分辨性差异方程

概览

一个分相差式来描述一个状态如何通过漂移名词和一个噪声取法而变化,通常由布朗活性运动或更一般的有色过程所驱动. 它为扩散、波动的物理系统,人口动态学以及神经活性和金融变量提供了数学语言。

技术基础

典型的伊藤方程有差分形式dX等同漂移函数乘以 dt并相去扩散矩阵取自于 DW. 它的整体定义使得噪声增量在精确的过滤中独立于现在所形成的整数. 伊藤的公式增加了普通微积分中缺失的一个二进制校正. 斯特拉通诺维奇集成使用中点相类似限制并随着常规链规则而转变,这可以由平滑地迅速起伏的物理强制所产生. 发电机、马廷加莱斯和科尔莫戈罗夫等方程将路径与分布描述相连接。

如何运作

由于布朗斯路径在古典上没有区别,所以噪声术语是通过有色相的融合来定义. 伊藤和斯特拉通诺维奇的解释使用不同的限制公约并遵守了不同计算规则. 在适当的规律性条件下,SDE有一个溶液过程。 其概率分布会按照Fokker-Planc克方程演变出一个分解的过程. 数字解析器使用离散随机增量来大致取样路径.

衡量和研究方法

欧勒-马鲁山与高斯画相近增量,并有不同的强弱收会顺序. 米尔斯泰因方法包括扩散衍生物,而隐含的系统则稳定了僵硬的问题. 研究人员核实时间步同共享随机路径的趋入,并比较瞬间或分布与分析案例. 参数推论采用概率近似,过滤法(serveting)来估计函数或以模拟为基础的方法. 观测取样、隐藏状态和边界条件必须包括在内,伪随机种子支持可再生产而无需替代独立跑道。

二. 主要想法

• 伊藤和同符号的斯特拉通诺维奇等式可以代表不同的动态,决不能默地相换.
• 一个模拟轨迹可以显示可变性,但不能可靠地估计出概率分布。
• 分解出错和蒙特卡洛错误是不同的,需要分别进行趋同检查.

目前的研究领域

边疆包括有分层的部分微细方程,粗糙路径等由中场系统和控制的传播. 多层蒙特卡洛通过将粗细路径相加来降低计算成本. 稀有事件算法估计出直接模拟几乎从未观察到的过渡概率. 分数传播基因系统利用所学得的积分为来逆转噪音过程,在概率相接性能同机电学习之间建立联系. 开放性问题涉及非固定系统的可靠推论,模型误用和高维相互作用过程中可伸缩的不确定性估计.

为什么它很重要

SDEs将微缩随机性与宏显分布相连接,并使得不确定性意识的预测、过滤和控制成为可能。 它们支撑了选择定价、分子扩散,气候多变性以及流行病学模型和现代分数基因方法。

限制和未决问题

噪音结构常常从有限和分散的抽样数据推断出,在漂移、扩散与测量误差之间造成可识别性问题。 很少的过渡需要专门的取样。 经典假设对于跳跃,内存或重尾巴来说可能失败;如果不加考虑的选取等式则数字方案可能会违反正性、保存性和稳定性.