Subscribe to DeepL Pro to edit this document.

Visit www.DeepL.com/pro for more information.

Statistik dan Probabilitas Surat-surat 197 (2023) 109815

Daftar isi tersedia di ScienceDirect

Huruf Statistik dan Probabilitas

beranda jurnal: www.elsevier.com/locate/stapro

Proses Poisson majemuk: Potensi, ukuran Green, dan waktu

acak✩
∗
Yuri Kondratiev a,b , José L. da Silva c ,
a
BiBoS, Universitas Bielefeld, D-33615 Bielefeld, Jerman
b
Pusat Interdisipliner untuk Sistem Kompleks (IDCCS), Universitas Nasional Dragomanov, 01004 Kiev, Ukraina
c
CIMA-Fakultas Ilmu Eksakta dan Teknik, Universitas Madeira, Kampus da Penteada, 9020-105 Funchal, Portugal

a r t ikl ein f o abst r a ct

Riwayat artikel: Dalam makalah ini kami mempelajari eksistensi ukuran Green untuk proses Markov dengan
Diterima 11 Oktober 2022
generator lompatan nonlokal. Kernel lompatan non singular tidak memiliki momen kedua
Diterima dalam bentuk revisi 22 Februari
2023 dan memenuhi kondisi yang sesuai pada transformasi Fouriernya. Kami juga mempelajari
Diterima 24 Februari 2023 masalah yang sama untuk kelas-kelas tertentu dari proses Markov perubahan waktu acak
Tersedia hanya ine 2 Maret 2023 dengan generator lompatan.
© 2023 Para Penulis. Diterbitkan oleh Elsevier B.V. Ini adalah artikel akses terbuka di bawah
Kata kunci: lisensi CC BY-NC-ND (http://creativecommons.org/licenses/by- nc-
Proses Markov
nd/4.0/).
Langkah-langkah hijau
Proses perubahan waktu secara acak
Perilaku asimtotik

1. Pendahuluan

Proses Poisson majemuk terkenal dalam analisis stokastik sebagai kelas proses stokastik yang penting dengan kenaikan
yang independen, lihat Skorohod (1991). Dalam fisika matematika, proses-proses ini sesuai dengan jalan acak dalam
kontinum dengan kernel lompatan non-singular yang diberikan. Perhatikan bahwa jalan acak dalam fisika dianggap sebagai
difusi dalam arti luas yang bertentangan dengan pengertian yang jauh lebih terbatas dalam stokastik. Itulah mengapa random
walk sangat berguna dalam memodelkan beberapa fenomena yang diamati dalam sistem fisik konkret seperti, misalnya,
media amorf, model pengotor acak, dll.
Masalah utama yang harus dianalisis adalah bagaimana sifat-sifat dari jump kernel akan tercermin dalam perilaku random
walk, tepatnya asimtotik waktunya. Salah satu dari banyak kemungkinan untuk menganalisa perilaku jangka panjang dari
proses Markov umum adalah dengan mempelajari potensi mereka. Teori umum tentang potensi telah d i u r a i k a n d e n g a n
baik, lihat, misalnya, Blumenthal dan Getoor (1968). Namun, penerapan teori ini pada contoh-contoh khusus proses Markov
bukanlah pekerjaan yang sepele.
Dalam makalah ini, kita akan membahas kasus proses Poisson majemuk dan perubahan waktu secara acak. Kami
memiliki pertanyaan-pertanyaan berikut untuk dibahas.

1. Dalam kondisi apa pada kernel lompatan kita memiliki keberadaan potensi yang sesuai?
2. Bagaimana cara mendapatkan representasi integral untuk potensi dengan menggunakan pengukuran?
3. Pertimbangkan perubahan waktu acak dalam proses Poisson majemuk. Bagaimana cara menentukan potensi dan
ukuran Green untuk proses ini?

✩ Pekerjaan ini didukung oleh Pusat Penelitian Matematika dan Aplikasi (CIMA-UMa), melalui hibah UIDB/MAT/04674/2020 dari FCT, Portugal dan juga
Kementerian Ilmu Pengetahuan dan Pendidikan Ukraina melalui Proyek 0119U002583.
∗ Penulis korespondensi.
Alamat email: kondrat@math.uni-bielefeld.de (Y. Kondratiev), joses@staff.uma.pt (J.L. da Silva).

https://doi.org/10.1016/j.spl.2023.109815
0167-7152/© 2023 Para Penulis. Diterbitkan oleh Elsevier B.V. Ini adalah artikel akses terbuka di bawah lisensi CC BY-NC-ND (http://creativecommons.
org/licenses/by-nc-nd/4.0/).
 Y. Kondratiev dan J.L. da Statistik dan Probabilitas Surat-surat 197 (2023)

Mari kita jelaskan masing-masing pertanyaan ini secara lebih rinci. 1. Nyatakan dengan X proses Poisson majemuk yang
dimulai dari x ∈ . Proses X dikaitkan dengan sebuah generator L yang didefinisikan oleh sebuah kernel non-singular a : -→
Rd Rd

