В теории вероятностей , дробное броуновское движение ( FBM ), также называется фрактальным броуновским движением , представляет собой обобщение броуновского движения . В отличие от классического броуновского движения, приращения fBm не обязательно должны быть независимыми. fBm - это гауссовский процесс B H ( t ) с непрерывным временем на [0, T ], который начинается с нуля, имеет нулевое математическое ожидание 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 неровность результирующего движения, при этом более высокое значение приводит к более плавному движению. Он был введен Мандельбротом и ван Нессом (1968) .
Значение H определяет, что за процесс fBm :
- если H = 1/2, то фактически процесс является броуновским движением или винеровским процессом ;
- если H > 1/2, то приращения процесса положительно коррелированы ;
- если H <1/2, то приращения процесса отрицательно коррелированы.
Процесс увеличения, X ( t ) = B H ( t +1) - B H ( t ), известен как дробный гауссов шум .
Существует также обобщение дробного броуновского движения: дробное броуновское движение n-го порядка , сокращенно n-fBm. [1] n-fBm - это гауссовский , самоподобный, нестационарный процесс, приращения которого порядка n стационарны. При n = 1 n-fBm является классическим fBm.
Как и броуновское движение, которое оно обобщает, дробное броуновское движение названо в честь биолога 19 века Роберта Брауна ; дробный гауссов шум назван в честь математика Карла Фридриха Гаусса .
Предпосылки и определение [ править ]
До введения дробного броуновского движения Леви (1953) использовал дробный интеграл Римана – Лиувилля для определения процесса
где интегрирование производится относительно меры белого шума в дБ ( с ). Этот интеграл оказывается плохо подходящим 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
при t > 0 (и аналогично при t <0).
Основное различие между дробным броуновским движением и обычным броуновским движением состоит в том, что приращения броуновского движения независимы, а приращения дробного броуновского движения - нет. Если H> 1/2, то имеется положительная автокорреляция: если на предыдущих этапах есть возрастающий паттерн, то вероятно, что текущий шаг также будет увеличиваться. Если H <1/2, автокорреляция отрицательная.
Свойства [ править ]
Самоподобие [ править ]
Процесс самоподобен , поскольку с точки зрения распределений вероятностей :
Это свойство связано с тем, что ковариационная функция однородна порядка 2H и может рассматриваться как фрактальное свойство. FBm также можно определить как уникальный гауссовский процесс со средним нулевым значением , нулевым в начале координат, со стационарными и автомодельными приращениями.
Стационарные приращения [ править ]
Имеет стационарные приращения:
Дальняя зависимость [ править ]
При H > ½ процесс имеет дальнодействующую зависимость :
Регулярность [ править ]
Пути сэмплов почти нигде не дифференцируются . 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) постоянная c такая, что
для 0 < s , t < T .
Размер [ править ]
С вероятностью 1, график B H ( т ) имеет как размерность Хаусдорфа [2] и размер окна [ править ] 2- H .
Интеграция [ править ]
Что касается регулярного броуновского движения, можно определить стохастические интегралы относительно дробного броуновского движения, обычно называемые «дробными стохастическими интегралами». Однако в общем случае, в отличие от интегралов относительно регулярного броуновского движения, дробные стохастические интегралы не являются семимартингалами .
Интерпретация в частотной области [ править ]
Подобно тому, как броуновское движение можно рассматривать как белый шум, отфильтрованный (т.е. интегрированный), дробное броуновское движение - это белый шум, отфильтрованный (соответствующий дробному интегрированию ).
Примеры путей [ править ]
Практические компьютерные реализации в FBM могут быть получены , [3] , 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.
Ниже показаны реализации трех различных типов fBm , каждая из которых показывает 1000 точек, первая с параметром Херста 0,15, вторая с параметром Херста 0,55 и третья с параметром Херста 0,95. Чем выше параметр Херста, тем плавнее будет кривая.
