Escolar Documentos
Profissional Documentos
Cultura Documentos
Dinmicos Estocsticos
Publicaes Matemticas
Paulo Ruffino
UNICAMP
impa
Copyright 2010 by Paulo Ruffino
Direitos reservados, 2010 pela Associao Instituto
Nacional de Matemtica Pura e Aplicada - IMPA
Estrada Dona Castorina, 110
22460-320 Rio de Janeiro, RJ
Impresso no Brasil / Printed in Brazil
Capa: Noni Geiger / Srgio R. Vaz
Publicaes Matemticas
Introduo Anlise Funcional Csar R. de Oliveira
Introduo Topologia Diferencial Elon Lages Lima
Criptografia, Nmeros Primos e Algoritmos Manoel Lemos
Introduo Economia Dinmica e Mercados Incompletos Alosio Arajo
Conjuntos de Cantor, Dinmica e Aritmtica Carlos Gustavo Moreira
Geometria Hiperblica Joo Lucas Marques Barbosa
Introduo Economia Matemtica Alosio Arajo
Superfcies Mnimas Manfredo Perdigo do Carmo
The Index Formula for Dirac Operators: an Introduction Levi Lopes de Lima
Introduction to Symplectic and Hamiltonian Geometry Ana Cannas da Silva
Primos de Mersenne (e outros primos muito grandes) Carlos Gustavo T. A. Moreira e
Nicolau Saldanha
The Contact Process on Graphs Mrcia Salzano
Canonical Metrics on Compact almost Complex Manifolds Santiago R. Simanca
Introduction to Toric Varieties Jean-Paul Brasselet
Birational Geometry of Foliations Marco Brunella
Introduo Teoria das Probabilidades Pedro J. Fernandez
Teoria dos Corpos Otto Endler
Introduo Dinmica de Aplicaes do Tipo Twist Clodoaldo G. Ragazzo, Mrio J.
Dias Carneiro e Salvador Addas Zanata
Elementos de Estatstica Computacional usando Plataformas de Software Livre/Gratuito
Alejandro C. Frery e Francisco Cribari-Neto
Uma Introduo a Solues de Viscosidade para Equaes de Hamilton-Jacobi Helena
J. Nussenzveig Lopes, Milton C. Lopes Filho
Elements of Analytic Hypoellipticity Nicholas Hanges
Mtodos Clssicos em Teoria do Potencial Augusto Ponce
Variedades Diferenciveis Elon Lages Lima
O Mtodo do Referencial Mvel Manfredo do Carmo
A Student's Guide to Symplectic Spaces, Grassmannians and Maslov Index Paolo
Piccione e Daniel Victor Tausk
Mtodos Topolgicos en el Anlisis no Lineal Pablo Amster
Tpicos em Combinatria Contempornea Carlos Gustavo Moreira e Yoshiharu
Kohayakawa
Uma Iniciao aos Sistemas Dinmicos Estocsticos Paulo Ruffino
Distribuio:
IMPA - E-mail: ddic@impa.br - http://www.impa.br
ISBN: 978-85-244-0304-0
i i
Conteudo
Apresentacao 1
1 Teoria de probabilidade 3
1.1 Espacos de medida e de probabilidade . . . . . . . . . 4
1.2 Variaveis aleatorias . . . . . . . . . . . . . . . . . . . . 6
1.3 Esperanca de uma variavel aleatoria . . . . . . . . . . 9
1.4 Os espacos Lp . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Esperanca condicional . . . . . . . . . . . . . . . . . . 18
1.6 Independencia . . . . . . . . . . . . . . . . . . . . . . . 24
1.7 Convergencias de variaveis aleatorias . . . . . . . . . . 29
1.8 Variaveis aleatorias gaussianas . . . . . . . . . . . . . 30
2 Processos estocasticos 37
2.1 Processo canonico e continuidade . . . . . . . . . . . . 38
2.2 Filtracao e tempos de parada. . . . . . . . . . . . . . . 40
2.3 Processos de Markov . . . . . . . . . . . . . . . . . . . 42
2.4 Movimento Browniano . . . . . . . . . . . . . . . . . . 49
2.5 Martingales . . . . . . . . . . . . . . . . . . . . . . . . 53
2.5.1 Propriedades basicas . . . . . . . . . . . . . . . 57
2.5.2 p-Variacao de funcoes contnuas . . . . . . . . . 59
2.5.3 Martingale local . . . . . . . . . . . . . . . . . 64
3 Calculo estocastico 66
3.1 Integral Estocastica de Ito . . . . . . . . . . . . . . . . 66
3.1.1 Aplicacao a processos parados . . . . . . . . . . 67
3.1.2 Processos contnuous . . . . . . . . . . . . . . . 69
i i
i i
i i
2 CONTEUDO
5 Apendices 115
5.1 Independencia e convolucao de medidas . . . . . . . . 115
5.2 Criterio de Kolmogorov . . . . . . . . . . . . . . . . . 116
5.3 Gaussianas . . . . . . . . . . . . . . . . . . . . . . . . 120
5.4 Mais sobre o Movimento Browniano . . . . . . . . . . 121
5.4.1 Processo de Ornstein-Uhlenbeck . . . . . . . . 122
5.4.2 Outras construcoes do MB . . . . . . . . . . . 123
5.5 Teorema ergodico para processos de Markov . . . . . . 125
Bibliografia 127
i i
i i
i i
Apresentacao
i i
i i
i i
2 CONTEUDO
Paulo Ruffino
Campinas, maio de 2010.
