ทำไมความแปรปรวนของการเดินสุ่มเพิ่มขึ้น?


28

การเดินแบบสุ่มที่กำหนดเป็นโดยที่เป็นเสียงสีขาว แสดงว่าตำแหน่งปัจจุบันคือผลรวมของตำแหน่งก่อนหน้า + คำที่ไม่ถูกคาดการณ์Yเสื้อ=Yเสื้อ-1+อีเสื้ออีเสื้อ

คุณสามารถพิสูจน์ได้ว่าฟังก์ชันค่าเฉลี่ยเนื่องจากμเสื้อ=0E(Yเสื้อ)=E(อี1+อี2+...+อีเสื้อ)=E(อี1)+E(อี2)+...+E(อีเสื้อ)=0+0+...+0

แต่ทำไมความแปรปรวนเพิ่มขึ้นเป็นเส้นตรงตามเวลา?

สิ่งนี้มีบางอย่างที่เกี่ยวกับการไม่สุ่ม "บริสุทธิ์" เนื่องจากตำแหน่งใหม่มีความสัมพันธ์กับตำแหน่งก่อนหน้าหรือไม่

แก้ไข:

ตอนนี้ฉันมีความเข้าใจที่ดีขึ้นมากโดยการเห็นภาพตัวอย่างของการเดินสุ่มขนาดใหญ่และที่นี่เราสามารถสังเกตได้อย่างง่ายดายว่าความแปรปรวนโดยรวมเพิ่มขึ้นเมื่อเวลาผ่านไป

เดินสุ่ม 100,000 ครั้ง

และค่าเฉลี่ยก็ประมาณตามคาด

บางทีนี่อาจเป็นเรื่องเล็กน้อยเนื่องจากในช่วงแรก ๆ ของซีรีย์เวลา (เปรียบเทียบเวลา = 10 กับ 100) นักเดินแบบสุ่มยังไม่มีเวลาสำรวจมากนัก


2
เป็นการยากที่จะดูว่า "ค่าเฉลี่ย" ของการเดินสุ่มจำลองใด ๆ จะเป็นเช่นเดียวกับความคาดหวังของใด ๆ ความคาดหวังนั่นคือตามคำจำกัดความคำนวณทั้งหมด "วงดนตรี" ของการเดินแบบสุ่มที่เป็นไปได้ซึ่งการเดินแบบจำลองของคุณเป็นเพียงตัวอย่างเดียว เมื่อคุณจำลองการเดินจำนวนมาก - โดยการซ้อนกราฟของพวกเขาในพล็อตเดียว - คุณจะเห็นว่าพวกมันกระจายรอบแกนนอน การแพร่กระจายนั้นแตกต่างกันอย่างไรกับ TYเสื้อเสื้อ
whuber

@whuber ที่ทำให้รู้สึกมากขึ้น! แน่นอนฉันควรพิจารณาว่าเป็นตัวอย่างหนึ่งของการเดินที่เป็นไปได้ทั้งหมด และใช่แล้วคุณสามารถดูได้จากกราฟที่ความแปรปรวนโดยรวมของการเดินทั้งหมดเพิ่มขึ้นตามกาลเวลา ถูกต้อง?
Isbister

1
ใช่ถูกแล้ว. เป็นวิธีที่ดีในการชื่นชมสิ่งที่ @Glen_b เขียนไว้ในคำตอบของเขาโดยใช้คณิตศาสตร์ ฉันพบว่ามันช่วยให้คุ้นเคยกับแอปพลิเคชั่นการเดินแบบสุ่มจำนวนมาก: นอกเหนือจากแอปพลิเคชั่นบราวน์เจียนแบบดั้งเดิมแล้วพวกเขายังอธิบายการแพร่กระจายการกำหนดราคาตัวเลือกการสะสมข้อผิดพลาดในการวัด ใช้เวลาหนึ่งในสิ่งเหล่านี้เช่นการแพร่กระจาย ลองนึกภาพหยดหมึกหล่นลงไปในสระน้ำนิ่ง แม้ว่าตำแหน่งของมันจะคงที่ แต่มันก็แพร่กระจายออกไปเมื่อเวลาผ่านไป: นี่คือวิธีที่เราสามารถดูค่าเฉลี่ยศูนย์ตลอดไปพร้อมกับความแปรปรวนที่เพิ่มขึ้น
whuber

