Processi Stocastici 2010/11 – Foglio di esercizi n. 5†
Esercizio 1. Sia {Bt}t≥0un moto browniano reale tale che t �→ Bt(ω)è continua per ogni (e non solo per q.o.) ω ∈ Ω.
(a) Si mostri che�1
0Btdt è una variabile aleatoria normale e se ne calcolino media e varianza.
[Sugg. Ricordarsi le somme di Riemann e il Teorema di Fubini]
(b) (*) Si mostri che inft∈[0,1]Btnon è una variabile normale.
Esercizio 2. Sia B = {Bt}t≥0 un moto browniano reale. Data una partizione π = {0 = t0 < t1 < . . . < tk = t} dell’intervallo [0, t], indichiamone il passo con |π| = max1≤i≤k(ti− ti−1). Introducendo la variazione quadratica Sπ=�k
i=1(Bti− Bti−1)2di Brelativa a π, sappiamo che per |π| → 0 si ha Sπ→ t in L2. Più precisamente, abbiamo visto che esiste una costante 0 < c < ∞ universale tale che
E�
(Sπ− t)2�
= c�k
i=1(ti− ti−1)2.
Sia {π(n)}n∈Nuna successione di partizioni π(n)={0 = t(n)0 < t(n)1 < . . . < t(n)kn = t}, tale che non solo |π(n)| → 0 per n → ∞, ma anche�
n∈N|π(n)| < ∞.
(a) Si mostri che, per ogni ε > 0,�
n∈NP(|Sπ(n)− t| > ε) < ∞.
[Sugg. Applicare un’opportuna disuguaglianza.]
(b) (*) Si deduca che Sπ(n)→ t q.c. per n → ∞.
Esercizio 3(Invarianza per rotazioni del moto browniano in Rn).
(a) Sia B := {Bt}t≥0 un moto browniano n-dimensionale e sia L una matrice reale n× n. Definiamo il processo β := {βt}t≥0 ponendo βt:= LBt. Si mostri che β è un moto browniano n-dimensionale se e soltanto se L ∈ O(n) (cioè L è ortogonale:
LL∗= L∗L = In, dove L∗indica la trasposta di L).
(b) Sia B := {Bt}t≥0un moto browniano n-dimensionale (con n ≥ 2) e x, y vettori in Rn ortogonali di norma uno: �x, x� = �y, y� = 1 e �x, y� = 0, dove �·, ·� indica il prodotto scalare standard. Si mostri che i processi stocastici {Xt:=�x, Bt�}t≥0e {Yt:=�y, Bt�}t≥0sono due moti browniani reali indipendenti.
Esercizio 4. Sia B = {Bt}t≥0un moto browniano reale, di cui indichiamo con Gt:=
σ({Bu}0≤u≤t)la filtrazione naturale. Supponiamo per semplicità che le traiettorie t �→
Bt(ω)siano continue per ogni ω ∈ Ω (e non solo q.c.). Definiamo An :=
� sup
0≤u≤1n
Bu> 0
�
, per n ∈ N , A := �
n∈N
An.
Ci si convinca che l’evento A può essere descritto come “in ogni intorno destro di 0 il moto browniano assume valori strettamente positivi”.
†Ultima modifica: 4 maggio 2011.
2
(a) Si mostri che An+1⊆ An, ∀n ∈ N, e dunque P(A) = limn→∞P(An)(perché?).
(b) Si spieghi perché An⊇ {B1
n > 0}. Si deduca che P(A) ≥12. (c) Si spieghi perché A ∈ G0+. Si deduca che P(A) = 1.
(d) Si mostri che P(C) = 1, dove C :=�
n∈N{inf0≤u≤1nBu< 0}.
(e) (*) Si mostri in dettaglio che, per q.o. ω ∈ Ω, esistono due successioni {sn(ω)}n∈N
e {tn(ω)}n∈N tali che sn(ω) ↓ 0 e tn(ω) ↓ 0 per n → ∞, con la proprietà che Bsn(ω)(ω) < 0e Btn(ω)(ω) > 0per ogni n ∈ N.
Esercizio 5(Trivialità di coda per il moto browniano). (*) Sia B = {Bt}t≥0un moto browniano reale. Per t ≥ 0 definiamo la σ-algebra Ht:= σ({Bu}u∈[t,∞)). Si noti che Htè decrescente in t. Definiamo la σ-algebra di coda ponendo H∞:=�
t≥0Ht. Si dimostri che H∞è banale: per ogni A ∈ H∞si ha P(A) = 0 oppure P(A) = 1.
