logo

伊藤過程 📂確率微分方程式

伊藤過程

定義 1

確率空間 (Ω,F,P)( \Omega , \mathcal{F} , P)フィルトレーション {Ft}t0\left\{ \mathcal{F}_{t} \right\}_{t \ge 0} が与えられて、ウィーナープロセス {Wt}t0\left\{ W_{t} \right\}_{t \ge 0}Ft\mathcal{F}_{t}-適応していて、fL1[0,)f \in \mathcal{L}^{1} [0 , \infty)gL2[0,)g \in \mathcal{L}^{2} [0 , \infty) に対して、以下のような 11次元連続 Ft\mathcal{F}_{t}-適応 確率過程 {Xt}t0\left\{ X_{t} \right\}_{t \ge 0}11 次元 イートープロセスという。 X(t):=X0+0tf(s)ds+0tg(s)dWs X (t) := X_{0} + \int_{0}^{t} f(s) ds + \int_{0}^{t} g(s) d W_{s}


  • Lp(E)\mathcal{L}^{p} (E) は、定義域が EE である関数たちを集めたルベーグ空間だ。

説明

普通、上の定義そのままでは、積分記号が多くて使いづらいので、確率微分を使って次のように表されることが多い。 dX(t)=f(t)dt+g(t)dWt d X(t) = f(t) dt + g(t) d W_{t}

一般化 2

ij    Wi(t)Wji \ne j \implies W_{i} (t) \perp W_{j} 次元ブラウニアン モーション {Wt}t0:=(W1(t),,Wm(t))\left\{ \mathbf{W}_{t} \right\}_{t \ge 0} := \left( W_{1} (t) , \cdots , W_{m} (t) \right)Ft\mathcal{F}_{t}-適応していて f(t)=(f1(t),,fd(t))L1([0,)d)g(t)=[g11(t)g1m(t)gd1(t)gdm(t)]L2([0,)d×m) \begin{align*} \mathbf{f} (t) = \left( f_{1} (t) , \cdots , f_{d} (t) \right) \in & \mathcal{L}^{1} \left( [0, \infty)^{d} \right) \\ \mathbf{g} (t) = \begin{bmatrix} g_{11} (t) & \cdots & g_{1m} (t) \\ \vdots & \ddots & \vdots \\ g_{d1} (t) & \cdots & g_{dm} (t) \end{bmatrix} \in & \mathcal{L}^{2} \left( [0, \infty)^{d \times m} \right) \end{align*} ベクトル関数 f:[0,)Rd\mathbf{f} : [0, \infty) \to \mathbb{R}^{d}行列関数 g:[0,)Rd×m\mathbf{g} : [0, \infty) \to \mathbb{R}^{d \times m} に対して、以下のような dd次元連続 Ft\mathcal{F}_{t}-適応 確率過程 {Xt}t0\left\{ \mathbf{X}_{t} \right\}_{t \ge 0}dd 次元 イートープロセスという。 X(t):=X0+0tf(s)ds+0tg(s)dWs \mathbf{X} (t) := \mathbf{X}_{0} + \int_{0}^{t} \mathbf{f}(s) ds + \int_{0}^{t} \mathbf{g}(s) d \mathbf{W}_{s} もちろん、これも以下のような確率微分形で書ける。 dX(t)=f(t)dt+g(t)dWt d \mathbf{X}(t) = \mathbf{f}(t) dt + \mathbf{g}(t) d \mathbf{W}_{t}


  1. Panik. (2017). Stochastic Differential Equations: An Introduction with Applications in Population Dynamics Modeling: p120. ↩︎

  2. Panik. (2017). Stochastic Differential Equations: An Introduction with Applications in Population Dynamics Modeling: p127. ↩︎