Procesos Estocasticos y Ecuaciones Diferenciales PDF
Diunggah oleh
Mike Tolentino MacahuachiJudul Asli
Hak Cipta
Format Tersedia
Bagikan dokumen Ini
Apakah menurut Anda dokumen ini bermanfaat?
Apakah konten ini tidak pantas?
Laporkan Dokumen IniHak Cipta:
Format Tersedia
Procesos Estocasticos y Ecuaciones Diferenciales PDF
Diunggah oleh
Mike Tolentino MacahuachiHak Cipta:
Format Tersedia
Procesos estocsticos y ecuaciones diferenciales:
una introduccin
Fabricio Maci y Gerardo Oleaga
2007
Disponible en: http://dcain.etsin.upm.es/ fabricio/Docencia.html
ndice
1. Repaso de la teora bsica de probabilidades
1.1.
Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.
Propiedades bsicas.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.
Probabilidad condicional e independencia . . . . . . . . . . . . . . . . . . . . . .
1.4.
Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5.
Vectores aleatorios
1.6.
Transformacin de variables aleatorias
. . . . . . . . . . . . . . . . . . . . . . .
10
1.7.
Valor esperado y momentos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
1.8.
Distribuciones condicionales
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
1.9.
Funciones generatrices
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2. La caminata aleatoria.
16
2.1.
El proceso aleatorio ms simple en una dimensin. . . . . . . . . . . . . . . . . .
16
2.2.
Solucin explcita discreta y su comportamiento asinttico
. . . . . . . . . . . .
16
2.3.
La funcin densidad de probabilidad
. . . . . . . . . . . . . . . . . . . . . . . .
17
2.3.1.
Pared re ejante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.3.2.
Pared absorbente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
2.4.
Una ecuacin en diferencias para la densidad de probabilidad . . . . . . . . . . .
21
2.5.
La caminata aleatoria como lmite de pasos independientes: El teorema de LaplaceDe Moivre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3. El proceso de Wiener.
23
25
3.1.
De nicin y propiedades bsicas del proceso de Wiener. . . . . . . . . . . . . . .
25
3.2.
La medida de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
4. Interpretacin estocstica de esquemas numricos para EDP'S.
29
4.1.
La ecuacin del calor: solucin numrica. . . . . . . . . . . . . . . . . . . . . . .
29
4.2.
La ecuacin del calor con una fuente
. . . . . . . . . . . . . . . . . . . . . . . .
31
4.3.
La ecuacin del calor con potencial
. . . . . . . . . . . . . . . . . . . . . . . . .
33
5. Introduccin
35
6. Construccin de una caminata aleatoria in nitesimal
35
7. El movimiento Browniano y la medida de Wiener
37
7.1.
Sobre el espacio muestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
7.2.
El teorema de Riesz-Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
7.3.
La construccin de la medida de Wiener
. . . . . . . . . . . . . . . . . . . . . .
41
7.4.
La continuidad de las trayectorias del movimiento Browniano . . . . . . . . . . .
42
8. Frmula de Feynman-Kac y ecuaciones en derivadas parciales
8.1.
8.2.
8.3.
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
La frmula de Feynman-Kac para + V . . . . . . . . . . . . . . . . . . . .
2
La frmula de Feynman para la ecuacin de Schrdinger . . . . . . . . . . . . .
9. Aplicacin al estudio de los autovalores de un operador elptico
9.1.
9.2.
1
Los autovalores del operador de Schrdinger + V (x) . . . . . . . . . . . .
2
Aplicacin de Feynman-Kac al estudio del comportamiento asinttico de los au-
46
46
46
48
50
50
tovalores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
9.2.1.
54
Aplicacin de la frmula de Feynman-Kac
2
. . . . . . . . . . . . . . . . .
9.2.2.
9.2.3.
El puente Browniano . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
t(/2V )
Estimaciones de tr e
. . . . . . . . . . . . . . . . . . . . . . . .
A. La ecuacin del calor: solucin analtica.
55
56
57
1. Repaso de la teora bsica de probabilidades
1.1. Probabilidad
Al construir un modelo probabilstico tenemos en mente la idea de la
frecuencia
con la que
ocurren ciertos sucesos cuya naturaleza aleatoria nos impide conocer con detalle las leyes que
los gobiernan. Ejemplos de este tipo de fenmenos son el resultado de arrojar una moneda, el
ganador de una carrera de caballos o el comportamiento del precio de una accin. La abstraccin
y generalizacin de estas situaciones y conceptos, nos llevan a las siguientes de niciones:
Experimento. Cualquier procedimiento que nos proporcione un conjunto bien de nido de
experimento.
2) Espacio muestral. El conjunto de todos los resultados posibles de un experimento se llama
el espacio muestral y se denota por . Un resultado particular (pero no especi cado) se suele
1)
resultados posibles se llama
denotar
Eventos. Un evento es un subconjunto del espacio muestral . En particular, es llamado
c
el evento seguro y su complemento, denotado por = , se llama evento imposible.
4) Espacio de eventos (o sigma lgebra). Una coleccin de eventos se llama espacio de eventos,
3)
denotada por
1.
est en
2. si
3. si
An
5)
F,
F,
si satisface:
F;
est en
F,
estn en
entonces
para
Ac
est en
n = 1, 2, . . . ,
F;
entonces
n=1 An
est en
F.
Funcin de probabilidad. Una funcin P (), de nida sobre los eventos en un espacio
es una probabilidad, si:
1.
P () = 1;
2.
0 P (A) 1
para cualquier evento
A F.
Aj Ak = para j 6= k ,
X
P (An ) ,
P (nI An ) =
3. (Axioma de aditividad numerable) si
entonces
nI
donde
6)
(An ; n I)
puede ser una coleccin nita o in nita numerable de eventos.
Espacio de probabilidad.
La funcin
P ()
puede ser llamada una medida de proba-
bilidad, o una distribucin de probabilidad. La estructura completa consistente en
muestral),
un
(sigma lgebra de eventos) y
espacio de probabilidad.
(espacio
(funcin de probabilidad), es identi cada como
1.2. Propiedades bsicas.
Listamos a continuacin algunas propiedades elementales que pueden demostrarse como
ejercicio a partir de las de niciones.
P1:
P (Ac ) = 1 P (A) .
P2:
P () = 0 .
4
P3:
P (A B) = P (A) + P (B) P (A B) .
P4:
P (A) P (B) ,
P5 (
si
AB.
Identidad de inclusin-exclusin ):
P (nr=1 Ar ) =
n
X
P (Ar )
r=1
P6 (
Propiedad de continuidad ):
An An+1 ,
P (Ar As ) + + (1)n+1 P (nr=1 Ar ) .
r<s
An
supongamos que
es una sucesin de conjuntos tales que
entonces se veri ca que:
Si
lm An = A ,
entonces
lm P (An ) = P (A) .
Aqu el lmite de los conjuntos debe entenderse del siguiente modo: dado
n
su cientemente grande tal que a r=1 Ar .
P7 (
Desigualdad de Boole ) Para eventos cualesquiera A1 , . . . , An
P
(nr=1 Ar )
n
X
a A,
existe un
tenemos que:
P (Ar ) .
r=0
Ejercicio 1.
Prubense las propiedades P1-P7.
1.3. Probabilidad condicional e independencia
La probabilidad condicional cambia el espacio muestral
a un evento
B,
de modo que las
A se re eren al evento B . Es decir, medimos el
A y B al mismo tiempo y hallamos la proporcin
respecto del nmero de veces que ocurri B .
Probabilidad condicional. Si P (B) > 0, la probabilidad condicional de que A ocurra
dado que B ocurre se denota por P (A|B), y se de ne por:
proporciones del nmero de veces que ocurre
nmero de veces que ocurren los eventos
P (A|B) = P (A B)/P (B) .
Para entender intuitivamente la de nicin podemos identi car la probabilidad con la frecuencia
fX es la frecuencia
con la que ocurre el evento X , entonces el nmero de veces que ocurren A y B al mismo tiempo
relativa con la que ocurren los eventos al realizar un nmero
de pruebas. Si
es:
N fAB
Mientras que el nmero de veces que ocurre
es
N fB
y el cociente entre ambas es la de nicin de probabilidad condicional desde el punto de vista
intuitivo de las frecuencias:
fA|B =
Con ms generalidad, an cuando
P (B) = 0
fAB
.
fB
admitimos la llamada
P (A B) = P (A|B)P (B) .
5
ley de multiplicacin :
Es importante tener en cuenta que la correspondencia
A 7 P (A|B)
es una funcin de probabilidad para los eventos en
y satisface todas las propiedades de la
de nicin.
Identidades importantes. La de nicin de probabilidad condicional, junto con las reglas
bsicas de la probabilidad, proveen varias identidades tiles.
Regla de particin. La forma ms simple es:
P (A) = P (A|B)P (B) + P (A|B c )P (B c ) .
Con ms generalidad, si
Bj Bk =
j 6= k , y A r Br ,
X
P (A) =
P (A|Br )P (Br ) .
para
luego
Regla de multiplicacin.
La forma elemental
P (A B) = P (A|B)P (B)
puede extenderse
fcilmente a la forma ms general
n
P n+1
r=1 Ar = P (A1 )P (A2 |A1 )P (A3 |A1 A2 ) . . . P (An+1 | r=1 Ar ) .
Finalmente, si combinamos la regla de particin con la de nicin de probabilidad condicional, obtenemos la conocida:
Regla de Bayes. Si Aj Ak = para j 6= k, B nk=1 Ak y P (B) > 0, entonces
P (B|Ar )P (Ar )
.
P (Ar |B) = Pn
k=1 P (B|Ak )P (Ak )
Ejercicio 2.
bilidad
0,99
(Uso de la regla de Bayes) Un test mdico detecta una enfermedad con proba-
cuando se le aplica a una persona enferma y con probabilidad
0,01
cuando se lo
aplica a una persona sana. Cul es la probabilidad de tener efectivamente la enfermedad si el
test da positivo y la enfermedad afecta a una persona cada 100? y si la enfermedad afectara
5
a una persona cada 10 ?
La idea de condicionar nos lleva a un concepto muy importane: la
Independencia.
a)]Los eventos
son
independientes
independencia de sucesos.
si
P (A B) = P (A)P (B) .
Una
familia
de eventos
(Ai , 1 i n)
es independiente si
P (Ai1 Ai2 Air ) = P (Ai1 )P (Ai2 ) . . . P (Air )
para cualquier seleccin
Ejercicio 3.
1 i1 < i2 < . . . < ir n.
Se arrojan 3 dados. Se de nen los eventos
A := El
B := El
C := El
primero y el segundo muestran el mismo resultado.
segundo y el tercero muestran el mismo resultado.
primero y el tercero muestran el mismo resultado.
Mustrese que los eventos son dos a dos independientes pero que no son independientes como
familia de eventos.
6
1.4. Variables aleatorias
Usualmente no estamos interesados en los resultados
del espacio muestral
perimento aleatorio sino en algn resultado numrico que dependa de
de un ex-
Por ejemplo, en una
apuesta uno est ms interesado en la ganancia o prdida resultante y no tanto en el resultado
en s. Al asignar un nmero
X() a cada resultado, transferimos en forma natural la de nicin
de probabilidad a subconjuntos de la recta real, ya que estamos ms interesados en la probabilidad de que
X()
tome valores en distintos subconjuntos de
R.
Denotaremos a las variables
aleatorias por letras maysculas, mientras que sus valores posibles sern escritos con letras
minsculas. Pasamos a las de niciones.
a)b)
1.
Variable aleatoria. Dado y una funcin de probabilidad P , una variable aleatoria
es una funcin
2.
X(),
de nida sobre
tomando valores en
R.
Funcin de distribucin. La funcin de distribucin FX (x) de la variable X est de nida como
FX := P ({ : X() x})
y tambin se denota directamente por
P (X x).
Ntese que estamos asumiendo que el
{ : X() x} F para todo valor de x R. Esto es equivalente a que la
X sea medible en la -lgebra F . Asumiremos que este es el caso para las variables
conjunto
funcin
consideradas.
3.
Variables aleatorias discretas. Una variable discreta
D
to numerable
de
probabilidad de que
R. Comnmente es un subconjunto
X asuma un valor x determinado se
toma valores en un subconjunde nmeros enteros. Luego, la
denota como
fX (x) = P (X = x) := P ({ : X() = x}) .
La funcin
fX
se llama
funcin densidad de probabilidad
de la variable
X.
Ejemplos de variables discretas:
a ) Distribucin binomial. Si se realizan n pruebas independientes de un experimento
p y F (de fracaso) con
(1p), entonces la variable X de nida por el nmero de xitos obtenidos
cuyos resultados son slo dos, E (de xito) con probabilidad
probabilidad
en las
pruebas tiene la distribucin:
fX (k) =
n
k
pk (1 p)nk ,
0 k n.
Nos referiremos a ella como la distribucin Binomial con parmetros
denotaremos por
B(n, p).
Para indicar que una variable
y la
tiene esta distribucin se
usa la notacin
X B(n, p) .
b ) Distribucin de Poisson. Cuando n es grande y p pequeo de modo que lmn np =
,
los valores de la distribucin binomial convergen a
fX (k) =
e k
.
k!
Nos referiremos a ella como Poisson(). Esta distribucin est asociada al nmero de
xitos que pueden ocurrir en un intervalo temporal dado, cuando los mismos pueden
ocurrir en cualquier instante del intervalo. Ejemplos pueden obtenerse en el nmero
de llamadas recibidas en un intervalo dado; en este caso el parmetro
el nmero esperado de llamadas en ese intervalo.
7
representa
c ) Distribucin geomtrica. En una sucesin de pruebas independientes con probabilidad de xito
en cada intento y probabilidad
(1 p)
de fallo, sea
el nmero
de pruebas que se realizan hasta obtener un xito (incluyendo esta ultima prueba).
Luego
tiene distribucin
fX (k) = (1 p)k1 p,
k = 1, 2, . . .
Nos referiremos a esta distribucin como Geom(p).
Variables aleatorias continuas. Una variable X
que no sea discreta y cuya funcin de
distribucin pueda escribirse como:
fX (s) ds
FX (x) =
para alguna funcin no-negativa
continua. En este caso fX (x) es
fX (x) de nida para todo valor de x, se llama variable aleatoria
llamada la funcin de densidad (o densidad ) de X . Es anloga
a la funcin de probabilidad de una variable discreta. Cuando no haya confusin denotaremos
la densidad por
Ejemplos:
1.
f (x)
omitiendo mencionar la variable.
Densidad uniforme.
Si elegimos un punto al azar en el intervalo
(a, b)
con la idea
intuitiva de que los intervalos de igual longitud tienen la misma probabilidad de ser
elegidos, es fcil ver que la distribucin de probabilidad viene dada por:
F (x) = P (X x) =
a
La densidad de
queda de nida por:
(
f (x) =
2.
xa
dx
=
.
ba
ba
1
,
ba
para
0,
en otro caso.
a < x < b,
Densidad exponencial. Para cualquier constante > 0,
(
ex , x 0 ,
f (x) =
0,
x < 0.
Nos referiremos a la distribucin generada como Exponencial().
3.
Densidad normal. Para constantes R, 2 > 0,
f (x) =
1
(2 2 )1/2
(x )2
exp
2 2
Nos referiremos a esta distribucin con
!
,
< x < .
N (, 2 ). Si = 0 y 2 = 1, esta ser la Densidad
Normal estndard. Para sta usaremos la notacin especial
1
1 2
(x) = exp x ,
2
2
Z x
(x) =
(s) ds .
Ejercicio 4.
X N (, 2 ) y de namos la variable Y = aX + b, con a y b constantes.
2 2
Mustrese que Y N (a + b, a ). b) Sea U una variable aleatoria con distribucin uniforme
en (0, 1), y de namos Y := (1/) log U . Mustrese que si > 0, Y Exponencial().
a) Sea
1.5. Vectores aleatorios
En muchos modelos es necesario tener en cuenta los efectos conjuntos de varias variables
al mismo tiempo. Dichas variables deben estar de nidas en el mismo espacio muestral
su correspondiente funcin de probabilidad
F.
y su espacio de eventos
con
De nimos algunas
cantidades tiles para tratar estos casos distinguiendo entre el caso discreto y el continuo.
1.
Funcin de probabilidad conjunta. Para variables discretas X1 , X2 , . . . , Xn , tenemos:
f (x1 , x2 , . . . , xn ) = P (X1 = x1 , X2 = x2 , . . . , Xn = xn ) ,
donde cada
xi
recorre los valores posibles de cada variable
Xi .
Notacin:
x = (x1 , x2 , . . . , xn ) X = (X1 = x1 , X2 = x2 , . . . , Xn = xn ) .
De este modo, si
Rn ,
es un subconjunto de
P (X D) =
tenemos que:
f (x) .
xD
Distribuciones Marginales. Podemos recuperar las distribuciones de cada una de las
Xi
X1 :
variables
variable
si conocemos su distribucin conjunta. Consideremos la distribucin de la
fX1 (x) =
f (x, x2 , . . . , xn ) .
x2 ,...,xn
Es decir, sumamos sobre todos los valores posibles del resto de las variables, dejando jo
al valor
x.
En trminos de eventos podemos interpretarlo de la siguiente forma:
{X1 = x} = {X1 = x} = {X1 = x} x2 ,...,xn {X2 = x2 , . . . , Xn = xn }
= x2 ,...,xn {X1 = x} {X2 = x2 , . . . , Xn = xn }
Las distribuciones as obtenidas se denominan
2.
distribuciones marginales.
Funcin de densidad conjunta. Un par de variables aleatorias (X1 , X2 ) es (conjuntaa, b, c, d,
Z bZ d
P ({a < X1 b} {c < X2 d}) =
f (x1 , x2 ) dx2 dx1
mente) continuo con densidad
f (x1 , x2 )
si, para todo
X1 , X2
En particular, esto de ne la funcin de distribucin conjunta de
F (x1 , x2 ),
por:
x1
denotada por
x2
F (x1 , x2 ) =
f (u, v) dvdu .
La densidad tiene la misma propiedad que en el caso discreto. Si
es un subconjunto del
plano, tenemos que:
Z Z
P ((X1 , X2 ) D) =
f (x1 , x2 ) dx1 dx2 .
(x1 ,x2 )D
Tambin podemos recuperar la distribucin de cada variable a partir de la conjunta:
Z bZ
P (a < X1 b) = P ({a < X1 b} { < X2 < }) =
f (x1 , x2 ) dx2 dx1 .
a
De modo que
fX1 (x) =
f (x, x2 )dx2 .
3.
