Ray–Knightの定理(Ray–Knight theorem)とは、1 次元の Brown 運動の局所時間を水準の関数として見たときの分布を与える定理である。$a>0$ から出た Brown 運動を初めて $0$ に着く時刻 $T$ で止めると、$(L^x_T)_{0\le x\le a}$ は $0$ から出る 2 次元 Brown 運動の距離の 2 乗 $(\lvert W(x)\rvert^2)_{0\le x\le a}$、すなわち 2 次元の平方 Bessel 過程と同じ分布をもつ。下降横断の回数で局所時間を近似すると、水準の推移は臨界分岐に移入を加えた形になり、その極限として証明される。帰結として、$a$ に着くまでの局所時間は $a$ より下のすべての水準で正である。
Ray–Knightの定理(Ray–Knight theorem)とは、1 次元の Brown運動 の 局所時間 を、時刻ではなく 水準の関数 として見たときの分布を与える定理である。$a>0$ から出発した Brown 運動を、初めて $0$ に着く時刻 $T$ で止めると、水準 $x\in[0,a]$ の局所時間 $L^x_T$ を並べた過程 $(L^x_T)_{0\le x\le a}$ は、$0$ から出発する 2 次元 Brown 運動 $W$ の原点からの距離の 2 乗 $(\lvert W(x)\rvert^2)_{0\le x\le a}$ と同じ分布をもつ。右辺は 2 次元の平方 Bessel 過程(Bessel過程)である。
局所時間は道ごとに決まる量だが、その水準についての変化は、水準 $x$ を「時間」とみなすと Markov 過程になり、しかも分岐と移入のある個体群の大きさのように振る舞う。この定理は D. Ray と F. B. Knight が 1963 年にそれぞれ別の方法で得た(MP10 第 6 章 Notes and comments、p. 188)。
この記事では、局所時間を下降横断の回数で近似する見方から出発して、1 点の分布(lem-rk-one)、隣り合う 2 水準の間の推移(lem-rk-decomp・lem-rk-two)、推移の Markov 性(lem-rk-markov)を順に示し、主定理(thm-rk-main)を証明する。帰結として、$a$ より下のすべての水準で局所時間が正であること(Ray の定理、cor-rk-ray)を示す。
$B$ を $a>0$ から出発する 1 次元 Brown 運動とし、
$$
T:=\inf\{t\ge0\mid B_t=0\}
$$
とおく。$T< \infty$ は確率 $1$ で成り立つ。$L^x_t$ は水準 $x$ の局所時間で、局所時間 の記事と同じく、滞在測度の密度
$$
\int_0^tg(B_s)\,ds=\int_{\mathbb R}g(x)\,L^x_t\,dx
$$
になるもの($(x,t)$ について連続な版)をとる。
$x>0$、整数 $n>1/x$ について、$B$ が時刻 $T$ までに区間 $[x-\frac1n,x]$ を 下降横断 する回数 $D_n(x)$ を次で定める。$\sigma_0:=\inf\{t\ge0\mid B_t=x\}$ とし、$j\ge1$ について
$$
\sigma_{2j-1}:=\inf\{t>\sigma_{2j-2}\mid B_t=x-\tfrac1n\},\qquad\sigma_{2j}:=\inf\{t>\sigma_{2j-1}\mid B_t=x\}
$$
とおいて、$D_n(x):=\#\{j\ge1\mid\sigma_{2j-1}< T\}$ とする。
$B$ は $0$ に着く前に必ず $x-\frac1n$ を通るので、$\sigma_{2j-1}< T$ と $\sigma_{2j-2}< T$ は同値である。下降横断の回数と局所時間の関係は次のとおりである。
各 $x\in(0,a]$ について、確率 $1$ で $\frac2n D_n(x)\to L^x_T$($n\to\infty$)が成り立つ(MP10 Theorem 6.1、p. 154 は水準 $0$ で、時刻 $t$ について同時に述べている。水準 $x$ への移し方と、この局所時間が滞在測度の密度であることは同書 Theorem 6.18、p. 165)。この記事ではこの事実を証明しない。主定理の証明では、有限個の水準 $x_1,\dots,x_m$ について使う。
