Pitmanの定理(Pitman's theorem)とは、1 次元 Brown 運動 $B$($B_0=0$)とその最大値過程 $M_t=\max_{s\le t}B_s$ について、$2M-B$ が $0$ から出る 3 次元 Bessel 過程 $\rho$ と同じ分布の過程であり、さらに組 $(2M-B,M)$ が $\rho$ とその未来の最小値の組と同じ分布をもつ、という定理である。$0$ を避けるように条件づけた単純ランダムウォークについての同じ形の等式を推移確率で示し、Donsker の不変原理で極限をとって証明される。帰結として、$2M_t-B_t=r$ を与えたとき $M_t$ は $[0,r]$ の上で一様に分布する。
前提知識: Brown運動, Bessel過程, 反射原理(Brown運動)
Pitmanの定理(Pitman's theorem)とは、1 次元の Brown運動 $B$($B_0=0$)とその最大値過程 $M_t:=\max_{s\le t}B_s$ について、過程 $2M-B$ が $0$ から出発する 3 次元の Bessel過程 と同じ分布をもつ、という定理である。$2M-B$ は Brown 運動の道を各時刻でその時点までの最大値の高さで折り返したもので、「$2M-X$ 定理」「$2M-B$ 定理」とも呼ばれる。さらに、最大値 $M$ は、3 次元 Bessel 過程 $\rho$ の 未来の最小値 $J_t:=\inf_{s\ge t}\rho_s$ にあたる:
$$
\bigl(2M_t-B_t,\ M_t\bigr)_{t\ge0}\overset{d}{=}\bigl(\rho_t,\ J_t\bigr)_{t\ge0}.
$$
3 次元 Bessel 過程は「$0$ に当たらないように条件づけた 1 次元 Brown 運動」とみなせる(Doobのh変換 の定理「Brown 運動の条件付けと 3 次元 Bessel 過程」)。この定理は、条件づけによって作った過程が、元の Brown 運動の道の簡単な変換として実現できることを示している。各時刻の分布の一致だけなら 反射原理(Brown運動) から計算できる(同記事の例「最大値の 2 倍から終点を引いた量」)が、過程としての一致はずっと強い主張で、たとえば $2M-B$ が Markov 過程であることを含む。
この記事では、単純ランダムウォークについて同じ形の等式を推移確率の計算で示し(thm-pit-discrete)、Donskerの不変原理 で極限をとって定理(thm-pit-main)を導く。系として、$2M_t-B_t$ を与えたときの $M_t$ の条件つき分布が一様分布であることを示す。
$S$ を $0$ から出発する単純ランダムウォーク(ランダムウォーク、歩幅 $\pm1$ が確率 $\frac12$ ずつ)とし、$\widetilde M(j):=\max_{i\le j}S(i)$ とする。
正の整数の集合 $\mathbb N=\{1,2,\dots\}$ の上の Markov連鎖 $\hat\rho$ で、推移確率が
$$
p(k,k+1)=\frac{k+1}{2k},\qquad p(k,k-1)=\frac{k-1}{2k}\qquad(k\ge1)
$$
であるものを、$0$ を避けるように条件づけた単純ランダムウォーク という。$\hat I(j):=\min_{i\ge j}\hat\rho(i)$ をその未来の最小値とする。
$p(1,0)=0$ なので $\hat\rho$ は $\mathbb N$ にとどまる。この推移確率は、単純ランダムウォークを $\{0,1,\dots,N\}$ で $0$ より先に $N$ に着くように条件づけたものの $N\to\infty$ の極限であり、$h(k)=k$ による Doobのh変換 である(MP10 (5.13)、p. 140)。
正の整数の列 $x_0,x_1,\dots,x_l$ について
$$
P\bigl(\hat\rho(1)=x_1,\dots,\hat\rho(l)=x_l\ \big|\ \hat\rho(0)=x_0\bigr)=\frac{x_l}{x_0}\,P\bigl(S(1)=x_1,\dots,S(l)=x_l\ \big|\ S(0)=x_0\bigr)
$$
である(MP10 Lemma 5.31、p. 140)。
$\lvert x_j-x_{j-1}\rvert=1$ がすべての $j$ で成り立たなければ両辺とも $0$ である。成り立てば右辺は $\frac{x_l}{x_0}2^{-l}$ で、左辺は $\prod_{j=1}^lp(x_{j-1},x_j)=\prod_{j=1}^l\frac{x_j}{2x_{j-1}}=\frac{x_l}{x_0}2^{-l}$ である(積が打ち消し合う)。$\square$
