BROWNOV MOST I KOLMOGOROV-SMIRNOVLJEVA STATISTIKA

Transcription

1 SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Nikolina Blažević BROWNOV MOST I KOLMOGOROV-SMIRNOVLJEVA STATISTIKA Diplomski rad Zagreb, veljača Voditelj rada: doc. dr. sc. Ante Mimica

2 Ovaj diplomski rad obranjen je dana u sastavu: pred ispitnim povjerenstvom 1., predsjednik 2., član 3., član Povjerenstvo je rad ocijenilo ocjenom. Potpisi članova povjerenstva:

3 Sadržaj Sadržaj iii Uvod 1 1 Izabrane definicije i rezultati iz teorije vjerojatnosti Vjerojatnosni prostor Svojstva slučajnih varijabli Primjeri slučajnih varijabli Empirijska funkcija distribucije Brownovo gibanje Gaussovski proces Jako Markovljevo svojstvo Lévyjev zakon trojke Princip invarijantnosti Brownov most Kolmogorov-Smirnovljeva statistika Testiranje statističkih hipoteza Kolmogorov-Smirnovljev test Asimptotski rezultat Bibliografija 49 iii

4 Uvod Promatrate li kroz mikroskop čestice peludi u kapljici vode primijetit ćete neprekidno, nepravilno gibanje čestica koje ne ovisi o sastavu i gustoći čestica, o gibanju drugih čestica, o tokovima u tekućini, niti o isparavanju. Ovo su neke od činjenica koje je škotski botaničar Robert Brown prvi zabilježio u svojim znanstvenim radovima iz godine On the existence of active molecules in organic and inorganic bodies i Additional remarks on active molecules promatrajući ovaj fenomen. Slijedeći Brownove opservacije pojavilo se nekoliko teorija medu kojima je i ona Einsteinova iz godine koja je dala točno objašnjenje i smirila ondašnje diskusije o postojanju atoma. Jean Perrin je godine kombinirao Einsteinovu teoriju i eksperimentalne opservacije Brownovog gibanja kako bi potvrdio postojanje i odredio veličinu atoma. Nezavisno od Einsteina, M. von Smoluchowski došao je do jednake interpretacije Brownovog gibanja. Brownovo gibanje kao matematički objekt prvi puta rigozorno je definirao Wiener koji uvodi Wienerovu mjeru na prostoru C[0, 1] gradeći na Einsteinovom i von Smoluchowskijevom radu. Zatim slijede konstrukcije Kolmogorova, Lévya, Ciesielskija i Donskera. Povijesno gledajući, Brownovo gibanje prvi je stohastički proces u neprekidnom vremenu i kao takav utjecao je primjerice na razvoj Gaussovskih procesa, martingala i Markovljevih procesa pa bismo stoga mogli nedvojbeno reći da je Brownovo gibanje jedan od najvažnijih stohastičkih procesa. Ovaj matematički pojam našao je mnoge primjene u znanosti i financijskoj matematici, a jedna od primjena u statistici pa dalje posredno u svim aspektima primjene statistike opisana je u ovom radu koji je inspirian knjigom S. Resnicka ([9]). Cilj ovog rada jest izvod asipmtotske distribucije Kolmogorov-Smirnovljeve statistike koja služi za testiranje činjenice dolazi li slučajni uzorak iz neke populacije s neprekidnom razdiobom. Prvo poglavlje daje podlogu o teoriji vjerojatnosti. Nakon toga uvodi se pojam Brownovog mosta i dokazuje jako Markovljevo svojstvo i Lévyjev zakon trojke. Iskazan je princip invarijantnosti, definiran Brownov most i dokazano svojstvo da je Brownov most aproksimativno jednak Brownovom gibanju uvjetovanom da ima vrijednost 0 u vremenu 1. U zadnjem poglavlju nalazi se pregled osnovnih pojmova o testiranju statističke hipoteze, Kolmogorov-Smirnovljeva statistika i pripadajući test i konačno izvod asimptotske distribucije Kolmogorov-Smirnovljeve statistike. 1

5 Poglavlje 1 Izabrane definicije i rezultati iz teorije vjerojatnosti Kao što i sam naslov poglavlja sugerira, u prvom poglavlju ovog rada, pomalo i nepravedno stavljamo teoriju vjerojatnosti u okvir, odnosno uzet ćemo samo osnovne i potrebne rezultate i definicije. Smisao ovog poglavlja jest kratko ponavljanje ili uvodenje čitatelja u pojmove bez kojih je teško razumjeti ostatak rada. Nakon što uvedemo pojmove potrebne za definiranje vjerojatnosnog prostora, definiramo slučajnu varijablu i navodimo svojstva. U potpoglavlju 1.3 nalaze se primjeri slučajnih varijabli i vektora, te samo oni rezultati koji će nam koristiti u nastavku rada. Opširnije o ovoj temi možete pronaći u [11] odakle su preuzete definicije i rezultati iz ovog poglavlja. Ako nije drugačije navedeno, dokaze tvrdnji možete pronaći u toj knjizi. Dobro je znati da je najznačajniji dio ovog poglavlja za rad upravo potpoglavlje 1.4 gdje od definicije empirijske funkcije i raspisa njenih svojstava dolazimo do početne motivacije iz koje će uslijediti i konačni rezultat ovog rada. 1.1 Vjerojatnosni prostor Neka je Ω neprazan skup i F familija podskupova od Ω. Kažemo da je F σ-algebra na Ω ako vrijedi (i) F (ii) A F = A c F (iii) A i F, i N = A i F. 2

6 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 3 Dakle, F je σ-algebra ako je zatvorena na komplementiranje i prebrojive unije, a lako se pokaže da je zatvorena i na prebrojive presjeke i skupovne razlike: c A i F, i N = A i = A c i F A 1, A 2 F = A 1 \A 2 = A 1 A c 2 F. Trivijalne σ-algebre skupa Ω su {, Ω} i P(Ω). P(Ω) jest oznaka za pojam partitivnog skupa od Ω, što je po definiciji skup svih podskupova skupa Ω. σ-algebru generiranu familijom svih otvorenih skupova na R nazivamo σ-algebra Borelovih skupova i označavamo s B. Kažemo da je funkcija f : R R Borelova, odnosno izmjeriva funkcija ako vrijedi da je f 1 (B) B za svaki B B. Svaka neprekidna funkcija f : R R je Borelova funkcija. Poopćeno, B n je σ-algebra na R n generirana familijom svih otvorenih skupova na R n i analogno vrijedi tvrdnja za funkcije na R n. Izmjeriv prostor je ureden par (Ω,F ) gdje je F σ-algebra na Ω. Mjera na (Ω,F ) jest funkcija µ : F [0, + ] koja zadovoljava uvjete: (i) µ( ) = 0 ( ) (ii) Za niz medusobno disjunktnih skupova (A n ) n N iz F vrijedi µ A n = µ (A n ). n N n N Ako je µ(ω) = 1, tada se mjera µ naziva vjerojatnosnom mjerom i označavat ćemo je s P. Navedimo i neka osnovna svojstva vjerojatnosti (monotonost) A, B F i A B = P(A) P(B) (neprekidnost u odnosu na rastući/padajući niz dogadaja) A n F, n N, A 1 A 2... i A = A n = P(A) = lim P(A n ) n=1 n A n F, n N, A 1 A 2... i A = A n = P(A) = lim P(A n ) n=1 n ( ) (σ-poluaditivnost) A n F, n N = P A n P(A n ) n=1 n=1 (vjerojatnost unije dvaju dogadaja) A, B F = P(A B) = P(A)+P(B) P(A B) (vjerojatnost suprotnog dogadaja) A F = P(A c ) = 1 P(A). Konačno, definirajmo osnovni objekt u teoriji vjerojatnosti. Uredena trojka (Ω, F, P) gdje je Ω skup, F σ-algebra na Ω i P vjerojatnost na (Ω, F ) naziva se vjerojatnosni prostor.