@whuber ขอบคุณมากฉันเข้าใจมันโดยสิ้นเชิงตอนนี้!
Isbister

คำตอบ:


37

ในระยะสั้นเพราะมันช่วยเพิ่มความแปรปรวนของการเพิ่มขึ้นครั้งถัดไปของความแปรปรวนที่เรามีในการไปยังที่ที่เราอยู่ตอนนี้

Var(Yt)=Var(e1+e2+...+et)
=Var(e1)+Var(e2)+...+Var(et) (ความเป็นอิสระ)
=σ2+σ2+...+σ2=tσ2,

และเราจะเห็นว่าเพิ่มขึ้นเป็นเส้นตรงกับเสื้อtσ2เสื้อ


ค่าเฉลี่ยเป็นศูนย์ในแต่ละช่วงเวลา หากคุณจำลองซีรีย์หลายครั้งและเฉลี่ยทั่วทั้งซีรีส์ตามเวลาที่กำหนดนั่นจะเฉลี่ยใกล้กับ 0

การเดินสุ่มจำนวน 500 จำลองด้วยค่าเฉลี่ยตัวอย่างและ +/- ส่วนเบี่ยงเบนมาตรฐาน

รูปภาพ: 500 การเดินสุ่มจำลองด้วยค่าเฉลี่ยตัวอย่างเป็นสีขาวและ 
± ค่าเบี่ยงเบนมาตรฐานหนึ่งค่าเป็นสีแดง ค่าเบี่ยงเบนมาตรฐานเพิ่มขึ้นด้วย เสื้อ.


ใช่แต่ละข้อผิดพลาดเป็นอิสระใช่ และแน่ใจว่าสิ่งนี้เหมาะสมบนกระดาษ แต่ฉันก็ยังไม่ได้รับความรู้สึกที่ดีสำหรับ "ความแปรปรวนเพิ่มขึ้นได้อย่างไร" แต่ค่าเฉลี่ยยังคงเป็นศูนย์? มันฟังดูแปลกมากเกือบจะเหมือนกัน คำอธิบายทางคณิตศาสตร์น้อยกว่านี้ที่ตอบคำถามของฉันได้อย่างไร
Isbister

timpal0l - ในแต่ละช่วงเวลาคุณกำลังเพิ่มคำอื่นที่ไม่ได้เปลี่ยนค่าเฉลี่ย แต่เพิ่มให้กับ "สัญญาณรบกวน" (ความแปรปรวนเกี่ยวกับค่าเฉลี่ย) ดังนั้นค่าเฉลี่ยยังคงเหมือนเดิม แต่ความแปรปรวนเพิ่มขึ้น (การกระจาย "กระจาย" มากขึ้นในเวลาต่อมา) นั่นเป็นทั้งความคิดที่ใช้งานง่ายและในแง่ทั่วไปสิ่งที่คณิตศาสตร์แสดงให้เห็น
Glen_b -Reinstate Monica

1
ขอบคุณสำหรับแผนภาพA.Webb ดีมาก.
Glen_b -Reinstate Monica

15

นี่เป็นวิธีที่จะจินตนาการ หากต้องการลดความซับซ้อนของสิ่งต่าง ๆ ลองเปลี่ยน noise สีขาวของคุณเป็นe ฉันอีผมอีผม

อีผม={1 กับ PR=0.5-1 กับ PR=0.5

การทำวิชวลไลเซชันนี้ทำให้การมองเห็นง่ายขึ้นไม่มีอะไรพื้นฐานจริง ๆ เกี่ยวกับสวิตช์ยกเว้นการทำให้เครียดกับจินตนาการของเรา

