Probablità, Statistica e Processi Stocastici
Franco Flandoli, Università di Pisa
Corso per la Scuola di Dottorato in Ingegneria
Corso per la Scuola di Dottorato in Ingegneria 1
Dinamiche stocastiche
Iniziamo la seconda parte del corso, non più dedicata a metodi statistici ma ad alcuni esempi di dinamiche stocastiche.
Esse potrebbero essere classi…cate in:
dinamiche markoviane a tempo continuo e spazio continuo (equazioni di¤erenziali stocastiche)
dinamiche markoviane a tempo continuo e spazio discreto (processi a salti, es. nascita e morte)
dinamiche markoviane a tempo discreto e spazio discreto (catene di Markov)
dinamiche non markoviane, di varia natura.
Corso per la Scuola di Dottorato in Ingegneria 2
Spazio e tempo continuo (equazioni di¤erenziali stocastiche)
In analogia con la dinamica newtoniana, questo sarebbe il caso più naturale, per le applicazioni …siche ecc.
Si tratta di equazioni (inRd) del tipo
X0
(
t) =
f(
t, X(
t)) +
rumoreo più generalmente equazioni di¤erenziali in cui entri l’aleatorietà in qualche modo (come forzante, come coe¢ cienti, come dati iniziali, come dati al bordo ecc.).
Noi studieremo le equazioni di tipo Itô (e Stratonovich), ad esempio della forma
dX
(
t) =
f(
t, X(
t))
dt+
dB(
t)
dove B(
t)
è un moto browniano.Corso per la Scuola di Dottorato in Ingegneria 3
Tempo continuo, spazio discreto (processi a salti)
Nelle equazioni di¤erenzial precedenti, lo "stato" del sistema è un punto di Rd.
Invece, i processi a salti hanno come spazio degli stati un insieme discreto. Lo stato può assumere solo un insieme al più numerabile di valori.
Il tempo invece varia in modo continuo. Il sistema quindi salta da uno stato all’altro, trascorrendo in ogni stato che visita un tempo
aleatorio.
L’esempio più classico è quello dei processi di nascita e morte: gli stati sono i numeri interi n 0 (numero di individui vivi); il sistema si trova per un certo tempo nello stato n (n individui vivi); poi ad un istante aleatorio e¤ettua una transizione, saltando ad esempio allo stato n
+
1 (è nato un nuovo individuo) oppure allo stato n 1 (è morto un individuo).Questi processi sono molto utili ad esempio in teoria delle code.
Corso per la Scuola di Dottorato in Ingegneria 4
Spazio e tempo discreto (catene di Markov)
Sono simili ai processi a salti precedenti, ma con la restrizione (o caratteristica) che i salti avvengono ad istanti di tempo discreti. Il tempo t varia nei numeri interi: t
=
0, 1, 2, ...La proprietà di Markov, detta in pratica, signi…ca che se al tempo t
=
n il sitema si trova nello stato xn, abbiamo tutte le informazioni necessarie per stabilire in che stato xn+1 si troverà al tempot
=
n+
1. La scelta dello stato xn+1 può contenere un certo grado di aleatorietà, ma noto lo stato di partenza xn, il grado di aleatorietà non si riduce conoscendo il passato, cioè le posizioni prima del tempo n.Queste dinamiche sono le più comode per le simulazioni: basta che il codice numerico, attravero generatori casuali, sappia scegliere lo stato successivo a partire da quello attuale; poi è su¢ ciente iterare il procedimento.
Tra gli esempi di cui si sente spesso parlare ci sono gli "automi cellulari".
Corso per la Scuola di Dottorato in Ingegneria 5
Nostro programma di lavoro
Siccome mi preme spiegare le equazioni di¤erenziali stocastiche (è una scelta personale), partiamo da lì. Poi se ci stu…amo e resta tempo, vediamo degli esempi di catene di Markov (o se si preferisce di processi a salti).
