布朗運動首次擊中a的時刻的期望?

算 Ta的期望第一步就看不懂了555。。。為什麼一個期望會等於那個概率的積分?怎麼從6.2.2推出來的?謝謝!


int_0^infty P(T_a>t) dt=int_0^inftyint_Omega 1_{{T_a>t}}dmu dt

=int_Omegaint_0^infty 1_{{T_a>t}} dt dmu=int_Omega T_admu=mathbb{E} T_a

T_a是測度空間(Omega,mathcal{F},mu)mathbb{R}^+的可測映射,所以第一和第四個等號成立。第三個等號是簡單積分,第二個等號是非負函數的Fubini/Tonelli定理Fubinis theorem。

如果T_a有概率密度函數f(t), 就更好辦了。

int_0^infty P(T_a>t) dt=int_0^inftyint_t^infty f(	au)d	au dt

=int_0^inftyint_0^	au f(	au)dtd	au=int_0^infty 	au f(	au)d	au=mathbb{E}T_a

第二個等號是非負函數的Fubini/Tonelli定理。


樓上的答的非常棒,黑貓嘗試用一種稍微瑣碎的方式解釋這個:

P(T_a leq t )描述的對象是時間,不方便我們處理。所以我們定義一個關於值的停時概率。

我們定義維納過程迄今(t)為止最大值過程:M_t=max_{0leq  sleq t }{W_s}

然後因為維納過程具有對稱性(對於0點),我們完全可以把到 au(觸線)之後的路徑「反過來」,複製一條路徑:

直觀的能看出如果M_t 在t時刻觸線了,則在t時刻必有兩個分別大於和小於障礙的「鏡像」。基於這個原因我們可以用兩倍在t時刻大於來表示觸線概率,這個規律我們稱為反射原理:

P(M_tgeq a)=2P(W_tgeq a),此時我們可以直接套用維納過程在t時刻的密度,所以就有了6.2.2

後面小於無窮都是顯然的,因為這個極限是存在的

然後關於第二部分,用的是一個騷極了的性質:指示函數的期望等於其概率。shreve有專門講到這個有點小「骯髒」的構造法。(咱沒有學過Fubini/Tonelli定理,所以講的瑣碎一些)

由於P(T_a leq t )=P(M_tgeq a)允許我們完成了一次時間到過程值概率的轉換。假設我們僅有離散的停時分布,則考慮下面級數:

sum_{ i=1}^{infty}{int_{Omega } 1_{[s>t_i]}}

上面這個構造我不太記得確切形式了,自己寫了一個也許不嚴格但是符合大意。我們求一個停時的期望,其實是在求每一個從0到正無窮時間中,停時落在每一個時間區間的期望和。而表示是否在這個區間可以使用指數函數(試想我們抽了N個時間樣本,其中n個在時間區間內,則落在區間的概率為n/N,對在區間內的時間賦值為1,其餘為0,則該賦值函數也就是指示函數的期望就等於落在時間區間的概率

對於存在密度函數的時間則極其直觀,因為每個時間 au都對了一個密度,樓上答案的:

int_{0}^{infty } 	au f(	au) d	au 是非常顯然的

(上面這點我們可以略窺黎曼積分和勒貝格積分的特點和區別,在存在密度的情況下我們有一個y,只要這個y不存在或者不可導的點只有可數個那麼這個積分是可以用黎曼的方法積出來的;否則當這個y並不是幾乎處處都存在的時候,我們只能對那個時間段的樣本空間作為域來對指示函數積分,也就是勒貝格積分)

所以他這樣做的邏輯是:我們的時間大期望是每一區間的時間期望加權,每一個都是左閉右開的-&>從大於0的時間段開始,每個區間的期望都是這個區間指示函數的期望,也就是他的概率 -&>由於該概率存在密度函數,可以套6.2.2結果了

好好學這個,前段時間國內的A/B分級基金的定價就用到這個結果了哦~


不能怪我不擅長寫作。。。實在是我發現很多事情一句話就能說清楚。。。

請回到本書的第一章查看習題1.5!!!!!!!!!!

對於非負隨機變數X我們有如下公式:

E[X]=int xf(x)dx=int 1-F(x) dx=int Prob(X>x) dx

其中f(x)是密度函數, F(x)是分布函數。

詳細證明見 @Mather King 答案

Come on baby

國內目前量化的環境如何?「春天」什麼時候會到來? - 親愛的龍哥的回答


這是一個求期望的基本公式吧!下面給出一個直觀的解釋,對於離散情況,考慮下面矩陣中所有元素的和:

p(1)  \ p(2)p(2) \p(3) p(3)p(3) \...

按先行相加得到sum_{n=1}np(n),按先列相加得到sum_{n=1}p(xgeq n)。連續情況

int_0^infty xf(x)dx=int_0^infty (int_0^xdt)f(x)dx=int_0^inftyint_t^infty f(x)dxdt=int_0^infty P{xgeq t} dt


其實題主不明白的只是第一個formula吧。但貌似沒有人解釋這個。這個東西叫做reflection principle。證明如下:

首先是這個式子,證明很簡單,因為這兩個event根本就是一個event:

P( tau&<=T ) = P( max B_t &>= a )

其次,接下來是2倍關係如何而來:

P( max B_t &>= a ) = P( max B_t &>= a, B_T &>=a) + P( max B_t &>= a, B_T&

而第一個joint distribution其實就等同於P( B_T &>= a ),現在來分析第二個:

P( max B_t &>= a, B_T&= a ) * P( B_T&= a )

而第二個P( B_T&= a ) = 1/2。這是為什麼呢?

因為P( B_T&= a ) = P( B_T&

這樣我們就有了

P( max B_t &>= a ) = P( B_T &>=a) + 1/2 * P( max B_t &>= a )

也就得了你不懂的6.2.2了。


推薦閱讀:

Redistribution Group
沒學過隨機過程,直接學時間序列分析吃得消嗎?

TAG:概率論 | 隨機過程 | 布朗運動 |