R. Diberikan sebuah fungsi f : -→ R dari sebuah kelas yang tepat, potensial dari f didefinisikan oleh
Rd

∫∞
V (x, f ) := Ex
[f (X (t ))] dt .
0

Kelas fungsi f yang memiliki potensial V (x, f ) ternyata adalah ruang Banach CL ( ) := Cb ( ) ∩
Rd Rd L1 Rd
( ) dengan norma
alaminya ∥f ∥CL := ∥f ∥∞ + ∥f ∥1 . Kondisi-kondisi yang biasa digunakan pada kernel a adalah positif, kontinu, terbatas, simetris,
dan momen kedua berhingga. Dalam makalah ini, asumsi momen kedua yang terbatas digantikan oleh kondisi yang lebih
lemah (lihat kondisi (A) pada halaman 7) yang diformulasikan dalam bentuk transformasi Fourier. Lebih tepatnya, terdapat A >
0 dan
0 < α ≤ 2 sehingga

aˆ (k) = 1 - A|k |α + o(|k|α) sebagai k → 0. (1)

Sebagai contoh, distribusi Cauchy tidak memiliki momen kedua yang terbatas tetapi transformasi Fourier-nya menerima dan
memperluas seperti dalam
(1) dengan A = α = 1, lihat Contoh 2 di bawah ini.
Langkah-langkah yang muncul pada pertanyaan 2 di atas untuk representasi potensi yang kita sebut sebagai langkah Green.
Nama ini disebabkan oleh fakta bahwa mereka adalah solusi mendasar untuk generator Markov dari proses Poisson
majemuk yang terkait. Mereka adalah fungsi Green sebagai fungsi umum dalam pengertian klasik. Fungsi umum ini
direalisasikan sebagai ukuran dalam kasus kami. Sebagai tambahan, kami ingin menyebutkan bahwa hasil yang kami dapatkan
sangat bergantung pada dimensi ruang lokasi. Sebenarnya, ukuran Green hanya dapat didefinisikan untuk dimensi d ≥ α , lihat
Teorema 3 di bawah ini. Oleh k a r e n a itu, studi tentang perilaku asimtotik dari fungsi aditif dari proses Markov klasik dalam
dimensi d < α membutuhkan renormalisasi yang hati-hati.
Kami juga memperkenalkan gagasan tentang ukuran Green acak yang merupakan karakteristik yang lebih rinci dari proses
stokastik X . Ukuran-ukuran ini muncul dari representasi potensi acak yang sesuai dari f . Dalam hal ini, diberikan f ∈ CL( ) kita
Rd

mendefinisikan variabel acak

∫∞
Y (f ) :=
x
f (X (t )) dt
0

dan ingin mendapatkan representasi integralnya sebagai

∫
x
Y (f )(ω) = f (y) G(x, dy, ω ), ∀ω ∈ Ω .
Rd

Jelas bahwa ukuran Green untuk proses Poisson majemuk adalah ekspektasi matematis dari ukuran Green acak, yaitu,
Ex
G(x, dy) = [G(x, dy, -)].
Akhirnya, pada pertanyaan ketiga kita tertarik pada perubahan waktu acak pada proses Poisson majemuk, yaitu proses
yang didefinisikan sebagai Y (t) : = X (D(t)), t ≥ 0, di mana D adalah perubahan waktu acak. Karena perubahan waktu acak,
kita telah memilih kelas invers dari subordinator S yang memenuhi asumsi (H), lihat halaman 11 untuk detailnya. Jelas,
perubahan waktu yang acak akan menghancurkan sifat Markov dari proses stokastik X . Namun demikian, kita mencoba untuk
mendefinisikan potensi dan ukuran Green yang terkait. Ternyata definisi ukuran Green untuk kelas proses stokastik ini
perlu dinormalisasi. Lebih tepatnya, definisi ukuran Green seperti yang diperkenalkan pada Bagian 2 untuk kelas proses
stokastik ini tidak ada untuk setiap dimensi d. Oleh karena i t u , kita mendefinisikan sebuah keluarga ukuran Green yang
dinormalisasi sedemikian rupa sehingga limitnya tereduksi menjadi ukuran Green dari proses stokastik awal X , lihat
Teorema 7. Sebagai konsekuensinya, kita memperoleh hasil asimtotik untuk ukuran Green yang terkait dengan perubahan
waktu acak dari proses Poisson majemuk, lihat Teorema 8.
Makalah ini disusun sebagai berikut. Pada Bagian 2 kami memberikan definisi umum dari ukuran Green dari sebuah proses
Markov dalam hal probabilitas transisinya, lihat Definisi 1. Pada Bagian 3 kami memperkenalkan generator lompatan dari
proses Poisson majemuk yang diberikan oleh sebuah kernel a. Kami menyatakan asumsi-asumsi pada kernel a yang mana
ukuran Green untuk proses yang terkait mulai dari x ∈ ada, lihat asumsi (A) pada halaman 7. Selain itu, kelas fungsi f yang
Rd

x
memiliki potensial V (x, f ) dijelaskan. Pada Bagian 4 kita menyelidiki representasi integral dari potensial acak Y (f )(ω).
Ukuran yang dihasilkan disebut ukuran Green acak. Pada Teorema 5 kita menunjukkan eksistensi dari ukuran Green acak
dan mengidentifikasi kelas fungsi f yang memungkinkan representasi integral. Terakhir, pada Bagian 5 kita mempelajari
ukuran Green dari perubahan waktu acak dari proses Poisson majemuk. Kelas subordinator yang menentukan perubahan
waktu diidentifikasi dan ukuran Green diperoleh dengan proses limit, lihat Teorema 8.

