В теории вероятностей, дробное броуновское движение (fBm ), также называемое фрактальным броуновским движением, является обобщением броуновского движения. В отличие от классического броуновского движения, приращения fBm не обязательно должны быть независимыми. fBm - это непрерывное время гауссовский процесс BH(t) на [0, T], который начинается с нуля, имеет ожидание ноль для всех t в [0, T] и имеет следующую ковариационную функцию :
где H - действительное число в (0, 1), называемое индексом Херста или параметром Херста, связанным с дробным броуновским движением. Показатель Херста описывает шероховатость результирующего движения, при этом более высокое значение приводит к более плавному движению. Он был введен Мандельбротом и ван Нессом (1968)..
Значение H определяет, каким процессом является fBm:
- если H = 1/2, то процесс на самом деле является броуновским. движение или винеровский процесс ;
- , если H>1/2, то приращения процесса положительно коррелированы ;
- , если H < 1/2 then the increments of the process are negatively correlated.
Процесс приращения, X (t) = B H (t + 1) - B H (t), известен как дробный гауссовский шум .
Существует также обобщение дробного броуновского движения: n Дробное броуновское движение -го порядка, сокращенно n-fBm. n-fBm - это гауссовский, самоподобный, нестационарный процесс, приращения которого порядка n являются стационарными. При n = 1 n-fBm является классическим fBm.
Подобно броуновскому движению, которое оно обобщает, дробное броуновское движение названо в честь биолога 19 века Роберта Брауна ; дробный гауссов шум назван в честь математика Карла Фридриха Гаусса.
Содержание
- 1 Предпосылки и определение
- 2 Свойства
- 2.1 Самоподобие
- 2.2 Стационарные приращения
- 2.3 Зависимость от дальнего действия
- 2.4 Регулярность
- 2.5 Размерность
- 2.6 Интеграция
- 2.7 Интерпретация в частотной области
- 3 Примеры путей
- 3.1 Метод 1 моделирования
- 3.2 Метод 2 моделирования
- 4 См. также
- 5 Примечания
- 6 Ссылки
- 7 Дополнительная литература
Предпосылки и определение
До введения дробного броуновского движения Леви (1953) использовал дробный интеграл Римана – Лиувилля для определения процесса
где интегрирование ведется относительно меры белого шума дБ (с). Этот интеграл оказывается неподходящим для приложений дробного броуновского движения из-за чрезмерного акцента на происхождении (Mandelbrot van Ness 1968, p. 424).
Вместо этого идея состоит в том, чтобы использовать другой дробный интеграл белого шума для определения процесса: интеграл Вейля
для t>0 (и аналогично для t < 0).
Основное различие между дробным броуновским движение и регулярное броуновское движение состоит в том, что в то время как приращения в броуновском движении независимы, приращения для дробного броуновского движения - нет. Если H>1/2, тогда имеется положительная автокорреляция: если на предыдущих этапах есть возрастающий паттерн, то он вероятно, что текущий шаг также будет увеличиваться. Если H < 1/2, the autocorrelation is negative.
Свойства
Самоподобие
Процесс самоподобный, поскольку с точки зрения наверное распределения плотности :
Это свойство связано с тем, что ковариационная функция однородна порядка 2H и может быть рассматривается как свойство фрактала . FBm также можно определить как уникальный гауссовский процесс со средним нулем, нулевым в начале координат, со стационарными и самоподобными приращениями.
Стационарные приращения
Имеются стационарные приращения:
Дальняя зависимость
Для H>½ процесс демонстрирует дальнодействующую зависимость,
Регулярность
Пути к выборкам почти нигде не дифференцируемы. Однако почти все траектории локально непрерывны по Гёльдеру любого порядка, строго меньшего, чем H: для каждой такой траектории, для любого T>0 и для любого ε>0 существует ( случайная) константа c такая, что
для 0 < s,t < T.
Размер
С вероятностью 1 график B H (t) имеет и размерность Хаусдорфа, и размерность прямоугольника, равную 2-H.
Интегрирование
Что касается регулярного броуновского движения, можно определить стохастические интегралы относительно дробного броуновского движения, обычно называемого «дробными стохастическими интегралами». Однако в целом, в отличие от интегралов по отношению к регулярному броуновскому движению, дробные стохастические интегралы не являются семимартингалом.
Интерпретация частотной области
Так же, как броуновское движение можно рассматривать как белый шум, отфильтрованный (т.е. интегрированное), дробное броуновское движение - это белый шум, отфильтрованный (соответствует дробному интегрированию ).
Примеры путей
Могут быть сгенерированы практические компьютерные реализации fBm, хотя они являются лишь конечным приближением. Выбранные пути выборки можно рассматривать как отображение дискретных точек выборки в процессе fBm. Ниже показаны три реализации, каждая с 1000 точками fBm с параметром Херста 0,75.
