Brown橋

同義語:ブラウン橋Brownian bridge

概要

Brown橋(Brownian bridge)とは、標準 Brown 運動 $B$ から $B^\circ_t=B_t-tB_1$($0\le t\le1$)として作られる、両端で $0$ をとる連続な Gauss 過程であり、共分散は $\min(s,t)-st$ である。$B^\circ$ は $B_1$ と独立なので、終点 $B_1=0$ を条件にした Brown 運動とみなせる。確率微分方程式 $dX=-\frac{X}{1-t}dt+dW$ の解として表され、最大値は $P(\max B^\circ\ge b)=e^{-2b^2}$ に従い、絶対値の最大値の分布は Kolmogorov–Smirnov 検定の極限分布になる。正弦関数による展開の係数は独立な正規変数である。

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

前提知識: Brown運動, Gauss過程, 反射原理(Brown運動)

Brown橋(Brownian bridge)とは、時刻 $0$ と時刻 $1$ でともに $0$ をとるように「両端を留めた」Brown 運動のことである。標準 Brown 運動 $B$ から
$$ B^\circ_t:=B_t-tB_1\qquad(0\le t\le1) $$
として作られ、平均 $0$、共分散 $\operatorname{Cov}(B^\circ_s,B^\circ_t)=\min(s,t)-st$ の連続な Gauss過程 である。確率 $0$ の事象 $\{B_1=0\}$ を条件にした Brown 運動とみなすことができ、この見方は $B^\circ$ と $B_1$ の独立性によって正当化される。
Brown 橋は統計学にも現れる。$[0,1]$ の一様分布からの $n$ 個の標本の経験分布関数を $F_n$ とすると、$\sqrt n(F_n(t)-t)$ は $n\to\infty$ で Brown 橋に分布収束する(経験過程)。そのため、分布の適合度を測る Kolmogorov–Smirnov検定 の統計量の極限分布は、Brown 橋の最大値の分布で与えられる。
この記事では次を扱う。

  • 定義と、$B^\circ$ と $B_1$ の独立性、終点を条件にした Brown 運動としての特徴づけ(prop-bb-indep、cor-bb-condition)。
  • 確率微分方程式による表示(thm-bb-sde)。
  • 最大値の分布 $P(\max B^\circ\ge b)=e^{-2b^2}$ の証明(thm-bb-max)と、絶対値の最大値の分布(Kolmogorov 分布)。
  • 正弦関数による展開と、2 乗積分の分布(prop-bb-sine)。

定義

$B=(B_t)_{t\ge0}$ を $B_0=0$ の標準 Brown運動 とし、道はすべて連続とする。$C[0,1]$ は $[0,1]$ 上の実数値連続関数の空間で、上限ノルムによる Borel 集合族を考える。

Brown 橋

$[0,1]$ を添字とする連続な道の確率過程 $X=(X_t)_{0\le t\le1}$ が、平均 $0$、共分散
$$ E[X_sX_t]=\min(s,t)-st\qquad(0\le s,t\le1) $$
の Gauss過程 であるとき、$X$ を Brown橋(標準 Brown 橋)という。$x,y\in\mathbb R$ について $x(1-t)+yt+X_t$ を、$x$ から $y$ への Brown 橋 という。

$B^\circ_t=B_t-tB_1$ は Brown 橋である。実際、$(B^\circ_t)$ は Gauss 過程 $B$ の線形な像なので Gauss 過程で、道は連続、平均は $0$ で、$s\le t$ について
$$ E[B^\circ_sB^\circ_t]=E[B_sB_t]-tE[B_sB_1]-sE[B_1B_t]+stE[B_1^2]=s-ts-st+st=s-st $$
である。Gauss 過程の有限次元分布は平均と共分散で決まり(Gauss過程 の定理「Gauss 過程の存在と一意性」)、$C[0,1]$ の上の分布は有限次元分布で決まるので、Brown 橋の道の分布は 1 つに決まる。以下、Brown 橋を $B^\circ$ で表す。
$B^\circ_0=B^\circ_1=0$ で、$\operatorname{Var}(B^\circ_t)=t(1-t)$ は $t=1/2$ で最大値 $1/4$ をとる。$0\le s< t\le1$ について $\operatorname{Cov}(B^\circ_t-B^\circ_s,\ B^\circ_s)=(s-st)-(s-s^2)=-s(t-s)< 0$($0< s$ のとき)なので、Brown 運動と違って増分は独立でなく、負の相関をもつ。終点で $0$ に戻らなければならないので、上がった分は後で下がる傾向をもつ。