係数 $2/n$ の意味は次のとおりである。1 回の下降横断のあいだに $[x-\frac1n,x]$ で過ごす時間の平均は $1/n^2$ の程度で、上昇と下降の両方で過ごすので、区間での滞在時間はおよそ $\frac{2}{n^2}D_n(x)$、区間の長さ $\frac1n$ で割った密度はおよそ $\frac2nD_n(x)$ になる。
証明で何度も使う到達確率を先に述べる。
$c< y< b$ とし、$B$ を $y$ から出発する 1 次元 Brown 運動とする。$B$ が $c$ より先に $b$ に着く確率は $\dfrac{y-c}{b-c}$ である。
以下、強 Markov 性により、停止時刻で区切った道の断片は互いに独立で、各断片はその出発点から出る Brown 運動と同じ分布をもつことを使う。
$a>0$ とし、$B$ を $a$ から出発する 1 次元 Brown 運動、$T$ を $B$ が初めて $0$ に着く時刻とする。$W$ を $0$ から出発する 2 次元の標準 Brown 運動とすると、$C[0,a]$ に値をとる確率変数として
$$
\bigl(L^x_T\bigr)_{0\le x\le a}\overset{d}{=}\bigl(\lvert W(x)\rvert^2\bigr)_{0\le x\le a}
$$
が成り立つ。すなわち $(L^x_T)_{0\le x\le a}$ は $0$ から出発する 2 次元の平方 Bessel 過程 $\mathrm{BESQ}^2_0$ である。
証明は次の節の prf-rk-main で与える。組み立ては MP10 §6.3 に従い、2 水準の推移の極限(lem-rk-two)だけは Laplace 変換を直接計算する形に替える。
右辺の推移は Bessel過程 の定理「平方 Bessel 過程の Laplace 変換」で与えられる。$\lvert W(x)\rvert^2=w$ のとき、$h>0$ だけ先の値は $w$ から出発する $\mathrm{BESQ}^2$ の時刻 $h$ の値と同じ分布をもち、$\theta\ge0$ について
$$
E\bigl[e^{-\theta\lvert W(x+h)\rvert^2}\,\big|\,\lvert W(x)\rvert^2=w\bigr]=\frac1{1+2\theta h}\exp\Bigl(-\frac{\theta w}{1+2\theta h}\Bigr)
$$
である(以下これを 推移の式 と呼ぶ)。実際、$W(x)$ が与えられたとき $(W(x+s))_{s\ge0}$ は $W(x)$ から出発する Brown 運動で、原点のまわりの回転で分布が変わらないので、$\lvert W(x+h)\rvert^2$ の条件つき分布は $\lvert W(x)\rvert^2$ だけで決まる(Bessel過程 の定義の後の注意)。特に $(\lvert W(x)\rvert^2)_{x\ge0}$ は Markov 過程で、$\lvert W(x)\rvert^2$ は平均 $2x$ の 指数分布 に従う。
$0< x\le a$、$n>1/x$ とする。$D_n(x)$ は $\{1,2,\dots\}$ 上の成功確率 $\frac1{nx}$ の 幾何分布 に従う:$P(D_n(x)=k)=\frac1{nx}\bigl(1-\frac1{nx}\bigr)^{k-1}$。とくに、$y\ge0$ について $P\bigl(\frac2nD_n(x)>y\bigr)\to e^{-y/(2x)}$ であり、$L^x_T$ は平均 $2x$ の指数分布に従う。
$B$ は $a\ge x$ から出るので $\sigma_0< T$、さらに $\sigma_1< T$ であり、$D_n(x)\ge1$ である。$j\ge1$ について、$\sigma_{2j-1}< T$ のとき、時刻 $\sigma_{2j-1}$ 以後の道は $x-\frac1n$ から出る Brown 運動で、それ以前と独立である。次の下降横断が起こるのは、この道が $0$ より先に $x$ に着くときで、lem-rk-exit によりその確率は $(x-\frac1n)/x=1-\frac1{nx}$ である。よって $D_n(x)$ は成功確率 $\frac1{nx}$ の幾何分布に従う。
