Processo Wiener - Wiener process
Em matemática , o processo de Wiener é um processo estocástico de tempo contínuo com valor real , nomeado em homenagem ao matemático americano Norbert Wiener por suas investigações sobre as propriedades matemáticas do movimento browniano unidimensional. Muitas vezes também é chamado de movimento browniano devido à sua conexão histórica com o processo físico de mesmo nome originalmente observado pelo botânico escocês Robert Brown . É um dos processos de Lévy mais conhecidos ( càdlàg processos estocásticos com incrementos estacionários independentes ) e ocorre com frequência em matemática pura e aplicada , economia , finanças quantitativas , biologia evolutiva e física .
O processo Wiener desempenha um papel importante tanto na matemática pura quanto na aplicada. Na matemática pura, o processo de Wiener deu origem ao estudo dos martingales de tempo contínuo . É um processo chave em termos do qual processos estocásticos mais complicados podem ser descritos. Como tal, desempenha um papel vital no cálculo estocástico , processos de difusão e até mesmo na teoria do potencial . É o processo de condução da evolução da Schramm – Loewner . Em matemática aplicada , o processo de Wiener é usado para representar a integral de um processo gaussiano de ruído branco e, portanto, é útil como um modelo de ruído em engenharia eletrônica (ver ruído browniano ), erros de instrumento na teoria de filtragem e distúrbios na teoria de controle .
O processo Wiener tem aplicações em todas as ciências matemáticas. Na física, é usado para estudar o movimento browniano , a difusão de partículas diminutas suspensas em um fluido e outros tipos de difusão por meio das equações de Fokker-Planck e Langevin . Ele também forma a base para a formulação integral do caminho rigoroso da mecânica quântica (pela fórmula de Feynman-Kac , uma solução para a equação de Schrödinger pode ser representada em termos do processo de Wiener) e o estudo da inflação eterna na cosmologia física . Também é proeminente na teoria matemática das finanças , em particular no modelo de precificação de opções Black-Scholes .
Características do processo Wiener
O processo Wiener é caracterizado pelas seguintes propriedades:
- tem incrementos independentes : para cada incremento futuro são independentes dos valores anteriores ,
- tem incrementos gaussianos: é normalmente distribuído com média e variância ,
- tem caminhos contínuos: é contínuo em .
Que o processo tem incrementos independentes significa que se 0 ≤ s 1 < t 1 ≤ s 2 < t 2 então W t 1 - W s 1 e W t 2 - W s 2 são variáveis aleatórias independentes, e a condição semelhante vale para n incrementos.
Uma caracterização alternativa do processo de Wiener é a chamada caracterização de Lévy, que diz que o processo de Wiener é quase certamente um martingale contínuo com W 0 = 0 e variação quadrática [ W t , W t ] = t (o que significa que W t 2 - t também é um martingale).
Uma terceira caracterização é que o processo de Wiener tem uma representação espectral como uma série de seno cujos coeficientes são N (0, 1) variáveis aleatórias independentes. Esta representação pode ser obtida usando o teorema de Karhunen-Loève .
Outra caracterização de um processo de Wiener é a integral definida (do tempo zero ao tempo t ) de um processo gaussiano de média zero, variância unitária, delta correlacionado ("branco") .
O processo de Wiener pode ser construído como o limite de escala de um passeio aleatório ou outros processos estocásticos de tempo discreto com incrementos independentes estacionários. Isso é conhecido como teorema de Donsker . Como o passeio aleatório, o processo de Wiener é recorrente em uma ou duas dimensões (o que significa que retorna quase com certeza a qualquer vizinhança fixa da origem com frequência infinita), ao passo que não é recorrente nas dimensões três e superiores. Ao contrário do passeio aleatório, é invariante de escala , o que significa que
é um processo de Wiener para qualquer constante diferente de zero α. A medida de Wiener é a lei de probabilidade no espaço de funções contínuas g , com g (0) = 0, induzida pelo processo de Wiener. Uma integral baseada na medida de Wiener pode ser chamada de integral de Wiener .
Processo de Wiener como limite de passeio aleatório
Let ser iid variáveis aleatórias com média e variância 0 1. Para cada n , definir um processo estocástico tempo contínuo
Esta é uma função de etapa aleatória. Os incrementos de são independentes porque são independentes. Para n grande , está próximo do teorema do limite central. O teorema de Donsker afirma que , à medida que se aproxima de um processo de Wiener, o que explica a onipresença do movimento browniano.
