Moto browniano
Esercizio 1. Sia {Bt}t≥0 un moto browniano reale. Definiamo gli eventi D := {Bt}t∈[0,1] è crescente ,
Cn := Bi/2n− B(i−1)/2n ≥ 0 , per ogni 1 ≤ i ≤ 2n , n ∈ N . (a) Si calcoli P(Cn), per ogni n ∈ N.
(b) Si mostri che vale l’inclusione D ⊆ Cn, per ogni n ∈ N.
(c) Si deduca che P(D) = 0. Quindi, q.c., il moto browniano non è crescente sull’inter- vallo [0, 1].
(d) (*) Si dimostri che, q.c., il moto browniano non è crescente in nessun sotto-intervallo di [0, ∞).
Esercizio 2. Sia {Bt}t≥0 un moto browniano reale tale che t 7→ Bt(ω) è continua per ogni (e non solo per q.o.) ω ∈ Ω.
(a) Si mostri cheR1
0 Btdt 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]Bt non è una variabile normale.
Esercizio 3. Sia B = {Bt}t≥0 un moto browniano reale. Si dimostrino le seguenti proprietà.
(a) Per ogni α > 0 esiste 0 < Cα< ∞ tale che E(|Bt|α) = Cαtα/2, per ogni t ≥ 0.
(b) Per ogni scelta di istanti 0 < t1 < . . . < tk < ∞ e di intervalli aperti non vuoti I1, . . . , Ik⊆ R, si ha P(Bt1 ∈ I1, . . . , Btk ∈ Ik) > 0.
(c) (*) Per ogni ε > 0 esiste C > 0 tale che P(supt∈[0,1]Bt> C) ≤ ε.
Esercizio 4. 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 =Pk
i=1(Bti− Bti−1)2 di B relativa 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
= cPk
i=1(ti− ti−1)2.
Sia {π(n)}n∈N una successione di partizioni π(n)= {0 = t(n)0 < t(n)1 < . . . < t(n)k
n = t}, tale che non solo |π(n)| → 0 per n → ∞, ma anche P
n∈N|π(n)| < ∞.
(a) Si mostri che, per ogni ε > 0,P
n∈NP(|Sπ(n)− t| > ε) < ∞.
[Sugg. Applicare un’opportuna disuguaglianza.]
(b) Si deduca che Sπ(n) → t q.c. per n → ∞.
†Ultima modifica: 22 maggio 2015.
Esercizio 5. Siano B = {Bt}t∈[0,∞) e β = {βt}t∈[0,∞) due moti browniani reali indipen- denti, definiti su uno spazio di probabilità completo (Ω, F , P) (in particolare, le variabili aleatorie Bt e 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 Xte 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 < t2 e t2 ≤ 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.
Esercizio 6. Sia {Bt}t∈[0,∞)un moto browniano reale, definito su uno spazio di probabilità (Ω, F , P). Per n ∈ N e s, t > 0 fissati, introduciamo i seguenti eventi:
A := u 7→ Bu è derivabile in u = 0
=
∃ lim
u↓0
Bu
u ∈ (−∞, +∞)
, Cn,s := |Bs| ≤ ns , Dn,t := |Bu| ≤ nu , ∀u ∈ [0, t] .
Per questo esercizio non è possibile utilizzare né la legge del logaritmo iterato, né la non differenziabilità delle traiettorie del moto browniano.
(a) Si mostri che, per ogni n ∈ N fissato, si ha P(Cn,s) → 0 per s ↓ 0 .
Facoltativo: si mostri che in effetti P(Cn,s)/(2n√
s) → 1/√
2π per s ↓ 0 (con n fissato).
(b) Si spieghi perché per ogni s ≤ t vale l’inclusione di eventi Dn,t⊆ Cn,s. (c) Si deduca che P(Dn,t) = 0, per ogni n ∈ N e t > 0 .