Independencia de variables aleatorias. El par de variables X1
entes si, para todo
x1
X2
son independi-
x2 ,
P (X1 x1 , X2 x2 ) := F (x1 , x2 ) = FX1 (x1 )FX2 (x2 ) =: P (X1 x1 ) P (X2 x2 ) .
Para conjuntos arbitrarios podemos deducir la independencia a partir de las densidades.
Derivando la expresin para
podemos obtener la factorizacin:
f (x1 , x2 ) = fX1 (x1 ) fX2 (x2 )
y probar que:
Z Z
P (X1 A, X2 B) =
A
f (x1 , x2 )dx1 dx2
Z
Z
fX1 (x1 ) dx1
fX2 (x2 ) dx2 = P (A)P (B)
=
A
y recuperamos la nocin previa de independencia.
Ejercicio 5.
c < d.
a) Sean
X1
X2
con distribucin conjunta
F (x1 , x2 ),
y supongamos que
a<b
Mustrese que
P (a < X1 b, c < X2 d) = F (b, d) + F (a, c) F (a, d) F (b, c) .
b) Sean
X1 , X2
variables independientes con distribucin exponencial con parmetros
respectivamente. Mustrese que
P (X1 t < X1 + X2 ) = P (X2 t < X1 + X2 ) .
1.6. Transformacin de variables aleatorias
Consideremos el caso de variables continuas; buscamos la distribucin de probabilidad de
una funcin
Z = g(X, Y )
del vector aleatorio
(X, Y ).
Usando la de nicin de la funcin de
probabilidad:
Z Z
FZ (z) := P (Z z) = P (g (X, Y ) z) =
f (x, y) dxdy .
x,y:g(x,y)z
Suma de variables aleatorias continuas.
suma es
Z =X +Y
Si
X, Y ,
tienen densidad conjunta
f (x, y)
y su
luego:
Z Z
FZ (z) = P (X + Y z) =
f (x, y) dxdy
x,y:x+yz
zx
f (x, y) dxdy
Zx=
z
Zy=
f (v, u v) dv du
=
u=
donde
u = x+y y v = x. De esta frmula vemos inmediatamente que la densidad de probabilidad
Z
fZ (z) =
f (v, z v) dv .
Si
X, Y
son independientes tenemos que
f (x, y) = fX (x)fY (y),
fX (v) fY (z v) dv ,
fZ (z) =
que representa la
convolucin
y nos queda:
de las densidades de
10
y de
Y.
(1)
Ejemplo: Suma de normales estndar
Z
fZ (z) =
Z
X, Y
Si
son variables
N (0, 1),
luego usando (1):
1
1 2 1
2
exp v (z v) dv
2
2
2
1
1 2
z 2
1
2
exp z v
dv = e(1/4)z ,
2
4
2
2
que es una normal de media cero y varianza 2.
Ejercicio 6.
luego
X1 N (1 , 12 )
N (1 + 2 , 12 + 22 ).
Muestra que si
X1 + X2
es
X2 N (2 , 22 )
con
X1 , X2
independientes,
1.7. Valor esperado y momentos
Para hacer el promedio de una cierta cantidad de datos
N,
solemos hacer una lista
dn ,
los
sumamos y dividimos por la cantidad total de datos:
1 X
dn .
N n
w=
dn corresponden a una variable discreta, podemos reescribir esto agrupando los datos
Pongamos por ejemplo que dn {xi : 1 i < }. Entonces, podemos reescribir el
Si los datos
repetidos.
promedio del siguiente modo:
1 X
n(i)xi ,
w=
N i=1
donde
n(i) es el nmero de veces que aparece el dato xi . Llamando fi := n(i)/N
xi , nos queda la siguiente expresin:
a la
frecuencia
con que aparece el dato
w=
fi xi .
i=1
Valor esperado. Sea X una variable discreta con distribucin de probabilidad f (k); el valor
esperado (o media ) de X est denotado por E [X] y de nido por
X
E [X] :=
xk f (k) ,
k |xk | f (k) < . Si esta condicin falla diremos que la variable no tiene media
nita. En el caso de una variable continua la de nicin es anloga:
siempre que
E [X] :=
x f (x) dx ,
|x| f (x) dx < .
Consideremos ahora dos variables vinculadas por
siempre que
debemos conocer (en principio) la distribucin de
medio del siguiente resultado.
11
Y = g(X). Para calcular el valor esperado
g(X). Podemos evitar esta di cultad por
Teorema
Sean las variables aleatorias
real de nida sobre
a) Si
tales que
Y = g(X),
donde
g ()
es una funcin
R.
es discreta, luego
E [Y ] =
g (xk ) f (k) ,
k
siempre que
b) Si
|g (xk )| f (k) < .
es continua, luego:
g (x) f (x) dx ,
E [X] :=
siempre que
|g (x)|
Demostracin:
f (x) dx < .
vemos solamente la parte a), ya que la b) es anloga.
E [Y ] : =
yP (Y = y)
X X
P (X = x)
x:g(x)=y
g (x) P (X = x)
x:g(x)=y
g (x) P (X = x) ,
x
donde la ltima igualdad se obtiene teniendo en cuenta que
valores posibles de
X.
Propiedad
Si
y {x : g(x) = y}
son independientes, entonces para funciones reales
son todos los
tenemos que:
E [g (X) h (Y )] = E [g (X)] E [h (Y )] .
Ejercicio 7.
Demustrese esta propiedad.
Momentos. Son cantidades que se de nena partir
del valor esperado.
k
a) El momento k-simo de X es k := E X .
i
h
k
b) El momento central k-simo de X es k := E (X E [X]) .
En particular
Ejercicio 8.
es la media y
es llamada la varianza y denotada por
o Var[X].
Muestra que la varianza de la suma de dos variables independientes es igual a la
suma de las varianzas.
Covarianza y correlacin
Para variables
X, Y
con distribucin conjunta debemos consid-
erar usualmente los siguientes parmetros:
La covarianza de
es:
cov (X, Y
) = E [(X E [X]) (Y E [Y ])] .
El coe ciente de correlacin (o correlacin) es:
(X, Y ) :=
cov (X, Y
(var [X] var [Y ])1/2
12
1.8. Distribuciones condicionales
Las distribuciones condicionales de una variable se obtienen al considerar una restriccin
en el valor de otra variable aleatoria. Consideramos el caso discreto, ya que las extensiones son
obvias.
Funcin de probabilidad condicional
Consideremos dos variables discretas
Y,
dis-
Y = y , permite considerar las probabilidades condiX dado que Y = y . Esto de ne una nueva funcin de probabilidad para
tribuidas en forma conjunta. El evento
cionales de la variable
que la denotamos por:
fX|Y (x|y) := P (X = x|Y = y) =
=
La funcin
x fX|Y (|y)
X
fX,Y (x, y)
,
fY (y)
P (X = x, Y = y)
P (Y = y)
fY (y) > 0 .
de ne una nueva funcin de probabilidad para la variable
fX|Y (x|y) =
Esperanza condicional.
X:
X fX,Y (x, y)
1 X
fY (y)
=
fX,Y (x, y) =
= 1.
fY (y)
fY (y) x
fY (y)
x
La esperanza condicional de
el valor esperado cuando jamos la variable
dado
Y =y
se obtiene calculando
y aplicamos la distribucin condicional:
E (X|Y = y) =
xfX|Y (x|y) .
x
Cuando no se especi ca un valor concreto de
y,
la esperanza condicional de
nueva variable aleatoria cuyos valores dependen del resultado de la variable
X
Y,
dado
es una
es decir:
E (X|Y ) : 7 E (X|Y = Y ()) .
Caso continuo.
Cuando las variables son continuas no se puede hacer la derivacin elemental
usando la probabilidad condicional. En este caso nos guiamos heursticamente por analoga con
Xe
f , entonces la densidad condicional
el caso discreto, aunque estas de niciones pueden justi carse en un contexto ms general. Si
Y
de
son continuas y tienen densidad de distribucin conjunta
dado
Y =y
est de nida por:
fX|Y (x|y) =
La esperanza condicional de
dado
f (x, y)
,
fY (y)
Y =y
cuando
fY (y) > 0 .
viene dada por:
Z
E (X|Y = y) =
xfX|Y (x|y) dx ,
R
siempre que la integral converja absolutamente. La funcin
abilidad y
E (X|Y = Y ())
es una variable aleatoria.
13
fX|Y (, y) es una densidad de prob-
El lema de particin.
a) Si
Sean
Ysondiscretas, entoncesfX
b) Si
variables distribuidas en forma conjunta.
(x) =
y fX|Y
son continuas, entonces:
(x|y) fY (y) .
Z
fX|Y (x|y) fY (y) dy .
fX (x) =
R
Ejercicio 9.
Prueba el lema de particin.
A partir de este lema podemos mostrar algunas identidades tiles. Consideremos el caso
discreto:
E [X] =
xfX (x) =
XX
xfX|Y (x|y) fY (y)
!
=
X X
y
xfX|Y (x|y) fY (y)
E (X|Y = y) fY (y)
= E [E (X|Y )] .
Y hay una idendidad anloga para el caso continuo.
Ejemplo de aplicacin del lema de particin.
Sean
variables aleatorias continuas
e independientes. Entonces:
P (X < Y |Y = y) fY (y) dy
P (X < Y ) =
Al ser
independientes, tenemos que:
P (X < Y |Y = y) fY (y) = P (X < y) fY (y) = FX (y) fY (y)
y nalmente
P (X < Y ) =
FX (y) fY (y) dy .
Es costumbre utilizar la siguiente notacin, que es ms intuitiva que la anterior:
P (X < Y |y < Y < y + dy) fY (y) dy
P (X < Y ) =
fY (y) dy
(y, y + dy).
resaltando el hecho de que
intervalo in nitesimal
es la probabilidad de encontrar a la variable
en el
1.9. Funciones generatrices
Funcin generatriz de momentos
aleatoria
La
funcin generatriz de momentos (fgm) de la variable
est dada por:
MX (t) := E etX ,
14
para todos los valores reales
en que est de nido el valor esperado. En particular, cuando
la funcin est de nida en un intervalo real
(a, a),
podemos escribir, dentro del crculo de
convergencia:
"
#
r
X tr X r
X
tX
t
=E
E e
=
E [X r ] .
r!
r!
r=0
r=0
De modo que los coe cientes del desarrollo, que podemos recuperar derivando
indican el momento
r-simo
de la variable
E etX
nos
X.
Hay tres propiedades importantes que nos interesan de la fgm.
Unicidad]Si MX (t) es convergente en un intervalo (a, a) con a > 0, entonces los momentos
de la variable
mentos de
de momentos
determinan en forma nica la distribucin
son nitos. Si
conjunta
FX (x).
Ms an, todos los mo-
son independientes, luego tenemos que la funcin generatriz
M (s, t) := E esX+tY = MX (s)MY (t) .
X e
fgms, tal que, cuando n , Mn (t)
F (x). Adems, si Mn (t) es la fgm de una
Ms an, puede mostrarse que si la fgm conjunta factoriza de esta manera, entonces
Y son independientes. Sea Mn (t) una sucesin de
M (t), donde M (t) es una fgm de una distribucin
distribucin Fn (x), tenemos que
Fn (x) F (x) ,
Ejemplo.
n .
X N (0, 1) tenemos que:
Z
1
2
ex /2 etx dx
MX (t) =
2
Z
2
1
2
e(xt) /2 dx
= et /2
2
t2 /2
=e
.
Para una variable
Del mismo modo si
Y N (, 2 ),
obtenemos:
2
(+X)t
t+ 2 t2
t
MY (t) = E e
= e MX (t) = e
.
La funcin caracterstica
La funcin de nida por
X (t) := E eitX = E [cos(tX) + isen(tX)] , t R, i2 = 1 ,
se llama la
funcin caracterstica
de la variable
o tambin fc. Esta funcin, a diferencia de
la fgm, existe siempre, ya que:
itX
E e
E eitX = 1 .
Cuando la funcin generatriz de momentos existe en un intervalo
t R.
X (t) = MX (it) ,
Esto implica que la normal estndar tiene funcin caracterstica:
2
X (t) = et .
15
(a, a)
tenemos que:
2. La caminata aleatoria.
2.1. El proceso aleatorio ms simple en una dimensin.
Nos planteamos el siguiente problema elemental de probabilidades:
UnicidadFactorizacinContinuidad
Una partcula puede moverse sobre la rec-
ta real dando saltos de longitud 1 hacia la derecha o la izquierda de modo aleatorio.
La probabilidad de desplazarse hacia uno un otro lado es de 1/2. Despus de
movimientos puede ocupar alguna de las posiciones:
XN = N, N + 1, . . . , 1, 0, 1, . . . , N 1, N
X0 = 0
Si su posicin inicial es
P (XN = m)
deseamos calcular la probabilidad
XN = m
de encontrarla en la posicin
al dar un nmero
w(m, N ) :=
de pasos N .
Haremos en primer lugar un abordaje directo calculando una expresin explcita para estas
probabilidades. Como veremos ms adelante, ste tambin puede resolverse desde puntos de
vista distintos: a travs de la solucin explcita de una ecuacin en derivadas parciales, como
una ecuacin en diferencias, o como el valor esperado de una variable estocstica.
2.2. Solucin explcita discreta y su comportamiento asinttico
Dadas las condiciones del problema, est claro que
w(m, N ) = 0
para
entonces contar de cuntas maneras diferentes podemos llegar a un valor
N
caminos posibles son igualmente probables, con probabilidad 1/2 .
Sean i,d
|m| > N . Debemos
m, ya que todos los
0 el nmero de pasos realizado hacia la izquierda y a la derecha respectivamente.
Tenemos entonces que:
d+i = N
di = m
accesibles para un
entre las que hay
i, d
son
0, . . . , N
no todas
las posiciones x = m son
N m
son enteros
2
positivos. En caso de que lo sean el problema es equivalente a contar las palabras de N letras,
Los posibles valores de
letras A e
es
, i =
d= N +m
2
letras B:
w(m, N ) =
Ejercicio 10.
de modo que
dado, slo lo son aquellas para las cuales
N! 1
=
d!i! 2N
Comprueba que para cada
N +m
2
1
N!
N m N .
! 2 !2
la media de la variable
XN
es cero y su varianza
N.
El comportamiento de esta expresin para
frmula de Stirling:
1/2
n! (2n)
donde
f (n) g(n)
para
m N 1 , m, N
n n
n ,
quiere decir que
podemos verlo usando la
(n)
limn fg(n)
= 1.
(2)
Usando esta aproximacin
podemos escribir:
r
w(m, N )
1 recordemos que
m N
para
2 N +1/2
N
N m
N +m
m/2
es equivalente a
16
N 2 m2
lmN
m
N
N2+1
= 0.
N m.
(3)
o de forma equivalente:
r
w(m, N )
Por otra parte, si
m N
2
N
1 m/N
1 + m/N
m/2
1
m 2 N2+1
N
N m.
(4)
tenemos tambin que:
1x
1+x
m/2
m
m
2
2
= e 2 logf (x) = e 2 (2x+O(x )) = emx+mO(x )
de modo que
1 m/N
1 + m/N
m/2
m
m
= e N (1+O( N ))
y adems
1 x2
N2+1
entonces
1
= e
N +1
log
2
(1x2 ) = e N2+1 (x2 +O(x4 ))
m 2 N2+1
N
=e
m2
2N
1+O
m2
N2
Y as, reemplazando en (4) obtenemos la siguiente relacin:
r
w(m, N )
El comportamiento asinttico para
2 m2 m2
e N e 2N =
N
N , m N ,
2 m2
e 2N .
N
es nalmente:
N!
1
w(m, N ) = N +m N m N
! 2 !2
2
2 m2
e 2N
N
(5)
2.3. La funcin densidad de probabilidad
k := t/N , h := x/m (tamao de la malla), y teniendo en cuenta que en
posiciones posibles (debido a que
x entran aproximadamente x
2h
dependiendo de m y N tenemos algunas posiciones inaccesibles), la probabilidad de encontrar
x
a la partcula en el intervalo [x
, x + x
] viene dada por:
2
2
Si llamamos
un intervalo de longitud
x+ x
2
x x
2
x
x
x
x
u(y, t)dy := P (x
mh x +
) w(x/h, t/k)
=
2
2
2h
h
k x2t2 k2
h
e
2t
(6)
h2
De niendo adems el coe ciente de difusin D :=
(es la velocidad a la que se recorre la
2k
2
distancia h partida por dos) tenemos que la densidad de probabilidad viene dada (para h 0,
x 1)
por la expresin
u(x, t) =
x2
1
e 4Dt
4Dt
que corresponde a la solucin fundamental de la ecuacin del calor.
17
(7)
2.3.1. Pared re ejante
Supongamos que la partcula, al llegar a una posicin
r > 0,
tiene probabilidad 1 de ir
hacia la izquierda y probabilidad 0 de desplazarse a la derecha. La posicin
hace rebotar el
movimiento hacia la izquierda y debemos recalcular la probabilidad de algunos de los caminos
wref (m, N ; r):=probabilidad de que la partcula llegue a la
posicin m, con m < r , al desplazarse N pasos.
Para jar ideas tomemos un camino que rebote una sola vez en la posicin r . La probabilidad de cada paso sigue siendo 1/2, con excepcin del paso dado en la posicin r , que tiene
anteriores. Consideremos la funcin
probabilidad 1 de ir hacia la izquierda. En este caso es equivalente a multiplicar por dos la
probabilidad que tiene el mismo camino de ocurrir en un desplazamiento libre, sin una pared
re ejante. Es fcil convencerse de que la probabilidad de un camino que rebote n veces en la
n
pared, es 2 por la probabilidad del mismo camino considerado como un proceso sin pared
re ejante. Una forma gr ca de calcular estas probabilidades es considerar
caminos re ejados
al otro lado de la pared. Por ejemplo, si el camino rebota slo una vez, podemos considerar
otro camino que sale hacia la derecha en el punto de rebote y est re ejado al otro lado de la
pared. Al realizar los
posicin
2r m
pasos el camino original llega a la posicin
y el re ejado llegar a la
(vase la gura)
Del mismo modo, cada camino libre que atraviese una sola vez la posicin r (y que llegue
m0 = 2r m) corresponde a la re exin de un camino admisible. Si sumamos
0
la probabilidad del camino libre que llega a m y la del camino libre que llega a m tenemos
a la posicin
el mismo efecto que al multiplicar por dos la probabilidad del camino admisible (considerado
como camino libre). Para generalizar esta idea, supongamos que el camino rebota dos veces en
la pared. En este caso habr que multiplicar por 4 a la probabilidad del camino libre, con lo
cual habr que construir 3 caminos ms para seguir con la misma idea.
