ランダムウォークメモ (1)

ランダムウォークとは、数学、統計、物理学の分野で一般的に使用されるモデルと概念を指します。これは一連のランダムなステップで構成される確率的プロセスであり、各ステップの方向と大きさはランダムです。

ランダムウォークでは、オブジェクトまたはシステムが一連のタイムステップにわたってランダムに移動します。すべての動きは、あらかじめ決められたルールではなく、ランダムな要素に基づいています。古典的な 1D ランダムウォークは次のように説明できます。

開始点: 原点にある点 (多くの場合 0 として表されます)。
ステップサイズ: 各タイムステップで、オブジェクトはランダムなルールに従って左または右に特定の距離 (整数または小数) 移動します。
ランダム性: 各ステップの方向とステップサイズは独立しており、それらの間に相関関係はありません。

ランダムウォークには幅広い用途があります。金融分野では、株価の傾向はランダムウォークモデルで説明できます。自然科学では、液体中の粒子の動きや分子の拡散などもランダムウォークでシミュレーションできます。

数学や統計では、ランダムウォークを使用して、定常性、収束、確率分布などのランダムプロセスの特性を研究できます。同時に、ランダムウォークは、モンテカルロシミュレーション、マルコフ連鎖モンテカルロ法 (MCMC) など、多くの計算方法やアルゴリズムの基礎でもあります。

ランダムウォークは、自然や人間の活動におけるランダム性の役割を理解するための有用なツールを提供する、単純ですが重要な概念です。

ランダムウォークは、多くの興味深い概念、原理、特性を持つ重要なランダムプロセスです。以下は、ランダムウォークとその特性に関連するいくつかの重要な概念と原則です。

マルコフ特性: ランダムウォークはマルコフ過程です。つまり、現在の状態が与えられた場合、将来の状態は現在の状態のみに依存し、過去の状態とは何の関係もありません。これは、ランダムウォークの次のステップは、ランダムステップサイズと現在位置の方向のみに依存し、前のパスとは関係がないためです。
対称性: 1 次元の離散ランダムウォークにおいて、左右に移動するときにステップサイズの確率分布が対称である場合、それは対称ランダムウォークと呼ばれます。これは、各ステップでオブジェクトが左または右に移動する確率が同じであることを意味します。
定常性: 対称ランダムウォークは安定しています。つまり、長期間の移動の後、その確率分布は安定した平衡状態に向かう傾向があります。1 次元の場合、定常分布は一様分布であり、オブジェクトが各位置に存在する確率が同じであることを意味します。
微分方程式: 連続時間ランダムウォークの場合、ランダム要素がランダムノイズ項で表される確率微分方程式で記述できます。
中心極限定理: ランダムウォークの重要な特性は中心極限定理です。ある条件下でステップサイズが独立した同一分布に従う場合、ステップ数が増加するにつれて、ランダムウォークの位置は正規分布に近づく傾向があります。これは、ランダムウォークが十分に長い間行われた後、その位置がガウス分布を示すことを意味します。
回帰: 1 次元のランダムウォークの場合、回帰は重要な特性です。回帰とは、無限のステップ数が与えられた場合、ランダムウォークはほぼ確実に初期位置に戻ることを意味します。これは、無限の時間において、ランダムウォークは初期位置の周りを歩き続け、永久に消えることはないことを意味します。
無限到達可能性: 1 次元ランダムウォークでは、ステップサイズの期待値が 0 より大きく、分散が有限であれば、無限に到達可能です。これは、無限のステップ数を使用すると、ランダムウォークはほぼ確実に任意の位置に到達することを意味します。
周期性: 2 次元以上のランダムウォークの場合、周期性とは、ステップサイズの期待値が 0 の場合、ランダムウォーカーは特定の位置を意識せずに空間内を周期的に歩くことを意味します。

ランダムウォークは重要かつ興味深いランダムプロセスであり、その特性はステップサイズの分布、次元数、時間増加などの要因と密接に関連しています。ランダムウォークの特性は、数学、統計、物理学、経済学などの分野で広く使用され、研究されています。