(d) Si spieghi perché vale l’inclusione di eventi A ⊆ S
n,k∈N Dn, 1/k. (e) Si mostri che P(A) = 0 .
Esercizio 7. Sia B = {Bt}t≥0 un moto browniano reale e definiamo le variabili τa := inf{t ≥ 0 : Bt= a} , St := sup
0≤u≤t
Bu. 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| ≥ √a
t), 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 (c) segue che, q.c., lim sup
t→∞
Bt = +∞ , lim inf
t→∞ Bt = −∞ .
Esercizio 8. Sia B = {Bt}t≥0 un moto browniano reale, definito su uno spazio di probabilità (Ω, F , P). Introduciamo l’insieme degli zeri Z = Z(ω) ⊆ [0, ∞) del moto browniano, ponendo
Z(ω) := s ∈ [0, ∞) : Bs(ω) = 0 . (a) Si mostri che, per ogni t > 0 fissato, q.c. t 6∈ Z.
(b) Si deduca che q.c. Z ∩ (Q ∩ (0, ∞)) = ∅.
(c) Si mostri che q.c. Z è un insieme chiuso.
[Sugg.: Non serve fare nessun calcolo!]
(d) (*) Si mostri che q.c. Z ha misura di Lebesgue nulla.
[Sugg.: la misura di Lebesgue di un insieme C ⊆ [0, ∞) vale m(C) =R∞
0 1C(s) ds. Quindi m(Z) è una variabile aleatoria e si vuole mostrare che m(Z) = 0 q.c..]
(e) (*) Si mostri che q.c. 0 è un punto di accumulazione di Z, cioè esiste una successione di punti in Z che converge a 0.
[Sugg.: Si ricordino le proprietà delle traiettorie del moto browniano.]
Esercizio 9 (*). Indichiamo con C lo spazio C([0, 1], R) delle funzioni f : [0, 1] → R continue. Sia d(f, g) := kf − gk∞= supx∈[0,1]|f (x) − g(x)| la distanza uniforme e sia τ la topologia che d induce su C. Sia dunque B la corrispondente σ-algebra di Borel:
B = σ(τ ) = σ(A ⊆ C : A è aperto)
Un sottoinsieme D ⊆ C si dice cilindrico se D = {f ∈ C : f (t1) ∈ B1, . . . , f (tk) ∈ Bk} per un’opportuna scelta di k ∈ N, t1, . . . , tk ∈ [0, 1] e G1, . . . , Gk∈ B(R). Sia dunque
F = σ(D ⊆ C : D è cilindrico) .
Scopo dell’esercizio è mostrare che le due σ-algebre B e F coincidono.
(a) Per t ∈ [0, 1] definiamo la proiezione πt: C → R ponendo πt(f ) := f (t). Si mostri che la funzione πt: C → R è continua, dunque B-misurabile, ∀t ∈ [0, 1].
(b) Si deduca che ogni insieme cilindrico D appartiene a B, dunque F ⊆ B.
[Sugg.: Si osservi che D = π−1t1 (G1) ∩ . . . ∩ π−1t
k(Gk)]
(c) Si mostri che d(f, g) = supx∈[0,1]∩Q|f (x) − g(x)| (dove il sup è ristretto a Q) per ogni f, g ∈ C.
(d) Poniamo df(g) := d(f, g). Si mostri che, per ogni f ∈ C fissata, la funzione df : C → R è F-misurabile.
[Sugg.: Si esprima df come limite di funzioni che dipendono da πt1, . . . , πtn.]
(e) Detta B(f, ε) = {g ∈ C : d(f, g) < ε} la palla aperta di centro f e raggio ε, si mostri che B(f, ε) ∈ F per ogni f ∈ C e ε > 0.
(f) Ricordiamo che lo spazio metrico (C, d) è separabile (ad esempio i polinomi con coefficienti razionali sono un sottoinsieme numerabile e denso) e dunque ogni aperto è unione numerabile di palle aperte. Si concluda che τ ⊆ F e dunque B ⊆ F .
