随机过程 Brown 运动(下)
Brown 运动的最大值变量及反正弦律
以
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}
当
x
>
0
x\gt 0
x>0 时,为计算
P
(
T
x
≤
t
)
P(T_x\leq t)
P(Tx≤t) ,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)≥x∣Tx≤t)P(Tx≤t)+P(B(t)≥x∣Tx>t)P(Tx>t)
若
T
x
≤
t
T_x\leq t
Tx≤t 。则
B
(
t
)
B(t)
B(t) 在
[
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)≤x∣Tx≤t)=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)≥x∣Tx>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(Tx≤t)2P(B(t)≥x)2πt2∫x∞e−2tu2du2π2∫x/t∞e−2y2dy
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<∞)=t→∞limP(Tx≤t)=2π2∫0∞e−2y2dy=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)={2πxu−23e−2ux20u>0u≥0
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)=====≥=∫0∞P(Tx>t)dt∫0∞(1−2π2∫x/t∞e−2y2dy)dt2π2∫0∞∫0x/te−2y2dydt2π2∫0∞(e−2y2∫0x2/y2dt)dy(交换积分顺序)2π2x2∫0∞y21e−2y2dy2π2x2e−21∫01y21dy+∞
- 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)====∫0∞xf(x)dx∫0+∞∫0xf(x)dtdx∫0+∞∫t∞f(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 1−2π2∫x/t∞e−2y2dy=2π2∫0∞e−2y2dy−2π2∫x/t∞e−2y2dy=2π2∫0x/te−2y2dy
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(Tx−a<∞)=1
即 Brown 运动从任意点出发,击中
x
x
x 的概率都是
1
1
1 ;
当
x
<
0
x\lt 0
x<0 时,由对称性,
T
x
T_x
Tx 和
T
−
x
T_{-x}
T−x 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(Tx≤t)=2π2∫∣x∣/t∞e−2y2dyfTx(u)={2π−xu−23e−2ux20u>0u≥0
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)=0≤s≤tmaxB(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(Tx≤t)=2π2∫x/t∞e−2y2dy
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)=0≤s≤tminB(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(Tx≥t)=1−2π2∫∣x∣/t∞e−2y2dy
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) 在
(
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∣x∣∫0tu−23e−2ux2du
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)在(0,t)中至少有一个零点)P(0≤s≤tmaxBx(s)≥0)P(0≤s≤tmaxB(s)+x≥0)=P(0≤s≤tmaxB(s)≥−x)P(T−x≥t)=P(Tx≤t)∫0tfTx(u)du=2π−x∫0tu−23e−2ux2du
若
x
≥
0
x\geq 0
x≥0 ,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)在(0,t)中至少有一个零点)P(0≤s≤tminBx(s)≤0)P(0≤s≤tminB(s)+x≤0)=P(0≤s≤tminB(s)≤−x)P(T−x≥t)=P(Tx≤t)∫0tfTx(u)du=2πx∫0tu−23e−2ux2du
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在(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在(0,b−a)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在(a,b)中至少有一个零点)∫−∞∞h(x)P(dx)πa2∫0∞h(x)e−2ax2dxπa2∫0∞(e−2ax22πx∫0b−au−23e−2ux2du)dxπa1∫0b−a(u−23∫0∞xe−x2(−2u1+2a1)dx)du(交换积分顺序)πa1∫0b−a(u−23a+uau)duπa∫0b−aa+uu−21duπ2arctanab−a=π2arccosba
- 第四个交换积分顺序还是很简单的,因为 x x x 和 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),t≥0} 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在(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{s≤t,B(s)=0}=t 之前的最后一个零点inf{s≥t,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(ζt≤x)=P(βt≥y)=P(ζt≤x,βt≥y)=P(B在(x,t)中没有零点)=π2arcsintxP(B在(t,y)中没有零点)=π2arcsinytP(B在(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),t≥0} 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),0≤t≤1
则称随机过程
{
B
(
t
)
,
0
≤
t
≤
1
}
\{B(t),\,0\leq t \leq 1 \}
{B(t),0≤t≤1} 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
∀0≤s≤t≤1 ,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]t−st−st+st=s(1−t)
- 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
以
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<Txt≥Tx
则
{
Z
(
t
)
,
t
≤
0
}
\{Z(t),\,t\leq 0\}
{Z(t),t≤0} 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(Tx≤t)=2πt2∫x∞e−2ty2dy
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
∀y≤x ,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,0≤s≤tmaxB(s)≤x)=P(B(t)≤y)−P(B(t)≤y,0≤s≤tmaxB(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,0≤s≤tmaxB(s)>x)=P(B(t)≤y∣0≤s≤tmaxB(s)>x)P(0≤s≤tmaxB(s)>x)
事件
max
0
≤
s
≤
t
B
(
s
)
>
x
\max\limits_{0\leq s\leq t}B(s)> x
0≤s≤tmaxB(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
t−Tx 这段时间中就必须减少
x
−
y
x-y
x−y 的位移。由 Brown 运动的对称性可知,减少和增加
x
−
y
x-y
x−y 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)≤y∣0≤s≤tmaxB(s)>x)=P(B(t)≥2x−y∣0≤s≤tmaxB(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,0≤s≤tmaxB(s)>x)=P(B(t)≥2x−y,0≤s≤tmaxB(s)>x)=P(B(t)≥2x−y)
- 第二个等号是因为 y ≤ x y\leq x y≤x ,所以 2 x − y ≥ x 2x-y\geq x 2x−y≥x ,因此事件 B ( t ) ≥ 2 x − y B(t)\geq 2x-y B(t)≥2x−y 已经包含了事件 max 0 ≤ s ≤ t B ( s ) \max\limits_{0\leq s\leq t}B(s) 0≤s≤tmaxB(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)≥2x−y)=P(B(t)≤y)−P(B(t)≥y−2x)=2πt1∫y−2xye−2tu2du
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
t≥0)定义的过程
{
Y
(
t
)
,
t
≥
0
}
\{Y(t),\,t\geq 0\}
{Y(t),t≥0} 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)−12πt1∫−∞ye−2tu2du−1
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
t≥0)定义的过程
{
X
(
t
)
,
t
≥
0
}
\{X(t),\,t\geq 0\}
{X(t),t≥0} 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)]−ete2t−et
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:
例:(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。
解: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}]====∫0∞P(X(T)−K>u)du∫0∞P(yeB(t)−K>u)du∫0∞P(B(t)>lnyK+u)du2πT1∫0∞∫ln[(K+u)/y]∞e−2Tx2dxdu
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A∣X(0)=x)
对过程在时刻
0
0
0 与
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 或
A
A
A 其中之一的概率。假设
p
(
y
)
p(y)
p(y) 在
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)
令
h
→
0
h\to 0
h→0 ,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+c2e−2μx
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=e2μB−e−2μAe2μB ,
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=−e2μB−e−2μA1 ,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)=e2μB−e−2μAe2μB−e−2μx
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)=e2μB−e−2μAe2μB−1
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
μ→0 ,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
例:(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?
解: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)(x−A)
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)=e−2μx,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}}
x∗∈max(x−A)e−2μx ,易得
x
∗
=
A
+
1
2
μ
x^*=A+\frac{1}{2\mu}
x∗=A+2μ1 。文章来源:https://www.toymoban.com/news/detail-426079.html
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)) 为
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=1∑d(yi−xi)2},x,y∈Rd
(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!