Per raggiungere lo scopo delle equazioni di¤erenziali stocastiche, serve un po’di teoria dei processi stocastici.
Ad esempio serve il concetto di moto browniano (e di white noise).
Per una trattazione completa servono anche gli integrali di Itô e la formula di Itô, cose di cui daremo solo alcuni cenni.
Fondamentale per le applicazioni è il legame con l’equazione di Fokker-Planck.
Mi piacerebbe toccare il problema dei sistemi di particelle interagenti.
Naturalmente vedremo delle simulazioni numeriche.
Corso per la Scuola di Dottorato in Ingegneria 6
Processi stocastici
In generale, ogni famiglia di variabili aleatorie è un processo stocastico.
Un’accezione più ristretta è quella di una famiglia indicizzata dal tempo:
Xt
dove il tempo t può variare in diversi modi:
nei reali positivi: t 0 (per noi sarà il caso più frequente) negli interi positivi: t 2N (ciò che serve ad es. per le catene di Markov)
altri casi (es. sui reali positivi e negativi, ecc.)
Corso per la Scuola di Dottorato in Ingegneria 7
Realizzazioni di un processo. Distribuzioni marginali
Nell’esaminare un processo stocastico siamo continuamente di fronte ad una dicotomia.
1 Possiamo …ssare il tempo t, es t
=
2 ore, ed esaminare la variabile aleatoria Xt. Ad esempio ci chiediamo: dove sarà tra 2 ore il nostro sistema? Tipicamente possono interessare quantità del tipoE
[
Xt]
, Var[
Xt]
, P(
Xt>
λ)
.2 Possiamo far variare t, tenendo …ssato "l’esperimento": ad es. se stiamo facendo simulazioni, svolgiamo una simulazione che produce una traiettoria xt, per t 0. Queste "traiettorie" verranno chiamate anche "realizazioni" del processo stocastico.
3 Chi avesse tempo di vedere una trattazione matematica rigorosa, vedrebbe che si deve introdurre uno spazio degli eventi, spesso detto universo, Ω ed un processo stocastico è una funzione di due variabili (da qui la dicotomia)
(
t, ω) 7!
Xt(
ω)
.Corso per la Scuola di Dottorato in Ingegneria 8
Esempi (molto statici)
Un esempio molto semplice, però anche molto "statico", è Xt
=
∑
N k=0Zksin
(
kt)
dove i coe¢ cienti Zk sono variabili aleatorie (polinomi trigonometrici aleatori).
In realtà, per N
!
∞ e con opportune ipotesi sui coe¢ cienti, si ottengono processi estremamente generali.Esempli…chiamo la dicotomia: se …ssiamo t, possiamo calcolare E
[
Xt] =
∑
N k=0E
[
Zk]
sin(
kt)
e se ad es. supponiamo i coe¢ cienti Zk indipendentiVar
[
Xt] =
∑
N k=0Var
[
Zk]
sin2(
kt)
.Corso per la Scuola di Dottorato in Ingegneria 9
Polinomi trigonometrici aleatori
Se inoltre supponiamo che le v.a. Zk siano gaussiane, allora (sempre per t …ssato) Xt è una v.a. gaussiana, di cui conosciamo media e varianza dai calcoli precedenti, e quindi possiamo calcolare ad es.
P
(
Xt>
λ)
.Invece le realizzazioni di Xt
=
∑Nk=0Zksin(
kt)
si ottengonoprendendo a caso dei valori prodotti dai coe¢ cienti. Se il caso (in un esperimento reale; oppure il generatore casuale in una simulazione) ha dato, per le v.a. Zk, i valori zk, abbiamo trovato la realizzazione
t
7!