時間を変えた表示

$Y_t:=(1-t)B_{t/(1-t)}$($0\le t< 1$)、$Y_1:=0$ も Brown 橋である。$s\le t< 1$ なら $\frac{s}{1-s}\le\frac{t}{1-t}$ なので $E[Y_sY_t]=(1-s)(1-t)\frac{s}{1-s}=s(1-t)$ で、共分散が一致する。$t\to1$ で $Y_t\to0$ となることは、$u:=t/(1-t)\to\infty$ として $Y_t=B_u/(1+u)$ と書け、Brown 運動の大数の法則 $B_u/u\to0$(確率 $1$)から従う。

終点を条件にした Brown 運動

終点との独立性

過程 $(B^\circ_t)_{0\le t\le1}$ と確率変数 $B_1$ は独立である。したがって $B=B^\circ+tB_1$ は、Brown 橋と、それと独立な $N(0,1)$ の変数 $B_1$ から組み立てられる。

共分散が $0$ の Gauss 族

$(B^\circ_t)_{t\in[0,1]}$ と $B_1$ を合わせた族は $B$ の線形な像なので Gauss 過程である。$E[B^\circ_tB_1]=t-t\cdot1=0$ なので、Gauss過程 の命題「無相関な部分族は独立」から、$\sigma(B^\circ_t:t\in[0,1])$ と $\sigma(B_1)$ は独立である。$\square$

$\{B_1=0\}$ は確率 $0$ なので、「$B_1=0$ を条件にした Brown 運動」は定義そのものとしては意味をもたない。次の系はこれを 2 通りに正当化する。

終点を条件にした分布

$\varphi$ を標準正規分布の密度とする。

  1. $C[0,1]$ 上の有界な可測関数 $F$ と、$\mathbb R$ 上の有界な可測関数 $h$ について
    $$ E\bigl[F(B)\,h(B_1)\bigr]=\int_{\mathbb R}E\bigl[F(B^\circ+\iota y)\bigr]h(y)\varphi(y)\,dy $$
    である。ここで $\iota(t):=t$ とする。すなわち、$B_1=y$ を条件にした $B$ の条件付き分布は $y$ への Brown 橋 $B^\circ+\iota y$ の分布にとれる。
  2. $C[0,1]$ 上の有界な連続関数 $F$ について、$\delta\to0$ のとき $E\bigl[F(B)\bigm|\lvert B_1\rvert\le\delta\bigr]\to E[F(B^\circ)]$ である。
独立な 2 つの成分の積の測度

1。 $B=B^\circ+\iota B_1$ で、prop-bb-indep から $(B^\circ,B_1)$ の分布は $B^\circ$ の分布と $N(0,1)$ の積の測度である。Fubiniの定理 から左辺は $\int E[F(B^\circ+\iota y)]h(y)\varphi(y)\,dy$ に等しい。
2。 $g(y):=E[F(B^\circ+\iota y)]$ とおくと、$y_n\to y$ なら $B^\circ+\iota y_n\to B^\circ+\iota y$ が一様収束なので、優収束定理 から $g$ は連続である。1 で $h=1_{[-\delta,\delta]}$ とすると $E[F(B)\mid\lvert B_1\rvert\le\delta]=\int_{-\delta}^\delta g\varphi\,dy\big/\int_{-\delta}^\delta\varphi\,dy$ で、これは $g$ の連続性から $g(0)=E[F(B^\circ)]$ に近づく。$\square$

1 から、Brown 橋の有限次元分布の密度も Brown 運動の推移密度で書ける。$p_s(x):=e^{-x^2/2s}/\sqrt{2\pi s}$ とし、$0=t_0< t_1< \dots< t_n< t_{n+1}=1$、$x_0=x_{n+1}=0$ とすると、$(B^\circ_{t_1},\dots,B^\circ_{t_n})$ の密度は
$$ \frac{1}{p_1(0)}\prod_{m=1}^{n+1}p_{t_m-t_{m-1}}(x_m-x_{m-1}) $$
である(Dur19 (8.4.4)、p. 412)。実際、$(B_{t_1},\dots,B_{t_n},B_1)$ の密度は推移密度の積で、それを $B_1$ の密度 $p_1(y)$ で割ったものが、ほとんどすべての $y$ で 1 の条件付き分布の密度になる。$y$ について両辺が連続なので $y=0$ でも等しい。この形から、Brown 橋は Markov 過程であるが、推移の規則が時刻によって変わる(時間的に一様でない)ことがわかる。Brown 運動を終点の値で条件づける操作は、Doobのh変換 の例「ドリフトと Brown 橋」としても理解できる。