i i
i i
i i
Captulo 1
Nocoes de teoria da
medida e probabilidade
i i
i i
i i
i i
i i
i i
1. () = 0;
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
Ficaremos neste texto somente com essa nocao de integral como sendo
a soma do produto do valor da funcao pelo tamanhodo conjunto
onde a funcao assume esse valor. Deixamos para o leitor verificar os
detalhes dessa construcao em outro texto. Essencialmente, o proce-
dimento continua por linearidade (para funcoes limitadas), e limites,
quando existir, para f nao limitada. A classe de funcoes Lebesgue
integraveis inclui e e muito maior do que a classe das funcoes Riemann
integraveis.
Note que se f for uma funcao simples, sua representacao como
i i
i i
i i
onde nos limites, fica entendido que e permitido termos valores in-
finitos.
i i
i i
i i
Exerccio 1.6. Se
Z +
F (t) = x2 etx dx,
0
i i
i i
i i
i i
i i
i i
i i
i i
i i
Essa ideia de densidade de uma medida em relacao a outra e o
conteudo do teorema de Radon-Nikodym 1.9 nas proximas secoes.
Lembramos que dado um espaco vetorial real normado V , seu dual
(topologico) V e o espaco vetorial de aplicacoes lineares contnuas
em R, os elementos do dual sao chamados de funcionais lineares
contnuous. A norma de um funcional linear contnuo e dada por
i i
i i
i i
1.4 Os espacos Lp
Os espacos vetoriais Lp (, F, ; R) sao espacos de funcoes reais F-
mensuraveis (ou, como vimos, na linguagem de probabilidade, variaveis
aleatorias) onde p determina uma especie de grau de integrabilidade
da funcao em relacao a medida . Assim, definimos, para um espaco
de medida (, F, ) e 1 p < ,
Z
Lp (; R) = f : R mensuravel e |f |p d < .
Para p = , tomamos
i i
i i
i i
1.4. OS ESPACOS LP 17
R 1/p
2. O operador em Lp dada por f kf kp = |f |p d <
e uma norma (pela desigualdade de Minkowsky) . O mesmo
vale para L .
i i
i i
i i
i i
i i
i i
1 {j}
h(j) =
2 {j}
Note que C e nao vazio (por que?). Considere a ordem parcial in-
duzida da reta nos elementos de C. Pelo teorema da convergencia
i i
i i
i i
i i
i i
i i
i i
i i
i i
se e somente se Z
(E[X|G] g) dP|G = 0
G
Integrando sobre os conjuntos G1 onde o integrando e positivo e sobre
G2 onde o integrando e negativo, a expressao acima vale se e somente
se (E[X|G] g) = 0 em P|G quase todo ponto.
A probabilidade condicional vem diretamente da esperanca condi-
cional colocando, para todo A F, P{A|G} = E[1A |G]. As pro-
priedades seguintes sao consequencias praticamente diretas da definicao,
suas demonstracoes sao bons exerccios para iniciantes:
Teorema 1.11. Dadas duas variaveis aleatorias X, Y L1 ():
i i
i i
i i
i i
i i
i i
1.6 Independencia
Dados dois espacos de probabilidade (1 , F1 , P1 ) e (2 , F2 , P2 ), de-
finimos um novo espaco de probabilidade chamado de espaco produto
onde o conjunto base e 1 2 , a -algebra produto, denotada por
F1 F2 , e aquela gerada pela algebra dos retangulos A B onde
A F1 e B F2 . A probabilidade produto P1 P2 e a extensao da
medida na algebra dos retangulos para a -algebra F1 F2 , onde a
medida sobre os retangulos e dada pelo produto P1 P2 (A B) =
P1 (A) P2 (B).
Dada uma quantidade infinita (enumeravel ou nao) de espacos de
probabilidade ( ) , com as respectivas -algebras(F ) e me-
didas de probabilidade (P ) , podemos tambem definir o espaco
produto (infinito) da seguinte maneira: lembramos que um elemento
desse espaco produto = e uma funcao :
tal que a coordenada
N esta em , i.e. () . Tomamos a -
algebra F = F como aquela gerada pela algebra das restricoes
em um numero finito de coordenadas, os chamados cilindros de di-
mensao finita definidos da seguinte maneira: dados uma sequencia
finita de parametros 1 , . . . , n , uma sequencia de subconjuntos men-
suraveis nos respectivos espacos A1 F1 , . . . , An Fn entao o
subconjunto
CA11,...