$1\le i\le k$ とする。$k$ から出発する $\hat\rho$ が $i$ に到達する確率は $\frac ik$ であり、その最小値 $\min_{j\ge0}\hat\rho(j)$ が $i$ に等しい確率は $\frac1k$ である。
$i=k$ なら明らかなので $i< k$ とする。$\hat\rho$ が初めて $i$ に着くまでの経路 $x_0=k,x_1,\dots,x_l=i$(途中は $i$ より大きい)について lem-pit-path を足し合わせると、$\hat\rho$ が $i$ に到達する確率は、$k$ から出発する $S$ が $i$ に到達する確率の $\frac ik$ 倍である。単純ランダムウォークは再帰的で確率 $1$ で $i$ に到達するので、前半を得る。最小値が $i$ であることは「$i$ に到達し、$i-1$ には到達しない」ことなので、その確率は $\frac ik-\frac{i-1}k=\frac1k$ である($i=1$ では $\hat\rho$ は $0$ に行かないので $\frac1k$)。$\square$
$\hat\rho(0)=1$ とする。過程として
$$
\bigl(2\widetilde M(j)-S(j),\ \widetilde M(j)\bigr)_{j\ge0}\overset{d}{=}\bigl(\hat\rho(j)-1,\ \hat I(j)-1\bigr)_{j\ge0}
$$
が成り立つ。
$(S,\widetilde M)$ は Markov 連鎖で、$S(j)< \widetilde M(j)$ なら $S$ は $\pm1$ に動き $\widetilde M$ は変わらず、$S(j)=\widetilde M(j)$ なら確率 $\frac12$ ずつで $(S+1,\widetilde M+1)$ か $(S-1,\widetilde M)$ に移る。すなわち推移核は
$$
K\bigl((x,y),\cdot\bigr)=\begin{cases}\frac12\delta_{(x+1,y)}+\frac12\delta_{(x-1,y)}&(x< y),\\[2pt]\frac12\delta_{(x+1,y+1)}+\frac12\delta_{(x-1,y)}&(x=y)\end{cases}
$$
である。$K$ は平行移動 $(x,y)\mapsto(x+c,y+c)$ と可換である。写像 $\varphi(x,y):=(2y-x,y)$ は $\varphi\circ\varphi=\mathrm{id}$ を満たし、$\varphi(S,\widetilde M)=(2\widetilde M-S,\widetilde M)$ である。
$\hat X(j):=2\hat I(j)-\hat\rho(j)$、$\hat Y(j):=\hat I(j)$ とおき、$(\hat X,\hat Y)$ が初期値 $(1,1)$、推移核 $K$ の Markov 連鎖であることを示す。そうすれば、$(\hat X-1,\hat Y-1)$ と $(S,\widetilde M)$ は初期値 $(0,0)$ と推移核 $K$(平行移動と可換)が同じなので同じ分布をもつ。両辺を $\varphi$ で写すと、$\varphi(\hat X-1,\hat Y-1)=(2(\hat I-1)-(2\hat I-\hat\rho-1),\hat I-1)=(\hat\rho-1,\hat I-1)$ なので主張が従う。
初期値は、$\hat\rho(0)=1$ と $\hat\rho\ge1$ から $\hat I(0)=1$ で、$(\hat X(0),\hat Y(0))=(1,1)$ である。
情報の増大列。 $\mathcal G_j:=\sigma(\hat\rho(0),\dots,\hat\rho(j),\hat I(j))$ とおく。$i\le j$ について $\hat I(i)=\min(\hat\rho(i),\dots,\hat\rho(j),\hat I(j))$ なので、$(\hat X(i),\hat Y(i))_{i\le j}$ は $\mathcal G_j$-可測である。また $\hat I(j)=\min(\hat\rho(j),\hat I(j+1))$ から $\mathcal G_j\subset\mathcal G_{j+1}$ である。
1 歩の条件つき分布。 経路 $x=(x_0,\dots,x_j)$($x_j=k$)と $1\le i\le k$ について、$\hat\rho$ の Markov 性と lem-pit-min により