ทีนี้สมมติว่าคุณรวบรวมกองทัพครีบเหรียญ ตามคำสั่งของคุณให้พลิกเหรียญของพวกเขาและติดตามผลการดำเนินงานของพวกเขารวมถึงการสรุปผลลัพธ์ก่อนหน้าทั้งหมดของพวกเขา กบแต่ละตัวเป็นตัวอย่างของการเดินแบบสุ่ม

W=อี1+อี2+

และการรวมทัพของคุณทั้งหมดควรให้คุณทำตามที่คาดหวังไว้

flip 1: ประมาณครึ่งหนึ่งของกองทัพของคุณพลิกหัวและครึ่งพลิกหาง ความคาดหวังของผลรวมที่ได้รับจากกองทัพทั้งหมดของคุณนั้นเป็นศูนย์ ค่าสูงสุดของทั่วทั้งกองทัพของคุณคือและต่ำสุดคือดังนั้นช่วงรวมเป็น21 - 1 2W112

flip 2: ประมาณครึ่งหัวพลิกและครึ่งพลิกหาง ความคาดหวังของการพลิกนี้เป็นศูนย์อีกครั้งดังนั้นความคาดหวังของในทุกการโยนจะไม่เปลี่ยนแปลง บางส่วนของกองทัพของคุณได้พลิกและอื่น ๆ บางคนได้พลิกดังนั้นสูงสุดของเป็นและต่ำสุดคือ ; ช่วงรวมเป็น4H H T T W 2 - 2 4WHHTTW224

...

flip n: ประมาณครึ่งหัวพลิกและครึ่งพลิกหาง ความคาดหวังของการพลิกนี้เป็นศูนย์อีกครั้งดังนั้นความคาดหวังของในทุกการโยนจะไม่เปลี่ยนแปลง แต่ก็ยังคงเป็นศูนย์ หากกองทัพของคุณมีขนาดใหญ่มากบางทหารโชคดีมากที่พลิกและอื่น ๆT นั่นคือมีไม่กี่คนที่มีหัวและอีกสามคนที่มีหาง (แม้ว่านี่จะยากขึ้นและยากขึ้นเมื่อเวลาผ่านไป) ดังนั้นอย่างน้อยในจินตนาการของเราในช่วงที่รวมเป็น2nH H H T T T n n 2 nWHHHTTTnn2n

ดังนั้นนี่คือสิ่งที่คุณสามารถเห็นได้จากการทดสอบความคิดนี้:

  • ความคาดหวังของการเดินเป็นศูนย์เนื่องจากแต่ละขั้นตอนในการเดินมีความสมดุล
  • ระยะการเดินโดยรวมเพิ่มขึ้นเป็นเส้นตรงตามความยาวของการเดิน

ในการฟื้นฟูสัญชาตญาณเราต้องทิ้งความเบี่ยงเบนมาตรฐานและใช้ในการวัดที่เข้าใจง่ายช่วง


1
ค่าเบี่ยงเบนมาตรฐานไม่เพิ่มขึ้นแบบเส้นตรงดังนั้นข้อสังเกตสุดท้ายจึงเป็นที่น่าสงสัย
Juho Kokkala

ใช่ฉันพยายามคิดบางอย่างเพื่อพูดเพื่อแก้ไขข้อเสนอแนะใด ๆ สิ่งที่ฉันคิดได้ก็คือดึงดูดความสนใจไปยังทฤษฎีขีด จำกัด กลางซึ่งไม่ได้ใช้งานง่าย
Matthew Drury

@JuhoKokkala ฉันเห็นด้วยกับคำวิจารณ์ของคุณดังนั้นฉันจึงลบคำพูดสุดท้ายออก
Matthew Drury

3

สิ่งนี้มีบางอย่างที่เกี่ยวกับการไม่สุ่ม "บริสุทธิ์" เนื่องจากตำแหน่งใหม่มีความสัมพันธ์กับตำแหน่งก่อนหน้าหรือไม่

