HN 日本語サマリー

← 一覧へ戻る
科学・技術

ブラウン運動

Brownian Motion (gregorygundersen.com)

57 pointsby signa118 コメント

要約

この記事は、離散時間ランダムウォークからブラウン運動の周辺分布を導出することで、その直感的な理解を深めることを目的としています。花粉粒子のランダムな動きの観察から始まり、ロバート・ブラウン、アインシュタイン、スモルホフスキなどの歴史的背景に触れ、最終的にランダムウォークモデルを用いて、任意の時点での粒子の位置が正規分布に従うことを数学的に示します。

全文翻訳

ブラウン運動

コップの水に浮遊する花粉粒子を想像してみてください。この粒子の垂直位置を時間とともに記録すると、その動きはランダムであることがわかります。そして、この位置をプロットすると、時間とともにギザギザの経路が得られます(図11、左)。この経路は多くの可能な経路のうちの1つに過ぎず、もしこの観測実験を何度も繰り返したとしても、同じ経路が再び現れるとは期待できません。

このランダム性から、私たちはこの現象をどのように理解できるでしょうか?粒子について、何か興味深く、あるいは有用なことを言うことはできるでしょうか?人類の歴史のほとんどにおいて、これは不可能に見える課題でした。確率論における重要な洞察、概念的な柱は、実際に起こったこと(図11、左)と他の可能な結果(図11、右)を切り離すことです。このアプローチにより、私たちは反事実(counterfactuals)を通して世界を理解することができます。花粉が取り得た可能性のある経路はすべて何でしょうか?それぞれの経路はどれくらい可能性が高いでしょうか?結果の分布について何が言えるでしょうか?

[画像]

図1. 左。 時間に対する花粉粒子の垂直位置の単一のランダム経路のプロット。右。 同じ初期位置から始まる、そのような多くのランダム経路。

この花粉粒子をランダムプロセスとして理解することは、深い考えであり、理解するのに何十年もの年月と多くの科学者を要しました。この現象は1830年代にスコットランドの植物学者ロバート・ブラウンによって初めて観察されました。ブラウンは顕微鏡を使って水に浮遊する花粉粒子を観察し、驚くべきことに粒子が動いているのを発見しました!当初、彼はこれが花粉粒子が生きていることを意味すると考えましたが、ガラス粉、鉱物、さらにはエジプトのスフィンクスの粉砕された破片など、明らかに無生物であると確信していた粒子でも同じ効果が見られることをテストし、この仮説を却下しました(Góra, 2006)。約半世紀の間、この現象は謎のままでしたが、「ブラウン運動」として知られるようになりました。

その後1905年から、アルバート・アインシュタインは一連の論文を発表し、花粉粒子が液体中の見えない分子に衝突されているために動いていると仮説を立てました(Einstein, 1905)。翌年、ポーランドの物理学者マリアン・スモルホフスキは独立してほぼ同じ理論を発表しました(Von Smoluchowski, 1906)。当時、分子という考えはまだ広く受け入れられていなかったため、この理論は議論を呼びました。しかし、統計力学を用いて、アインシュタインとスモルホフスキは粒子の挙動について検証可能な予測を立てることができ、数年後、別の科学者であるジャン・バティスト・ペランがこのモデルを検証しました(Perrin, 1909)。そして、アインシュタインの画期的な研究以来、ブラウン運動は広く研究され、より深く理解されるようになりました。数学界では、ブラウン運動はノバート・ウィーナーによって形式化され(Wiener, 1923)、特に数学者の間ではブラウン運動は「ウィーナー過程」と呼ばれることもあります。

この記事の目標は、ブラウン運動をより深く理解することです。ブラウン運動は、液体に浮遊する粒子から株式の価格に至るまで、多くの現象をモデル化するために使用できる重要な概念です。最終的には、任意の時点における花粉粒子の周辺分布を再構築します。これを見ると、これは正規分布であることがわかります。この深い関連性は、完全にランダムなプロセスについて、数学的に正確な確率的ステートメントを作成できることを意味します。

ランダムウォーク

離散時間における花粉粒子の単純なモデルから始めましょう。これは「ランダムウォーク」と呼ばれる確率過程です。次のセクションで、これを連続時間に拡張し、ブラウン運動にします。

