跳到主要內容

[隨機過程] Wiener Integral (1) - simple function

在介紹之前,建議讀者須具備 Brownian motion (or Wiener process)的基本定義與相關性質。

事實上,Brownian motion $W_t$ 的行為可被視為是對 White noise 隨機過程 積分;也就是說 如果我們令 $X_t$ 為一 White noise 隨機過程 ,則 Brownian motion 可視為是 將此 White noise 送入 一組 積分器 (integrator) ,且其對應的輸出隨機過程 $Y_t$可表示成
\[
Y_t := \int_0^t X_{\tau} d\tau = W_t
\]

Comment:
1. White noise 為( Wide-sense stationary, WSS )隨機過程
2. WSS 隨機過程訊號輸入 LTI系統 必得到輸出亦為 WSS,且輸入輸出互為 Jointly-WSS。關ˊ於 jointly-WSS 的部分有興趣的讀者請參閱:[系統理論] (弱)平穩隨機過程特性 與 線性非時變系統 (2)- Jointly wide-sense stationary and Frequency domain property

現在如果將 White noise 送入一個具有脈衝響應為 $h(t)$的 relaxed LTI 系統 (relaxed 意指在初始時間為 $0$之前系統為靜止狀態 ),那麼其輸出仍可寫為 convolution integral 形式如下:
\[\int_0^\infty  {h\left( {t - \tau } \right){X_\tau }} d\tau  = \int_0^\infty  {h\left( \tau  \right){X_{t - \tau }}} d\tau \]或者我們令 $g(\tau) := h(t- \tau)$可改寫上式如下
\[\int_0^\infty  {g\left( \tau  \right){X_\tau }} d\tau  \ \ \ \ (*)
\]那麼上述對 "White noise" 的積分是否可以定義??

現在我們令 $g(\tau)$ 為在 (被分割 partitioned)區間 $(t_i, t_{i+1}]$上取值為 $g_i$ 的分段常數(piecewise constant) 或稱為 simple function:
\[g(\tau ): = \sum\limits_{i = 1}^n {{{\rm{g}}_i}{1_{\left( {{t_i},{t_{i + 1}}} \right]}}\left( \tau  \right)} \]其中 $1(\cdot)$為 indicator function。
則我們可以將 $(*)$ 改寫為
\[\begin{array}{*{20}{l}}
{\int_0^\infty  {g\left( \tau  \right){X_\tau }} d\tau  = \int_0^\infty  {\sum\limits_{i = 1}^n {{{\rm{g}}_i}{1_{\left( {{t_i},{t_{i + 1}}} \right]}}\left( \tau  \right)} {X_\tau }} d\tau }\\
{\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} = \sum\limits_{i = 1}^n {{{\rm{g}}_i}\int_0^\infty  {{1_{\left( {{t_i},{t_{i + 1}}} \right]}}\left( \tau  \right)} {X_\tau }} d\tau }\\
{\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} = \sum\limits_{i = 1}^n {{g_i}\int_{{t_i}}^{{t_{i + 1}}} {{X_\tau }} d\tau } }\\
{\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} = \sum\limits_{i = 1}^n {{g_i}\left( {\int_0^{{t_{i + 1}}} {{X_\tau }} d\tau  - \int_0^{{t_i}} {{X_\tau }} d\tau } \right)} : = \sum\limits_{i=1}^{n} {{g_i}\left( {{W_{{t_{i+1}} }} - {W_{{t_i}}}} \right)} }
\end{array}\]其中 $W_t$ 為 Wiener process 或稱 Brownian motion。


故我們定義 Wiener integral 如下
============================
Definition: Wiener Integral for piecewise constant function
對一個 piecewise constant 函數 $g(\tau)$,其 Wiener integral 定義為
\[
\int_0^\infty g(\tau) dW_\tau := \sum_{i=1}^n g_i (W_{t_{i+1}} - W_{t_i})
\]============================

