Documente Academic
Documente Profesional
Documente Cultură
TRABAJO DE GRADO
INTEGRACIN
CON MARTINGALAS
NO ESTNDAR
USANDO ANLISIS
DWIGHT OSPINA(*)
Resumen.
Esbozamos una teora de integracin estocstica para martingalas usando anlisis no estndar y se relaciona esta teora con la teora
estndar.
1. Introduccin
aY
XdY,
donde X
Y son procesos estocsticos definidos sobre
x T, a valor en *IR;
entendiendo que n es un espacio de probabilidad hiperfinito (n, Ql,P), y que
T es una lnea hiperfinita de tiempo. Por su parte *IR es la extensin de IR,
(*) Trabajo recibido 13/05/00, revisado 2/06/00. Dwight Ospina, Departamento de
Matemticas, Universidad Nacional de Colombia; e-rnail: dwighto@matematicas.unal.edu.co
Resumen de trabajo de grado (ver [8]), dirigido por Myriam Muoz de Ozak.
78
INTEGRACIN
CON MARTINGALAS
USANDO
ANLISIS
NO ESTNDAR
79
* : V(lR)
A
donde V(*lR)
es la superestructura
--+
V(*lR)
f->
* A,
obtenida a partir de *R
J
J
X d "M+ =
o al menos que
X dN
(J
(J
o
y dM ) + ,
y dM ) + ,
no estndar.
80
DWIGHT
OSPINA
Proposicin 2.3 (Principio de definicin interna). Sea <I>(X, I, ... , Xn) una
frmula con cuantificadores acotados, si B, AI, ... , An son conjuntos internos,
entonces el conjunto
{b E B : <I>(b,AI,
...
, An)
vale en V(*IR)}
es interno.
Proposicin 2.4 ("Overflow"). Si *N :;2 A :;2 N y A es interno, entonces existe
H E *N - N tal que H E A. Si un conjunto interno A contiene todos los
infinitesimales positivos, entonces A contiene algn real estndar positivo.
Proposicin 2.5 ("Underflow").
Si *N :;2 A :;2 *N - N y A es interno, entonces existe n E N tal que n E A.
Proposicin 2.6. Sea {Cn} una sucesin contable de conjuntos internos, entonces {Cn} se puede extender a una sucesin interna {Cn}nE*N.
Proposicin 2.7 (Lema de Robinson). Sea F : *N
tal que para todo n E N, F(n) ~ O, entonces existe
para todo H ~ 7), se tiene que F(H) ~ O.
--->
7)
{ "t : t E T, O ~ "t ~ 1}
[O, 1]
INTEGRACIN
CON MARTINGALAS
USANDO
ANLISIS
NO ESTNDAR
81
l, * f
f.
n :
(b) Si A
E 1.2(,
n definimos
lo siguiente:
por P(A) :=
W.
1.2(
P(A) := st(P(A)).
Pin(A)
n, se
sup{P(B)
DWIGHT OSPINA
82
anlogamente
la probabilidad
Pex(A) = inf{P(B)
: B es interno y B :2 A}.
Decimos que A es Loeb medible si Pin(A) = Pex(A) yen este caso denotamos
por L(P)(A) el valor comn. El conjunto de todos los subconjuntos de n que
son Loeb medibles se denota por L(n).
Se puede extender, por Caratheodory, este espacio de manera que se obtenga
un espacio completo, mediante el siguiente teorema.
Teorema
tiende a
de la medida
Representacin
Sea H E *N - N Y 8
de Lebesgue
estocstica
y las demostraciones
X:
nx
T ~ "]R,
INTEGRACIN
CON MARTINGALAS
USANDO
ANLISIS
NO ESTNDAR
83
:=
{to,
t, ... ,
td,
donde O = to
~X(w,
ti)
:=
Si s = ti, t = tj
t
(3.1)
LX(w,
r)
:=
X(w, ti)
+ X(w,
ti+t}
+ ... + X(w,
tj-t}.
r=s
10
(3.2)
XdY:=
~X(s)~Y(s)
(3.3)
f--->
O ---; .lR.
X(w,t)
W"'tW',
3.1. X es no anticipante
{::?
"'t
w'
sobre O definida
A).
y M es una martingala,
inte-
entonces
DWIGHT OSPINA
84
4. Variacin cuadrtica
Algunas preguntas acerca de un proceso son resueltas de manera
simple estudiando la variacin cuadrtica y no el proceso mismo.
Definicin
4.1.