2. Proses Markov dan langkah-langkah Green

Misalkan (Ω , F , P) adalah sebuah ruang probabilitas dan X adalah sebuah proses Markov yang homogen terhadap waktu di
Rd yang dimulai dari x ∈ Rd . Yaitu, X : [0, ∞) × Ω -→ Rd dengan X (0, w) = x, untuk setiap w ∈ Ω , lihat misalnya
Blumenthal dan Getoor (1968), Dynkin (1965), Meyer (1967), dan Revuz dan Yor (1999) untuk lebih jelasnya. Proses
Markov X dapat didefinisikan dengan cara yang standar oleh
2
 Y. Kondratiev dan J.L. da Statistik dan Probabilitas Surat-surat 197 (2023)

probabilitas transisi Pt (x, B). Fungsi Pt (x, B) memberikan probabilitas transisi dari titik x ∈ pada waktu t = 0 ke himpunan
Rd

Borel B ∈ B( ) pada waktu t > 0. Pada kasus-kasus tertentu, probabilitas transisi Pt (x, -) dapat memiliki kepadatan Pt (x, -)
Rd

sehubungan dengan ukuran Lebesgue di , yaitu, untuk setiap himpunan Borel B ∈ B( ), kita memiliki
Rd Rd

∫
Pt (x , B) = pt (x , y) dy
B

dan densitas pt (x, -) juga dikenal sebagai kernel panas.

Misalkan f : → R adalah sebuah fungsi Borel dan pertimbangkan apa yang disebut potensial dari f , yang didefinisikan oleh
Rd

∫∞ ∫∞ ∫
V (x, f ) :=
Ex
[f (X (t))] dt = f (y) Pt (x, dy) dt , (2)
0 0 Rd

Dalam teori probabilitas, gagasan tentang potensial sudah sangat dikenal, lihat misalnya, Blumenthal dan Getoor (1968) dan
Revuz dan Yor (1999). Namun demikian, untuk menentukan eksistensi V (x, f ) adalah masalah yang sangat sulit dan kelas f
yang dapat diterima harus dianalisis untuk setiap proses X secara terpisah. Asumsikan bahwa untuk kelas fungsi f tertentu
(misalnya, f ∈ C0 ( ) ruang fungsi kontinu dengan dukungan kompak), potensi V (x, f ) didefinisikan dengan baik, maka V
Rd

Rd
(x, f ) dapat diwakili oleh ukuran Radon pada sebagai
∫
V (x, f ) = f (y) G(x, dy).
Rd

Ukuran G(x, -) kita sebut sebagai ukuran Green untuk proses X . Menerapkan teorema Fubini dalam (2) menghasilkan
∫∞
G(x, dy) = Pt (x , dy) dt
0

. A r t i n y a , untuk setiap himpunan Borel terbatas B ∈

Rd
dengan mengasumsikan keberadaan objek ini sebagai sebuah ukuran Radon pada
Rd
Bb ( ) kita memiliki
∫∞
G(x, B) = Pt (x , B) dt < ∞.
0

Selain itu, jika Pt (x, dy) = pt (x, y) dy, maka fungsi

∫∞
g (x, y) := pt (x , y) dt , ∀y ∈ Rd ,
0

disebut fungsi Green dari proses Markov X . Dalam hal ini, ukuran Green diberikan oleh G(x, dy) = g (x, y) dy. Keberadaan
fungsi Green g (x, y) untuk suatu proses X atau probabilitas transisi Pt (x, -), bahkan untuk kelas-kelas proses Markov yang
sederhana, tidak selalu terjamin. Sebagai contoh, kita anggap X = B sebagai gerak Brown 1-dimensi (disingkat Bm), maka
untuk setiap f ∈ (R) dan setiap t > 0 kita memiliki
L1

∫ t ( ) ∫
f B (s) ds = f (y) Lt (y) dy,
0 R

dimana Lt(y) adalah waktu lokal Bm sampai dengan waktu t pada titik y. Untuk definisi dan sifat-sifat waktu lokal Bm 1
dimensi, lihat, misalnya, Takács
∫ t (1995b,a), Borodin (1984), dan Borodin dan Salminen (2002). Sekarang, asimtotik
perilaku sebagai t → ∞ dari0 ∞ (y) = ∞ untuk semua y ∈ R, sebagai
f (B(s)) ds, karena Bm B berdimensi 1 berulang, kita memiliki
L konsekuensinya,
∫∞
fungsi integral f (B(t))0 dt , secara kasar, tidak ada.
Namun demikian, fungsi Green untuk kelas-kelas tertentu dari proses Markov terkenal dalam teori probabilitas, lihat, misalnya,
Cao dkk. (2021), Grigor'yan dkk. (2018a) dan referensi-referensi di dalamnya.
Dengan demikian, kami memberikan definisi ukuran Green untuk sebuah proses Markov X .