このとき $P(D_n(x)>k)=(1-\frac1{nx})^k$ なので、
$$
P\Bigl(\frac2nD_n(x)>y\Bigr)=\Bigl(1-\frac1{nx}\Bigr)^{\lfloor ny/2\rfloor}\longrightarrow e^{-y/(2x)}\qquad(n\to\infty)
$$
である。rem-rk-downcrossing により $\frac2nD_n(x)\to L^x_T$(概収束)なので、$L^x_T$ の分布は平均 $2x$ の指数分布である。$\square$
次の補題が証明の要である。水準 $x$ での下降横断の回数を「親の数」とみると、少し上の水準 $x+h$ での回数は、各親が独立に生む「子」の数の和と、親とは無関係な「移入」の和になる。
$0< x< x+h\le a$、$n>\max(1/x,1/h)$ とする。次の性質をもつ確率変数 $D$、$I_1,I_2,\dots$、$N_1,N_2,\dots$ がある。
$B$ を $T$ 以後も止めずに走らせ、def-rk-downcrossing の $\sigma_0< \sigma_1< \sigma_2< \cdots$(水準 $x$ と $x-\frac1n$ についてのもの)で道を断片に切る。断片 0 は $[0,\sigma_0]$ の道($a$ から $x$ まで)、奇数番目の断片 $2j-1$ は $[\sigma_{2j-2},\sigma_{2j-1}]$ の道($x$ から出て $x-\frac1n$ で終わる)、偶数番目の断片 $2j$ は $[\sigma_{2j-1},\sigma_{2j}]$ の道($x-\frac1n$ から出て $x$ で終わる)である。強 Markov 性により、これらの断片は独立である。
$D_n(x)$ は偶数番目の断片だけで決まる。 prf-rk-one のとおり、$D_n(x)$ は、偶数番目の断片を順に見て、初めて $x$ より先に $0$ に着く断片の番号で決まる。
$D$、$I_j$、$N_j$ を断片 0 と奇数番目の断片で定める。 $D$ を断片 0 での $[x+h-\frac1n,x+h]$ の下降横断の回数とする。断片 0 は $a$ から出て $x$ で止まる Brown 運動なので、lem-rk-one と同じ議論($a$ を $a-x$、水準 $x$ を $h$、到着点 $0$ を $x$ に置き換える)により、$D$ は成功確率 $\frac1{nh}$ の幾何分布に従う。$I_j$ を、奇数番目の断片 $2j-1$ が $x-\frac1n$ より先に $x+h$ に着くときに $1$、そうでないとき $0$ とし、$N_j$ をこの断片での $[x+h-\frac1n,x+h]$ の下降横断の回数とする。lem-rk-exit により $P(I_j=1)=\frac{1/n}{h+1/n}=\frac1{nh+1}$ である。$I_j=1$ のとき、この断片は $x+h$ に着いた後、$x+h-\frac1n$ に下りるたびに、$x-\frac1n$ より先に $x+h$ に戻る確率 $\frac{h}{h+1/n}=1-\frac1{nh+1}$ で次の下降横断に進むので、$N_j$ は成功確率 $\frac1{nh+1}$ の幾何分布に従う。$I_j=0$ のときは $N_j$ を、断片 $2j-1$ の後に独立な道を継ぎ足して同じ規則で数えたものと定めれば、$N_j$ は $I_j$ と独立で同じ幾何分布に従う。
分解の式。 偶数番目の断片は $x$ より上に出ないので、$[x+h-\frac1n,x+h]$ を下降横断しない。$[x+h-\frac1n,x+h]$ の下降横断は $x+h$ から $x+h-\frac1n$ への移動で、この区間は $x-\frac1n$ より上にあるので、どれも断片 0 か 1 つの奇数番目の断片の中で完結する。時刻 $T$ までに現れる奇数番目の断片はちょうど $1,3,\dots,2D_n(x)-1$ 番目なので、1 が成り立つ。独立性 4 は、断片の独立性と、$D_n(x)$ が偶数番目の断片の関数、ほかが断片 0 と奇数番目の断片の関数であることから従う。$\square$
