Почему дисперсия случайного блуждания увеличивается?


28

Случайная прогулка , которая определяется как , где является белым шумом. Обозначает, что текущая позиция является суммой предыдущей позиции + непредсказуемый термин.Yt=Yt1+etet

Вы можете доказать, что средняя функция , так какμt=0E(Yt)=E(e1+e2+...+et)=E(e1)+E(e2)+...+E(et)=0+0+...+0

Но почему дисперсия возрастает линейно со временем?

Это как-то связано с не «чистой» случайностью, поскольку новая позиция очень коррелирует с предыдущей?

РЕДАКТИРОВАТЬ:

Теперь я гораздо лучше понимаю, визуализируя большую выборку случайных блужданий, и здесь мы можем легко заметить, что общая дисперсия со временем увеличивается ,

100 000 случайных прогулок

и среднее значение, как ожидается, около нуля.

Возможно, в конце концов это было тривиально, поскольку на самых ранних этапах временного ряда (сравните время = 10 со 100) у случайных бродяг еще не было времени, чтобы исследовать так много.


2
Трудно понять, как «среднее» любой моделируемой случайной прогулки будет таким же, как ожидание конкретного . Это ожидание, по определению, рассчитывается по всему «ансамблю» возможных случайных прогулок, из которых ваша имитированная прогулка является лишь одним примером. Когда вы смоделируете множество прогулок - возможно, наложив их графики на один график - вы увидите, что они распределены по горизонтальной оси. Как это распространение зависит от т ? Ytt
whuber

@whuber, который имеет больше смысла! Конечно, я должен рассматривать это как один из примеров всех возможных прогулок. И тогда да, вы можете увидеть, посмотрев на график, что общая дисперсия всех прогулок со временем увеличивается. Правильно?
Исбистер

1
Да все верно. Это хороший способ оценить то, что @Glen_b написал в своем ответе с использованием математики. Я обнаружил, что это помогает познакомиться со многими приложениями случайных блужданий: помимо классического приложения броуновского движения, они описывают диффузию, ценообразование опционов, накопление ошибок измерения и многое другое. Возьмите один из них, например, диффузию. Представьте себе каплю чернил, падающую в бассейн с неподвижной водой. Несмотря на то, что его положение фиксировано, оно распространяется с течением времени: именно так мы можем видеть постоянно нулевое среднее вместе с возрастающей дисперсией.
whuber

@whuber Большое спасибо, теперь я полностью понимаю это!
Исбистер

Ответы:


37

Короче говоря, потому что он продолжает добавлять дисперсию следующих приращений к изменчивости, которую мы имеем, чтобы добраться до того места, где мы сейчас находимся.

Var(Yt)=Var(e1+e2+...+et)
=Var(e1)+Var(e2)+...+Var(et) (независимость)
=σ2+σ2+...+σ2=tσ2,

и мы можем видеть, что tσ2 возрастает линейно с t .


Среднее значение равно нулю в каждый момент времени; если вы смоделировали серию много раз и усреднили по сериям за заданное время, это бы в среднем составило около 0

500 смоделированных случайных блужданий со средним значением выборки и +/- стандартным отклонением

Figure: 500 simulated random walks with sample mean in white and 
± one standard deviation in red. Standard deviation increases with t.


Да, каждый термин ошибки не зависит да. И уверен, что это имеет смысл на бумаге. Но у меня все еще нет хорошего интуитивного чувства к «Как может линейно увеличиваться дисперсия», а среднее остается нулевым? Это звучит так странно, почти как противоречие. Как насчет менее математического объяснения, которое отвечает на мои вопросы?
Исбистер

timpal0l - В каждый момент времени вы добавляете еще один термин, который не смещает среднее значение, а добавляет к «шуму» (отклонение от среднего). Таким образом, среднее значение остается тем же самым, но дисперсия увеличивается (распределение «расширяется» в более поздние времена). Это и интуитивная идея, и в общем смысле то, что показывает математика.
Glen_b

1
Спасибо за диаграмму, А.Вебб . Очень хорошо.
Glen_b

15

Вот способ представить это. Чтобы упростить ситуацию, давайте заменим ваш белый шум на бросок монеты e ieiei

ei={1 with Pr=.51 with Pr=.5

это просто упрощает визуализацию, в переключателе нет ничего фундаментального, кроме как ослабить нагрузку на наше воображение.