Definisi 1 (Ukuran Hijau). Misalkan X(t ), t ≥ 0, adalah sebuah proses Markov yang dimulai dari x ∈
Rd
dengan probabilitas
transisi Pt(x, -). Ukuran Green dari X didefinisikan oleh
∫∞
G(x, B) := Pt (x , B) dt , B ∈ Bb (Rd ),
0
atau
∫ ∫ ∫∞
f (y) G(x, dy) = f (y) Pt (x
Rd
, dy) dt , f ∈ C0 ( )
Rd Rd 0

setiap kali integral ini ada.

Definisi yang setara dengan ukuran Green G(x, -) dari X adalah sebagai solusi fundamental dari generator yang sesuai L.
Kita bisa mulai dengan semigrup Markov T (t), t ≥ 0, yaitu sebuah keluarga operator linear pada ruang Banach E . Sebagai

3
 Y. Kondratiev dan J.L. da Rd Statistik dan Probabilitas Surat-suratRd
197 (2023)
sebuah ruang Banach E , kita dapat menggunakan fungsi terukur terbatas B( ), fungsi kontinu terbatas Cb ( ) atau fungsi
Lebesgue

4
 Y. Kondratiev dan J.L. da Statistik dan Probabilitas Surat-surat 197 (2023)

ruang ( ), p ≥ 1, tergantung pada setiap kasus tertentu. Semigrup T (t ), t ≥ 0, dikaitkan dengan proses Markov
Lp Rd

{X (t ), t ≥ 0 | , x ∈ } jika untuk setiap t ≥ 0 kita memiliki

Px Rd

∫
Ex
(T (t )f )(x) = [f (X (t ))] = f (y) Pt (x, dy), f ∈ E .
Rd

Probabilitas transisi Pt (x , -) dibangun dari semigrup dengan memilih f = 1B , B ∈ B( ), yaitu,

Rd

Pt (x , B) = (T (t )1B )(x).
Misalkan L adalah generator dari semigrup T (t ), t ≥ 0. Dari hubungan antara semigrup dan generator kita memiliki
∫∞ ∫∞ ∫∞ ∫
(T (t )f )(x) dt =
Ex
[f (X (t))] dt = f (y) Pt (x, dy) dt
0 ∫0 0 Rd
(3)
L-1
= f (y) G(x, dy) = -( f )(x).
Rd

untuk setiap f ∈ C0 ( ). Karena setiap ukuran Radon mendefinisikan sebuah fungsi yang digeneralisasi,
Rd

maka kita dapat menulis

G(x, dy) = g (x, y) dy,
D′ Rd
dimana g (x, -) ∈ ( ) adalah fungsi umum positif untuk semua x ∈ . Berdasarkan (3), ukuran Green adalah solusi fundamental
Rd
L-1
yang berhubungan dengan operator . Perhatikan bahwa keberadaan dan keteraturan dari solusi fundamental ini
menghasilkan sebuah deskripsi proses Markov yang dapat diterima dimana ukuran Green ada. Kami ingin menekankan
bahwa keberadaan invers dari generator lompatan L tidak selalu terjamin dan karakterisasi domainnya untuk proses Markov
secara umum bukanlah tugas yang mudah.

3. Generator lompat dan tindakan Hijau

∫ Misalkan a : → R adalah sebuah fungsi kernel tetap yang simetris, positif, terbatas, kontinu, dan dapat diintegrasikan
Rd

dengan
(x) dx = 1. Dengan menggunakan kernel a, kita mendefinisikan sebuah operator L =
Rd a La pada E (seperti yang dinyatakan di
atas) dengan
∫
(Lf )(x) := a(x - y)[f (y) - f (x)] dy = (a ∗ f )(x) - f (x), x ∈
Rd
. (4)
Rd

Kita menyebut operator ini sebagai generator lompatan dengan kernel lompatan a. Proses Markov yang terkait X adalah tipe
lompatan murni dan dikenal dalam stokastik sebagai proses Poisson majemuk (atau b e r j a l a n s e c a r a acak dalam waktu
yang kontinu), lihat Skorohod (1991). Jika kita menotasikan u(t , x) := [f (X (t ))], x ∈ , t > 0, dan f ∈ E, maka u(t , x)
Ex Rd

memenuhi persamaan Kolmogorov

{∂t u(t , x) = Lu(t , x),

(5)
u (0, x) = f (x).

Jika u(t , x) menyatakan kepadatan populasi pada posisi x pada waktu t, dan a(x - y) dianggap sebagai distribusi probabilitas
lompatan dari lokasi y ke lokasi x, maka (a ∗ u)(t , x) memberikan tingkat di mana individu-individu tiba di posisi x dari
tempat lain.
Banyak sifat analitik dari generator lompatan L diselidiki dalam Grigor'yan dkk. (2018b), Kondratiev dkk. (2017)
dan Kondratiev dkk . (2018). Di sini kita mengingat kembali beberapa sifat yang diperlukan dalam
penjelasan berikut.
Gambar Fourier dari a diberikan oleh
∫ ∫
e-i(k,y)
aˆ (k) a(y) dy = cos((k, y))a(y) dy.
= Rd Rd

Selain itu, mudah untuk melihat bahwa aˆ (0) = 1, |aˆ (k) ≤ 1, k = 0, aˆ (k) → 0 karena k → ∞. Di sisi lain, karena L adalah
operator konvolusi, citra Fourier dari L adalah operator perkalian dengan (simbol L)
Lˆ (k) = aˆ (k) - 1.

Kami membuat asumsi tambahan berikut ini pada kernel lompat a.

(A) Kernel a memiliki bentuk ekspansi (dengan A > 0 dan 0 < α ≤ 2)

α
aˆ (k) = 1 - A|k |α + o(|k| ) sebagai |k| → 0.

Contoh 2. Kernel Gaussian a memenuhi Asumsi (A) dan kita memiliki:

5
2 2
Y. Kondratiev dan J.L. da Statistik dan Probabilitas Surat-surat 197 (2023)
1 2 2/4
e-|x|
=a(x)
2d
H⇒ aˆ (k) = e-|k| = 1 - |k| + o(|k| ), |k| → 0.
π d/2

6
 Y. Kondratiev dan J.L. da Statistik dan Probabilitas Surat-surat 197 (2023)

Meskipun kernel ini memiliki momen kedua, secara umum kernel ini mungkin gagal dan kita akan memiliki ekspansi yang lebih
umum: aˆ (k) = α
α
1 - A|k | + o(|k| ) dengan α ∈ (0, 2). Sebagai contoh dalam satu dimensi, kita akan membahas distribusi Cauchy
1
a(x) = H⇒ aˆ (k) = 1 - |k| + o(|k|), k → 0.
1 + x2
Kelas contoh lain diberikan oleh distribusi β-stabil simetris, 0 < β < 2. Distribusi ini memenuhi Asumsi (A) dengan
α = β dan tidak memiliki momen kedua.
)-1
Untuk λ ∈ (0, ∞), misalkan Rλ (L) = (λI - L adalah penyelesaian dari operator L. Dengan menggunakan deret Neumann, kita
memperoleh
)-1 1 1
(λI - L = I+ Aλ, (6)
1+ λ 1+ λ
di mana I adalah operator identitas dan Aλ didefinisikan oleh
∑ ∞ a∗n

Aλ := (1 + λ)(λI - L)-1 - I = , (7)

n=1
(1 + λ)n
a∗n
dimana = a∗a∗- - -∗a adalah konvolusi ke-n dari a dengan dirinya sendiri. Jika Gλ (x, y), x, y ∈ , λ ∈ (0, ∞), menyatakan Rd

kernel resolvent dari Rλ (L), maka dapat disimpulkan dari (6) bahwa kernel Gλ (x, y) menerima dekomposisi (lihat Persamaan
( 4) dalam Kondratiev d k k . (2018))
1()
Gλ (x, y) = δ (x - y) + Gλ (x - y) , (8)
+
1λ
di mana Gλ adalah kernel dari operator Aλ . Kernel Gλ (x) diberikan oleh
∑
∞
an (x)
Gλ (x) = := a∗n
,an (x) n (x). (9)
n=1
(1 +λ )

Kernel Gλ (x) diberikan oleh invers transformasi Fourier oleh

∫
1 aˆ (k)
Gλ (x) = ei(k,x) dk.
(2π ) d Rd 1 + λ - aˆ (k)
Kernel penyelesaian Gλ (x, y) memiliki bagian tunggal, δ (x - y) dan bagian reguler Gλ (x - y). Fungsi Green, sebagai fungsi
umum, memiliki bentuk

G0 (x) = δ (x) + G0 (x).

Secara khusus, representasi Fourier untuk G0 memiliki bentuk
∫
1 aˆ (k)
G0 (x) = ei(k,x)
dk. (10)
(2π )d Rd 1 - aˆ (k)

Teorema 3. Misalkan a adalah sebuah kernel lompatan seperti yang didefinisikan di atas yang memenuhi Asumsi (A). Maka ukuran
Green untuk random walk ada jika d > α .

Bukti. Cukuplah untuk menunjukkan bahwa bagian reguler dari kernel penyelesaian G0 (x), yang diberikan oleh (10), adalah
terbatas untuk semua x ∈ . Hal ini mengikuti dari asumsi-asumsi pada a bahwa integral dalam (10) ada untuk semua x ∈ karena
Rd Rd
)-1
keterintegralan (1 - aˆ (k) pada k = 0 oleh asumsi (A). □
Untuk mengidentifikasi kelas fungsi-fungsi yang dapat diintegrasikan f : -→ R yang mana potensial dari f (lihat (2))
Rd

keluar, kita mendefinisikan ruang Banach berikut ini:

Rd Rd L1 Rd
CL ( ) := Cb ( ) ∩ ( ) (11)
dengan norma
∫
∥f ∥CL := ∥f ∥∞ + ∥f ∥1 := sup |f (x)| + |f (x) dx.
x∈Rd Rd

Akibat 4. Untuk setiap f ∈ CL (

Rd
), potensial V (x, f ) dari f terdefinisi dengan baik dan kita memiliki
∫∞ ∫
V (x, f ) =
Ex
[f (X (t))] dt = f (y) G(x, dy).
0 Rd