Dado el camino admisible, tenemos 3 caminos libres ms para elegir, uno que llega a m y
m0 . Consideremos el que llega hasta el punto 1, despus de pasar la barrera se
dos que llegan a
dirige al punto 2 y de ah al punto
m.
Otro de ellos sigue el mismo camino admisible hasta el
0
punto 2 y en lugar de rebotar en la pared se dirige al punto m . Por ltimo, el camino que a
partir del punto 1 es una re exin del camino admisible con respecto al eje que pasa por
r.
De
este modo, podemos convencernos de que es vlida la siguiente frmula
wref (m, N ; r) = w(m, N ) + w(2r m, N ) (m < r).
(8)
m = r. El razonamiento que hemos hecho es vlido solamente
m < r, ya que por cada rebote contra la pared debemos considerar el doble de
si m = r esto no es verdad. En este caso debemos tener en cuenta que el ltimo
Una aclaracin importante para
para posiciones
caminos, pero
paso, si bien toca la pared, no debe ser multiplicado por dos. Vase el ejemplo de la gura
La probabilidad que buscamos es entonces la mitad que la obtenida con la frmula (8) y
tenemos entonces que
wref (r, N ; r) = w(r, N ) .
Es decir que la probabilidad de llegar a la pared re ectante en tiempo
misma que la probabilidad de llegar por caminos libres!
18
es exactamente la
Si tomamos
muy grande en (8) tenemos la frmula asinttica:
wref (m, N ; r)
2
N
12
2 /2N
em
+ e(2rm)
2 /2N
(m < r)
o en su versin continua (para la densidad de probabilidad):
1
uref (x, t) =
2 Dt
Donde
xr := rh,
x
4Dt
+e
(2xr x)2
4Dt
(x < xr ),
(9)
es la posicin de la pared.
Ntese que la funcin de nida en (9) satisface la ecuacin:
uref
|x=xr = 0
x
2.3.2. Pared absorbente
m,
posicin a,
En este caso calcularemos la probabilidad de encontrar a la partcula en la posicin
despus de
pasos, pero considerando que una vez que atraves una pared en la
ya no regresa. Es decir, si el camino que seguimos atraviesa la posicin
a > 0,
de ir hacia la izquierda es ahora nula. De los caminos libres que llegan a
quitar los que en algn instante anterior han atravesado la barrera en
a.
la probabilidad
tenemos que
Podemos hacer la
debemos
misma construccin gr ca que para el caso anterior, esta vez teniendo en cuenta que
m0 . Por cada camino prohibido (libre)
0
que llega a m (esto es, que atraviesa a la pared en a), podemos construir uno que llega a m
descontar la probabilidad de los caminos que terminan en
usando la re exin con respecto al eje en
a partir de los puntos de contacto. Los caminos
admisibles no pueden re ejarse ya que no hay puntos de contacto con el eje. Recprocamente,
0
por cada camino que sale de 0 y llega a m podemos contar un camino prohibido que llega a
m.
De este modo podemos decir que la probabilidad que buscamos es
wabs (m, N ; a) = w(m, N ) w(2a m, N )
1
2 2 m2 /2N
2
e
e(2am) /2N
m < a.
y la funcin densidad es
1
uabs (x, t) =
2 Dt
x
4Dt
(2xa x)2
4Dt
.
Con la propiedad
uabs (xa , t) = 0 .
Para
m=a
el razonamiento anterior no es vlido y solamente debemos quitar algunos de
0
los caminos inadmisibles (no todos los caminos que llegan a m = a son ahora inadmisibles).
El problema est vinculado con el clculo de la probabilidad de que la partcula sea absorbida
por la pared despus de
a la posicin
a,
pasos. Debemos tener en cuenta que de todos los caminos que llegan
debemos quitar todos los que han atravesado la barrera anteriormente. Una
forma de contar los caminos inadmisibles es la siguiente. Para llegar a
dos posibilidades. O bien a tiempo
que llegan a
a1
N 1
estamos en
a+1
o en
a 1.
en tiempo
para tiempo
N 1.
a1
son
la misma cantidad
a+1
son todos
que los que llegan
Podemos ver esto con un argumento de re exin en el eje
19
hay
Algunos de los caminos
son admisibles y otros son inadmisibles. Los que llegan a
inadmisibles. Los inadmisibles que llegan a
a
a+1
a.
Si
a 1 (a partir del primer contacto con el eje a)
a + 1 al mismo tiempo. De este modo, la probabilidad que queremos
ser la de los caminos libres que llegan a a en tiempo N menos el doble de los caminos que
llegan a a + 1 en tiempo N 1:
re ejamos cada camino inadmisible que llega a
obtenemos otro que llega a
nmero de caminos
(N 1)!
N!
2
( N 2+a )!( N 2a )!
( (N 1)+(a+1)
)!( (N 1)(a+1)
)!
2
2
!
( N a )
N!
12 2
= N +a N a
N
( 2 )!( 2 )!
=
N!
a
N +a
N ( 2 )!( N 2a )!
La probabilidad de ser absorbido en la posicin
N
dividido por
a,
a tiempo
es entonces el nmero anterior
a
N!
a
= w(a, N ) .
N a
N +a
N
N 2 ( 2 )!( 2 )!
N
wabs (a, N ; a) =
En el caso de
grande tenemos la frmula asinttica
a
wabs (a, N ; a)
N
que expresada en trminos de
xa = ah
t = Nk
2
N
12
e(a
2 /2N )
viene dada por:
1
2k 2 (x2a /4Dt)
e
h2 t
12
1
xa k
2
e(xa /4Dt)
=
t
Dt
xa k
p(xa , t) =
t
Observacin: la funcin p no es la densidad de probabilidad, es simplemente una
interpolacin de la funcin
wabs .
La densidad de probabilidad
q(xa , t)
calculamos a continuacin. La probabilidad de encontrar a la partcula en
tiempo
[t, t + t]
especie de
respecto del tiempo la
xa
en el intervalo de
es
Z
t
t+t
xa
t
q(xa , t)dt p(xa , t)
=
2k
2t
1
Dt
12
e(xa /4Dt) t
xa , estn
Haciendo t 0
donde tuvimos que dividir por dos, ya que los tiempos posibles de llegada, jado
de nidos en intervalos de tamao
2k
(dependiendo de la paridad de
obtenemos
xa
q(xa , t) =
2t
1
Dt
12
m,N ).
e(xa /4Dt)
Destaquemos la siguiente relacin
q(xa , t) = D
(uabs (x, t)) |x=xa .
x
Si interpretamos la probabilidad como frecuencia a la que ocurre un suceso, hemos obtenido
la fraccin de partculas (de un nmero muy grande de ellas) que salen de
primera vez a la pantalla absorbente
xa
por unidad de tiempo.
20
x=0
y llegan por
2.4. Una ecuacin en diferencias para la densidad de probabilidad
Vamos a abordar el problema del clculo de la densidad de probabilidad desde otro punto
de vista, sin utilizar la solucin explcita para las probabilidades obtenida en la seccin anterior.
En primer lugar observemos que la funcin
w(m, N )
satisface una ecuacin en diferencias. La
x = mh en el tiempo
hasta (m 1)h en el tiempo
idea bsica es la siguiente: la probabilidad de que la partcula llegue a
t = (N + 1)k puede calcularse como la probabilidad de que llegue
N k por la probabilidad de desplazarse hacia la derecha en el siguiente paso temporal, ms la
probabilidad de que llegue a (m + 1)h en el instante N k por la probabilidad de que se desplace
hacia la izquierda en el siguiente paso. Como cada paso es una variable discreta independiente
del movimiento anterior tenemos que:
1
1
w(m, N + 1) = w(m 1, N ) + w(m + 1, N ),
2
2
(10)
donde un medio es la probabilidad de desplazarse a derecha o izquierda. Cuando
tenemos que
w(m, N ) 0
m, N
ya que si en el caso discreto tenemos cada vez ms posiciones
posibles, la probabilidad de que alguna de ellas ocurra va a tender a cero necesariamente. Por
esto es mejor que consideremos una aproximacin a la densidad de probabilidad
uh,k (x, t) :=
u(x, t):
1
w(x/h, t/k) .
2h
(11)
La idea central que nos gua es encontrar una funcin de densidad lmite para
momento, vamos a suponer que este lmite existe y lo denotamos por
h,k (x, t) 0,
uh,k (x, t) = u(x, t) + h,k (x, t)
Si reemplazamos los valores correspondientes de
para
h, k 0.
De
u(x, t):
h, k 0 .
en la ecuacin (10) tenemos que
1
1
uh,k (x, t + k) = uh,k (x h, t) + uh,k (x + h, t) .
2
2
(12)
Como veremos ms adelante, (12) es un esquema numrico que aproxima a la solucin de una
ecuacin diferencial. En este caso tenemos el problema inverso al clculo numrico: dada la
ecuacin en diferencias intentaremos determinar la ecuacin diferencial de la funcin lmite.
Para hacer esto necesitamos saber con qu ecuacin es consistente este esquema, y debemos
reemplazar la solucin continua
en el esquema dado. Aproximando las cantidades utilizando
el desarrollo de Taylor:
u
(x, t)k + O(k 2 )
t
1
1 2u
(u(x h, t) + u(x + h, t)) = u(x, t) +
(x, t)h2 + O(h4 )
2
2 x2
u(x, t + k) = u(x, t) +
(ntese el error de orden 4 debido a la cancelacin de las potencias impares). Igualando las
cantidades obtenidas tenemos que
u
h2 2 u
h4
(x, t) + O(k) =
(x, t) + O( ).
t
2k x2
k
h2
permanezca constante,
2k
obtenemos la ecuacin del calor unidimensional para la densidad de probabilidad u:
Si tomamos ahora lmite para
h, k 0 de modo que el cociente D =
u
2u
= D 2.
t
x
21
Obsrvese que si
h2 /k 0
la ecuacin es consistente con
u/t = 0,
que corresponde a un
estado estacionario de la ecuacin del calor.
Con esta forma de ver las cosas es relativamente sencillo imponer condiciones para tener
una pared re ejante o absorbente. De acuerdo con la condicin de re exin la nica posibilidad
1
de llegar a la pared es desde la izquierda (en el tiempo anterior) con probabilidad , de modo
2
que:
Por otra parte, la
1
wref (r, N ; r) = wref (r 1, N 1; r) .
2
probabilidad de llegar en tiempo N + 1 a la posicin r 1
es:
1
wref (r 1, N + 1; r) = wref (r 2, N ; r) + wref (r, N ; r) ,
2
ya que tenemos probabilidad 1 de rebotar una vez que estamos en la posicin
wref (r, N ; r)
r.
Eliminando
de ambas ecuaciones obtenemos:
1
1
wref (r 1, N + 1; r) = wref (r 2, N ; r) + wref (r 1, N 1; r) .
2
2
En trminos de la densidad continua escribimos la ecuacin anterior:
1
1
uref (xr h, t + k) = uref (xr 2h, t) + uref (xr h, t k) .
2
2
Obsrvese que usamos la densidad para puntos interiores, ya que la relacin entre densidad
y probabilidad discreta no es obvia para los puntos del borde (desde este punto de vista).
Aproximando por Taylor obtenemos la identidad (todas las funciones estn evaluadas en
y quitamos el
ref
(xr , t)
del subndice):
u
1
u
1
1 u
1 u
u
h+
k + o( k 2 + h2 ) = u
h+ u
h
k + o( h2 + k 2 ),
x
t
2
x
2
2 x
2 t
y teniendo en cuenta que el lmite es calculado para
k = O(h2 ):
u
u
h = O(h2 )
= 0.
x
x
Esta es la misma condicin, de tipo Neumann, que observamos para la solucin explcita.
En el caso de la pared absorbente debemos observar que:
1
wabs (a 1, N + 1; a) = wabs (a 2, N ; a),
2
ya que la probabilidad de que venga por la derecha (desde
a)
es igual a cero con la pared
absorbente. Usando la densidad continua:
1
uabs (xa h, t + k) = uabs (xa 2h, t),
2
y aproximando por Taylor (funciones evaluadas en
(xa , t)):
1
u + O(h + k) = u + O(h + k),
2
por lo tanto
u = 0,
como obtuvimos anteriormente con la solucin explcita para
22
uabs .
h y paso
k , la densidad de probabilidad de encontrar a una partcula para tiempo t = N k en
2
la posicin x = mh, cuando m, N con h / (2k) = D , es consistente con ecuacin del calor
Resumiendo, hemos encontrado que, haciendo un camino aleatorio de paso espacial
temporal
ut = Duxx .
Cuando hay una pared re ectante en
x = xr
(13)
debemos aadir la condicin de contorno
u
(xr , t) = 0
x
y cuando hay una pared absorbente tenemos la condicin
u(xa , t) = 0.
En ambos casos la condicin inicial para
delta de Dirac. Es decir, para t = 0 toda
es una
la probabilidad est concentrada en el origen, la densidad es cero para
x 6= 0
pero su integral
en cualquier intervalo alrededor del origen es igual a 1. Esta es la solucin fundamental de la
ecuacin del calor, podemos reconstruir a partir de ella cualquier condicin inicial y tambin
utilizar las ideas aplicadas para caminos discretos con paredes re ejantes y absorbentes.
2.5. La caminata aleatoria como lmite de pasos independientes: El
teorema de Laplace-De Moivre
Podemos obtener la distribucin lmite de la caminata aleatoria a travs de un resultado
clsico de suma de variables aleatorias discretas, conocido como el teorema de Laplace-De
Moivre. La demostracin es esencialmente la misma que la vista anteriormente para los randomwalks (utilizando tambin el comportamiento asinttico de los factoriales).
(Laplace-De Moivre). Sean
In , n N,
variables aleatorias discretas independientes que
toman valores 0 y 1 y tales que
(
P (In = 1) = p
P (In = 0) = q
con
p + q = 1.
Si
SN :=
PN
n=1 In , entonces
lm P
Ejercicio 11.
SN N p
b
a
N pq
1
=
2
x2
e 2 dx .
Demuestra el teorema de Laplace-De Moivre siguiendo los siguientes pasos:
1) Veri ca que la esperanza y la varianza de
SN
vienen dadas por:
E[SN ] = N p
V [SN ] = N pq
2) Identi ca los posibles valores de la variable
SN ,
P (SN = m) = pm q (N m)
muestra que se satisface:
N!
(N m)!m!
3) Considera ahora los valores posibles de la variable
m Np
.
x=
N pq
23
N =
S
N N p
, escribe
N pq
(14)
x y hacemos N , entonces m . Aplica la frmula
x jo, N .
4) Escribe (14) en trminos de x y N , y desarrollando los exponentes hasta orden 2 demuestra
Observa que si se deja jo el valor de
de Stirling (2) a (14) justi cando su uso para
que:
P (SN = m) = P (N = x) =
x2
1
e 2 (1 + o(1))
2N pq
Nota que:
r
m
p
1
=q 1
x ,
N
qN
r
q
m
=p 1+
x .
N
pN
5) Suma las contribuciones del intervalo, teniendo en cuenta que la distancia entre los valores
m Np
xm =
N pq
es
xm = xm+1 xm =
Si sumamos sobre los
xm
1
.
npq
que entran en el intervalo tenemos que
Z b
X
x2
x2
1
1
2m
P (a N b) =
e
xm
e 2 dx N
2 x [a,b]
2 a
m
Para obtener la distribucin lmite de la caminata aleatoria de nimos ahora variables
dependientes Bn
que pueden tomar los valores 1 y 1 con probabilidad
Bn +1
La variable In =
satisface las condiciones del teorema, con p = q
2
P
PN
N
N
1
n=1 Bn + 2 y el teorema nos dice que:
n=1 In = 2
lm P
in-
1/2 respectivamente.
= 1/2. En este caso
!
PN
Z b
x2
B
1
n
n=1
a
e 2 dx .
b =
2 a
N
Si cambiamos la escala de los pasos con una constante
y de nimos
k = t/N
como el paso
temporal, podemos escribir esto del siguiente modo
lm P
N
Llamando
XN
N
X
h
h
hBn b t
a t
k
k
n=1
1
=
2
x2
e 2 dx .
PN
hBn , tenemos que
Z b
h
h
x2
1
P a t XN b t
=
e 2 dx + N ,
2 a
k
k
n=1
h
jos. Obsrvese que si
0 para N ,
k
la densidad de XN estar concentrada alrededor del origen. Eligiendo a, b 1 tales que
R b x2
1
e 2 dx est tan cerca del valor 1 como queramos y N su cientemente grande tal que
2 a
< [a t hk , b t hk ] (, ), tenemos que:
donde
N 0
para
P ( XN ) P
donde
con
h
h
a t XN b t
k
k
1
=
2
puede hacerse arbitrariamente pequeo eligiendo
Z
a
convenientemente. Concluimos
que
lm P ( XN ) = 1
24
si
x2
e 2 dx + N = 1 + N ,
h
0.
k
Obsrvese que esta es la escala que corresponde a la ley de los grandes nmeros, donde
tomaramos
h = 1/N = O(k).
R b x2
h
1
Si por el contrario tenemos que , elegimos a 0 b de modo que
e 2 dx <
2 a
k
, con pequeo. En este caso, dados
h A, Bh arbitrarios ( jos), tendremos que para un N
su cientemente grande [A, B] (a t , b t ) y por lo tanto
k
k
P (A XN B) P
h
h
a t XN b t
k
k
1
=
2
x2
e 2 dx + N = + N ,
de modo que
lm P (A XN B)
N
para
arbitrariamente pequeo. Podemos decir entonces que
lm P (A XN B) = 0
si
h
.
k
Los casos considerados son lmites que nos llevan a distribuciones de algn modo triviales.
La primera, que concentra toda la medida en el origen, es una delta de Dirac. La segunda
dispersa las posiciones de tal modo que la probabilidad de encontrarlas en un intervalo nito
es nula. El caso que ms nos interesa es el que viene a continuacin.
Supongamos ahora que l
mN hk = 2D > 0. Si de nimos
B := b t hk = b 2Dt, tenemos que
A := a t hk = a 2Dt,
Z A/2Dt
2
1
x2
P (A XN B) =
e
dx + N
2 B/2Dt
Z A
x2
1
=
e 4Dt dx + N
4Dt B
de modo que
1
lm P (A XN B) =
N
4Dt
x2
e 4Dt dx .
(15)
Este resultado es idntico al que obtuvimos anteriormente y es el que corresponde al lmite
difusivo.
