III Appello di Analisi Stocastica 2009/10 Cognome:
Laurea Magistrale in Matematica Nome:
29 giugno 2010 Matricola:
Esercizio 1. Siano B = {Bt}t∈[0,∞) e β = {βt}t∈[0,∞) due moti browniani reali indipendenti, definiti su uno spazio di probabilità completo (Ω, F , P) (in particolare, le variabili aleatorie Bte βs sono indipendenti, per ogni s, t ≥ 0). Consideriamo il processo reale X = {Xt}t∈[0,∞) definito da
Xt := B2 3t− β1
3t. (a) Si mostri che X è un processo gaussiano.
(b) Si mostri che X è un moto browniano reale.
Definiamo ora il processo reale Y = {Yt}t∈[0,∞) ponendo Yt := β2
3t+ B1
3t.
(c) Si mostri che, per ogni t ∈ [0, ∞), le variabili aleatorie Xt e Yt sono scorrelate, cioè Cov(Xt, Yt) = 0. Esse sono indipendenti?
(d) Si mostri che, per ogni 0 < s < t < ∞, le variabili aleatorie Xs e Yt non sono indipendenti.
[Sugg.: si considerino separatamente i due casi s <2t e 2t ≤ s < t.]
(e) Si mostri che, per ogni (a, b) ∈ R2 con a2+ b2 = 1, il processo Z = {Zt}t∈[0,∞) definito da Zt:= aXt+ bYt è un moto browniano reale.
(f) Il processo {(Xt, Yt)}t∈[0,∞) a valori in R2 è un moto browniano bidimensionale?
Soluzione 1. (a) X è un moto browniano perché le sue componenti sono funzioni lineari delle componenti dei due processi gaussiani indipendenti B e β.
Più esplicitamente, dobbiamo mostrare che ogni combinazione lineare delle componenti di X è una variabile aleatoria normale. Per ogni scelta di n ∈ N, t1, . . . , tn ∈ [0, ∞) e a1, . . . , an∈ R possiamo scrivere
n
X
i=1
aiXti =
n
X
i=1
aiB2
3ti
!
−
n
X
i=1
aiβ1
3ti
! .
Le due variabili che compaiono tra parentesi sono indipendenti, perché i processi B e β sono indipendenti; inoltre ciascuna variabile è normale, perché combinazione lineare delle componenti di un processo gaussiano. Segue chePn
i=1aiXti è normale in quanto differenza di variabili normali indipendenti. Il processo X è dunque gaussiano.
(b) Notiamo che X ha q.c. traiettorie continue, poiché le traiettorie di B e β sono q.c. continue.
Inoltre E(Xt) = E(B2
3t) − E(β1
3t) = 0 per ogni t ≥ 0, mentre per s < t Cov(Xs, Xt) = Cov(B2
3s, B2
3t) − Cov(B2
3s, β1
3t) − Cov(β1
3s, B2
3t) + Cov(β1
3s, β1
3t)
= min 2 3s,2
3t
− 0 − 0 + min 1 3s,1
3t
= 2 3s +1
3s = s = min{s, t} . Dato che X è un processo gaussiano per il punto precedente, segue da una nota caratterizza- zione (Teorema 2.8 delle dispense) che X è un moto browniano.
(c) Analogamente al punto (a), Xt e Yt sono congiuntamente normali perché una qualunque loro combinazione lineare è normale: infatti per a, b ∈ R possiamo scrivere aXt+ bYt = a(B2
3t+ B1
3t) + b(β2 3t− β1
3t) e le due variabili tra parentesi sono normali indipendenti.
2
Essendo congiuntamente normali, le variabili aleatorie Xt e Yt sono indipendenti se e solo se sono scorrelate. La verifica che sono effettivamente scorrelate è immediata:
Cov(Xt, Yt) = Cov(B2
3t, β2
3t) + Cov(B2
3t, B1
3t) − Cov(β1
3t, β2
3t) − Cov(β1
3t, B1
3t)
= 0 + min 2 3t,1
3t
− min 1 3t,2
3t
− 0 = 1 3t − 1
3t = 0 .
(d) Basta mostrare che Xs e Ytper 0 < s < t < ∞ non sono scorrelate, cioè Cov(Xs, Yt) 6= 0.
Cov(Xs, Yt) = Cov(B2 3s, β2
3t) + Cov(B2 3s, B1
3t) − Cov(β1 3s, β2
3t) − Cov(β1 3s, B1
3t)
= 0 + min 2 3s,1
3t
− min 1 3s,2
3t
− 0 = min 2 3s,1
3t
− min 1 3s,2
3t
. Dato che per ipotesi s < t si ha a maggior ragione 13s < 23t e dunque min1
3s,23t = 13s.
Distinguiamo ora due casi:
• se s < 2t allora min2
3s,13t = 23s e quindi Cov(Xs, Yt) = 23s − 13s = 13s 6= 0;
• se s ≥ 2t allora min2
3s,13t = 13t e quindi Cov(Xs, Yt) = 13t − 13s = 13(t − s) 6= 0.