$$
P\bigl(\hat\rho(0..j)=x,\ \hat I(j)=i\bigr)=P\bigl(\hat\rho(0..j)=x\bigr)\cdot\frac1k
$$
である。同様に、$k'=k\pm1$、$i'\le k'$ について
$$
P\bigl(\hat\rho(0..j)=x,\ \hat\rho(j+1)=k',\ \hat I(j+1)=i'\bigr)=P\bigl(\hat\rho(0..j)=x\bigr)\,p(k,k')\cdot\frac1{k'}=P\bigl(\hat\rho(0..j)=x\bigr)\cdot\frac1{2k}
$$
である($p(k,k')/k'=\frac1{2k}$)。この事象の上で $\hat I(j)=\min(k,i')$ である。
この推移の計算の組み立ては MP10 Theorem 5.34 の証明(pp. 143–144)による。$1$ を引く形にしてあるのは、$\hat\rho$ が $1$ から出て $0$ に行かないからである。たとえば $j=1$ では、左辺は確率 $\frac12$ ずつで $(1,1)$ と $(1,0)$ をとり、右辺も $\hat\rho(1)=2$、$\hat I(1)\in\{1,2\}$(確率 $\frac12$ ずつ、lem-pit-min)から同じ値をとる。
$\rho$ を $0$ から出発する 3 次元 Bessel 過程(3 次元の標準 Brown 運動 $W$ の長さ $\lvert W\rvert$、Bessel過程)とし、$J_t:=\inf_{s\ge t}\rho_s$ をその未来の最小値とする。$\rho$ は連続で $\rho_s\to\infty$($s\to\infty$)なので、$J$ は連続で非減少である。
$B$ を $0$ から出発する 1 次元の標準 Brown 運動、$M_t:=\max_{s\le t}B_s$ とする。連続関数の空間 $C([0,\infty),\mathbb R^2)$ に値をとる確率変数として
$$
\bigl(2M_t-B_t,\ M_t\bigr)_{t\ge0}\overset{d}{=}\bigl(\rho_t,\ J_t\bigr)_{t\ge0}
$$
が成り立つ。とくに $2M-B$ は $0$ から出発する 3 次元 Bessel 過程である。
区間 $[0,1]$ に帰着する。 $c>0$ について $(B_{ct}/\sqrt c)_t$ は標準 Brown 運動、$(\rho_{ct}/\sqrt c)_t$ は $0$ から出る 3 次元 Bessel 過程で、両辺の組は同じ尺度変換で写り合う。よって $[0,1]$ の上で分布が一致すれば、すべての $[0,c]$ の上で一致し、有限次元分布が一致するので $C([0,\infty),\mathbb R^2)$ の上の分布も一致する。以下 $C[0,1]$(値は $\mathbb R^2$)で考え、上限ノルムを $\|\cdot\|$ と書く。$h>0$ について、整数の時刻の列 $a(j)$ を $t\mapsto ha(t/h^2)$ と線形補間した関数を $a^{\langle h\rangle}$ と書く。
左辺の近似。 $\Phi(f):=(2m_f-f,\ m_f)$、$m_f(t):=\max_{s\le t}f(s)$ とおくと、$\| m_f-m_g\|\le\| f-g\|$ なので $\Phi$ は連続である。Donskerの不変原理 により $S^{\langle h\rangle}\to B$($h\to0$、分布収束)なので、$\Phi(S^{\langle h\rangle})\to\Phi(B)=(2M-B,M)$ である。$D_h:=(2\widetilde M-S,\ \widetilde M)^{\langle h\rangle}$ と $\Phi(S^{\langle h\rangle})$ は格子点 $t=jh^2$ で一致し、隣の格子点までの間にそれぞれ高々 $3h$ しか動かないので、$\| D_h-\Phi(S^{\langle h\rangle})\|\le6h$ である。よって $D_h\to(2M-B,M)$(分布収束)である。
