Caminhada aleatória com impulso

18

Considere uma caminhada aleatória inteira iniciando em 0 com as seguintes condições:

  • O primeiro passo é mais ou menos 1, com igual probabilidade.

  • Cada passo futuro é: 60% de probabilidade de estar na mesma direção que o passo anterior, 40% de probabilidade de estar na direção oposta

Que tipo de distribuição isso gera?

Eu sei que uma caminhada aleatória sem momento produz uma distribuição normal. O momento muda apenas a variação ou muda completamente a natureza da distribuição?

Eu estou procurando uma resposta genérica, por isso, 60% e 40% acima, eu realmente quero dizer p e 1-p

barrycarter
fonte
Na verdade, @Dilip, você precisa de uma cadeia de Markov com estados indexadas por pares ordenados (Eu,Eu+1) e (Eu,Eu-1) , iZ . As transições são (i,i+1)(i+1,i+1) e (i,i1)(i1,i) com probabilidadep e(i,i+1)(i+1,i) e(i,i1)(i1,i2) com probabilidade1p .
whuber
Observe que os tamanhos das etapas formam uma cadeia de Markov em {1,+1} e você (?) Iniciou a distribuição estacionária.
cardeal
Você está querendo uma distribuição limitante (marginal) de Sn=i=1nXn , onde o Xn{1,+1} são os passos da caminhada?
cardeal
Outra abordagem pode ser examinar somas alternadas de variáveis ​​geométricas aleatórias e aplicar alguma teoria de martingale. O problema é que você teria que definir algum tipo de tempo de parada, o que pode ser complicado.
shabbychef

Respostas:

8

Para pular para a conclusão imediatamente, o "momento" não altera o fato de que a distribuição normal é uma aproximação assintótica da distribuição da caminhada aleatória, mas a variação muda de para n p / ( 1 - p ) . Isso pode ser derivado de considerações relativamente elementares neste caso especial. Não é muito difícil generalizar os argumentos abaixo para uma CLT para cadeias de Markov de espaço de estado finito, digamos, mas o maior problema é realmente o cálculo da variância. Para o problema em particular, pode4np(1p)np/(1p)calculados, e esperamos que os argumentos abaixo possam convencer o leitor de que é a variação correta.

Usando o insight que o Cardinal fornece em um comentário, a caminhada aleatória é dada como que X k{ - 1 , 1 } e os X k formam uma cadeia de Markov com matriz de probabilidade de transição ( p 1 - p 1 - p p ) . Para considerações assintóticas quando n a distribuição inicial de X 1 não desempenha nenhum papel, então vamos corrigir

Sn=k=1nXk
Xk{1,1}Xk
(p1p1pp).
nX1 para o argumento a seguir e assuma também que 0 < p < 1 . Uma técnica eficiente é decompor a cadeia de Markov em ciclos independentes. Seja σ 1 denotar a primeira vez, após o tempo 1, que a cadeia de Markov retorna a 1. Ou seja, se X 2 = 1 então σ 1 = 2 , e se X 2 = X 3 = - 1 e X 4 = 1 então σ 1 = 4X1=10<p<1σ1X2=1σ1=2X2=X3=1X4=1σ1=4. Em geral, deixe denotar o i- ésimo tempo de retorno para 1 e deixe τ i = σ i - σ i - 1 denotar os tempos de inter-retorno (com σ 0 = 1 ). Com essas definições, temosσiiτi=σiσi1σ0=1
  • Com então S σ n = X 1 + n i = 1 U i .Ui=k=σi1+1σiXk
    Sσn=X1+i=1nUi.
  • Como assume o valor - 1 para k = σ i - 1 + 1 , , σ i - 1 e X σ i = 1, ele sustenta que U i = 2 - τ i .Xk1k=σi1+1,,σi1Xσi=1
    Ui=2τi.
  • Os tempos entre retornos, , para uma cadeia de Markov são iid (formalmente devido à forte propriedade de Markov) e, neste caso, com média E ( τ i ) = 2 e variação V ( τ i ) = 2 pτiE(τi)=2 . É indicado como calcular a média e a variação abaixo.V(τi)=2p1p
  • O CLT comum para variáveis ​​iid produz que
    SσnasympN(0,2np1p).
  • A última coisa a nota, que requer um pequeno salto de fé, porque deixar de fora os detalhes, é que , que os rendimentos que S n asymp ~ N ( 0 , n pσn=1+i=1nτi2n
    SnasympN(0,np1p).

Para calcular os momentos de pode-se notar que P ( τ 1 = 1 ) = p e para m 2 , P ( τ 1 = m ) = ( 1 - p ) 2 p m - 2 . Em seguida, técnicas semelhantes às usadas ao calcular momentos para a distribuição geométrica podem ser aplicadas. Alternativamente, se X é geométrico com probabilidade de sucesso 1 - p e Z =τ1P(τ1=1)=pm2P(τ1=m)=(1p)2pm2X1pZ=1(τ1=1)1+X(1Z)τ1

NRH
fonte
1/nSn
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
fonte
Interessante. Não tenho certeza de que produz algo muito sensato para op=0 0subcaso; no entanto, isso pode ser devido a patologias associadas a esse caso.
cardeal
@cardinal good catch, the autocorrelation should be ρ=2p1, not 12p. correcting it...
shabbychef