In ogni caso Cov(Xs, Yt) 6= 0 per 0 < s < t < ∞, come volevasi dimostrare.
(e) Ragionando come al punto (a) si ha che Z è un processo gaussiano. Le traiettorie di Z sono q.c. continue, perché lo sono le traiettorie di B e β. Si noti che
Zt= aB2
3t+ bB1
3t− aβ1
3t+ bβ2
3t, (1)
da cui segue che E(Zt) = 0 per ogni t ≥ 0, perché B e β sono due moti browniani e dunque le loro componenti hanno media nulla. Infine, ricordando che le componenti di B e quelle di β sono indipendenti e dunque scorrelate, dalla relazione (1) otteniamo che, per 0 ≤ s < t, Cov(Zs, Zt) = a2Cov(B2
3s, B2
3t) + ab Cov(B2 3s, B1
3t) + ab Cov(B1 3s, B2
3t) + b2Cov(B1 3s, B1
3t) + a2Cov(β1
3s, β1
3t) − ab Cov(β1
3s, β2
3t) − ab Cov(β2
3s, β1
3t) + b2Cov(β2
3s, β2
3t)
= a22
3s + ab min 2 3s,1
3t
+ ab1
3s + b21
3s + a21
3s − ab1
3s − ab min 2 3s,1
3t
+ b22
3s
= (a2+ b2)s = s = min{s, t} .
Per la già citata caratterizzazione del moto browniano come processo gaussiano (Teorema 2.8 delle dispense) si ha dunque che Z è un moto browniano.
(f) No. Se lo fosse, le sue componenti X = {Xt}t∈[0,∞) e Y = {Yt}t∈[0,∞) sarebbero due moti browniani reali indipendenti e dunque ogni componente di X sarebbe indipendente da ogni componente di Y : ma così non è, per quanto mostrato nel punto (d).
3
Esercizio 2. Sia (Ω, F , {Ft}t∈[0,∞), P) uno spazio di probabilità filtrato standard su cui è defi- nito un {Ft}t∈[0,∞)-moto browniano reale B = {Bt}t∈[0,∞). Si consideri la seguente equazione differenziale stocastica:
dXt =
p1 + Xt2
1 + |Xt| dBt + Xt (1 + |Xt|)2dt X0 = 0
. (?)
(a) Si mostri che, per ogni T > 0, esiste un processo continuo e adattato {Xt}t∈[0,T ] definito su Ω che risolve l’equazione (?) e che tale processo è unico a meno di indistinguibilità.
Supporremo d’ora in avanti che la soluzione X = {Xt}t∈[0,∞) dell’equazione (?) sia definita per ogni t ∈ [0, ∞). Definiamo il processo M = {Mt}t∈[0,∞) ponendo
Mt := arctan(Xt) . Si osservi che M è un processo limitato: |Mt| ≤ π2 per ogni t ≥ 0.
(b) Si mostri che M è un processo di Itô e se ne calcoli il differenziale stocastico. Si concluda che M è una martingala (non solo una martingala locale).
Definiamo ora, per a, b > 0 fissati, le variabili aleatorie ˆ
τa := inf{t ≥ 0 : Xt≤ −a} , τb := inf{t ≥ 0 : Xt≥ b} , τ := inf{t ≥ 0 : Xt∈ (−a, b)c} = min{ˆτa, τb} , con l’abituale convenzione inf ∅ = +∞. Assumeremo che P(τ < ∞) = 1.
(c) Si mostri che ˆτa, τb e τ sono tempi d’arresto e che vale la relazione E(Mτ) = 0.
(d) Si deduca che P(τb < ˆτa) = arctan(a) arctan(a) + arctan(b).
[Sugg.: si considerino i valori che può assumere la variabile aleatoria Mτ: sull’evento {τb < ˆτa} si ha Mτ = arctan(b), mentre sull’evento complementare {τb> ˆτa} . . . ]
(e) Si spieghi perché {τb< ∞} =S
a∈N{τb< ˆτa}. Si deduca che P(τb< ∞) = π/2 arctan(b) + π/2. (f) (*) Si deduca che P(supt≥0Xt= +∞) = 12.
Soluzione 2. (a) Le funzioni b(x) := (1+|x|)x 2 e σ(x) :=
√ 1+x2
1+|x| sono continue in R e derivabili in R \ {0}: la derivata è data, per x 6= 0, da
b0(x) = (1 + |x|)2− 2x(1 + |x|) sign(x)
(1 + |x|)4 , σ0(x) = x(1 + |x|) − (1 + x2) sign(x)
√1 + x2(1 + |x|)2 . Esaminando l’ordine polinomiale di numeratore e denominatore, si ha che limx→±∞b0(x) = limx→±∞σ0(x) = 0; inoltre limx→0±b0(x) = 0 mentre limx→0+σ0(x) = −1, limx→0−σ0(x) = 1.
