t X s db s, I t (X) :=
|
|
- Maria Laura Carmona
- 5 Há anos
- Visualizações:
Transcrição
1 Chapter 3 Integrais estocásticos Neste capítulo vamos definir integrais estocásticos relativamente ao movimento Browniano e estudar algumas das suas propriedades. Estes integrais também são chamados integrais de Itô. O obectivo é definir integrais do tipo I t (X) := t 0 X s db s, do processo estocástico X = (X t ) t 0 relativamente ao movimento Browniano B = (B t ) t 0. Este integral não pode ser definido como t X 0 sḃsds (onde Ḃ s = db s ) ds porque, pela Proposição 3.23, as traectórias do movimento Browniano não são Kiyosi Itô diferenciáveis em qualquer dos seus pontos. Por outro lado, o movimento Browniano não tem variação limitada, cf. Corolário 3.20, então este integral também não pode ser definido no sentido de Lebesgue-Stieltes. No entanto, é possível dar um sentido rigoroso a este integral usando o facto do movimento Browniano ter variação quadrática finita, cf. Observação A classe de processos integrantes X é dada na Definição A definição destes integrais será feita em duas etapas: na primeira etapa definimos o integral de Wiener isto é, o integrante X é determinístico, não depende da variávvel aleatória, e na segunda então o integral de Itô. Finalmente vamos dar algumas aplicações às equações diferenciais estocásticas. Antes disso, vamos recordar a definição do movimento Browniano e algumas das suas propriedades. 37
2 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS Movimento Browniano e martingalas Um exemplo muito importante de um processo estocástico é o movimento Browniano (abreviado por MB) o qual será usado frequentemente no resto deste curso. O MB parece ter tido origem no botânico inglês Robert Brown, o qual, em 1828, observou que pequenas partículas de pólen imersas num líquido apresentavam um movimento permanente e errático. Em 1905, Einstein forneceu uma explicação para este fenómeno, esclarecendo que o referido movimento deve-se às constantes colisões das partículas com as moléculas do meio ambiente em que se encontram inseridas. Contudo, apenas em 1918, Wiener deu uma definição matemática precisa do MB, o qual, por isso, também é conhecido por processo de Wiener. Esta secção é dedicado a este processo no que concerne à sua definição e propriedades mais comuns. Definição 3.1 (Movimento Browniano) O movimento Browniano é um processo estocástico real B = (B t ) t 0 definido num espaço de probabilidade (Ω, F, P) com as seguintes propriedades (MB1) B 0 = 0, P-q.c. isto é, as traectórias de B começam em zero P-q.c., ou ainda P({w Ω B 0 (w) = 0}) = 1. (MB2) As traectórias de B são contínuas P-q.c., isto é, P({w Ω B (w) é contínua}) = 1. (MB3) Se 0 s < t, então a variável aleatória B t B s tem distribuição normal, com média zero e variância t s, isto é, B t B s tem distribuição N(0, t s). (MB4) Se 0 t 1 < t 2 <... < t n <, então os incrementos B t1, B t2 B t1,..., B tn B tn 1 são variáveis aleatórias independentes. Proposição 3.2 O movimento Browniano B = (B t ) t 0 possui as seguintes propriedades. 1. E P (B t ) = 0, ou sea, a esperança da variável aleatória B t é nula.
3 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS E P (B 2 t ) = t, isto é, a variância de B t é t. 3. E P [B t B s ] = t s := min{t, s}, isto é, a covariância de B t e B s é t s. 4. E P ((B t B s ) 4 ) = 3 t s 2, t, s 0. Em particular E P (B 4 t ) = 3t2. Prova. 1. Como B t = B t B 0 P-q.c., então pela propriedade 3. da Definição 3.1, temos E P (B t ) = E P (B t B 0 ) = Ainda pela propriedade 3. da Definição 3.1 B t = B t B 0 P-q.c. tem variância t 0 = t daí o resultado. 3. Suponhamos, sem perda de generalidade que s < t e notemos que B t B s = (B t B s + B s )B s = (B s B 0 )(B t B s ) + B 2 s, P-q.c. Então, usando a linearidade da esperança e o facto de B s B 0 ser independente de B t B s, temos E P (B t B s ) = E P (B s B 0 )E P (B t B s ) + E P (B 2 s) = s = t s. Na última igualdade usamos o facto de E P (B s B 0 ) = E P (B t B s ) = 0 pela propriedade 3. da Definição 3.1 e a alínea 2. anterior. O caso t < s é análogo e se t = s o resultado é uma consequência da alínea Podemos, sem perda de generalidade, supor que 0 s < t <. Então B t B s tem distribuição N(0, t s). Assim, pelo Exercício temos E P ((B t B s ) 4 ) = 4! 2 2 2! (t s)2 = 3(t s) 2. É claro que B t = B t B 0 P-q.c. e a variância de B t B 0 é t, logo E P (B 4 t ) = 3t2. O MB definido anteriormente é conhecido como MB usual canónico, porque B 0 = 0, P-q.c., E P (B t ) = 0, E P (B 2 t ) = t, sendo a sua função densidade dada por f Bt (x) = 1 ) exp ( x2. 2πt 2t
4 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 40 Observação 3.3 A proposição anterior mostra que o MB é um processo estocástico em L 2 (P), isto é, para cada t 0 B t L 2 (P). O espaço L 2 (P) := L 2 (Ω, F, P) é constituído das funções F : Ω R F -mensuráveis tais que F L 2 (P) <, a norma L 2 (P) é definida por F 2 := F(w) 2 dp(w) <. L 2 (P) Ω No caso do MB temos (cf. Proposição ) B t L 2 (P) = t < para qualquer t 0. A desvantagem de trabalhar com o espaço normado (L 2 (P), L 2 (P)) tem a ver com o facto deste espaço não ser completo para a norma L 2 (P). Este problema pode ser ultrapassado completando o espaço L 2 (P) obtendo-se, assim, o espaço de Hilbert L 2 (P). Por definição, L 2 (P) é denso em L 2 (P), pelo que, tomando B t como um representante da sua classe podemos concluir que B t L 2 (P). Observação 3.4 Sea B = (B t ) t 0 um movimento Browniano. 1. A função característica do movimento Browniano é dada por C Bt (λ) = E P (e iλb t ) = e λ2 t 2, λ R. 2. A função geradora de momentos do movimento Browniano é L Bt (λ) = E P (e λb t ) = e λ2 t 2, λ R. Estes resultados são uma consequência do facto da função característica de uma variável aleatória Gaussiana real X com média m e variância σ > 0 ser ( ) C X (λ) = exp imλ λ2 σ. 2 Definição 3.5 Sea X = (X t ) t 0 um processo estocástico. Então, X chama-se Gaussiano se e só se qualquer combinação linear real finita de elementos X t, t 0 é uma variável aleatória Gaussiana, isto é, se para quaisquer α 1,..., α n R, n N e quaisquer 0 t 1 <... < t n < a variável aleatória é Gaussiana. Y = α 1 X t α n X tn