,...,An
n
= { : (i ) Ai , para todo 1 i n}
i i
i i
i i
1.6. INDEPENDENCIA 25
i i
i i
i i
i i
i i
i i
1.6. INDEPENDENCIA 27
Analogamente,
i i
i i
i i
\
[
lim inf An = An .
n
k=1 n=k
1) Dada
Puma sequencia de conjuntos mensuraveis (An )n1 , se
n=1 P(An ) < entao P(lim sup An ) = 0
i i
i i
i i
Escreveremos X = P- lim Xn
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
1
X (u) = lim exp{i < u, mn > < Cn , u >}
n 2
1
= exp{i < u, lim mn > < lim Cn , u >}.
n 2 n
i i
i i
i i
Xd d
X
Y2 = E( j Xj j mj )2
j=1 j=1
2
Xd
= E j (Xj mj )
j=1
d
X
= i j cij ,
i,j=1
isto e
1
Y (u) = exp{iu < , m > u2 < C, >} = X (u)
2
portanto X e gaussiana.
Como consequencia imediata deste ultimo resultado temos que
dadas duas variaveis aleatorias gaussianas X e Y independentes, con-
siderando a matriz de covariancia em R2 de (X, Y ), conclumos que
X + Y e gaussiana com media mX + mY e variancia varX + varY .
O proximo teorema mostra que vale a recproca do teorema de
integracao de funcoes independentes desde que essas funcoes tenham
distribuicoes gaussianas:
P1 := P{ : X() G1 e Y () G2 }
i i
i i
i i
x2 y2
Z
1
= exp 2 exp 2 dx dy
2X Y G1 G2 2X 2Y
x2 y2
Z Z
1 1
= exp 2 dx exp 2 dy
2X G1 2X 2Y G2 2Y
= P{X G1 } P{Y G2 }
Teorema 1.19. Se Xn e uma sequencia de v.a. gaussianas em Rd e
sao tais que Xn converge em probabilidade para uma v.a. X, entao
X tambem e gaussiana.
Demonstracao: A metrica do angulo no crculo e menor que a
metrica euclideana em R2 . Assim, temos que para todo x, y, u Rd
Portanto, pela hipotese, temos que ei<u,Xn > tambem converge para
ei<u,X> em probabilidade. Como nestas v.a. as normas sao limitadas
(constantes iguais a um), pelo teorema da convergencia dominada
temos que ei<u,Xn > converge para ei<u,X> em L1 , isto e
i i
i i
i i
i i
i i
i i
Captulo 2
Processos estocasticos
37
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
\ [
= { : d(Xs (), G) < 1/n} Ft
n=1 st,sQ
Para (ii): [
{TG < t} = {Xs G} Ft .
st,sQ
i i
i i
i i
Pn
Naturalmente j Pi,j = 1 para todo i [1, n]. Outra observacao
importante aqui e que essas probabilidades de transicao nao se al-
teram com o tempo, neste caso dizemos que o processo (ou cadeia)
de Markov e homogeneo no tempo .
Tecnicamente, um processo discreto (Xn )nN e de Markov se a
probabilidade condicional satisfizer
n = 0 P n .
i i
i i
i i
i i
i i
i i
i i
i i
i i
onde
R o operador Pt f : C(M ) C(M ) e definido por (Pt f )(x) =
Pt (x, dy)f (y).
Uma medida e invariante se for invariante pela convolucao
com Pt (x, ) para todo t > 0, i.e. se
Z
(A) = Pt (x, A) (dx)
M
Da mesma maneira,
Z n
X
f (j) Pk (i, dj) = f (j)p(k)i,j
E j=1
i i
i i
i i
Exemplo 2.3 (Sequencias i.i.d.).
Dada uma sequencia de variaveis aleatorias i.i.d. X1 , X2 , . . ., ana-
lisar essas v.a. como um processo estocastico indexados em n Xn e
um processo de Markov onde as probabilidade de transicao sao inde-
pendentes do valor do processo no instante imediatamente anterior,
i.e.
P{Xn+1 A|(Xn )} = P{X1 A}
para todo n.
Exemplo 2.4 (Sistemas determinsticos sao processos de Markov).
Seja f : M M uma dinamica determinstica no espaco metrico
M . Entao a sequencia dada pela orbita de um ponto x0 pela aplicacao
f e um processo de Markov a tempo discreto, sobre o espaco de pro-
babilidade de um unico ponto = {}, que fica omitido na notacao.
As probabilidades de transicao sao dadas por medidas de Dirac
P1 (x, ) = f (x) ()
Se t e um fluxo associado a um campo de vetores, entao a
dinamica e tambem um processo de Markov a tempo contnuo, sobre
o espaco de um espaco de probabilidade de um unico ponto = {}.
