Saya mencoba untuk menghasilkan banyak undian (yaitu, realisasi) dari proses Gaussian , dengan rata-rata 0 dan fungsi kovarian .
Apakah ada cara yang efisien untuk melakukan ini yang tidak akan melibatkan perhitungan akar kuadrat dari a matriks kovarians? Atau adakah yang bisa merekomendasikan R
paket untuk melakukan ini?
r
probability
simulation
stochastic-processes
gaussian-process
pengguna603
sumber
sumber
mvtnorm
memiliki dirmvnorm(n, mean, sigma)
manasigma
matriks kovarians; Anda harus membuat matriks kovarians untuk sampel / yang Anda pilihrmvnorm
).Jawaban:
Iya. Ada algoritma (waktu linear) yang sangat efisien, dan intuisi untuknya datang langsung dari kasing yang seragam.
Misalkan kita memiliki partisi[0,T] seperti yang 0=t0<t1<t2<⋯<tn=T .
Kasing sampel yang seragam
Dalam hal ini yang kita milikiti=iΔ dimana Δ=T/n . MembiarkanXi:=X(ti) menunjukkan nilai dari proses sampel yang diambil pada saat itu ti .
Sangat mudah untuk melihat bahwaXi membentuk proses AR (1) dengan korelasi ρ=exp(−Δ) . Karenanya, kita dapat menghasilkan jalur sampel{Xt} untuk partisi sebagai berikut
Kasus umum
Kita kemudian dapat membayangkan bahwa ini dapat dilakukan untuk partisi umum . Secara khusus, mariΔi=ti+1−ti dan ρi=exp(−Δi) . Kami memilikinya
Memang,EXi+1Xi=ρi dan setidaknya kita memiliki korelasi dengan istilah tetangga yang benar.
Hasilnya sekarang mengikuti dengan telescoping melalui properti menara harapan bersyarat. Yaitu, dan teleskop produk di dengan cara berikut
Ini membuktikan hasilnya. Oleh karena itu proses dapat dihasilkan pada partisi arbitrer dari urutan variabel acak iid dalam waktu di mana adalah ukuran partisi.N(0,1) O(n) n
NB : Ini adalah teknik pengambilan sampel yang tepat karena memberikan versi sampel dari proses yang diinginkan dengan distribusi dimensi-terbatas yang benar - benar tepat . Ini berbeda dengan skema diskritisasi Euler (dan lainnya) untuk SDE yang lebih umum, yang menimbulkan bias karena perkiraan melalui diskretisasi.
sumber
Hitung matriks kovarians terurai dengan dekomposisi Cholesky tidak lengkap atau teknik dekomposisi matriks lainnya. Matriks yang diuraikan harus TxM, di mana M hanya sebagian kecil dari T.
http://en.wikipedia.org/wiki/Incomplete_Cholesky_factorization
sumber