Вы находитесь на странице: 1из 189

В. И.

Питербарг

Двадцать лекций
о гауссовских процессах

Допущено УМО по классическому университетскому образованию


в качестве учебного пособия для студентов высших учебных заведений,
обучающихся по направлениям .. «Математика»,
.. «Механика и математическое моделирование» и специальности
.. «Фундаментальные математика и механика»

Электронное издание

Москва
Издательство МЦНМО

УДК .
ББК .
П

Питербарг В. И.
Двадцать лекций о гауссовских процессах
Электронное издание
М.: МЦНМО, 
 с.
ISBN ----
В первой части лекций рассматривается общая теория гауссов-
ских распределений в конечномерных и функциональных простран-
ствах. Основное внимание уделяется задачам сравнения гауссовских
распределений, свойствам ограниченности, экспоненциальной инте-
грируемости, общим локальным свойствам гауссовских случайных
функций. Вторая часть посвящена подробному изложению основных
методов исследования асимптотического поведения вероятностей
высоких выбросов траекторий гауссовских случайных функций, в том
числе предельного распределения множеств пересечения высокого
уровня.

Подготовлено на основе книги:


Питербарг В. И. Двадцать лекций о гауссовских процессах. ––
М.: МЦНМО, . ––  с. –– ISBN ----

Издательство Московского центра


непрерывного математического образования
, Москва, Большой Власьевский пер., ,
тел. ()––.
http://www.mccme.ru

© Питербарг В. И., .


ISBN ---- © МЦНМО, .
Предисловие

Настоящие лекции являются переработанным и существенно


дополненным изданием записей моих лекций «Теория гауссовских
процессов» (издательство МГУ,  год). Курс, который я читал на
механико-математическом факультете МГУ в течение  лет, в на-
стоящее время превратился из полугодового в годовой. Часть, по-
священная асимптотическим методам исследования распределений
гауссовских процессов, по сравнению с прошлыми лекциями суще-
ственно выросла. Основой первой части, как и прежде, является
статья К. Ферника []. Несмотря на большое число новых, в том
числе принципиальных результатов в исследовании свойств траек-
торий гауссовских функций, я считаю, что статья этого выдающего-
ся математика остается основой теории и является принципиально
важной для изучения всей теории. Основу второй части (лекции
––) составляет моя монография [], а также результаты послед-
них лет в этом направлении. В отличие от статьи К. Ферника, эта
монография весьма трудна для чтения и предназначена скорее для
специалистов, работающих в данной области. Я рассмотрел в лекци-
ях лишь случай одномерного параметрического пространства, ста-
раясь избегать довольно существенных аналитических сложностей,
особенно характерных для случая многомерного параметра. Резуль-
таты экзаменов по курсу показывают, что основные идеи асимп-
тотических методов вполне доступны студентам старших курсов
мехмата и аспирантам.
Привлекательность теории гауссовских процессов состоит в воз-
можности ее изложения без опоры на общую теорию случайных про-
цессов, достаточно знания основных разделов из анализа и функ-
ционального анализа. Кроме того, явный вид распределений поз-
воляет доводить вычисления до конца, получая красивые и физи-
чески понятные результаты. Возможность применения широкого
спектра общематематического инструментария делает теорию осо-
бенно привлекательной для математиков-теоретиков. Следует ска-
зать и о прикладном значении теории, как раз потому, что многое
удается вычислить в явном виде. Гауссовская модель чрезвычайно
популярна в самых разных областях приложений, от физики до ма-
тематических финансов, и можно было бы привести, наряду с име-
 Предисловие

ющимся в лекциях, гораздо большее число красивых и полезных


фактов теории. Однако лекции не направлены на это, они предна-
значены в первую очередь математикам и студентам-математикам,
желающим изучить соответствующую технику и методологию.
Студенты и аспиранты, слушая лекции, читая их записи, сдавая
экзамены, указывали на опечатки и неточности в лекциях и их кон-
спектах. Я приношу за это благодарность Александру Жданову, Иго-
рю Родионову, Александру Клебану, Екатерине Чернавской, Юлии
Гусак, Серику Айбатову. Я благодарен Сереже Кобелькову за полез-
ные советы и помощь в организации рукописи.
О замеченных опечатках просьба писать по адресу piter@mech.
math.msu.su.
Лекция 

Основные определения. Конечномерные


распределения

Пусть T –– произвольное множество и (Ω, F , P) –– вероятностное


пространство. Семейство действительных случайных величин X =
= {Xt (ω), t ∈ T , ω ∈ Ω} называется гауссовской функцией с действи-
тельными значениями на параметрическом множестве T, если для
любого конечного подмножества T0 ⊂ T случайный вектор X(T0 ) =
= ( Xt (ω), t ∈ T0 } со значениями в RT0 является гауссовским. Если
T ⊂ R, то мы будем говорить о гауссовском процессе; в случае T ⊂ Rn
мы говорим о гауссовском случайном поле. Для фиксированного ω
функцию X (·, ω) будем называть траекторией гауссовской функ-
ции. В этой лекции мы определим гауссовские конечномерные век-
торы и рассмотрим их основные свойства.

.. Определения и основные свойства


Определение ... Случайная величина X = X (ω) со значени-
ями в (R, B), где B –– борелевская σ-алгебра, называется гауссов-
ской (или нормальной), если ее характеристическая функция равна
€ 1
Š
ψ(z) := EeizX = exp izm − σ2 z 2 .
2
Всегда считаем, что σ ¾ 0.
Дифференцируя ψ(z), убеждаемся, что EX = m и Var X = σ2 . Для
обозначения того, что величина X нормально распределена, пишут
X ∼ N (m, σ2 ). Если σ = 0, то X = m с вероятностью единица, в та-
ком случае говорят, что X –– вырожденная нормальная случайная
величина. Случайная величина X ∼ N (0, 1) называется стандарт-
ной нормальной или стандартной гауссовской.
Определение ... Случайный вектор  X = X(ω) = ( X1 , …, Xd )⊤
со значениями в измеримом евклидовом пространстве (Rd , B d ), где

Везде считаем, что векторы являются векторами-столбцами.
 Лекция . Основные определения. Конечномерные распределения

B d –– борелевская σ-алгебра, называется гауссовским, если его ха-


рактеристическая функция

ψ(z) = Eei(z,X) , z = (z1 , …, zd ),

имеет вид
1
ψ(z) = exp(i(z, m) − 2 (z, Rz)), (.)

где m –– вектор и R –– матрица.


Поскольку функция ψ(z) обязана быть ограниченной, матрица R
должна быть неотрицательно определенной. Вектор m=(m1 , …, md )⊤
представляет собой вектор математических ожиданий компонент
вектора X =( X1 , …, Xd )⊤ , а матрица R = (rkl : k, l = 1, …, d) являет-
ся матрицей его ковариаций. В этом легко убедиться при помощи
дифференцирования характеристической функции и вычисления ее
производных в нуле:

∂ψ(z) ∂2 ψ(z)
mk = EXk = −i ∂z и EXk Xl = rkl + mk ml = − ∂z ∂z .
k zk =0 k l zk =zl =0

Дадим другое, эквивалентное определение гауссовского вектора,


которое, кроме того, доказывает, что ψ(z) действительно является
характеристической функцией случайного вектора.
Определение ... Случайный вектор X называется стандарт-
ным гауссовским (или нормальным), если его компоненты X1 , …, Xd
независимы в совокупности и для каждого i выполняется условие
Xi ∼ N (0, 1). Случайный вектор X называется гауссовским, если для
некоторых вектора m, матрицы A и стандартного гауссовского век-
тора Z выполнено равенство
d
X = m + AZ.
d
Запись = означает равенство распределений.
Чтобы показать эквивалентность двух вышеприведенных опре-
делений .. и .., вычислим сначала характеристическую функ-
цию гауссовского вектора в смысле второго определения. Заметим,
что характеристическая функция гауссовского стандартного векто-
ра Z равна
Qd
exp(−zi2 /2) = exp(−|z|2 /2).
i=1
.. Определения и основные свойства 

Далее, имеем,

E exp((i(z, m) + AZ)) = ei(z,m) E exp((z, AZ)) =


€ 1 Š
= exp(i(z, m))E exp((A⊤ z, Z)) = exp(i(z, m))E exp − 2 |A⊤ z|2 =
€ 1
Š
= exp i(z, m) − 2 (z, Rz) ,

где R = AA⊤ , так что матрица R неотрицательно определена, т. е. из


второго определения следует первое. Обратно, пусть m и R –– пара-
метры гауссовского вектора в смысле определения ... Пусть A ––
квадратный корень из R, R = AA⊤ . Пусть Z –– некоторый стандарт-
ный гауссовский вектор, тогда характеристическая функция случай-
ного вектора X = m + AZ равна данной в определении ... Таким
образом, определения эквивалентны, и ψ(z) действительно харак-
теристическая функция.
Пусть X = (X1 , X2 ) –– гауссовский вектор, где X1 и X2 также могут
быть векторами. Ковариационная матрица вектора X имеет следу-
ющую структуру:
 
R R
R = R11 R12 ,
21 22

где R11 и R22 –– соответственно ковариационные матрицы векторов


X1 и X2 , а R12 называется матрицей взаимных ковариаций. В силу
симметрии матрица R, имеем R12 = R⊤ ⊤
21 , где R21 –– матрица, сопря-
женная к R21 . Характеристическую функцию вектора X можно за-
писать в виде
€ 1 1
ψX (z) = exp i(z1 , m1 ) + i(z2 , m2 ) − 2 (z1 , R11 z1 ) − 2 (z2 , R22 z2 ) −
1 1
Š
− 2 (z1 , R12 z2 ) − 2 (z2 , R21 z1 ) , (.)

где (m1 , m2 ) и (z1 , z2 ) –– подвекторы, соответствующие подвекторам


(X1 , X2 ) вектора X. Из представления (.) следует, что подвекторы
(X1 , X2 ) независимы тогда и только тогда, когда R12 = 0, т. е. все
взаимные ковариации компонент векторов X1 и X2 равны нулю. Та-
кие векторы называются некоррелированными. Получаем следую-
щее утверждение.
Предложение ... Пусть гауссовские векторы X1 и X2 таковы,
что составной вектор (X1 , X2 ) также гауссовский. В этом случае X1
и X2 независимы тогда и только тогда, когда они некоррелированы.
 Лекция . Основные определения. Конечномерные распределения

Задача. Приведите пример двух гауссовских некоррелирован-


ных, но зависимых случайных величин.
Указание. Пусть X1 , Y1 –– независимые гауссовские стандартные
величины. Положим

( X1 , |Y1 |), если X1 ¾ 0,
(X, Y) =
( X1 , −|Y1 |), если X1 < 0.
Задача. Приведите пример двух гауссовских случайных вели-
чин, совместное распределение которых негауссовское.
Указание. См. предыдущую задачу. Попробуете придумать дру-
гой пример.
Предложение ... Сумма двух независимых гауссовских векто-
ров является гауссовским вектором.
Доказательство. Поскольку характеристическая функция сум-
мы независимых случайных векторов равна произведению их ха-
рактеристических функций, получаем, что
1
ψX1 +X2 (z) = exp(iz(m1 + m2 ) − 2 (z, (R1 + R2 )z),
где (m1 , R1 ) и (m2 , R2 ) –– соответствующие параметры векторов X1
и X2 .
Найдем плотность распределения гауссовского вектора в слу-
чае, когда она существует. Сначала рассмотрим одномерный случай
и найдем плотность распределения гауссовской стандартной вели-
чины. Ее характеристическая функция суммируема, поэтому можно
найти обратное преобразование Фурье:
Í Í
1 2 1 2 2
ϕ(x) = 2π e−izx−z /2 dz = 2π e−x /2 e−(z+ix) /2 dz =
ix+∞
Í Í∞
1 −x 2 /2 −z 2 /2 1 −x 2 /2 2
= e e dz = e e−z /2
dz.
2π 2π
ix−∞ −∞

(Обратите внимание на то, что в текстах по теории вероятностей


R R
+∞
знак интеграла , как правило, понимается как .) Последнее со-
−∞
2
отношение имеет место в силу аналитичности функции e−z /2 . Опре-
деленный интеграл можно вычислить следующим образом:
Í 2
€ÍÍ 2 2
Š1/2
e−z /2 dz = e−u /2+v /2 du dv .
.. Определения и основные свойства 

Используя полярные координаты, получаем, что


ÍÍ Í∞ Í∞
−u2 /2+v 2 /2 −r 2 /2
e du dv = 2π re dr = 2π e−s ds = 2π.
0 0
Итак,
1 −x 2 /2
ϕ(x) = p e . (.)

Отсюда непосредственно получаем, что плотность распределе-
ния стандартного гауссовского вектора существует и равна
1 1
ϕ(x) = exp(− 2 ||x||2 ). (.)
(2π)d/2
Предложение ... Пусть X –– гауссовский случайный вектор
с параметрами (m, R), и пусть ковариационная матрица R невы-
рожденна, т. е. rank(R) = d. Тогда плотность распределения этого
вектора существует и равна
1
€ 1 Š
ϕX (x) = d/2 1/2
exp − 2 (x − m, R−1 (x − m)) , (.)
(2π) (det R)
где det –– определитель матрицы.
d
Доказательство. По определению .. имеем X = m + AZ, где
матрица A невырожденна и, следовательно, матрица R = AA⊤ также
невырожденна. Плотность случайного вектора Z преобразуется по
стандартному правилу при линейном преобразовании случайного
вектора, а именно,
ϕ AZ+m (x) = (det A)−1 ϕZ (A−1 (x − m)).
Применяя это соотношение к плотности стандартного гауссовского
вектора Z и имея в виду, что det R = (det A)2 , получаем искомое вы-
ражение для плотности.
Формула (.) может быть получена при помощи обратного пре-
образования Фурье характеристической функции (.):
Í 1
ϕX (x) = (2π)−d e−i(x,z)− 2 (z,Rz) dz.
Rd
Отсюда при помощи дифференцирования получаем полезные соот-
ношения для гауссовской плотности:
∂2 ϕX (x) ∂ϕX (x)
= , k 6= l, и
∂xk ∂xl ∂rk l
2 (.)
1 ∂ ϕX (x) ∂ϕX (x)
2 ∂xk2
= ∂r , k, l = 1, …, d,
kk
 Лекция . Основные определения. Конечномерные распределения

т. е. гауссовская плотность является фундаментальным решением


уравнения теплопроводности. Это утверждение известно как фор-
мула Пуассона.
Рассмотрим теперь случай вырожденной ковариационной мат-
рицы R гауссовского вектора X и обозначим rank(R) = r < d, тогда
и rank(A) = r. Образ евклидова пространства Rd при преобразова-
нии x 7→ Ax + m есть линейное r-мерное гиперпространство, лежа-
щее в Rd . Обозначим его через L. Имеем

P(X ∈ L) = 1.

Предположим теперь, что существует множество D ⊂ L ненулевого


объема соответствующей размерности, при этом P(X ∈ D) = 0. Тогда
для множества D ′ := {x: Ax + m ∈ D} ненулевого объема в Rd имеем
P(Z ∈ D ′ ) = 0, что невозможно для гауссовского стандартного век-
тора, поскольку его плотность распределения всюду положительна.
Итак, мы доказали следующее утверждение.
Предложение ... Пусть X –– гауссовский случайный вектор
с параметрами (m, R), и пусть ковариационная матрица R вырож-
денна и rank(R) = r < d. Тогда существует подпространство про-
странства Rd размерности r, которое является носителем распре-
деления вектора X. Это пространство является образом простран-
ства Rd при преобразовании x 7→ Ax + m, где A –– квадратный корень
из R.

.. Условные гауссовские распределения


Прежде всего заметим, что, поскольку мы условились, что все на-
ши векторы записываются в координатах как векторы-столбцы, мат-
рица взаимных ковариаций между векторами X и Y, даже разных раз-
мерностей, записывается в виде E(X−EX)(Y−EY)⊤. В частности, ко-
вариационная матрица случайного вектора X есть E(X−EX)(X−EX)⊤.
Изучение гауссовских условных распределений основано на следу-
ющей теореме.
Теорема ... Пусть (X, Y) –– гауссовский вектор, где X и Y так-
же могут быть векторами. Пусть распределение вектора Y невы-
рожденно. Введем матрицу
−1
ρ(X | Y) = E(X − EX)(Y − EY)⊤ E(Y − EY)(Y − EY)⊤ .
.. Условные гауссовские распределения 

Тогда векторы Y и X − ρ(X | Y)Y независимы. Кроме того,


E(X | Y) = EX + ρ(X | Y)(Y − EY). (.)
Матрица ρ(X | Y) является аналогом коэффициента регрессии
в случае одномерных величин X и Y. Ее можно называть матричным
коэффициентом регрессии.
Доказательство. Независимость величин Y и X − ρ(X | Y)Y экви-
валентна независимости Y − EY и X − EX − ρ(X | Y)(Y − EY), поэтому
можно считать, что EX = 0 и EY = 0. Далее,

EY(X − ρ(X | Y)Y)⊤ = EYX⊤ − EYY⊤ ρ(X | Y)⊤ =


= EYX⊤ − EYY⊤ (EYY⊤ )−1 (EXY⊤ )⊤ = EYX⊤ − EYX⊤ = 0,
и в силу предложения .. векторы Y и X − ρ(X | Y)Y независимы. Те-
перь возьмем условное математическое ожидание от обеих частей
равенства
X = ρY + (X − ρY)
и получим соотношение (.).
Следствие ... Условное математическое ожидание гауссов-
ского случайного вектора X при заданном другом гауссовском слу-
чайном векторе Y в случае, когда случайный вектор (X, Y) также
гауссовский, является линейным относительно условия и задается
соотношением (.). Матрица условных ковариаций

E (X − E(X|Y))(X − E(X|Y))⊤|Y

вектора X при условии Y неслучайна и равна EZZ⊤ , где Z=X− E(X|Y).


Первая часть утверждения уже доказана. Вторая часть следует из
независимости Y и Z.
Далее, поскольку Y и Z независимы, ковариационная матрица
вектора X равна сумме ковариационных матриц векторов ρY и Z,
приходим к следующему утверждению.
Следствие ... Матрица
E(X − EX)(X − EX)⊤ − E((X − E(X|Y))(X − E(X|Y))⊤|Y)
неотрицательно определена. В частности, для случая dim(X) = 1
отсюда следует, что var X ¾ var( X |Y). Условная дисперсия гауссов-
ской случайной величины не превосходит безусловную диспер-
сию.
 Лекция . Основные определения. Конечномерные распределения

.. Практические формулы для вычисления


условных средних и ковариаций
Всем, кто работает с гауссовскими многомерными распределе-
ниями и гауссовскими процессами, очень часто приходится вычис-
лять условные средние, дисперсии и ковариации. Все нижеприве-
денные формулы легко выводятся из вышеприведенных результа-
тов. Эти формулы взяты из превосходной монографии Т. Андерсо-
на [] с небольшими изменениями в обозначениях. Итак, (X, Y) ––
гауссовский вектор, где X и Y также могут быть векторами. Пусть
RXX = E(X − EX)(X − EX)⊤, RYY = E(Y − EY)(Y − EY)⊤,
RXY = E(X − EX)(Y − EY)⊤, RYX = E(Y − EY)(X − EX)⊤,

RXX|Y = E (X − E(X|Y))(X − E(X|Y))⊤|Y
–– матрицы ковариаций и взаимных ковариаций и матрица услов-
ных ковариаций, введенные выше. Считаем, как и ранее, что мат-
рица RYY невырожденна. Тогда
RXX|Y = RXX − RXY R−1
YY RYX

и
E(X|Y) = EX + RXY R−1
YY (Y − EY),

или, для конкретных значений Y,


E(X|Y = y) = EX + RXY R−1
YY (y − EY).

Введенная выше матрица ρ(X | Y) = RXY R−1


YY называется матрицей ко-
эффициентов регрессии вектора X на Y = y.
Лекция 

Сравнение конечномерных
распределений

Повторим прежде всего одно важное свойство гауссовской плот-


ности. В прошлой лекции мы установили, что гауссовский вектор
X имеет плотность тогда и только тогда, когда его характеристиче-
ская функция суммируема, т. е. его ковариационная матрица поло-
жительно определена. Пусть это выполнено, и предположим, кро-
ме того, что математическое ожидание этого вектора равно нулю:
m = 0. По формуле для обратного преобразования Фурье
Í 1
ϕ(x) = (2π)−d e−i(z,x)− 2 (z,Rz) dz.
Rd

Дифференцируя, получаем

∂2 ϕ ∂ϕ 2
1∂ ϕ ∂ϕ
∂xi ∂x j
= ∂r , i 6= j, и 2 ∂xi2
= ∂r , (.)
ij ii

где rij –– элементы матрицы R. Это свойство гауссовской плотности


хорошо известно, и оно весьма полезно при работе с гауссовски-
ми распределениями, в чем мы убедимся в данной лекции. Гово-
рят, что ϕ –– фундаментальное решение уравнения теплопроводно-
сти, оно называется также ядром Пуассона. Первое важное свойство
конечномерных гауссовских распределений следует непосредствен-
но из формулы (.).
Лемма .. Функция распределения гауссовского вектора не убы-
вает относительно его ковариаций.
Доказательство. Предположим сначала, что функция распреде-
ления этого вектора (обозначим ее через F(x1 , …, xd )) имеет плот-
ность, т. е.
Íx1 Íxd
F(x1 , …, xd ) = … ϕ( y1 , …, yd )dy.
−∞ −∞
 Лекция . Сравнение конечномерных распределений

Дифференцируя и интегрируя, получаем, что


Íx1 Íxd Íx1 Íxd
∂F ∂ ∂2
= … ϕ( y1 , …, yd )dy = … ϕ( y1 , …, yd )dy =
∂rij ∂rij ∂ yi ∂ yj
−∞ −∞ −∞ −∞
Íx1 Íxd
dy
= … ϕ( y1 , …, yi−1 , xi , yi+1 , …, y j−1 , x j , y j+1 , …, yd ) ¾ 0,
dxi dx j
−∞ −∞

где последний интеграл имеет кратность d − 2, а формальное отноше-


ние дифференциалов символизирует соответствующий (d − 2)-крат-
ный дифференциал. В случае отсутствия плотности распределения
у исходного гауссовского вектора X рассмотрим новый гауссовский
вектор X + ǫΛ, где Λ –– стандартный гауссовский вектор, не завися-
щий от X, т. е. вектор с независимыми гауссовскими стандартны-
ми компонентами, не зависящими от X, ǫ > 0. Ковариации этого
вектора по-прежнему равны rij , i 6= j, а его функция распределения,
как уже доказано, не убывает по rij . Переходя к пределу при ǫ → 0,
получаем искомую монотонность F.

.. Неравенство Слепяна


Используя соотношение (.), можно получить другие типы со-
отношений сравнения распределений двух гауссовских векторов X0
и X1 . Пусть f : Rd 7→ R –– измеримая функция, другие ее свойства
определим ниже. Предположим, что эти два гауссовских вектора
независимы:, далее мы увидим, что это предположение не ограни-
чивает общности выводимых p соотношений.
p Рассмотрим семейство
гауссовских векторов Xh = hX1 + 1 − hX0 , 0 ¶ h ¶ 1. В силу неза-
висимости ковариационная матрица вектора Xh равна Rh = hR1 +
+ (1 − h)R0 , где R0 и R1 –– ковариационные матрицы исходных век-
торов. Обозначим через rhij элементы этой матрицы. В силу симмет-
рии матрицы Rh формально запишем

Í1 Í1 P
d drhij
d ∂
Ef (X1 ) − Ef (X0 ) = Ef (Xh )dh = Ef (Xh ) dh =
dh ∂r
i¾ j=1 hij
dh
0 0
P
d Í1

= (r1ij − r0ij ) Ef (Xh )dh.
i¾ j=1
∂rhij
0

Теперь обоснуем дифференцирования и смену порядка интегриро-


вания, вернее, определим; в каких условиях эти преобразования
.. Неравенство Слепяна 

возможны. Предположим для начала, что X0 и X1 имеют плотности,


тогда плотность имеет и любой вектор Xh . Обозначим его плотность
через ϕh . Далее, предположим, что функция f дважды дифференци-
руема и для любого ǫ > 0 имеет место неравенство
2
lim sup(| f (x)| + ||∇ f (x)|| + ||∇∇⊤ f (x)||)e−ǫ||x|| < ∞, (.)
x→∞

где ||∇∇⊤ f (x)|| –– евклидова норма матрицы вторых производных


функции f . В этих ограничениях все вышеприведенные переходы
обоснованы и, кроме того, для i 6= j можно записать, что
Í Í
∂ ∂ ∂2
Ef (Xh ) = f (x)ϕh (x)dx = f (x) ϕh (x)dx =
∂rhij ∂rhij ∂xi ∂x j
Rd Rd
Í
∂2 f (x) ∂2
= ϕh (x) ∂x ∂x dx = E ∂x ∂x f (Xh ).
i j i j
Rd

Для i = j эти преобразования несколько отличаются:


Í Í
∂ ∂ 1 ∂2
∂r
Ef (X h ) = ∂r
f (x)ϕ h (x)dx = 2
f (x) 2 ϕh (x)dx =
hii hii ∂xi
Rd Rd
Í
1 ∂2 1 ∂2
= 2 f (x)ϕh (x)dx = 2 E f (Xh ).
2 ∂xi ∂xi2
Rd

Итак, получаем, что


Í 1
1 P
d
∂2
Ef (X1 ) − Ef (X0 ) = 2 (r1ij − r0ij ) E ∂x ∂x f (Xh )dh. (.)
i, j=1 i j
0

Это тождество можно использовать различными способами. Напри-


мер, предположим, что все производные функции f до второго по-
рядка неотрицательны и r1ij ¾ r0ij для всех i, j. Тогда Ef (X1 ) ¾ Ef (X0 ).
Например, это имеет место, если f (x) = f1 (x1 )… fd (xd ) и все fk неот-
рицательны, монотонны и вогнуты. Другой пример –– хорошо из-
вестное неравенство Слепяна. Предположим, что r1ij ¾ r0ij для всех
i 6= j, но rii1 ≡ rii0. Пусть также f (x) = f1 (x1 )… fd (xd ) и все fi явля-
ются монотонными с одинаковой направленностью. Тогда опять
Ef (X1 ) ¾ Ef (X0 ). Более того, можно аппроксимировать индикатор-
ную функцию I(−∞,x) последовательностью дифференцируемых не-
возрастающих функций, что дает нам знаменитое неравенство Сле-
пяна.
 Лекция . Сравнение конечномерных распределений

Лемма ... Пусть X1 и X0 –– два гауссовских вектора со значе-


ниями в Rd , с нулевыми средними и ковариациями r1ij и r0ij соответ-
ственно. Если r1ij ¾ r0ij для всех i 6= j, но r1ii ≡ r0ii , то для любого x
= (x1 , …, xd ) имеет место неравенство
P( X11 < x1 , …, X1d < xd ) ¾ P( X01 < x1 , …, X0d < xd ),
т. е. уменьшение зависимости компонент приводит к уменьшению
функции распределения при условии сохранения дисперсий компо-
нент.

.. Неравенство Судакова––Ферника


Еще одно важное соотношение сравнения носит название нера-
венства Судакова––Ферника.
Лемма ... Пусть X1 , X0 –– пара гауссовских векторов со значе-
ниями в Rd с нулевыми средними и ковариациями r1ij и r0ij соответ-
ственно. Обозначим
dν2 (i, j) = E( Xν j − Xν i )2 , ν = 0, 1, i, j = 1, …, d
и
δ := max |d12 (i, j) − d02(i, j)|.
i, j=1,…,d

Тогда p
|E max X0i − E max X1i | ¶ 2δ ln d. (.)
i i

Если, кроме того, d02 (i, j) ¶ d12 (i, j) для всех i, j = 1, …, d, то


E max X0i ¶ E max X1i . (.)
i i

Доказательство. Введем функцию


P
d
gβ (x) = β −1 ln eβ x i .
i=1

Заметим, что gβ (x) → max xi при β → ∞ и для gβ выполнено неравен-


i
ство (.). Далее,

1 P β maxi xi
d
β max x
max xi = β −1 ln e ¶ gβ (x) ¶ β −1 ln(de i i ) ¶
i d j=1

¶ β −1 ln d + max xi ,
i
.. Неравенство Судакова––Ферника 

поэтому
sup |gβ (x) − max xi | ¶ β −1 ln d. (.)
x i

Применим теперь тождество сравнения (.). Заметим, что


∂gβ e β xi
∂xi
(x) = =: pi (x).
P
d
eβ x j
j=1

Легко проверить, что


¨
∂2 gβ β(pi (x) − pi2 (x)), i = j;
∂xi ∂x j
(x) =
− β pi (x)p j (x), i 6= j.
P
Поскольку pi (x) = 1, получаем, что
P
d ∂2 gβ
(r1ij − r0ij ) (x) =
i, j=1
∂xi ∂x j

P
d P
d
=β (r1ii − r0ii )pi (x) − β (r1ij − r0ij )pi (x)p j (x) =
i=1 i, j=1

β P d
= [(r + r1 jj − 2r1ij ) − (r0ii + r0 jj − 2r0ij )]pi (x)p j (x) =
2 ij=1 1ii

β P
d
= 2 (d12 (i, j) − d02 (i, j))pi (x)p j (x) ¾ 0.
i, j=1

Это неравенство вместе с тождеством (.) выполнено в условиях


леммы для всех положительных β, поэтому, переходя к пределу при
β → ∞, получаем неравенство (.).
Теперь, используя эти преобразования, оценим сверху правую
часть равенства (.). Имеем
P
d ∂2 gβ βδ P
d
βδ
(r1ij − r )
0ij ∂x ∂x (x) ¶ 2 pi (x)p j (x) = ,
ij=1 i j 2
ij=1
так что
βδ
|Egβ (X1 ) − Egβ (X0 )| ¶ 4 .
Отсюда, имея в виду неравенство (.), получаем, что
βδ 2 ln d
|E max X0i − E max X1i | ¶ 4 + .
i i β
p
Взяв теперь β = 8δ−1 ln d, получаем неравенство (.).
 Лекция . Сравнение конечномерных распределений

Замечания
. Это доказательство представляет собой модификацию доказа-
тельства из заметки Sourav Chatterjee, http://arxiv.org/PS_
cache/math/pdf/0510/0510424v1.pdf.
. Можно таким способом доказать обобщенное неравенство Суда-
кова––Ферника, когда вместо максимума рассматривается функ-
ционал f (max(xi − x j )), где f –– положительная, возрастающая
i, j
и вогнутая функция.

.. Неравенство Бермана и его обобщения


Рассмотрим теперь тождество, аналогичное (.), для негладких
функций f . Подобные ситуации мы уже встречали в неравенстве
Слепяна, где рассматривали индикаторные функции, и в неравен-
стве Судакова––Ферника, где функции были дифференцируемы по-
чти всюду, но не дважды дифференцируемы. При этом мы каждый
раз делали предельный переход от гладких функций, что не всегда
удобно. Сейчас мы докажем аналог тождества (.) для одного клас-
са индикаторных функций, используемого при изучении множеств
выходов траекторий гауссовских функций за высокий барьер. Пусть
u –– некоторое число (барьер). Обозначим через A алгебру борелев-
ских множеств в Rd , порожденную набором множеств
{x = (x1 , …, xd ) ∈ Rd : xk ¶ u} и {x = (x1 , …, xd ) ∈ Rd : xk < u},
k = 1, …, d.
Теорема ... Пусть
X0 = ( X01 , …, X0d ) и X1 = ( X11 , …, X1d )
–– пара независимых гауссовских векторов с нулевыми средними и ко-
вариациями r0ij и r1ij соответственно, причем
r0ii = r1ii = 1 для всех i = 1, …, d, и
|r0ij | < 1 для всех i 6= j.
Тогда для всех A ∈ A и любого u имеет место тождество
P
d Í1 P
P(X1 ∈ A)−P(X0 ∈ A) = (r1kl −r0kl ) ϕ(u, u, rhkl ) (−1)ν+µ ×
k,l=1, k>l µ,ν=0,1
0

×P(Xh ∈ A∩πhµk ∩πhν l | Xhk = Xhl = u)dh,


.. Неравенство Бермана и его обобщения 

где
p p
πhν l = {(−1)ν ( Xhl − u) > 0}, Xh = hX1 + 1 − hX0 ,
а ϕ(u, u, r) –– двумерная гауссовская плотность с нулевым средним,
единичными дисперсиями и ковариацией r.
Замечание. Это тождество можно применять и для зависимых
векторов X0 и X1 , но вектор Xh следует строить по независимым
копиям векторов X0 и X1 .
Доказательство. Сначала дополнительно предположим, что век-
торы X0 и X1 невырожденны, и обозначим их плотности через ϕ0 (x)
и ϕ1 (x), x ∈ Rd . Тогда плотность существует и у вектора Xh , посколь-
ку множество положительно определенных матриц выпукло. Мно-
жество A является объединением d-мерных «октантов»

Πν = (−1)ν1 (x1 − u) > 0, …, (−1)νd (xd − u) > 0 ,
где ν = (ν1 , …, νd ), νi = 0 или 1, причем строгие неравенства «>»
могут быть заменены на нестрогие «¾». Обозначим через ν(A) мно-
жество индексов, соответствующих A, так что
S
A= Πν .
ν ∈ν(A)

Учитывая выражение для rhkl , получаем


Í1
d
P(X1 ∈ A) − P(X1 ∈ A) = P(Xh ∈ A)dh =
dh
0
Í1 S Í1 Í
d d
= P(Xh ∈ Πν )dh = ϕh (x)dxdh =
dh ν ∈ν(A)
dh S
0 0
Πν
ν ∈ν(A)

Í1  P Í ‹ Í1  P Í P ∂ϕ (x) dr ‹
d h hkl
= ϕh (x)dx dh = ∂r
dx dh =
ν ∈ν(A)
dh ν ∈ν(A) k>l hkl dh
0 Πν 0 Πν

P Í1 P Í ∂ϕ (x)
h
= (r1kl − r0kl ) ∂rhkl
dx dh. (.)
k>l ν ∈ν(A)
0 Πν

Для произвольной пары натуральных чисел k, l разобьем множество


индексов ν(A) на четыре подмножества с фиксированными k-й и l-й
координатами, νk = 0 или 1 и νl = 0 или 1. Обозначим эти четыре
 Лекция . Сравнение конечномерных распределений

подмножества индексов через νkl (A). Некоторые из этих множеств


могут быть пустыми. В силу равенств (.), интегрируя по частям,
dx
опять используя символ для произведения всех дифференци-
dxk dxl
алов dxi за исключением dxk и dxl , получаем
Í ∂ϕ (x) Í ∂2 ϕ (x) Í
dx
h
dx = h
dx = (−1)νk +νl ϕh (x)| xk =xl =u =
∂rhkl ∂xk ∂xl dxk dxl
Πν Πν Πν
νk +νl
= (−1) P(Xh ∈ Πν | Xhk = Xhl = u)ϕ(u, u, rhkl ).
Множества νkl (A) попарно не пересекаются, и
S
ν(A) = νkl (A).
νk ,νl =0,1
Поэтому
P Í ∂ϕh (x) P P Í ∂ϕ (x)
h
dx = dx =
ν ∈ν(A)
∂rhkl νk ,νl =0,1 ν ∈νkl (A)
∂rhkl
Πν Πν
P P
= ϕ(u, u, rhkl ) (−1)νk +νl P(Xh ∈ Πν | Xhk = Xhl = u) =
νk ,νl =0,1 ν ∈νkl (A)
P S
= ϕ(u, u, rhkl ) (−1)νk +νl P(Xh ∈ Πν | Xhk = Xhl = u) =
νk ,νl =0,1 ν ∈νkl (A)
P S
= ϕ(u, u, rhkl ) (−1)νk +νl P(Xh ∈ Πν | Xhk = Xhl = u).
νk ,νl =0,1 ν ∈νkl (A)
(.)
По определению множеств νkl (A) имеем
S
P(Xh ∈ Πν | Xhk = Xhl = u) =
ν ∈νkl (A)

= P(Xh ∈ A ∩ πhµk ∩ πhν l | Xhk = Xhl = u),


Из этого соотношения и из равенств (.) и (.) получаем утвер-
ждение теоремы в случае существования плотностей. Избавимся
теперь от этого дополнительного предположения. Рассмотрим два
вспомогательных гауссовских невырожденных n-мерных вектора
λ0 и λ1 с независимыми стандартными гауссовскими компонента-
ми. Положим
p p p p
X0ǫ = 1 − ǫX0 + ǫλ0 и X1ǫ = 1 − ǫX1 + ǫλ1 .
Применяя утверждение теоремы к этим двум невырожденным гаус-
совским случайным векторам, переходя к пределу при ǫ → 0 и поль-
зуясь невырожденностью всех двумерных маргинальных распределе-
ний для почти всех h, 0 < h ¶ 1, получаем утверждение теоремы.
.. Хвосты распределений гауссовских случайных векторов 

Следствие ... В условиях теоремы .., за исключением неза-


висимости векторов X1 и X0 , для всех A ∈ A и любого u имеет место
неравенство

1 P
d |r1kl − r0kl | € u2
Š
|P(X1 ∈ A) − P(X0 ∈ A)| ¶ π q exp − 1 + r ∨ r .
k,l=1, k>l 1 − r2 ∨ r2 1kl
1kl
0kl
0kl

Доказательство. Заметим, что в правую часть тождества из тео-


ремы .. две вероятности входят со знаком «плюс» и две –– со зна-
ком «минус», поэтому их сумма не превосходит двух. Далее поль-
зуемся очевидным неравенством для двумерной гауссовской плот-
ности.
Следствие .. (неравенство сравнения Бермана). В условиях
теоремы .. при дополнительном предположении, что X0 –– гаус-
совский стандартный вектор, для всех u имеет место неравенство

|P( max X0i < u) − P( max X1i < u)| ¶


i=1,…,d i=1,…,d

1 P
d |r1kl | € u2
Š
¶ 2π Æ
2
exp − 1 + r .
k,l=1, k>l 1−r 1kl
1kl

Доказательство. Заметим, что в правой части тождества теоре-


мы .. лишь одна вероятность не равна нулю. Эту вероятность мы
заменяем на единицу, далее те же элементарные преобразования
двумерной гауссовской плотности приводят к искомому ответу.

.. Хвосты распределений гауссовских случайных


векторов
Предложение ... Для гауссовской стандартной случайной
величины X и для всех x > 0 имеют место неравенства
1 2 1 1 2
p e−x /2 (1 − 2 ) ¶ P( X > x) ¶ p e−x /2 при x > 0.
2πx x 2πx
Доказательство. Интегрируя по частям, получаем, что

Í∞ Í∞ Í∞
1 − y 2 /2 − y 2 /2 1 1 2 ∞ 2
e dy = − e d y = − y e− y /2 − e− y /2
dy =
y2 x
x x x
1 2 p
= x e−x /2
− 2πP( X > x).
 Лекция . Сравнение конечномерных распределений

Отсюда следует, что


p 1 2
2πP( X > x) ¶ x e−x /2
.
Далее,
Í∞ Í∞
1 − y 2 /2 1 2 1 −x 2 /2
e dy ¶ 3 ye− y /2
dy = e ,
y2 x x3
x x

откуда мы получаем искомую нижнюю оценку.


Предложение ... Пусть ( X , Y )⊤ –– двумерный гауссовский век-
тор с нулевым средним, единичными дисперсиями и ковариацией r,
|r| < 1. Тогда
(1 + r)3/2 € x2 Š
P( X > x, Y > x) ∼ 2
p exp − 1 + r при x → ∞.
2πx 1−r
Доказательство. Поскольку плотность ϕ(x, y; r) этого вектора
существует, имеем
d
P( X > x, Y > x) = ϕ(x, x; r),
dr
и поэтому
Ír
P( X > x, Y > x) = ϕ(x, x; y)dy + P( X > x)2 .
0

Заметим, что
1 x2
€ Š
ϕ(x, x; y) = p
2
exp − 1 + y .
2π 1 − y
Теперь имеем

1
€ x2
Š Ír p1 − r 2 x2 x2
€ Š
p exp − 1 + r p exp −
1+r 1+ y
dy =
2π 1 − r 2 1 − y2
0

1 x2
€ Š Ír p1 − r 2 € x 2 (r − y) Š
= p exp − 1 + r p exp − (1 + r)(1 + y) dy =
2π 1 − r 2 1 − y2
0
1
€ x2 1
Š
= p exp − 1 + r 2 ×
2π 1 − r 2 x
rx
Í
2 p € Š
1 − r2 z
× p exp − dz,
1 − (r − z/x 2 )2 (1 + r)(1 + r − z/x 2 )
0
.. Хвосты распределений гауссовских случайных векторов 

где была произведена замена переменных y = r − z/x 2 . В силу мажо-


рированной сходимости интеграл равен
Í∞ € Š
z
exp − dz(1 + o(1)) = (1 + r)2 (1 + o(1)) при x → ∞.
(1 + r)2
0

Предложение ... Пусть имеется гауссовский вектор X =


= ( X1 , …, Xd ), причем EX = 0, дисперсии компонент все равны еди-
нице и все ковариации меньше единицы, |rij | < 1. Тогда
P(max Xi > x) ∼ dP( X1 > x) при x → ∞.
i

Доказательство. Имеем
P(max Xi > x) ¶ dP( X1 > x)
i
и
P
P(max Xi > x) ¾ dP( X1 > x) − P( Xi > x, X j > x).
i i6= j

Применяя к вероятностям под знаком суммы утверждение .., а к


первой вероятности в правой части –– утверждение .., видим, что
сумма бесконечно мала по сравнению с первым членом справа.
Лекция 

Свойства эргодичности стационарных


последовательностей

Эта лекция состоит из двух частей. В первой приводятся без


доказательств некоторые важные результаты о свойствах переме-
шивания гауссовских стационарных последовательностей. Во вто-
рой части доказаны свойства перемешивания следа (процесса зна-
ков) гауссовской стационарной последовательности и пуассонов-
ская предельная теорема для больших значений этой последова-
тельности.
Пусть X (k) = X (k, ω), k ∈ Z, ω ∈ Ω, –– гауссовская стационарная
последовательность. Стационарность означает, что ее среднее зна-
чение EX (k) = a постоянно, а ковариационная функция r(k, l) =
= E( X (k) − a)( X (l) − a) зависит только от разности аргументов,
r(k, l) = r(l − k). Для общих (негауссовских) случайных процессов
стационарность в этом смысле носит название стационарности в ши-
роком смысле, в отличие от стационарности в узком смысле, когда
все конечномерные распределения не меняются при временном
сдвиге. Для гауссовских процессов, поскольку конечномерные рас-
пределения определяются средним и ковариационной функцией,
эти понятия совпадают. По теореме Бохнера––Хинчина имеет место
спектральное представление
Í

r(k) = eiλk dF(λ),


−π
где F(λ) –– неубывающая ограниченная непрерывная справа функ-
ция, F(−π) = 0. Эту функцию называют спектральной функцией по-
следовательности X (k), а соответствующую меру F(dλ) = dF(λ) ––
спектральной мерой. Такое название объясняется другим спектраль-
ным представлением процесса X (k) в виде стохастического инте-
грала
Í

X (k) = eiλk ζ(dλ),


−π
Лекция . Эргодичность стационарных последовательностей 

где ζ(λ) –– процесс с ортогональными приращениями и нулевым


средним, причем

dF(λ) при λ = µ,
Eζ(dλ)ζ(dµ) =
0 при λ 6= µ.

Теорема Бохнера––Хинчина утверждает также, что спектральная фун-


кция единственна. Свойство гауссовости в этих утверждениях зна-
чения не имеет.
Пусть A –– σ-алгебра, порожденная значениями последователь-
ности X (k), k ∈ Z, и H = H( X ) –– пространство случайных величин
с конечной дисперсией, измеримых относительно A . В простран-
стве H введем оператор сдвига Tk , k ∈ Z, соотношением Tk X (l) =
= X (l + k), l ∈ Z. Величина X ∈ H называется инвариантной относи-
тельно сдвигов, если Tk X = X для любого k с вероятностью едини-
ца. Константа, очевидно, является инвариантной случайной вели-
чиной. Если в H не существует инвариантных величин, отличных
от константы с вероятностью , то стационарная последователь-
ность X (k) называется эргодической. Для таких последовательно-
стей, и только для них, для любой величины ξ ∈ H имеем

1P
T
T ξ → Eξ
T 0 k

по вероятности при T → ∞.
Теорема . (Г. Маруяма). Гауссовская стационарная последова-
тельность X (k), k ∈ Z, эргодична тогда и только тогда, когда функ-
ция F непрерывна.
Говорят, что последовательность X (k) обладает свойством пере-
мешивания, если EXTk Y → EXEY при k → ∞ для любых X , Y ∈ H.
Теорема . (К. Ито). Гауссовская стационарная последователь-
ность X (k), k ∈ Z, обладает свойством перемешивания тогда и толь-
ко тогда, когда r(k) → 0 при k → ∞.
Эти две теоремы доказываются с помощью разложения величин
из H по так называемым кратным интегралам Ито (или, как гово-
рят физики, по полиномам Вика). Схема доказательства содержится
в книге К. Ито [], выпуск .
Пусть A ( X (·); S, T) –– σ-алгебра, порожденная случайными ве-
личинами X (k), S < k < T. Говорят, что стационарная в узком смысле
 Лекция . Эргодичность стационарных последовательностей

случайная последовательность X (k) удовлетворяет условию сильно-


го перемешивания (или перемешивания по Розенблатту, или α-пе-
ремешивания), если
α(τ) = sup (P(AB) − P(A)P(B)) → 0
A∈A (X (·);−∞,0),
B∈A (X (·);τ,+∞)

при τ → ∞. Если налагаются дополнительно условия на скорость


стремления к нулю коэффициента перемешивания α(τ), то гово-
рят о быстром перемешивании. Условия быстрого перемешивания
встречаются при доказательстве центральной предельной теоремы
для зависимых величин.
Теорема .. Если спектральная мера F(dλ) гауссовской стаци-
онарной последовательности X (k), k ∈ Z, имеет плотность f (λ),
λ ∈ [−π, π], относительно меры Лебега, причем inf λ∈[−π,π] f (λ) > 0
хотя бы для одного из вариантов f , то эта последовательность
удовлетворяет условию сильного перемешивания. Если f (λ) ≡ 0 на
некотором непустом интервале, то эта последовательность не об-
ладает свойством сильного перемешивания.
Приведем одну из простейших формулировок центральной пре-
дельной теоремы в условиях перемешивания, которую мы приме-
ним ниже.
Теорема .. Пусть стационарная последовательность X (k)
удовлетворяет условию сильного перемешивания, причем
P

α(n) < ∞.
n=1

Пусть, кроме того, случайные величины X (k) ограничены с вероят-


ностью единица, |X (k)| < c0 < ∞. Тогда
P

σ2 := EX 2 (0) + 2 EX (0) X ( j) < ∞;
j=1

если же σ 6= 0, то
 ‹
1 P
n
P p X ( j) < z → Φ(z) при n → ∞.
σ n j=1

Доказательство этих и других более точных фактов можно найти


в книгах Ю. А. Розанова [] и И. А. Ибрагимова, Ю. А. Розанова [].
Лекция . Эргодичность стационарных последовательностей 

Пусть дана гауссовская стационарная последовательность X (k),


k ∈ Z. Выведем условия сильного перемешивания следа этой после-
довательности на уровне u:
U(k) = I X (k)>u , k ∈ Z,
где I· –– индикатор события.
Теорема .. Если для ковариационной функции r(k) гауссовской
стационарной последовательности X (k), k ∈ Z, выполнено неравен-
ство
P∞
|kr(k)| < ∞,
k=1

то для любого уровня u ее след обладает свойством сильного пере-


мешивания, причем для коэффициента перемешивания α выполнено
неравенство
 
2 1 (u − m)2 P

α(τ) ¶ π È exp − |kr(k)|,
2
r(0) − sup r (k) r(0) + sup r(k) k=τ
k¾τ k¾τ

где m –– среднее значение последовательности.