$0< x< x+h\le a$ とし、正の整数 $k_n$ が $\frac2nk_n\to u$($u\ge0$)を満たすとする。$\theta\ge0$ について
$$
\lim_{n\to\infty}E\Bigl[\exp\Bigl(-\theta\cdot\frac2nD_n(x+h)\Bigr)\,\Big|\,D_n(x)=k_n\Bigr]=\frac1{1+2\theta h}\exp\Bigl(-\frac{\theta u}{1+2\theta h}\Bigr)
$$
である。右辺は推移の式の右辺で $w=u$ としたものである。
$s:=2\theta/n$、$p:=\frac1{nh+1}$ とおく。lem-rk-decomp の独立性により、$D_n(x)=k_n$ のもとでの条件つき期待値は
$$
E\bigl[e^{-sD}\bigr]\cdot\Bigl(E\bigl[e^{-sI_1N_1}\bigr]\Bigr)^{k_n}
$$
である。成功確率 $q$ の幾何分布 $G$ について $E[e^{-sG}]=\dfrac{qe^{-s}}{1-(1-q)e^{-s}}$ である。
1 つめの因子は $q=\frac1{nh}$ の場合で、分子と分母に $n$ を掛けると、$n\to\infty$ で分子は $\frac1h$、分母は $n(1-e^{-s})+\frac1h e^{-s}+o(1)\to2\theta+\frac1h$ に近づくので、極限は $\frac1{1+2\theta h}$ である。
2 つめについて、$\varphi_n:=E[e^{-sN_1}]$ とおくと、同じ計算で $np\to\frac1h$ から $\varphi_n\to\frac1{1+2\theta h}$ である。$I_1$ と $N_1$ は独立なので
$$
E\bigl[e^{-sI_1N_1}\bigr]=1-p+p\varphi_n=1-p(1-\varphi_n),
$$
$np(1-\varphi_n)\to\frac1h\cdot\frac{2\theta h}{1+2\theta h}=\frac{2\theta}{1+2\theta h}$ である。$c_n:=p(1-\varphi_n)=O(1/n)$ なので $\log(1-c_n)=-c_n+O(1/n^2)$ で、$k_n=O(n)$ から
$$
k_n\log\bigl(1-c_n\bigr)=-\frac{2k_n}{n}\cdot\frac{nc_n}{2}+O\Bigl(\frac1n\Bigr)\longrightarrow-u\cdot\frac{\theta}{1+2\theta h}.
$$
2 つの極限を掛ければ主張を得る。$\square$
MP10 Lemmas 6.32・6.33(pp. 173–174)は、極限を「平均 $h$ の指数変数を Poisson 個(平均 $u/(2h)$)足したもの」と「正規変数の 2 乗」の和として書き、それが平行移動した正規変数の 2 乗と同じ分布であることを示す。上の証明は、両辺の Laplace 変換を推移の式で直接比べている。推移の式は、Bessel過程 の定理「平方 Bessel 過程の Laplace 変換」の $\delta=2$ の場合である。
$0< x_1< \cdots< x_m\le a$ とし、$n$ を $\frac1n< \min_k(x_{k+1}-x_k)$ かつ $\frac1n< x_1$ となるようにとる。このとき $(D_n(x_k))_{k=1,\dots,m}$ は(時間的に一様とは限らない)Markov 連鎖である。
$k\ge1$ を固定し、lem-rk-decomp を $x=x_k$、$h=x_{k+1}-x_k$ で使う。$D_n(x_{k+1})$ は $D_n(x_k)$ と、断片 0 と奇数番目の断片の関数 $D,I_j,N_j$ とで書ける。一方 $i\le k$ について、$D_n(x_i)$ は偶数番目の断片だけの関数である。実際、断片 0 と奇数番目の断片は $x_k-\frac1n$ 以上にとどまり、$x_i\le x_{k-1}< x_k-\frac1n$($i< k$)なので $[x_i-\frac1n,x_i]$ の下降横断はすべて偶数番目の断片の中で起こり、各偶数番目の断片は $x_i$ より上の点で始まり上の点で終わるので、回数は断片ごとの回数の和になる。よって $(D,I_j,N_j)$ は $(D_n(x_1),\dots,D_n(x_k))$ と独立で、$D_n(x_{k+1})$ の条件つき分布は $D_n(x_k)$ だけで決まる。$\square$