時間を離散化し、時計の単一の離散的な「ティック」を観測できると想像してください。この1回のティックの間に花粉粒子に何が起こるでしょうか?私たちの単純な世界のモデルでは、コインを(必ずしも公平ではない)投げ、その結果に基づいて花粉粒子が同じ量だけ上下に動くと想像します。コイン投げは、花粉粒子がランダムに水分子に衝突されているという事実をモデル化しており、したがって次の時点での位置はランダムです。したがって、花粉粒子は静止したままではいられません。時計の1回のティックの後、それは上下に動きます。

形式的には、S₀を粒子の初期位置(非ランダム)とし、S₁を1回のティック後の花粉粒子の垂直位置を表す単変量確率変数とします。初期位置はゼロ(S₀=0)であると仮定します。これは計算と表記を容易にし、最終的な経路の単なる垂直シフトであるためです。確率pで表されるコインを投げるとします。ここでpは表(H)の確率、q:=1-pは裏(T)の確率です。コインが表なら、花粉粒子はuだけ上に動き、コインが裏なら、花粉粒子はuだけ下に(-uへ)動きます。各コイン投げの結果を、{-1, 1}の値をとる確率変数Ziとしましょう。すると、単一のコイン投げ後の位置は uZ₁ となります(図2)。

[画像]

図2. 1期間の花粉粒子モデル。確率pで表が出るコイン投げの後、花粉粒子はuまで上に動くか、-uまで下に動きます。S₀は初期位置を表し、uZ₁はコイン投げ後の位置を表します。

次に、n回の時間ステップ後の位置Snを考えます。各時点iで、他のすべてのコイン投げから独立であると仮定するコインを投げ、花粉粒子が現在の位置から上下どちらに移動するかを決定します。するとSnは単純に以下の合計です。

Sn = uZ₁ + uZ₂ + ⋯ + uZn。(1)

各Ziはランダムなので、Snもランダムです。

明らかに、コインを繰り返し投げると、花粉粒子の可能な位置の集合はnとともに線形に拡大します。これらの可能な位置すべてを、有向グラフまたはツリーとして視覚化できます。これは「二項木」と呼ばれることもあります(図3、左)。後でその名前を説明します。ツリーの層(垂直スライス)はゼロからインデックス付けされており、ルートノードは時間n=0で発生します。各ノードは可能な位置であり、n番目の層は時間nまでに可能なすべての位置です。有向エッジ(左から右)は花粉粒子の有効な移動です。「パス」は、ツリーのルート(最も左のノード)から始まり、各時間ステップで右に進んでリーフノード(最も右のノード)に到達するステップのシーケンスです。有効なパスは、常に左から右へ、ルートからリーフへと移動するものです。例えば、有効なパスは、同じ時間ステップでまっすぐ下に移動したり、後方に移動したりすることはできません。

[画像]

図3. 左。 深さn=5の二項木。各ノードには、そのノードに到達するために必要な上または下の移動の正味の数がラベル付けされています。2つのランダムパスが黄色と赤で示されています。右。 左のプロットですが、ノードには(n,k)タプルがラベル付けされており、コイン投げの回数、したがってそれだけの回数での可能な終点をインデックス付けしています。

ノードを識別するために、計数kを導入しましょう。これはリーフノードをインデックス付けし、k∈{0, 1, …, n}の値をとります。時間インデックスnと同様に、kもゼロベースのインデックスです。図3(右)に示したように、ノードを(n, k)タプルでラベル付けしてツリーを視覚化しました。最も下のリーフノードをk=0、最も上のリーフノードをk=nとします。

花粉粒子のこの単純な離散時間モデルを理解したので、次に、最も可能性の高い結果(リーフノード)はどれかという、動機付けとなった質問に取り組みましょう。任意の経路はランダムですが、結果の分布について何か言えるでしょうか?

