Der Satz von Schilder ist ein Theorem aus der Theorie der großen Abweichungen (englisch Large Deviation Theory ). Das Theorem besagt, dass eine klein-skalierte Brownsche Bewegung das Prinzip der großen Abweichungen erfüllt und somit wesentlich von
0
{\displaystyle 0}
verschieden ist.[ 1]
Eine Verallgemeinerung des Satzes ist der Satz von Freidlin-Wentzell.
Sei
B
t
∈
[
0
,
1
]
{\displaystyle B_{t\in [0,1]}}
eine standard Brownsche Bewegung auf
R
d
{\displaystyle \mathbb {R} ^{d}}
. Weiter bezeichne
C
0
:=
C
0
(
[
0
,
1
]
,
R
d
)
{\displaystyle {\mathcal {C}}_{0}:={\mathcal {C}}_{0}([0,1],\mathbb {R} ^{d})}
den Raum der stetigen Funktionen
f
:
[
0
,
1
]
→
R
d
{\displaystyle f:[0,1]\to \mathbb {R} ^{d}}
mit
f
(
0
)
=
0
{\displaystyle f(0)=0}
und Supremumsnorm
‖
⋅
‖
{\displaystyle \|\cdot \|}
. Seien
(
μ
ε
)
{\displaystyle (\mu _{\varepsilon })}
die von dem skalierten Prozess
B
ε
(
t
)
:=
ε
B
t
{\displaystyle B_{\varepsilon }(t):={\sqrt {\varepsilon }}B_{t}}
induzierten Wahrscheinlichkeitsmaße auf
C
0
{\displaystyle {\mathcal {C}}_{0}}
.
Mit
H
1
{\displaystyle H_{1}}
bezeichne man den Cameron-Martin Raum, d. h. den Raum aller absolut stetigen funktionen mit
f
(
0
)
=
0
{\displaystyle f(0)=0}
mit quadratisch-integrierbarer Ableitung
H
1
:=
{
f
:
[
0
,
1
]
→
R
d
,
f
(
0
)
=
0
,
f
˙
∈
L
2
(
[
0
,
1
]
)
}
{\displaystyle H_{1}:=\{f:[0,1]\to \mathbb {R} ^{d},f(0)=0,{\dot {f}}\in L^{2}([0,1])\}}
Dann gilt für die Wahrscheinlichkeitsmaße
(
μ
ε
)
{\displaystyle (\mu _{\varepsilon })}
wenn
ε
→
0
{\displaystyle \varepsilon \to 0}
das Prinzip der großen Abweichungen mit guter Rate-Funktion
I
B
(
f
)
=
{
1
2
∫
0
1
|
f
˙
(
t
)
|
2
d
t
f
∈
H
1
∞
f
∉
H
1
{\displaystyle I_{B}(f)={\begin{cases}{\frac {1}{2}}\int \limits _{0}^{1}|{\dot {f}}(t)|^{2}\,\mathrm {d} t&f\in H_{1}\\\infty &f\not \in H_{1}\ \end{cases}}}
.
Das heißt für alle offenen
O
⊆
C
0
(
[
0
,
1
]
)
{\displaystyle O\subseteq {\mathcal {C}}_{0}([0,1])}
und geschlossenen Mengen
C
⊆
C
0
(
[
0
,
1
]
)
{\displaystyle C\subseteq {\mathcal {C}}_{0}([0,1])}
−
inf
f
∈
O
I
B
(
f
)
≤
lim inf
ε
→
0
ε
log
μ
ε
(
O
)
≤
lim sup
ε
→
0
ε
log
μ
ε
(
C
)
≤
−
inf
f
∈
C
I
B
(
f
)
{\displaystyle -\inf _{f\in O}I_{B}(f)\leq \liminf _{\varepsilon \to 0}\varepsilon \log \mu _{\varepsilon }(O)\leq \limsup _{\varepsilon \to 0}\varepsilon \log \mu _{\varepsilon }(C)\leq -\inf _{f\in C}I_{B}(f)}
↑ P. Imkeller, C. Hein: Large deviations and stochastic resonance. Humboldt-Universität zu Berlin, 30. November 2015, abgerufen am 18. März 2021 .