Броуновская экскурсия может быть построена из моста, используя следующую конструкцию Vervaat:
https://projecteuclid.org/download/pdf_1/euclid.aop/1176995155
Быстрое приближение в R с использованием BB-кода @ whuber:
n <- 1001
times <- seq(0, 1, length.out=n)
set.seed(17)
dW <- rnorm(n)/sqrt(n)
W <- cumsum(dW)
# plot(times,W,type="l") # original BM
B <- W - times * W[n] # The Brownian bridge from (0,0) to (1,target)
# plot(times,B,type="l")
# Vervaat construction
Bmin <- min(B)
tmin <- which(B == Bmin)
newtimes <- (times[tmin] + times) %% 1
J<-floor(newtimes * n)
BE <- B[J] - Bmin
plot(1:length(BE)/n,BE,type="l")
0(0,1)
(|BBt|)0≤t≤1(BBt)0≤t≤1
6
0s60(63)=202×(42)=12|s2|=00212/20=0.6
Во-вторых, мы рассмотрим «экскурсионную» обусловленность. Число неотрицательных простых путей длиной которые заканчиваются на является каталонским числом . Ровно из этих путей есть . Таким образом, вероятность того, что наша «экскурсия» в ТРО (при условии сохранения положительного результата и окончания в ) будет иметь значение 0 на шаге составляет .s6=2∗30Cm=3=(2mm)/(m+1)=52s2=0022/5=0.4<0.6
Если вы все еще сомневаетесь в том, что это явление сохраняется в пределе, вы можете рассмотреть вероятность того, что мосты ТРО и отклонения длиной достигнут 0 на шаге .4n2n
Для экскурсии по ТРО: с использованием асимптотики из википедии https://en.wikipedia.org/wiki Каталонский номер . Т.е. это как конце концов.
P(S2n=0|Sj≥0,j≤4n,S4n=0)=C2n/C2n∼(42n/πn3)/(42n/(2n)3π−−−−−−√)
cn−3/2
Для abs (мост SRW): с использованием асимптотики из википедии https://en.wikipedia.org/wiki/Binomial_coefficient . Это как .
P(|S2n|=0|S4n=0)=(2nn)2/(4n2n)∼(4n/πn−−−√)2/(42n/2nπ−−−√)
cn−1/2
Другими словами, асимптотическая вероятность увидеть мост SRW, обусловленный положительным значением в вблизи середины, намного меньше, чем для абсолютного значения моста. 0
Вот альтернативная конструкция, основанная на трехмерном процессе Бесселя вместо броуновского моста. Я использую факты, описанные в https://projecteuclid.org/download/pdf_1/euclid.ejp/1457125524
Обзор- 1) Имитация процесса Бесселя. Это как БМ, обусловленный быть позитивным. 2) Примените соответствующее пространственно-временное масштабирование, чтобы получить мост Бесселя 3 (уравнение (2) в статье). 3) Используйте тот факт (отмеченный сразу после теоремы 1 в статье), что мост Бесселя 3 фактически имеет то же распределение, что и броуновская экскурсия.
Небольшой недостаток заключается в том, что вам нужно довольно долго запускать процесс Бесселя (ниже T = 100) на относительно тонкой сетке, чтобы масштабирование пространства / времени началось в конце.
## Another construction of Brownian excursion via Bessel processes
set.seed(27092017)
## The Bessel process must run for a long time in order to construct a bridge
T <- 100
n <- 100001
d<-3 # dimension for Bessel process
dW <- matrix(ncol = n, nrow = d, data=rnorm(d*n)/sqrt(n/T))
dW[,1] <- 0
W <- apply(dW, 1, cumsum)
BessD <- apply(W,1,function(x) {sqrt(sum(x^2))})
times <- seq(0, T, length.out=n)
# plot(times,BessD, type="l") # Bessel D process
times01 <- times[times < 1]
rescaletimes <- pmin(times01/(1-times01),T)
# plot(times01,rescaletimes,type="l") # compare rescaled times
# create new time index
rescaletimeindex <- sapply(rescaletimes,function(x){max(which(times<=x))} )
BE <- (1 - times01) * BessD[rescaletimeindex]
plot(times01,BE, type="l")
Вот вывод: