股票的权利。假设这种股票目前的价格为 y y y ,并按照几何 Brown 运动变化,计算拥有这个期权的平均价值。

:设 X ( T ) X(T) X(T) 表示时刻 T T T 的股票价格, X ( T ) X(T) X(T) 高于 K K K 时,期权将被行使,因此该期权在时刻 T T T 的平均价值应为:
E [ max ⁡ { X ( T ) , − K ,   0 } ] =   ∫ 0 ∞ P ( X ( T ) − K > u )   d u =   ∫ 0 ∞ P ( y e B ( t ) − K > u )   d u =   ∫ 0 ∞ P ( B ( t ) > ln ⁡ K + u y )   d u =   1 2 π T ∫ 0 ∞ ∫ ln ⁡ [ ( K + u ) / y ] ∞ e − x 2 2 T   d x   d u \begin{align} E[\max\{X(T),-K,\,0\}]=&\,\int_0^{\infty}P(X(T)-K\gt u)\,du \\ =&\,\int_0^{\infty}P(y\mathrm{e}^{B(t)}-K\gt u)\,du \\ =&\,\int_0^{\infty}P(B(t)\gt \ln{\frac{K+u}{y}})\,du \\ =&\,\frac1{\sqrt{2\pi T}}\int_0^{\infty}\int_{\ln{[(K+u)/y]}}^{\infty}\mathrm{e}^{-\frac{x^2}{2T}}\,dx\,du \end{align} E[max{X(T),K,0}]====0P(X(T)K>u)du0P(yeB(t)K>u)du0P(B(t)>lnyK+u)du2πT 10ln[(K+u)/y]e2Tx2dxdu

有漂移的 Brown 运动

有漂移的 Brown 运动:设 B ( t ) B(t) B(t) 是标准 Brown 运动,我们称 X ( t ) = B ( t ) + μ t X(t)=B(t)+\mu t X(t)=B(t)+μt 为有漂移的 Brown 运动,其中常数 μ \mu μ 称为漂移系数。容易看出,有漂移的 Brown 运动是一个以速率 μ \mu μ 漂移开去的过程。

下面计算一个常用的量。首先,对常数 A ,   B > 0 A,\,B\gt 0 A,B>0 − B < x < A -B\lt x \lt A B<x<A ,记 p ( x ) p(x) p(x) 为过程在击中 − B -B B 之前击中 A A A 的概率,即:
p ( x ) = P ( X ( t ) 在击中 − B 之前击中 A   ∣   X ( 0 ) = x ) p(x)=P(X(t)\text{在击中}-B\text{之前击中}A\,|\,X(0)=x) p(x)=P(X(t)在击中B之前击中AX(0)=x)
对过程在时刻 0 0 0 h h h 之间的变化 Y = X ( h ) − X ( 0 ) Y=X(h)-X(0) Y=X(h)X(0) 取条件,将得到一个微分方程,从而给出:
p ( x ) = E [ p ( x + Y ) ] + o ( h ) p(x)=E[p(x+Y)]+o(h) p(x)=E[p(x+Y)]+o(h)
式中, o ( h ) o(h) o(h) 表示到时刻 h h h ,过程已经击中 − B -B B A A A 其中之一的概率。假设 p ( y ) p(y) p(y) x x x 点附近有 Taylor 级数展开,则形式上可得:
p ( x ) = E [ p ( x ) + p ′ ( x ) Y + p ′ ′ ( x ) Y 2 2 + ⋯   ] + o ( h ) p(x)=E[p(x)+p'(x)Y+p''(x)\frac{Y^2}{2}+\cdots]+o(h) p(x)=E[p(x)+p(x)Y+p′′(x)2Y2+]+o(h)
由于 Y Y Y 是正态分布的,均值为 μ h \mu h μh ,方差为 h h h ,得到:
p ( x ) = p ( x ) + p ′ ( x ) μ h + p ′ ′ ( x ) μ 2 h 2 + h 2 + o ( h ) p(x)=p(x)+p'(x)\mu h+p''(x)\frac{\mu^2h^2+h}{2}+o(h) p(x)=p(x)+p(x)μh+p′′(x)2μ2h2+h+o(h)
(大于二阶微分项的和的均值就是 o ( h ) o(h) o(h) ),上式变换得到:
p ′ ( x ) μ + p ′ ′ ( x ) 2 = o ( h ) h p'(x)\mu+\frac{p''(x)}{2}=\frac{o(h)}{h} p(x)μ+2p′′(x)=ho(h)
h → 0 h\to 0 h0 ,有:
p ′ ( x ) μ + p ′ ′ ( x ) 2 = 0 p'(x)\mu+\frac{p''(x)}{2}=0 p(x)μ+2p′′(x)=0
解上述微分方程,可以得到:
p ( x ) = c 1 + c 2 e − 2 μ x p(x)=c_1+c_2\mathrm{e}^{-2\mu x} p(x)=c1+c2e2μx
利用边界条件作为初值条件, p ( − B ) = 0 p(-B)=0 p(B)=0 p ( A ) = 1 p(A)=1 p(A)=1 ,解得 c 1 = e 2 μ B e 2 μ B − e − 2 μ A c_1=\frac{\mathrm{e}^{2\mu B}}{\mathrm{e}^{2\mu B}-\mathrm{e}^{-2\mu A}} c1=e2μBe2μAe2μB c 2 = − 1 e 2 μ B − e − 2 μ A c_2=-\frac{1}{\mathrm{e}^{2\mu B}-\mathrm{e}^{-2\mu A}} c2=e2μBe2μA1 ,即:
p ( x ) = e 2 μ B − e − 2 μ x e 2 μ B − e − 2 μ A p(x)=\frac{\mathrm{e}^{2\mu B}-\mathrm{e}^{-2\mu x}}{\mathrm{e}^{2\mu B}-\mathrm{e}^{-2\mu A}} p(x)=e2μBe2μAe2μBe2μx
因此从 x = 0 x=0 x=0 出发,过程在到达 − B -B B 之前先到达 A A A 的概率为:
p ( 0 ) = e 2 μ B − 1 e 2 μ B − e − 2 μ A p(0)=\frac{\mathrm{e}^{2\mu B}-1}{\mathrm{e}^{2\mu B}-\mathrm{e}^{-2\mu A}} p(0)=e2μBe2μAe2μB1
若令 μ < 0 \mu<0 μ<0 B → ∞ B\to\infty B ,则有:
P ( 过程迟早上升至 A ) = e 2 μ A P(\text{过程迟早上升至}A)=\mathrm{e}^{2\mu A} P(过程迟早上升至A)=e2μA
因此,此时过程漂向负无穷,而它的最大值是参数为 − 2 μ -2\mu 2μ 的指数变量。