7 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 4 Elemente σ-algebre F nazivamo dogadajima, a broj P(A), za A F jest vjerojatnost dogadaja A. Neka je (Ω, F, P) vjerojatnosni prostor. Funkcija X : Ω R jest slučajna varijabla na Ω ako za svaki Borelov skup B R vrijedi X 1 (B) = {ω : X(ω) B} F. Generalizirano, funkcija X : Ω R n jest slučajni vektor (n-dimenzionalni slučajni vektor) na Ω ako vrijedi X 1 (B) F za svako B B n. Ako je X slučajni vektor i f : R n R m Borelova funkcija, tada je f X = f (X) m-dimenzionalni slučajni vektor. 1.2 Svojstva slučajnih varijabli Konvergencija slučajnih varijabli Niz slučajnih varijabli (X n ) n N na Ω konvergira gotovo sigurno (g.s.) prema X : Ω R ako je P ({ω Ω : lim X n (ω) = X(ω)}) = 1. g.s. Konvergenciju g.s od X n prema X zapisujemo lim X n = X g.s ili X n X. n po vjerojatnosti prema X : Ω R ako za svaki ɛ > 0 P( X n X > ɛ) 0, n. Konvergenciju po vjerojatnosti od X n prema X zapisujemo X n P X. po distribuciji prema X : Ω R ako vrijedi da je za svaki x u kojem je F neprekidna lim F n(x) = F(x). n Konvergenciju po distribuciji od X n prema X zapisujemo X n = X. Slučajnu varijablu X nazivamo još i asimptotska distribucija. Funkcija distribucije Definicija Neka je X slučajna varijabla na Ω. Funkcija distribucije od X jest funkcija F : R [0, 1] definirana sa F(x) = P(X 1 (, x]) = P ({ω Ω : X(ω) x}) = P(X x), x R. Ako za slučajne varijable X i Y vrijedi P(X z) = P(Y z), z R, tada kažemo da su slučajne varijable X i Y jednake po distribuciji i pišemo X d = Y.

8 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 5 Teorem Funkcija distribucije F slučajne varijable X zadovoljava sljedeća svojstva (i) F je rastuća funkcija (ii) F je neprekidna zdesna na R, odnosno lim y x+ F(y) = F(x) (iii) F( ) = lim F(x) = 0, F(+ ) = lim F(x) = 1. x x + Definicija Neka je X slučajna varijabla s funkcijom distribucije F. Generalizirani inverz funkcije distribucije F definiramo sa F (y) = inf {u : F(u) y}. (1.1) Propozicija Neka je F neprekidna funkcija distribucije i F pripadni generalizirani inverz. Tada vrijedi: (i) F(F (t)) t (ii) F je strogo rastuća na (0, 1) (iii) F(F (t)) = t (iv) F (y) t y F(t). Dokaz. Počnimo redom za svaku tvrdnju propozicije: (i) (ii) Neka je (y n ) niz takav da je F(y n ) t i y n F (t). Budući da je F neprekidna slijedi t lim n F(y n ) = F(F (t)). Neka su 0 < a < b < 1. Kako je F rastuća funkcija, tada vrijedi da je {u : F(u) a} {u : F(u) b}, pa je inf{u : F(u) a} inf{u : F(u) b}, odnosno F (a) F (b). Preostaje pokazati da vrijedi stroga nejednakost. Iz tvrdnje (i) slijedi F(F (b)) b. Budući da je F neprekidna, za ɛ = b a > 0 postoji δ > 0 2 takav da je F(u) b ɛ > a za svaki u (F (b) δ, F (b) + δ). Tada zbog F (a) F (b) δ slijedi F (a) < F (b). (iii) Dokazat ćemo ovu tvrdnju tako da pokažemo da je F(F (t)) t i F(F (t)) t. F(F (t)) t vrijedi prema (i). Zbog neprekidnosti od F možemo pretpostaviti da je F(a) = t. Tada je a {u : F(u) t}. Iz definicije infimuma slijedi da je F (t) a, a budući da je F rastuća i neprekidna slijedi F(F (t)) F(a) = t. (iv) Pretpostavimo prvo da vrijedi F (y) t. Budući da je F rastuća i neprekidna imamo F(F (y)) F(t) i kada iskoristimo tvrdnju pod (ii) slijedi y F(t). S druge strane, ako je y F(t), tada je t {u : F(u) y}, pa je F (y) t prema definiciji infimuma.

9 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 6 Diskretna slučajna varijabla Neka je (Ω, F, P) vjerojatnosni prostor, X slučajna varijabla na Ω i F pripadna funkcija distribucije. Slučajna varijabla X jest diskretna ukoliko postoji prebrojiv skup D B(R) takav da je P (X D) = 1. Funkcija gustoće diskretne slučajne varijable X jest funkcija f : R R definirana sa f (x) = P(X = x) i prema tome za funkciju distribucije definiranu u Definiciji u diskretnom slučaju vrijedi F(x) = f (y). {y D : y x} Diskretne slučajne varijable obično zadajemo tako da zadamo skup D = {x 1, x 2,... } i brojeve p n = P(X = x n ), što zapisujemo u tablicu ( ) x1 x X 2 x n (1.2) p 1 p 2 p n koju nazivamo distribucija ili zakon razdiobe slučajne varijable X. Neka su X 1 i X 2 diskretne slučajne varijable definirane na istom vjerojatnosnom prostoru (Ω,F,P). Zajednička funkcija gustoće jest funkcija f X1,X 2 : R 2 R za koju vrijedi f X1,X 2 f X1,X 2 (x 1, x 2 ) = P(X 1 = x 1, X 2 = x 2 ). naziva se i gustoćom slučajnog vektora (X 1, X 2 ). Za njihovu zajedničku funkciju distribucije (funkciju distribucije slučajnog vektora (X 1, X 2 )) F X1,X 2 : R 2 R vrijedi F X1,X 2 (x 1, x 2 ) = P(X 1 x 1, X 2 x 2 ). Za slučajni vektor (X 1, X 2 ) s gustoćom razdiobe f X1,X 2 marginalna gustoća od X 1 jest f X1 (x 1 ) = f X1,X 2 (X 1, X 2 ), x 1 R. x 2 Im X 2 Ako je f X2 = P(X 2 = x 2 ) > 0, x 2 Im X 2, tada je uvjetna gustoća od X 1 uz dano X 2 = x 2 f X1 X 2 = P(X 1 = x 1 X 2 = x 2 ) = P(X 1 = x 1, X 2 = x 2 ) P(X 2 = x 2 ) = f X 1,X 2 (x 1, x 2 ), x 1 R. f X2 (x 2 ) Druga jednakost posljednjeg izraza jest definicija uvjetne vjerojatnosti.

10 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 7 Neprekidna slučajna varijabla Neka je (Ω, F, P) vjerojatnosni prostor, X slučajna varijabla na Ω i F pripadna funkcija distribucije. Slučajna varijabla X jest neprekidna slučajna varijabla ako postoji Borelova funkcija f : R R + takva da je P(a X b) = b a f (y) dy. Funkciju f nazivamo funkcijom gustoće slučajne varijable X. Prema tome, za funkciju distribucije definiranu u Definiciji 1.2.1, u neprekidnom slučaju vrijedi F(x) = x f (y) dy. (1.3) Neka su X 1 i X 2 neprekidne slučajne varijable definirane na istom vjerojatnosnom prostoru (Ω, F, P). Zajednička razdioba tih slučajnih varijabli jest funkcija f X1,X 2 : R 2 R za koju vrijedi P(a X 1 b, c X 2 d) = b d a c f X1,X 2 dx 1 dx 2. f X1,X 2 naziva se i gustoćom slučajnog vektora (X 1, X 2 ). Za njihovu zajedničku funkciju distribucije (funkciju distribucije slučajnog vektora (X 1, X 2 )) F X1,X 2 : R 2 R vrijedi F X1,X 2 (x 1, x 2 ) = x 1 x 2 f X1,X 2 (u, v) du dv. Za slučajni vektor (X 1, X 2 ) s gustoćom razdiobe f X1,X 2 marginalna gustoća od X 1 jest f X1 (x 1 ) = f X1,X 2 (x 1, x 2 ) dx 2, x 1 R. Ako je f X2 > 0, x 2 Im X 2, tada je uvjetna gustoća od X 1 uz dano X 2 = x 2. f X1 X 2 = f X 1,X 2 (x 1, x 2 ), x 1 R. (1.4) f X2 (x 2 ) Matematičko očekivanje i varijanca Definicija Definirajmo X + = max{x, 0}, X = max{ X, 0}. Kažemo da slučajna varijabla X = X + X ima matematičko očekivanje ukoliko je barem jedan od integrala

