区分分数布朗运动与随机和恒定的赫斯特指数之间的区别,使用基于样本自共变的统计数据
Aleksandra Grzesiek1, Janusz Gajda2, Samudrajit Thapa3
1Faculty of Pure and Applied Mathematics, Hugo Steinhaus Center, Wroclaw University of Science and Technology, Wyspianskiego 27, 50-370 Wroclaw, Poland.
本研究介绍了一种方法来区分使用统计分析的分数布朗运动 (FBM) 中的恒定和随机赫斯特指数. 这些发现有助于更好地建模具有不同异常扩散行为的复杂系统.
科学领域:
- 复杂系统动力学 复杂系统动力学
- 统计物理 统计物理
- 时间序列分析时间序列分析
背景情况:
- 分数布朗运动 (FBM) 使用赫斯特指数模型复杂系统动态.
- 经典的FBM可能无法捕获实验数据,其中异常扩散指数因轨迹而异.
- 使用随机赫斯特指数的FBM是解决这些局限性的扩展方案.
研究的目的:
- 开发一种区分FBM与恒定赫斯特指数和FBM与随机赫斯特指数的方法.
- 分析二次形式统计的概率性质,用于测试假设.
- 将开发的方法应用于现实世界的金融和生物数据集.
主要方法:
- 检查了样本自变函数和经验异常测量统计数据.
- 利用了FBM模型固有的相关性质.
- 开发了一个基于这些统计数据的测试程序,以区分恒定和随机的赫斯特指数模型.
- 考虑随机赫斯特指数的两个点和β分布.
主要成果:
- 呈现分析和模拟结果,证明拟议测试程序的有效性.
- 展示了基于统计属性的两个FBM模型之间的区别的能力.
- 验证了金融市场数据和单个粒子跟踪实验的方法.
结论:
- 开发的统计测试程序有效地区分了具有恒定和随机赫斯特指数的FBM.
- 该方法为分析表现出轨迹依赖异常扩散的复杂系统提供了宝贵的工具.
- 这种方法在金融和生物物理学等领域有实际应用.
更多相关视频
11:03An Analog Macroscopic Technique for Studying Molecular Hydrodynamic Processes in Dense Gases and Liquids
Published on: December 4, 2017
11:51Visually Based Characterization of the Incipient Particle Motion in Regular Substrates: From Laminar to Turbulent Conditions
Published on: February 22, 2018
相关概念视频
Chebyshev's Theorem to Interpret Standard Deviation
Wald-Wolfowitz Runs Test II
For binary data, runs are identified using symbols such as + and −, or equivalently, 1s and...
Empirical Method to Interpret Standard Deviation
This rule is used widely in statistics to calculate the proportion of data values...
Distribution of Molecular Speeds
Estimating Population Standard Deviation
Probability Histograms
