Laurea Magistrale in Matematica 2014/15 Nome:
23 Giugno 2015 Email:
Quando non `e espressamente indicato il contrario, per la soluzione degli esercizi `e possibile usare tutti i risultati visti a lezione (compresi quelli di cui non `e stata fornita la dimostrazione).
Esercizio 1. Siano X, Y variabili aleatorie reali con densit`a congiunta fX,Y(x, y) := 2
(1 + x)3 1{0<y<x}.
(a) Si determini la legge condizionale µY |X di Y data X, riconoscendola come notevole. Si determini quindi la legge condizionale µX|Y di X data Y .
Introduciamo una nuova variabile aleatoria U ∼ U (0, 1) indipendente da X e Y . Poniamo Y := XU .e
(b) Si determini la legge condizionale µY |Xe di eY data X. Si osservi che essa coincide con la legge condizionale µY |X determinata al punto precedente.
(c) Si giustifichi la seguente affermazione: per ogni funzione ϕ : R2 → R misurabile e limitata, si ha che E[ϕ(X, Y )] = E[ϕ(X, eY )].
Soluzione 1. (a) Determiniamo la densit`a marginale fX di X, da cui deduciamo la densit`a con- dizionale fY |X di Y data X. La legge condizionale cercata sar`a µY |X(dy|x) = fY |X(y|x) dy.
Chiaramente fX(x) = 0 per x ≤ 0, mentre per x > 0 fX(x) =
Z
R
fX,Y(x, y) dy = Z x
0
2
(1 + x)3dy = 2x (1 + x)3. Segue che per x > 0
fY |X(y|x) = fX,Y(x, y) fX(x) =
2
(1+x)31{0<y<x}
2x (1+x)3
= 1
x1(0,x)(y) . Si noti che fY |X(y|x) non `e altro che la densit`a della probabilit`a U (0, x).
Capovolgiamo ora i ruoli di X e Y . Chiaramente fY(y) = 0 se y ≤ 0, mentre per y > 0 fY(y) =
Z
R
fX,Y(x, y) dx = Z ∞
y
2
(1 + x)3dx =
− 1
(1 + x)2
∞ y
= 1
(1 + y)2 . Segue che per y > 0
fX|Y(x|y) = fX,Y(x, y) fY(y) =
2
(1+x)31{y<x}
1 (1+y)2
= 2(1 + y)2
(1 + x)3 1(y,∞)(x) .
(b) Per il lemma di congelamento, la legge condizionale di eY = XU data X `e il nucleo di probabilit`a µ(·|x) dato dalla legge di xU . Avendo U legge U (0, 1), `e immediato verificare che xU ha legge U (0, x). Quindi µ
Y |Xe = µY |X. (c) Per le propriet`a della legge condizionale
E[ϕ(X, Y )] = Z
R
Z
R
ϕ(x, y)µY |X(dy|x)
µX(dx)
e analogamente
E[ϕ(X, eY )] = Z
R
Z
R
ϕ(x, y)µ
Y |Xe (dy|x)
µX(dx) . Ma µY |X = µ
Y |Xe , per il punto precedente, quindi E[ϕ(X, Y )] = E[ϕ(X, eY )].
Esercizio 2. Sia (Xn)n∈N una successione di variabili aleatorie reali indipendenti e sia Fn:= σ(X1, . . . , Xn) , n ∈ N ,
la filtrazione naturale associata. Si supponga che per un certo a > 0 fissato convergano le seguenti tre serie numeriche:
∞
X
n=1
P(|Xn| > a) < ∞ ;
∞
X
n=1
EXn1{|Xn|≤a} < ∞ ;
∞
X
n=1
VarXn1{|Xn|≤a} < ∞ . Definiamo quindi i processi (Yn)n∈N e (Mk)k∈N ponendo
Yn:= Xn1{|Xn|≤a}− EXn1{|Xn|≤a} ; Mk:=
k
X
n=1
Yn. (a) Si dica se la variabile aleatoria Yn`e Fn-misurabile, per n ∈ N.
(b) Si mostri che (Mk)k∈N `e una martingala rispetto a (Fk)k∈N. (c) Si mostri che la martingala (Mk)k∈N converge P-q.c. e in L2. (d) Si deduca dal punto precedente (e dalle ipotesi) che la serie
∞
X
n=1
Xn1{|Xn|≤a}
converge P-q.c. a un limite reale.