若只令 μ → 0 \mu\to 0 μ0 ,则有:
P ( Brown 运动在下降到 − B 之前先上升至 A ) = B A + B P(\text{Brown 运动在下降到}-B\text{之前先上升至}A)=\frac{B}{A+B} P(Brown 运动在下降到B之前先上升至A)=A+BB
:(行使股票期权)假设某人有在将来某个时刻以固定价格 A A A 购买一股股票的期权,与现在的市价无关。不妨取现在的市价为 0,并假定其变化遵循有负漂移系数 − μ -\mu μ μ > 0 \mu>0 μ>0)的 Brown 运动,问:在什么时候行使期权?

:这里符合我们 μ < 0 \mu<0 μ<0 B → ∞ B\to\infty B 的假设。考虑在市价为 x x x 时行使期权的策略,在此策略下的平均所得为:
p ( x ) ( x − A ) p(x)(x-A) p(x)(xA)
p ( x ) p(x) p(x) 就是前面讨论的迟早到达 x x x 的概率,有:
p ( x ) = e − 2 μ x   , x > 0 p(x)=\mathrm{e}^{-2\mu x}\,,\quad x>0 p(x)=e2μx,x>0
x x x 的最优值为 x ∗ ∈ max ⁡ ( x − A ) e − 2 μ x x^* \in \max{(x-A)\mathrm{e}^{-2\mu x}} xmax(xA)e2μx ,易得 x ∗ = A + 1 2 μ x^*=A+\frac{1}{2\mu} x=A+2μ1

高维 Brown 运动

高维 Brown 运动 B 1 ( t ) ,   B 2 ( t ) ,   ⋯   ,   B d ( t ) B^1(t),\,B^2(t),\,\cdots,\,B^d(t) B1(t),B2(t),,Bd(t) 是相互独立的标准 Brown 运动,则称 B ( t ) = ( B 1 ( t ) ,   B 2 ( t ) ,   ⋯   ,   B d ( t ) ) \bold{B}(t)=\left(B^1(t),\,B^2(t),\,\cdots,\,B^d(t)\right) B(t)=(B1(t),B2(t),,Bd(t)) d d d 维 Brown 运动。类似于一维 Brown 运动, d d d 维 Brown 运动具有以下转移概率密度:
1 ( 2 π t ) d 2 exp ⁡ { − 1 2 t ∑ i = 1 d ( y i − x i ) 2 } , x ,   y ∈ R d \frac{1}{(2\pi t)^{\frac{d}{2}}}\exp{\{-\frac{1}{2t}\sum\limits_{i=1}^{d}(y_i-x_i)^2 \}},\quad x,\,y\in\bold{R}^d (2πt)2d1exp{2t1i=1d(yixi)2},x,yRd
(后边有几个关于鞅的定理,等我学了鞅以后再来填坑。。。)文章来源地址https://www.toymoban.com/news/detail-426079.html

到了这里,关于随机过程 Brown 运动(下)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 随机过程及应用提纲

    只适用于 CUIT 电子信息 杜江老师 的随机过程及应用课 分布函数定义及性质: 1. 离散随机变量 定义: 例题: 2. 连续型随机变量 定义: 例题: 1. 离散类 泊松分布很重要 2. 连续类 最重要的: 其他要看得: 1. 二维离散 定义 例题: 2. 二维连续 定义 其他函数定义: 例题 1.

