فرایند وینر

از ویکی‌پدیا، دانشنامهٔ آزاد
(تغییرمسیر از فرآیند وینر)
پرش به: ناوبری، جستجو
فرآیند وینر یک بعدی
فرآیند وینر سه بعدی

فرایند وینر ، یک فرایند تصادفی پیوسته در زمان در ریاضیات است که به افتخار نوربرت وینر نامگذاری شده است.  این فرایند به اسم حرکت براونی استاندارد هم شناخته میشود ، به خاطر کارهای رابرت براون. این یکی از بهترین فرایند هایLévy است. (فرایند تصادفی Càdlàg با خاصیت رشد مستقل مانا ) و در ریاضیات محض و کاربردی ، اقتصاد ، مالیه ریاضی و فیزیک کاربردهای زیادی دارد. 

فرایند وینر هم در ریاضیات محض و هم در ریاضبات کاربردی کاربرد دارد. کاربرد آن در ریاضیات محض برای بررسی زمان-پیوسته مدل مارتینگل (martingales) است که یک مدل برای بررسی این است که چقدر یک فرایند تصادفی میتواند پیچیده باشد است. در نتیجه نقش حیاتی درمحاسبات احتمالی و انتشار فرآیندها و حتی نظریه پتانسیل دارد. این فرایند از Schramm–Loewner تکامل نتیجه میشود. در ریاضیات کاربردی ، فرایند وینر برای نشان دادن تجمیع نویز سفید فرایند گوسی استفاده میشود بنابراین در مهندسی الکترونیک برای مدل کردن نویز از آن استفاده میشود (نویز Brownian را هم ببینید) همچنین به عنوان ابزار خطا در تئوری فیلتر و نیروهای ناشناخته در تئوری کنترل کاربرد دارد.

فرآیند وینردر سراسر علوم محاسباتی کاربردهای متنوعی دارد . در فیزیک از آن برای مطالعه حرکت براونی استفاده می شود همچنین در مطالعه درباره انتشار ذرات معلق در مایع و انواع دیگر انتشار به صورت فوکر–پلانک و معادلات انگوین کاربرد دارد.همچنین پایه های دقیقی برای توصیف فرمولبندی مسیر انتگرال در مکانیک کوانتومی به ما میدهد (با فرآیند وینر و به وسیله فرمول فاینمن -کاک میتوان یک راه حل برای معادله شرودینگر ارایه داد) و برای مطالعه تورم ابدی در کیهان شناسی فیزیکی نیز کاربرد دارد. این فرایند نقش برجسته ای در تئوری ریاضی امور مالی به ویژه Black–Scholes به عنوان مدلی برای قیمت گذاری ذارد.

مشخصات فرایند وینر[ویرایش]

فرایند وینر Wt با مشخصه زیر تعیین میشود:[۱]

  1. به صورت قریب به یقین W0 = 0
  2. W رشد مستقل داشته باشد : یعنی Wt+u - Wt مستقل از( σ(Ws: s ≤ t برای u ≥ 0
  3. W رشد گوسی داشته باشد: یعنی Wt+u - Wt توزیع نرمال با میانگین 0 و واریانس u  باشد.Wt+u−Wt ~ N(0, u)
  4. W مسیر پبوسته باشد: یعنی با احتمال 1تابع  Wt در t پیوسته باشد.

رشد مستقل داشته باشد به این معنی است که اگر 0 ≤ s1 < t1s2 < t2 آنگاه Wt1Ws1 و Wt2Ws2 متغیر تصادفی مستقل باشند.

فرایند وینر همچنین میتواند به مشخصه ای تعیین شود به نام مشخصه Lévy که می گوید که فرایند وینر به صورت قریب به یقین پیوسته martingale با W0 = 0 باشد و درجه دوم تنوع معادل wt,wt] = t] داشته باشد(که به این معنی است که Wt2t نیز martingale باشد).

