3.3 Brown 运动的构造

现在我们的主要目标是证明 Brown 运动真的存在 —— 构造一个 Brown 运动。我们首先会用区间 [0,1] 上的所有实值平方可积函数构成的线性空间 L2(0,1) 的一个精心选择的标准正交基构造白噪声 ξ(⋅) 在它上面的展开。接着我们将这个展开对时间积分,然后证明它是收敛的,这样我们就构造出了 Brown 运动。

3.3.1 标准正交基下的展开

L2(0,1) 上的一个标准正交基是指这个函数序列 {ψn}n=1∞ 其中 ψn=ψn(t) 是 [0,1] 上的函数(不是随机变量)标准正交的意思是任意两个基函数的内积不是 0 就是 1 :对所有 m,n ,满足

∫01ψn(s)ψm(s)ds=δm,n={1,m=n0,m≠n

由于 ξ(⋅) 是随机过程,我们把它写成下面的形式展开:

ξ(t)=∑n=0∞Anψn(t),0⩽t⩽1

其中 An 相互独立的随机变量(为什么要假设相互独立?)。我们容易看到

An=∫01ξ(t)ψn(t)dt=⟨ξ,ψn⟩L2(0,1).

我们可以看一下 AnAm,m≠n 的期望:

E(An)E(Am)=E(AnAm)=∫01∫01E(ξ(t)ξ(s))ψn(t)ψm(s)dtds=∫01∫01δ0(s−t)ψn(t)ψm(s)dtds=∫01ψn(s)ψm(s)ds=⟨ψn,ψm⟩L2(0,1)=δm,n=0.

假如 m=n ,就得到 E(An2)=∫01ψn2(s)ds=1. 这说明

  1. 系数两两不相关
  2. 系数的方差必须是 1 因此我们 希望 An 服从标准 Gauss 分布 N(0,1) ,这样的良好性质让我们期待上述那样的 Fourier 变换是合理的。根据我们的假设,就有
W(t):=∫0tξ(s)ds=∑n=0∞An∫0tψn(s)ds.

下面我们会选一个比较好的基,然后证明上面的积分收敛。

注解 3.4 通过白噪声的性质我们并不能判定其做 Fourier 变换后的随机变量系数是服从标准正态分布的,但标准正态分布是使得后续推导较为简单,且比较自然的选择 (把 ξ(⋅) 看成一个泛函,Fourier 变换做的就是某种 “对角化”)

3.3.2 Brown 运动的构造

接下来给出的 Brown 运动的构造属于 Levy 和 Ciesielski。

定义 3.5 (Haar 小波基) Haar 小波基 {hk(⋅)}k=0∞ 是指下面这些函数:

h0(t):=10⩽t⩽1h1(t):={10⩽t⩽12−112<t⩽1hk(t):={2n/2k−2n2n⩽t⩽k−2n+1/22n−2n/2k−2n+1/22n⩽t⩽k−2n+12n0otherwise2n⩽k⩽2n+1,n=1,2,…

接下来我们验证 {hk(⋅)}k=1∞ 是 L2(0,1) 上的一个性质很好的正交基。

引理 3.6 (Haar 基是 L2(0,1) 的完备标准正交基) Haar 小波基 {hk(⋅)}k=0∞ 是 L2(0,1) 的一个完备的标准正交基

证明. 首先验证标准(normal)的部分。 h0 和 h1 显然符合条件。

⟨hk,hk⟩L2(0,1)=∫01[hk(t)]2dt=2n/2⋅2n/2⋅12n≡1

接下来验证正交(ortho-)的部分。注意如果 l>k 那么 hl 的支撑集下 hk 总是常数。因此

∫01hk(t)hl(t)dt=±2n/2∫01hl(t)dt≡0

最后证明完备性。我们需要证明,对 k=0,1,… 和 f∈L2(0,1) ,有

∫01f(t)hk(t)dt=0⟺f=0a.e.

当 n=0 时,有 ∫01f(t)dt=0 。 当 n=1 时,有 ∫01/2fdt=∫1/21fdt ;结合 n=0 的情况,我们有 ∫01/2fdt=∫1/21fdt=0 。 接着这样做下去,我们能得到对所有 0⩽k⩽2k+1 ,都有 ∫k/2n+1(k+1)/2n+1fdt=0 。因此对所有的二进制有理数 0⩽s⩽r⩽1 ,有 ∫srfdt=0 ,这说明 f 几乎处处为零,因为 [0,1] 上的任意区间 [a,b] 都可以使用二进制有理数逼近。

