跳到主要內容

[隨機過程] 布朗運動的 Reflection Principle 與 First Passage Time Problem

定義 $\{ W_t\}$ 為標準布朗運動。現給定常數邊界 $b >0$,定義 停止時間 (stopping time) 或稱 首次穿越時間 (First passage time)
\[
\tau_b := \inf \{ t : W_t \ge b\}
\]
我們想要計算 $P(\tau_b \le t) = ?$

上述問題稱為 首次穿越時間問題 (First passage time (FPT) problem)

=========
那麼如何求解上述FPT問題呢?

首先注意到
\[
\{ \tau_b \le t, W_t >b \} \equiv \{ W_t > b\}
\] 上式成立由於布朗運動的 sample path 連續性 (Path Continuity),與 $W(0)=0$,故 $W_t > b  \Rightarrow \tau_b \le t$,亦即 $\{ W_t > b\} \subset \{ \tau_b \le t\}$。故
\[
\{ \tau_b \le t, W_t >b \} \equiv \{ W_t > b\}
\]

現在我們計算 $P(\tau_b \le t) $,利用 Law of total Probability 可得
\[\begin{array}{l}
P({\tau _b} \le t) = P({\tau _b} \le t,{W_t} < b) + P({\tau _b} \le t,{W_t} > b) \\
\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} = P({W_t} < b|{\tau _b} \le t)P\left( {{\tau _b} \le t} \right) + P({\tau _b} \le t,{W_t} > b)\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} = P({W_t} < b|{\tau _b} \le t)P\left( {{\tau _b} \le t} \right) + P({W_t} > b) ....\ \ \ \ (*)
\end{array}
\]上式中的 $P(W_t > b)$ 可以由布朗運動定義計算出來,因為 $W_t \sim \cal{N}(0,t)$,故
\[
P(W_t > b) = 1 - P(W_t \le b) = 1 - \Phi(\frac{b}{\sqrt{t}})
\] 其中 $\Phi(\cdot)$ 為 Standard Normal Cumulative Distribution Function.

接著,我們計算 $P({W_t} < b|{\tau _b} \le t)$,事實上由 Path Continuity 我們可知 $W_{\tau_b} = b$,故在給定 $\tau_b \le t$ 的時候,隨機過程在時刻 $t$ 時 高於 邊界 $b$ 的機率 與 低於 邊界 $b$ 的機率應該相同;亦即
\[
P({W_t} < b|{\tau _b} \le t) = \frac{1}{2}
\]
(上述結果稱為 Reflection Principle ,嚴格證明需要利用 Strong Markov property,但此處我們略過)。下圖亦顯示了 Reflection Principle 的想法



故我們將上述結果代回 $(*)$,可得
\[\begin{array}{l}
P({\tau _b} \le t) = P({W_t} < b|{\tau _b} \le t)P\left( {{\tau _b} \le t} \right) + P({W_t} > b)\\
 \Rightarrow P({\tau _b} \le t) = \frac{1}{2}P\left( {{\tau _b} \le t} \right) + P({W_t} > b)\\
 \Rightarrow P\left( {{\tau _b} \le t} \right) = 2P({W_t} > b) = 2\left( {1 - \Phi \left( {\frac{b}{{\sqrt t }}} \right)} \right)
\end{array}\]



Ref: Joseph T. Chang, "Stochastic Processes Lecture Note" Yale University.

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