Рассмотрим случайный процесс
Затем мы можем записать плотность вероятности перехода как
Найдем стационарное распределение этого процесса, которое примет вид
Если мы инициализируем процесс в состоянии распределяется как стационарное состояние, а затем хотят -ступенчатый пропагатор этого процесса, т.е. , легко видеть, что это также будет гауссиана (поскольку это сумма гауссианов). Но есть ли способ точно вычислить распределение?
Таким образом, вы можете начать с пропагатора, соединить их вместе и проинтегрировать по промежуточным значениям, и вы закончите с дискретизированной версией интеграла по путям. Это, однако, довольно утомительно, поэтому давайте вместо этого напишем уравнение стохастической разности:
Ничего из этого не имеет отношения к Орстейну-Уленбеку. Возможно, вместо этого вы хотели сказать:
В заключение немного кода Python:
import numpy as np
import matplotlib.pyplot as plt
dt = .01
N = 100
l = .05
X0 = .75
M = 1000000
res = np.zeros(M) + X0
for _ in range(N):
res += -l*res*dt + np.sqrt(2*dt) * np.random.randn(M)
yy, xx = np.histogram(res, 128, normed=True)
plt.plot(.5*(xx[1:]+xx[:-1]), yy, 'b')
mu = X0 * (1-l*dt)**N
sigma = np.sqrt(2*dt*(((1-l*dt)**(2*N)-1) / ((1-l*dt)**2 - 1)))
plt.plot(xx, 1./np.sqrt(2*np.pi*sigma**2)*np.exp(-(xx-mu)**2/(2*sigma**2)), 'r-.')
И графики идут друг над другом:
СтатистическийМеханик
СтатистическийМеханик
большой