まず、図4でハイライトされたリーフノードに到達する確率を計算してみましょう。これは実際には、特定のノード(n, k)に到達する確率であり、これはk回の表をn回のコイン投げで得る確率です。この確率を変数Knで表しましょう。このノードに到達するには、2回の表と1回の裏を投げる必要があります。この確率は次のようになります。

P({2回の表と1回の裏}) = p²q。(2)

しかし、3回のコイン投げで2回の表を得る方法は3つあります。

{HHT, HTH, THH}、(3)

これは、ハイライトされたノードへの経路が3つあることを意味します。各経路は互いに排他的な結果なので、目的の確率を計算するには、式2のすべての結果の確率を経路の数で割ります。

P({ノード(3,2)に到達}) = P(K₃=2) = 3p²q。(4)

例えば、p=1/2なら、この確率は3/8になります。

[画像]

図4. 深さn=3の二項木。ノード(3,2)(円で囲まれたノード)に到達するための3つの可能な経路(赤、黄、紫)があります。

これを一般的に計算するには、n回の試行でk回の成功(表)を得る方法の数を計算する方法が必要です。順序が重要なので、n回のコイン投げからk回の表を選ぶ方法の数は次のようになります。

n(n-1)(n-2)…(n-k+1) = n!/(n-k)!。(5)

まず、n回のコイン投げから任意のコインを「表」として選択できます。次に、n-1回のコイン投げから任意のコインを「表」として選択できます。これをk回の表が得られるまで続けます。(最後の選択は完全に制約されます。)

しかし、これは可能な経路を過剰に数えます。例えば、これはH₁H₂とH₂H₁を区別しません。ここで添え字iはi番目のコイン投げを示します。したがって、式5の順列を、k個の要素のセットの順列の数で割る必要があります。これはkの階乗です。これをまとめると、二項木の各ノードに到達する方法の数は次のようになります。

順序付けられたn回のコイン投げからk回の表を選ぶ方法の数 / k回の表の順列 = n(n-1)(n-2)…(n-k+1) / k(k-1)(k-2)…1。(6)

式6の数はしばしば「n choose k」と発音される二項係数と呼ばれ、次のように表記されます。

(n k) ≜ n! / (k! (n-k)!)。(7)

これらをすべてまとめると、二項木のn番目の層のk番目のノードに到達する確率は次のようになります。

P(Kₙ=k) = (n k) pᵏ qⁿ⁻ᵏ。(8)

これらの確率が合計で1になるという事実は、二項定理の自明な応用です。A1を参照してください。

Kₙの平均と分散の計算は比較的簡単です。Kₙを独立なベルヌーイ確率変数の和と見なすことができます。

Kₙ = (Z₁ + 1)/2 + (Z₂ + 1)/2 + ⋯ + (Zₙ + 1)/2。(9)

各Ziの平均は2p-1であり、最初の2つのモーメントは簡単に計算できます。

E[Kₙ] = Σᵢ<0xE2><0x82><0x9D>₁ⁿ E[(Zᵢ + 1)/2] = np

V[Kₙ] = Σᵢ<0xE2><0x82><0x9D>₁ⁿ V[(Zᵢ + 1)/2] = npq。(10)

分散の計算には、ビエナイメの等式と、(Zᵢ+1)/2が独立であるという事実を使用します。Kₙの分布はヤコブ・ベルヌーイによって最初に発見され、二項係数にちなんで「二項分布」と呼ばれています(再びA1を参照)。したがって、「二項木」という名前もここに由来します。

もちろん、Kₙはn回のコイン投げで表が出る回数の分布ですが、私たちは花粉粒子の位置にもっと関心があります。しかし、両者の間には単純な関係があります。位置Snは、単純に上向きの移動回数(Kₙ)から下向きの移動回数(n-Kₙ)を引いたもので、移動の大きさuでスケーリングされます。言い換えれば、次のようになります。

Sn = u(Z₁ + Z₂ + ⋯ + Zₙ)
= u(Kₙ - (n - Kₙ))
= u(2Kₙ - n)。(11)

nとuは非ランダムなので、イベント{Sn = u(2k-n)}と{Kₙ=k}は同一です。したがって、次のように言えます。

P({Sn = u(2k-n)}) = P({Kₙ=k}) = (n k) pᵏ qⁿ⁻ᵏ。(12)

したがって、特定の層nにおける花粉粒子の位置は、確率質量関数(PMF)が式8で与えられる確率変数Kₙの分布によって決定されます。KₙとSnは同じ確率を持ちますが、モーメントは明らかに異なります。Snの最初の2つのモーメントは次のようになります。

E[Sn] = E[u(2Kₙ - n)] = 2nu(p - 1/2)
V[Sn] = V[u(2Kₙ - n)] = V[2uKₙ] = 4u²npq。(13)

p=1/2の特別な場合では、

E[Sn] = 0
V[Sn] = nu²。(14)