5 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 41 A seguinte proposição dá-nos um critério para determinar se um processo estocástico X é ou não Gaussiana. Proposição 3.6 Sea X = (X t ) t 0 um processo estocástico dado. Então X é Gaussiana se e só se para todos 0 t 1 < t 2 <... < t n <, n N a variável aleatória vectorial Z = (X t1,..., X tn ) tem distribuição normal multidimensional. Prova. Suponhamos que X é um processo estocástico Gaussiano com vista a mostrar que Z = (X t1,..., X tn ) tem distribuição normal multidimensional para todos 0 t 1 < t 2 <... < t n <, n N, isto é, existe m = (m 1,..., m n ) R n e uma matriz não negativa definida C = (c i ) n i, =1 tal que ( C Z ( λ) = exp i( m, λ) R n 1 ) 2 (C λ, λ) R n. Por hipótese X é Gaussiano, então para todos 0 t 1 < t 2 <... < t n <, n N e quaisquer α 1,..., α n R a variável aleatória Y = α 1 X t α n X tn é Gaussiana. Assim, existem m R e σ > 0 tal que ( ) C Y (λ) = exp imλ λ2 σ. 2 É claro que m = E P (Y) e σ = E P [(Y m) 2 ], ou sea m = α i E P (X ti ) = α i m i, m i := E P (X ti ), σ = E P [(Y m) 2 ] = E P (Y 2 ) m 2 = α i α (E P (X ti X t ) m i m ) = i, =1 α i α c i, c i := E P (X ti X t ) m i m. i, =1 A função característica de Y pode reescrever-se como C Y (λ) = exp iλ α i m i 1 2 λ2 α i α c i. i, =1
6 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 42 Por seu lado, a função característica de Z é dada por C Z ( λ) = E P (e i( λ,z) ) = E P exp i λ i X ti a qual corresponde à função característica de uma combinação linear real de variáveis aleatórias X t, t 0; de acordo com o resultado anterior temos C Z ( λ) = exp i λ i m i 1 λ i λ c i 2 i, =1 ( = exp i( m, λ) R n 1 ) 2 (C λ, λ) R n. Inversamente, suponhamos que para todos 0 t 1 < t 2 <... < t n <, n N a variável aleatória vectorial Z = (X t1,..., X tn ) tem distribuição normal multidimensional com vista a provar que Y = α 1 X t α n X tn tem distribuição normal. Por um lado, temos C Z ( λ) = E P exp i λ i X ti (i( m, = exp λ) R n 1 ) 2 (C λ, λ) R n, (3.1) onde m = (m 1,..., m n ) R n, m i := E P (X ti ) e C = (c i ) n i, =1 é a matriz de covariância, isto é, para cada i, {1,..., n}, c i := E P [(X ti m i )(X t m )]. Então a função característica de Y pode ser calculada como C Y (λ) = E P exp iλ α i X ti = E P exp i λα i X ti. Usando (3.1) com λ i = λα i obtemos C Y (λ) = exp iλ α i m i 1 2 λ2 α i α c i. i, =1 a expressão de C Y mostra que Y é uma variável aleatória Gaussiana. Como exemplo fundamental de um processo estocástico Gaussiano vamos considerar o MB. Proposição 3.7 O movimento Browniano B = (B t ) t 0 é um sistema Gaussiano.
7 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 43 Prova. Seam α 1,..., α n R, n N e 0 t 1 <... < t n < dados com vista a mostrar que a variável aleatória Y = α 1 B t α n B tn tem distribuição Gaussiana. Y pode escrever-se na forma Y = α i B t 1 + α i (B t 2 B t1 ) +... i=2 +(α n 1 + α n )(B tn 1 B tn 2 ) + α n (B tn B tn 1 ). Como os incrementos do MB B t1, B t2 B t1,..., B tn B tn 1 são variáveis aleatórias Gaussianas independentes, então reescrevendo Y = α 1 B t α n (B tn B tn 1 ), onde α = n i= α i, então n C Y (λ) = E P (e iλy ) = E P e iλ α (B t B t 1 ) = = =1 n E P (e iλ α (B t B t ) 1 ) =1 n =1 = exp ( exp 1 ) 2 λ2 α 2 (t t 1 ) ( 1 ) 2 λ2 σ, onde σ = n =1 α 2 (t t 1 ). Isto mostra que B é Gaussiano. Martingalas O termo martingala deriva do francês martingale e designa, em particular, a estratégia de ogo em que o montante apostado é duplicado até ganhar uma aposta. Na equitação é usado para designar as correias assinaladas na foto. As martingalas surgiram como modelos de ogos ustos; na sua formulação mais simples e em tempo discreto, uma sucessão de variáveis aleatórias (X n ) n 0 com
8 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 44 esperança finita é uma martingala se E P (X n+1 X 0, X 1,..., X n ) = X n, n 0. (3.2) Se pensarmos que X n representa a fortuna de um ogador ao fim de n ogadas, então (3.2) significa que a fortuna do ogador ao fim da próxima ogada é, em média, igual à sua fortuna actual. Definição 3.8 Sea (Ω, F, P) um espaço de probabilidade e A = (A t ) t 0 uma filtração dada, isto é, uma família crescente de σ-álgebras: t > s A s A t. Um processo estocástico M = (M t ) t 0 chama-se uma A-martingala se verifca as condições: (M1) M é A-adaptado, isto é, M t é A t -mensurável para qualquer t 0. (M2) E P ( M t ) < para qualquer t 0 (M3) E(M t A s ) = M s para qualqur s t. 1 O processo estocástico M chama-se uma A-supermartingala se verifica (M1), (M2) e (Sup) E(M t A s ) M s para qualquer s t. O processo estocástico M chama-se uma A-submartingala se verifica (M1), (M2) e (Sub) E(M t A s ) M s para qualquer s t. Observação 3.9 Se M = (M t ) t 0 é uma martingala relativamente à filtração (F t ) t 0. 1 A esperança condicionada de uma variável aleatória M t relativamente à σ-álgebra A s é definida como uma variável aleatória, representada por E(M t A s ) a qual é A s -mensurável tal que E(M t A s )(w)dp(w) = M t (w)dp(w), A A s. A A
9 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS Então E P (M t ) = E P (M 0 ) para qualquer t 0. De facto, por um lado, temos E(M t F s ) = M s, s t e por outro lado, da definição de esperança condicionada com A = Ω temos E P (E(M t F s )) = E P (M t ), s t. Assim, das duas igualdades resulta que E P (M t ) = E P (M s ), s t, em particular para s = F t representa a informação disponível para um observador no instante t. Um acontecimento F F t se e só se observando o processo até ao instante t podemos decidir se F ocorreu ou não. Em geral F t = σ(x s 0 s t) denota a σ-álgebra gerada pelos valores do processo X até ao instante t. Exemplo 3.10 O MB B = (B t ) t 0 é uma martingala relativamente è filtração natural de (B t ) t 0 gerada por B. Prova. É claro que B t é B t -mensurável para qualquer t 0 e pela desigualdade de Cauchy-Schwarz E P ( B t ) 2 E P (1)E P ( B t 2 ) = t <, t 0. Assim, falta verificar que E(B t B s ) = B s, para qualquer s t. Mas, atendendo às propriedades da esperança condicionada, temos E(B t B s ) = E(B t B s + B s B s ) = E(B t B s B s ) + E(B s B s ). Como B s é B s mensurável, então E(B s B s ) = B s e dado que B t B s é independente de B s, então a esperança condicionada coincide com a esperança usual, isto é, E(B t B s B s ) = E P (B t B s ) = 0. Portanto, E(B t B s ) = B s para qualquer s t e, assim, B é uma martingala.
