【随机过程】布朗运动

2023-10-28 04:12
文章标签 过程 随机 布朗运动

本文主要是介绍【随机过程】布朗运动,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

这里写目录标题

  • Brownian motion

Brownian motion

The brownian motion 1D and brownian motion 2D functions, written with the cumsum command and without for loops, are used to generate a one-dimensional and two-dimensional Brownian motion, respectively.
使用cumsum命令编写的布朗运动1D函数和不带for循环的布朗运动2D函数分别生成一维和二维布朗运动。

These Wiener processes are characterized by normal-centered increments with variance h, where h is the time increment, generated by the command randn(1,n)*sqrt(h).
这些维纳过程的特征是方差为h的正态中心增量,其中h是时间增量,由命令randn(1,n)*sqrt(h)生成。

We consider a time interval T = 1000, divided into n = 1000 increments of value h = 1.
我们考虑一个时间间隔T = 1000,分成n = 1000个值h = 1的增量。

Figure1 shows, for example, two trajectories W(t) of a one-dimensional Wiener process.
例如,图1显示了一维维纳过程的两条轨迹W(t)。

在这里插入图片描述Figure 1 { Two examples of trajectories as a function of the time t of a Wiener process W(t) in one
dimension.
图1{两个关于一维维纳过程W(t)时间t的轨迹函数的例子。

Figure 2,on the other hand, shows two examples of a two-dimensional Brownian motion trajectory, this time as a function of the X and Y spatial coordinates.
另一方面,图2显示了两个二维布朗运动轨迹的例子,这一次是X和Y空间坐标的函数。

在这里插入图片描述
Figure 2 -Two examples of trajectories of a two dimensional Wiener process in the plane XY .
图2-在XY平面上二维维纳过程的轨迹的两个例子。

Given N (number of steps), M (number of trajectories) and T (maximum of the time interval),
we generate a matrix W all containing M trajectories of the Brownian motion in one dimension
on the interval [0; T] with a discretization step h = T=N.
给定N(步数),M(轨迹数)和T(时间间隔的最大值),我们生成一个矩阵W,其中包含布朗运动在一维中的M个轨迹,在区间[0;T],离散步长h = T=N。

Figure 3 shows M = 10; 100; 1000 trajectories over the interval [0; 10] with N = 1000 steps.
图3显示M = 10;100;在区间[0;10] N = 1000步。

在这里插入图片描述
Figure 3 { M = 10; 100; 1000 (from left to right) trajectories of a one-dimensional Wiener process
over the time interval [0; 10] with N = 1000 discretisation steps.
图3 {M = 10;100;1000个(从左到右)一维维纳过程在时间区间[0;10], N = 1000离散步长。

We simulate M = 1000 trajectories over the interval [0; 10]. Figure 4 shows the mean and
the variance over time of these trajectories.
我们在区间[0;10]。图4显示了这些轨迹随时间的平均值和方差。

在这里插入图片描述
Figure 4 { Mean and variance of M = 1000 trajectories of a Brownian motion in one dimension.
图4 {M = 1000条布朗运动轨迹在一维中的均值和方差。

In contrast, figure 5 shows the expectation valuesE[W(t)], E[W(t)2] et E[W(t)4] obtained numerically as a function of time.
与此相反,图5给出了期望值E[W(t)]、E[W(t) 2]和E[W(t) 4]作为时间函数的数值计算结果。

The first moment corresponds exactly to the average.
第一个力矩正好对应于平均值。

In the presence of a zero mean, the variance is equivalent to the moment E[W(t)2].
在均值为零的情况下,方差等于矩E[W(t) 2]。

The red lines in each panel of Figure 5 show that the equalities E[W(t)] = 0, E[W(t)2] = t, and E[W(t)4] = 3t2 are satisfied.
图5中每个面板中的红线表示满足等式E[W(t)] = 0、E[W(t) 2] = t和E[W(t) 4] = 3t 2。

在这里插入图片描述Figure 5 { Expectation values E[W(t)], E[W(t)2] and E[W(t)4] calculated numerically and compared with the curves (in red) expected theoretically.
图5{数值计算的期望值E[W(t)]、E[W(t) 2]、E[W(t) 4]与理论期望曲线(红色)对比。

这篇关于【随机过程】布朗运动的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/290620

相关文章

浅析Spring Security认证过程

类图 为了方便理解Spring Security认证流程,特意画了如下的类图,包含相关的核心认证类 概述 核心验证器 AuthenticationManager 该对象提供了认证方法的入口,接收一个Authentiaton对象作为参数; public interface AuthenticationManager {Authentication authenticate(Authenti

作业提交过程之HDFSMapReduce

作业提交全过程详解 (1)作业提交 第1步:Client调用job.waitForCompletion方法,向整个集群提交MapReduce作业。 第2步:Client向RM申请一个作业id。 第3步:RM给Client返回该job资源的提交路径和作业id。 第4步:Client提交jar包、切片信息和配置文件到指定的资源提交路径。 第5步:Client提交完资源后,向RM申请运行MrAp

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

Solr 使用Facet分组过程中与分词的矛盾解决办法

对于一般查询而言  ,  分词和存储都是必要的  .  比如  CPU  类型  ”Intel  酷睿  2  双核  P7570”,  拆分成  ”Intel”,”  酷睿  ”,”P7570”  这样一些关键字并分别索引  ,  可能提供更好的搜索体验  .  但是如果将  CPU  作为 Facet  字段  ,  最好不进行分词  .  这样就造成了矛盾  ,  解决方法

Python:豆瓣电影商业数据分析-爬取全数据【附带爬虫豆瓣,数据处理过程,数据分析,可视化,以及完整PPT报告】

**爬取豆瓣电影信息,分析近年电影行业的发展情况** 本文是完整的数据分析展现,代码有完整版,包含豆瓣电影爬取的具体方式【附带爬虫豆瓣,数据处理过程,数据分析,可视化,以及完整PPT报告】   最近MBA在学习《商业数据分析》,大实训作业给了数据要进行数据分析,所以先拿豆瓣电影练练手,网络上爬取豆瓣电影TOP250较多,但对于豆瓣电影全数据的爬取教程很少,所以我自己做一版。 目

ORACLE语法-包(package)、存储过程(procedure)、游标(cursor)以及java对Result结果集的处理

陈科肇 示例: 包规范 CREATE OR REPLACE PACKAGE PACK_WMS_YX IS-- Author : CKZ-- Created : 2015/8/28 9:52:29-- Purpose : 同步数据-- Public type declarations,游标 退休订单TYPE retCursor IS REF CURSOR;-- RETURN vi_co_co

AI学习指南深度学习篇-带动量的随机梯度下降法的基本原理

AI学习指南深度学习篇——带动量的随机梯度下降法的基本原理 引言 在深度学习中,优化算法被广泛应用于训练神经网络模型。随机梯度下降法(SGD)是最常用的优化算法之一,但单独使用SGD在收敛速度和稳定性方面存在一些问题。为了应对这些挑战,动量法应运而生。本文将详细介绍动量法的原理,包括动量的概念、指数加权移动平均、参数更新等内容,最后通过实际示例展示动量如何帮助SGD在参数更新过程中平稳地前进。

OpenStack创建虚拟机过程

OpenStack创建虚拟机过程 一、在分析OpenStack创建虚拟机的过程之前,先来梳理一下需要用用到哪些组件。 二、每一步都需要去keystone去进行验证,下图有详细的流程。 登录界面或命令行通过RESTful API向keystone获取认证信息。keystone通过用户请求认证信息,并生成auth-token返回给对应的认证请求。界面或命令行通过RESTful API

Maven生命周期:深入理解构建过程

目录 1. Maven生命周期简介 2. 默认生命周期的阶段 3. 清理生命周期 4. 站点生命周期 5. Maven生命周期的灵活性 6. 结论         在Java开发中,Maven是一个不可或缺的工具,它通过自动化项目的构建、依赖管理和文档生成等任务,极大地提高了开发效率。Maven的核心之一是其构建生命周期,它定义了项目构建过程中的一系列阶段。在这篇文章中,我们将深