跳到主要內容

[隨機過程] Wiener Integral (2) - arbitrary function

回憶先前我們曾定義對於 (nonrandom) simple function 的 Wiener integral,亦即對時間 $t$ 做有限個數區間內做分割 且對 $t_i < t \le t_{i+1}$, $g(\tau) = g_i$,反之則 $g(\tau) = 0$。

則我們定義 Wiener integral 為
\[\int_0^\infty  {g\left( \tau  \right)d{W_\tau }} : = \sum\limits_i^{} {{g_i}\left( {{W_{{t_{i + 1}}}} - {W_{{t_i}}}} \right)}
\]且由於此積分為對一組 independent, zero mean Gaussian random variable 做 summation,故此積分必為 zero mean Gaussian random variable 且 variance 為
\[E\left[ {{{\left( {\int_0^\infty  {g\left( \tau  \right)d{W_\tau }} } \right)}^2}} \right] = {\sigma ^2}\sum\limits_i^{} {{g_i}^2\left( {{t_{i + 1}} - {t_i}} \right)}  = {\sigma ^2}\int_0^\infty  {{g^2}\left( \tau  \right)d\tau } \]

現在我們要拓展 Wiener integral 到對任意函數 $g$ 。為了拓展到更廣的函數 $g$ 需要一些限制,我們要求 $g$ 必須滿足平方可積條件亦即
\[
\int_0^\infty g^2(\tau) d\tau < \infty
\]
現在我們看個結果:
===================
FACT: (Dense property) 若 $g$ 為平方可積 (亦即 $\int_0^\infty g^2(\tau) d\tau < \infty$),則必定存在一 piecewise-constant 函數 sequence $g_n$ 且此 $g_n \rightarrow g$ in $L^2$
\[\mathop {\lim }\limits_{n \to \infty } \int_0^\infty  {{{\left| {{g_n}\left( \tau  \right) - g\left( \tau  \right)} \right|}^2}d\tau }  = 0 \ \ \ \ (*)
\]===================
Proof: omitted.

現在我們回憶 函數的 $L^2$-norm:
\[\left\| g \right\|_2^2: = \int_0^\infty  {{g^2}\left( \tau  \right)d\tau } \]那麼對於上述 FACT的式 $(*)$ 而言,事實上我們有
\[
\lim_{n \rightarrow \infty}||g_n - g||_2^2 =0
\]另外,由於 $g_n$ 為收斂到 $g$ 的 piecewise-constant 函數 sequence,且我們知道收斂 sequence 必為 Cauchy sequence。故存在一夠大的 $N>0$ 使得 $n,m \ge N$,
\[
||g_n - g_m||_2^2 \rightarrow 0
\]故我們知道 $g_n$ 為 Cauchy,且由於 $g_n$ 為 nonrandom simple function (piecewise-constant 函數),故我們可以利用之前對 piecewise-constant 的定義建構 Wiener integral。故令隨機變數 $Y_n$ 定為 Wiener integral
\[
Y_n := \int_0^\infty g_n(\tau) dW_{\tau}
\]其中 $g_n$ 為 piecewise-constant function 。由之前討論可知 $Y_n$ 為 zero mean 的 Gaussian 隨機變數且 variance 為
\[{\sigma ^2}\int_0^\infty  {{g^2}\left( \tau  \right)d\tau }
\]現在我們觀察
\[\begin{array}{l}
\left\| {{Y_n} - {Y_m}} \right\|_2^2: = {\rm{E}}\left[ {{{\left| {{Y_n} - {Y_m}} \right|}^2}} \right]\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}&{}&{}
\end{array} = {\rm{E}}\left[ {{{\left| {\int_0^\infty  {{g_n}} (\tau )d{W_\tau } - \int_0^\infty  {{g_m}} (\tau )d{W_\tau }} \right|}^2}} \right]\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}&{}&{}
\end{array} = {\rm{E}}\left[ {{{\left| {\int_0^\infty  {\left[ {{g_n}(\tau ) - {g_m}(\tau )} \right]} d{W_\tau }} \right|}^2}} \right]\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}&{}&{}
\end{array} = {\sigma ^2}\underbrace {\int_0^\infty  {{{\left[ {{g_n}(\tau ) - {g_m}(\tau )} \right]}^2}} d\tau }_{: = \left\| {{g_n}(\tau ) - {g_m}(\tau )} \right\|_2^2}
\end{array}\]故我們有
\[\left\| {{Y_n} - {Y_m}} \right\|_2^2 = {\sigma ^2}\left\| {{g_n}(\tau ) - {g_m}(\tau )} \right\|_2^2\]又因為$g_n$ 為 Cauchy,故 $Y_n$ 亦為 Cauchy,由 $L^2$ 為 complete,可知必存在一個隨機變數 $Y \in L^2$ 使得 $||Y_n - Y||_2 \rightarrow 0$。故此我們定義此隨機變數為
\[
Y:= \int_0^\infty g(\tau) dW_{\tau}
\]並稱其為對任意函數 $g$ 的 Wiener integral。

