[확률적분] 1. 적분과 랜덤워크
적분
유한 닫힌구간 [a,b]에서 유계함수 f가 리만적분 가능하다(Riemann integrable)는 것은 다음의 극한이 존재하는 것이다.∫baf(t)dt=lim여기서 \Delta_{n}=\{t_{0},\,t_{1},\,...,\,t_{n-1},\,t_{n}\}은 [a,\,b]의 분할로 다음이 성립하고a=t_{0}<t_{1}<\cdots<t_{n-1}<t_{n}=b\displaystyle\|\Delta_{n}\|=\max_{1\leq i\leq n}{(t_{i}-t_{i-1})}, \tau_{i}는 구간 [t_{i-1},\,t_{i}]에서의 한 점이다. f가 구간 [a,\,b]에서 연속이면, 이 함수는 리만적분 가능하다. 게다가 구간 [a,\,b]에서 유계인 함수가 리만적분 가능할 필요충분조건은 르베그적분에 대해 거의(almost everywhere) 연속인 것이다.
g를 유한 닫힌구간 [a,\,b]에서 단조증가함수라고 하자. 구간 [a,\,b]에서 정의된 유계함수 f가 g에 대해 리만-스틸체스 적분가능(Riemann-Stieltjes integrable)하다는 것은 다음의 극한이 존재하는 것이다.\int_{a}^{b}{f(t)dg(t)}=\lim_{\|\Delta_{n}\|\,\rightarrow\,0}{\sum_{i=1}^{n}{f(\tau_{i})(g(t_{i})-g(t_{i-1}))}}구간 [a,\,b]에서 연속인 함수는 구간 [a,\,b]에서 단조증가하는 함수에 대해 리만-스틸체스 적분가능하다.
f를 단조증가연속, g를 연속이라고 하자. 그러면 다음의 식을 정의하기 위한 부분적분을 적용할 수 있다.\int_{a}^{b}{f(t)dg(t)}=\left[f(t)g(t)\right]_{a}^{b}-\int_{a}^{b}{g(t)df(t)}이 식은 다음의 질문을 유도한다.
구간 [a,\,b]에서 연속인 임의의 함수 f, g에 대해 리만-스틸체스 적분의 정의대로 적분 \displaystyle\int_{a}^{b}{f(t)dg(t)}를 정의할 수 있는가?
f=g인 특수한 경우를 고려하자. 그러면 리만-스틸체스 적분은 다음과 같게 된다.\int_{a}^{b}{f(t)df(t)}\Delta_{n}=\{t_{0},\,t_{1},\,...,\,t_{n}\}를 구간 [a,\,b]의 분할, L_{n}과 R_{n}을 각각 \tau_{i}=t_{i-1}, \tau_{i}=t_{i}에 대응되는 리만합으로 다음과 같다고 하자.\begin{align*}L_{n}&=\sum_{i=1}^{n}{f(t_{i-1})(f(t_{i})-f(t_{i-1}))}\\R_{n}&=\sum_{i=1}^{n}{f(t_{i})(f(t_{i})-f(t_{i-1}))}\end{align*}\|\Delta_{n}\|\,\rightarrow\,0일 때 식 \displaystyle\lim_{\|\Delta_{n}\|\,\rightarrow\,0}{L_{n}}=\lim_{\|\Delta_{n}\|\,\rightarrow\,0}{R_{n}}이 성립하는가? 다음의 식으로부터\begin{align*}R_{n}-L_{n}&=\sum_{i=1}^{n}{(f(t_{i})-f(t_{i-1}))^{2}}\\R_{n}+L_{n}&=\sum_{i=1}^{n}{(\{f(t_{i})\}^{2}-\{f(t_{i-1})\}^{2})}=\{f(b)\}^{2}-\{f(a)\}^{2}\end{align*}그러므로 R_{n}과 L_{n}은 다음과 같고\begin{align*}R_{n}&=\frac{1}{2}\left(\{f(b)\}^{2}-\{f(a)\}^{2}+\sum_{i=1}^{n}{(f(t_{i})-f(t_{i-1}))^{2}}\right)\\L_{n}&=\frac{1}{2}\left(\{f(b)\}^{2}-\{f(a)\}^{2}-\sum_{i=1}^{n}{(f(t_{i})-f(t_{i-1}))^{2}}\right)\end{align*}위 식에 있는 식 \displaystyle\sum_{i=1}^{n}{(f(t_{i})-f(t_{i-1}))^{2}}이 \|\Delta_{n}\|\,\rightarrow\,0일 때 극한이 존재하면 이것을 [a,\,b]에서 f의 이차변동(quadratic variation)이라고 한다. 따라서 식 \displaystyle\lim_{\|\Delta_{n}\|\,\rightarrow\,0}{R_{n}}=\lim_{\|\Delta_{n}\|\,\rightarrow\,0}{L_{n}}이 성립할 필요충분조건은 함수 f의 이차변동이 0이 되는 것이다.