Si noti che b0 e σ0 sono funzioni continue in R \ {0}. Da queste considerazioni segue che b0 e σ0 sono limitate in R \ {0}, cioè esiste L ∈ (0, ∞) tale che |b0(x)| ≤ L e |σ0(x)| ≤ L per ogni x 6= 0. Per il teorema di Lagrange, se 0 ≤ x < y oppure x < y ≤ 0 possiamo scrivere b(y)−b(x) = b0(ξ)(y−x), per un opportuno ξ ∈ (x, y), quindi |b(y)−b(x)| ≤ L|y−x|. Se invece x < 0 < y, per la disuguaglianza triangolare si ha |b(y) − b(x)| ≤ |b(y) − b(0)| + |b(0) − b(x)| ≤ L|y| + L|x| = L|y − x|. Ragionando analogamente per σ, abbiamo mostrato che per ogni x, y ∈ R
|b(y) − b(x)| ≤ L|y − x| , |σ(y) − σ(x)| ≤ L|y − x| . (2) Da ciò segue che sono soddisfatte le ipotesi standard del teorema di esistenza di soluzioni forti e di unicità per traiettorie per equazioni differenziali stocastiche.
(Per la disuguaglianza triangolare, dalla relazione (2) si ha infatti |b(x)|2 ≤ 2(|b(0)|2+ |b(x) − b(0)|2) ≤ 2(|b(0)|2+ L2|x|2) ≤ M (1 + |x|2), dove M := 2(|b(0)|2+ L2), e analogamente per σ.)
4
(b) M è un processo di Itô perché funzione C2 (in effetti C∞) del processo di Itô X: infatti Mt = Φ(Xt) con Φ(x) = arctan(x). Dato che Φ0(x) = 1+x1 2 e Φ00(x) = −(1+x2x2)2, per la formula di Itô si ha
dMt = 1 1 + Xt2
p1 + Xt2
1 + |Xt| dBt + 1 1 + Xt2
Xt
(1 + |Xt|)2dt − Xt (1 + Xt2)2
1 + Xt2 (1 + |Xt|)2dt
= 1
(1 + |Xt|)p
1 + Xt2 dBt,
da cui è chiaro che M è una martingala locale. Dato che ϕt := 1/((1 + |Xt|)p
1 + Xt2) è un processo limitato — quindi in M2 — segue che M è una vera martingala (di quadrato integrabile). La stessa conclusione si poteva ottenere osservando che M è un processo limitato e una martingala locale limitata è una vera martingala.
(c) Per un risultato visto a lezione (Lemma 3.19), le variabili aleatorie ˆτa, τb e τ sono tempi d’arresto in quanto tempi di ingresso del processo continuo e adattato X in un insieme chiuso.
Dato che per ipotesi τ è q.c. finito e M è una martingala limitata, possiamo applicare il teorema d’arresto (Corollario 4.13) ottenendo che E(Mτ) = E(M0) = 0.
(d) Sull’evento {τb < ˆτa} si ha Mτ = arctan(b), mentre sull’evento complementare {τb > ˆτa} si ha Mτ = arctan(−a) = − arctan(a). Di conseguenza, sull’evento {τ < ∞} = {τb < ˆτa} ∪ {τb >
ˆ
τa} possiamo scrivere
Mτ = arctan(b) 1{τb<ˆτa} − arctan(a) 1{τb>ˆτa}. Dato che P(τb > ˆτa) = 1 − P(τb < ˆτa), dalla relazione E(Mτ) = 0 si ha
0 = arctan(b) P(τb < ˆτa) − arctan(a) (1 − P(τb < ˆτa)) ,
da cui si ricava la relazione cercata P(τb < ˆτa) = arctan(a)/(arctan(a) + arctan(b)).
(e) Se ω ∈ {τb < ˆτa}, cioè se τb(ω) < ˆτa(ω), si ha chiaramente τb(ω) < ∞, cioè ω ∈ {τb < ∞}.
Viceversa, se ω ∈ {τb < ∞}, cioè se τb(ω) < ∞, per la continuità delle traiettorie di X si ha che C(ω) := inf0≤t≤τb(ω)Xt(ω) > −∞; in particolare, ˆτa(ω) > τb(ω) per ogni a > |C(ω)| (si noti che C(ω) ≤ 0 e si ricordi la definizione di ˆτa) e dunque ω ∈S
a∈N{ˆτa> τb}. Abbiamo mostrato che {τb < ∞} =S
a∈N{τb < ˆτa}.
Dato che, per b fissato, gli eventi {τb < ˆτa} sono crescenti in a, per la continuità dal basso della probabilità si ha che
P(τb < ∞) = lim
a→+∞ P(τb < ˆτa) = lim
a→+∞
arctan(a)
arctan(a) + arctan(b) = π/2
π/2 + arctan(b). (f) Con argomenti analoghi al punto precedente si mostra che vale l’uguaglianza di eventi
{supt≥0Xt = +∞} =T
b∈N{τb < ∞}. Dato che gli eventi {τb < ∞} sono decrescenti in b, per continuità dall’alto della probabilità si ottiene
P
sup
t≥0
Xt= +∞
= lim
b→+∞ P(τb < ∞) = lim
b→+∞
π/2
π/2 + arctan(b) = 1 2.