Lamperti変換

同義語:Lamperti transformationLamperti transformLamperti表現Lamperti representation

概要

Lamperti変換(Lamperti transformation)とは、実数値の Lévy 過程 $\xi$ の指数 $e^{\xi}$ を $\int e^{\alpha\xi}$ で測った時間に取り替えて、正の値をとる指数 $\alpha$ の自己相似な Markov 過程を作る対応である。作った過程が $0$ に達するのは $\xi\to-\infty$ のときに限り、逆に、値も左極限も正で時計 $\int X^{-\alpha}$ が発散する自己相似な Markov 過程は、自分の大きさで時間を縮めると Lévy 過程の指数になる。多次元の Brown 運動の大きさはドリフトをもつ Brown 運動に対応する。連続な状態をもつ分枝過程と負の跳びをもたない Lévy 過程を結ぶ時間変更も同じ名でよばれる。

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

前提知識: Lévy過程, Feller過程, 停止時刻

Lamperti変換(Lamperti transformation)とは、実数値の Lévy過程 $\xi$ の指数 $e^{\xi}$ を、$\int e^{\alpha\xi}$ で測った時間に取り替えて、正の値をとる自己相似な Markov 過程を作る対応である。逆に、正の値の自己相似な Markov 過程は、値も左極限も正で時計 $\int X^{-\alpha}$ が発散するなら、自分の大きさで時間を縮めると Lévy 過程の指数になる。J. Lamperti は 1972 年の論文 Lam72 でこの対応を示した(BY05 §5、p. 202)。同じ名前は、連続状態の分枝過程と、負の跳びをもたない Lévy 過程とを時間変更で結ぶ 1967 年の対応 Lam67 にも使われる。
この記事では、Lévy 過程から作った過程が自己相似な Markov 過程になること、$0$ に達するのは $\xi\to-\infty$ のときに限ること、逆向きの対応(thm-lt-main)を示す。例として、多次元の Brown運動 の大きさ(Bessel過程)に対応する Lévy 過程を求め(prop-lt-bessel)、分枝過程の版では Feller の分枝拡散を Brown 運動から作る(prop-lt-feller)。

自己相似な Markov 過程

正の自己相似 Markov 過程

$\alpha>0$ とする。$x>0$ から出る $[0,\infty)$ 値の càdlàg な過程の分布の族 $(P_x)_{x>0}$ が 指数 $\alpha$ の正の自己相似 Markov 過程 であるとは、次を満たすことをいう。

  1. 強 Markov 性:$X$ の自然なフィルトレーションの停止時刻 $T$ について、$\{T< \infty,\ X_T>0\}$ の上で、$T$ までの情報を与えたときの $(X_{T+r})_{r\ge0}$ の条件つき分布は $P_{X_T}$ である。$0$ は吸収的である($X_T=0$ ならその後 $X=0$)。
  2. 自己相似性:$k>0$ について、$P_x$ のもとでの $(kX_{k^{-\alpha}t})_{t\ge0}$ の分布は $P_{kx}$ である。

Lam72 による定義の形は BY05 (18)(p. 202)にある。そこでは Markov 性と自己相似性 2 を課している。この記事では証明で強 Markov 性を使うので 1 の形にした。自己相似性は、$x$ から出た過程を $k$ 倍すると、時間が $k^\alpha$ 倍に延びた $kx$ から出る過程になる、ということである。たとえば $d$ 次元 Brown 運動 $W$ の大きさ $\lvert W\rvert$ は、Brown 運動の尺度変換 $kW_{k^{-2}t}\overset d=W_t$ により指数 $2$ の自己相似性をもつ。

Lamperti変換

$\xi$ を $0$ から出る実数値の Lévy 過程とし、$\alpha>0$ とする。
$$ I_u:=\int_0^ue^{\alpha\xi_s}\,ds,\qquad I_\infty:=\lim_{u\to\infty}I_u\in(0,\infty],\qquad\tau(r):=\inf\{u\ge0\mid I_u>r\} $$
とおく($\inf\emptyset=\infty$)。$I$ は連続で狭義に増加するので、$r< I_\infty$ なら $\tau(r)< \infty$ で $I_{\tau(r)}=r$ である。

