有限次元分布

同義語:finite-dimensional distribution

概要

有限次元分布(finite-dimensional distribution)とは、確率過程 $(X_t)_{t\in T}$ の有限個の時刻での値の組 $(X_{t_1},\dots,X_{t_n})$ の同時分布のことであり、すべての有限個の時刻にわたる族は過程の法則を決める。過程の有限次元分布の族は並べ替えと周辺化について整合的で、逆に整合的な族からは過程が作れる。実数値の場合の整合性は、特性関数の引数の並べ替えと、落とす時刻の引数を $0$ にする操作で判定でき、これから増分の分布が畳み込みの関係を満たす独立増分の過程が構成される。連続な道の過程では、道の空間での弱収束から有限次元分布の収束が従い、緊密性があれば逆も成り立つが、緊密性がなければ逆は成り立たない。

$$\newcommand{C}[0]{\mathbb{C}} \newcommand{div}[0]{\mathbin{÷}} \newcommand{N}[0]{\mathbb{N}} \newcommand{Q}[0]{\mathbb{Q}} \newcommand{R}[0]{\mathbb{R}} \newcommand{Z}[0]{\mathbb{Z}} $$

前提知識: 確率過程, 確率測度, 特性関数(確率論)

有限次元分布(finite-dimensional distribution)とは、確率過程 $(X_t)_{t\in T}$ について、有限個の時刻 $t_1,\dots,t_n$ での値の組 $(X_{t_1},\dots,X_{t_n})$ の同時分布のことであり、これをすべての有限個の時刻の組にわたって集めた族を有限次元分布の族という。たとえば標準 Brown運動 の有限次元分布は、平均 $0$、共分散 $\min\{t_j,t_k\}$ の 多変量正規分布 である。
有限次元分布の族は過程の法則(道の空間の上の分布)を決め(確率過程 の定理「有限次元分布は法則を決める」)、整合性という条件を満たす族からは過程が作れる(Kolmogorovの拡張定理)。この記事では、整合性の 3 つの言い表し方が同じであること(prop-fdd-forms)、実数値の過程の整合性を特性関数で判定する方法(thm-fdd-cf)とその応用としての独立増分の過程の構成、有限次元分布の収束と、それだけでは道の空間での収束にならないことを述べる。

定義と整合性

以下、$T$ を空でない集合、$(S,\mathcal S)$ を可測空間とし、$X=(X_t)_{t\in T}$ を確率空間 $(\Omega,\mathcal F,P)$ の上の $S$ に値をとる確率過程とする。$T$ の相異なる元の組 $\mathbf t=(t_1,\dots,t_n)$($n\ge1$)を単に 組 といい、$S^n$ には積σ-代数 $\mathcal S^{\otimes n}$ を入れる。

有限次元分布

組 $\mathbf t=(t_1,\dots,t_n)$ について、$S^n$ の上の確率測度
$$ \mu_{\mathbf t}(A):=P\bigl((X_{t_1},\dots,X_{t_n})\in A\bigr)\qquad(A\in\mathcal S^{\otimes n}) $$
を、$X$ の時刻 $t_1,\dots,t_n$ での 有限次元分布 という。すべての組にわたる族 $(\mu_{\mathbf t})_{\mathbf t}$ を $X$ の 有限次元分布の族 という。

確率過程 の定義「法則と有限次元分布」は、組の代わりに $T$ の空でない有限部分集合 $J$ で添字づけ、$S^J$ の上の分布 $\mu_J$ を有限次元分布と呼んでいる。どちらも同じ情報をもつことを下の prop-fdd-forms で確かめる。$n$ 個の置換 $\sigma$ について、$\mathbf t\sigma:=(t_{\sigma(1)},\dots,t_{\sigma(n)})$、$\hat\sigma(x_1,\dots,x_n):=(x_{\sigma(1)},\dots,x_{\sigma(n)})$ とおき、$\mathrm{pr}\colon S^{n+1}\to S^n$ を最後の成分を落とす射影とする。

整合性の条件

組ごとに $S^n$ の上の確率測度 $\mu_{\mathbf t}$ が与えられた族が次の 2 つを満たすとき、整合的 であるという。

  1. (並べ替え)すべての組 $\mathbf t$ と置換 $\sigma$ について $\mu_{\mathbf t\sigma}=\mu_{\mathbf t}\circ\hat\sigma^{-1}$。
  2. (周辺化)すべての組 $\mathbf t=(t_1,\dots,t_n)$ と $s\notin\{t_1,\dots,t_n\}$ について $\mu_{(t_1,\dots,t_n,s)}\circ\mathrm{pr}^{-1}=\mu_{\mathbf t}$、すなわち $\mu_{(t_1,\dots,t_n,s)}(A\times S)=\mu_{\mathbf t}(A)$。