有限次元分布の一致。 $0< x_1< \cdots< x_m\le a$ を固定し、$n$ を lem-rk-markov の条件を満たすように大きくとる。$X^{(n)}_k:=\frac2nD_n(x_k)$、$Y_k:=L^{x_k}_T$、$X_k:=\lvert W(x_k)\rvert^2$ とおく。rem-rk-downcrossing により、確率 $1$ で $X^{(n)}_k\to Y_k$($k=1,\dots,m$)である。$\theta_1,\dots,\theta_m\ge0$ について
$$
E\Bigl[\exp\Bigl(-\sum_{j\le k}\theta_jY_j\Bigr)\Bigr]=E\Bigl[\exp\Bigl(-\sum_{j\le k}\theta_jX_j\Bigr)\Bigr]
$$
(これを $(\mathrm E_k)$ と書く)を $k$ についての帰納法で示す。$k=1$ は lem-rk-one と、$X_1$ が平均 $2x_1$ の指数分布に従うことからわかる。
$(\mathrm E_k)$ が成り立つとする。$\theta:=\theta_{k+1}$、$h:=x_{k+1}-x_k$ とし、$y\ge0$ について $\psi(y):=\frac1{1+2\theta h}\exp(-\frac{\theta y}{1+2\theta h})$、$X^{(n)}_k$ のとりうる値 $y$ について $\psi_n(y):=E[e^{-\theta X^{(n)}_{k+1}}\mid X^{(n)}_k=y]$ とおく。lem-rk-markov により
$$
E\Bigl[\exp\Bigl(-\sum_{j\le k+1}\theta_jX^{(n)}_j\Bigr)\Bigr]=E\Bigl[\exp\Bigl(-\sum_{j\le k}\theta_jX^{(n)}_j\Bigr)\psi_n\bigl(X^{(n)}_k\bigr)\Bigr]
$$
である。確率 $1$ で $X^{(n)}_k\to Y_k$ なので、lem-rk-two($k_n:=\frac n2X^{(n)}_k$)により $\psi_n(X^{(n)}_k)\to\psi(Y_k)$ である。被積分関数は $1$ 以下なので、有界収束定理により両辺の $n\to\infty$ の極限をとると
$$
E\Bigl[\exp\Bigl(-\sum_{j\le k+1}\theta_jY_j\Bigr)\Bigr]=E\Bigl[\exp\Bigl(-\sum_{j\le k}\theta_jY_j\Bigr)\psi(Y_k)\Bigr]
$$
を得る(左辺も $X^{(n)}\to Y$ と有界収束定理による)。帰納法の仮定により $(Y_1,\dots,Y_k)$ と $(X_1,\dots,X_k)$ は同じ分布をもつ(下の段落の Laplace 変換の一意性による)ので、右辺は $E[\exp(-\sum_{j\le k}\theta_jX_j)\psi(X_k)]$ に等しく、推移の式と $(X_j)$ の Markov 性により、これは $E[\exp(-\sum_{j\le k+1}\theta_jX_j)]$ である。これで $(\mathrm E_{k+1})$ が成り立つ。
Laplace 変換による分布の決定。 $[0,\infty)^k$ に値をとる確率ベクトルの分布は $(\mathrm E_k)$ の左辺の関数で決まる(MP10 Proposition 12.8、p. 348。$[0,\infty]^k$ の上の連続関数の空間で、関数 $e^{-\theta\cdot y}$ の 1 次結合が Stone–Weierstrassの定理 により稠密であることからもわかる)。よって $(Y_1,\dots,Y_m)\overset{d}{=}(X_1,\dots,X_m)$ である。$x=0$ では両辺とも $0$ である。
過程としての一致。 $x\mapsto L^x_T$ と $x\mapsto\lvert W(x)\rvert^2$ はどちらも連続なので、$C[0,a]$ の上の分布は有限次元分布で決まる。$\square$
