Upload
others
View
9
Download
0
Embed Size (px)
Citation preview
Sztochasztikus folyamatok a gazdaságban(eloadás vázlat)
Sinkovicz PéterPhD hallgató
50 100 150 200 250t
-20
-10
10
20
S H t L
2014
Sinkovicz Peter
BEVEZETÉS
1 Statisztikai alapfogalmak 1Események valószínuségének értelmezése . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1Adattípusok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1Kísérlettervezés, buktatók . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2 Sztochasztikus folyamatok áttekintése 2Sztochasztikus folyamatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2Stacionárius folyamatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2Markov folyamatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2Chapman-Kolmogorov-egyenlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3Homogén Markov folyamatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3 Az állapotok osztályozása 5Definíciók . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4 Bolyongás során felmerülo alapkérdések 6
DISZKRÉT IDEJU MARKOV FOLYAMATOK
1 Diszkrét ideju Markov folyamatok dinamikája 7Dinamika megadása . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7Chapman-Kolmogorov egyenlet ezen a nyelven . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8P(n) mátrix analitikus meghatározása . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Egyensúlyi eloszlás 10Egyensúlyi eloszlás meghatározása . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10Átlagos visszatérési ido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11Google PageRank . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3 Elérési valószínuség, átlagos elérési ido 13Bevezeto példa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13Definíció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13Elérési valószínuség meghatározásának módja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13Átlagos elérési ido meghatározásának módja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
RÉSZVÉNYPIAC EGYSZERU MODELLJE
1 Alapfogalmak 14Értékpapír jellemzése . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 Portfólió választás a Markowitz-féle modellben 16A Markowitz-féle modell feltevései . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16Portfólió választás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
i
3 Egy adott portfólió szimmetrikus mozgása a tozsdén 18Elso lépés analízis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18Bolyongás várható ideje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4 Egy adott portfólió aszimmetrikus mozgása a tozsdén 20Bolyongás várható ideje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5 Konklúzió 23
DIFFÚZIÓS FOLYAMATOK
1 Diffúziós folyamatok leírása 25Fokker-Planck egyenlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2 Speciális diffúziós folyamatok 27Wiener folyamat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27Ornstein-Uhlenbeck folyamat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3 Langevin egyenlet 31Langevin egyenlet és a Fokker-Planck egyenlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31Langevin egyenlet általánosítása több változós esetre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4 Diffúziós folyamat konstrukciója adott stacionárius eloszláshoz 33Egyváltozós eset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33Többváltozós eset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
DISZKRÉT IDEJU MASTER EGYENLET EGÉSZ VÁLTOZÓKRA
1 Master egyenlet származtatása 35Infinitezimális ido alatti átmeneti valószínuség . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35Master egyenlet származtatása . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2 Részletes egyensúly 36
3 Bolyongás végtelen láncon 37A bolyongás diffúzitása . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37pi meghatározása . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38Végtelen határeset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38Kontinuum limesz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
APPENDIX
A. Appendix: Indikátorfüggvény formalizmus 41Tulajdonságai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
ii
Sinkovicz Péter
Sinkovicz
EloszóAz eloadás alap valószínuségi fogalmakra épül melyekrol egy jó áttekintés ad a [1] könyv. Témáját négy nagy-obb szerkezeti egység képzi; Az elso részben a diszkrét ideju Markov folyamatok átmeneti mátrixos és elsolépés analízises formalizmusaival ismerkedünk meg, melyek pontosabb elméleti háttere a [2-6] irodalombak-ban részletesebben kibontakozik. A második gondolati egységben betekintést kaphatunk a tozsdepiac elemifolyamataiba, érdeklodoknek a [7-9] könyveket ajánlom. A harmadik részben néhány speciális diffúz folyam-atot tekint át, melyek megtalálhatóak a [10] könyvben. Majd az eloadás utolsó témája a Master egyenlet kon-strukciója egy adott gazdasági folyamathoz. A jegyzet a Markov Monte Carlo módszerek rövid ismertetésévelválna teljessé, azonban az ido rövidsége miatt ez a téma kimaradt, viszont [11-12] irodalmakból kiindulvafeltérképezhetitek az a témakört is.
Továbbá szeretném kiemelni Szám Anita hallgatómat, aki lelkesen és megbízhatóan segített a jegyzetbedigitalizálásában.
Irodalomjegyzék[1] Prékopa András: Valószínuségelmélet[2] J. R. Norris: Markov Chains[3] J. R. Norris: Markov Chains lecture note[4] Aldous, D. and J. Fill: Markov Chains lecture note[5] B. Rozovskii, M. Yor: Stochastic Modelling and Applied Probability[6] Fazekas István: Markov-láncok és alkalmazásaik[7] R. E. Shreve: Stochastic Calculus for Finance I-II[8] M. J. Steele: Stochastic Calculus and Financial Applications[9] P. Jorion: Financial Risk Manager Handbook[10] W. Gardiner: Handbook of Stochastic Methods for Physics, Chemistry and the Natural Sciences[11] Charles J. Geyer: Introduction to Markov Chain Monte Carlo[11] W. R. Gilks, S. Richardson: Markov Chain Monte Carlo in Practice
iii
Sinkovicz Péter
Bevezetés
1 Statisztikai alapfogalmak
Események valószínuségének értelmezéseVéletlen folyamatok esetén a (megismételheto) kísérletek kimeneteinek a valószínuségeit azonosíthatjuk amérések során tapasztalt relatív gyakoriságaikkal:
p(A ∈Ω) := kAn = kedvezo elemi események száma
lehetséges elemi esetek száma
Az így definiált valószínuség kielégíti a valószínuségi axiómákat:
• 0≤ p(A ∈Ω)≤ 1
• p(Ω)= 1
• (egymást páronként kizáró események valószínusége összeadódik)
AdattípusokAz adatok nem mások, mint a kísérletek lehetséges kimenetei, melyeket csoportosíthatunk fajtáik:
• Kvalitatív adatok (lehetséges értékei számok)
a) Diszkrét adatok (megszámlálhatóan végtelen számosságú)b) Folytonos adatok (megszámlálhatatlanul végtelen számosságú /intervallum adatok/)
• Kvantatív adatok (melyek értékei nem számok)
és szintjük szerint is:
1. Normális szintu:Az ilyen típusú adatokat nem lehet sorba rendezni (pl.: igen/nem/talán)
2. Ordinális szintu:Sorba lehet rendezni, de a különbségnek nincs értelme (pl.: egyetemek sorrendje)
3. Intervallum szintu:Van értelme a különbségnek, de nincs nulla pont, ami valaminek a hiányára utal
4. Arányszintu:Van nulla pont is (pl.: vízállás)
Kísérlettervezés, buktatókÜgyelnünk kell arra, hogy a kísérletezés során ne torzuljanak az adatok, azaz valóban a mért populációtjellemezzék. A típushibák elkerülése érdekében a következoket kell szem elott tartanunk:
• Statisztikai hamisítás:Tilos rossz, hamis adatot a többi közé keverni, hogy igazoljuk a feltevésünket
• Túl kis elemszámú minta nem ad reális képet a teljes populációról
• Az ábrák torzíthatnak, a számokat nézzük
• Elemi eseményekbol építkezzünk
• Ismernünk kell a teljes eseményteret
1
2 Sztochasztikus folyamatok áttekintése
Sztochasztikus folyamatokLegyen x(t) egy valószínuségi változó (Ω halmazon értelmezett tetszoleges függvény), melyet idonként meg-mérünk. A mérés során az x(tn), . . . , x(t1) adatsort kapjuk, ahol tn < tn−1 < . . .< t1.
Több kísérlet elvégzése után, vagy elméleti jóslatból definiálhatunk egy valószínuségi suruséget:
pn(x1, t1; . . . ; xn, tn)
mely megadja, hogy mekkora annak a valószínusége, hogy ti-ben (xi, xi+dxi) intervallumon belül lesz a mérésieredmény, azaz
P(x1 ∈ (x1, x1 +dx1), . . . , xn ∈ (xn, xn +dxn))≡ pn(x1, t1; . . . ; xn, tn)dx1, . . . ,dxn
Ezen valószínuségi leírásban x(t)-t sztochasztikus valószínuségi változónak tekintjük, ha rendelkezik akövetkezo két tulajdonsággal:
• Normáltság ∫pn(x1, t1; . . . ; xn, tn)dx1 . . .dxn ≡ 1
• Komplementaritás ∫pn(x1, t1; . . . ; xi, ti; . . . ; xn, tn)dxi = pn−1(x1, t1; . . . ;xi, ti ; . . . ; xn, tn)
Az x(t) valószínuségi változóink jellemzésére bevezethetjük a következo mennyiségeket:
• momentumok
– várhatóérték: ⟨x(t)⟩ ≡E[x(t)] := ∫dx xp1(x, t)
– n. momentum: ⟨xn(t)⟩ ≡E[xn(t)] := ∫dx xn p1(x, t)
• korrelációs függvények
– n. korrelációs függvény: E[x1(t1)...xn(tn)]= ∫dx1 . . .dxn x1...xn · pn(x1, t1; . . . ; xn, tn)
Stacionárius folyamatokA stacionárius folyamatok invariánsak az idoeltolásra, azaz nem fejlodnek az idoben, így egyensúlyi ál-lapotként értelmezhetoek:
pstac1 (x, t)≡ pstac
1 (x, t′) ∀t, t′ ⇒ pstac1 = p1(x)
pstac2 (x, t; x′, t′)≡ pstac
2 (x1t+∆t; x′, t′+∆t) ∀ ∆t ⇒ pstac2 (x, t; x′, t′)= pstac
2 (x, x′, t− t′)
Markov folyamatokDefiniáljuk a
P(x1, t1|x2, t2; . . . ; xn, tn)= pn(x1t1; . . . ; xntn)pn−1(x2t2; . . . ; xntn)
feltételes valószínuséget, mely megadja, hogy mekkora valószínuséggel mérünk x1-et t1-ben, ha elottet2, x2; . . . ; tn, xn n−1 db esemény bekövetkezett.