確率過程の有限次元分布の族は整合的である。$(X_{t_{\sigma(1)}},\dots,X_{t_{\sigma(n)}})=\hat\sigma(X_{t_1},\dots,X_{t_n})$ であり、$(X_{t_1},\dots,X_{t_n},X_s)$ の最後の成分を落とせば $(X_{t_1},\dots,X_{t_n})$ になるからである。

整合性の 3 つの形
  1. 組で添字づけた整合的な族 $(\mu_{\mathbf t})$ と、有限部分集合で添字づけた族 $(\mu_J)$ で $J\subset K$ なら $\mu_K\circ\pi_{KJ}^{-1}=\mu_J$ を満たすもの(Kolmogorovの拡張定理 の定義「有限次元分布の整合な族」)とは、$\mu_{\mathbf t}=\mu_J\circ\iota_{\mathbf t}^{-1}$ によって 1 対 1 に対応する。ここで $J=\{t_1,\dots,t_n\}$、$\iota_{\mathbf t}\colon S^J\to S^n$ は $(x_s)_{s\in J}\mapsto(x_{t_1},\dots,x_{t_n})$、$\pi_{KJ}$ は射影である。
  2. $T\subset\mathbb R$ とする。整合的な族は、増加する組 $t_1< \dots< t_n$ の上での値で決まる。逆に、増加する組ごとに確率測度 $\mu_{t_1\cdots t_n}$ が与えられ、どの $j$ について $j$ 番目の成分を落とす射影 $\delta_j$ を使っても $\mu_{t_1\cdots t_n}\circ\delta_j^{-1}=\mu_{t_1\cdots\widehat{t_j}\cdots t_n}$ となるなら、それを延ばす整合的な族がただ 1 つある。
座標の並べ方を付け替える

1:$\iota_{\mathbf t}$ は可測な全単射で、逆写像も可測である。$(\mu_J)$ から $\mu_{\mathbf t}:=\mu_J\circ\iota_{\mathbf t}^{-1}$ を作ると、$\iota_{\mathbf t\sigma}=\hat\sigma\circ\iota_{\mathbf t}$ から並べ替えの条件が、$K=J\cup\{s\}$ について $\mathrm{pr}\circ\iota_{(\mathbf t,s)}=\iota_{\mathbf t}\circ\pi_{KJ}$ から周辺化の条件が従う。逆に整合的な $(\mu_{\mathbf t})$ から、$J$ を任意の順に並べた組 $\mathbf t$ を使って $\mu_J:=\mu_{\mathbf t}\circ\iota_{\mathbf t}$ とおくと、並べ替えの条件によりこれは並べ方によらない。$J\subset K$ なら、$K$ を $J$ の元が先に来るように並べ、周辺化の条件を最後の成分から 1 つずつ繰り返し使えば $\mu_K\circ\pi_{KJ}^{-1}=\mu_J$ を得る。2 つの作り方は互いに逆である。
2:任意の組 $\mathbf t$ は、増加する組 $\mathbf t^\uparrow$ を並べ替えた $\mathbf t^\uparrow\sigma$ の形にただ 1 通りに書けるので、並べ替えの条件から $\mu_{\mathbf t}=\mu_{\mathbf t^\uparrow}\circ\hat\sigma^{-1}$ と決まる。逆に、増加する組の族からこの式で $\mu_{\mathbf t}$ を定めると、並べ替えの条件は定め方から成り立つ。$(\mathbf t,s)$ の最後の成分 $s$ を落とすことは、$(\mathbf t,s)$ の増加する並べ替えから $s$ のある位置 $j$ の成分を落とし、残りを $\mathbf t$ の順に並べ替えることと同じなので、周辺化の条件は $\delta_j$ についての仮定から従う。$\square$