[X] : O x T
-t
mucho ms
[X](w, t)
:=
I>~X(w,
s=o
s)2.
Se notar:
X := X(t)
:=
X(w, t),
M se cumple
Ejemplo 4.1. Caminata aleatoria de Anderson. Sea T = {O, f)"t, 2f)"t, ... , 1}
donde f)"t = 17-1,17 = H!; HE *N - N tambin O = {-l,l}T.La
caminata
aleatoria de Anderson X : O x T -t *]R est definida por:
t
X(w,t):=
LW(s)~
s=o
[x](t)
t.
se dice una
)..2-martingala
si se
INTEGRACIN
CON MARTINGALAS
USANDO
ANLISIS
NO ESTNDAR
85
W
T
"'T w'
si y slo si
es un tiempo de parada.
Se toma I2lT como el lgebra interna generada por las clases de equivalencia de
VM
(4.2)
Proposicin 4.2. Sea VM definida como en (4.2), entonces, para el proceso
de Anderson X se tiene que VM(n x T) = E([M](l))
es finita y "x = p x '\.
Definicin 4.7. Sea M una ,\2-martingala. Un proceso hiperfinito X pertenece
a la clase SL2(M)
si es no anticipante y cuadrado S-integrable con respecto a
VM
Demostracin.
(4.3)
y X E SL2(M),
: :X2Ll.M2P({w})
wErl o
X2dvM,
nxT
--+
*]R es S-continuo
Una ,\2-maTtingala
J X dM
si f(s)
es S-continua
es
D
~ f(t)
lo son.
si y slo si su variacin
cua-
DWIGHT OSPINA
86
Un corolario importante de este teorema es que la caminata aleatoria de Anderson es S-continua porque [X](t) = t. La variacin cuadrtica es continua,
luego el proceso lo es.
El siguiente resultado nos muestra cmo, al igual que en anlisis real, la integral
es una aplicacin continua.
Proposicin 4.4. Si M es una ,\2-martingala
entonces J X dM es tambin S-continua.
S-continua
y X
E SL2(M),
5. Teoremas de levantamiento
Se introduce a continuacin la nocin de filtracin estocstica
concepto correspondiente
a filtracin interna de lo no estndar.
para tener el
Definicin 5.1. Una filtracin estocstica es una tupla (n, {lBt}tE[O,l], Q),
donde {lBt}tE[O,l] es una familia creciente de o-lgebras sobre n, Q es una medida de probabilidad sobre lB1. Sea (n, {12tt} tET , P) una filtracin interna tal
como en la definicin en 3.1. Diremos que la filtracin estocstica generada por
(n, {l2tthET, P) es n junto con la medida de Loeb L(P), y las o-lgebras
(5.1)
donde
Definicin
5.2. Una filtracin estocstica (n, {lBt}tE[O,l]' Q) satisface las condilBt contiene todos los conjuntos de medida cero de 81, y
generada
interna
Definicin 5.3. Sea v una medida interna sobre todos los subconjuntos internos de
x T; se dice que v es absolutamente continua con respecto a P si
L(P)(C) = O implica que L(v)(C x T) = O y si cumple que /-l(n x {O}) = O.
el cuadro
relacionan
los
INTEGRACIN
CON MARTINGALAS
I Rectngulo
Medible
de la forma B x
I A es un conjunto
At
A es medible
= {w: {w, t}
ANLISIS
NO ESTNDAR
87
TEORA NO ESTNDAR
TEORA ESTNDAR
conjuntos
USANDO
I
[8, t]
adaptado
I Conjuntos
Internos
Si el conjunto tiene
un levantamiento no
anticipante es adaptado
y las secciones
A} son Scmedibles
I Conjunto predecible I ~
Conjuntos de la forma
~
Bo x [O,tl' So E IBa
B, x (8, t, B, E lBs
I Conjuntos
no anticipantes
DWIGHT
88
6. Teoremas
OSPINA
de representacin
---+
nece-
por
Nota 6.1. Si M:
x T ---+ 'IR es una SL2-martingala S-continua por la derecha
en O y VM est definida como en 4.2, entonces VM es absolutamente continua
con respecto a P.
