Schilderの定理

同義語:Schilder's theorem

概要

Schilderの定理(Schilder's theorem)とは、$d$ 次元の標準 Brown 運動 $W$ を $\sqrt\varepsilon$ 倍した道の分布が、$\varepsilon\to0$ のとき、$[0,T]$ 上の原点から出る連続関数の空間(上限ノルム)で、速さ $1/\varepsilon$、率関数 $I(\varphi)=\frac12\int_0^T\lvert\varphi'(t)\rvert^2dt$ の大偏差原理を満たすという定理である。率関数は微分が 2 乗可積分な道でだけ有限で、水準集合はコンパクトである。道の空間の上の大偏差の基本の例で、縮約原理と組み合わせると小さな雑音をもつ確率微分方程式の大偏差が得られる。

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

前提知識: Brown運動, Girsanovの定理, Cramérの定理(大偏差), Arzelà–Ascoliの定理

Schilderの定理(Schilder's theorem)は、$d$ 次元の Brown 運動 $W$ を $\sqrt\varepsilon$ 倍して小さくしたとき、その道が決まった道 $\varphi$ の近くにある確率が
$$ P\bigl(\sqrt\varepsilon\,W\approx\varphi\bigr)\approx\exp\Bigl(-\frac1{2\varepsilon}\int_0^T\lvert\varphi'(t)\rvert^2\,dt\Bigr)\qquad(\varepsilon\to0) $$
のように振る舞う、という定理である。正確には、連続関数の空間の上の分布の族が、速さ $1/\varepsilon$、率関数 $I(\varphi)=\frac12\int_0^T\lvert\varphi'\rvert^2dt$ で 大偏差原理 を満たす。道の空間の上の大偏差の最も基本の例であり、Freidlin–Wentzell理論 の出発点になる。
Cramérの定理(大偏差) が独立な和の平均という有限次元の量を扱うのに対し、この定理は道全体という無限次元の量を扱う。率関数が有限になるのは、微分が 2 乗可積分な道(Cameron–Martin 空間の元)だけである。Brown 運動の道は確率 $1$ でこの空間に入らないので、「どの道の近くにいるか」を測る位相の選び方が結論の形に効いてくる。
この記事では次を扱う。

  • 距離空間の上の大偏差原理の定義と、写像で移す 縮約原理(prop-sch-contraction)。
  • 率関数の分割による表示と、その水準集合のコンパクト性(lem-sch-partition、prop-sch-good)。
  • 主定理の証明(thm-sch-main)。上からの評価は道の折れ線近似と $\chi^2$ 分布の裾、下からの評価は階段状のドリフトによる測度の取り替えで示す。
  • 例と、仮定を外したときの反例。

大偏差原理

$(\mathcal X,\rho)$ を距離空間とし、$\mathcal X$ の上の Borel 確率測度の族 $(\mu_\varepsilon)_{\varepsilon>0}$ を考える。集合 $A$ の閉包を $\overline A$、内部を $A^\circ$ と書き、空集合の上の下限は $+\infty$ とする。

率関数と大偏差原理
  1. 関数 $I\colon\mathcal X\to[0,\infty]$ が 下半連続 であるとき 率関数 という。すべての $a\ge0$ について水準集合 $\{x\mid I(x)\le a\}$ がコンパクトなら 良い率関数 という。
  2. 率関数 $I$ について、すべての閉集合 $F$ で
    $$ \limsup_{\varepsilon\to0}\varepsilon\log\mu_\varepsilon(F)\le-\inf_{x\in F}I(x) $$
    が成り立ち、すべての開集合 $G$ で
    $$ \liminf_{\varepsilon\to0}\varepsilon\log\mu_\varepsilon(G)\ge-\inf_{x\in G}I(x) $$
    が成り立つとき、$(\mu_\varepsilon)$ は 速さ $1/\varepsilon$、率関数 $I$ の大偏差原理 を満たすという。確率変数の族 $(X_\varepsilon)$ についても、その分布の族について同じ言い方をする。

$\varepsilon=1/n$ と読めば、Cramérの定理(大偏差) の定義「大偏差原理」と同じ形である。2 つの評価を合わせると、$\inf_{A^\circ}I=\inf_{\overline A}I$ となる Borel 集合 $A$ について $\lim_{\varepsilon\to0}\varepsilon\log\mu_\varepsilon(A)=-\inf_AI$ が成り立つ。閉集合の評価を閉でない集合に、開集合の評価を開でない集合に広げることはできない(下の反例の表)。