2 の形は、時刻の集合が実数の部分集合のときによく使われる。Dur19 §7.1(p. 355)は、Brown 運動の有限次元分布を $0< t_1< \dots< t_n$ ごとに熱核の積で与え、1 つの時刻を落とすと時刻の少ない分布になることを、2 の形の整合性として確かめている。
整合的な族があれば、$S$ が Polish 空間(たとえば $\mathbb R^d$)のとき、それを有限次元分布の族とする確率過程がある(Kolmogorovの拡張定理 の系「Polish 空間の場合」。$T=\{1,2,\dots\}$、$S=\mathbb R$ の場合は Dur19 Theorem 2.1.21(p. 53))。しかも過程の法則は有限次元分布で決まる。ただし法則は積σ-代数の上の分布なので、道の連続性のような性質までは決まらない。同じ有限次元分布をもつ 2 つの過程で、一方の道はすべて連続、他方の道はどれも不連続になる例は 確率過程 の例「修正だが区別不能でない過程」にある。したがって確率過程を「作る」問題の多くは、整合的な族を書き下す問題になる。

特性関数による整合性の判定

$S=\mathbb R$ とする。組 $\mathbf t=(t_1,\dots,t_n)$ ごとの $\mathbb R^n$ の上の確率測度 $\mu_{\mathbf t}$ の 特性関数(確率論) を
$$ \varphi_{\mathbf t}(u_1,\dots,u_n):=\int_{\mathbb R^n}e^{i(u_1x_1+\dots+u_nx_n)}\,\mu_{\mathbf t}(dx) $$
とする。

特性関数による整合性の判定

族 $(\mu_{\mathbf t})$ が整合的であるための必要十分条件は、次の 2 つが成り立つことである。

  1. すべての組 $\mathbf t$、置換 $\sigma$、$u\in\mathbb R^n$ について $\varphi_{\mathbf t\sigma}(u_{\sigma(1)},\dots,u_{\sigma(n)})=\varphi_{\mathbf t}(u_1,\dots,u_n)$。
  2. すべての組 $\mathbf t$、$s\notin\{t_1,\dots,t_n\}$、$u\in\mathbb R^n$ について $\varphi_{(t_1,\dots,t_n,s)}(u_1,\dots,u_n,0)=\varphi_{\mathbf t}(u_1,\dots,u_n)$。
    これが成り立てば、$(\mu_{\mathbf t})$ を有限次元分布の族とする実数値の確率過程が存在し、その法則はただ 1 つである。
像測度の特性関数を計算する

$Y=(Y_1,\dots,Y_n)$ を分布 $\mu_{\mathbf t}$ に従う確率ベクトルとする。$\hat\sigma(Y)=(Y_{\sigma(1)},\dots,Y_{\sigma(n)})$ の分布は $\mu_{\mathbf t}\circ\hat\sigma^{-1}$ で、その特性関数の点 $v=(v_1,\dots,v_n)$ での値は
$$ E\Bigl[\exp\Bigl(i\sum_{k=1}^nv_kY_{\sigma(k)}\Bigr)\Bigr]=\varphi_{\mathbf t}(w),\qquad w_{\sigma(k)}:=v_k $$
である。$v_k:=u_{\sigma(k)}$ とおくと $w=u$ なので、$\mu_{\mathbf t}\circ\hat\sigma^{-1}$ の特性関数の点 $(u_{\sigma(1)},\dots,u_{\sigma(n)})$ での値は $\varphi_{\mathbf t}(u)$ である。$u$ が $\mathbb R^n$ 全体を動くとき $(u_{\sigma(1)},\dots,u_{\sigma(n)})$ も $\mathbb R^n$ 全体を動く。$\mathbb R^n$ の上の確率測度は特性関数で決まる(Lévyの連続性定理 の命題「特性関数による分布の決定」)ので、$\mu_{\mathbf t\sigma}=\mu_{\mathbf t}\circ\hat\sigma^{-1}$ は 1 と同値である。
同様に、$Y'$ が分布 $\mu_{(\mathbf t,s)}$ に従うとき、$\mathrm{pr}(Y')=(Y'_1,\dots,Y'_n)$ の特性関数の点 $u$ での値は $E[\exp(i\sum_{k\le n}u_kY'_k)]=\varphi_{(\mathbf t,s)}(u,0)$ である。よって周辺化の条件は 2 と同値である。
後半は、$\mathbb R$ が Polish 空間であることと、prop-fdd-forms の 1、Kolmogorovの拡張定理 の系「Polish 空間の場合」による。法則の一意性は 確率過程 の定理「有限次元分布は法則を決める」による。$\square$