Метод 1 моделирования [ править ]
Можно моделировать траектории выборки fBm, используя методы для генерации стационарных гауссовских процессов с известной функцией ковариации. Самый простой метод основан на методе разложения Холецкого ковариационной матрицы (поясняется ниже), который на сетке размера имеет сложность порядка . Более сложным, но более быстрым в вычислительном отношении методом является метод встраивания циркулянта, предложенный Дитрихом и Ньюзэмом (1997) .
Предположим , что мы хотим , чтобы смоделировать значения FBM иногда с использованием метода разложения Холецкого .
- Формируем матрицу где .
- Вычисление квадратного корня матрицы , то есть . Грубо говоря, это матрица «стандартного отклонения», связанная с матрицей ковариации дисперсии .
- Постройте вектор из n чисел, нарисованных независимо в соответствии со стандартным распределением Гаусса,
- Если мы определяем, то получаем образец пути fBm .
Для вычислений мы можем использовать, например, метод разложения Холецкого . Альтернативный метод использует собственные значения из :
- Так как это симметричное , положительно определенная матрица, то отсюда следует , что все собственные значения из удовлетворяют , ( ).
- Позвольте быть диагональной матрицей собственных значений, т.е. где - символ Кронекера . Определим , как диагональная матрица с элементами , то есть .
Обратите внимание, что результат является действительным, потому что .
- Пусть собственный вектор связан с собственным значением . Определите как матрицу, -й столбец которой является собственным вектором .
Обратите внимание: поскольку собственные векторы линейно независимы, матрица обратима.
- Отсюда следует, что потому что .
Метод 2 моделирования [ править ]
Также известно, что [4]
где B - стандартное броуновское движение и
Где это гипергеометрический интеграл Эйлера .
Скажем, мы хотим смоделировать fBm в точках .
- Постройте 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 через .
- Для каждого вычислить
Интеграл может быть эффективно вычислен с помощью квадратуры Гаусса . Гипергеометрические функции являются частью научной библиотеки GNU .
См. Также [ править ]
- Броуновская поверхность
- Авторегрессионное дробно-интегрированное скользящее среднее
- Мультифрактал : обобщенная структура дробных броуновских движений.
- Розовый шум
- Распределения твиди
Примечания [ править ]
- Перейти ↑ Perrin et al., 2001.
- ^ Orey, 1970.
- ^ Круз, Д.П . ; Ботев, З.И. (2014). «Генерация пространственного процесса». Лекции по стохастической геометрии, пространственной статистике и случайным полям, Том II: Анализ, моделирование и моделирование сложных структур, Springer-Verlag, Берлин . arXiv : 1308.0399 . Bibcode : 2013arXiv1308.0399K .
- ^ Стохастический анализ дробного броуновского движения, [1]
Ссылки [ править ]
- Беран, Дж. (1994), Статистика процессов с длинной памятью , Chapman & Hall, ISBN 0-412-04901-5.
- Craigmile PF (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 года .
- Дитрих, CR; 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 , Публикации Калифорнийского университета по статистике, 1 , стр. 331–390.
- Мандельброт, Б .; Ван - Несс, JW (1968), "дробного броуновского движения, дробные звуки и приложения", SIAM Review , 10 (4): 422-437, Bibcode : 1968SIAMR..10..422M , DOI : 10,1137 / 1010093 , JSTOR 2027184.
- Ори, Стивен (1970), «Гауссовы выборочные функции и размерность Хаусдорфа для пересечений уровней», Zeitschrift für Wahrscheinlichkeitstheorie und Verwandte Gebiete , 15 (3): 249–256, doi : 10.1007 / BF00534922.
- Perrin E. et al. (2001), « Дробное броуновское движение n-го порядка и дробные гауссовские шумы », IEEE Transactions on Signal Processing , 49: 1049-1059. DOI : 10,1109 / 78,917808
- Самородницкий Г., Такку М.С. (1994), Устойчивые негауссовские случайные процессы , Глава 7: «Самоподобные процессы» (Chapman & Hall).
Дальнейшее чтение [ править ]
- Сейнти, П. (1992), "Построение комплекснозначного дробного броуновского движения порядка N ", Журнал математической физики , 33 (9): 3128, Bibcode : 1992JMP .... 33.3128S , doi : 10.1063 / 1.529976.