縮約原理

$(\mu_\varepsilon)$ が $\mathcal X$ の上で速さ $1/\varepsilon$、良い率関数 $I$ の大偏差原理を満たすとし、$f\colon\mathcal X\to\mathcal Y$ を距離空間への連続写像とする。このとき像の測度の族 $(\mu_\varepsilon\circ f^{-1})$ は、
$$ J(y):=\inf\{I(x)\mid f(x)=y\} $$
を良い率関数として、速さ $1/\varepsilon$ の大偏差原理を満たす。さらに $J(y)<\infty$ なら、下限は $f(x)=y$ となるある $x$ で達成される。

逆像で開閉を保つ

要点:$f^{-1}$ は開集合・閉集合を保ち、$\inf_{f^{-1}(B)}I=\inf_BJ$ なので、評価はそのまま移る。$J$ の水準集合が $I$ の水準集合の像になることを、下限の達成から示す。

詳しい証明を開く

下限の達成。 $J(y)< \infty$ とし、$f(x_k)=y$、$I(x_k)\downarrow J(y)$ となる列をとる。$x_k$ はコンパクトな集合 $\{I\le J(y)+1\}$ に入るので、収束する部分列 $x_{k_j}\to x$ がある。$f$ の連続性から $f(x)=y$、$I$ の下半連続性から $I(x)\le\liminf_jI(x_{k_j})=J(y)$ で、$J$ の定義から等号が成り立つ。

良い率関数。 下限の達成から $\{J\le a\}=f(\{I\le a\})$ である。コンパクト集合の連続写像による像はコンパクトなので、$\{J\le a\}$ はコンパクトで、とくに閉集合である。すべての $a$ で水準集合が閉なので $J$ は下半連続である。

評価。 $B\subset\mathcal Y$ について $\inf_{f^{-1}(B)}I=\inf_{y\in B}\inf_{f(x)=y}I(x)=\inf_BJ$ である。$F\subset\mathcal Y$ が閉なら $f^{-1}(F)$ は閉なので、$\limsup\varepsilon\log\mu_\varepsilon(f^{-1}(F))\le-\inf_{f^{-1}(F)}I=-\inf_FJ$ である。開集合も同じである。$\square$

縮約原理と並ぶ基本の道具に、$\int e^{\Phi/\varepsilon}d\mu_\varepsilon$ の指数の割合を $\sup(\Phi-I)$ で表す Varadhan の補題 がある。

Varadhanの補題

$\mathcal X$ を Polish 空間とし、$(\mu_\varepsilon)$ が速さ $1/\varepsilon$、良い率関数 $I$ の大偏差原理を満たすとする。有界な連続関数 $\Phi\colon\mathcal X\to\mathbb R$ について
$$ \lim_{\varepsilon\to0}\varepsilon\log\int_{\mathcal X}e^{\Phi(x)/\varepsilon}\,\mu_\varepsilon(dx)=\sup_{x\in\mathcal X}\bigl(\Phi(x)-I(x)\bigr) $$
である。

出典

この定理はこの記事では証明しない。列 $(\mu_N)$ と速さ $a_N$ の形で AGZ10 Theorem D.8(p. 433)にある(族の形は、$\varepsilon\to0$ となる任意の列に当てればよい)。有限次元の Laplaceの方法 を道の空間に移したものと見ることができる。

Cameron–Martin 空間と率関数

以下、$T>0$ と $d\ge1$ を固定する。$\mathcal C_T:=\{\varphi\colon[0,T]\to\mathbb R^d\mid\varphi\text{ は連続で }\varphi(0)=0\}$ に上限ノルム $\|\varphi\|:=\sup_t\lvert\varphi(t)\rvert$ を入れる。これは完備で可分な距離空間である。$d$ 次元の 標準 Brown 運動 とは、独立な $d$ 個の 1 次元の標準 Brown 運動(Brown運動 の定義「Brown 運動」)を並べたもので、道は $\mathcal C_T$ の元である。