Proposicin
6.1. Si M es una SL2-martingala
J XdM es una SL2-martingala.
y X
E SL2(M),
entonces
de un proceso es justamente
su levan-
Proposicin
6.2. Sea M una SL2-martingala S-continua por la derecha en
cero y sea x E L2 (v o M+ ). Entonces x tiene un 2-levantamiento X y
(6.1)
/ xd
7. Representaciones
estndar
o M+
o (/
X dM ) +
de integrales
estocsticas
no estndar
Se han dado las condiciones para que dado un proceso x, sea posible hallar
X de modo que
/ xd
o M+
o (/
X dM ) +
o M+
o (/
X dM ) +
INTEGRACIN
CON MARTINGALAS
USANDO
ANLISIS
NO ESTNDAR
89
xdN
(1
X dM ) +
x:
[2 x T
-->
*lR la caminata
{0,~t,2~t,
... ,1},
aleatoria de Anderson.
Sea X: [2 x T
-->
*lR dado
por
= (_l)k;
X(w,k~t)
xd X+
(J
xdf3:j:
YdX) +
(J
XdX)
xd
o M+
(1
en cero;
S-continua
en
X dM ) + ,
entonces X es un 2-1evantamiento de x.
Proposicin 7.2. Sea M : [2 x T --> *lR una SL2-martingala
cero. Sea
N : [2 x [0,1] --> lR
una martingala con cuadrado integrable, tal que para cada sublnea hiperfinita
de tiempo S ~ T; existe un proceso XS E SL2(MS)
que cumple
(7.1)
El siguiente teorema da un importante caso en el cual es posible encontrar un
representante estndar para uno no estndar, como lo es la caminata aleatoria
de Anderson.
DWIGHT OSPINA
90
Proposicin
que
7.3. Sea M :
nx
=t- s
E ( O[M]+(t) - O[M]+(S)/lBs)
Entonces
para todo t
S-continua
tal
> s.
X la caminata aleatoria
Entonces
existe un movimiento
browniano
x E L2(n x [0,1]) tal que
Demostracin.
Sea M :=
J X dX,
de Anderson y X
f3 y un proceso
entonces
[M] = LX2~X(w,s)2
8=0
E SL2(X).
adaptado
X2dt,
f(w, t)
:=
dd O[M]+(t)
t
= lim
h'\.O
O[M]+(w, t)
(7.2)
O[M]+(t) - O~M]+(t)(t - h)
con
c.t.p.
g(w, t) = {f-1/2((W,
t)
Si f(w, t) -:/:-0,
Si f(w, t) =
{(w,t):
g(w,t)
= O}.
< 1;
INTEGRACIN
CON MARTINGALAS
USANDO
ANLISIS
NO ESTNDAR
91
Definimos
(7.3)
f3(w, t)
:= o
(l
t
= l
[J
(J
GdM] + (w, t)
G2d[M]) + (w, t)
S))
[J
1cdX] + (w, t)
[J
1cdX] + (w, t)
g2d O[M]+ + l
l;ds
t1
l ;ds
..............
= ltlfds+
cero
t
= l
1c(w, s)dX(w,
de f3
[f3](w,t)
+l
G(w, s)dM(w, s)
1ds
t.
N:=
G(w, s)dM(w, s)
+l
1c(w, s)dX(w, s)
cero
a (D, {SEs},
L(P)),
DWIGHT
92
OSPINA
E (sup ( M+(q)
q:':;1
qEQ
si f
0, se tiene clara-
r f1/2gdOM+)2)
Jo
~ 4E( ( 0M+(l)
_ fa1 f1/2gdOM+)
2)
(1
= 4E
(1- fl/2g)2fdt)
xdf3 =
f1/2gdoM+
= M+ =
(J
XdX)
+,
[lJ Albeverio Sergio, Non Standar Methods in Stochastic Analysis and Mathematical
Physics, Academic Press (1986).
[2J R. Ash, Real Analysis and Probability, Accademic Press (1972).
[3J Bilingsley, Probability and Measure, John Wiley & Sons, New York (1979).
[4J D.N.Hoover y E. Perkins, Nonstandar Construction of the Stochastic Integml and Applications to Stochastic Integml and Aplications, John Wiley and Sons, New York (1979).
[5J N.V. Krasnov, A. Kiseliov y G. Makarenko, Ecuaciones Integmles , Mir (1977).
[6J Muoz Myriam, Lifting Theorems [or Some Classes of Two Parameter Martingales,
Revista Colombiana de Matemticas (1998).
[7J Mora Carlos, Soluciones de Ecuaciones Diferenciales Estocsticas en Anlisis no
Estndar, Trabajo de grado, Universidad Nacional de Colombia (1998).
[8J Ospina Dwight, Integmcin Estocstica con Martingalas Usando Anlisis no Estndar,
trabajo de grado, Universidad Nacional de Colombia (1999).