logo

伊藤乗算表 📂確率微分方程式

伊藤乗算表

ビルドアップ

s<t<t+us< t < t+u と言うとき、次の条件を満たす確率過程 {Wt}\left\{ W_{t} \right\}ウィーナー過程と呼ぶ。

  • (i): W0=0W_{0} = 0
  • (ii): (Wt+uWt)Ws\left( W_{t+u} - W_{t} \right) \perp W_{s}
  • (iii): (Wt+uWt)N(0,u)\left( W_{t+u} - W_{t} \right) \sim N ( 0, u )
  • (iv): WtW_{t} のサンプルパスはほぼ全ての場所で連続である。

ウィーナー過程は次のような性質を持つ。

  • [1]: WtN(0,t)\displaystyle W_{t} \sim N ( 0 , t )
  • [2]: E(Wt)=0\displaystyle E ( W_{t} ) = 0
  • [3]: Var(Wt)=t\displaystyle \Var ( W_{t} ) = t
  • [4]: cov(Wt,Ws)=12(t+sts)=min{t,s}\displaystyle \text{cov} ( W_{t} , W_{s} ) = {{1} \over {2}} (|t| + |s| - |t-s|) = \min \left\{ t , s \right\}

ウィーナー過程 {Wt}t0\left\{ W_{t} \right\}_{t \ge 0} の非常に短い微小区間 [t,t+dt]\left[ t , t + d t \right] を考えてみる。解析的に厳密な仮定ではないが、dt>0dt > 0(dt)1/2>0\left( dt \right)^{1/2} > 0 であり、全てのk=2,3,k = 2 , 3, \cdotsに対して (dt)k=0\left( dt \right)^{k} = 0 と扱えるほど小さいとしよう。代数的な用語を借りれば、これらの仮定の下で、我々は α+βdt\alpha + \beta dt二項係数として扱うのだ。

さて、dWt:=Wt+dtWtdW_{t} := W_{t + dt} - W_{t} と定義したとき dtdtdWtd W_{t} の間の積を考えてみよう。


Part 1. (dt)2=0\left( dt \right)^{2} = 0

もちろん dt>0dt > 0 だが、dtdt が非常に小さいため (dt)2=0\left( dt \right)^{2} = 0 としよう。


Part 2. dtdWt=0dt d W_{t} = 0

WtW_{t} はウィーナー過程と仮定したため、正規分布に従い dWtN(0,dt2)d W_{t} \sim N \left( 0, \sqrt{dt}^{2} \right) となる。

平均と分散の性質:

  • [2]: E(aX+b)=aE(X)+bE(aX + b) = a E(X) + b
  • [5]: Var(aX+b)=a2Var(X)\Var (aX + b) = a^2 \Var (X)

dtdWtdt d W_{t} の期待値は定数 dtdt が外に出る E(dtdWt)=dtE(dWt)=dt0=0 E \left( dt d W_{t} \right) = dt E \left( d W_{t} \right) = dt \cdot 0 = 0 dtdWtdt d W_{t} の分散も dtdt が二乗を取って外に出るため Var(dtdWt)=(dt)2Var(dWt)=0Var(dWt)=0 \Var \left( dt d W_{t} \right) = (dt)^{2} \Var \left( d W_{t} \right) = 0 \cdot \Var \left( d W_{t} \right) = 0 これによれば dtdWtdt d W_{t} は分散が 00 なので定数であり、期待値が 00 なので正確に dtdWt=dWtdt=0 dt d W_{t} = d W_{t} dt = 0 でなければならない。


Part 3. (dWt)2=dt\left( d W_{t} \right)^{2} = dt

Var(dWt)=dt\Var \left( d W_{t} \right) = dt から dWtdWtd W_{t} \cdot d W_{t} の期待値を求めると dt=Var(dWt)=E((dWt)2)[E(dWt)]2=E((dWt)2)02 \begin{align*} dt =& \Var \left( d W_{t} \right) \\ =& E \left( \left( d W_{t} \right)^{2} \right) - \left[ E \left( d W_{t} \right) \right]^{2} \\ =& E \left( \left( d W_{t} \right)^{2} \right) - 0^{2} \end{align*} となるので E((dWt)2)=dtE \left( \left( d W_{t} \right)^{2} \right) = dt だ。

平均が0の正規分布に従う確率変数の累乗の期待値: 確率変数 XX正規分布 N(0,σ2)N \left( 0 , \sigma^{2} \right) に従うとき、その累乗 XnX^{n}期待値は次のように再帰的な公式で表される。 E(Xn)=(n1)σ2E(Xn2) E \left( X^{n} \right) = (n - 1) \sigma^{2} E \left( X^{n-2} \right) E(Xn)E \left( X^{n} \right)nn が奇数のとき 00 であり、偶数のとき次のようになる。 E(X2n)=(2n1)!!σ2n E \left( X^{2n} \right) = \left( 2n - 1 \right)!! \sigma^{2n} ここでびっくりマークが二つ入っている k!!=k(k2)k!! = k \cdot \left( k - 2 \right) \cdotsダブル階乗を表す。

dWtN(0,dt2)d W_{t} \sim N \left( 0, \sqrt{dt}^{2} \right) と仮定したので dWtd W_{t} は平均が 00 の正規分布に従い、(dWt)2\left( d W_{t} \right)^{2} の分散は確率変数累乗の期待値公式 E(X2n)=(2n1)!!σ2nE \left( X^{2n} \right) = \left( 2n - 1 \right)!! \sigma^{2n} によって Var((dWt)2)=E([(dWt)2]2)[E((dWt)2)]2=E((dWt)22)[dt]2=(221)dt22dt2=3dt2dt2=2dt2=0 \begin{align*} \Var \left( \left( d W_{t} \right)^{2} \right) =& E \left( \left[ \left( d W_{t} \right)^{2} \right]^{2} \right) - \left[ E \left( \left( d W_{t} \right)^{2} \right) \right]^{2} \\ =& E \left( \left( d W_{t} \right)^{2 \cdot 2} \right) - \left[ dt \right]^{2} \\ =& \left( 2 \cdot 2 - 1 \right) \sqrt{dt}^{2 \cdot 2} - dt^{2} \\ =& 3 dt^{2} - dt^{2} \\ =& 2 dt^{2} \\ =& 0 \end{align*} となる。これによれば (dWt)2\left( d W_{t} \right)^{2} は分散が 00 なのでただの定数であり、期待値が dtdt なので正確に (dWt)2=dt \left( d W_{t} \right)^{2} = dt でなければならない。

要約 1

α+βdt\alpha + \beta dt二項係数と仮定しよう。 dtdtdWtd W_{t} の積は次のようになる。 (dt)2=0dtdWt=0dWtdt=0(dWt)2=dt \begin{align*} \left( dt \right)^{2} =& 0 \\ dt d W_{t} =& 0 \\ d W_{t} dt =& 0 \\ \left( d W_{t} \right)^{2} =& dt \end{align*}


  1. Panik. (2017). Stochastic Differential Equations: An Introduction with Applications in Population Dynamics Modeling: p129. ↩︎