$a>0$ とし、$B$ を $0$ から出発する 1 次元 Brown 運動、$T_a:=\inf\{t\ge0\mid B_t=a\}$ とする。確率 $1$ で、すべての $0\le x< a$ について $L^x_{T_a}>0$ である。
$B':=a-B$ は $a$ から出発する Brown 運動で、$T_a$ は $B'$ が初めて $0$ に着く時刻である。滞在時間の公式で $g(y)$ を $g(a-y)$ に替えると、$B$ の水準 $x$ の局所時間と $B'$ の水準 $a-x$ の局所時間は一致する。よって示すべきことは、$B'$ の局所時間 $(L'^y_{T_a})_{0< y\le a}$ が $0$ にならないことである。集合 $\{f\in C[0,a]\mid f(y)>0\ (0< y\le a)\}=\bigcap_m\{\min_{[1/m,a]}f>0\}$ は Borel 集合なので、thm-rk-main によりこの確率は $P(W(y)\ne0\ (0< y\le a))$ に等しい。$W(\frac1m)\ne0$ は確率 $1$ で、原点以外から出る 2 次元 Brown 運動は確率 $1$ で原点に当たらない(Bessel過程 の系「多次元の Brown 運動は点に当たらない」)。Markov 性により $W$ は確率 $1$ で $[\frac1m,\infty)$ のどこでも $0$ にならず、$m\to\infty$ として結論を得る。$\square$
$x=a$ では $L^a_{T_a}=0$ である($a$ に着いた瞬間に止めるので)。MP10 Theorem 6.38(p. 177)はこの定理を述べ、同じ形で証明している。Ray の定理は、Brown 運動の各水準の集合の Hausdorff 次元がすべての水準で同時に $\frac12$ 以上であることの証明に使われる(同書 Theorem 6.40、p. 178)。
$0\le x\le y\le a$ について
$$
E[L^x_T]=2x,\qquad\operatorname{Var}(L^x_T)=4x^2,\qquad\operatorname{Cov}(L^x_T,L^y_T)=4x^2 .
$$
実際、thm-rk-main により $(L^x_T)$ は $\lvert W\rvert^2$ と同じ分布をもち、$\lvert W(x)\rvert^2$ は平均 $2x$ の指数分布なので平均 $2x$、分散 $4x^2$ である。推移の式を $\theta$ で微分して $\theta=0$ とおくと $E[\lvert W(y)\rvert^2\mid\lvert W(x)\rvert^2=w]=w+2(y-x)$ なので、$E[\lvert W(x)\rvert^2\lvert W(y)\rvert^2]=E[w^2]+2(y-x)E[w]=8x^2+4x(y-x)$、共分散は $8x^2+4x(y-x)-2x\cdot2y=4x^2$ である。
lem-rk-decomp の分解 $D_n(x+h)=D+\sum_{j\le D_n(x)}I_jN_j$ は、水準を世代とみたとき、各個体が独立に $I_jN_j$ 個の子を生み、さらに外から $D$ 個が移入する、という分岐過程の 1 世代の推移の形をしている。子の数の平均は $E[I_jN_j]=\frac1{nh+1}(nh+1)=1$ で、分岐は 臨界 である(Galton–Watson過程)。網目 $\frac1n$ の格子点を順に訪れる Brown 運動の道は単純ランダムウォークを埋め込んでいるので、$\frac1n\mathbb Z$ 上の単純ランダムウォークでも、辺ごとの下降の回数は、子の数が幾何分布の臨界分岐過程に移入を加えたものになる。主定理は、この離散の分岐過程を尺度を変えて極限をとると、分岐の部分が $2\sqrt Z\,d\beta$、移入が一定の率 $2$ の流入 $2\,dx$ になり、方程式 $dZ=2\,dx+2\sqrt Z\,d\beta$ の $\mathrm{BESQ}^2$ が現れる、と読める(MP10 第 6 章 Notes and comments、p. 187 も、上昇横断の回数の等式が移入のある分岐過程の関数方程式と一致することに触れている)。
