III Appello di Processi Stocastici 2011/12 Cognome:
Laurea Magistrale in Matematica Nome:
10 settembre 2012 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 {Xn}n∈N0 variabili aleatorie reali, definite su uno spazio di probabilit`a (Ω, F , P), tutte a valori nell’insieme {0, 1, . . . , 8}. Introduciamo la filtrazione naturale {Fn}n∈N0, definita da Fn := σ(X0, X1, . . . , Xn) per n ∈ N0. Supponiamo che per ogni n ∈ N0,
P(Xn+1= k | Fn) = P(Xn+1= k | Xn) , ∀k ∈ {0, . . . , 8} , (1) da cui segue (perch´e?) che
E(Xn+1| Fn) = E(Xn+1| Xn) . (2)
La legge di X0, e la legge condizionale di Xn+1 dato Xn, sono date rispettivamente da X0 ∼ U nif ({0, 1, . . . , 8})
P(Xn+1= k | Xn= h) := P(Z(h)= k) , con Z(h) ∼ Bin
8,h
8
, ∀k, h ∈ {0, 1, . . . , 8} , dove con Bin(8, 0) intendiamo la misura di Dirac concentrata nel punto 0, mentre con Bin(8, 1) intendiamo la misura di Dirac concentrata nel punto 8. Pi`u esplicitamente, P(X0 = k) := 19 per ogni k ∈ {0, . . . , 8}, mentre
P(Xn+1= k | Xn= h) := q(h, k) =
1{k=0} se h = 0
8 k
h
8
k
1 −h88−k
se h ∈ {1, . . . , 7}
1{k=8} se h = 8
. (3)
(a) Si calcoli E(Xn+1| Xn = h), per ogni h ∈ {0, . . . , 8} e n ∈ N. Si derivi quindi E(Xn+1| Fn) e si deduca che {Xn}n∈N0 `e una martingala.
(b) Si mostri che il limite
X∞ := lim
n→∞Xn
esiste q.c. e in L1. Per quali p ∈ [1, ∞) la convergenza ha luogo anche in Lp?
Introduciamo ora il tempo d’ingresso τ : Ω → N0∪ {+∞} di {Xn}n∈N0 nell’insieme {0, 8}:
τ := inf{n ∈ N0 : Xn= 0 oppure Xn= 8} .
(c) Si giustifichino l’uguaglianza e la disuguaglianza nella seguente relazione:
P(Xn+1∈ {0, 8} | Fn) = q(Xn, 0) + q(Xn, 8) ≥ 1 8
8
, ∀n ∈ N0. (4)
dove la funzione q(·, ·) `e definita in (3).
(d) Si deduca che esiste c > 0 tale che
P(τ ≤ n + 1 | Fn) ≥ c , ∀n ∈ N0, (5)
e si concluda che E(τ ) < ∞, motivando le risposte.
(e) Si mostri che q.c. vale l’inclusione di eventi
τ < ∞ ⊆ X∞∈ {0, 8}
e si deduca che P(X∞∈ {0, 8}) = 1.
(f) Si determini E(X∞) e si deduca quindi la legge di X∞.
2
Soluzione 1. (a) Si noti che le variabili Xnsono limitate, quindi in L1, e chiaramente adattate alla filtrazione. Dalle probabilit`a condizionali si calcola facilmente
E(Xn+1| Xn= h) =
8
X
k=0
k P(Xn+1 = k | Xn= h) = E(Z(h)) = 8 ·h 8 = h ,
avendo usato il fatto che E(Bin(n, p)) = np. Ricordando il legame tra legge condizionale e speranza condizionale, si ha
E(Xn+1| Xn) = E(Xn+1| Xn= h)|h=Xn = Xn.
Dato che E(Xn+1| Fn) = E(Xn+1| Xn) grazie a (2), segue che {Xn}n∈N0 `e una martingala.
(b) Dato che |Xn| ≤ 8 per ogni n ∈ N0, la martingala {Xn}n∈N0 `e limitata in Lp per ogni p ∈ [1, ∞). Di conseguenza il limite X∞esiste q.c. e in Lp per ogni p ∈ [1, ∞).
(c) Grazie a (2), ricordando le propriet`a della legge condizionale, si ha che P(Xn+1∈ {0, 8} | Fn) = P(Xn+1 = 0 | Fn) + P(Xn+1= 8 | Fn)
= P(Xn+1 = 0 | Xn) + P(Xn+1= 8 | Xn) = q(Xn, 0) + q(Xn, 8) . Notiamo che q(0, 0) = 1, q(8, 8) = 1 mentre per h ∈ {1, . . . , 7} si ha q(h, 8) = (h8)8 ≥ (18)8. Questo completa la giustificazione di (4). Per la relazione (5), basta notare che
{τ ≤ n + 1} ⊇ {τ = n + 1} = {Xn+1∈ {0, 8}} , pertanto
P(τ ≤ n + 1 | Fn) ≥ P(Xn+1∈ {0, 8} | Fn) ≥ c := 1 8
8
.
Infine, per quanto visto a lezione (Williams, §10.11), la relazione (5) implica che E(τ ) < ∞.
(d) Dalla definizione delle probabilit`a di transizione q(h, k) segue immediatamente che 0 e 8 sono stati assorbenti, dato che q(0, 0) = q(8, 8) = 1. In particolare, se Xn ∈ {0, 8} per qualche n ∈ N0, allora q.c. Xn+1∈ {0, 8}, quindi (perch´e?) q.c. Xk∈ {0, 8} per ogni k ≥ n, dunque anche X∞:= limk→∞Xk∈ {0, 8}. In altri termini, q.c.