Ezen feltételes valószínuség segítségével definiálhatjuk a Markov folyamatokat: egy sztochasztikusfolyamatot Markovinak tekintünk, ha
P(x1, t1|x2, t2; . . . ; xn, tn)≡ P(x1t1|x2t2)
összefüggés fennáll, azaz a rendszernek nincs hosszútávú memóriája, csak a közvetlenül ot megelozo es-eménytol függ.
2
Chapman-Kolmogrov-egyenletA pn valószínuség felépítheto a feltételes valószínuségek segítségével:
pn(x1, t1; . . . ; xn, tn) = P(x1t1|x2t2; . . . ; xntn)pn−1(x2t2; . . . ; xntn)= P(x1t1|x2t2)pn−1(x2, t2; . . . ; xntn)== P(x1t1|x2t2)P(x2t2|x3, t3; . . . ; xn, tn)pn−2(x3t3; xn, tn)= . . .== P(x1t1|x2t2)P(x2t2|x3t3) . . .P(xn−1tn−1|xntn)p1(xn, tn)
mely n=3 esetén a Chapman-Kolmogorov egyenletre vezet:
p3(x1t1; x2t2; x3t3) = P(x1t1|x2t2)P(x2t2|x3t3)p1(x3t3)
p2(x1, t1; x3t3) =∫
dx2P(x1t1|x2t2)P(x2t2|x3t3)p1(x3t3)
P(x1t1|x3t3)p1(x3t3) = p1(x3t3)∫
dx2P(x1t1|x2t2)P(x2t2|x3t3)
P(x1t1|x3t3) =∫
dx2P(x1t1|x2t2)P(x2t2|x3t3)
azaz az x3t3 pont úgy függ az x1t1 ponttól, hogy valószínuségi értelemben kiátlagolunk az összes benso x2t2pontra:
t3 t2 t1
x3
x1
x
t
x3t3 −→ x1t1 átmenet valószínuségét úgy kapjuk meg, hogy statisztikusan kiátlagolunk az összes útra.
Homogén Markov folyamatokEgy Markov folyamat homogén, ha:
P(x1t1|x2t2)= P(x1t1 − t2|x2) (idoeltolásra invariáns),
ebbol még nem következik, hogy ez egy stacionárius folyamat, hiszen akkor stacionárius, ha p1(x, t)= pstac(x),azaz nincs idofüggés.
Ergodikus Markov folyamatnak nevezzük az olyan Markov-folyamatokat, ahol
limt→∞P(x, t|x′)= pstac(x)
3
melybol és a Chapman-Kolmogrov egyenlet alapján:
limt→∞ p1(x, t) = lim
t→∞
∫dx′P(xt|x′)p1(x′,0)=
∫dx′
(limt→∞P(xt|x′)
)p1(x′,0)= pstac(x) ·
∫dx′p1(x′,0)=
= pstac(x)
azaz tetszoleges eloszlás a stacionárius állapotba tart, ha t →∞-be.A diffúz folyamatok olyan homogén Markov folyamatok, ahol
∫(x− x′)nP(x, t|x′)dx =
v(x′)t+ϑ(t) n = 1σ(x′)t+ϑ(t) n = 2Ø n > 2
mely integrál-egyenletrendszer megoldását azonnal leolvashatjuk
P(x, t|x′)∼ e−(x−x′+v(x′)t)2
2σ2(x′)t ⇒ Gauss-eloszlást követ
A megoldásokat v(x′) és σ(x′) szerint tovább csoportosíthatóak (lsd. Diffúziós folyamatok c. fejezet).
4
3 Az állapotok osztályozásaEttol a ponttól kezdve diszkrét ideju bolyongásokkal foglalkozunk úgy, hogy a mérést stroboszkópikusan ésegyenközuen végezzük.
DefiníciókA kísérlet lehetséges kimenetelét rendezzük gráfba.
Például: kockadobás
12
3
45
6
Minden él 1/6 valószínuséggel következik be ≡ annak a valószínusége, hogy si dobása után s j-t dobjak =1/6 i, j ∈ 1, . . . ,6
Az s j állapotot az si állapotból elérhetonek nevezzük (si * s j), ha valamely n > 0 idolépésre:
P( j,n ·∆t|i) 6= 0
továbbá az si és s j állapotok kölcsönösen elérhetoek (si *) s j), ha si * s j és s j * si.Egy si állapotot lényegesnek nevezünk, ha az si-bol elérheto állapotokból vissza lehet térni si-be, ellenkezo
esetben si lényegtelen állapot.Az állapotok egy A halmazát zártnak nevezzük, ha ∀si ∈ A állapot esetén:∑
j∈APi( j,∆t|i)= 1 ← egy idolépés után A-ban maradunk.
Egy zárt halmazt lényegesnek nevezünk, ha nincs valódi zárt részhalmaza.Egy Markov lánc irreducibilis, ha a teljes állapottér minimális zárt halmaz. Továbbá egy Markov-lánc akkorés csakis akkor irreducibilis, ha az egész állapottere egyetlen lényeges osztályt alkot (azaz minden állapotminden állapotból elérheto ≡ si *) s j ∀i, j)
Láttuk, hogy az ergodikus Markov-folyamatok a pstac(i)-be tartanak, azonban ez a határérték nem biztos,hogy létezik. pl.:
12
P(i∆t| j)= 1−δi, j i, j ∈ 1,2
azaz az (1) és a (2) állapot közt oszcillál a rendszer.Ergodikus Markov-lánc, ha aperiodikus (létezik pstac(i)), irreducibilis és véges valószínuséggel visszatalál
a kiindulási pontba.
5
4 Bolyongás során felmerülo alapkérdések• Elso átlagos visszatérési ido
Például: A sakktáblán véletlenszeruen bolyong egy huszár. Átlagosan hány lépés után tér vissza akezdopontba?
• Átlagos fedési idoPéldául: Kisgyerek zsírkrétázik az aszfalton. Átlagosan hány órát kell kint hagyni, hogy az egész utcátlefedje?
• Relaxációs idoPéldául: Átlagosan mennyit kell keverni a paklit, hogy elveszítse a memóriáját?
• Monte-Carlos módszerek
6
Diszkrét ideju Markov folyamatok
1 Diszkrét ideju Markov folyamatok dinamikája
Dinamika megadásaEgy idolépés valószínuségét jelöljük a következoképpen:
Pi(xt+∆t)≡ P(xt+∆t|xt = i)
ahol xt+∆t a t+∆t idoben a "részecske" helyzete a G(V ,E) gráfon (azaz a rendszer állapota), ha ez a s j-edikrácspont akkor tömören:
p ji = Pi(xt+∆t = j) i, j ∈V
a p ji átmeneti mátrix tulajdonságai:
• p ji ≥ 0 ∀i, j ∈V
•∑j∈V
p ji = 1 (sztochasztikus mátrix)
λ= (λi : i ∈V ) valószínuségi eloszlás, ha∑iλi = 1 és λi ≥ 0, ∀i ∈V -re
Ezen elemek segítségével a következoképpen definiálhatjuk a dinamikát egy λ0 kezdeti eloszlásból:
Pλ(xt=∆t = j) ≡ Pλ(x1 = j)= ∑i∈V
λi p ji
. . .
Pλ(xn = j) = ∑i∈V
λi p(n)ji
Például: idojóslás: Megfigyelések alapján ha ma esett akkor holnap p2,1 = 0.7 valószínuséggel nem esikés p1,1 = 0.3 valószínuséggel esik. Hasonlóan, ha ma nem esett, akkor p2,2 = 0.6 valószínuséggel nem esik ésp1,2 = 0.4 valószínuséggel esik.
p 1 , 1p 1 , 2
p 2 , 1p 2 , 2 12
ahol s2 ≡ nem esik és s1 ≡ esik, így a rendszer átmeneti mátrixa
P =[
p1,1 p1,2p2,1 p2,2
]=
[0.3 0.40.7 0.6
]és a kezdeti valószínuségi eloszlásunk (mai nap idojárása) a következo:
λ0 =(λ1
0λ2
0
)=
(10
) ← esik← nem esik
Melyen a két nap múlvai állapot meghatározásához az átmeneti mártixot kétszer kell hatatnunk:
P2λ0 =[0.3 0.40.7 0.6
][0.3 0.40.7 0.6
](10
)=
[0.3 0.40.7 0.6
](0.30.7
)=
(0.370.63
)tehát 0.37 valószínuséggel esni fog két nap múlva.
7
Chapman-Kolmogorov egyenlet ezen a nyelvenAz elozo példa rámutatott arra, hogy az n lépéses folyamat átmeneti mátrixa: P(n) = p(n)
ji a P mátrix n-edik
hatványa. Így a Chapman-Kolmogorov egyenlet:
p(n+m)ji = ∑
k∈VP(n)
ki · p(m)jk
ami igazából a mátrix szorzás kiírása.