定义 3.7 (Schauder 函数) 对 k=0,1,2,… 定义 k 阶 Schauder 函数为

sk(t):=∫0thk(s)ds0⩽t⩽1

我们马上揭示 Schauder 函数和 Brown 运动之间的关系。

引理 3.8 对任意 0⩽s,t⩽1 ,有

∑k=0∞sk(s)sk(t)=t∧s

证明. 对 0⩽s⩽1 ,定义 $$\phi_{s}(\tau) = \begin{cases} 1, &0 \leqslant \tau \leqslant s\ 0, & s < \tau \leqslant 1. \end{cases}$$ 不妨设 0⩽s⩽t⩽1 ,根据 Haar 小波基的完备性,可以将 ϕs 和 ϕt 做 Fourier 变换(小波变换),然后用内积线性性和一些实分析结果(在此原书中未提及,后续将陆续补充,现在先不严谨的空在这里)求和号从内积里面扯出来,接下来就简单了

s=∫0s1ds=∫01ϕsϕtdτ=⟨ϕs,ϕt⟩L2(0,1)=⟨∑k=0∞akhk,∑n=0∞bnhn⟩L2(0,1)=∑k=0∞∑n=0∞akbn⟨hk,hn⟩L2(0,1)=∑k=0∞akbk⋅1=∑k=0∞akbk

其中 ak 和 bk 就分别是 ϕs 和 ϕt 到 Haar 小波基函数的投影,而且恰好就是我们要的 Schauder 函数: $$\begin{align*} a_{k} &= \int_{0}^{1} \phi_{s}h_{k} , \mathrm{d}\tau = \int_{0}^{s} h_{k} , \mathrm{d}\tau = s_{k}(s),\ b_{k} &= \int_{0}^{1} \phi_{t}h_{k} , \mathrm{d}\tau = \int_{0}^{t} h_{k} , \mathrm{d}\tau = s_{k}(t). \end{align*}$$这样我们就证明了这个引理。

Schauder 函数 sk 的这个性质让我们想起 Brown 运动,因为它满足 E(W(t)W(s))=t∧s 。假设 W(⋅) 真的可以写成 ∑k=0∞Aksk(t) ,我们可以检查一下。

E(W(t)W(s))=E[(∑k=0∞Aksk(t))(∑n=0∞Ansn(s))]=∑k=0∞∑n=0∞sk(t)sn(s)E(AkAn)=∑k=0∞sk(t)sk(s)=t∧s

我们似乎走在正确的路上。下一个问题就是级数 ∑k=0∞Aksk(t) 是否收敛。

引理 3.9 {ak}k=0∞ 是一个实序列,假如存在某个常数 C 以及 0⩽δ⩽12 ,序列满足

|ak|⩽Ckδ,k=1,2,…

则级数 ∑k=0∞aksk(t) 对 0⩽t⩽1 一致收敛。

证明. 要证明函数项级数一致收敛,只需证明当 N 足够大时, ∑k=N∞aksk(t) 可以任意小。设

bn:=max2n⩽k<2n+1|ak|⩽C(2n+1)δ

然后我们设置一个足够大的数 m ,然后分段估计级数去掉前 2m 项后的无穷求和:

∑k=2m∞|ak||sk(t)|=∑n=m∞∑k=2n2n+1−1|ak||sk(t)|⩽∑n=m∞∑k=2n2n+1−1bn|sk(t)|=∑n=m∞bn∑k=2n2n+1−1|sk(t)|⩽∑n=m∞bn⋅max2n⩽k<2n+10⩽t⩽1|sk(t)|⋅1(t)⩽C∑n=m∞(2n+1)δ2−n/2−1

由于 δ<12 ,上式的指数部分被 2−pn 控制。当 m 足够大时,后面的无穷求和可以任意小。上面推导的第三行使用了 Schauder 函数在 2n⩽k<2n+1 时的支持集(有非零函数值的集合)彼此不交的特点,因此得到了一个一致的上界,也就是常函数 max2n⩽k<2n+10⩽t⩽1|sk(t)|⋅1(t) 。

引理 3.10 考虑相互独立的标准 Gauss 随机变量序列 {Ak}k=1∞ ,对几乎所有 ω∈Ω ,当 k→∞ 时,有

|Ak(ω)|=O(log⁡k)

证明. 首先估计一下 P(|Ak|)>x 的概率

P(|Ak|>x)=22π∫x∞e−s2/2ds=22πe−x2/4∫x∞e−s2/4ds⩽Ce−x2/4.

令 x:=4log⁡k ,就有

P(|Ak|>4log⁡k)⩽Ce−4log⁡k=Ck4.