ランダムウォークは、さまざまなシナリオで応用できる非常に一般的な概念です。一般的なランダムウォークシナリオのいくつかを以下に示します。

金融市場: 株価やその他の金融資産の価格は、多くの場合、ランダムウォークに従うと考えられています。投資家はランダムウォークモデルを使用して、資産価格の将来の傾向を予測し、リスク評価を実施し、投資の意思決定を行います。
分子拡散: 物理学や化学の分野では、液体または気体中の分子の拡散はランダムウォークモデルで説明できます。
ランダムウォーク: ランダムウォークはランダムウォークの特殊なケースであり、動物の行動や人間の移動パターンへの応用など、空間内でランダムに移動する粒子、動物、または人々のプロセスを記述するために使用されます。
ランダムサンプリング: モンテカルロシミュレーションなどの計算手法では、ランダムウォークを使用して確率分布からランダムにサンプリングし、複雑な問題に対する数値解を推定できます。
拡散プロセス: 統計物理学と数学では、拡散プロセスはランダムウォークによってモデル化できます。
検索戦略: ランダムウォークは、最適化問題や検索戦略の設計にも使用できます。たとえば、最適化アルゴリズムでは、ランダムウォークを使用して検索空間を探索し、最適なソリューションを見つけることができます。
人間の行動モデル: ランダムウォークモデルは、都市における人口移動パターンなど、人間の意思決定行動や移動パターンをシミュレートするためにも使用できます。
感染症の蔓延: 疫学では、ランダムウォークを使用して感染症の蔓延をシミュレートし、流行の蔓延と制御戦略を研究できます。

これらは、実際のランダムウォークのほんの一部の例です。ランダムウォークは、複雑な確率過程や現象を理解するのに役立ち、さまざまな分野や分野で実用的なモデリングと分析方法を提供する非常に便利なツールです。

ランダムウォークは重要なランダムプロセスであり、ランダムウォークを扱うときに一般的に使用されるいくつかのテクニックは、ランダムウォークの性質をより深く理解し、分析するのに役立ちます。ランダムウォーク処理のヒントをいくつか紹介します。

確率遷移行列: 離散ランダムウォークの場合、各要素が 1 つの状態から別の状態への遷移確率を表す確率遷移行列を構築できます。確率遷移行列に対して固有値分解または反復演算を実行することにより、ランダムウォークの長期的な挙動と定常状態を取得できます。
中心極限定理: ランダムウォークの中心極限定理は、ステップ数が増加するにつれて、ランダムウォークの位置が正規分布する傾向があることを示しています。この定理は、ランダムウォークの定常分布を推定したり、将来の位置の確率分布を予測したりするために使用できます。
ランダムプロセスシミュレーション：ランダムプロセスのシミュレーションを通じて、複数のランダムウォークパスを生成し、統計的に分析できます。これを使用して、理論的な導出を検証し、モンテカルロシミュレーションを実行し、さまざまなランダムウォークモデルを比較できます。
回帰と無限到達可能性: 1D ランダムウォークの場合、回帰と無限到達可能性は重要なプロパティです。回帰と無限到達可能性は数学的に証明でき、特定の問題に適用できます。
ランダムウォークの統計解析：ランダムウォークの経路に対して、平均値、分散、自己相関関数の計算などの統計解析を行うことができます。これらの統計は、ランダムウォークの性質と特性を理解するのに役立ちます。
マルコフ連鎖モンテカルロ法 (MCMC) : MCMC は、複雑な確率分布からサンプリングするためのランダムウォークベースのサンプリング方法です。MCMC は、統計、機械学習、ベイズ推論において幅広い用途に使用できます。
フラクショナルランダムウォーク: フラクショナルランダムウォークは、ランダムウォークの概念が非整数次数に拡張されたケースです。複雑なメディアの拡散と計算の分野に応用されています。
数値シミュレーションと可視化: 数値シミュレーションと可視化により、ランダムウォークの動作をより直感的に表示できます。2D または 3D ランダムウォークでは、散布図またはアニメーションを使用してランダムウォークパスを表示できます。