Propriedades de um processo Wiener unidimensional
Propriedades básicas
A função de densidade de probabilidade incondicional , que segue a distribuição normal com média = 0 e variância = t , em um tempo fixo t :
A expectativa é zero:
A variância , usando a fórmula computacional, é t :
Esses resultados decorrem imediatamente da definição de que os incrementos têm uma distribuição normal , centrada em zero. Assim
Covariância e correlação
A covariância e correlação (onde ):
Esses resultados seguem da definição de que os incrementos não sobrepostos são independentes, dos quais apenas a propriedade de que eles não estão correlacionados é usada. Suponha que sim .
Substituindo
chegamos em:
Uma vez que e são independentes,
Assim
Um corolário útil para simulação é que podemos escrever, para t 1 < t 2 :
onde Z é uma variável normal padrão independente.
Representação Wiener
Wiener (1923) também deu uma representação de um caminho browniano em termos de uma série aleatória de Fourier . Se forem variáveis gaussianas independentes com média zero e variância um, então
e
representam um movimento browniano diante . O processo em escala
é um movimento browniano sobre (cf. teorema de Karhunen-Loève ).
Máximo de execução
A distribuição conjunta do máximo em execução
e W t é
Para obter a distribuição incondicional de , integre sobre −∞ < w ≤ m :
a função de densidade de probabilidade de uma distribuição semi-normal . A expectativa é
Se no momento o processo de Wiener tem um valor conhecido , é possível calcular a distribuição de probabilidade condicional do máximo no intervalo (cf. Distribuição de probabilidade de pontos extremos de um processo estocástico de Wiener ). A função de distribuição de probabilidade cumulativa do valor máximo, condicionada pelo valor conhecido , é:
Auto-similaridade
Escala browniana
Para cada c > 0, o processo é outro processo de Wiener.
Inversão de tempo
O processo para 0 ≤ t ≤ 1 é distribuído como W t para 0 ≤ t ≤ 1.
Inversão de tempo
O processo é outro processo Wiener.
Uma classe de martingales brownianos
Se um polinômio p ( x , t ) satisfaz o PDE
então o processo estocástico
é um martingale .
Exemplo: é um martingale, que mostra que a variação quadrática de W em [0, t ] é igual a t . Conclui-se que o tempo esperado de primeira saída de W de (- c , c ) é igual a c 2 .
Mais geralmente, para cada polinômio p ( x , t ), o seguinte processo estocástico é um martingale:
onde a é o polinômio
Exemplo: o processo
é um martingale, o que mostra que a variação quadrática do martingale em [0, t ] é igual a
Sobre funções p ( xa , t ) mais gerais do que polinômios, consulte martingales locais .
Algumas propriedades de caminhos de amostra
O conjunto de todas as funções w com essas propriedades é de plena medida Wiener. Ou seja, um caminho (função de amostra) do processo Wiener tem quase todas essas propriedades.
Propriedades qualitativas
- Para cada ε> 0, a função w assume valores (estritamente) positivos e (estritamente) negativos em (0, ε).
- A função w é contínua em todos os lugares, mas diferenciável em nenhum lugar (como a função de Weierstrass ).
- Os pontos de máximo local da função w são um conjunto contável denso; os valores máximos são diferentes entre pares; cada máximo local é agudo no seguinte sentido: se w tem um máximo local em t, então
- O mesmo se aplica aos mínimos locais.
- A função w não possui pontos de aumento local, ou seja, nenhum t > 0 satisfaz o seguinte para algum ε em (0, t ): primeiro, w ( s ) ≤ w ( t ) para todo s em ( t - ε, t ), e em segundo lugar, w ( s ) ≥ w ( t ) para todo s em ( t , t + ε). (O aumento local é uma condição mais fraca do que w está aumentando em ( t - ε, t + ε).) O mesmo vale para a diminuição local.
- A função w é de variação ilimitada em cada intervalo.
- A variação quadrática de w em [0, t] é t.
- Zeros da função w são um conjunto perfeito e denso em lugar nenhum da medida de Lebesgue 0 e dimensão de Hausdorff 1/2 (portanto, incontável).