確率微分方程式による表示

Brown 運動 $W$ にドリフトを加えて、時刻 $1$ で $0$ に引き戻すこともできる。

確率微分方程式による表示

$W$ を標準 Brown 運動とし、
$$ X_t:=(1-t)\int_0^t\frac{dW_s}{1-s}\quad(0\le t< 1),\qquad X_1:=0 $$
とおく。$X$ は Brown 橋(の連続な版)であり、$[0,1)$ の上で確率微分方程式
$$ dX_t=-\frac{X_t}{1-t}\,dt+dW_t,\qquad X_0=0 $$
を満たす。

部分積分で道ごとの式に直す

道ごとの表示。 $t< 1$ を固定し、$g(s):=(1-s)^{-1}$ とおく。$[0,t]$ の分割 $0=r_0< \dots< r_k=t$ について、和の部分積分から
$$ \sum_{i=1}^kg(r_{i-1})(W_{r_i}-W_{r_{i-1}})=g(t)W_t-\sum_{i=1}^kW_{r_i}\bigl(g(r_i)-g(r_{i-1})\bigr) $$
である。分割を細かくすると、左辺は 伊藤積分 $M_t:=\int_0^tg\,dW$ に $L^2$ で収束し、右辺の和は道ごとに $\int_0^tW_rg'(r)\,dr$ に収束する。よって確率 $1$ で
$$ M_t=\frac{W_t}{1-t}-A_t,\qquad A_t:=\int_0^t\frac{W_r}{(1-r)^2}\,dr,\qquad X_t=W_t-(1-t)A_t $$
であり、右辺を $M$ と $X$ の定義に採れば、$X$ は $[0,1)$ で道が連続である。
Gauss 過程であること。 右辺の $A_t$ は Riemann 和の道ごとの極限で、Riemann 和は $W$ の値の線形結合である。有限個の時刻の値をまとめたベクトルは多変量正規分布に従うベクトルの概収束の極限なので、特性関数の収束から多変量正規分布に従う。よって $X$ は $[0,1)$ の上で中心化された Gauss 過程である。
共分散。 伊藤積分の等長性から、$s\le t< 1$ について
$$ E[X_sX_t]=(1-s)(1-t)\int_0^s\frac{dr}{(1-r)^2}=(1-s)(1-t)\Bigl(\frac1{1-s}-1\Bigr)=s(1-t) $$
で、Brown 橋の共分散に等しい。
$t\to1$ での連続性。 連続な道の過程の分布は、有理数の時刻の値で決まる。$B^\circ$ は確率 $1$ で $\lim_{t\to1}B^\circ_t=0$ を満たし、この事象は有理数の時刻の値を使って $\bigcap_k\bigcup_n\bigcap_{q\in\mathbb Q\cap(1-1/n,1)}\{\lvert f(q)\rvert\le1/k\}$ と書ける。$X$ と $B^\circ$ は $[0,1)$ の上で同じ有限次元分布をもつので、$X$ も確率 $1$ でこれを満たし、$X_1:=0$ として $[0,1]$ で連続である。
方程式。 方程式は積分の形 $X_t=W_t-\int_0^t\frac{X_s}{1-s}\,ds$($t< 1$)の意味である。$\frac{X_s}{1-s}=\frac{W_s}{1-s}-A_s$ で、部分積分から $\int_0^tA_s\,ds=tA_t-\int_0^t\frac{sW_s}{(1-s)^2}\,ds$ なので
$$ \int_0^t\frac{X_s}{1-s}\,ds=\int_0^tW_s\,\frac{(1-s)+s}{(1-s)^2}\,ds-tA_t=A_t-tA_t=(1-t)A_t=W_t-X_t $$
である。$\square$

ドリフト $-X_t/(1-t)$ は、残り時間 $1-t$ のうちに現在の値 $X_t$ を $0$ に戻すための平均の速さである。$t\to1$ でドリフトの係数は発散する。係数を有界な定数に替えると、解は時刻 $1$ で $0$ に戻らない(ex-bb-counter)。

最大値の分布

Brown 橋の最大値

$y\in\mathbb R$、$b>\max(0,y)$ とし、$B^{\circ,y}_t:=B^\circ_t+ty$ を $0$ から $y$ への Brown 橋とする。
$$ P\Bigl(\max_{0\le t\le1}B^{\circ,y}_t\ge b\Bigr)=e^{-2b(b-y)} $$
である。とくに標準 Brown 橋について $P(\max_tB^\circ_t\ge b)=e^{-2b^2}$($b>0$)である。