右辺の近似(埋め込み)。 $W^0$ を $0$ から出る 3 次元 Brown 運動、$\rho=\lvert W^0\rvert$ とし、$W:=W^0+he_1$($e_1$ は単位ベクトル)、$\rho^{(h)}:=\lvert W\rvert$、$J^{(h)}_t:=\inf_{s\ge t}\rho^{(h)}_s$ とおくと、$\|\rho^{(h)}-\rho\|\le h$、$\| J^{(h)}-J\|\le h$ である。$\tau_0:=0$、$\tau_{j+1}:=\inf\{t>\tau_j\mid\lvert\rho^{(h)}_t-\rho^{(h)}_{\tau_j}\rvert=h\}$ とすると、$(\rho^{(h)}_{\tau_j}/h)_{j\ge0}$ は $1$ から出る $\hat\rho$ と同じ分布をもつ(MP10 (5.14)、p. 141。3 次元 Brown 運動が半径 $kh$ の球面から出て半径 $(k\pm1)h$ の球面に先に着く確率と強 Markov 性による)。以下 $\hat\rho(j):=\rho^{(h)}_{\tau_j}/h$ とし、$\hat I$ をその未来の最小値とする。時刻 $\tau_j$ と $\tau_{j+1}$ の間では $\rho^{(h)}$ は $\rho^{(h)}_{\tau_j}$ から $h$ 未満しか離れないので、$h\hat I(j)-h\le J^{(h)}_{\tau_j}\le h\hat I(j)$ である。さらに
$$
E\Bigl[\max_{0\le t\le1}\bigl(\tau_{\lfloor t/h^2\rfloor}-t\bigr)^2\Bigr]\le Ch^2
$$
が定数 $C$ について成り立つ(MP10 Lemma 5.32 と (5.17)、pp. 141–142)。$\rho$ と $J$ は $[0,2]$ の上で一様連続なので、この評価から $\max_{t\le1}\lvert(\rho,J)(\tau_{\lfloor t/h^2\rfloor})-(\rho,J)(t)\rvert\to0$(確率収束)で、$\lfloor\cdot\rfloor$ を $\lceil\cdot\rceil$ に替えても同じである。以上の $h$ の程度の誤差をまとめると、$R_h:=(\hat\rho,\hat I)^{\langle h\rangle}$ について $\| R_h-(\rho,J)\|\to0$(確率収束)であり、$R_h\to(\rho,J)$(分布収束)である。
結論。 thm-pit-discrete により $D_h$ は $(\hat\rho-1,\hat I-1)^{\langle h\rangle}$ と同じ分布をもち、後者は $R_h$ から $h$ だけずらしたものである。よって $D_h$ と $R_h$ の分布の極限は一致し、$[0,1]$ の上で $(2M-B,M)\overset d=(\rho,J)$ である。$\square$
上の証明の組み立ては MP10 Theorem 5.34・Proposition 5.33(pp. 142–143)による。第 1 成分だけを取り出すと、$2M-B$ は Markov 過程であり、その推移確率は Doobのh変換 の定理「Brown 運動の条件付けと 3 次元 Bessel 過程」の $P^h_t(x,dy)=\frac yx\bigl(g_t(y-x)-g_t(y+x)\bigr)dy$ で与えられる。また右辺の $J$ は $\rho$ の関数なので、組の分布の等式から、確率 $1$ ですべての $t$ について $M_t=\inf_{s\ge t}(2M_s-B_s)$ である。とくに $B=2M-(2M-B)$ は $2M-B$ の道から復元できる。
$t>0$、$r>0$ とする。$2M_t-B_t=r$ を与えたとき、$M_t$ の条件つき分布は区間 $[0,r]$ の上の一様分布である。正確には、$0\le x\le r$ について $P(M_t\le x\mid 2M_t-B_t)=\frac{x}{2M_t-B_t}\wedge1$ が確率 $1$ で成り立つ。
thm-pit-main により $(2M_t-B_t,M_t)\overset d=(\rho_t,J_t)$ なので、右辺について示せばよい。$\rho=\lvert W\rvert$ で、3 次元 Brown 運動の Markov 性と回転不変性により、$\mathcal F_t$ を与えたとき $(\rho_{t+s})_{s\ge0}$ は $\rho_t$ から出る 3 次元 Bessel 過程である。$\rho_t>0$(確率 $1$)なので、$0< x< \rho_t$ について $J_t\le x$ はこの過程が $x$ に到達することと同値で(到達しなければ、$\rho\to\infty$ と連続性から下限は $x$ より大きい)、その条件つき確率は Bessel過程 の定理「原点への到達と到達確率」の 3($\rho^2$ は 3 次元平方 Bessel 過程で、$\delta=3$、水準 $x^2$、出発点 $\rho_t^2$)により $(x^2/\rho_t^2)^{1/2}=x/\rho_t$ である。$\square$