Propriedades quantitativas
Lei do logaritmo iterado
Módulo de continuidade
Módulo de continuidade local:
Módulo de continuidade global (Lévy):
Horário local
A imagem da medida de Lebesgue em [0, t ] sob o mapa w (a medida pushforward ) tem uma densidade L t (·). Assim,
para uma ampla classe de funções f (a saber: todas as funções contínuas; todas as funções integráveis localmente; todas as funções mensuráveis não negativas). A densidade L t é (mais exatamente, pode e será escolhida para ser) contínua. O número L t ( x ) é chamado de hora local em x de w em [0, t ]. É estritamente positivo para todos os x do intervalo ( a , b ), onde um e b são o mínimo e o maior valor de w no [0, T ], respectivamente. (Para x fora desse intervalo, a hora local evidentemente desaparece.) Tratada como uma função de duas variáveis x e t , a hora local ainda é contínua. Tratada como uma função de t (enquanto x é fixo), a hora local é uma função singular correspondente a uma medida não atômica no conjunto de zeros de w .
Essas propriedades de continuidade são bastante não triviais. Considere que a hora local também pode ser definida (como a densidade da medida pushforward) para uma função suave. Então, entretanto, a densidade é descontínua, a menos que a função dada seja monótona. Em outras palavras, existe um conflito entre o bom comportamento de uma função e o bom comportamento de sua hora local. Nesse sentido, a continuidade do tempo local do processo Wiener é outra manifestação da não suavidade da trajetória.
Taxa de informação
A taxa de informação do processo de Wiener em relação ao quadrado da distância de erro, ou seja, sua função de distorção de taxa quadrática , é dada por
Portanto, é impossível codificar usando um código binário menor que bits e recuperá-lo com erro quadrático médio esperado menor que . Por outro lado, para qualquer um , existe um código binário grande o suficiente e não mais do que elementos distintos, de modo que o erro quadrático médio esperado na recuperação desse código seja no máximo .
Em muitos casos, é impossível codificar o processo Wiener sem amostrá- lo primeiro. Quando o processo Wiener é amostrado em intervalos antes de aplicar um código binário para representar essas amostras, a compensação ideal entre a taxa de código e o erro quadrático médio esperado (na estimativa do processo Wiener de tempo contínuo) segue a representação paramétrica
onde e . Em particular, é o erro quadrático médio associado apenas à operação de amostragem (sem codificação).
Processos relacionados
O processo estocástico definido por
é chamado de processo de Wiener com deriva μ e variância infinitesimal σ 2 . Esses processos esgotam os processos contínuos de Lévy .
Dois processos aleatórios no intervalo de tempo [0, 1] aparecem, grosso modo, ao condicionar o processo de Wiener a desaparecer em ambas as extremidades de [0,1]. Sem nenhum condicionamento adicional, o processo assume valores positivos e negativos em [0, 1] e é chamado de ponte browniana . Condicionado também para permanecer positivo em (0, 1), o processo é denominado excursão browniana . Em ambos os casos, um tratamento rigoroso envolve um procedimento limitante, uma vez que a fórmula P ( A | B ) = P ( A ∩ B ) / P ( B ) não se aplica quando P ( B ) = 0.
Um movimento browniano geométrico pode ser escrito
É um processo estocástico que serve para modelar processos que nunca podem assumir valores negativos, como o valor dos estoques.
O processo estocástico
é distribuído como o processo de Ornstein-Uhlenbeck com parâmetros , , e .
O tempo de atingir um único ponto x > 0 pelo processo de Wiener é uma variável aleatória com a distribuição de Lévy . A família dessas variáveis aleatórias (indexadas por todos os números positivos x ) é uma modificação contínua à esquerda de um processo de Lévy . A modificação contínua à direita desse processo é dada pelos tempos da primeira saída dos intervalos fechados [0, x ].
O tempo local L = ( L x t ) x ∈ R , t ≥ 0 de um movimento browniano descreve o tempo que o processo passa no ponto x . Formalmente
onde δ é a função delta de Dirac . O comportamento da hora local é caracterizado pelos teoremas de Ray-Knight .