移入が無い場合も同様の定理がある。
$B$ を $0$ から出発する Brown 運動とし、$\ell>0$ について $\tau_\ell:=\inf\{t\ge0\mid L^0_t>\ell\}$ とする。このとき $(L^x_{\tau_\ell})_{x\ge0}$ は $\ell$ から出発する 0 次元の平方 Bessel 過程 $\mathrm{BESQ}^0_\ell$、すなわち臨界分岐の Feller 拡散 $dZ=2\sqrt Z\,d\beta$ と同じ分布をもつ(MP10 第 6 章 Notes and comments、p. 188 は、これが第 2 の Ray–Knight の定理と呼ばれ、Feller 拡散になることを述べ、文献を挙げている)。この記事では証明しない。
水準 $0$ で $\ell$ だけ局所時間をためた時点で止めるので、上の水準には外からの流入が無く、分岐だけの過程になる。$\mathrm{BESQ}^0$ は確率 $1$ で有限の水準で $0$ に吸収される(Bessel過程 の Laplace 変換の後の注意の $P(Z_t=0)=e^{-x/(2t)}$)。これは、$\tau_\ell$ までの道が到達する最高の水準が有限であることに対応する。
局所時間の記法には流儀の違いがある。この記事の $L^x_t$ は滞在測度の密度であり、田中の公式 の局所時間と一致する。半分の量 $\frac12L^x_t$ を局所時間と呼ぶ文献では、主定理は $(\frac12L^x_T)_x\overset{d}{=}(\frac12\lvert W(x)\rvert^2)_x$ の形になり、局所時間の平均は $x$ になる。
| 主張 | 外す条件 | 例 | 成り立たなくなること |
|---|---|---|---|
| thm-rk-main | 時刻を初めて $0$ に着く時刻 $T$ にとる | $0$ から出る Brown 運動を固定した時刻 $t>0$ で止める | $L^0_t>0$ が確率 $1$ で成り立ち、$\mathrm{BESQ}^2_0$ の水準 $0$ での値 $0$ と合わない |
| thm-rk-main | 水準を $0\le x\le a$ に限る | 水準 $x>a$ | $P(L^x_T=0)\ge1-\frac ax>0$ だが、$\lvert W(x)\rvert^2>0$ は確率 $1$ |
| cor-rk-ray | 水準を $x< a$ に限る | 水準 $x=a$ | $L^a_{T_a}=0$ |
1 行目:田中の公式 の定理「Lévy の定理(局所時間と最大値)」により $P(L^0_t\ge x)=P(\lvert B_t\rvert\ge x)$ で、$P(L^0_t=0)=P(B_t=0)=0$ である。2 行目:$B$ が $x$ に達しない事象では $B$ は $x$ に滞在しないので $L^x_T=0$ で、lem-rk-exit によりその確率は $1-\frac ax$ である。$\lvert W(x)\rvert^2$ は指数分布に従うので $0$ になる確率は $0$ である。3 行目:$t< T_a$ では $B[0,t]$ は $a$ より下にあり、滞在測度の台は $B[0,t]$ なので、$x\mapsto L^x_t$ の連続性から $x\ge a$ で $L^x_t=0$ である。$t\mapsto L^a_t$ の連続性から $L^a_{T_a}=0$ を得る。
D. Ray は Feynman–Kac の公式を使う解析的な方法で、F. B. Knight は離散化による方法で、1963 年にそれぞれこの定理を得た(MP10 第 6 章 Notes and comments、p. 188)。この記事の証明は MP10 §6.3(pp. 170–177、Theorem 6.28 と Lemmas 6.30–6.37)の下降横断による証明の組み立てに従う。lem-rk-two の証明は、同書の Lemmas 6.32・6.33 の代わりに Laplace 変換を直接計算する形に書き直した。同書の注は、Lemma 6.33 の分布の等式の確率論的な説明はまだ知られていない、と述べている。
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