Z Skrypty dla studentów Ekonofizyki UPGOW
(→Schemat Eulera dla równania z szumem addytywnym) |
(→Schemat Eulera dla równania z szumem addytywnym) |
||
| Linia 22: | Linia 22: | ||
<math>X(t_i) = X(t_{i-1}) + \int_{t_{i-1}}^{t_{i}} F(X(t), t) dt \simeq X(t_{i-1}) + F(X(t_{i-1}, t_{i-1}) h </math> | <math>X(t_i) = X(t_{i-1}) + \int_{t_{i-1}}^{t_{i}} F(X(t), t) dt \simeq X(t_{i-1}) + F(X(t_{i-1}, t_{i-1}) h </math> | ||
| - | |||
Aby całkować część stochastyczną potrzebujemy formuły na przyrost skończony procesu Wienera: | Aby całkować część stochastyczną potrzebujemy formuły na przyrost skończony procesu Wienera: | ||
| - | <math> | + | <math> \int_{t_{i-1}}^{t_{i}} \Gamma(t) dt =\;\int_{t_{i-1}}^{t_{i}} dW(t) = W(t_{i})-W(t_{i-1})</math> |
=== Proces Wienera === | === Proces Wienera === | ||
Wersja z 06:41, 15 kwi 2010
Stochastyczne równania różniczkowe
W tym rozdziale zostaną opisane metody numeryczne, które służa do rozwiązywania stochastycznych równań różniczkowych typu:
\(\frac{dX(t)}{dt} = F(X(t), t) + G(X(t), t)\Gamma(t)\)
gdzie F i G to dowolne funkcje, a \(\Gamma(t)\) jest procesem losowym. Najczęstszym przypadek to taki w którym \(\Gamma(t)\) to biały szum Gaussowski. Tak zapisane równanie nie jest precyzyjnie określone ze względu na dylemat Stratonowicza-Ito. Dlatego poprawne jest zapisanie równanie Ito w postaci:
\(dX(t)= F(X(t), t)dt + G(X(t), t) dW(t)\;\)
Nie zmienia to ogólności, gdyż jak wiadomo każde równanie zapisane w interpretacji Stratonowicza ma swój odpowiednik Ito. Dla potrzeb metod numerycznych będziemy rozpatrywać zawsze równania Ito, a jeśli pojawią się równania Stratonowicza to będziemy je transpormować do postaci Ito.
Schemat Eulera dla równania z szumem addytywnym
Najprostszą metodą aproksymacji numerycznej równania stochastycznego jest podobnie jak w przypadku równań różniczkowych zwyczajnych jest schemat Eulera. Część deterministyczną równania stochastycznego traktujemy w taki sam sposób jak w schemacie Eulera dla równań różniczkowych zwyczajnych. Niech h oznacza krok całkowania i oś czasowa będzie zdyskretyzowana na przedzialy \(t_{i-1},t_{i},t_{i+1}\) oraz \(h=t_{i}-t_{i-1}\). Wtedy część deterministyczna równania stochastycznego przyjmuje postać:
\(X(t_i) = X(t_{i-1}) + \int_{t_{i-1}}^{t_{i}} F(X(t), t) dt \simeq X(t_{i-1}) + F(X(t_{i-1}, t_{i-1}) h \)
Aby całkować część stochastyczną potrzebujemy formuły na przyrost skończony procesu Wienera:
\( \int_{t_{i-1}}^{t_{i}} \Gamma(t) dt =\;\int_{t_{i-1}}^{t_{i}} dW(t) = W(t_{i})-W(t_{i-1})\)
Proces Wienera
Proces Wienera jest rozwiązaniem następującego stochastycznego równania różniczkowego:
\(dX(t)= dW(t)\;\).
Jego realizacja jest funkcją ciągłą, ale jednocześnie nigdzie nie jest różniczkowalna. Przyrost \(W(t_2) - W(t_1)\) jest zmienna losową gaussowską o zerowej wartości średniej i wariancji \( = 2D(t_2 - t_1) \).
Całkując powy