Skriptum zur Wahrscheinlichkeitstheorie
Skriptum zur Wahrscheinlichkeitstheorie
Skriptum zur Wahrscheinlichkeitstheorie
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
19. PROZESSE MIT STATIONÄREN UND UNABHÄNGIGEN ZUWÄCHSEN 167<br />
19 Prozesse mit stationären und unabhängigen Zuwächsen<br />
Sei stets (Ω, A, P) ein Wahrscheinlichkeitsraum und (E, B) = (R d , B(R d )) mit I ⊆ R +<br />
t − s ∈ I (s, t ∈ I, s ≤ t).<br />
und<br />
19.1 Definition<br />
Eine stochastischer Prozess (X t ) 0≤t≤T auf (Ω, A, P) mit Zustandsraum R d hat<br />
• stationäre Zuwächse, wenn eine Familie (µ t ) t∈I von Wahrscheinlichkeitsmaßen auf R d existiert<br />
mit<br />
P Xt−X s<br />
= µ t−s (s, t, ∈ I, s ≤ t),<br />
• unabhängige Zuwächse, wenn für je endlich viele Zeitpunkte 0 = t 0 < t 1 < . . . t n aus I die<br />
Zufallsvariablen X t0 , X t1 − X t0 , . . . , X tn − X tn−1 unabhängig sind.<br />
Prozesse mit diesen beiden Eigenschaften heißen Lévy-Prozesse.<br />
19.2 Bemerkungen<br />
1. Im Fall stationärer Zuwächse ist µ 0 = P Xt−X t<br />
= ɛ 0 .<br />
2. Im Fall unabhängiger Zuwächse sind die Zufallsvariablen X t0 , X t1 − X t0 , . . . , X tn − X tn−1 auch<br />
im Falle t 0 > 0unabhängig.<br />
Denn: Setze t −1 := 0 und beachte, dass X t0 = X t−1 + (X t0 − X t−1 ) ist. Damit ist also<br />
σ(X t0 ) ⊆ σ(X t−1 , X t0 − X t−1 ) =: F.<br />
Nach 12.4 sind dann F, σ(X t1 − X t0 ), . . . , σ(X tn − X tn−1 ) unabhängig. Also sind auch<br />
unabhängig.<br />
19.3 Lemma<br />
σ(X t0 ), σ(X t1 − X t0 ), . . . , σ(X tn − X tn−1 ), d.h. X t0 , X t1 − X t0 , . . . , X tn − X tn−1<br />
Sei (P s,t ) s≤t eine stationäre und translationsinvariante Markoff’sche Schar mit zugehöriger Markoff’scher<br />
Halbgruppe (P t ) t∈I := (P 0,t ) t∈I und Faltungshalbgruppe (µ t ) t∈I = (P t [0, .]) t∈I . Dann<br />
gilt für n ∈ N und<br />
{<br />
R d(n+1) −→ R d(n+1)<br />
T n :<br />
(y 0 , . . . , y n ) ↦−→ (y 0 , y 0 + y 1 , . . . , y 0 + y 1 + . . . + y n )<br />
sowie für jedes Wahrscheinlichkeitsmaß µ auf R d<br />
( ⊗ n<br />
) ⊗ n<br />
T n µ µ ti−t i−1 = µ P ti−t i−1<br />
(0 ≤ t 0 < t 1 < . . . t n ).<br />
i=1<br />
i=1<br />
Beweis: Die Abbildung T n ist Borel-messbar, da sie ein Homöomorphismus ist, denn es gilt<br />
T −1<br />
n (x 0 , . . . , x n ) = (x 0 , x 1 − x 0 , . . . , x n − x n−1 ).<br />
Für B ∈ B(R d(n+1) ) gilt nach dem Satz von Fubini 9.19<br />
n⊗<br />
∫ ∫<br />
T n<br />
(µ µ ti−t i−1<br />
)[B] = . . . 1 B ◦ T n (y 0 , . . . , y n )µ[dy 0 ]µ t1−t 0<br />
[dy 1 ] . . . µ tn−t n−1<br />
[dy n ]<br />
i=1<br />
∫<br />
=<br />
∫<br />
. . .<br />
1 B (y 0 , y 0 + y 1 , . . . , y 0 + . . . + y n )