Доказательство. Очевидно, можно считать, что
EX (k) = 0 и EX 2 (k) = 1.
Пусть T > 0 и τ > 0 –– произвольные числа,
A ∈ A (U(·); −T, 0), B ∈ A (U(·); τ, τ + T).
Введем две независимые копии X0 (k) и X1 (k) последовательности
X (k) и гауссовскую меру P0 , порожденную (2T + 2)-мерным векто-
ром
( X0 (k), −T ¶ k ¶ 0, X1 (l), τ ¶ l ¶ τ + T).
Тогда P0 (AB) = P(A)P(B). По следствию .. имеем

|P(AB) − P(A)P(B)| = |P(AB) − P0 (AB)| ¶


2 P r(k − l) − r0 (k − l) € u2
Š
¶ p exp − ¶
π 2
1 − r (k − l) 1 + r(k − l)
l∈[−T ,0], k∈[τ,τ+T ]
 
2 1 u2 P

¶ È exp − |kr(k)|.
π 1 − sup r 2 (l) 1 + sup r(l)
l¾τ
k=τ
l¾τ

Поскольку оценка равномерна по T, A, B, отсюда следуют утвержде-


ния теоремы.
 Лекция . Эргодичность стационарных последовательностей

Следствием этой теоремы вместе с теоремой . является ниже-


приведенное утверждение об асимптотической нормальности следа
гауссовской последовательности.
Теорема .. Пусть для ковариационной функции r(k) гауссовс-
кой стационарной последовательности X (k), k ∈ Z, выполнено нера-
венство
P

|k 2 r(k)| < ∞.
k=1

Пусть, кроме того, дисперсия суммы величин U(k) стремится к бес-


конечности,
P
T
var U( j) → ∞
j=1

при T → ∞. Тогда при T → ∞ выполнены соотношения


P
T
var U( j) ∼ σ2 T, σ > 0,
j=1
и  ‹
1 P
T
P p (U(k) − P( X (1) > u)) < z → Φ(z)
σ T j=1

для любого z.
Доказательство. Первое утверждение следует из теоремы Лео-
нова, утверждающей, что если для стационарной случайной после-
довательности ξ(k) с корреляционной функцией R(k) выполнено со-
отношение
P

k|R(k)| < ∞,
k=1
то
P
T P
∞ P

var ξ(k) = T R(k) − 2 kR(k) + o(1)
k=1 k=−∞ k=1

при T → ∞. Доказательство этого утверждения достаточно легко про-


вести самостоятельно (см. статью []). Поскольку по условию дис-
персия суммы величин U(k) стремится к бесконечности, а корре-
ляционная функция стационарной последовательности U(k) мажо-
рируется по теореме сравнения константой, умноженной на |r(k)|,
по теореме Леонова дисперсия растет линейно. Далее, по теореме
сравнения . для U(k) выполнены условия быстрого перемешива-
ния теоремы ., что доказывает теорему.
Лекция . Эргодичность стационарных последовательностей 

Изучим теперь поведение случайной последовательности U(k)


при больших значениях u. Сначала предположим, что последова-
тельность X (k) является последовательностью независимых (конеч-
но, одинаково распределенных) величин. Это означает, что r(k) = 0
для всех k > 0. Мы будем и далее для простоты считать, что EX (k) = 0
и EX 2 (k) = 1. В этом случае U(k) –– бернуллиевская случайная по-
следовательность, P( U(k) = 1) = 1 − Φ(u), Φ(x), как и ранее, стан-
дартная гауссовская функция распределения. В силу пуассоновской
предельной теоремы если n → ∞ и u → ∞ таким образом, что

n(1 − Φ(u)) → λ > 0,

то последовательность случайных величин


P
n
η X (u, n) = U(k)
k=1

сходится по распределению к пуассоновской случайной величине


с параметром λ. Оказывается, этот факт имеет место и в более об-
щем случае.
Теорема .. Пусть ковариационная функция r(k) гауссовской
стационарной последовательности X (k), EX (k) = 0, EX 2 (k) = 1, удо-
влетворяет условию

r(k) ln k → 0 при k → ∞.

Пусть n → ∞ и u → ∞ таким образом, что

(1 − Φ(u))n → λ > 0.

Тогда последовательность η X (u, n) стремится по распределению


к пуассоновской случайной величине с параметром λ.
Доказательство. Пусть X0 (k) –– последовательность независи-
мых гауссовских стандартных величин. Заметим, что

sup |r(k)| =: ρ(1) < 1.


k¾1

В противном случае r(k) равнялось бы единице для бесконечно мно-


гих k, что противоречит тому, что r(k) → 0, k → ∞. (Докажите это!)
Таким образом, к векторам ( X (k), k = 1, …, n) и ( X0 (k), k = 1, …, n)
можно применить теорему сравнения. Для любого целого m > 0
 Лекция . Эргодичность стационарных последовательностей

Имеем
|P(η X (u, n) = m) − P(η X0 (u, n = m)| ¶
Í1 € ‹
P
n
1 u2
¶2 |r(i − j)| p exp − dh ¶
i, j=1,i> j
2 2
2π 1 − h r (i − j) 1 + hr(i − j)
0

P
n Í1 € Š
1 1 u2
¶ k|r(k)| p exp − dh. (.)
π 2 2
1 − h r (k) 1 + hr(k)
k=1
0
Покажем, что правая часть неравенства (.) в условиях теоремы
стремится к нулю. В силу условий и асимптотики для 1 − Φ(u),
n
lim p exp(−u2 /2) = λ.
u→∞ 2πu
После логарифмирования получаем, что
p
lim (ln n − u2 /2 − ln u) = ln 2πλ. (.)
u→∞
−1
p
Отсюда u 2 ln n → 1 при u → ∞ (делим обе части соотношения на
u2 /2). Заметим далее, что из условий теоремы следует, что
lim ρ(k) ln k = 0, где ρ(k) = sup r(t).
k→∞ t¾k
p
Разобьем сумму в правой части (.) на две части: до [ n] и от
p
[ n] + 1 до n. Имеем
p
[P n] Í1 € Š
1 u2
k|r(k)| p exp − dh ¶
k=1 1 − h2 r 2 (k) 1 + hr(k)
0
p p 1
€ u2
Š
¶ n nρ(1) p exp − 1 + ρ(1)
=
1 − ρ 2 (1)
  ‹‹
n 2 u2 (1 − ρ(1)
= e−u /2 O u exp − →0
u 2(1 + ρ(1))
при u → ∞. Для второй суммы получаем

P
n Í1 € Š
1 u2
k|r(k)| p exp − dh ¶
p 2 2
1−h r (k) 1+hr(k)
k=[ n]+1 0
p 1 u2
€ Š
¶ n2 |ρ([ n])| p p exp − p =
2
1−ρ ([ n]) 1+ρ([ n])
1
€ ρ([pn])u2 Š p
=p p exp(2 ln n−u2 −2 ln u) exp p u2 |ρ([ n])|.
1−ρ 2 ([ n]) 1+ρ([ n])
Лекция . Эргодичность стационарных последовательностей 
p
Поскольку u−1 2 ln n → 1 при n → ∞, в условиях теоремы имеем
p
u2 |ρ([ n])| → 0,
и в силу равенства (.) всё произведение стремится к нулю. От-
сюда следует утверждение теоремы, поскольку η X0 (u, n) стремится
к пуассоновской случайной величине с параметром λ.
Теперь выведем предельное соотношение для распределения мак-
симума гауссовской последовательности по неограниченно
p pрасту-
щему временному интервалу. Положив u = un = 2 ln n + αn / 2 ln n
и подставив это выражение в формулу (.), легко проверить, что
можно взять
r
1 π
p ln ln n + ln λ
2 2
un = 2 ln n − p .
2 ln n
Следствие .. В условиях теоремы, если
p p p p
an = 2 ln n, bn = 2 ln n − ln 4π ln n/ 2 ln n,
то для всех x имеет место предельное соотношение
 
lim P an max X (t) − bn < x = exp(−e−x ).
n→∞ 1¶t¶n

Заметим, что нормировочные последовательности an , bn такие


же, как и в случае независимых стандартных гауссовских величин,
т. е. в условиях теоремы Гнеденко––Фишера––Типпета (см. []). Для
доказательства следствия достаточно увидеть, что события
{η X (u, n) = 0} и { max X (k) < un }
1¶k¶n

совпадают.
Лекция 

Закон нуля или единицы

В этой лекции мы рассматриваем случайные величины со зна-


чениями в, возможно, бесконечномерных пространствах, в частно-
сти в функциональных пространствах. В связи с этим посмотрим
на определение гауссовского распределения из лекции  с более
общей точки зрения. Пусть T –– некоторое множество, (Ω, F , P) ––
основное вероятностное пространство. Семейство случайных ве-
личин X = ( X (t, ω), t ∈ T, ω ∈ Ω) с действительными значениями
называется гауссовским, если для любого конечного подмножества
T0 ⊂ T случайный вектор X0 = ( X (t, ω), t ∈ T0 , ω ∈ Ω) является гаус-
совским. В этой лекции мы будем считать, что математическое ожи-
дание X (t, ω) равно нулю для всех t. Тогда функция ковариаций
r(s, t) = EX (s) X (t), (s, t) ∈ T × T, полностью определяет все конечно-
мерные распределения. Мы рассматривали гауссовские случайные
векторы со значениями в конечномерном евклидовом простран-
стве. Сейчас мы рассмотрим гауссовские векторы со значениями
в произвольном линейном измеримом пространстве, в частности
в произвольном линейном функциональном пространстве. С этой
точки зрения гауссовский случайный процесс, т. е. случай, когда
параметрическое множество T является подмножеством прямой,
также является объектом рассмотрения в настоящей и последую-
щих лекциях.

.. Другое определение гауссовского


случайного вектора
Поскольку мы собираемся рассматривать гауссовские случайные
величины со значениями в пространствах различного типа и раз-
личной размерности, в зависимости от смысловых удобств будем
употреблять синонимы «гауссовская случайная величина», «гауссов-
ский случайный вектор», «гауссовская случайная функция», «гаус-
совский случайный процесс» и другие, имея в виду контекстное
определение параметрического множества.
.. Другое определение гауссовского случайного вектора 

Напомним некоторые определения из абстрактной теории веро-


ятностей. Измеримым пространством называется пара (A, A ), где
A –– некоторое множество, A –– σ-алгебра его подмножеств. Напри-
мер, (Rd , B d ) –– евклидово измеримое пространство с σ-алгеброй
его борелевских подмножеств.
Определение ... Пусть E –– линейное пространство над мно-
жеством действительных чисел, пусть E –– σ-алгебра его подмно-
жеств. Будем говорить, что эта σ-алгебра согласована с линейной
структурой пространства E, и (E, E ) –– линейное измеримое про-
странство, если операции умножения на скаляр и сложения яв-
ляются измеримыми отображениями пространств (R × E, B × E )
и (E × E, E × E ) соответственно в пространство (E, E ).
Напомним, что отображение ξ из измеримого пространства
(A, A ) в измеримое пространство (X, X ) называется измеримым,
если для любого X ∈ X выполняется условие ξ−1 ( X ) ∈ A . Если
(A, A ) = (Ω, F ), то мы говорим о случайной величине и о ее рас-
пределении на X : µ( X ) := P(ξ−1 ( X )). Случайная величина η на-
зывается копией случайной величины ξ, если их распределения
совпадают. Случайные величины ξ и η называются независимыми,
если события ξ−1 ( X ) и η−1 (Y ) независимы для любых X , Y ∈ X , т. е.
µ( X ∩ Y ) = µ( X )µ(Y ). Сформулируем простое утверждение.
Предложение ... Пространство (E, E ), где E –– линейное про-
странство над множеством действительных чисел, а E –– σ-алгебра
его подмножеств, является измеримым линейным пространством
тогда и только тогда, когда для любого измеримого пространства
(A, A ), любой пары ( X , Y ) измеримых отображений из (A, A ) в
(E, E ) и любой пары (λ, µ) измеримых отображений из (A, A ) в
(R, B) отображение λX + µY из (A, A ) в (E, E ) измеримо.
Доказательство. Прямое включение следует из определения, для
доказательства обратного включения следует в качестве простран-
ства (A, A ) взять последовательно (R×E , B ×E ) и (E×E , E ×E ).
Определение ... Пусть (Ω, F , P) –– основное вероятностное
пространство, (E, E ) –– линейное измеримое пространство. Измери-
мое отображение X из (Ω, F ) в (E, E ) называется гауссовским слу-
чайным вектором со значениями в E, если для любой пары ( X1 , X2 )
независимых копий X и любой такой пары (s, t) действительных
чисел, что s2 + t 2 = 1, пара (sX1 + tX2 , tX1 − sX2 ) также является парой
независимых копий отображения X .
 Лекция . Закон нуля или единицы

Посмотрим, насколько это определение согласуется с уже извест-


ным из лекции  определением конечномерного гауссовского рас-
пределения. Во-первых, здесь мы говорим о произвольном измери-
мом пространстве, тогда как в лекции  говорилось о евклидовом
пространстве. Приведенный ниже пример показывает, что для со-
держательности определения σ-алгебра E должна быть достаточно
богатой.
Пример. Пусть H –– собственное ненулевое подпространство
пространства E, а E –– σ-алгебра, порожденная множествами вида
{e + H}, e ∈ E. Произвольная случайная величина X со значениями
в (E, E ), принимающая значения в H, является гауссовской. Дей-
ствительно, событие X −1 (B) имеет для любого B ∈ E вероятность
0 или 1, т. е. любые две копии X1 и X2 являются независимыми,
а sX1 + tX2 также копия величины X в силу линейности.
Будем иметь этот экзотический пример в виду, однако интерес-
нее посмотреть на более богатые измеримые пространства и по-
нять, как в них соотносится естественное определение с данным на-
ми здесь неконструктивным определением.
Гауссовская одномерная величина. Пусть теперь (E, E )=(R, B).
Найдем характеристическую функцию ϕ гауссовской случайной ве-
личины X . По определению имеем

Eeit1 X1 +it2 X2 = ϕ(t1 )ϕ(t2 ) = Eeit1(sX1 +tX2 )+it2 (tX1 −sX2 ) =


= ϕ(st1 + tt2 )ϕ(tt1 − st2 ).

Решим это функциональное уравнение. Положим t1 = −t2 = u, s = t =


= 2−1/2 . Тогда получаем уравнение
p
ϕ(u)ϕ(−u) = |ϕ(u)|2 = ϕ(0)ϕ( 2u),
p
т. е. ϕ(u) = |ϕ(u/ 2)|2 , следовательно, ϕ –– действительная симмет-
ричная функция и ϕ(u) > 0 для всех u. (В противном случае нашлась
бы такая последовательность tn → 0, что ϕ(tn ) = 0, n = 1, 2, …, а это
противоречит непрерывности характеристической функции в нуле
и тому, что ϕ(0) = 1.) Далее, полагая в исходном функциональном
уравнении t2 = 0, t1 = u, получаем

ϕ(u) = ϕ(su)ϕ(tu).
Обозначим ln ϕ(u) = ψ(u2), тогда имеем ψ( y)=ψ(s2 y)+ψ((1−s2 ) y)
для любого y ¾ 0, т. е. ψ( y + z) = ψ( y) + ψ(z) для всех y, z ¾ 0. По-
.. Закон нуля или единицы для гауссовских векторов 

скольку функция ψ непрерывна, она линейна и ψ(0) = 0, т. е. ψ(x) =


= ax, и при этом a ¶ 0, поскольку ϕ(u) ¶ 1. Следовательно,
€ 1 Š
ϕ(x) = exp − σ2 x 2 , где σ2 = −2a = EX 2 .
2
Из определения .. гауссовского (E, E )-значного вектора и вы-
шеприведенных вычислений получаем следующее утверждение.
Предложение ... Если X –– гауссовский вектор со значениями
в (E, E ) и l(e) = (l, e) –– линейная измеримая функция на (E, E ), то
l( X ) –– гауссовская случайная величина.
Действительно, доказательство следует из того, что если ( X1 , X2 ) ––
пара независимых копий случайной величины X , то (l, X1 ), (l, X2 ) ––
пара независимых копий (l, X ), и, следовательно, характеристиче-
ская функция случайной величины (l, X ) удовлетворяет тому же
функциональному уравнению.
Гауссовский конечномерный вектор. Возьмем (E, E )=(Rd , B d ).
Для любого t ∈ Rd случайная величина (t, X) является гауссовской,
т. е. её характеристическая функция равна
€ 1 Š € 1P Š € 1 Š
ϕ(t) = exp − E(t, X)2 = exp − EXi X j ti t j = exp − (Rt, t) ,
2 2 i, j
2

где R = ||rij ||i, j=1,…,d .


Сформулируем теперь простое, но важное предложение.
Предложение ... Конечномерный случайный вектор являет-
ся гауссовским тогда и только тогда, когда любая линейная форма
от него является гауссовской случайной величиной.

.. Закон нуля или единицы для гауссовских


векторов
Теорема ... Пусть (E, E ) –– измеримое линейное простран-
ство и F –– его линейное подпространство, причем F ∈E . Тогда для
любого гауссовского вектора X со значениями в (E, E ) имеет место
одно из двух равенств
P( X ∈ F) =0 или P( X ∈ F) =1.
Доказательство. Пусть ( X1 , X2 ) –– пара независимых копий век-
тора X . Введем события
A(θ ) = {ω : X1 (ω) cos θ + X2 (ω) sin θ ∈ F,
X1 (ω) sin θ − X2 (ω) cos θ ∈
/ F}, θ ∈ [0, π/2].
 Лекция . Закон нуля или единицы

Покажем, что если θ1 6= θ2 , то события A(θ1 ) и A(θ2 ) несовместны.


Действительно, если для некоторого ω X1 (ω) cos θ1 + X2 (ω) sin θ1 ∈ F
и X1 (ω) cos θ2 + X2 (ω) sin θ2 ∈ F, то, поскольку матрица
 
cos θ1 sin θ1
cos θ2 sin θ2

невырожденна, также должны выполняться включения X1 (ω) ∈ F,


X2 (ω) ∈ F, следовательно,
X1 (ω) sin θ − X2 (ω) cos θ ∈ F,
т. е. вышеуказанные события не имеют общих точек, а значит, несов-
местны. Продолжим доказательство. В силу определения гауссов-
ской величины вероятности событий A(θ ) равны, а поскольку они
несовместны и их бесконечно много, получаем, что P(A(θ )) = 0 для
всех θ , включая θ = π/2, т. е.
0 = P(A(θ )) = P( X ∈ F)P( X ∈
/ F),
откуда следует утверждение теоремы.
Обозначим через ¯R̄ расширенную числовую прямую, пополнен-
ную точкой «∞», и через B¯¯ –– соответствующим образом расширен-
ную борелевскую σ-алгебру.
Определение ... Измеримый функционал N из (E, E ) в (¯R̄, B)
¯¯
−1
называется псевдополунормой, если множество N (R) является ли-
нейным подпространством пространства E, в котором N индуциру-
ет полунорму.
Напомним, что полунормой называется такой функционал n, что
n(x + y) ¶ n(x) + n( y) и n(ax) = |a|n(x) для любых x, y и действи-
тельных a.
Следствие ... Пусть N –– псевдополунорма на E и X − гаус-
совский вектор со значениями в (E, E ). Тогда справедливы следующие
альтернативы:
P(N( X ) < ∞) = 0 или P(N( X ) < ∞) = 1;
P(N( X ) = 0) = 0 или P(N( X ) = 0) = 1.
Действительно, множества {N(e) < ∞, e ∈ E} и {N(e) = 0, e ∈ E}
являются по определению линейными подпространствами прост-
ранства E и принадлежат σ-алгебре E .
Пусть T –– некоторое множество. Обозначим через BRT σ-алгебру
цилиндрических подмножеств пространства RT всех функций на T,
.. Закон нуля или единицы для гауссовских векторов 

т. е. σ-алгебру, порожденную множествами вида {x(t) ∈ B}, t ∈ T,


B ∈ B. Пространство (RT , BRT ) является линейным измеримым про-
странством. Гауссовский вектор со значениями в этом пространстве
будем, как и раньше, называть гауссовской случайной функцией,
имея уже в виду оба определения гауссовости и доказанные уже
утверждения.
Определение ... Пусть T − произвольное множество и X =
= {X (t, ω), t ∈ T} –– гауссовская случайная функция на T. Будем го-
ворить, что траектории этой функции почти наверное ограничены
(сокращенно « X п. н. ограничена»), если множество

ω : sup X (t, ω) < ∞
T
является событием (т. е. F -измеримо) и его вероятность равна еди-
нице.
Пусть S ⊂ T –– топологическое пространство и C(S) –– простран-
ство всех непрерывных функций на S.
Определение ... Будем говорить, что траектории гауссовой
случайной функции почти наверное непрерывны на S (сокращен-
но « X п. н. непрерывна на S»), если множество {ω : X (·, ω) ∈ C(S)}
является событием (т. е. F -измеримо) и его вероятность равна еди-
нице.
Так как C(S) и множество ограниченных функций –– линейные
подмножества пространства RT , имеет место следующее утвержде-
ние.
Следствие ... Произвольный гауссовский процесс (гауссовская
функция), заданный на произвольном топологическом простран-
стве, либо п. н. непрерывен, либо п. н. разрывен. Произвольный гаус-
совский процесс либо п. н. ограничен, либо п. н. неограничен.
Давайте обсудим соотношение между обычным понятием огра-
ниченности sup |x(t)| < ∞ и введенным нами ранее свойством
sup x(t) < ∞.
Пусть множество S ⊂ T счётно, тогда легко доказать, что функцио-
нал N(x(·)) = sup |x(t)| является псевдополунормой в пространстве
t∈S
(RT , BRT ). Кроме того, из определения гауссовской величины следу-
ет, что вероятности событий
 
sup( X (t, ω)) < ∞ и sup(−X (t, ω)) < ∞
t∈S t∈S
 Лекция . Закон нуля или единицы

равны (эти процессы одинаково распределены!) Поэтому процесс X


п. н. ограничен на S тогда и только тогда, когда P(N( X ) < ∞) = 1.
Таким образом, гауссовский процесс п. н. ограничен на S, если он
ограничен с любой положительной вероятностью, т. е., иначе гово-
ря, P(sup( X (t, ω)) < ∞) = 0 или 1.
t∈S
Лекция 

Экспоненциальная интегрируемость

Поясним на простом примере, какое свойство гауссовского рас-


пределения мы имеем в виду. Пусть X –– гауссовская действительная
случайная величина с дисперсией σ2 . Величина X экспоненциально
1
интегрируема в том смысле, что для любого α < выполняется
2σ2
неравенство
E exp(αX 2 ) < ∞.
Действительно,
Í € 1 Š
1
E exp(αX 2 ) = p exp − 2 (x − m)2 + αx 2 dx =
2πσ 2σ
Í € € 1 Š
1 2 mx − m2 /2 Š
= p exp − 2 − α x + 2 dx < ∞.
2πσ 2σ σ
1
С другой стороны, если α ¾ 2 , то, очевидно, E exp(αX 2 ) = ∞.

Рассмотрим второй пример. Пусть теперь X –– гауссовский d-мер-
ный вектор, для простоты с нулевым средним. Обозначим σ2 =
= max EX 2j . Имеем
1¶ j¶d

P
d
E exp(α max X 2j ) ¶ E exp(αX 2j ) < ∞
1¶ j¶d j=1
1 1
при α < ; более того, при α ¾ 2 справедливо неравенство
2σ2 2σ

E exp α max X 2j ¾ max E exp(αX 2j ) = ∞.
1¶ j¶d 1¶ j¶d

Оказывается, и здесь, как и в законе нуля или единицы, имеет место


аналогичная ситуация в бесконечномерном случае.
Теорема .. Пусть (E, E ) –– линейное измеримое пространство,
снабженное псевдополунормой N, и пусть X –– гауссовский вектор со
значениями в (E, E ). Тогда если вероятность события {N( X ) < ∞}
не равна нулю, то существует такое ǫ > 0, что для любого α < ǫ,
выполняется неравенство
E exp(αN 2 ( X )) < ∞.
 Лекция . Экспоненциальная интегрируемость

Доказательство. Мы докажем теорему для центрированного


гауссовского вектора, EX = 0. Отсюда очевидным образом следует
общий случай. Пусть ( X1 , X2 ) –– пара независимых копий вектора
X . Тогда
€ € X + X Š € X − X ŠŠ
1 2 1 2
(N( X1 ), N( X2 )) и N p ,N p
2 2
–– две пары независимых копий случайной величины N( X ). Следо-
вательно, для любых x, y имеем

P(N( X ) ¶ x)P(N( X ) > y) =


€ €X −X Š Š € €X +X Š Š
1 2 1 2
=P N p ¶x P N p > y . (.)
2 2
Из неравенства треугольника получаем
€X +X Š €X −X Š p
N 1p 2 − N 1p 2 ¶ 2 min(N( X1 ), N( X2 )),
2 2
поэтому
¦ €X −X Š €X +X Š ©
1 2 1 2
N p ¶ x, N p ¾y ⊂
2 2
¦ y−x y−x©
⊂ N( X1 ) ¾ p , N( X2 ) ¾ p ,
2 2
что вместе с равенством (.) приводит к оценке
€ y − x Š2
P(N( X ) ¶ x)P(N( X ) > y) ¶ P N( X ) ¾ p . (.)
2
Эта оценка по сути дает уже требуемое экспоненциально-квадра-
тическое неравенство для хвоста распределения случайной величи-
ны N( X ). Выберем такое y0 чтобы выполнялось неравенство q := P
(N( X ) ¶ y0 ) > 1/2. (Такое число существует в силу условия теоремы
и закона нуля или единицы, согласно которому P(N( X ) < ∞) = 1.)
Положим
p
yn+1 = y0 + 2 yn , n = 0, 1, 2, …, и tn = q −1 P(N( X ) > yn ).
Полагая в формуле (.) x = y0 , y = yn , получаем
qqtn ¶ q 2 tn−1
2
,
2
т. е. tn ¶ tn−1 , поэтому
€ 1 − q Š2n
2
P(N( X ) > yn ) = qtn ¶ qtn−1 ¶…¶q q
.
Лекция . Экспоненциальная интегрируемость 
p
( 2)n+1 − 1
Поскольку последовательность yn = p y0 стремится к беско-
2−1
нечности при n → ∞, получаем, что

2 P
∞ 2
E exp(αN 2 ( X )) ¶ eα yo P(N( X ) > y0 ) + eα yn P(N( X ) > yn ) ¶
n=1
€ ∞ €
P 1 − q Š2n € p ŠŠ
α yo2
¶q e + exp α( 2 + 1)2 2n+1 y02 .
n=1
q

Последнее выражение конечно, если сходится ряд с общим членом


€ € 1−q ŠŠ
exp 2n ln + 18α y02 ,
q
1 1−q
т. е. при α < − ln q =: ǫ. Число ǫ положительно, поскольку
1−q 18 y02
< 1.
q
Можно ли указать точную границу для α, как и в случае конечно-
мерного гауссовского вектора? В следующей теореме мы покажем,
что это можно сделать для норм типа супремума.
Теорема .. Пусть выполнены условия теоремы .. Пусть для
псевдополунормы N на E существует такая последовательность
линейных измеримых функционалов yn , n ¾ 1, на (E, E ), что
€ Š
P N( X ) = sup |( yn , X )| < ∞ = 1.
n¾1

Обозначим σ2 = sup E( yn , X )2 . Тогда E exp αN( X )2 < ∞ в том и толь-


n¾1
1
ко в том случае, если α < .
2σ2
Мы будем доказывать эту теорему в очевидной эквивалентной
формулировке.
Теорема .. Пусть X –– гауссовская случайная величина со зна-
чениями в пространстве ℓ∞ с борелевской σ-алгеброй Bℓ∞ и нормой
N(e) = sup |e j |.
j

1
Тогда E exp αN( X )2 < ∞ в том и только в том случае, когда α < ,
2σ2
где σ2 = sup EXn2 .
n¾1

В доказательстве этой теоремы используется неравенство Йенсе-


на, вообще играющее важную роль в теории вероятностей.
 Лекция . Экспоненциальная интегрируемость

Лемма . (неравенство Йенсена). Если функция f вогнута (вы-


пукла вниз), то для любой случайной величины ξ с конечным мате-
матическим ожиданием имеет место неравенство
Ef (ξ) ¾ f (Eξ).
Доказательство. В силу выпуклости имеем
f (x) ¾ f ( y) + c(x − y),
где c –– некоторое число (равное f ′ ( y) в случае дифференцируемо-
сти функции в этой точке). Положим x = ξ, y = Eξ и возьмем от обе-
их частей этого неравенства математическое ожидание. Получаем
необходимое неравенство, верное также в случае Ef (ξ) = ∞.
Доказательство теоремы .. Для любого h ∈ (0, σ) найдется
2
номер k = k(h) такой, что EXk(h) ¾ (σ − h)2, поэтому
€ N(X )2 Š € Xk(h)
2 Š € (σ − h)2 Š−1/2
E exp 2 ¾ E exp 2 ¾ 1− 2 →∞
2σ 2σ σ
при h → 0.
1
Докажем теперь обратное утверждение: если α < то
2σ2
E exp αN( X )2 < ∞.
Для доказательства мы применим достаточно стандартный прием
ортогонализации компонент (координат) гауссовского вектора X .
Рассмотрим сначала конечномерный гауссовский вектор X = ( X1 , …
…, Xn ). Существует невырожденная матрица A, приводящая квад-
ратичную форму B(x) = E(X, x)2 к каноническому виду E(X, Ax)2 =
= x12 + … + xk2 . Более того, применяя к B(x) процесс последователь-
ной ортогонализации, убеждаемся, что матрицу A можно выбрать
треугольной. Таким образом, ковариационная матрица вектора A⊤ X
диагональна, на первых k местах главной диагонали стоят едини-
цы, а на всех остальных –– нули. Следовательно, первые k коорди-
нат (λ1 , …, λk ) гауссовского вектора A⊤ X представляют собой гаус-
совские стандартные независимые случайные величины, а остальные
координаты равны нулю с вероятностью единица. Поэтому, положив
Λ := (λ1 , …, λk , λk+1 , …, λn ),
где λk+1 , …, λn также независимые стандартные гауссовские вели-
чины, не зависящие от первых k координат, получаем, что
X = (A⊤ )−1 Πk Λ,
Лекция . Экспоненциальная интегрируемость 

где Πk –– оператор проекции на первые k координат и матрица


(A⊤ )−1 Πk треугольная. Повторяя этот процесс ортогонализации для
векторов ( X1 , …, Xn ), n = 2, 3, …, получаем, что для гауссовского
вектора X со значениями в ℓ∞ существуют такая последователь-
ность независимых стандартных гауссовских величин λ1 , λ2 , … и та-
кая бесконечная треугольная матрица B, что
X1 = b11 λ1 ,
X2 = b12 λ1 + b22 λ2 ,
................................
Xn = b1n λ1 + b2n λ2 + … + bnn λn ,
................................
Пусть Bn –– n-й столбец матрицы B, тогда предыдущее соотноше-
ние можно записать в виде
P

X= λn B n .
n=1
Введем гауссовские случайные ℓ∞ -значные векторы
P

X −n = λk B k .
k=n
Эти векторы на самом деле лежат в ℓ∞ в силу неравенства треуголь-
ника и того факта, что
P
n−1
X −n = X − λk B k .
k=1

Выберем для X −n+1 число α в соответствии с теоремой . и поло-


жим 
Y −n = exp αN( X −n )2 .
Пусть A−n –– σ-алгебра, порожденная семейством случайных вели-
чин {λ j , j > n}. В силу неравенства Йенсена и выпуклости функ-
ции exp(αx 2 ) и функционала N(e) имеем
2  
E(Y −(n−1) A−n ) = E exp αN Σ j>n−1 λ j B j A−n ¾

¾ exp α{E(N(Σ j>n−1 λ j B j ) A−n )}2 =

= exp α{E(N(λn Bn + Σ j>n λ j B j ) A−n )}2 ¾

¾ exp α{E(N(λn Bn ) + N(Σ j>nλ j B j ) A−n )}2 =
2 
= exp α N Σ j>n λ j B j = Y −n ,
 Лекция . Экспоненциальная интегрируемость

где последнее равенство выполняется в силу свойств условного ма-


тематического ожидания. Таким образом, Y −n –– субмартингал по
убыванию n. Заметим, что, поскольку EY −(n−1) ¾ EY −n , число α мож-
но выбрать одно для всех n. Воспользуемся максимальным неравен-
ством Дуба––Колмогорова для неотрицательных субмартингалов.
Полагая
Y 0 = exp(αN( X )2 ),

приходим к неравенству
€ Š
P max Y − j ¾ ǫ ¶ ǫ −1 E exp(αN( X )2 ).
0¶ j¶n

Поскольку правая часть не зависит от n, получаем, что


€ Š
P lim sup Y −n ¾ ǫ ¶ ǫ −1 E exp(αN( X )2 ).
n→∞

Положив ǫ = exp(αx 2 ), после очевидных преобразований получаем,


что € Š 2
P lim sup N( X −n ) ¾ x ¶ e−αx E exp(αN( X )2 ).
n→∞

Выбором числа x можно сделать правую часть меньше единицы. По-


−n
скольку событие {lim
T sup N( X ) ¾ x} измеримо относительно хво-
стовой σ-алгебры n A−n , его вероятность равна 0 или 1, следова-
тельно, в силу выбора x она равна нулю. Таким образом, для любого
ǫ ∈ (0, 1/2) найдется такое n, что

P(N(Σ j>n λ j B j ) ¾ x + 1) ¶ ǫ.

Повторим теперь доказательство теоремы ., положив y0 = x + 1


и q = ǫ. Взяв
1−ǫ
β < 18−1 (x + 1)−2 ln ǫ ,

получаем
  ‹‹
2
P
E exp β N λj Bj < ∞.
j>n

Обозначим
€P Š €P Š
N1 = N λjBj , N2 = N λjBj .
j¶n j̇>n
Лекция . Экспоненциальная интегрируемость 
1
Имеем N( X ) ¶ N1 + N2 . Возьмем произвольное α < 2 . В силу вы-
2 2σ
пуклости функции e x имеем
exp(αN 2 ( X )) ¶ exp(α(N1 + N2 )2 ) =
 Æ  pα Æ Æ ‹2 ‹
= exp 1 − α/β p N1 + α/β β N2 ¶
1− α/β
Æ  Ƌ
α
¶ (1 − α/β) exp p
2
N12 + α/β exp(β N22 ),
(1 − α/β)
где мы взяли число ǫ столь малым, чтобы можно было выбрать
β > α. Математическое
p ожидание второго слагаемого конечно. Обо-
значив γ = α(1 − α/β)−2 , в силу неравенства Коши––Буняковского
получаем

E exp(γN12 ) ¶ E exp γΣ j¶n λ2j sup Σk B2jk ¶
j
 n
¶ E exp γσ Σ j¶n λ2j = E exp(γσ2 λ21 ) = (1 − γσ2 )−n/2 .
2

Супремум берется по всем отрезкам строк матрицы B длины n.


(Сумма квадратов всех элементов в каждой строке не превосхо-
дит σ2 .) Правая часть последнего неравенства будет конечна, если
γ достаточно мало,pт. е. β достаточно велико, чтобы выполнялось
неравенство (1 − α/β )2 > 2ασ2 . Для этого необходимо взять ǫ
достаточно малым.
Замечание. Хорошо известно (см. книгу А. Н. Колмогорова,
С. В. Фомина []), что норма супремума является общей в том смыс-
ле, что любая норма в линейном нормированном пространстве мо-
жет быть представлена в виде супремум-нормы, а именно для лю-
бого элемента e ∈ E выполнено равенство
||e|| = sup | f (e)|,
f ∈SE∗

где SE∗ –– единичная сфера в сопряженном пространстве.


Лекция 

Гильбертовы пространства

Вначале введем естественную метрику и топологию на парамет-


рическом множестве T, связанную с гауссовской случайной функцией
X (t, ω), t ∈ T, т. е., иначе говоря, с гауссовским вектором в (RT , B T ).
Напомним, что везде, если не оговорено противное, мы считаем ма-
тематические ожидания гауссовских случайных величин равными
нулю.
Определение .. Пусть X (t, ω) –– случайная гауссовская функ-
ция на некотором множестве T. Функция
1/2
d X (s, t) = E( X (t) − X (s))2 , (s, t) ∈ T × T,
называется функцией стандартного отклонения (или стандарт-
ным отклонением) на множестве T, порожденной гауссовской функ-
цией X.
Предложение .. Функция d X (s, t) является полуметрикой на
множестве T.
Доказательство очевидно, функция d неотрицательна, удовле-
творяет неравенству треугольника и равна нулю в точках (t, t).
Отождествляя в множестве T точки, для которых d(s, t) = 0, и вво-
дя топологию, порожденную (теперь уже) метрикой d, множество T
можно превратить таким образом в метрическое пространство.
Теперь –– о другом пространстве. Поскольку гауссовские случай-
ные величины имеют по определению конечную дисперсию, они
являются элементами гильбертова пространства всех случайных ве-
личин с конечной дисперсией, L2 (Ω, F , P). Рассмотрим образ X (T)
множества T в пространстве L2 (Ω, F , P) при отображении X : t →
→ X (t, ·). Замыкание этого образа в пространстве L2 (Ω, F , P) обо-
значим через K X . Для удобства работы с линейным замкнутым про-
странством K X и изучения его свойств, построим два его представ-
ления.
Первое представление связано с построением вышеупомянутого
замыкания. Обозначим через Φ0 (T) множество всех действитель-
Лекция . Гильбертовы пространства 

ных функций на T с конечным носителем:


ϕ ∈ Φ0 (T) ⇔ card supp ϕ < ∞.
Отображение X индуцирует отображение Φ0 (T) в K X посредством
соотношения
P
X (ϕ) = X (t, ω)ϕ(t) ∈ K X , ϕ ∈ Φ0 (T),
t∈supp ϕ

(конечные линейные комбинации величин X (t, ω)). Гильбертова


структура пространства L2 (Ω, F , P) порождает предгильбертову
структуру в Φ0 (T) посредством введения скалярного произведения
P
〈ϕ, ψ〉 = EX (ϕ) X (ψ) = r(s, t)ϕ(s)ψ(t),
s,t∈supp ϕ

где r(s, t) –– ковариационная функция гауссовской функции X . На-


пример, если ǫt (·) –– индикаторная функция точки t, ǫt ∈ Φ0 (T), то
〈ǫs , ǫt 〉 = r(s, t), kǫs − ǫt k = d(s, t). Пополним множество Φ0 (T) по
этой структуре. Коротко напомним, что такое пополнение. Рассмат-
ривается множество Φ(T) всех фундаментальных последовательно-
стей (последовательностей Коши) f = {ϕn , ϕn ∈ Φ0 (T), n ¾ 1}. В си-
лу неравенства Коши––Буняковского последовательность 〈ϕn , ψn 〉
является фундаментальной, следовательно, имеет предел, где
g = {ψn , ψn ∈ Φ0 (T), n ¾ 1}
–– другая фундаментальная последовательность. Полагаем
〈 f , g〉 = lim 〈ϕn , ψn 〉.
n→∞

Будем отождествлять последовательности f , g ∈ Φ(T), для которых


k f − gk = 0. Пространство Φ(T) с такой структурой является пред-
гильбертовым (не обязательно сепарабельным, так как метриче-
ское пространство (T, d) не обязательно сепарабельно). Итак, меж-
ду пространствами K X и Φ(T) имеется построенный нами изомор-
физм, который по сути является реализацией замыкания X (T) в гиль-
бертовом пространстве L2 (Ω, F , P). Сформулируем этот факт в виде
предложения.
Предложение .. Пространство K X изоморфно пополнению
предгильбертова пространства случайных гауссовских величин вида
P
X (ϕ) = X (t, ω)ϕ(t), ϕ ∈ Φ0 (T). (.)
t∈supp ϕ
 Лекция . Гильбертовы пространства

Сужение изоморфизма X между K X и Φ(T) на множество Φ0 (T) име-


ет вид (.), и скалярное произведение в пространстве Φ(T) равно
〈 f , g〉 = EX ( f ) X (g), || f ||2 = EX ( f )2 .
Построим еще одно представление пространства K X , более тес-
но связанное с ковариационной структурой гауссовской функции
X (t, ω), t ∈ T. Поставим в соответствие функции ϕ из Φ0 (T) действи-
тельную функцию на T:
P
r : Φ0 (T) → RT , rϕ (·) = r(·, t)ϕ(t) ∈ RT .
t∈supp ϕ

В частности, rǫt (·) = r(·, t). Кроме того,


P P
〈ϕ, ψ〉 = rϕ (s)ψ(s) = rψ (s)ϕ(s).
s∈supp ψ s∈supp ϕ

Например, rϕ (t) − rψ (t) = 〈ϕ − ψ, ǫt 〉. Обозначим через H0 ( X ) образ


множества Φ0 (T) в пространстве RT . Предгильбертова структура
пространства Φ0 (T) индуцирует предгильбертову структуру в H0 ( X )
посредством соотношения
P
〈rϕ , rψ 〉 = rϕ (s)ψ(s) = 〈ϕ, ψ〉,
s∈supp ψ
P
в частности, ||rϕ || = r(s, t)ϕ(s)ϕ(t) = ||ϕ||2 .
2

Предложение .. Для любых ϕ, ψ из Φ0 (T) имеют место нера-


венства
P p
r (s)ψ(s) ¶ kr k kψk, r (t) ¶ kr k r(t, t),
ϕ ϕ ϕ ϕ

r (t) − r (s) ¶ kr k d(s, t).
ϕ ϕ ϕ

Доказательство. Первое неравенство есть неравенство Коши––


Буняковского, остальные два –– следствия из первого, если поло-
жить ψ = ǫt и ψ = ǫt − ǫs соответственно.
Пополним теперь пространство H0 ( X ) по его предгильбертовой
структуре и получим пространство H( X ), которое, таким образом,
является представлением пространства K( X ). Из предложения .
следует, что H( X ) –– пространство равномерно d-непрерывных (и
d-липшицевых) функций на T с обычной равномерной сходимо-
стью.
Рассмотрим полную ортонормированную систему ( fα , α ∈ A)
в H( X ). Заметим, что множество A не обязательно счётно и раз-
ложение P
f (s) = fα (s)〈 fα , f 〉
α∈A
Лекция . Гильбертовы пространства 

означает, что лишь счётное число скалярных произведений в сумме


отлично от нуля, иначе не выполнялось бы равенство Парсеваля
P
〈 fα , f 〉2 = || f ||2 .
α∈A

Теорема .. Пусть ( fα , α ∈ A) –– полная ортонормированная си-


стема функций в пространстве H( X ) и (ϕα , α ∈ A) –– соответству-
ющее семейство элементов из Φ(T). Тогда имеют место следующие
утверждения.
. Семейство ( X (ϕα ), α ∈ A) является гауссовским ортонормиро-
ванным семейством.
. Для любого t ∈ T ряд
P
X (ϕα ) fα (t) (.)
α∈A

сходится почти наверное, и для его суммы Xb(t, ω) выполнено соот-


ношение
P( Xb(t, ω) = X (t, ω)) = 1.
. Пусть K –– d-полукомпактное подмножество множества T, на
котором траектории функции X (t, ω) почти наверное d-непрерыв-
ны. Тогда ряд (.) сходится почти наверное равномерно на K и для
его суммы выполнено соотношение
P( Xb (t, ω) = X (t, ω) для всех t ∈ K) = 1.
Напомним определение полукомпакта. Полукомпактом называ-
ется такое множество, что из всякого его счётного покрытия откры-
тыми множествами можно выделить конечное подпокрытие. Отсю-
да следует, кстати, что в полукомпакте существует счётное всюду
плотное подмножество.
Доказательство. Утверждение  теоремы очевидным образом
следует из построения гильбертовой структуры и изоморфизмов
пространств Φ(T), H( X ) и K X . Действительно,
1 = || fα ||2 = EX (ϕα )2 , 0 = 〈 fα , fβ 〉 = EX (ϕα ) X (ϕβ ).
Докажем утверждения , . Докажем сначала, что для любого d-по-
лукомпактного множества K ⊂ T множество индексов
P A можно сде-
2
лать счетным. Действительно, для любого t ряд fα (t) суммиру-
α∈A
ем, поскольку набор ( fα (t), α ∈ A) –– коэффициенты разложения Фу-
рье функции rǫt по системе ( fα , α ∈ A). Поэтому существует такое
 Лекция . Гильбертовы пространства

счетное множество At ⊂ A, что fα (t) = 0 при α ∈ / At . Перенумеровав


все функции
P fα , α ∈ A t , получаем последовательность fn , n ¾ 1. Запи-
сав ряд X (ϕn ) fn (t) в виде
P
X (ϕn )〈 Xt , X (ϕn )〉L2 (Ω,F ,P) ,
убеждаемся в силу построенного изоморфизма между K X и H( X ),
что этот ряд сходится к X (t, ω) почти наверное, и мы получаем
утверждение .
Теперь, поскольку утверждение  выполнено, в силу теоремы Ар-
цела достаточно показать, что частичные суммы
Pn
Sn = X (ϕk ) fk
k=1

почти наверное равномерно и равностепенно d-непрерывны на K.


Выберем
S в K счетное всюду d-плотное множество K0 . Положим A K =
= At . Тогда для любого α ∈
/ A K функция fα (t) равна 0 на K0 , а, сле-
t∈K0
довательно, и на K, поскольку как элемент пространства H( X ) она
d-непрерывна на T. Теперь мы можем перенумеровать все функ-
ции fα , α ∈ A K , и получаем последовательность fn , n ¾ 1. Введем
последовательность случайных величин
Vn (ǫ) = sup |Sn (t) − Sn (s)|
s,t∈K0 ,d(s,t)<ǫ

и через Fn ⊂ F обозначим σ-алгебру, порожденную случайными ве-


личинами { X (ϕk ), k ¶ n}. Докажем, что последовательность (Dn , Fn ),
где Dn = exp(αVn2 (ǫ)) − 1 является для некоторого α > 0 субмартин-
галом. Действительно, для любых s и t последовательность (Sn (t) −
− Sn (s), Fn ) есть мартингал, т. е.