[Sugg.: dedurre il risultato dalla legge 0–1 di Blumenthal applicata a . . . ]
Esercizio 6. Sia B = {Bt}t≥0un moto browniano reale e definiamo le variabili τa := inf{t ≥ 0 : Bt= a} , St := sup
0≤u≤tBu. Ricordiamo il principio di riflessione: P(St≥ a) = P(τa≤ t) = P(|Bt| ≥ a).
(a) Si ricavi la densità della variabile St.
[Si consideri innanzitutto la funzione di ripartizione di St.]
(b) Si mostri che vale la relazione P(τa≤ t) = P(|B1| ≥√at), per ogni a, t > 0.
(c) (*) Si deduca che per ogni a ∈ R si ha P(τa<∞) = 1.
(d) Si determini la densità della variabile τa. Quanto vale E(τa)?
(e) (*) Si mostri in dettaglio come dal punto (b) segue che, q.c., lim sup
t→∞ Bt = +∞ , lim inf
t→∞ Bt = −∞ .
3
Soluzione 1. (a) Grazie alla continuità di t �→ Bt(ω), possiamo ottenere l’integrale come limite (o equivalentemente lim sup) di somme di Riemann:
� 1 0
Bt(ω)dt = lim sup
N→∞
1 N
N−1�
i=0
Bi N(ω) .
Si noti che il membro destro di questa relazione è una variabile aleatoria, in quanto lim supdi variabili aleatorie. Essendo N1�N−1
i=0 Bi
N una variabile aleatoria normale, per ogni N ∈ N, anche il limite q.c. (e dunque in legge) è una variabile aleatoria normale:�1
0Btdt ∼ N(µ, σ2), e inoltre µ e σ2sono date dai limiti rispettivamente di media e varianza delle variabiliN1 �N−1
i=0 Bi
N. Questo fornisce un modo per calcolare µe σ2(esercizio!).
Vediamo un modo alternativo per il calcolo di µ e σ2: applicando il teorema di Fubini†, si ottiene
µ = E
� � 1 0
Bt(ω)dt
�
=
�1 0
E(Bt(ω))dt = �1 0
0dt = 0 .
(Si noti che possiamo applicare il Teorema di Fubini perché la funzione |Bt(ω)| è integrabile: infatti E(|Bt(ω)|) =√
t E(|N(0, 1)|) = c√
te dunque�1
0E(|Bt(ω)|) dt ≤�1 0c√
tdt < ∞.) In alternativa, si poteva dedurre che µ = 0 notando che la variabile�1
0Btdt è simmetrica, cioè ha la stessa legge di −�1
0 Btdt, perché sappiamo che {−Bt}tè un moto browniano.
Per calcolare la varianza σ2, si osservi che possiamo scrivere σ2 =
� � 1 0
Bt(ω)
�2
=
� 1 0
�1 0
Bt(ω) Bs(ω)dt ds . Applicando ancora il Teorema di Fubini si ottiene
σ2 =
� 1 0
� 1 0
E(Bt(ω)Bs(ω))dt ds = � 1 0
� 1
0 min{s, t} dt ds ,
e dato che l’integrando è simmetrico in (s, t), possiamo restringere il dominio a {(s, t) : s ≤ t}, ottenendo
σ2 = 2
� 1 0
dt� � t 0
min{s, t} ds
�
= 2
� 1 0
dt� � t 0
sds�
= 2
� 1 0 dt
�t2 2
�
= 1 3. In definitiva,�1
0 Btdt ∼ N(0,13).
(b) Dato che B0 = 0q.c., si ha che Z := inft∈[0,1]Bt ≤ 0 q.c., cioè P(Z ≤ 0) = 1.
L’unico caso di legge normale con questa proprietà è costituito dalla delta di Dirac in µ≤ 0 (perché?), quindi si dovrebbe avere Z ∼ N(µ, 0), cioè Z = µ q.c.. Ma questo
†A questo proposito, occorre essere certi che Bt(ω)sia congiuntamente misurabile in (t, ω), cioè che la funzione (t, ω) �→ Bt(ω)da [0, 1] × Ω in R sia misurabile. Questo segue dal fatto che le traiettorie di B sono continue, come verrà mostrato nel seguito del corso.
4
è impossibile, perché, qualunque sia µ, si ha che P(Z < µ − 1) ≥ P(B1< µ− 1) > 0, essendo B1∼ N(0, 1).