Lamperti変換

$x>0$ について
$$ X_t:=\begin{cases}x\exp\bigl(\xi_{\tau(tx^{-\alpha})}\bigr)&(t< x^\alpha I_\infty)\\ 0&(t\ge x^\alpha I_\infty)\end{cases} $$
とおき、この $X$ の分布を $P_x$ とする。$(P_x)_{x>0}$ を $\xi$ の(指数 $\alpha$ の)Lamperti変換 という。

$X$ の時間の進み方は、$X$ が大きいとき速い:$t< x^\alpha I_\infty$ では $\frac d{dt}\tau(tx^{-\alpha})=x^{-\alpha}e^{-\alpha\xi_{\tau}}=X_t^{-\alpha}$ なので、
$$ A_t:=\int_0^tX_s^{-\alpha}\,ds=\tau(tx^{-\alpha})\qquad(2.1) $$
である。すなわち $X$ の時計 $A$ で測れば、$\log(X/x)$ は Lévy 過程 $\xi$ そのものになる。

Lamperti の対応
  1. Lévy 過程 $\xi$ の Lamperti変換 $(P_x)$ は指数 $\alpha$ の正の自己相似 Markov 過程である。$X$ が有限の時刻に $0$ に達する確率は $0$ か $1$ で、$1$ となるのは $\xi_s\to-\infty$($s\to\infty$)のときに限る。
  2. 逆に、$(P_x)$ を指数 $\alpha$ の正の自己相似 Markov 過程で、確率 $1$ ですべての $t$ について $X_t>0$、$X_{t-}>0$ であり、$A_\infty:=\int_0^\infty X_s^{-\alpha}ds=\infty$ であるものとする。$A$ の逆関数を $T_s$ とし $\xi_s:=\log(X_{T_s}/x)$ とおくと、$P_x$ のもとで $\xi$ は Lévy 過程で、その分布は $x$ によらない。$(P_x)$ は $\xi$ の Lamperti変換である。
停止時刻で切って時計を付け替える