As probabilidades de transicao sao dadas por Pt (x, ) = t (x) ().
O problema que focaremos agora e o inverso dos exemplos que
vimos: ao inves de ser dado um processo estocastico, nos e dada uma
famlia de probabilidades de transicao. Precisamos garantir a exis-
tencia de um processo estocastico satisfazendo essas probabilidades
de transicao.
i i
i i
i i
CtA1 1,...,t
,...,An
n
= { M R+ : (t1 ) A1 , . . . , (tn ) An , com
0 t1 t2 . . . tn , e
A1 , . . . An B(R)}.
Z Z Z
P(CtA1 1,...,t
,...,An
n
) = ... Ptn1 ,tn (xn1 , An )
M A1 An1
P(CtA1 1,...,t
,...,Ai =M,...,An
) = P(CtA1,...,
,...,Ai ,...,An
).
c
i ,...,tn 1 tb ,...t
i n
i i
i i
i i
i i
i i
i i
i i
i i
i i
E[|Xt+h Xt | ] Kh1+ ,
i i
i i
i i
i i
i i
i i
2.5. MARTINGALES 53
2.5 Martingales
A teoria de martingales se estende enormemente, com varias inter-
seccoes interessantes com problemas geometricos, analticos, alem
dos probabilsticos, naturalmente. A intencao desta secao e apre-
sentar sucintamente a linguagem e as propriedades basicas uteis para
a dinamica estocastica.
i i
i i
i i
Exemplo 2.6 (Submartingales e Supermartingales).
Dado um martingale X, pela desigualdade de Jensen (Proposicao
1.12), dada qualquer funcao convexa g, g(X) e um submartingale.
Em particular vai nos interessar o submartingale |X|p .
i i
i i
i i
2.5. MARTINGALES 55
Fn = {X1 , . . . , Xn } F.
Pn
Defina o processo Sn dado pela soma Sn = i=1 Xi . Pelo exerccio
1.17, a esperanca condicional satisfaz
i i
i i
i i
para todo s t T .
Um processo estocastico com tempo discreto A e dito previsvel,
se for mensuravel uma unidade de tempo antes de sua realizacao, isto
e An e Fn1 -mensuravel, n 1.
Teorema 2.5 (Decomposicao de Doob). Dado um processo esto-
castico discreto Xn integravel, Fn adaptado, entao existe uma de-
composicao X = X0 + M + A onde M e um Fn -martingale e A um
processo previzvel. Com M e A inicializados no zero a decomposicao
e unica.
Demonstracao: Defina indutivamente, A0 = 0 e
Assim, M0 = 0 e
i i
i i
i i
2.5. MARTINGALES 57
E para p > 1:
p
k sup Xkp sup kXt kp .
t p1 t
Exerccio 2.14. Considere o processo St = supst Bs que aponta
os maximos das trajetorias do movimento browniano ate o tempo
t. Mostre que a probabilidade de St crescer mais que linearmente
decresce exponencialmente com o tempo, precisamente:
a2 t
P{St at} e 2
i i
i i
i i
f (ti ) f (ti+1 )
Xn (t) = ,
2n
para t [ti , ti+1 ). Note que Xn e um processo estocastico Fn -
adaptado, verifique que e um Fn -martingale, alem disso e limitado
pela constante de Lipschitz da funcao f . Segue portanto, pelo teo-
rema de convergencia de martingales acima que Xn converge para
uma variavel aleatoria X(t) que corresponde a derivada quase sem-
pre da funcao inicial, ja que f e absolutamente contnua portanto
derivavel quase sempre. Em particular, se f for derivavel, note que
recuperamos o teorema fundamental do calculo:
Z x
f (x) f (0) = X(s) ds.
0
i i
i i
i i
2.5. MARTINGALES 59
i i
i i
i i
Portanto
E Mt2 E Vt sup |Mti Mti1 |
i
e um martingale.
i i
i i
i i
2.5. MARTINGALES 61
ti+1 ti p ,
X
Vt () = lim
||0
i
Xt Xt p ,
X
[X]pt := P- lim
i+1 i
|n |0
i
i i
i i
i i
que
R t converge para zero ja que o segundo somatorio converge para
0
s ds quando n .
Dizemos que um processo estocastico real A e crescente se para
P-quase todo tivermos que as trajetorias At () sao funcoes
crescentes em t 0. Uma generalizacao interessante da decomposicao
de Doob, Teorema 2.5, no caso contnuo e a seguinte decomposicao:
Teorema 2.11 (Decomposicao de Doob-Meyer). Dado um submartin-
gale contnuo X, entao existe uma decomposicao X = M + A, onde
M e um martingale e A e um processo crescente de variacao finita.