∑
N k=0zksin
(
kt)
.Corso per la Scuola di Dottorato in Ingegneria 10
Polinomi trigonometrici aleatori
N
=
3 ed N=
30Corso per la Scuola di Dottorato in Ingegneria 11
Polinomi trigonometrici aleatori
X2 (istogramma e qqplot, 10000 realizzazioni), coe¢ cienti gaussiani standard indipendenti
Corso per la Scuola di Dottorato in Ingegneria 12
Esempi (molto statici)
Un altro esempio molto statico è quello della risoluzione di un’equazione di¤erenziale deterministica, con dati iniziali aleatori:
X0
(
t) =
f(
t, X(
t))
X(
0) =
Zdove Z è una variabile aleatoria (a valori inRd).
La soluzione al tempo t è una variabile aleatoria. Se Z ha pdf ρ0
(
x)
, la pdf ρt(
x)
di X(
t)
è soluzione dell’equazione di continuità∂ρ
∂t
+
div(
f ρ) =
0.Oppure si possono e¤ettuare degli spostamenti casuali agli istanti t1
<
...<
tk<
... (random kicks)X0
(
t) =
f(
t, X(
t)) + ∑
k 1
δ
(
t tk)
Zk.Corso per la Scuola di Dottorato in Ingegneria 13
Il moto browniano (MB)
E’un processo stocastico Bt, t 0, caratterizzato da alcune proprietà salienti:
B0
=
0 (convenzionale; si può anche parlare del MB uscente da una certa posizione x0)Bt è N
(
0, t)
; più in generale, per ogni t s 0, Bt Bs è N(
0, t s)
presi tn tn 1 ... t2 t1, gli incrementi Btn Btn 1, ..., Bt2 Bt1 sono indipendenti.
Siccome
Bt
= (
Bt Bt h) + (
Bt h Bt 2h) +
...+ (
B2h Bh) + (
Bh B0)
(per t multiplo del passo h), un modo di simulare il MB è sommare tanti piccoli incrementi gaussiani indipendenti.Corso per la Scuola di Dottorato in Ingegneria 14
Il moto browniano
Due realizzazioni (bassa risoluzione, 100 punti)
Corso per la Scuola di Dottorato in Ingegneria 15
Il moto browniano
Due realizzazioni (risoluzione media, 1000 punti)
Corso per la Scuola di Dottorato in Ingegneria 16
Irregolarità delle traiettorie del MB
Come si intuisce dai gra…ci precedenti, le traiettorie non sono molto regolari.
Si può dimostrare rigorosamente che esse (con probabilità uno) sono non-derivabili in ogni punto.
Dalla proprietà
Var Bt0+dt Bt0
dt
=
Var[
Bt0+dt Bt0] (
dt)
2=
1dt si intuisce che non esiste
dB
dt
(
t0) =
limdt!0
Bt0+dt Bt0
dt .
Corso per la Scuola di Dottorato in Ingegneria 17
Moto browniano e white noise
Se euristicamente consideriamo la derivata dBdt (lo si può fare
rigorosamente con la teoria delle distribuzioni) troviamo un "processo"
piuttosto singolare:
dB
dt
(
t0)
indipendente da dB dt(
t1)
per ogni t1
6=
t0 (perché Bt0+hh Bt0 e Bt1+hh Bt1 sono indipendenti per h abbastanza piccolo). InoltredB
dt è "stazionario"
(le proprietà statistiche di Bt0+hh Bt0 non dipendono da t0). Lo chiamiamo White Noise = dB
dt .
Corso per la Scuola di Dottorato in Ingegneria 18
White noise
Appena si discretizza, spariscono tutte le criticità di de…nizione e si ritrova il "white noise" descritto nella lezione sulle serie storiche. Ecco una simulazione con risoluzione media, 1000 punti:
Corso per la Scuola di Dottorato in Ingegneria 19
White noise
Nella letteratura …sica il white noise è descritto come quel processo
’generalizzato’ξt avente statistiche gaussiane, media nulla, e funzione di autocorrelazione
E
[
ξtξs] =
δ(
t s)
(si dice "delta-correlato"). Il ’processo’dBdt ha tutte queste caratteristiche, in particolare
E
[
ξtξs]
E Bt+h Bth
Bs+h Bs
h
=
1
h se s
=
t0 se s
6=
t δ(
t s)
. Quindi il MB è un processo rigorosamente de…nito che produce il white noise eseguendo la derivata in senso generalizzato.Questo ne fa un processo centrale nella teoria dei processi stocastici:
in processo centrale sarebbe il white noise ma è di¢ cile da studiare.