Martingales brownianos
Seja A um evento relacionado ao processo de Wiener (mais formalmente: um conjunto, mensurável em relação à medida de Wiener, no espaço de funções), e X t a probabilidade condicional de A dado o processo de Wiener no intervalo de tempo [0 , t ] (mais formalmente: a medida de Wiener do conjunto de trajetórias cuja concatenação com a trajetória parcial dada em [0, t ] pertence a A ). Então, o processo X t é um martingale contínuo. Sua propriedade martingale segue imediatamente a partir das definições, mas sua continuidade é um fato muito especial - um caso especial de um teorema geral afirmando que todos os martingales brownianos são contínuos. Um martingale browniano é, por definição, um martingale adaptado à filtração browniana; e a filtragem browniana é, por definição, a filtragem gerada pelo processo de Wiener.
Movimento browniano integrado
A integral do tempo do processo Wiener
é chamado de movimento browniano integrado ou processo Wiener integrado . Origina-se em muitas aplicações e pode ser demonstrado que têm a distribuição N (0, t 3 /3), calculada utilizando o facto da covariância do processo de Wiener é .
Para o caso geral do processo definido por
Então, para ,
Na verdade, é sempre uma variável aleatória normal de média zero. Isto permite a simulação de dada pela tomada
onde Z é uma variável normal padrão e
O caso de corresponde a . Todos esses resultados podem ser vistos como consequências diretas da isometria Itô . O processo de Wiener integrado n -vezes é uma variável normal de média zero com variância . Isso é dado pela fórmula de Cauchy para integração repetida .
Mudança de horário
Todo martingale contínuo (começando na origem) é um processo de Wiener alterado no tempo.
Exemplo: 2 W t = V (4 t ) onde V é outro processo de Wiener (diferente de W, mas distribuído como W ).
Exemplo. onde e V é outro processo de Wiener.
Em geral, se M é um martingale contínuo, então onde A ( t ) é a variação quadrática de M em [0, t ], e V é um processo de Wiener.
Corolário. (Veja também os teoremas de convergência do martingale de Doob ) Seja M t um martingale contínuo, e
Então, apenas os dois casos a seguir são possíveis:
outros casos (como etc.) são de probabilidade 0.
Especialmente, um martingale contínuo não negativo tem um limite finito (como t → ∞) quase que certamente.
Tudo o que foi declarado (nesta subseção) para martingales também se aplica a martingales locais .
Mudança de medida
Uma ampla classe de semimartingales contínuos (especialmente, de processos de difusão ) está relacionada ao processo de Wiener por meio de uma combinação de mudança de tempo e mudança de medida .
Usando esse fato, as propriedades qualitativas declaradas acima para o processo de Wiener podem ser generalizadas para uma ampla classe de semimartingales contínuos.
Processo Wiener de valor complexo
O processo de Wiener de valor complexo pode ser definido como um processo aleatório de valor complexo da forma em que e são processos de Wiener independentes (de valor real).
Auto-similaridade
Escala browniana, inversão de tempo, inversão de tempo: o mesmo que no caso de valor real.
Invariância de rotação: para cada número complexo de forma que o processo seja outro processo de Wiener de valor complexo.
Mudança de horário
Se for uma função inteira, então o processo é um processo Wiener de valor complexo alterado pelo tempo.
Exemplo: onde
e é outro processo Wiener de valor complexo.
Em contraste com o caso de valor real, um martingale de valor complexo geralmente não é um processo de Wiener de valor complexo alterado pelo tempo. Por exemplo, o martingale não é (aqui e são processos Wiener independentes, como antes).
Veja também
Generalidades: |
Amostragem de caminho numérico:
|
Notas
Referências
- Kleinert, Hagen (2004). Integrais de Caminho em Mecânica Quântica, Estatística, Física de Polímeros e Mercados Financeiros (4ª ed.). Singapura: World Scientific. ISBN 981-238-107-4.(também disponível online: arquivos PDF )
- Stark, Henry; Woods, John (2002). Probabilidade e processos aleatórios com aplicações para processamento de sinais (3ª ed.). Nova Jersey: Prentice Hall. ISBN 0-13-020071-9.
- Revuz, Daniel; Yor, Marc (1994). Martingales contínuos e movimento browniano (segunda edição). Springer-Verlag.
links externos
- Artigo para criança em idade escolar
- Movimento browniano, "Diverse and Undulating"
- Discute a história, botânica e física das observações originais de Brown, com vídeos
- "A previsão de Einstein finalmente testemunhada um século depois" : um teste para observar a velocidade do movimento browniano
- "Aplicação Web Interativa: Processos Estocásticos usados em Finanças Quantitativas" .