11 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 8 EX + := Ω X + dp, EX := Ω X dp konačan. Tada matematičko očekivanje, u oznaci EX, definiramo kao EX = EX + EX. Teorem Neka su X i Y nenegativne slučajne varijable ili neka vrijedi E X <, E Y <. Tada vrijedi E[aX + Y] = aex + EY. Ovaj važan rezultat koji će biti korišten više puta nazivamo linearnost matematičkog očekivanja,odnosno linearnost očekivanja i u nastavku rada pozivat ćemo se na njega. Ako je X diskretna slučajna varijabla, tada vrijedi EX = xp(x = x) = x i p i, (1.5) x i E[g(X)] = g(x i )p i, (1.6) gdje su jednakosti napisane korištenjem oznaka iz (1.2). Ako je X neprekidna slučajna varijabla s gustoćom f, tada je EX = E[g(X)] = gdje integriramo u odnosu na Lebesgueovu mjeru. Definicija Varijanca slučajne varijable X definira se s VarX = E[(X EX) 2 ] [0, ]. Ako je VarX <, onda kažemo da X ima konačnu varijancu. i x f (x)dx, (1.7) g(x) f (x)dx, (1.8) Korisno je vidjeti da zbog linearnosti matematičkog očekivanja vrijede i sljedeća dva zaključka: VarX = E[(X EX)(X EX)] = E[X 2 X EX EX X + (EX) 2 ] = E(X 2 ) (EX) 2 (EX) 2 + (EX) 2 = E(X 2 ) (EX) 2 (1.9)

12 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 9 Var[aX + b] = E[(aX + b) 2 ] [E(aX + b)] 2 = E(a 2 X 2 + 2abX + b 2 ) (aex + b) 2 = a 2 E(X 2 ) + 2abEX + b 2 a 2 (EX) 2 2abEX b 2 = a 2 [E(X 2 ) (EX) 2 ] = a 2 VarX. (1.10) Definicija Kovarijanca slučajnih varijabli X, Y se definira s Cov(X, Y) = E[(X EX)(Y EY)]. Za slučajne varijable X i Y kažemo da su nekorelirane ako vrijedi Cov(X, Y) = 0. Analogno kao i kod izvoda (1.9) slijedi Nezavisnost slučajnih varijabli Cov(X, Y) = E(XY) (EX)(EY) (1.11) Definicija Neka su X 1, X 2,..., X n slučajne varijable. Slučajne varijable X 1, X 2,..., X n su nezavisne ako za proizvoljne B 1, B 2,..., B n B vrijedi P (X 1 B 1, X 2 B 2,..., X n B n ) = n P (X i B i ). Neka je I skup indeksa. Kažemo da je {X i : i I} familija nezavisnih varijabli ako su slučajne varijable nezavisne za svaki podskup različitih indeksa iz I. Propozicija Neka je {X i : i I} familija nezavisnih slučajnih varijabli za neki skup indeksa I i neka su g i : R R, i I Borelove funkcije. Tada je {g i (X i ), i I} familija nezavisnih slučajnih varijabli. Teorem Neka su X 1, X 2,..., X n nezavisne slučajne varijable ( ) takve da su sve nenegativne ili da sve imaju konačno očekivanje. Tada postoji E X i i vrijedi n n n E X i = EX i. Teorem Neka su X 1, X 2,..., X n nezavisne slučajne varijable čije varijance postoje. Tada postoji i varijanca od n X i i vrijedi n Var X i = n VarX i.

13 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 10 Propozicija Neka su X 1,..., X n nezavisne slučajne varijable s gustoćom f i, 1 i n. Tada (X 1,..., X n ) ima gustoću f (x 1,..., x n ) = f 1 (x 1 ) f n (x n ), (x 1,..., x n ) R n. Definicija Karakteristična funkcija slučajne varijable X čija je funkcija distribucije F jest funkcija ϕ definirana sa ϕ(t) = e itx df(x), t R. Za karakterističnu funkciju slučajne varijable X vrijediti će ϕ(t) = e itx df(x) = Ee itx, t R. Analogno definiramo i karakterističnu funkciju slučajnog vektora X = (X 1,..., X n ) i vrijedi gdje je t, X = t 1 X t n X n. ϕ(t) = Ee i t,x, t = (t 1,..., t n ) R n, Teorem Slučajne varijable X 1,..., X n su nezavisne ako i samo ako vrijedi ϕ X1,...,X n (t 1,..., t n ) = n ϕ Xk (t k ), t = (t 1,..., t n ) R n. k=1 1.3 Primjeri slučajnih varijabli Primjer Diskretna slučajna varijabla X čija je distribucija dana s ( ) 0 1 X, 0 < p < 1 1 p p naziva se Bernoullijeva slučajna varijabla. Očito je prema (1.5) EX = 0 (1 p)+1 p = p, a zbog X 2 = X i EX 2 = EX, prema (1.9) slijedi da je VarX = EX 2 (EX) 2 = p p 2 = p(1 p). Diskretna slučajna varijabla X čija je distribucija zadana pomoću ( ) n P(X = k) = p k (1 p) n k, k = 0, 1, 2,..., n, n N k

14 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 11 naziva se binomna slučajna varijabla i označava sa X B (n, p). Budući da je binomna slučajna varijabla suma n nezavisnih Bernoulijevih slučajnih varijabli, zbog linearnosti očekivanja i Teorema slijedi EX = np VarX = np(1 p). Primjer Kažemo da neprekidna slučajna varijabla X ima normalnu distribuciju s parametrima µ i σ 2 i označavamo X N (µ, σ 2 ) ako joj je funkcija gustoće f zadana sa f (x) = 1 σ (x µ) 2 2π e 2σ 2, x R. Vrijedi da je EX = µ, VarX = σ 2. Karakteristična funkcija normalne slučajne varijable X N(µ, σ 2 ) jest ϕ X (t) = e iµt σ2 t 2 2. Neka je Y = ax + b, a 0, Tada je Y N(aµ + b, a 2 σ 2 ). Nadalje, za X 1,..., X n nezavisne slučajne varijable takve da su X i N(µ i, σ 2 i ) vrijedi da je n n n X i N µ i, σ 2 i. Neka je Z = (Z 1, Z 2,..., Z k ), k N slučajni vektor takav da su Z i N(0, 1) nezavisne, jednako distribuirane slučajne varijable. X T = (X 1, X 2,..., X n ) je normalni slučajni vektor ako postoje matrica A M nxk i µ R n takvi da je X = AZ + µ. Lema Linearna transformacija normalnog slučajnog vektora je normalni slučajni vektor. Za dokaz tvrdnje vidjeti [3], 29. Limit Theorems in R k, Normal Distributions in R k. Definicija Kažemo da dvije slučajne varijable X i Y imaju bivarijantnu normalnu razdiobu ako postoje dvije nezavisne normalno distribuirane slučajne varijable U, V i skalari a, b, c, d takvi da vrijedi: X = au + bv, Y = cu + dv. Lema Neka su X i Y slučajne varijable koje imaju bivarijantnu normalnu distribuciju. Pretpostavimo da X i Y nisu korelirane. Tada su one nezavisne.

15 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 12 Dokaz. Dovoljno je pokazati da tvrdnja vrijedi u slučaju kada X i Y imaju očekivanje 0. Tada vrijedi da je EU = EV = 0. Neka je Z = t 1 X + t 2 Y = (t 1 a + t 2 c)u + (t 1 b + t 2 d)v. Tada su zbog Propozicije i Primjera X, Y i Z normalne slučajne varijable. Označimo X N(0, σ 2 X ), Y N(0, σ2 Y ). Budući da prema pretpostavki X i Y nisu korelirane, vrijedi da je Cov(X, Y) = 0, odnosno ekivalentno tome je E(XY) = EXEY pa vrijedi Var(Z) = Var(t 1 X + t 2 Y) = E(t 1 X + t 2 Y) 2 [E(t 1 X + t 2 Y)] 2 = E(t 2 1 X2 + 2t 1 t 2 XY + t 2 2 Y2 ) [E(t 1 X) + E(t 2 Y)] 2 = t 2 1 EX2 + 2t 1 t 2 E(XY) + t 2 2 EY2 t 2 1 (EX)2 2t 1 t 2 EXEY t 2 2 (EY)2 = t 2 1 EX2 t 2 1 (EX)2 + t 2 2 EY2 t 2 2 (EY)2 = t 2 1 VarX + t2 2 VarY. Zbog linearnosti očekivanja je Z N(0, t 2 1 σ2 X + t2 2 σ2 Y ). Prema Primjeru i definiciji karakteristične funkcije slučajnog vektora vrijedi ϕ X,Y (t 1, t 2 ) = Ee it 1X+it 2 Y = Ee itz = e (t2 1 σ2 X +t2 2 σ2 Y ) 2. Pretpostavimo sada da su ˆX N(0, σ 2 X ), Ŷ N(0, σ2 Y ) nezavisne slučajne varijable. Vrijedi Teorem i može se pokazati da su one i nekorelirane, odnosno Cov( ˆX, Ŷ) = E( ˆXŶ) E ˆXEŶ = E ˆXEŶ E ˆXEŶ = 0. Tada za karakterističnu funkciju ( ˆX,Ŷ) vrijedi isti argument kao i za karakterističnu funkciju (X,Y). Prema teoremu jedinstvenosti slijedi da ako su karakteristične funkcije ( ˆX,Ŷ) i (X,Y) jednake, tada su im jednake i distribucije. Budući da su ˆX i Ŷ nezavisne, jednako vrijedi i za X i Y. Primjer Kažemo da neprekidna slučajna varijabla X ima uniformnu distribuciju na segmentu [a,b], a, b R, a < b ako joj je funkcija gustoće f zadana s 1 f (x) =, a x b b a 0, x [a, b]. Prema (1.7) i (1.8) slijedi da je EX = b a pa vrijedi da je x b a dx = a + b 2 VarX = b2 + ab + a 2 3 i EX 2 = b a ( ) 2 a + b = 2 x 2 b a dx = b2 + ab + a 2, 3 (a b)2. 12

