actividad aprentic
TRANSCRIPT
ECUACIONES DIFERENCIALES ESTOCASTICAS
dxt = a(t, xt)dt + b(t, xt)dwt
Interpretacion matematica como ecuacion integral estocastica
xt = xt0 +
∫ t
t0
a(s, xs)ds +
∫ t
t0
b(s, xs)dws
Supuestos:A)Coeficientes de funciones
a, b : [0,T ]xR → R
-continua-condicion de lipschitz
|a(t, x)− a(t, y)| ≤ K |x − y |
|b(t, x)− b(t, y)| ≤ K |x − y |-condicion de crecimiento lineal
|a(t, x)|+ |b(t, x)| ≤ k√
1 + |x |2
B)Valor inicialxt0 , 0 ≤ t0 < T
-no anticipativo-E (x2t0) <∞
Conclusiones:Existe la funcion X : [t0,T ]xΩ→ R, tal que:a) Unica con probabilidad 1b) Xt es no anticipativac) E (x2t0) <∞d) Paso continuo de la muestrae) Proceso de difusion con coeficientes a,b
Demostracion:Metodo de las aproximaciones sucesivas
ESQUEMA ESTOCASTICO DE EULER-SDE dxt = a(t, xt)dt + b(t, xt)dwt , t0 ≤ t ≤ T
-Particion del tiempo t0 < t1 < .... < tn < tn+1 < .... < tN = T-Paso de tiempos ∆n = tn+1 − tn
xtn+1 = xtn +
∫ tn+1
tn
a(s, xs)ds +
∫ tn+1
tn
b(s, xs)dws
-Suponemos Xtn = Yn
Yn+1 = Yn + a(s, xs)
∫ tn+1
tn
ds + b(s, xs)
∫ tn+1
tn
dws
tal que:∫ tn+1
tnds = ∆n = tn+1 − tn∫ tn+1
tndws = ∆Wn = Wtn+1 −Wtn
-Esquema estocastico de Euler
Yn+1 = Yn + a(s, xs)∆n + b(s, xs)∆Wn
consistente con la integral de Ito, n = 0, 1, 2, ....
Para un ruido dado, con paso de la muestra Wt(ω) y valor inicialY0(ω)
∆W0(ω) ∆W1(ω)Y0(ω)−−− > Y1(ω)−−− > Y2(ω)−−− >Ejemplo: Generar la correspondiente muestra de paso de lasecuencia de variables aleatorias Yn, para n = 1, 2, ...(FALTA LA GRAFICA)
-Generacion de incrementos de ruidos
∆Wn = Wtn+1 −Wtn ≈ N(0,∆n)
Ejemplo: ∆Wn = Gn
√∆n, donde Gn ≈ N(0, 1)
-Transformacion de Box-MullerUnyUn independientes, con distribucion uniforme [0, 1]
Gn =√−2 ln (Un) ∗ cos (2πUn)
Gn =√−2 ln (Un) ∗ sin (2πUn)
Por tanto GnyGn son independientes con distribucion N[0, 1]
-Generacion de numeros Pseudo-aleatoriosProporcionar Un independiente uniformemente distribuido en [0, 1]-Generador de congruencia lineal
Xn+1 = aXn + b(modc)
Un = Xn/c ε [0, 1]
Nota:Sucesivos (Un,Un+1) se encuentran en las lineas de pendientea/c en el cuadrado unidad [0, 1]2
(FALTA GRAFICA)Un −− > no perfecta pero buena para muchos fines y reproducible
-Lineal SDEdxt = aXtdt + bXtdwt
-Esquema de Euler
Yn+1 = Yn + aYn∆n + bYn∆Wn
(FALTA GRAFICA)-Solucion exacta
Xt = X0 e(a−1/2b2)t+bWt
La imagen muestra Xτj para τj = j ∗ 2−9
Paso del tiempo mas pequeo
Wτj = Σj−1i=0Vi Vi ≈ N(0; 2−9)
-Para la misma muestra
En el esquema de Euler Wtn = Wτn∗25∆Wn = Σ
(n+1)25−1i=n∗25 Vi
Suma de varianzas indep.
PRECISION Y CONVERGENCIA
Pasos de tiempo iguales ∆n = δ = T/NT
-Solucion exacta XT
-Iteracion de Euler Y δNT
Hacer Y δNT→ XT como δ → 0?