2 は、「ある時刻の値を無視する」ことが「その変数の特性関数の引数を $0$ にする」ことに当たる、と読める。Gauss過程 の有限次元分布 $\exp\bigl(i\sum_ju_jm(t_j)-\frac12\sum_{j,k}u_ju_kc(t_j,t_k)\bigr)$ が 1 と 2 を満たすことは式から直ちに分かり、残るのは各式が確率測度の特性関数であること、すなわち $c$ が半正定値であることである(Gauss過程 の定理「Gauss 過程の存在と一意性」)。

独立増分の過程の構成

$T=[0,\infty)$ とする。$\mathbb R$ の上の確率測度 $\rho$ と、$0\le s< t$ ごとの確率測度 $\nu_{s,t}$ が与えられ、$0\le s< t< u$ について
$$ \nu_{s,t}*\nu_{t,u}=\nu_{s,u} $$
(畳み込み)を満たすとする。$\nu_{0,0}:=\delta_0$ とおく。増加する組 $0\le t_1< \dots< t_n$ について、独立な確率変数 $Z\sim\rho$、$W_1\sim\nu_{0,t_1}$、$W_k\sim\nu_{t_{k-1},t_k}$($2\le k\le n$)をとり、$Y_k:=Z+W_1+\dots+W_k$ の同時分布を $\mu_{t_1\cdots t_n}$ とする。特性関数を $\hat\rho$、$\hat\nu_{s,t}$ と書くと、$U_k:=u_k+\dots+u_n$ として $\sum_ku_kY_k=U_1Z+\sum_kU_kW_k$ なので
$$ \varphi_{t_1\cdots t_n}(u)=\hat\rho(U_1)\,\hat\nu_{0,t_1}(U_1)\prod_{k=2}^n\hat\nu_{t_{k-1},t_k}(U_k) $$
である。

独立増分の過程の存在

この族は prop-fdd-forms の 2 の条件を満たし、それを延ばした整合的な族を有限次元分布とする過程 $X$ が存在する。$X$ は、$X_0\sim\rho$、$X_t-X_s\sim\nu_{s,t}$($s< t$)を満たし、どの $0\le t_1< \dots< t_n$ についても $X_{t_1},X_{t_2}-X_{t_1},\dots,X_{t_n}-X_{t_{n-1}}$ は互いに独立である。

落とした時刻の前後の増分をまとめる

$j$ 番目の成分を落とした分布の特性関数は、上の式で $u_j=0$ とおいたものである(thm-fdd-cf の証明の 2 と同じ計算)。$u_j=0$ なら $U_j=U_{j+1}$($j< n$)である。
$j=n$ なら $U_n=0$ で、因子 $\hat\nu_{t_{n-1},t_n}(0)=1$ が消え、残りは $(t_1,\dots,t_{n-1})$ の式である。$2\le j< n$ なら、$U_j$ と $U_{j+1}$ を含む因子は
$$ \hat\nu_{t_{j-1},t_j}(U_{j+1})\,\hat\nu_{t_j,t_{j+1}}(U_{j+1})=\hat\nu_{t_{j-1},t_{j+1}}(U_{j+1}) $$
にまとまる(畳み込みの特性関数は積で、仮定 $\nu_{t_{j-1},t_j}*\nu_{t_j,t_{j+1}}=\nu_{t_{j-1},t_{j+1}}$ を使う)。$j=1$ なら $\hat\nu_{0,t_1}(U_2)\hat\nu_{t_1,t_2}(U_2)=\hat\nu_{0,t_2}(U_2)$ である($t_1=0$ なら $\nu_{0,0}=\delta_0$ による)。どの場合も、$t_j$ を除いた組の式になる。特性関数は分布を決めるので、prop-fdd-forms の 2 の条件が成り立ち、thm-fdd-cf の後半と同じく過程 $X$ が存在する。
$(X_{t_1},\dots,X_{t_n})$ は $(Y_1,\dots,Y_n)$ と同じ分布に従い、$(Y_1,Y_2-Y_1,\dots,Y_n-Y_{n-1})=(Z+W_1,W_2,\dots,W_n)$ の成分は互いに独立なので、$X$ の増分も同じ性質をもつ。$t_1=0$ の組から $X_0\sim\rho*\delta_0=\rho$、組 $(s,t)$ から $X_t-X_s\sim\nu_{s,t}$ である。$\square$

$\nu_{s,t}=N(0,t-s)$、$\rho=\delta_0$ とすると Brown 運動の有限次元分布になり(正規分布 の定理「独立な正規分布の和」から畳み込みの条件が成り立つ)、$\nu_{s,t}$ を平均 $\lambda(t-s)$ の Poisson分布 にとると強度 $\lambda$ の Poisson過程 の有限次元分布になる。$\nu_{s,t}=N(0,a(t)-a(s))$($a$ は狭義増加)のように、増分の分布が $t-s$ だけで決まらない例も同じ命題に入る。独立増分の過程は Markov 過程の特別な場合で、一般の推移関数による有限次元分布の構成は Markov過程 で扱う。

有限次元分布の収束

有限次元分布の収束

同じ $T$ をもつ実数値の確率過程 $X^{(n)}$($n\ge1$)と $X$ について、すべての組 $(t_1,\dots,t_k)$ で $(X^{(n)}_{t_1},\dots,X^{(n)}_{t_k})$ が $(X_{t_1},\dots,X_{t_k})$ に分布収束するとき、$X^{(n)}$ は $X$ に 有限次元分布の意味で収束する という。

道が連続な過程を連続関数の空間 $C[0,1]$(上限ノルム $\| f\|:=\sup_t\lvert f(t)\rvert$ による距離を入れる)に値をとる確率変数とみるとき、法則の弱収束(Prokhorovの定理 の定義「距離空間の上の弱収束」)と有限次元分布の収束の関係が問題になる。$C[0,1]$ の Borel 集合族は座標 $f\mapsto f(t)$ で生成される(Wiener測度 の補題「Borel 集合族は座標で生成される」と同じ議論:$\| f-g\|=\sup_{t\in[0,1]\cap\mathbb Q}\lvert f(t)-g(t)\rvert$ により開球は座標で書ける)。したがって $C[0,1]$ の上の確率測度は有限次元分布で決まる。

有限次元分布の収束と道の空間での収束
  1. $X^{(n)}$ が $X$ に有限次元分布の意味で収束することと、すべての組 $(t_1,\dots,t_k)$ と $a\in\mathbb R^k$ について $\sum_ja_jX^{(n)}_{t_j}$ が $\sum_ja_jX_{t_j}$ に分布収束することは同値である。
  2. $T=[0,1]$ で $X^{(n)}$、$X$ の道がすべて連続であるとする。$C[0,1]$ の上で $X^{(n)}$ の法則が $X$ の法則に弱収束すれば、$X^{(n)}$ は $X$ に有限次元分布の意味で収束する。
  3. 2 の設定で、$X^{(n)}$ の法則の族が緊密で、$X^{(n)}$ が $X$ に有限次元分布の意味で収束すれば、$X^{(n)}$ の法則は $X$ の法則に弱収束する。
座標への写像は連続である

1:Lévyの連続性定理 の系「Cramér–Wold の方法」を各組のベクトル $(X^{(n)}_{t_1},\dots,X^{(n)}_{t_k})$ に当てる。
2:$\pi(f):=(f(t_1),\dots,f(t_k))$ は $\lvert f(t_j)-g(t_j)\rvert\le\| f-g\|$ から連続である。$\mathbb R^k$ の上の有界連続関数 $g$ について $g\circ\pi$ は $C[0,1]$ の上の有界連続関数なので、弱収束の定義から $E[g(\pi(X^{(n)}))]\to E[g(\pi(X))]$ である。
3:Prokhorovの定理 の定理「緊密性と相対コンパクト性」の 1 により、法則の列の任意の部分列は、$C[0,1]$ の上のある確率測度 $\rho$ に弱収束する部分列をもつ。2 をその部分列に使うと、$\rho$ の有限次元分布は $X$ の有限次元分布に等しい。$C[0,1]$ の上の確率測度は有限次元分布で決まるので、$\rho$ は $X$ の法則に等しい。部分列の極限がつねに同じなので、同じ定理の系「部分列の原理」により列全体が $X$ の法則に弱収束する。$\square$

