莱维过程
定义
一个随机过程X={Xt:t≥ ≥ -->0}{\displaystyle X=\{X_{t}:t\geq 0\}}莱维个莱维过程如果符合以下条件:
X0=0{\displaystyle X_{0}=0\,}几乎确定。
独立增量:对任何0≤ ≤ -->t1<t2<tn{\displaystyle 0\leq t_{1}, Xt2− − -->Xt1,Xt3− − -->Xt2,… … -->,Xtn− − -->Xtn− − -->1{\displaystyle X_{t_{2}}-X_{t_{1}},X_{t_{3}}-X_{t_{2}},\dots ,X_{t_{n}}-X_{t_{n-1}}}相互独立。
稳定增量:对任何sXs{\displaystyle X_{t}-X_{s}\,}与Xt− − -->s{\displaystyle X_{t-s}\,}有相同分布
t↦ ↦ -->Xt{\displaystyle t\mapsto X_{t}} is几乎确定右连左极.
性质
独立增量
设Xt是一个连续时间上的随机过程。也就是说,对于任何固定的t ≥ 0,Xt是一个随机变量。过程的增量为差值Xs − Xt(任意的时间t t > u > v,Xs − Xt和Xu − Xv相独立。
稳定增量
如果增量Xs − Xt的分布只依赖于时间间隔s − t,则称增量是稳定的。
例如,对于维纳过程,增量Xs − Xt服从均值为0,方差为s − t的正态分布。
对于泊松过程,增量Xs − Xt服从指数为s − t的泊松分布
可分性
Lévy过程与无限可分分布有关:
增量的分布是无穷可分的。即对任意给定的n,Xt的分布可以表示为n个与Xt/n同分布的随机变量的和的分布。
反之,对于每个无穷可分的分布,可以构造出一个与之对应的Lévy过程。
矩
当Lévy过程的n阶矩μ μ -->n(t)=E(Xtn){\displaystyle \mu _{n}(t)=E(X_{t}^{n})}存在有限时, 它满足二项式等式:
例子
Wiener过程
定义X为维纳过程(或者标准布朗运动) 当且仅当
对任何t≥ ≥ -->0{\displaystyle \scriptstyle t\geq 0}, 随机变量Xt{\displaystyle X_{t}}服从正态分布N(0,t){\displaystyle \scriptstyle {\mathcal {N}}(0,t)},
它的轨迹是几乎处处连续的;即, 对于几乎所有的事件ω ω -->{\displaystyle \scriptstyle \omega },关于t的函数ω ω -->↦ ↦ -->Xt(ω ω -->){\displaystyle \scriptstyle \omega \mapsto X_{t}(\omega )}是连续的。
性质
它的傅立叶变换为:
其他性质可参考词条布朗运动。
复合Poisson过程
定义X为一个实参数为c≥ ≥ -->0{\displaystyle \scriptstyle c\geq 0},测度为ν ν -->{\displaystyle \scriptstyle \nu }复合泊松过程(英语:Compound Poisson process)当且仅当它的傅立叶变换为:
性质
参数为 c≥ ≥ -->0{\displaystyle \scriptstyle c\geq 0},测度为Dirac测度(英语:Dirac measure)ν ν -->=δ δ -->1{\displaystyle \scriptstyle \nu =\delta _{1}}的复合泊松过程为泊松过程.
设N为参数为c≥ ≥ -->0{\displaystyle \scriptstyle c\geq 0}的泊松过程,Sn=∑ ∑ -->k=0nYk{\displaystyle \scriptstyle S_{n}=\sum _{k=0}^{n}Y_{随机游走一个随机游走(Y1{\displaystyle \scriptstyle Y_{1}}的分布为ν ν -->{\displaystyle \scriptstyle \nu }),那么Xt=SNt{\displaystyle \scriptstyle X_{t}=S_{N_{t}}}为一个复合泊松过程。
参考来源
翻译自英语、法语版维基词条。
Ken-iti Sato. Lévy Processes and Infinitely Divisible Distributions,Cambridge University Press, 1999
免责声明:以上内容版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。感谢每一位辛勤著写的作者,感谢每一位的分享。
- 有价值
- 一般般
- 没价值