Cameron–Martin 空間と作用汎関数

$\varphi\in\mathcal C_T$ が絶対連続で、ほとんどいたるところの微分 $\varphi'$ が $\int_0^T\lvert\varphi'\rvert^2dt<\infty$ を満たし $\varphi(t)=\int_0^t\varphi'(s)\,ds$ となるとき、$\varphi\in\mathcal H_T$ と書く。$\mathcal H_T$ を Cameron–Martin 空間 という。
$$ I_T(\varphi):=\begin{cases}\dfrac12\displaystyle\int_0^T\lvert\varphi'(t)\rvert^2\,dt&(\varphi\in\mathcal H_T)\\[2mm]+\infty&(\varphi\notin\mathcal H_T)\end{cases} $$
とおく。

$I_T$ は、道を「速度の 2 乗の積分」で測る運動エネルギーにあたる。分割を使うと、上限ノルムの位相と相性のよい形に書き直せる。

分割による表示

$[0,T]$ の分割 $\pi\colon0=t_0< t_1< \cdots< t_m=T$ と $\varphi\in\mathcal C_T$ について
$$ I_\pi(\varphi):=\frac12\sum_{k=1}^m\frac{\lvert\varphi(t_k)-\varphi(t_{k-1})\rvert^2}{t_k-t_{k-1}} $$
とおくと、$I_T(\varphi)=\sup_\pi I_\pi(\varphi)$ である(上限はすべての分割にわたる)。さらに、$[0,T]$ を $2^n$ 等分する分割を $\pi_n$、$\varphi$ の $\pi_n$ の分点での値を線分でつないだ折れ線を $\varphi_n$ とすると、$\varphi\in\mathcal H_T$ なら $\int_0^T\lvert\varphi_n'-\varphi'\rvert^2dt\to0$ である。

2 進の折れ線の微分は直交する増分をもつ

要点:$\le$ は Cauchy–Schwarz の不等式による。逆向きは、2 進の折れ線の微分 $\varphi_n'$ が「細かい分割での平均」の列で、増分 $\varphi_{n+1}'-\varphi_n'$ が互いに直交することから、$L^2$ の Cauchy 列になることを使う。

詳しい証明を開く

$I_\pi\le I_T$。 $\varphi\in\mathcal H_T$ なら、Cauchy–Schwarz の不等式から $\lvert\varphi(t_k)-\varphi(t_{k-1})\rvert^2=\bigl\lvert\int_{t_{k-1}}^{t_k}\varphi'\bigr\rvert^2\le(t_k-t_{k-1})\int_{t_{k-1}}^{t_k}\lvert\varphi'\rvert^2$ で、$k$ について足して $I_\pi(\varphi)\le I_T(\varphi)$ である。$\varphi\notin\mathcal H_T$ なら右辺は $+\infty$ で明らかである。

直交性。 $g_n:=\varphi_n'$ は $\pi_n$ の各小区間 $J$ で定数 $(\varphi(b)-\varphi(a))/\lvert J\rvert$($J=[a,b]$)である。$J$ を 2 等分した小区間での $g_{n+1}$ の値の平均はこの値に等しいので、$\int_J(g_{n+1}-g_n)\,dt=0$ である。よって $\pi_n$ の小区間で定数の関数 $\psi$ について $\int\langle g_{n+1}-g_n,\psi\rangle dt=0$ であり、$k\le n$ の $g_k$ はそのような関数なので、$m>n$ について $\int_0^T\lvert g_m\rvert^2=\int_0^T\lvert g_n\rvert^2+\int_0^T\lvert g_m-g_n\rvert^2$ が成り立つ($g_m-g_n=\sum_{n\le j< m}(g_{j+1}-g_j)$ の各項が $g_n$ と、また互いに直交する)。

$I_T\le\sup_\pi I_\pi$。 $s:=\sup_\pi I_\pi(\varphi)< \infty$ としてよい。$\frac12\int\lvert g_n\rvert^2=I_{\pi_n}(\varphi)\le s$ で、直交性から $\int\lvert g_n\rvert^2$ は $n$ について増加し有界なので収束し、$\int\lvert g_m-g_n\rvert^2$ は $m,n\to\infty$ で $0$ に近づく。Lp空間 の定理「$L^p$ 空間の完備性(Riesz–Fischer)」により $g_n\to g$($L^2$)となる $g$ がある。2 進の点 $t$ では、$n$ が大きいと $\varphi(t)=\varphi_n(t)=\int_0^tg_n\to\int_0^tg$ であり、両辺は $t$ について連続なので、すべての $t$ で $\varphi(t)=\int_0^tg$ である。よって $\varphi\in\mathcal H_T$、$\varphi'=g$(ほとんどいたるところ)で、$I_T(\varphi)=\frac12\int\lvert g\rvert^2=\lim I_{\pi_n}(\varphi)\le s$ である。