留言

這個網誌中的熱門文章

[數學分析] 什麼是若且唯若 "if and only if"

數學上的 if and only if  ( 此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。) 中文翻譯叫做  若且唯若 (or 當且僅當) , 記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛莫能助,畢竟有翻跟沒翻一樣,都是有看沒有懂。 在數學上如果看到 if and only if  這類的句子,其實是表示一種 雙條件句 ,通常可以直接將其視為" 定義(Definition)" 待之,今天要分享的是這樣的一個句子如何用比較直觀的方法去看他 假設我們現在有 兩個邏輯陳述句 A 與  B. 注意到,在此我們不必考慮這兩個陳述句到底是什麼,想表達什麼,或者到底是否為真(true),這些都不重要。只要知道是兩個陳述即可。 現在,考慮新的陳述:  "A if and only if B" 好了,現在主角登場,我們可以怎麼看待這個句子呢? 事實上我們可以很直覺的把這句子拆成兩部分看待,也就是 "( A if B ) and ( A only if B )" 那麼先針對第一個部分  A if B  來看, 其實這句就是說  if B then A, 更直白一點就是 "if B is true, then A is also true".  在數學上等價可以寫為 "B implies A" .  或者更常用一個箭頭符號來表示 "B $\Rightarrow$  A"  現在針對第二個部分  A only if B 此句意指  "If B is not true, then A is also not true". 所以如果已知 A is true,  那麼按照上句不難推得 B is also true 也就是說  A only if B  等價為 "If A is true then B is also true". 同樣,也可以寫作   "A implies B"   或者用箭頭表示  "A   $\Rightarrow$     B".

[數學分析] 淺談各種基本範數 (Norm)

這次要介紹的是數學上一個重要的概念: Norm: 一般翻譯成 範數 (在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 Norm 想成長度就好 (事實上norm是長度的抽象推廣), 也許讀者會認為好端端的長度不用,為何又要發明一個 norm 來自討苦吃?? 既抽象又艱澀。 事實上想法是這樣的: 比如說現在想要比較兩個數字 $3$ , $5$ 之間的大小,則我們可以馬上知道 $ 3 < 5 $;同樣的,如果再考慮小數與無理數如 $1.8753$ 與 $\pi$,我們仍然可以比較大小 $1.8753 < \pi = 3.1415...$ 故可以發現我們有辦法對 "純量" 做明確的比大小,WHY? 因為前述例子中 $3$, $5$, $1.8753$ or $\pi$ 其各自的大小有辦法被 "measure "! 但是如果是現在考慮的是一組數字 我們如何去measure 其大小呢?? 比如說 \[x:=[1, -2, 0.1, 0 ]^T \]上式的大小該是多少? 是 $1$? $-2$? $0.1$??? 再者如果更過分一點,我們考慮一個矩陣 \[A = \left[ {\begin{array}{*{20}{c}} 1&2\\ 3&4 \end{array}} \right] \],想要知道這個矩陣的大小又該怎麼辦?? 是 $1$ ? $2$ 還是 $4$ ?..其實現階段我們說不清楚。 也正是如此,可以發現我們確實需要新的 "長度" 的定義來幫助我們如何去 measure 矩陣/向量/甚至是函數的大小。 故此,我們首先定義甚麼是Norm,(也就是把 "長度" or "大小" 的本質抽離出來) ================== Definition: Norm 考慮 $V$ 為一個向量空間(Vector space),則我們說  Norm 為一個函數 $||\cdot|| : V \rightarrow \mathbb{R}$ 且滿足下列性質