سومین مشخصه این است که فرایند وینر یک طیفی نمایندگی به صورت سری سینوسی با ضرایب مستقل به صورت متغیر تصادفی N(0, 1) باشد. این نمایش می تواند با استفاده از قضیه Karhunen–Loève بدست آید.

دیگر ویژگی فرایند وینر داشتن انتگرال معین (از صفر تا زمان t) با میانگین ۰ است و واریانس ۱ و همبستگی تابع ضربه به صورت فرایند گوسی سفید است.

فرایند وینر را می توان به عنوان حد پوسته پوسته شدن یک تصادفی پیاده روی و یا هر فرایند تصادفی زمان-گسسته با خاصیت رشد مستقل مانا در نظر گرفت. این به عنوان قضیه Donsker شناخته میشود. مثل پیاده روی تصادفی ، فرایند وینر هم در یک یا دو بعد تکرار شونده است ( یعنی به صورت قریب به یقین برای هر مبدا به یکی از همسایه ها میرسد) ولی در سه بعد و بالاتر تکرار شونده نیست. بر خلاف پیاده روی تصادفی مستقل از مقیاس نیست. یعنی[نیازمند منبع]

برای هر ثابت غیر صفر a یک فرایند وینر است. مقیاس وینر یک قاتوت احتمال در فضای توابع پیوسته g با g(0)=0 بر اساس فرایند وینر است. انتگرال بر اساس مقیاس وینر انتگرال وینر نام دارد.

فرآیند وینر به عنوان یک حد از ولگشت[ویرایش]

فرض کنید متغیر تصادفی مستقل با توضیع یکسان با میانگین 0 و واریانس 1 باشد. برای هر n یک فرایند تصادفی زمان پیوسته در نظر بگیرید:

این یک تابع گام تصادفی است. چون که \xi _{k} ها مستقل هستند ، اختلاف  ها مستقل از هم میشوند . با توجه به قضیه حد مرکزی برای n های بزرگ  به توزیع نزدیک میشود. این اتفاق باعث میشود که احتمال بدهیم با افزایش n   تبدیل به فرایند وینر خواهد شد ، و این احتما درست است!اثبات این قضیه با تئوری Donsker بدست میآید.

خواص فرآیند وینر یک بعدی[ویرایش]

یک کلاس از Brownian martingales[ویرایش]

خواص اساسی[ویرایش]

چگالی احتمال تابع بدون شرط ، با توزیع نرمال با ميانگين 0 و واریانس در زمان ثابت t:

در این فرایند میانگین 0 است:

و واريانس آن ، با توجه به فرمول اصلی محاسبه واریانس t است :

کوواریانس و همبستگی[ویرایش]

کوواریانس و همبستگی فرایند:

میانگین و واریانس به سادگی و با استفاده از تعریف توزیع نرمال بدست میآید. در نتیجه

کوواریانس و همبستگی فرایند از تعریف و اینکه رشد در بازه های غیر مشترک مستقل هست بدست میآید ، که ما تنها از ناهمبسته بودن آنها استفاده میکنیم. فرض کنید که t1 < t2.

اگر \W_{t2} به صورت زیر جایگزین شود :

به عبارت زیر میرسیم :

از آ«جا که W(t1) = W(t1) − W(t0) و W(t2) − W(t1) مستقل هستند

در نتیجه

نمایش وینر[ویرایش]

وینر (1923) همچنین یک نمایش از مسیر براونی ، در شرایط تصادفی سریهای فوریه داد. اگر  ها متغیرهای گوسی مستقل با ميانگين صفر و واريانس 1 باشند ، آنگاه :

و

نشان دهنده حرکت براونی در فاصله 

یک حرکت براونی در فاصله  (ر. ک. Karhunen–Loève قضیه).