Um dos exemplos mais importantes que ilustram a decomposicao
de Doob e a seguinte caracterizacao da variacao quadratica de um
martingale:
Teorema 2.12. Seja M um Ft -martingale contnuo e limitado. Entao
M tem variacao quadratica, alem disso [M ]t e o unico processo adap-
tado crescente, com [M ]0 0, P-q.s. tal que M 2 [M ] e um mar-
tingale.
i i
i i
i i
2.5. MARTINGALES 63
E Tt (M ) Ts (M )|Fs
Xk
= E (Mti+1 Mti )2 + (Mt Mtk )2 + (Mtj+1 Ms )2 |Fs
i=j
i i
i i
i i
i i
i i
i i
2.5. MARTINGALES 65
i i
i i
i i
Captulo 3
Calculo estocastico
66
i i
i i
i i
Rn
Denotaremos o martingale Yn := 0 H dX ou ainda, abreviando,
por Y = H X. O processo H e chamado o integrando e X e chamado
o integrador. O que a Proposicao 3.1 garante e que se o integrador
for um martingale, entao o processo dado pela integral tambem o e.
Observe tambem pela demonstracao que se X for um submartingale
(ou supermartingale) e o processo H for nao-negativo entao Y = H X
tambem sera submartingale (ou supermartingale), e vice-versa se H
for nao-positivo.
i i
i i
i i
i i
i i
i i
i i
i i
i i
neste intervalo por ([0, t]). Sendo mais preciso: para cada processo
Hs ([0, t]), existe uma particao {0 = t0 < t1 < . . . < tn = t} tal
que
H = H0 1[0,t1 ) + H1 1[t1 ,t2 ) + . . . + Hn1 1[tn1 ,tn )
onde cada Hj , j = 0, 1, , n 1, sao variaveis aleatorias limitadas
Ftj -mensuraveis.
Considerando a filtracao natural do movimento browniano Ft , a
integral estocastica de Ito de um processo elementar H em relacao a
um movimento browniano Wt e dado por
Z t Xn
Hs dWs = Ht(i1) (Wti Wt(i1) ).
0 i=1
i i
i i
i i
Demonstracao: De fato
n
!2
X
2
E|Yt | = E Hti1 (Wti Wt(i1) ).
i=1
n
X
= E Ht(i1) (Wti Wt(i1) )Ht(j1) (Wtj Wt(j1) )
i,j=1
X n h i
= E Ht2(i1) (Wti Wt(i1) )2
i=1
n
X
+2 E Ht(i1) Ht(j1) (Wti Wt(i1) )(Wtj Wt(j1) ) .
1=i<j
= E E Ht(i1) Ht(j1) (Wti Wt(i1) )(Wtj Wt(j1) ) | Fi
= E Ht(i1) Ht(j1) (Wti Wt(i1) ) E (Wtj Wt(j1) ) | Fi ,
porque Ht(i1) Ht(j1) (Wti Wt(i1) ) sao Fti -mensuraveis. Como j >
i, segue que a esperanca condicional da ultima linha e zero, portanto
a esperanca e zero, o que anula todos os termos do segundo somatorio.
i i
i i
i i
i i
i i
i i
4. (Variacao quadratica)
Z t Z t Z t
Gs dWs , Hs dWs = Gs Hs ds.
0 0 0
i i
i i
i i
* n n
+
X X
= Gt(i1) (Wti Wt(i1) ), Ht(i1) (Wti Wt(i1) )
i=1 i=1
n
X
= Gt(i1) Ht(i1) (ti t(i1) )
i=1
Z t
= Gs Hs ds.
0
A teoria de integracao feita nesta secao, considerando o movi-
mento browniano como o integrador padrao, se estende facilmente
para a integracao em relacao a qualquer semimartingale. No caso
geral, naturalmente, as formulas de variacao quadraticas sao difer-
entes destas. O item (4) por exemplo, considerando integradores
dados por semimartingales Mt1 e Mt2 , a formula se generaliza para
Z t Z t Z t
Gs dMs1 , Hs dMs2 = Gs Hs d < M 1 , M 2 >s
0 0 0
i i
i i
i i
i i
i i
i i
Antes da demonstracao, vejamos ainda algumas aplicacoes faceis
mas ilustrativas:
Exemplo 3.3 (Potencias do movimento browniano).
Tomando n = 1 no teorema acima, considere f (x) = x2 . Pela
formula de Ito temos que
Z t Z t
2
Bt = 2 Bs dBs + 1 ds,
0 0
i i
i i
i i
2
(M )t = exp{Mt [M ]t } (3.7)
2
que e a solucao da EDE:
dxt = xt dMt
Demonstracao: (Da formula de Ito). Considere uma particao =
{0 = t0 < t1 , . . . < tn = t} do intervalo [0, t]. Pela formula de Taylor
para funcoes de varias variaveis com resto de Lagrange, temos que
para cada ,
d
X f
f (Xtk+1 ) = f (Xtk ) + (Xtk )(Xtik+1 Xtik )
i1
xi
d
1 X 2f
+ (k )(Xtik+1 Xtik )(Xtjk+1 Xtjk )
2 i,j=1 xi xj
i i
i i
i i
em particular
Z t
Xt2 = X02 + 2 Xs dXs + [X, Y ]t .