2 の逆は成り立たない。次の例では有限次元分布は収束するが、道の空間では収束しない。

動く山形の関数

$U$ を $(0,1)$ 上の一様分布に従う確率変数とし、$t\in[0,1]$ について
$$ X^{(n)}_t:=\max\{0,\ 1-n\lvert t-U\rvert\} $$
とおく。道は、$U$ に高さ $1$、幅 $2/n$ の山をもつ連続関数である。$t$ を固定すると $X^{(n)}_t\ne0$ となるのは $\lvert t-U\rvert< 1/n$ のときだけで、その確率は $2/n$ 以下である。よって組 $(t_1,\dots,t_k)$ について $P\bigl((X^{(n)}_{t_1},\dots,X^{(n)}_{t_k})\ne0\bigr)\le2k/n\to0$ であり、$X^{(n)}$ は恒等的に $0$ の過程に有限次元分布の意味で収束する。
一方、$F(f):=\min\{1,\| f\|\}$ は $C[0,1]$ の上の有界連続関数で、どの $n$ でも $\| X^{(n)}\|=X^{(n)}_U=1$ なので $E[F(X^{(n)})]=1$ だが、$0$ の過程では $F(0)=0$ である。$X^{(n)}$ の法則が弱収束するなら、thm-fdd-conv の 2 により極限の有限次元分布はすべて $0$ の点の Dirac 測度で、極限は $0$ の過程の法則になるはずだから、$X^{(n)}$ の法則はどんな確率測度にも弱収束しない。thm-fdd-conv の 3 から、この法則の族は緊密でない。

Donskerの定理 の反例の表は、確定的な山形の関数の列で同じ現象を示している。ランダムウォークを縮めた折れ線では、有限次元分布の収束(同記事の命題「有限次元分布」)に緊密性を合わせて Brown 運動への収束を得る。これは 3 の形の議論である。経験過程 も、有限次元分布の極限を求めてから関数空間での収束を論じる。

反例

外す条件例成り立たなくなること
thm-fdd-cf の 1(並べ替え)$T=\{1,2\}$、$\mu_{(1)}=\mu_{(2)}=N(0,1)$、$\mu_{(1,2)}$ は $(Z,Z)$ の分布、$\mu_{(2,1)}$ は $(Z,-Z)$ の分布($Z\sim N(0,1)$)この族を有限次元分布とする過程の存在
thm-fdd-cf の 2(周辺化)$T=\{1,2\}$、$\mu_{(1)}=\mu_{(2)}=N(0,1)$、$\mu_{(1,2)}=\mu_{(2,1)}=N(0,2)\otimes N(0,2)$この族を有限次元分布とする過程の存在
prop-fdd-increments の畳み込みの条件$\rho=\delta_0$、$\nu_{s,t}=N(0,(t-s)^2)$整合性(prop-fdd-forms の 2)と過程の存在
thm-fdd-conv の 3 の緊密性ex-fdd-tent法則の弱収束
反例の表の確かめ
確かめを開く

1 行目:$(Z,Z)$ と $(Z,-Z)$ の周辺はどれも $N(0,1)$ なので、周辺化の条件は成り立つ。$(Z,Z)$ の成分を入れ替えても $(Z,Z)$ の分布で、$(Z,-Z)$ の分布と異なる($Y_1+Y_2$ の分散が $4$ と $0$)ので、並べ替えの条件だけが満たされない。過程 $X$ があれば $(X_1,X_2)\sim(Z,Z)$ から $X_1=X_2$、$(X_2,X_1)\sim(Z,-Z)$ から $X_2=-X_1$ がほとんど確実に成り立ち、$X_1=0$ となって $X_1\sim N(0,1)$ に反する。

2 行目:積の測度は成分の入れ替えで変わらないので並べ替えの条件は成り立つ。周辺は $N(0,2)\ne N(0,1)$ で周辺化の条件だけが満たされず、過程があれば $X_1$ の分布が $N(0,1)$ と $N(0,2)$ の両方になって矛盾する。

3 行目:$s< t< u$ なら $N(0,(t-s)^2)*N(0,(u-t)^2)=N(0,(t-s)^2+(u-t)^2)$ で、$(u-s)^2$ との差は $2(t-s)(u-t)>0$ なので畳み込みの条件だけが満たされない。組 $(s,t,u)$ の分布で $Y_3-Y_1$ は分散 $(t-s)^2+(u-t)^2$、組 $(s,u)$ では分散 $(u-s)^2$ をもち、真ん中の時刻を落とす条件が成り立たない。整合的でないので、増加する組でこの分布をもつ過程はない。

4 行目:ex-fdd-tent で示した。道は連続で、有限次元分布は収束している。

関連項目

参考文献

[1]
Rick Durrett, Probability: Theory and Examples, 5th ed., Cambridge University Press, 2019, Theorem 2.1.21(Kolmogorov の拡張定理、p. 53)、§7.1(Brown 運動の有限次元分布と整合性、p. 355)

Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する