折れ線の収束。 $\varphi\in\mathcal H_T$ なら $s=I_T(\varphi)< \infty$ なので、上の議論で $g_n\to\varphi'$($L^2$)である。$\square$

良い率関数

$I_T$ は $\mathcal C_T$ の上の良い率関数である。$\varphi\in\mathcal C_T$ が $I_T(\varphi)\le a$ を満たせば、$0\le s\le t\le T$ について
$$ \lvert\varphi(t)-\varphi(s)\rvert\le\sqrt{2a(t-s)} $$
である。

各 $I_\pi$ は有限個の点の値の連続関数なので $\mathcal C_T$ の上で連続であり、lem-sch-partition によりその上限である $I_T$ は下半連続である。不等式は、lem-sch-partition を $s,t$ を分点に含む分割に当て、$I_\pi(\varphi)\ge\frac{\lvert\varphi(t)-\varphi(s)\rvert^2}{2(t-s)}$ を使えば得られる。よって $\{I_T\le a\}$ は閉集合で、$\lvert\varphi(t)\rvert\le\sqrt{2aT}$ により一様に有界、上の不等式により同程度連続である。Arzelà–Ascoliの定理 により相対コンパクトで、閉なのでコンパクトである。$\square$

Schilder の定理

主定理の証明に使う 2 つの補題を先に示す。1 つ目は正規分布の裾の評価、2 つ目は Girsanovの定理 の階段状のドリフトの場合の言い換えである。

2 つの裾の評価
  1. $W$ を $d$ 次元の標準 Brown 運動とすると、$t>0$、$r>0$ について $P\bigl(\sup_{0\le s\le t}\lvert W_s\rvert\ge r\bigr)\le4d\,e^{-r^2/(2dt)}$ である。
  2. $Z_1,\dots,Z_m$ が独立で標準正規分布に従うなら、$x\ge0$、$0\le\lambda<\frac12$ について $P\bigl(\sum_jZ_j^2\ge x\bigr)\le(1-2\lambda)^{-m/2}e^{-\lambda x}$ である。

要点:1 は鏡像原理と正規分布の裾、2 は $e^{\lambda Z^2}$ の期待値の計算と Markov の不等式である。

詳しい証明を開く

1。 1 次元の標準 Brown 運動 $B$ と $a>0$ について、道の連続性から $\{\sup_{s\le t}B_s\ge a\}=\{T_a\le t\}$ である($T_a$ は $a$ に初めて達する時刻)。$t'>t$ について Brown運動 の定理「鏡像原理」と 正規分布 の命題「裾の確率の評価」から $P(T_a\le t)\le P(T_a< t')=2P(B_{t'}\ge a)\le2e^{-a^2/(2t')}$ で、$t'\downarrow t$ として $2e^{-a^2/(2t)}$ 以下である。$-B$ も Brown 運動なので(Brown運動 の命題「対称性・尺度変換・時間の平行移動」)、$P(\sup_{s\le t}\lvert B_s\rvert\ge a)\le4e^{-a^2/(2t)}$ である。$\lvert W_s\rvert\ge r$ ならある座標で $\lvert W_s^i\rvert\ge r/\sqrt d$ なので、$d$ 個の座標の和をとって主張を得る。

2。 $0\le\lambda<\frac12$ なら、$z=w/\sqrt{1-2\lambda}$ と置換して $E[e^{\lambda Z_1^2}]=\int(2\pi)^{-1/2}e^{-(1-2\lambda)z^2/2}dz=(1-2\lambda)^{-1/2}$ である(正規分布 の命題「密度の全積分」)。独立性から $E[e^{\lambda\sum_jZ_j^2}]=(1-2\lambda)^{-m/2}$ で、Markovの不等式 を $e^{\lambda\sum_jZ_j^2}$ に当てればよい。$\square$