Bukti. Dari (8) dapat disimpulkan bahwa dengan λ = 0

∫
V (x, f ) = f (x) + f (y) G0 (x - y) dy, ∀x ∈ R.
Rd

7
 Y. Kondratiev dan J.L. da Statistik dan Probabilitas Surat-surat 197 (2023)

Dari Teorema 3 dan (10) fungsi G0 (x) dibatasi secara seragam, oleh karena itu untuk setiap f ∈ CL (
Rd
), potensial V (x, f )
terdefinisi dengan baik dan klaim berikut. □

4. Potensi dan tindakan Hijau secara acak

Pada bagian ini kita tertarik pada objek lain yang terkait dengan proses Poisson majemuk X yang diperkenalkan pada
Bagian 3. Yaitu, dengan mengingat bahwa X dimulai dari x ∈ , diberikan sebuah fungsi f : -→ R, kita mendefinisikan
Rd Rd
x
variabel acak Y (f ) dengan
∫∞
Y (f ) :=
x
f (X (t )) dt . (12)
0
x x
Kita sebut Y (f ) sebagai potensial acak dari f . Hubungan antara Y (f ) dan ukuran Green G(x, dy) yang diperkenalkan di
bagian sebelumnya sudah jelas:
∫
Ex x
[Y (f )] = f (y) G(x, dy), ∀f ∈ CL(
Rd
).
Rd
x
Tujuan kami adalah untuk menunjukkan bahwa variabel acak Y (f ) menerima representasi
∫
x
Y (f )(ω) = f (y) G(x, dy, ω ), ω ∈ Ω .
Rd

dengan sebuah vektor bernilai ukuran acak G(x, dy, ω), yang selanjutnya disebut ukuran acak Green. Ukuran-ukuran ini
mengambil nilai dalam (P) :=
L1 L1 ).
(Ω , F , P) dan mereka terbatas dalam semua himpunan Borel terbatas B ∈ Bb (Rd
Teorema berikut adalah hasil utama dari bagian ini tentang keberadaan ukuran Green acak untuk potensial acak (12).

Untuk setiap x ∈
Rd
Teorema 5. operator
x Rd L1
Y : CL ( ) -→ (P)

memiliki representasi unik yang diberikan, untuk semua f ∈ CL ( ) dan setiap ω ∈ Ω , oleh
Rd

∫
x
Y (f )(ω) = f (y) G(x, dy, ω) (13)
Rd
L1 Rd
dengan vektor bernilai σ -aditif (dalam topologi kuat (P)) Ukuran radon G(x, dy, ω) pada Bb ( ).

Bukti. Pembuktiannya mengikuti argumen yang sama dengan Teorema 2.1 dalam Kondratiev dan da Silva (2022) yang kami
tujukan kepada pembaca yang tertarik. □

Pernyataan 6. Untuk model-model tertentu, adalah mungkin untuk menunjukkan bahwa E[G(x, , -)] < ∞, yaitu G(x, , ω)
Rd Rd

< ∞ untuk P - a. ω ∈ Ω . Sebagai tambahan, variabel acak Y x (f ) tidak terdegenerasi, yaitu variansnya positif. Sebuah contoh
diberikan pada Proposisi 2.3 dalam Kondratiev dan da Silva (2022).

5. Langkah-langkah hijau untuk proses Markov yang

berubah waktu

Proses Markov perubahan waktu telah menemukan banyak aplikasi dalam teori probabilitas, lihat Magdziarz dan Schilling
(2015) untuk diskusi rinci dan beberapa referensi terkait. Pada bagian ini kita menyelidiki keberadaan ukuran Green G(x, dy)
untuk perubahan waktu dari proses Poisson majemuk X yang telah diperkenalkan sebelumnya. Sebagai perubahan waktu, kita
memilih sebuah kelas D(t ), t ≥ 0, dari invers subordinat yang akan ditentukan kemudian, lihat Bagian 5.1. Oleh karena itu, kita
tertarik pada proses baru Y = Z (t ), t ≥ 0, yang didefinisikan oleh

Z (t ) := X (D(t )), t ≥ 0. (14) Hubungan antara proses X dan Y diselidiki pertama kali dalam makalah Meerschaert dan

Scheffler (2008), Mura

dkk. (2008) dan kemudian oleh penulis lain, lihat misalnya, Toaldo (2015) dan referensi di dalamnya. Definisikan fungsi
u(t , x) dengan
Ex Rd
u(t , x) := [f (X (t ))], t > 0, x ∈ , f∈E.
Fungsi u(t , x) adalah solusi dari Persamaan Kolmogorov (5) dengan L adalah generator lompatan yang didefinisikan dalam (4).
Kami mendefinisikan fungsi yang sama untuk Z (t ):
Ex
v (t , x) = [f (Z (t ))].
Maka fungsi ini memenuhi persamaan fraksional Kolmogorov berikut ini:
(k)
Dt (t v , x) = Lv (t , x), (15)
8
 Y. Kondratiev dan J.L. da Statistik dan Probabilitas Surat-surat 197 (2023)

dengan L adalah generator lompatan dari X , k ∈+ ) adalah sebuah fungsi yang didefinisikan dalam ukuran Lévy dari subordinator
L1 loc
(R dan
(k)
Dt adalah operator diferensial-konvolusi yang dikenal sebagai turunan pecahan umum, lihat Kochubei (2011) dan referensi di
dalamnya. Selain itu, jika perubahan waktu D(t) memiliki densitas ρt, t > 0, maka rumus subordinasi berlaku:
∫∞
v (t , x) = u(τ , x)ρt (τ ) dτ . (16)
0
µx νx
Dalam hal distribusi marjinal dari X(t ) tdan
t dari Z(t ), hubungan subordinasi untuk distribusi-distribusi ini diberikan
oleh
∫ ∞
νx x
t
= µτ ρt (τ ) dτ . (17)
0

Di bawah ini kita menggunakan hubungan-hubungan ini untuk mempelajari ukuran Green yang telah dinormalisasi yang
terkait dengan proses stokastik Z .