E S (t) − S (s) F = S (t) − S (s).
n n n n−1 n−1

В силу выпуклости функционала нормы N(·) = sup | · | и выпуклости


функции exp(αx 2 ) − 1 имеет место неравенство (неравенство Йен-
сена!) 
E exp(αVn2 (ǫ)) − 1 Fn ¾ exp(αVn−1
2
(ǫ)) − 1.
В силу теоремы о сильной интегрируемости существует α > 0, для
которого математические ожидания обеих частей конечны. По усло-
вию процесс X (t, ω) п. н. непрерывен на K, а поскольку K –– полу-
компакт, X является п. н. ограниченным на K. Поэтому, так как
P( Xb (t, ω) = X (t, ω) для всех t ∈ K0 ) = 1,
Лекция . Гильбертовы пространства 

в силу той же теоремы для некоторого α > 0, имеем


€ Š
E exp α sup | Xb(t, ω) − Xb(s, ω)|2 < ∞,
s,t∈K0,d(s,t)<ǫ

причем для того же α конечны все EDn , n ¾ 1 (это следует из нера-


венства EDn ¾ EDn−1 ). Таким образом, для этого α последователь-
ность Dn является субмартингалом. Применим к нему максималь-
ное неравенство Дуба. После элементарных преобразований имеем

P sup Vk (ǫ) > C ¶
k¾1
1
€ € Š Š
¶ E exp α sup | Xb (t, ω) − Xb (s, ω)|2 − 1 .
exp(αC 2 ) − 1 s,t∈K , d(s,t)<ǫ
0

Как уже говорилось, функции Xb (t, ω) и X (t, ω) совпадают почти


наверное на K0 , поэтому в силу непрерывности X (t, ω) и частичных
сумм Sn (t) имеет место неравенство

P sup sup |Sk (t) − Sk (s)| > C ¶
k¾1 s,t∈K,d(s,t)<ǫ
1
€  Š
¶ 2 E exp α sup |X (t, ω) − X (s, ω)| − 1 .
exp(αC ) − 1 s,t∈K,d(s,t)<ǫ

Поскольку функция X (t, ω) п. н. d-непрерывна на K, то для любого


целого p > 0 можно выбрать ǫ p > 0 такое, что
€  Š
E exp α sup |X (t, ω) − X (s, ω)| − 1 < 1/p 4 .
s,t∈K,d(s,t)<ǫ p

Выбрав C = C p = 1/p, получаем, что


P € Š
P sup sup |Sk (t) − Sk (s)| > 1/p < ∞.
p¾1 k¾1 s,t∈K, d(s,t)<ǫ p

В силу леммы Бореля––Кантелли произойдет лишь конечное число


событий под знаком суммы, откуда следует равномерная и равно-
степенная d-непрерывность множества функций Sn (t).
Лекция 

Сепарабельность и измеримость.
Осцилляции

.. Сепарабельность и измеримость


Когда мы ввели гауссовский случайный процесс X (t, ω) на про-
извольном параметрическом множестве T, мы увидели, что тем са-
мым множество T превращается в метрическое пространство с есте-
ственной «метрикой» d. Строго говоря, функция d является полу-
метрикой, и в метрику она превращается лишь после склеивания
некоторых точек из T. В дальнейшем, тем не менее, мы будем ис-
пользовать термин «метрика», имея в виду это склеивание.
В общей теории случайных процессов одним из важных вопро-
сов является вопрос о существовании сепарабельной и измеримой
версии случайного процесса. Напомним, что версией случайного
процесса X (t, ω), t ∈ T, называется любой такой случайный процесс
Xe (t, ω), что для всех t ∈ T выполнено равенство
P( X (t, ω) = Xe (t, ω)) = 1.
Введем понятия сепарабельности и измеримости гауссовской
случайной функции.
Определение ... Гауссовская случайная функция X = ( X (t, ω),
t ∈ T, ω ∈ Ω) называется сепарабельной, если существуют такой счёт-
ное подмножество S множества T, называемое сепарантой, и такой
событие NS ∈ F нулевой вероятности, что для любых ω ∈ Ω \ NS ,
t ∈ T, ǫ > 0 замыкание в R множества
{X (s, ω), s ∈ S ∩ B(t, ǫ)}
содержит точку {X (t, ω)} ∈ R.
Здесь и далее через B(t, ǫ) обозначается d-шар радиуса ǫ с цен-
тром в точке t : B(t, ǫ) = {s ∈ T : d(t, s) ¶ ǫ}. Заметим, что это понятие
сепарабельности несколько отличается от принятого в общей тео-
рии случайных процессов. Там требуется равенство
{X (s, ω), s ∈ S ∩ B(t, ǫ)} = {X (s, ω), s ∈ B(t, ǫ)}.
.. Сепарабельность и измеримость 

Однако по крайней мере для случая сепарабельного метрического


пространства (T, d) оба определения совпадают.
Определение ... Гауссовская случайная функция X =( X (t, ω),
t ∈ T, ω ∈ Ω) называется измеримой, если отображение (ω, t) ⇒
⇒ X (t, ω) пространства (Ω × T, F ⊗ J ) в пространство (¯R̄, B¯R̄ ) из-
меримо, где J –– σ-алгебра подмножеств множества T, порожден-
ная множеством d-шаров.
Оказывается, сепарабельность гауссовского процесса X и сепа-
рабельность метрического пространства (T, d) тесно связаны.
Теорема ... Пусть X = ( X (t, ω), t ∈ T , ω ∈ Ω) –– гауссовская
случайная функция и d –– соответствующая ей полуметрика в T.
Тогда следующие утверждения эквивалентны:
а) пространство (T, d) сепарабельно;
б) гильбертово пространство H( X ) (см. лекцию ) сепарабельно;
в) существует сепарабельная гауссовская случайная функция Xb
на T такая, что d X (s, t) = d Xb (s, t) для всех s, t ∈ T;
г) существует сепарабельная и измеримая версия Xe гауссовской
функции X .
Доказательство. Утверждения г) ⇒ в) ⇒ б) ⇒ а) являются непо-
средственными следствиями определений сепарабельности и по-
строенных в лекции  представлений пространства K X , их легко
(и полезно) доказать самостоятельно. Докажем, что из а) следует
г). Пусть S –– счётное всюду плотное подмножество пространства
(T, d), причем расстояние между любыми двумя точками из S поло-
жительно. Перенумеруем множество S и, как обычно, отождествим
точку s с ее номером. Для t ∈ S положим
T S C
C(t, 2−n ) = B(t, 2−n ) B(s, 2−n ) ,
s∈S,s<t

где знак (·)C означает дополнение. Очевидно, для любых t ∈ S и n


S
C(t, 2−n ) ∈ J , C(t, 2−n ) = T, и
t∈S

C(s, 2−n ) ∩ C(t, 2−n ) = ∅ при s 6= t,

т. е. мы имеем измеримое разбиение множества T. Рассмотрим гаус-


совские ступенчатые случайные функции на T:

Xn (t, ω) = X (s, ω) для всех t ∈ C(s, 2−n ), s ∈ S.


 Лекция . Сепарабельность и измеримость. Осцилляции

Эти функции, очевидно, измеримы. В силу неравенства Чебышёва


P P 2 P 2 −2n
P(|Xn (t) − X (t)| > 1/n) ¶ n E( Xn (t) − X (t))2 ¶ n 2 < ∞.
n¾1 n¾1 n¾1

Это означает, что Xn (t) → X (t) почти наверное для любого t. Опре-
делим теперь гауссовскую измеримую функцию
Xe(t, ω) := lim sup Xn (t, ω).
n→∞

Ясно, что Xe(t, ω) = X (t, ω) для каждого t и почти всех ω. Докажем


сепарабельность функции Xe. Во-первых, поскольку S счётно и рас-
стояния между точками в S положительны ( Xe (t, ω) определяется
в каждой точке один раз), мы имеем P( Xe (t, ω) = X (t, ω), t ∈ S) = 1.
Обозначим через sn (t) такую точку из S, что t ∈ C(s, 2−n ). Получаем,
что для любого ω ∈ Ω выполняются равенства
Xe (t, ω) := lim sup Xn (t, ω) = lim sup X (sn (t), ω) = lim sup Xe (sn (t), ω)
n→∞ n→∞ n→∞
−n
и, кроме того, d(sn (t), t) < 2 . Поэтому
Xe (t, ω) ∈

∈ { Xe (sn (t), ω), n ¾ 1, d(sn (t), t) < ǫ} = { Xe(s, ω), s ∈ S ∩ B(t, ǫ)},
что и требовалось доказать.
Как уже говорилось, определение сепарабельности, приведен-
ное здесь, отличается от классического. Однако все классические
свойства сепарабельности процессов по-прежнему выполняются.
Например, выполнено следующее.
Предложение ... Любое плотное в (T, d) множество являет-
ся сепарантой для любой d-сепарабельной версии процесса X .

.. Осцилляция
Сейчас мы изучим множество разрывов траекторий гауссовской
случайной функции. Если в случае произвольного случайного про-
цесса это множество, вообще говоря, произвольно, то в гауссовском
случае это далеко не так.
Определение ... Пусть (T, δ) –– произвольное метрическое
пространство и f –– функция на нем со значениями в ¯R̄. Тогда δ-
осцилляцией функции f называется функция w f на T вида
w f (t) = lim sup | f (s) − f (s′ )|,
ǫ→0 s,s′∈B(t,ǫ)
.. Осцилляция 

а δ-осцилляцией функции f на шаре B(t, u) называется функция


v f (t, u) = lim sup | f (s) − f (s′ )|.
ǫ→0 s,s′∈B(t,u), δ(s,s′)<ǫ

Предложение ... Имеют место следующие утверждения:


а) функция v f (t, u) выпукла по f и не убывает по u;
б) если f равномерно непрерывна на (T, δ), то v f (t, u) ≡ 0 и для
любой функции q, v f +q (t, u) = vq (t, u);
в) если δ(t, t ′ ) < η, то v f (t, u) < v f (t, u + η), а кроме того,
lim v f (t, u − ǫ) ¶ lim′ inf v f (t ′ , u);
ǫ↓0 t →t

lim v f (t, u + ǫ) ¾ lim sup v f (t ′ , u);


ǫ↓0 t ′ →t

г) w f (t) = limu↓0 v f (t, u);


д) w f (t) = lim sup( fs − ft ) + lim sup( ft − fs ).
s→t s→t
Доказательства этих утверждений достаточно просто следуют из
определения осцилляции и свойств выпуклости равномерной нор-
мы.
Теорема .. (Ито––Нисио). Пусть (T, δ) –– метрическое сепа-
рабельное пространство, и пусть X (t, ω) –– такая гауссовская δ-се-
парабельная случайная функция на T , что функция d X (s, t) равно-
мерно непрерывна по паре переменных в пространстве (T, δ). Тогда
существуют такое событие N ∈ F нулевой вероятности и такая
функция α(t) на T со значениями в ¯
R̄, что для всех t и всех ω ∈ Ω \ N
выполняется равенство wX (t, ω) = α(t), т. е. осцилляция функции X
почти наверное неслучайна.
Доказательство. Обозначим через S счетное всюду плотное мно-
жество в (T, δ). В силу непрерывности полуметрики d оно плот-
но и в (T, d). т. е. в силу теоремы .., S –– сепаранта функции X ,
а H( X ) –– сепарабельное пространство. Пусть { fn , n ¾ 1} –– ортонор-
мированный базис этого пространства, {ϕn , n ¾ 1} –– соответствую-
щее множество функций на Φ(T) и Bn –– P-полная σ-алгебра, по-
рожденная набором величин {X (ϕk ), k ¾ n} (см. лекцию ). Пусть
NS –– событие нулевой вероятности из определения .. сепарабель-
ности процесса X . Тогда δ-осцилляция функции X (t, ω) на шаре
B(s, u), u > 0, совпадает с δ-осцилляцией функции X (t, ω) на мно-
жестве S ∩ B(s, u) для любых s ∈ S и ω ∈ Ω \ NS по определению ...
В силу п.  теоремы ., существует такое событие NS′ нулевой веро-
 Лекция . Сепарабельность и измеримость. Осцилляции

ятности, что для любого ω ∈ Ω \ NS′ функции X (t, ω) и ¯X̄ (t, ω) совпа-
дают на S. Следовательно, совпадают их δ-осцилляции на S ∩ B(s, u).
Заметим, что в силу равномерной d-непрерывности функции fn они
также и равномерно δ-непрерывны. Поэтому в силу предложения
.. (б) δ-осцилляция функции X (t, ω) на множестве S ∩ B(s, u) сов-
P∞
падает для любого n с δ-осцилляцией функции X (ϕk )(ω) fk (t) на
n+1
том же множестве. Таким образом, δ-осцилляция функции X (t, ω)
на множестве S ∩ B(s, u) для любых s ∈ S, u > 0 и ω ∈ Ω \ NS ∩ NS′
измерима относительно хвостовой σ-алгебры ∩n Bn , поэтому суще-
ствуют такая неслучайная функция α(t, u) и такое событие нулевой
вероятности N, что для всех ω ∈ Ω \ N, t ∈ S, u > 0 выполняется
равенство vX (t, u) = α(t, u). Функцию α(t, u) мы можем определить
в каждой точке t ∈ T, включая эту точку в множество S. Поскольку
функция α(t, u) в каждой точке равна δ-осцилляции, в силу предло-
жения .. (в) она не убывает по u для любого t и

lim sup α(t, u − ǫ) ¶ lim inf α(s, u) ¶ lim sup α(s, u) ¶


ǫ↓0 s→t s→t
s∈S s∈S
¶ lim inf α(t, u + ǫ).
ǫ↓0

Далее, функции α(t, u) и wX (t, u), как неубывающие по u, непре-


рывны по u, за исключением счетного числа точек, и в силу пред-
ложения .. (в) и вышеприведенного тройного неравенства сов-
падают во всех точках непрерывности для любого t (в этих точках
lim inf α(s, u) = lim sup α(s, u), и то же верно для vX (t, u)). Для завер-
s→t s→t
шения доказательства теоремы обозначим α(t) = limu↓0 α(t, u) (пре-
дел существует для всех t в силу монотонности) и вспомним, что
в силу предложения .. (г) для всех ω ∈ Ω \ N и всех t выполняется
равенство
wX (t) = lim vX (t, u) = lim α(t, u) = α(t).
u↓0 u↓0

Итак, для любой гауссовской случайной функции множество ее


точек разрыва неслучайно! Этим своим свойством гауссовские про-
цессы обязаны разложением в ряд по независимым случайным ве-
личинам. Сейчас мы убедимся, что и размеры скачков в некотором
смысле неслучайны.
Следствие ... Если выполнены условия теоремы .., то для
любого t ∈ T существует такое событие нулевой вероятности Nt ,
.. Осцилляция 

что для всех ω ∈ Ω \ Nt выполняется равенство


1 1
lim inf X (s, ω) = X (t, ω) − α(t), lim sup X (s, ω) = X (t, ω) + α(t).
s→t 2 s→t 2
Доказательство. В силу утверждения теоремы Ито––Нисио для
любого t случайная величина lim sup X (s, ω) − X (t, ω) равна почти
s→t
наверное константе, скажем β(t). В силу симметрии гауссовского
распределения величина lim sup(−X (s, ω)) − (−X (t, ω)) совпадает
s→t
почти наверное с той же константой. В силу предложения .. (д)
1
имеем β(t) = α(t), что и требовалось доказать.
2
Следствие ... Пусть выполнены условия теоремы Ито––Ни-
сио и, кроме того, существуют открытое множество G ⊂ T , плот-
ное в G множество S и такое число a > 0, что для всех t ∈ S вы-
полняется неравенство α(t) ¾ a. Тогда для любого t ∈ G справедливо
равенство α(t) = ∞.
Доказательство. Без ограничения общности можно считать,
что S –– счётное множество и является сепарантой функции X (t, ω)
на G. Пусть NS –– соответствующее событие нулевой вероятности и
€S Š
ω ∈ Ω\ N s ∪ N ∪ NS ,
s∈S
где N и N s –– события нулевой вероятности из теоремы .. и след-
ствия .. соответственно. Предположим, что для некоторого t ∈ G
выполняется неравенство α(t) < ∞. В силу определений сепарабель-
ности и осцилляции для любого ǫ > 0 найдутся такие точки s, s′ ∈ S,
что d(s, t) < ǫ/2, d(s′, t) < ǫ/2 и X (s, ω) − X (s′ , ω) > α(t) − a/4. Вос-
пользуемся следствием .. и выберем две точки u, u′ из G так, что-
бы выполнялись неравенства
ǫ ǫ
d(u, s) <
, d(u′ , s′ ) < ,
2 2
1 a 1 a
X (u, ω) − X (s, ω) > α(s) − , X (s′ , ω) − X (u′ , ω) > α(s′ ) − .
2 8 2 8
В силу неравенства треугольника u, u′ ∈ B(t, ǫ). Суммируя неравен-
ства для X , по условию получаем:
1 1 a
X (u, ω) − X (u′ , ω) > α(t) + α(s) + α(s′ ) − ¾
2 2 2
1 1 1 1
¾ α(t) + 2 a + 2 a − 2 a = α(t) + 2 a,
что в случае α(t) < ∞ противоречит теореме Ито––Нисио, так как
ǫ > 0 произвольно мало.
 Лекция . Сепарабельность и измеримость. Осцилляции

Из следствия .. вытекает замечательный факт, состоящий в


том, что если функция осцилляции α(t) не зависит от t, то она равна
нулю или бесконечности. Равенство нулю функции α(t) эквивалент-
но п. н. непрерывности траекторий (в негауссовском случае это не
так!). В случае, когда X (t, ω) –– гауссовское однородное поле на Rn ,
т. е. функция d(s, t) зависит лишь от евклидова расстояния |s − t|,
этот факт доказан Ю. К. Беляевым в  году.
Теорема .. (альтернатива Беляева). Пусть X (t, ω) –– гауссов-
ское однородное поле, заданное на некотором открытом подмноже-
стве T пространства Rn . Тогда это поле либо почти наверное непре-
рывно, либо почти наверное неограничено на любом открытом под-
множестве множества T.
Задача ... Докажите, что для гауссовской случайной функ-
ции имеет место равенство
α(t) = 2 lim E sup ( X (s) − X (t)).
ǫ↓0 s∈Bδ (t,ǫ)
Лекция 

Энтропийный метод

.. Введение
Пусть X (t, ω), t ∈ T, –– гауссовская d-сепарабельная случайная
функция на T, EX (t, ω) ≡ 0, d X (s, t) –– естественная полуметрика
на T , превращающаяся в метрику склеиванием точек с d X (s, t) = 0,
которую мы и будем рассматривать как метрику. Обозначим через
N(T, ǫ) минимальное число d-шаров радиуса ǫ, покрывающих T:
 S
n
N(T, ǫ) = inf n : ∃t1 , …, tn , B(ti , ǫ) = T .
i=1

Множество {t1 , …, tn } называется ǫ-сетью для множества T, а число


log2 N(T, ǫ) называется ǫ-энтропией множества T по Колмогорову,
или энтропийной сложностью множества T. Также часто встреча-
ется в литературе величина ln N(T, ǫ), называемая метрической эн-
тропией метрического пространства (T, d).
В  году Р. Дадли (R. Dudley) новый инструмент исследова-
ния свойств регулярности траекторий гауссовских функций, кото-
рый носит название метод энтропии. Этот метод основан на иссле-
довании интеграла Дадли,
Íu p
D(u, T ) := ln N(T, x)dx.
0

В настоящей лекции мы детально рассмотрим стандартную схему


применения метода энтропии на примере вывода нужной нам оцен-
ки сверху вероятности большого выброса траектории гауссовской
функции,
P(sup X (t) > u).
t∈T

Однако в первую очередь мы приведем два фундаментальных ре-


зультата о свойствах непрерывности гауссовских функций, доказан-
ных с помощью этого метода. Первый из них принадлежит Р. Дадли
(см. []).
 Лекция . Энтропийный метод

Теорема .. (Р. Дадли). Пусть X (t, ω), t ∈ T –– гауссовская d-се-


парабельная функция, заданная на произвольном метрическом про-
странстве (T, d). Если для некоторого h > 0, D(h, T) < ∞, то X (t, ω)
непрерывна почти наверное. Кроме того,
p
E sup X (t) ¶ 4 2D(σ/2, T), где σ2 = sup EX 2 (t).
t∈T t∈T
В сороковых годах прошлого века А. Н. Колмогоров задал очень
естественный вопрос: поскольку распределения гауссовских про-
цессов определяются первыми двумя моментами (средним и ко-
вариацией), нельзя ли вывести критерий непрерывности траекто-
рий в этих же терминах? Направление, начатое Р. Дадли, скорее
всего было инициировано этим вопросом. Однако окончательного
решения в общем случае нет до сих пор. Тем не менее, условие
сходимости интеграла Дадли близко к необходимому, а в случае од-
нородных (стационарных) гауссовских полей, то есть, когда ковари-
ации не зависят от сдвигов, сходимость интеграла Дадли является
необходимым и достаточным для п. н. непрерывности. Это показал
Л. Ферник, [], также методом энтропии.
Теорема .. (К. Ферник). Пусть X (t, ω), t ∈ T ⊂ Rd , –– гауссов-
ское сепарабельное однородное поле. Его траектории непрерывны с
вероятностью единица тогда и только тогда, когда для некоторого
h > 0, D(h, T) < ∞.

.. Энтропийная оценка для хвоста


распределения максимума
Лемма .. (В. Дмитровский). Пусть в точке t0 ∈ T выполнено
EX (t0 , ω)2 > 0, и для некоторого δ0 > 0 сходится интеграл
Í1 Æ
ln N(B(t0 , δ0 ), x)dx < ∞.
0
Тогда для достаточно малого δ0 , любого δ < δ0 , и всех u > 0 выпол-
нено
P( sup X (t) > σu) ¶
t∈B(t0 ,δ) δ/2
€ Š € Í Æ Š
2 ¯ 2 2 −2 4u
¶ 8 1 + 2 Φ̄(u) exp 2u δ σ + σ 2 ln N(B(t0 , δ), x)dx ,
u
0
¯ = 1 − Φ, Φ(x) –– стандартная гауссов-
где σ2 = supt∈B(t0 ,δ) EX 2 (t), Φ̄
ская функция распределения.
.. Энтропийная оценка для хвоста распределения максимума 

Доказательство. Введем гауссовскую случайную функцию


η(t, ω) = X (t, ω) − E( X (t, ω)|X (t0 , ω)).
Из лекции  мы знаем, что случайная величина E( X (t, ω)|X (t0 , ω))
является гауссовской и, более того, эту случайную величину можно
выбрать так, чтобы выполнялось соотношение
EX (t)X (t0)
E( X (t)|X (t0 )) = X (t0 ). (.)
EX (t0)2
Имеем η(t0 ) = 0 п. н., E(η(t)|X (t0 )) ≡ 0 п. н.,
E((η(t) − η(s))2|X (t0 )) ¶ d 2 (s, t)
(условная дисперсия не превосходит безусловную!). В силу приня-
тых в начале лекции условий пространство (T, d) сепарабельно, по-
этому из последнего неравенства следует, что условный гауссовский
процесс η, рассматриваемый при условии X (t0 ), также может быть
выбран сепарабельным; эту версию мы и будем рассматривать. Нам
понадобятся также неравенства, следующие из последнего:
€ u Š
¯
P(η(t) − η(s) ¾ u|X (t0 )) ¶ Φ̄
d(s, t)
и
€ u
Š
¯
P(η(t) ¾ u|X (t0 )) = P(η(t) − η(t0) ¾ u|X (t0 )) ¶ Φ̄ .
d(t0 , t)
Далее,
sup η(t) ¾ sup X (t) − sup E( X (s)|X (t0 )).
t∈B(t0 ,δ) t∈B(t0 ,δ) s∈B(t0 ,δ)

В силу неравенства Гёльдера и соотношения (.) для t ∈ B(t0 , δ)


имеем
σ
E( X (t)|X (t0 )) ¶ a |X (t0 )|, где a2 = EX (t0 )2 .
Поэтому можно написать следующее неравенство:
σ
P( sup X (t) > u + |X (t0 )| |X (t0 )) ¶
t∈B(t0 ,δ)
a

¶ P( sup η(t) > u | X (t0 )). (.)


t∈B(t0 ,δ)

Обозначим Nk := N(B(t0, δ), δ2−k ) и рассмотрим на шаре B(t0 , δ) на-


бор минимальных δ2−k -сетей Sk , k = 0, 1, 2, …, S0 = {t0 }, Sk = {tki , i =
= 1, …, Nk }. Каждой точке t ∈ Sk поставим в соответствие множество
 Лекция . Энтропийный метод

Wk , определяемое рекуррентным способом:

Wk (tk1 ) = B(tk1 , δ2−k ),


S j
Wk (tki ) = B(tki , δ2−k ) \ Wk (tk ), i = 2, …, Nk , k = 0, 1, 2, …
j<i

Определим отображение θk : B(t0 , δ) → Sk по следующему правилу:

θk (s) = t ∈ Sk ⇔ s ∈ Wk (t).

Очевидно, d(s, θk (s))¶δ2−k для всех s ∈ B(t0, δ). Обозначим

S

S= Sk .
k=0

Множество S всюду плотно на B(t0 , δ) в d-топологии. Поэтому оно


является множеством сепарабельности как для X и η, так и для
выбранной версии условного гауссовского процесса η при усло-
вии X (t0 ). Пусть s ∈ Sn , тогда такой имеется единственный набор
точек {sk , k = 0, 1, …, n}, что sk ∈ Sk , sk = θk (sk−1 ) и

P
n P

max η(s) ¶ max(η(s) − η(θk−1s)) ¶ max(η(s) − η(θk−1s)).
s∈S(n) k=1 s∈Sk k=1 s∈Sk

Из нижеследующего будет видно, что ряд в правой части сходится.


В силу сепарабельности, поскольку правая часть не зависит от n,
левую часть можно заменить на sup η(t), прибавив слова «почти
t∈B(t0 ,δ)
наверное». Возьмем число α > 0, точное значение которого выберем
позже. В силу (.) имеем

€ P
∞ Æ Š
σ
P sup X (t) > 2δ 2−k (u+ 2 ln Nk +αk ln 2)+ |X (t0 )| X (t0 ) ¶
t∈B(t0 ,δ)
a
k=1
€ P
∞ Æ Š

¶P sup η(t) > 2δ 2−k (u+ 2 ln Nk +αk ln 2) X (t0 ) ¶
t∈B(t0 ,δ) k=1
€P

¶P max(η(s)−η(θk−1 s)) >
k=1 s∈Sk
P
∞ Æ Š
−k
> 2δ 2 (u+ 2 ln Nk +αk ln 2) X (t0 )
k=1
.. Энтропийная оценка для хвоста распределения максимума 

(хотя бы одно слагаемое слева под вероятностью строго больше со-


ответствующего слагаемого справа)

P
∞ €
¶ P max(η(s) − η(θk−1s)) >
k=1 s∈Sk
Æ Š

> 2−k+1 δ(u + 2 ln Nk + αk ln 2) X (t0 ) ¶
P
∞ €
¶ Nk max P η(s) − η(θk−1s) >
k=1 s∈Sk
Æ Š

> 2−k+1 δ(u + 2 ln Nk + αk ln 2) X (t0 ) ¶
 −k+1 p ‹
P
∞ 2 δ(u + 2 ln Nk + αk ln 2)
¶ ¯
Nk max Φ̄
k=1 s∈Sk d(s, θk−1 s)

(поскольку d(s, θk−1 s) ¶ δ2−k+1)

P
∞ Æ 
¶ ¯ u+
Nk max Φ̄ 2 ln Nk + αk ln 2 =
k=1 s∈Sk

Í∞ € 1 Æ Š
1 P

=p Nk exp − (x + 2 ln Nk )2 dx =
2π k=1 2
u+αk ln2

Í∞ € 1 Æ Š € Š
1 P P
∞ ∞
=p exp − x 2 − 2 ln Nk x dx ¶ ¯ u + αk ln 2 .
Φ̄
2π k=1 2
k=1
u+αk ln2

Заметим кстати, что если имеются последовательность случай-


ных величин ηk и последовательность положительных чисел uk , для
которых
P P
uk < ∞ и P(|ηk | > uk ) < ∞,
P
то ряд ηk сходится почти наверное и, кроме того,
P P P
P( ηk > uk ) ¶ P(ηk > uk ).

Этот факт здесь не используется, однако полезен. Его доказатель-


ство просто, оно следует из леммы Бореля––Кантелли и очевидного
неравенства

P(η1 + η2 > u1 + u2 ) ¶ P(η1 > u1 ) + P(η2 > u2 ).


 Лекция . Энтропийный метод

Продолжим доказательство. Сделав замену в полученном выше


неравенстве

P
∞ Æ σ
u′ = 2δ 2−k (u + 2 ln Nk + αk ln 2) + a |X (t0 )| =
k=1
P
∞ Æ σ
= 2δu + 2δ 2−k 2 ln Nk + 4δα ln 2 + a |X (t0 )|,
k=1

получаем (штрих опускаем)



P sup X (t) > u | X (t0 ) ¶
t∈B(t0 ,δ)
P
∞ € P
∞ Æ Š
¶ ¯ u − 2−i 2 ln Ni + α(k − 2) ln 2 − σ |X (t0 )| .
Φ̄
k=1
2δ i=1
2δa

Это неравенство справедливо при любом α > 0. Обозначим

P
∞ Æ
A = 2δ 2−i 2 ln Ni
i=1

и положим

α= .
2δ(u − A − σa |X (t0 )|)

σ
Предположим сначала, что u − A − |X (t0 )| > 0. Тогда
a

P sup X (t) > u | X (t0 ) ¶
t∈B(t0 ,δ)
P
∞ € € ln 2 ŠŠ
¶ ¯ 1 u− A− σ |X (t0 )|+ 2δ(k −2)
Φ̄ σ =
2δ a u− A− |X (t0 )|
k=1
a
σ
P
∞ € u− A− |X (t0)| (k −2) ln 2 Š
¯ a
= Φ̄ + σ ¶
k=1
2δ u− A− |X (t0 )|
a
 σ   σ 
u− A− |X (t0 )| P ∞ u− A− |X (t0 )|
¯ a ¯ a
¶ Φ̄ exp(−(k −2) ln 2) = 4Φ̄ .
2δ k=1

σ
В случае 2δ(u − A − |X (t0 )|) ¶ 0 это неравенство очевидно. По фор-
a
муле полной вероятности для достаточно малых δ (очевидно, что δ0
.. Энтропийная оценка для хвоста распределения максимума 

можно выбрать произвольно малым) имеем



P sup X (t) > u =
t∈B(t0 ,δ)
Í
+∞
x2 
1 −
= p e 2a2 P sup X (t) > u | X (t0 ) = x dx ¶
2πa t∈B(t0 ,δ)
−∞
Í
+∞
x2 € u − A − σ |x| Š
4 − ¯ a
¶ p e 2a2 Φ̄ dx =
2πa 2δ
−∞
Í
+∞
x2 €u− A− σ x Š
8 − ¯ a
= p e 2a2 Φ̄ dx ¶
2πa 2δ
0
Í
+∞
x2
€u− A− σ x Š
8 − ¯ a
¶ p e 2a2 Φ̄ dx =
2πa 2δ
−∞
Í
+∞
x2 € Š € Š
= p
8
e− 2σ2 Φ̄ ¯ p u− A
¯ u − A − x dx = 8Φ̄ ¶
2πσ 2δ σ2 + 4δ2
−∞
€ 2 Š € 2Š € 2u2 δ2 Š
¯ u − 2uδ3 − A ¶ 8 1 + 2σ2 Φ̄(u)
¶ 8Φ̄ ¯ exp + A
u
.
σ σ σ u σ4 σ2
Здесь использовалось неравенство
€ 2
Š
¯ − b) ¶ Φ̄(x)e
¯ bx
Φ̄(x 1+ 2 , x, b > 0,
x
доказательство которого легко провести самостоятельно (оно сле-
€1 1
Š 1
¯
дует из неравенств Φ̄(x) ¯
¾ ϕ(x) x − 3 и Φ̄(x) ¶ x ϕ(x), рассмот-
x
реть отдельно случаи x > b и x ¶ b). Нетрудно также видеть, что
δ/2
Í Æ
A¶4 2 ln N(B(t0 , δ), x) dx,
0

что завершает доказательство леммы.


Теорема .. (В. А. Дмитровский). Пусть X (t, ω) –– гауссовский
d-сепарабельный процесс на некотором множестве T . Пусть, кроме
того,
Í1 p
2 ln N(T, x) dx < ∞.
0
 Лекция . Энтропийный метод

Тогда для произвольного подмножества T1 ⊂ T и всех u > 0 имеет


место оценка
 € Š
2 ¯
€ € u
ŠŠ
P sup X (t, ω > σu) ¶ 8 1 + 2 Φ̄(u) exp χ T1 , ,
t∈T1 u σ

где σ2 = sup EX 2 (t),


t∈T1

χ(T1 , u) =
 ǫ/2
Í Æ ‹
2 2
= inf 2u ǫ + ln N(T1 , ǫ) + 4u sup 2 ln N(T1 ∩ B(t, ǫ), x) dx .
ǫ>0 t∈T1
0

Доказательство. Пусть S –– минимальная ǫ-сеть на T1 . Тогда


sup X (t) = max sup X (s).
t∈T1 t∈S s∈T ∩B(t,ǫ)
1

Поэтому

P(sup X (t) > σu) ¶


t∈T1
€ Š
2 ¯
¶ N(T1 , ǫ) max P( sup X (s) > σu) ¶ 8 1 + 2 Φ̄(u) ×
t∈S s∈T1 ∩B(t,ǫ) u
 2 2 ǫ/2
Í Æ ‹
2u ǫ u
× exp 2 + ln N(T1 , ǫ) + 4 σ sup 2 ln N(T1 ∩ B(t, ǫ), x) dx .
σ t∈T1
0

Выбираем теперь ǫ из условия минимальности правой части этого


неравенства.
Оценивая в конкретных случаях функционал χ, можно получать
довольно точные неравенства для хвоста распределения супремума.
Следствие ... В условиях теоремы .. для всех u ¾ u0 , где
p
 Í u
1/ 
Æ
u0 := sup u : 2 ln N(T1 , x) dx ¾ 2 ,
0
имеет место неравенство

P sup X (t, ω) > σu ¶
t∈T1 p
 Íσ/uÆ 
€ Š
2 ¯ 6u
¶ 8 1 + 2 Φ̄(u) exp σ 2 ln N(T1 , x) dx .
u
0
.. Энтропийная оценка для хвоста распределения максимума 

Доказательство. Для u ¾ u0 положим


p
 Í u
1/ 1/2
1 Æ
ǫ(u) = 2 ln N(T1 , x) dx .
2u
0
p
В силу монотонности функции x имеем
ǫ(u)
Í Æ
χ(T1 , u) ¶ 2u2 ǫ 2 (u) + ln N(T1 , ǫ(u)) + 4u 2 ln N(T1 , x) dx ¶
0
 ǫ(u)
Í 2
1 Æ
2 2
¶ 2u ǫ (u) + ǫ(u)
2 ln N(T1 , x) dx +
0
p
ǫ(u)
Í Æ Í u
1/
Æ
+ 4u 2 ln N(T1 , x) dx ¶ 6u 2 ln N(T1 , x) dx.
0 0

Здесь мы подставили значение ǫ(u) и воспользовались тем, что


p
ǫ(u) ¶ 1/ u, поскольку
p
Í u
1/
Æ
1
2 ln N(T1 , x) ¶ 1 при u ¾ u0 ,
2
0

Из этого следствия вытекает асимптотическое равенство.


Следствие ... В условиях теоремы .. выполняется равен-
ство

¯
P sup X (t, ω) > σu = Φ̄(u) exp(o(u)), u → ∞.
t∈T1

Для получения этого равенства достаточно иметь в виду триви-


альную оценку снизу sup X (t, ω) ¾ X (s) для любого s ∈ T1 .
t∈T1
Лекция 

Хвост распределения максимума


стационарного процесса

.. Введение
Начиная с этой лекции мы будем рассматривать асимптотиче-
ские методы изучения распределения большого максимума гауссов-
ского процесса, т. е. поведения вероятности

P max X (t) > u (.)
t∈T

при u → ∞. Мы увидим, что в определенном смысле все эти методы


являются отдаленными аналогами асимптотического метода Лапла-
са, первым этапом которого является выделение малого множества
(или множеств), которые дают основной вклад в искомую асимпто-
тику интеграла (в нашем случае вероятности), а вторым этапом яв-
ляется применение локальных методов анализа на этих малых мно-
жествах.
В  году Джеймс Пикандс (James Pickands III) предложил есте-
ственный и элегантный способ нахождения асимптотики вероятно-
сти (.), который, как впоследствии оказалось, применим к весьма
широкому классу гауссовских процессов и полей. Мы рассмотрим
вначале этот метод для случая, предложенного Пикандсом.

.. Локальная лемма


Пусть X (t), t ∈ R, –– гауссовский стационарный процесс. Предпо-
ложим для простоты изложения, что EX (0) = 0, EX 2 (0) = 1. Обозна-
чим через r(t) ковариационную функцию этого процесса: r(t − s) =
= EX (s) X (t). Предположим, что для некоторого α > 0 выполнено со-
отношение
r(t) = 1 − |t|α + o(|t|α ), t → 0. (.)
Наложим еще одно (несущественное для метода) ограничение, ко-
торое упрощает изложение: пусть для некоторого T > 0 выполнено
.. Локальная лемма 

неравенство
r(t) < 1 для всех t ∈ (0, T]. (.)
p α
Обозначим χ(t) = 2Bα/2 (t) − |t| , где Bα/2 (t) –– дробное броунов-
ское движение с показателем Хёрста α/2. Заметим, что всегда α ¶ 2.
Другими словами, χ(t) –– гауссовский случайный процесс с непре-
рывными траекториями, начинающимися в нуле, и при этом
Eχ(t) = −|t|α ,
а ковариационная функция равна
rχ (s, t) = |s|α + |t|α − |t − s|α .
Лемма .. (лемма Пикандса). В вышеприведенных условиях
для любого Λ > 0 выполняется равенство
P( max X (t) > u) = Hα (Λ)Ψ(u)(1 + o(1)) при u → ∞,
t∈[0,Λu−2/α ]

где
 1 u2
Hα (Λ) = E exp max χ(t) < ∞, Ψ(u) = p e− 2 .
t∈[0,Λ] 2πu

... Начало доказательства леммы ..


Пусть u > 0. Воспользуемся формулой полной вероятности:

P max X (t) > u =
t∈[0,Λu−2/α ]
Í∞ 
1 2
=p e−v /2
P max X (t) > u X (0) = v dv =
2π t∈[0,Λu−2/α ]
−∞
Í∞ € Š
1 2 2
/2u2 w
=p e−u /2 ew−w P max X (t) > u X (0) = u − u dw,
2πu t∈[0,Λu−2/α ]
−∞
(.)
где мы сделали замену переменных v = u − w/u. Введем гауссовский
процесс χu (t) = u( X (u−2/α t) − u) + w. Последний интеграл перепи-
шется как
Í∞ € Š
2 2 w
ew−w /2u P max χu (t) > w X (0) = u − dw. (.)
t∈[0,Λ] u
−∞

Теперь рассмотрим семейство гауссовских распределений, появив-


шееся под знаком интеграла. Исследуем сначала поведение соответ-
 Лекция . Хвост распределения максимума стационарного процесса

ствующих условных среднего и ковариационной функции. Пользу-


ясь соответствующими формулами из лекции  для условного мате-
матического ожидания и дисперсии, получаем
€ Š € € Š Š
w w
E χu (t) X (0) = u − = u E X (u−2/α t) X (0) = u − −u =
u u
−2/α
2
= −u (1 − r(u t)) + w(1 − r(u−2/αt)), (.)

€ Š
w
var χu (t) − χu (s) X (0) = u − u =
€ Š
= u2 var[X (u−2/α t) − X (u−2/α s)] − [r(u−2/α t) − r(u−2/α s)]2 (.)
и, кроме того,
€ Š € Š
w w
E χu (0) X (0) = u − = E χu2 (0) X (0) = u − = 0.
u u
Теперь воспользуемся условием (.). Получаем, что при u → ∞ вы-
полняется равенство
€ Š
w
E χu (t) X (0) = u − u = −|t|α + wo(1),
и
€ w
Š
var χu (t) − χu (s) X (0) = u − = 2|t − s|α + o(1).
u
Заметим, что бесконечно малые в правых частях здесь не зависят
от w. Таким образом, условные конечномерные распределения про-
цесса χu (t) сходятся к соответствующим конечномерным распреде-
лениям процесса χ(t). Далее, наше семейство условных гауссовских
распределений является плотным в B(C[0, Λ]) (борелевская σ-ал-
гебра в пространстве непрерывных функций на [0, Λ], порожденная
цилиндрическими множествами), поскольку из соотношений (.),
(.) также следует, что для всех положительных u, всех w из неко-
торого ограниченного множества W и некоторой константы C, вы-
полняется неравенство
€ w
Š
E (χu (t) − χu (s))2 X (0) = u − u ¶ C|t − s|α (.)

(проверьте это, пользуясь условием (.).) Кроме того, для всех до-
статочно больших u и всех w имеем
€ Š
w 1
E χu (t) X (0) = u − u ¶ Λα + 2 w. (.)
.. Локальная лемма 

... Отступление . О слабой сходимости гауссовских мер


Предполагается, что читатель знаком с основными фактами о сла-
бой сходимости и компактности случайных мер, в том числе по-
рожденных случайными процессами. Можно почитать, например,
главу  из учебника А. В. Булинского, А. Н. Ширяева []. Что касается
последовательностей гауссовских случайных процессов, то условия
компактности могут быть существенно упрощены, поскольку гаус-
совские распределения строятся по функциям среднего и ковариа-
ции и мы уже вооружены необходимым набором инструментов для
применения общих теорем в этом конкретном случае.
Определение ... Последовательность мер µn на борелевской
σ-алгебре B(S) метрического пространства (S, ρ) слабо сходится
к некоторой мере µ, если для любой ограниченной
R R непрерывной
функции f на S имеет место сходимость fdµn → fdµ при n → ∞.
Соответственно, семейство мер {µa , α ∈ A} называется слабо отно-
сительно компактным, если из любой последовательности мер из
этого семейства можно выделить слабо сходящуюся подпоследова-
тельность.
Определение ... Семейство вероятностных мер {µa , α ∈ A}
называется плотным, если для любого ǫ > 0 найдется такой компакт
Kǫ ∈ B(S), что

µa (Kǫ ) > 1 − ǫ для всех α ∈ A.

Теорема .. (Ю. В. Прохоров). Если семейство вероятностных


мер {µa , α ∈ A} плотно, то оно слабо относительно компактно.
Если пространство (S, ρ) является польским (полным сепарабель-
ным), то и наоборот, любое слабо относительно компактное се-
мейство мер является плотным.
Перейдем к евклидову пространству.
Теорема .. (Арцела––Асколи). Пусть f ∈ C([0, 1]d ), обозна-
чим ∆( f , δ) = sup{| f (t) − f (s)|: s, t ∈ [0, 1]d , и ||t − s|| < δ}, δ > 0. За-
мыкание множества K ⊂ C([0, 1]d ) является компактом, если

sup | f (0)| < ∞ и lim sup ∆( f , δ) = 0.


f ∈K δց0 f ∈K

Из этих двух теорем следует важный для нас результат, также


содержащийся, например, в упомянутом выше учебнике.
 Лекция . Хвост распределения максимума стационарного процесса

Теорема ... Семейство мер {µa , a ∈ A} на борелевской σ-ал-


гебре B(C([0, 1]d )) плотно (а следовательно, и слабо относительно
компактно) тогда и только тогда, когда
) для любого ǫ > 0 такое найдется M > 0, что
µa ( f : | f (0)| > M)) < ǫ для всех a ∈ A;
) для любых ǫ, ν > 0 найдется такое δ > 0, что
µa ( f : ∆( f , δ) > ν) < ǫ для всех a ∈ A.
Вместо условия  в случае d = 1 и счетного A = {1, 2, …} часто
бывает удобнее проверять следующее условие:
2′ ) для любых ǫ, ν > 0 найдутся такие натуральные числа N и
n0 (ǫ, ν, N), что для всех n ¾ n0 (ǫ, ν, N) выполняется неравенство
P
N 
µn sup | f (s) − f ((i − 1)/N)| > ν < ǫ.
i=1 (i−1)/N¶s¶i/N

Применение энтропийного неравенства для хвоста распреде-


ления супремума гауссовского процесса приводит к следующему
утверждению, доказательство которого предлагается провести са-
мостоятельно.
Предложение ... Семейство {Xa (t), t ∈ [0, 1]d }, a ∈ A, п. н.
непрерывных гауссовских случайных полей плотно в B(C([0, 1]d )),
если для некоторых C, β > 0 выполняется неравенство
sup E(( Xa (t) − Xa (s))2 ) ¶ C|t − s|β .
a∈A

... Отступление . Следствие из энтропийного неравенства


Дмитровского для гауссовских полей со степенным
поведением ковариации в нуле
Пусть имеется гауссовское случайное поле X (t), t ∈ Rd , с непре-
рывными траекториями и нулевым средним. Предположим, что для
некоторых α, C > 0 выполняется неравенство
d X (s, t) ¶ C||t − s||α/2 . (.)
d
Нетрудно посчитать, что для любого компакта S ⊂ R имеет место
соотношение
N(S, ǫ) ∼ |S|ǫ −2d/α , ǫ → 0,
где |S| –– объем множества S. Оценим поведение энтропийного ин-
теграла из теоремы Дмитровского (лекция ) при ǫ → 0. Учитывая,
.. Локальная лемма 

что |B(0, ǫ)| ¶ Cǫ 2d/α и, следовательно, N(B(0, ǫ), x) ¶ Cǫ 2d/α x −2d/α


(для, возможно, другой константы C), получаем

ǫ/2
Í ǫ/2
Í
p p
2 ln N(S ∩ B(t, ǫ), x) dx ¶ 2 ln N(B(0, ǫ), x) dx ∼
0 0
È ǫ/2
Í p È ǫ/2
Í Æ
2d 2d
∼ ln ǫ − ln x dx = − ln(x/ǫ) dx =
α α
0 0
È 1/2
Í Æ
2d
=ǫ α
− ln ydy ∼ Cǫ.
0

Положив теперь в энтропийном неравенстве теоремы Дмитровско-


го ǫ = 1/u, получаем, что
exp(χ(S, u)) ¶ CN(S, 1/u) ¶ C|S|u2d/α ,
где константа C не зависит от S. Таким образом, имеет место следу-
ющее неравенство.
Предложение ... Пусть для гауссовского п. н. непрерывного
случайного поля X (t), t ∈ S ⊂ Rd , с нулевым средним выполнено нера-
венство (.). Тогда для всех положительных u и некоторой кон-
станты C имеет место неравенство

P sup X (t) > u ¶ C|S|(u/σ)2d/α Ψ(u/σ),
t∈S

2 2
где σ = sup EX (t).
t∈S
Здесь, пользуясь асимптотикой стандартного нормального рас-
¯ на Ψ. Скоро мы увидим, что эта оценка
пределения, мы заменили Φ̄
является асимптотически точной.

... Окончание доказательства леммы ..


Итак, из неравенства (.) следует, что для любого ограниченно-
го множества W семейство распределений

P χu ∈ (·)|X (0) = u − w/u , u > 0, w ∈ W , (.)
слабо компактно в B(C([0, Λ])). Кроме того, мы доказали сходи-
мость среднего и ковариации при u → ∞ и ограниченных w. По-
 Лекция . Хвост распределения максимума стационарного процесса

скольку функция f → max f (t) непрерывна в равномерной метри-


t∈[0,Λ]
ке, для любого w выполняется равенство
€ w
Š 
lim P max χu (t) > w X (0) = u − u = P max χ(t) > w .
u→∞ t∈[0,Λ] t∈[0,Λ]

Теперь обратимся к сходимости семейства интегралов (.). В соот-


ветствии с (.) для достаточно больших u имеем
€ w
Š
P max χu (t) > w X (0) = u − ¶
t∈[0,Λ] u
€ w
Š
¶ P max (χu (t) − Eχu (t)) > w − max Eχu (t) X (0) = u − u ¶
t∈[0,Λ] t∈[0,Λ]
€ 1 w
Š
¶ P max (χu (t) − Eχu (t)) > w − 2 |w| X (0) = u − u .
t∈[0,Λ]

Для гауссовского процесса χu (t) − Eχu (t), рассматриваемого при


условии X (0) = u − w/u, выполнены условия предложения ... Это
следует из формулы (.) и условия (.). Отсюда вытекает мажори-
рованная сходимость под знаком интеграла в формуле (.), и, сле-
довательно, лемма .. доказана, поскольку для неотрицательной
случайной величины, удовлетворяющая условию e x P(ξ > x) → 0 при
x → ∞, имеет место равенство
Í
Eeξ = e x P(ξ > x) dx.

Заметим, что вместо отрезка [0, Λ] мы могли бы взять произ-


вольное замкнутое множество L ⊂ [0, Λ] и, не меняя доказательства,
получить следующее очевидное обобщение леммы ...
Лемма ... В условиях леммы .. для любого замкнутого
L ⊂ [0, Λ] выполняется соотношение
P( max X (t) > u) = Hα (L)Ψ(u)(1 + o(1)) при u → ∞,
t∈u−2/α L

где 
Hα (L) = E exp max χ(t) < ∞.
t∈L

Вероятность P(max X (t) > u) является субаддитивным функцио-


T
налом множества T, поэтому, разбивая отрезок [0, Λ] на отрезки
длины, не превосходящей 1, и пользуясь монотонностью Hα (Λ), мы
получаем простое, но важное для дальнейшего утверждение.
Предложение ... Для всех α ∈ (0, 2] выполняется неравен-
ство Hα (Λ) ¶ ΛHα (1).
.. Локальная лемма 

... Оценка вероятности двойного события


Сформулируем еще одно следствие из леммы ...
Следствие ... В условиях леммы .. для всех Λ, Λ′ > 0 и
λ0 > Λ имеет место равенство
€ Š
P max X (t) > u, max X (t) > u =
t∈[0,Λu−2/α ] t∈[λ0 u−2/α ,(λ0 +Λ′ )u−2/α ]

= Hα (λ0 , Λ, Λ′ )Ψ(u)(1 + o(1)) при u → ∞,


где
Í∞ 

Hα (λ0 , Λ, Λ ) = ev P max χ(t) > v, max χ(t) > v dv < ∞.
t∈[0,Λ] t∈[λ0 ,λ0 +Λ′ ]
−∞
(.)
Доказательство. Для непересекающихся множеств A, B имеем

P max X (t) > u, max X (t) > u =
A B
  
= P max X (t) > u + P max X (t) > u − P max X (t) > u .
A B A∪B

Применяя это равенство сначала к X ,


A = [0, Λu−2/α ], B = [λ0 u−2/α , (λ0 + Λ′ )u−2/α ],
затем, после применения леммы .., к трем слагаемым в правой
части и наконец к χ, A = [0, Λ], B = [λ0 , λ0 + Λ′ ], получаем утвер-
ждение следствия.
Сформулируем теперь без доказательства двумерный аналог лем-
мы ... Он нам понадобится при доказательстве следующего утвер-
ждения. Доказательство этой леммы слово в слово повторяет дока-
зательство леммы .. с очевидными переходами от одномерного
к двумерному случаю. Читателям рекомендуется в качестве упраж-
нения провести это доказательство самостоятельно.
Пусть X (s, t), (s, t) ∈ R2 , –– гауссовское однородное (стационар-
ное) поле, т. е. его ковариационная функция
r(s, t) = EX (s1 , t1 ) X (s1 + s, t1 + t)
зависит от разности аргументов. Пусть EX (0, 0) = 0, EX 2 (0, 0) = 1.
Предположим, что для некоторых α1 , α2 > 0 выполнено соотноше-
ние
r(s, t) = 1 − |s|α1 − |t|α2 + o(|s|α1 + |t|α2 ), s, t → 0. (.)
 Лекция . Хвост распределения максимума стационарного процесса

Пусть, как и в одномерном случае, для некоторого T > 0 имеет место


неравенство
r(s, t) < 1 для всех (s, t) ∈ (0, T ] × (0, T]. (.)
p α1 α2
Обозначим χ(s, t) = 2(Bα1 /2 (s) + Bα2 /2 (t)) − |s| − |t| , где Bα1 /2 (s),
Bα2 /2 (t) –– пара независимых дробных броуновских процессов с по-
казателями Хёрста α1 /2 и α2 /2 соответственно. Заметим, что все-
гда выполняется неравенство αi ¶ 2, i = 1, 2. Введем преобразование
в R2 соотношением
gα1 ,α2 : (s, t) → (u−2/α1 s, u−2/α2 t).
Лемма ... В вышеприведенных условиях для любого замкну-
того множества Λ ⊂ (0, T] × (0, T] имеет место соотношение
P( max X (s, t) > u) = Hα1 ,α2 (Λ)Ψ(u)(1 + o(1)) при u → ∞,
(s,t)∈gα1 ,α2 Λ

где

Hα1 ,α2 (Λ) = E exp max χ(s, t) < ∞.
(s,t)∈Λ

Точно так же доказывается следующее свойство.


Предложение ... Справедливо неравенство
Hα1 ,α2 (Λ) ¶ ||Λ||Hα1 ,α2 ([0, 1]2 ),
где ||Λ|| –– число единичных квадратов, покрывающих Λ.
Вернемся к процессу X (t).
Лемма ... Пусть ǫ ∈ (0, 1/2) и
1
1 − 2 |t|α ¾ r(t) ¾ 1 − 2|t|α
для всех t ∈ [0, ǫ] (такое ǫ всегда существует). Тогда найдется та-
кая константа h, что для всех Λ>0, λ0 >Λ, u¾u0 :=(2(λ0 +Λ)/ǫ)α/2
имеет место неравенство
€ Š
P(λ0 , Λ) := P max X (t) > u, max X (t) > u ¶
t∈[0,u−2/α Λ] t∈[u−2/α λ0 ,u−2/α (λ0 +Λ)]
€ 1 Š
¶ hΨ(u) exp − (λ0 − Λ)α .
8
Доказательство. Рассмотрим гауссовское поле X (s, t) = X (s) +
+ X (t). Тогда
€ Š
P(λ0 , Λ) ¶ P max X (s, t) > 2u .
(s,t)∈[0,u−2/α Λ]×[u−2/α λ0 ,u−2/α (λ0 +Λ)]
.. Локальная лемма 

В силу условий леммы для дисперсии σ2 (s, t) = 2(1 + r(t − s)) поля
X (s, t) имеем
2 ¶ 4 − 4|t − s|α ¶ σ2 (s, t) ¶ 4 − |t − s|α . (.)
Следовательно, на рассматриваемом множестве
σ2 (s, t) ¶ 4 − u−2 (λ0 − Λ)α .
Рассмотрим нормированное поле X ∗ (s, t) = X (s, t)/σ(s, t). Имеем
€ Š
P max X (s, t) > 2u ¶
(s,t)∈[0,u−2/α Λ]×[u−2/α λ0 ,u−2/α (λ0 +Λ)]
€ 2u
Š
¶P max X ∗ (s, t) > p .
(s,t)∈[0,u−2/α Λ]×[u−2/α λ0 ,u−2/α (λ0 +Λ)] 4 − u (λ0 − Λ)α
−2

Пользуясь формулой (.) и неравенством


(a + b)2 ¶ 2(a2 + b2 ),
нетрудно оценить естественную метрику, порожденную этим по-
лем: 2
E X ∗ (s, t) − X ∗ (s1 , t1 ) ¶ 16(|t − s|α + |t1 − s1 |α ).
Рассмотрим два независимых стационарных гауссовских процесса
η1 (t) и η2 (t) с нулевыми средними и ковариационными функциями
exp(−16|t|α ). Нетрудно посчитать, что ковариационная функция по-
ля X ∗ (s, t), (s, t) ∈ [0, u−2/α Λ] × [u−2/α λ0 , u−2/α (λ0 + Λ)], мажорирует
для всех u ¾ u0 ковариационную функцию
1
(exp(−16|s|α ) + exp(−16|t|α ))
2
гауссовского однородного случайного поля
η1 (s)+η2 (t)
η(s, t) := p , (s, t) ∈ [0, u−2/α Λ]×[u−2/α λ0 , u−2/α (λ0 +Λ)].
2
В силу неравенства Слепяна
€ 2u
Š
P max X ∗ (s, t) > p ¶
(s,t)∈[0,u−2/α Λ]×[u−2/α λ0 ,u−2/α (λ0 +Λ)] 4 − u (λ0 − Λ)α
−2
€ 2u
Š
¶P max η(s, t) > p .
(s,t)∈[0,u−2/α Λ]×[u−2/α λ0 ,u−2/α (λ0 +Λ)] 4 − u−2 (λ0 − Λ)α
Теперь, воспользовавшись двумерным аналогом леммы .. –– лем-
мой .., а также двумерным аналогом утверждения .. –– утвер-
ждением .., мы получим, что правая часть не превосходит
 ‹ € 1 Š
2 2u 2 α
CΛ Ψ p ¶ C 1 Λ Ψ(u) exp − (λ 0 − Λ) ,
−2 α
4 − u (λ0 − Λ) 8
для всех u ¾ u0 , что и требовалось доказать.
 Лекция . Хвост распределения максимума стационарного процесса

.. Теорема Пикандса

Найдем точную асимптотику вероятности высокого максимума


гауссовского стационарного процесса на конечном отрезке.
Теорема .. (Д. Пикандс). Пусть выполнено условие (.). То-
гда для любого такого p, что r(t) < 1, t ∈ (0, p], имеет место соот-
ношение

P max X (t) > u = Hα pu2/α Ψ(u)(1 + o(1))
t∈[0,p]

при u → ∞, где

Hα (Λ)
Hα = lim Λ
, причем 0 < Hα < ∞.
Λ→∞

При этом p может убывать и стремиться к нулю при u → ∞ та-


ким образом, чтобы pu2/α → ∞. Число p также может стремиться
к бесконечности, лишь бы правая часть асимптотики стремилась
к нулю.
Доказательство. Обозначим
” t
—
∆k = [ku−2/α Λ, (k + 1)u−2/α Λ], Λ > 0, Nt = −2/α
,
u Λ

где [·] –– целая часть числа. В силу стационарности


 
P max X (t) > u ¶ (N p + 1)P max X (t) > u ,
t∈[0,p] t∈∆0

и в силу леммы .. имеем



P max X (t) > u
t∈[0,p] Hα (Λ)
lim sup ¶ . (.)
u→∞ pu2/α Ψ(u) Λ

Далее, в силу неравенства Бонферрони и стационарности получаем



P max X (t) > u ¾
t∈[0,p]

 Np 
P
¾ N p P max X (t) > u − 2 (N p − k)P max X (t) > u, max X (t) > u .
t∈∆0 k=1 t∈∆0 t∈∆k
(.)
.. Теорема Пикандса 

Последнюю сумму назовем двойной суммой и обозначим Σ2 . Имеем


Σ2 ¶ N p P max X (t) > u, max X (t) > u +
t∈∆0 t∈∆1
Nǫ/4 
P
+ Np P max X (t) > u, max X (t) > u +
k=2 t∈∆0 t∈∆k
p
P 
+ Np P max X (t) > u, max X (t) > u =:
k=Nǫ/4 +1 t∈∆0 t∈∆k

=: A1 + A2 + A3 , (.)
где число ǫ взято из леммы ... Оценим теперь каждое из трех сла-
гаемых в правой части. Начнем с A3 . Выберем u столь большим, что-
бы выполнялось неравенство Λu−2/α ¶ ǫ/16. Тогда расстояние меж-
ду ∆0 и ∆k в третьей сумме не меньше чем ǫ/8, поэтому, пользуясь
стационарностью, для членов из A3 получаем
 
P max X (t) > u, max X (t) > u ¶ P max X (s) + X (t) > 2u ¶
t∈∆0 t∈∆k (s,t)∈∆0 ×∆k

¶P max X (s) + X (t) > 2u .
[0,1]×[1+ǫ/8,2]
К последней вероятности применим предложение ... Для этого
заметим, что
var( X (s)+ X (t)) = 2+2r(t −s) ¶ 4−2 max (1−r(s)) = 4−2δ, δ > 0.
s¾ǫ/8
В силу предложения .. имеем
 € 4u2 Š
P max X (s) + X (t) > 2u ¶ Cu2/α−1 exp − =
[0,1]×[1+ǫ/8,2] 8 − 4δ

= O u2/α−1 exp(−u2 (1 + δ)/2 ,
Поскольку N p растет степенным образом, получаем, что
A3 = O(exp(−u2 (1 + δ′ )/2), (.)

для любого δ ∈ (0, δ/2). Слагаемое A2 можно оценить с помощью
леммы .., поскольку нижний и верхний пределы суммирования
выбраны соответствующим образом. Имеем
Nǫ/2
P 
Nǫ/2 hΨ(u) exp −((k − 1)Λ)α /8
A2 k=2
lim sup ¶ lim sup ¶
u→∞ N p Ψ(u) u→∞ N p Ψ(u)
ǫh P
∞  
¶ exp −(kΛ)α /8 ¶ C exp −Λα /8 , (.)
2p
k−1
где константа C зависит только от ǫ, p, α.
 Лекция . Хвост распределения максимума стационарного процесса

Оценим теперь первое слагаемое, A1 . Имеем, что при Λ > 1,



P max X (t) > u, max X (t) > u ¶
t∈∆0 t∈∆1

¶ P max X (t) > u, maxp X (t) > u +
t∈∆0 t∈u−2/α [Λ+ Λ,2Λ]

+P max p X (t) > u ¶
t∈u−2/α [0, Λ]

¶ P max X (t) > u, max
p p X (t) > u +
t∈∆0 t∈u−2/α [Λ+ Λ,2Λ+ Λ]

+P max p X (t) > u .
t∈u−2/α [0, Λ]
Второе слагаемое оценим при помощи леммы .. и предложения
.., первое –– при помощи леммы ... Получаем, что
A1 p α  p
lim sup ¶ h exp − Λ /8 + Hα ( Λ) ¶
u→∞ N p Ψ(u)
 p
¶ h exp −Λα/2 /8 + Hα (1) Λ. (.)
Сведем теперь вместе все оценки: оценку сверху (.) и оценку
снизу (.)––(.). Для любых Λ1 , Λ2 > 0 имеем
P( max X (t) > u) P( max X (t) > u)
Hα (Λ1 ) t∈[0,p] t∈[0,p]
¾ lim sup 2/α
¾ lim inf ¾
Λ1 u→∞ pu Ψ(u) pu2/α Ψ(u) u→∞
Hα (Λ2 ) 2Ch € 1
Š 2h
€ 1 α/2
Š H (1)
− Λ exp − 8 Λα2 − Λ exp − 8 Λ2
α
¾ Λ − p . (.)
2 2 2 Λ2
Предположим, что
Hα (Λ)
lim inf > 0. (.)
Λ→∞ Λ
Переходя в формуле (.) к пределу Λ2 → ∞ и пользуясь предложе-
нием .., получаем, что
Hα (Λ1 ) H (Λ )
∞ > lim inf ¾ lim sup α 2 > 0,
Λ1 →∞ Λ1 Λ →∞ Λ2
2

откуда следует утверждение теоремы. Осталось доказать неравен-


ство (.). Для этого рассмотрим множество
S
D = ∆2 j ∩ [0, p]
j

и запишем оценки сверху (.) и снизу (.)––(.) для вероятно-


сти
P(max X (t) > u).
t∈D
.. Теорема Пикандса 

Получим аналогичное (.) неравенство


Hα (Λ1 ) H (Λ ) 2Ch € 1 Š
¾ α 2 − exp − Λα2 . (.)
2Λ1 2Λ2 Λ2 8
Двойка в знаменателях появляется в силу того, что множество D со-
держит асимптотически в два раза меньше интервалов ∆ j . Послед-
ние члены в правой части отсутствуют в силу того, что в D отсут-
ствуют соседние интервалы ∆ j . Выберем Λ2 столь большим, чтобы
выполнялось неравенство
Hα (1) 2C € 1 Š

− Λ
exp − 8 Λα2 > 0.
2 2

Поскольку Hα (Λ) не убывает, правая часть неравенства (.) также


положительна. Переходя к нижнему пределу в левой части, получа-
ем требуемое неравенство (.).
Лекция 

Хвост распределения максимума


нестационарного процесса

В настоящей лекции мы рассмотрим ситуацию, в определенном


смысле противоположную рассмотренному в лекции  случаю ста-
ционарного гауссовского процесса. А именно, рассмотрим гауссов-
ский нестационарный процесс, дисперсия которого достигает мак-
симума в единственной точке. Итак, пусть теперь X (t), t ∈ [0, T ] ––
процесс с нулевым средним, дисперсией σ2 (t) = EX 2 (t) и корреля-
EX (s)X (t)
ционной функцией r(s, t) = σ(s)σ(t) . Предположим, что дисперсия
достигает своего единственного максимума во внутренней точке
t0 ∈ (0, 1). Случай, когда t0 –– крайняя точка отрезка, скажем t0 = 0,
рассматривается в точности так же, в тех же условиях, в процессе
доказательства мы будем комментировать, как надо его модифици-
ровать для этого случая, и в конце сформулируем соответствующее
утверждение.
Итак, введем следующие условия на процесс X (t).
E. Существуют такие положительные a, β, что
σ(t) = 1 − a|t − t0 |β (1 + o(1)) при t → t0 .
E (Локальная стационарность.) Найдется такое α ∈ (0, 2], что
r(s, t) = 1 − |t − s|α (1 + o(1)) при s → t0 , t → t0 .
E (Регулярность.) Существуют такие положительные γG, что
для всех s, t выполнено неравенство
E( X (t) − X (s))2 ¶ G|t − s|γ .
Теорема .. Предположим, что дисперсия гауссовского процес-
са X (t), t ∈ [0, T], достигает своего единственного максимального
значения в точке t0 , являющейся внутренней точкой отрезка [0, T ].
Предположим также, что выполнены условия E––E. Тогда
) если β > α, то
2Hα Γ(1/β) 2/α−2/β
P( max X (t) > u) = u Ψ(u)(1 + o(1)) при u → ∞;
t∈[0,T ] a1/β β
Лекция . Хвост для максимального нестационарного процесса 

) если β = α, то
P( max X (t) > u) = Hαa Ψ(u)(1 + o(1)) при u → ∞,
t∈[0,T ]

где
0 < Hαa = lim Hαa (Λ) < ∞,
Λ→∞

Hαa (Λ) = E exp max χ(t) − a|t|α ;
t∈[−Λ,Λ]

) если β < α, то

P max X (t) > u = Ψ(u)(1 + o(1)) при u → ∞.
t∈[0,T]

Предположим, что t0 = 0 и выполнены все остальные вышеприве-


денные условия. Тогда асимптотическое соотношение 1 имеет ме-
сто при делении правой части на 2; асимптотическое соотноше-
ние 2 имеет место с заменой Hαa (Λ) на

Hα0,a (Λ) = E exp max χ(t) − a|t|α ;
t∈[0,Λ]

асимптотическое соотношение 3 не меняется. Эти же утвержде-


ния имеют место и в случае t0 = T.
Представленная в теореме система отношений между α и β,
т. е. между локальным поведением корреляционной функции в нуле
и дисперсии в точке её максимума, достаточно понятна с физи-
ческой точки зрения. Если корреляция осциллирует быстрее дис-
персии (случай ), то поведение вероятности высокого экстремума
близко к случаю стационарного процесса X (t), в противоположном
случае  дисперсия «не замечает» движения траектории процесса
и асимптотика высокого экстремума такая же, как хвост распре-
деления значения процесса в точке максимума. Промежуточный
случай  является точкой фазового перехода, когда поведение траек-
тории и дисперсии конкурируют друг с другом. Важным примером
случая  является броуновский мост W (t) − tW(1), t ∈ [0, 1], для
которого α = 1, β = 2, t0 = 1/2. Важным примером случая  является
винеровский процесс W (t), t ∈ [0, 1], α = β = 1, t0 = 1.
Доказательство теоремы. Замена времени t 7→ t − t0 позволяет
считать, что t0 = 0, при этом t ∈ T := [−t0 , T − t0 ].
Первый шаг: выделение информативного интервала. Обо-
значим δ = u−2/β ln2/β u. Обозначим A = T \ [−δ, δ]. Для всех доста-
 Лекция . Хвост для максимального нестационарного процесса

точно больших u имеют место неравенства

P( max X (t) > u) ¶ P(max X (t) > u) ¶ P( max X (t) > u) ¶


t∈[−δ,δ] t∈T t∈[−δ,δ]

+ P(max X (t) > u).


t∈A

В случае t0 = 0 вместо [−δ, δ] берем [0, δ]. Для достаточно боль-


ших u выполнено соотношение
a
σ2 (A) := sup σ2 (t) ¶ 1 − δβ ,
t∈A
2

и поэтому в силу предложения .. имеет место оценка


€ u2
Š
P(max X (t) > u) ¶ CTu2/γ−1 exp − −2 2 .
t∈A 2 − au ln u
Легко проверить, что правая часть стремится к нулю быстрее, чем
P( X (0) > u), и поскольку P( max X (t) > u) ¾ P( X (0) > u), мы имеем
t∈[−δ,δ]

P(max X (t) > u) = P( max X (t) > u)(1 + o(1)) (.)


t∈T t∈[−δ,δ]

при u → ∞. В случае t0 = 0 вместо [−δ, δ] берем [0, δ].


Второй шаг: анализ стандартного процесса. Рассмотрим гаус-
совский процесс
ξ(t)
Y (t) = , t ∈ [−ǫ, ǫ], ǫ > 0, b > 0,
1 + b|t|β
где ξ(t) –– гауссовский стационарный процесс с нулевым средним
и ковариационной функцией r(t) = exp(−d|t|α ), d > 0. Мы найдем
асимптотическое поведение вероятности
P( max Y (t) > u)
t∈[−δ,δ]

и затем, пользуясь неравенством Слепяна и выбирая соответствую-


щим образом параметры b и d, получим асимптотически близкие
верхнюю и нижнюю границы для искомой вероятности (.), отку-
да будет следовать утверждение теоремы. Напомним, что в случае
граничной точки максимума дисперсии вместо отрезка [−δ, δ] бе-
рется отрезок [0, δ].
. Случай α < β . Выберем κ ∈ (α, β) и обозначим ∆ = u−2/κ , ∆k =
= [k∆, (k + 1)∆]. Введем события
Ak = {max ξ(t) ¾ uk }, A′k = {max ξ(t) ¾ u′k }, k ∈ Z,
t∈∆k t∈∆k
Лекция . Хвост для максимального нестационарного процесса 

где
¨
u(1 + b|(k + 1)∆|β ) при k < 0,
uk =
u(1 + b(k∆)β ) при k ¾ 0
и
¨
u(1 + b((k + 1)∆)β ) при k ¾ 0,
u′k =
u(1 + b|k∆|β ) при k < 0.

Очевидно (неравенство Бонферрони),


P
P(Ak ) ¾ P( max Y (t) > u) ¾
−δ/∆−1¶k¶δ/∆ t∈[−δ,δ]
P P P
¾ P(A′k ) − P(Ak Al ).
−δ/∆¶k¶δ/∆−1 −δ/∆−1¶k¶δ/∆ −δ/∆¶l¶δ/∆−1,l6=k
(.)

В случае граничной точки максимума суммирование в одинарных


суммах в левой и правой частях начинается от нуля. В силу теоремы
.. имеем
2/α
P(Ak ) = ∆Hα uk Ψ(uk )(1 + γ(uk )),

где γ(x) → 0 при x → ∞. Аналогичное выражение можно выписать


для A′k . Обозначим γ
e(u) = sup |γ(x)|. Имеем
x¾u

P P 2/α
e(u))∆Hα
P(Ak ) ¶ (1 + γ uk Ψ(uk ) ¾
−δ/∆−1¶k¶δ/∆ −δ/∆−1¶k¶δ/∆
P 2/α
e(u))∆Hα
¾ (1 − γ uk Ψ(uk ).
−δ/∆−1¶k¶δ/∆

Далее, пользуясь выражениями для Ψ, uk и ∆ и обозначая ∆1 =


= u2/β −2/κ , получаем
P 2/α 1 2
∆ uk Ψ(uk ) = p e−u /2 u2/α−2/β ×
0¶k¶δ/∆ 2πu
P € 1
Š
×∆1 (1+bu−2 (k∆1 )β )2/α−1 exp −b(k∆1 )β − b2 u−2 (k∆1 )2β .
2
0¶k¶δ/∆

Заметим, что ∆1 → 0 при u → ∞ и, кроме того,

δ/∆1 = u−2/β +2/κ ln2/β u → ∞ при u → ∞.


 Лекция . Хвост для максимального нестационарного процесса

Поэтому в силу мажорированной сходимости последняя сумма эк-


вивалентна интегральной сумме (xk = k∆1 )

P Í∞ Í∞
β −bx β β
exp(−b(xk ) )∆1 → e dx = b 1/β
e−x dx =
0¶k¶δ/∆ 0 0

= b1/β β −1 Γ(1/β),

где последнее равенство получается заменой переменных x β = y.


Повторяя вышеприведенные рассуждения еще три раза, убеждаем-
ся, что к этому же пределу стремятся остальные три суммы, форми-
рующие одинарные суммы в формуле (.). В случае граничной t0
сумм будет две, а не четыре. Оценим теперь двойную сумму в фор-
муле (.). Начнем с несоседних Ak , Al . Имеем

P(Ak Al ) ¶ P(max ξ(s) ¾ u, max ξ(t) ¾ u) ¶


s∈∆k t∈∆t

¶ P( max ξ(s) + ξ(t) ¾ 2u).


(s,t)∈∆k ×∆l

Дисперсия гауссовского поля ξ(s) + ξ(t) равна 2 + 2r(t − s), и

max (2 + 2r(t − s)) ¶ 4 − 2 max (1 − r(t − s)) ¶ 4 − 4du−2α/κ ,


(s,t)∈∆k ×∆l (s,t)∈∆k ×∆l

где последнее неравенство имеет место для всех достаточно боль-


ших u. Дисперсия приращений этого поля не превосходит

4d(|t − t ′ |α + |s − s′ |α ).

Применяя предложение .., получаем, что

 € 4u2
Š
P max ξ(s) + ξ(t) ¾ 2u ¶ Cu−4/κ+4/α−1 exp − ¶
(s,t)∈∆k ×∆l 2(4 − 4du−2α/κ )
€ u2 Š € d Š
¶ Cu−4/κ+4/α−1 exp − 2 exp − 2 u2−2α/κ .

Поскольку κ > α, получаем, что 2 − 2α/κ > 0, т. е. порядок каждо-


го слагаемого в двойной сумме есть степень u, умноженная на
exp(−u2 /2) и на exp(−u2−2α/κ /2). Порядок числа слагаемых в двой-
ной сумме степенной по u, порядок одинарных сумм, как уже пока-
зано, есть степень u, умноженная на exp(−u2 /2). Отсюда заключа-
Лекция . Хвост для максимального нестационарного процесса 

ем, что часть двойной суммы по несоседним слагаемым, деленная


на одинарную сумму, экспоненциально убывает и стремиться к ну-
лю при u → ∞. Рассмотрим теперь соседние слагаемые. Для этого
возьмем κ1 ∈ (α, κ), обозначим

∆′k+1 = [(k + 1)∆ + u−2/κ1 , (k + 2)∆],


∆′′k+1 = [(k + 1)∆, (k + 1)∆ + u−2/κ1 ]

и запишем

P(Ak Ak+1 ) ¶
€ Š 
¶ P max ξ(s) ¾ uk , max

ξ(t) ¾ u k+1 + P max
′′
ξ(t) ¾ uk+1 .
s∈∆k t∈∆k+1 t∈∆k+1

В силу вышеприведенных рассуждений для несоседних слагаемых.


Сумма по k двойных вероятностей в правой части, экспоненциаль-
но меньше одинарных сумм. Сумма одинарных вероятностей спра-
ва оценивается как одинарные суммы, но, поскольку длины отрез-
ков ∆′′k бесконечно меньше длин отрезков ∆k , эта сумма бесконечно
меньше. Таким образом, утверждение теоремы . () доказано для
процесса Y (t).
Третий шаг: переход к процессу X. Для произвольного ǫ > 0
и всех достаточно больших u, при t ∈ [−δ, δ], в силу условия E,
имеют место неравенства

1 1
¶ σ(t) ¶ .
1 + (a + ǫ)|t|β 1 + (a − ǫ)|t|β

Отсюда следует, что


€ X (t) Š
P max β > u ¶ P( max X (t) > u) ¶
t∈[−δ,δ] σ(t)(1 + (a + ǫ)|t| ) t∈[−δ,δ]
€ X (t) Š
¶P max β > u . (.)
t∈[−δ,δ] σ(t)(1 + (a − ǫ)|t| )

В силу условия E ковариационная функция процесса X (t)/σ(t), т. е.


корреляционная функция r(t) процесса X (t) при всех достаточно
больших u и тех же t удовлетворяет неравенствам

exp(−(1 + ǫ)|t|α ) ¶ r(t) ¶ exp(−(1 − ǫ)|t|α ). (.)


 Лекция . Хвост для максимального нестационарного процесса

Отсюда по теореме Слепяна для любого b (нас интересуют b = a ± ǫ)


имеем
€ ξ− (t) Š € X (t) Š
P max β > u ¶ P max β > u ¶
t∈[−δ,δ] (1 + b|t| ) t∈[−δ,δ] σ(t)(1 + b|t| )
€ ξ+ (t) Š
¶P max β
> u , (.)
t∈[−δ,δ] (1 + b|t| )

где ковариационные функции гауссовских стационарных процесов


с нулевыми средними ξ− (t) и ξ+ (t) равны соответственно правой
и левой частям неравенств (.). Асимптотическое поведение пра-
вой и левой частей неравенств (.) уже найдено, они отличают-
ся лишь множителями, которые, как нетрудно видеть, произвольно
близки при соответствующем выборе достаточно малого ǫ. Таким
образом, утверждение  теоремы доказано.
. Случай α = β . Нам понадобится еще одно обобщение леммы
...
Лемма .. Пусть для гауссовского процесса X (t) выполнены
условия E––E с α = β. Тогда для любых Λ1 , Λ2 ¾ 0 выполнено ра-
венство
€ Š
P max X (t) > u = Hαa (Λ1 , Λ2 )Ψ(u)(1 + o(1)), u → ∞,
t∈[−Λ1 u−2.α ,Λ2 u−2.α ]

где

Hαa (Λ1 , Λ2 ) = E exp max χ(t) − a|t|α
t∈[−Λ1 ,Λ2 ]

Доказательство. Доказательство этой леммы отличается от до-


казательства леммы .. лишь вычислением пределов условных
среднего и дисперсии процесса χu (t). Напомним начало этого до-
казательства. Пусть u > 0. Воспользуемся формулой полной вероят-
ности:

P( max X (t) > u) = (.)


t∈[0,Λu−2/α/ ]
Í∞ € Š
1 2
=p e−v /2
P max X (t) > u X (0) = v dv =
2π t∈[−Λ1 u−2.α , Λ2 u−2.α ]
−∞
Í∞ € Š
1 2 2 w
=p e−u /2 ew−w /2
P max > u X (0) = u − u dw,
2πu t∈[−Λ1 u−2.α , Λ2 u−2.α ]
−∞
Лекция . Хвост для максимального нестационарного процесса 

где мы сделали замену переменных v = u − w/u. Введем гауссовский


процесс χu (t) = u( X (u−2/α t) − u) + w. Последний интеграл перепи-
шется в виде
Í∞ € Š
2 w
ew−w /2
P max χu (t) > w X (0) = u − u dw.
t∈[−Λ1 ,Λ2 ]
−∞

Теперь рассмотрим семейство гауссовских распределений, появив-


шихся под знаком интеграла. Исследуем сначала поведение средних
и ковариаций, т. е. условных средних и ковариационных функций.
Пользуясь соответствующими формулами из лекции  для условного
математического ожидания и дисперсии, получаем
€ w
Š € € w
Š Š
E χu (t) X (0) = u − = u E X (u−2/α t) X (0) = u − −u =
u u
€ EX (u−2/α t)X (0) € w
ŠŠ
=u 2 u− =
EX (0) u
−2/α
2
= −u (1 − σ (u 2
t)r(u−2/α t)) + w(1 − σ2(u−2/α t)r(u−2/α t)) (.)

и
€ Š
w
var χu (t) − χu (s) X (0) = u − =
u
€ € ŠŠ
w 2
= E χu (t) − χu (s) − E χu (t) − χu (s) X (0) = u − =
u
2 −2/α −2/α 2
= u E[X (u t) − X (u s)] −

− [σ2 (u−2/α t)r(u−2/α t) − σ2 (u−2/α s)r(u−2/α s)]2 . (.)

Кроме того,
€ w
Š € w
Š
E χu (0) X (0) = u − = E χu2 (0) X (0) = u + = 0.
u u
Теперь воспользуемся условиями E, E. Получаем, что при u → ∞
выполняется равенство
€ w
Š
E χu (t) X (0) = u − u = −|t|α − a|t|α + wo(1),

и € Š
w
var χu (t) − χu (s) X (0) = u − = −|t − s|α + o(1).
u
Дальнейшее доказательство слово в слово повторяет доказатель-
ство леммы ...
 Лекция . Хвост для максимального нестационарного процесса

Продолжим доказательство теоремы в этом случае. Мы снова бу-


дем разбивать отрезок [−δ, δ] на маленькие отрезки ∆k . В этой ча-
сти доказательства теоремы мы вернемся к определению этих от-
резков, используемых при доказательстве теоремы .., т. е. теперь
∆ = Λu−2/α , ∆k = [k∆, (k + 1)∆]. Для всех достаточно больших u вы-
полнено неравенство
 
P max X (t) > u ¾ P max X (t) > u .
t∈[−δ,δ] t∈[−Λ1 u−2/α , Λ2 u−2/α ]

Далее,

P max X (t) > u ¶
t∈[−δ,δ]

 P
[∆/δ]+1
¶P max X (t) > u + P(Ak ),
t∈[−Λ1 u−2/α , Λ2 u−2/α ] k=−[∆/δ]−1, k6=0,−1

где Ak = {max X (t) ¾ u}. В случае внутренней точки t0 выбираем


∆k
Λ1 = Λ2 = Λ, в случае граничной точки берем Λ1 = 0, Λ2 = Λ. Пределы
суммирования в последней сумме в случае граничной точки мак-
симума меняются очевидным образом. Оценим слагаемые в этой
сумме. В силу неравенств (.)––(.) имеем
 
P(Ak ) ¶ P max ξ(t) > u(1 + |k∆|α = P max ξ(t) > u(1 + |Λk|α u−2 ,
t∈∆k t∈∆k

что в силу леммы .. не превосходит для достаточно больших u


и всех k величины 4Ψ(u)Hα (Λ) exp(−|Λk|α ). Действительно,
 
P max ξ(t) > u(1 + |Λk|α u−2 ¶ (1 + γ
e(u))HαΨ u(1 + |Λk|α u−2 ) ¶
t∈∆k

e(u))Hα
(1 + γ 1 2
−|Λk|α
¶ p e− 2 u ¶
u 2π(1 + |Λk|α u−2 )
α α
¶ 2Hα (1 + u−2 )Ψ(u)e−|Λk| ¶ 4Hα Ψ(u)e−|Λk|

γ(u), u−2 ) = 1, а
для всех u ¾ u0 , где u0 –– решение уравнения max(e

P max ξ(t) > v
t∈∆
e(u) = sup
γ H Ψ(v)
− 1 ↓0 при u ↑ ∞.
v¾u α

Таким образом,
[∆/δ]+1
P P
∞ α
P(Ak ) ¶ 8Hα Ψ(u) e−|Λk| ,
k=−[∆/δ]−1, k6=0,−1 k=1
Лекция . Хвост для максимального нестационарного процесса 

т. е.
P
[∆/δ]+1
P

α
P(Ak ) 8Hα Ψ(u) e−|Λk|
k=−[∆/δ]−1, k6=0,−1 k=1
lim sup  ¶ lim sup →0
n→∞ P max X (t) > u n→∞ P(X (0) > u)
t∈[−Λu−2/α , Λu−2/α ]

при Λ → ∞. Возьмем произвольно малое ǫ > 0, и пусть Λ столь вели-


ко, что последняя дробь не превосходит ǫ. Тогда
 
P max X (t) > u P max X (t) > u
t∈[−Λ1 u−2/α , Λ2 u−2/α ] t∈[−δ,δ]
1 = lim ¶ lim inf ¶
u→∞ Hαa (Λ1 , Λ2 )Ψ(u) u→∞ Hαa (Λ1 , Λ2 )Ψ(u)

P max X (t) > u
t∈[−δ,δ]
¶ lim sup H a (Λ , Λ )Ψ(u) ¶ 1 + ǫ,
u→∞ α 1 2

где Λ1 = Λ2 = Λ, а в случае, когда t0 –– граничная точка t0 , Λ1 = 0,


Λ2 = Λ. Отсюда следуют утверждения из п.  теоремы.
. Случай α > β . Заметим, что в этом случае δ = o(u−2/α ) при
u → ∞. Поэтому, рассуждая точно так же, как в доказательстве п. ,
получаем, что для произвольного ǫ > 0 и всех достаточно больших u
имеют место неравенства

P max X (t) > u
P(X (0) > u) t∈[−δ,δ]
1 = lim Ψ(u)
¶ lim inf Ψ(u)

u→∞ u→∞
 
P max X (t) > u P max ξ(t) > u
t∈[−δ,δ] t∈[−ǫu−2/α ,ǫu−2/α ]
¶ lim sup ¶ lim = Hα (ǫ).
u→∞ Ψ(u) u→∞ Ψ(u)

В силу теоремы о монотонной сходимости под знаком интеграла


Hα (ǫ) → 1 при ǫ → 0. Утверждение , и вместе с тем вся теорема
доказаны.
Лекция 

Хвост распределения максимума. Примеры

В этой лекции мы рассмотрим несколько известных моделей


гауссовских процессов, к которым можно применить доказанные
в предыдущих двух лекциях теоремы.

.. Винеровский процесс


Винеровским процессом называется гауссовский процесс Wt ,
t ¾ 0, с нулевым средним и независимыми приращениями, W0 = 0,
при этом дисперсия приращений растет линейно:

E(Wt − Ws )2 = σ2 (t − s), t ¾ s.

Из этого следует, что траектории винеровского процесса можно


считать непрерывными. Точнее говоря, существует версия этого
процесса с непрерывными траекториями. Легко найти ковариаци-
онную функцию процесса:

R(s, t) = σ2 min(s, t).

Если σ2 = 1, то этот процесс называется стандартным винеровским


процессом (броуновским движением). Пользуясь теоремой ., най-
дем асимптотику вероятности

P( max Wt > u) при u → ∞.


t∈[0,p]

Занятие это кажется на первый взгляд достаточно бесполезным, по-


скольку известно, например из принципа отражения, что эта веро-
ятность просто равна 2P(Wp > u). Тем не менее, продолжив, мы уви-
дим, что эти выкладки имеют смысл, поскольку их можно проделать
для более общего случая «похожих» на винеровский процессов. Мак-
симальное значение дисперсии винеровского процесса достигается
в единственной точке t0 = p. При этом
p σ
σ(t) = σ p − p |t − p| + o(|t − p|), t → p
2 p
.. Винеровский процесс 

(формула Тейлора для квадратного корня), и при t → p, s → p полу-


чаем, что
1
min(s, t) (|s| + |t| − |t − s|) |s| + |t| |t − s|
r(s, t) = p = 2 p = p − p =
st st 2 st 2 st
€ |s| + |t| Š 1
= 1+ p −1 − |t − s| + |t − s|O(|t − p| + |s − p|) =
2 st 2p
p p 2
( t − s) 1
= 1+ p − 2p |t − s|(1 + O(|t − p| + |s − p|)) =
2 st
1
= 1 + O((t − s)2 ) − 2p |t − s|(1 + O(|t − p| + |s − p|)) =
1
= 1− |t − s|(1 + o(1)).
2p
Теперь нам нужно подогнать полученные свойства под условия тео-
ремы. Делается это масштабированием. Делая замену времени
t
t ′ = 2p , получаем
 max Wt   
 t∈[0,p] u W2pt′ u
P max Wt > u = P p > p =P max p > p ,
t∈[0,p] σ p σ p t ′ ∈[0,1/2] σ p σ p

и процесс в правой части удовлетворяет условиям E––E, при этом


α = β = 1, a = 1, t0 = 1/2. Таким образом,
0,1 p
P( max Wt > u) = H1 Ψ(u/σ p)(1 + o(1)),
t∈[0,p]

где
0,1

H1 = lim E exp max χ(t) − |t| .
Λ→∞ t∈[0,Λ]

Нетрудно
p убедиться, что при α = 1 процесс имеет вид χ(t) =
= 2Wt − |t|, т. е.
0,1
p 
H1 = lim E exp 2 max Wt − 2|t|
Λ→∞ t∈[0,Λ]

Зная точное выражение для нашей вероятности, получаем, что


0,1
H1 = 2. Но главный вывод состоит в том, что для любого гауссов-
ского процесса с максимумом дисперсии в крайней точке рассмат-
риваемого интервала и поведением ее в этой точке порядка |t − t0 |,
а также поведением корреляции в этой точке порядка |t − s|, мы
получили асимптотику вероятности большого максимума со всеми
известными константами.
 Лекция . Хвост распределения максимума. Примеры

.. Броуновский мост


Броуновским мостом B(t), t ∈ [0, 1], называется гауссовский слу-
чайный процесс с нулевым средним и ковариационной функцией
rB (s, t) = min(s, t) − st.
Нетрудно видеть, что броуновским мостом является процесс
B(t) = Wt − tW1 ,
где Wt –– стандартное броуновское движение. Обратно, если взять
гауссовскую стандартную величину ξ, не зависящую от B(t), то гаус-
совский процесс B(t) + ξt –– стандартный винеровский процесс на
отрезке [0, 1]. Максимум дисперсии σ2 (t) = t − t 2 достигается в точ-
ке t0 = 1/2, при этом
1
€ Š
1 2 1
σ(t) = 2 − t − 2 (1 + o(1)), t → 2 .
Имея в виду, что
E(B(t) − B(s))2 = |t − s| − (t − s)2
и
2EB(s)B(t) = EB(s)2 + EB(t)2 − E(B(t) − B(s))2,
вычисляем, что разложение корреляционной функции при s, t → 1/2
имеет вид
1
r(s, t) = 1 − |t − s|(1 + o(1)), t − s → 0.
2
Отсюда с использованием теоремы . получаем, что
2
P( max B(t) > u) ∼ H1 e−2u
t∈[0,1]
при u → ∞. Поскольку распределение максимума броуновского мо-
ста известно:
2
P( max B(t) > u) = e−2u ,
t∈[0,1]
получаем, что константа Пикандса для α = 1 равна единице: H1 = 1.
Таким образом, теорема из предыдущей лекции позволяет вычис-
лять точные асимптотики вероятностей высоких выбросов для гаус-
совских стационарных процессов с «броуновским» поведением кор-
реляции в нуле, т. е. с α = 1. Два популярных примера таких процес-
сов –– процесс Орнштейна––Уленбека с корреляционной функцией
exp(−λ|t|) и процесс с треугольной корреляцией max(1 − |at|, 0),
λ, a > 0. Чтобы убедиться, что это корреляционная функция, на-
до вычислить корреляционную функцию процесса W (t + 1) − W(t)
(предварительно доказав, что этот процесс стационарный).
.. Дробное броуновское движение 

.. Дробное броуновское движение


Дробным броуновским движением B H (t), t ¾ 0, H ∈ (0, 1], назы-
вается гауссовский процесс со стационарными приращениями и ну-
левым средним, начинающийся в нуле, B H (0) = 0, и с дисперсией
приращений
E(B H (t) − B H (s))2 = σ2 |t − s|2H .

Если σ2 = 1, то этот процесс называется стандартным дробным бро-


уновским движением. Параметр H называется показателем Хёрста.
Этот процесс нам уже знаком из определения константы Пикандса.
Мы видим, что при H = 1/2 процесс является броуновским движе-
нием (винеровским процессом). Интересно заметить, что при H = 1
процесс становится тривиальными, а именно B1 (t) = σξt, где ξ ––
стандартная гауссовская величина. (Докажите это, а также докажи-
те, что при H > 1 такой процесс неслучаен.) Для простоты возьмем
σ2 = 1 и найдем асимптотику вероятности P( max B H (t) > u). Три-
t∈[0,1]
виальный случай H = 1 для простоты исключаем. У нас уже доста-
точно опыта, чтобы легко проверить, что при s, t → 1 выполняются
соотношения
σ(t) = 1 − 2H|1 − t|(1 + o(1))

и
1
r(s, t) = 1 − 2 |t − s|2H (1 + o(1)),

т. е. α = 2H, β = 1. Для H = 1/2 задача решена. При H > 1/2 действу-


ет часть  теоремы, т. е. справедливо следующее утверждение.
Предложение ... Если H > 1/2, то выполняется соотноше-
ние

P max B H (t) > u ∼ P(B H (1) > u) ∼ Ψ(u) при u → ∞.
t∈[0,1]

При H < 1/2 (случай ) следует сделать замену t ′ = 2−1/2H t, и мы


получим, что a = 2H2−1/2H .
Предложение ... Если H < 1/2, то выполняется соотноше-
ние
 H2H 1 1 −2
P max B H (t) > u ∼ 2H 2 2H u H Ψ(u)(1 + o(1)) при u → ∞.
t∈[0,1]
 Лекция . Хвост распределения максимума. Примеры

.. Задача о разорении для дробного


броуновского движения
В актуарной математике модель изменения по времени совокуп-
ного капитала страховой компании часто описывается суммой
K(t) = x − S1 (t) + ct,
где x > 0 –– начальный капитал компании, c > 0, ct –– прирост ка-
питала за счет страховых взносов, S1 (t) ¾ 0 –– расходы на выпла-
ты страховых премий. Сравните с теоремой Крамера––Лундберга.
Поскольку страховые компании, как правило, вкладывают день-
ги в различные другие финансовые инструменты (довольно часто
именно это составляет основную часть доходов), модель усложня-
ется:
K(t) = x − S1 (t) + S2 (t) + ct,
S2 (t) ¾ 0. Функции S1 , S2 обычно описываются при помощи слу-
чайных скачкообразных процессов с положительными скачками.
В больших компаниях скачки происходят очень часто, и часто для
простоты математических выводов переходят к процессам с непре-
рывными траекториями, как правило к броуновскому движению.
Иногда рассматривают дробное броуновское движение, поскольку
скачки, вообще говоря, не независимы, а броуновское движение
есть предел процессов с независимыми скачками. Имеются обос-
нования того, что в качестве модели процесса −S1 (t) + S2(t) можно
использовать дробное броуновское движение, однако мы на этих
обоснованиях останавливаться не будем, а рассмотрим достаточно
популярную в актуарной математике модель
K(t) = x + B H (t) + ct, t ¾ 0.
Одной из важнейших задач является задача о разорении: оценить
вероятность разорения
 
P ∃t ¾ 0: K(t) < 0 = P sup −B H (t) − ct > x =
t¾0

= P sup B H (t) − ct > x , (.)
t¾0

где последнее равенство имеет место в силу симметрии гауссовских


распределений с нулевым средним. Мы рассмотрим эту вероятность
для больших значений начального капитала, x ≫ 1, т. е., попросту
.. Задача о разорении для дробного броуновского движения 

говоря, найдем асимптотику этой вероятности при x → ∞. Уста-


новим сначала свойство автомодельности дробного броуновского
движения.
Предложение ... Для любого положительного a процессы
{B H (t), t ¾ 0} и {a−H B H (at), t ¾ 0} распределены одинаково.
В силу гауссовости для этого, достаточно показать совпадение
средних (они оба равны нулю) и ковариационных функций. Послед-
нее делается очень простым вычислением.
Продолжим цепочку (.), считая для простоты, что σ2 = 1:

P ∃t ¾ 0: B H (t) − ct > x =
€ B (t) x + ct
Š € B (sx) x + cxs
Š
= P ∃t ¾ 0: HH > H = P ∃s ¾ 0: HH H > H H =
t t x s x s
€ x −H B (sx)s H Š € B (t) Š
= P sup H H > x 1−H = P sup H > x 1−H .
s¾0 s (1 + cs) t¾0
1 + ct
Во втором равенстве была сделана замена времени t = xs, в четвер-
том использована автомодельность процесса B H (t). Рассмотрим те-
перь получившийся гауссовский случайный процесс под знаком ве-
роятности, обозначим его Y (t). Среднее этого процесса равно нулю,
а дисперсия равна
t 2H
EY 2 (t) := σ2 (t) = .
(1 + ct)2
Найдем максимум функции σ(t) и точку, где он достигается. Имеем
Ht H−1 ct H
σ′ (t) = 1 + ct − = 0,
(1 + ct)2
причем точка t = 0 не является точкой максимума. Считая, что t > 0,
решим это уравнение:
ct
H− = 0.
1 + ct
Получаем, что
H
t0 = c(1 − H) ,
и это единственная точка максимума. Вычислим вторую производ-
ную в точке t0 . Для удобства перепишем первую производную в виде
Ht H−1 ct H t 2H 
σ′ (t) = − 2 = 2 H(1 + ct)t −H−1 − ct −H =
1 + ct (1 + ct) (1 + ct)
t 2H 
= Ht −H−1 − ct −H (1 − H) .
(1 + ct)2
 Лекция . Хвост распределения максимума. Примеры

Производная первого сомножителя в точке t0 равна нулю, производ-


ная второго сомножителя равна
−H(H + 1)t −H−2 + cH(1 − H)t −H−1 = Ht −H−2 (−H − 1 + c(1 − H)t),
а в точке t0 это выражение равно Ht0−H−2 (−H − 1 + H) = −Ht0−H−2 .
Таким образом, вторая производная в этой точке равна
Ht0H−2
σ′′ (t0 ) = − = −Ht0H−2 (1 − H)2 .
(1 + ct0 )2
Итак,
σ(t) 1 
σ(t0 )
= 1 − 2 c2 H −1 (1 − H)3 (t − t0 )2 + O (t − t0 )3 . (.)

Рассмотрим теперь поведение корреляционной функции r(s, t) про-


цесса B H (t)/(1 + ct) в окрестности точки t0 . Обозначим
d(t) = (σ(t)(1 + ct))−1
и воспользуемся представлением
1
r(s, t) = 1 − E(d(t)B H (t) − d(s)B H (s))2 .
2
Имеем
d(t)B H (t) − d(s)B H (s) = d(t0 )(B H (t) − B H (s)) +
+ (d(t) − d(t0))(B H (t) − B H (s)) + (d(t) − d(s))BH (s),
Ed 2 (t0 )(B H (t) − B H (s))2 = d(t0)|t − s|2H ,
E(d(t) − d(t0))2 (B H (t) − B H (s))2 = |t − s|2H O((t − t0 )2 ) при t → t0 ,
E(d(t) − d(s))2 B2H (s) = O((t − s)2 ) при s, t → t0 .
Таким образом, если H < 1, то
1
r(s, t) = 1 − d 2 (t0 )|t − s|2H (1 + o(1)) при s, t → t0 .
2
Имея в виду, что d(t0) = t0−H , перепишем это соотношение в виде
1 1/2
r(s, t) = 1 − 2 d(t0)|t ′ − s′ |2H (1 + o(1)) при s′ , t ′ → 2−1/2H t0 ,
где, чтобы подогнать все обозначения к условиям теоремы  лек-
−1/2 −1/2
ции , мы полагаем s′ = 2−1/2H t0 s, t ′ = 2−1/2H t0 t. При этом фор-
мулу (.) следует переписать в виде
σ(t) 1 
= 1 − c2 H −1 (1 − H)3 2−1/H t0−1 (t ′ − t0′ )2 + O (t ′ − t0′ )3 =
σ(t0 ) 2

= 1 − 2−1−1/H c3 H −2 (1 − H)2 (t ′ − t0′ )2 + O (t ′ − t0′ )3 .
.. Задача о разорении для дробного броуновского движения 

Дальше мы уже знаем, что делать. Для любого T > t0 в силу теоремы,
.(), получаем, что
€ B H (t) Š
P max 1 + ct > x 1−H ∼
t∈[0,T ]
p
πH2H c1/2 (1 − H)1/2 A(2−H)/2H (1−H)2 /H
∼ x Ψ(Ax 1−H ), (.)
H 1/2 B1/2 2−1/4H
где
€ H Š−H 1
A := σ(t0 ) = c(1 − H) 1−H
и
€ H
Š−H−2
B := −σ′′ (t0 ) = H.
c(1 − H)
Теперь надо перейти от конечного отрезка [0, T] к полупрямой
[0, ∞]. С этой целью оценим вероятность
€ B (t) Š
P sup 1 H+ ct > x 1−H .
t¾T

Число T можно выбрать достаточно большим и целым, имеем, поль-


зуясь стандартной оценкой
€ B H (t) Š P
∞ € B H (t) Š
P sup 1 + ct > x 1−H ¶ P sup 1 + ct > x 1−H ¶
t¾T k=T t∈[k,(k+1)]
P
∞ € 1 (1 + ck)2 Š
¶ Cx d exp − x 2−2H 2H
2 k
k=T

(1 + ck)2
для некоторых C и d. Имеет место соотношение ∼ c2 k 2−2H
k2H
при k → ∞, поэтому, например, заменяя сумму интегралом, получа-
ем, что сумма стремится к нулю быстрее экспоненты exp(−Cx 2−2H )
для сколь угодно большого C при достаточно большом выбранном
T, что всегда возможно. Таким образом, асимптотика (.) имеет
место и для полупрямой.
Лекция 

Хвост распределения максимума.


Обобщения

Метод двойных сумм Пикандса для нахождения точного асимп-


тотического поведения хвоста распределения максимума, рассмат-
риваемый в лекциях ––, достаточно очевидно обобщается на мно-
гие другие классы гауссовских функций, включая гауссовские слу-
чайные поля. Типичная схема обобщения следующая. Сначала вы-
деляется «информативный участок» параметрического множества,
т. е. множество, на котором с подавляющей вероятностью достига-
ется высокий максимум траектории. В случае стационарного про-
цесса (лекция ) все точки равноправны и информативным явля-
ется всё рассматриваемое параметрическое множество. В случае
единственной точки максимума дисперсии (лекция ) таким мно-
жеством является бесконечно малая окрестность этой точки макси-
мума дисперсии. Этот шаг подобен первому шагу асимптотического
метода Лапласа вычисления асимптотик интегралов типа
Í
f (x) exp(λA(x)) dx при λ → ∞.
T
Сначала мы исследуем множество достижения максимума ампли-
тудой A(x) и ее поведение в окрестности этого множества, кото-
рое и является «информативным» с точки зрения рассматриваемой
асимптотики. Принципиальным отличием от «элементарного» ме-
тода Лапласа является то обстоятельство, что наш интеграл явля-
ется континуальный, т. е. бесконечномерным интегралом по тра-
екториям процесса или поля в вероятностном пространстве. Кроме
того, амплитуды в методе Лапласа обычно имеют «хорошее» поведе-
ние в окрестности информативного множества, в то время как мы
рассматриваем индикаторы множества траекторий, которые пре-
высили высокий уровень. О хороших локальных свойствах таких
индикаторов говорить не приходится. Тем не менее, следующий шаг
метода двойных сумм также близок к классическому анализу. Мы
разбиваем интересующее нас множество траекторий на подмноже-
.. Локально-стационарные гауссовские процессы 

ства, достигающие максимума в бесконечно малых подмножествах


информативного множества. В случае стационарного гауссовского
процесса с условием Пикандса это отрезки длины порядка u−2/α .
В случае нестационарного процесса, рассмотренного в лекции ,
длины таких маленьких отрезков варьируются в зависимости от
соотношения поведения ковариации и дисперсии в окрестности
информативной точки. Преимущество рассмотрения малого отрез-
ка состоит в том, что мы можем применить элементарный анализ
условных гауссовских распределений, так как траектория за малое
время не может далеко уйти от высокого уровня, и найти точную
асимптотику хвоста распределения максимума. Об этом говорит
основная лемма лекции . Наконец, третьим шагом является рас-
смотрение траекторий, которые «успевают» выскочить за высокий
уровень на двух или более малых множествах. Выбор длины ма-
лого отрезка должен быть оптимальным, чтобы множество таких
траекторий было существенно меньше. Этот шаг в стационарном
случае сводится к оценке двойной суммы в неравенстве Бонферро-
ни, в других случаях может быть выполнен по-другому. Мы сейчас
коротко рассмотрим пути обобщения в наиболее важных классах
гауссовских процессов и полей.

.. Локально-стационарные гауссовские процессы


с постоянной дисперсией
Мы дадим определение локально-стационарного процесса для
случая постоянных дисперсий и среднего, хотя похожее определе-
ние может быть дано и в общем случае.
Определение ... Гауссовский процесс X (t) с нулевым сред-
ним, единичной дисперсией и ковариационной функцией r(s, t), за-
данный на компакте T ⊂ R, называется локально-стационарным, ес-
ли существуют такая непрерывная положительная функция Ct на T
и такое положительное число α ¶ 2, что
1 − r(Ct t1 , Ct t2 )
lim =1
t1 ,t2 →t |t2 − t1 |α
равномерно по t ∈ T.
Теорема ... Для локально-стационарного процесса X (t), за-
данного на компакте T , имеет место соотношение
Í
P(max X (t) > u) = Ct −1 dtHα u2/α Ψ(u)(1 + o(1)) при u → ∞.
T
T
 Лекция . Хвост распределения максимума. Обобщения

Доказательство. Разобьем компакт T на множества с диамет-


рами, не превосходящими δ > 0, T = ∪Ui , diam Ui ¶ δ, i = 1, …, N < ∞.
Введем обозначения
Ci− = inf Ct , Ci+ = sup Ct .
t∈Ui t∈Ui

Рассмотрим на Ui пару гауссовских стационарных процессов X± (t)


с нулевыми средними, единичными дисперсиями и ковариацион-
ными функциями
r± (t) = 1 − (Ci± )1/α |t|α + o(|t|α ), t → 0,
соответственно. По теореме Пикандса
P(max X± (t) > u) = (Ci± )−1 |Ui |Hα u2/α Ψ(u)(1 + o(1))
Ui

при u → ∞. Простое применение неравенства Слепяна приводит


к неравенству
P(max X+ (t) > u) P(max X (t) > u)
1 Ui Ui
|U | = lim ¶ lim inf ¶
Ci+ i u→∞ Hα u 2/α
Ψ(u) u→∞ Hα u2/α Ψ(u)
P(max X (t) > u) P(max X− (t) > u)
Ui Ui 1
¶ lim sup ¶ lim = |U |.
u→∞ Hα u2/α Ψ(u) u→∞ Hα u2/α Ψ(u) Ci− i
Возьмем произвольное ǫ > 0 и выберем δ столь малым, чтобы вы-
полнялись неравенства
P 1 Í P 1 Í
dt dt
+ ¾ (1 − ǫ) и − ¶ (1 + ǫ) .
i Ci Ct i Ci Ct

Отсюда получаем
P
P(max X (t) > u) P(max X (t) > u) Í
t∈T i t∈T dt
lim sup ¶ lim sup ¶ (1 + ǫ) Ct
.
u→∞ Hα u2/α Ψ(u) u→∞ Hα u2/α Ψ(u)
Далее,

P max X (t) > u ¾
t∈T
P  P 
¾ P max X (t) > u − P max X (t) > u, max X (t) > u .
i t∈Ui i, j : i6= j t∈Ui t∈Uj

Двойная сумма, которую мы обозначим ее Σ2 (u), оценивается пол-


ностью аналогично доказательству теоремы . (случай α<β, оцен-
ка двойной суммы в соотношении (.)). Следуя приведенной там
.. Несколько максимумов дисперсии одинаковой высоты 

схеме и неравенствам, получаем, что


Σ2 (u)
lim sup 2/α
= 0.
u→∞ u Ψ(u)
Поэтому в силу предыдущих неравенств
P(max X (t) > u) Í
t∈T dt
lim inf ¾ (1 − ǫ) .
u→∞ Hα u2/α Ψ(u) Ct
Утверждение теоремы теперь следует из произвольности выбора ǫ.

.. Несколько максимумов дисперсии


одинаковой высоты
Доказательство следующей теоремы очевидно.
Теорема ... Пусть дисперсия гауссовского случайного процес-
са, заданного на компакте T, достигает своего абсолютного макси-
мума в конечном числе точек, в окрестности каждой из которых
выполнены условия E и E (см. с. ), быть может, с разными кон-
стантами α, β, a. Пусть выполнено условие E. Тогда асимптотика
вероятности превышения максимумом траектории этого процесса
высокого уровня u равна сумме асимптотик, заданных утверждени-
ями –– теоремы ..
Доказательство представляет собой элементарное применение
неравенства Бонферрони. Выделяем вокруг каждой точки макси-
мума дисперсии информативную окрестность (первый шаг доказа-
тельства теоремы  лекции ) и показываем, что вероятность пре-
вышения уровня нашим процессом на дополнении объединения ин-
формативных окрестностей бесконечно мала по сравнению с каж-
дой из асимптотик из п. –– теоремы . Затем применяем к вероят-
ности выхода за уровень u на объединении информативных окрест-
ностей неравенство Бонферрони. Оценка двойной суммы прово-
дится элементарно с использованием условия E: для достаточно
большого u окрестности разделены интервалами положительной
длины. Далее на каждой информативной окрестности применяем
теорему ..

.. Гауссовские однородные поля


Гауссовским однородным полем называется гауссовская функ-
ция на евклидовом пространстве с постоянным математическим
 Лекция . Хвост распределения максимума. Обобщения

ожиданием и ковариационной функцией, зависящей только от раз-


ности аргументов. Рассмотрим сначала, как можно обобщить на
многомерный случай условие на локальное поведение ковариаци-
онной функции гауссовского процесса r(t) = 1 − |t|α + o(|t|α ). Напри-
мер, бывают ковариационные функции от векторного аргумента
вида
P
d P
d 
r(t) = 1 − |t j |α j + o |t j |α j
j=1 j=1

(произведение ковариационных функций от одномерного аргумен-


та), или
r(t) = 1 − ||t||α + o(||t||α ),
или r(t) = exp(−||t||α ) (это уже надо доказывать!)
Предлагается модель так называемого структурного модуля.
Пусть α = {α1 , …αk }, k > 0, k ¶ d –– набор положительных чисел, не
превосходящих 2, и E = {e1 ,P …, ek } –– набор положительных целых,
удовлетворяющих условию ei = d. Пара (E, α) называется струк-
турой. Для d-мерного вектора t = (t1 , …, td ) определим
k 
P P
E(i) ‹αi /2
||t||E,α = t 2j ,
i=1 j=E(i−1)+1

P
i
где E(i) = e j и сумма по пустому множеству всегда считается рав-
j=0
ной нулю. Обозначим ti = (t E(i−1)+1, …, t E(i)), i = 1, …, k, тогда
P
k
||t||E,α = ||ti ||αi ,
i=1
где суммируются обычные евклидовы нормы. Структура (E, α) по-
рождает разбиение пространства Rd в прямое произведение под-
пространств Rei :
O k
Rd = R ei
i=1
таким образом, что сужение структурного модуля на каждое из этих
подпространств является евклидовой нормой в соответствующей
степени αi , i = 1, …, k. Введем следующие линейное преобразование
пространства Rd :
O
k
gu R d = u−2/αi Rei . (.)
i=1
.. Гауссовские однородные поля 

Оно представляет собой суперпозицию гомотетий подпространств


Rei c соответствующими указанными выше коэффициентами гомо-
тетий. Очевидно,
||gu t||E,α = u−2 ||t||E,α .
Введем на Rd гауссовское поле χ(t) со средним
Eχ(t) = −||t||E,α
и ковариационной функцией
cov(χ(s), χ(t)) = ||s||E,α + ||t||E,α − ||t − s||E,α .
То, что эта функция является ковариационной, следует из доказа-
тельства нижеследующей леммы, которое ничем идеологически не
отличается от доказательства локальной леммы .., только вместо
абсолютного значения числа используются введенные выше поня-
тия. В несколько более общей ситуации эта лемма доказана в кни-
ге [, лемма .].
Лемма ... Пусть X (t), t ∈ Rd , –– гауссовское однородное поле
с нулевым средним и ковариационной функцией, удовлетворяющей
для некоторого структурного модуля (E, α) условию
r(t) = 1 − ||t||E,α + o(||t||E,α ), t → 0.
Тогда для любого компактного множества T ⊂ Rd и непрерывной
версии поля X выполняется равенство
P(max X (t) > u) = H E,α (T)Ψ(u)(1 + o(1))
t∈gu T

при u → ∞, где

H E,α (T) = E exp max χ(t) < ∞.
t∈T

Заметим, что гауссовское поле χ(t) может быть представлено


как сумма k независимых гауссовских полей χ(ti ) со средними −||ti ||
и ковариационными функциями ||si || + ||ti || − ||ti − si || соответствен-
но, заданными на соответствующих подпространствах из прямого
произведения определенного в формуле (.). Поэтому если T ––
параллелепипед с ребрами, параллельными осям координат, то
Q
k
H E,α (T) = Hαi (T ∩ Rei ),
i=1

где константа Hαi (T ∩ Rei ) определяется аналогично. Доказатель-


ство следующей теоремы также можно найти в вышеупомянутой
 Лекция . Хвост распределения максимума. Обобщения

монографии (лемма .). Оно также идейно мало отличается от до-


казательства ее одномерного аналога –– теоремы Пикандса (теоре-
ма ..).
Теорема ... Пусть X (t), t ∈ T ⊂ Rd , –– гауссовское однородное
поле с нулевым средним и ковариационной функцией, удовлетворяю-
щей для некоторого структурного модуля (E, α) и некоторой невы-
рожденной матрицы C условиям
r(Ct) = 1 − ||t||E,α + o(||t||E,α ), t → 0,
и
r(t) < 1
для всех t ∈ T̄ \ 0, T̄ –– замыкание множества T. Тогда
Q
k
P(max X (t) > u) = H E,α | det C|−1 |T | u2ei /αi Ψ(u)(1 + o(1))
t∈T i=1
при u → ∞, где |T | –– объем множества T и
H E,α ([0, Λ]d )
H E,α = lim , 0 < H E,α < ∞.
Λ→∞ Λd
Заметим, что теорема Пикандса доказана в лекции  для случая
C = 1 (единичная матрица в многомерном случае). Переход к произ-
вольной матрице C производится заменой переменных и пересче-
том объемов при этой замене.
Далее заметим, что, как и в случае с локально-стационарными
процессами, эту теорему можно обобщить на локально-однородные
поля с постоянной дисперсией, нулевым средним и постоянной ло-
кальной структурой (E, α). Оставляя читателю формулировку усло-
вий, аналогичных условиям теоремы .., выпишем ответ:
P(max X (t) > u) =
t∈T
Í Q
k
= H E,α | det Ct |−1 dt u2ei /αi Ψ(u)(1 + o(1)) при u → ∞. (.)
i=1
T

.. Дальнейшие обобщения


... Поля с единственной точкой максимума дисперсии
Важным является вопрос об обобщении условий E и E из лек-
ции . Естественно определить локальные структуры для поведе-
ния корреляционной функции и дисперсии в точке максимума дис-
персии, скажем (E, α) и (E1 , β ) соответственно. Если эти локальные
.. Дальнейшие обобщения 

структуры подобны в том смысле, что E = E1 , то вывод соответству-


ющего асимптотического поведения похож на доказательство тео-
ремы ., однако технически существенно сложнее. Этот вывод со-
держится в уже упомянутой монографии [, теорема .]. В случае
неравных E и E1 задача сильно усложняется, и она не имеет полного
решения.

... Поля на гладких многообразиях


Пусть T –– гладкое компактное многообразие в Rd и X (t) –– гаус-
совское поле, определенное на Rd или на компакте ненулевой меры,
содержащем T . Достаточно часто возникает задача вывода асимп-
тотики вероятности
P(max X (t) > u)
t∈T

при u → ∞. Как правило, здесь также работает метод «суммирования


бесконечно малых». Мы разбиваем T на компакты малого диамет-
ра так, чтобы, во-первых, это разбиение являлось картой (каждый
элемент взаимно однозначно и гладко отображается в евклидово
пространство размерности, равной размерности T ), а во-вторых на
каждом элементе разбиения (точнее, на соответствующем его об-
разе в евклидовом пространстве) можно было применить одну из
полученных ранее асимптотик. Затем, как и ранее, используется по-
луаддитивность вероятности выхода за уровень и неравенство Бон-
феррони.

... Гауссовские векторные процессы


Пусть X(t) = ( X1(t), …, Xd (t)) –– гауссовский векторный процесс,
т. е. векторная случайная функция, любые конечномерные распре-
деления которой гауссовские. Пусть || · || –– некоторая норма в d-мер-
ном линейном пространстве Ld , порожденная скалярным произве-
дением (линейным функционалом) 〈·, ·〉. Обозначим через Md двой-
ственное пространство, порожденное этим скалярным произведе-
нием. Тогда для любого вектора x ∈ Ld в силу двойственности нормы
имеем
||x|| = max〈l, x〉,
l∈Sd

где Sd –– единичная сфера в Md , поэтому


P(max ||X(t)|| > u) = P( max 〈l, X(t)〉 > u),
t∈T (t,l)∈T×Sd
 Лекция . Хвост распределения максимума. Обобщения

т. е. задача об асимптотике распределения хвоста максимума нормы


векторного процесса может быть сведена к соответствующей задаче
для гауссовского поля на многообразии.
Пример: χ 2 -процесс
Пример взят из статьи [], там можно найти полные доказа-
тельства.
Пусть ( X1 (t), …, Xd (t)) –– независимые одинаково распределен-
ные гауссовские процессы, удовлетворяющие условиям теоремы Пи-
Pd
кандса. Обозначим χ 2 (t) = X 2j (t). Тогда для l = (l1 , …, ld ) иммем
j=1

P
d
P(max χ(t) > u) = P( max l j X j (t) > u).
t∈T (t,l)∈T×Sd j=1

P
d
Дисперсия гауссовского поля Y (l, t) = l j X j (t) на цилиндре T × Sd
j=1
равна 1, среднее равно нулю, ковариационная функция равна
R((l, t), (l1 , t1 )) = E(Y (l, t), Y (l1 , t1 )) = r(t − t1 )〈l, l1 〉.
Это поле локально однородно. Структура этого поля в точках с от-
личными от единицы первыми координатами векторов l и l1 такова
E = (1, 1, …, 1), α = (a, 2, …, 2), в каждом наборе по
v d компонент.
u
t P
d
Это проверятся заменой первой координаты на 1 − l 2j . Если
2
отлична от единицы другая координата, структура будет такой же,
только соответственно с другой суммой квадратов. Ковариационная
функция поля Y имеет вид
1 P 2 P 2
d−1 d−1
R(t, v) = 1 − |t|α − 2 vi + o(|t|α + vi ), (t, v) → 0.
1 1
Применяя формулу (.), получаем, что
P(max χ(t) > u) = Hα (2π)−(d−1)/2 Vd−1 (Sd−1 )|T|ud−1+2/α Ψ(u)(1 + o(1))
t∈T

при u → ∞, где Vd−1 (Sd−1 ) = 2πd/2 /Γ(d/2) –– (d − 1)-мерный объем


единичной сферы. Таким образом,
P(max χ 2 (t) > u) =
t∈T

= 2−d/2+1/2 Hα π1/2 Γ(d/2)−1 |T|ud/2−1+1/α exp(−u/2)(1 + o(1))


при u → ∞.
.. Дальнейшие обобщения 

Пример: обобщенный χ 2 -процесс


Пусть теперь ( X1 (t), …, Xd (t)) –– независимые копии гауссовско-
го процесса, удовлетворяющие условиям E––E из лекции . Рас-
смотрим случайный процесс
P
d
χb2 (t) = b2j X 2j (t), t ∈ T,
j=1

где ограниченное множество T содержит окрестность нуля. Пред-


положим, что b12 > b22 ¾ … ¾ bd2 . Приведенная выше схема приводит
к исследованию вероятности выхода за высокий уровень гауссов-
ского случайного поля
P
d
Y (l, t) = b j l j X j (t).
j=1

P
d
Дисперсия этого гауссовского поля, равная σ2 (t) b2j l 2j , достигает
j=1
своего максимума в двух точках (0, ±1, 0, …, 0), т. е. может быть
применено обобщение теоремы  из лекции  на многомерный слу-
чай. Заметим, что случай нескольких одинаковых максимальных b j
приводит к гауссовскому полю, максимум дисперсии которого до-
стигается на подмногообразии (подцилиндре) определенного выше
цилиндра.
Лекция 

Пересечения уровня траекториями

В настоящей лекции мы рассмотрим сначала два интересных


свойства траекторий гауссовских процессов, показывающих их «на-
стоящую» случайность. Затем посчитаем число пересечений траек-
ториями некоторого уровня.

.. Отсутствие касаний кривой и локальных


максимумов одинаковой высоты
Докажем сначала, что почти все траектории гауссовского про-
цесса не могут касаться неслучайной кривой! Сначала определим,
что такое касание. Определение очевидно. Пусть f (t), t ∈ T, –– неко-
торая функция на топологическом пространстве T. Скажем, что
в точке t функция f касается нуля, если f (t) = 0 и существует такая
окрестность этой точки U ⊂ T, что f сохраняет знак на U. И далее,
функция f касается функции u, если f − u касается нуля. Понятно,
что означают слова «касание сверху» и «касание снизу». Если речь
идет о случайной функции и о событии полной вероятности, то
в нужном месте добавим слова «почти наверное»
Теорема ... Пусть X (t), t ∈ T, –– гауссовский процесс с почти
наверное непрерывными траекториями на σ-компактном метриче-
ском пространстве T. Пусть u(t), t ∈ T –– непрерывная функция. Ес-
ли var X (t) > 0 для всех t, то с вероятностью единица касания тра-
екториями процесса X (t) функции u(t) отсутствуют.
Следствие ... В условиях теоремы .. для любого откры-
того ограниченного множества I ⊂ T функция распределения случай-
ной величины sup X (t) непрерывна.
t∈I
Доказательство. Докажем сначала следствие. Для этого заме-
тим, что в силу п. н. непрерывности X (t) и ограниченности I выпол-
няется равенство

P sup X (t) < ∞ = 1.
t∈I
.. Отсутствие касаний кривой и локальных максимумов 

Далее, по теореме .., для любого u, P(sup X (t) = u) = 0, иначе


t∈I
было бы касание функции u(t) = u.
Теперь перейдем к доказательству теоремы. Обозначим µ(t) =
= EX (t), σ2 (t) = var X (t) и рассмотрим случайный процесс
Y (t) = ( X (t) − u(t))/σ(t) + λ, t ∈ T,
где λ –– константа, которую мы определим позднее. Имеем m(t) =
= EY (t) = [µ(t) − u(t)]/σ(t) + λ, s2 (t) = var Y (t) ≡ 1. Пусть I удовле-
творяет условиям следствия. Выберем λ достаточно большим, что-
бы на замыкании I выполнялось m(t) ¾ 0. Касания траекторией X
функции u снизу или сверху соответствует такому же касанию тра-
екторией Y константы λ. Поэтому достаточно доказать отсутствие
касаний гауссовским процессом Y уровня λ на шаре из некоторой
счетной базы пространства T. Пусть теперь U –– шар, и T(n) = {t1 , …
…, tn } ⊂ U –– конечный набор точек из U. Тогда случайная величина
max Y (t) имеет плотность вида ϕGn , где ϕ –– стандартная нормаль-
T (n)
ная плотность, а Gn –– неубывающая функция. Покажем это. Заме-
тим, что плотность распределения случайной величины Y (t) равна
ϕ(x − m(t)), имеем,
d
P(max Y (t) < x) =
dx T(n)
P
n
1 1 2
= p e− 2 (x−m(t j )) P(Y (t i ) < x для всех i 6= j | Y (t j ) = x) =:
j=1 2π
P
n 1 2
=: ϕ(x) e xm(t j )− 2 m (t j )
Gt j (x).
j=1

Все числа m(t j ) неотрицательны. Покажем, что Gt j (x) не убывает


по x. Вводя для удобства новые обозначения, мы должны показать
что для любого гауссовского вектора ( X0 , X1 , …, Xn ) с нулевым сред-
ним условная вероятность P( X1 ¶ u, …, Xn ¶ u | X0 = u) не возраста-
ет по u. Если ковариационная матрица этого вектора вырожден-
на, найдем подвектор с невырожденной ковариационной матрицей
максимальной размерности, тогда через его компоненты линейно
выражаются остальные компоненты исходного вектора. Пусть, для
удобства, это будет подвектор ( X0 , …, Xk ), тогда для некоторых θij
P
k
имеем, что Xi = θij X j , j = k + 1, …, n. Условное распределение
j=0
 Лекция . Пересечения уровня траекториями

( X1 , …, Xk ) при заданном X0 есть многомерное нормальное распре-


деление со средним (r01 u, …, r0k u), где rij –– ковариации компонент
Xi , X j , и ковариационной матрицей rij − r0i r0 j , i, j = 1, …, k. Итак,
вероятность P( X1 ¶ u, …, Xn ¶ u | X0 = u) равна интегралу от соот-
ветствующей плотности по множеству
§ ª
P
k
x1 ¶ u, …, xk ¶ u, θij x j ¶ u, j = k + 1, …, n .
j=0

Центрируя плотность заменой yi = xi − r0i u, получаем интеграл от


функции, не зависящей от u, по множеству
§
y1 ¶ u(1 − r01 ), …, yk ¶ u(1 − r0k ),
ª
P
k P
k
θij y j ¶ u(1 − θij r0 j ), j = k + 1, …, n .
j=0 j=0

Все коэффициенты при u неотрицательны, поскольку rij ¶ 1, и


P
k P
k
θij r0 j = θij EXi X j = EX0 Xi ¶ 1.
j=0 j=0

Итак, эта условная вероятность не убывает по u, поэтому и Gn не


убывает по x.
Итак, плотность случайной величины max Y (t) действительно
T (n)
имеет вид ϕGn с неубывающей Gn . Устремим теперь n к бесконечно-
сти таким образом, чтобы Tn стремилось к счетному всюду плотно-
му множеству в U. Предположим, что x0 –– атом функции распреде-
ления величины sup X (t). В этом случае последовательность GTn (x0 )
t∈U
неограниченна при n → ∞. Но это невозможно, поскольку
Í∞ ‹ Í∞
ϕ(x) dx Gtn (x0 ) ¶ ϕ(x)Gtn (x) dx ¶ 1.
x0 x0

Теорема, таким образом, доказана.


И еще одно удивительное свойство траекторий гауссовского про-
цесса. Не может быть двух локальных максимумов одинаковой вы-
соты! Это доказано Кимом и Поллардом в статье [].
Теорема ... Пусть X (t), t ∈ T –– гауссовский процесс с непре-
рывными траекториями, заданный на σ-компактном метрическом
.. Отсутствие касаний кривой и локальных максимумов 

пространстве T. Если var( X (s) − X (t)) > 0 для всех s 6= t, то с вероят-


ностью единица траектории процесса X не могут иметь локальных
максимумов одинаковой высоты в никаких двух различных точках
множества T.
Доказательство. Достаточно доказать лемму для случая, когда
T –– компакт. Существует счетное семейство K замкнутых шаров
таких, что любое открытое множество является объединением ша-
ров из этого семейства. Если траектория имеет локальные максиму-
мы одинаковой высоты в двух различных точках T, то найдутся два
непересекающихся шара из K таких, что супремумы траектории по
этим шарам равны. Таким образом, достаточно доказать, что для
любой пары непересекающихся замкнутых шаров K0 и K1 , имеет
место равенство

P sup X (t) = sup X (t) = 0.
t∈K0 t∈K1

В силу компактности, эта задача сводится к локальной: доказать,


что для любой пары различных точек t0 , t1 ∈ T найдутся их окрест-
ности U0 ∋ t0 и U1 ∋ t1 такие, что

P sup X (t) = sup X (t) = 0. (.)
t∈U0 t∈U1

Пусть r(s, t) –– ковариационная функция процесса X . Условия теоре-


мы означают, что
r(t0 , t0 ) − 2r(t0 , t1 ) + r(t1, t1 ) > 0,
т. е. r(t0 , t1 ) не может одновременно равняться обеим r(t0 , t0 ) и
r(t1 , t1 ). Пусть для определённости r(t0, t0 ) ¾ r(t1, t1 ), тогда опреде-
ленно r(t0 , t0 ) > r(t0 , t1 ) и r(t0, t0 ) > 0. В силу непрерывности траек-
торий функция
h(t) = r(t, t0 )/r(t0, t0 )
непрерывна. Рассмотрим гауссовский процесс Y (t)= X (t)−h(t) X (t0).
Вычисляя ковариации, или пользуясь свойствами условных гауссов-
ских распределений, получаем, что этот процесс не зависит от X (t0 ).
Так как h(t0 ) > h(t1), то найдутся окрестности U0 и U1 такие, что
inf h(t) =: β0 > β1 := sup h(t).
t∈U0 t∈U1

Зафиксируем непрерывную траекторию процесса Y . Функция


Γ0 (x) = sup(Y (t) + h(t)x)
t∈U0
 Лекция . Пересечения уровня траекториями

представляет собой супремум множества линейных функций с на-


клонами, не меньшими, чем β0 , поэтому функция Γ0 (x) вогнута
и ее правая производная всюду не меньше, чем β0 . Аналогично,
для окрестности U1 , определим функцию Γ1 , которая также вогнута
и ее правая производная всюду не больше, чем β1 . Таким образом,
равенство Γ0 (x) = Γ1 (x) может случиться в не более, чем одной
точке x. Поскольку случайная величина X (t0 ) невырожденна и не
зависит от Y , получаем, что
P(sup X (t) = sup X (t) | Y ) = P(Γ0 ( X (t0 )) = Γ1 ( X (t0 )) | Y ) = 0.
t∈U0 t∈U1

Усредняя это равенство по всем траекториям процесса Y , получаем


(.).

.. Число пересечений кривой траекториями


Сначала рассмотрим пересечения нуля неслучайной непрерыв-
ной функцией. Скажем, что непрерывная функция f (t) пересекает
ноль в точке t0 если любая окрестность этой точки содержит две
точки t1 и t2 такие, что f (t1 ) f (t2 ) < 0. Пусть, для определенности,
f задана на отрезке [0, 1]. Обозначим через C число пересечений
нуля этой функцией на этом отрезке. Пусть f (k2−n ) 6= 0 для всех
k = 0, 1, …, 2n , и n = 1, 2, … Если f (t1 ) f (t2 ) < 0 для точек t1 < t2 , то
на интервале (t1 , t2 ) функция f по крайней мене один раз пересечет
ноль. Введем вспомогательные величины
Unk = 1, если f ((k − 1)2−n ) f (k2−n ) < 0,
= 0, если иначе,
где k = 1, 2, …, 2n , n = 1, 2, …
и
2n
P
Zn = Unk , (.)
k=1

Zn –– неубывающая последовательность, обозначим Z = limn Zn . По-


скольку, как уже замечено, Zn ¶ C, то и Z ¶ C.
Лемма .. (N. D. Ylvisaker). Для вышеопределенной функции f
имеет место равенство Z = C, при этом обе части равенства могут
быть бесконечны.
Доказательство. Если C < ∞, то точки пересечения нуля разде-
лены и поэтому для достаточно большого n C = Zn , поэтому и Z = C.
.. Число пересечений кривой траекториями 

Если Z конечно, то, начиная с какого-то n, Zn = Z, и f не может ме-


нять знак на интервалах, для которых Unk = 0, т. е. все пересечения
могут быть пересчитаны числом интервалов, на которых Unk = 1.
Устремляя n → ∞, мы найдем точки 0 = t0 < t1 < … < t Z+1 = 1 такие,
что f не меняет знак на всех интервалах [ti , ti+1], i = 1, 2, …, Z, т. е.
C конечно.
Заметим, что если C < ∞, то пересечения снизу вверх чередуются
с пересечениями сверху вниз, поскольку между точками пересече-
ния, как доказано, знак функции не меняется.
Перейдем теперь к траекториям гауссовских процессов. Для изу-
чения множества пересечений нуля траекториями нам понадобится
следующая лемма.
Лемма ... Пусть ρ(t, s) –– корреляционная
p функция и A(x) ––
функция такая, что A(x) = (1 + o(1)) 2(1 − x) при x → 1. Тогда для
всех t выражение h−1 A(ρ(t, t + h)) стремится при h → 0 к конечному
пределу тогда и только тогда, когда существует Æ вторая производ-
ная ρts′′ (t, t). В этом случае h−1 A(ρ(t, t + h)) → ρts′′ (t, t).
Доказательство. Введем случайный процесс X с нулевым сред-
ним, единичной дисперсией и ковариационной функцией ρ(t, s).
Пусть предел существует. Тогда
2(1 − ρ(t, t + h))
= (1 + o(1))h−2 A2 (ρ(t, t + h)).
h2
Отсюда получаем
€ X (t + h) − X (t) Š2 2(1 − ρ(t, t + h))
lim E = lim 2 = lim h−2 A2 (ρ(t, t + h)),
h→0 h h→0 h h→0

т. е. случайный процесс X (t) дифференцируем в среднем квадрати-


ческом в точке t. Поэтому
q
h−1 A(ρ(t, t + h)) → ρts′′ (t, t) при h → 0.
Обратно, если производная ρts′′ (t, t) существует, то процесс X диф-
ференцируем в среднем квадратическом в точке t, т. е.
h−2 A2 (ρ(t, t + h)) = 2h−2 (1 − ρ(t, t + h))(1 + o(1)) → ρts′′ (t, t).
Если дисперсия σ2 (t) гауссовского процесса X (t) положительна
на отрезке [0, 1], то его траектории с вероятностью единица не об-
ращаются в ноль во всех точках вида k2−n , поэтому можно приме-
нить лемму .., в силу которой последовательность Zn почти на-
 Лекция . Пересечения уровня траекториями

верное не убывает, стремясь к пределу C. Вычислим математиче-


ское ожидание величины C, имеем, что
EUnk = P( X ((k − 1)2−n ) X (k2−n ) < 0) =
= P( X ((k − 1)2−n ) < 0, X (k2−n ) > 0) +
+ P( X ((k − 1)2−n ) > 0, X (k2−n ) < 0).
Вероятности не изменятся, если поделить X (t) на σ(t), поэтому
удобно сразу считать, что дисперсия процесса X равна тождествен-
но единице. (Среднее при этом тоже изменится, но останется непре-
рывным в силу положительности σ. Напомним, что траектории про-
цесса X считаются п. н. непрерывными). Обозначим через ρ(t, s)
корреляционную функцию процесса X . Можно также считать, что
ρ := ρ((k − 1)2−n , k2−n ) < 1, в противном случае вышеприведенные
вероятности равны нулю. Обозначим m1 := EX ((k − 1)2−n ), m2 :=
:= EX (k2−n ). Так как плотность удовлетворяет уравнению теплопро-
водности (.), то имеем при ρ > −1
∂EUnk
= −2p X ((k−1)2−n ), X (k2−n ) (0, 0) =
∂ρ
2
€ 2
m − 2ρm1 m2 + m2 2 Š
=− p exp − 1 ,
2π 1 − ρ 2 2(1 − ρ 2 )
поэтому, так как EUnk = 0 для ρ = 1, получаем, что
Í1 € m2 − 2hm1 m2 + m2 Š
1 1
EUnk = p exp − 1 2
dh. (.)
π 1 − h2
2
2(1 − h )
ρ

Заметим, что ρ > −1 для всех достаточно больших n. В частном слу-


чае m(t) = EX (t) ≡ 0 имеем
Í1
1 dh 1
EUnk = π p = π arccos ρ. (.)
ρ
1 − h2

Заметим, что функция A(x) = arccos x удовлетворяет условиям лем-


мы ... В случае m(t) ≡ m имеем
Í1 € m2 Š
1 1
EUnk = p exp − dh. (.)
π 1 − h2 1+h
ρ
Функция
Í1 € m2 Š
m2 /2 1
A(ρ) := e p exp − dh
1 − h2 1+h
ρ
.. Число пересечений кривой траекториями 

также удовлетворяет условиям леммы ... Докажем это. Интегри-


руя по частям и используя убывание функции arccos, получаем, что

2
Í1 € m2 Š € m2 Š
e−m /2
A(ρ) = − exp − d arccos h = arccos ρ exp − −
1+h 1+ρ
ρ

Í1 € m2 Š m2
− arccos h exp − dh =
1 + h (1 + h)2
ρ
€ m2 Š 
= arccos ρ exp − 1 + ρ 1 + O(1 − ρ ) =
2
= e−m /2
arccos ρ(1 + O(1 − ρ)).
Из (.) выводим следующее соотношение для гауссовского про-
цесса с единичной дисперсией и постоянным средним:
2n
P
EZn = EUnk =
k=0
n
1 P −n −m2 /2 n
2
= 2 e (2 arccos ρ((k − 1)2−n, k2−n ))(1 + o(1))
π
k=0
Í1 q
1 2
= π e−m /2 ρts′′ (t, t)dt(1 + o(1)) при n → ∞. (.)
0
Отсюда, используя леммы .., .. и .. получаем следующее
утверждение.
Теорема ... Пусть X (t), t ∈ [0, T] –– действительный гаус-
совский процесс с почти наверное непрерывными траекториями.
Пусть EX (t) ≡ m и var X (t) ≡ σ2 > 0. Тогда с вероятностью единица
отсутствуют касания нуля траекториями процесса, и для среднего
числа N пересечений нуля траекториями процесса X имеет место
формула
1
€ m2 Š ÍT q
EN = 2 exp − 2 rts′′ (t, t)dt,
σ π 2σ
0

где r –– ковариационная функция процесса X . Это равенство верно


также и в случае, когда одна из его сторон бесконечна.
Для использования вышеуказанных утверждений следует поде-
лить X на σ. Чтобы перейти от интервала [0, 1] к интервалу [0, T ]
можно использовать свойство аддитивности EN.
 Лекция . Пересечения уровня траекториями

Теперь рассмотрим общий случай. Предположим, что m(t) = EX (t)


и σ2 (t) = var X (t) непрерывно дифференцируемы на [0, T] и σ2 (t) > 0
для всех t ∈ [0, T]. Обозначим m = m((k − 1)2−n), m′ = m′ ((k − 1)2−n ),
тогда m(k2−n ) = m + 2−n m′ + o(2−n ) при n → ∞, и простые преобра-
зования соотношения (.) проводят к следующему соотношению:
Í1 € m2 + mm′ 2−n + o(2−n ) Š
1 1
EUnk = p exp − dh =
π 1 − h2 1+h
ρ

Í1 € m2 Š
1 1
= p exp − (1 + O(2−n )) dh.
π 1 − h2 1+h
ρ

Опять, интегрируя по частям, получаем, что


1 −m2 /2
EUnk = e arccos ρ(1 + O(1 − ρ))(1 + O(2−n).
π
Отсюда, используя те же рассуждения, что и в случае постоянных
дисперсии и среднего, получаем следующую теорему.
Теорема ... Пусть X (t), t ∈ [0, T] –– действительный гаус-
совский процесс с п. н. непрерывными траекториями. Пусть функ-
ции m(t) = EX (t) и σ2 (t) = var X (t) непрерывно дифференцируемы
на интервале [0, T]. Предположим также, что σ(t) > 0 для всех
t ∈ [0, T]. Тогда с вероятностью единица отсутствуют касания тра-
екториями нуля и среднее число пересечений нуля равно
ÍT q  ‹
1 m2 (t)
EN = π ρts′′ (t, t) exp − 2 dt,
2σ (t)
0

где ρ –– корреляционная функция процесса X . Это соотношение так-


же имеет место в случае равенства бесконечности одной из сторон.
Предположим, что EN < ∞. Отсюда следует, что N < ∞ с веро-
ятностью единица. Поэтому можно говорить о пересечениях снизу
вверх и сверху вниз. Которые чередуются в силу отсутствия касаний.
Из доказательства теоремы следует, что при EN < ∞ для чисел этих
пересечений, N + и N − соответственно, имеют место соотношения:
1
EN + = EN − = EN,
2
Лекция 

Негауссовские процессы. Моменты числа


пересечений

В этой лекции рассматриваются задачи, аналогичные рассмот-


ренным в лекции , для негауссовских процессов. Мы рассмотрим
условия отсутствия касаний нуля и отсутствия двух максимумов
одинаковой высоты, а также выведем формулы для математическо-
го ожидания и других моментов числа пересечений.

.. Теорема Булинской


Докажем сначала следующую лемму.
Лемма ... Пусть X (t) –– случайный процесс, имеющий непре-
рывные с вероятностью 1 траектории на [0, 1]. Обозначим через
ω X (t) модуль непрерывности
ω X (t) = sup |X (s) − X (s′ )|, 0 ¶ t ¶ 1.
s,s′, |s−s′ |¶t

Тогда для любого ǫ > 0 можно найти такую неслучайную функцию


ωǫ (t) ↓ 0 при t ↓ 0, что
P(ω X (t) < ωǫ (t), 0 < t ¶ 1) > 1 − ǫ.
Доказательство. Из выборочной непрерывности следует, что
lim P(ω X (t) < c) = 1
t→0

для любого c > 0. Будем строить искомую функцию исходя из произ-


вольной стремящейся к нулю последовательности c1 > c2 > … → 0.
Для любого n можно найти такое tn , что
P(ω X (tn ) < cn ) > 1 − ǫ2−n .
Тогда, поскольку модули непрерывности не убывают,
P(ω X (t) < cn , 0 < t ¶ tn ) > 1 − ǫ2−n .
Это соотношение заведомо выполняется, если заменить tn на любое
меньшее положительное число, так что можно считать, что tn ↓ 0
 Лекция . Негауссовские процессы. Моменты числа пересечений

при n → ∞. В качестве ωǫ (t) берем кусочно постоянную функцию


со скачками в точках tn , принимающую в этих точках значения cn .
Действительно,

1 − P(ω X (t) < cn , 0 < t ¶ tn , n = 1, 2, …) ¶


P∞ P

¶ P(ω X (tn ) ¾ cn ) ¶ ǫ2−n = ǫ.
n=1 n=1

Теорема .. (Е. В. Булинская). Пусть X (t), t ∈ [0, 1], –– непре-


рывно дифференцируемый почти наверное случайный процесс (име-
ющий непрерывно дифференцируемые с вероятностью 1 траекто-
рии). Пусть для всех t плотность распределения ft (x) случайной ве-
личины X (t) существует и равномерно по t ограничена. Тогда веро-
ятность того, что найдется t, для которого X (t) = X ′ (t) = 0, равна
нулю. В частности, с вероятностью единица отсутствуют касания
траекториями любого фиксированного уровня u. Кроме того, число
моментов времени на [0, 1], для которых X (t) = 0, конечно с веро-
ятностью единица.
Доказательство. Обозначим через Ah,n,k множество функций
x(t) ∈ C 1[0, 1] (пространство непрерывно дифференцируемых функ-
ций на [0, 1]), производные которых равны нулю хотя бы в одной
точке τ x из отрезка [(k − 1)/n, k/n], 1 ¶ k ¶ n, причем |x(τ x )| ¶ h.
Этой же буквой будем обозначать множество траекторий процес-
са X , попавших в Ah,n,k . Для функций из Ah,n,k имеем
x(k/n) = x(τ x ) + (k/n − τ x )x ′ (τ x + θ (k/n − τ x )), 0 ¶ θ ¶ 1,
следовательно,
|x(k/n)| ¶ h + n−1 ω x ′ (n−1 ), (.)
где ω x ′ –– модуль непрерывности производной x ′ . Для любой функ-
ции ω(t) ↓ 0 при t ↓ 0 обозначим через Bω множество функций x(t)
из C 1 [0, 1], для которых ω x ′ (t) ¶ ω(t) при всех t ∈ [0, 1]. Тогда в силу
леммы .. для любого ǫ > 0 найдется такая функция ωǫ (t) ↓ 0 при
t ↓ 0, что P(Bωǫ ) > 1 − ǫ/2. Для события

Ah = X (t) : X ′ (t x ) = 0 хотя бы в одной точке t x и |X (t x )| ¶ h
имеем
S
n P
n
c
Ah = Ah,n,k , P(Ah ) ¶ P(Ah,n,k Bωǫ ) + P(Bω ). (.)
ǫ
k=1 k=1
.. Об отсутствии двух локальных максимумов 

В силу формулы (.) первый член в правой части (.) не превос-


ходит величины
nP(|X (k/n)| ¶ h + n−1 ωǫ (n−1 )) ¶ 2cn(h + n−1ωǫ (n−1 )),
где c –– константа, ограничивающая плотность ft (x). Так как ωǫ (t)→0
при t → 0, можно выбрать сначала n0 , а потом h0 так, чтобы по-
c
следнее выражение не превосходило ǫ/2. А поскольку P(Bω ǫ
) ¶ ǫ/2,
получаем, что P(Ah0 ) ¶ ǫ. Далее, событие

A0 = X (t) : X ′ (t x ) = 0, X (t x ) = 0 хотя бы в одной точке t x ∈ [0, 1]
содержится в каждом из Ah , поэтому в силу произвольности ǫ имеем
P(A0 ) = 0, что доказывает первое утверждение теоремы. Докажем
теперь конечность числа нулей процесса X . Покажем сначала, что
если произошло событие Ach , то траектория обращается в нуль са-
0
мое большее в конечном числе точек. Предположим обратное, то-
гда существует последовательность нулей t1 , t2 , … из отрезка [0, 1].
Пусть t0 –– предельная точка этой последовательности. Из непре-
рывности следует, что X (t0 ) = 0. Между любыми двумя нулями про-
изводная также должна обращаться в нуль, однако для траекторий
из Ach выполнено неравенство |X (ti )| > h0 , и поэтому t0 –– предель-
0
ная точка множества точек, в которых |X (ti )| > h0 , что противоречит
непрерывности. Таким образом, любая траектория с бесконечным
числом нулей принадлежит Ah0 при произвольно малом ǫ. Так как
P(Ah0 ) ¶ ǫ, в силу произвольности ǫ, вероятность того, что траекто-
рия бесконечно много раз обращается в нуль, равна нулю.
Заметим, что, рассматривая процесс X (t) − u(t), где u –– непре-
рывно дифференцируемая функция, мы видим, что утверждение
теоремы об отсутствии касаний и конечности нулей относится так-
же к касаниям и пересечениям любой непрерывно дифференцируе-
мой функции.