階段状のドリフトによる平行移動

分割 $0=t_0< \cdots< t_m=T$ と $c_1,\dots,c_m\in\mathbb R^d$ をとり、$(t_{k-1},t_k]$ で $f=c_k$ となる階段関数 $f$ について $h(t):=\int_0^tf(s)\,ds$ とおく。$\mathcal C_T$ 上の非負の可測関数 $\Phi$ について
$$ E\bigl[\Phi(W-h)\bigr]=\exp\Bigl(-\frac12\sum_{k=1}^m\lvert c_k\rvert^2(t_k-t_{k-1})\Bigr)\,E\Bigl[\Phi(W)\exp\Bigl(-\sum_{k=1}^m\langle c_k,W_{t_k}-W_{t_{k-1}}\rangle\Bigr)\Bigr] $$
である。

要点:1 次元なら、Girsanovの定理 の定理「階段状のドリフトに対するGirsanovの定理」を確定的な $\xi_k=c_k$ に当て、密度の逆数を書き直す。$d$ 次元は座標ごとに当てる。

詳しい証明を開く

1 次元。 $\delta_k:=t_k-t_{k-1}$、$\Delta_k(w):=w(t_k)-w(t_{k-1})$、$Z:=\exp(\sum_kc_k\Delta_k(W)-\frac12\sum_kc_k^2\delta_k)$、$Q:=Z\cdot P$ とおく。引いた定理から $Q$ のもとで $\tilde W:=W-h$ は標準 Brown 運動で、Girsanovの定理 の系「Cameron–Martinの公式」の証明と同じ π-λ の議論により、$Q$ のもとでの $\tilde W$ の分布と $P$ のもとでの $W$ の分布は $\mathcal C_T$ の上で一致する。よって非負の可測関数 $\Psi$ について $E[Z\,\Psi(\tilde W)]=E[\Psi(W)]$ である(有界な場合から単調収束定理で広げる)。$\Psi(w):=\Phi(w)\exp(-\sum_kc_k\Delta_k(w)-\frac12\sum_kc_k^2\delta_k)$ とおくと、$\Delta_k(\tilde W)=\Delta_k(W)-c_k\delta_k$ から $\Psi(\tilde W)=\Phi(W-h)/Z$ であり、主張の等式を得る。

$d$ 次元。 座標 $W^1,\dots,W^d$ は独立なので、$W$ の分布は各座標の分布の積測度である。右辺の指数関数は座標ごとの因子の積に分かれる。Fubiniの定理 により、ほかの座標を固定して 1 次元の等式を座標 $1$ に当て、次に座標 $2$ に当て、と $d$ 回繰り返せばよい。$\square$

Schilderの定理

$W=(W_t)_{0\le t\le T}$ を $d$ 次元の標準 Brown 運動とする。$\varepsilon\to0$ のとき、$\sqrt\varepsilon\,W$ の $\mathcal C_T$ の上の分布の族は、速さ $1/\varepsilon$、良い率関数 $I_T$ の大偏差原理を満たす。すなわち、$\mathcal C_T$ のすべての閉集合 $F$ と開集合 $G$ について
$$ \limsup_{\varepsilon\to0}\varepsilon\log P\bigl(\sqrt\varepsilon\,W\in F\bigr)\le-\inf_FI_T,\qquad\liminf_{\varepsilon\to0}\varepsilon\log P\bigl(\sqrt\varepsilon\,W\in G\bigr)\ge-\inf_GI_T $$
である。