حداکثر نمونه[ویرایش]

توزیع مشترک حداکثر نمونه

که در آن Wt :

برای پیدا کردن توزیع بدن شرط  −∞ < wm :

و میانگین آن[۲]

خودهمانندی[ویرایش]

برخی از خواص مسیرهای نمونه[ویرایش]

نمایش فرایند براونی اسکیل شده ، برای  با کاهش . توجه داشته باشید که با زوم کردین میانگین تابع تغییر نمی کند و توجه داشته باشید که در زوم ، در محور افقی ، به صورت توان دو سریعتر از زوم در محور عمودی است.

Brownian اسکیل[ویرایش]

مشخصات فرآیند وینر[ویرایش]

برای هر c > 0 فرایند  یک فرایند وینر دیگر است.

برگشت زمانی[ویرایش]

فرآیند وینر حد پیاده روی تصادفی[ویرایش]

فرایند  در بازه0 ≤ t ≤ 1 همانند فرایند Wt در بازه 0 ≤ t ≤ 1 است.

وارونگی زمانی[ویرایش]

فرایند 

یک کلاس از Brownian martingales[ویرایش]

اگر چند جمله ای p(x, t) شرایط PDE را ارضا کند

انگاه فرایند تصادفی

یک مارتینگیل است.

مثال: یک مارتینگیل است که نشان می دهد که متغیر درجه دو W در بازه [0, t] برابر است. این نتیجه میدهد که میانگین زمان اولین خروج W در بازه (−cبا c) برابر با cاست.

به طور کلی برای هر چند جمله ای p(x, t) فرایند تصادفی زیر یک مارتینگیل است

که در آن a چند جمله ای زیر است :

مثال: فرایند

یک مارتینگیل است که نشان می دهد که متغیر درجه دو مارتینگیل  [0, t] برابر است با

درباره توابع p(xa, t) در حالت کلی ( غیر از چندجمله ای) مارتینگیل محلی (local martingales) را ببینید.

مجموعه ای از تمام توابع w با این خواص کامل مقیاس وینر است. یک مسیر (تابع نمونه) از فرایند وینر ،قریب به یقین تمام این خواص را دارد.

خواص کيفی[ویرایش]

  • برای هر ε > 0 تابع w هم مقادیر مثیت و هم مقادیر منفی را در بازه (0, ε) دارد.
  • تابع w در همه جا پیوسته است اما در هیچ جا مشتق پذیر نیست (مانند تابع وایرشتراس).
  • حداکثر های محلی تابع w متراکم و شمارا هستند. نقاط حداکثر دوبه دومتفاوت هستند. هر حداکثر محلی به صورت زیر تیز است: اگر w در tحداکثر محلی داشته باشد آنگاه :
برای حداقل های محلی هم به طور مشابه است.
  • تابع w هیچ نقطه افزایش محلی ندارد. یعنی هیچ t > 0 وجود ندارد که برای یک ε در بازه (0, t) شروط زیر را ارضا کند. اولا : w(s) ≤ w(t) برای هر sدر بازه  (t − ε , t) و ثانیا w(s) ≥ w(t) برای هر s در بازه (t, t + ε). (افزایش محلی از اینکه w در بازه (t − ε , t + ε) افزایش یابد ، شرط ضعیفتری است .) برای کاهش محلی هم به طور مشابه است.
  • تابع w در هر بازه زمانیتغییرات بدون محدودیت دارد.
  • متغیر درجه دوم wدر بازه [0,t] برابر t است.

در مقایسه با ارزش واقعی مورد پیچیده به ارزش شرط است به طور کلی یک زمان-تغییر پیچیده-ارزش وینر روند. برای مثال شرط 2Xt + iYt است (در اینجا Xtبا Yt مستقل هستند وینر فرآیندهای مانند قبل).

منابع[ویرایش]

  1. Durrett 1996, Sect. 7.1
  2. Shreve, Steven E (2008). Stochastic Calculus for Finance II: Continuous Time Models. Springer. p. 114. ISBN 978-0-387-40101-0.