ปรากฏว่าโดย "บริสุทธิ์" คุณหมายถึงอิสระ ในการเดินสุ่มเท่านั้นขั้นตอนจะถูกสุ่มและเป็นอิสระจากกัน ในขณะที่คุณตั้งข้อสังเกตว่า "ตำแหน่ง" เป็นแบบสุ่ม แต่มีลักษณะร่วมกันคือไม่ได้เป็นอิสระ

E[Yt]=0YtYเสื้อ

Yเสื้อ=Y0+Σผม=0เสื้อεเสื้อ

Yเสื้อ-Yเสื้อ-1=μ+εเสื้อYเสื้อμเสื้อ


2

ลองมาเป็นตัวอย่างที่แตกต่างกันสำหรับคำอธิบายที่เข้าใจง่าย: ปาลูกดอกใส่ปาเป้า เรามีผู้เล่นที่พยายามเล็งเป้าซึ่งเราใช้เป็นพิกัดที่เรียกว่า 0 ผู้เล่นขว้างสองสามครั้งและที่จริงค่าเฉลี่ยของการโยนของเขาคือ 0 แต่เขาไม่เก่งจริงๆดังนั้นความแปรปรวน คือ 20 ซม.

เราขอให้ผู้เล่นขว้างปาลูกดอกตัวใหม่ คุณคาดหวังว่ามันจะตีเป้า

ไม่ถึงแม้ว่าค่าเฉลี่ยจะเป็นเป้าอย่างแน่นอน แต่เมื่อเราสุ่มตัวอย่างการโยน แต่ก็ไม่น่าจะเป็นเป้าได้

เสื้อ

อย่างไรก็ตามถ้าเราใช้ตัวอย่างจำนวนมากเราจะเห็นว่ามันอยู่ตรงกลางประมาณ 0 เช่นเดียวกับผู้เล่นปาเป้าของเราแทบจะไม่เคยชนเป้า (ความแปรปรวนขนาดใหญ่) แต่ถ้าเขาปาเป้ามากเขาจะให้พวกเขาอยู่ตรงกลาง รอบเป้า (หมายถึง)

หากเราขยายตัวอย่างนี้ไปที่การเดินสุ่มเราจะเห็นว่าความแปรปรวนเพิ่มขึ้นตามเวลาแม้ว่าค่าเฉลี่ยจะอยู่ที่ 0 ในกรณีการเดินแบบสุ่มดูเหมือนว่าแปลกที่ค่าเฉลี่ยจะอยู่ที่ 0 ถึงแม้ว่าคุณจะรู้โดยสัญชาตญาณ ว่ามันแทบจะไม่สิ้นสุดที่แหล่งกำเนิดแน่นอน อย่างไรก็ตามสิ่งที่เหมือนกันสำหรับ darter ของเรา: เราสามารถเห็นได้ว่าโผเดียวแทบจะไม่เคยโดนเป้าที่มีความแปรปรวนเพิ่มขึ้น แต่ปาเป้าจะก่อตัวเป็นเมฆที่สวยงามรอบ ๆ เป้า - ค่าเฉลี่ยยังคงเหมือนเดิม: 0


1
สิ่งนี้ไม่ได้อธิบายปรากฏการณ์ของคำถามซึ่งเกี่ยวข้องกับการเพิ่มขึ้นชั่วคราวของการแพร่กระจาย การเพิ่มขึ้นนั้นไม่ใช่ฟังก์ชั่นของจำนวนตัวอย่าง มันเป็นสิ่งที่อยู่ภายใน
whuber

1
เสื้อ

0

นี่เป็นอีกวิธีหนึ่งที่จะได้สัญชาตญาณว่าความแปรปรวนเพิ่มขึ้นเป็นเส้นตรงตามเวลา

0.1%1.2%X365X

0.1%±05%1.2%±0.6%

ถ้าเรานึกถึงความแปรปรวนเป็นช่วงโดยสัญชาตญาณมันทำให้รู้สึกว่าสัญชาตญาณเพิ่มขึ้นในแบบเดียวกับที่ย้อนกลับไปตามกาลเวลานั่นคือเชิงเส้น

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.