1 の自己相似性。 $P_x$ のもとで $kX_{k^{-\alpha}t}=kx\exp\bigl(\xi_{\tau(t(kx)^{-\alpha})}\bigr)$ で、$k^{-\alpha}t< x^\alpha I_\infty$ と $t<(kx)^\alpha I_\infty$ は同値である。よってこれは $P_{kx}$ の定義そのものである。
1 の強 Markov 性。 $(\mathcal F_u)$ を $\xi$ のフィルトレーションとする。$X$ の停止時刻 $S$ について $\mathcal T:=\tau(Sx^{-\alpha})$ とおく。$\{\mathcal T< \infty\}=\{S< x^\alpha I_\infty\}$ である。$X$ の時刻 $x^\alpha I_u$ までの道は $(\xi_q)_{q\le u}$ で決まるので、$\{\mathcal T\le u\}=\{S\le x^\alpha I_u\}$ は $\mathcal F_u$ に属し、$\mathcal T$ は $(\mathcal F_u)$ の停止時刻である。同じ理由で、$X$ の時刻 $S$ までの情報は $\mathcal F_{\mathcal T}$ に含まれる。$\{\mathcal T< \infty\}$ の上で $\xi'_v:=\xi_{\mathcal T+v}-\xi_{\mathcal T}$ とおくと、Feller過程 の記事の強 Markov 性の定理(Lévy 過程の例を含む)により、$\xi'$ は $\mathcal F_{\mathcal T}$ と独立で $\xi$ と同じ分布をもつ。$I'_v:=\int_0^ve^{\alpha\xi'_s}ds$ とすると
$$ I_{\mathcal T+v}=Sx^{-\alpha}+e^{\alpha\xi_{\mathcal T}}I'_v=Sx^{-\alpha}+(X_S/x)^\alpha I'_v $$
なので、$I_{\mathcal T+v}>(S+r)x^{-\alpha}$ は $I'_v>rX_S^{-\alpha}$ と同値である。ゆえに $\tau((S+r)x^{-\alpha})=\mathcal T+\tau'(rX_S^{-\alpha})$ で
$$ X_{S+r}=X_S\exp\bigl(\xi'_{\tau'(rX_S^{-\alpha})}\bigr) $$
であり、$0$ に達する時刻も $X_S^\alpha I'_\infty$ だけ後になる。右辺は $X_S$ を初期値とする $\xi'$ の Lamperti変換なので、条件つき分布は $P_{X_S}$ である。$\{\mathcal T=\infty\}$ の上では $X_S=0$ で、その後も $0$ である。
1 の $0$ への到達。 $X$ が $0$ に達するのは $I_\infty< \infty$ のときで、その時刻は $x^\alpha I_\infty$ である。Lévy 過程 $-\alpha\xi$ に BY05 Theorem 1(p. 192)を当てると、$I_\infty< \infty$ となる確率は $0$ か $1$ で、$1$ となるのは $-\alpha\xi_s\to+\infty$、すなわち $\xi_s\to-\infty$ のときに限る。
2。 $X$ は正で左極限も正なので、有界な区間の上で $X$ は正の数で下から押さえられ、$A$ は連続で狭義に増加し有限である。$A_\infty=\infty$ なので逆関数 $T_s$ はすべての $s\ge0$ で定まり、各 $T_s$ は停止時刻である($\{T_s\le t\}=\{A_t\ge s\}$)。
$s\ge0$ を固定し、$R:=X_{T_s}$、$\widetilde X_v:=X_{T_s+R^\alpha v}/R$ とおく。強 Markov 性により $(X_{T_s+q})_q$ の条件つき分布は $P_R$ で、自己相似性($k=1/R$)により $\widetilde X$ の条件つき分布は $P_1$ である。これは $R$ によらないので、$\widetilde X$ は $\mathcal G:=$($X$ の時刻 $T_s$ までの情報)と独立で分布 $P_1$ をもつ。$q=R^\alpha v$ と変数を替えると
$$ A_{T_s+R^\alpha w}-s=\int_0^{R^\alpha w}X_{T_s+q}^{-\alpha}dq=\int_0^w\widetilde X_v^{-\alpha}dv=:\widetilde A_w $$
なので、$\widetilde X$ から同じ手順で作った $\widetilde T,\widetilde\xi$ について $T_{s+r}=T_s+R^\alpha\widetilde T_r$、
$$ \xi_{s+r}-\xi_s=\log\frac{X_{T_{s+r}}}{X_{T_s}}=\log\widetilde X_{\widetilde T_r}=\widetilde\xi_r $$
である。$(\xi_q)_{q\le s}$ は $\mathcal G$ で決まるので、増分 $(\xi_{s+r}-\xi_s)_r$ は過去と独立で、$P_1$ のもとの $\xi$ と同じ分布をもつ。自己相似性から $P_x$ のもとの $\xi$ の分布は $P_1$ のもとの分布と同じである。$\xi$ は càdlàg で $\xi_0=0$ なので、Lévy 過程である。
最後に $I_u=\int_0^ue^{\alpha\xi_q}dq=x^{-\alpha}\int_0^uX_{T_q}^\alpha dq$ で、$q=A_t$($dq=X_t^{-\alpha}dt$)と置換すると $I_u=x^{-\alpha}T_u$ である。よって $\tau(tx^{-\alpha})=A_t$、$I_\infty=\infty$ で、$x\exp(\xi_{\tau(tx^{-\alpha})})=X_{T_{A_t}}=X_t$ となる。$\square$

1 の強 Markov 性の計算は、「時刻 $S$ で切って残りを $X_S$ 倍すると、新しい Lévy 過程の Lamperti変換になる」ことを表している。時計 $A$ の速さ $X^{-\alpha}$ は、自己相似性で時間が $X^\alpha$ 倍に延びることを打ち消すように選んである。

Bessel 過程の例

Brown 運動の大きさの Lamperti 表現

$d\ge2$ を整数、$W$ を $w\ne0$ から出る $d$ 次元 Brown 運動とし、$X:=\lvert W\rvert$、$x:=\lvert w\rvert$ とする。$X$ は確率 $1$ で正で、$A_t:=\int_0^tX_s^{-2}ds$ は $t\to\infty$ で $\infty$ に発散する。$A$ の逆関数を $T_s$ とすると、
$$ \xi_s:=\log\frac{X_{T_s}}x=\beta_s+\Bigl(\frac d2-1\Bigr)s $$
で、$\beta$ は 1 次元 Brown 運動である。すなわち $\lvert W\rvert$ は、ドリフト $\frac d2-1$ の Brown 運動の指数 $2$ の Lamperti変換である。