다음의 두 가지 예를 살펴보자
1. f를 C^{(1)}함수라고 하자. 이것은 f'(t)가 연속함수임을 뜻한다. 그러면 평균값정리에 의해 \|\Delta_{n}\|\,\rightarrow\,0일 때 다음이 성립하고\begin{align*}|R_{n}-L_{n}|&=\sum_{i=1}^{n}{\{f'(t_{i}^{*})(t_{i}-t_{i-1})\}^{2}}\\&\leq\sum_{i=1}^{n}{\|f'\|^{2}_{\infty}(t_{i}-t_{i-1})^{2}}\\&\leq\|f'\|^{2}_{\infty}\|\Delta_{n}\|\sum_{i=1}^{n}{(t_{i}-t_{i-1})}\\&=\|f'\|^{2}_{\infty}\|\Delta_{n}\|(b-a)\,\rightarrow\,0\end{align*}여기서 t_{i-1}<t_{i}^{*}<t_{i}, \|\cdot\|_{\infty}는 최소상계노름이다. 따라서 \displaystyle\lim_{\|\Delta_{n}\|\,\rightarrow\,0}{L_{n}}=\lim_{\|\Delta_{n}\|\,\rightarrow\,0}{R_{n}}이고 다음이 성립한다.\lim_{\|\Delta_{n}\|\,\rightarrow\,0}{L_{n}}=\lim_{\|\Delta_{n}\|\,\rightarrow\,0}{R_{n}}=\frac{1}{2}(\{f(b)\}^{2}-\{f(a)\}^{2})반면에 이러한 C^{(1)}함수 f에 대해 적분 \displaystyle\int_{a}^{b}{f(t)df(t)}는 다음과 같이 정의할 수 있고\int_{a}^{b}{f(t)df(t)}=\int_{a}^{b}{f(t)f'(t)dt}미적분학의 기본정리로부터 다음이 성립한다.\int_{a}^{b}{f(t)df(t)}=\int_{a}^{b}{f(t)f'(t)dt}=\frac{1}{2}(\{f(b)\}^{2}-\{f(a)\}^{2})2. f를 다음의 조건을 만족하는 연속함수라 하자.|f(t)-f(s)|\approx|t-s|^{\frac{1}{2}}이 경우, 다음이 성립하고0\leq R_{n}-L_{n}\approx\sum_{i=1}^{n}{(t_{i}-t_{i-1})}=b-a따라서 a\neq b일 때 \displaystyle\lim_{\|\Delta_{n}\|\,\rightarrow\,0}{R_{n}}\neq\lim_{\|D_{n}\|\,\rightarrow\,0}{L_{n}}이다. 결과적으로 적분 \displaystyle\int_{a}^{b}{f(t)df(t)}를 정의할 수 없다. 이 함수의 이차변동이 b-a임에 유의하자. 이 예로부터 다음의 질문을 할 수 있다.
다음의 조건을 만족하는 연속함수 f가 존재하는가?|f(t)-f(s)|\approx|t-s|^{\frac{1}{2}}이 질문에 대한 답을 찾기 위해서 랜덤워크와 적합한 극한이 필요하다.
랜덤워크(random walk)는 무작위 걸음이다. 0에서 시작해 시간 \delta,\,2\delta,\,...에서 h와 -h로 점프(jump, 도약)하는 랜덤워크를 고려하자. 여기서 \delta와 h는 양수이다. \{X_{n}\}을 독립동일분포 확률변수들의 열로 다음을 만족한다고 하자.P(X_{j}=h)=P(X_{j}=-h)=\frac{1}{2}Y_{\delta,\,h}(0)=0이라 하고Y_{\delta,\,h}(n\delta)=X_{1}+X_{2}+\cdots+X_{n}이라 하자. t>0 에 대하여 Y_{\delta,\,h}(t)를 선형화를 함으로써 정의하자. 즉 n\delta<t<(n+1)\delta에 대하여 다음과 같이 정의하자.Y_{\delta,\,h}(t)=\frac{(n+1)\delta-t}{\delta}Y_{\delta,\,h}(n\delta)+\frac{t-n\delta}{\delta}Y_{\delta,\,h}((n+1)\delta)Y_{\delta,\,h}(t)를 시간 t에서의 랜덤워크의 위치라고 생각할 수 있다. 특히 X_{1}+X_{2}+\cdots+X_{n}은 시간 n\delta에서의 랜덤워크의 위치이다. 이때 다음의 질문을 얻는다.
\delta,\,h\,\rightarrow\,0일 때 랜덤워크 Y_{\delta,\,h}의 극한은 어떻게 되는가?