さまざまなパラメータ設定で関数をプロットすることで、この分布を探索できます(図5)。Kₙは二項分布に従いますが、SnとKₙは同じ確率関数を持つものの、Snは二項分布に従うわけではないことに注意してください。これは、二項分布のサポートが非負整数のみであるためです。それは繰り返しコイン投げの分布です。しかし、Snのサポートは負の数にも及びます。Snの分布に名前があるとは思えませんが、大まかに言えば、それはゼロを中心に中心化された二項分布に似ています。

[画像]

図5. 位置Sn = u(2Kₙ-n)の分布、ここでKₙ ~ binom(n, p)。二項木の文脈では、これらは時間スライスn=6、n=20、n=80における花粉粒子の位置Snの分布を表します。

この分布を視覚化する別の方法は、より大きな二項木を想像することです(図6)。n∈{6, 20, 80}におけるSnの位置の分布は、図5の分布です。

[画像]

図6. nが増加するにつれて、二項木は拡大し、終端分布はますます広くなります。より技術的には、Kₙの二項分布のパラメータnが増加するにつれて、サポートが増加します。

これまでのところをまとめると、私たちは驚くべきことを成し遂げました。完全にランダムな粒子の動きをモデル化しましたが、それでも時間とともにその位置の分布について具体的で正確なことを言うことができます。

しかし、これを行うためには、時間を離散的であると仮定する必要がありました。したがって、自然な次の質問は次のようになります。連続時間極限におけるこのプロセスの分布は何でしょうか?この物語のこの時点では、それが正規分布であると推測することはそれほど無理なことではありません。ド・モアブルは1738年にド・モアブル=ラプラスの定理(中心極限定理(CLT)の最も初期のバージョン)を証明しました。これは、ロバート・ブラウンがブラウン運動を観察する約100年前のことです。したがって、科学者や数学者はすでに、独立同分布確率変数の和がガウス分布に収束することを知っていました。ブラウン運動の開発における鍵となる洞察は、花粉粒子の衝突をそのような和としてモデル化できると認識したことでした。

リスケールされたランダムウォークの収束

では、花粉粒子への分子の衝突の数が増加し、その影響が比例して減少するとどうなるかを想像してみましょう。つまり、衝突の数は増えますが、衝突あたりの移動量は減少します。このリスケールは重要です。そうでなければ、プロセスの分散は爆発します。物理的に言えば、花粉粒子への衝突の数を増やしても移動の大きさをスケールダウンしない場合、花粉粒子の移動はありえないほど大きくなります。

これを形式化するために、まずp=1/2に固定してE[Zᵢ]=0とします。非対称なケースは後で扱います。次に、単位物理時間tあたりにn回の衝突があると仮定します。したがって、任意の固定された物理時間t>0に対して、花粉粒子の位置を次のようにモデル化できます。

Bt⁽ⁿ⁾ = uZ₁ + uZ₂ + ⋯ + uZ<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F>、u := 1/√n。(15)

<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F>という表記は、tが正の実数であるため、整数への床関数を示しています。また、nとともにuをスケールする必要があるため、u=1/√nと設定します。n→∞とすると、ランダムウォークの連続時間極限が得られます。

Bt = lim<0xE2><0x82><0x99>→∞ Bt⁽ⁿ⁾。(16)

ここでも、物理時間tを固定し、二項木をますます細かく(固定tに対して大きなn)していきます。二項木のグリッドを削除して視覚化を乱雑にしないようにし、より細かいnのパスのみを視覚化すると、図6に似た視覚化を作成できますが、はるかに大きなnになります(図7)。

[画像]

図7. p=1/2でnが増加する二項ランダムウォークの多くのシミュレーション。nが増加するにつれて、衝突のサイズは減少します。極限では、ブラウン運動が得られます。

これで、離散時間の場合と同じ質問をすることができます。物理時間tの後、花粉粒子の位置の分布は何でしょうか?前述のように、それは正規分布でなければなりません!ここで、二項分布が正規分布に収束するという洞察は重要ではありません。これはロバート・ブラウンの観察の100年前にすでに知られていました。洞察は、ランダムウォークの連続時間極限を式15のようにモデル化することにより、このリスケールされたランダムウォーク Bt⁽ⁿ⁾ が正規分布 N(0, t) に収束することです。

これをもう少し形式的に見てみましょう。ド・モアブル=ラプラスの定理は、適切に標準化された二項確率変数が正規分布に収束すると述べています。私たちの表記法では、Kₙ ~ binom(n, p) で p=1/2 であり、定理は次のように述べています。

(Kₙ - E[Kₙ]) / √V[Kₙ] = (Kₙ - np) / √npq = (Kₙ - n/2) / √(n/4) ; →<0xE1><0xB5><0x83> N(0, 1)。(17)

ここで、Bt⁽ⁿ⁾ がスケーリングを除いてこの標準化された量と本質的に同じであることを観察します。

Bt⁽ⁿ⁾ = uZ₁ + uZ₂ + ⋯ + uZ<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F>
= (1/√n) (Z₁ + Z₂ + ⋯ + Z<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F>)
= (1/√n) (2K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F> - <0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F>)
= √(⌊tn⌋/n) * (K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F> - ⌊tn⌋/2) / √(⌊tn⌋/4)。(18)

ド・モアブル=ラプラスの定理により、次のように言えます。

(K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F> - ⌊tn⌋/2) / √(⌊tn⌋/4) ; →<0xE1><0xB5><0x83> N(0, 1)。(19)

そしてn→∞とすると、係数が√tに収束することがわかります。

√(⌊tn⌋/n) ; → √t。(20)

標準化された二項分布が分布収束してN(0,1)になり、係数が定数√tに収束するので、次のように見ることができます。

Bt⁽ⁿ⁾ ; →<0xE1><0xB5><0x83> √t * N(0, 1) = N(0, t)。(21)

これで完了です!余談ですが、現代的な扱いでは、スツツキーの定理を呼び出して式21に到達すると思います。スツツキーの定理は、確率変数列が分布収束し、定数に収束する数列によって乗算される場合、その積は定数倍の極限に分布収束すると述べています。

これの幾何学的な解釈は、時間t後の周辺分布が単純に正規分布 N(0, t) であるということです(図8)。

[画像]

図8. 標準ブラウン運動の時刻t=0.5およびt=1における周辺分布。どちらの場合も正規分布N(0,t)です。平均(ゼロ)と標準偏差(√t)は破線で示されています。

これで、導出の最も単純なバージョン全体を見ることができたので、2つの重要な調整を行うことができます。まず、衝突係数u=1/√nに物理的な意味がないことに注意してください。分母は収束を保証するだけなので、この衝突は単位スケールです。しかし、衝突の物理的なスケールを捉えるパラメータσを導入できます。具体的には、次のように設定します。

u = σ/√n。(22)

これは式18の導出に流れ込み、次の結果をもたらすことは容易にわかります。

σBt⁽ⁿ⁾ ; →<0xE1><0xB5><0x83> σ√t * N(0, 1) = N(0, σ²t)。(23)

しかし、より興味深い調整は、ドリフトパラメータμを追加することだと思います。もちろん、ブラウン運動を直接シフトすることもできます。

μ + σBt⁽ⁿ⁾ ; →<0xE1><0xB5><0x83> N(μ, σ²t)。(24)

しかし、これは私たちのプロセスには物理的な意味がありません。それは単なる任意のスライドであり、ドリフトではありません。より豊かなアプローチは、それをコイン投げのバイアスに直接エンコードすることです。直感的には、バイアスのかかったコイン(p≠1/2)を投げると、花粉粒子の位置は時間とともにドリフトするはずです(図9)。

[画像]

図9. ドリフトμを持つブラウン運動。

しかし、このアプローチには問題があります。pは[0, 1]に制約されているため、E[Zᵢ]は[-1, 1]に制約され、したがって私たちのブラウン運動の平均は[-t, t]に制約されます。

E[Zᵢ] = 2p - 1
E[Bt⁽ⁿ⁾] = (1/√n) ⌊tn⌋ E[Z₁]。(25)

よりエレガントなアプローチは、pをμの関数にすることです。しかし、n→∞でドリフトが爆発する可能性があるため、単純にこれを行うことはできません。したがって、μをnで正規化する必要があります。バイアスパラメータのこの定義を考えます。ここではpₙとします。

pₙ = 1/2 + μ / (2σ√n)。(26)

直感的には、係数μ/(2σ√n)は、単位物理時間tあたりの衝突数nを増やしたときに、コインのバイアスが消える正確なレートです。したがって、各Zᵢの平均は次のようになります。

E[Zᵢ] = 2pₙ - 1 = μ / (σ√n)。(27)

そして、私たちのプロセス(標準化されていないためXₙ⁽ⁿ⁾と呼びましょう)の平均は、n→∞でμtに収束します。

E[Xₜ⁽ⁿ⁾] = (σ/√n) ⌊tn⌋ E[Z₁] = (σ/√n) ⌊tn⌋ (μ / (σ√n)) ; → μt。(28)

これらの2つの調整(ドリフト用と衝突の大きさ用)を組み合わせると、一般的な結果は非標準ブラウン運動であることがわかります。

Xₜ⁽ⁿ⁾ ; →<0xE1><0xB5><0x83> N(μt, σ²t)。(29)

あるいは、主要な導出(式18)を、式22と26で定義されたuとpₙを使用して単純に書き直すこともできます。これは、周辺分布をゼロから構築するため、おそらくよりエレガントな導出です。A2を参照してください。

これは、リスケールされたランダムウォークがブラウン運動にプロセスとして収束することの証明ではないことに注意してください。それにはドンスカーの定理のようなより高度な数学が必要です。むしろ、任意の固定時間tにおけるその周辺分布に関する主張です。しかし、これは、初等確率論以上のものをほとんど必要とせずに、ブラウン運動が実際に何であるかについての素晴らしい直感を提供すると考えます。

結論

確率とランダムプロセスに関するコースで、教授が代数を展開して式19の洞察を生み出すのを見ていたのを今でも覚えています。それは驚くべきことで、そして明白に感じられました。正規分布は、独立同分布確率変数の和の極限分布であるため、どこにでも存在します。ランダムウォークをシフトしたりスケールしたりできます。非対称にすることもできます。それはあまり関係ありません。それでも正規分布に収束します。そして私の考えでは、この導出はブラウン運動の他の特性についても良い直感を与えます。例えば、ブラウン運動はマルチンゲールであるとか、定常ガウス増分を持つと言うことができます。これらの主張を正確にするために必要な数学は多少の作業を必要とするかもしれませんが、基本的な直感は上記の導出と視覚化にエンコードされています。

付録

A1. 二項定理

二項定理は次の恒等式であり、任意の非負整数べき乗nに対して成り立ちます。

(x+y)ⁿ = Σ<0xE2><0x82><0x96><0xE2><0x82><0x9D>₀ⁿ (n k) xᵏ yⁿ⁻ᵏ。(A1.1)

これは帰納法で簡単に証明できます。基底ケースが成り立つことは自明に確認できます。帰納的ステップは次のようになります。

(x+y)ⁿ(x+y) = Σ<0xE2><0x82><0x96><0xE2><0x82><0x9D>₀ⁿ (n k) xᵏ yⁿ⁻ᵏ (x+y)
= Σ<0xE2><0x82><0x96><0xE2><0x82><0x9D>₀ⁿ (n k) xᵏ⁺¹ yⁿ⁻ᵏ + Σ<0xE2><0x82><0x96><0xE2><0x82><0x9D>₀ⁿ (n k) xᵏ yⁿ⁻ᵏ⁺¹
:= A + B。(A1.2)

各和AとBを明示的に書くと、n-1個の重複する項があることが明らかになります。

A = (n 0) x¹ yⁿ + (n 1) x² yⁿ⁻¹ + ⋯ + (n n-1) xⁿ y¹ + (n n) xⁿ⁺¹ y⁰
B = (n 0) x⁰ yⁿ⁺¹ + (n 1) x¹ yⁿ + ⋯ + (n n-1) xⁿ⁻¹ y² + (n n) xⁿ y¹。(A1.3)

n-1個の類似項を収集すると、次のようになります。

A+B = [(n 0) + (n 1)] x¹ yⁿ + ⋯ + [(n n-1) + (n n)] xⁿ y¹ + (n 0) x⁰ yⁿ⁺¹ + (n n) xⁿ⁺¹ y⁰。(A1.4)

最後に、括弧内の二項係数を折りたたむために次の恒等式を使用できます。

(n k) = (n-1 k-1) + (n-1 k)。(A1.5)