0
Demonstracao: Exerccio.
Observacao 3.5.
1. Na demonstracao da formula de Ito, usamos funcoes de classe
C 2 justamente porque martingales contnuos tem trajetorias de
p-variacao caracterstica com p = 2. Note que um calculo en-
volvendo trajetorias contnuas de p-variacao caracterstica com
p > 2 exigira mais das derivadas da f . Esse e o caso da teo-
ria chamada de rough pathde T. Lyons. Ver por exemplo T.
Lyons [41] ou [42].
i i
i i
i i
e um martingale complexo.
Demonstracao: Assuma (i), isto e que X = (B 1 , . . . , B n ) e um
MB em Rn . Temos que para todo t, Xt e uma gaussiana em Rn ,
portanto os B j s sao independentes, portanto sao martingales e por-
tanto martingales locais. Porem, pelo Teorema 2.13, sabemos que
B i B j [B i , B j ] e martingale local. Mas
i i
i i
i i
d Z
X t
= fk2 d[X k ]s
k 0
d Z t
X
= fk2 ds.
k 0
1
if 2
t = exp{i < , Xt Xs > + |||| (t s)}
2
.
i i
i i
i i
E1A if if
t = E1A s
i i
i i
i i
Isso implica que [f (Bt )]T nao e um martingale visto que a ultima
integracao se faz com um integrando estritamente positivo, o que e
uma contradicao. Segue que f e identicamente nulo.
Esse tipo de caracterizacao via imagem de movimento browniano
se estende para aplicacoes harmonicas entre variedades riemannianas,
ver por exemplo Catuogno e Ruffino [7].
i i
i i
i i
i i
i i
i i
Z t Z t
(SU )t = x0 + f0 (s, Us ) ds + f1 (s, Us ) dWs .
0 0
t (U, V ) = E sup |Us Vs |2 ,
st
Z
s Z s
t (SU, SV ) = E sup
f0 (s, Us ) ds + f1 (s, Us ) dWs
st 0 0
Z s Z s 2 #
f0 (s, Vs ) ds f1 (s, Vs ) dWs
0 0
" 2
Z s
2E sup f0 (s, Us ) f0 (s, Vs ) ds
st 0
Z s 2 #
+ sup f1 (s, Us ) f1 (s, Vs ) dWs
st 0
Z t 2
t (SU, SV ) 8E f1 (s, Us ) f1 (s, Vs ) dWs
0
Z t Z t
2
+E 1 ds |f0 (s, Us ) f0 (s, Vs )| ds
0 0
i i
i i
i i
E sup |Us Vs |2 = 0,
st
i i
i i
i i
i i
i i
i i
i i
i i
i i
Dizemos que uma solucao da EDE (3.8) e forte quando ela puder
ser construda a partir dos movimentos brownianos estipulados nesta
mesma equacao. A demonstracao de existencia e unicidade de solucoes
de EDE que fizemos acima e para solucoes fortes. Em contraste, uma
solucao e dita fraca se ela for escrita em relacao a outro movimento
browniano que nao os integradores originais. Um exemplo simples
para ilustrarmos e o seguinte. Considere a EDE:
i i
i i
i i
dxt = dW
ft , (3.11)
1
dR = dt + dBt ,
2R
onde o MB Bt satisfaz:
Z t Z t
Bt = B 1 ((B 1 )2 +(B 2 )2 )1/2 dB 1 + B 2 ((B 1 )2 +(B 2 )2 )1/2 dB 2 .
0 0
(3.12)
Tambem por resultado da proxima secao podemos verificar que Bt e
um movimento browniano.
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
3.5.2 Aplicacoes
Nos proximos exemplos exploraremos a formula de Dynkin. Os dois
primeiros exemplos fornecem informacoes sobre a dinamica do MB
(ver Oksendal [47]). No terceiro exemplo resolveremos o problema
classico de Dirichlet de funcao harmonica com condicao de fronteira.
Exemplo 3.7 (tempo de sada de conjunto limitado).
Suponha que temos um MB Xt inicializado em a Rn , cujo ger-
ador infinitesimal sabemos que e 12 . Dado uma esfera de raio R,
maior que |a|, considere o tempo de parada dado pelo tempo de
sada de Xt da bola B0 (R). Em princpio nao sabemos nem se esse
tempo de parada e finito, ja que muitas trajetorias ficam eternamente
dentro desta bola. Assim, para garantir que nas formulas estaremos
usando um tempo de parada limitado, considere a sequencia de tem-
pos de parada k = k.