Soluzione 2. (a) Per la disuguaglianza di Chebychev, usando la relazione richiamata nel testo dell’esercizio si ha
P(|Sπ(n)− t| > ε) ≤ E[(Sπ(n)− t)2]
ε2 = c
ε2
kn
�
i=1
(t(n)i − t(n)i−1)2
≤ c ε2|π(n)|
kn
�
i=1
(t(n)i − t(n)i−1) = c t ε2|π(n)| , e dato che�
n∈N|π(n)| < ∞ per ipotesi, anche�
n∈NP(|Sπ(n)− t| > ε) < ∞.
(b) Definiamo l’evento
Aε := {|Sπ(n)− t| > ε per infiniti n} = lim sup
n→∞ {|Sπ(n)− t| > ε} .
Grazie al punto precedente, per il lemma di Borel-Cantelli si ha P(Aε) = 0, per ogni ε > 0. Definendo A :=�
k∈NA1
k, si ha dunque P(A) = 0 e quindi P(Ac) = 1.
D’altro canto, se ω ∈ Ac, per costruzione vale che, per ogni ε > 0, esiste n0= n0(ω) tale che |Sπ(n)(ω)− t| ≤ ε per n ≥ n0(ω)(perché?). Quindi Sπ(n)(ω)→ t per n → ∞ quando ω ∈ Ac, e l’esercizio è concluso.
Soluzione 3. (a) Essendo le componenti di β trasformazioni lineari delle componenti di B, segue immediatamente che, per qualunque matrice L, il processo β è gaussiano con media nulla e traiettorie q.c. continue. La funzione covarianza si calcola facilmente:
dato che βs(i):= (LBs)(i)=�n
k=1LikB(k)s , segue che Cov(βs(i), βt(j)) = E(βs(i)βt(j)) =
�n k,l=1
LikLjlE(Bs(k)Bt(l))
= min{s, t}
�n k,l=1
LikLjlδkl = min{s, t} (L L∗)ij.
Si ha dunque che Cov(β(i)s , βt(j)) = min{s, t} δij se e soltanto se (L L∗)ij= δij per ogni 1 ≤ i, j ≤ n, cioè L L∗= In, cioè L ∈ O(n).
(b) Si può applicare il punto precedente. Basta infatti completare i vettori x, y a una base ortonormale {z1, z2, . . . , zn} di Rn, in cui z1= xe z2= y. Se indichiamo con L la matrice n×n la cui i-esima riga è data dal vettore zi, la matrice L è ortogonale per costruzione, quindi il processo {βt:= LBt}t≥0è un moto browniano n-dimensionale per il punto precedente. In particolare, le sue componenti β(1)e β(2) sono moti browniani reali indipendenti. Dato che per costruzione β(1)t =�z1, Bt� = �x, Bt� e β(2)t =�z2, Bt� = �y, Bt�, segue la tesi.
5
Soluzione 4. (a) Per definizione, se ω ∈ An+1si ha sup0≤u≤ 1
n+1Bu(ω) > 0e dunque esiste u = u(ω, n) ∈ [0,n+11 ] tale che Bu(ω) > 0. Dato che n+11 < n1, si ha che u ∈ [0,n1] e dunque sup0≤u≤1
nBu(ω) > 0, cioè ω ∈ An. Questo mostra che An+1⊆ An.
Dato che A è l’intersezione decrescente degli eventi An, per la continuità dall’alto della probabilità si ha P(A) = limn→∞P(An).
(b) Se ω ∈ {Bn1 > 0}, si ha Bn1(ω) > 0e quindi in particolare sup0≤u≤1
nBu(ω) > 0, cioè ω ∈ An. Questo mostra che {B1
n > 0} ⊆ An. Di conseguenza P(An)≥ P(Bn1 > 0) =12, perché B1
n ∼ N (0,n1).
(c) Per definizione di G1
n = σ({Bu}0≤u≤n1), le variabili Bucon u ≤n1sono G1
n-misurabili.
Di conseguenza Yn:= supu∈[0,1
n]∩QBuè una variabile aleatoria G1n-misurabile, perché è estremo superiore di una famiglia numerabile di variabili G1
n-misurabili. Per la continuità delle traiettorie, si ha supu∈[0,1
n]∩QBu= sup0≤u≤1
nBue possiamo dunque scrivere An= {Yn > 0} = {Yn ∈ (0, ∞)}, il che mostra che An∈ Gn1, per ogni n∈ N.
Ricordiamo che Gs⊆ Gtper s ≤ t. Per ogni n > n0(ε) :=�1ε� si ha1n≤ ε e quindi An∈ G1
n ⊆ Gε, da cui segue che�∞
n=n0(ε)An∈ Gε. Ma dato che la famiglia di eventi {An}n∈N è decrescente, possiamo scrivere�
n∈NAn=�∞
n=n0An, per ogni n0∈ N (perché?). Segue allora che A ∈ Gε, per ogni ε > 0, e dunque A ∈�
ε>0Gε=G0+. Per la legge 0–1 di Blumenthal P(A) ∈ {0, 1}, ma già sappiamo che P(A) ≥ 12e quindi P(A) = 1.