対数に伊藤の公式を当てて時間変更する

正であること。 Bessel過程 の記事の系「多次元の Brown 運動は点に当たらない」による。
$A_\infty=\infty$。 重複対数の法則(MP10 Theorem 5.1 と Remark 5.2、p. 119)を $W$ の各座標に当てると、確率 $1$ で十分大きい $t$ について各座標が $\lvert W^i_t\rvert\le2\sqrt{t\log\log t}$ を満たし、$X_t^2\le4d\,t\log\log t$ である。$\int^\infty\frac{dt}{t\log\log t}=\infty$ なので $A_\infty=\infty$ である。
$\xi$ の形。 Bessel過程 の記事の系「Bessel 過程の方程式」により、1 次元 Brown 運動 $\beta'$ があって $dX_t=d\beta'_t+\frac{d-1}{2X_t}dt$ である。$X$ は正で連続なので、$\log X$ に伊藤の公式を当てると
$$ d\log X_t=\frac{d\beta'_t}{X_t}+\frac{d-1}{2X_t^2}dt-\frac1{2X_t^2}dt=dN_t+\Bigl(\frac d2-1\Bigr)dA_t,\qquad N_t:=\int_0^t\frac{d\beta'_q}{X_q} $$
である。$N$ は連続な局所マルチンゲールで $[N]_t=A_t$ である。時刻 $T_s$ で評価すると $\xi_s=N_{T_s}+(\frac d2-1)s$ である。
$\beta_s:=N_{T_s}$ とおく。各 $s$ で停止した $N^{T_s}$ は $[N]_{T_s}=s$ が有界なので 2 乗可積分なマルチンゲールで、$(N^{T_s})^2-[N]^{T_s}$ は一様可積分なマルチンゲールである。$q< s$ に Doobの任意抽出定理 を当てると、フィルトレーション $(\mathcal F_{T_s})_s$ に関して $\beta$ と $\beta_s^2-s$ はマルチンゲールで、$\beta$ は連続である。よって $[\beta]_s=s$ で、2次変分 の定理「Lévy の特徴づけ」により $\beta$ は Brown 運動である。$\square$

$d\ge3$ ではドリフトが正で $\xi\to+\infty$ なので、$\lvert W\rvert$ は $\infty$ に逃げて $0$ に達しない。$d=2$ ではドリフトが $0$ で、$\xi$ は振動し、$\lvert W\rvert$ は $0$ の近くにも遠くにも何度も来るが $0$ には達しない。これは thm-lt-main の 1 で、$\xi\to-\infty$ でないことと合う。2 乗した $X^2$ は指数 $1$ の自己相似 Markov 過程で、対応する Lévy 過程は $2\xi_s=2(\beta_s+(\frac d2-1)s)$ である。$b>0$ について、ドリフト $b$ の Brown 運動の 2 倍の指数 $1$ の Lamperti変換が次元 $2(b+1)$ の平方 Bessel 過程になることは BY05 §5.3 の例(p. 205)にあり、$d\ge3$ では $b=\frac d2-1$ として上と一致する。

分枝過程の Lamperti 表現

連続な状態をもつ分枝過程(continuous-state branching process)とは、$[0,\infty]$ に値をとる càdlàg な Markov 過程で、推移の分布 $P_t(z,\cdot)$ が 分枝性 $P_t(z_1,\cdot)*P_t(z_2,\cdot)=P_t(z_1+z_2,\cdot)$ を満たすものである($*$ は畳み込み)。初期値 $z$ の粒子の集団を 2 つに分けると、それぞれから独立に育つ、ということである。

分枝過程の Lamperti 表現

$0$ と $\infty$ で吸収される $[0,\infty]$ 値の càdlàg な関数 $f$ について $\kappa_t:=\int_0^tf(s)\,ds$ とし、その右逆関数を $\theta$ として $\mathcal L(f):=f\circ\theta$ とおく。$\mathcal L$ は、連続な状態をもつ分枝過程全体と、負の跳びをもたず $0$ に達したら止める Lévy 過程(独立な指数分布の時刻に $\infty$ へ送って消滅させるものを含む)全体との間の全単射を与える。