10 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 46 Variação e variação quadrática Sea f : [0, t] R uma função dada. A variação da função f no intervalo [0, t] é definida por V f ([0, t]) = V f (t) := sup onde o supremo é tomado sobre todas as partições 0 = t n 0 < tn 1 <... < tn n = t. f (t n ) f (tn ), (3.3) É claro que (pela desigualdade triangular) as somas em (3.3) crescem à medida que novos pontos são introduzidos na partição. Assim, a variação de f é dada por V f (t) = lim f (t n ) f δn 0 (tn ), (3.4) onde δ n = max 0 n 1 t n tn. Se V f (t) é finito, então f diz-se uma função de variação finita em [0, t]. Definição 3.11 Sea f : R + R uma função dada. Então 1. f diz-se de variação finita se V f (t) < para qualquer t f diz-se de variação limitada se sup t R+ V f (t) <, por outras palavras, se para qualquer t 0, V f (t) < C, onde C é independente de t. Exemplo 3.12 Sea f : R + R uma função dada. Então 1. se f é crescente V f (t) = f (t) f (0). De facto, como f (t n ) f (tn ) 0, então a soma em (3.4) é telescópica e o seu valor é precisamente f (t) f (0), pelo que V f (t) = f (t) f (0); 2. se f é decrescente V f (t) = f (0) f (t). Resulta do caso anterior com f crescente. 3. se f C 1 ([0, 1]) então f (t) = f (0) + t f (s)ds e t f (s) ds <. Neste 0 0 caso temos V f (t) = t 0 f (s) ds.
11 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 47 De facto, pelo teorema do valor médio temos t n t n f (s)ds = f (τ n )(tn tn ), τn ]tn, tn [. Assim, t n t n f (s)ds = f (τ n ) (tn tn ) e ainda V f (t) = lim f (t n ) f δn 0 (tn ) = lim δ n 0 t n t = lim f (τ n δn 0 ) (tn tn ) = f (s) ds. 0 t n f (s)ds Teorema 3.13 (Decomposição de Jordan) Qualquer função f : R + R de variação finita pode ser escrita como a diferença de duas funções crescentes f (t) = α(t) β(t), t R +. Se f é contínua à direita, então pode ser escrita como diferença de duas funções crescentes contínuas à direita. onde O integral de Riemann de f : [0, t] R + é definido como t 0 f (s)ds = lim f (τ n δn 0 )(tn tn ), 0 = t n 0 < tn 1 <... < tn n = t, δ n = max 0 n 1 (tn tn ), τn [tn, tn ]. O integral de Riemann está definido para funções f contínuas, mas pode ser prolongado a funções f com um número contável de descontinuidades. Uma generalização do integral de Riemann é dada pelo integral de Riemann-Stieltes. A sua definição é a seguinte. Definição 3.14 O integral de Riemann-Stieltes de f relativamente à função monótona α no intervalo [0, t] é definido por t 0 f (t)dα(t) := lim f (τ n δn 0 )(α(tn ) α(tn )), onde τ n e tn são os mesmos da definição do integral de Riemann.
12 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 48 Observação O integral de Riemann-Stieltes é de facto uma generalização do integral de Riemann, de facto para α(t) = t este integral coincide com o integral de Riemann. 2. Por outro lado, o integral de Riemann-Stieltes não é adequado na teoria das probabilidades pois, não preserva as propriedades de convergência. Mais precisamente, f n f não implica necessariamente a convergência do integral de Riemann-Stieltes. Este problema é ultrapassado usando o integral de Lebesgue-Stieltes o qual preserva as propriedades de convergência. Exemplo 3.16 Se α(t) = t 2, então t f (s)dα(s) = 2 t s f (s)ds. 0 0 Se α é dada por 0 t < t < 1 α(t) = 3 1 t < t, então t 0 f (s)dα(s) = 2 f (0) + f (1) + 2 f (2). Em cálculo estocástico consideramos integrais relativamente a funções com variação infinita (como por exemplo o MB). Integrais deste tipo (integrais estocásticos) não podem ser definidos no sentido de Riemann-Stieltes por causa da seguinte proposição. Proposição 3.17 Sea δ n = max 0 n 1 (t n tn ) o maior intervalo da partição 0 = t n 0 < tn 1 <... < tn n = t do intervalo [0, t]. Se lim f (τ n δ n 0 )(α(tn ) α(tn )) existe para qualquer função contínua f, então α tem variação finita em [0, t]. Assim, integrais relativamente a funções com variação infinita têm de ser definidas de outra forma. Os próximos dois resultados serão muito úteis na definição dos integrais estocásticos do próximo capítulo. Lema 3.18 Consideremos a seguinte partição 0 = t n 0 < tn 1 <... < tn 2 n = t do intervalo [0, t] em 2 n partes iguais, por exemplo t n := 2 n t, = 0,..., 2 n 1.