Soluzione 1. (a) Si noti che Cn = T2n
i=1{Bi/2n − B(i−1)/2n ≥ 0}. Per definizione di moto browniano, gli incrementi Bi/2n − B(i−1)/2n hanno legge N (0, 1/2n), da cui segue che P(Bi/2n − B(i−1)/2n ≥ 0) = 12, e sono indipendenti, per cui P(Cn) = Q2n
i=1P(Bi/2n− B(i−1)/2n ≥ 0) = (12)2n.
(b) Se ω ∈ D, cioè la funzione t 7→ Bt(ω) è crescente su [0, 1], si ha ovviamente Bt(ω) − Bs(ω) ≥ 0 per ogni 0 ≤ s ≤ t ≤ 1, da cui ω ∈ Cn per ogni n ∈ N. Da ciò segue l’inclusione D ⊆ Cn, per ogni n ∈ N.
(c) Per i punti precedenti, si ha che P(D) ≤ P(Cn) = (12)2n per ogni n ∈ N. Dato che (12)2n → 0 per n → ∞, segue che P(D) = 0.
(d) Dobbiamo mostrare che P(G) = 0, dove abbiamo posto G := ∃[a, b] ⊆ [0, ∞) t.c. {Bt}t∈[a,b] è crescente
= [
0≤a<b<∞
D[a,b], D[a,b] := {Bt}t∈[a,b] è crescente .
Con un argomento identico ai punti precedenti si mostra che P(D[a,b]) = 0, per ogni 0 ≤ a < b ≤ 1. Essendo G un’unione di una famiglia più che numerabile di eventi, non è immediato concludere che P(G) = 0. Tuttavia questo problema si risolve facilmente, notando che è possibile riscrivere l’evento G come unione numerabile:
G = [
0≤a0<b0<∞, a0,b0∈Q
D[a0,b0].
Infatti, se una traiettoria è crescente in un sottointervallo [a, b] di [0, ∞), basta prendere un sottointervallo [a0, b0] ⊆ [a, b] con a0, b0∈ Q e chiaramente la traiettoria è crescente anche su [a0, b0], per cui D[a,b]⊆ D[a0,b0]. Come abbiamo notato sopra, P(D[a0,b0]) = 0 e dunque P(G) = 0.
Soluzione 2. (a) Grazie alla continuità di t 7→ Bt(ω), possiamo ottenere l’integrale come limite (o equivalentemente lim sup) di somme di Riemann:
I(ω) = Z 1
0
Bt(ω) dt = lim sup
N →∞
IN := lim
N →∞
1 N
N −1
X
i=0
Bi
N(ω) .
Si noti che il membro destro di questa relazione è una variabile aleatoria, in quanto lim sup di variabili aleatorie. Essendo IN = N1 PN −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:R1
0 Btdt ∼ N (µ, σ2), e inoltre µ e σ2 sono date dai limiti rispetti- vamente di media e varianza delle variabili N1 PN −1
i=0 Bi
N
. Questo fornisce un modo per calcolare µ e σ2 (esercizio!).
Vediamo un modo alternativo per il calcolo di µ e σ2: applicando il teorema di Fubini†, si ottiene
µ = E
Z 1 0
Bt(ω) dt
= Z 1
0
E(Bt(ω)) dt = Z 1
0
0 dt = 0 .
†A questo proposito, occorre essere certi che Bt(ω) sia congiuntamente misurabile in (t, ω), cioè che la funzione (t, ω) 7→ 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.
(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√
t e dunqueR1
0 E(|Bt(ω)|) dt ≤R1 0 c√
t dt < ∞.)
