Skriptum zur Wahrscheinlichkeitstheorie
Skriptum zur Wahrscheinlichkeitstheorie
Skriptum zur Wahrscheinlichkeitstheorie
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
176 KAPITEL 5. STOCHASTISCHE PROZESSE<br />
und<br />
Cov[T i , T j ] = E[T i T j ] − b i b j = (2π) − d (<br />
2 x i x j exp<br />
∫<br />
y=A −1 (x−b)<br />
= (2π) − d 2<br />
∫<br />
= (2π) − d 2<br />
(<br />
a ⊤ i yy ⊤ a j exp<br />
(a ⊤ i y + b i )(a ⊤ j y + b j ) exp<br />
)<br />
− y⊤ y<br />
2<br />
dy<br />
)<br />
− 1 2 (x − b)⊤ (AA ⊤ ) −1 (x − b)<br />
(<br />
− y⊤ y<br />
2<br />
)<br />
dy − b i b j<br />
Da die gemischten Terme y i y j beim integrieren keinen Beitrag leisten, ist weiter<br />
dx − b i b j<br />
d∑<br />
∫<br />
Cov[T i , T j ] = (2π) − d 2<br />
k=1<br />
(<br />
a ik yka 2 jk exp<br />
)<br />
− y⊤ y<br />
2<br />
dy =<br />
d∑<br />
a ik a jk = 〈a i , a j 〉.<br />
k=1<br />
2. Sei C symmetrisch und positiv definit. Dann gibt es genau ein A ∈ GL(d, R), so dass C = AA ⊤ .<br />
Da jede affin lineare Abbildung T : Ax + b eindeutig durch A und b bestimmt ist, ist T (N)<br />
eindeutig durch A und b bestimmt.<br />
20.12 Hauptsatz<br />
Jede normale Brown’sche Bewegung X t ist ein zentrierter Gauß-Prozess mit Erwartungsfunktion<br />
b : t ↦→ E[X t ] = 0<br />
und Kovarianzfunktion<br />
Γ : (s, t) ↦→ Cov[X s , X t ] = inf(s, t).<br />
✷<br />
Beweis: Sei 0 ≤ t 1 < . . . < t n und<br />
Also ist T ∈ GL(n, R) mit<br />
und es gilt:<br />
T : (y 1 , . . . , y n ) ↦→ (y 1 , y 1 + y 2 , . . . , y 1 + . . . + y n ).<br />
T −1 = (x 1 , . . . , x n ) ↦→ (x 1 , x 2 − x 1 , . . . , x n − x n−1 )<br />
Vert(X t1 ⊗ . . . ⊗ X tn ) = Vert ( T ◦ (X t1 ⊗ X t2 − X t1 ⊗ . . . ⊗ X tn − X tn−1 ) )<br />
= T ( µ t1<br />
⊗ µ ts−t 1<br />
⊗ . . . ⊗ µ tn−t n−1<br />
)<br />
,<br />
wobei µ t1<br />
= ɛ 0 für t 1 = 0. Damit ist (X t ) t∈I nach 20.10.3 ein Gaußprozess.<br />
Da VertX t = µ t = N 0,t , ist E[X t ] = 0 und Var[X t ] = t. Für s < t gilt:<br />
und für s = t :<br />
Cov[X s , X t ] = E[X s X t ] = E[(X t − X s )X s + X 2 s ] = E[(X t − X s )X s ] + E[X 2 s ]<br />
19.2.2<br />
= E[X t − X s ]E[X s ] + E[X 2 s ] = Var[X s ] = s = inf(s, t),<br />
Cov[X s , X t ] = Var[X s ] = s = inf(s, t).<br />
✷