Теперь предположим, что вы собрали армию ласты монет. Их инструкция состоит в том, чтобы, по вашей команде, подбросить свою монету и вести рабочий подсчет результатов, а также суммировать все их предыдущие результаты. Каждый отдельный флиппер - это случайная прогулка

W=e1+e2+

и агрегирование по всей вашей армии должно дать вам представление об ожидаемом поведении.

flip 1W112

flip 2WHHTTW224

...

flip nWHHHTTTnn2n

Итак, вот что вы можете увидеть из этого мысленного эксперимента:

  • Ожидаемая прогулка равна нулю, поскольку каждый шаг в прогулке сбалансирован.
  • Общий диапазон ходьбы растет линейно с продолжительностью прогулки.

Чтобы восстановить интуицию, нам пришлось отбросить стандартное отклонение и использовать в интуитивном измерении диапазон.


1
Стандартное отклонение не растет линейно, поэтому последнее замечание сомнительно.
Юхо Коккала

Да, я пытаюсь продумать что-то, чтобы сказать, чтобы решить это, какие-либо предложения? Все, о чем я могу думать, - это апелляции к центральной предельной теореме, которые не очень интуитивны.
Мэтью Друри,

@JuhoKokkala Я согласен с вашей критикой, поэтому я удалил последнее замечание.
Мэтью Друри

3

Это как-то связано с не «чистой» случайностью, поскольку новая позиция очень коррелирует с предыдущей?

Похоже, что под «чистым» вы подразумеваете независимость . При случайной ходьбе только шаги случайны и не зависят друг от друга. Как вы заметили, «позиции» являются случайными, но коррелированными , то есть не независимыми .

Е[YT]знак равно0YTYT

Yt=Y0+i=0tεt

YtYt1=μ+εtYtμt


2

Давайте возьмем другой пример для интуитивного объяснения: метание дротиков в дартс. У нас есть игрок, который пытается нацелиться на яблочко, которое мы считаем координатой 0. Игрок бросает несколько раз, и, действительно, среднее число его бросков равно 0, но он не очень хорош, поэтому разница составляет 20 см.

Мы просим игрока бросить один новый дротик. Вы ожидаете, что это поразит яблочко?

Нет. Хотя среднее значение точно яблочко, когда мы выбираем бросок, вполне вероятно, что это не яблочко.

t

Однако, если мы возьмем много сэмплов, мы увидим, что они центрируются около 0. Так же, как наш игрок в дартс почти никогда не попадет в яблочко (большая дисперсия), но если он бросает много дротиков, он будет центрировать их вокруг яблочка (среднее).

Если мы продлим этот пример до случайного блуждания, мы увидим, что дисперсия увеличивается со временем, даже если среднее значение остается на 0. В случае случайного блуждания кажется странным, что среднее значение остается на 0, даже если вы интуитивно знаете, что это почти никогда не заканчивается точно в начале координат. Тем не менее, то же самое относится и к нашему дротику: мы видим, что любой дротик почти никогда не попадет в яблочко с растущей дисперсией, и все же дротики образуют красивое облако вокруг яблочка - среднее значение остается тем же: 0.


1
Это не описывает феномен вопроса, который касается временного увеличения распространения. Это увеличение не зависит от количества образцов. Это присуще.
whuber

1
T

0

Вот еще один способ понять, что дисперсия линейно возрастает со временем.

0,1%1.2%Икс365Икс

0,1%±+0,05%1.2%±.6%

Что ж, если мы интуитивно думаем о дисперсии как о диапазоне, то становится понятным, что дисперсия увеличивается так же, как и возврат во времени, то есть линейно.

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.