そして、重複しない項をn+1に関して書き直すことができます。

(n 0) = (n+1 0) = (n n) = (n+1 n+1) = 1。(A1.6)

これにより、帰納的ステップが完了します。

(x+y)ⁿ⁺¹ = (n+1 1) x¹ yⁿ + ⋯ + (n+1 n) xⁿ y¹ + (n+1 0) x⁰ yⁿ⁺¹ + (n+1 n+1) xⁿ⁺¹ y⁰
= Σ<0xE2><0x82><0x96><0xE2><0x82><0x9D>₁ⁿ⁺¹ (n+1 k) xᵏ yⁿ⁺¹⁻ᵏ。(A1.7)

最後に、二項分布が正規化されるという事実(式8の周りで議論されている)は、x=pおよびy=1-pの場合の二項定理の直接的な応用です。

A2. 平均中心化とσスケーリングによる収束

pₙを次のように定義します。

pₙ = 1/2 + μ / (2σ√n)。(A3.1)

すると明らかに、

E[Zᵢ] = 2pₙ - 1 = μ / (σ√n)
μ<0xE2><0x82><0x96> := E[K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F>] = ⌊tn⌋ pₙ = ⌊tn⌋ (1/2 + μ / (2σ√n))
σ<0xE2><0x82><0x96>² := V[K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F>] = ⌊tn⌋ pₙ (1 - pₙ) = ⌊tn⌋ (1/2 + μ / (2σ√n)) (1/2 - μ / (2σ√n)) = ⌊tn⌋ (1/4 - μ² / (4σ²n))。(A3.2)

Xₜ⁽ⁿ⁾ を次のシーケンスとして再定義します。

Xₜ⁽ⁿ⁾ = uZ₁ + uZ₂ + ⋯ + uZ<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F>、u := σ/√n。(A3.3)

これを次のように書くことができます。

Xₜ⁽ⁿ⁾ = (σ/√n) [Z₁ + Z₂ + ⋯ + Z<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F>]
= (σ/√n) [2K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F> - ⌊tn⌋]
= (σ/√n) * 2 [K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F> - ⌊tn⌋/2]
= (σ/√n) * 2 [K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F> - ⌊tn⌋/2 - ⌊tn⌋(μ / (2σ√n)) + ⌊tn⌋(μ / (2σ√n))]
= (σ/√n) * 2 [K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F> - ⌊tn⌋(1/2 - μ / (2σ√n))]
= (σ/√n) * 2 [K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F> - μ<0xE2><0x82><0x96>]

  • ⌊tn⌋μ/n
    = (σ/√n) √(4 ⌊tn⌋/⌊tn⌋ * (1 - μ/(σ²n)) / (1 - μ/(σ²n))) [K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F> - μ<0xE2><0x82><0x96>]
  • ⌊tn⌋μ/n
    = (σ/√n) √(⌊tn⌋(1 - μ/(σ²n))) * [K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F> - μ<0xE2><0x82><0x96>] / √(⌊tn⌋(1 - μ/(σ²n))/4)
  • ⌊tn⌋μ/n
    = (σ/√n) √(⌊tn⌋(1 - μ/(σ²n))) * [K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F> - μ<0xE2><0x82><0x96>] / σ<0xE2><0x82><0x96>
  • ⌊tn⌋μ/n。(A3.4)

最後に、n→∞のとき、係数はσ√tに収束することが明らかです。

(σ/√n) √(⌊tn⌋(1 - μ/(σ²n))) ; → σ√t。(A3.5)

一方、最後の項はn→∞のときμtに収束します。

⌊tn⌋μ/n ; → μt。(A3.6)

そして、

(K<0xE2><0x8A><0x9F>tn<0xE2><0x8A><0x9F> - μ<0xE2><0x82><0x96>) / σ<0xE2><0x82><0x96> ; →<0xE1><0xB5><0x83> N(0, 1)。(A3.7)

したがって、スツツキーの定理により、次のことがわかります。

Xₜ⁽ⁿ⁾ ; →<0xE1><0xB5><0x83> N(μt, σ²t)。(A3.8)

したがって、Xₜ⁽ⁿ⁾ はドリフトμtとボラティリティσ√tを持つ正規分布に収束します。