13 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 49 Sea B = (B t ) t 0 um MB e denotamos B t Proposição e 4. temos := B t n B t n. Então, de acordo com a E P [( B t ) 2 ] = 2 n t, E P [( B t ) 4 ] = 32 2n t 2. Proposição 3.19 Sea B = (B t ) t 0 um MB e 0 = t n 0 < tn 1 <... < tn 2 n do intervalo [0, t] em 2 n partes iguais. Então = t a partição 2 n 1 L 2 (P) lim ( B t ) 2 = t. n Prova. O limite corresponde à convergência forte no espaço de Banach L 2 (P). Assim, vamos mostrar que 2 n 1 ( B t ) 2 t 2 L 2 (P) 2 = E P n 1 ( B t ) 2 t 2 0, n. Como 2 n 1 ( B t ) 2 t 2 = = 2 n 1 [( B t ) 2 2 n t] 2 n 1 [( B t ) 2 2 n t] 2 [( B t ) 2 2 n t][( B ti ) 2 2 n t]. 2 n i, i
14 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 50 Aplicando a esperança e usando o facto das variáveis aleatórias [( B t ) 2 2 n t] e [( B ti ) 2 2 n t] serem independentes, i, obtemos = Isto prova o resultado. 2 n 1 E P [( B t ) 4 22 n t( B t ) n t 2 ] E P [( B t ) 2 2 n t]e P [( B ti ) 2 2 n t] 2 n 1 + i, i 2 n 1 (32 2n t n t n t 2 ) (2 n t 2 n t)(2 n t 2 n t) 2 n 1 + i, i = 22 2n t 2 2 n = 22 n t 2 0, n. Corolário 3.20 As traectórias do MB B = (B t ) t 0 têm variação infinita P-q.c. Prova. Temos de mostrar que V B (t) =, para qualquer t > 0 P-q.c. Por definição temos V B (t) = lim B t n δn 0 B t n, onde 0 = t n 0 < tn 1 <... < tn n = t é uma partição de [0, t] e δ n = max 0 n (t n tn ). Tendo em atenção que o MB tem traectórias contínuas P-q.c., então B (w) atinge um máximo em [0, t]. Assim e ainda (B t n B t n ) 2 max B t n B 0 n t n B t n B t n (3.5) max B t n B 0 n t n 0, δ n 0, por B ter traectórias contínuas. Pelo Lema 3.18 e Proposição 3.19 existe uma subsucessão de partições 0 = t n k 0 < tn k 1 <... < tn k n k = t de [0, t] em 2 n partes iguais
15 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 51 tal que k 1 lim B n n k t k B n t k 2 = t, P-q.c. Passando ao limite em ambos os lados na desigualdade (3.5) (limite nas partições de [0, t] em 2 n partes iguais), obtemos t 0 lim nk 0 n k B t n k B t n k. Assim, se o limite lim nk nk 0 B t n k B n t k for finito vem t 0, para qualquer t > 0 o que é absurdo. Logo só podemos ter lim k 0 n k Como a seguinte desigualdade é verdadeira B n t k B n t k =, P-q.c. sup B t n B t n sup B t n B t n, onde sup é tomado sobre todas as partições de [0, t] e sup é tomado sobre as partições de [0, t] em 2 n partes iguais, então V B (t) =, P-q.c. Definição 3.21 Sea X = (X t ) t 0 um processo estocástico em (Ω, F, P) e p > 0 dado. Definimos o processo estocástico variação de ordem p de X, denotado X, X p = ( X, X p t ) t 0, por X, X p t : Ω R, w X, X p t (w) := lim δn 0 X t n (w) X t n (w) p, onde 0 = t n 0 < tn 1 <... < tn n = t é uma partição de [0, t] e δ n = max 0 n (t n tn ). Observação 3.22 Nas condições da definição anterior temos 1. se p = 1, então X, X 1 t = X, X t é chamado processo de variação total associado a X,
16 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS se p = 2, então X, X 2 t é chamado processo de variação quadrática de X. É possível mostrar que o processo de variação quadrática B, B 2 do MB B existe e é igual a B, B 2 t = t, t 0. A Proposição 3.19 dá uma indicação nesse sentido visto que, para a sucessão de partições de [0, t] em 2 n partes iguais, temos B, B 2 t = t. Proposição 3.23 As traectórias do MB B = (B t ) t 0 não são diferenciáveis, em qualquer dos seus pontos. Prova. Em primeiro lugar vamos provar que as traectórias de B não são diferenciáveis na origem. Para tal vamos mostrar que, com probabilidade 1, para qualquer natural n existe t [0, 1 ] tal que 1 B n 4 t t = 1( B t t+0 B 0 ) > n, o que implica a não diferenciabilidade em t = 0. Para cada n N definimos { B n := w Ω 1 t B t(w) > n para algum t [ 0, n 4]}. É claro que B 1 B 2... B n... forma uma sucessão decrescente de subconuntos em Ω e, portanto P B n = lim P(B n). n n 1 Por outro lado, atendendo ao Exercício 3.3 o processo B (n) = (B (n) t ) t 0 definido por B (n) t := 1 n 2 B n 4 t é uma MB com distribuição N(0, t). Assim, como B n w Ω 1 B 1 (w) > n 1 n 4 n, 4 então P(B n ) P{w Ω n 4 B n 4(w) > n} = P{w Ω n 2 B 1 (w) > n} = P{w Ω B 1 (w) > n 1 }. Como B 1 0 P-q.c., então P(B n ) 1, n. Isto mostra que B não é diferenciável na origem.
17 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 53 Para provar que B não é diferenciável em qualquer ponto t ]0, [, procedemos do seguinte modo. Para cada t > 0 definimos o processo estocástico B s (t) = B t+s B t, s 0. Então pelo Exercício 3.2 B(t) = ( B s (t)) s 0 é um MB com distribuição N(0, s). Assim, B(t) não é diferenciável em s = 0, logo B não é diferenciável em t. Exercícios Exercício 3.1 Sea X uma variável aleatória com distribuição N(m, σ 2 ). 1. Calcule a função geradora de momentos de X, L X. Sugestão: Use o seguinte resultado dos integrais Gaussianos ( ) 1 e iλx 1 2σ 2 (x m)2 = exp imλ λ2 σ, λ R. 2πσ 2 R 2 2. Mostre que os momentos de ordem ímpar de X - MX 2n 1 e o de ordem par - MX 2n são dados por MX 2n 1 = 0, MX 2n = (2n)! 2 n n! σ2n := (2n 1)!!σ 2n. Exercício 3.2 (Invariância por translação) Seam (B t ) t 0 um movimento Browniano e t 0 > 0 fixo. Então, o processo estocástico ( B t ) t 0 definido por é um movimento Browniano. B t = B t+t0 B t0, t 0 Exercício 3.3 (Invariância por dilatação) Seam λ > 0 e (B t (.)) t 0 um movimento Browniano. Então, B (λ) = (B (λ) t ) t 0, definido por B (λ) t = B λt λ é um movimento Browniano.
18 CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 54 Exercício 3.4 (Martingala exponencial) Mostre que M t := exp(σb t tσ 2 /2), t 0 é uma martingala relativamente à filtração de σ-álgebras (B t ) t 0 geradas pelo movimento Browniano (B t ) t 0. Exercício 3.5 Sea B = (B t ) t 0 o movimento Browniano e (B t ) t 0 a filtração natural associada a B. 1. Verifique se o processo estocástico (M t ) t 0 é ou não uma martingala relativamente a (B t ) t 0, onde M t := t 2 B t 2 t 0 sb s ds, t Mostre que o processo estocástico M t := B 3 t 3tB t, t 0 é uma martingala relativamente a (B t ) t Mostre que M t := B 2 t t, t 0 é uma martingala relativamente a (B t ) t Construção do integral de Wiener Sea (Ω, F, P) um espaço de probabilidade dado. Numa primeira fase vamos definir os integrais estocásticos para funções f determinísticas, isto é, f não depende do parâmetro aleatório w Ω. Neste caso os integrais obtidos são chamados integrais de Wiener. Definição 3.24 Uma função f : [0, t] R chama-se uma função em escada (ou função simples) sobre [0, t], denotada f E([0, t]), se existem uma partição 0 = t 0 < t 1 <... < t n = t e constantes f R tais que Norbert Wiener f (s) = f 1 [t,t )(s), s [0, t]. (3.6) Combinações lineares e produtos de funções simples ainda são funções simples, pelo que E([0, t]) é um espaço vectorial. O integral de Wiener para funções em escada é definido do seguinte modo.
Convergência em espaços normados
Chapter 1 Convergência em espaços normados Neste capítulo vamos abordar diferentes tipos de convergência em espaços normados. Já sabemos da análise matemática e não só, de diferentes tipos de convergência
Leia maisO movimento Browniano
O movimento Browniano R. Vilela Mendes http://label2.ist.utl.pt/vilela/ March 2010 () March 2010 1 / 35 Sumário O movimento Browniano Propriedade Markoviana Probabilidade de transição. Medida de Wiener
Leia maisd(t x, Ty) = d(x, y), x, y X.
