3.5 Markov 性

定义 3. 21 (条件概率) 假设 V⊂U 是一个子 σ -代数,对事件 A∈U ,定义

P(A|V):=E(χA|V)

为事件 A 在给定 V 下的条件概率,它是一个随机变量。

定义 3. 22 (Markov 过程) 一个取值于 Rn 的随机过程 X(⋅) 如果对一切 0⩽s⩽t 和一切 Borel 集 B∈Rn ,都满足

P(X(t)∈B|U(s))=P(X(t)∈B|X(s))a.s.

我们称其为一个 Markov 过程。

可以看出 Markov 过程中 X(s) 所包含的 “信息” 和给定一段历史 U(s) 所包含的信息相当:它只 “记得” 当前的状态,而不记得来时的路。

定理 3. 23 ( n 维 Brown 运动是 Markov 过程) n 维 Brown 运动 W(⋅) 是一个 Markov 过程,且对所有 0⩽s⩽t 和所有 Borel 集 B ,都有

P(W(t)∈B|W(s))=1(2π(t−s))n/2∫Bexp⁡{−|x−W(s)|22(t−s)}dxa.s.

证明. 找一个 Borel 集合 A ,考虑函数

ΦB(y):=1(2π(t−s))n/2∫Bexp⁡{−|x−y|22(t−s)}dx

Φ(y) 是 U(W(s)) -可测的。为了证明这个定理,我们需要证明对任意 C∈U(W(s)) ,有

∫Cχ{W(t)∈A}dP=∫CΦ(W(s))dP

由于 U(W(s))={W−1(s,B),B∈B} ,其中 B 是 Rn 中的所有 Borel 集。因此 W(s) 生成的 σ -代数 U(W(s)) 中的元素 C 就对应着 W(s) 在某个 Borel 集 B 下的原像。

一方面,

I1=∫Cχ{W(t)∈A}dP=P(W(s)∈B,W(t)∈A)=∫B∫Ag(y,s,|0)g(x,t−s|y)dxdyBrown 运动的联合概率公式=∫Bg(y,s,|0)∫Ag(x,t−s|y)dxdy=∫Bg(y,s|0)ΦA(y)dy

另一方面,

I2=∫CΦ(W(s))dP=∫ΩχB(W(s))⋅Φ(W(s))dP=∫RnχB(y)⋅Φ(y)⋅1(2πs)1/2exp⁡{−|y|22s}dy换元=∫Bg(y,s|0)Φ(y)dy=I1.

注释 Brown 运动的 Markov 性一定程度上解释了其采样路径的无处可微性。

假如我们知道 W(s,ω)=b 则该采样路径在此之后的未来行为只取决于当前这个值,而与它如何达到这个地方无关,这说明了其 “无记忆性”。