折れ線で近似し、階段状のドリフトで平行移動する

$I_T$ が良い率関数であることは prop-sch-good で示した。
上からの評価。 閉集合 $F$、$\delta>0$、正の整数 $n$ を固定する。$t_k:=kT/n$ とし、$W$ の分点 $t_k$ での値を線分でつないだ折れ線を $W^{(n)}$ とする。$F^\delta:=\{\psi\mid\operatorname{dist}(\psi,F)\le\delta\}$ は閉集合で、
$$ P\bigl(\sqrt\varepsilon W\in F\bigr)\le P\bigl(\sqrt\varepsilon W^{(n)}\in F^\delta\bigr)+P\bigl(\| W-W^{(n)}\|>\delta/\sqrt\varepsilon\bigr) $$
である。第 2 項を評価する。$t\in[t_{k-1},t_k]$ では $W^{(n)}_t-W_{t_{k-1}}$ は $W_{t_k}-W_{t_{k-1}}$ の $[0,1]$ 倍なので、$\lvert W_t-W^{(n)}_t\rvert\le2\sup_{s\in[t_{k-1},t_k]}\lvert W_s-W_{t_{k-1}}\rvert$ である。$s\mapsto W_{t_{k-1}+s}-W_{t_{k-1}}$ は標準 Brown 運動なので(Brown運動 の命題「対称性・尺度変換・時間の平行移動」の 3 を座標ごとに当てる)、lem-sch-gauss の 1 を $t=T/n$、$r=\delta/(2\sqrt\varepsilon)$ に当てて、第 2 項は $4dn\exp(-n\delta^2/(8dT\varepsilon))$ 以下である。
第 1 項を評価する。$\sqrt\varepsilon W^{(n)}\in\mathcal H_T$ で
$$ I_T\bigl(\sqrt\varepsilon W^{(n)}\bigr)=\frac\varepsilon2\sum_{k=1}^n\frac{\lvert W_{t_k}-W_{t_{k-1}}\rvert^2}{T/n}=\frac\varepsilon2\sum_{k=1}^n\sum_{i=1}^dZ_{k,i}^2,\qquad Z_{k,i}:=\frac{W^i_{t_k}-W^i_{t_{k-1}}}{\sqrt{T/n}} $$
であり、$Z_{k,i}$ は独立で標準正規分布に従う。$c_\delta:=\inf_{F^\delta}I_T$ とおく。$c_\delta=\infty$ なら第 1 項は $0$ である。$c_\delta< \infty$ なら、事象 $\{\sqrt\varepsilon W^{(n)}\in F^\delta\}$ の上で $I_T(\sqrt\varepsilon W^{(n)})\ge c_\delta$ なので、lem-sch-gauss の 2 から第 1 項は $(1-2\lambda)^{-nd/2}e^{-2\lambda c_\delta/\varepsilon}$ 以下である($0\le\lambda<\frac12$)。
$a_\varepsilon+b_\varepsilon\le2\max(a_\varepsilon,b_\varepsilon)$ と、$\varepsilon\log C\to0$($C$ は $\varepsilon$ によらない正の定数)から
$$ \limsup_{\varepsilon\to0}\varepsilon\log P\bigl(\sqrt\varepsilon W\in F\bigr)\le\max\Bigl(-2\lambda c_\delta,\ -\frac{n\delta^2}{8dT}\Bigr) $$
である。$n\to\infty$、$\lambda\uparrow\frac12$ として、左辺は $-c_\delta$ 以下である。
最後に $\delta\downarrow0$ で $c_\delta\to c:=\inf_FI_T$ を示す。$F^\delta$ は $\delta$ とともに小さくなるので $c_\delta$ は増加し、$c':=\lim c_\delta\le c$ である。$c'< \infty$ とし、$\psi_\delta\in F^\delta$ で $I_T(\psi_\delta)\le c'+\delta$ となるものをとる。これらはコンパクトな $\{I_T\le c'+1\}$($\delta\le1$)に入るので、$\delta_j\to0$ で収束する部分列 $\psi_{\delta_j}\to\psi$ がある。$\operatorname{dist}(\psi,F)\le\delta_j+\|\psi-\psi_{\delta_j}\|\to0$ で $F$ は閉なので $\psi\in F$ であり、下半連続性から $I_T(\psi)\le c'$ である。よって $c\le c'$ で、$c_\delta\to c$ である($c'=\infty$ なら明らか)。
下からの評価。 開集合 $G$ と $\varphi\in G$ で $I_T(\varphi)< \infty$ となるものをとり、$\liminf\varepsilon\log P(\sqrt\varepsilon W\in G)\ge-I_T(\varphi)$ を示せばよい。$B(\varphi,2\delta)\subset G$ となる $\delta>0$ をとる。lem-sch-partition の 2 進の折れ線 $\varphi_N$ は、$I_T(\varphi_N)=I_{\pi_N}(\varphi)\le I_T(\varphi)$ を満たし、$\varphi$ の一様連続性から $\|\varphi_N-\varphi\|\to0$ である。$\|\varphi_N-\varphi\|< \delta$ となる $N$ を固定すると $B(\varphi_N,\delta)\subset G$ である。
$\varphi_N$ の微分は 2 進の小区間で定数 $c_k$ の階段関数である。lem-sch-shift を $h:=\varphi_N/\sqrt\varepsilon$(定数 $c_k/\sqrt\varepsilon$)と $\Phi:=1_{\{\| w\|< \delta/\sqrt\varepsilon\}}$ に当てると、$\frac12\sum_k\lvert c_k\rvert^2(t_k-t_{k-1})=I_T(\varphi_N)$ なので
$$ P\bigl(\|\sqrt\varepsilon W-\varphi_N\|< \delta\bigr)=e^{-I_T(\varphi_N)/\varepsilon}\,E\bigl[1_{A_\varepsilon}e^{-X_\varepsilon}\bigr],\qquad A_\varepsilon:=\{\| W\|< \delta/\sqrt\varepsilon\},\quad X_\varepsilon:=\frac1{\sqrt\varepsilon}\sum_k\langle c_k,W_{t_k}-W_{t_{k-1}}\rangle $$
である。$-W$ も標準 Brown 運動で、$W\mapsto-W$ で $A_\varepsilon$ は変わらず $X_\varepsilon$ は符号を変えるので、$E[1_{A_\varepsilon}e^{-X_\varepsilon}]=E[1_{A_\varepsilon}e^{X_\varepsilon}]$ である。よって
$$ E\bigl[1_{A_\varepsilon}e^{-X_\varepsilon}\bigr]=E\bigl[1_{A_\varepsilon}\cosh X_\varepsilon\bigr]\ge P(A_\varepsilon)\to1\qquad(\varepsilon\to0) $$
である($\| W\|$ は確率 $1$ で有限)。したがって
$$ \liminf_{\varepsilon\to0}\varepsilon\log P\bigl(\sqrt\varepsilon W\in G\bigr)\ge\liminf_{\varepsilon\to0}\varepsilon\log P\bigl(\|\sqrt\varepsilon W-\varphi_N\|< \delta\bigr)\ge-I_T(\varphi_N)\ge-I_T(\varphi) $$
である。$\square$