(e) (*) Si deduca dal punto precedente (e dalle ipotesi) che la serie
∞
X
n=1
Xn
converge P-q.c. a un limite reale.
Soluzione 2. (a) S`ı, lo `e. Infatti Yn = ϕn(Xn) con ϕn(x) := x1{|x|≤a} − cn una funzione misurabile (dove cn= E[Xn1{|Xn|≤a}`e una costante reale). Pertanto Yn`e σ(Xn)-misurabile, e a maggior ragione `e Fn-misurabile.
(b) Segue dal punto precedente che Mn `e Fn-misurabile, ossia il processo M `e adattato. Per costruzione ||Xn|1{|Xn|≤a}| ≤ a, pertanto anche |E[|Xn|1{|Xn|≤a}]| ≤ a e dunque |Yn| ≤ 2a per disuguaglianza triangolare. Essendo limitate, le variabili aleatorie Yn sono in Lp per ogni p e quindi anche Mk (somma finita di Yn) lo `e. Infine
E[Mk|Fk−1] =
k
X
n=1
EYn
Fk−1 =
k−1
X
n=1
Yn
!
+ E[Yk] = Mk−1, dal momento che per n ≤ k − 1 si ha EYn
Fk−1 = Yn(perch´e Yn`e Fn-misurabile e dunque anche Fk−1-misurabile), mentre per n = k si ha EYk
Fk−1
= E[Yk] = 0 (perch´e Yk `e funzione di Xk e dunque `e indipendente da Fk−1). Ci`o mostra che E[Mk|Fk−1] = Mk−1. (c) Mostriamo che la martingala M `e limitata in L2, da cui segue che M converge q.c. e in L2.
Per quanto visto a lezione (una martingala ha incrementi ortogonali in L2) ci`o equivale a
∞
X
n=1
E[(Mk− Mk−1)2] < ∞ .
Notando che E[(Mk− Mk−1)2] = E[Yk2] = Var[Xk1{|Xk|≤a}], la convergenza di tale serie `e vera per ipotesi.
(d) Per definizione, per ogni k ∈ N, Mk=
k
X
n=1
Xn1{|Xn|≤a}
!
−
k
X
n=1
E[Xn1{|Xn|≤a}]
! , ossia
k
X
n=1
Xn1{|Xn|≤a}= Mk −
k
X
n=1
E[Xn1{|Xn|≤a}] .
Abbiamo appena mostrato che q.c. Mkha limite finito, e anche la serie numerica nel membro destro ha limite finito per ipotesi. Segue dunque che, q.c., anche la serie del membro sinistro ha limite finito.
(e) Per ogni k ∈ N possiamo scrivere
k
X
n=1
Xn=
k
X
n=1
Xn1{|Xn|≤a}+
k
X
n=1
Xn1{|Xn|>a}.
Abbiamo mostrato che la prima serie nel membro destro converge q.c., quindi basta mostrare che anche la seconda serie converge q.c.. A tal fine usiamo l’ipotesi
∞
X
n=1
P(|Xn| > a) < ∞ ,
da cui segue (Borel-Cantelli) che P(lim supn∈N{|Xn| > a}) = 0, ossia q.c. si verifica solo un numero finito di eventi {|Xn| > a}, ossia q.c. si ha |Xn| ≤ a per n sufficientemente grande.
Ci`o significa che q.c. si ha Xn1{|Xn|>a}= 0 per n sufficientemente grande, ossia q.c. la serie Pk
n=1Xn1{|Xn|>a}`e una somma finita, e dunque (banalmente) converge.
Esercizio 3. Sia (Bt)t≥0 un moto browniano definito su uno spazio di probabilit`a (Ω, A, P), con traiettorie t 7→ Bt(ω) continue per ogni ω ∈ Ω (e non solo per q.o. ω ∈ Ω). Introduciamo per n ∈ N la variabile aleatoria Wn e l’evento An definiti da
Wn:= B2n− B2n−1, An:=n
Wn≥ 2n2o
(a) Le variabili aleatorie (Wn)n∈Nsono indipendenti? Quali sono le loro distribuzioni marginali?
(b) Si mostri che gli eventi An hanno la stessa probabilit`a p > 0.
(c) Si mostri che q.c. si verificano infiniti degli eventi (An)n∈N. Definiamo τ : Ω → [0, ∞] ponendo
τ (ω) := infn
t ∈ [1, ∞) : Bt(ω) ≥ Bt
2(ω) +√ to
,
con la convenzione inf ∅ := ∞. Sia inoltre FtB := σ(Bu : 0 ≤ u ≤ t) la filtrazione naturale di B.
