دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.]
نویسندگان: Andrea Pascucci
سری: UNITEXT 166
ISBN (شابک) : 9783031631924, 9783031631931
ناشر: Springer Nature Switzerland
سال نشر: 2024
تعداد صفحات: 426
[428]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 13 Mb
در صورت تبدیل فایل کتاب Probability Theory II - Stochastic Calculus به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب نظریه احتمال II - حساب تصادفی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب یک رویکرد مدرن به نظریه فرآیندهای تصادفی زمان پیوسته و حساب تصادفی ارائه می دهد. محتوا به طور دقیق، جامع و مستقل بررسی می شود. در بخش اول، تئوری فرآیندهای مارکوف و مارتینگل ها با تمرکز بر حرکت براونی و فرآیند پواسون معرفی شده است. متعاقبا، تئوری ادغام تصادفی برای نیمه مارتینگاهای پیوسته توسعه یافت. بخش قابل توجهی به معادلات دیفرانسیل تصادفی، نتایج اصلی حلپذیری و منحصربهفرد بودن در معنای ضعیف و قوی، معادلات تصادفی خطی و رابطه آنها با معادلات دیفرانسیل جزئی قطعی اختصاص دارد. هر فصل با مثال های متعددی همراه است. این متن از بیش از بیست سال تجربه تدریس در فرآیندهای تصادفی و حساب دیفرانسیل و انتگرال در مقاطع کارشناسی ارشد در ریاضیات، مالی کمی، و دوره های تحصیلات تکمیلی در ریاضیات برای برنامه های کاربردی و مالی ریاضی در دانشگاه بولونیا سرچشمه می گیرد. این کتاب مطالبی را برای حداقل دو دوره ترم تحصیلی در مطالعات علمی (ریاضی، فیزیک، مهندسی، آمار، اقتصاد و غیره) ارائه میکند و هدف آن ارائه یک پیشزمینه محکم برای علاقهمندان به توسعه نظریه حسابان تصادفی و کاربردهای آن است. این متن سفری را که با جلد اول نظریه احتمال I - متغیرها و توزیعهای تصادفی آغاز شده است، از طریق مجموعهای از موضوعات کلاسیک پیشرفته در تحلیل تصادفی تکمیل میکند.
This book offers a modern approach to the theory of continuous-time stochastic processes and stochastic calculus. The content is treated rigorously, comprehensively, and independently. In the first part, the theory of Markov processes and martingales is introduced, with a focus on Brownian motion and the Poisson process. Subsequently, the theory of stochastic integration for continuous semimartingales was developed. A substantial portion is dedicated to stochastic differential equations, the main results of solvability and uniqueness in weak and strong sense, linear stochastic equations, and their relation to deterministic partial differential equations. Each chapter is accompanied by numerous examples. This text stems from over twenty years of teaching experience in stochastic processes and calculus within master\'s degrees in mathematics, quantitative finance, and postgraduate courses in mathematics for applications and mathematical finance at the University of Bologna. The book provides material for at least two semester-long courses in scientific studies (Mathematics, Physics, Engineering, Statistics, Economics, etc.) and aims to provide a solid background for those interested in the development of stochastic calculus theory and its applications. This text completes the journey started with the first volume of Probability Theory I - Random Variables and Distributions, through a selection of advanced classic topics in stochastic analysis.
Preface Frequently Used Symbols and Notations Contents Abbreviations 1 Stochastic Processes 1.1 Stochastic Processes: Law and Finite-Dimensional Distributions 1.1.1 Measurable Processes 1.2 Uniqueness 1.3 Existence 1.4 Filtrations and Martingales 1.5 Proof of Kolmogorov's Extension Theorem 1.6 Key Ideas to Remember 2 Markov Processes 2.1 Transition Law and Feller Processes 2.2 Markov Property 2.3 Processes with Independent Increments and Martingales 2.4 Finite-Dimensional Laws and Chapman-Kolmogorov Equation 2.5 Characteristic Operator and Kolmogorov Equations 2.5.1 The Local Case 2.5.2 Backward Kolmogorov Equation 2.5.3 Forward Kolmogorov (or Fokker-Planck) Equation 2.6 Markov Processes and Diffusions 2.7 Key Ideas to Remember 3 Continuous Processes 3.1 Continuity and a.s. Continuity 3.2 Canonical Version of a Continuous Process 3.3 Kolmogorov's Continuity Theorem 3.4 Proof of Kolmogorov's Continuity Theorem 3.5 Key Ideas to Remember 4 Brownian Motion 4.1 Definition 4.2 Markov and Feller Properties 4.3 Wiener Space 4.4 Brownian Martingales 4.5 Key Ideas to Remember 5 Poisson Process 5.1 Definition 5.2 Markov and Feller Properties 5.3 Martingale Properties 5.4 Proof