注意到上式定義中,等號右方為 加總(summation ) 一組 互相獨立 且 zero mean 的 Gaussian 隨機變數。故此 summation 之後亦必仍為 Gaussian 隨機變數 且其 mean 為 $0$ , variance 為
\[\begin{array}{l}
E\left[ {{{\left( {\int_0^\infty  g (\tau )d{W_\tau }} \right)}^2}} \right] = E\left[ {{{\left( {\sum\limits_{i = 1}^n {{g_i}} ({W_{{t_{i + 1}}}} - {W_{{t_i}}})} \right)}^2}} \right]\\
 = E\left[ {\sum\limits_{i = 1}^n {{g_i}^2} {{({W_{{t_{i + 1}}}} - {W_{{t_i}}})}^2} + \sum\limits_{i = 1}^n {{g_i}} ({W_{{t_{i + 1}}}} - {W_{{t_i}}})\sum\limits_{j = 1}^n {{g_j}} ({W_{{t_{j + 1}}}} - {W_{{t_j}}})} \right]\\
 = \underbrace {E\left[ {\sum\limits_{i = 1}^n {{g_i}^2} {{({W_{{t_{i + 1}}}} - {W_{{t_i}}})}^2}} \right]}_{for\begin{array}{*{20}{c}}
{}
\end{array}i = j} + \underbrace {E\left[ {\sum\limits_{i = 1}^n {{g_i}} ({W_{{t_{i + 1}}}} - {W_{{t_i}}})\sum\limits_{j = 1}^n {{g_j}} ({W_{{t_{j + 1}}}} - {W_{{t_j}}})} \right]}_{for\begin{array}{*{20}{c}}
{}
\end{array}i \ne j}\\
 = \sum\limits_{i = 1}^n {{g_i}^2} E\left[ {{{({W_{{t_{i + 1}}}} - {W_{{t_i}}})}^2}} \right] + \sum\limits_{i = 1}^n {{g_i}} \sum\limits_{j = 1}^n {{g_j}} E\left[ {({W_{{t_{i + 1}}}} - {W_{{t_i}}})({W_{{t_{j + 1}}}} - {W_{{t_j}}})} \right]\\
 = \sum\limits_{i = 1}^n {{g_i}^2} {\sigma ^2}\left( {{t_{i + 1}} - {t_i}} \right) + \underbrace {\sum\limits_{i = 1}^n {{g_i}} \sum\limits_{j = 1}^n {{g_j}} E\left[ {{W_{{t_{i + 1}}}} - {W_{{t_i}}}} \right]E\left[ {{W_{{t_{j + 1}}}} - {W_{{t_j}}}} \right]}_{ = 0}\\
 = \sum\limits_{i = 1}^n {{g_i}^2} {\sigma ^2}\left( {{t_{i + 1}} - {t_i}} \right) = \int_0^\infty  {{g^2}} (\tau )d\tau
\end{array}\]故我們得到
\[E\left[ {{{\left( {\int_0^\infty  g (\tau )d{W_\tau }} \right)}^2}} \right] = \int_0^\infty  {{g^2}} (\tau )d\tau \]

Comment:
1. 對於 $g(\tau)$ 不再是 piecewise constant,但若滿足平方可積條件
\[
\int_0^\infty g(\tau)^2d\tau <\infty
\]則 Wiener integral 仍可透過取極限來定義。
2. \[E\left[ {{{\left( {\int_0^\infty  g (\tau )d{W_\tau }} \right)}^2}} \right] = \int_0^\infty  {{g^2}} (\tau )d\tau \]又稱為 Ito isometry。
3. 若 Wiener integral 允許對隨機過程積分,如
\[
\int_0^\infty W_\tau d W_\tau, \;\; \int_0^\infty B_{\tau} d B_\tau
\]其中 $W_t$ (or $B_t$) 稱為 Wiener process 或者 Brownian motion。此種 積分稱為 Ito integral。有興趣讀者請參閱
[隨機分析] Ito Integral 淺談 (I) - Ito Integral 的建構與 Ito Isometry property

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