16 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 13 Propozicija Neka je X slučajna varijabla s neprekidnom funkcijom distribucije F. Tada je F(X) slučajna varijabla s uniformnom distribucijom. Dokaz. Budući da je F neprekidna tada je i Borelova, pa je kompozicija slučajne varijable i Borelove funkcije ponovno slučajna varijabla. Dakle, F(X) je slučajna varijabla. Preostaje nam pokazati da F(X) ima uniformnu distribuciju. Neka je 0 x 1. Prema Propoziciji vrijedi: Stoga slijedi F(X) x F (F(X)) F (x) X F (x). P (F(X) x) = P (X F (x)) = F(F (x)) = x. Dakle, F(X) ima uniformnu razdiobu, F(X) U(0, 1). Pretpostavimo da su X 1,..., X n nezavisne, jednako distribuirane slučajne varijable definirane na istom prostoru Ω sa zajedničkom funkcijom distribucije F. Ako pretpostavimo da je F neprekidna funkcija distribucije, tada se jednake realizacije medu tim slučajnim varijablama dogadaju s vjerojatnosti 0 pa ih možemo zanemariti. Definirajmo sada slučajne varijable X (1),..., X (n) na domeni Ω, za ω Ω : X (1) (ω) = min{x 1 (ω),..., X n (ω)} X (2) (ω) = drugi najmanji od {X 1 (ω),..., X n (ω)}. X (n 1) (ω) = drugi najveći od {X 1 (ω),..., X n (ω)} X (1) (ω) = max{x 1 (ω),..., X n (ω)}, pa imamo X (1) <... < X (n). Slučajne varijable X (1),..., X (n) nazivamo uredene statistike. Lema Neka su U 1,..., U n nezavisne, jednako distribuirane, uniformne slučajne varijable na [0,t] i neka vrijedi U (1) < U (2) <... < U (n). Tada je zajednička gustoća n!, 0 < u t f U(1),...,U (n) (u 1,..., u n ) = n 1 <... < u n < t 0, inače Dokaz. Neka je Π skup svih permutacija skupa {1,..., n}. Tada za π Π, (U (1),..., U (n) ) = (U π(1),..., U π(n) ) na skupu [U π(1) <... < U π(n) ]. Stoga, za bilo koju omedenu funkciju g imamo Eg(U (1),..., U (n) ) = Eg(U π(1),..., U π(n) )1 [Uπ(1) <...<U π(n) ]. π Π

17 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 14 Budući da vrijedi f Uπ(1),...,U π(n) (u 1,..., u n ) = f U1,...,U n (u 1,..., u n ) i zbog nezavisnosti slučajnih varijabli U 1,..., U n slijedi t n, (u 1,..., u n ) [0, t] n f Uπ(1),...,U π(n) (u 1,..., u n ) = 0, inače. Stoga imamo Eg(U (1),..., U (n) ) = = π Π [0<u 1 <...<u n <t] [0,t] n g(u 1,..., u n ) g(u 1,..., u n )t n du 1... du n ( ) n! t 1 n [u 1 <...<u n ](u 1,..., u n ) du 1... du n iz čega slijedi tvrdnja leme. Primjer Kažemo da slučajna varijabla X ima gama razdiobu s parametrima α > 0 i λ > 0 ako je strogo pozitivna i ako je njena funkcija gustoće λ α Γ(α) f (x) = xα 1 e λx, x > 0 0, x 0. gdje je Γ(α) = 0 t α 1 e t dt Γ-funkcija. Slučajnu varijablu s gama razdiobom označavamo X Γ ( α, λ) 1. Prema (1.7) i (1.8) integriranjem dobijemo EX = α, VarX = α. Karakteristična funkcija slučajne varijable λ λ 2 X Γ ( α, λ) 1 jest ( λ ) α ϕ X (t) =, t R. λ it U slučaju kada je α = 1 kažemo da X ima eksponencijalnu razdiobu. Tada pišemo X Exp(λ). Slijedi da su funkcija gustoće i funkcija distribucije ekponencijalne slučajne varijable λe λx, x > 0 f (x) = 0, x 0. 1 e λx, x > 0 F(x) = 0, x 0.

18 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 15 Matematičko očekivanje i varijanca eksponencijalne razdiobe su tada EX = 1 λ, VarX = 1 λ 2. Karakteristična funkcija slučajne varijable X Exp(λ) jest ϕ X (t) = λ λ it, t R. Lema Neka su X 1,..., X n nezavisne slučajne varijable takve da je X i Exp(λ), za 1 i n. Tada vrijedi X X n Γ ( n, λ) 1. Dokaz. Iz karakterističnih funkcija slučajnih varijabli X i Exp(λ) i X 1 + +X n Γ ( ) n, 1 λ danih u Primjeru tvrdnja slijedi direktno prema Teoremu Propozicija Pretpostavimo da su {E n, n 1} nezavisne, jednako distribuirane slučajne varijable, E n Exp(1). Definirajmo Γ n = E 1 + E E n. Tada je zajednička gustoća od Γ 1,..., Γ n uz uvjet da je Γ n+1 = t jednaka gustoći uredenih statistika od n nezavisnih, jednako distribuiranih slučajnih varijabli koje su uniformno distribuirane na [0, t]. Dokaz. Za početak pogledajmo zajedničku gustoću slučajnih varijabli E 1,..., E n+1. Budući da su to nezavisne, eksponencijalno distribuirane slučajne varijable, iz Primjera i zbog Propozicije zajednička gustoća je jednaka n+1 f E1,...,E n+1 (x 1,..., x n+1 ) = e x i = e n+1 x i, (1.12) za x i > 0, 1 i n + 1. Iz gustoće dane sa (1.12) možemo dobiti gustoću od (Γ 1,..., Γ n+1 ) zamjenom varijabli. Za i = 1,..., n+1 definirajmo s i = i x j. Vidimo stoga da je inverzna transformacija x i = s i s i 1, za 1 i n + 1 gdje je s 0 = 0. Pripadni Jakobijan inverzne transformacije jest = Stoga vrijedi da je j=1 f Γ1,...,Γ n+1 (s 1,..., s n+1 ) = e s n+1, (1.13) gdje je 0 s 1 < s 1 <... < s n+1. Kako prema Lemi vrijedi da Γ n+1 ima gama razdiobu, iz (1.4) i (1.13) slijedi da je uvjetna zajednička gustoća jednaka f Γ1,...,Γ n Γ n+1 =t(s 1,..., s n ) = f Γ 1,...,Γ n+1 (s 1,..., s n, t) f Γn+1 (t) = e t e t t n n! = n! t n, (1.14)