Capítulo 6 Espaços duais 6.1 Preliminares A análise funcional foi nos seus primórdios o estudo de funcionais. Assim, nos dias de hoje um princípio fundamental da análise funcional é a investigação de espaços
Leia maisg(s, X n s )ds + t f (s, X s ) 2 ds <, P-q.s. t f (s, X s )db s, t 0.
CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 88 2. Quais são as propriedades destas soluções? 3. Como podemos resolver uma dada equação? O método usual para provar a existência de uma solução da equação diferencial
Leia maisParte II. Análise funcional II
Parte II Análise funcional II 12 Capítulo 5 Produto de Operadores. Operadores inversos Neste capítulo vamos introduzir a noção de produto de operadores assim como a de operador invertível. Para tal precisamos
Leia maisOperadores em espaços normados
Capítulo 7 Operadores em espaços normados Neste capítulo vamos introduzir uma série de operadores em espaços normados os quais são muito úteis, nomeadamente, na resolução de equações envolvendo operadores.
Leia maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
Leia maisContinuidade de processos gaussianos
Continuidade de processos gaussianos Roberto Imbuzeiro Oliveira April, 008 Abstract 1 Intrudução Suponha que T é um certo conjunto de índices e c : T T R é uma função dada. Pergunta 1. Existe uma coleção
Leia mais) a sucessão definida por y n
aula 05 Sucessões 5.1 Sucessões Uma sucessão de números reais é simplesmente uma função x N R. É conveniente visualizar uma sucessão como uma sequência infinita: (x(), x(), x(), ). Neste contexto é usual
Leia maisTeoria da Medida e Integração (MAT505)
Transporte de medidas Teoria da Medida e Integração (MAT505) Transporte de medidas e medidas invariantes. Teorema de Recorrência de Poincaré V. Araújo Instituto de Matemática, Universidade Federal da Bahia
Leia maisTeoria da Probabilidade e Modelos Discretos de Mercados Financeiros Edição de 7 de Fevereiro de 2017
QUESTÕES PARA AS AVALIAÇÕES Teoria da Probabilidade e Modelos Discretos de Mercados Financeiros 2016-2017 Edição de 7 de Fevereiro de 2017 Nota Prévia Todos os exercícios enunciados nas aulas são considerados
Leia maisTeoria espectral de operadores lineares limitados
Capítulo 8 Teoria espectral de operadores lineares limitados A teoria espectral é um dos ramos principais da análise funcional moderna e suas aplicações. Essencialmente consiste no inverso de certos operadores,
Leia maisTeoremas fundamentais dos espaços normados
Capítulo 9 Teoremas fundamentais dos espaços normados 9.1 Teorema de Hahn-Banach O próximo teorema, conhecido como teorema de Hahn-Banach, é uma generalização do Teorema 4.12, o qual, recordamos para conveniência
Leia maisPROCESSO DE POISSON. Processo Estocástico Prof, Ms. Eliana Carvalho
Processo Estocástico Prof, Ms. Eliana Carvalho Este processo estocástico deve o seu nome ao matemático francês Simion-Denis Poisson (1781-1840). Espaço de estados discreto (cadeia) Variável tempo é contínua
Leia maisO Teorema de Peano. f : D R n. uma função contínua. Vamos considerar o seguinte problema: Encontrar um intervalo I R e uma função ϕ : I R n tais que
O Teorema de Peano Equações de primeira ordem Seja D um conjunto aberto de R R n, e seja f : D R n (t, x) f(t, x) uma função contínua. Vamos considerar o seguinte problema: Encontrar um intervalo I R e
Leia maisLista 4. Esta lista, de entrega facultativa, tem três partes e seus exercícios versam sobre séries, funções contínuas e funções diferenciáveis em R.
UFPR - Universidade Federal do Paraná Departamento de Matemática CM095 - Análise I Prof José Carlos Eidam Lista 4 INSTRUÇÕES Esta lista, de entrega facultativa, tem três partes e seus exercícios versam
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2014/2015 Os exercícios assinalados com (*) têm um nível de dificuldade superior. Exercício 1. Seja (X, F) um espaço mensurável. Mostre
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA. Medida e Probabilidade
UNIVERSIDADE FEDERAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA Medida e Probabilidade Aluno: Daniel Cassimiro Carneiro da Cunha Professor: Andre Toom 1 Resumo Este trabalho contem um resumo dos principais
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
Leia maisDemonstração. Ver demonstração em [1]. . Para que i j se tem µ i µ j? Determine a derivada no sentido de Radon-Nikodym em cada caso.
Proposição 2.39 (Propriedades de e.). Sejam µ, λ, λ 1, λ 2 medidas no espaço mensurável (X, F). Então 1. se λ 1 µ e λ 2 µ então (λ 1 + λ 2 ) µ. 2. se λ 1 µ e λ 2 µ então (λ 1 + λ 2 ) µ. 3. se λ 1 µ e λ
Leia maisNotas de Teoria da Probabilidade e Processos Estocásticos
Notas de Teoria da Probabilidade e Processos Estocásticos José Pedro Gaivão Resumo Estas notas destinam-se à disciplina de Teoria da Probabilidade e Processos Estocásticos do Mestrado de Matemática Financeira
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisTeoria da Medida e Integração (MAT505)
Teoria da Medida e Integração (MAT505) Modos de convergência V. Araújo Mestrado em Matemática, UFBA, 2014 1 Modos de convergência Modos de convergência Neste ponto já conhecemos quatro modos de convergência
Leia maisExercício 18. Demonstre a proposição anterior. (Dica: use as definições de continuidade e mensurabilidade)
Proposição 2.7. Sejam Y e Z espaços métricos e X um espaço mensurável. Se f : X Y é uma função mensurável e g : Y Z é uma função contínua então g f : X Z é uma função mensurável. Exercício 18. Demonstre
Leia maisÁLGEBRA LINEAR I - MAT0032
UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR I - MAT32 12 a Lista de exercícios
Leia maisApresente todos os cálculos e justificações relevantes. a) Escreva A e B como intervalos ou união de intervalos e mostre que C = { 1} [1, 3].