反射原理(Brown運動) の定理「同時密度」により $(M_t,B_t)$ は $\{m>0,\ b< m\}$ の上の密度 $\frac{2(2m-b)}{\sqrt{2\pi t^3}}e^{-(2m-b)^2/(2t)}$ をもつ。$(m,b)\mapsto(m,r)=(m,2m-b)$ は Jacobian の絶対値が $1$ なので、$(M_t,2M_t-B_t)$ の密度は $\frac{2r}{\sqrt{2\pi t^3}}e^{-r^2/(2t)}$($0< m< r$)である。これは $m$ によらないので、$r$ を与えたとき $M_t$ は $[0,r]$ の上で一様で、$r$ の周辺密度は $\frac{2r^2}{\sqrt{2\pi t^3}}e^{-r^2/(2t)}$、すなわち 3 次元の標準正規ベクトルの長さに $\sqrt t$ を掛けたものの密度である。
単純ランダムウォークでは、$2\widetilde M(j)-S(j)=r$ を与えたとき $\widetilde M(j)$ は $\{0,1,\dots,r\}$ の上の一様分布に従う。実際 thm-pit-discrete により、$\hat\rho(j)=r+1$ を与えたときの $\hat I(j)-1$ の分布を見ればよく、lem-pit-min により $\hat I(j)=i$ の条件つき確率は $\frac1{r+1}$($1\le i\le r+1$)である。たとえば $j=2$ では、$S$ の 4 通りの道 $(1,2),(1,0),(-1,0),(-1,-2)$ に対して $(2\widetilde M-S,\widetilde M)$ は $(2,2),(2,1),(0,0),(2,0)$ で、$r=2$ を与えると $\widetilde M$ は $0,1,2$ を等確率でとる。
| 主張 | 外す条件 | 例 | 成り立たなくなること |
|---|---|---|---|
| thm-pit-main | 最大値に掛ける係数が $2$ | $cM-B$($c\ne2$) | $cM_t-B_t$ の平均が $\rho_t$ の平均と違い、「$cM-B$ が 3 次元 Bessel 過程」が成り立たない |
| thm-pit-main | Brown 運動に流れがない | $X_t:=B_t+\mu t$($\mu>0$)の $2M^X-X$ | 平均が $t$ の 1 次で増え、「3 次元 Bessel 過程」が成り立たない |
| thm-pit-main | $M$ に対応するのが未来の最小値 | $J$ を過去の最小値 $\min_{s\le t}\rho_s$ に替える | 第 2 成分の分布が合わず、組の等式が成り立たない |
1 行目:$E[M_t]=E\lvert B_t\rvert=\sqrt{2t/\pi}$(反射原理(Brown運動) の系により $M_t$ と $\lvert B_t\rvert$ は同じ分布)なので $E[cM_t-B_t]=c\sqrt{2t/\pi}$ である。$\rho_t$ は 3 次元の標準正規ベクトルの長さの $\sqrt t$ 倍で、$E[\rho_t]=\sqrt t\int_0^\infty r\cdot\frac{2r^2}{\sqrt{2\pi}}e^{-r^2/2}dr=2\sqrt{2t/\pi}$ である。両者は $c=2$ のときだけ等しい。
2 行目:$M^X_t:=\max_{s\le t}X_s\ge X_t$ なので $2M^X_t-X_t\ge X_t$、$E[2M^X_t-X_t]\ge\mu t$ である。一方 $E[\rho_t]=2\sqrt{2t/\pi}$ で、$t>8/(\pi\mu^2)$ では $\mu t$ より小さい。
3 行目:$\rho_0=0$ なので $\min_{s\le t}\rho_s=0$ だが、$M_t>0$ が確率 $1$ で成り立つ(反射原理(Brown運動) の系「最大値の分布」で $P(M_t>0)=1$)。
この定理は J. W. Pitman が 1975 年に示した(Pit75)。単純ランダムウォークについての等式を先に示し、極限をとる証明の方針は MP10 Theorem 5.34 の証明(pp. 143–144)が Pitman の原論文に従うものとして述べている。3 次元 Bessel 過程と $0$ を避けるランダムウォークの対応(lem-pit-path)は同書 Lemma 5.31(p. 140)にある。
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