19 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 16 za 0 < s 1 <... < s n < t što je prema Lemi upravo gustoća uredenih statistika od n nezavisnih, jednako distribuiranih slučajnih varijabli koje su uniformno distribuirane na intervalu [0,t]. 1.4 Empirijska funkcija distribucije Definicija Neka je X 1, X 2,..., X n slučajan uzorak duljine n iz distribucije F. Empirijska funkcija distribucije je slučajna funkcija ˆF n ( )(x) : R R, ω Ω definirana s ˆF n (x) = 1 n n 1 [Xi x], x R (1.15) Prema tome, za svaki fiksni x R, ˆF n (x) jest proporcija uzorka koji je manji ili jednak x. Prije nego nastavimo sa svojstvima empirijske funkcije distribucije koja će nam biti od koristi, pogledajmo nekolicinu poznatih teorema iz opće teorije vjerojatnosti koji će biti potrebni u dokazivanju svojstava empirijske funkcije distribucije. Teorem (Jaki zakon velikih brojeva) Pretpostavimo da su X 1, X 2,..., X n u parovima nezavisne, jednako distribuirane slučajne varijable takve da je E X i <. Neka je EX i = µ i S n = X X n. Tada S g.s. n µ kada n. n Dokaz možete pronaći u [5], 2.4 Strong Law of Large Numbers, dokaz Teorema Teorem (Centralni granični teorem) Neka su X 1, X 2,... nezavisne, jednako distribuirane slučajne varijable takve da je EX i = µ i VarX i = σ 2 (0, ). Ako je S n = X 1 + X X n tada S n nµ σ = χ gdje χ ima standardnu normalnu razdiobu. n Dokaz se nalazi primjerice u [5], 3.4 Central Limit Theorems, dokaz Teorema Teorem (Glivenko-Cantelli) Neka su X 1, X 2,... nezavisne, jednako distribuirane slučajne varijable sa zajedničkom funkcijom distribucije F i neka je ˆF n pripadna empirijska funkcija distribucije. Tada ˆF n konvergira uniformno prema F kada n, odnosno vrijedi sup ˆF n (x) F(x) x g.s. 0. Dokaz. Uzmimo fiksni x i neka je Y n = 1 [Xn x]. Kao što ćemo vidjeti detaljno u potpoglavlju Svojstva empirijske funkcije distribucije, Y n su nezavisne, jednako distribuirane slučajne varijable i vrijedi EY n = P(X n x) = F(x). Jaki zakon velikih brojeva, Teorem povlači ˆF n (x) = 1 n n 1 [Xi x] = 1 n n Y i g.s. F(x).

20 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 17 Ako je ˆF n niz rastućih funkcija koje konvergiraju prema ograničenoj i neprekidnoj funkciji F, tada vrijedi tvrdnja teorema. Medutim, funkcija distribucije F može imati skokove. Ponovno, fiksirajmo x i neka je Z n = 1 [Xn <x]. Budući da su Z n nezavisne, jednako distribuirane slučajne varijable takve da je EZ n = P(X n < x) = F(x ) = lim F(y), Teorem y x implicira ˆ F n (x ) = 1 n n 1 [Xi <x] = 1 n n Z i g.s. F(x ). Neka je za 1 j k 1, x j,k = inf{y : F(y) j k }. Zbog konvergencije po točkama ˆF n (x) i ˆF n (x ), možemo uzeti N takav da za n N vrijedi ˆF n (x j,k ) F(x j,k ) < k 1 i ˆF n (x j,k ) F(x j,k ) < k 1, za 1 j k 1. Ako dodamo x 0,k = i x k,k =, tada zadnje dvije nejednakosti vrijede i u slučaju j = 0 i j = k. Neka je x (x j 1,k, x j,k ), 1 j k i n N. Tada zbog monotonosti od ˆF n, F i zbog F(x j,k ) F(x j 1,k ) k 1 imamo ˆF n (x) ˆF n (x j,k ) F(x j,k ) + k 1 F(x j 1,k ) + 2k 1 F(x) + 2k 1, ˆF n (x) ˆF n (x j 1,k ) F(x j 1,k ) k 1 F(x j,k ) 2k 1 F(x) 2k 1. Vrijedi dakle sup ˆF n (x) F(x) 2k 1, čime je tvrdnja dokazana. x Svojstva empirijske funkcije distribucije Neka su X 1, X 2,..., X n nezavisne, jednako distribuirane slučajne varijable na vjerojatnosnom prostoru (Ω, F, P). Označimo im funkciju distribucije s F. Indikatorske funkcije tih slučajnih varijabli jednake su kao i u definiciji empirijske funkcije distribucije 1, X i x 1 [Xi x] = 0, X i > x. Budući da je prema definiciji funkcije distribucije F(x) = P(X i x), tada slijedi ( ) [Xi x]. 1 F(x) F(x) Drugim riječima, slučajne varijable 1 [Xi x] imaju Bernoulijevu razdiobu. Nadalje, zbog nezavisnosti slučajnih varijabli X 1, X 2,..., X n i Propozicije slijedi da su i nezavisne. Dakle, 1 [X1 x], 1 [X2 x],..., 1 [Xn x] su nezavisne Bernoulijeve slučajne varijable, pa za njihovu sumu vrijedi

21 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 18 n 1 [Xi x] = n ˆF n B(n, F(x)). Očekivanje i varijanca binomne varijable su nam poznati iz Primjera 1.3.1, pa imamo E(n ˆF n (x)) = nf(x), Var(n ˆF n (x)) = nf(x)(1 F(x)). Iz linearnosti matematičkog očekivanja i svojstva varijance (1.10) slijedi zaključak E( ˆF n (x)) = F(x) Var ˆF n (x) = 1 F(x)(1 F(x)). n Prema jakom zakonu velikih brojeva, Teoremu 1.4.2, slijedi da za svaki fiksni x R lim n ˆF n (x) = F(x) g.s. Uniformna konvergencija vrijedi prema Glivenko-Cantellijevom Teoremu Za fiksni x R, centralni granični teorem, Teorem primijenjen na sumu nezavisnih, jednako distribuiranih slučajnih varijabli 1 [X x] daje nam n 1 [Xi x] nf(x) = n ( ˆF n (x) F(x) ) = N(0, 1) n F(x)(1 F(x)) n F(x)(1 F(x)) n( ˆF n (x) F(x)) = N(0, F(x)(1 F(x))) (1.16) Ovaj rezultat može se proširiti u više dimenzija. Promotrimo stoga centralni granični teorem o slučajnim vektorima čiji dokaz se nalazi u [3], 29. Limit Theorems in R k, dokaz Teorema Teorem Neka su X n = (X n1, X n2,..., X nk ) nezavisni, jednako distribuirani slučajni vektori. Pretpostavimo da je E[Xnu] 2 <. Neka je c = (c 1, c 2,..., c k ) vektor očekivanja gdje je c u = E[X nu ] i Σ = [σ ul ] kovarijacijska matrica gdje je σ ul = E [(X nu c u )(X nl c l )]. Neka je S n = X 1 + X X n. Tada vektor (S n nc) n konvergira po distribuciji k standardnoj normalnoj distribuciji s kovarijacijskom matricom Σ. Primijetimo prvo da za x 1 < x 2 vrijedi Cov(1 [Xi x 1 ], 1 [Xi x 2 ]) = E1 [Xi x 1 ]1 [Xi x 2 ] E1 [Xi x 1 ]E1 [Xi x 2 ] = F(x 1 x 2 ) F(x 1 )F(x 2 ). Stoga prema Teoremu slijedi

22 POGLAVLJE 1. IZBOR IZ TEORIJE VJEROJATNOSTI 19 1 n n (( ) 1[Xi x 1 ] = N 1 [Xi x 2 ] ( 0, ( )) F(x1 ) = (( ) ˆF n n (x 1 ) F(x 2 ) ˆF n (x 2 ) ( )) F(x1 ) F(x 2 ) ( )) F(x1 )(1 F(x 1 )) F(x 1 )(1 F(x 2 )) u R F(x 1 )(1 F(x 2 )) F(x 2 )(1 F(x 2 ))) 2.

23 Poglavlje 2 Brownovo gibanje Kao što smo vidjeli u Uvodu, Brownovo gibanje jest jedan od značajnijih slučajnih procesa koji je utjecao na razvoj mnogih studija i koji je našao svoju primjenu u nekoliko sfera. Nakon definicije Brownovog gibanja glavna zadaća bit će pokazati da je Brownovo gibanje Gaussovski proces i dokazati da Brownovo gibanje zadovoljava jako Markovljevo svojstvo. Kao rezultat jakog Markovljevog svojstva vidjet ćemo princip refleksije, a potom dokazati i Lévyjev zakon trojke. Uvodimo pojam principa invarijantnosti poznatijeg kao Donskerov teorem. Brownov most definiran je u zadnjem potpoglavlju. Prikazana su svojstva Brownovog mosta, medu kojima je najznačajnija Propozicija koja će igrati ključnu ulogu u zadnjem poglavlju rada i koja nam govori da je Brownov most aproksimativno jednak Brownovom gibanju uvjetovanom da ima vrijednost 0 u vremenu 1. Na kraju poglavlja vidjet ćemo izraz koji upućuje na vezu Brownovog mosta i empirijske funkcije distrbucije. Neka je (Ω, F, P) vjerojatnosni prostor. Slučajna varijabla na tom vjerojatnosnom prostoru neovisna je o vremenu, no mnogi procesi koji se dogadaju u vremenu će ipak zahtijevati vremensku komponentu. Dolazimo do pojma slučajnog ili stohastičkog procesa gdje za svako vrijeme t 0 imamo slučajnu varijablu koju ćemo označavati s X t ili X(t). Definicija Familija slučajnih varijabli X = {X t : t 0} na vjerojatnosnom prostoru (Ω, F, P) naziva se slučajni ili stohastički proces. Primjetimo da slučajni proces možemo shvatiti kao funkciju dviju varijabli X : R + Ω R. Ako fiksiramo neki ω Ω preslikavanje t X(t, ω) nazivamo trajektorijom i to su realizacije procesa X tijekom vremena. Analogno, ako fiksiramo neki t 0 preslikavanje ω X(t, ω) daje nam realizacije procesa u trenutku t. 20