이 질문에 대한 답을 찾기위해 Y_{\delta,\,h}(t)의 특성함수의 극한을 계산하자.\lim_{\delta,\,h\,\rightarrow\,0}{E(e^{i\lambda Y_{\delta,\,h}(t)})}여기서 \lambda\in\mathbb{R}는 고정된 수이다. t=n\delta라고 하면 \displaystyle n=\frac{t}{\delta}이고 다음을 얻는다.\begin{align*}E(e^{i\lambda Y_{\delta,\,h}(t)})&=\prod_{i=1}^{n}{E(e^{i\lambda X_{i}})}=(E(e^{i\lambda X_{1}})^{n})\\&=\left(\frac{1}{2}e^{i\lambda h}+\frac{1}{2}e^{-i\lambda h}\right)^{n}=(\cos(\lambda h))^{n}\\&=(\cos(\lambda h))^{\frac{t}{\delta}}\end{align*}분명히 고정된 \lambda와 t에 대해 극한 \displaystyle\lim_{\delta,\,h\,\rightarrow\,0}{e^{i\lambda Y_{\delta,\,h}(t)}}은 존재하지 않는다. 따라서 이 극한이 존재하기 위해서는 \delta와 h의 관계를 찾아야 한다.
\displaystyle u=(\cos(\lambda h))^{\frac{1}{\delta}}라 하자. 그러면 \displaystyle\ln u=\frac{1}{\delta}\ln\cos(\lambda h)이고 충분히 작은 h에 대해 다음이 성립한다.\cos(\lambda h)\approx1-\frac{1}{2}\lambda^{2}h^{2}충분히 작은 x에 대해 \ln(1+x)\approx x이므로 따라서\ln\cos(\lambda h)\approx\ln\left(1-\frac{1}{2}\lambda^{2}h^{2}\right)\approx-\frac{1}{2}\lambda^{2}h^{2}그러므로 충분히 작은 \delta와 h에 대해 \displaystyle\ln u\approx-\frac{1}{2\delta}\lambda^{2}h^{2}이고 다음이 성립한다.u\approx e^{-\frac{1}{2\delta}\lambda^{2}h^{2}}그러면E(e^{i\lambda Y_{\delta,\,h}(t)})\approx e^{-\frac{1}{2\delta}t\lambda^{2}h^{2}}이고 특히 \delta와 h의 관계가 h^{2}=\delta이면, 다음이 성립한다.\lim_{\delta\,\rightarrow\,0}{E(e^{i\lambda Y_{\delta,\,h}(t)})}=e^{-\frac{1}{2}t\lambda^{2}}\,(\lambda\in\mathbb{R})따라서 랜덤워크 Y_{\delta,\,h}의 \delta,\,h\,\rightarrow\,0일 때의 극한은 h^{2}=\delta일 때 존재하고 다음과 같이 정리할 수 있다.
Y_{\delta,\,h}(t)를 0에서 시작해 시간 \delta,\,2\delta,\,3\delta,\,...에서 h와 -h로 점프하는 랜덤워크라 하고 h^{2}=\delta라 하자. 그러면 t\geq0에 대해 극한B(t)=\lim_{\delta\,\rightarrow\,0}{Y_{\delta,\,h}(t)}은 이 분포에서 존재한다. 게다가 다음을 얻는다.E(e^{i\lambda B(t)})=e^{-\frac{1}{2}t\lambda^{2}}\,(\lambda\in\mathbb{R})앞의 결과들을 종합하면 확률과정 B(t)가 다음의 성질들을 가짐을 기대할 수 있다.
(1) 각 시간에서 Y_{\delta,\,h}의 기울기의 절댓값은 \delta\,\rightarrow\,0일 때 \frac{h}{\delta}=\frac{1}{\sqrt{\delta}}\,\rightarrow\,\infty이다. 따라서 모든 브라운 경로(Brownian path) B(t)는 어느 점에서 미분가능하지 않다. \delta=|t-s|라고 하면 다음이 성립한다.|B(t)-B(s)|\approx\frac{1}{\sqrt{\delta}}|t-s|=|t-s|^{\frac{1}{2}}(2) 거의 모든 B(t)의 표본경로들은 연속이다.
(3) t에 대하여 B(t)는 평균이 0이고, 분산이 t인 가우시안 확률변수이다. 이것은 E(e^{i\lambda B(t)})=e^{-\frac{1}{2}t\lambda^{2}}로부터 얻은 결과이다.
(4) 확률과정 B(t)는 독립증분(independent increments)을 갖는다. 즉 임의의 0\leq t_{1}<t_{2}<\cdots<t_{n}에 대해 확률변수B(t_{1}),\,B(t_{2})-B(t_{1}),\,...,\,B(t_{n})-B(t_{n-1})들은 독립이다.
위의 성질 (2), (3), (4)는 브라운 운동(Brownian motion)이라고 불리는 기본적인 확률과정을 특징짓는다.
참고자료:
Introduction to Stochastic Integration, Hui-Hsiung Kuo, Springer
'확률및통계 > 기초 확률적분' 카테고리의 다른 글
[확률적분] 6. 몇 가지 확률적분의 예, 둡의 열마팅게일 부등식 (0) | 2020.05.25 |
---|---|
[확률적분] 5. 확률적분 (0) | 2020.05.21 |
[확률적분] 4.확률적분의 배경, 브라운운동의 여과 (0) | 2020.05.20 |
[확률적분] 3. 조건부기댓값, 마팅게일 (0) | 2020.05.19 |
[확률적분] 2. 브라운 운동, 위너적분 (0) | 2020.05.18 |