此时注意到 ∑1k4<∞ ,就可以用 Borel-Cantelli 引理,得到

P(|Ak|>4log⁡ki.o.)=0

因此对于几乎所有 ω ,都可以找到一个 K(ω) ,当 k⩾K(ω) 时,有 |Ak(ω)|⩽4log⁡k⩽Ck1/4 。

定理 3.11 (构造 [0,1] 上的 Brown 运动) 考虑相互独立的标准 Gauss 随机变量序列 {Ak}k=1∞ ,和 Schauder 函数 sk(t) ,级数

W(t,ω):=∑k=0∞Ak(ω)sk(t),0⩽t⩽1

在概率空间中几乎处处对 t 一致收敛,且满足下面两个条件

  1. W(⋅) 在 0⩽t⩽1 上是 Brown 运动
  2. 几乎所有 ω 确定的采样路径 t↦W(t,ω) 连续

证明. 由我们的设定 Ak∼N(0,1) ,根据引理 3.10,它可以被 Ck1/4 控制;因此目标级数一致收敛,因此它对几乎所有样本点 ω 也是连续的。

下面验证这个函数项级数确实就是 Brown 运动 W(⋅) 。首先根据 Schauder 函数的定义立刻有 W(0)=0a.s. 。接着我们验证对所有 0⩽s⩽t⩽1 都有 W(t)−W(s)∼N(0,t−s) ,我们计算它的特征函数:

F[W(t)−W(s)]=E(exp⁡{iλ(W(t)−W(s))})=E(exp⁡{iλ[∑k=0∞Ak(sk(t)−sk(s))]})=∏k=0∞E(exp⁡{iλ[Ak(sk(t)−sk(s))]})独立性=∏k=0∞exp⁡{−λ22[sk(t)−sk(s)]2}Ak∼N(0,1)=exp⁡{−λ22∑k=0∞[(sk(t))2+(sk(s))2+2sk(t)sk(s)]}=exp⁡{−λ22[t−2s+s]}引理3.8=exp⁡{−λ22[t−s]}=F[N(0,t−s)].

最后证明它符合 Brown 运动定义中的增量无关性质。还是一样,我们只需要证明

F[W(t1),W(t2)−W(t1),…,W(tm)−W(tm−1)]=∏j=1mF[W(tj)−W(tj−1)]=∏j=1mF[N(0,tj−tj−1)]

只需继续计算对应的特征函数,然后重复用引理 3.8 的结果即可。

定理 3.12 (一维 Brown 运动的存在性) 考虑概率空间 (Ω,U,P) 上定义的可数个相互独立的标准 Gauss 随机变量 {An}n=1∞ ,则存在一个定义在 Ω 和 t⩾0 上的一维 Brown 运动 W(⋅)

大概的思路是,有可列个随机变量 {An}n=1∞ 就可以用对角线方法造出可列个可列长度的随机变量 {{Akn}n=1∞}k=1n :

⋮A10⋮A4A9⋰A3A5A8⋯A1A2A6A7⋯

所以每一个 k ,都可以造出一个定义在 [0,1] 上的 Brown 运动 Wk(t) 。接下来的问题就是怎么把它们接起来,其实只要新的接在老的后面,这样一直接下去就可以了。这就得到了下面的递归表达式

W(t)=W(n−1)+Wn(t−(n−1))

我们可以验证它满足 Brown 运动的定义。

3.3.3 Rn 中的 Brown 运动

最后我们把 Brown 运动拓展到 Rn 。

定义 3.13 ( Rn 中的 Brown 运动) 一个 Rn 值随机过程 W(⋅)=(W1(⋅),…,Wn(⋅)) 如果满足对所有 k=1,…,n

  1. Wk(⋅) 是一个 Brown 运动
  2. σ -代数 Wk=U[Wk(t):t⩾0] 是相互独立的 它就是一个 n -维 Brown 运动

n -维 Brown 运动和一维的版本有类似地性质。

引理 3.14 W(⋅) 是一个 n 维 Brown 运动,对所有 k,l=1,…,n ,有

E[Wk(t)Wl(s)]=(t∧s)δk,lE[(Wk(t)−Wk(s))(Wl(t)−Wl(s))]=(t−s)δk,l,t⩾s⩾0

以及和一维版本十分相似的 W(t) 和联合分布的结果:

定理 3.15 是一个 n 维 Brown 运动,则对任意 t>0 ,有 W(t)∼N(0,tI) ,因此对任意 Borel 集 A⊂Rn ,有

P(W(t)∈A)=1(2πt)n/2∫Aexp⁡{−∥x∥22t}dx

一般地,对每一个 m=1,… 和每一个函数 f:Rn×⋯×Rn⏟m 个→R ,有

E[f(W(t1),…,W(tm))]=∫Rn⋯∫Rnf(x1,…,xm)g(x1,t1|0)g(x2,t2−t1|x1)⋯g(xm,tm−tm−1|xm−1)dxmdx1

其中 g(x,t|y)=1(2πt)n/2exp⁡{−∥x−y∥22t} 。

证明. 对每个 t>0 ,随机变量 W1(t),…,Wn(t) 都是相互独立的,因此有

fW(t)=∏k=1nfWk(t)(xk)=∏k=1n1(2πt)1/2exp⁡{−xk22t}=1(2πt)n/2exp⁡{−∥x∥22t}=g(x,t|0).

接下来的步骤和一维情况类似,不再赘述。