上からの評価で $\delta\downarrow0$ の極限をとる段に、率関数の水準集合のコンパクト性を使った。下からの評価で率関数の値 $\frac12\int\lvert\varphi'\rvert^2$ が現れるのは、平行移動の密度の指数 $-\frac1{2\varepsilon}\int\lvert\varphi_N'\rvert^2$ からである。1 つの道 $\varphi$ の周りの確率は、$\varphi$ だけ平行移動した Brown 運動が原点の近くにいる確率に、密度の大きさ $e^{-I_T(\varphi)/\varepsilon}$ を掛けたものになる。

例

最大値が高い水準に達する確率

$d=1$、$a>0$ とし、$F:=\{\varphi\mid\max_t\varphi(t)\ge a\}$(閉集合)、$G:=\{\varphi\mid\max_t\varphi(t)>a\}$(開集合)とおく。$\varphi(s)\ge a$ なら、分割 $0< s\le T$ に lem-sch-partition を当てて $I_T(\varphi)\ge\frac{a^2}{2s}\ge\frac{a^2}{2T}$ である。一方、$b>a$ について直線 $\varphi(t)=bt/T$ は $G$ に入り $I_T=\frac{b^2}{2T}$ である。よって $\inf_FI_T=\inf_GI_T=\frac{a^2}{2T}$ で、thm-sch-main から
$$ \lim_{\varepsilon\to0}\varepsilon\log P\Bigl(\max_{0\le t\le T}\sqrt\varepsilon W_t\ge a\Bigr)=-\frac{a^2}{2T} $$
である。Brown運動 の定理「鏡像原理」から左辺の確率は $2(1-\Phi(a/\sqrt{\varepsilon T}))$ に等しく、正規分布 の命題「裾の確率の評価」の上下の評価からも同じ極限が得られる。最も起こりやすい道は、時間いっぱいをかけて一定の速さで $a$ に向かう直線である。