Instituto Superior Técnico Departamento de Matemática 1. o TESTE DE CÁLCULO DIFERENCIAL E INTEGRAL I - Versão A LEAN, LEMat, MEQ 1. o Sem. 2016/17 12/11/2016 Duração: 1h0m Apresente todos os cálculos e
Leia maisTeoria da Medida e Integração (MAT505)
Modos de convergência Teoria da Medida e Integração (MAT505) Modos de convergência. V. Araújo Instituto de Matemática, Universidade Federal da Bahia Mestrado em Matemática, UFBA, 2014 Modos de convergência
Leia maisMétodos Matemáticos em Finanças em Tempo
Métodos Matemáticos em Finanças em Tempo Contínuo J.P.Zubelli (IMPA - Brazil) 9 de março de 2018 Outline O Movimento Browniano e a Integral Estocástica A Integral de Itô Extensão da Integral de Itô para
Leia maisProcessos de Lévy: Preliminares
Processos de Lévy: Preliminares Pedro A. Morettin Instituto de Matemática e Estatística Universidade de São Paulo pam@ime.usp.br http://www.ime.usp.br/ pam Sumário 1. Introdução 2. Alguns processos em
Leia maisIntrodução à Análise Funcional
Introdução à Análise Funcional José Carlos de Sousa Oliveira Santos Departamento de Matemática Pura Faculdade de Ciências Universidade do Porto Porto Julho de 2010 Índice Índice Introdução i iii 1 Teoria
Leia maisTeoria da Medida e Integração (MAT505)
Teoria da Medida e Integração (MAT505) Teoria de Derivação de Lebesgue. Teorema Fundamental do Cálculo. V. Araújo Mestrado em Matemática, UFBA, 204 Conteúdo Riemann. vs Lebesgue..............................2
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2013/2014 Exercício 1. Seja (, F) um espaço mensurável. Mostre que 1. F. 2. se A i F, i = 1, 2,... então n i=1 A i F. 3. se A i F,
Leia maisNotas Sobre Sequências e Séries Alexandre Fernandes
Notas Sobre Sequências e Séries 2015 Alexandre Fernandes Limite de seqüências Definição. Uma seq. (s n ) converge para a R, ou a R é limite de (s n ), se para cada ɛ > 0 existe n 0 N tal que s n a < ɛ
Leia mais1.3 Conjuntos de medida nula
1.3 Conjuntos de medida nula Seja (X, F, µ) um espaço de medida. Um subconjunto A X é um conjunto de medida nula se existir B F tal que A B e µ(b) = 0. Do ponto de vista da teoria da medida, os conjuntos
Leia maisANÁLISE COMPLEXA E EQUAÇÕES DIFERENCIAIS. Apresente e justifique todos os cálculos
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise ANÁLISE COMPLEXA E EQUAÇÕES DIFERENCIAIS TESTES DE RECUPERAÇÃO A - 6 DE JUNHO DE 9 - DAS H ÀS :3H Teste Apresente e justifique
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisInvariância da integral por homotopia, fórmula de Cauchy e séries de Taylor
Invariância da integral por homotopia, fórmula de Cauchy e séries de Taylor Roberto Imbuzeiro Oliveira 6 de Abril de 20 Preliminares Nestas notas, U C sempre será um aberto e f : U C é contínua. Duas curvas
Leia maisO Teorema de Radon-Nikodým
Universidade stadual de Maringá - Departamento de Matemática Cálculo Diferencial e Integral: um KIT de Sobrevivência c Publicação eletrônica do KIT http://www.dma.uem.br/kit O Teorema de Radon-Nikodým
Leia maisσ-álgebras, geradores e independência
σ-álgebras, geradores e independência Roberto Imbuzeiro M. F. de Oliveira 15 de Março de 2009 Resumo Notas sobre a σ-álgebra gerada por uma variável aleatória X e sobre as condições de independência de
Leia maisAnálise Complexa e Equações Diferenciais 1 ō Semestre 2016/2017
Análise Complexa e Equações Diferenciais 1 ō Semestre 016/017 ō Teste Versão A (Cursos: MEBiol, MEQ 17 de Dezembro de 016, 10h [,0 val 1 Considere a equação diferencial e t + y e t + ( 1 + ye t dy dt 0
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisTopologia. Fernando Silva. (Licenciatura em Matemática, 2007/2008) 13-agosto-2018
Topologia (Licenciatura em Matemática, 2007/2008) Fernando Silva 13-agosto-2018 A última revisão deste texto está disponível em http://webpages.fc.ul.pt/~fasilva/top/ Este texto é uma revisão do texto
Leia maisTeoria da Probabilidade e Processos Estocásticos Mestrado em Matemática Financeira
Teoria da Probabilidade e Processos Estocásticos Mestrado em Matemática Financeira 15 de Janeiro 013 Época Normal - horas Resolva os seguintes exercícios, justificando cuidadosamente as suas respostas.
Leia mais2.1 Sucessões. Convergência de sucessões
Capítulo 2 Sucessões reais Inicia-se o capítulo introduzindo os conceitos de sucessão limitada, sucessão monótona, sucessão convergente e relacionando estes conceitos entre si. A análise da convergência
Leia maisÁlgebra Linear e Geometria Analítica
Instituto Politécnico de Viseu Escola Superior de Tecnologia Departamento: Matemática Álgebra Linear e Geometria Analítica Curso: Engenharia Electrotécnica Ano: 1 o Semestre: 1 o Ano Lectivo: 007/008 Ficha
Leia maisSMA 5878 Análise Funcional II
SMA 5878 Análise Funcional II Alexandre Nolasco de Carvalho Departamento de Matemática Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo 16 de Março de 2017 Objetivos da Disciplina
Leia maisProdutos de potências racionais. números primos.
MATEMÁTICA UNIVERSITÁRIA n o 4 Dezembro/2006 pp. 23 3 Produtos de potências racionais de números primos Mário B. Matos e Mário C. Matos INTRODUÇÃO Um dos conceitos mais simples é o de número natural e
Leia maisSucessões. , ou, apenas, u n. ,u n n. Casos Particulares: 1. Progressão aritmética de razão r e primeiro termo a: o seu termo geral é u n a n1r.