出典と Laplace 変換

この記事ではこの定理の一般の場合を証明しない。これは CLU09 Theorem 1(p. 2)の形で、原論文は Lam67 である。$\mathcal L^{-1}$ は、Lévy 過程 $Y$ を $\int_0^s Y_q^{-1}dq$ の逆関数で時間変更する操作で、def-lt-transform の $\alpha=1$ の時計 $A$ と同じ形をしている。ただし今度は指数をとらず、$Y$ 自身を時間変更する。分枝過程の Laplace 変換は $e^{-zu_t(\lambda)}$ の形で、$u_t(\lambda)$ は分枝の機構とよばれる関数 $\Psi$ による方程式 $\partial_tu_t=-\Psi(u_t)$ で決まり、$\Psi$ は負の跳びをもたない Lévy 過程の Laplace 指数 $\psi$($E_x[e^{-\lambda Y_t}]=e^{-\lambda x+t\psi(\lambda)}$)である(CLU09 Proposition 1–3、pp. 5–6)。

Brown 運動の場合を確かめる。

Feller の分枝拡散

$x>0$、$B$ を 1 次元 Brown 運動とし、$Y_s:=x+\sqrt2B_s$ を $0$ に達する時刻 $T_0$ で止める。$s< T_0$ で $C_s:=\int_0^sY_q^{-1}dq$ とし、$C$ の逆関数で時間変更した $Z_t:=Y_{C^{-1}(t)}$($t\ge C_{T_0-}$ では $Z_t:=0$)とおく。このとき $\lambda\ge0$ について
$$ E\bigl[e^{-\lambda Z_t}\bigr]=\exp\Bigl(-\frac{x\lambda}{1+\lambda t}\Bigr) $$
である。これは 超過程 の記事の全質量 $dZ=\sqrt{2Z}\,dB$ の Laplace 変換と同じで、右辺の指数が $x$ に比例することは分枝性を表す。

時計の付いた指数関数をマルチンゲールにする

$u(r):=\frac\lambda{1+\lambda r}$ は $u'=-u^2$、$u(0)=\lambda$ を満たす。$t>0$ を固定し、$\sigma:=\inf\{s\mid C_s\ge t\}\wedge T_0$ とおくと、$\sigma$ は $B$ の停止時刻で $T_0< \infty$ から有限である。$s< \sigma$ で $C$ は $C^1$ 級で $dC_s=Y_s^{-1}ds$ なので、$G_s:=\exp\bigl(-Y_su(t-C_s)\bigr)$ に伊藤の公式を当てると
$$ dG_s=G_s\Bigl(-u\,dY_s+Y_su'\,dC_s+\tfrac12u^2\,d[Y]_s\Bigr)=G_s\bigl(-u\,dY_s+(u'+u^2)\,ds\bigr)=-G_su\,dY_s $$
である($d[Y]_s=2ds$)。$0\le G\le1$、$0\le u\le\lambda$ なので停止した $G^\sigma$ は有界なマルチンゲールで、$E[G_\sigma]=G_0=e^{-xu(t)}$ である。$\sigma< T_0$ なら $C_\sigma=t$ で $G_\sigma=e^{-\lambda Y_\sigma}=e^{-\lambda Z_t}$、$\sigma=T_0$ なら $Y_\sigma=0$、$Z_t=0$ で $G_\sigma=1=e^{-\lambda Z_t}$ である。よって $E[e^{-\lambda Z_t}]=e^{-xu(t)}$ を得る。$\square$

$\lambda\to\infty$ とすると $P(Z_t=0)=e^{-x/t}$ で、$Z$ は有限の時刻に $0$ に達する。これは $C_{T_0-}< \infty$、すなわち Brown 運動が $0$ に近づくときの $\int Y^{-1}$ が有限であることを表している。

反例:仮定を外すと成り立たないこと

主張外す仮定例成り立たなくなる結論
thm-lt-main の 1$\xi$ の増分が独立$U=\pm1$ を確率 $\frac12$ ずつとり $\xi_s:=sU$、$\alpha=1$変換した族 $(P_x)$ が Markov 性をもつこと
thm-lt-main の 2自己相似性決定的な流れ $\dot X=\frac X{1+X}$$\xi$ が Lévy 過程であること
thm-lt-csbpLévy 過程が負の跳びをもたない$Y:=z-N$($N$ は率 $1$ の Poisson 過程)を $0$ 以下になったら $0$ で止めたもの$\mathcal L^{-1}(Y)$ の推移の分布が分枝性を満たすこと
反例の確かめ
確かめを開く