P (n) mátrix analitikus meghatározásaPéldául: Két pontú markov lánc
p 1 , 1p 1 , 2
p 2 , 1p 2 , 2 12
mely átmeneti mátrixát parametrizálhatjuk a következo képpen:
P =[
p1,1 p1,2p2,1 p2,2
]=
[1−α β
α 1−β]
határozzuk meg P sajátértékeit:
det[1−α ·λ β
α 1−β−λ]
= (1−α−λ)(1−β−λ)−αβ= 1−α−λ−β+αβ+λβ+λ2 −λ+λα−αβ=
= λ2 −2λ+ (α+β)λ+ (1−α−β)= 0
melynek megoldásai: λ1 = 1 és λ2 = 1−α−β.Így az átmeneti mátrix a következo alakra hozható (bázistranszformációval):
P =U(λ1 00 λ2
)U−1 UU−1=1======⇒ Pu =U
(1 00 (1−α−β)n
)U−1
melybol (P(n)11 ) =U11 ·U−1
11 +U12 · (1−α−β)n ·U−112 legyen A =U11 ·U−1
11 és B =U12 ·U−112 . Mivel P0 = 1,így p(0)
11 =1≡ A+B másrészt P1 = P, így p(1)
11 = 1−α= A+B(1−α−β) melybol A és B meghatározható:
A = βα+β és B = α
α+β
hasonlóképpen a többi mátrixelem is meghatározható
Pn =
β
α+β + αα+β (1−α−β)n β
α+β − βα+β (1−α−β)n
αα+β − α
α+β (1−α−β)n αα+β + β
α+β (1−α−β)n
n→∞−−−−→
β
α+ββ
α+β
αα+β
αα+β
8
Például: Három pontú Markov lánc:
p 1 , 2
p 2 , 3
p 2 , 2p 3 , 3
p 3 , 1
1
23
mely a következo átmeneti mátrixot definiálja:
P =
0 0 1
2
1 12 0
0 12
12
melynek sajátértékei: λi = 1,± i
2 , a
±(
i2
)n=
(12
)ne±in π
2 =(
12
)n [cos
(nπ
2
)± i ·sin
(nπ
2
)]azonossággal átalakítható az átmeneti mátrix elemei, például:
p(n)11 = A+B
(i2
)n+C
(− i
2
)n=
= A+(
12
)n [B′ cos
(nπ
2
)+C′ sin
(nπ
2
)]felhasználva, hogy p(0)
11 = 1, p(1)11 = 0 és p(2)
11 = 0⇒ A,B’,C’ meghatározható:
p(n)11 = 1
5 + ( 12)n [ 4
5 cos(nπ
2)− 2
5 sin(nπ
2)] n→∞−−−−→ 1
5
Recept: N pontú markov lánc
1) ε1 . . .εN sajátértékek meghatározása (ε1 = 1 lesz)
2) Ha a sajátértékek különböznek:
p(n)i j = a1 +a2ε
n2 + . . .+anε
nN
ha az l-edik sajátérték k-szor ismétlodik, akkor azokat a tagokat helyettesíthetjük a következovel:
(b0 +b1n+ . . .+bk−1nk−1)εnl
3) A komplex sajátértékek párban jönnek (így kevesebb konstanst kell illesztenünk).
9
2 Egyensúlyi eloszlásπ= (πi : i ∈V ) valószínuségi eloszlás egyensúlyi eloszlás, ha:
Pπ=πhiszen ekkor a dinamikában nem fejlodik
Például: két rácspontú példa
p 1 , 1p 1 , 2
p 2 , 1p 2 , 2 12
mely átmeneti mátrixa:
P =[1−α β
α 1−β]
amit hatványozva határértékben eljutunk az egyensúlyi eloszlásokhoz
Pn limn→∞−−−−−−→
β
α+ββ
α+β
αα+β
αα+β
=[Π1 Π1Π2 Π2
]
tehát
π=(π1π2
)= 1α+β
(β
α
)például α=β határesetben:
π= 12p
(pp
)= 1
2
(11
)
Egyensúlyi eloszlás meghatározásaPéldául: három rácspontú példa
p 1 , 2
p 2 , 3
p 2 , 2p 3 , 3
p 3 , 1
1
23
Mely átmeneti mátrixa
P =
0 0 1
2
1 12 0
0 12
12
l imn→∞−−−−−−→
( 15)
( 25)
( 25)
10
Ezek azonban a következoképpen is meghatározhatók:π1 =π3 · 1
2π2 =π1 ·1+π2 · 1
2π3 =π2 · 1
2 +π3 · 12
megoldásaπ1 = 1/5π2 = 2/5π3 = 2/5
(π1 +π2 +π3 = 1)
Átlagos visszatérési idoAz r i átlagos visszatérési ido megadja, hogy átlagosan hány idolépés után érünk vissza a kiindulási si pontba.Az egyensúlyi eloszlásból meghatározható az egyes rácspontok visszatérési értékét:
r i = 1πi
ahol r i := Ei(Ti) és Ei(·) olyan várhatóérték amihez a t = 0-ból si-bol indított bolyongás tartozik (biz.: B.Appendix)
Például: két rácspontú gráf: Legyen α=β= p, ekkor
E1(az az ido ami alatt visszatér) =∞∑
n=0nP(n idopontban tért vissza)= 1 · (1− p)+
∞∑n=2
p2 · (1− p)n−2 ·n
= = 1− p+∞∑
m=1(m+1) · p2 · (1− p)m−1 = 1− p+ p2
∞∑n=1
(n+1) · (1− p)n−1 =
= 1− p+ p2∞∑
n=1(1− p)n−1 + p2
∞∑n=1
n(1− p)n−1
︸ ︷︷ ︸∂p "mértani sor"
= 2− p+ p2∞∑
n=1(1− p)n−1 =
= 2− p+ p2∞∑
m=0(1− p)m
︸ ︷︷ ︸mértani sor
= 2− p+ p2 · 1p= 2
Google PageRankHárom szempont szerint kell optimalizálni a kereso motort:
• kereso megtalálja ami szeretne
• megfelelo reklámok legyenek
• reklámból származó bevétel maximalizálása
Toy modell erre az esetre: Legyen a web egy G = (V ,E) gráf, ahol V a vertexek (itt: a weboldalak) és E alinkek halmaza (kapcsolatok). Az átmeneti valószínuség meghatározható egy lapról a kapcsolódóakra:
pi j =
1L(i) az L(i) hivatkozásai közül egyenletesen választ egyet1N ha L(i)=0, akkor random választ egy lapot az összes közül
Tovább finomíthatjuk ezt a modellt, hiszen lehet hogy nem a honlapról ágazik el, hanem bezárja, és nyit egymásikat:
pi j =αpi j + (1−α) · 1N
így valószínuséggel lép tovább.A rendszer π egyensúlyi eloszlásának a komponensei arányos azzal, hogy mennyi idot töltenek ott az
emberek az adott webhelyen, azaz ha πi >π j akkor si weboldal "fontosabb" mint az s j.
11
Pπ=π⇒ meghatározása nehéz ⇒ limn→∞Pn = (π,π . . .)
ami gyorsan konvergál (gyorsabb mint a s.é. egyenlet megoldása).
12
3 Elérési valószínuség, átlagos elérési ido
Bevezeto példaKétpontú gráf:
p 1 , 1p 1 , 2p 2 , 2 12
mely átmeneti mátrixa:
P =(1− p 0
p 1
)Az egyes rácspontból indulva a kettesben való elnyelodés valószínusége:
P1(2-be jutás) =∞∑
n=1P1(2 elérése az n-edik lépésben)=
∞∑n=1
(1− p)n−1 p = p∞∑
n=1(1− p)n−1 =
= p · 1 · [(1− p)∞−1](1− p)−1
= p · 1p= 1
Az egyes rácspontból a kettesen való elnyelodés várható ideje:
E1(2-esbe jutás ideje)=∞∑
n=1nP(2 elérése az n. lépésben)=
∞∑n=1
n(1− p)n−1 p =−p ddp
∞∑n=0
(1− p)n =−p(− 1p2 )= 1
p
Mely elso lépés analízissel meghatározható: legyen f = P1(2-be jutás) ekkor
f = (1− p)P1(2-be jutás|x1 = 1= eloször az 1-ben marad)+ pP1(2-be jutás|x1 = 2≡ átment)= (1− p) f + p ·1
amibol f = 1 adódik ésg =E2(2-esbe jutás ideje)= 1+ (1− p)g+ p ·0
amibol g = 1p
DefinícióElérési ideje egy A ∈V halmaznak:
HA = infn ≥ 0 : xn ∈ A
Elérési valószínuség:
f Ai = Pi(HA <∞)
Átlagos elérési ido:
qAi =Ei(HA)= ∑
n<∞nPi(HA = n)+ "∞·P(HA =∞)"
Elérési valószínuség meghatározásának módjaA f A = ( f A
i : i ∈V ) elérési valószínuség az a; nem negatív, minimális megoldása a
f Ai = 1 ha i ∈ A
f Ai =∑
jp ji f A
j ha i ∉ A
egyenletrendszernek. A minimális megoldás azt jelenti, hogy ha x és f megoldások akkor xi ≥ f i ∀x -re
13
Bizonyítás:
a) f Ai megoldja az említett egyenletet
• Ha x0 = i ∈ A, akkor HA = 0 (nulla lépés alatt ott van) ⇒ f Ai = 1
• Ha x0 ∉ A, akkor HA ≥ 1
f Ai = Pi(HA <∞)= ∑
j∈VPi(HA <∞, x1 = j)︸ ︷︷ ︸
j-t érintve i-bol A-ba megy
≡ ∑j∈V
Pi(HA <∞|x1 = j)︸ ︷︷ ︸f A
j
Pi(x1 = j)︸ ︷︷ ︸p ji
=∑j
p ji f Aj
b) minimális megoldásLegyen x egy tetszoleges megoldás, ahol f A
i = xi = 1 ∀i ∈ A-ra, így
xi = ∑j
p jix j =∑j∈A
p jix j +∑j∉A
p jix j =∑j∈A
p ji +∑j∉A
p jix j =∑j∈A
p ji +∑j∉A
p ji
( ∑k∈A
pk j xk +∑k∉A
pk j xk
)=
= Pi(x1 ∈ A)+Pi(x1 ∉ A, x2 ∈ A)+ ∑j,k∉A
p ji pk j xk = . . .= Pi(x1 ∈ A)︸ ︷︷ ︸elsore odament
+Pi(x1 ∉ A, x2 ∈ A)+
+ . . .+Pi(x1 ∉ A, . . . , xn−1 ∉ A, xn ∈ A)︸ ︷︷ ︸n.-re ment oda
+∑ j
p j1 i p j2 j1 . . . p jn jn−1 x jn
⇒ xi ≥ Pi(HA ≤ n)⇒ xi ≥ limn→∞Pi(HA ≤ n)= Pi(HA <∞)= f i
Átlagos elérési ido meghatározásának módjaA gA = (gA
i : i ∈V ) átlagos elérési ido az a; nem negatív, minimális megoldása a
gAi = 0 i ∈ A
gAi = 1+∑
jp ji gA
j i ∉ A
egyenletrendszernek. (Bizonyítása hasonló, mint az elérési valószínuségnél látott).
14
Részvénypiac egyszeru modellje
1 Alapfogalmak• Értékpapír: vételár ellenében szabadon átruházható
• Értékpiac: értékpapírok adásvételének színtere
• Árfolyam: az az ár, amennyiért az értékpapír egy egységét megvásárolhatjuk
• Idohorizont: Ha a piac diszkrét, egyenközu ∆t idolépésekre osztható, akkor ∆t a befektetések idohori-zontja.