終点の分布と縮約原理

写像 $\varphi\mapsto\varphi(T)$ は $\mathcal C_T\to\mathbb R^d$ の連続写像である。$\varphi(T)=y$ なら、分割 $0< T$ に lem-sch-partition を当てて $I_T(\varphi)\ge\frac{\lvert y\rvert^2}{2T}$ で、等号は直線 $\varphi(t)=ty/T$ で成り立つ。prop-sch-contraction により、$\sqrt\varepsilon W_T$ は率関数 $J(y)=\frac{\lvert y\rvert^2}{2T}$ の大偏差原理を満たす。$\sqrt\varepsilon W_T$ は平均 $0$、共分散 $\varepsilon T$ 倍の単位行列の正規分布に従うので、密度 $(2\pi\varepsilon T)^{-d/2}e^{-\lvert y\rvert^2/(2\varepsilon T)}$ の指数部分とも合っている。

指数関数の期待値と Varadhan の補題

$d=1$ で $\Phi(\varphi):=\varphi(T)$ とすると、$\sup_\varphi(\Phi-I_T)=\sup_y(y-\frac{y^2}{2T})=\frac T2$($y=T$ で達成)である。実際 $E[e^{\Phi(\sqrt\varepsilon W)/\varepsilon}]=E[e^{W_T/\sqrt\varepsilon}]=e^{T/(2\varepsilon)}$ で、$\varepsilon\log$ はちょうど $\frac T2$ である。この $\Phi$ は有界でないので thm-sch-varadhan の仮定は満たさないが、この場合は直接の計算で同じ値になる。

反例:条件を外すと成り立たないこと

主張のどれか 1 つの条件を外すと結論が成り立たない例を挙げる。$P(W\in\mathcal H_T)=0$ を使う:$\varphi\in\mathcal H_T$ なら、$[0,T]$ の $n$ 等分の増分の 2 乗和は Cauchy–Schwarz の不等式から $\frac Tn\cdot2I_T(\varphi)\to0$ だが、Brown運動 の定理「2 次変分」により $W$ の同じ和は確率で $dT>0$ に収束する。$\mathcal H_T=\bigcup_k\{I_T\le k\}$ は閉集合の可算和なので Borel 集合である。

主張外す条件例何が起きるか
上からの評価$F$ が閉集合$A:=\mathcal C_T\setminus\mathcal H_T$$P(\sqrt\varepsilon W\in A)=1$ で $\varepsilon\log$ は $0$ だが、$\inf_AI_T=\infty$ で右辺は $-\infty$
下からの評価$G$ が開集合$A:=\mathcal H_T$$P(\sqrt\varepsilon W\in A)=0$ で左辺は $-\infty$ だが、$0\in A$ なので $-\inf_AI_T=0$
上からの評価速さ $1/\varepsilon$(対数に掛ける $\varepsilon$)$\varepsilon$ の代わりに $\varepsilon^2$ を掛け、$d=1$ の $F=\{\max\varphi\ge a\}$ をとるex-sch-max から $\varepsilon^2\log P(\sqrt\varepsilon W\in F)=\varepsilon\cdot(-\frac{a^2}{2T}+o(1))\to0$ で、$-\inf_FI_T=-\frac{a^2}{2T}< 0$ を上回る

1 行目と 2 行目の $A$ は、上限ノルムの位相ではどちらも内部が空で閉包が全体である。確率 $1$ の集合でも率関数の下限が $\infty$ になりうるので、大偏差原理は集合そのものではなく、その閉包と内部について述べる形でなければならない。3 行目は、評価する指数の大きさ(速さ)を取り違えると結論が成り立たないことを示す。

歴史と出典

出典

Brown 運動の場合の率関数は M. Schilder(1966)が Cameron–Martin–Girsanov の公式を使って求め、A. D. Wentzell と M. I. Freidlin が一般の確率微分方程式に広げた(Ber13 §2、p. 4 の記述による)。距離空間の上の大偏差原理、良い率関数、縮約原理、Varadhan の補題の定義と主張は AGZ10 Appendix D(Definition D.1・D.3、p. 431、Theorem D.7、pp. 432–433、Theorem D.8、p. 433)にある。この記事の証明の組み立て(分割による率関数の表示、2 進の折れ線の微分の直交性、$\chi^2$ 分布による上からの評価、階段状のドリフトによる下からの評価)は、この記事の組み立てである。

関連項目

参考文献

[2]
Nils Berglund, Kramers' law: Validity, derivations and generalisations, Markov Processes and Related Fields 19 (2013), 459–490; arXiv:1106.5799v2, 2013, §2、p. 4(頁は arXiv 版 v2 による)

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