of Theorem 5.2.1 5.5 Key Ideas to Remember 6 Stopping Times 6.1 The Discrete Case 6.1.1 Optional Sampling, Maximal Inequalities, and Upcrossing Lemma 6.2 The Continuous Case 6.2.1 Usual Conditions and Stopping Times 6.2.2 Filtration Enlargement and Markov Processes 6.2.3 Filtration Enlargement and Lévy Processes 6.2.4 General Results on Stopping Times 6.3 Key Ideas to Remember 7 Strong Markov Property 7.1 Feller and Strong Markov Properties 7.2 Reflection Principle 7.3 The Homogeneous Case 8 Continuous Martingales 8.1 Optional Sampling and Maximal Inequalities 8.2 Càdlàg Martingales 8.3 The Space Mc,2 of Square-Integrable Continuous Martingales 8.4 The Space Mc,loc of Continuous Local Martingales 8.5 Uniformly Square-Integrable Martingales 8.6 Key Ideas to Remember 9 Theory of Variation 9.1 Riemann-Stieltjes Integral 9.2 Lebesgue-Stieltjes Integral 9.3 Semimartingales 9.3.1 Brownian Motion as a Semimartingale 9.3.2 Semimartingales of Bounded Variation 9.4 Doob's Decomposition and Quadratic Variation Process 9.5 Covariation Matrix 9.6 Proof of Doob's Decomposition Theorem 9.7 Key Ideas to Remember 10 Stochastic Integral 10.1 Integral with Respect to a Brownian Motion 10.1.1 Proof of Lemma 10.1.7 10.2 Integral with Respect to Continuous Square-Integrable Martingales 10.2.1 Integral of Indicator Processes 10.2.2 Integral of Simple Processes 10.2.3 Integral in L2 10.2.4 Integral in Lloc2 10.2.5 Stochastic Integral as a Riemann-Stieltjes Integral 10.3 Integral with Respect to Continuous Semimartingales 10.4 Scalar Itô Processes 10.5 Key Ideas to Remember 11 Itô's Formula 11.1 Itô's Formula for Continuous Semimartingales 11.1.1 Itô's Formula for Brownian Motion 11.1.2 Itô's Formula for Itô Processes 11.2 Some Consequences of Itô's Formula 11.2.1 Burkholder-Davis-Gundy Inequalities 11.2.2 Quadratic Variation Process 11.3 Proof of Itô's Formula 11.4 Key Ideas to Remember 12 Multidimensional Stochastic Calculus 12.1 Multidimensional Brownian Motion 12.2 Multidimensional Itô Processes 12.3 Multidimensional Itô's Formula 12.4 Lévy's Characterization and Correlated Brownian Motion 12.5 Key Ideas to Remember 13 Changes of Measure and Martingale Representation 13.1 Change of Measure and Itô Processes 13.1.1 An Application: Risk-Neutral Valuation of Financial Derivatives 13.2 Integrability of Exponential Martingales 13.3 Girsanov Theorem 13.4 Approximation by Exponential Martingales 13.5 Representation of Brownian Martingales 13.5.1 Proof of Theorem 13.1.1 13.6 Key Ideas to Remember 14 Stochastic Differential Equations 14.1 Solving SDEs: Concepts of Existence and Uniqueness 14.2 Weak Existence and Uniqueness via Girsanov Theorem 14.3 Weak vs Strong Solutions: The Yamada-Watanabe Theorem 14.4 Standard Assumptions and Preliminary Estimates 14.5 Some A Priori Estimates 14.6 Key Ideas to Remember 15 Feynman-Kac Formulas 15.1 Characteristic Operator of an SDE 15.2 Exit Time from a Bounded Domain 15.3 The Autonomous Case: The Dirichlet Problem 15.4 The Evolutionary Case: The Cauchy Problem 15.5 Key Ideas to Remember 16 Linear Equations 16.1 Solution and Transition Law of a Linear SDE 16.2 Controllability of Linear Systems and Absolute Continuity 16.3 Kalman Rank Condition 16.4 Hörmander's Condition 16.5 Examples and Applications 16.6 Key Ideas to Remember 17 Strong Solutions 17.1 Uniqueness 17.2 Existence 17.3 Markov Property 17.3.1 Forward Kolmogorov Equation 17.4 Continuous Dependence on Parameters 18 Weak Solutions 18.1 The Stroock-Varadhan Martingale Problem 18.2 Equations with Hölder Coefficients 18.3 Other Results for the Martingale Problem 18.4 Strong Uniqueness Through Regularization by Noise 18.5 Key Ideas to Remember 19 Complements 19.1 Markovian Projection and Gyöngy's Lemma 19.2 Backward Stochastic Differential Equations 19.3 Filtering and Stochastic Heat Equation 19.4 Backward Stochastic Integral and Krylov's SPDE 20 A Primer on Parabolic PDEs 20.1 Uniqueness: The Maximum Principle 20.1.1 Cauchy-Dirichlet Problem 20.1.2 Cauchy Problem 20.2 Existence: The Fundamental Solution 20.3 The Parametrix Method 20.3.1 Gaussian Estimates 20.3.2 Proof of Proposition 20.3.2 20.3.3 Potential Estimates 20.3.4 Proof of Theorem 20.2.5 20.3.5 Proof of Proposition 18.4.3 20.4 Key Ideas to Remember References Index