Một chuyến tham quan Brown có thể được xây dựng từ một cây cầu bằng cách sử dụng công trình sau của Vervaat:
https://projecteuclid.org/doad/pdf_1/euclid.aop/1176995155
Một xấp xỉ nhanh trong R, sử dụng mã BB của @ whuber's, là
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")
Đây là một âm mưu khác (từ set.seed (21)). Một quan sát quan trọng với một chuyến tham quan là điều hòa thực sự biểu hiện dưới dạng "lực đẩy" từ 0 và bạn không thể thấy một chuyến du ngoạn đến gần ở bên trong .
0(0,1)
Bên cạnh: Sự phân bố của các giá trị tuyệt đối của một cầu Brown và tham quan, lạnh là tích cực , là không giống nhau. Theo trực giác, chuyến tham quan bị đẩy lùi khỏi nguồn gốc, bởi vì các đường dẫn Brown đến quá gần nguồn gốc có thể sẽ bị âm ngay sau đó và do đó bị phạt bởi điều kiện.(|BBt|)0≤t≤1(BBt)0≤t≤1
Điều này thậm chí có thể được minh họa bằng một cây cầu đi bộ ngẫu nhiên đơn giản và tham quan trên bước, đó là một sự tương tự rời rạc tự nhiên của BM (và hội tụ đến BM khi các bước trở nên lớn và bạn giải cứu).6
Thật vậy, lấy một SRW đối xứng bắt đầu từ . Trước tiên, chúng ta hãy xem xét điều kiện "cầu" và xem điều gì sẽ xảy ra nếu chúng ta chỉ lấy giá trị tuyệt đối. Hãy xem xét tất cả các đường dẫn đơn giản có độ dài mà bắt đầu và kết thúc lúc . Số lượng đường dẫn như vậy là . Có trong số này trong đó . Nói cách khác, xác suất cho giá trị tuyệt đối của "cầu nối" SRW của chúng tôi (có điều kiện kết thúc ở ) để có giá trị 0 ở bước là .06 0s60(63)=202×(42)=12|s2|=00212/20=0.6
Thứ hai, chúng tôi sẽ xem xét điều kiện "chuyến tham quan". Số đường dẫn đơn giản không âm có độ dài kết thúc bằng là số Catalan . Chính xác trong số các đường dẫn này có . Do đó, xác suất cho "chuyến tham quan" SRW của chúng tôi (có điều kiện duy trì trạng thái tích cực và kết thúc ở mức ) để có giá trị 0 ở bước là .s6=2∗30Cm=3=(2mm)/(m+1)=52s2=0022/5=0.4<0.6
Trong trường hợp bạn vẫn nghi ngờ hiện tượng này vẫn tồn tại trong giới hạn, bạn có thể xem xét xác suất cho các cây cầu SRW và các chuyến du ngoạn có chiều dài chạm 0 ở bước .4n2n
Đối với chuyến tham quan SRW: chúng tôi có bằng cách sử dụng aysmptotics từ wikipedia https://en.wikipedia.org/wiki / Catalan_number . Tức là nó giống như .
P(S2n=0|Sj≥0,j≤4n,S4n=0)=C2n/C2n∼(42n/πn3)/(42n/(2n)3π−−−−−−√)
cn−3/2
Đối với abs (cầu SRW): bằng cách sử dụng các tiệm cận từ wikipedia https://en.wikipedia.org/wiki/Binomial_coffic . Điều này giống như .
P(|S2n|=0|S4n=0)=(2nn)2/(4n2n)∼(4n/πn−−−√)2/(42n/2nπ−−−√)
cn−1/2
Nói cách khác, xác suất tiệm cận để thấy cầu SRW có điều kiện dương ở gần giữa nhỏ hơn nhiều so với giá trị tuyệt đối của cầu. 0
Đây là một công trình thay thế dựa trên quy trình Tàu 3D thay vì cầu Brownian. Tôi sử dụng các sự kiện được giải thích trong https://projecteuclid.org/doad/pdf_1/euclid.ejp/1457125524
Tổng quan- 1) Mô phỏng quy trình Tàu 3d. Điều này giống như một BM có điều kiện là tích cực. 2) Áp dụng thay đổi kích thước không gian thời gian thích hợp để có được cầu Bessel 3 (Phương trình (2) trong bài báo). 3) Sử dụng thực tế (lưu ý ngay sau Định lý 1 trong bài viết) rằng một cây cầu Bessel 3 thực sự có phân phối giống như một chuyến tham quan Brown.
Một nhược điểm nhỏ là bạn cần chạy quy trình Bessel khá lâu (T = 100 bên dưới) trên một lưới tương đối tốt để mở rộng không gian / thời gian ở cuối.
## 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")
Đây là đầu ra: