Jalan acak dengan momentum

18

Pertimbangkan bilangan bulat acak mulai dari 0 dengan kondisi berikut:

  • Langkah pertama adalah plus atau minus 1, dengan probabilitas yang sama.

  • Setiap langkah di masa depan adalah: 60% kemungkinan berada di arah yang sama dengan langkah sebelumnya, 40% kemungkinan berada di arah yang berlawanan

Jenis distribusi apa yang dihasilkannya?

Saya tahu bahwa jalan acak non-momentum menghasilkan distribusi normal. Apakah momentum hanya mengubah varians, atau mengubah sifat distribusi sepenuhnya?

Saya mencari jawaban umum, jadi 60% dan 40% di atas, maksud saya benar-benar p dan 1-p

barrycarter
sumber
Sebenarnya, @Dilip, Anda perlu rantai Markov dengan negara-negara diindeks oleh pasangan memerintahkan (i,i+1) dan (i,i1) , iZ . Transisi adalah (i,i+1)(i+1,i+1) dan (i,i1)(i1,i) Dengan probabilitasp dan(i,i+1)(i+1,i) dan(i,i1)(i1,i2) dengan probabilitas1p .
whuber
Perhatikan bahwa ukuran langkah membentuk rantai Markov pada {1,+1} dan Anda (?!) telah memulainya di distribusi stasioner.
kardinal
Apakah Anda menginginkan distribusi terbatas (marjinal) untuk Sn=i=1nXn mana Xn{1,+1} adalah langkah-langkahnya?
kardinal
Pendekatan lain mungkin untuk melihat jumlah bolak variabel acak geometris, kemudian menerapkan beberapa teori martingale. Masalahnya adalah Anda harus mendefinisikan semacam waktu berhenti, yang mungkin rumit.
shabbychef

Jawaban:

8

Untuk langsung mengambil kesimpulan, "momentum" tidak mengubah fakta bahwa distribusi normal adalah perkiraan asimptotik dari distribusi jalan acak, tetapi varians berubah dari 4np(1p) menjadi np/(1p) . Ini dapat diturunkan dengan pertimbangan yang relatif elementer dalam kasus khusus ini. Tidaklah terlalu sulit untuk menggeneralisasi argumen di bawah ini ke CLT untuk ruang terbatas ruang Markov, katakan, tetapi masalah terbesar sebenarnya adalah perhitungan varians. Untuk masalah khusus itu bisadihitung, dan semoga argumen di bawah ini dapat meyakinkan pembaca bahwa itu adalah varian yang benar.

Menggunakan wawasan bahwa Kardinal menyediakan dalam komentar, acak berjalan diberikan sebagai mana X k{ - 1 , 1 } dan X k 's membentuk rantai Markov dengan matriks probabilitas transisi ( p 1 - p 1 - p p ) . Untuk pertimbangan asimptotik saat n distribusi awal X 1 tidak berperan, jadi mari kita perbaiki

Sn=k=1nXk
Xk{1,1}Xk
(p1p1pp).
nX1 demi argumen berikut, dan anggap juga bahwa 0 < p < 1 . Teknik yang licin adalah menguraikan rantai Markov menjadi siklus independen. Misalkan σ 1 menunjukkan pertama kali, setelah waktu 1, bahwa rantai Markov kembali ke 1. Yaitu, jika X 2 = 1 maka σ 1 = 2 , dan jika X 2 = X 3 = - 1 dan X 4 = 1 maka σ 1 = 4X1=10<p<1σ1X2=1σ1=2X2=X3=1X4=1σ1=4. Secara umum, biarkan menyatakan i 'th waktu kembali ke 1 dan membiarkan τ i = σ i - σ i - 1 menyatakan kali antar-return (dengan σ 0 = 1 ). Dengan definisi ini, kami punyaσiiτi=σiσi1σ0=1
  • Dengan lalu S σ n = X 1 + n i = 1 U i .Ui=k=σi1+1σiXk
    Sσn=X1+i=1nUi.
  • Sejak mengambil nilai - 1 untuk k = σ i - 1 + 1 , ... , σ i - 1 dan X σ i = 1 itu menyatakan bahwa U i = 2 - τ i .Xk1k=σi1+1,,σi1Xσi=1
    Ui=2τi.
  • Waktu antar kembali, , untuk rantai Markov adalah iid (secara resmi karena properti Markov yang kuat) dan dalam kasus ini dengan rata-rata E ( τ i ) = 2 dan varians V ( τ i ) = 2 pτiE(τi)=2 . Diindikasikan bagaimana cara menghitung mean dan varians di bawah ini.V(τi)=2p1p
  • CLT biasa untuk variabel id menghasilkan bahwa
    SσnasympN(0,2np1p).
  • Hal terakhir untuk catatan, yang membutuhkan lompatan kecil iman, karena saya meninggalkan rincian, adalah bahwa σn=1+i=1nτi2n , yang hasil bahwa
    SnasympN(0,np1p).

τ1P(τ1=1)=pm2P(τ1=m)=(1p)2pm2X1pZ=1(τ1=1)1+X(1Z)τ1

NRH
sumber
1/nSn , untuk menunjukkan dengan jelas bahwa CLT berlaku dengan cara biasa. Tapi itu hanya masalah selera.
mpiktas
2

ρρ=2p1

True standard error of x¯p1psn,
where nx¯ is the position of the random walk after n steps, and s is the sample standard deviation (which will be, asymptotically in n, 1x¯2. The upshot is that I expect, as a rough approximation, that the standard deviation of nx¯ should be around np/(1p).

edit: I had the wrong autocorrelation (or rather p should have been interpreted differently); is now consistent (I hope!)

shabbychef
sumber
Interesting. I'm not sure that yields anything very sensible for the p=0 subcase; though, that could be due to pathologies associated with that case.
cardinal
@cardinal good catch, the autocorrelation should be ρ=2p1, not 12p. correcting it...
shabbychef