24 POGLAVLJE 2. BROWNOVO GIBANJE 21 Definicija Neka je (Ω, F, P) vjerojatnosni prostor. Slučajni proces B = {B t : t 0} jest Brownovo gibanje ako vrijedi: (B1) B 0 = 0 P-g.s. (B2) Za sve m N, 0 = t 0 < t 1 <... < t m su prirasti B t1 B t0, B t2 B t1,..., B tm B tm 1 nezavisne slučajne varijable. (B3) Za sve 0 s < t vrijedi B t B s N(0, t s). (B4) Za P-g.s ω Ω su putevi t B t (ω) R, t [0, neprekidne funkcije. B Slika 2.1: Brownovo gibanje Navedimo neka svojstva Brownovog gibanja koja slijede direktno iz definiciije. Budući da za 0 s < t vrijedi B t B s N(0, t s), vidimo da za svaki t vrijedi B t N(0, t), pa je Nadalje slijedi da je VarB t = t, pa je zbog (2.1) EB t = 0. (2.1) t = VarB t = EB 2 t (EB t ) 2 = EB 2 t. (2.2) Osvrnimo se još i na slučajni vektor (B t1 B t0, B t2 B t1,..., B tm B tm 1 ), gdje je 0 = t 0 < t 1 <,..., < t m. Vidjeli smo iz definicije da za svaki 0 s < t vrijedi B t B s N(0, t s), odnosno vrijedi B t B s t sn(0, 1). Budući da su prirasti Brownovog gibanja nezavisni, prema Primjeru vidimo da je vektor prirasta Brownovog gibanja zapravo normalni slučajni vektor.

25 POGLAVLJE 2. BROWNOVO GIBANJE Gaussovski proces Definicija Kovarijacijska funkcija slučajnog procesa X = {X t : t 0} je definirana na sljedeći način Cov(X s, X t ) = E [(X s EX s )(X t EX t )]. Iz definicije kovarijacijske funkcije očito je da vrijedi Cov(X s, X t ) = E (X s X t ) EX s EX t. Definicija Slučajni proces X = {X t : t 0} je Gaussovski ako je za sve m N i 0 < t 1 < t 2 <... < t m slučajni vektor (X t1, X t2,..., X tm ) normalni slučajni vektor. Neka je X = (X 1,..., X n ) Gaussovski proces, m = (m 1,..., m n ) R n, gdje je m j = EX j i Σ = (σ jk ) j,k=1,...,n R n n kovarijacijska matrica slučajnog procesa, gdje je σ jk = Cov(X j, X k ). Karakteristična funkcija Gaussovskog procesa jest Ee i t,x = e i t,m 1 2 t,σt. (2.3) Pretpostavimo sada da je G(x), x R Gaussov proces sa očekivanjem 0 i funkcijom kovarijacije Cov(G(x 1 ), G(x 2 )) = F(x 1 )(1 F(x 2 )), x 1 < x 2. (2.4) Tada zaključak (1.16) možemo zapisati kao n( ˆF n (x) F(x)) = G(x) (2.5) u smislu konvergencije konačno dimenzionalnih distribucija. Propozicija Neka je X = {X t : t 0} Gaussovski proces s vektorom očekivanja nula i matricom kovarijacije C = (min{t j, t k }) j,k=1,...,n. Ako X = {X t : t 0} ima neprekidne trajektorije, tada je X = {X t : t 0} Brownovo gibanje. Dokaz. Primijetimo prvo da je X 0 N(0, 0), pa će prema tome svojstva definicije Brownovog gibanja (B1) i (B4) kao pretpostavka vrijediti direktno. Neka je = (X t1 X t0,..., X tn X tn 1 ) T, Γ = (X t1,..., X tn ) T. Tada vrijedi X t1 X t0 X t X t2 X t1 X t =, X tn X tn 1 X tn

26 POGLAVLJE 2. BROWNOVO GIBANJE 23 odnosno ako donjetrokutastu matricu označimo slovom M, slijedi M = Γ. Nadalje vrijedi 1 i = M 1 Γ, gdje je M =..... Budući da je Γ Gaussovski proces i zbog (2.3) slijedi Ee i ɛ, = Ee i ɛ,m 1 Γ = Ee i (M 1 ) T ɛ,γ = e 1 2 (M 1 ) T ɛ,c(m 1 ) T ɛ = e 1 2 ɛ,m 1 C(M 1 ) T ɛ. Jednostavnim matričnim množenjem dobijemo da je t 1 t 0 t M 1 C(M 1 ) T 2 t 1 =.... t n t n 1 Stoga je Γ Gaussovski slučajni vektor s nekoreliranim, stoga nezavisnim komponentama za koje vrijedi da su normalno distribuirane N(0, t j t j 1 ). To dokazuje (B2) i (B3). Propozicija Neka je B = {B t : t 0} Brownovo gibanje Tada je B Gaussovski proces s vektorom očekivanja nula i kovarijacijskom funkcijom Cov(B s, B t ) = min{s, t}. (2.6) Dokaz. Neka je B Brownovo gibanje. Uzmimo proizvoljne 0 < t 1 < t 2 <... < t k. Kao što smo vidjeli, slučajni vektor (B t1, B t2 B t1,..., B tk B tk 1 ) je normalni slučajni vektor, a slučajni vektor (B t1, B t2,..., B tk ) možemo prikazati na sljedeći način B t1 B t B t2 B t1 B t B t3 B t2 = B t B tk B tk 1 pa je prema Lemi i (B t1, B t2,..., B tk ) normalni slučajni vektor. Dakle, prema Definiciji 2.1.2, B je Gausovski proces. Preostaje nam pokazati da vrijedi tvdnja o kovarijacijskoj funkciji. Neka je 0 < s t. Prema (1.11) i uz (2.2) slijedi B tk

27 POGLAVLJE 2. BROWNOVO GIBANJE 24 Cov(B s, B t ) = E(B s B t ) EB s EB t = E[B s (B t B s )] + E(B s ) 2 0 = EB s E(B t B s ) + s = 0 + s = min{s, t}, gdje druga jednakost vrijedi zbog linearnosti očekivanja, a treća zbog nezavisnosti prirasta Brownovog gibanja i Teorema Lema Neka je B = {B t : t 0} Brownovo gibanje. Tada je slučajni proces B = { B t : t 0} gdje je B t = B t Brownovo gibanje. Dokaz. B je Brownovo gibanje pa je prema Propoziciji (B t1, B t2,..., B tk ) normalni slučajni vektor i Cov(B s, B t ) = s t. Neka je 0 < t 1 <... < t m. Tada zbog Leme i 1 0 B t1 ( B t1,..., B tm ) T = slijedi da je ( B t1,..., B tm ) normalni slučajni vektor, odnosno B Gaussovski proces. Nadalje, E B t = E( B t ) = EB t = 0 i zbog linearnosti očekivanja vrijedi Cov( B s, B t ) = Cov( B s, B t ) B tm = E[( B s E( B s ))( B t E( B t ))] = E[(B s EB s )(B t EB t )] = Cov(B s, B t ) = s t. Iz Propozicije slijedi da je B Brownovo gibanje. 2.2 Jako Markovljevo svojstvo Definicija Kažemo da su dva stohastička procesa {X t : t 0} i {Y t : t 0} nezavisna ako su za proizvoljne t 1, t 2,..., t n 0 i s 1, s 2,..., s m 0 slučajni vektori (X t1, X t2,..., X tn ) i (Y s1, Y s2,..., Y sm ) nezavisni.