Értékpapír jellemzéseAz értékpapírok jövobeli értékét, árfolyamát véletlenszerunek tekinthetjük. Jelölje S(t) sztochasztikus változóegy adott értékpapír t idopontban vett árfolyama, melyhez a pn(s1t1; . . . ; sntn) valószínuségi suruség tartozik,így az egységnyi idolépés alatt szerzett egységnyi nyereség:
X (t,∆t)= S(t+∆t)−S(t)
mely relatív megváltozása a hozam vagy lineáris hozam:
r(t,∆t)= S(t+∆t)−S(t)S(t)
exponenciális trend−−−−−−−−−−−−−→pl. kamatos kamat
r(t,∆t)log = log S(t+∆t)S(t) ≡ log r
ahol r(t,∆t)log az úgynevezett logaritmikus hozam.
15
2 Portfólió választás a Markowitz-féle modellben
A Markowitz-féle modell feltevéseiA Markowitz-féle modell az üzleti világra a következo egyszerusíto feltevéseket teszi:
• A befektetok árelfogadóak: A piac szereploi nem befolyásolják a piacot az üzleteikkel (a forgalomban lévorészvényekhez képest kis tételben való kereskedés esetén jó közelítés, azonban a portfólió nyereségénekrealizációja tömeges eladáshoz vezet)
• Értékpapírok tetszolegesen oszthatóak: nagy portfólióra jó közelítés
• Nincsenek tranzakciós költségek: sem idoben sem pénzben
• Az árfolyamok stacionárius és normális eloszlásúak: azaz elegendo az átlagukat és szórásukat megad-nunk, a centrális határeloszlás tétele miatt kb. jó közelítés
• A befektetések kockázatát a hozamuk szórásával mérjük: azaz a kockázat a befektetési periódus végénrealizált hozam bizonytalansága. Azonban a kockázatát definiálása közel sem egyértelmu, ezt példázóannéhány fontos szempont amit figyelembe kell vennünk a kockázat definiálása során:
– Diverzifikációs elv: olyan kockázati mérték kell, mely több részvényre való szétosztott befektetésrekisebb
– Robosztusság: Kis zavarral szembeni ellenállás
– Összehasonlíthatósag: Valahogy össze kell tudnunk hasonlítani a különbözo formájú befektetéseket
– Szokás megkülönböztetni a kockázatokat forrásaik szerint:
(a) piaci kockázat (árfolyam ingadozás)(b) hitelkockázat (fizetésképtelenné válás)(c) muködési kockázat (emberi hiba, csalás)
• A befektetok racionálisak: a vizsgált idotávon belül a legkisebb kockázat mellett a legnagyobb hozamotszeretnek (azonban hosszú távú befektetés során nem zavaró, ha az elején rosszul teljesít a befektetés)
Portfólió választásLegyen N darab különbözo fajta értékpapír a piacon, melyek árfolyamai Si(t) : i ∈ 1, . . . , N. Ekkor port-fóliónak nevezzük a befekteto egyes értékpapírjaiból meglévo wi (adott részvény-kombináció) mennyiségekösszességét. Tehát a portfólió értéke:
Y (t)=N∑
i=1wiSi(t)≡ ~W~S(t)
melybol a portfólió megváltozásának értéke (nem váltunk csomagot), azaz a nyereségünk:
X (t)=Y (t+∆t)−Y (t)=N∑
i=1wi X i(t)
ahol X i(t)= Si(t+∆t)−Si(t).A Markowitz-modell feltevése miatt elegendo pusztán a portfólió átlagával és szórásával foglalkoznunk:
µp :=N∑
i=1wiµi
σ2 p :=N∑
i, j=1σi jwiw j
ahol µi =E[xi] részvény várhatóértéke és σi j =E[xix j]−E[xi]E[x j] kovariancia mátrix.
16
A befektetonk racionális, ha:
• azonos (µp1 =µp2 ) várható hozamok közül azt részesíti elonyben, melynek kisebb a szórása azaz a p1, p2portfóliók közül p1-et válassza, ha σp1 <σp2
• azonos szórás esetén a nagyobb várhatóértékut választja
Tehát a kedvezo portfólió megtalálásához a következo optimalizációs feladatot kell megoldanunk:
1. minw∈RN
N∑i j=1
σi jwiw j
2.N∑
i=1wiµi =µ⇒ rögzített hozam mellett keressük a minimális portfóliót
3.N∑
i=1wi = 1⇒ nem fektetünk be vagy vonunk ki részvényt a játék során
mely Lagrange multiplikátoros formalizmussal megoldható:
w∗i (µ)=
N∑j=1
σ−1i j [λ∗(µ)+η∗(µ)µi]
ahol a (·)∗ megoldásra utal és
λ∗(µ)= C−B−µAC−B2 η∗(µ)= Aµ−B
AC−B2
A =N∑
i j=1σ−1
i j B =N∑
i j=1σ−1
i j µ j C =N∑
i j=1σ−1
i j µiµ j
a µ hozam melletti portfólió kockázata pedig:
σ∗2(µ) :=
N∑i, j=1
σi jw∗i (µ)w∗
j (µ)≡ AAC−B2 (µ− B
A )2 + 1A
Optimalizációs feladat vizualizációja:
1 AΣ 2
B A
Μ
• besatírozott terület: lehetséges portfóliók (a 2. és 3. egyenletet kielégítik, de nincsen minimalizálva akockázat)
• határportfóliók: optimalizációs feladat szélsoértékei (kékkel és lilával jelölt portfóliók)
• hatékony portfóliók: optimalizációs feladat megoldásai (kékkel jelölt portfóliók)
17
3 Egy adott portfólió szimmetrikus mozgása a tozsdénVegyük a következo gazdasági modellt: legyen x = xi : 1≤ i <∞ véletlen változók halmaza, mely a következoeloszlást mutatja:
P(xi = 1)= P(xi =−1)= 1/2 (pl. pénzérme dobás)
jelölje S0 a játékos kezdeti tokéje, mely az n. lépésben Sn = S0 + x1 + x2 + . . .+ xn, tehát Mn = Sn −S0 ajátékos nyeresége (egyetlen portfólióval foglalkozunk,hiszen kiválasztottuk a legjobbat)
Feltehetjük azt a kérdést, hogy mekkora annak a valószínusége, hogy nyer A egységet, mielott B-tvesztene? A kérdés megválaszolásához vezessük be a
τ :=minn ≥ 0 : Mn = A vagy Mn =−B
idot, lépésszámot mely egészen addig fut, míg vagy Sn = A nyereség vagy Mn = −B bukás bekövetkezik, ígyarra hajtunk tehát, hogy meghatározzuk a következot
P(Sτ = A|S0 = 0)
ahol az S0 = 0 kezdeti feltétel arra utal, hogy a kezdo árfolyamhoz képest viszonyítjuk a mozgást.
Elso lépés analízisElemi körökbol, idolépésekbol építjük fel a játékos pénzmozgását, úgy, hogy egy lépést ismételünk a játékvégéig, addig amíg −B < Sn < A feltétel még nem teljesül. Legyen
f (k) := P(Sτ = A|S0 = k) −B ≤ k ≤ A
annak a feltételes valószínusége, hogy ha k tokénk van, akkor τ-ban nyerünk A-t. A már tanultak alapjánf (k) kifejezheto a gráf szomszédos elemein vett értékével:
f (k)= 12 f (k−1)+ 1
2 f (k+1) −B ≤ k ≤ A
mely egyenletetrendszert kell megoldanunk az f (A) = 1 és f (−B) = 0 kezdeti feltételekkel. Ehhez a kapottegyenletet vezessük vissza rekurzió segítségével, majd oldjuk meg: legyen f (−B+1)≡α ekkor
1) α= f (−B+1)= 12 f (−B+1−1)︸ ︷︷ ︸
;+ 1
2 f (−B+1+1)
2α= f (−b+2)
2) 2α= f (−B+2)= 12 f (−B+2−1)︸ ︷︷ ︸
α
+ 12 f (−B+2+1)
3α= f (−B+3)
. . .
j) jα= f (−B+ j)
ahol az α értékét az f (A)= 1 kezdeti feltételbol illeszthetjük:
1= f (A)= (A+B)α
α= 1A+B
Tehát a keresett feltételes valószínuség:
f (0)= P(τ ido alatt elérüjük A-t, de még mielott elérnénk B-t|S0 = 0)≡ f (−B+B)= BA+B
18
Bolyongás várható idejeA várható ido pontosabb meghatározása elott meg kell bizonyosodnunk arról hogy a folyamatunk valóbanvéges ideig tart. Ezt indikátor függvény (A. Appendix) segítségével beláthatjuk. Induljunk ki a következotriviális algebrai állításból
τd ·1((k−1)(A+B)< τ≤ k(A+B))≤ kd(A+B)d ·1((k−1)(A+B)< τ)
mivel ez az összefüggés minden k-ra teljesül, így a∑k
-ra is teljesül:
∞∑k=1
τd1((k−1)(A+B)< τ≤ k(A+B))︸ ︷︷ ︸τd
∞∑k=1
1((k−1)(A+B)< τ≤ k(A+B))︸ ︷︷ ︸a szumma olyan k-ra megy ahol
(k−1)N<τ≤kN, és N=A+Bazaz k−1< τ
N ≤k így k csak egy értéket vehet fel(többre nem teljesül az egyenlotlenség),
tehát ez 1
≤∞∑
k=1kd(A+B)d1((k−1)(A+B)< τ)
τd ≤∞∑
k=1kd(A+B)d1((k−1)(A+B)< τ)
mindkét oldal várhatóértékét véve:
⟨τd⟩ ≤∞∑
k=1kd(A+B)d P((k−1)(A+B)< τ)︸ ︷︷ ︸
annak a valószínusége, hogy (k-1)(A+B) lépésbolegyszer sem nyert, azaz ezt úgy becsülhetjük,
hogy (A+B) lépésbol egyszer sem nyertünk(k-1)-szer:1-p ahol p=2−(A+B)annak a
valószínusége, hogy pont A-t nyerünk egyféleképpen
mivel a jobb oldal korlátos, így a bal oldal is.