.. Об отсутствии двух локальных максимумов


одинаковой высоты
Рассмотрим теперь негауссовский аналог теоремы .. об от-
сутствии локальных максимумов одинаковой высоты из лекции .
Теорема ... Пусть модуль непрерывности производной X ′
случайного процесса X (t), t ∈ [0, T], удовлетворяет условию
wX ′ (δ) = oP (δ1/3 ) при δ → 0.
 Лекция . Негауссовские процессы. Моменты числа пересечений

Пусть для любых s, t ∈ [0, T], s < t, существует плотность распреде-


ления ps,t вектора ( X s′ , Xt′ , Xt − X s ), причем для любого d > 0 выпол-
нено условие
K(d) := sup ps,t (x, y, z) < ∞.
s,t∈[0,T], |t−s|¾d, (x, y,z)∈R3

Тогда

P ∃s, t ∈ [0, T]: s < t, X ′ (s) = X ′ (t) = 0, X (s) = X (t) = 0. (.)
Доказательство. Предположим, что T = 1, например, рассмот-
рим процесс Xt/T , обозначая его той же буквой. Рассмотрим событие

Ak,l,n :=
¦ ”k−1 k— ”l −1 l — ©
:= ∃s ∈ , ,t ∈ , : X ′ (s) = X ′ (t) = 0, X (s) = X (t) .
n n n n
По теореме о среднем значении для s ∈ [(k − 1)/n, k/n] найдется та-
кое (случайное) θ ∈ [0, 1], что

|X (k/n) − X (s)| =
1
= |k/n − s| · X ′ (s + θ (k/n − s)) − X ′(s) ¶ wX ′ (1/n). (.)
n
Кроме того, если X ′ (s) = 0, то
|X ′ (k/n)| = |X ′ (k/n) − X ′ (s)| ¶ wX ′ (1/n). (.)
Из соотношений X (s) = X (t), (.) и аналогичной оценки для
|X (l/n) − X (t)| получаем, что
2
|X (k/n) − X (l/n)| ¶ w ′ (1/n). (.)
n X
В силу условий теоремы для любого ǫ > 0 и всех достаточно боль-
ших n соотношение wX ′ (1/n) ¶ ǫn−1/3 выполнено с вероятностью,
превосходящей 1 − ǫ. Итак, в силу соотношений (.)––(.) и ус-
ловия ограниченности плотности для всех δ > 0 и всех таких k, l,
1 ¶ k < l ¶ n, что l − k + 1 ¾ δn, имеем
P(Ak,l,n ) ¶
¶ P ( X ′ (k/n), X ′ (l/n), X (l/n)− X (k/n)) ∈ [−wX ′ (1/n), wX ′ (1/n)]2 ×
 
× −2n−1 wX ′ (1/n), 2n−1 wX ′ (1/n) ¶
¶ ǫ + P ( X ′ (k/n), X ′ (l/n), X (l/n)− X (k/n)) ∈ [−ǫn−1/3 , ǫn−1/3 ]2 ×

×[−2ǫn−4/3 , 2ǫn−4/3 ] ¶ ǫ +16K(δ−1/n)ǫ 3 n−2
.. Моменты числа пересечений 

для всех ǫ > 0 и всех достаточно больших n, поэтому


max P(Ak,l,n ) = o(n−2 ). (.)
1¶k¶k+δn−1¶l¶n
Теперь легко получить утверждение теоремы:

P ∃s, t ∈ [0, T]: s < t, X ′ (s) = X ′ (t) = 0, X (s) = X (t) =

= lim P ∃s, t ∈ [0, T]: s + δ < t, X ′ (s) = X ′ (t) = 0, X (s) = X (t) ¶
δ↓0
P
¶ lim lim P(Ak,l,n ) = 0.
δ↓0 n→∞ 1¶k¶k+δn−1¶l¶n

.. Моменты числа пересечений


Теорема ... Пусть X (t), t ∈ [0, T], –– почти наверное непре-
рывный случайный процесс. Пусть существует такое конечное мно-
жество T0 ⊂ [0, T ], что на множестве [0, T] \ T0 процесс X (t) диф-
ференцируем в среднем квадратическом. Предположим далее, что
для всех s, t ∈ [0, T ], s < t, существует плотность распределения
ps,t (x, y) вектора
€ X (t) − X (s) Š
X (t),
t−s
и для всех t ∈ [0, T] \ T0 и почти всех x, y существует и конечен пре-
дел
lim ps,t (x, y) = pt,t (x, y).
s→t
Предположим также, что
Í∞
sup | y| sup ps,t (x, y)dy < ∞.
x s,t∈[0,T], s<t
−∞
Тогда математические ожидания числа пересечений снизу вверх
Nu+ ([0, T]) и сверху вниз Nu− ([0, T]) уровня u траекториями процес-
са X (t) соответственно равны
ÍT Í∞
ENu+ ([0, T]) = ypt,t (u, y) dy dt
0 0
и
ÍT Í0
ENu− ([0, T]) = | y|pt,t (u, y) dy dt,
0 −∞
где pt,t –– плотность распределения вектора ( X (t), X ′ (t)), если X ′ (t)
существует, в противном случае pt,t = 0.
 Лекция . Негауссовские процессы. Моменты числа пересечений

Доказательство. Мы выведем только формулу для пересечений


снизу вверх, поскольку вторая формула получается заменой X на
−X и u на −u. Поскольку случайные величины X (t) имеют плотно-
сти распределения для всех t, с вероятностью единица X (k2−n ) 6= u
для всех k, n, поэтому можно применить лемму ... В негауссов-
ском случае преобразование суммы
n
2P −1
Zn = Unk , (.)
k=1
где
Unk = 1, если X ((k − 1)2−n ) < u и X (k2−n ) > u,
=0 иначе, k = 1, 2, …, 2n , n = 1, 2, …,
отличается от гауссовского случая лекции . Во-первых,
Í∞ Íu
−n −n
P( X ((k − 1)2 ) < u, X (k2 ) > u) = dy dxp(k−1)2−n ,k2−n (x, y).
0 u−2−n y

Далее,
Íu
n
lim 2 dxp(k−1)2−n,k2−n (x, y) = yptt (u, y),
n→∞
u−2−n y

где n и k стремятся к бесконечности таким образом, что k2−n → t. По


условию подынтегральная функция мажорируется интегрируемой,
поэтому

ENu+ ([0, T]) = lim EZn =


n→∞

2 Í
Pn∞ Íu Í1 Í∞
= lim dy dxp(k−1)2−n,k2−n (x, y) = ypt,t (u, y) dy dt.
n→∞
k=1
0 u−2−n | y| 0 0

Переход от отрезка [0, 1] к [0, T] очевиден.


Заметим, что для числа Nu ([0, T]) всех пересечений уровня u
имеет место формула
ÍT Í∞
ENu ([0, T ]) = | y|pt,t (u, y) dy dt.
0 −∞

Заметим также, что в условиях теоремы .. выполнено неравен-


ство ENu ([0, T]) < ∞, т. е. Nu ([0, T]) < ∞ п. н.
.. Моменты числа пересечений 

Похожие рассуждения годятся и для вывода формул для момен-


тов высших порядков числа пересечений с использованием той же
суммы (.). Рассмотрим число пересечений снизу вверх, полагая
для простоты, как и ранее, T = 1. Мы имеем
n n n
2P −1 2P −1 2P −1
EZn2 = EUni Unj = EUni Unj + 2
EUni .
i, j=0 i, j=0, i6= j i=0
2
Поскольку Uni = Uni последнее выражение перепишется в виде
n
2P −1
EZn (Zn − 1) = EUni Unj .
i, j=0, i6= j

Рассмотрим события Aǫ , ǫ > 0,


n o
расстояние между любыми двумя
Aǫ = .
пересечениями снизу вверх на [0, 1] не меньше ǫ
В силу монотонной сходимости
lim EZn (Zn − 1)I Aǫ = ENu (Nu − 1)I Aǫ .
n→∞

Обозначим через ps1 ,s2 ,t1 ,t2(x1 , x2 , y1 , y2 ) плотность распределения век-


тора
€ X (t1 ) − X (s1 ) X (t2 ) − X (s2 ) Š
X (s1 ), X (s2 ), t −s
, t −s 1 1 2 2

и предположим, что для всех ǫ > 0 имеет место неравенство


Í∞ Í∞
sup | y1 y2 | sup ps1,s2 ,t1 ,t2 (x1 , x2 , y1 , y2 )dy1 dy2 < ∞.
x1 ,x2 s1 ,s2 ,t1 ,t2 ∈[0,T ]
−∞ −∞ s1 <t1 ,s2 <t2 ,s2 −t1>ǫ
(.)
Предположим также, что для почти всех t1 , t2 предел
lim ps1 ,s2 ,t1 ,t2 (x1 , x2 , y1 , y2 ) =: pt1 ,t2 (x1 , x2 , y1 , y2 ). (.)
s1 →t1 ,s2 →t2

существует. Подобно тому как это делалось в доказательстве теоре-


мы .., можно доказать, что для всех достаточно больших n и всех
таких i, j, что |i2−n − j2−n | > ǫ, имеет место соотношение
Í∞ Í∞ Íu Íu
EUni Unj = dy1 dy2 dx1 dx2 pi, j,n (x1 , x2 , y1 , y2 ),
0 0 −n −n
u−2 y1 u−2 y2
где
pi, j,n(x1 , x2 , y1 , y2 ) = pi2−n , j2−n ,(i+1)2−n ,( j+1)2−n (x1 , x2 , y1 , y2 ).
 Лекция . Негауссовские процессы. Моменты числа пересечений

Точно так же, как и в предыдущем доказательстве, получаем, что для


почти всех t1 , t2 , |t1 − t2 | ¾ ǫ, имеет место предельное соотношение
Íu Íu
2n
lim 2 pi, j,n(x1 , x2 , y1 , y2 ) dx1 dx2 =
n→∞
u−2−n y1 u−2−n y2
= y1 y2 pt1 ,t2 (u, u, y1 , y2 ),
где n, i, j → ∞ так, что i2−n → t1 и j2−n → t2 . Поэтому

lim EZn (Zn − 1)I Aǫ =


n→∞
Í Í∞ Í∞
= y1 y2 pt1 ,t2 (u, u, y1 , y2 ) dy1 dy2 dt1 dt2 . (.)
t1 ,t2 ∈[0,1], |t1 −t2 |¾ǫ 0 0

Поскольку Nu ([0, T]) < ∞ п. н. и I Aǫ ↑ 1 при ǫ ↓ 0, пользуясь монотон-


ной сходимостью, получаем следующую теорему.
Теорема ... Пусть случайный процесс X (t), t ∈ [0, T ], удовле-
творяет условиям теоремы ... Предположим, что выполнены
соотношения (.) и (.). Тогда

ENu+ ([0, T])(Nu+ ([0, T ]) − 1) =


ÍT ÍT Í∞ Í∞
= y1 y2 pt1 ,t2 (u, u, y1 , y2 )dy1 dy2 dt1 dt2 .
0 0 0 0

Заменой знаков процесса и уровня можно вывести аналогичную


формулу для второго факториального момента числа пересечений
сверху вниз и для числа всех пересечений. Приведем еще одну тео-
рему, доказательство которой полностью повторяет доказательство
предыдущей. Речь идет о взаимном втором моменте чисел пересе-
чений двумя процессами некоторого уровня.
Теорема ... Пусть X1 (t) и X2 (t), t ∈ [0, T], –– случайные про-
цессы, удовлетворяющие условиям теоремы ... Предположим,
что для всех t1 , t2 , s1 , s2 , t1 > s1 , t2 > s2 , плотность распределения
qt1 ,t2 ,s1 ,s2 (x1 , x2 , y1 , y2 ) вектора
€ X (t ) − X1 (s1 ) X2 (t2 ) − X2 (s2 ) Š
X1 (t1 ), X2 (t2 ), 1 1 ,
t1 − s1 t2 − s2
существует и удовлетворяет условиям (.) и (.). Тогда для
+ +
чисел N1,u ([0, T]) и N2,u ([0, T]) пересечений уровня u снизу вверх про-
.. Моменты числа пересечений 

цессами X1 (t) и X2 (t) соответственно имеет место соотношение


+ +
EN1,u ([0, T])N2,u ([0, T]) =
ÍT ÍT Í∞ Í∞
= y1 y2 qt1 ,t2 ,t1 ,t2 (u, u, y1 , y2 )dy1 dy2 dt1 dt2 ,
0 0 0 0

где qt1 ,t2 ,s1 ,s2 –– плотность распределения вектора


( X1 (t1 ), X2 (t2 ), X1′ (s1 ), X2′ (s2 )).

... Замечание о моментах числа пересечений уровня


траекториями гауссовских процессов
В лекции  мы не рассматривали вторые моменты числа пере-
сечений некоторого уровня траекториями гауссовских процессов.
Приведем два очевидных следствия из теорем .. и .., ко-
торые получаются простым исследованием гауссовских плотностей
распределения.
Следствие ... Пусть для гауссовского дифференцируемого
в среднем квадратическом случайного процесса X (t), t ∈ [0, T], кова-
риационная матрица вектора ( X (t1 ), X (t2 ), X ′ (t1 ), X ′ (t2 )) невырож-
денна для любых t1 , t2 ∈ [0, T], t1 6= t2 . Тогда имеет место формула из
теоремы ...
Следствие ... Пусть X1 (t) и X2 (t), t ∈ [0, T], –– пара гауссов-
ских случайных дифференцируемых в среднем квадратическом про-
цессов. Пусть для любых для любых t1 , t2 ∈ [0, T], t1 6=t2 , ковариаци-
онная матрица вектора X1 (t1 ), X2 (t2 ), X1′ (t1 ), X2′ (t2 ) невырожден-
на. Тогда имеет место формула из теоремы ...
В заключение заметим, во-первых, что мы не рассматривали во-
проса о конечности моментов, для которых выведены формулы. Для
гауссовских стационарных процессов и только для них имеется точ-
ный ответ (Д. Геман, ):
Íδ
ENu+ ([0, 2
T]) < ∞ ⇔ ∃δ > 0: t −1 (r ′′ (t) − r ′′ (0))dt < ∞.
0

Имеются также обобщения на случайные гауссовские поля (А. И. Ели-


заров). Кроме того, в литературе можно найти формулы для выс-
ших моментов. Подробное изложение вопроса имеется в моногра-
фии [].
Лекция 

Хвост распределения максимума.


Метод моментов

Если траектории гауссовского процесса гладкие, то выход тра-


ектории за высокий уровень на конечном промежутке происходит,
как правило, один раз, т. е. число пересечений снизу вверх высокого
уровня равно нулю или единице с подавляющей вероятностью. По-
этому вероятность выхода гауссовского процесса с гладкими траек-
ториями за высокий уровень может быть аппроксимирована мате-
матическим ожиданием числа пересечений высокого уровеня. Эти
естественные рассуждения требуют, конечно, доказательств. Они
верны не для любых распределений случайных процессов. В на-
стоящей лекции мы приведем эти доказательства для гауссовских
процессов, т. е. покажем, что

P( max X (t) ¾ u) ∼ ENu+ ([0, T]) (.)


t∈[0,T ]

при u → ∞. Более того, используемый метод позволит нам оценить


скорость сближения правой и левой частей этого соотношения. Сна-
чала обратимся к случайным процессам, не обязательно гауссов-
ским, но удовлетворяющим нужным условиям лекции . Предпо-
ложим, что случайный процесс X (t), t ∈ [0, T], непрерывно диффе-
ренцируем с вероятностью единица и его одномерные плотности
равномерно по t ограничены, как в теореме Булинской. Предполо-
жим, что дисперсия числа пересечений любого уровня конечна, т. е.

ENu2 ([0, T]) < ∞. (.)

Имеем

P( max X (t) ¾ u) = P( X (0) ¾ u) + P( X (0) < u, max X (t) > u).


t∈[0,T ] t∈[0,T ]

Поскольку касаний уровня нет с вероятностью единица, последнюю


вероятность можно преобразовать следующим образом (число вы-
ходов (пересечений снизу вверх) на отрезке [0, T] обозначаем, как
Лекция . Хвост распределения максимума. Метод моментов 

и ранее, Nu+ ([0, T]), для краткости –– N + ):


P( X (0) < u, max X (t) > u) =
t∈[0,T ]

= P( X (0) < u, N + = 1) + P( X (0) < u, N + ¾ 2) =


= P(N + = 1) − P(N + = 1, X (0) ¾ u) + P( X (0) < u, N + ¾ 2). (.)
Последнее слагаемое перепишем в виде
P

P(N + = 1) = EN + − kpk ,
k=2

где pk = P( N + = k). Далее,


P

P( X (0) < u, N + ¾ 2) = pk − P( X (0) ¾ u, N + ¾ 2),
k=2
и, суммируя, получаем, что
P( X (0) < u, max X (t) > u) =
t∈[0,T ]
P

= EN + − (k − 1)pk − P( X (0) ¾ u, N + ¾ 2).
k=2

Отбрасывая вычитаемые, получаем, что


P( max X (t) ¾ u) ¶ EN + + P( X (0) ¾ u). (.)
t∈[0,T ]

Чтобы получить оценку снизу, запишем следующие соотношения:


P(N + = 1, X (0) ¾ u) = P( X (0) ¾ u, X (T) ¾ u, N + = 1) + P( X (0) ¾
¾ u, X (T ) < u, N + = 1) ¶
¶ P( X (0) ¾ u, X (T) ¾ u) + P(Nu− ¾ 2) ¶
1
¶ P( X (0) ¾ u, X (T) ¾ u) + 2 EN − (N − − 1),
где N − = Nu− ([0, T]) –– число входов под уровень u (пересечений свер-
ху вниз). Из этого неравенства и формулы (.) следует неравенство
P( max X (t) > u) ¾
t∈[0,T ]
1
¾ EN + + P( X (0) ¾ u) − P( X (0) ¾ u, X (T) ¾ u) − 2 EN − (N − − 1).
(.)
Таким образом, соотношение (.) имеет место, если
P( X (0) ¾ u) + EN −(N − − 1) + P( X (0) ¾ u, X (T) ¾ u) = o(EN + )
при u → ∞. Сформулируем соответствующее утверждение.
 Лекция . Хвост распределения максимума. Метод моментов

Лемма .. Пусть п. н. непрерывно дифференцируемый случай-


ный процесс X (t), t ∈ [0, T], удовлетворяет либо условиям теоремы
Булинской, если он негауссовский, либо условиям леммы Илвисакера
(лекция ), если он гауссовский. Пусть выполнено (.). Тогда

0 ¾ P( max X (t) ¾ u) − ENu+ ([0, T]) − P( X (0) ¾ u) ¾


t∈[0,T ]
1
¾ − ENu− ([0, T])(Nu− ([0, T]) − 1) − P( X (0) ¾ u, X (T) ¾ u).
2
Достоинство этой леммы состоит в том, что вероятность выхо-
да за уровень на отрезке, представляющая собой «континуальный
интеграл», может быть оценена через конечномерные интегралы от
соответствующих плотностей распределения, указанные в теоремах
из предыдущей лекции. Далее мы рассмотрим качество аппрокси-
мации из леммы . на примере гауссовских гладких стационарных
процессов. Итак, пусть теперь X (t), t ∈ [0, T], –– гауссовский стацио-
нарный процесс с нулевым средним, единичной дисперсией и кова-
риационной функцией r(t), удовлетворяющей соотношению
1
r(t) = 1 − 2 t 2 + Ct 4 + o(t 4 ) (.)
при t → 0. По следствию .. имеем

ENu− ([0, T])(Nu− ([0, T ]) − 1) =


ÍT Í0 Í0
=T t | y1 y2 |ϕt (u, u, y1 , y2 )dy1 dy2 dt. (.)
0 −∞ −∞

Оценим интеграл
Í0 Í0
I(t) = | y1 y2 |ϕt (u, u, y1 , y2 )dy1 dy2 ;
−∞ −∞

напомним, что ϕt (x1 , x2 , y1 , y2 ) –– плотность распределения вектора


( X (0), X (t), X ′ (0), X ′ (t)).
Идея оценивания следующая. Если дано, что X (0) = X (t) = u и уро-
вень u высокий, то, скорее всего, X ′ (0) > 0, особенно если t мало,
в то время как верхние пределы в интеграле I(t) равны нулю. Таким
образом, особое внимание надо обратить на поведение подынте-
гральной функции вблизи точки y1 = 0. Определенные дополнитель-
ные трудности могут возникнуть в связи с множителем | y1 y2 |. Чтобы
Лекция . Хвост распределения максимума. Метод моментов 

этого избежать, возьмем большое B > 0, точное значение которого


выберем позднее, и запишем
Í0 Í0 ÍÍ
I(t) = + | y1 y2 |ϕt (u, u, y1 , y2 )dy1 dy2 ¶
−B −B min( y1 , y2 )¶−B

Í0 Í0
2
¶B ϕt (u, u, y1 , y2 )dy1 dy2 +
−B −B
ÍÍ
+ | y1 y2 |ϕt (u, u, y1 , y2 )dy1 dy2 ¶
min( y1 , y2 )¶−B

Í0 −B
Í
2
¶B ϕ1t (u, u, y1 )dy1 + B | y1 |ϕ1t (u, u, y1 )dy1 +
−B −∞
−B
Í
+B | y2 |ϕ2t (u, u, y2 )dy2, (.)
−∞
где
ϕ1t (x1 , x2 , y)–– плотность вектора ( X (0), X (t), X ′ (0)), а
ϕ2t (u, u, y) –– плотность вектора ( X (0), X (t), X ′ (t)).
Далее перейдем к условным плотностям при условии X (0) = X (t) = u.
Правая часть неравенства (.) равна
 Í0 −B
Í
= Bϕt (u, u) B ϕ1t ( y1 | u, u)dy1 + | y1 |ϕ1t ( y1 | u, u)dy1 +
−B −∞
−B
Í ‹
+ | y2 |ϕ2t ( y2 | u, u)dy2 . (.)
−∞

Здесь
1 u2
€ Š
ϕt (u, u) = p
2
exp − 1 + r(t)
2π 1 − r (t)
–– плотность вектора ( X (0), X (t)) в точке (u, u), а ϕit ( y | u, u), i =
= 1, 2, –– соответственно условные плотности величин X ′ (0) и X ′ (t)
при условии X (0) = X (t) = u. Математические ожидания для этих
условных плотностей равны
−r ′ (t)u
m(t)u = E( X ′ (0) |X (0) = X (t) = u) = ,
1 + r(t)
 Лекция . Хвост распределения максимума. Метод моментов

r ′ (t)u
−m(t)u = E( X ′ (t) |X (0) = X (t) = u) = 1 + r(t)
соответственно, а дисперсии совпадают:
σ2 (t) = var( X ′ (0) |X (0) = X (t) = u) =
2 − 2r 2 (t) − r ′ (t)2
= var( X ′ (t) |X (0) = X (t) = u) = .
1 − r 2 (t)
Сначала рассмотрим малые значения t, t ¶ δ, значение δ также вы-
берем позднее. Рассмотрим первый интеграл в скобках в формуле
(.) и обозначим его через I1 . Он равен вероятности
€ um(t) Š
P( X ′ (0) ¶ 0 | X (0) = X (t) = u) = Φ − σ(t) ,
где Φ –– стандартная гауссовская функция распределения. Пользуясь
формулой Тейлора, получаем, что
m(t)
σ(t)
∼ (6C − 1)−1/2 , при t → 0,
при этом 6C − 1 > 0, поскольку
p
4!C − 4 = E( X (t) + 2X ′′ (t))2 ,
и последнее выражение не может обращаться в нуль, так как X (t)
по условию не может быть синусоидой. Выберем теперь δ столь ма-
лым, чтобы выполнялось неравенство
m(t)
¾ k(6C − 1)−1/2 =: δ1 > 0 (.)
σ(t)
для всех t ∈ [0, δ], положительное k < 1 может быть параметром оп-
тимизации верхней оценки второго факториального момента. Та-
ким образом, для t ∈ [0, δ];
1
I1 (t) ¶ p exp(−δ12 u2 /2).
2πδ1 u
Для остальных t этот интеграл оценим единицей:
I1 (t) ¶ 1, t > δ.
Второй интеграл I2 (t) в скобках в формуле (.) равен
−B
Í € y − um(t) Š
I2 (t) = − y1 ϕ dy =
σ(t)
−∞
−B−um(t)/σ(t)
Í
=− σ(t)(σ(t) y + um(t))ϕ( y) dy
−∞
Лекция . Хвост распределения максимума. Метод моментов 

(ϕ –– стандартная нормальная плотность). Обозначим


M(T) = max |m(t)/σ(t)|,
t∈[0,T ]

Mm (T) = max |m(t)|, Mσ (T) = max |σ(t)|.


t∈[0,T ] t∈[0,T]

Очевидно, M(T), Mm (T), Mσ (T) < ∞. Выберем теперь B = 2M(T)u


и воспользуемся соотношением ϕ ′ (x) = −xϕ(x). Тогда для всех t вы-
полнено неравенство
−M(T)u
Í
I2 (t) ¶ Mσ2 (T) yϕ( y) dy + Mσ (T)Mm (T)uΦ(−M(T)u) ¶
−∞
€ 1 Mσ (T )Mm (T ) Š −M 2 (T)u2 /2 2 2
¶ p Mσ2 (T) + p e =: M e−M (T)u /2 . (.)
2π 2πM(T )
Сравнивая вышеприведенные формулы для условных математиче-
ских ожиданий и дисперсий, видим, что это же неравенство имеет
место и для третьего интеграла I3 (t), в формуле (.). Осталось те-
перь оценить ϕt (u, u). Для t ∈ [0, δ] воспользуемся оценкой
1 2
ϕt (u, u) ¶ p
2
e−u /2
,
2π 1 − r (t)
а для t ¾ δ имеем r(t) ¶ max r(t) =: e
r(δ) < 1, поэтому
t¾δ
€ Š
1 u2
ϕt (u, u) ¶ p exp − .
2π 1 − e2
r (δ) 1+er(δ)
Сводя все оценки вместе, получаем, что
 € Š‹
Iτ¶δ −u2 /2 Iτ¾δ u2
I(t) ¶ π−1 M(T)u p e + p exp − ×
1 − r 2 (t) 1−e r 2 (δ) 1+er (δ)

M(T)Iτ¶δ
× M(T)uIτ¾δ + p exp(−δ12 u2 /2) +
2πδ1
‹
2 2
+ (M(T)u + 1)M e−M (T)u /2 ¶

−1
exp(−(1 + δ12 )u2 /2) M(T)u exp(−u2 /(1 + e
r (δ)))Iτ¾δ
¶π M(T)u p p
2
+ p
2
+
2πδ1 1 − r (t) 1−er (δ)
‹
exp(−(1 + M 2 (T ))u2 /2)
+ (M(T)u + 1)M p p ¶
2πδ1 1 − r 2 (t)
C u2
€ (1 + ∆)u2 Š
¶ p 2
exp − 2
1 − r (t)
 Лекция . Хвост распределения максимума. Метод моментов

для
€ 1−e
r (δ) Š
∆ = min δ12 , , M 2 (T) (.)
1+e
r (δ)
и некоторой положительной константы C (максимума констант
при экспонентах). Интегрируя в (.), получаем, что
€ (1 + ∆ )u2 Š
ENu− ([0, T])(Nu− ([0, T]) − 1) ¶ C T 2 u2 exp −
1
2
.
Из этой оценки вместе с леммой . и формулой для математиче-
ского ожидания числа выходов гауссовского стационарного процес-
са за уровень (лекция ) получаем следующий результат.
Теорема .. Пусть ковариационная функция гауссовского ста-
ционарного процесса X (t) с нулевым средним удовлетворяет условию
(.), и пусть выполнены условия следствия ... Тогда
T −u2 /2
P( max X (t) ¾ u) = e + 1 − Φ(u) + R(u),
t∈[0,T ] 2π
где € (1 + ∆)u2 Š
1
0 ¶ R(u) ¶ 2 (C + 2)T 2 u2 exp − 2
,
а ∆ определено соотношением (.).
Для завершения доказательства заметим, что
P( X (0) ¾ u, X (T ) ¾ u) ¶ P( X (0) + X (T) ¾ 2u) ¶
1 2
¶p p e−u /(1+r(T))
2π 2 + 2r(T)
и что
1 1
¾ .
1 + r(T ) 1+e
r (δ)
Итак, для гладких гауссовских стационарных процессов метод мо-
ментов дает существенно больше информации о поведении веро-
ятности высокого максимума по сравнению с методом Пикандса.
Мы фактически знаем степенное асимптотическое разложение этой
вероятности с точностью до экспоненциально меньших бесконечно
малых. Аналогичная ситуация имеет место и для гладких нестаци-
онарных процессов, и даже для гауссовских полей, однако в послед-
нем случае вычисления существенно технически сложнее, да и ос-
новная лемма, конечно, другая. В случае полей нет пересечений,
а есть линии уровня. Еще один важный вывод из теоремы: мы вы-
числили константу Пикандса Hα для α = 2:
1
H2 = p .
π
Лекция 

Пуассоновская предельная теорема


для высоких выбросов

В настоящей и следующей лекциях мы вернемся к пуассонов-


ской предельной теореме для больших выбросов гауссовских ста-
ционарных процессов. В этой лекции мы докажем пуассоновскую
предельную теорему для больших значений гауссовской стационар-
ной последовательности, дав, во-первых, необходимые и достаточ-
ные условия на ковариационную функцию последовательности для
выполнения пуассоновской предельной теоремы и рассмотрев, во-
вторых, выбросы как точечный случайный процесс. Материалы лек-
ции основаны на монографиях [] и []. Первую из них, прекрас-
но написанную Олафом Калленбергом, мы настоятельно рекомен-
дуюем для чтения всем студентам-математикам.
Пусть X (k), k ∈ Z, –– гауссовская стационарная последователь-
ность с нулевым средним и единичной дисперсией, ковариацион-
ную функцию которой мы обозначим через r(k). В этой лекции мы
будем изучать предельное поведение множества точек
{k ∈ Z: X (k) > u}
при u → ∞. Если бы в этой формуле вместо Z стояло ограниченное
множество, можно было бы сразу сказать, что такое множество схо-
дится с вероятностью единица к пустому, так как P( X (t) > u) → 0
при u → ∞. Чтобы избежать этой тривиальности, мы будем рассмат-
ривать расширяющиеся с ростом u множества, с тем чтобы среднее
число точек в множестве оставалось постоянным. Перейдем к точ-
ным формулировкам и прежде всего дадим определение случайного
точечного процесса.
Пусть X –– локально компактное хаусдорфово пространство со
второй аксиомой счетности и B = B(X) –– σ-кольцо ограниченных
(мы предполагаем фиксированной некоторую метрику) борелев-
ских множеств на X. Пусть N –– множество всех неотрицательных
целозначных локально ограниченных мер на B. Обозначим через
R наименьшую σ-алгебру подмножеств N, относительно которой
 Лекция . Пуассоновская предельная теорема

отображения
µ → µB
из N в Z+ = {0, 1, 2, …} измеримы для всех B ∈ B. Точечным слу-
чайным процессом на X называется измеримое отображение из ос-
новного вероятностного пространства (Ω, F , P) в (N, R), т. е. эле-
ментарному событию ω ∈ Ω ставится в соответствие неотрицатель-
ная целозначная мера ξ(B, ω), B ∈ B, с указанными выше обычны-
ми свойствами измеримости случайных величин. Распределением
случайного точечного процесса, естественно, называется индуци-
рованная на (N, R) мера Pξ−1 . Под слабой сходимостью точечных
w
процессов ξn → ξ понимается слабая сходимость их распределений.
Теперь можно ввести интересующие нас случайные точечные про-
цессы. Напомним, что
exp(−u2 /2)
P( X (1) > u) ∼ Ψ(u) := p при u → ∞.
2πu
Рассмотрим последовательность случайных точечных процессов
на R:
P
ξu (B) = ξu (B, ω) = I{X (k)>u} (ω),
k∈B/Ψ(u)

B ∈ B(R), ω ∈ Ω, u > 0. (.)


Под множеством B/Ψ(u) понимается множество тех k, для которых
kΨ(u) ∈ B, I –– индикатор события. Напомним, что B ограничено,
поэтому вышеуказанная сумма случайных величин имеет смысл
и конечна. Пусть mu (B) = Eξu (B), du (B) = var ξu (B) –– математиче-
ское ожидание и дисперсия случайной величины ξu (B). Обе эти
величины конечны для любого B, нетрудно видеть, что m –– мера,
пропорциональная мере Лебега. Теперь посмотрим, как можно до-
казывать слабую сходимость точечных процессов, т. е. попробуем
найти какой-нибудь аналог теоремы Прохорова или ее следствий.
Определение .. Кольцо L ⊂ B называется DC-кольцом (от
английского dissecting covering –– рассекающее (расщепляющее) по-
крытие), если для каждого ограниченного замкнутого множества
B ∈ B и произвольного ǫ > 0 найдется конечное покрытие B мно-
жествами L из L с диаметрами, не превосходящими ǫ. Полукольцо
с таким же свойством называется DC-полукольцом.
Зафиксируем DC-полукольцо U ⊂ B и DC-кольцо L ⊂ B. Точеч-
ный случайный процесс называется простым, если все его атомы
Лекция . Пуассоновская предельная теорема 

имеют меру 1 с вероятностью 1, т. е. для всех одноточечных мно-


жеств {t} если ξ({t}, ω) > 0, то ξ({t}, ω) = 1 с вероятностью 1. Обо-
значим Bξ = {B ∈ B : ξ(∂B) = 0 п. н.}, и пусть ∂B –– граница множе-
ства B. Все эти общие определения нам нужны, чтобы сформулиро-
вать важную теорему Калленберга о слабой сходимости произволь-
ных точечных процессов.
Теорема . (О. Калленберг). Пусть ξn –– последовательность
точечных случайных процессов на X, а ξ –– простой точечный слу-
чайный процесс на X. Пусть существуют DC-полукольцо U ⊂ Bξ
и DC-кольцо L ⊂ Bξ . Пусть выполнены следующие условия:
) limn→∞ P(ξn (L) = 0) = P(ξ(L) = 0) ∀L ∈ L ;
) lim sup Eξn (U) ¶ Eξ(U) < ∞ ∀U ∈ U .
n→∞
w
Тогда ξn → ξ.
Обозначим через ϕ(x, y; r) двумерную гауссовскую плотность
с нулевыми средними, единичными дисперсиями и ковариаци-
ей r. Введем два функционала на последовательности ковариаций
{r(k), k ¾ 0}:

P Í1
R(r, L) = (N − k)r(k) ϕ(u, u; hr(k))dh,
k∈L/Ψ(u), r(k)>0 0

N = card(B/Ψ(u)),

P Í1
Rǫ (r, L) = (N − k)r(k) ϕ(u, u; hr(k))dh.
k∈L/Ψ(u): r(k)¾ǫu−2
ǫ/u2r(k)

Здесь и везде ниже считаем, что если h = |r| = 1, то ϕ = 0, хотя


двумерная плотность в этом случае не существует. Нигде ниже это
не приведет к противоречиям благодаря сходимости интеграла от
p
1/ 1 − h2 . Пуассоновским точечным процессом на прямой с мерой
интенсивности λ(B), B ∈ B, называется такой случайный точечный
процесс π(B, ω), что его распределение Pπ−1 (·) является пуассонов-
ским, т. е. для любого B выполняются равенства
λ(B)k −λ(B)
P(π(B) = k) = e , k = 0, 1, 2, …
k!
Если пуассоновский процесс задан на евклидовом пространстве и его
мера интенсивности λ(B) = Eπ(B) абсолютно непрерывна относи-
 Лекция . Пуассоновская предельная теорема

тельно меры Лебега, то пуассоновский процесс является простым


(докажите!), если она пропорциональна мере Лебега, т. е. λ(B) =
= λl(B), то процесс π называется стационарным (или однородным)
пуассоновским с интенсивностью λ. Заметим, что кольцо, порож-
денное полуинтервалами конечной длины является DC-кольцом на
B(R). Именно его мы будем обозначать через L .
Теорема .. Пусть X (k) –– гауссовская стационарная последо-
вательность с нулевым средним и единичной дисперсией. Пусть π ––
стационарный пуассоновский точечный процесс с интенсивностью
λ на прямой R. Тогда следующие утверждения эквивалентны:
w
() ξu → π, при u → ∞;
() limu→∞ mu (L) = λl(L) = limu→∞ du (L) ∀L ∈ L ;
() limu→∞ mu (L) = λl(L) и limu→∞ R(r, L) = 0 ∀L ∈ L ;
() limu→∞ mu (L) = λl(L) и limu→∞ Rǫ (r, L)) = 0 ∀L ∈ L ∀ǫ > 0.
Доказательство. Положим без ограничения общности λ = 1.
. (2) ⇒ (4). Для наглядности и простоты обозначений мы дока-
жем это включение для L = [1, 0). Общий случай ничем не отлича-
ется, так как все суммирования выполняются по одному и тому же
множеству. Имеем
P
var I{X (k)>u} (ω) =
k∈L/Ψ(u)
P P 
= var I{X (k)>u} (ω) + cov I{X (k)>u} , I{X (l)>u} =
k∈L/Ψ(u) k,l∈L/Ψ(u), k6=l
P P
= P( X (k) > u) − P( X (k) > u)2 +
k∈L/Ψ(u) k∈L/Ψ(u)
P 
+ cov I{X (k)>u} , I{X (l)>u} → 1
k,l∈L/Ψ(u), k6=l

при u → ∞. Поскольку первая сумма в правой части стремится к l(L),


а вторая, очевидно, к нулю (применяем мажорированную сходи-
мость), получаем, что
P 
cov I{X (k)>u} , I{X (l)>u} → 0.
k,l∈L/Ψ(u), k6=l

Далее, как в доказательстве тождества сравнения, из лекции , обо-


значим p p
Xh (k) = 1 − hX (k) + hZ(k), r = r(k − l)
Лекция . Пуассоновская предельная теорема 

и получим

cov I{X (k)>u} , I{X (l)>u} =
= P( X (k) > u, X (l) > u) − P( X (k) > u)P( X (l) > u) =
Í1 Í1
d
= P( Xh (k) > u, Xh (l) > u)dh = r ϕ(u, u; hr)dh. (.)
dh
0 0

Для гауссовской двумерной плотности имеем (для h < 1, если r = 1,


и для всех h в остальных случаях)

1
€ u2
Š 1 2
ϕ(u, u; hr) = p exp − ¶ p e−u
2π 1−h r 2 2 1 + hr 2 2
2π 1 − h r

при r ¶ 0. Поэтому
P 
cov I{X (k)>u} , I{X (l)>u} =
k,l∈L/Ψ(u), k6=l

P Í1 P Í
1

= r ϕdh + r ϕdh ¾
k,l∈L/Ψ(u), k6=l, r(k−l)>0 r<0
0 0

P Í1 Í1 2
1 P e−u |r|dh
¾ r ϕdh + r p . (.)
r¾0
2π r<0 1 − h2 r 2
0 0

Второе слагаемое равно (см. формулу (.))


P  2 2
cov I{Xh (k)>0} , I{Xh (l)>0} e−u /2 e−u /2 .
k,l∈L/Ψ(u),k6=l,r(k−l)<0

В силу неотрицательной определенности сумма по всем r неотри-


цательна, поэтому сумму по отрицательным r можно оценить снизу
суммой
P  2 2
− cov I{Xh (k)>0} , I{Xh (l)>0} e−u /2 e−u /2 ,
k,l∈L/Ψ(u), k6=l, r(k−l)>0

которая, в свою очередь, равна

P
1/Ψ(u) Í1 3
P
1/Ψ(u)
r e−u dh 2
− p − var I{Xh (k)>0} e−u .
2π 1 − h2 r 2
k,l=0, k6=l, r(l−k)¾0 k=0
0
 Лекция . Пуассоновская предельная теорема

Дисперсии не зависят от k, и вторая сумма стремится к нулю. Обо-


значим ее через αu . Продолжаем цепочку неравенств (.):

P Í
1
P r Í e−u3 dh
1

¾ r ϕdh − 2π
p + αu = (.)
r>0 r¾0 1 − h2 r 2
0 0

P Í
1
€ € u2
ŠŠ
= r ϕ · 1 − exp −u2 + dh + αu =
r>0
1 + rh
0
1
P Í € € u2 rh ŠŠ
= r ϕ · 1 − exp − dh + αu ¾
r>0
1 + rh
0

P Í1 € € u2 rh ŠŠ
¾ r ϕ · 1 − exp − dh + αu ¾
r>0
1 + rh
ǫ/u2 r

P Í1
−ǫ/2
¾ αu + (1 − e ) r ϕdh.
ru2 ¾ǫ 0

Последняя сумма есть Φǫ (r, [0, 1)), она стремится к нулю при u → ∞,
что доказывает включение.
. (3) ⇒ (4). Очевидно.
. (4) ⇒ (3). Имея в виду, что r ¾ 0, запишем

P Í1 € 1 2u2 − 2u2 hr Š
1
(N − k)r p exp − 2 dh ¶
r<ǫu−2 2π 1 − h2 r 2 1 − h2 r 2
0 1
P N − k 2 −u2 Í 1
€ hru2 Š
¶ 2 u re p exp dh ¶
2πu 1 − h2 r 2 1 + hr
|r|<ǫu−2 0

P Í1 € Š
N − k −u2 2 1 hǫ
¶ e u r p exp dh ¶
2πu2 1 − h2 r 2 1 − hǫu−2
|r|<ǫu−2 0
• ˜
2
P
1/Ψ(u)
¶ Kǫ Ψ (u) (N − k) ,
k=1

где K –– константа, равномерно по всем достаточно большим u огра-


ничивающая последний интеграл. Выражение в квадратных скоб-
Лекция . Пуассоновская предельная теорема 

ках сходится к 1, поскольку Ψ(u) ∼ P( X (k) > u). Далее,

Í1  ǫ/ru
Í
2
Í1 
P P
(N − k)r ϕdh = (N − k)r ϕ dh + ϕdh =
r¾ǫu−2 0 r¾ǫu−2 0 ǫ/ru2
2
ǫ/ru
Í Í1
P P
= (N − k)r ϕ dh + (N − k)r ϕ dh.
r¾ǫu−2 0 r¾ǫu−2
ǫ/ru2

Вторая сумма есть Rǫ (r(·), [0, 1)) и поэтому стремится к нулю по


условию. Для первой суммы с учетом неравенства r > 0 получаем
неравенство
2
ǫ/ru
Í
r 1
€
1 2u2 − 2u2 hr
Š
p exp − 2 dh =
2π 2π 1 − h2 r 2 1 − h2 r 2
0
2
ǫ/ru
Í
1 −u2 2 1
€
u2 rh
Š
= e ru p exp dh =
2πu2 1 − h2 r 2 1 + hr
0
Íǫ € Š
1 −u 2 1 s
= e p exp ds,
2πu2 1 − s2 u−4 1 + su−2
0

где s = rhu2 . Интеграл равномерно ограничен по всем достаточно


большим u функцией γ(ǫ), которая стремится к нулю при ǫ → 0, по-
этому сумма, как и в предыдущем абзаце, ограничена числом 2γ(ǫ),
что завершает доказательство включения в силу произвольности ǫ.
. (3) ⇒ (1). Покажем, что для любого L ∈ L имеет место сходи-
мость P(ξu (L) = 0) к exp(−l(L)), тогда можно воспользоваться тео-
ремой Калленберга. Пусть Z(k), k ∈ Z, –– последовательность стан-
дартных нормальных независимых случайных величин, не зави-
сящая от последовательности X (k). Обозначим через ζu (B, ω) со-
ответствующий точечный случайный процесс, см. формулу (.).
Оценим разность
∆P = P(ξu (L) = 0) − P(ζu (L) = 0).
Заметим, что
P(ξu (L = 0) = P( max X (k) < u),
k∈L/Ψ(u)]

и то же самое справедливо для ζu . Воспользуемся тождеством срав-


нения из теоремы .., переписав его для рассматриваемых здесь
 Лекция . Пуассоновская предельная теорема
p p
событий. Обозначим Xh (k) = hX (k) + 1 − hZ(k), среднее этой по-
следовательности равно нулю, дисперсия равна единице, ковариа-
ционная функция rh (k) = hr(k). По упомянутой теореме .. имеем
P
∆P = r(k−l)×
k,l∈L/Ψ(u) k>l,

Í1
× ϕ(u, u, rh (k−l)P( Xh ( j) < u, j 6= k, l | Xh (k) = Xh (l) = u)dh =
0
1
P Í
= r ϕ(u, u, rh (k−l)P( Xh ( j) < u, j 6= k, l | Xh (k) = Xh (l) = u)dh−
r>0
0

P Í1
− |r| ϕ(u, u, rh (k−l)P( Xh ( j) < u,
r<0
0

j 6= k, l | Xh (k) = Xh (l) = u)dh.


Первая сумма в правой части мажорируется функционалом R(r, L).
P R1
Вторая мажорируется суммой |r| ϕdh. В силу (.), (.) име-
r<0 0
ем
P Í1
r ϕdh ¾ Rǫ (r, L)(1 − e−ǫ/2 ) + αu ,
r
0
и, поскольку
P Í
1
P Í
1
P Í
1

r ϕdh = r ϕdh − |r| ϕdh,


r r>0 r<0
0 0 0
получаем, что
1 1
P Í P Í
|r| ϕdh ¶ r ϕdh − Rǫ (r, L)(1 − e−ǫ/2 ) − αu → 0
r<0 r>0
0 0
при u → ∞ в силу доказанной уже эквивалентности () и (). Поэто-
му
1 1
P +Í P −Í
|∆P| ¶ r ϕdh + r ϕdh → 0.
r r
0 0
К случайной величине ζu (L) можно применить классическую пуас-
соновскую предельную теорему, поскольку
lim Eζu (L) = lim mu (L) = λl(L).
u→∞ u→∞
Лекция . Пуассоновская предельная теорема 

Таким образом, P(ζu ([0, 1]) = 0) → e−λ. Условие ) теоремы Каллен-


берга очевидно следует из вышеприведенных соотношений. Утвер-
ждение доказано.
Включение (1) ⇒ (2) очевидно.
Задача .. Докажите, что если выполнены условия теоремы и
sup r(k) < 1,
k>0
то из соотношений
lim mu ([0, 1)) = λl([0, 1)) = lim du ([0, 1)) (.)
u→∞ u→∞
следует утверждение () теоремы.
Поскольку обратное включение также, очевидно, имеет место,
в этом случае условие (.) является необходимым и достаточным
для выполнения пуассоновской предельной теоремы.
Выражения для R и Rǫ можно упростить, пользуясь приведенным
выше представлением для ϕ(u, u; r). Нетрудно показать, что если
условие Бермана
r(n) ln n → 0 при n → ∞, (.)
выполнено, то выполнено утверждение () теоремы ., т. е. име-
ет место пуассоновская предельная теорема для больших выбросов
гауссовской стационарной последовательности X (k) (сравните с со-
ответствующим утверждением лекции ). Заметим, что из первого
соотношения утверждения () теоремы . следует, что
1 Æ
p ln ln N + ln(λ π/2)
2
u = uN = 2 ln N − p + O(1/ ln N) при N → ∞,
2 ln N
(.)
где N = [1/Ψ(u)]. Пользуясь этим, можно доказать следующее утвер-
ждение, которое уточняет условие Бермана (.) до необходимого
(его полное доказательство которого можно прочесть в []).
Предложение .. Пусть limu→∞ mu ([0, 1]) = λ. Тогда утвер-
ждение () теоремы . эквивалентно тому, что для любого ǫ > 0
выполнено
€ Š 2r(k) ‹
P
N
N −k N 1+r(k)
lim N −2 p − 1 = 0. (.)
N→∞ k=1, r(k) ln k>ǫ 1 − r(k) ln N

Из теоремы . получаем приведенное ниже важное следствие ––


предельную теорему типа Гнеденко для максимума гауссовской по-
следовательности.
 Лекция . Пуассоновская предельная теорема

Следствие . (теорема Бермана). Пусть для гауссовской ста-


ционарной последовательности с нулевым средним и единичной дис-
персией выполнено условие (.) или условие (.). Тогда
P( max ( X (k) − un)/bn ¶ x) → exp(−e−x )
k∈[0,n]
p
при N → ∞, где bn = 2 ln N, а un задано соотношением (.) c λ = 1.
Для доказательства следует в соотношение
lim P(ξu ([0, 1] = 0) = lim P( max X (k) < u) = e−λ
u→∞ u→∞ k∈[0,1/Ψ(u)]

подставить u = un , соответственно 1/Ψ(u) заменить на n, положить


λ = e−x и провести очевидные преобразования.
Лекция 

Пуассоновская предельная теорема.


Непрерывное время

В этой лекции мы рассматриваем гауссовский стационарный


процесс X (t) с нулевым средним, единичной дисперсией и ковари-
ационной функцией, удовлетворяющей условию Пикандса
r(t) = 1 − |t|α + o(|t|α ) при t → 0 для некоторого α ∈ (0; 2] (.)
и условию Бермана
r(t) ln t → 0 при t → ∞. (.)
Из формулы (.) следует, что для любого δ > 0 выполняется нера-
венство
sup |r(t)| < 1. (.)
|t|>δ
Как и в лекции , мы будем говорить о числе пересечений. Ко-
гда α < 2, траектории процесса X недифференцируемы, поэтому
может случиться, что число пересечений, подобно винеровскому
процессу, равно либо нулю, либо бесконечности. Чтобы все же го-
ворить о числе пересечений, мы введем понятие a-выхода траек-
тории процесса за некоторый уровень. Скажем, что точка t есть
точка a-выхода за уровень u траектории X (t, ω) процесса X , если
X (t, ω) = u и X (s, ω) < u для всех s ∈ [t − a, t). Цель этой лекции –– до-
казать пуассоновскую предельную теорему для случайного точечно-
го процесса a-выходов за высокий (стремящийся к бесконечности)
уровень. Обозначим

PX (u, W ) = P max X (t) ¶ u и P ¯¯X (u, W ) = 1 − PX (u, W).
t∈W
Рассмотрим функцию
µ(u) = Hα u2/α Ψ(u);
p 2
напомним, что Ψ(u) = ( 2πu)−1 e−u /2 , Hα –– константа Пикандса,
Hα = lim Hα (λ)/λ,
λ→∞
 p
Hα (λ) = E exp max 2Bα/2 (t) − t α ,
t∈[0,λ]
 Лекция . Пуассоновская предельная теорема. Непрерывное время

Bh –– дробное броуновское движение с параметром Хёрста h. В лек-


ции  мы показали, что 0 < Hα < ∞ и для любого T выполняется
равенство
¯¯χ (u, [0, T ]) = Tµ(u)(1 + o(1)) при u → ∞.
P (.)
Пусть ηa,u (B), B ∈ B, –– точечный процесс a-выходов процесса X (t)
за уровень u, и пусть B –– σ-кольцо ограниченных борелевских мно-
жеств на R. Как мы уже замечали в предыдущей лекции, с ростом u
число выходов за единицу времени становится все меньше и мень-
ше, поэтому, чтобы говорить о пределе, введем нормированный по
времени точечный процесс
Φu (B) = ηa,u (µ(u)−1 B)
и, как и ранее, обозначим через π(·) стационарный пуассоновский
точечный процесс с интенсивностью единица (стандартный точеч-
ный пуассоновский процесс). Докажем следующую теорему.
Теорема .. Пусть для гауссовского стационарного процесса
X (t) c нулевым средним и единичной дисперсией выполнены соот-
ношения (.), (.). Тогда для любого a > 0 случайный точечный
процесс Φu (B), B ∈ B, слабо сходится при u → ∞ к стандартному
пуассоновскому точечному процессу π(B), B ∈ B.
Как и в предыдущей лекции, обозначим через L подкольцо B,
порожденное всеми полуинтервалами [s, t). По теореме Каллен-
берга (лекция ) слабая сходимость точечных процессов Φu к без-
гранично-делимому точечному процессу Φ(B) на B со свойством
Φ(∂L) = 0 п. н. для всех L ∈ L следует из соотношений
lim P(Φu (L) = 0) = P(Φ(L) = 0) и
u→∞
(.)
lim sup EΦu (L) ¶ EΦ(L) ∀L ∈ L .
u→∞

Поскольку пуассоновский процесс является безгранично делимым


и простым (без атомов в неслучайных точках), для него все условия
теоремы Калленберга выполнены. Сразу заметим, что, рассматри-
вая процесс X (t) на безгранично растущем отрезке [0, T], T → ∞,
и выбирая u = u(T) так, чтобы выполнялось условие Tµ(uT ) → e−x
при T → ∞, при помощи уже применявшихся стандартных рассуж-
дений мы получим из этой теоремы, предельную теорему для мак-
симума процесса X (t).
Лекция . Пуассоновская предельная теорема. Непрерывное время 

Следствие .. Пусть условия (.),(.) выполнены, тогда


€ x
Š −x
lim P max X (t) < a + bT = e−e ,
T→∞ t∈[0,T ] T

где
€1 1Š € H Š
p p − ln(2 ln T ) + ln p α
α 2 2π
aT = 2 ln T , bT = 2 ln T + p .
2 ln T

Доказательство теоремы .


Лемма .. Обозначим через µa (u) интенсивность случайного
точечного процесса ηa,u (B), тогда
lim µa (u)/µ(u) = 1.
u→∞

Доказательство. Полуинтервал I = [0, a/2) не может содержать


более одной a-точки. Поэтому достаточно найти искомый предел
при u → ∞ вероятности
 a
P ηa,u (I) > 0 = 2 µa (u).
 n o
Заметим, что ηa,u (I) > 0 ⊂ max X (t) > u . С другой стороны,
t∈I

 § ª
ηa,u (I) > 0 ⊃ max X (t) < u, max X (t) ¾ u . (.)
t∈(−a,0) t∈I

Кроме того,

P max X (t) < u, max X (t) ¾ u =
t∈(−a,0) t∈I

= P̄X (u, I) − P max X (t) ¾ u, max X (t) ¾ u =
t∈I (−a,0)
 
= P̄X (u, I) − P̄X (u, I) + P̄X (u, (−a, 0)) − P̄X (u, (−a, a/2)) .
Теперь воспользуемся теоремой Пикандса. Выражение в квадрат-
ных скобках бесконечно меньше, чем P̄X (u, I), что и доказывает
лемму.
Лемма .. Для любого L ∈ L выполняется условие
P(Φu (L) = 0) = PX (u, µ(u)−1 L) + o(1)
при u → ∞.
 Лекция . Пуассоновская предельная теорема. Непрерывное время

Доказательство. Обозначим Lu = µ(u)−1 L, L ∈ L . Имеем


PX (u, Lu ) ¶ P(Φu (L) = 0).
Далее, аналогично формуле (.) получаем, что
€ Š
P(Φu (L) = 0) ¶ PX (u, Lu ) + P max X (t) > u, max X (t) > u ,
t∈Lu (Lu ⊕(−a,0))\Lu

где ⊕ –– знак суммы Минковского множеств, т. е.


A ⊕ B = {t + s : t ∈ A, s ∈ B}.
Поскольку L состоит из конечного числа непересекающихся интер-
валов, имеем
€ Š € Š
P max X (t) > u, max X (t) > u ¶ P max X (t) > u =
t∈Lu (Lu ⊕(−a,0))\Lu (Lu ⊕(−a,0))\Lu
n−1+2/α

=O u Ψ(u) = o(1) при u → ∞.
Для доказательства пуассоновской предельной теоремы и пре-
дельной теоремы для максимума мы, подобно тому как это делалось
в лекции , намерены воспользоваться неравенством сравнения из
лекции . С этой целью введем решетки на R:
Rb := {bku−2/α , k ∈ Z}, b > 0.
Лемма .. Для любого L ∈ L и произвольного ǫ > 0 найдутся
такие b > 0, u0 > 0, что для всех u ¾ u0 имеет место оценка
PX (u, Lu ∩ Rb ) − PX (u, Lu ) ¶ diam(L)ǫ.
Доказательство. Имеем

PX (u, Lu ∩ Rb ) − PX (u, Lu ) = P max X (t) ¶ u, max X (t) > u .
Lu ∩Rb Lu

В силу стационарности можно рассматривать L ∈ L , лежащие на


положительной полуоси. Пусть T = diam(L) и L ⊂ [0, T]. Отрезок
[0, µ(u)−1 T ] покроем [µ(u)−1 u2/α T] + 1 непересекающимися отрез-
ками длины λu−2.α . В силу стационарности получаем

P max X (t) ¶ u, max X (t) > u ¶
Lu ∩Rb Lu
−1 2/α
 
¶ [µ(u) u T]+1 P max X (t) ¶ u, max X (t) > u . (.)
[0,u−2/α ]∩Rb [0,u−2/α ]
Лекция . Пуассоновская предельная теорема. Непрерывное время 

Как и в лекции , следуя доказательству основной леммы .., до-


казываем, что

lim Ψ(u)−1 P max X (t) ¶ u, max X (t) > u =
u→∞ [0,u−2/α ]∩Rb [0,u−2/α ]
Í∞ p p 
= e s P max 2Bα/2 (t) − t α > s, max 2Bα/2 (t) − t α ¶ s ds.
t∈[0,1] t∈[0,1]∩bZ
0

Поскольку траектории дробного броуновского движения почти на-


верное непрерывны, вероятность в подынтегральном выражении
для любого s стремится к нулю при b → 0. По теореме о мажориро-
ванной сходимости интеграл также стремится к нулю. Выберем u0
столь большим, чтобы этот интеграл не превосходил ǫ/2. Подстав-
ляя теперь в формулу (.) эту оценку и увеличивая при необходи-
мости u0 , получаем утверждение леммы.
Продолжим доказательство теоремы, и по-прежнему будем рас-
сматривать отрезок [0, T], покрывающий L. Пусть δ –– положитель-
ное число. Разобьем отрезок [0, µ(u)−1 T] на отрезки единичной
длины, перемежающиеся отрезки длины δ (последний отрезок мо-
жет иметь длину, меньшую 1 или δ). Обозначим через N число еди-
ничных отрезков из этого разбиения и через Πu –– их объединение.
Через Λu обозначим объединение всех участвующих в разбиении
отрезками длины δ, содержащихся в Lu .
Лемма .. Для любого полуинтервала L ∈ L положительной
длины и произвольного ǫ > 0 найдется такое δ > 0, что для всех
достаточно больших u имеет место оценка
PX (u, Πu ∩ Rb ) − PX (u, Lu ∩ Rb ) ¶ ǫ.
Доказательство. Как и в предыдущем доказательстве, будем
считать, что L ⊂ [0, T], T = diam(L). Пользуясь соотношением (.),
для всех достаточно больших u получаем, что
0 ¶ PX (u, Πu ∩ Rb ) − PX (u, Lu ∩ Rb ) =

= P max X (t) ¶ u, max X (t) > u ¶
Πu ∩Rb Lu ∩Rb
−1
¯¯X (u, Lu \ Πu ) ¶ 2 µ(u) T P
¶P ¯¯X (u, [0, δ]) ¶
1+δ
3µ(u)−1 T 3δT
¶ δµ(u) = =ǫ
1+δ 1+δ
для δ = ǫ/(3T − ǫ).
 Лекция . Пуассоновская предельная теорема. Непрерывное время

Обозначим через K j , j = 1, 2, …, отрезки единичной длины со-


ставляющие Πu . Напомним, что они перемежаются отрезками дли-
ны δ. Рассмотрим набор гауссовских независимых стационарных
процессов X j (t), t ∈ K j , j = 1, 2, …, распределенных как X (t), и по-
строим гауссовский случайный процесс

X0 (t) = X j (t) при t ∈ K j , j = 1, 2, …

Лемма .. Для всех L ∈ L выполнено соотношение

PX (u, Πu ∩ Rb ) − PX0 (u, Πu ∩ Rb ) → 0

при u → ∞.
Доказательство. Обозначим

S(i, j) := {(t, s) : t ∈ Ki ∩ Rb , s ∈ K j ∩ Rb }.

В силу неравенства сравнения (следствие ..) имеем

1 P
|PX (u, Πu ∩ Rb ) − PX0 (u, Πu ∩ Rb )| ¶ π |r(t − s) − r0 (s, t)| ×
s,t∈λ u ∩Rb ,s6= t

Í1 € Š
u2
× (1 − rh (s, t))−1/2 exp − dh =
1 + rh (s, t)
0

Í1
1 P P
€ u2
Š
= |r(t − s)| (1 − hr(t − s))−1/2 exp − dh,
π S(i, j)
1 + hr(s, t)
i6= j
0

где
rh (s, t) = hr(s − t) + (1 − h)r0(s, t),

s, t ∈ R, r0 –– ковариационная функция процесса X0 . Покажем, что по-


следняя сумма стремится к нулю. Обозначим

γ2 = sup(1 − |r(t)|),
t¾δ

тогда γ2 ∈ (0, 1]. Возьмем γ1 ∈ (0, γ2 /2) и сначала рассмотрим не


слишком далёкие друг от друга s и t, точнее говоря, рассмотрим
такие s ∈ K j , t ∈ Ki , что d(Ki , K j ) ¶ µ(u)−γ1 . (Определяем d(Ki , K j ) :=
:= sup{|t − s|: t ∈ Ki , s ∈ K j }.) Обозначив через Σ1 часть суммы по
Лекция . Пуассоновская предельная теорема. Непрерывное время 

таким s, t, получим, что


P P € u2
Š
Σ1 ¶ C 1 exp − ¶
i6= j, S(i, j)
1 + |r(t − s)|
d(Ki ,K j )¶µ(u)−γ1
P P € u2
Š
¶ C2 exp − =
S(i, j)
2 − γ2
i6= j,
d(Ki ,K j )¶µ(u)−γ1
€ 2
Š
= O µ(u)−1µ(u)−γ1 un−1+2/α e−u /(2−γ2 ) = o(1)
при u → ∞ в силу выбора γ2 , где C1 и C2 –– некоторые константы.
Теперь обратимся к тем s, t, для которых d(Ki , K j ) ¾ µ(u)−γ1 ,
t ∈ Ki , s ∈ K j . Обозначим эту сумму через Σ2 . Пользуясь соотноше-
нием (.), получаем, что
sup r(t − s) =: κ(u) = o(u−2 )
|t−s|¾µ(u)−γ1
при u → ∞, т. е.
 ‹
P P u2
Σ2 ¶ C3 κ(u) exp − ¶
i6= j S(i, j)
1 + |r(t − s)|
d(Ki ,K j )¾µ(u)−γ1

2 P P € |r(t − s)|u2 Š
¶ C4 κ(u)e−u exp =
i6= j S(i, j)
1 + |r(t − s)|
d(Ki ,K j )¾µ(u)−γ1
€ 2 2
= O µ(u)−1 un−1+2/α κ(u)e−u = O(u2 κ(u)) = o(1)
при u → ∞, где C3 и C4 –– константы.
Заметим, что лемма . также справедлива для процесса X0
с той же решёткой. Обозначим через N число отрезков, составляю-
щих Πu . Нетрудно увидеть, что для любого ǫ > 0 найдется достаточ-
но малое δ, для которого |Nµ(u) − V (L)| ¶ ǫ, V (·) –– длина. Отсюда
получаем, что
P¯X0 (u, λu ))N → e−V(L) .
PX0 (u, λu ) = (1 − ¯
Итак, мы доказали первое соотношение из формулы (.). Второе
соотношение следует из эквивалентности µ(u) и µa (u) (см. лем-
му .), т. е. limu→∞ EΦu = Eπ(L). Таким образом, теорема . до-
казана.
Обобщения этой теоремы на гауссовские поля и другие детали
исследований в этом направлении можно найти в книге [].
Лекция 

Тождество и неравенство сравнения.


Непрерывное время

В этой лекции мы обобщим тождество сравнения и неравенство


сравнения Бермана из лекции  на процессы с непрерывным време-
нем. Приведем необходимое нам следствие из теоремы ...
Теорема .. Пусть X0 = ( X01 , …, X0d ) и X1 = ( X11 , …, X1d ) –– па-
ра независимых гауссовских векторов с нулевыми средними и кова-
риациями r0ij и r1ij соответственно, причем r0ii = r1ii = 1 для всех
i = 1, …, d и |r0ij | < 1 для всех i 6= j. Тогда для любого u имеет место
тождество
P
d
P( max X1i ¶ u) − P( max X0i ¶ u) = (r1kl − r0kl ) ×
i=1,…,d i=1,…,d k,l=1, k>l

Í1
× ϕ(u, u, rhkl )P( max Xhi ¶ u | Xhk = Xhl = u)dh, (.)
i=1,…,d
0
p p
где Xh = hX1 + 1 − hX0 и ϕ(u, u, r) –– двумерная гауссовская плот-
ность с нулевым средним, единичными дисперсиями и ковариацией r.
Идея обобщения проста и очень похожа на вывод выражений для
моментов числа пересечений. Мы выписываем тождество сравне-
ния для процессов, взятых по дискретной временно́й решетке, и за-
тем пытаемся «разумно» перейти к пределу в правой части тожде-
ства (.). Левая же часть, если траектории процессов непрерыв-
ны, сходится к оцениваемой разности распределений максимумов.
«Разумный» переход к пределу в правой части и есть основная часть
доказательства следующей теоремы сравнения. Через rν (s, t) будем
обозначать ковариационные функции процессов с соответствующи-
ми номерами, а через ϕZ (z) –– плотность распределения гауссовско-
го вектора Z.
Теорема .. Пусть пара независимых дважды дифференцируе-
мых в среднем квадратическом гауссовских стационарных процессов
Лекция . Тождество и неравенство сравнения 

с непрерывными траекториями и нулевыми средними Xν (t), ν = 0, 1,


t ∈[0, T), T ¶ ∞, удовлетворяют условию EX (t)2 ≡ EX ′ (t)2 ≡1, и пусть
распределения гауссовских векторов
( Xν (0), Xν (t), Xν′ (0), Xν′ (t), Xν′′ (0), Xν′′ (t)), ν = 0, 1,
невырожденны для всех t > 0. Обозначим
p p
Xh (t) = h X1 (t) + 1 − hX0 (t), h ∈ [0, 1].
Для любого S < T и всех u имеет место равенство
 
P max X1 (t) ¶ u − P max X0 (t) ¶ u =
t∈[0,S] t∈[0,S]

Í1 ÍS
= dh t dt(r1(t) − r0 (t))ϕ Xh (0),Xh (t),Xh′ (0),Xh′ (t) (u, u, 0, 0) ×
0 0
Í0 Í0
× dy1 dy2 y1 y2 ϕ Xh′′ (0),Xh′′ (t) ( y1 , y2 | u, u, 0, 0) ×
−∞ −∞

× P( max Xh (s) ¶ u | u, u, 0, 0, y1 , y2 ) +
s∈[0,S]

ÍS
+2 dt(r1 (t) − r0(t))ϕ Xh (0),Xh (t),Xh′ (t) (u, u, 0) ×
0
Í0
× dy| y|ϕ Xh′′ (t) ( y | u, u, 0)P( max Xh (s) ¶ u | u, u, 0, y) +
s∈[0,S]
−∞

+ (r1 (S) − r0(S))ϕ Xh (0),Xh (S) (u, u)P( max Xh (s) ¶ u | u, u) ,
s∈[0,S]
(.)
где ϕ Xh′′ (0),Xh′′ (t) ( y1 , y2 | u, u, 0, 0)–– условная плотность вектора ( Xh′′ (0),
Xh′′ (t)) при условии
( Xh (0), Xh (t), Xh′ (0), Xh′ (t)) = (u, u, 0, 0),
ϕ Xh′′ (t) ( y | u, u, 0) –– условная плотность величины Xh′′ (t) при условии

( Xh (0), Xh (t), Xh′ (t)) = (u, u, 0).


Условия в условных вероятностях суть значения всех случайных ве-
личин, фигурирующих в соответствующем интеграле, а в послед-
нем слагаемом –– значения вектора ( Xh (0), Xh (S)).
 Лекция . Тождество и неравенство сравнения

Доказательство. Перепишем тождество (.) для дискретиза-


ций наших процессов:

P( maxn X1 (k2−n ) ¶ u) − P( maxn X0 (i2−n ) ¶ u) =


0¶k¶2 S 0¶k¶2 S

P Í1
−n −n
= (r1 (( j − i)2 ) − r0 (( j − i)2 )) ϕ(u, u) ×
i< j
0
€ Š
×P maxn Xh (k2−n ) ¶ u | Xh (i2−n ) = Xh ( j2−n ) = u dh, (.)
0¶k¶2 S

где ϕ(u, u) –– плотность распределения вектора ( Xh (l2−n ), Xh (k2−n )),


rh = hr1 + (1 − h)r0 . Предположим сначала, что все конечномерные
распределения обоих процессов невырожденны, и преобразуем услов-
ные распределения под знаком интеграла, обозначим их через Pij .
Обозначив

t1 := 2−n i, t2 := 2−n j, A := maxn Xh (i2−n ) ¶ u ,
0¶i¶2 S

и рассмотрим сначала случай t1 > 0 и t2 < S, т. е. случай, когда обе


точки –– внутренние точки отрезка. По формуле Тейлора для l = 1, 2
имеем:
1
Xh (tl ± 2−n ) = Xh (tl ) ± 2−n Xh′ (tl ) + 2−2n Xh′′ (tl ) + 2−2n α± ξ± , (.)
2 nl nl

где четыре неслучайные последовательности α± nl


стремятся к нулю
при n → ∞, а ξ± nl
, l = 1, 2, n = 1, 2, …, –– четыре последовательности
стандартных нормальных величин, при этом совместное распре-
деление всех входящих в формулу случайных величин гауссовское.
Имея в виду это разложение, введем событие

At1 t2 = A ∩ 2−n−1 Xh′′ (tl ) + 2−n α+ ξ+ ¶ Xh′ (tl ) ¶
nl nl

¶ −2−n−1 Xh′′ (tl ) + 2−n α− ξ− , l = 1, 2 .
nl nl

Используя условие Xh (tl ) = u, l = 1, 2, получаем


Pij = P(At1 t2 | Xh (tl ) = u, l = 1, 2) =
= E[E[Xh′′ (tl ), ξ±
nl
, l = 1, 2 | P(At1 t2 | Xh (tl ) = u, l = 1, 2)]]. (.)
Обозначим
Nij = {k ∈ {0, …, 2n S} \ {i ± 1, j ± 1}},
Sij = {z = (zk , k ∈ Nij ) : zk ¶ u, k ∈ Nij }.
Лекция . Тождество и неравенство сравнения 

Тогда
−2−n−1 Xh′′ (t1 )+2−n α− −
n1 ξn1 −2−n−1 Xh′′ (t2 )+2−n α− −
n2 ξn2
Í Í Í
Pij = dz dx1 dx2 ϕh (z, x1 , x2 ),
Sij 2−n−1 Xh′′ (t1 )+2−n α+ +
2−n−1 Xh′′ (t2 )+2−n α+ +
n1 ξn1 n2 ξn2

(.)
где ϕh –– условная плотность вектора
( Xh (k2−n ), k ∈ Nij , Xh′ (tl ), l = 1, 2)
при условии Xh (tl ) = u, l = 1, 2. Заменим переменные: xl = 2−n xl′ ,
l = 1, 2. Тогда
−2−1 Xh′′ (t1 )+α− −
n1 ξn1
Í Í
Pij = 2−2n dz dx1′
Sij 2−1 Xh′′ (t1 )+α+ +
n1 ξn1

−1
−2 Xh′′ (t2 )+α− −
n2 ξn2
Í
dx2′ ϕ1h (z |2−n xl′ , l = 1, 2)ϕ2h (2−n xl′ , l = 1, 2), (.)
2−1 Xh′′ (t2 )+α+ +
n2 ξn2

где ϕ1h –– условная плотность вектора ( Xh (k2−n ), k ∈ Nij ) при усло-


вии
Xh (tl ) = u, Xh′ (tl ) = 2−n xl′ , l = 1, 2,
а ϕ2h –– условная плотность вектора ( Xh′ (tl ), l = 1, 2) при условии
Xh (tl ) = u, l = 1, 2. Соотношение (.) можно переписать как

Í −2−1 Xh′′ (t1 )


Í
−2n
Pij = 2 dz dx1′
Sij 2−1 Xh′′ (t1 )

−2−1 Xh′′ (t2 )


Í 
dx2′ ϕ1h (z |2−n xl′ , l = 1, 2)ϕ2h (2−n xl′ , l = 1, 2) + Rn . (.)
2−1 Xh′′ (t2 )

Вероятность не превосходит единицы, а плотность –– ее значения


в нуле, поэтому, вычитая соотношение (.) из (.), получаем
|Rn | ¶ ϕ2h (0, 0)(|α− − + + − − + +
n1 ξn1 | + |αn1 ξn1 | + |αn2 ξn2 | + |αn2 ξn2 |). (.)
Поскольку все плотности существуют и условные плотности непре-
рывны относительно условий, можно применить к правой части
 Лекция . Тождество и неравенство сравнения

формулы (.) теорему Лебега о мажорированной сходимости для


фиксированных t1 , t2 . Получаем, что

Pij = 2−2n P(max Xh (s) ¶ u | Xh (tl ) = u, Xh′ (tl ) = 0, l = 1, 2) ×


[0,S]

× ( Xh′′ (t1 )− )( Xh′′ (t1 )− )ϕ2h (0, 0) + o(1) (.)
почти наверное, где a− = min(a, 0). В силу неравенства (.) из фор-
мулы (.) следует для фиксированных t1 , t2 , что
 Í0 Í0 
−2n
Pij = 2 y1 y2 Pt1 t2 (u, y1 , y2 )ϕ2h (0, 0, y1 , y2 )dy1 dy2 + o(1)
−∞ −∞
(.)
при n → ∞, где

Pt1 t2 (u, y1 , y2 ) =
= P(max Xh (s) ¶ u | Xh (tl ) = u, Xh′ (tl ) = 0, Xh′′ (tl ) = yl , l = 1, 2),
[0,S]

а ϕ2h –– условная плотность распределения вектора


( Xh′ (tl ), l = 1, 2, Xh′′ (tl ), l = 1, 2)
при условии Xh (tl ) = u, l = 1, 2.
Аналогично рассматриваются члены суммы из формулы (.)
с i = 0 (t1 = 0), j < 2n S (t2 < S) и с i > 0 (t1 > 0), j = 2n S (t2 = S). При
этом разложение Тейлора (.) делается лишь в одной из точек,
соответственно условные плотности получаются другими, соответ-
ствующими другим членам в тождестве сравнения (.). Напри-
мер, в первом случае получаем
 Í0 Í0 
P0 j = 2−n | y|Pt2 (u, y)ϕ3h (0, y)dy + o(1) (.)
−∞ −∞

при n → ∞, где

Pt2 (u, y) =
= P(max Xh (s) ¶ u | Xh (tl ) = u, l = 1, 2, Xh′ (t2 ) = 0, Xh′′ (t2 ) = y),
[0,S]

а ϕ3h –– условная плотность распределения вектора ( Xh′ (t2 ), Xh′′ (t2 ))


при условии Xh (tl ) = u, l = 1, 2. Наконец, член с i = 0 (t1 = 0), j = 2n S
(t2 = S) преобразуется при n → ∞ тривиальным образом.
Лекция . Тождество и неравенство сравнения 

Теперь осталось просуммировать пределы слагаемых в форму-


ле (.). Как уже понятно, сначала сумму в правой части следует
разбить на четыре части: сумму по внутренним точкам, две суммы
по точкам с одной крайней точкой и последний член –– с крайними
точками. Поскольку все плотности существуют по нашему времен-
ному предположению, не возникает проблем в суммировании по
членам с |t2 − t1 | ¾ δ для любого положительного δ. Получаем соот-
ветствующие интегралы. Чтобы заменить δ на 0, возьмем вместо
процесса X0 (t) процесс X0δ (t) = X0 ((1 − δ)t), для δ > 0 достаточно
мало. Тогда, поскольку первые и вторые производные в нуле кова-
риационных функций процессов X0 и X1 совпадают, для достаточ-
но малых t имеет место неравенство r0 ((1 − δ)) ¾ r1 (t). Отбросив
в тождестве (.) члены, где это неравенство выполняется, и по-
лучив при этом оценку сверху, можно в силу леммы Фату о моно-
тонном пределе под знаком интеграла перейти к пределу при δ ↓ 0,
получив оценку сверху в формуле (.). Для получения неравенства
снизу, следует рассмотреть процесс X0δ (t) = X0 ((1 + δ)t). Осталось
избавиться от дополнительного предположения о невырожденности
всех конечномерных распределений. Это делается стандартным об-
разом, добавлением к обоим процессам независимых стационарных
достаточно гладких процессов Zi (t), i = 1, 2 с одинаковыми невы-
рожденными конечномерными распределениями, а именно, следу-
ет взять p
p
Xκ,i (t) = κZi (t) + 1 − κXi (t), i = 0, 1,

написать для этих процессов тождество (.), а затем перейти к пре-


делу при κ → 0.
Как можно практически использовать теорему . для иссле-
дования вероятностей высоких выбросов? Так же, как мы исполь-
зовали неравенство типа Бермана (.) для доказательства пуас-
соновской предельной теоремы для гауссовских последовательно-
стей: оцениванием правой части неравенства величиной порядка
exp(−u2 /1 + ρ)), ρ < 1. Получить такую оценку для правой части
тождества (.) технически существенно сложнее, чем в дискрет-
ном времени. Мы наметим здесь основные этапы оценивания, что-
бы понять, откуда берется требуемый порядок малости правой ча-
сти этого тождества. Детали оценивания вполне можно проделать
самостоятельно, а можно почитать мою статью «Сравнение функ-
ций распределения максимумов гауссовских процессов» в журнале
 Лекция . Тождество и неравенство сравнения

«Теория вероятностей и ее применения» (. Т. , № . С. ––)


или уже упоминавшуюся монографию [].
Обозначим

m1 (t) = E( Xh′′ (t)|Xh (t) = Xh (0) = 1, Xh′ (t) = Xh′ (0) = 0),
σ12 (t) = var( Xh′′ (t)|Xh (t) = Xh (0) = 1, Xh′ (t) = Xh′ (0) = 0),
m2 (t) = E( Xh′′ (t)|Xh (t) = Xh (0) = 1, Xh′ (t) = 0),
σ22 (t) = var( Xh′′ (t)|Xh (t) = Xh (0) = 1, Xh′ (t) = 0).

Оценивая вероятности справа в правой части тождества (.) еди-


ницами, а интегралы по y1 , y2 –– условными моментами второй про-
изводной Xh′′ (t), получаем следующее неравенство.
Теорема .. Пусть выполнены условия теоремы .. Тогда

|P( max X1 (t) ¶ u)−P( max X0 (t) ¶ u)| ¶ (.)


t∈[0,S] t∈[0,S]

Í1ÍS 
¶ |r1 (t)−r0 (t)| t(σ1 (t)+u|m1 (t)|)2 ϕ Xh (0),Xh (t),Xh′ (0),Xh′ (t) (u, u, 0, 0)+
00

+2(σ2 (t)+u|m2 (t)|)ϕ Xh (0),Xh (t),Xh′ (t) (u, u, 0) dh dt+
Í1
+|r1 (S)−r0 (S)| ϕ Xh (0),Xh (S) (u, u)dh. (.)
0

Легче всего оценить σ1 (t) и σ2 (t): условные дисперсии не пре-


восходят безусловных, поэтому

max σ2i (t) ¶ max(EXi′′ (0))2 .


i=1,2 i=0,1

Выписав формулы для условных математических ожиданий и поза-


нимавшись немного математическим анализом в части исследова-
ния поведения mi (t) в нуле, получаем, что и sup mi (t) ¶ M для
t¾0,i=1,2
некоторой константы M. Несколько сложнее оценить плотности.
Здесь надо быть аккуратным, чтобы получить нужный показатель
экспоненты.
Лемма .. В условиях теоремы . для условной плотности
вектора ( Xh (0), Xh (t)) при условии Xh′ (0) = Xh′ (t) = 0 выполняется
Лекция . Тождество и неравенство сравнения 

равенство

ϕ Xh (0),Xh (t) (u, u | Xh′ (0) = Xh′ (t) = 0) =


exp(−u2 /(1 + Rh (t))
= p , (.)
2π (1 + Rh (t))(1 − Qh (t))
где
rh′ (t)2 rh′ (t)2
Rh (t) = rh (t) − , Qh (t) = rh (t) + .
1 + rh′′ (t) 1 − rh′′ (t)
Разлагая Rh (t) в нуле в ряд Тейлора, получаем, что
lim Rh (t) = 1 − 2EXh′′ (0)2 ,
t→0
т. е.
1 + Rh (0) = 2(1 − EXh′′ (0)2 ) < 2.
Отсюда следует, что и
max 1 + Rh (t) < 2
h∈[0,1],t∈[0,ǫ]

для некоторого ǫ > 0. А для t > ǫ имеем


1 + Rh (t) ¶ 1 + rh (t) < 1 + sup max(r1 (t), r0 (t)) < 2.
t¾ǫ

Оценивание знаменателя в формуле (.), а также плотности рас-


пределения вектора ( Xh′ (0), Xh′ (t)) в точке (0, 0) предлагается проде-
лать самостоятельно.
Лемма .. Для плотности распределения вектора
( Xh (0), Xh (t), Xh′ (t)),
в условиях теоремы . выполняется равенство
€ ŠŠ
1
exp − u2 (1 + (1 − rh (t))2 /d(h)
2
ϕ Xh (0),Xh (t),Xh′ (t) (u, u, 0) = p ,
(2π)3 dh (t)

где dh (t) = 1 − rh2(t) − rh′ (t)2 . Кроме того,


1
lim t −4 dh (t) = 4 (EXh′′ (0)2 − 1).
t→0

Далее используется уже приведенная схема оценивания, которое


несложно проделать самостоятельно. Наконец, последний член пра-
вой части неравенства (.) также легко оценить самостоятельно.
В итоге получаем следующее утверждение.
 Лекция . Тождество и неравенство сравнения

Теорема .. Пусть пара гауссовских стационарных процессов


Xν (t), ν = 0, 1, t ∈ [0, T), T ¶ ∞, с нулевыми средними удовлетворяют
всем условиям теоремы ., кроме условия их независимости. Тогда
для любого t0 > 0 найдутся такие ρ > 0 и C, что для всех S < T и всех
u выполняется неравенство
 

P max X1 (t) ¶ u − P max X0 (t) ¶ u ¶
t∈[0,S] t∈[0,S]
 ÍS 
€ (1 + δ)u2 Š € u2
Š
¶ C S exp − + S |r0 (t) − r1 (t)| exp − dt ,
2 1+b
r (t)
t0
(.)
где b
r (t) = max(r0 (t), r1 (t)).
Из вида правой части этого неравенства нетрудно угадать, что
для его доказательства интеграл в тождестве (.) следует разбить
на две части: до t0 и после t0 . Такой вид неравенства позволяет
в нужных случаях использовать малость ri (t) при больших t.
Лекция 

О скорости сходимости в предельной


теореме для максимума

В этой лекции мы, во-первых, покажем, что скорость сходимо-


сти в пуассоновской предельной теореме для числа высоких выбро-
сов гауссовского процесса может быть очень плохой –– логарифми-
ческой, и, во-вторых, в случае гладких стационарных гауссовских
процессов найдем поправку к предельному закону, дающую степен-
ную точность.
Первым важным результатом, направленным на достижение этих
целей, является теорема ., которую мы немного видоизменим.
Теорема .. Пусть X (t) –– гауссовский стационарный процесс
с нулевым средним, корреляционная функция r(t) которого дважды
дифференцируема и обращается в единицу только в нуле. Предполо-
жим, что
EX (t)2 = EX ′ (t)2 = 1 (.)
и
E( X ′ (t) − X ′ (0))2 = 2(r ′′ (t) − r ′′ (0)) ¶ G|t|2 . (.)
Тогда для некоторых ∆, C > 0 и любого T выполняется равенство
T 2
P( max X (t) ¾ u) = 2π e−u /2
+ 1 − Φ(u) + R(u),
t∈[0,T ]

где
€ (1 + ∆)u2 Š
0 ¶ R(u) ¶ CT 2 exp − 2
.

Второй результат, на который мы будем опираться, –– теорема


. сравнения распределений максимумов гауссовских гладких ста-
ционарных процессов, доказанная в лекции .
В качестве процесса X0 (t) мы возьмем гауссовский стационар-
ный процесс, корреляционная функция которого финитна, т. е. об-
ращается в нуль при t > t0 , и докажем для него предельную теоре-
му для распределения максимума. Пусть T → ∞, n → ∞, n –– целые
 Лекция . О скорости сходимости

числа, так что S = T/n → ∞, скорость стремления к бесконечности


последовательности n выберем позже. Введем интервалы
” T T
—
Sk = k , (k + 1) − t0 ,
n n
” T T
—
Uk = (k + 1) − t0 , (k + 1) , k = 0, 1, …, −1,
n n
и их объединения
S S
S= Sk , U= Uk .
k k
Имеем

P max X0 (t) ¶ u =
t∈[0,T]
 € Š
= P max X0 (t) ¶ u − P max X0 (t) ¶ u, max X0 (t) > u , (.)
t∈S t∈S t∈U

и в силу финитности корреляции получаем


 n
P max X0 (t) ¶ u = 1 − P max X0 (t) > u .
t∈S t∈[0,T /n−t0 ]

По теореме . имеем



P max X0 (t) > u =
t∈[0,T/n−t0 ]
T /n − t0 −u2 /2 € T2 1 2
Š
= e + Ψ(u) + O (T/n − t0 )2 2 e− 2 u (1+∆) =
2π n
T −u2 /2 t0 −u2 /2 1 2 
= e − e + Ψ(u) + O (T/n)2 e− 2 u (1+∆) ,
2nπ 2π
2
где O(·) равномерно по T . Поскольку Ψ(u) = O(e−u /2 ), правая часть
этого соотношения равна
T −u2 /2
€  Š
−∆u2 /2
2nπ
e 1 + O (T/n)e + O(n/T) .
r
T
Обозначим lT = 2 ln 2π и возьмем u = lT + x/lT . Тогда

P max X0 (t) > u =
t∈[0,T/n−t0 ]

1
€ x2
Š € 2
Š
= n exp −x − 2 (1 + O (T/n)e−∆u /2 + O(n/T)).
2lT

Выберем теперь n = [T 1−∆/2 ] ([·] –– целая часть числа), тогда, обо-


значая 
p0 (T/n − t0 ) := P max X0 (t) > u ,
[0,T /n−t0 ]
Лекция . О скорости сходимости 

получим, что
n 
1 − p0 (T/n − t0 ) = exp n ln(1 − p0 (T/n − t0 )) =

= exp −n p0 (T/n − t0 ) + O(p02 (T/n − t0 )) . (.)
Далее, в силу теоремы . имеем
T − nt0 € 1 Š 
np0 (T/n − t0 ) = 2π exp − 2 (lT + x/lT )2 + n 1 − Φ(lT + x/lT ) +
€ € (1 + ∆)(l + x/l )2 ŠŠ
+ O n(T/n)2 exp − T
2
T
. (.)
Заметим, прежде всего, что
T
€ 1 Š € x2
Š
2

exp − 2
(l T + x/l T ) = exp −x − 2 .
2lT
Покажем, что это выражение равно (.) с точностью до некоторой
3/2
отрицательной степени T. Рассмотрим сначала значения x ¾ −lT .
Для таких x, любого ǫ > 0 и всех достаточно больших T имеем
1/2
lT + x/lT ¾ lT − lT ¾ (1 − ǫ)lT
и в силу выбора n, пользуясь свойствами хвоста нормального рас-
пределения, получаем

n 1−Φ(lT + x/lT ) = O(T 1−∆/2 T −1+ǫ ) = O(T −δ ),
€ (1+∆)(l + x/l )2 Š € (1+∆)(1−ǫ)l 2 Š
n(T/n)2 exp −
T T 1+∆/2 T
2
¶ 2T exp − 2
=
€ T Š−(1+∆)(1−ǫ)
= 2T 1+∆/2 2π = O(T −δ )
для некоторого δ > 0, если ǫ достаточно мало. Поэтому из формулы
(.) получаем, что
 x2 
−x−
exp −nP max X0 (t) > u = exp −e 2l 2
T (1 + O(T −δ )) =
[0,T /n−t0 ]
x2 
−x− ′
= exp −e 2l 2
T + O(T −δ )
3/2
при T → ∞ для любого положительного δ′ < δ и всех x ¾ −lT . Да-
лее, для второго множителя в правой части формулы (.), пользу-
ясь предыдущим выводом, получаем
 € € 1 ŠŠ
exp O np02 (T/n − t0 ) = exp n2 p02 (T/n − t0 )O n =
2
−2x− x2 ′   ′′
= exp e l
T + O(T −δ ) O T −1+∆/2 = 1 + O(T −δ )
 Лекция . О скорости сходимости

для любого положительного δ′′ < 1 − ∆/2. Для второго слагаемого


3/2
в правой части равенства (.) получаем, что при x ¾ −lT выпол-
няется оценка

P max X0 (t) ¶ u, max X0 (t) > u ¶
t∈S t∈U
 
¶ P max X0 (t) > u ¶ nP max X0 (t) > u =
t∈U t∈[0,t0 ]
2
= O(ne−u /2
) = O(n/T) = O(T −∆/2 ).
3/2
Для x < −lT имеем следующую цепочку неравенств:

P max X0 (t) ¶ lT + x/lT ¶
t∈[0,T ]
Æ  Æ 
¶ P max X (t) ¶ lT − lT ¶ P max X (t) ¶ lT − lT =
t∈[0,T ] t∈S
Æ n
= 1 − P max X (t) > lT − lT ¶
[0,T /n−t0 ]
3/2
−lT /2

¶ exp −CelT = O(T −K ) (.)
для любого K > 0.
Итак, мы показали, что для последовательности функций

2 2
 e−e−x−x /2lT , x ¾ −l 3/2 ,
T
AT (x) =
 0, 3/2
x < −lT ,
имеет место соотношение

P max X0 (t) ¶ lT + x/lT − AT (x) = O(T −δ )
t∈[0,T ]

для некоторого δ > 0 равномерно по всем x. Мы воспользовались


на самом деле еще одним очевидным соотношением, выводящимся,
например, аналогично оценке (.):

P max X0 (t) ¶ 0 = O(T −K )
t∈[0,T]

для любого K > 0.


Теперь попробуем отказаться от условия финитности корреля-
ционной функции процесса X и предположим, что для некоторого
положительного a имеет место соотношение
Í∞
|r(t)|a dt < ∞. (.)
0
Лекция . О скорости сходимости 

Пользуясь этим, оценим правую часть неравенства сравнения (.),


обозначим ее через ∆ и положим в нем X = X1 . Из оценки (.) сле-
дует, что r(t) → 0 при t → ∞. Действительно, пусть r(t0 ) ¾ ǫ > 0 для
p p
какого-то t0 . Тогда, поскольку |r(t0 ) − r(t0 + s)| ¶ 2 1 − r 2 (s) (свой-
ство неотрицательно определенных функций), откуда в силу фор-
мул (.), (.) следует, что |r(t0 ) − r(t0 + s)| ¶ 3|s| для |s| ¶ δ и неко-
торого δ > 0, мы получаем, что r(t0 + s) ¾ r(t0 ) − 3|s| ¾ ǫ − 3|s|. Это
означает, что под кривой y = r(t) помещается треугольничек с осно-
ванием не менее чем min(δ, ǫ) и высотой не менее чем min(ǫ, δ/3),
1
т. е. площадью не менее чем min(ǫ 2 , δ2 ). Если r(t) не стремится
9
к нулю, то таких треугольничков будет бесконечно много и интеграл
разойдется. Случай r(t0 ) < −ǫ рассматривается точно так же. Возь-
мем теперь ǫ > 0, и пусть T0 таково, что |r(t)| ¶ ǫ для всех t ¾ T0 . Тогда
 ÍT 
u2 u 2 u 2
− 2(1+δ) − 1+ρ − 1+|r(t)|
∆ ¶ C Te + TT0 e +T |r(t)|e dt (.)
T0

€ 1−ρ Š
(δ1 = min δ, , ρ := max |r(t)| < 1) ¶
2(1 + ρ) [t0 ,T0 ]
 ÍT 
2
u
− 21 u2 (1+δ1 ) − 1+ǫ
¶ C1 Te + Te |r(t)|dt
T0

(в силу неравенства Минковского a = max(1, a)) ¶
 ÍT 1/a′ 
u2
− 12 u2 (1+δ1 ) 1−1/a′ − 1+ǫ a′
¶ C1 Te + TT e |r(t)| dt ¶
T0
 
ǫu 2
− 12 u2 (1+δ1 ) 2−1/a′ −u2 − 1+ǫ
¶ C1 Te +T e e dt =
 
ǫu 2
− 12 u2 − 12 δ1 u2 2 −u2 −1/a′ − 1+ǫ
= C1 Te e +T e T e dt .

Теперь выберем ǫ столь малым, чтобы выполнялось неравенство


1 2ǫ
δ2 := − > 0.
a′ 1 + ǫ
3/2
Тогда для u = lT + x/lT и x ¾ −lT заключаем, что ∆ ¶ C2 T −δ3 для
3/2
любого δ3 ∈ (0, min(δ1 , δ2 )) и соответствующего C2 . Для x ¶ −lT
 Лекция . О скорости сходимости

мы уже знаем (см. (.)), что



P max X0 (t) ¶ lT + x/lT ¶ CT −K .
t∈[0,T ]

Значит, в силу уже доказанного это же соотношение имеет место


и для процесса X . Нетрудно посчитать, что
−x  1 −x
lT2 AT (x) − e−e → 2 e−e e−x x 2 (.)
при T → ∞ равномерно по x ∈ R (правая часть стремится к нулю
при x → ±∞). Таким образом, соотношение (.) имеет место, если
вместо AT (x) подставить вероятность

P max X (t) ¶ lT + x/lT .
t∈[0,T ]

Итак, мы доказали следующее утверждение.