En que sentido?Como de rapido?Hay varios tipos utiles de convergenciaLa eleccion apropiada depende del proposito para el cual serequiere la aproximacion-Aproximacion del paso de la muestra
ε(δ) = E (|Y δNT− XT |)→ 0, Convergencia fuerte
-Aproximacion distribucional
µ1(δ) = |E (Y δNT
)− E (XT )| → 0, Convergencia debil
Ejemplo:µ1 ≤ ε(δ)orden γ de convergencia fuerte ε(δ) ≤ Kδγ
orden β de convergencia debil µ1 ≤ Kδβ
*Normalmente el orden es para errores de discretizacion teorica-Redondeo del error-Error es un numero pseudo-aleatorio-Error de muestreo finito ← Dominante
-Muestreo finito e intervalos de confianzaν = E (Z ) Esperanzaν = 1
LΣLj=1Z (ωj) Promedio aritmetico de la muestra finita
Z (ω1), ...,Z (ωL)Con que precision la variable aleatoria ν estima ν?Cojemos M lotes de N muestras cada unoZ (ωk,j) K = 1, ...,M y j = 1, ...,N-Promedio de los lotesνk = 1
N ΣNj=1Z (ωk,j), aproximadamente gaussiana si N >> 1
-Promedio total
ν =1
MΣMk=1νk =
1
NMΣMk=1ΣN
j=1Z (ωk,j)
-Varianza en cada lote
σ2ν =1
M − 1ΣMk=1(νk − ν)2
-Distribucion t-student t1−α,M−1 con αε(0, 1)M − 1 grados de libertad
∆ν = t1−α,M−1
√σ2νM
-Intervalo de confianza 100(1− α) (ν −∆ν, ν + ∆ν)El intervalo depende de la muestra usada, con
probabilidad menor de 1− αError de muestreo ≈ 1√
M, para ello M >> 1
CONVERGENCIA FUERTE
-SDE lineal dXt = aXtdt + bXtdWt
-Esquema de Euler Yn−1 = Yn + aYn∆n + bYn∆Wn
Pasos iguales ∆n = δ = TNT
-Error fuerte ε(δ) = E (|Y δNT− XT |)
-Estimacion del error
ε(δ) =1
MNΣMk=1ΣN
j=2|Y δNT
(ωk,j)− XT (ωk,j)|
-Solucion exacta XT = X0e(a−1/2b2)T+bWt
(FALTA LA GRAFICA)
(FALTA LA GRAFICA)
Teoricamente para el SDE general del esquema de Euler tieneorden fuerte γ = 0.5Puede ser mejor en casos especiales dXt = aXtdt + bdWt
ruido aditivo ↑Aqui γ = 1
Sin ruido ≈ b = 0*Reducir al esquema determinista de Euler para los ODEs conerror de discretizacion global
|Y δNT− XT | ≤ kδ1
γ = 1
CONVERGENCIA DEBIL
-Error debil µ1(δ) = |E (Y δNT
)− E (XT )|-Estimacion del error
µ1(δ) =1
MNΣMk=1ΣN
j=1|Y δNT
(ωk,j)− XT (ωk,j)|
(FALTA GRAFICA)
-Criterio de convergencia debil
µg (δ) = |E (g(Y δNT
))− E (g(XT ))|
Incluye todos los momentos, g C 0 y con crecimiento polinomial-Orden β de convergencia debil µg (δ) ≤ Kg ∗ δβ
Misma β para todos los gPara un SDE general el esquema estocastico de Euler tiene ordendebil β = 1.0
Esquemas de mayor ordenSDE lineal dXt = aXtdt + bXtdWt
Esquema de Heun
Yn+1 = Yn +1
2(aYn + aΨn)∆n +
1
2(bYn + bΨn)∆Wn
↑ ↑Ψn = Yn + aYn∆n + bYn∆Wn
(FALTA GRAFICA)
-El calculo estocastico es menos fuerte que el calculo determinista,por lo que es necesario tener mas cuidado en los esquemasderivados.-El mayor orden de convergencia requiere mas informacion sobre elcambio de ruido dentro de los subintervalos de discretizacion queestan contenidos en los incrementos de ruidos simples ∆Wn
ECUACIONES DIFERENCIALES ESTOCASTICAS DESTRATONOVICH
dXt = a(t,Xt)dt + b(t,Xt) dWt , denotaelcalculodestratonovich
Xt = Xt0 +
∫ t
t0
a(s, xs)ds +
∫ t
t0
b(s, xs) dws︸ ︷︷ ︸Integralestocasticadestratonovich
(Evaluado en el punto medio de (tn, tn+1))Generalmente las SDEs de Ito y Stratonovich con los mismocoeficientes no tienen las mismas soluciones.Ito: dXt = aXtdt + bXtdWt Xt = X0e
(a−1/2b2)t+bWt
Stratonovich: dXt = aXtdt + bXt dWt
Xt = X0eat+bWt
Correccion a(t, x) = a(t, x)− 12b(t, x)∂b∂x (t, x)
Con la correccion las SDEs de Ito y Stratonovich tienen la mismasolucion.
-SDEs equivalentes
dXt = aXtdt + bXtdWt , Ito
dXt = aXtdt + bXt dWt ,Stratonovich
-Ejemplo
a(t, x) = ax , b(t, x) = bx , a(t, x) = (a− 12b
2)xIto : dXt = aXtdt + bXtdWt
Stratonovich : dXt = (a− 12b
2)Xtdt + bXt dWt
Lo cual implica:Xt = X0e
(a−1/2b2)t+bWt
-Calculo estocastico de StratonovichMisma regla de la cadena como calculo determinista, entoncespodemos resolver SDEs de Stratonovich por los mismos metodosque para las ODEs deterministasdXt = aXtdt + bXt dWtdXX = adt + dWt
lnXtX0
=∫ Xt
X0
dXX =
∫ t0 ads +
∫ t0 bdWs = at + bWt
⇒ Xt = X0eat+bWt
NOTA: El calculo de Stratonovich NO tiene el mismo enlacedirecto a la teoria del proceso de difusision o a la teoria de lamartingala como el calculo de Ito.(Estas demostraciones matematicas son muy duras)Los calculos de Ito y de Stratonovich son ambos matematicamentecorrectos.(Es facil pasar de uno a otro usando la correccion vista antes)