1 行目。 $\xi$ の増分は定常だが、$\xi_1=U$ が以後の増分をすべて決めるので独立でない。$U=1$ なら $I_u=e^u-1$、$\tau(r)=\log(1+r)$ で、$x$ から出た過程は $X_t=x+t$ である。$U=-1$ なら $I_u=1-e^{-u}$、$I_\infty=1$ で、$X_t=x-t$($t< x$)、$t\ge x$ で $X_t=0$ である。よって $P_x$ のもとで $X_t=x+Ut$($0$ で止める)である。$t\in(0,x)$ では $X_t$ の値から $U$ が分かるので、$X$ の時刻 $t$ までの情報を与えると $X_{t+r}=X_t+Ur$ は確定する。一方 $P_{X_t}$ のもとで $X_r$ は $X_t\pm r$ を確率 $\frac12$ ずつとる。条件つき分布が $P_{X_t}$ にならないので、Markov 性は成り立たない。

2 行目。 $X$ は $x$ から出る $\dot X=\frac X{1+X}$ の解で、$X$ は正で増加し $X+\log X=t+x+\log x$ を満たす。$X_t\sim t$ なので $A_\infty=\int_0^\infty X_t^{-1}dt=\infty$ で、決定的な流れは強 Markov 性をもつ。$\alpha=1$ とすると $dT_s=X_{T_s}ds$ から $\frac d{ds}\xi_s=\frac{\dot X}X\cdot X=\frac{X_{T_s}}{1+X_{T_s}}$ で、これは $s$ について狭義に増加する。決定的な Lévy 過程は $\xi_s=bs$ の形に限る(定常増分から $\xi_{s+r}-\xi_s=\xi_r$)ので、$\xi$ は Lévy 過程でない。自己相似性は $kX_{t/k}$ が $\dot Y=\frac Y{k+Y}$ を満たすことから成り立たない。

3 行目。 $z=1$ なら、$N$ の最初の跳びの時刻 $E$(平均 $1$ の指数分布)までは $Y=1$ で、$E$ で $0$ になって止まる。$C_s=s$ なので $Z_t=\mathbf 1\{t< E\}$ で、$P(Z_t=0)=1-e^{-t}$ である。$z=\frac12$ なら $E$ まで $Y=\frac12$、$C_s=2s$ で、$Z_t=\frac12\mathbf 1\{t<2E\}$、$P(Z_t=0)=1-e^{-t/2}$ である。分枝性があれば $P_t(1,\{0\})=P_t(\tfrac12,\{0\})^2$ だが、$t=1$ で $1-e^{-1}\approx0.632$、$(1-e^{-1/2})^2\approx0.155$ で一致しない。

補足

呼び名

def-lt-transform の対応は Lamperti 表現(Lamperti representation)ともよばれる。BY05 §5.1(pp. 202–203)は、$\xi$ が $+\infty$ に流れて $\alpha$ が負の場合も含めて変換を定め、$0$ と $\infty$ を吸収的な境界とする形で述べている。指数 $\alpha$ の過程を $\alpha$ 乗すると指数 $1$ の過程になり、対応する Lévy 過程は $\alpha\xi$ である(同 p. 203)。そのため指数 $1$ の場合に帰着して調べることが多い。

関連項目

参考文献

[1]
Jean Bertoin, Marc Yor, Exponential functionals of Lévy processes, Probability Surveys 2 (2005), 191–212, DOI 10.1214/154957805100000122; arXiv:math/0511265, 2005, arXiv 版 v1(頁は刊行版と同じ)。Theorem 1(p. 192)、§5 と (18)(p. 202)、§5.1(pp. 202–203)、§5.3 の例(p. 205)
[2]
Ma. Emilia Caballero, Amaury Lambert, Gerónimo Uribe Bravo, Proof(s) of the Lamperti representation of continuous-state branching processes, Probability Surveys 6 (2009), 62–89, DOI 10.1214/09-PS154; arXiv:0802.2693, 2009, arXiv 版 v2 の頁。Theorem 1(p. 2)、Proposition 1–3(pp. 5–6)
[4]
John Lamperti, Semi-stable Markov processes. I, Zeitschrift für Wahrscheinlichkeitstheorie und Verwandte Gebiete 22 (1972), no. 3, 205–225, 1972
[5]
John Lamperti, Continuous state branching processes, Bulletin of the American Mathematical Society 73 (1967), no. 3, 382–386, 1967

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