Elso lépés analízis
Jelölje
g(k)= ⟨τ|S0 = k⟩annak a bolyongásnak a várható idejét amit az S0 = k-ból indítunk. Ez is kifejezheto a szomszédos gráfpon-tokbeli értékeivel
g(k)= 12 g(k−1)+ 1
2 g(k+1)+1
ez esetben a két kezdeti feltétel g(−B) = 0 = g(A) (mindkét esetben nulla a bolyongási ido, hisz vagy a nyerésvagy a vesztés miatt kiszálltunk).
Vegyük észre, hogy az elozo egyenlet átírható egy Laplace egyenletté:1242 g(k−1)= 1 −B < k < A
ahol
4g(k−1) = g(k)− g(k−1)
42 g(k−1) = g(k+1)−2g(k)+ g(k−1)
melynek megoldása:g(k)=−(k− A)(k+B)
így⟨τ|S0⟩ = g(k = 0)= A ·B
19
4 Egy adott portfólió aszimmetrikus mozgása a tozsdénLegyen P(xi = 1)= p és P(xi =−1)= 1− p = q ahol (p+ q = 1). Ekkor egy lépés után:
f (k)= pf (k+1)+ qf (k−1)
melyet a következo differenciálegyenletbe írhatunk át:
0= p f (k+1)− f (k)− q f (k)− f (k−1)
4 f (k)= (qp
) ·4 f (k−1)
melybol:
1) 4 f (k+1)= ( qp )4 f (k)
2) 4 f (k+2)= ( qp )4 f (k+1)= ( q
p )24 f (k)
. . .
j) 4 f (k+ j)= ( qp ) j4 f (k)
ezt az elozo egyenlettel analóg módon rekurzívan megoldatjuk, legyen megint
α=4 f (−B)= f (−B+1)− f (−B)︸ ︷︷ ︸;
= f (−B+1)
és használjuk fel az
f (k)=k+B−1∑
j=04 f ( j−B)=
−−−−−
← f (k)
kioltják egymást
←;azonosságot így:
f (k)=k+B−1∑
j=04 f ( j−B)=
k+B−1∑j=0
(qp
) j 4 f (−B)=αk+B−1∑
j=0
(qp
) j =α(
qp
)k+B−1qp −1
melyben szereplo α-t az f (A)= 1 kezdeti feltétel rögzíti
1=α(
qp
)A+B−1qp −1
f (k = 0) adja megint a kereset valószínuséget:
f (0)= P(Sn = A|S0 = 0)=qp −1
( qp )A+B −1
·( q
p )B −1qp −1
=( q
p )B −1
( qp )A+B −1
20
Bolyongás várható idejeMegint be kéne látnunk, hogy τ véges, de ezt most nem tesszük meg, hanem rögtön megoldjuk az elso lépésanalízis egyenleteit
g(k)= pg(k+1)+ qg(k−1)+1
mely a következo inhomogén lineáris differenciálegyenletre vezet
4g(k)=(
qp
)·4g(k−1)− 1
p
a probléma g(−B)= 0= g(A) kezdeti feltételekkel rendelkezik.
• homogén rész megoldása4g(k)= (
qp
)4g(k−1)= (qp
)[g(k)− g(k−1)]
a megoldás alakja:
g(k)=α+β(
qp
)k
melyet vissza írva azt kapjuk:
g(k+1)− g(k) = α+β(
qp
)k+1−
[α+β
(qp
)k]=β
[(qp
)k+1−
(qp
)k]=
=(
qp
)·β
[(qp
)k−
(qp
)k−1]
• inhomogén egyenlet megoldása, az állandók variálása helyett c ·k alakban keressük a megoldást:
c · (k+1)− c ·k = qp (ck− c(k−1))− 1
p c = 1q−p
a ketto összegébol (lineáris kombinációjából) eloáll a megoldás:
g(k)= kq−p +α+β( q
p )k
a kezdeti feltételek rögzítik az α,β konstansok értékét:
• g(k =−B)=− Bq−p +α+β( q
p )−B = 0⇒α= Bq−p −β( q
p )−B
• g(k = A)= Aq−p +α+β( q
p )A = 0⇒α=− Aq−p −β( q
p )
⇒ A+Bq−p =β(( q
p )−B − ( qp )A)
ebbol a bolyongás várhatóértéke:
g(k = 0)=;+α+β= Bq−p − A+B
q−p ( 1( q
p )−B−( qp )A )(( q
p )−B −1)= Bq−p − A+B
q−p · 1−( qp )B
1−( qp )A+B
21
határeset:
ez p = 12 +ε és q = 1
2 −ε-ban visszaadja az elozo eredményt
g(k = 0)= Bε− A+B
ε[ 1−(1+ε)B(1−ε)−B)
1−(1+ε)A+B(1−ε)−(A+B) ]=
(1+ x)n ' 1+nx+ 12 n(n−1)x2
(1− x)n ' 1−nx+ 12 n(n−1)x2
(1+ x)−n ' 1−nx+ 12 n(n+1)x2
(1− x)−n ' 1+nx+ 12 n(n+1)x2
⇒ (1+ε)B(1−ε)B ∼= [1+Bε+ 1
2 B(B−1)ε2]x[1+Bε+ 12 B(B+1)ε2]'
1+2Bε+2B2ε2 Bε− A+B
ε· −1−1 · 2Bε+2B2ε2
2(A+B)ε+2(A+B)2ε2 =
Bε− B+B2ε
ε+(A+B)ε2 = Bε− B(1+Bε)
ε(1+(A+B)ε) = Bε− B
ε[1− Aε
1+(A+B)ε ]= AB · 11+(A+B)ε ' AB
(torzítatlan érmés eredmény)
Vegyük észre, ha a kocka kicsit cinkelt(p=0.49), annak a valószínusége, hogy hamarabb nyerünk 100$-tmint hogy 200$-t veszítünk:
f (0)= ( qp )200−1
( qp )300−1
' 0.018' 2%
szemben a tiszta esettel:
f (0)= BA+B = 2
3 ' 66.6%
22
5 KonklúzióTehát egy példafolyamat a következoképpen néz ki
500 1000 1500 2000 2500t
-60
-40
-20
20
40
60
S H t L
p = 0.5, A = 50$ és B = 50$ paraméterek mellett. Nyújtsuk el a folyamatot, azaz legyen A = B = 100$, ekkor anyerési/vesztési valószínuségek közti különbség jobban kiélezodik, ezt szemlélteti a következo táblázat
p 50% 49.5% 49% 48% 47%τ 10 000 7 616 4 820 2 498 1667
f(0) 50% 11,9% 1.79% 0.03% 6 ·10−4%
/Tehát mindent az elso körben felrakni nem egy rossz statisztikájú játék (a többihez képest)/ és két ny-erési plot mely az egy körben való p nyerési valószínuség függvényében pásztázza végig a teljes nyerésivalószínuségeket:
0.47 0.48 0.49 0.50 0.51 0.52 0.53p
0.2
0.4
0.6
0.8
1.0
f H AL
(a) A = 50 és B = 250.47 0.48 0.49 0.50 0.51 0.52 0.53
p
0.2
0.4
0.6
0.8
1.0
f H AL
(b) A = 100 és B = 50
23
Sinkovicz Peter
Diffúziós folyamatok
1 Diffúziós folyamatok leírásaLegyen P(x, t|x′) homogén Markov folyamat (pl.: x(t) a nyereségünk az ido során), melyet akkor nevezünkdiffúziósnak, ha a növekménymomentumok a következo képpen viselkednek:
∫(x− x′)nP(x,∆t|x′)dx =
v(x′)∆t+ϑ(∆t) ha n = 1σ2(x′)∆t+ϑ(∆t) ha n = 2ϑ(∆t) ha n ≥ 3
azaz a várhatóérték v(x′) driftsebességgel eltolódik (driftelodik) és az éles eloszlás σ diffóziósállandóvalkiszélesedik:
t Dt + tt
x ¢
x
x H t L
⟨x− x′⟩ = v(x′)∆tσ(x′,∆t) = σ(x′)
p∆t
Mivel csak az elso és a második momentum különbözik nullától így az eloszlásunk leírható egy
P(x,∆t|x′)∼ e−(x−x′−v(x′)∆t)2
2σ2(x′)∆t
Gauss függvénnyel.
Fokker-Planck egyenletVéve a Chapmann-Kolmogorov egyenletet diffúziós folyamatokra vett határesetét kaphatunk egy drift egyen-letet, amit minden diffúziós folyamatnak ki kell elégítenie.
Fokker-Planck egyenlet levezetése során a∫dxf (x)P(x, t+∆t|x′)'
∫dxf (x)
[P(x, t|x′)+∂tP(x, t|x′)∆t
]várhatóértéket fogjuk több lépésben átalakítani. Elso lépésben használjuk fel a
P(x, t+∆t|x′)=∫
dx"P(x, t+∆t|x", t)P(x", t|x′) =︸︷︷︸homogén
∫dx"P(x,∆t|x")P(x", t|x′)
25
Chapmann-Kolmogorov egyenletet és hogy a bevezett f (x) függvény sorbafejtheto minden x pont körül:
f (x)' f (x)+ f ′(x)(x− x)+ 12
f "(x)(x− x)2 ,
így∫dxf (x)P(x, t+∆t|x′) =
∫dxdx" f (x)P(x,∆t|x")P(x", t|x′)'
∫dxdx"
[f (x")+ f ′(x")(x− x")+ 1
2f "(x")(x− x")2
]×
× P(x,∆t|x")P(x", t|x′)=∫
dx"P(x", t|x′)
f (x")∫
dxP(x,∆t|x")︸ ︷︷ ︸=1
+
+ f ′(x")∫
dx(x− x")P(x,∆t|x")︸ ︷︷ ︸v(x")∆t
+ 12
f "(x")∫
dx(x− x")2P(x,∆t|x")︸ ︷︷ ︸=σ2(x")∆t
=
=∫
dxP(x, t|x′)[
f (x)+ f ′(x)v(x)∆t+ 12
f "(x)σ(x)∆t]
Parciális integrálással tisztítsuk meg az f (x) függvényeket a deriválástól
•∫
dxf ′(x)v(x)∆tP(x, t|x′) = [f (x)v(x)∆tP(x, t|x′)]+∞−∞−
∫dxf (x)∂x
(v(x)P(x, t|x′))∆t =
= ∆t∫
dxf (x)∂x(v(x)P(x, t|x′))
•∫
dxf "(x)12σ2(x)∆tP(x, t|x′) = ·· · =∆t
∫dxf (x)∂2
x
(σ2(x)
2P(x, t|x′)
)az integrálás során természetes határfeltételeket alkalmaztunk, azaz lim
x→±∞P(x, t|x′)= 0.A két oldal közti egyenloség minden f (x)-re fennál, így az integrandusoknak meg kell egyezniük, mely a
Fokker-Planck egyenletet adja:
∂tP(x, t|x′)=−∂x(v(x)P(x, t|x′))+ 1
2∂2
x(σ2(x)P(x, t|x′)) .