3. El proceso de Wiener.
3.1. De nicin y propiedades bsicas del proceso de Wiener.
Hemos analizado uno de los procesos ms simples en una dimensin: la caminata aleatoria
(random walk). Hemos visto tambin que el lmite de las distribuciones de probabilidad discretas
puede llevarse al continuo por medio de un lmite adecuado en el tamao de los pasos espacial
y temporal. Las escalas entre ambos pasos estn vinculadas de una manera particular para
que en el lmite obtengamos una distribucin de probabilidad no trivial. Concretamente, hemos
h debe ser del orden de k , donde k es el paso temporal y h el espacial. Si elegimos
h = k (D = 1/2), en el lmite podemos generar un proceso continuo, o una familia de variables
2
aleatorias reales Wt , indexadas por el tiempo t, que tiene las siguientes propiedades:
visto que
2 Como es costumbre en estadstica, utilizaremos letras maysculas para indicar a las variables aleatorias y
minsculas para indicar un valor particular de las mismas.
25
1.
W0 = 0.
2.
Wt
3. Si
es una variable aleatoria con distribucin normal,
t > s, Wt Ws
Ws
es independiente de
Wt
Wt y Ws
N (0, t).
y tiene distribucin
N (0, t s). Importante:
Ws , sino que el incremento
Esta propiedad no nos dice que
sea independiente de
Wt Ws
tienen correlacin no nula. Para jar estas ideas es
lo es. Las variables
mejor tener en mente el mecanismo de construccin del proceso.
Las propiedades 1-3 pueden obtenerse a partir de los procesos discretos de caminata aleatoria
que hemos de nido en el apartado anterior. Escribamos nuevamente al proceso discreto como
suma de variables aleatorias independientes, de tipo Bernouilli:
XN =
N
X
kBn ,
n=1
donde
k := t/N
es el paso temporal y
que pueden tomar los valores
Bn , 1 n N
con probabilidad
son variables aleatorias
1/2
independientes
respectivamente. La media de
XN
N y su varianza es la suma de las varianzas de cada incremento, es decir
V [XN ] = N V [ kB1 ] = N k = t. Cuando N (dejando a t constante, con k 0), la variable
Wt := lmN XN es una suma independiente de variables equidistribuidas y el
teorema de
t). Ntese
Laplace-De Moivre (cf. (15)) nos dice que Wt tiene una distribucin normal N (0,
es cero para todo
variables normales
que el mismo lmite puede obtenerse sumando
cada paso en lugar de las
Bn
discretas. Supongamos que
Zn
adecuadamente escaladas en
son variables normales de media 0
y varianza 1, y construimos el proceso (ahora con una distribucin continua de posibles valores
de la posicin, pero con valores temporales discretos)
XN =
N
X
dist
kZn
Zn = N (0, 1) .
n=1
Es fcil mostrar que la suma de variables normales independientes sigue siendo normal, con
media igual a la suma de las medias respectivas y varianza igual a la suma de las varianzas
respectivas. En este caso,
todo
XN
tendr una distribucin normal de media cero y varianza
para
N ! La misma distribucin lmite puede obtenerse con la suma de variables independientes,
idnticamente distribuidas y con varianza nita. Este resultado es conocido como
tral del lmite.
teorema cen-
Para ver la propiedad nmero 3 del proceso tenemos que tener en cuenta que los incrementos
a partir de un valor de tiempo
Wt
modo que la variable
son todos independientes del valor del proceso a tiempo
Dado que todas las pruebas
Wt Ws
de
puede escribirse como:
Wt = Ws + lm
tenemos que
s,
Bn
N
X
k = (t s)/N .
kBn ,
n=1
posteriores al tiempo
es independiente de
Ws
son independientes de la variable
Ws ,
y que su distribucin es normal con media cero.
Este proceso bsico, que hemos estudiado desde distintos puntos de vista, tiene el nombre
de
proceso de Wiener,
y es fundamental para la construccin de otros procesos en distintas
disciplinas (fsica, qumica, biologa, nanzas, etc.) El incremento de
est dado por
Wt := Wt+t Wt =
tZt ,
26
dist
Wt en un intervalo [t, t+t]
Zt = N (0, 1) .
Podemos escribir, para
t 0:
dWt =
dtZt .
(16)
Una aclaracin sobre el uso de subndices en (16). El incremento in nitesimal del proceso
Wt se obtiene realizando una muestra de una variable normal independiente del valor actual de
Wt , multiplicada por la raz del incremento in nitesimal dt. El subndice en Zt se utiliza para
indicar que la prueba aleatoria debe realizarse en tiempo t y que esta prueba es independiente
de las que deban realizarse para calcular incrementos en otros valores de tiempo. Como variables
aleatorias son idnticas (estn idnticamente distribuidas) pero es importante comprender que
la in nidad de pruebas de las variables
Zt
que deben hacerse para construir el proceso
Wt
son
todas independientes. Dicho de otro modo y salvando las diferencias, es como si tuviramos que
arrojar una moneda en cada instante de tiempo para calcular una muestra de la evolucin del
proceso. Como veremos a continuacin, esto es equivalente a de nir una medida de probabilidad
en un espacio de caminos continuos.
3.2. La medida de Wiener
En el apartado anterior hemos de nido el proceso de Wiener como el lmite de una suma de
variables aleatorias de un modo parecido al que utilizamos para integrar una funcin continua:
Sumamos una gran cantidad de variables de varianza pequea. Conocemos la distribucin
lmite de estas variables, pero no sabemos si les corresponde algn espacio de probabilidad,
con una
-lgebra
de conjuntos medibles bien de nida. Veamos en primer lugar que el mismo
proceso de construccin, y la escala utilizada para aadir las pruebas independientes, hacen que
una muestra del proceso de Wiener sea una funcin continua (en un sentido probabilstico).
Calculemos la siguiente probabilidad:
Por otra
x2
1
e 2t dx
P (|Wt+t Wt | > ) = P (| tZt | > ) =
2t |x|>
parte, para / t > 1:
Z
x
2t
e
|x|>
dx = 2
x
2t
dx 2
x
2 t
e 2 t
dx =
t
De modo que:
P (|Wt+t Wt | > ) = o((t)n ) n 0, t 0 ,
donde la ultima igualdad se obtiene teniendo en cuenta que
(17)
lmu un eu = 0 para todo n > 0.
No debemos confundir (17) con la nocin de regularidad de una funcin en el sentido usual. Si
bien esta relacin nos dice que la probabilidad de dar un salto es de un orden arbitrariamente
pequeo respecto de
t, esto no implica regularidad alguna. Es decir, puede haber una muestra
lmite (que tendramos que de nir con precisin) que sea discontinua, ya que en principio
cualquier gr ca se podra obtener al sumar la in nidad de variables independientes. La nocin
de la regularidad de estas muestras no tiene sentido hasta que no de namos un ambiente natural
en el que deben vivir los procesos lmite y le asignemos una medida de probabilidad. En ese caso
podramos intentar demostrar una a rmacin del tipo: el conjunto de funciones discontinuas
tiene medida cero, o el conjunto de funciones diferenciables tiene medida cero.
Construccin de la medida de Wiener. El proceso de construccin de la medida se basa
en el hecho de que la familia de variables
Wt
est incluida de forma natural dentro del conjunto
de funciones reales de nidas en la semirrecta real positiva. Es decir, una
lmite es como asignar un valor real a cada
t > 0,
bera ser el conjunto enorme de las funciones reales de nidas en
27
muestra
del proceso
y en ese sentido nuestro espacio muestral de-
[0, +). Sin embargo, teniendo
en cuenta (17) es posible restringirse al conjunto
tales que
(0) = 03 .
de funciones continuas
: [0, +) 7 R,
De hecho, N. Wiener asumi la continuidad como un postulado ms en su
trabajo original.
Imaginemos ahora que, dada una muestra
valor de la funcin continua
en
la variable
Wt : 7 R
nos devuelve el
t:
Wt () = (t) .
La distribucin de probabilidad de
Wt
nos permite calcular la probabilidad de encontrar a la
variable en un intervalo real determinado. Esta
medida para unos subconjuntos de
P (a Wt b) = medida
distribucin marginal
nos permitira de nir la
muy particulares:
de los
que pasan por el intervalo
[a, b]
en
t.
El conjunto
C[a,b];t := { : a (t) b}
se llama
conjunto cilndrico o ventana y su medida de probabilidad la de nimos entonces como:
x2
P C[a,b];t :=
e 2t
,
(x, t) :=
2t
(x, t)dx ,
a
t y media cero.
C[a1 ,b1 ];t1 y C[a2 ,b2 ];t2 debemos
tener en cuenta la distribucin conjunta de las variables Wt1 y Wt2 (t1 < t2 ) caracterizada por
la independencia del incremento Wt1 := Wt2 Wt1 respecto de Wt1 . La probabilidad que
queremos medir es la de las funciones continuas que pasan en t1 por un intervalo [a1 , b1 ] y en
t2 por un intervalo [a2 , b2 ]. Para ello notemos que:
Z b1 Z b2
P (a1 Wt1 b1 , a2 Wt2 b2 ) =
p(x1 , t1 ; x2 , t2 )dx1 dx2
(1) a1
a2
Z b2
Z b1 Z b2
Z b1
=
p(x2 , t2 |x1 , t1 )p(x1 , t1 )dx1 dx2 =
p(x1 , t1 )
p(x2 , t2 |x1 , t1 )dx2 dx1
esto es, usando la distribucin de la variable
Wt ,
(18)
que es normal de varianza
Para de nir la probabilidad de la interseccin de dos ventanas
a1
a2
a1
a2
donde en la igualdad (1) usamos la densidad de la distribucin conjunta
p(x1 , t1 ; x2 , t2 )dx1 dx2 := P (x1 Wt1 x1 + dx1 , x2 Wt2 x2 + dx2 ) .
La independencia de los incrementos nos dice que
p(x2 , t2 |x1 , t1 )dx2 = P (x2 Wt2 x2 + dx2 |Wt1 = x1 )
= P (x2 x1 Wt2 t1 x2 x1 + dx2 )
= (x2 x1 , t2 t1 ) ,
donde
Wt2 t1 := Wt2 Wt1 .
(19)
Finalmente:
b1
P C[a1 ,b1 ];t1 C[a2 ,b2 ];t2 :=
Z
b2
(x2 x1 , t2 t1 )dx2 dx1 .
(x1 , t1 )
a1
a2
Habiendo de nido la probabilidad de la interseccin de eventos elementales, tenemos entonces de nida la de la unin:
P C[a1 ,b1 ];t1 C[a2 ,b2 ];t2 = P C[a1 ,b1 ];t1 + P C[a2 ,b2 ];t2 P C[a1 ,b1 ];t1 C[a2 ,b2 ];t2 .
3 La demostracin de esta a rmacin nos llevara un poco lejos a cuestiones tcnicas de teora de la medida.
Vase [2].
28
Esto nos permite de nir una medida en el lgebra generada por los conjuntos cilndricos
F0
(uniones e intersecciones nitas de estos conjuntos). A partir de aqu podemos de nir la sigma
lgebra
como la mnima que contiene a
F0
y la medida se extiende en forma continua a todos
ellos. No entraremos en los detalles tcnicos para mostrar que la medida est bien de nida,
vase [2] o [5].
La de nicin de esta medida, debida a Norbert Wiener, nos permite integrar funcionales
de nidos en
(si probamos previamente que el funcional es medible...). Podemos interpretar,
dado un funcional
F(),
a su integral
Z
F()dP
como el valor esperado del funcional
F()dW
notacin
F cuando
recorre las funciones continuas en un intervalo
dado.
Ejemplo (Chorin-Hald) Dado T > 0, consideremos el funcional
F() := (T )2 .
En este caso
(x, T ) x2 dx = T ,
x P ( : x (T ) < x + dx) =
F()dW =
que es la varianza del proceso de Wiener en tiempo
T.
4. Interpretacin estocstica de esquemas numricos para
EDP'S.
4.1. La ecuacin del calor: solucin numrica.
En la seccin 4.1 identi camos una ecuacin de difusin como la ecuacin consistente con el
esquema en diferencias para las funciones de densidad
uh,k
(11). En el apndice A mostramos
que esta ecuacin tiene una solucin explcita bien de nida con una condicin inicial de tipo
delta de Dirac. En este apartado veremos que los valores de
valores en los nodos de un
esquema numrico convergente
cierra el mtodo iniciado con la ecuacin en diferencias para
uh,k
pueden interpretarse como
para la ecuacin del calor. Esto
w(m, N )
y nos aporta una nueva
interpretacin estocstica de la solucin de la ecuacin en derivadas parciales.
Consideramos como punto de partida a la ecuacin del calor (13), con un coe ciente de
difusin
D > 0,
y un mallado espacial de paso
h,
k . Aproximamos
para t > 0:
y temporal de paso
trminos de la ecuacin diferencial utilizando el desarrollo de Taylor
u(x, t + k) u(x, t)
u
(x, t) =
+ O(k)
t
k
2u
u(x + h, t) 2u(x, t) + u(x h, t)
(x, t) =
+ O(h2 )
2
x
h2
El
error de truncatura local
n
m
viene dado por:
n
un 2unm + unm1
un+1
m um
=
D m+1
k
h2
2
= O(k + h ) ,
29
u
2u
(mh, nk) D 2 (mh, nk)
t
x
los
donde
unm = u(mh, nk) (esto
es vlido para cualquier funcin suave sobre la malla, no necesarin
m
0 para h, k 0
se denomina
en anlisis numrico.
n
De namos entonces Um como la solucin del siguiente problema discreto (m Z, n N0 ):
amente tiene que ser la solucin de la ecuacin del calor!). La propiedad
consistencia
n
n
n
n+1
n
+ Um1
2Um
Um+1
Um
Um
=D
,
k
h2
0
Um
= u0 (mh) ,
o puesto en forma explcita:
n+1
n
n
n
Um
= Um
(1 2) + Um+1
+ Um1
;
0
Um
= u0 (mh) ,
(20)
Dk
0
. A partir del dato inicial Um , podemos calcular los niveles temporales sucesivos
h2
por medio de la frmula explcita (20). Ntese que para = 1/2 nos queda exactamente el mismo
donde
:=
w(m, N ). Independientemente
n
n
n
de esto, veamos la convergencia del esquema numrico discreto. Sea em = um Um . La ecuacin
en diferencias para e viene dada por:
n
en+1
= enm (1 2) + enm+1 + enm1 + km
, e0m = 0.
m
esquema que el deducido para la funcin de probabilidad discreta
Intentamos comparar el error del paso temporal
n+1
con el del paso
n-simo.
Si tomamos el
error mximo para cada nivel de tiempo obtenemos:
en := mx(|enm |) ,
m
y de niendo
n = mx|m,n |;
m
Si
1 2 0
= mx n .
n
1
) tenemos la siguiente acotacin:
2
en+1 en + k en1 + 2k e0 + (n + 1)k .
e0 = 0 y que nos interesa estudiar la convergencia del esquema para un
instante de tiempo nito (ie. nk = t, n , h 0), tenemos que el esquema es convergente
para 1/2. En el caso lmite = 1/2, como mencionamos anteriormente, el esquema discre-
Teniendo en cuenta que
to coincide con el de las probabilidades para un camino aleatorio unidimensional y podemos
reinterpretar el resultado en trminos estadsticos.
Realicemos algunas iteraciones hacia atrs del esquema discreto (20) para
= 1/2:
1 n1
n1
Um1 + Um+1
2
1 n2
n2
n2
=
Um2 + 2Um
+ Um+2
4
n
Um
=
1
multiplica a todos los trminos, donde j es
2j
el nmero de iteraciones realizadas. Los coe cientes que acompaan a cada uno de los valores
n2
Um
corresponden al nmero de caminos que pueden realizarse dando dos pasos temporales,
n
para llegar a Um (vase la gura).
Ya en estas dos iteraciones podemos observar que
esqnumerico.eps
30
Desde la posicin
(m + 1, n 2)
no puede accederse a
(m, n)
en slo dos pasos y por lo
tanto le corresponde un cero en el coe ciente. A medida que seguimos iterando, el nmero de
j
caminos partido por 2 no es otra cosa que la probabilidad de llegar al punto (i, n j) desde
la posicin
(m, n) cuando realizamos una caminata aleatoria con probabilidad 1/2 de ir hacia
cualquiera de los costados. De este modo podemos escribir
X
n
=
Um
w(i m, n) Ui0 .
(21)
i
Esta ecuacin nos permite interpretar a
n
Um
como el
valor esperado
de los valores iniciales
Ui0
sobre el espacio de probabilidad de los caminos que unen el punto (m, n) con la recta del nivel
0
incial. Utilizando la frmula asinttica para w(m, n) (vase (5)), Ui = u(ih, 0), t = nk , x = mh,
y el hecho de que solamente la mitad de los puntos aportan al promedio, podemos escribir
Um,n
En este caso
k
h2
1X
=
2 i
2
2 k k(ihx)
e 2h2 t u(ih, 0)h .
t h
1
y obtenemos
2D
X (ihx)2
1
e 4Dt u(ih, 0)h ,
Ux/h,t/k =
2 Dt i
y utilizando el resultado de convergencia numrica para
1
u(x, t) =
2 Dt
h, k 0:
(yx)2
4Dt
u(y, 0)dy ,
donde recuperamos la expresin calculada mediante la transformada de Fourier en A, pero con
(yx)2
e 4Dt
dy , es una medida sobre la recta, para cada x, t
2 Dt
jos y la solucin de la ecuacin del calor es el
del dato inicial con respecto a
una nueva interpretacin: La funcin
esta densidad de probabilidad para cada
hacia atrs.
valor esperado
x, t.
Ntese que ahora estamos
mirando el problema
Es decir, asignamos una densidad de probabilidad en el nivel de tiempo inicial
recorriendo hacia atrs los caminos que salen de
(x, t)
y llegan al nivel inicial.
Por otra parte, teniendo en cuenta que la variable aleatoria es el proceso de Wiener a tiempo
t,
podemos interpretar el resultado anterior como el siguiente valor esperado:
u(x, t) = E [u0 (x + Wt )] ,
donde
es el valor esperado de la variable aleatoria
Wt
de nida en el conjunto de caminos
continuos que salen del origen y la integracin se realiza respecto de la medida de Wiener.
4.2. La ecuacin del calor con una fuente
Consideremos el siguiente problema de valor inicial (caso en que
1 2u
u
=
+ (x) ,
t
2 x2
D = 1/2)
u(x, 0) = (x)
(22)
Aproximemos la ecuacin por el esquema explcito en diferencias:
n+1
n
n
= U nm+1 + (1 2)Um
+ Um1
+ km
Um
31
:=
1 k
.