5.1. Kelas waktu berubah

Misalkan S = {S (t ), t ≥ 0} adalah sebuah subordinator tanpa drift yang dimulai dari nol dengan eksponen Laplace Φ dan
ukuran Lévy ∫∞
σ , lihat Bertoin (1996) untuk lebih jelasnya. Ukuran Lévy σ didukung dalam [0, ∞) dan memenuhi (1
0
∧ τ ) dσ (τ ) < ∞.
Kita mendefinisikan kernel k dengan
( )
k : (0, ∞) -→ (0, ∞), t → k(t) := σ (t, ∞) (18)

dan menyatakan transformasi Laplace-nya dengan K, yaitu,

∫∞
K (λ) := e-λt
k(t ) dt , ∀λ ≥ 0. (19)
0

Relasi berikut berlaku Φ (λ) = λK(λ), ∀λ ≥ 0. Kami membuat asumsi berikut pada eksponen Laplace Φ dan
K terkait dengan subordinator S .

(H) Φ adalah fungsi Bernstein yang lengkap, yaitu, σ memiliki densitas yang sepenuhnya monoton sehubungan dengan ukuran
Lebesgue, dan fungsi Φ dan K memenuhi

K(λ) → ∞, karena λ → 0; K(λ) → 0, karena λ → ∞; (20)

Φ (λ) → 0, karena λ → 0; Φ (λ) → ∞, karena λ → ∞.

(21) Contoh klasik dari subordinator yang memenuhi asumsi (H) adalah proses α-stabil dan proses Gamma. Menunjukkan
dengan D proses kebalikan dari subordinator S , yaitu,

D(t ) := inf{s ≥ 0 | S (s) ≥ t }, t ≥ 0, (22)

dan densitas marjinalnya sebesar ρt , untuk setiap t ≥ 0.

+ loc + dalam himpunan K(R) ⊂
L1 (
Karena kelas dari kernel-kernel yang dapat diterima k termasuk R) yang memenuhi (H) dan (A1)
dan (A2) dalam Definisi 3.1
dalam Kochubei d k k . (2020). S e l a n j u t n y a , kami menggunakan notasi f ∼ g saat t → ∞ dan mengatakan bahwa f dan g
f (t )
ekuivalen secara asimtotik saat →∞ t → ∞ jika limt = 1. g (t )

5.2. Langkah-langkah Hijau yang Dinormalisasi

Kita sekarang siap untuk mempelajari ukuran Green dari perubahan waktu acak dari proses Poisson majemuk X dengan
GX
subordinator invers D(t ), yaitu proses Z Bagian 5. Di bawah ini kita akan membedakan antara ukuran Green (x, dy) dari
GZ
proses Markov X dengan (x, dy) dari proses Z .
Kami ingin menunjukkan bahwa integral berikut ini
∫∞ ∫∞ ∫∞
dt =
Z νx
G (x, dy) := t (dy)
µx
τ(dy) ρt (τ ) dτ dt
000

ada dan mendapatkan representasi

∫∞ ∫∞ ∫
v (t , x) dt Ex
[f (Z (t))] dt = f (y)
GZ
(x, dy). (23)
= 0 Rd

0
9
 Y. Kondratiev dan J.L. da Statistik dan Probabilitas Surat-surat 197 (2023)
Dirumuskan dengan cara ini, ukuran Green dari Z tidak ada untuk kelas proses Markov X (dalam dimensi d)
dan subordinat yang diperkenalkan di atas, lihat Lemma 5 dalam Kondratiev dan da Silva (2021). Dengan demikian, representasi
(23) akan menjadi

1
 Y. Kondratiev dan J.L. da Statistik dan Probabilitas Surat-surat 197 (2023)

tidak mungkin dilakukan. Untuk mengatasi masalah ini, kita akan mempertimbangkan, sebagai gantinya, ukuran Green yang
telah dinormalisasi. Lebih tepatnya, kita ingin mencari batas berikut ini
∫ T
1 x
Gr
Z
(x , dy) := lim νt (dy) dt . (24)
T →∞ N (T ) 0
GZ
Normalisasi N (T ) pada (24) dipilih dengan cara yang sesuai sehingga ukuran Green yang dinormalisasi
r (x, dy) bertepatan
GX
dengan ukuran Green (x, dy) dari proses Markov awal X . Lebih tepatnya, kami memiliki teorema berikut yang dipinjam
dari Kondratiev dan da Silva (2021) dan disertakan di sini untuk kelengkapan.