Considere a funcao diferenciavel f (x) = |x|2 , cujo laplaciano e
constante f = 2n, em todo ponto. Assim, aplicando a formula de
Dynkin temos:
Z k
Ef (Xk ) = |a|2 + E n ds (3.13)
0
= |a|2 + nEk .
i i
i i
i i
i i
i i
i i
log(|b|/R)
pk = 1
k log 2
i i
i i
i i
i i
i i
i i
i i
i i
i i
Rt
De fato, a ttulo de exemplo, considere a integral 0 Bs dBs e
uma particao = {0 = t0 < t1 < . . . < tn = t}. Calculando
as esperancas das somas de Riemann, com os integrandos avaliados
como na integral de Ito temos:
n1
X n1
X
E Bti (Bti+1 Bti ) = E Bti (Bti+1 Bti ) = 0
i=0 i=0
i i
i i
i i
n1
X 1
(ft + ftk )(Xtk+1 Xtk ) =
i=0
2 k+1
n1 n1
X 1X
ftk (Xtk+1 Xtk ) + (ftk+1 ftk )(Xtk+1 Xtk ).
i=0
2 i=0
i i
i i
i i
onde
m n
1 XX i Yj
X(t, xt ) = X(t, x) + Yj (t, x)
2 j=1 i=1 xi
m
1X
= X(t, x) + d(Yj )(t,x) (Yj ),
2 j=1
i i
i i
i i
d Z t
X F
F (Xt ) = F (X0 ) + (Xs ) dXsi
i=1 0 xi
Rt
O somatorio do lado direito tambem sera escrito como 0
< F, dXs >,
onde F e o gradiente da F .
d Z t d Z t
X F X F
(Xs ) dXsi = (Xs ) dXsi
i=1 0 xi i=1 0 xi
d
1 X F i
+ (Xs ), dXs .
2 i xi
i i
i i
i i
d Z
1 X t 3F
+ (Xs ) d[Xk , X j ]s .
2 0 xj xk xi
j,k=1
F
Portanto, a componente martingale local de x i
(Xt ) esta contido no
processo
d Z t
X 2F
(Xs ) dXsj .
j=1 0
xj xi
i i
i i
i i
i i
i i
i i
Captulo 4
Sistemas dinamicos
estocasticos
m
X
dxt = X(xt ) dt + Yj (xt ) dBtj , (4.1)
j=1
104
i i
i i
i i
i i
i i
i i
(4.1), e uma equacao onde temos funcoes no tempo que podem con-
trolar o impacto dos campos vetoriais nas trajetorias:
m
X
xt = X(xut ) + v j (t) Yj (xut ). (4.2)
j=1
i i
i i
i i
i i
i i
i i
1
lim log |dt (, x)(v0 )| = k .
t t
i i
i i
i i
i i
i i
i i
t (x0 ) = H 1 (t ) t () H()(x0 ).
i i
i i
i i
n (, x) = f (n1 , ) . . . f (, ) f (, x).
Fn (, x) = x + n (, (x)),
P-q.s..
A demonstracao deste teorema e uma aplicacao direta do teo-
rema ergodico de Birkhoff 5.7. Ver Ruffino [56]. Neste mesmo ar-
tigo mostramos que no caso estocastico tambem podemos recons-
truir o numero de rotacao de um sistema contnuo se fizermos uma
amostragem em um sistema estocastico linear com frequencia grande
o suficiente:
Considere a seguinte EDE linear em R2 :
m
X
dxt = Axt dt + B i xt dWti , (4.3)
i=1
i i
i i
i i
i i
i i
i i
i i
i i
i i
Geometria estocastica
As equacoes de Ito ou Stratonovich em variedades diferenciaveis vem
ganhando bastante interesse, nao so por generalizar propriedades
conhecidas, mas principalmente porque apontam para propriedades
geometricas e topologicas intrnsecas. O movimento browniano em
uma variedade riemanniana carrega informacoes sobre a geometria
desta, a ttulo de exemplo, ver [7]. Em particular, um grande im-
pulso foi dado quando Ito fez o levantamento horizontal no fibrado
das bases de um processo na variedade. A partir do transporte par-
alelo estocastico, integracao de 1-formas, teoria de Hodge-de Rham,
analise estocastica no espaco de lacos e varios outros topicos foram
ganhando interesse. Em particular, recentemente, difusoes em fol-
heacoes, ver S. Ledesma [35] e referencias dali.
i i
i i
i i
Captulo 5
Apendices
115
i i
i i
i i
i i
i i
i i
Seja
Tome lim inf Acm , entao existe m0 () N tal que para todo
m m0 (),
|Xt () Xs ()| 2m ,
para todo t, s m consecutivos.
Mostraremos agora que Xt | e contnuo com esta restricao de
domnio, para todo fixado em lim inf Acm .
De fato, para esse fixado, considere t . Dado um > 0
tome
2m
m = min m : < , t m .