2 h2
n
enm := Um
unm
n
n
n
n
= enm+1 + (1 2) enm + enm1 un+1
m um + um+1 2um + um1 + km
Mostremos la convergencia del esquema, sea
en+1
m
Donde, al ser vlida la consistencia del mtodo
u
k + o(k)
t
n
un+1
m um =
k 2u
unm+1 2unm + unm1 =
+ k oh (1) (oh 0, h 0)
2 x2
De este modo
un+1
m
unm
unm+1
2unm
unm1
u 1 2 u
+
k + o(k) + koh (1)
=
t
2 x2
= km + o(k) + koh (1)
Obtenemos entonces:
en+1
= enm+1 + (1 2) enm + enm1 + o(k) + koh (1)
m
Si
1/2
obtenemos la acotacin, de niendo
en = maxm |enm |:
en+1 en + o(k) e0 + (n + 1)(o(k) + koh (1))
h, k 0
De modo que el esquema es convergente para
Elegimos ahora
= 1/2
con
1/2,
es decir
k h2 .
y escribimos algunos pasos del mtodo numrico
1 n1
1 n1
n
+ Um1
+ km
Um
= U
2 m+1 2
1
1 n2
1
n2
n2
=
Um+2 + 2Um
+ Um2
+ km+1 + km1 + km
4
2
2
n2
= E Um+X2 + kE [(xm + hX1 )] + kE [(xm + hX0 )]
donde
Xn =
n
X
Bi ,
X0 = 0
(23)
i=1
es una caminata aleatoria con pruebas independientes dadas por:
(
1
Bi =
1
y
E[]
con probabilidad
con probabilidad
1/2
1/2
representa el valor esperado de la variable aleatoria correspondiente. Si seguimos este
esquema hasta el nivel de tiempo inicial, podemos escribir
n
Um
= E [(xm + hXn )] +
n
X
kE [(xm + hXi )]
i=1
h, k 0 con h2 /k = 1, podemos escribir
Z
Z t Z
u(x, t) = dW (x + Wt ()) +
ds dW (x + Ws ())
0
Z t
= E (x + Wt ) +
(x + Ws ) ds
tomando lmite para
(24)
0
donde, como antes, la integral se realiza en el espacio de caminos continuos de nidos en el
intervalo
[0, t]
respecto de la medida de Wiener. Esta representacin es otro caso simple de la
frmula de Feynman-Kac.
32
Veri cacin
La ecuacin con fuente puede resolverse formalmente sumando una solucin particular con
valor inicial cero y una solucin de la ecuacin homognea (
0). La solucin particular viene
dada por la expresin:
up (x, t) =
(ts) 2
e 2 x2 (x) ds
0
Z t Z +
0
0
=
(x x , t s)(x) dx ds
0
Z t Z +
(h, )(x + h) dh d
=
h=x0 x, =ts 0
Z t
E[(x + W )] d
=
0
Tenemos entonces la misma expresin que antes.
4.3. La ecuacin del calor con potencial
Consideremos ahora la ecuacin
u
1 2u
=
+ V (x)u
t
2 x2
donde
representa un
potencial
u(x, 0) = (x)
que asumiremos acotado, esto es
(25)
|V (x)| M .
Proponemos la discretizacin numrica
n
n
n
n
n+1
2Um
+ Um1
Um
Um
1 Um+1
1 n
n
=
+
U
V
+
U
V
m+1
m1
m+1
m1
k
2
h2
2
(26)
El esquema del lado derecho est elegido especialmente para conseguir una interpretacin estocstica ms directa. Reescribimos la relacin en la forma
n+1
Um
=
k
k
n
n
n
+ Vm+1 Um+1 + (1 2) Um + + Vm1 Um1
2
2
(27)
Veamos que el trmino nuevo en (26) no destruye la consistencia del mtodo numrico:
1
1 n
u
V
n
n
u
Vm+1 + um1 Vm1 =
um + h
+ o(h)
Vm +
h + o(h) +
2 m+1
2
x
x
1
u
V
n
um h
+ o(h)
Vm
h + o(h)
2
x
x
= unm Vm + o(h)
La convergencia del esquema puede mostrarse siguiendo pasos anlogos a los de la ecuacin
del calor con una fuente.
en+1
m
=
k
k
n
n
+ Vm+1 em+1 + (1 2)em + + Vm1 enm1 + o(k) + koh (1)
2
2
33
Podemos acotar asumiendo que
1/2
y que
kM 2,
as garantizamos que los parntesis
sean positivos:
en+1 (1 + kM ) en + o(k) + koh (1)
(1 + kM )2 en1 + (1 + kM ) (o(k) + koh (1)) + (o(k) + koh (1))
1 (1 + kM )n+1
n+1 0
. . . (1 + kM )
e +
(o(k) + koh (1))
1 (1 + kM )
(1 + kM )n+1 1
eM t 1
=
(ok (1) + oh (1))
(ok (1) + oh (1)) .
M
M
Donde vemos que el algoritmo es convergente para
Elegimos ahora
= 1/2
h, k 0.
y obtenemos el esquema
1 n1
1 n1
n
= Um+1
(1 + kVm+1 ) + Um1
(1 + kVm1 )
Um
2
2
Escribamos
ekVj = 1 + kVj + o(k)
de modo que el algoritmo nos queda
1 n1 kVm+1 1 n1 kVm1
n
Um
= Um+1
e
+ Um1 e
+ o(k)
2
2
donde
o(k)
est uniformemente acotado con
|V | M .
Una iteracin ms del algoritmo nos da la expresin:
n
Um
=
kVm1
kVm+1 1 n2 kVm
1 n2 kVm+2
n2 kVm2
n2 kVm
Um+2 e
Um e
+ Um2
+ Um
e
e
e
e
+ o(k)
+
4
4
1 n2 kVm1 +kVm2
1 n2 kVm+1 +kVm+2 1 n2 kVm+1 +kVm
e
e
+ Um e
+ ekVm1 +kVm + Um2
+ 2o(k)
= Um+2
4
4
4
Esto lo escribimos ahora en una notacin ms sugerente:
n
Um
=
caminos
caminos
P2
1 n2
i=1 kVm+Xi () + 2o(k)
U
e
m+X
()
2
22
Pn
1 0
i=1 kVm+Xi () + no(k)
U
e
m+X
()
n
n
2
Rt
k0
donde
Xi ,
(xm + Wt ()) e
V (xm +Ws ())ds
dW
es la caminata aleatoria discreta de nida en (23) y denotamos con
a los caminos
discretos de esta variable.
Utilizando el resultado de convergencia obtenemos la frmula de Feynman-Kac para la
solucin de la ecuacin del calor con potencial:
Rt
Z
u(x, t) =
(x + Wt ()) e
34
V (x+Ws ())ds
dW
(28)
Observacin
Vamos a interpretar el lado derecho de la frmula (28). Suponiendo la existencia de una
solucin
u de (25), construimos el siguiente proceso estocstico basado en el proceso de Wiener
Rs
s = u(x + Ws , t s) e
Para
s=0
la variable
V (x+W )d
es determinista (esto es, toma un nico valor con probabilidad 1) que
viene dado por
0 = u(x, t) .
Si dejamos evolucionar a
hasta
s=t
Rt
t = u(x + Wt , 0) e
tenemos que
V (x+W )d
Rt
= (x + Wt ) e
V (x+W )d
Tomando ahora valor esperado sobre los caminos continuos obtenemos la expresin
Rt
E[t ] = E[(x + Wt ) e
V (x+W )d
Si queremos que esta frmula represente a la solucin de (25), esto debe coindidir con
u(x, t) = 0 .
Es decir que
E[t ] = 0
t > 0 .
Una forma de veri car esto es calcular la siguiente derivada
Rs
d
E[u(x + Ws , t s) e 0 V (x+W )d ]
ds
y comprobar que es cero para todo valor de
s. En ese caso, la solucin coincidir con la frmula
de Feynman-Kac para la ecuacin con potencial.
5. Introduccin
Los conocimientos bsicos de Teora de las Probabilidades necesarios para seguir el curso
pueden encontrarse en el captulo 2 del libro [Evans]. Dicho texto tambin proporciona un
enfoque complementario sobre algunos de los temas expuestos en estas notas.
En la seccin primera recapitulemos brevemente algunos de los conceptos vistos en la parte
primera del curso. A continuacin, en la seccin segunda describiremos con detalle la construccin de la medida de Wiener y del movimiento Browniano.
6. Construccin de una caminata aleatoria in nitesimal
Hemos considerado el movimiento de una partcula que describe una
la recta real
R.
La posicin
Xn
de la partcula tras
nN
caminata aleatoria
en
pasos temporales viene regida por
las siguientes leyes:
1. En el instante inicial la partcula se encuentra en el origen:
X0 = 0.
h > 0,
n N,
2. A cada paso temporal, la partcula se mueve una distancia
izquierda con probabilidad
1/2.
En otras palabras, para
Xn = Xn1 + hBn ,
donde
Bn
ja, a la derecha o a la
(29)
es una variable aleatoria tal que
P (Bn = 1) = P (Bn = 1) = 1/2.
35
(30)
3. El incremento de la posicin de la partcula en un paso de tiempo
los incrementos correspondientes a los pasos
aleatorias
Bn , n N,
1, ..., n 1.
es independiente de
Ms precisamente, las variables
son independientes dos a dos.
El problema principal al que hemos dedicado el primer captulo del curso fue el de construir
una ley de propagacin
Wt ,
t [0, ),
de nida para instantes de tiempo
in nitesimal, de la caminata aleatoria. Con ello queremos decir:
(i) para cada instante
t>0
que fuera una versin
la partcula se desplaza hacia la derecha o la izquierda de forma
aleatoria.
Wt+h Wt a
t es independiente del recorrido previo de la partcula Ws para s t.
(ii) al igual que ocurre con la caminata aleatoria, el incremento de la posicin
partir de un instante
Dicho problema fue contemplado originalmente por Albert Einstein (1905) en su intento
formular una teora cuantitativa que describiera las observaciones realizadas, entre otros, por el
botnico Robert Brown (alrededor de 1827) sobre el movimiento, aparentemente catico, que
describen pequeas partculas de polen en suspensin sobre un lquido.
4 Debido a considera-
ciones fsicas las partculas no saltan instanneamente de una posicin a otra requeriremos
tambin que el proceso
(iii) los caminos
(Wt )t0
Para construir
N N
Wt
Wt
satisfaga:
son continuos.
hicimos lo siguiente. Fijado
t [0, )
dividimos el intervalo
[0, t]
en
partes iguales; escribirmos
k := t/N,
y, para
n = 0, ..., N ,
k
Wnk
:= Xn ,
Wt como el lmite, cuando k 0+ ,
Wtk de la partcula es cero:
E Wtk = 0.
con la intencin de de nir
En media, la posicin
de los
Wtk = WNk k .
No obstante, su desplazamiento cuadrtico medio es:
E
As pues, si hacemos tender
2
Wtk
h2
= h N = t.
k
2
(31)
a cero sin ms, obtenemos que dicho desplazamiento converge a
in nito. Si pretendemos obtener un lmite no trivial, hemos de reescalar tambien el parmetro
2
espacial h. Si hiciramos tender h a cero de modo que h /k 0 la identitad (31) sugiere
que el proceso lmite obtenido es determinista, en el sentido de que la partcula permanece
inde nidamente en su posicin inicial
2
Si elegimos h de modo que h /k
W0 = 0.
2D > 0
entonces el teorema de Laplace-de Moivre
garantiza que:
lm + P A
h,k0
h2 /k2D
Wtk
1
B =
4Dt
media cero y desviacin tpica
2Dt.
(32)
Por tanto, la ley de probabilidad de un eventual proceso lmite
x2
e 4Dt dx.
Lo hecho hasta ahora
Wt
ha de ser una normal de
no prueba
an la existencia del
4 Un comentario ms detallado de los aspectos histricos del decubrimiento del movimiento Browniano puede
encontrarse en el libro [Nelson67].
36
Wt . Simplemente
a rmar que, de existir Wt , ste ha de estar distribuido
permite
2Dt .
segn una ley normal N 0;
Para obtener la ley de Wt nos hemos servido de una caminata aleatoria cuyos incrementos
proceso lmite
estn distribuidos segn una ley muy particular (30). Es natural preguntarse si el resultado
nal (32) depende de esta circunstancia. Dicho de otro modo: tomemos incrementos
Bn
in-
dependientes e idnticamente distribuidos no necesariamente segn (30) y formemos la
k
correspondiente caminata aleatoria (29); puede el lmite de los nuevos Wt seguir una ley que
no sea normal? La respuesta a esta pregunta es negativa, y se conoce como
del Lmite.
Teorema 6.1
(Teorema Central del Lmite)
Sean
dientes, idnticamente distribuidas, con media cero
Entonces, para todos los reales
lm P
a<b
Teorema Central
Bn , n N, variables aleatorias indepenE [Bn ] = 0 y varianza nita E [Bn2 ] = 2 .
se tiene
B1 + ... + Bn
b
a
n
=
1
2 2
x2
e 22 dx.
Vemos por tanto que la distribucin normal aparece de forma natural como la nica distribucin posible para el proceso lmite
suele decir que el
Wt
es un
Wt ; dicho fenmeno se comoce como universalidad
objeto universal. Vimos tambin en el captulo 3 de la primera parte,
procediendo de forma anloga, que para
de ser independiente de
y se
si
t>s0
Wt Ws
necesariamente el incremento
y ha de tener una distribucin
N 0; t s
ha
7. El movimiento Browniano y la medida de Wiener
Lo hecho hasta ahora nos conduce a introducir la siguiente de nicin.
De nicin 7.1.
Una familia de variables aleatorias reales
5
espacio de probabilidad
(, P)
es un
proceso de
Wiener 6 o
Wt , t [0, ),
de nidas sobre un
movimiento Browniano 7
estndar
si cumple las siguientes condiciones:
B1. W0 = 0.
B2. Dados 0 t1 t2 ... tn
los incrementos
Wtn Wtn1 ,
Wtn1 Wtn2 ,
... Wt2 Wt1
son independientes.
B3.Para
N 0; h .
todos
t 0
h > 0,
el incremento
Wt+h Wt
tiene una distribucin normal
B4. Para casi todo se tiene que t 7 Wt () es una aplicacin continua.
Esta de nicin es un poco distinta de la que dimos en el captulo 3 de la primera parte de
las notas. Recurdese la notacin:
(x, t) :=
1 x2
e 2t ,
2t
para
t > 0.
Escribiremos tambin:
(x, 0) := 0 (x) ,
5 Salvo en los casos en que pueda haber ambigedad, no haremos referencia explcita a la sigma lgebra de
sobre que la que de nimos la probabilidad
P.
6 Esta es la terminologa preferida por los fsicos.
7 Es el trmino ms utilizado en la literatura matemtica.
37
siendo
la medida de Dirac centrada en el orginen
distribucin de
W0
es precisamente
0 .8
x = 0.
La condicin B1 expresa que la
La hiptesis B2 puede parecer un poco extraa en un primer contacto. Claramente, implica
Wt+h Wt
que
Ws
es independiente de
para todos los
s t.
El hecho de introducir esta
condicin ms fuerte es que determina de forma nica la distribucin conjunta de las variables
Wt1 , Wt2
para cualquier eleccin de
... , Wtn
0 t1 t2 ... tn .
(33)
Dicha ley necesariamente es:
P (Wt1 A1 , Wt2 A2 , ...Wtn An )
Z
Z Z
...
(x1 , t1 ) (x2 x1 , t2 t1 ) ... (xn xn1 , tn tn1 ) dx1 ...dxn ,
=
A1
para
A2
A1 , ..., An R
(34)
An
Boreliamos.
9 En otras palabras, para toda funcin
: Rn R
medible, se
tiene
Z
(x1 , ..., xn ) (x1 , t1 ) ... (xn xn1 , tn tn1 ) dx1 ...dxn ,
E [ (Wt1 , ..., Wtn )] =
(35)
Rd
siendo
la esperanza tomada respecto a
P.
Es fcil demostrar que si un proceso veri ca que la ley conjunta de (33) viene dada por
(34) entonces automticamente se tiene B2 y B3.
Consideremos la siguiente condicin: B3'.
Para todos t 0 y h > 0, los incrementos
Wt+h Wt estn idnticamente distribuidos.
Puede demostrarse, utilizando el Teorema
Central del Lmite que B2, B3' y B4 implican B3. Los procesos que veri can B2 y B3' se
conocen como
procesos de Lvy.
A continuacin describimos cmo construir un espacio de probabilidad
movimiento Browniano
(, P)
dotado de un
Wt .
7.1. Sobre el espacio muestral
Supongamos por un momento que hemos construido un movimiento Browniano Wt en un
espacio de probabilidad (, P ); esto es, Wt satisface B1,...,B4. Cada de ne a travs del
movimiento Browniano un camino
[0, ) 3 t 7 Wt () .
Dicho de otro modo, un movimiento Browniano induce una aplicacin:
W : R[0,)
7 (Wt ())t[0,) ;
todas
[0,)
es conviente recordar que el producto cartesiano R
es por de nicin el conjunto de
las funciones de [0, ) en R. La aplicacin W
es Borel medible, puesto que cada una de sus
componentes Wt lo es. La probabilidad P induce, a travs de la aplicacin W , una medida
8 Para una funcin medible de R se tiene
(x) d0 (x) = (0).
R
9 Si t = 0 hay que interpretar en (34) la integral respecto a la medida
0 (x1 ).
38
(x1 , 0) dx1
como la integral respecto
de probabilidad
en los Borelianos de
R[0,)
E R[0,)
del siguiente modo: para
Boreliano,
ponemos
P (E) := P W E
= P : W () E .
P se suele llamar distribucin del proceso Wt . De hecho, P es la distribucin conjunta
[0,)
de todas las variables aleatorias Wt para t [0, ). Si F : R
R es medible entonces se
tiene
Z
Z
F W dP =
F () dP () .
(36)
La medida
R[0,)
Es sencillo demostrar el siguiente resutado.
Proposicin 7.2. Todos los movimientos Brownianos tienen la misma distribucin P. Ms an,
si
Wt : R[0,) R
Wt () := (t) entonces Wt
[0,)
probabilidad R
,P .
est de nida por
de nido sobre el espacio de
Vemos pues que existe una representacin
es un movimiento Browniano
cannica del movimiento Browniano. El problema
de su construccin es equivalente al de encontrar una medida de probabilidad sobre
la cual el proceso
R[0,)
para
Wt () := (t) es un movimiento Browniano. Dicha medida existe y se conoce
como la medida de Wiener. Describiremos a continuacin un modo de construirla. En lo sucesivo
utilizaremos el smbolo P exclusivamente para referirnos a la medida de Wiener y escribiremos,
[0,)
para R
, Wt () := (t).