, d ≥ α , memiliki ukuran Green

Rd GX
Teorema 7. Asumsikan bahwa proses Markov X dalam (x, dy) dan
definisikan
∫ T
N (T): = k(s) ds, T ≥ 0. (25)
(T) 0

Maka ukuran Green yang dinormalisasi untuk Z ada dan kita memiliki
Z
Gr
(x , dy) = G X (x, dy).
Sekarang, kami siap untuk menyatakan hasil utama dari bagian ini.

Teorema 8. Di bawah asumsi Teorema 3 berlaku

∫ t ∫
1
v (s, x) ds ∼ f (y)
GX
(x, dy), t → ∞.
N (t) 0 Rd

Bukti. Dengan menggunakan rumus subordinasi (16), kita memperoleh

∫ t
∫ t
∫∞
1 1
v (s, x) ds = u(τ , x)ρs (τ ) dτ ds.
N (t) 0 N (t) 0 0
Teorema Fubini, T e o r e m a . 3.1 dalam Kochubei d k k . (2020) dan (25) menghasilkan
∫ t ∫∞ ( ∫ t) ∫∞
1 1
v (s, x) ds = u(τ , x) τ ) ds
ρs ( dτ -→ u(τ , x) dτ .
N (t) N (t) t →∞
0 0 0 0

Kemudian klaim hasil mengikuti Teorema 3. □

Ketersediaan data

Tidak ada data yang digunakan untuk penelitian yang dijelaskan dalam artikel ini.

Referensi

Bertoin, J., 1996. Proses Lévy. Vol. 121. Cambridge University Press, Cambridge, UK. Blumenthal,
R.M., Getoor, R.K., 1968. Proses Markov dan Teori Potensial. Academic Press.
Borodin, A.N., 1984. Distribusi fungsi integral dari proses gerak Brown. J. Math. Sci. 27, 3005-3022. Borodin, A., Salminen,
P., 2002. Buku Ajar Gerak Brown - Fakta dan Rumus, ed. Kedua, Birkhäuser Basel.
Cao, J., Grigor'yan, A., Liu, L., 2021. Ketaksamaan Hardy dan fungsi Green pada ruang ukuran metrik. J. Funct. Anal. 281, 109020. Dynkin,
E.B., 1965. Proses-proses Markov (Markov Processes). Springer.
Grigor'yan, A., Hu, E., Hu, J., 2018a. Estimasi dua sisi dari kernel panas bentuk Dirichlet tipe lompatan. Adv. Math. 330, 433-515.
Grigor'yan, A., Kondratiev, Y.G., Piatnitski, A., Zhizhina, E., 2018b. Estimasi pointwise untuk kernel panas dari operator tipe konvolusi. Proc. Lond.
Matematika. Soc. (3) 114, 849-880.
Kochubei, A.N., 2011. Kalkulus pecahan umum, persamaan evolusi, dan proses pembaruan. Teori Operator Persamaan Integral 71, 583-600. Kochubei, A.,
Kondratiev, Y.G., da Silva, J.L., 2020. Perubahan waktu acak dan persamaan evolusi terkait, Perilaku asimtotik waktu. Stoch. Dyn. 4,
2050034-1-24.
Kondratiev, Y.G., Molchanov, S., Piatnitski, A., Zhizhina, E., 2018. Batas-batas pelarut untuk generator lompatan. Appl. Anal. 97, 323-336.
Kondratiev, Y.G., Molchanov, S., Vainberg, B., 2017. Analisis spektral operator Schrödinger non-lokal. J. Funct. Anal. 273, 1020-1048.
Kondratiev, Y.G., da Silva, J.L., 2021. Green Measures untuk Proses Markov yang Berubah Waktu. Methods Funct. Anal. Topol. 27, 227-236.
Kondratiev, Y.G., da Silva, J.L., 2022. Potensi acak untuk proses Markov. Appl. Anal. 1–12. http://dx.doi.org/10.1080/00036811.2022.2101453. Magdziarz, M., Schilling,
R.L., 2015. Sifat asimtotik dari gerak Brownian yang tertunda oleh invers subordinator. Proc. Amer. Math. Soc. 143,
4485-4501.
Meerschaert, M.M., Scheffler, H.P., 2008. Batas-batas larik segitiga untuk random walk waktu kontinu. Stoch. Process. Appl. 118, 1606-1633. 9.
Meyer, P.A., 1967. Processus de Markov, Vol. 26. Springer.
Mura, A., Taqqu, M.S., Mainardi, F., 2008. Persamaan dan proses difusi non-Markovian: Analisis dan simulasi. Physica A 387, 5033-5064. Revuz, D., Yor,
M., 1999. Continuous Martingales and Brownian Motion, Vol. 293, third ed. Springer-Verlag, Berlin.
Skorohod, A.V., 1991. Proses Acak dengan Kenaikan Independen, Vol. 47. Springer. Takács,
L., 1995a. Waktu lokal Brownian. J. Appl. Math. Stoch. Anal. 8, 209-232.
Takács, L., 1995b. Tentang waktu lokal dari gerak Brown. Ann. Appl. Probab. 5, 741-756.
Toaldo, B., 2015. Turunan tipe konvolusi, waktu-hit subordinat dan semigrup C0 yang berubah waktu. Potential Anal. 42, 115-140.