(Mivel p1(x, t) = ∫dx′P(x, t|x′)p1(x′1,0), így ezt az egyenlet p1 is kielégíti.) A Fokker-Planck egyenlet nem más
mint egy kontinuitás egyenlet P(x, t|x′)-re, ahol v(x′) az áramlási sebesség és σ(x′) a valószínuség szétfolyásá-nak mértéke
26
2 Speciális diffúziós folyamatokA diffúziós folyamatokat a v(x) driftsebesség és σ diffúziós állandó függvényében osztályozhatjuk:
• Wiener folyamat, ha v(x)= 0 és σ2(x)=σ2 = 2D
• Lináris (vagy Ornstein-Uhlenbeck) folyamat, ha v(x)=−γx és σ2(x)=σ2 = 2D
• Langevin folyamat, ha v(x) "tetszoleges" és σ2(x)=σ2 = 2D (rendelheto hozzájuk Langevin egyenlet)
• Általános diffúziós folyamat ha v(x) és σ2(x) is "tetszoleges"
Wiener folyamatAz olyan diffúziós folyamatokat, ahol v(x)= 0 és σ2(x)= 2D Wiener folyamatoknak nevezzük. Ekkor a Fokker-Planck egyenlet a
∂tP(x, t|x′)= D∂2xP(x, t|x′)
alakot ölti.
Wiener folyamat átmeneti valószínusége
A Wiener folyamathoz tartozó diffúziós egyenletet a
φ(z, t) := ⟨ezx⟩ =∫
dxezxP(x, t|x′)
generátor függvény (azaz a deriváltjai megadják a momentumokat)
φ(z, t)= ⟨ezx⟩ =∞∑
n=0
zn
n!⟨xn⟩ → ∂n
zφ(z, t)∣∣z=0 = ⟨xn⟩
segítségével oldhatjuk meg. Ha a Fokker-Planck egyenlet mindkét oldalát megszorozzuk ezx-szel, majd x-rekiintegrálunk akkor a generátor függvényre a következo összefüggést kapjuk:
∂tφ(z, t)= Dz2∫
dxezxP(x, t|x′)= Dz2φ(z, t)
Tehát a generátor függvény bevezetésével sikerült egy szétválasztható differenciál egyenleté alakítani azegyenletünket, melyet már megoldhatunk:
ln(φ(z, t)φ(z,0)
)= Dz2t → φ(z, t)=φ(z,0)eDz2 t
melybol a φ(z,0) konstans értékét beállítja a kezdeti feltétel. Legyen kezdetben egy lokalizált állapotunk,ekkor
P(x,0|x′)= δ(x− x′) → φ(z, t = 0)=∫
dxezxP(x,0|x′)= ezx′ .
Nézzük meg, hogy a kapott generátor függvény milyen eloszlást generál (hátha megállapíthatjuk ebbol akeresett eloszlást):
• Várhatóérték∂zφ(z, t)
∣∣z=0 = ∂z ezx′+Dz2 t
∣∣∣z=0
= (x′+D ·2z · t) ezx′+Dz2 t
∣∣∣z=0
= x′
melybol a növekmény várhatóértéke:⟨x− x′⟩ = v(x)∆t = 0
27
• Szórás∂2
zφ(z, t)∣∣z=0 = ·· · = x′2 +2Dt
melybol a szórás:σ2 = ⟨x2⟩−⟨x⟩2 = 2D · t
• Magasabb momentumok eltunnek, így a teljes megoldás Gauss lesz
n ≥ 3 : ∂nzφ(z, t)
∣∣z=0 = ·· · = 0 → ⟨(x−⟨x⟩)n⟩ = 0
Tehát a keresett egyenlet megoldása:
P(x, t|x′)= 1p2π ·2D · t
e−(x−x′)22·2D·t ∼ e−
(x−x′)24Dt
mely t →∞-re P(x, t|x′)= δ(x− x′) (hiszen nincsen driftelodés).
Ornstein-Uhlenbeck folyamatAz olyan diffúziós folyamatokat nevezzük Ornstein-Uhlenbeck folyamatnak amelyekben v(x) = −γx és σ2 =2D. Ekkor a Fokker-Planck egyenlet
∂t p1(x, t)=−∂x(−γxp1(x, t)
)+∂2x
(2D2
p1(x, t))= γ∂x (xp1(x, t))+D∂2
x p1(x, t)
alakot ölti.
Ornstein-Uhlenbeck folyamat stacionárius eloszlása
Az pstac(x) egyensúlyi eloszlás az idoben nem fejlodik, így a diffúziós egyenlet a következoképpen módosul
0 = ∂x(γxpstac(x)+D∂x pstac(x)
)C = γxpstac(x)+D∂x pstac(x)
ahhoz, hogy pstac(x) normált lehessen a C = 0 feltételt ki kell rónunk, így
∂x pstac(x) = −γxD
pstac(x)
pstac(x) =√
γ
2πDe−
γ2D x2
ahol a pstac(0) értékét a∫
dxpstac(x)= 1 normálási feltétel adta meg.
Ornstein-Uhlenbeck folyamat átmeneti valószínusége
A Fokker-Planck egyenlet az átmeneti valószínuségekre is fennáll. A Wiener folyamathoz hasonlóan most is a
G(z, t) := ⟨ezx⟩ =∫
dxezxP(x, t|x′)
generátor függvény segítségével egyszerusítheto a
∂tP(x, t|x′)= γ∂x(xP(x, t|x′))+D∂2
xP(x, t|x′)Fokker-Planck egyenlet, ha mindkét oldalt megszorozzuk ezx-szel, majd kiintegráljuk
∫dx szerint és
γ
∫dx∂x
[xP(x, t|x′)] ezx = γ
[xP(x, t|x′)ezx]∞
−∞−γ∫
dx[xP(x, t|x′)]∂xezx = 0−γz
∫dxxP(x, t|x′)ezx
= −γz∂z
[∫dxP(x, t|x′)ezx
]=−γzG(z, t)
28
parciális integrálással leválasszuk az átmeneti valószínuségekrol a deriválást:∫dx∂tP(x, t|x′)ezx =
∫dxγ∂x
(xP(x, t|x′)) ezx +
∫dxD∂2
xP(x, t|x′)ezx
∂tG(z, t) = −γz∂zG(z, t)+Dz2G(z, t)∂tG(z, t)+γz∂zG(z, t) = Dz2G(z, t)
mely megoldását keressük egy x′-bol indított lokalizált állapotból, ami a generátor függvényre a
G(z,0)=∫
dxezxP(x, t = 0|x′)=∫
dxezxδ(x− x′)= ezx′
kezdeti feltételt adja.A generátor függvényre kapott differenciálegyenletet a karakterisztikák módszerével oldjuk meg, azaz a
(z, t) megoldási síkról áttérünk egy s → (ξ(s),τ(s)) egyparaméteres síkra, ekkor G(s) = G(ξ(s),τ(s)), melynek ateljes megváltozása:
dG(s)ds
= ∂ξG · dξ(s)ds
+∂τG · dτ(s)ds
.
Válasszuk meg a karakterisztikus görbét úgy
ξ= Ceγs → dξds
= γξ és τ= s → dτds
= 1
hogy ezen paraméterezés segítségével a differenciálegyenletünk már megoldható legyen. Ekkor a parciálisdifferenciál egyenletünk a következo egyszeru alakot ölti:
dG(s)ds
= ∂ξG · dξ(s)ds
+∂τG · dτ(s)ds
= ∂ξG ·γξ+∂τG ·1≡ Dξ2G(s)
dG(s)G(s)
= ξ2Dds
lnG(s)− lnG(0) = D∫ s
0ds′ξ2(s′)= D
∫ s
0ds′C2e2γs′ = DC2 e2γs −1
2γ
G(s) = G(0)eD2γC2(e2γs−1) ≡G(ξ(s),τ(s))
melyet a ξ(s)= z és τ(s)= t helyen kell kiértékelni, azaz τ= s = t és ξ= Ceγs = z
G(z, t) = G(ξ(0),τ(0))︸ ︷︷ ︸G(C,0)= ecx′
∣∣∣s=t és C=ze−γs=ezx′ e−γt
eD2γ z2 e−2γt(e2γt−1)
= exp[
zx′e−γt + z2 D2γ
(1− e−2γt)]
melybol leolvashatójuk (ugyanúgy generálja mint a Wiener folyamatnál) az eloszlás momentumait
• Várhatóérték⟨x⟩ = x′e−γt
• Szórásσ2(t)= ⟨x2⟩−⟨x⟩2 = D
γ
(1− e−2γt)
• Magasabb momentumok eltunnek, így a teljes megoldás is Gauss lesz
29
Tehát a megoldása az átmeneti valószínuségre a következo
P(x, t|x′)= 1√2πσ2(t)
e−(⟨x2⟩−⟨x⟩2)2
2σ2(t)
ami egy ergodikus folyamatot definiál, hiszen t →∞-re a stacionárius eloszlásba fut:
limt→∞P(x, t|x′)= pstac(x)= 1√
2πD/γe−
γ2D x2
30
3 Langevin egyenletEgy mozgás, ami differenciálegyenlettel van megadva mindaddig determinisztikus (még ha kaotikus is), amígvalahogy nem csatolunk rá egy véletlen változót. Az ily módon származtatott differenciálegyenleteket sz-tochasztikus differenciálegyenleteknek nevezzük.