De los axiomas B1,..., B4 de la de nicin del movimiento Browniano inferimos las siguientes
propiedades para la medida de Wiener
E R[0,)
... tn :
1. Si
P.
es una interseccin de ventanas elementales, esto es, para ciertos
E = C[a1 ,b1 ];t1 ... C[an ,bn ];tn
= R[0,) : aj (tj ) bj
para
j = 1, ..., n
0 t1
entonces, utilizando (34), deducimos:
b1
P (E) =
bn
(x1 , t1 ) ... (xn xn1 , tn tn1 ) dx1 ...dxn .
...
a1
2. La frmula anterior se puede generalizar del siguiente modo. Si
de la forma
(37)
an
es una funcin medible
F () = F ( (t1 ) , ..., (tn )) entonces, debido a (35) y (36):
Z
F ( (t1 ) , ..., (tn )) dP ()
R[0,)
Z
=
F (x1 , ..., xn ) (x1 , t1 ) ... (xn xn1 , tn tn1 ) dx1 ...dxn
(38)
Rn
3. Una consecuencia inmediata de (37) es que
R[0,) : (0) 6= 0 = 0.
4. La propiedad B4 de la de nicin de
Wt
es equivalente a a rmar:
P (C0 ([0, ) ; R)) = 1,
C0 ([0, ) ; R)
(0) = 0.
donde
que
denota el conjunto de los caminos continuos
La construccin que daremos de la medida
(39)
[0, )
en
tales
se basa en probar que la de nicin a travs
P a todos los Borelianos de R[0,) . El
de (38) permite extender de forma nica la medida
instrumento que permite esta extensin es el Teorema de Riesz-Markov.
39
de
7.2. El teorema de Riesz-Markov
El Teorema de Representacin de Riesz-Markov permite identi car ciertas medidas de
10 en un espacio topolgico
Borel
Cc (X),
con funcionales lineales de nidos sobre
el espa-
cio de las funciones continuas, a valores reales y con soporte compacto, de nidas sobre
separable y localmente compacto.
Teorema 7.3 (Riesz-Markov). Sea L una aplicacin lineal de Cc (X)
Supondremos que
esto es,
de
Lf 0
para
X.
es
f 0,
L:
entonces existe una nica medida
en
R.
Si
es positiva,
de nida sobre los borelianos
que representa a
Z
Lf =
f (x) d (x) ,
para toda
f Cc (X) .
(40)
X
La medida
veri ca adems que
(K)
es nita para todo compacto
K X.
La demostracin y varias de las aplicaciones de este resultado pueden leerse en [Rudin].
Hagamos algunas observaciones antes de proseguir.
L es positiva entonces es automticamente continua. Basta observar que, para f
Cc (X) con soporte en un compacto K X se tiene: |Lf | L |f | CK maxxX |f (x)|
con CK := L para Cc (X), con 0 e identicamente igual a uno sobre K .
1. Si
2. La medida
que veri ca (40) se de ne del siguiente modo. En primer lugar, para un
conjunto abierto
V X
ponemos:
(V ) := sup {L : Cc (X) ,
Una vez hecho esto, de nimos para
EX
0 1,
sop V } .
arbitrario:
(E) := nf { (V ) : V X
abierto y
E V }.
(41)
3. La expresin (41) no de ne una medida sobre todos los subconjuntos de
probar que
es una medida sobre los borelianos de
X.
De hecho,
X.
S es posible
puede de nirse sobre
A un poco mayor, que se forma aadiendo a los borelianos todos
E X con la propiedad de que E est contenido en un boreliano B con
una sigma lgebra
los conjuntos
(B) = 0.
4. Si
no es demasiado patolgico
11 entonces es posible demostrar que
(E) = sup { (K) : K
compacto y
adems veri ca:
K E} .
(42)
5. El Teorema de Riesz proporciona un modo de de nir la integral de Lebesgue en
d
partir de la de Riemann. Consideramos la aplicacin lineal sobre Cc R :
Rd
Z
Lf :=
f
Rd
donde la integral se intepreta en el sentido de Riemann. Claramente,
que el Teorema de Riesz garantiza la existencia de una medida
es positiva por lo
que satisface:
Z
f=
Rd
f (x) dm (x) ,
Rd
siendo la segunda integral la de nida mediante la teora de la medida. Esfcil probar que
m es precisamente la medida de Lebesgue sobre Rd .
10 Se llama
medida de Borel
sobre un espacio topolgico
generada por los conjuntos abiertos de
X.
a una medida de nida sobre la sigma lgebra
Los elementos de dicha sigma lgebra se denominan
11 No demasiado patolgico quiere decir aqu que todos los abiertos de
compactos.
40
Borelianos.
son unin numerable de conjuntos
6. Otra medida importante es la que resulta de evaluar en un punto. Tomemos
de namos
De nuevo
x0 X
Lx0 : Cc (X)
R
.
7 (x0 )
L x0
es lineal y positivo. Por tanto existe una medida
x0
con la propiedad:
Z
(x) dx0 (x) = (x0 ) .
X
Dicha medida se conoce como la
que
x0 (E) = 0
En el caso de
si
x0
/E
X = Rd
y que
masa de Dirac
centrada en
x0 .
Es inmediato comprobar
({x0 }) = 1.
Rd )
(o un abierto de
el teorema de representacin de Riesz puede
re narse notablemente.
Teorema 7.4
d
0
una distribucin positiva, esto es, que veri ca
Sea T D R
d
T () 0 para toda Cc R tal que 0. Entonces existe una medida , con las
mismas propiedades que en el Teorema 7.3 que veri ca:
(Schwartz)
Z
T () =
(x) d (x) .
Rd
La demostracin puede encontrarse, por ejemplo, en el altamente aconsejable [LiebLoss].
Vemos pues que, por el simple hecho de ser positiva, T puede extenderse de Cc
Rd a todas
las funciones Borel medibles de soporte compacto.
7.3. La construccin de la medida de Wiener
La construccin que daremos es debida a E. Nelson [Nelson64]. Probaremos en esta seccin
el siguiente resultado.
Proposicin 7.5.
[0,)
sobre los Borelianos de R
que satisface (37), (38).
[0,)
Como consecuencia de esto, el proceso en R
, P de nido por Wt () := (t) cumple la
Existe una medida
propiedades B1, B2 y B3.
La idea que seguiremos es la de de nir un funcional
L que se comporte como (38) sobre fun[0,)
ciones que dependen de un nmero nito de coordenadas. Ms concretamente, si F : R
R
es de la forma
F () = F ( (t1 ) , ..., (tn )) ,
para ciertos
0 t1 ... tn ,
(43)
entonces de nimos, basndonos en (38),
Z
L (F ) :=
Z
F (x1 , ..., xn ) (x1 , t1 ) ... (xn xn1 , tn tn1 ) dx1 ...dxn .
...
R
(44)
Se nos presentan dos grandes di culdas para aplicar el Teorema 7.3 en este contexto.
Si X es in nito dimensional entonces no es localmente compacto por ejemplo, C ([0, ) ; R),
RN o un espacio de Hilbert de dimensin in nita no son localmente compactos. Ms precisamente, es fcil probar que un producto de espacios localmente compactos es localmente compacto si y slo si todos los factores, salvo eventualmente un nmero nito, son
compactos.
Lo que es ms importante, una funcin continua de la forma (43) no pertenece a
41
Cc R[0,)
Un modo de rodear estas di cultades es el siguiente. Denotemos por
de
de
R obtenida aadiendo un punto al in nito; es decir, R : = R {}
se de nen como los complementarios de los compactos de R.
la compacti cacin
y los entornos abiertos
El espacio producto
:= R [0,)
12 y contiene
R[0,) ;
Cc () = C (). Es en este marco
consta simplemente de los caminos de
R que pueden eventualmente
pasar por el in nito y que C := C () se puede identi car con las
[0,)
cuyas coordenadas tienen lmites nitos e idnticos en .
funciones de C R
Denotemos por C n al conjunto de las funciones F continuas de en R de la forma (43). En
otras palabras, C n es subconjunto de C := C () constituido por las funciones que dependen
nicamente de un nmero nito de variables. De nimos sobre C n un funcional L mediante la
formula (44). El funcional L est bien de nido, puesto que:
es automticamente compacto
ms an,
donde aplicaremos el teorema de Riesz. Obsrvese que
1. La integral que lo de ne es siempre nita. Ms an,
|L (F )|
sup |F ()| .
(45)
R[0,)
2. La de nicin (44) es consistente. Si
no depende de la coordenada tn claramente se tiene:
Z
F (x1 , ..., xn1 ) (x1 , t1 ) ... (xn xn1 , tn tn1 ) dx1 ...dxn
...
RZ
RZ
F (x1 , ..., xn1 ) (x1 , t1 ) ... (xn1 xn2 , tn1 tn2 ) dx1 ...dxn .
...
=
R
L es positivo sobre C n . El teorema de Stone-Weierstrass13 vase [Dugundji]
implica que C n es denso en C ; ello, junto con la estimacin (45) permite asegurar que L se
puede extender a un funcional lineal positivo sobre C .
Es evidente que
Estamos en condiciones de aplicar el teorema de Riesz-Markov y as obtener la existencia
L. Denotamos por P a la restriccin de dicha medida a R[0,) ;
de una medida que representa a
claramente
satisface (37). Queda por comprobar que tambin veri ca (39).
7.4. La continuidad de las trayectorias del movimiento Browniano
Concluiremos la demostracin de la existencia de la medida de Wiener probando:
Teorema 7.7
(Wiener)
Las trayectorias del movimiento Browniano son continuas con prob-
abilidad uno:
P (C0 ([0, ) ; R)) = 1.
12 Un producto eventualmente no numerable de espacios compactos es compacto. Este resultado se conoce
como el teorema de Tychonov. Vase [Dugundji] para una demostracin.
13 La extensin de M. Stone del resultado clsico de aproximacin de funciones continuas por polinomios de
K. Weiertrass reza as:
Teorema 7.6. Sea
D C (X) un conjunto de contiene una funcin constante no
x, y X con x 6= y existe f D tal que f (x) 6= f (y). Entonces el
generada por D es densa en C (X).
un espacio topolgico y
nula y que separa puntos esto es, dados
lgebra respecto ala suma y el producto
42
Sea
Z
(x, t) dt;
(, ) := sup
0<t
|x|>
claramente
(, ) = o ()
cuando
0.
Vamos a acotar la probabilidad de que un camino tenga una variacin de tamao mayor que
en funcin de . En todo lo que sigue, supondremos implcitamente
considerados ver can (0) = 0.
en un intervalo de longitud
que todos los caminos
Lema 7.8.
Sean
, > 0
0 t1 ... tn
tales que
E := { : | (ti ) (tj )| > 2
Entonces
P (E) 2
tn t1 < .
para ciertos
2
Consideremos el conjunto
i, j = 1, ..., n} .
, .
Demostracin. Basta probar que
P (A) 2
2
, ,
siendo
A := { : | (t1 ) (tj )| >
puesto que
para algn
j = 2, ..., n} ,
E A.
Vamos a descomponer
en distintas partes y estimar cada una de ellas. Sean
B := { : | (t1 ) (tn )| > /2} ,
Cj := { : | (tj ) (tn )| > /2} ,
Dj = { : | (t1 ) (tj )| >
| (t1 ) (tk )|
para
k j} .
Entonces se tiene:
ABC
siendo
C :=
A existe
Cj0 . As,
Esto es debido a que, dado
entonces necesariamente
[n
j=2
(Cj Dj ) .
un ndice menor
j0
para el cual
Dj0 .
Si
/ B
P (A) P (B) + P (C)
, + P (C) .
2
Ahora bien, visto que los incrementos
(tn ) (tj )
son independientes, tenemos
P (Cj Dj ) = P (Cj ) P (Dj )
, P (Dj ) .
2
Finalmente, como los
Dj
son disjuntos, se concluye la demostracin.
A partir de aqu la prueba del teorema es tcnica. Comencemos extendiendo el resultado a
un intervalo continuo de tiempos.
43
Lema 7.9.
Sea ahora, para
0a<b
ba
con
E (a, b, ) := { : | (t) (s)| > 2
Nuevamente,
P (E (a, b, )) 2
para ciertos
2
t, s [a, b]} .
, .
Demostracin. Sea S [a, b] nito y escribamos
E (a, b, , S) := { : | (t) (s)| > 2
para ciertos
t, s S} .
(46)
El lema anterior garantiza que
P (E (a, b, , S)) 2
2
, .
E (a, b, ) es la unin de los abiertos E (a, b, , S) cuando S
[a, b]. Ms an,
Claramente,
nitos de
recorre los subconjuntos
P (E (a, b, )) = sup P (E (a, b, , S)) ,
S
r>0
puesto que, dado
existe
K E (a, b, )
compacto esto es una consecuencia del teorema
de Riesz tal que
P (K) > P (E (a, b, )) r.
Necesariamente,
est contenido en la unin de un nmero nito de conjuntos (46) y dicha
E (a, b, , S).
unin es tambin un conjunto de la forma
Por tanto
P (E (a, b, , S)) > P (E (a, b, )) r,
lo cual concluye la demostracin.
Lema 7.10.
Sea
kN
y supongamos que
1 N.
F (k, , ) := { : | (t) (s)| > 4
Entonces
Sea
para ciertos
t, s [0, k] , |t s| < } .
k
P (F (k, , )) 2 , .
Demostracin. Podemos escribir [0, k] como unin de los subintervalos
[0, ] , [, 2] , ...., [(k 1) , k] .
Si
F (k, , )
entonces
| (t) (s)| > 4 para t, s en el mismo subintervalo o en subin pertenece a E (a, b, ) siendo [a, b] uno de los dos
tervalos consecutivos. En cualquier caso
subintervalos.
Para concluir la prueba del Teorema basta observar que:
\ \ [
C0 ([0, ) ; R) =
kN nN mN
En particular, como cada uno de los
F (k, 1/n, 1/m)c
1 1
k, ,
n m
es cerrado,
c
.
C0 ([0, ) ; R) es un Boreliano.
Por otra parte,
C0 ([0, ) ; R) =
[ [ \
kN nN mN
44
F
1 1
k, ,
n m
,
y claramente,
\
mN
1 1
k, ,
n m
1 1
= lm P F k, ,
= 0,
m
n m
con lo que
P (C0 ([0, ) ; R)) = 1.
F
La construccin privilegiada por muchos textos se basa en probar que una medida que
satisface (37) se puede extender a una medida de probabilidad sobre la sigma lgebra
B0
gen-
erada por las ventanas elementales (se utiliza el conocido como Teorema de extensin de Kolmogorov). Este enfoque tiene algunos inconvenientes tcnicos. Por ejemplo, como resultado
de ello, el conjunto
C0 ([0, ) ; R) no es B0 -medible
aunque puede probarse que existe un
conjunto que di ere de l en un conjunto de medida nula que s lo es. Ello es debido a que
B0
es estrictamente menor que la sigma lgebra de los Borelianos. Para darse cuenta de el-
lo basta observar que cualquier union o interseccin numerable de ventanas elementales slo
depende de una cantidad numerable de componentes
{ : (t) > a
para algn
t R}
tj ,
mientras que un conjunto del tipo
[0,)
es un abierto y por tanto un Boreliano de R
. En par-
ticular, los anlogos de los lemas 7.9 y 7.10, que en nuestro caso son triviales, son mucho ms
difciles de demostrar si uno trabaja con
B0 .
RN
La construccin original de N. Wiener se basa en tomar en
(equipado de una medida
Gaussiana) una sucesin Gn , n = 0, 1, 2, ... de variables N (0; 1) independientes y de nir para
RN el camino Wt ()mediante una serie de Fourier con coe cientes aleatorios:
n
2X
1
X
senkt
.
Gk (kt)
Wt () := G0 () t + 2
k
n1
n=1
k=2
Wiener demostr que la serie converge para casi todo
a una funcin continua en
t.
En el
captulo 3 de [Evans] puede encontrarse una demostracin basada en ideas similares, aunque
tcnicamente mucho ms sencilla, debida a P. Lvy.
Es posible demostrar que las trayectorias del movimiento Browniano son ms regulares de
C0 ([0, ) ; R) el espacio de los caminos Hlder de exponente > 0
que arrancan del origen, esto es, C0 ([0, ) ; R) si (0) = 0 y, dado k > 0, existe K tal
lo que hemos probado. Sea
que, para todos
t, s [0, k]
| (t) (s)| K |t s| .
Teorema 7.11.
0 < < 1/2 entonces P (C0 ([0, ) ; R)) = 1. Si 1/2 entonces
P (C0 ([0, ) ; R)) = 0. En particular, con probabilidad uno las trayectorias del movimiento
Si
Browniano no son diferenciables.
Ejercicio 7.12.
Sea
SR
un Boreliano de medida cero. Prubese que el conjunto
S := { : (t) S
para un conjunto de tiempos
veri ca
P (S ) = 0.
Advertencia: ante todo hay que probar que
es medible.
45
de medida positiva}
8. Frmula de Feynman-Kac y ecuaciones en derivadas
parciales
8.1. Introduccin
Vimos en la primera parte del curso que la medida de Wiener conduca a una representacin
muy sugerente para las soluciones de la ecuacin del calor. Concretamente, si
con, pongamos,
Kac :
t u (x, t) 12 u (x, t) = 0,
u (x, 0) = (x) ,
L2 Rd , entonces u
es solucin de
(x, t) Rd [0, ) ,
puede representarse mediante la
(47)
fmula de Feynman-
Z
u (x, t) =
(x + (t)) dP,
(48)
donde
:= C0 ([0, ) ; R)
14 Esta representacin propor-
denota la medida de Wiener.
ciona un marco comn para la resolucin de ecuaciones en derivadas parciales de carateres, en
principio, muy diversos.
Ilustremos esto con la ecuacin:
t u (x, t) v x u (x, t) = 0,
(x, t) Rd [0, ) ,
u (x, 0) = (x) ,
para
v Rd .