2 1
i i
i i
i i
2) Considere o caso t
/ . Queremos provar que existe um subcon-
junto que pode depender de t, t , de probabilidade um tal que
se t entao Xt () = Xt (). Considere entao a sequencia de
subconjuntos mensuraveis:
1
n,t = { : |Xt () Xt ()| },
n
para cada n N. Seja a probabilidade
1
:= P{cn,t } = P{ : |Xt () Xt ()| > }
n
Vamos mostrar que = 0 para todo n N. Tome uma sequencia
si t, com si , para todo i = 1, 2, . . .. A continuidade de Xt e o
i i
i i
i i
isto e,
1
E .|Xsi Xt | ,
2 n
para todo i > k, o que implica que = 0 pois, por hipotese
i i
i i
i i
A demonstracao do teorema de Kolmogorov (tambem chamado
de Kolmogorov-Tchentsov) acima garante mais do que o enunciado.
Na verdade, a modificacao X do processo X que construmos e local-
mente -Holder contnua para todo (0, /). Mais precisamente,
existe uma v.a. h() positiva q.s. e uma constante tal que
( )
|Xt Xs |
P : sup
< = 1.
0tsh() |t s|
5.3 Gaussianas
Um fato interessante, que mostra como que as gaussianas tem papel
estrutural na teoria, e a possibilidade de decompormos o espaco L2 ()
como polinomios dessas variaveis aleatorias. Na Observacao 1.22, ve-
rificamos que como convergencia em Lp () implica em convergencia
em probabilidade, entao o Teorema 1.19 garante que o subespaco de
gaussianas centradas H1 contido em L2 () seja fechado. Esse subes-
paco corresponde ao primeiro subespaco H1 da decomposicao em caos
de Wiener, dado por polinomios de Hermite compostos com gaus-
sianas. Obtem-se assim uma decomposicao de L2 em somas diretas
ortogonais:
M
L2 () = Hi
i=0
onde Hi , i = 0, 1, . . . sao subespacos de funcoes obtidas do i-esimo
polinomio de Hermite hi de v.a. gaussianas. Os polinomios de Her-
mite sao definidos por:
2 dn x2 /2
hn (x) = (1)n ex /2
e .
dxn
Os primeiros polinomios desta serie sao h0 (x) = 1, h1 (x) = x, h2 (x) =
x2 1, h3 (x) = x3 3x, etc. Esses polinomios sao ortogonais quando
2
na reta tomamos a medida gaussiana ex /2 . Para ver mais sobre
caos de Wiener recomendamos, por exemplo Nualart [46].
i i
i i
i i
onde Z k
1 2
(k) = ex /2 dx.
2
Exerccio 5.2. Aplique o teorema do limite central para verificar
que as distribuicoes de Poisson indexadas por se aproximam da
normal N (, ) quanto maior for . (Sugestao: some v.a. de Poisson
independentes com = 1, use que essas somas sao v.a. de Poisson
com media e variancia dadas pela soma desses parametros, Exerccio
5.1, e o teorema mencionado).
i i
i i
i i
dxt = dBt
xo = x (0)
d2 xt dBt
= v +
dt2 dt
O resultado principal dessa abordagem e que, com as trajetorias
xt derivaveis (!) podemos ajustar os parametros e para obter
uma aproximacao, em termos de distribuicao de dimensao finita, do
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
1 t
Z Z
lim f (Xs ) ds = f (x) d(x) P q.s..
t t 0 M
i i
i i
i i
Bibliografia
127
i i
i i
i i
128 BIBLIOGRAFIA
i i
i i
i i
BIBLIOGRAFIA 129
i i
i i
i i
130 BIBLIOGRAFIA
[41] T. Lyons and Qian, Z. System control and rough paths. Ox-
ford Mathematical Monographs. Oxford University Press, Ox-
ford, 2002.
i i
i i
i i
BIBLIOGRAFIA 131
[49] M. A. Pinsky - Can you feel the shape of a manifold with Brow-
nian motion? Topics in Contemporary Probability and Its Ap-
plications, 1995
i i
i i
i i
132 BIBLIOGRAFIA
i i
i i
i i
Indice
-algebra, 4 em lei, 30
completamento de, 7 em probabilidade, 29
discreta, 7 fraca de medidas, 30
dos borelianos, 4 q.s., 29
gerada, 4 Convergencia uniforme em proba-
produto, 24 bilidade nos compactos
trivial, 7 (ucp), 105
Algebra, 4 Conversao Ito-Stratonovich, 99
Convolucao de medidas, 46, 115
Aproximacao poligonal do MB, 105 Covariancia, 14
133
i i
i i
i i
134 INDICE
i i
i i
i i
INDICE 135
i i
i i
i i
136 INDICE
Valor esperado, 10
Variavel aleatoria, 6
p-momento, 14
gaussianas, 30
de Poisson, 116
i i
i i