最大値と終点の同時密度を終点で割る

$M_1:=\max_{t\le1}B_t$ とし、$G(y):=\max_t(B^\circ_t+ty)$、$q(y):=P(G(y)\ge b)$ とおく。
ほとんどすべての $y$ での等式。 $B=B^\circ+\iota B_1$ なので $M_1=G(B_1)$ である。cor-bb-condition の 1 を $F(f):=1\{\max f\ge b\}$ に当てると、有界な可測関数 $h$ について $E[1\{M_1\ge b\}h(B_1)]=\int q(y)h(y)\varphi(y)\,dy$ である。一方、反射原理(Brown運動) の定理「同時密度」から、$(M_1,B_1)$ は $\{m>0,\ y< m\}$ の上の密度 $f_1(m,y)=\frac{2(2m-y)}{\sqrt{2\pi}}e^{-(2m-y)^2/2}$ をもつ。$y< b$ のとき $u=2m-y$ と置換して
$$ \int_b^\infty f_1(m,y)\,dm=\int_{2b-y}^\infty\frac{u}{\sqrt{2\pi}}e^{-u^2/2}\,du=\frac1{\sqrt{2\pi}}e^{-(2b-y)^2/2} $$
である。$h$ は任意なので、ほとんどすべての $y< b$ で
$$ q(y)=\frac{e^{-(2b-y)^2/2}}{e^{-y^2/2}}=e^{-2b(b-y)} $$
である。
すべての $y$ へ。 $t\ge0$ なので $G(y)$ は $y$ について非減少で、$q$ も非減少である。$y_0< b$ を任意にとり、等式の成り立つ $y_1< y_0< y_2< b$ を $y_0$ の近くにとると $e^{-2b(b-y_1)}\le q(y_0)\le e^{-2b(b-y_2)}$ で、$y_1,y_2\to y_0$ として $q(y_0)=e^{-2b(b-y_0)}$ である。$\square$

$b=1$ では $P(\max B^\circ\ge1)=e^{-2}\approx0.1353$ で、終点を留めない Brown 運動の $P(\max_{t\le1}B_t\ge1)=2(1-\Phi(1))\approx0.3173$ より小さい。終点で $0$ に戻らなければならないことが、高い所まで上がる確率を下げている。
絶対値の最大値の分布は、上と下の 2 つの壁で反射を繰り返す像の方法で求められる。

Kolmogorov 分布

$x>0$ について
$$ P\Bigl(\max_{0\le t\le1}\lvert B^\circ_t\rvert\le x\Bigr)=\sum_{k=-\infty}^\infty(-1)^ke^{-2k^2x^2}=1-2\sum_{k=1}^\infty(-1)^{k-1}e^{-2k^2x^2} $$
である。

出典

この定理はこの記事では証明しない(Dur19 (8.4.12)、p. 416。2 つの壁での反射を交互に繰り返して得た (8.4.10)、p. 415 を終点 $0$ で割って導いている)。

右辺は Kolmogorov–Smirnov検定 の定理「Kolmogorov の極限定理」の極限分布 $K(x)$ そのものである。thm-bb-max は片側の評価 $P(\max\lvert B^\circ\rvert>x)\le2e^{-2x^2}$ を与え、これは級数の初項と一致する。

正弦関数による展開

Brown 橋の共分散 $K(s,t):=\min(s,t)-st$ を積分核とする作用素は、端点で $0$ になる正弦関数を固有関数にもつ。これにより、Brown 橋は独立な正規変数の和に分解される。

正弦係数の独立性

$e_k(t):=\sqrt2\sin(k\pi t)$($k\ge1$)とし、$Z_k:=\int_0^1B^\circ_te_k(t)\,dt$ とおく。$Z_1,Z_2,\dots$ は独立で、$Z_k\sim N\bigl(0,(k\pi)^{-2}\bigr)$ である。さらに確率 $1$ で
$$ \int_0^1(B^\circ_t)^2\,dt=\sum_{k=1}^\infty Z_k^2 $$
である。