(49)
Claramente,
u (x, t) = (x tv) ,
y podemos escribir,
Z
u (x, t) =
(x + (t)) dMv ,
siendo
Mv
que satisface:
n
o
Mv (tv)t[0,)
= 1.
la medida de probabilidad sobre
Pese a que (47) es parablica y (49) es hiperblica, ambas ecuaciones admiten una solucin en
trminos de una integral del dato inicial en el espacio de caminos
Llevados por esta analoga, podemos decir que las trayectorias del movimiento Browniano
son las curvas caractersticas de la ecuacin del calor. De hecho, esta a rmacin es ms que una
mera analoga. En la seccin siguiente mostraremos una aplicacin de la frmula de FeynmanKac (en su versin con potencial, que describimos a continuacin) al estudio del comportamiento
de los autovalores de un operador de Schrdinger.
8.2. La frmula de Feynman-Kac para 12 + V
Nuestro objetivo ser derivar una frmula anloga a (48) para las soluciones de la ecuacin
del calor con potencial:
t u (x, t) 21 u (t, x) + V (x) u (t, x) = 0,
(x, t) Rd [0, ) ,
u (x, 0) = (x) .
(50)
Concretamente, probaremos el resultado siguiente:
14 Conviene observar que la demostracin de esta frmula es elemental una vez que se conoce la frmula
explcita para la solucin fundamental para la ecuacin del calor en
46
Rd .
Teorema 8.1 (Frmula
de Feynman-Kac).
y sea
C R
que la solucin
Sea
Rd
una funcin continua y acotada de
15 Entonces, para todo
una funcin que se anula en el in nito.
xR
en
R,
se tiene
de (50) viene dada por:
(x + (t)) e
u (x, t) =
Rt
0
V (x+(s))ds
dP.
(51)
Antes que nada, conviene saber que la frmula (51) es vlida bajo hiptesis mucho ms
2
dbiles sobre V y . Concretamente, basta suponer, por ejemplo, L
Rd y V L1loc Rd
esencialmente acotado inferiormente [Nelson64, TayPDEII].
La prueba que presentamos es debida a Nelson [Nelson64] y est basada en la frmula
de Lie para las soluciones de una ecuacin diferencial asociadas a la suma de dos campos de
vectores (que en el marco in nito-dimensional se conoce como frmula de Trotter). Comencemos
recordando el resultado clsico de Lie:
Teorema 8.2
(Frmula de Lie)
Sean
matrices cuadradas
d d.
Entonces:
n
= lm et/nA et/nB .
et(A+B)
(52)
Este resultado expresa que, para calcular las soluciones de la ecuacin diferencial:
x = (A + B) x
basta saber resolver alternativamente las ecuaciones
y = Ay,
en intervalos de tiempo cortos
z = Bz,
t/n. Como es bien sabido, si A y B
conmutan
AB = BA entonces
la frmula anterior es una identidad:
et(A+B) = etA etB = etB etA .
Ejercicio 8.3.
Demuestra la frmula de Lie (52).
La frmula de Lie es vlida en un marco ms general que el que presentamos aqu (en concreto, es cierta en el contexto de espacios de Banach y generadores de grupos de contracciones,
vase [TayPDEII], Apndice 11.A). Nos limitamos a enunciar el resultado parcial que nos ser
til; en cuanto a su demostracin, remitimos al lector a las referencias antes citadas.
Proposicin 8.4.
la solucin
u (x, t)
Supongamos que
satisfacen las hiptesis del Teorema 8.1. Entonces
de (50) viene dada por:
u (x, t) = lm et/n/2 et/nV
n
De hecho, la convergencia en (53) es uniforme sobre
n
(x) .
(53)
Rd .
El aspecto notable de la identidad (53) es que slo involucra resolver la ecuacin del calor
et/2 y multiplicar por la funcin etV ; ambos pasos son explcitos.
sin potencial
Comencemos usando la frmula (48) para deducir:
t/n/2 t/nV
Z
(x) =
et/nV (x+(t/n)) (x + (t/n)) dP
Z
=
et/nV (x+x1 ) (x + x1 ) (x1 , t/n) dx1 ;
Rd
15 Con esto queremos decir que dado
>0
existe
K Rd
47
compacto tal que
| (x)| <
para
x Rd \ K .
ahora, repitiendo el clculo anterior y realizando dos sencillos cambios de variable obtenemos:
2
et/n/2 et/nV (x)
Z
Z
t/nV (x+(t/n))
=
e
et/nV (x+x1 ) (x + (t/n) + x1 ) (x1 , t/n) dx1 dP
d
R
Z
=
et/nV (x+x2 ) et/nV (x+x1 +x2 ) (x + x1 + x2 ) (x1 , t/n) (x2 , t/n) dx1 dx2
2d
ZR
et/nV (x+x2 ) et/nV (x+x1 ) (x + x2 ) (x1 , t/n) (x2 x1 , t/n) dx1 dx2 ,
=
R2d
y, reproduciendo el proceso anterior, obtenemos en general:
t/n/2 t/nV
n
et/n(V (x+xn )+...+V (x+x1 )) (x + xn )
(x) =
Rnd
(x1 , t/n) (x2 x1 , t/n) ... (xn xn1 , t/n) dx1 ....dxn .
Esta expresin no es ms que:
t/n/2 t/nV
n
Z
(x) =
et/n
Pn
j=1
V (x+(j/nt))
(x + (t)) dP,
(54)
esto es, la esperanza de la variable aleatora:
Rn (t,)
Ahora bien, si
(t)
(x + (t)) ,
donde
tX
Rn (t, ) :=
V (x + (j/nt)) .
n j=1
es continuo entonces, para todo
lm Rn (t, ) =
n
con lo que para
P-casi
todo
t R,
V (x + (s)) ds,
0
se tiene:
lm eRn (t,) (x + (t)) = e
Rt
0
V (x+(s))ds
n
Como
specto a
es acotada, tenemos que
eRn (t,) (x + (t))
(x + (t)) .
estn uniformemente acotadas (con re-
). As, podemos aplicar el teorema de la convergencia dominada y concluir, utilizando
(54) y (53) la frmula (51).
8.3. La frmula de Feynman para la ecuacin de Schrdinger
La idea de interpretar las soluciones de una ecuacin en derivadas parciales en trminos de
una integral sobre un espacio de caminos es debida originalmente a Feynman en el contexto de
sus investigaciones sobre la mecnica cuntica. Feynman se interes a interpretar las soluciones
de la ecuacin de Schrdinger en trminos de trayectorias clsicas (caminos). Tomemos la
ecuacin, para
h > 0:
iht u (x, t)
h2
u (t, x)
2
u (x, 0) = (x) L2
+ V (x) u (t, x) = 0,
Rd .
(x, t) Rd R,
(55)
Esta ecuacin es muy similar a la ecuacin del calor, excepto por la presencia de la unidad
imaginaria
frente a la derivada temporal (la constante
48
es irrelevante desde un punto de
vista puramente matemtico). Su presencia cambia radicalmente el carcter de la ecuacin;
supongamos por un momento
V = 0 y h = 1, entonces la solucin de (55) se calcula (utilizando,
por ejemplo la transformada de Fourier) y resulta en:
it
u (x, t) = e
(x) =
d/2
(2it)
ei|xy|
/2t
(y) dy.
Rd
h > 0, la solucin de (55) es simplemente u (x, t) = eiht (x). En particular, se comprueba
2
fcilmente que, a diferencia de la ecuacin del calor, la norma L
Rd de las soluciones de (55)
se conserva: ku (t, )kL2 Rd = kkL2 Rd .
( )
( )
Para
Al igual que sucede con la ecuacin del calor, es posible demostrar la siguiente frmula de
Trotter (suponemos, hasta que digamos lo contrario, que
Proposicin 8.5.
u (x, t)
Supongamos que
h = 1):
continua y acotada. Para todo
L2 Rd
, la solucin
de (55) viene dada por:
u (x, t) = lm eit/n/2 eit/nV
n
Calculemos dicho lmite. Comenzamos con
it/n/2 it/nV
(x) =
1
(2it)d/2
i nt
n
(x) .
|xy|2
V
2(t/n)2
(56)
(y)
(y) dy,
Rd
el cuadrado satisface:
2
eit/n/2 eit/nV (x)
Z
|xx2 |2
|x2 x1 |2
t
i nt
V
(x
)
i
V
(x
)
1
2
1
2
2(t/n)2
e
e n 2(t/n)
(x1 ) dx1 dx2
=
2d/2
2d
(2it)
R
Z
|xx1 |2
|x2 x1 |2
i nt
V (x1 )
i nt
V (x2 )
1
2
2
2(t/n)
2(t/n)
=
e
e
(x2 ) dx1 dx2 ,
(2it)2d/2 R2d
y, en general, escribiendo
it/n/2 it/nV n
x0 = x:
(x) =
0
1
2
xj xj1 |
P
|
n
@
i nt
V (xj )A
2
j=1
1
(2it)nd/2
tX
Sn (t, x0 , ..., xn ) :=
n j=1
j = 1, ..., n
(t)
(xn ) dx1 ...dxn .
Rnd
Si escribimos
entonces si
2(t/n)
es un camino de nido en
[0, t]
!
|xj xj1 |2
V (xj )
2 (t/n)2
tal que
(0) = x0 = x
(57)
(jt/n) = xj
para
obtenemos que, formalmente, (57) es la suma de Riemann correspondiente a la
accin clsica:
Z t
S (t, ) :=
0
1
2
| (s)| V ( (s)) ds.
2
Este clculo motiv la escritura de solucin
u (x, t) de (55) como:
Z
eiSn (t,x,...,xn ) (xn ) dx1 ...dxn
1
u (x, t) = lm
n (2it)nd/2 Rnd
Z Z
=
eiS(t,) (y) dC () dy
Rd
1 ([0,t])
Cx,y
49
siendo
1
Cx,y
([0, t]) el conjunto de los caminos diferenciables que satisfacen (0) = x y (t) = y .
Este clculo es meramente formal. De hecho, es posible demostrar que no existe ninguna medida
sobre el espacio de caminos para la que la frmula anterior es vlida (vase [Cameron]). No
obstante, el proceso de paso al lmite de ne una integral a la Riemann. Ms detalles sobre esta
construccin pueden encontrarse en [Nelson64].
Si tomamos
h>0
obtenemos:
eiS(t,)/h (y) dC () dy.
u (x, t) =
Rd
Ejercicio 8.6.
cuando
h 0,
1 ([0,t])
Cx,y
Aplica formalmente el principio de la fase estacionaria para obtener el lmite,
de la integral
eiS(t,)/h dC () .
1 ([0,t])
Cx,y
9. Aplicacin al estudio de los autovalores de un operador
elptico
9.1. Los autovalores del operador de Schrdinger 21 + V (x)
Sea
V L1loc Rd ; R
acotado inferiormente,
CV = essinf xRd V (x) > ,
(58)
lm essinf |x|R V (x) = +.
(59)
y tal que
Bajo estas condiciones existe una base ortonormal de autofunciones de
Proposicin 9.1. Supongamosque V
V (x)
12 + V .
satisface (58) y (59). Entonces el operador
L2 Rd con
Z
1
d
D (A) := u H R :
A := 21 x +
es autoadjunto en
V (x) |u (x)| dx < .
Rd
Adems, existe una base ortonormal
(n )nN
de
L2 Rd
formada por autofunciones de
A:
1
x n + V n = n n .
2
Los autovalores correspondientes son reales, mayores que
CV ,
y veri can
cuando
n .
Demostracin. La demostracin es estndar. Comencemos observando que podemos, sin prCV 0 de lo contrario, basta aplicar el resultado
f L Rd ; claramente u D (A) es solucin de
dida de generalidad suponer que
en ese caso a
V + CV .
Sea
1
u + V u + u = f
2
si y slo si,
Z
QA (u, ) :=
ZR
1
x u (x) x (x) + u (x) (x) + V (x) u (x) (x) dx =
2
f (x) (x) dx =: Lf ()
Rd
50
obtenido
para toda
D (A). QA (, )
no es ms que el producto escalar cannico en
convierte a dicho espacio en un espacio de Hilbert); mientras que
continua de
d
2
f L
D (A)
en
R.
Lf
D (A)
(que
de ne una aplicacin
Podemos pues aplicar el teorema de Riesz y asegurar que, dada
existe un nico
u D (A)
que veri ca
QA (u, ) = Lf ()
para toda
D (A).
Tenemos pues que:
(A + 1)1 : L2 Rd D (A) , L2 Rd
est bien de nida y es continua. Probaremos ms adelante que la inyeccin de
1
2
es compacta, de lo que se sigue que (A + 1)
es un operador compacto de L
D (A) en L2 Rd
Rd en si mismo.
Teniendo en cuenta que tambin es autoadjunto, concluimos vase, por ejemplo, [Davies] o
2
cualquier otro libro de anlisis funcional que existe una base ortonormal de L
Rd formada
(n )nN
por funciones
que satisfacen:
(A + 1)1 n = n n ,
siendo
n R
lmn n = 0.
Es inmediato comprobar que
An =
1
1 n .
n
n := 1n 1 son autovalores de A. Para concluir que su lmite es + basta
si esuna autofuncin de A de norma uno y con autovalor entonces se tiene:
Z
1
|x |2 + V (x) | (x)|2 dx = .
CV
2
d
R
con lo
que,
observar
Habremos completado la demostracin del resultado una vez que hayamos probado la compaci
2
Rd .
dad de la inyeccin de D (A) en L
Lema 9.2.
(un )
Si
es una sucesin acotada en
2
converge fuertemente en L
Rd .
Demostracin. Sea Cc Rd
para
tal que
uN
n (x) :=
entonces existe una subsucesin que
supp B (0; 2), |B(0;1) 1 y 0 1. Escribamos,
N N:
x
N
un (x) .
H01 (B (0; 2)). Podemos por tanto aplicar el teorema
2
de Rellich (vase [LiebLoss]) y concluir la existencia de una subsucesin convergente en L
Rd .
Fijado
N , la sucesin uN
n
D (A)
est acotada en
De hecho, aplicando el argumento diagonal de Cantor, podemos garantizar la existencia de una
N
2
subsucesin un0 que converja fuerte en L
Rd para todo N N. Ahora bien, dado N > 0
R
se tiene, utilizando que
V (x) |un (x)|2 dx < C para todo n N:
Rd
Z
Rd
2
un0 (x) uN
n0 (x) dx
Z
ZR
x 2
N
|un (x)|2 dx
|un0 (x)|2 dx
|x|>N
Z
1
V (x) |un0 (x)|2 dx
essinf |x|>N V (x) Rd
CN ,
lmN CN = 0.De aqu
2
Cauchy en L
Rd . F
siendo
es de
es fcil utilizando el argumento de
51
/3
concluir que
(un0 )
9.2. Aplicacin de Feynman-Kac al estudio del comportamiento asinttico de los autovalores
La solucin de la ecuacin del calor con potencial:
t u (x, t) 12 u (x, t) + V (x) u (t, x) = 0,
(x, t) Rd [0, ) ,
u (x, 0) = (x) ,
(60)
puede expresarse tambin como una integral en el espacio de los caminos:
u (x, t) :=
Rt
V (x+( ))d
(x + (t)) dP.
De hecho, la frmula anterior es vlida si
satisface las hiptesis (58) y (59). Para ms informa-
cin sobre las hiptesis que hay que requerir a
puede consultarse [Simon]. Aplicaremos dicha
frmula a la obtencin de resultados nos sobre el comportamiento asinttico de los autovalores
del operador
A.
Ante todo, escribamos:
1 2
|p| + V (x) .
2
H (x, p) :=
En el enunciado del siguiente resultado requeriremos que nuestro potencial satisfaga tres hiptesis adicionales:
V C Rd ; R ,
etV L1 Rd ,
t [0, ) ,
R
etV (x) dx
RRd
= 1,
siendo V (x) := m
ax V (y) ,
lm+ lm inf
tV (x) dx
yB(x;)
0
t0+
e
d
R
vol (x, p) Rd Rd : H (x, p)
lm
= C,
0.
(2)d
(61)
(62)
(63)
La condicin (62) es meramente tcnica; simpli ca enormemene la prueba. La condicin (63)
cuanti ca la tasa de crecimiento de
Teorema 9.3.
mos por
N ()
satisface las condiciones (58), (59), (61), (62), (63). Denote-
al nmero de autovalores de
N ()
cuando
Supongamos que
en el in nito. Se satisface para una gran clase de funciones.
1
d
(2)
vol
menores que
Entonces:
(x, p) Rd Rd : H (x, p)
La demostracin del teorema se har en varios pasos. Sea
Q (x, y, t) :=
etn n (x) n (y) ;
nN
entonces para toda
L2 R
d
la funcin:
Z
u (x, t) :=
Q (x, y, t) (y) dy
Rd
es la nica solucin de (60). La expresin
Z
Q (x, x, t) dx =
Rd
X
nN
52
etn
es la
traza
c a la medida:
X
c () :=
n ()
del ncleo del calor. Si denotamos por
nN
entonces tenemos que:
tn
et dc ()
=
0
nN
y
N () := c ([0, )) .
(64)
Nuestro objetivo ser probar el siguiente resultado:
Proposicin 9.4.
t 0+ , se tiene:
Z
X
tn
e
=
et dc ()
Cuando
nN
1
d
(2)
etH(x,p) dxdp.
(65)
Rd Rd
Esta ltima integral se puede escribir como:
1
d
(2)
siendo, para
IR
tH(x,p)
dxdp =
Rd Rd
1
d
(2)
etE dH (E)
medible:
H (I) := vol
(x, p) Rd Rd : H (x, p) I
Obsrvese que por hiptesis tenemos que
lm
H ((, E])
(2)d E
= C.
(66)
Los siguientes resultados permiten relacionar (66) con el comportamiento asinttico de (64)
para
a travs de la propiedad (65).
Teorema 9.5
ciertos
(Teorema Abeliano)
Sea
una medida de Borel en
[0, )
que satisface, para
, C 0,
lm E ((, E]) = C.
E
Entonces,
lm+ t
t0
etE d (E) = C ( + 1) .
De ese resultado se deduce inmediatamente que,
lm
t0+
Z
d
(2)
etH(x,p) dxdp = C ( + 1) .
(67)
Rd Rd
Ahora bien, el siguiente cuasi recproco es cierto:
Teorema
9.6
R
t
e d ()
0
(Teorema Tauberiano)
<
para todo
t>0
lm+ t
t0
Sea
una medida de Borel en
y, para ciertos
, D 0,
etE d (E) = D.
Entonces,
lm ((, ]) =
53
D
.
( + 1)
[0, )
que satisface
As, si se cumple (65) tenemos por (67):
lm+ t
t0
et dc () = C ( + 1) ,
y el teorema Tauberiano permite concluir que:
lm c ((, ]) = C,
o en otras palabras, para
N ()
vol
(x, p) Rd Rd : H (x, p)
.