28 POGLAVLJE 2. BROWNOVO GIBANJE 25 Definicija Filtracija na vjerojatnosnom prostoru (Ω,F,P) je familija {F t : t 0} σ-algebri takva da vrijedi F s F t F za svaki s < t. Stohastički proces {X t : t 0} definiran na vjerojatnosnom prostoru s filtracijom naziva se adaptiran ako je X t F t izmjeriva za proizvoljan t 0. Za slučajnu varijablu X kažemo da je F t izmjeriva ako za svaki B B vrijedi X 1 (B) F t. Propozicija Neka je B = {B t : t 0} Brownovo gibanje. Tada je za s > 0 proces W = {W t : t 0}, W t := B t+s B s za t 0 Brownovo gibanje nezavisno od procesa {B t : 0 t s}. Dokaz. Provjerimo da definirani proces zadovoljava Definiciju W 0 = B 0+s B s = 0, dakle zadovoljen je uvjet (B1). Za 0 < t 1 < t 2 <... t m vidimo da su W t1 = B t1 +s B s, W t2 W t1 = B t2 +s B t1 +s,... W tm W tm 1 = B tm +s B tm 1 +s nezavisne slučajne varijable pa je zadovoljeno i svojstvo (B2). Neka su 0 k < t. Tada je W t W k = B t+s B k+s N(0, t+s k s) N(0, t k), čime je zadovoljeno svojstvo (B3). Preostaje nam pokazati da su trajektorije slučajnog procesa W neprekidne, odnosno da je zadovoljeno svojstvo (B4). Vidimo da vrijedi t W t = B t+s B s, što je g.s neprekidno zbog neprekidnosti Brownovog gibanja B. Tvrdnja o nezavisnosti slijedit će direktno iz nezavisnosti prirasta Brownovog gibanja. Ako želimo znati kada Brownovo gibanje napušta ili ulazi u neki skup prvi put, kada dostiže svoj maksimum ili kada se vraća u 0, moramo koristiti slučajna vremena. Slučajna varijabla τ : Ω [0, ] je vrijeme zaustavljanja u odnosu na filtraciju {F t : t 0} ako je {τ t} F t, za svaki t 0. Tipičan primjer vremena zaustavljanja je vrijeme ulaska slučajnog procesa X = {X t : t 0} u skup A. Prirodna filtracija Ft X := σ(x s : s t) stohastičkog procesa X = {X t : t 0} je relativno mala i stoga za mnoga zanimljiva vremena zaustavljanja moramo promatrati nešto veću filtraciju F X t+ := u>t F X u = n 1 F X. t+ 1 n Neka je τ vrijeme zaustavljanja u odnosu na filtraciju {F t : t 0}. Definirajmo familije skupova F τ : = A F := σ F t : A {τ t} F t t 0 t 0 F τ+ : = A F := σ F t : A {τ t} F t+ t 0. t 0 Napomena Pretpostavimo da imamo Brownovo gibanje B = {B t : t 0} i prirodnu filtraciju F B t. Tada je Brownovo gibanje adaptirano na tu filtraciju i prema Propoziciji

29 POGLAVLJE 2. BROWNOVO GIBANJE proces W iz te propozicije jest nezavisan od Ft B. Promotrimo sada i proširenu σ- algebru Fs+ B koja je ponovno filtracija. Zbog neprekidnosti vrijedi B t+s B s = lim B sn +t n B sn, za strogo opadajući niz {s n : n N} koji konvergira prema s. Prema Propoziciji slijedi da je za proizvoljne t 1, t 2,..., t m 0 vektor (B t1 +s B s, B t2 +s B s,..., B tm +s B s ) = lim(b t1 +s j B s j, B t2 +s j B s j,..., B tm +s j B s j ) nezavisan od F B j s+, pa vrijedi i za proces W. Konačno, možemo proširiti Propoziciju i reći da je za svaki s 0 slučajni proces W nezavisan od σ-algebre Fs+. B Teorem (Jako Markovljevo svojstvo) Neka je B = {B t : t 0} Brownovo gibanje i T vrijeme zaustavljanja takvo da je T < g.s. Tada je proces Brownovo gibanje koje je nezavisno od F T+. {B T+t B T : t 0} Dokaz. Pokažimo prvo tvrdnju za vremena zaustavljanja T n koja diskretno aproksimiraju T odozgo. Definirajmo T n = m+1 m ako je T < m+1. Provjerimo da to jesu vremena 2 n 2 n 2 n zaustavljanja {T n = k2 } { k 1 = T < k } = {T < k2 } { \ T < k 1 }. n 2 n 2 n } {{ n 2 }} {{ n } F( k ) 2 n F( k 1) 2 n F( k ) 2 n Označimo s B k = {B k t : t 0} slučajni proces definiran s B k t = B t+ k 2 n B k 2 n. Prema Propoziciji to je Brownovo gibanje. Nadalje, definirajmo proces B = {B t : t 0} s B t = B t+tn B Tn. Pretpostavimo da je E F Tn +. Tada za svaki dogadaj {B A} imamo P({B A} E) = = P({B k A} E {T n = k 2 }) n k=0 P({B k A})P(E {T n = k 2 }) n k=0 = P({B A}) P(E {T n = k 2 }) n k=0 = P({B A})P(E). Druga jednakost vrijedi jer je {B k A} nezavisan od E {T n = k 2 n } F + ( k 2 n ) prema Napomeni Nadalje, prema Propoziciji P(B k A) = P(B A) ne ovisi o k pa vrijedi treća nejednakost. Dakle, vrijedi da je B Brownovo gibanje nezavisno od E,

30 POGLAVLJE 2. BROWNOVO GIBANJE 27 pa stoga i od F Tn +. Kako T n T vrijedi da je {B s+tn B Tn nezavisno od F Tn + F T+. Stoga su prirasti : s 0} Brownovo gibanje B s+t+t B t+t = lim n B s+t+tn B t+tn procesa {B T+t B T : t 0} nezavisni, normalno distribuirani s očekivanjem nula i varijancom s. Kako je proces g.s. neprekidan, to je Brownovo gibanje. Štoviše, svi prirasti, a stoga i sam proces nezavisni su od F T+. Propozicija (Princip refleksije) Neka je B = {B t : t 0} Brownovo gibanje i neka je T a = inf{t : B t = a} prvo vrijeme kada Brownovo gibanje pogodi nivo a, za neko a > 0. Definirajmo proces B B B t, t T a t = 2a B t, t > T a. Tada je B Brownovo gibanje. Dokaz. Definirajmo sa C[0, ) skup neprekidnih funkcija na [0, ). Neka je C 0 C[0, ) takav da za svaku funkciju g C 0 vrijedi g(0) = 0. Neka su f C[0, ), g C 0, t 0 0. Definirajmo ψ : C[0, ) [0, ) C 0 C[0, ) sa f (t), t t 0 ψ( f, t 0, g) = f (t 0 ) + g(t t 0 ), t t 0. Neka je sada i definirajmo B t (ω), t T a (ω) f (t, ω) = B t Ta (ω) = a, t T a (ω), g(t, ω) = B Ta (ω)+t B Ta (ω). Tada su slučajne varijable T a i f odredene Brownovim gibanjem do vremena T a i nezavisne od g ili g. Budući da je T a < g.s. ([12], Primjer 5.9), prema Teoremu i Lemi vrijedi g d = g d = B. Stoga su ( f, T a, g) d = ( f, T a, g) kao slučajni elementi iz C[0, ) [0, ) C 0 i primjenom preslikavanja ψ dobijemo ψ( f, T a, g) d = ψ( f, T a, g).

31 POGLAVLJE 2. BROWNOVO GIBANJE 28 Na lijevoj strani jednakosti imamo f (t), ψ( f, T a, g) = f (T a ) + g(t T a ), B t, = B Ta + B Ta +t T a B Ta, = B t, a na desnoj strani jednakosti f (t), ψ( f, T a, g) = f (T a ) g(t T a ), B t, = a (B Ta +t T a B Ta ), = B t. t T a t > T a t T a t > T a t T a t > T a t T a t > T a B * a B T a Slika 2.2: Princip refleksije