(d) Si mostri che il processo (Xt:= Bt− Bt/2−√
t)t≥0 `e adattato alla filtrazione (FtB)t≥0. La variabile aleatoria τ `e un tempo d’arresto (rispetto a tale filtrazione)?
(e) Si deduca dai punti precedenti che τ < ∞ q.c..
Soluzione 3. (a) Le variabili aleatorie Wn sono indipendenti perch´e sono incrementi del moto browniano B relativi a intervalli di tempo disgiunti. Per le note propriet`a di scaling si ha Wn∼ N (0, 2n− 2n−1) = N (0, 2n−1).
(b) Indicando con Z ∼ N (0, 1) si ha
P(An) = P(Wn≥ 2n/2) = P B2n − B2n−1
√2n− 2n−1 ≥ 2n/2
√2n− 2n−1
!
= P(Z ≥√
2) =: p , e naturalmente p > 0 (perch´e Z ha una densit`a strettamente positiva ovunque).
(c) Basta applicare il lemma di Borel-Cantelli, notando che gli eventi (An)n∈N sono indipen- denti, dal momento che lo sono le variabili aleatorie (Wn)n∈N.
(d) Chiaramente (Bt/2)t≥0 `e un processo adattato a (FtB)t≥0, perch´e Bt/2 `e Ft/2B -misurabile e dunque `e a maggior ragione FtB-misurabile. Segue che anche il processo Xt:= Bt−Bt/2−√
t
`e adattato a (FtB)t≥0.
Segue che τ `e tempo d’arresto, in quanto tempo d’ingresso nel chiuso [0, ∞) per il processo adattato (Yt)t≥0 che ha traiettorie continue.
In alternativa, pi`u esplicitamente, {τ ≤ t} = ∅ per t < 1, mentre per t ≥ 1 {τ ≤ t} = {∃s ∈ [1, t] : Xs≥ 0} = [
s∈[1,t]
{Xs≥ 0} .
Essendo il processo X adattato, si ha {Xs≥ 0} ∈ FsB ⊆ FtBper ogni s ≤ t, tuttavia l’unione S
s∈[1,t] `e pi`u che numerabile e non possiamo automaticamente dedurre che {τ ≤ t} ∈ FtB. L’idea `e di sfruttare la continuit`a delle traiettorie di X per ricondursi a un’unione numer- abile. Si osservi che non `e corretto considerare S
s∈[1,t]∩Q, perch´e una funzione continua potrebbe essere strettamente negativa in ogni punto di [1, t] ∩ Q ma annullarsi in un punto di [1, t] \ Q. Un modo di risolvere la questione `e di osservare che, per la continuit`a delle traiettorie di X, ponendo Q+:= (0, ∞) ∩ Q, possiamo scrivere
{τ ≤ t} = {∀ε ∈ Q+ ∃s ∈ [1, t] : Xs> −ε} .
Ancora per continuit`a delle traiettorie di X, se Xt> −ε allora Xu > −ε per ogni u in un intorno di t, che certamente comprende valori razionali di u; pertanto
{τ ≤ t} = {∀ε ∈ Q+ ∃s ∈ [1, t] ∩ Q : Xs> −ε} = \
ε∈Q+
[
s∈[1,t]∩Q
{Xs> −ε} .
Dato che {Xs> −ε} ∈ FsB ⊆ FtBper ogni s ≤ t, essendoci ricondotti a unioni e intersezioni numerabili, segue che {τ ≤ t} ∈ FtB per ogni t ≥ 0. Ci`o mostra che τ `e un tempo d’arresto.
(e) Per i punti precedenti q.c. si verificano infiniti degli eventi An. D’altro canto, se An si verifica, si ha Bs ≥ Bs/2+√
s con s = 2n, per definizione di An, e dunque τ ≤ 2n. A maggior ragione, τ < ∞ q.c.. Pi`u formalmente:
lim sup
n∈N
An= \
k∈N
[
n≥k
An⊆ [
n≥1
An= {∃t = 2n: Bt− Bt/2 ≥√
t} ⊆ {τ < ∞}
e dunque 1 = P(lim supn∈NAn) ≤ P(τ < ∞), ossia P(τ < ∞) = 1.