Теорема .. Пусть X (t), t ∈ R, –– дважды дифференцируемый
гауссовский стационарный процесс, причем EX (t) = 0, EX 2 (t) = 1,
EX ′ (t)2 = 1. Предположим, что для его ковариационной функции
выполнено неравенство
ÍT
|r(t)|a dt < ∞
0
r
T
для некоторого a > 0. Обозначим lT = 2 ln . Тогда

) существует такое γ > 0, что

P max X (t) ¶ lT + x/lT − AT (x) = O(T −γ ), при T → ∞
t∈[0,T ]

равномерно по x ∈ R;
 −x  1 −x
) lT2 P max X (t) ¶ lT + x/lT − e−e → e−e e−x x 2 , при T → ∞,
t∈[0,T ] 2
равномерно по x ∈ R.
Из второго утверждения следует, что скорость сходимости к рас-
пределению Гумбеля логарифмическая. Кроме того, в этом утвер-
ждении содержится второй член асимптотического разложения в дан-
ной предельной теореме. Далее, в первом утверждении выписана
последовательность аппроксимирующих функций, дающая степен-
ную точность аппроксимации.
Лекция 

Геометрия высоких выбросов гладких


полей

.. Введение
Настоящая лекция представляет собой расширенное изложение
моего доклада на заседании Московского математического обще-
ства  октября  г. «Выбросы гауссовских полей: теоремы срав-
нения, геометрические вероятности и эйлеровы характеристики».
В этой лекции мы вычислим предельные топологические характе-
ристики линий уровня
{t ∈ Rn : X (t) = u}
для больших значений u. В одномерном случае такая проблема чрез-
вычайно проста: «линии уровня» –– это точки пересечения уровня.
В многомерном же случае это поверхности размерности n − 1 (в усло-
виях, которые мы ниже введем). Как эти поверхности устроены ––
это и есть предмет нашего рассмотрения.
В лекции  мы доказали, что для гауссовского процесса с глад-
кими траекториями имеет место следующая теорема.
Теорема ... Пусть гауссовский стационарный процесс X (t),
t ∈ [0, T], имеет нулевое среднее и п. н. дважды дифференцируемые
траектории. Пусть также для всех t вектор ( X (t), X ′ (t), X ′′ (t))
невырожден. Тогда существуют такие C и δ > 0, что
 T 2
P max X (t) > u = 2π e−u /2 + 1 − Φ(u) + R(u), (.)
t∈[0,T]

где € 1 Š
0 ¶ R(u) ¶ CT 2 exp − (1 + δ)u2 . (.)
2
Сейчас мы покажем, как эти соотношения можно обобщить на
гауссовские поля, т. е. на гауссовские функции нескольких перемен-
ных. Прежде всего введем необходимые предположения на сами по-
ля и на параметрические множества, на которых они заданы.
 Лекция . Геометрия высоких выбросов гладких полей

.. Гауссовские случайные поля. Определения


и необходимые предположения
Мы рассматриваем гауссовское случайное поле X (t), t ∈ T ⊂ Rn ,
т. е. X (t) = X (t, ω): Rn × Ω → R, где (Ω, F , P) –– основное вероятност-
ное пространство, при этом для любых (t1 , …, tN ) вектор ( X (t1 ), …
…, X (tN )) распределен по гауссовскому закону с параметрами m(ti ),
i = 1, …, N, r(ti , t j ), i, j = 1, …, N.

... Гладкость
Предполагаем, что ковариационная функция r(s, t) шесть раз
дифференцируема, т. е. поле три раза дифференцируемо в среднем
квадратическом. Отсюда, в частности, следует, что можно считать,
что рассматриваемые поля имеют почти наверное и дважды непре-
рывно дифференцируемые траектории.

... Невырожденность
Условие ... Обозначим
€ ∂2 ∂3
Š
Z(t) := X (t), ∇X (t), ∂t ∂t X (t), i ¾ j, ∂t ∂t ∂t X (t), i ¾ j ¾ k .
i j i j k

Предполагаем, что для любых s 6= t распределение вектора (Z(s), Z(t))


невырожденно.

... Параметрическое множество


Предполагаем, что параметрическое множество T ⊂ Rn является
простым клеточным комплексом класса C 3 (M, K, ψ, ǫ), K, M, ǫ > 0,
ψ ∈ (0, 1). Ниже мы дадим точные определения. Примерами таких
множеств являются

• конечно-связные множества с невырожденными гладкими гра-


ницами (например, шар, тор, сфера);

• пересечения конечного числа этих множеств с выполнением


некоторых условий невырожденности в точках пересечения их
границ;

• замкнутые выпуклые многогранники с конечным числом вер-


шин и их достаточно гладкие невырожденные преобразования.

Теперь приведем необходимые определения.


.. Гауссовские случайные поля. Определения и предположения 

Определение ... Пара (U , α), где U ⊂ Rn , dim U = l, l ¶ n,


α: U → Rl
–– диффеоморфизм, называется картой класса C ν , если
) α ∈ C ν ;
) множество α(U ) ⊂ Rl открыто и ограничено;
) существует обратное отображение α−1 : α(U ) → Rl , которое
также принадлежит классу C ν .
Одноточечные множества в Rn в паре с произвольным α также
называются картами.
Определение ... Мы скажем, что карта класса C ν являет-
ся картой класса (C ν , M), M > 0, если все частные производные
(векторных) отображений α и α−1 до порядка ν включительно рав-
номерно ограничены по модулю числом M. О диффеоморфизме α
с такими свойствами будем говорить, что он принадлежит классу
C ν (M).
Определение ... Замкнутое множество M ⊂ Rn называет-
ся простым клеточным комплексом класса C ν , если существует ко-
нечный набор карт (Mi , αi ), i = 1, …, N, Mi ⊂ Rn , каждое класса C ν ,
SN
причем Mi попарно не пересекаются и M = i=1 Mi . Любой такой
набор карт называется стратификацией множества M и обознача-
ется s(M ).
Определение ... Пусть Π ⊂ Rn –– выпуклый телесный угол,
являющийся пересечением полупространств:
T
Π = {x: (ai , x) ¾ 0}, ai ∈ Rn .
Скажем, что Π –– ψ-угол, 0 < ψ < 1, если для любых k, l выполнено
одно из двух соотношений
|(ak , al )| ¶ ψ|ak ||al | или |(ak , al )| = |ak ||al |.
Другими словами, либо эти векторы коллинеарны, либо модуль ко-
синуса угла между ними не превосходит ψ.
Заметим кстати, что размерность ψ-угла может быть меньше n.
Определение ... Мы скажем, что простой клеточный ком-
плекс S ⊂ Rn принадлежит классу C 3 (M, K, ψ, ǫ), K, M, ǫ > 0, ψ ∈
∈ (0, 1), если
) найдется такая стратификация s(S ), что card s(S ) ¶ K, и
(U , α) ∈ (C 3 , M) для всех (U , α) ∈ s(S );
 Лекция . Геометрия высоких выбросов гладких полей

) для любых таких s, t ∈ S , что |s − t| ¶ ǫ, найдутся диффеомор-


физм β класса C 3 (M) шара B2ǫ (t) = {v : |v-t| ¶ 2ǫ}, окрестность V
отрезка {hβ(s) + (1 − h)β(t), 0 ¶ h ¶ 1} и ψ-угол Π, для которых

β(B2ǫ (t) ∩ S ) ∩ V = Π ∩ V.

Грубо говоря, все «углы» в S являются ψ-углами.

.. Метод сравнения


В то время как теорема .. была доказана методом моментов,
для гауссовского поля будем пользоваться методом сравнения. Ме-
тод сравнения для гауссовских гладких процессов мы подробно рас-
смотрели в предыдущей лекции. Следующую теорему мы приводим
без доказательства.
Теорема ... Пусть для пары гауссовских полей X0 (t) и X1 (t),
t ∈ T, с нулевыми средними и для параметрического множества T вы-
полнены все вышеприведенные условия. Пусть также EX0 (t)2 ≡ EX1 (t)2
и cov ∇X0 (t) ≡ cov ∇X1 (t). Тогда найдутся такие L, δ > 0, что для
всех u выполняется неравенство
€ Š
P(max X (t) ¶ u) − P(max X (t) ¶ u) ¶ L exp − 1 (1 + δ)u2 . (.)
1 0 2
t∈T t∈T

Можно сказать, что доказательство этой теоремы проводится по


той же схеме, что и доказательство теорем . –– . из лекции ,
а именно предельным переходом от тождества сравнения в дискрет-
ном времени, записанного для соответствующей решетки на пара-
метрическом множестве. Однако технически это гораздо сложнее,
поскольку граница множества T состоит из клеток разных размер-
ностей. Именно с этой целью выше введены «дифференциально-
топологические» условия на параметрическое множество T.
Следующая теорема, являющаяся распространением теоремы
. на поля, не используется далее в этой лекции, но она удобна для
исследования распределения выбросов гауссовского однородного
поля (т. е. r(s, t) = r(t − s)) на неограниченно растущих множествах.
Теорема ... Пусть, дополнительно к условиям предыдущей
теоремы, поля Xi являются однородными и ri (t)→0 при t→∞, i=0, 1.
Тогда L и δ можно выбрать не зависящими от T и такими, что для
.. Выбор стандартного поля 

некоторого t0 выполняется неравенство


  € Š
P max X (t) ¶ u − P max X (t) ¶ u ¶ L exp − 1 (1 + δ)u2 +
1 0 2
t∈T t∈T
Í € Š
u2
+ |r1 (t − s) − r0(t − s)| exp − dsdt,
1+b
r (t − s)
T×T∩{|t−s|>t0 }

где b
r (t) = max(r0 (t), r1 (t)).
Мы применим теорему .. для получения асимптотическо-
го разложения распределения максимума гауссовского случайного
поля, удовлетворяющего вышеприведенным условиям, при u → ∞
с точностью до членов порядка правой части неравенства (.),
Для этого нам в первую очередь необходимо какое-нибудь стандарт-
ное поле, для которого это распределение можно вычислить с требу-
емой точностью. В одномерном случае такой гладкий процесс –– это
случайная стационарная гауссовская синусоида. Если постараться,
то можно хорошо оценить это распределение и для стационарного
гауссовского тригонометрического полинома. Нечто подобное мы
сейчас проделаем в многомерном случае.

.. Выбор стандартного поля


Поле
P
n
Yn (t) = n−1/2 Xi cos ti + Yi sin ti ,
j=1

t = (t1 , …, tn ), где ( Xi , Yi , i = 1, …, n) –– гауссовский стандартный век-


тор, является гауссовским однородным полем. Найдем распределе-
ние его максимума на параллелепипеде K(T) := [0, T1 ] × … × [0, Tn ]
для Ti ∈ [0, π), i = 1, …, n. Рассмотрим сначала гауссовский стацио-
нарный процесс Y (t) = X1 cos t + Y1 sin t, t ∈ [0, T], T < π. Его можно
q
представить в виде Z(t) = X12 + Y12 cos(t − ϕ), где функция ϕ равно-
q
мерно распределена на [0, 2π] и не зависит от X12 + Y12 . Нетрудно
проверить, что, поскольку T < π, двумерные распределения процес-
са Z, равно как и распределения процесса и его производной в той
же точке, невырожденны. Поэтому среднее число выходов за уро-
вень u может быть вычислено по стандартной формуле
T 2
EN(T) = 2π e−u /2
.
 Лекция . Геометрия высоких выбросов гладких полей

Далее, как мы уже это проделывали ранее, получаем



P max Y (t) > u = P(Y (0) > u) + P(Y (0) ¶ u, N(T) ¾ 1).
[0,T ]

Заметим, что для u > 0 множество {Y (0) > u, N(T) ¾ 1} пусто, пото-
му что до момента T процесс не успеет войти подуровень u и выйти
за него. Поэтому

P max Y (t) > u = P(Y (0) > u) + P(N(T) ¾ 1).
[0,T ]

В нашей ситуации N = 0 или N = 1, т. е. последнее слагаемое в пра-


вой части и есть математическое ожидание числа выходов. Таким
образом,
 T −u2/2
P max Y (t) > u = e + 1 − Φ(u).
[0,T ] 2π

Возвращаясь к полю Yn и обозначая ηk = max( Xk cos tk + Yk sin tk ),


[0,Tk ]
приходим к задаче вычисления вероятности
p
Pu = P(η1 + … + ηn > nu).
Плотность распределения ηk для x > 0 равна
Tk
f (x) = ϕ(x) − p ϕ ′ (x).

Для вычисления асимптотики этой вероятности отделим отрица-
тельные значения аргумента. Имеем
Í Q
n
Pu = f ( yk ) dy1…dyk =
p k=1
y1 +…+ yn ¾ nu
Í Q
n Í Q
n
= f ( yk ) dy1…dyk + f ( yk ) dy1…dyk .
p k=1 p k=1
y1 +…+ yn ¾ nu, y1 +…+ yn ¾ nu,
yi >0, i=1,…,n ∃i : yi <0
(.)
Второй интеграл не превосходит суммы вероятностей
P
n p
P(η1 + … + ηn − ηi > nu). (.)
i=1

В первом интеграле воспользуемся выражением для f (x) для поло-


жительного аргумента и используем это выражение для всех значе-
ний аргумента, забыв на время, что это уже не плотность распреде-
.. Выбор стандартного поля 

ления. Имеем
Í n €
Q T Š
ϕ( yk ) − p k ϕ ′ ( yk ) dy1 …dyk −
p k=1 2π
y1 +…+ yn ¾ nu
Í n €
Q Tk Š
− ϕ( yk ) − p ϕ ′ ( yk ) dy1 …dyk . (.)
p k=1 2π
y1 +…+ yn ¾ nu,
∃i : yi <0

Воспользуемся оценкой

Tk Tk x
ϕ(x) − p ϕ ′ (x) = ϕ(x) 1 + p ¶
2π 2π
1
p € 1 1
Š
¶ p (1 + 2 + n2 ) exp − x 2 (1 − 2 ,
2π 2 n
справедливой для всех x и Tk < π. Тогда второй интеграл в форму-
ле (.) не превосходит величины
p n Í Qn p 
1 + 2 + n2 ϕ yi 1 − n−2 =
p k=1
y1 +…+ yn ¾ nu,
∃i : yi <0
p n p p 
= 1+ 2 + n2 P X1 + … + Xn ¾ u n 1 − n−2 , ∃i : Xi < 0 ¶
p n p p 
¶ 1 + 2 + n2 nP X1 + … + Xn−1 ¾ u n 1 − n−2 ,
где Xi –– независимые стандартные нормальные случайные величи-
ны. А последняя вероятность с учетом стандартной оценки для хво-
ста нормального распределения не превосходит величины
1
€ −nu2 (1 − n−2 ) Š
p p p exp .
2πu n 1 − n−2 2n − 2
Первый интеграл в формуле (.) запишем в виде интеграла от
свертки
Í∞€ € p Ti p ŠŠ

y

nn/2 n ϕ( y/ n) − p ϕ ′ ( y/ n) dy.
i=1
(.)

Преобразование Фурье подынтегрального выражения равно


Qn € 2 Tk it −t 2 /2n Š
e−t /2n − p e =
k=1 2πn
P P Q
€ Tk Tk Tl Tk Š
−t 2 /2 2 n
=e 1− p it + p 2
(it) − … + (−1) p n .
2πn ( 2πn) 2πn
 Лекция . Геометрия высоких выбросов гладких полей

Обозначим через Σν (T), стандартный однородный полином степе-


ни ν от компонент вектора T = (T1 , …, Tn ). Применяя обратное пре-
образование Фурье, получаем, что интеграл (.) равен
Í∞ Σn (T)
‹
Σ1 (T) ′ Σ2 (T) ′′ (n)
ϕ(x) − p ϕ (x) + p 2
ϕ (x) + … + p n
ϕ (x) dx.
2πn ( 2πn) ( 2πn)
u
Применяя теперь все полученные выше оценки, получаем, что пер-
вый интеграл в формуле (.) равен
Σ1 (T)
1 − Φ(u) + ϕ ′ (u) + …
(2πn)1/2
Σn (T) € € 1 ŠŠ
(n) 2
…+ ϕ (u) + O exp − 2
u (1 + 1/n) , u → ∞. (.)
(2πn)n/2
Для оценивания второго интеграла, воспользуемся его оценкой че-
рез сумму вероятностей (.), где берется вероятность суммы n − 1
p
слагаемого, аргумент nu остается тем же. Переписывая его в виде
p Æ
n − 1u 1 + 1/(n − 1),
приходим к оцениванию разности интегралов в (.) для уровня
Æ
u1 = u 1 + 1/(n − 1),
что даст оценку порядка, меньшего чем exp((1 + 1/n)u2/2). Повто-
ряя эту процедуру n − 1 раз, получаем, что вероятность Pu также
равна (.) при u → ∞.
Для переформулировки этого результата в терминах, адаптиро-
ванных к произвольному параметрическому множеству, нам пона-
добятся некоторые определения и факты из интегральной геомет-
рии. Пусть A –– выпуклый компакт в Rn , Bρ = {x: ||x|| ¶ ρ} –– шар ра-
диуса ρ и A ⊕ Bρ –– их сумма Минковского. Для евклидова объема
этой суммы имеет место формула Штейнера
n € Š
P n
V(A ⊕ Bρ ) = j
ρ j Wj (A),
j=0

где Wj (A) –– так называемые функционалы Минковского. Эта фор-


мула может быть интуитивным определением функционалов. На-
пример, нулевой функционал –– это просто объем множества A, пер-
вый пропорционален (n − 1)-мерному объему поверхности, второй ––
(n − 2)-мерному объему всех «ребер», и т. д., все это получается пре-
дельными переходами при ρ → 0. Точные определения и много друго-
го интересного об интегральной геометрии можно найти в [, ].
.. Переход к произвольному полю на малом параллелепипеде 

Вернемся к нашей вероятности Pu . Воспользуемся формулой для


полинома Эрмита
Hν (u) = ϕ (n) (u)/ϕ(u)
и достаточно просто получаемыми для параллелепипеда выражени-
ями функционалов Минковского
ων
Wν (K(T)) = 
n Σ n−ν (T),
ν

где ων –– объем единичного шара в Rν . Таким образом,



P
n−1 n
Hn−1−ν (u) Í∞
ν
Pu = ϕ(u) Wν (K(T)) + ϕ(x) dx +
ν=0 ων (2πn)(n−ν )/2
u
€ € 1 ŠŠ
+ O exp − 2 u2 (1 + 1/n) , u → ∞. (.)

.. Переход к произвольному полю на малом


параллелепипеде
Лемма ... Пусть гауссовское случайное поле X (t) с нулевым
средним, единичной дисперсией и матрицей ковариаций градиента
Λ2 = E∇X (t)∇X (t)⊤ = n−1 I,
где I –– единичная матрица, удовлетворяет условию невырожден-
ности .. на параллелепипеде K(S), S = (S1 , …, Sn ), 0 < Si < π,
i = 1, …, n. Тогда найдутся такие ρ > 0 и Qi , 0 < Qi < Si , i = 1, …, n,
что для любого вектора T = (T1 , …, Tn ), 0 ¶ Ti ¶ Qi , i = 1, …, n, имеет
место соотношение

P( max X (t) > u) = p(T1 , …, Tn , u) + O exp −u2 (1 + ρ)/2 ,
t∈K(T)

где p(T1 , …, Tn , u) –– правая часть соотношения (.).


Доказательство. Мы не можем сразу применить теорему ..
сравнения для пары процессов X (t) и Yn (t) в силу невозможности ви-
доизменять параметры корреляционной функции последнего процес-
са, и, кроме того, в силу вырожденности его нужных конечномерных
распределений, однако формула (.) и метод сравнения играют
в нижеприведенном доказательстве решающую роль. Рассмотрим
косинус-поле
Æ
YN (t N/n), t ∈ R N , N ¾ n,
 Лекция . Геометрия высоких выбросов гладких полей

и его сужение YNn (t) на Rn = {t = (t1 , …, tn , 0, …, 0}. Его ковариаци-


онная функция равна
P
n p 
N −n+ cos ti N/n
i=1
rNn (t) = N
=
N P 4
n
1
= 1 − 2n |t|2 + t + O(|t|6 ), |t| → 0.
4!n i=1 i
2

Также рассмотрим гауссовское однородное случайное поле X0 (t) с ну-


левым средним и ковариационной функцией r0 (t) = exp(−|t|2 /2n).
Ясно, что
1 2 1
r0 (t) = 1 − |t| + 2 |t|4 + O(|t|6 ), |t| → 0.
2n 8n
Отсюда и из предыдущего соотношения следует, что для достаточно
большого N > 6 найдется такая окрестность U1 нуля, что rNn (t) ¾ r0 (t),
t ∈ U1 . Пусть M > N и 0 < ǫ < (M − 6)/(M − N). Тогда найдется такая
окрестность U2 нуля, что r1 (t) ¾ rNn (t), t ∈ U2 , где r1 (t) = (1 − ǫ)rMn (t) +
+ ǫr0 (t). В этом можно убедиться, сложив разложения для обеих ко-
вариационных функция с соответствующими весами. Итак, в окрест-
ности U = U1 ∩ U2 нуля мы имеем
r1 (t) ¾ rNn (t) ¾ r0 (t).
Пусть X1 (t) –– гауссовское однородное центрированное случайное
поле с ковариационной функцией r1 (t). По теореме Слепяна для
любого замкнутого A ⊂ U и всех u выполнено неравенство
P(max X1 (t) > u) ¶ P(max YNn (t) > u) ¶ P(max X0 (t) > u).
t∈A t∈A t∈A

Поля X0 (t) и X1 (t) удовлетворяют условиям теоремы ... Все за-


мкнутые параллелепипеды, содержащиеся в U являются, очевидно,
простыми клеточными комплексами класса C 3 (M, K, ψ, ǫ) для од-
них и тех же M, K, ψ и ǫ. Кроме того,
 
P max YNn (t) > u = P pmax YN (t) > u ,
0¶t ¶T ,i=1,…,n
i i 0¶ti ¶Ti N/n,i=1,…,n

где Tn=1 = … = TN = p 0. Теперь мы получаем утверждение для поля


X0 (t), если все Ti < π n/N, учитывая также, что функционалы Мин-
ковского не зависят от сдвига. По теореме .. это утверждение
верно для произвольного поля, удовлетворяющего условиям леммы.
.. Переход к произвольному параметрическому множеству 

.. Переход к произвольному параметрическому


множеству
Обозначим через Gn фактор группу группы всех изометрий (со-
храняющих расстояние преобразований) пространства Rn относи-
тельно группы сдвигов. Будем, например, писать gA ⊂ B, g ∈ Gn , если
найдется такой сдвиг l, что lg0 A ⊂ B, где g0 –– вращение вокруг нуля.
Нам понадобится следствие из теоремы ...
Следствие ... Пусть X (t), t ∈ T, –– гауссовское невырожден-
ное в смысле условия .. поле с нулевым средним, единичной дис-
персией и ковариационной матрицей градиента Λ2 ≡ n−1 I. Пусть
S ⊂ T –– простой клеточный комплекс класса C 3 (M, K, ψ, ǫ). Тогда
такие найдутся L, ρ > 0, что для любого g ∈ Gn , удовлетворяющего
условию gS ⊂ T, выполнено неравенство
 
P max X (t) > u − P max X (t) > u ¶ L exp(−u2 (1 + ρ)/2).
t∈S t∈gS

Доказательство следует из того, что пара полей X (t) и X (g−1 t)


удовлетворяет условиям теоремы ...
Запишем косинус-поле YN (t), t ∈ R N , в виде
P
N
YN (t) = N −1/2 Zk cos(tk − ϕk ),
k=1
N
где ϕ = (ϕ1 , …, ϕN ) ∈ [0, 2π) –– единственная точка максимума по-
ля YN на этом кубе. Случайные величины Z1 , …, Z N , ϕ1 , …, ϕN неза-
висимы в совокупности, и вектор ϕ равномерно распределен в
[0, 2π)N . Для множества A обозначим
S
Amod 2π = (A + 2πm).
m∈Zn
Лемма ... Множество
¦ © ¦ ©
B1u = t : YN (t) ¾ u ∩ ϕ + [−π/2, π/2]N ∩ [0, π)N
mod 2π
почти наверное выпукло в R N .
Доказательство.
 Матрица вторых производных поля YN (t) на
множестве ϕ + [−π/2, π/2]N mod 2π почти наверное неположитель-
но определена. Действительно, для всех i, j имеем

Y (t) = 0,
∂ti ∂t j N
i 6= j,

∂2
Y (t) = −Zi cos(ti − ϕi ) ¶ 0.
∂ti2 N
 Лекция . Геометрия высоких выбросов гладких полей

Далее, множество ϕ + [−π/2, π/2]N mod 2π ∩ [0, π)N связно для лю-
бого ϕ и, следовательно, выпукло. Таким образом, B1u есть пересе-
чение в R N+1 = { y, t1 , …, t N } двух выпуклых множеств { y ¾ u} и
  
−1/2
P
N
t: ϕ + t: N Zk cos tk ¾ u ∩
k=1

∩ ϕ + [−π/2, π/2]N mod 2π ∩ [0, π)N .
Лемма ... Найдутся такие L, ρ1 > 0, что для любого боре-
левского множества A ⊂ [0, π)N имеет место неравенство
|P(sup YN (t) ¾ u) − P(A ∩ B1u 6= ∅)| ¶ L exp(−u2 (1 + ρ1 )/2).
A

Доказательство. По построению
{sup YN (t) ¾ u} ⊃ {A ∩ B1u 6= ∅}.
A

Далее,

{sup YN (t) ¾ u} \ {A ∩ B1u 6= ∅} = {sup YN (t) ¾ u} ∩ {A ∩ B1u = ∅} =


A A
  
= sup YN (t) ¾ u ∩ A ∩ ϕ + [−π/2, π/2]N mod 2π = ∅ ⊂
A
 2N
S
⊂ max YN (t) ¾ u = max YN (t) ¾ u ,
Γ i=1 γi

где Γ = ∪γi , γi –– грани куба ϕ + [−π/2, π/2]N . Отсюда для N > 1 по-
лучаем

P{sup YN (t) ¾ u} \ {A ∩ B1u 6= ∅} ¶


A
€ Š
¶ 2NP max YN (ϕ + t) ¾ u ¶
−π/2¶ti ¶π/2,i=1,…,N−1,
t N =π/2
 ‹  È ‹
P
N−1 P
N−1
N
¶ 2NP N −1/2 Zi ¾ u = 2NP (N − 1)−1/2 Zi ¾ u N − 1 ¶
i=1 i=1
 È ‹  2€ Š‹
N 2N u 1
¶ 2NP YN−1 (0) ¾ u N − 1 ¶ p exp − 2 1 + N − 1 .
u 2π
В случае N = 1 эту цепочку следует прервать на втором шаге, где
вероятность равна нулю для u > 0.
.. Общий случай 

.. Общий случай

Теперь мы можем найти асимптотику, аналогичную (.), в об-


щем случае. Важной для нас является следующая теорема Хадвиге-
ра, см. книгу []. Сначала дадим необходимое определение.
Определение ... Функционал ψ на пространстве выпуклых
компактных множеств K называется C-аддитивным, если из того,
что K, K ′ ∈ K и K ∪ K ′ ∈ K , следует соотношение

ψ(K ∩ K ′ ) + ψ(K ∪ K ′ ) = ψ(K) + ψ(K ′ ).

Теорема ... Если C-аддитивный функционал ψ на простран-


стве выпуклых компактных множеств возрастает (относитель-
но естественной частичной упорядоченности множеств) и инва-
риантен относительно группы евклидовых преобразований (сдви-
ги и вращения), то для некоторых неотрицательных констант
a0 , …, an выполняется равенство

P
n
ψ= a j Wj .
j=0

Теорема ... Пусть X (t), t ∈ T ⊂ Rn , где T –– открытое мно-


жество, –– гауссовское случайное поле с нулевым средним, тожде-
ственно единичной дисперсией и матрицей ковариаций градиента,
тождественно равной Λ2 = n−1 I. Пусть выполнено условие невырож-
денности ... Тогда для любых ψ ∈ (0, 1), M < ∞, K < ∞, ǫ > 0
найдется такое ρ > 0, что для любого выпуклого в Rn простого кле-
точного комплекса S ⊂ T класса C 3 (M, K, ψ, ǫ) имеет место асимп-
тотическое разложение

n

P
n−1
ν
Hn−1−ν (u)
P(max X (t) ¾ u) = ϕ(u) Wν (K(T)) +
t∈S ν=0 ων (2πn)(n−ν )/2
Í∞ € € 1 ŠŠ
+ ϕ(x) dx + O exp − u2 (1 + 1/n) , u → ∞. (.)
2
u

Доказательство. В силу теоремы сравнения .. без ограни-


чения общности можно считать, что поле X является однородным.
Введем гауссовское поле Y (t) на Rn следующими соотношениями.
 Лекция . Геометрия высоких выбросов гладких полей

Обозначим
P 
Y1 (t) := Xk01 k2 k3 cos(a(tk1 + tk2 + tk3 )) +
1¶k1 <k2 <k3 ¶n

+ Yk01 k2 k3 sin(a(tk1 + tk2 + tk3 )) ;
P  1
Y2 (t) := Xk1 k2 cos(a(tk1 + tk2 )) + Yk11 k2 sin(a(tk1 + tk2 )) +
1¶k1 <k2 ¶n

+ Xk2 k cos(2a(tk1 + tk2 )) + Yk2 k sin(2a(tk1 + tk2 )) +


1 2 1 2

3 3

+ Xk1 k2 cos(3a(tk1 + tk2 )) + Yk1k2 sin(3a(tk1 + tk2 )) ;
P P
4
j j
Y3 (t) := Xk cos( jatk1 ) + Yk sin( jatk1 ),
1 1
1¶k1 ¶n j=1

где все случайные величины X и Y с верхними и нижними индекса-


ми (в любом количестве) являются набором независимых стандарт-
ных гауссовских величин. Обозначим также
Æ €nŠ €nŠ
a = N/n, где N = +3 + 4n
3 2
(число всех слагаемых в трех этих суммах). Положим

Y (t) = N −1/2 (Y1 (t) + Y2(t) + Y3 (t)).

Поле Y (t) является сужением поля YN (t), t ∈ R N , на линейное подпро-


странство Ln ⊂ R N , изоморфное Rn , определяемое системой уравне-
ний
t1′ = a(t1 + t2 + t3 ), …, t ′N = 4atn .
 p n
Для поля Y (t), t ∈ 0, π n/N/2 , выполнено условие невырожден-
p
ности ... Возьмем τ ∈ (0, π n/N/2) столь малым, чтобы куб
b + [0, τ]n ⊂ Ln , записанный в координатах многообразия Ln , со-
держался в кубе [0, π]N ⊂ R N для некоторого b. Введем функцио-
нал ϕ(·), определенный на таких выпуклых множествах A ⊂ Ln , что
gA ⊂ [0, τ]n для всех g ∈ Gn , соотношением
Í
ϕ(A) = P(gA ∩ B1u 6= ∅)ω(dg),
Gn

где ω(·) –– мера Хаара на Gn , нормированная на единицу, ω(Gn ) = 1.


Повторим, что запись gA ⊂ [0, τ]n означает, что найдется такой век-
.. Общий случай 

тор b, что g0 A + b ⊂ [0, τ]n , где g0 –– соответствующее вращение.


Обозначим через K пространство всех выпуклых компактов в Rn .
В силу [, теоремы ..] функционал ϕ является C-аддитивным
в том смысле, что для любых A, B ∈ K , удовлетворяющих условиям
A ∪ B ∈ K и A, B, A ∪ B ⊂ [0, τ]n , выполнено равенство

ϕ(A ∪ B) + ϕ(A ∩ B) = ϕ(A) + ϕ(B).

Сейчас мы, используя это свойство, распространим действие ϕ на все


элементы пространства K . Если K, K ′ ∈ K , причем K, K ′ ⊂ [0, τ]n , то
положим
ϕ(K ∪ K ′ ) = ϕ(K) + ϕ(K ′ ) − ϕ(K ∩ K ′ ),

и т. д., поскольку любое выпуклое множество может быть разбито на


выпуклые подмножества достаточно малого диаметра, например,
с использованием координатной решетки. Покажем теперь, что та-
кое продолжение корректно определено. Пусть C, C ′ , K, K ′ , C ∪ C ′ ,
K ∪ K ′ ∈ K таковы, что C ∪ C ′ = K ∪ K ′ и C, C ′ , K, K ′ ⊂ [0, T]n для
некоторого T > 0, и пусть выполнена C-аддитивность для выпуклых
компактов, лежащих в [0, T]n . Покажем, что

ϕ(C) + ϕ(C ′) − ϕ(C ∩ C ′ ) = ϕ(K) + ϕ(K ′ ) − ϕ(K ∩ K ′ ).

В силу C-аддитивности имеем

ϕ(K) = ϕ(K ∩ C) + ϕ(K ∩ C ′ ) − ϕ(K ∩ C ∩ C ′ ),


ϕ(K ′ ) = ϕ(K ′ ∩ C) + ϕ(K ′ ∩ C ′ ) − ϕ(K ′ ∩ C ∩ C ′ ), (.)
−ϕ(K ∩ K ) = −ϕ(K ∩ K ∩ C) − ϕ(K ∩ K ∩ C ) + ϕ(K ∩ K ∩ C ∩ C ′ ),
′ ′ ′ ′ ′

ϕ(C) = ϕ(C ∩ K) + ϕ(C ∩ K ′ ) − ϕ(C ∩ K ∩ K ′ ),


ϕ(C ′ ) = ϕ(C ′ ∩ K) + ϕ(C ′ ∩ K ′ ) − ϕ(C ′ ∩ K ∩ K ′ ), (.)
−ϕ(C ∩ C ) = −ϕ(C ∩ C ∩ K) − ϕ(C ∩ C ∩ K ) + ϕ(C ∩ C ∩ K ∩ K ′ ),
′ ′ ′ ′ ′

и суммы правых частей формул (.) и (.) равны. Значит рав-


ны и суммы левых частей. Итак, функционал ϕ(A), A ∈ K , являет-
ся однородным, изотропным и, очевидно, монотонным относитель-
но порядка включения. В силу теоремы Хадвигера этот функционал
имеет вид
P
n
ϕ= ak Wk , ak ¾ 0.
k=0
 Лекция . Геометрия высоких выбросов гладких полей

Далее, пусть A ∈ K и A ⊂ [0, τ]n удовлетворяет условиям теоремы.


Тогда

P( max Y (t) ¾ u) − ϕ(A) =
t∈A
Í  ‹

= P(max Y (t) ¾ u) − P(gA ∩ B1u 6= ∅) ω(dg) ¶
t∈A
Gn
Í
¶ P(max Y (t) ¾ u) − P(max Y (t) ¾ u) ω(dg) +
t∈A t∈gA
Gn
Í
+ P(max Y (t) ¾ u) − P(gA ∩ B1u 6= ∅) ω(dg) ¶
t∈gA
Gn
€ 1 Š
¶ L exp − 2 u2 (1 + ρ2 ) , (.)
где первое слагаемое оценивается при помощи следствия ..,
а второе –– при помощи
N леммы .. и, кроме того, ρ2 = min(ρ, ρ1 ).
Далее, взяв A = ni=1 [0, Ti ] и подставляя последовательно
T2 = … = Tn = 0, T3 = … = Tn = 0, …,
получаем значения коэффициентов ak . Таким образом, утвержде-
ние теоремы имеет место для всех замкнутых выпуклых множеств,
удовлетворяющих условиям теоремы, достаточно малого диаметра
и для произвольных полей X , также удовлетворяющих условиям
теоремы.
Следующий шаг доказательства –– распространение результата
на множества произвольного диаметра. Заметим сначала, что если
S ∈ C 3 (M, K, ψ, ǫ), то множества
S1 = S ∩ {t1 ¾ 0}, S2 = S ∩ {t1 ¶ 0}, S3 = S ∩ {t1 = 0}
также удовлетворяют этому свойству, быть может, с другими M, K,
ψ и ǫ. Поэтому в силу C-аддитивности функционалов Минковско-
го [] для любого S ∈ K , S ⊂ [0, τ]n , из утверждения теоремы, уже
доказанного в этом случае, следует, что

P(u, S) = P(u, S1 ) + P(u, S2 ) − P(u, S1 ∩ S2 ) +


+ O(exp(−u2 (1 + ρ)/2) (.)
при u → ∞, где положительное ρ может отличаться от приведенного
в формуле (.) и через P(u, A) мы обозначили вероятность того,
что максимум поля на A превышает u.
.. Общий случай 

Нам понадобится еще один прием, который мы уже использова-


ли. Если есть два измеримых множества A, B ⊂ T и однородное гаус-
совское поле X (t), удовлетворяющее условиям теоремы, то в силу
неравенства Бореля

P(sup X (t) ¾ u, sup X (t) ¾ u) ¶ P( sup X (s) + X (t) > 2u) ¶


t∈A t∈B s∈A,t∈B
 € (u − a)2 Š
¶P sup X (s) + X (t) > 2u ¶ L exp − , (.)
s∈T,t∈T
1 + rAB

где L, a не зависят от A, B и
rAB = sup |r(t − s)| < 1
s∈A,t∈B

в силу невырожденности, где r –– ковариационная функция для X .


Обозначим τ1 = τ/3. Любое выпуклое множество с диаметром, не
превосходящим τ1 , содержится в g[0, τ]n для любого g ∈ Gn . Пусть
S –– выпуклое множество, удовлетворяющее условиям теоремы и со-
держащееся в параллелепипеде K(T), T = (T1 , …, Tn ), Tj ¶ τ1 , j = 1, …
…, n − 1, Tn > 0. Пусть целое k n таково, что Tn /k n ¶ τ1 /2. Разобьем
отрезок [0, Tn ] на отрезки длины Tn /k n и обозначим их π1 , …, πkn .
Пусть Si = S ∩ πi , i = 1, …, k n . В силу соотношений (.) и (.)
и однородности, имеем
kn
P n −1
kP
P(u, S) = P(u, Si ) − P(max X (t) ¾ u, max X (t) ¾ u) +
i=1 i=1 S1 Si
€ P Š
+O P(max X (t) ¾ u, max X (t) ¾ u) =
i> j+1 Si Sj

P
n
= ak (u)Wk (S) + O(exp(−u2 (1 + ρ)/2), u → ∞,
k=0

где положительное ρ может отличаться от предыдущих. Далее рас-


сматриваем множества в прямоугольниках с произвольными Tn−1 , Tn
и короткими остальными ребрами и повторяем этот же прием двой-
ной суммы n раз.
Рекомендованная литература

1. Adler R. J. The Geometry of Random Fields. London: Wiley, .


2. Adler R. J., Taylor J. E. Random Fields and Geometry. (Springer Monographs
in Mathematics). .
3. Андерсон T. Введение в многомерный статистический анализ. М.: Физ-
матгиз, .
4. Azaı̂s J.-M., Wschebor M. Level sets and extrema of random processes and
fields. Wiley, .
5. Berman S. Sojourns and Extremes of stochastic processes. CRC Press, .
6. Биллингсли П. Сходимость вероятностных мер. М.: Наука, .
7. Булинский А. В., Ширяев А. Н. Теория случайных процессов. М.: Физмат-
лит, .
8. Dudley R. M. The sizes of compact subsets of Hilbert space and continuity of
Gaussian processes // J. Funct. Anal. . Vol. . P.  ––.
9. Ибрагимов И. А., Розанов Ю. А. Гауссовские случайные процессы. М.:
Наука, .
10. Ито К. Вероятностные процессы. Вып. , . М., .
11. Kallenberg O. Random Measures. th ed. New York, London: Academic
Press; Berlin: Akademie-Verlag, .
12. Kim J., Pollard D. Cube Root Asymptotics // Ann. Statist. . Vol. , № .
P.  ––.
13. Колмогоров А. Н., Фомин С. В. Элементы теории функций и функцио-
нального анализа. М.: Наука, .
14. Крамер Г., Лидбеттер М. Стационарные случайные процессы // Свой-
ства выборочных функций и их приложения. М.: Мир, .
15. Леонов В. П. О дисперсии временных средних стационарного случайно-
го процесса // Теория вероятностей и ее применения. . Т. , № .
С.  ––.
16. Лидбеттер М. Р., Линдгрен Г., Ротсен Х. Экстремумы случайных после-
довательностей и процессов. М.: Мир, .
17. Лифшиц М. А. Гауссовские случайные функции. Киев: ТВiМС, .
18. Lifshitz M. A. Gaussian Random Functions. Springer, .
19. Lifshitz M. A. Lectures on Gaussian Processes. . (Springer Briefs in
Mathematics).
20. Матерон Ж. Случайные множества и интегральная геометрия. М.:
Мир, .
21. Питербарг В. И. Асимптотические методы в теории гауссовских процес-
сов и полей. Изд-во МГУ, .
Литература 

22. Piterbarg V. I. High deviations for multidimensional stationary Gaussian


processes with independent components «Stability Problems for Stochastic
Models» / Eds. V. M. Zolotarev et al. . Р. ––.
23. Piterbarg V. I. Asymptotic Methods in the Theory of Gaussian Processes and
Fields. American Mathematical Soc., .
24. Розанов Ю. А. Стационарные случайные процессы. М.: Наука, .
25. Сантало Л. Интегральная геометрия и геометрические вероятности.
М.: Наука, .
26. Fernique X. Regularité des trajectoires des fonctions aléatoires gaussiennes.
. (Lecture Notes in Mathematics; Vol. ).
27. Хадвигер Г. Лекции об объёме, площади поверхности и изопериметрии.
М.: Наука,.
Содержание

Предисловие . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
Лекция 
Основные определения. Конечномерные распределения . . . . . . . . . 
1.1. Определения и основные свойства . . . . . . . . . . . . . . . . . . . . . 
1.2. Условные гауссовские распределения . . . . . . . . . . . . . . . . . . . 
1.3. Практические формулы для вычисления условных средних и ко-
вариаций . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
Лекция 
Сравнение конечномерных распределений . . . . . . . . . . . . . . . . . . 
2.1. Неравенство Слепяна . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
2.2. Неравенство Судакова––Ферника . . . . . . . . . . . . . . . . . . . . . . 
2.3. Неравенство Бермана и его обобщения . . . . . . . . . . . . . . . . . 
2.4. Хвосты распределений гауссовских случайных векторов . . . . . . 
Лекция 
Свойства эргодичности стационарных последовательностей . . . . . . . 
Лекция 
Закон нуля или единицы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
4.1. Другое определение гауссовского случайного вектора . . . . . . . . 
4.2. Закон нуля или единицы для гауссовских векторов . . . . . . . . . . 
Лекция 
Экспоненциальная интегрируемость . . . . . . . . . . . . . . . . . . . . . . 
Лекция 
Гильбертовы пространства . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
Лекция 
Сепарабельность и измеримость. Осцилляции . . . . . . . . . . . . . . . . 
7.1. Сепарабельность и измеримость . . . . . . . . . . . . . . . . . . . . . . 
7.2. Осцилляция . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
Лекция 
Энтропийный метод . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
8.1. Введение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
8.2. Энтропийная оценка для хвоста распределения максимума . . . . 
Лекция 
Хвост распределения максимума стационарного процесса . . . . . . . . 
9.1. Введение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
9.2. Локальная лемма . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
Содержание 

9.3. Теорема Пикандса . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 


Лекция 
Хвост распределения максимума нестационарного процесса . . . . . . . 
Лекция 
Хвост распределения максимума. Примеры . . . . . . . . . . . . . . . . . . 
11.1. Винеровский процесс . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
11.2. Броуновский мост . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
11.3. Дробное броуновское движение . . . . . . . . . . . . . . . . . . . . . 
11.4. Задача о разорении для дробного броуновского движения . . . . 
Лекция 
Хвост распределения максимума. Обобщения . . . . . . . . . . . . . . . . 
12.1. Локально-стационарные гауссовские процессы с постоянной
дисперсией . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
12.2. Несколько максимумов дисперсии одинаковой высоты . . . . . . 
12.3. Гауссовские однородные поля . . . . . . . . . . . . . . . . . . . . . . . 
12.4. Дальнейшие обобщения . . . . . . . . . . . . . . . . . . . . . . . . . . 
Лекция 
Пересечения уровня траекториями . . . . . . . . . . . . . . . . . . . . . . . 
13.1. Отсутствие касаний кривой и локальных максимумов одинако-
вой высоты . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
13.2. Число пересечений кривой траекториями . . . . . . . . . . . . . . . 
Лекция 
Негауссовские процессы. Моменты числа пересечений . . . . . . . . . . 
14.1. Теорема Булинской . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
14.2. Об отсутствии двух локальных максимумов одинаковой высоты 
14.3. Моменты числа пересечений . . . . . . . . . . . . . . . . . . . . . . . 
Лекция 
Хвост распределения максимума. Метод моментов . . . . . . . . . . . . . 
Лекция 
Пуассоновская предельная теорема для высоких выбросов . . . . . . . . 
Лекция 
Пуассоновская предельная теорема. Непрерывное время . . . . . . . . . 
Лекция 
Тождество и неравенство сравнения. Непрерывное время . . . . . . . . 
Лекция 
О скорости сходимости в предельной теореме для максимума . . . . . . 
Лекция 
Геометрия высоких выбросов гладких полей . . . . . . . . . . . . . . . . . 
20.1. Введение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
 Содержание

20.2. Гауссовские случайные поля. Определения и необходимые пред-


положения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
20.3. Метод сравнения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
20.4. Выбор стандартного поля . . . . . . . . . . . . . . . . . . . . . . . . . . 
20.5. Переход к произвольному полю на малом параллелепипеде . . . 
20.6. Переход к произвольному параметрическому множеству . . . . . 
20.7. Общий случай . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
Рекомендованная литература . . . . . . . . . . . . . . . . . . . . . . . . . . . 
Магазин «Математическая книга»
Книги издательства МЦНМО можно приобрести в магазине «Матема-
тическая книга» в Москве по адресу: Б. Власьевский пер., д. ; тел.
() --; biblio.mccme.ru
Книга –– почтой: http://biblio.mccme.ru/shop/order
Книги в электронном виде: http://www.litres.ru/mcnmo/
Мы сотрудничаем с интернет-магазинами
• Книготорговая компания «Абрис»; тел. () --, () --;
www.umlit.ru, www.textbook.ru, абрис.рф
• Интернет-магазин «Книга.ру»; тел. () --; www.kniga.ru
Наши партнеры в Москве и Подмосковье
• Московский Дом Книги и его филиалы (работает интернет-магазин);
тел. () --; www.mdk-arbat.ru
• Магазин «Молодая Гвардия» (работает интернет-магазин): ул. Б. Полянка,
д. ; тел. () --, () --; www.bookmg.ru
• Магазин «Библио-Глобус» (работает интернет-магазин): ул. Мясницкая,
д. /, стр. ; тел. () --; www.biblio-globus.ru
• Спорткомплекс «Олимпийский», -й этаж, точка ; тел. () --
• Сеть киосков «Аргумент» в МГУ; тел. () --, () --;
www.arg.ru
• Сеть магазинов «Мир школьника» (работает интернет-магазин);
тел. () --, () --, () --, () --;
www.uchebnik.com
• Сеть магазинов «Шаг к пятерке»; тел. () --, () --;
www.shkolkniga.ru
• Издательская группа URSS, Нахимовский проспект, д. , Выставочный
зал «Науку –– Всем», тел. () --, www.urss.ru
• Книжный магазин издательского дома «Интеллект» в г. Долгопрудный:
МФТИ (новый корпус); тел. () --
Наши партнеры в Санкт-Петербурге
• Санкт-Петербургский Дом книги: Невский пр-т, д. ; тел. () --
• Магазин «Мир науки и медицины»: Литейный пр-т, д. ; тел. () --
• Магазин «Новая техническая книга»: Измайловский пр-т, д. ;
тел. () --
• Информационно-книготорговый центр «Академическая литература»:
Васильевский остров, Менделеевская линия, д. 
• Киоск в здании физического факультета СПбГУ в Петергофе;
тел. () --, () --, () --
• Издательство «Петроглиф»: Фарфоровская, , к. ; тел. () --,
() --; k_i_@bk.ru, k_i_@petroglyph.ru
• Сеть магазинов «Учебная литература»; тел. () --,
тел. () --, тел. () -- (доб. )
Наши партнеры в Челябинске
• Магазин «Библио-Глобус», ул. Молдавская, д. , www.biblio-globus.ru
Наши партнеры в Украине
• Александр Елисаветский. Рассылка книг наложенным платежом по
Украине: тел. ---; df-al-el@bk.ru