Z Skrypty dla studentów Ekonofizyki UPGOW
Spis treści |
Proces Wienera
Proces Wienera jest rozwiązaniem następującego stochastycznego równania różniczkowego:
\(dX(t)= \sqrt{2 D} dW(t)\;\).
Jego realizacja jest funkcją ciągłą, ale jednocześnie nigdzie nie jest różniczkowalna.
Stosując schemat Eulera można wygenerować pojedyńczą trajektorię takiego procesu:
h=0.01; N=400; x(1)=0; D=1; for i=2:N x(i)=x(i-1)+ sqrt(2*D*h)* normrnd (0,1,1,1); endfor plot((1:N)*h,x,'-')
Jest to trajektoria, która w granicy \(h\to\infty\) jest funkcją nigdzie nie różniczkowalną. Numerycznie przejawia się to w tym, że niezależnie od tego jak małe h weźmiemy do symulacji, wykres procesu Wienera zawsze będzie wyglądał na "zaszumiony". Można też korzystając z techniki Mostu Browna z danego przybliżenia procesu Wienera dla pewnego h wysymulowac przybliżenie dla h/2. Również wtedy można stwierdzić, że wykres nigdy nie będzie wizualnie "gładki", co w tym przypadku oznacza matematycznie nieciągłość w każdym punkcie.
Proces Wienera: rozkład P(x,t)
Proces Wienera (symetryczny) spełnia, jak wiadomo równanie dyfuzji:
\(\frac{\partial P(x, t)}{\partial t} = D \frac{\partial^2 P(x, t)}{\partial x^2} \)
Rozważmy przypadek w którym cząstka staruje w punkcie \(x=0\) w czasie \(t=0\). W języku gęstości prawdopodobieństwa oznacza to
\(P(x, 0) = \delta(x)\;\)
Jego rozwiązaniem na równania dyfuzji prostej z takim warunkiem początkowym jest rozkład Gaussa:
\(P(x, t) = \frac{1}{\sqrt{4\pi D t} }\; \exp \left[ - \frac{x^2}{4Dt}\right]\)
w którym odchylenie standardowe jest proporcjonalne do czasu. Zweryfikujmy ten fakt numerycznie. W tym celu wysymulujemy trajektorie 20000 procesów Wienera, dla 100 kroków. Poprzedni program łatwo można zmodyfikować by obliczenia były przeprowadzone dnie dla skalara x(1),x(2),... ale dla wektorów x(:,1),x(:,2),... Jeśli zastosujemy wbudowany generator normalnych liczb losowych normrnd to możemy także skorzystać z możliwości wygenerowania wielu liczb za jednym wywolaniem np. normrnd (0,1,M,1). Postępując w ten sposób linijka:
x(:,i)=x(:,i-1) + sqrt(2*D*h)* normrnd (0,1,M,1);
przedstawia wekrorowy zapis jednego kroku całkowania M stoschastychnych równań różniczkowych. Nie tylko upraszcza to zapis, ale także przyśpiesza obliczenia w przypadku stosowania interpretowanego języka jakim jest GNU Octave lub Matlab.
Cały program może wyglądać tak:
clear all close all N=100; M=20000; T=4; h=T/N; clear x x=zeros(M,N); D=.81; for i=2:N x(:,i)=x(:,i-1) + sqrt(2*D*h)* normrnd (0,1,M,1); endfor
a procedura rysująca wykres histogramu położeń M cząstek po czasie t i porównująca ja z odpowiednim rozkładem Gaussa:
n=10 t=n/N*T xmax=4; h1=.2; hist(x(:,n),[-xmax:h1:xmax],1/h1) hold on fplot(@(xx) normpdf(xx,0,sqrt(2*D*t)),[-xmax,xmax],200,'ro-') hold off
Czyli w czasie funkcja rozkładu jest rozpływającym się po całej prostej rozkładem Gaussa. Poniższa procedura rysuje rozkłady w czterech momentach czasu:
for idx=1:4 n=5+(idx-1)*20 t=n/N*T subplot(2,2,idx) xmax=10; h1=.2; hist(x(:,n),[-xmax:h1:xmax],1/h1) hold on fplot(@(xx) normpdf(xx,0,sqrt(2*D*t)),[-24,24],200,'ro-') hold off legend ( sprintf("t=%2.0f",t) ) endfor
Niesymetryczny Proces Wienera: dyfuzja ze stałym dryftem
Dyfuzja z dryfem jest granicznym przypadkiem niesymetryczngo błądzenia przypadkowego.
Równanie dyfuzji z dryfem ma postać:
\(\frac{\partial P(x, t)}{\partial t} = -V \frac{\partial P(x, t)}{\partial x} + D \frac{\partial^2 P(x, t)}{\partial x^2} \)
i jest ono równoważne stochstycznemu równaniu różniczkowemu: \(dX(t)= Vdt +\sqrt{2 D} dW(t)\;\).
Łatwo możemy zmodyfikować program symulujący proces symmetryczny na niesymetryczny:
close all clear all h=0.01; N=1200; x(1)=0; D=0.9; V=1.2; for i=2:N x(i)=x(i-1)+ V*h +sqrt(2*D*h)* normrnd (0,1,1,1); endfor plot((1:N)*h,x,'-',(1:N)*h,(1:N)*h*V,'-')
Dyfuzja z dryftem: rozkład P(x,t)
Podobnie jak w przypadku symetrycznego procesu Wienera rozważmy cząstkę starującą w punkcie \(x=0\) w czasie \(t=0\). W języku gęstości prawdopodobieństwa oznacza to
\(P(x, 0) = \delta(x)\;\)
Jego rozwiązaniem na równania dyfuzji z dryfem prostej z takim warunkiem początkowym jest rozkład Gaussa:
\(P(x, t) = \frac{1}{\sqrt{4\pi D t} }\; \exp \left[ - \frac{(x-Vt)^2}{4Dt}\right],\) który ma zależne od czasu odchylenie standardowe jak i wartość średnią.
clear all close all N=100; M=20000; T=4; h=T/N; clear x x=zeros(M,N); D=.81; V=5.0 for i=2:N x(:,i)=x(:,i-1) + V*h + sqrt(2*D*h)* normrnd (0,1,M,1); endfor hold on for idx=1:4 n=5+(idx-1)*20 t=n/N*T xmax=20; h1=.2; hist(x(:,n),[-2:h1:xmax],1/h1) fplot(@(xx) normpdf(xx,V*t,sqrt(2*D*t)),[-2,xmax],200,'ro-') endfor hold off
Proces Ornsteina Uhlenbecka
Jest to proces który spełnia równanie stochastyczne:
\(dX(t)= -k ( X(t)-\mu ) dt + \sqrt{2 D } dW(t)\;\).
Jest to proces z linowym dryfem. Posiada on stan stacjonarny (w przeciwieństwie do procesu Wienera). Jest modelem ciała zawieszonego sprężyście poddanego równowagowym fluktuacjom termicznym. Parametr \(\mu\) reprezentuje równowagową (stacjonarną) wartośc średnią procesu a k jest szybkością relaksacji do stanu równowagi.
clear all close all N=500; M=20; T=14; h=T/N; clear x x=zeros(M,N); D=.01; k=1.0; mu=1.0; for i=2:N x(:,i)=x(:,i-1) - k*(x(:,i-1)-mu)* h + sqrt(2*D*h)* normrnd (0,1,M,1); endfor plot((1:N)*h,x,'r-')