«H» = 0,75 реализация 1 | «H» = 0,75 реализация 2 | «H» = 0,75 реализация 3 |
Реализации трех различных типов fBm показаны ниже, каждая из которых показывает 1000 точек, первый с параметром Херста 0,15, второй с параметром Херста 0,55 и третий с параметром Херста 0,95. Чем выше параметр Херста, тем плавнее будет кривая.
"H" = 0,15 | "H" = 0,55 | "H" = 0,95 |
Метод 1 моделирования
Можно смоделировать траектории выборки fBm, используя методы для генерации стационарные гауссовские процессы с известной ковариационной функцией. Самый простой метод основан на методе разложения Холецкого ковариационной матрицы (поясняется ниже), который в сетке размером имеет сложность порядка . Более сложным, но более быстрым в вычислительном отношении методом является метод Dietrich Newsam (1997).
Предположим, мы хотим смоделировать значения fBM на временах с использованием метода разложения Холецкого.
- Сформировать матрицу где .
- Вычислить матрицу квадратного корня из , т.е. . Грубо говоря, - это матрица «стандартного отклонения», связанная с матрицей дисперсии-ковариации .
- Постройте вектор из n чисел, нарисованных независимо в соответствии со стандартным распределением Гаусса,
- Если мы определим , затем дает образец пути fBm.
Для вычисления , мы можем использовать, например, метод разложения Холецкого. Альтернативный метод использует собственные значения из :
- , поскольку равно симметричная, положительно определенная матрица, следует, что все собственные значения из удовлетворяет , ().
- Пусть будет диагональной матрицей собственные значения, то есть где - это дельта Кронекера. Мы определяем как диагональная матрица с элементами , т.е. .
Примечание. что результат имеет действительное значение, потому что .
- Пусть собственный вектор, связанный с собственным значением . Определите как матрицу, -й столбец которой является собственным вектором .
Обратите внимание, что, поскольку собственные векторы линейно независимы, матрица обратима.
- Отсюда следует, что потому что .
Метод 2 моделирования
Также известен
где B - стандартное броуновское движение и
Где - гипергеометрический интеграл Эйлера.
Допустим, мы хотим смоделировать fBm в точках
- Построить вектор из n чисел, нарисованный в соответствии со стандартным распределением Гаусса.
- Умножьте его покомпонентно на √T / n, чтобы получить приращения броуновского движения на [0, T]. Обозначим этот вектор как .
- Для каждого , вычислить
Интеграл можно эффективно вычислить с помощью квадратур Гаусса. Гипергеометрические функции являются частью научной библиотеки GNU.
См. Также
Notes
Ссылки
- Beran, J. (1994), Statistics for Long-Memory Processes, Chapman Hall, ISBN 0 -412-04901-5.
- Крейгмайл П.Ф. (2003), «Моделирование класса стационарных гауссовских процессов с использованием алгоритма Дэвиса – Харта с применением к процессам с длинной памятью», Journal of Times Series Analysis, 24: 505–511.
- Дикер, Т. (2004). Моделирование дробного броуновского движения (PDF) (кандидатская диссертация). Проверено 29 декабря 2012 г.
- Dietrich, C.R.; Newsam, GN (1997), «Быстрое и точное моделирование стационарных гауссовских процессов посредством циркуляционного вложения ковариационной матрицы», SIAM Journal on Scientific Computing, 18 (4): 1088–1107, doi : 10.1137 / s1064827592240555.
- Леви П. (1953), Случайные функции: общая теория со специальными ссылками на лапласовские случайные функции, Калифорнийские публикации по статистике, 1, стр. 331–390.
- Мандельброт, Б. ; ван Несс, Дж. (1968), «Дробные броуновские движения, дробные шумы и приложения», SIAM Review, 10 (4): 422–437, Bibcode : 1968SIAMR..10.. 422M, doi : 10.1137 / 1010093, JSTOR 2027184.
- Ори, Стивен (1970), «Примеры функций Гаусса и Измерение Хаусдорфа железнодорожных переездов ", Zeitschrift für Wahrscheinlichkeitstheorie und Verwandte Gebiete, 15 (3): 249–256, doi : 10.1007 / BF00534922.
- Perrin E. et al. al. (2001), «Дробное броуновское движение n-го порядка и дробные гауссовские шумы », Транзакции IEEE по обработке сигналов, 49: 1049-1059. doi : 10.1109 / 78.917808
- Самородницкий Г., Такку М.С. (1994), Стабильные негауссовские случайные процессы, глава 7: «Самоподобные процессы» (Chapman Hall).
Дополнительная литература
- Sainty, P. (1992), «Построение комплекснозначного дробного Броуновское движение порядка N ", Journal of Mathematical Physics, 33(9): 3128, Bibcode : 1992JMP.... 33.3128S, doi : 10.1063 / 1.529976.