Allora si cerca sempre di "integrarlo", riconducendosi al MB che è rigoroso.
Corso per la Scuola di Dottorato in Ingegneria 20
Moto browniano nel piano
E’de…nito come una coppia di MB indipendenti (realizzazione con 50000 punti). Tipica struttura a cluster collegati da escursioni (a vari livelli di risoluzione). Qui la struttura autosimile è più evidente.
Corso per la Scuola di Dottorato in Ingegneria 21
Prime equazioni di¤erenziali stocastiche (white noise additivo)
Si ricordi l’esempio fatto sopra di un’equazione di¤erenziale con kicks aleatori di tanto in tanto.
Una versione più "continua" è l’equazione
X0
(
t) =
f(
t, X(
t)) +
σξ(
t)
dove ξ
(
t)
è un white noise e σ è un parametro di intensità del rumore.L’idea ’…sica’è di un sistema governato da una legge classica su cui però agiscono altri impulsi, altre grandezze, che non vengono descritte nei dettagli ma raggruppate nel white noise.
E’un modo rozzo ma semplice e canonico di tener conto di fattori perturativi senza descriverli nei dettagli.
Che senso matematico ha, però?
Corso per la Scuola di Dottorato in Ingegneria 22
Prime equazioni di¤erenziali stocastiche (white noise additivo)
Integriamo nel tempo ed usiamo il fatto che
R
t0 ξ
(
s)
ds è un MB B(
t)
: da X0(
t) =
f(
t, X(
t)) +
σξ(
t)
troviamo
X
(
t) =
X(
0) +
Z t 0
f
(
s, X(
s))
ds+
σB(
t)
dove ora tutti gli oggetti sono ben de…niti. Si usa scriveredX
(
t) =
f(
t, X(
t))
dt+
σdB(
t)
.Corso per la Scuola di Dottorato in Ingegneria 23
Esempio lineare
L’equazione
X0
(
t) =
X(
t)
ha soluzione esplicita X
(
t) =
e tX(
0)
. Con white noise additivo dX(
t) =
X(
t)
dt+
σdB(
t)
ha ancora le traiettorire illustrate in …gura.
Per curiosità, è un raro caso in cui si può scrivere la soluzione esplicita X
(
t) =
σB(
t) +
e tX(
0)
Z t
0 σe (t s)B
(
s)
ds che è un processo gaussiano (da de…nire...) di mediaE
[
X(
t)] =
e tE[
X(
0)]
.Corso per la Scuola di Dottorato in Ingegneria 24
Esempio lineare
Traiettoria deterministica in nero, due realizzazioni (rosso e blue) con σ
=
0.1Corso per la Scuola di Dottorato in Ingegneria 25
Nota sul metodo numerico
Per queste simulazioni abbiamo usato il banale metodo di Eulero esplicito.
Fissato un passo temporale e, si calcola una soluzione approssimata Xe
(
tn)
ai tempi tn=
n e tramite la formula iterativaXe
(
tn+1) =
Xe(
tn) +
e f(
tn, Xe(
tn)) + p
eZndove Zn è una gaussiana standard.
Infatti la soluzione vera soddisfa X
(
tn+1) =
X(
tn) +
Z tn+1
tn
f
(
s, X(
s))
ds+
σ(
B(
tn+1)
B(
tn))
e B(
tn+1)
B(
tn)
è una N(
0, e)
, cioè ha la formap
eZn.
Corso per la Scuola di Dottorato in Ingegneria 26