In alternativa, si poteva dedurre che µ = 0 notando che la variabile R1
0 Btdt è simmetrica, cioè ha la stessa legge di −R1
0 Btdt, perché sappiamo che {−Bt}t è un moto browniano.
Per calcolare la varianza σ2, si osservi che possiamo scrivere σ2 =
Z 1 0
Bt(ω)
2
= Z 1
0
Z 1
0
Bt(ω) Bs(ω) dt ds . Applicando ancora il Teorema di Fubini si ottiene
σ2 = Z 1
0
Z 1 0
E(Bt(ω)Bs(ω)) dt ds = Z 1
0
Z 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 Z 1
0
dt
Z t 0
min{s, t} ds
= 2 Z 1
0
dt
Z t 0
s ds
= 2 Z 1
0
dt t2 2
= 1 3. In definitiva, R1
0 Btdt ∼ N (0,13).
(b) Dato che B0 = 0 q.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 è impossibile, perché, qualunque sia µ, si ha che P(Z < µ − 1) ≥ P(B1 < µ − 1) > 0, essendo B1 ∼ N (0, 1).
Soluzione 3. (a) Per la proprietà di scaling del moto browniano, Bt/√
t ∼ B1 ∼ N (0, 1), dove ∼ indica l’uguaglianza in legge. Di conseguenza, posto
Cα := E(|B1|α) = 1
√2π Z
R
|x|αe−x2/2dx < ∞ , possiamo scrivere
E(|Bt|α) = tα/2 E
Bt
√t
α
= tα/2 E(|B1|α) = Cαtα/2.
Chiaramente Cα > 0, mentre la proprietà Cα< ∞ segue dal fatto ben noto che le variabili normali hanno momenti finiti di ogni ordine (oppure si mostra con una semplice stima nell’integrale).
(b) La densità ft1,...,tk(x1, . . . , xk) del vettore (Bt1, . . . , Btk) è stata calcolata a lezione.
In particolare, sappiamo che ft1,...,tk(x1, . . . , xk) > 0 per ogni x1, . . . , xk ∈ R. Dato che l’insieme I1× . . . × Ik ha parte interna non vuota, e dunque misura di Lebesgue positiva, si conclude che
P(Bt1 ∈ I1, . . . , Btk ∈ Ik) = Z
I1×...×Ik
ft1,...,tk(x1, . . . , xk) dx1 · · · dxk > 0 .
(c) Introduciamo l’evento Cn := {supt∈[0,1]Bt > n} per n ∈ N. Chiaramente la successione di eventi {Cn}n∈N è decrescente, cioè Cn+1 ⊆ Cn, e il loro limite è
C∞ := \
n∈N
Cn =
sup
t∈[0,1]
Bt= +∞
.
Sappiamo che q.c. la funzione t 7→ Bt è continua, quindi supt∈[0,1]Bt < +∞ q.c., cioè P(C∞) = 0. D’altro canto, per la continuità dall’alto della probabilità si ha che P(Cn) → P(C∞) per n → ∞, e la conclusione segue.
Soluzione 4. (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
X
i=1
(t(n)i − t(n)i−1)2
≤ c ε2 |π(n)|
kn
X
i=1
(t(n)i − t(n)i−1) = c t ε2 |π(n)| , e dato cheP
n∈N|π(n)| < ∞ per ipotesi, anche P
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 :=S
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 5. (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 caratterizzazione (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.
Essendo congiuntamente normali, le variabili aleatorie Xte Ytsono 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 Yt per 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 =
1
3s. 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.
Soluzione 6. (a) Per l’invarianza di scala del moto browniano P(Cn,s) = P |Bs|
√s ≤ n√ s
= P |B1| ≤ n√ s .