(d) Basta notare che P(C) = P(A). Infatti, ponendo β� t := −Bt, si ha che C =
n∈N{sup0≤u≤n1βu> 0}; visto che {βu}u≥0è un moto browniano, si ha P(C) = 1 per quanto già mostrato.
(e) Per definizione, se ω ∈ A si ha che per ogni n ∈ N esiste t�n(ω)∈ [0,n1]tale che Bt�n(ω)(ω) > 0. Si noti che t�n(ω)→ 0 per n → ∞. A questo punto basta estrarre† una sottosuccessione decrescente {tn(ω)}n∈Nda {t�n(ω)}n∈N e si ha chiaramente che tn(ω)↓ 0 per n → ∞ e Btn(ω)(ω) > 0per ogni n ∈ N.
In modo analogo, se ω ∈ C possiamo definire una successione decrescente {sn(ω)}n∈Ntale che sn(ω)↓ 0 per n → ∞ e Bsn(ω)(ω) < 0per ogni n ∈ N.
Per ω ∈ A ∩ C si possono dunque definire entrambe le successioni: la conclusione segue dal fatto che P(A ∩ C) = 1, poiché P(A) = P(C) = 1.
Soluzione 5.Poniamo βt:= B1/tper t > 0 e β0:= 0e indichiamo la filtrazione naturale del processo β con Dt:= σ({βu}0≤u≤t) = σ({βu}0<u≤t), poiché la variabile β0è costante e dunque σ(β0) ={∅, Ω}. Per costruzione si ha che
Ht = σ({Bu}t≤u<∞) = σ��
B1
v
�
0<v≤1t
� = σ��1
vβv�
0<v≤1t
�
= σ��
βv�
0<v≤1t
� = D1/t,
†Ad esempio ponendo tn(ω) := t�kn(ω), con k1:= 1e kn+1:= min{� > kn: t��(ω) < t�kn(ω)}.
6
dove la penultima uguaglianza segue dal fatto che σ(X) = σ(cX) per ogni variabile aleatoria reale X e per ogni costante c �= 0. Di conseguenza H∞=�
t≥0Ht=�
t>0Dt= D0+. Dato che β è un moto browniano, la σ-algebra H∞risulta banale per la legge 0–1 di Blumenthal.
Soluzione 6. (a) Per il principio di riflessione P(St< a) = P(|Bt| < a) = 2
√2πt
�a 0
e−2t1x2dx , da cui, derivando rispetto ad a, si ottiene
fSt(x) = 2
√2πte−2t1x21(0,∞)(x) . (b) Per il principio di riflessione e la proprietà di scaling
P(τa≤ t) = P(|Bt| ≥ a) = P(|B1| ≥√at) .
(c) Dalla formula ottenuta al punto precedente e dalla continuità dall’alto della proba- bilità si ha
P(τa=∞) = limt
→∞P(τa> t) = lim
t→∞P(|B1| <√at) = P(|B1| = 0) = 0 . (d) Abbiamo visto che
P(τa≤ t) = P(|B1| ≥√at) = 1− P(|B1| ≤√at) = 1− 2
√2π
� a/√t 0
e−x2/2dx , da cui derivando rispetto a t si ottiene
fτa(t) = − 2
√2πe−a2/(2t)
�
−1 2
a t3/2
�
1(0,∞)(t) = a
√2π t3/2e−a2/(2t)1(0,∞)(t) . Inoltre
E(τa) =
�∞
0
t fτa(t)dt = a
√2π
� ∞
0
e−a2/(2t)
√t dt = +∞ , dove la divergenza dell’integrale è dovuta ai valori grandi di t.
(e) Ponendo Am:={τm<∞}, sappiamo che P(Am) = 1per ogni m ∈ Z e dunque P(A) = 1, dove anche A :=�
m∈ZAm.
Per costruzione, se ω ∈ A si ha che τm(ω) <∞ per ogni m ∈ Z e dunque Bτm(ω)(ω) = m: in particolare, la sottosuccessione {Bτn(ω)(ω)}n∈N ha limite +∞
mentre {Bτ−n(ω)(ω)}n∈Nha limite −∞. Questo mostra che, per ogni ω ∈ A, si ha lim supt→∞Bt(ω) = +∞ e lim inft→∞Bt(ω) =−∞. Dato che P(A) = 1, segue la tesi.