Sucessões Definição: Uma sucessão de números reais é uma aplicação u do conjunto dos números inteiros positivos,, no conjunto dos números reais,. A expressão u n que associa a cada n a sua imagem designa-se
Leia maisNotas de Teoria da Probabilidade e Processos Estocásticos
Notas de Teoria da Probabilidade e Processos Estocásticos José Pedro Gaivão Resumo Estas notas destinam-se à disciplina de Teoria da Probabilidade e Processos Estocásticos do Mestrado de Matemática Financeira
Leia maisNotas de Aulas 3(Segunda Avaliação)-Produto Interno II Prof. Carlos Alberto S Soares
Notas de Aulas 3(Segunda Avaliação)-Produto Interno II Prof. Carlos Alberto S Soares Neste capítulo, estaremos generalizando a noção de projeção ortogonal já desenvolvida em cursos anteriores. Definição
Leia maisLogo, este cálculo para funções simples motiva a seguinte definição de
nalogamente, se conclui que a função x 2 µ 1 ( x2 ) é simples. Portanto, µ 2 ( x1 )dµ 1 = µ 1 ( 1 ) µ 2 ( 2 ) = µ 1 ( x2 )dµ 2. X 1 X 2 Logo, este cálculo para funções simples motiva a seguinte definição
Leia maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisFORMULÁRIO PROCESSOS ESTOCÁSTICOS E APLICAÇÕES MAEG-ISEG exp(x) = j=0. j+1 xj ( 1) j=1. ( 1) j x j for 1 < x < 1
FORMULÁRIO PROCESSOS ESTOCÁSTICOS E APLICAÇÕES MAEG-ISEG 008 Desenvolvimentos em série log( + x) = ( + x) = exp(x) = X ( ) = Cadeias de Markov + x X x! for < x X ( ) x for < x < Equações de Chapman-Kolmogorov
Leia maisexercícios de análise numérica II
exercícios de análise numérica II lic. matemática aplicada e computação (4/5) aulas práticas - capítulo Exercício. Mostre que a soma dos polinómios base de Lagrange é a função constante. Exercício. Usando
Leia maisProcessos Estocásticos
Licenciatura em Matemática Aplicada e Computação PROCESSOS ESTOCÁSTICOS 2002/03 Colectânea de Exercícios Capítulo 1 Introdução aos Processos Estocásticos Exercício 1.1 O número de sinais emitidos por uma
Leia maisAnálise Matemática III - Turma especial
Análise Matemática III - Turma especial Fichas 1 a 5 - Solução parcial 1.3 Seja D E k um conjunto fechado. Uma transformação T : D D diz-se uma contracção se existe c < 1 tal que para todos os x, y D se
Leia maisNoções de Álgebra Linear
Noções de Álgebra Linear 1. Espaços vetoriais lineares 1.1. Coordenadas 2. Operadores lineares 3. Subespaços fundamentais 4. Espaços normados 5. Espaços métricos 6. Espaços de Banach 7. Espaços de Hilbert
Leia maisANÁLISE MATEMÁTICA II
ANÁLISE MATEMÁTICA II Acetatos de Ana Matos Séries Numéricas DMAT Séries Numéricas Definições básicas Chama-se série numérica a uma expressão do tipo a a 2, em geral representada por, ou, onde é uma sucessão
Leia maisUFPB - CCEN - DEPARTAMENTO DE MATEMÁTICA ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA 1 a LISTA DE EXERCÍCIOS PERÍODO
UFPB - CCEN - DEPARTAMENTO DE MATEMÁTICA ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA a LISTA DE EXERCÍCIOS PERÍODO 0 Os exercícios 0 8 trazem um espaço vetorial V e um seu subconjunto W Sempre que W for um subespaço
Leia maisTeoria da Medida e Integração (MAT505)
Riemann Derivadas Variação Limitada Cont. Abs. Teoria da Medida e Integração (MAT505) Teoria de Derivação de Lebesgue. Teorema Fundamental do Cálculo. V. Araújo Instituto de Matemática, Universidade Federal
Leia maisMOQ-12: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS. VA s e Distribuições
Motivação: MOQ-2: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS VA s e Distribuições Definimos anteriormente Espaço de Probabilidades como sendo a tripla (W,, P(.)), em que, dado um eperimento, W representa
Leia maisProbabilidade de Ruína e Processos de Lévy α-estáveis
Apresentação Probabilidade de Ruína e Processos de Lévy α-estáveis Universidade de São Paulo IME - USP 08 de abril, 2010 Apresentação Distribuições Estáveis e Processos de Lévy α-estáveis Convergência
Leia maisProbabilidade IV. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período
Probabilidade IV Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2014.2 Ulisses Umbelino (DE-UFPB) Probabilidade IV Período 2014.2 1 / 20 Sumário 1 Apresentação
Leia maisAs leis dos grandes números
6. Introdução este capítulo estudamos algumas formulações da lei dos grandes números. Uma lei dos grandes números dá o comportamento limite, ou assimptótico, de uma média de observações aleatórias., de
Leia maiso mesmo jeito, podemos Observação 1.1. (1) As denições acima incluem a possibilidade de I ser
1. Martingais Considere um espaço de probabilidade (Ω, F, P ). Um processo estocástico X é uma família de variáveis aleatórias = (X t ) t I, I R, denidas em (Ω, F). X é L p -limitado se sup t I E[ X t
Leia maisDefinição (6.1): Definimos equação diferencial como uma qualquer relação entre uma função e as suas derivadas.
Capítulo 6 Definição (6.1): Definimos equação diferencial como uma qualquer relação entre uma função e as suas derivadas. Definição (6.2): Seja e uma função real incógnita definida num intervalo aberto.
Leia maisMAT ÁLGEBRAS DE OPERADORES 2 SEMESTRE DE 2017 LISTA DE PROBLEMAS
MAT 5818 - ÁLGEBRAS DE OPERADORES 2 SEMESTRE DE 2017 LISTA DE PROBLEMAS 1) Mostre que M n (C) munida da norma ((a jk )) 1 j,k n = k=1 2) Defina na álgebra C[X] dos polinômios complexos na variável X a
Leia maisALGA I. Bases, coordenadas e dimensão
Módulo 5 ALGA I. Bases, coordenadas e dimensão Contents 5.1 Bases, coordenadas e dimensão............. 58 5.2 Cálculos com coordenadas. Problemas......... 65 5.3 Mudanças de base e de coordenadas..........
Leia maisCapítulo 1 Como motivação para a construção dos números complexos aconselha-se o visionamento do quinto do capítulo do documentário Dimensions, disponível em http://www.dimensions-math.org/ Slides de apoio
Leia maisNotas Para o Curso de Medida e. Daniel V. Tausk
Notas Para o Curso de Medida e Integração Daniel V. Tausk Sumário Capítulo 1. Medida de Lebesgue e Espaços de Medida... 1 1.1. Aritmética na Reta Estendida... 1 1.2. O Problema da Medida... 6 1.3. Volume
Leia maisTEORIA ERGÓDICA, SISTEMAS DINÂMICOS E MEDIDAS INVARIANTES
TEORIA ERGÓDICA, SISTEMAS DINÂMICOS E MEDIDAS INVARIANTES Aluno: Juliana Arcoverde V. L. Ribeiro Orientador: Lorenzo Justiniano Díaz Casado Introdução A Teoria dos Sistemas Dinâmicos, ou mais exatamente
Leia maisTeorema da Triangularização de Schur e Diagonalização de Matrizes Normais
Teorema da Triangularização de Schur e Diagonalização de Matrizes Normais Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 16 de novembro
Leia maisUma demonstração elementar de um resultado sobre a noção de diferencial em espaços normados
Uma demonstração elementar de um resultado sobre a noção de diferencial em espaços normados Cecília S. Fernandez UFF Neste trabalho vamos apresentar uma demonstração elementar de um resultado envolvendo
Leia maisMovimento Browniano, Integral de Itô e Estocásticas
Universidade Federal do Rio Grande do Sul Instituto de Matemática Programa de Pós-Graduação em Matemática Movimento Browniano, Integral de Itô e Introdução às Equações Diferenciais Estocásticas Ricardo
Leia maisa = bq + r e 0 r < b.