32 POGLAVLJE 2. BROWNOVO GIBANJE Lévyjev zakon trojke Neka je (Ω,F,P) vjerojatnosni prostor i X slučajna varijabla takva da je E X <. Pretpostavimo da je G σ-podalgebra od F. Slučajna varijabla Y koja je G izmjeriva, E Y < i takva da za svaki G G vrijedi E(Y1 G ) = E(X1 G ) naziva se verzija uvjetnog očekivanja X od G i pišemo Y = E[X G]. Kada pišemo E[X Y] to je zapravo oznaka za E[X σ(y)], gdje je σ(y) σ-algebra generirana s Y. Definicija Neka je (Ω,F,P) vjerojatnosni prostor i F = {F t Slučajni proces X = {X t : t 0} je martingal ako vrijedi (i) X t je F t izmjeriva za svaki t 0 : t 0} filtracija. (ii) E X t < za svaki t 0 (iii) E[X t F s ] = X s g.s za sve 0 s t. Provjerimo da je Brownovo gibanje martingal u odnosu na prirodnu filtraciju F = {F B t : t 0}. Očito je prvo svojstvo iz definicije zadovoljeno. Nadalje, zbog B t N(0, t) slijedi da je E B t <. Konačno, pogledajmo zašto je zadovoljeno zadnje svojstvo: E[B t F s ] = E[B t B s + B s F s ] = E[B t B s F s ] + E[B s F s ] = E(B t B s ) + B s = B s. Posljednja jednakost slijedi zbog osnovnih svojstava uvjetnog očekivanja. Naime, vrijedi E[B t B s F s ] = E(B t B s ) zato što je B t B s nezavisno od F s i E[B s F s ] = B s jer je B s F s izmjeriva. Lema Neka je B = {B t : t 0} Brownovo gibanje i τ = inf{t 0 : B t ( a, b)} vrijeme prvog ulaska u skup ( a, b) c, a, b 0. Tada vrijedi P(B τ = a) = b, P(B a+b τ = b) = a i E(τ) = ab. a+b Dokaz. Budući da je B martingal i τ vrijeme zaustavljanja, prema teoremu o opcionalnom zaustavljanju slijedi da je tada zaustavljeni proces B τ = {B t t : t 0} takoder martingal pa iz svojstva uvjetnog očekivanja vrijedi EB τ 0 = EBτ t. (2.7) Vidimo da je EB τ 0 = EB 0 = 0 i EB τ t = EB τ t EB τ kada t prema Lebesgueovom teoremu o dominiranoj konvergenciji. Sada iz (2.7) slijedi 0 = EB τ = ap(b τ = a) + bp(b τ = b).

33 POGLAVLJE 2. BROWNOVO GIBANJE 30 Znamo da vrijedi i 1 = P(B τ = a) + P(B τ = b). Rješenje sustava dvije jednadžbe daje tvrdnju leme. Može se prema definiciji martingala, slično kao za Brownovo gibanje, provjeriti da je W t = B 2 t t martingal pa će tada i W τ biti martingal prema teoremu o opcionalnom zaustavljanju. Tada je 0 = EW τ 0 = EWτ t = EB 2 t τ E(t τ) odakle zbog Lebesgueovog teorema o dominiranoj konvergenciji za t slijedi Eτ = EB 2 τ = ( a) 2 P(B τ = a) + b 2 P(B τ = b) = ab. Uvedimo još neke oznake prije idućeg teorema: P x (B A) := P(B + x A), E x (B) := E(B + x). To znači da P x (B A) označava vjerojatnost da Brownovo gibanje započinje u trenutku t = 0 u točki x. Očito je P 0 = P i E 0 = E. Teorem Neka je B = {B t : t 0} Brownovo gibanje, τ vrijeme zaustavljanja u odnosu na filtraciju Ft B, η τ, gdje je η vrijeme zaustavljanja u odnosu na filtraciju Fτ+. B Tada za svaki ω {η < } i za svaku omedenu, izmjerivu funkciju u na R vrijedi E[u(B η ) Fτ+](ω) B = E Bτ(ω) [u(b η(ω) τ(ω) ( ))] = u(b η(ω) τ(ω (ω ))P Bτ(ω) (dω ). Dokaz. Zamjenom u(b η ) s u(b η )1 [η< ] možemo pretpostaviti da je η <. Definirajmo F σ j := ( 2 j (η τ) + 1) 2 j. Tada vrijedi da je inf σ j = η τ i σ j je očito Fτ+ B izmjeriva budući da su η i τ Fτ+ B izmjerive. j 1 Za sve F Fτ+ B znamo da je F { } σ j = k 2 F B j τ+ što znači u(b τ+σ j )dp = u(b τ+ k )dp 2 j = = k=1 k=1 k=1 F { } F σ j = k 2 j { } F σ j = k 2 j { } F σ j = k 2 j E[u(B τ+ k 2 j ) F B τ+]dp E B τ(ω) u(b k 2 j )P(dω) = E Bτ(ω) u(b σ j (ω))p(dω),

34 POGLAVLJE 2. BROWNOVO GIBANJE 31 gdje predzadnja nejednakost slijedi zbog jakog Markovljevog svojstva. Budući da je t B t neprekidno lim B σ j = B η τ pa nam slijedi tvrdnja teorema za neprekidne, omedene j funkcije koristeći dominiranu konvergenciju. Za svaki kompaktni skup K R možemo aproksimirati 1 K s nizom neprekidnih funkcija. Stoga 1 K (B η ) dp = E Bτ(ω) 1 K (B η(ω) τ(ω) ) P(dω). F F Kako kompaktni skupovi generiraju Borelovu σ-algebru, možemo koristiti teorem o jedinstvenosti za mjere da bismo proširili ovu jednakost na sve funkcije 1 K, gdje je K B(R) i odakle će zbog Beppo-Levijevog teorema slijediti tvrdnja teorema. Teorem (Lévyjev zakon trojke) Neka je B = {B t : t 0} Brownovo gibanje i označimo sa m t = inf B s i M t = sup B s. Tada za sve t > 0 i a < 0 < b vrijedi s t s t P(m t > a, M t < b, B t dx) = dx 2πt n= (e (x+2n(b a))2 2t ) e (x 2a 2n(b a))2 2t. Dokaz. Neka je a < 0 < b i označimo s τ = inf{t 0 : B t (a, b)} prvo vrijeme izlaska iz intervala (a, b). Iz Leme slijedi da je τ konačno vrijeme zaustavljanja. Označimo još I = [c, d] (a, b). Budući da je {τ > t} = {m t > a, M t < b} vidimo da vrijedi P(m t > a, M t < b, B t I) = P(τ > t, B t I) = P(B t I) P(τ t, B t I) = P(B t I) P(B τ = a, τ t, B t I) P(B τ = b, τ t, B t I), gdje zadnji korak slijedi iz činjenice da su {B τ = a} i {B τ = b}, do na prazan skup {τ = }, disjunktna particija skupa Ω. Želimo uzastopno koristiti princip refleksije. Definirajmo prvo r a x := 2a x, r b x := 2b x, refleksije u (x, t)-ravnini u odnosu na x = a i x = b. Primjenom Teorema slijedi P(B τ = b, τ t, B t I F τ )(ω) = 1 {Bτ =b} {τ t}(ω)p B τ(ω) (B t τ(ω) I). Zbog simetrije Brownovog gibanja, Lema slijedi P b (B t τ(ω) I) = P(B t τ(ω) I b) = P(B t τ(ω) b I) = P b (B t τ(ω) r b I),

35 POGLAVLJE 2. BROWNOVO GIBANJE 32 pa stoga vidimo da vrijedi To nam daje da vrijedi P(B τ = b, τ t, B t I F τ )(ω) = 1 {Bτ =b} {τ t}(ω)p B τ(ω) (B t τ(ω) I) = P(B τ = b, τ t, B t r b I F τ )(ω). P(B τ = b, τ t, B t I) = P(B τ = b, τ t, B t r b I) = P(B τ = b, B t r b I). Daljnje primjene principa refleksije daju odnosno P(B τ = b, B t r b I) = P(B t r b I) P(B τ = a, B t r b I) = P(B t r b I) P(B τ = a, B t r a r b I) = P(B t r b I) P(B t r a r b I) + P(B τ = b, B t r a r b I), P(B τ = b, τ t, B t I) = P(B t r b I) P(B t r a r b I) + P(B t r b r a r b I) +... Konačno možemo zapisati P(m t >a, M t < b, B t I) = P(B t I) P(B t r b I) + P(B t r a r b I) P(B t r b r a r b I) +... P(B t r a I) + P(B t r b r a I) P(B t r a r b r a I) +... = P(B t I) P(r a B t r a r b I) + P(B t r a r b I) P(r a B t (r a r b ) 2 I) +... P(r a B t I) + P(B t r b r a I) P(r a B t r b r a I) +... (2.8) gdje smo u zadnjem koraku koristili činjenicu da je r a r a = id. Sve vjerojatnosti su vjerojatnosti medusobno disjunktnih dogadaja što znači da red konvergira apsolutno. Pogledajmo kako bismo to mogli zapisati. Vrijedi r a I = 2a I i r b r a I = 2b (2a I) = 2(b a) + I, pa tako za svaki n 0 Stoga, (r b r a ) n I = 2n(b a) + I (r a r b ) n I = 2n(a b) + I = 2( n)(b a) + I. P(m t >a, M t < b, B t I) = P(B t 2n(a b) + I) = n= n= I što je jednako tvrdnji teorema. (e (x 2n(a b))2 2t n= e (2a x 2n(b a))2 2t P(2a B t 2n(a b) + I) ) dx 2πt,