Quindi, per n fissato, lims↓0P (|B1| ≤ n√
s) = P(B1 = 0) = 0, per la continuità dall’alto della probabilità. Dato che P (|B1| ≤ n√
s) = √1
2π
Rn√ s
−n√
se−x2/2e la funzio- ne x 7→ e−x2/2 è continua in x = 0, per il teorema fondamentale del calcolo si ha che per s ↓ 0
P(Cn,s) 2n√
s = 1
√ 2π
1
2n√ s
Z n√ s
−n√ s
e−x2/2dx
−→ 1
√
2πe−x2/2
x=0 = 1
√ 2π . (b) Se ω ∈ Dn,t, per definizione si ha |Bu(ω)| ≤ nu per ogni u ∈ [0, t]. In particolare,
per s ≤ t si ha |Bs(ω)| ≤ ns, quindi ω ∈ Cn,s. Questo mostra che Dn,t⊆ Cn,s. (c) Per il punto (b) si ha Dn,t ⊆ Cn,s e dunque P(Dn,t) ≤ P(Cn,s), per ogni 0 < s ≤ t.
Quindi P(Dn,t) ≤ lims↓0P(Cn,s) = 0, per il punto (a). Dato che chiaramente P(Dn,t) ≥ 0, segue che P(Dn,t) = 0.
(d) Prendiamo ω ∈ Ω tale che la funzione t 7→ Bt(ω) sia derivabile in zero, con derivata prima c, cioè Bt(ω)/t → c per t ↓ 0. Per definizione di limite, esiste t0 = t0(ω) tale che |Bt(ω)/t| ≤ 2c per ogni 0 < t ≤ t0. Scegliendo k ≥ 1/t0 e n ≥ 2c, si ha dunque che ω ∈ Dn,k, e l’inclusione è verificata.
(e) Usando la subattitività della probabilità e i due punti precedenti si ottiene
P(A) ≤ X
n,k∈N
P(Dn, 1/k) = 0 .
Soluzione 7. (a) Per il principio di riflessione P(St< a) = P(|Bt| < a) = 2
√2πt Z a
0
e−2t1 x2dx , da cui, derivando rispetto ad a, si ottiene
fSt(x) = 2
√2πte−2t1 x21(0,∞)(x) . (b) Per il principio di riflessione e la proprietà di scaling
P(τa≤ t) = P(|Bt| ≥ a) = P(|B1| ≥ √a
t) .
(c) Dalla formula ottenuta al punto precedente e dalla continuità dall’alto della proba- bilità si ha
P(τa= ∞) = lim
t→∞P(τa> t) = lim
t→∞P(|B1| < √a
t) = P(|B1| = 0) = 0 . (d) Abbiamo visto che
P(τa≤ t) = P(|B1| ≥ √a
t) = 1 − P(|B1| ≤ √a
t) = 1 − 2
√ 2π
Z 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 t3/2 e−a2/(2t)1(0,∞)(t) . Inoltre
E(τa) = Z ∞
0
t fτa(t) dt = a
√2π Z ∞
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) = 1 per ogni m ∈ Z e dunque P(A) = 1, dove anche A :=T
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∈N ha 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.
Soluzione 8. (a) P(t ∈ Z) = P(Bt= 0) = 0 perché Bt∼ N (0, t).
(b) L’evento {Z ∩ (Q ∩ (0, ∞)) 6= ∅} =S
t∈Q∩(0,∞){t ∈ Z} è unione numerabile di eventi con probabilità nulla, dunque ha probabilità nulla.
(c) Sappiamo che per q.o. ω la funzione t 7→ Bt(ω) è continua, quindi l’insieme Z(ω) è chiuso, essendo controimmagine dell’insieme chiuso {0}.
(d) Per il teorema di Fubini, E(m(Z)) =R∞
0 E(1Z(s)) ds =R∞
0 P(s ∈ Z) ds = 0. Dato che m(Z) ≥ 0, segue che m(Z) = 0 q.c..
(e) Sappiamo che q.c. il moto browniano cambia segno infinite volte in ogni intorno destro dell’origine, grazie alla legge del logaritmo iterato. Per la continuità delle traiettorie, q.c. esiste una successione {tn}n∈N = {tn(ω)}n∈N tale che tn ↓ 0 e Btn = 0, cioè tn∈ Z.
Soluzione 9.