1 Aritmética dos Inteiros 1.1 Lema da Divisão e o Algoritmo de Euclides Recorde-se que a, o módulo ou valor absoluto de a, designa a se a N a = a se a / N Dados a, b, c Z denotamos por a b : a divide b
Leia maisALGA I. Representação matricial das aplicações lineares
Módulo 6 ALGA I Representação matricial das aplicações lineares Contents 61 Matriz de uma aplicação linear 76 62 Cálculo do núcleo e imagem 77 63 Matriz da composta 78 64 GL(n Pontos de vista passivo e
Leia maisProva: Usando as definições e propriedades de números reais, temos λz = λx + iλy e
Lista Especial de Exercícios de Física Matemática I Soluções (Número complexo, sequência de Cauchy, função exponencial e movimento hamônico simples) IFUSP - 8 de Agosto de 08 Exercício Se z x + iy, x,
Leia mais3 Apresentação do processo e resultados preliminares
3 Apresentação do processo e resultados preliminares O Capitulo 1 dá a ferramenta para construir uma cadeia de Markov a tempo contínuo, a partir de uma cadeia de Markov a tempo discreto. Agora, queremos
Leia maisSISTEMAS LINEARES PROF. EDÉZIO
SOLUÇÕES NUMÉRICAS DE SISTEMAS LINEARES PROF. EDÉZIO Considere o sistema de n equações e n incógnitas: onde E : a x + a x +... + a n x n = b E : a x + a x +... + a n x n = b. =. () E n : a n x + a n x
Leia maisMódulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios
Módulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia
Leia maisDANIEL V. TAUSK. se A é um subconjunto de X, denotamos por A c o complementar de
O TEOREMA DE REPRESENTAÇÃO DE RIESZ PARA MEDIDAS DANIEL V. TAUSK Ao longo do texto, denotará sempre um espaço topológico fixado. Além do mais, as seguintes notações serão utilizadas: supp f denota o suporte
Leia maisCapítulo 2. Ortogonalidade e Processo de Gram-Schmidt. Curso: Licenciatura em Matemática
Capítulo 2 Ortogonalidade e Processo de Gram-Schmidt Curso: Licenciatura em Matemática Professor-autor: Danilo Felizardo Barboza Wilberclay Gonçalves de Melo Disciplina: Álgebra Linear II Unidade II Aula
Leia maisNo que segue, X sempre denota um espaço topológico localmente compacto
O TEOREMA DE REPRESENTAÇÃO DE RIESZ PARA MEDIDAS DANIEL V. TAUSK No que segue, sempre denota um espaço topológico localmente compacto Hausdorff. Se f : R é uma função, então supp f denota o{ suporte (relativamente
Leia mais3º Ano da Licenciatura em Matemática Universidade de Lisboa Setembro 2009
3º Ano da Licenciatura em Matemática Universidade de Lisboa Setembro 2009 Introdução Experiência de Double-Slit Introdução- Experiência de Double-Slit Introdução - Experiência de Double-Slit Incrivelmente
Leia maisCapítulo 1. Fundamentos
Capítulo 1 Fundamentos A probabilidade moderna se baseia fortemente na Teoria da Medida e supomos durante esse curso que o leitor esteja bem familiarizado com conceitos tais como: Medida de Lebesgue, extensões
Leia maisALGA I. Operadores auto-adjuntos (simétricos e hermitianos). Teorema espectral
Módulo 9 ALGA I. Operadores auto-adjuntos (simétricos e hermitianos). Teorema espectral Contents 9.1 Operadores auto-adjuntos (simétricos e hermitianos) 136 9. Teorema espectral para operadores auto-adjuntos...........
Leia mais= f(0) D2 f 0 (x, x) + o( x 2 )
6 a aula, 26-04-2007 Formas Quadráticas Suponhamos que 0 é um ponto crítico duma função suave f : U R definida sobre um aberto U R n. O desenvolvimento de Taylor de segunda ordem da função f em 0 permite-nos
Leia maisReviso de Teoria da Medida e Elementos Bsicos de Probabilidade
Reviso de Teoria da Medida e Elementos Bsicos de Probabilidade Roberto Imbuzeiro Oliveira 9 de Março de 2009 Resumo Esta lista cobre o básico do básico sobre espaços e distribuições de probabilidade. Pouco
Leia maisTeoria Ergódica (9 a aula)
Outubro 2012 Espaços de Sequências Seja (X, d 0 ) um espaço métrico compacto. B Z (X ) = X Z = { x = (x j ) j Z : x j X, j Z } B N (X ) = X N = { x = (x j ) j N : x j X, j N } B(X ) designa indiferentemente
Leia maisApontamentos III. Espaços euclidianos. Álgebra Linear aulas teóricas. Lina Oliveira Departamento de Matemática, Instituto Superior Técnico
Apontamentos III Espaços euclidianos Álgebra Linear aulas teóricas 1 o semestre 2017/18 Lina Oliveira Departamento de Matemática, Instituto Superior Técnico Índice Índice i 1 Espaços euclidianos 1 1.1
Leia maisIntroduzir os conceitos de base e dimensão de um espaço vetorial. distinguir entre espaços vetoriais de dimensão fnita e infinita;
META Introduzir os conceitos de base e dimensão de um espaço vetorial. OBJETIVOS Ao fim da aula os alunos deverão ser capazes de: distinguir entre espaços vetoriais de dimensão fnita e infinita; determinar
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisFaremos aqui uma introdução aos espaços de Banach e as diferentes topologías que se podem definir nelas.
Capítulo 2 Espaços de Banach Faremos aqui uma introdução aos espaços de Banach e as diferentes topologías que se podem definir nelas. 2.1 Espaços métricos O conceito de espaço métrico é um dos conceitos
Leia mais1 a data de exame. 17 de Janeiro de 2002 Licenciaturas em Engenharia do Ambiente e Engenharia Aeroespacial. Resolução e alguns comentários
Análise Matemática I a data de eame 7 de Janeiro de 00 Licenciaturas em Engenharia do Ambiente e Engenharia Aeroespacial Resolução e alguns comentários I.. a) Para n N temos a n = log (cos(/n) + ) log
Leia maisMEDIDAS COM SINAL.. Uma medida com sinal σ-aditiva (ou, simplesmente, uma medida com sinal) µ(a n ) def = lim
MEDIDAS COM SINAL DANIEL V. TAUSK 1. Definição. Seja C uma coleção de conjuntos tal que C. Uma medida com sinal finitamente aditiva em C é uma função µ : C R tal que: µ( ) = 0; se (A n ) t é uma seqüência
Leia maisMAT 5798 Medida e Integração IME 2017
MAT 5798 Medida e Integração IME 2017 http://www.ime.usp.br/ glaucio/mat5798 Lista 11 - Integral de Bochner Fixemos um espaço de medida completo (X, M, µ) até o final desta lista. As duas primeiras questões
Leia maisNotas de Aula. Análise Funcional
Notas de Aula Análise Funcional Rodney Josué Biezuner 1 Departamento de Matemática Instituto de Ciências Exatas (ICEx) Universidade Federal de Minas Gerais (UFMG) Notas de aula do curso Análise Funcional
Leia mais2 Conceitos de Teoria da Probabilidade
2 Conceitos de Teoria da Probabilidade Neste capítulo, enunciaremos algumas denições e resultados de teoria de probabilidade. justicativa deste capítulo reside no fato que u objetivo nal é estimar momentos
Leia maisCurso: MAT 221- CÁLCULO DIFERENCIAL E INTEGRAL IV Professor Oswaldo Rio Branco de Oliveira Período: Segundo Semestre de 2008
Curso: MAT 221- CÁLCULO DIERENCIAL E INTEGRAL IV Professor Oswaldo Rio Branco de Oliveira Período: Segundo Semestre de 2008 SÉRIES E SOMAS EM ÁLGEBRAS: C([a, b]), M n n (R), M n n (C), etc. O PRODUTO DE
Leia mais