A továbbiakban a folyamatok véletlen változását egy ξt(x) Gauss típusú fehér zajjal adjuk meg:
⟨ξt(x)⟩ = 0 és ⟨ξt(x)ξt′ (x′)⟩ =σ2(x, x′)δ(t− t′)
Véletlen zaj, hiszen a különbözo idoben lévo folyamatok nem korreláltak. A zaj Gauss típusa arra utal, hogycsak az elso két momentumát kell megadnunk a jellemzésére, hiszen a magasabb momentumok eltunnek.Továbbá attól fehér zaj, hogy a momentumok Fourier térben konstansak, azaz valós térben delta disztribúcióttartalmaznak (így mint egy általánosított sztochasztikus folyamatként is kezelhetjük oket, hiszen a deltakövetkeztében éles változások jelennek meg).
Langevin egyenlet és a Fokker-Planck egyenletLegyen ξt egy Gauss típusú fehér zaj, melynek szórása x független, ekkor
∂txt = v(xt)+ξt
egyenletet Langevin egyenletnek nevezzük. Melyben ha nem szerepelne a ξt véletlen zaj, akkor egy determin-isztikus differenciálegyenletet kapnánk.
A Langevin egyenlet egy infinitezimális idointervallumra vett lépés alatt a következo megváltozását ered-ményezi az xt változónknak:
[xt]t+dtt = v(xt)dt+
t+dt∫t
dtξt := v(xt)dt+ [Wt]t+dtt dxt = v(xt)dt+dWt
ahol a jobb oldal elso tagját elegendo volt csak az intervallum méretével megszorozni, hiszen szemben a má-sodik taggal o "szépen viselkedik" (nincs ugrása). Mivel a t+ dt állapot csak t-tol függ, így ez egy Markovfolyamat, továbbá a momentumok meghatározásával belétható, hogy diffúziós folyamat is:
• Növekmény (pl. nyereség) várhatóértéke
⟨dxt⟩ = ⟨v(xt)dt+dWt⟩ = v(xt)dt+t+dt∫t
dt⟨ξt⟩)︸︷︷︸=0
= v(xt)dt
• Növekmény szórása
⟨dx2t ⟩ = ⟨(v(xt)dt+dWt)2⟩ = ⟨(v(xt)dt)2⟩︸ ︷︷ ︸
ϑ(dt2)
+2 · ⟨v(xt)dt ·dWt⟩︸ ︷︷ ︸=0 nem korrelálnak
+⟨dW2t ⟩ =
t+dt∫t
dtt+dt∫t
dt′ ⟨ξtξt′⟩︸ ︷︷ ︸σ2δ(t−t′)
=σ2dt
• Növekmény magasabb momentumai
⟨dxnt ⟩ = 0 ha n ≥ 3
Tehát az említett Langevin egyenlettel megadott folyamathoz a
∂t p1(x, t)=−∂x (v(x)p1(x, t))+ σ2
2∂2
x p1(x, t)
Fokker-Planck egyenlet tartozik. Ha a szórás x függo lenne, azaz σ → σ(x) akkor elromlik az integrál,hiszen a zaj éles ugrásokat tartalmaz (emiatt nem folytonosan differenciálható), ekkor az integrált valahogyértelmeznünk kell (pl.: Itó integrál).
31
Langevin egyenlet általánosítása több változós esetreLegyen x = (x1, x2, . . . , xn) véges sok sztochasztikus változó, melyekre a
∂txi = vi(x)+ξi
Langevin egyenletek teljesülnek, ahol
⟨ξi⟩ = 0 és ⟨ξi(t)ξ j(t′)⟩ = 2D i, jδ(t− t′)
Gauss típusú fehér zajok (D i, j pozitív definit mátrix, mert diagonális rendszerben a foátló elemei a ⟨ξ2i ⟩-et
adják).Melyhez az
∂tP(x, t|x′)=−n∑i∂xi
(vi(x)P(x, t|x′))+ n∑
i, jD i, j
∂2
∂xi∂x j
P(x, t|x′) :=−n∑i∂xi Ji
általánosított Fokker-Planck egyenlet tartozik, ahol Ji az xi valószínuségi árama.
32
4 Diffúziós folyamat konstrukciója adott stacionárius eloszláshozMár láttuk, hogy egy Langevin egyenletet és egy Fokker-Plack egyenletet a zajkorrelációk jó megválasztásávalösszekapcsolhatunk. Most az fogom megmutatni, hogy ha ismerjük a stacionárius eloszlását a rendszernek,akkor ahhoz gyárthatunk egy Langevin egyenletet.
Egyváltozós esetIdézzük fel a
∂t p1(x, t)=−∂x (v(x)p1(x, t)−D∂x p1(x, t)) ahol D = σ2
2Fokker-Planck egyenletet. Stacionárius esetben p1(x, t)= pstac(x) idofüggetlen, így
v(x)pstac(x)−D∂x pstac(x)= konst.
azonban limx→±∞ pstac(x)= 0= lim
x→±∞∂x pstac(x), így konst. = 0, tehát
∂x pstac(x)= 1D
v(x)pstac(x)
mely egyensúlyi differenciálegyenlet megoldható (szétválasztható):
pstac(x)= Ce1D
∫dx(x) := Ce−Φ(x)
ahol Φ(x) az eloszlás potenciálja. Az egyensúlyi eloszlás ezen alakját vissza írva a differenciálegyenletbe Φ(x)és v(x) kapcsolatára a
−∂xΦ(x) = 1D
v(x)
v(x) = −D∂xΦ(x)
összefüggés adódik, melybol az ekvivalens Langevin egyenlet
∂txt =−D∂xΦ(x)+ξt
ahol ⟨ξt⟩ = 0 és ⟨ξtξt′⟩ = 2Dδ(t− t′).
Például: Ornstein-Uhlenbeck folyamat Ekkor v(x)=−γx és σ2 = 2D és
−γx =−D∂xΦ(x)
mivel a végtelenben le kell, hogy csengjen a potenciál, így a Φ(x)= γ2D x2 (v.ö. a korábbi számolással).
Többváltozós esetTöbbváltozós esetben a Flokker-Planck egyenlet
∂t pn(x, t)=−n∑i∂xi
(vi(x)pn(x, t)−∑
jD i, j∂x j pn(x, t)
)
mely stacionárius eloszlását keressük pstac(x)= Ce−Φ(x) alakban, ekkor
0=∑i∂xi
[(vi(x)+∑
jD i, j∂x jΦ
)e−Φ(x)
]:= div(Jstac(x))
azaz azt kaptuk, hogy a Jstac(x) divergenciája nulla, azonban abból, hogy egy vektor divergenciája nulla nemkövetkezik hogy a vektor egy konstans vektor, így nincs egyértelmu kapcsolat a Φ(x),v(x) és D i, j mennyiségekközött.
33
Két lehetséges megoldása van az elozo egyenletnek:
• A Jstac(x) valószínuségi áram konstans (nulla) vektor stacionárius állapotban:
0= vi(x)+∑j
D i, j∂x jΦ(x)
• A Jstac(x) valószínuségi áram antiszimmetrikus:
vi(x)+∑j
D i, j∂x jΦ(x) :=−∑j
Q i, j∂x jΦ(x)
ahol Q i, j = Q j,i antiszimmetrikus mátrix és D i, j a definíciójából fakadóan szimmetrikus. Ha fel-használjuk a ∂tΦ = ∑
∂iΦ ·∂txi egyenletet és beírjuk a ∂txi alakját a Fokker-Planck egyenletbol akkorláthatjuk, hogy a Q i, j egy "konzervatív" mozgást ír le, azaz nem változtatja meg a potenciált (∂tΦ = 0),míg a D i, j pedig egy disszipatív mozgást ad (∂tΦ< 0).
34
Diszkrét ideju Master egyenletegész változókra
1 Master egyenlet származtatása
Infinitezimális ido alatti átmeneti valószínuségTekintsünk egy olyan Markov folyamatot, ahol az állapottér diszkrét (gráffal megadható), azaz
p1(i, t) és P(i, t| j) i, j ∈Z .
Fejtsük sorba az átmeneti valószínuséget ∆t szerint
p ji = P(i,∆t| j)= P(i,0| j)+ ∂P(i,∆t| j)∂∆t
·∆t+ϑ(∆t) := δi, j +w j,i∆t
ahol w j,i az idoegység alatt átmenés valószínusége:
• ha i 6= j akkor P(i,∆t| j)= w j,i∆t, mivel ∆t és P(i,∆t| j) is nagyobb vagy egyenlo nullánál, így w j,i ≥ 0
• ha i = j, akkor P(i,∆t|i)= 1+wi,i∆t, mivel 1≥ P(i,∆t|i)≥ 0, így wi,i ≤ 0
azonban a w j,i-k nem függetlenek, hiszen
P(i,∆t| j) = δi, j +w j,i∆t /∑
i
1 = 1+∑i
w j,i∆t∑i
w j,i = 0
wi,i = −∑i 6= j
w j,i
Master egyenlet származtatásaVégezzük el az elozo sorfejtést a diszkrét folyamatok
P(i, t+∆t| j)=∑j′
P(i,∆t| j′)P( j′,∆t| j)
Chapmann-Kolmogorov egyenletén:
P(i, t+∆t| j) ' ∑j′
(δ j, j′ +w j′,i∆t
)P( j′, t| j)= P(i, t| j)+∆t
∑j′
w j′,iP( j′, t| j)
így
∂tP(i, t| j) ' P(i, t+∆t| j)−P(i, t| j)∆t
=∑j′
w j′,iP( j′, t| j)= ∑j′ 6=i
w j′,iP( j′, t| j)+wi,iP(i, t| j)=
= ∑j′ 6=i
(w j′,iP( j′, t| j)−wi, j′P(i, t| j))=∑
j′
(w j′,iP( j′, t| j)−wi, j′P(i, t| j))
melyet átírhatunk az egy esemény valószínuségekre is, ha p1(i,0)-lal rászorzunk és kiszummázunk j-re, akkor
∂t p1(i, t)=∑j′
(w j′,i p1( j′, t)−wi, j′ p1(i, t)
)a kapott egyenletet szemléletesen azt jelenti, hogy a valószínuség megváltozása az a befolyt, illetve a kifolytvalószínuségekbol ered.