(2)d
El resto de esta seccin estar dedicado a demostrar la Proposicin 9.4.
9.2.1. Aplicacin de la frmula de Feynman-Kac
De namos
f (x) :=
de modo que
R
Rd
f (x) dx = 1.
x
d
1
B(0;1)
d
Claramente,
Q (x, y, t) f (y x) dy Q (x, x, t) =
Rd
etn |n (x)|2 ,
cuando
0+ .
nN
Sea
Ct := { : | (t)| < } ;
utilizando la frmula de Feynman-Kac obtenemos:
Z
Q (x, x, t) = lm+
0
= lm+
0
Q (x, y, t) f (y x) dy
d
ZR
Rt
0
V (x+( ))d
f ( (t)) dP.
Ahora bien,
Rt
0
V (x+( ))d
d
f ( (t)) dP = d
Rt
0
V (x+( ))d
dP
Rt
Ct
1
=
d/2 P (C t )
(2t)
V (x+( ))d
Ct
donde hemos escrito:
d
d
K := d (2t)d/2 P Ct = d
claramente,
K 1,
cuando
0+ .
54
Z
|x|<
e|x|
/2t
dx;
dP,
9.2.2. El puente Browniano
Vamos a examinar con detalle el lmite:
1
lm+
0 P (Ct )
para
[0, t]
: Rd R
( ( )) dP = lm+ E (W ) |Ct ,
0
Ct
medible. Formalmente, esperamos tener
1
lm+
0 P (Ct )
Z
( ( )) dP = E [ (W ) |Wt = 0] ;
Ct
y de hecho obtenemos:
1
P (Ct )
=
Z
( ( )) dP
Ct
d/2
D1
d/2
(2 (t ))
Z
Rd
t|y|2
(y) 1B(0;1) (x) e 2 (t ) e
|x|2 2xy
2(t )
dxdy,
Rd
con
|x|2
2t
D =
dx.
|x|<1
A la vista de esto, se tiene:
1
lm+
0 P (Ct )
td/2
Z
( ( )) dP =
Ct
(2 (t ))d/2
Claramente, el mismo razonamiento da, para
1
lm+
0 P (Ct )
=
t|y|2
(y) e 2 (t ) dy.
Rd
0 1 ... n t:
Z
( (1 ) , ..., (n )) dP
Ct
td/2
(t n )d/2
|xn |2
(x1 , ..., xn ) e 2(tn ) 1 ,...,n (x1 , ..., xn ) dx1 ...dxn .
Rnd
Esta ltima expresin es precisamente la distribucin conjunta en
W0,t := W Wt ,
t
conocido como
puente Browniano.
Denotemos por
1 ...n
del proceso:
[0, t] ,
P0,t
a su distribucin. Sirvindonos del ar-
gumento basado en el teorema de Riesz-Markov que utilizamos para construir la medida de
[0,)
Wiener, podemos demostrar que, para toda funcin medible y acotada : R
R se tiene:
1
lm+
0 P (Ct )
Z
() dP =
Ct
En particular,
Q (x, x, t) =
() dP0,t .
1
d/2
(2t)
55
Rt
0
V (x+( ))d
dP0,t .
9.2.3. Estimaciones de tr et(/2V )
Comencemos estimando superiormente utilizando la desigualdad de Jensen:
tn
nN
=
=
1
(2t)d/2
Rd
1
d/2
(2t)
1
Rd
(2t)d/2 Rd
Z
1
(2t)
Rt
V (x+( ))d
dP0,t dx
d/2
1
t
etV (x+( )) d dP0,t dx
1
td/2
t (2 (t ))d/2
t|y|2
etV (x+y) e 2 (t ) dyd dx
Rd
etV (x) dx.
Rd
Por otra parte, si escribimos:
t := { : | ( )|
(0, t)
para
(0) = (t) = 0} ,
V (x) := max V (y) ,
yB(x;)
tenemos, para todo
> 0,
X
etn
nN
1
d/2
(2t)
1
d/2
(2t)
Z
P0,t (t )
d/2
(2t)
Rt
0
V (x+( ))d
dP0,t dx
Rd
etV (x) dP0,t dx
Rd
etV (x) dx.
Rd
Ahora bien, razonando como en las demostraciones de los lemas 7.9 y 7.10 obtenemos:
Ahora bien,
0,t
1 sup
td/2
t|y|2
e 2 (t ) dy
(2 (t ))d/2 |y|>
Z
|y|2
dy
= 1 sup
e 2
0 t |y|> t
(2)d/2
(t )
Z
|y|2
dy
=1
e 2
(2)d/2
|y|> 4
t
Z
|y|2
dy
=
e 2
.
(2)d/2
|y| 4
t
0 t
lmt0+ P0,t (t ) = 1
y, por hiptesis tambin tenemos:
R
etV (x) dx
RRd
lm+ lm inf
= 1.
0
t0+
etV (x) dx
Rd
Por tanto,
P
(2t)d/2 nN etn
R
1 lm inf
t0+
etV (x) dx
Rd
P
(2t)d/2 nN etn
R
lm sup
1
etV (x) dx
t0+
Rd
con lo que el resultado queda probado.
56
Apndice
A. La ecuacin del calor: solucin analtica.
Para hallar una expresin para la funcin de densidad lmite debemos resolver la ecuacin
del calor en una dimensin espacial. Repasemos brevemente la existencia de soluciones de esta
ecuacin por medio de la transformada de Fourier. De nimos
f(s) :=
eisx f (x) dx
(68)
y asumimos la validez de la frmula de inversin
1
f (x) =
2
eisx f(s) ds.
(69)
Podemos ver fcilmente que:
fc00 (s) =
eisx f 00 (x) dx
= s
eisx f (x) dx
= s f(s) .
2
Si transformamos la ecuacin (13) con respecto a la variable
a ambos lados obtenemos:
u
(s, t) = Ds2 u(s, t) ,
t
tomamos a
como un parmetro de la ecuacin e integramos respecto de
t:
u
2
Ds2 t
log
.
ub0 = Ds t u(s, t) = ub0 (s)e
Podemos recuperar la funcin
formalmente a travs de la frmula de inversin (69):
1
u(x, t) =
2
eisxDs t ub0 (s) ds.
u0 segn (68) obtenemos:
Z +
Z +
1
isxDs2 t
isq
u(x, t) =
e
e
u0 (q) dq ds.
2
Escribiendo la transformada de
E intercambiando el orden de las integrales:
Z +
Z +
1
is(xq)Ds2 t
u(x, t) =
u0 (q)
e
ds dq
2
Z +
Z +
(xq) 2
(xq)2
1
is Dt+
4Dt
2 Dt
=
e
u0 (q)
e
ds dq
2
!
Z +
Z i xq
(xq)2
2 Dt
1
dp
2
=
ep
dq
e 4Dt u0 (q)
xq
2
Dt
i
2 Dt
Z +
(xq)2
1
=
e 4Dt u0 (q) dq .
2 Dt
57
(70)
Cuando
u0
es la funcin delta de Dirac centrada en el origen obtenemos la solucin fundamental
x2
1
e 4Dt ,
u(x, t) =
2 Dt
(71)
idntica a la expresin obtenida para la densidad de probabilidad (7). De esta manera recuperamos a la misma funcin a travs de la solucin de una ecuacin en derivadas parciales. En
(70) podemos ver que la solucin para una condicin inicial arbitraria se obtiene a partir de
la solucin fundamental a travs de la convolucin, esto es equivalente a distribuir en forma
continua in nidad de fuentes a lo largo de la recta.
Referencias
[1] Alexandre Chorin, Ole Hald:
Stochastic Tools in Mathematics and Science. Surveys
and Tutorials in the Applied Mathematical Sciences 1,
[2] Leo Breiman:
Springer 2006.
Probability, Addison-Wesley Series in Statistics, 1968.
[3] S. Chandrasekar:
Stochastic Problems in Physics and Astronomy,
en Reviews of
Modern Physics, Vol 15, N. 1, 1943.
[4] D.R. Cox & H.D. Miller:
[5] J.L. Doob:
The theory of stochastic processes.
Stochastic Processes, John Wiley and Sons 1953.
[6] C.C. Lin, L.A. Segel:
Mathematics applied to deterministic problems in the Natural
Sciences. Classics in Applied Mathematics 1, SIAM.
[7] C.W. Gardiner,
Handbook of Stochastic Methods for Physiscs, Chemistry and the
Natural Sciences. Springer-Verlag.
Application of Brownian motion to the equation of KolmogorovPetrovskii-Piskunov. Comunications on pure and applied mathematics, Vol. XXVI-
[8] H.P. McKean:
II, 323-331 (1975).
[Cameron] Cameron, R. H. A family of integrals serving to connect the Wiener and Feynman
integrals.
[Davies]
J. Math. and Phys. 39 (1960/1961) 126140.
Davies, E. B.
Spectral theory and dierential operators. Cambridge Studies in Ad42. Cambridge University Press, Cambridge, 1995.
vanced Mathematics,
[Dugundji] Dugundji, J.
Topology. Allyn and Bacon, Inc., Boston, Mass. 1966.
[Evans]
An introduction to Stochastic Dierential Equations. Disponible en la
Evans, L. C.
URL:
[LiebLoss]
http://math.berkeley.edu/~evans/.
Lieb, E. H.; Loss, M.
Analysis. Second edition. Graduate Studies in Mathematics,
14. American Mathematical Society, Providence, RI, 2001.
[Nelson64] Nelson, E. Feynman integrals and the Schrdinger equation.
5 (1964) 332343.
[Nelson67] Nelson, E.
Dynamical theories of Brownian motion.
Princeton, N.J. 1967. Disponible en la URL:
~nelson/books.html.
58
J. Mathematical Phys.
Princeton University Press,
http://www.math.princeton.edu/
[Rudin]
Rudin, W.
Real and complex analysis. Third edition. McGraw-Hill Book Co., New
York, 1987.
[Simon]
Simon, B.
matics,
Functional integration and quantum physics.
Pure and Applied Mathe-
86. Academic Press, Inc., New York-London, 1979.
Partial dierential equations. II. Qualitative studies of linear equations. Applied Mathematical Sciences, 116. Springer-Verlag, New York, 1996.
[TayPDEII] Taylor, M. E.
59
Anda mungkin juga menyukai
- Silabo 5to Escolar - 2024-RMDokumen1 halamanSilabo 5to Escolar - 2024-RMMike Tolentino MacahuachiBelum ada peringkat
- Tareacompleta 20Dokumen29 halamanTareacompleta 20Mike Tolentino MacahuachiBelum ada peringkat
- Tarea 15 CompletoDokumen29 halamanTarea 15 CompletoMike Tolentino MacahuachiBelum ada peringkat
- Potenciacion y Radicacion de Numeros RacionalesDokumen4 halamanPotenciacion y Radicacion de Numeros RacionalesMike Tolentino MacahuachiBelum ada peringkat
- 13 Descargar Razones y Proporciones Quinto de SecundariaDokumen6 halaman13 Descargar Razones y Proporciones Quinto de SecundariaMike Tolentino MacahuachiBelum ada peringkat
- Algebra 4toDokumen2 halamanAlgebra 4toMike Tolentino MacahuachiBelum ada peringkat
- Cronograma de ClaseDokumen1 halamanCronograma de ClaseMike Tolentino MacahuachiBelum ada peringkat
- Page-Make 4Dokumen26 halamanPage-Make 4Mike Tolentino MacahuachiBelum ada peringkat
- Rol de Atención A PPFF - 2023 (Iv - Bimestre) ..Dokumen1 halamanRol de Atención A PPFF - 2023 (Iv - Bimestre) ..Mike Tolentino MacahuachiBelum ada peringkat
- Trigonometria 3eroDokumen2 halamanTrigonometria 3eroMike Tolentino MacahuachiBelum ada peringkat
- Algebra 3eroDokumen2 halamanAlgebra 3eroMike Tolentino MacahuachiBelum ada peringkat
- Trigonometria 2doDokumen2 halamanTrigonometria 2doMike Tolentino MacahuachiBelum ada peringkat
- Algebra 2doDokumen2 halamanAlgebra 2doMike Tolentino MacahuachiBelum ada peringkat
- Tutorial Movie MakerDokumen11 halamanTutorial Movie MakerMike Tolentino MacahuachiBelum ada peringkat
- TRIGONOMETRIA 4TO - ResueltoDokumen3 halamanTRIGONOMETRIA 4TO - ResueltoMike Tolentino MacahuachiBelum ada peringkat
- Algebra 1eroDokumen1 halamanAlgebra 1eroMike Tolentino MacahuachiBelum ada peringkat
- Trigonometria 3eroDokumen1 halamanTrigonometria 3eroMike Tolentino MacahuachiBelum ada peringkat
- Algebra 2doDokumen2 halamanAlgebra 2doMike Tolentino MacahuachiBelum ada peringkat
- Cront Ivb 4toDokumen3 halamanCront Ivb 4toMike Tolentino MacahuachiBelum ada peringkat
- Trigonometria 3eroDokumen3 halamanTrigonometria 3eroMike Tolentino MacahuachiBelum ada peringkat
- Factorización Algebra Prof.:Ronald Tolentino Sesion 5 - Ii B 5to Secundaria Desarrollo Pg.35Dokumen12 halamanFactorización Algebra Prof.:Ronald Tolentino Sesion 5 - Ii B 5to Secundaria Desarrollo Pg.35Mike Tolentino MacahuachiBelum ada peringkat
- Ii Bimestre: Sesión 5 Trigonometría Prof.: Ronald TolentinoDokumen14 halamanIi Bimestre: Sesión 5 Trigonometría Prof.: Ronald TolentinoMike Tolentino MacahuachiBelum ada peringkat
- Algebra 4toDokumen2 halamanAlgebra 4toMike Tolentino MacahuachiBelum ada peringkat
- ANOVA de Dos FactoresDokumen14 halamanANOVA de Dos FactoresSiariBelum ada peringkat
- Gauss DocmDokumen8 halamanGauss DocmMauricio García JpBelum ada peringkat
- Ejercicio de Aplicación.2QQDokumen10 halamanEjercicio de Aplicación.2QQmiltonm6Belum ada peringkat
- Taller N2 Estadística 2 INGDokumen1 halamanTaller N2 Estadística 2 INGManuel FelipeBelum ada peringkat
- PRÁCTICA Construccion de PruebasDokumen5 halamanPRÁCTICA Construccion de PruebasJulyana CruzBelum ada peringkat
- Práctica 3 MCODokumen5 halamanPráctica 3 MCOJuanito AlcachofaBelum ada peringkat
- 8° Clase Econometría I - Regresión Lineal - Validación de SupuestosDokumen19 halaman8° Clase Econometría I - Regresión Lineal - Validación de SupuestosLia FloresBelum ada peringkat
- MTC y Dispersion - DSFDokumen10 halamanMTC y Dispersion - DSFAIDA RENEE VILLATORO MONTENEGROBelum ada peringkat
- Ejercicio T002Dokumen12 halamanEjercicio T002frayansolissoto79Belum ada peringkat
- Variables Aleatorias y Distribuciones de ProbabilidadDokumen6 halamanVariables Aleatorias y Distribuciones de ProbabilidadMiguelMarcoBelum ada peringkat
- Asimetria y Curtosis, Resumen de Medidas de DispersiónDokumen36 halamanAsimetria y Curtosis, Resumen de Medidas de DispersiónCarlosFrancoBelum ada peringkat
- EXAMEN UNIDAD 2 Estadistica IDokumen13 halamanEXAMEN UNIDAD 2 Estadistica Iana toro75% (4)
- DISTRIBUCIONES CONTÍNUAS Exponencial y UniformeDokumen12 halamanDISTRIBUCIONES CONTÍNUAS Exponencial y Uniformetlacuache690% (1)
- Informe 2 Teoria de ErroresDokumen11 halamanInforme 2 Teoria de ErroresGemily HernandezBelum ada peringkat
- Estadística II Tablas de Distribución de Probalilidad y Valores CríticosDokumen6 halamanEstadística II Tablas de Distribución de Probalilidad y Valores CríticosKENNETH FERNANDO MELENDEZ ZUNIGABelum ada peringkat
- Ejemplos ESTIMACIÓNDokumen16 halamanEjemplos ESTIMACIÓNtarantinoamicaelaBelum ada peringkat
- 2.3. Prog. Estad¡stica II (Ciclo General)Dokumen10 halaman2.3. Prog. Estad¡stica II (Ciclo General)Alfredo VillegasBelum ada peringkat
- Prueba de Hipotesis - Resumen FinalDokumen23 halamanPrueba de Hipotesis - Resumen FinalJuan Jose Correa Diaztagle67% (3)
- Tipo Ejercicios DesarrolloDokumen62 halamanTipo Ejercicios DesarrolloAlberto PozuramaBelum ada peringkat
- Estadistica de P y QDokumen11 halamanEstadistica de P y QSheiler Alvarado SanchezBelum ada peringkat
- Analisis Bayesiano Aplicado A La Proyeccion de SiniestralidadDokumen38 halamanAnalisis Bayesiano Aplicado A La Proyeccion de SiniestralidadPrograma Ingeniería de SistemasBelum ada peringkat
- Prueba Hipotesis Una MediaDokumen3 halamanPrueba Hipotesis Una MediaMariela del Carmen Rodriguez SalgadoBelum ada peringkat
- Intervalo de Confianza para La Varianza PoblacionalDokumen16 halamanIntervalo de Confianza para La Varianza PoblacionalYves MestanzaBelum ada peringkat
- Estadistica InferencialDokumen92 halamanEstadistica InferencialIsaias Jaaziel Martinez60% (5)
- Deteccion PDFDokumen50 halamanDeteccion PDFluix11Belum ada peringkat
- Clase Metodos Cuantitativos y Cualitativos (Analisis de Decision)Dokumen84 halamanClase Metodos Cuantitativos y Cualitativos (Analisis de Decision)David Arturo Garcia-Marquez TorresBelum ada peringkat
- Sesión12-Ph Cociente de Varianzas)Dokumen14 halamanSesión12-Ph Cociente de Varianzas)Julio RomeroBelum ada peringkat
- Estadistica en ExcelDokumen20 halamanEstadistica en ExcelEzequiel Gaspar CcoraBelum ada peringkat
- Primera PracticaDokumen4 halamanPrimera PracticaCristian SanchezBelum ada peringkat
- Taller 4 Estadistica 3Dokumen10 halamanTaller 4 Estadistica 3Rosario Medali Guerreros CarlosBelum ada peringkat