    2024年01月20日
    浏览(29)
  • 5G NR:RACH随机接入过程

            无论是3G,4G还是现在的5G都需要随机接入过程,随机接入过程主要是为了让基站和UE之间做好上行同步以及初始接入。此文章仅仅帮助大家了解此过程,更加具体的用途及其场景需要参考具体的3GPP协议(38.211,38.212,38.213).主要帮助理解如下几个问题: PRACH序列, 时域

    2024年02月06日
    浏览(32)
  • SpringCloud 微服务随机掉线排查过程

    我们的业务共使用 11 台(阿里云)服务器,使用 SpringcloudAlibaba 构建微服务集群, 共计 60 个微服务, 全部注册在同一个 Nacos 集群。 流量转发路径:nginx - spring-gateway - 业务微服务。 使用的版本如下: spring-boot.version:2.2.5.RELEASE spring-cloud.version:Hoxton.SR3 spring-cloud-alibaba.version:

    2024年02月10日
    浏览(32)
  • MATLAB实现与封堵溃口有关的重物落水后运动过程的数学建模

    目录 摘 要 1 与封堵溃口有关的重物落水后运动过程的数学建模 3 一、问题重述 3 二、问题分析 5 三、基本假设 5 (2)、重物在同一稳定介质中阻力影响系数保持不变; 5 (5)、只考虑迎水面积上的摩阻力作用,忽略侧面粘滞阻力。 5 四、符号约定 4 五、主要创新点 5 对问题

    2024年02月22日
    浏览(40)
  • 车辆行驶控制运动学模型的matlab建模与仿真,仿真输出车辆动态行驶过程

    目录 1.课题概述 2.系统仿真结果 3.核心程序与模型 4.系统原理简介 4.1 基本假设 4.2 运动学方程 5.完整工程文件 车辆行驶控制运动学模型的matlab建模与仿真,仿真输出车辆动态行驶过程. 版本:MATLAB2022a        车辆运动学模型从几何学的角度研究车辆的运动规律。包括车辆的空

    2024年01月20日
    浏览(72)
  • 随机过程的均值函数、自相关函数、协方差函数

    随 机 过 程 的 均 值 是 定 义 在 某 个 时 间 点 上 的 随 机 变 量 的 函 数 随机过程的均值是定义在某个时间点上的随机变量的函数 随 机 过 程 的 均 值 是 定 义 在 某 个 时 间 点 上 的 随 机 变 量 的 函 数 协 方 差 函 数 C X ( t 1 , t 2 ) = E ( ( X t 1 − E ( X t 1 ) ) ( X t 2 − E

    2024年02月11日
    浏览(45)
  • 马尔可夫链:随机过程的数学建模及MATLAB实现

    目录 1. 马尔可夫链简介 1.1. 马尔可夫性质 1.2. 马尔可夫链定义

    2024年02月13日
    浏览(40)
  • 深度学习的数学基础:从线性代数到随机过程

    深度学习是人工智能领域的一个重要分支,它主要通过模拟人类大脑中的神经网络来进行数据处理和学习。深度学习的核心技术是神经网络,神经网络由多个节点组成,这些节点之间有权重和偏置的连接。通过对这些节点进行训练,我们可以使神经网络具有学习和推理的能力

    2024年03月18日
    浏览(91)
  • 【统计分析】(task4) 应用随机过程(更新ing)

    task4学习datawhale萌弟的随机过程。概率论中我们会对随机变量本身进行研究(如随机变量的分布函数、密度函数等等)。不像多维随机变量、大数定律中的无穷多个随机变量是相互独立的,随机过程是也是研究无穷多个随机变量,但它们很多情况下不是相互独立的,注意随机

    2024年02月15日
    浏览(41)
  • 【课程复习-01】国科大-随机过程知识点精简版

    孙老师的随机过程课太硬了,期末6道题没一道简单的,就前面3道会一点,博主耗尽毕生所学尽力了,希望老师别挂我。 常见分布的概率密度和分布 0-1分布 二项分布 泊松分布 几何分布 均匀分布 指数分布 概率密度函数: 称X服从参数为θ的指数分布 分布函数: 均值: E (

    2024年01月18日
    浏览(40)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包