35
2 Részletes egyensúlyStacionárius esetben ∂t pstac.(i)= 0, így∑
j′
(w j′,i pstac.( j′)−wi, j′ pstac.(i)
)= 0
részletes egyensúly esetén az egyenloség minden tagra fennáll, azaz
w j′,i pstac.( j′)−wi, j′ pstac.(i) = 0w j′,i
wi, j′= pstac.(i)
pstac.( j′)∀i, j′ ∈V
Belátható, hogy ha a rendszernek idotükrözési szimmetriája van (p2(i, t; j,0)= p2( j, t; i,0)), akkor ez az össze-függés mindig teljesül:
p2(i, t; j,0) = p2( j, t; i,0)
P(i, t| j)pstac.( j) = P( j, t|i)pstac.(i)(δi, j +w j,i
)pstac.( j) = (
δi, j +wi, j)
pstac.(i)w j,i pstac.( j) = wi, j pstac.(i)
w j,i
wi, j= pstac.(i)
pstac.( j)
36
3 Bolyongás végtelen lánconVegyünk egy páros N rácspontból álló láncot pN+1 = p1 periodikus határfeltétellel. Az infinitezimális ido alattiátugrás valószínusége legyen, elso szomszédok között és homogén, jelöljük w-vel, ekkor a folyamatot a
∂t pi = wpi+1 +wpi−1 −2wpi = 2w( pi+1 + pi−1
2− pi
)Master egyenlet vezérli. Tehát a folyamat igyekszik kisimítani, egyenletesen kiosztani a rácspontokon valótartózkodás valószínuségeit, így pstac
i várhatóan pstac lesz.
A bolyongás diffúzitásaNézzük meg, hogy a várható értéke és a szórása hogyan adható meg a rendszernek. A pozíció várhatóértékénekmegváltozásának megállapításához szorozzuk be i-vel a Master egyenletet, majd összegezzünk ki i-re, ekkor
∂t pi = wpi+1 +wpi−1 −2wpi /n és∑
iN−1∑i=1
i∂t pi = wN−1∑i=1
[ipi+1 + ipi−1 −2ipi]
∂t ⟨i⟩ = w∑
i[(i+1−1)pi−1 + (i+1−1)pi+1 −2ipi]
= w∑
i[(i+1)pi + (i−1)pi −2ipi]= 0
Tehát a részecske pozíciójának várhatóértéke idoben állandó.A pozíció szórásának megváltozásának meghatározásához az elozohöz hasonló módon járhatunk el:
∂t pi = wpi−1 +wpi+1 −2wpi /i2 és∑
i
∂t ⟨i2⟩ = w∑
i
[i2 pi−1 + i2 pi+1 −2i2 pi
]felhasználva a
i2 = (i+1−1)2 = (i+1)2 −2(i+1)+1
= (i−1)2 +2(i−1)+1
algebrai azonosságokat, azt kapjuk:
∂t ⟨i2⟩ = w∑
i
[i2 pi −2ipi + pi + i2 pi +2ipi + pi −2i2 pi
]= 2w∑
ipi = 2w
Melyet közvetlenül integrálhatjuk, hogy megkapjuk a várhatóértéket:
⟨i2(t)⟩ = ⟨i2(0)⟩+2wt
melybol a szórásnégyzet:σ2(t)= ⟨i2(t)⟩−⟨i(t)⟩2 = ⟨i2(0)⟩+2wt−⟨i(0)⟩2
Tehát ha pi(0) = δi,0 éles kezdeti eloszlásból indítjuk a bolyongást, azaz ⟨i(0)⟩ = 0 és ⟨i2(0)⟩ = 0, akkor egydiffúziós folyamatot kapunk. A szemléletesség kedvéért térjünk át hely reprezentációra: x = ia, ahol a a rác-sállandó, így:
⟨x⟩ = 0 és ⟨x2⟩ = 2wa2t → D = wa2
37
pi meghatározásaA periodikus határfeltételek miatt áttérhetünk Fourier térbe, a következo transzformációval:
p j = 1pN
∑q
eiq ja pq és pq = 1pN
∑j
e−iq ja p j
a határok illesztésébol következik, hogy Naq = 2πm (m ∈ 1,2, . . . , N − 1), ezzel ekvivalens választás szim-metrikussá (késobb hasznos lesz az integrálok kiszámításához) transzformáljuk a Brillouin zónát:
−πa< q < π
aq = 2π
amN
m ∈ −N/2, . . . , N/2
Fourier térben diagonális a Master egyenlet:
∂t pq = 1pN
∑j
e−iq jaw(p j+1 + p j−1 −2p j
)= w(eiqa pq + e−iqa pq −2pq
)= 2w (cos(qa)−1) pq := γ(q)pq
amit közvetlenül integrálhatunkpq(t)= pq(0)e−γ(q)t
a pq(0) konstanst a p j(0)= δ j,0 kezdeti feltételbol határozhatjuk meg:
pq(0)= 1pN
∑j
e−iq jaδ j,0 = 1pN
Elvégezve a vissza Fourier transzformálást megkaphatjuk a keresett p j valószínuséget:
p j(t)= 1pN
∑q
eiq ja pq(t)= 1N
∑q
eiq jae−2(1−cos(qa))wt
(Analitikusan nehéz elvégezni az összegzést, így további vizsgálatokhoz sorfejtést fogunk alkalmazni.)
Végtelen határesetVegyük az N →∞ limeszt, ekkor az összegzést integrállá írhatjuk át
1N
∑q· · · = Na
N
π/a∫−π/a
dq2π
· · · = aπ/a∫
−π/a
dq2π
. . .
Ebben a limeszben a p j(t) valószínuség már meghatározható:
p j(t) = aπ/a∫
−π/a
dq2π
eiq jae−2(1−cos(qa))wt =︸︷︷︸ϕ=qa
π∫−π
dϕ2π
(cos( jϕ)+ isin( jϕ)
)e2wtcosϕe−2wt
=π∫
−π
dϕ2π
cos( jϕ)e2wtcosϕe−2wt = e−2wtI j(2wt)
ahol
I j(2wt)=π∫
−π
dϕ2π
cos( jϕ)e2wtcosϕ
a j. módosított Bessel függvény.
38
A kapott eredménynek vizsgáljuk meg a hosszú ideju viselkedését. Mivel a 1/γ(q) a q hullámszámhoz tar-tozó Fourier komponens relaxációs ideje, így t > t0 esetén csak a γ(q) < 1/t0 komponenseket kell vizsgálnunk.Továbbá a γ(q)= 2(1−cos(qa)) függvény szigorúan monoton növekszik a (0,π/a) intervallumon és
γ(q)' 2(1−1+ (qa)2
2
)w = (qa)2w
négyzetesen indul, így
p j(t)' a2π
q0∫−q0
dqeiq jae−(qa)2wt ' a2π
∞∫−∞
dq (cos(q ja)+0) e−(qa)2wt
ahol az integrálási határokat azért terjeszthettük ki, mert gyorsan levág az integrandus. Felhasználva a
∞∫−∞
dxcos(bx)e−ax2 = π
ae−
b24a
azonosságot elvégezhetjük az integrálást
p j(t)= a2π
√π
wa2te−
( ja)2
4wa2 t = ap4πwa2t
e−( ja)2
4wa2 t
Tehát egy Gauss eloszlást kaptunk (nem olyan meglepo, hiszen diffúziós folyamat volt), (4πwt) maximálisértékkel és
p2wa2t = 2σ szórással. A kapott Gauss eloszlás egy Wiener folyamathoz tartozik (ez se olyan
meglepo hiszen a várhatóérték idoben változatlan):
P(x, t|0)= pn(t)a
∣∣∣∣x=na
= 1p4πwa2t
e−x2
4wa2 t
ahol D = wa2 és γ(x)= 0.
Kontinuum limeszKontinuum limeszben
p(x, t)= p j(t)a
∣∣∣∣x= ja
melyhez tartozó Master egyenlet
∂t(ap( ja, t)) = w [p(( j+1)a, t)+ p(( j−1)a, t)−2p( ja, t)]a =
= wa2
p( ja+a, t)− p( ja, t)a︸ ︷︷ ︸
p′( ja,t)+1/2p"( ja,t)a
− p( ja−a, t)− p( ja, t)a︸ ︷︷ ︸
p′( ja,t)+1/2p"( ja,t)(−a)
∂t p( ja, t) = wa2 p"( ja, t)
helyreprezentációban:∂t p(x, t)= wa2∂2
x p(x, t)
melyrol látszik, hogy tényleg egy Wiener folyamatot kaptunk.
39
Sinkovicz Peter
Appendix
A. Appendix: Indikátorfüggvény formalizmus1A(ω) egy indikátorfüggvénye A eseménynek, ha
1A(ω)=
1 ω ∈ A (feltétel teljesül)0 ω ∉ A (nem teljesül)
Például: Legyen Ω= 1,2,3,4,5,6 alaphalmaz és A = 1,3,4 ekkor
1A(ω)=
1 ω ∈ 1,3,50 ω ∈ 2,4,6
Tulajdonságai• Indikátorfüggvényhez rendelt valószínuség
p(1A(ω)= x)=
P(A) ha x = 1P(A)= 1−P(A) ha x = 0; erre nincs értelmezve, mert 1A(ω) ∈ 1,0
• hatványa
(1A(ω))n = 1A(ω) ∀n,ω-ra
nyilván, hisz 1n = 1 és 0n = 0
• várható értéke
⟨(1A(ω))2⟩ := ∑x∈0,1
xp(1A(ω)= x)= 1 · p(1A(ω)= 1)+0 · p(1A(ω)= 0)= 1 ·P(A)+0 ·P(A)= P(A)
• varianciája
σ2 = ⟨(1A(ω))2⟩−⟨1A(ω)⟩2 = . . .= P(A)(1−P(A))
• összetett esemény indikátor függvény
legyen ω ∈ A∩B, ekkor 1A∩B(ω)= 1 egyébként ;, így
AA∩B(ω)= 1A(ω) ·1B(ω)
• azonosság (minimuma alatti viselkedés)
Z =∞∑
k=11(z ≥ k)= 1+1+1+ . . .+1︸ ︷︷ ︸
z
+0+ . . .
• az elozoek alapján
⟨z⟩ =∞∑
k=1P(z ≥ k)
41