{Xn∈ {0, 8}} ⊆ {X∞∈ {0, 8}} , ∀n ∈ N0. Dato che {τ < ∞} =S
n∈N0{Xn∈ {0, 8}}, segue che q.c. {τ < ∞} ⊆ {X∞∈ {0, 8}}.
Per il punto precedente E(τ ) < ∞, dunque P(τ < ∞) = 1 e quindi P(X∞∈ {0, 8}) = 1.
(e) Dato che Xn → X∞ in L1, si ha E(X∞) = limn→∞E(Xn). Ma E(Xn) = E(X0) per ogni n ∈ N0, per propriet`a di martingala, e E(X0) = 4 perch´e X0 ∼ U nif ({0, . . . , 8}), dunque E(X∞) = 4. Per il punto precedente P(X∞ = 0) + P(X∞ = 8) = 1, e dato che E(X∞) = 0 P(X∞= 0) + 8 P(X∞= 8) si deduce che P(X∞= 0) = P(X∞= 8) = 12.
3
Esercizio 2. Siano B = {Bt}t∈[0,∞), W = {Wt}t∈[0,∞) due moti browniani reali indipendenti, definiti su uno spazio di probabilit`a filtrato (Ω, A, {Ft}t∈[0,∞), P). Introduciamo un processo X = {Xt}t∈[0,∞) definito in uno dei cinque modi seguenti:
(1) Xt := √ t B1;
(2) Xt := Bt0+t, con t0∈ (0, ∞) fissato ; (3) Xt := Bt2− t ;
(4) Xt := e−Bt−t2/2− 1 ; (5) Xt := 2−1/2(Bt+ Wt) .
Ci riferiremo nel seguito a queste definizioni come “caso (1)”, “caso (2)”, ecc.
(a) In quale/i dei cinque casi il processo X `e un moto browniano?
(b) In quale/i dei cinque casi il processo X `e una martingala (nel caso (2), rispetto alla filtrazione {Gt:= Ft0+t}t∈[0,∞))?
(c) In quale/i dei cinque casi Xt ha legge normale per ogni t > 0?
Soluzione 2. (a) Nel caso (1) il processo X ha traiettorie q.c. differenziabili in (0, ∞), dunque non `e un moto browniano (in alternativa, nel prossimo punto mostriamo che X non `e una martingala). Nel caso (2) X0 = Bt0 6= 0 q.c. perch´e Bt0 ∼ N (0, t0) che `e una legge assolutamente continua per t0 > 0, dunque X non `e un moto browniano. Nel caso (3) si ha Xt ≥ −t, dunque Xt non pu`o avere legge N (0, t), perch´e P(N (0, t) < −t) > 0, quindi X non `e un moto browniano. Analogamente, nel caso (4) Xt≥ −1 e dunque X non `e un moto browniano. Infine, nel caso (5) il processo X `e un moto browniano. Mostriamo innanzitutto che `e un processo gaussiano, cio`e ogni combinazione lineare finita a1Xt1+ . . . + akXtk `e una variabile aleatoria reale normale, per ogni scelta di k ∈ N, a1, . . . , ak ∈ R e 0 ≤ t1 < . . . <
tk≤ 1. Si ha
a1Xt1 + . . . + akXtk = (2−1/2a1Bt1+ . . . + 2−1/2akBtk) + (−2−1/2a1Wt1− . . . − 2−1/2akWtk) , e le variabili aleatorie contenute nelle due parentesi nel membro destro sono normali, in quanto combinazioni lineari di componenti dei processi gaussiani B e W , rispettivamente;
inoltre tali variabili sono indipendenti, perch´e i processi B e W sono indipendenti; dato che somma di variabili normali indipendenti `e normale, abbiamo mostrato che X `e un processo gaussiano. X ha chiaramente traiettorie continue e media nulla. Inoltre
Var(Xt) = 2−1Var(Bt) + 2−1Var(Wt) + 2 2−1Cov(Bt, Wt) = 2−1(t + t + 2 · 0) = t , avendo usato che Cov(Bt, Wt) = 0, perch´e i processi B e W , e dunque le variabili aleatorie Bt e Wt, sono indipendenti. Per la caratterizzazione del moto browniano come processo gaussiano, segue che X `e un moto browniano.
(b) Si mostra facilmente che in tutti i casi Xt∈ L1 e Xt`e Ft-misurabile (Gt-misurabile nel caso (2)), per cui resta da chiedersi in quali casi
E(Xt|Fs) = Xs, ∀0 ≤ s ≤ t < ∞ (con Fs → Gs nel caso (2)) . (6) Gi`a sappiamo che X `e una martingala nei casi (3) e (5): nel caso (3) `e stato dimostrato a lezione mentre per il caso (5) segue dal fatto che X `e un moto browniano, come gi`a mostrato.
Anche nel caso (2) X `e una martingala, perch´e la relazione (6) `e facilmente verificata:
E(Xt|Gs) = E(Bt0+t|Ft0+s) = Bt0+s = Xs, avendo usato il fatto che il moto browniano B `e una martingala.
Infine, nel caso (1) X non `e una martingala, perch´e ad esempio per s > 1 si ha che B1 `e Fs misurabile, e dunque
E(Xt|Fs) = √
t E(B1|Fs) = √
tBt = Xt6= Xs.
4
Anche nel caso (4) X non `e una martingala, perch´e non ha media costante: infatti, dato che Bt∼ N (0, t), E(Xt) = E(e−Bt)e−t2/2− 1 = et/2−t2/2− 1.
(c) Xt ha legge normale per ogni t nel caso (5), perch´e X `e un moto browniano, e nei casi (1) e (2), perch´e Xt`e funzione lineare di Bu per un opportuno u e Bu `e normale. Nei casi (3) e (4) Xtnon ha legge normale per nessun t > 0, come gi`a mostrato in un punto precedente.