共分散作用素の固有関数

固有関数。 $f$ を $[0,1]$ 上の連続関数とし、$u(s):=\int_0^1K(s,t)f(t)\,dt=\int_0^stf(t)\,dt+s\int_s^1f(t)\,dt-s\int_0^1tf(t)\,dt$ とおく。微分すると $u'(s)=\int_s^1f\,dt-\int_0^1tf\,dt$、$u''=-f$ で、$u(0)=u(1)=0$ である。$f=e_k$ のとき $v:=e_k/(k\pi)^2$ も $v''=-e_k$、$v(0)=v(1)=0$ を満たすので、$u-v$ は端点で $0$ の 1 次関数で、$u=v$ である。よって $\int_0^1K(s,t)e_k(t)\,dt=e_k(s)/(k\pi)^2$ である。
分布。 有限個の $Z_k$ をまとめたベクトルは、Riemann 和($B^\circ$ の値の線形結合で多変量正規分布に従う)の概収束の極限なので、多変量正規分布に従う。Fubiniの定理 と固有関数の式から
$$ E[Z_jZ_k]=\int_0^1\!\!\int_0^1e_j(s)K(s,t)e_k(t)\,dt\,ds=\frac{1}{(k\pi)^2}\int_0^1e_je_k\,ds=\frac{\delta_{jk}}{(k\pi)^2} $$
である。共分散が $0$ の多変量正規分布の成分は独立なので、$Z_k$ たちは独立である。
2 乗積分。 $(e_k)$ は $L^2[0,1]$ の正規直交基底である($L^2[0,1]$ の関数を $[-1,1]$ に奇関数として延ばすと、Fourier級数 には正弦の項しか現れない)。道 $t\mapsto B^\circ_t$ は連続で $L^2[0,1]$ に属するので、Parsevalの等式 から結論を得る。$\square$

2 乗積分の平均と Laplace 変換

prop-bb-sine から $E\int_0^1(B^\circ_t)^2dt=\sum_k(k\pi)^{-2}=\frac16$ で、直接の計算 $\int_0^1t(1-t)\,dt=\frac16$ と一致する。$\lambda>0$ について $E[e^{-\lambda Z_k^2}]=\bigl(1+2\lambda/(k\pi)^2\bigr)^{-1/2}$ と独立性、無限積 $\frac{\sinh z}{z}=\prod_{k\ge1}\bigl(1+\frac{z^2}{k^2\pi^2}\bigr)$ から
$$ E\Bigl[\exp\Bigl(-\lambda\int_0^1(B^\circ_t)^2\,dt\Bigr)\Bigr]=\Bigl(\frac{\sqrt{2\lambda}}{\sinh\sqrt{2\lambda}}\Bigr)^{1/2} $$
である(単調収束定理で積を極限に移す)。$\int_0^1(B^\circ_t)^2dt$ は、経験分布関数と真の分布関数のずれの 2 乗を積分する適合度の統計量(Cramér–von Mises 型)の極限分布にあたる。

反例:条件を外すと成り立たないこと

主張外す条件例成り立たなくなること
prop-bb-indep引く量の係数が $t$$X_t:=B_t-t^2B_1$$X_1=0$ だが $E[X_tB_1]=t-t^2\ne0$($0< t< 1$)で $B_1$ と独立でない。分散も $t(1-t)$ と異なる
thm-bb-max終点を留める終点を留めない Brown 運動 $B$$P(\max_{t\le1}B_t\ge1)=2(1-\Phi(1))\approx0.3173\ne e^{-2}$
thm-bb-sdeドリフトの係数 $1/(1-t)$$dX=-X\,dt+dW$、$X_0=0$$X_1\sim N\bigl(0,\frac{1-e^{-2}}2\bigr)$ で、時刻 $1$ で $0$ に戻らない
表の反例の確かめ

1 行目:$E[X_tB_1]=t-t^2$。$t=\frac12$ で $\operatorname{Var}(X_{1/2})=\frac12-2\cdot\frac14\cdot\frac12+\frac1{16}=\frac5{16}$ で、Brown 橋の $\frac14$ と異なる。2 行目:反射原理(Brown運動) の系「最大値の分布」による。3 行目:解は Ornstein–Uhlenbeck過程 $X_t=\int_0^te^{-(t-s)}dW_s$ で、等長性から $\operatorname{Var}(X_1)=\int_0^1e^{-2(1-s)}ds=\frac{1-e^{-2}}2\approx0.432$ である。

歴史と出典

Kolmogorov–Smirnov の統計量の極限を Brown 橋の最大値で表して求める方法は、J. L. Doob(1949 年)が提案し、M. D. Donsker(1952 年)が正当化した(Dur19 §8.4、p. 412 の注による)。Dur19 §8.4 は $B_t-tB_1$ と条件づけの一致を (8.4.3)、p. 412 で述べる。MP10 Exercise 1.5(p. 30)は $x$ から $y$ への Brown 橋を $B_t-t(B_1-y)$($B$ は $x$ から出る Brown 運動)で定義している。thm-bb-max と thm-bb-sde の証明は、主張を照らし合わせたうえで書き下ろしたものである。

関連項目

参考文献

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