これらの処理技術は、ランダムウォークの研究および応用において一般的な方法です。特定の問題の複雑さと難易度に応じて、より高度な数学的および計算的手法を使用してランダムウォークを処理する場合があります。

ランダムウォークの中心極限定理を実証するには、複数のランダムウォークパスを生成し、ステップ数が増加するにつれてランダムウォークパスの位置の分布が正規分布に近づくかどうかを観察します。Python を使用したサンプルコードは次のとおりです。

import numpy as np
import matplotlib.pyplot as plt

def random_walk(steps):
    position = 0
    position_list = [position]
    
    for _ in range(steps):
        # 生成随机步长，可以用不同的分布来表示不同的随机行走模型
        step = np.random.choice([-1, 1])
        
        # 更新位置
        position += step
        position_list.append(position)
    
    return position_list

def simulate_random_walks(num_walks, num_steps):
    final_positions = []
    
    for _ in range(num_walks):
        random_walk_path = random_walk(num_steps)
        final_positions.append(random_walk_path[-1])
    
    return final_positions

# 模拟1000次随机游走，每次1000步
num_walks = 1000
num_steps = 1000

final_positions = simulate_random_walks(num_walks, num_steps)

# 绘制随机游走的最终位置分布
plt.hist(final_positions, bins=30, density=True, alpha=0.7, color='blue', edgecolor='black')
plt.xlabel("最终位置")
plt.ylabel("频率")
plt.title("随机游走的最终位置分布")
plt.show()

このコードでは、random_walk(steps)関数は 1 次元のランダムウォークパスをシミュレートするために使用され、simulate_random_walks(num_walks, num_steps)関数は複数のランダムウォークをシミュレートし、各ウォークの最終位置を記録するために使用されます。

それぞれ 1000 歩のランダムウォークを 1000 回シミュレートしました。これらの最終位置の分布のヒストグラムをプロットすると、ランダムウォークの最終位置にわたって正規分布に近い曲線が形成されることが観察されるはずです。これはランダムウォークの中心極限定理を具体化したもので、ステップ数が増加するにつれてランダムウォークの位置分布は正規分布に近づく傾向があります。

コードの各実行の結果はランダム性によりわずかに異なる可能性があることに注意してください。ただし、一般に、ステップ数が増加するにつれて、最終位置の分布は正規分布に近づきます。

ランダムウォークマルコフ連鎖モンテカルロ法 (MCMC) は、複雑な確率分布からサンプリングするためのランダムウォークベースのサンプリング方法です。ここでは、MCMC 法を使用して π の値を推定します。ここで、π は pi の比です。具体的には、単位正方形内でランダムウォークを実行し、MCMC を使用して単位円内に収まる点の割合を推定し、結果として π の近似値が得られます。

以下は、Python の MCMC メソッドを使用して π の値を推定するサンプルコードです。

import numpy as np
import matplotlib.pyplot as plt

def mcmc_pi_estimation(num_samples):
    inside_circle = 0
    x, y = 0, 0
    
    for _ in range(num_samples):
        # 生成随机步长
        step_x, step_y = np.random.uniform(-1, 1, 2)
        
        # 更新位置
        x_new, y_new = x + step_x, y + step_y
        
        # 判断是否在单位圆内
        if x_new**2 + y_new**2 <= 1:
            inside_circle += 1
            x, y = x_new, y_new
        
    # 估计π的值
    pi_estimate = 4 * inside_circle / num_samples
    return pi_estimate

# 进行MCMC估计π值
num_samples = 100000
pi_estimate = mcmc_pi_estimation(num_samples)

print(f"MCMC 估计π的值: {pi_estimate:.5f}")
print(f"真实π的值: {np.pi:.5f}")

このコードでは、mcmc_pi_estimation(num_samples)MCMC が π の値を推定する処理を実行する関数を定義します。ランダムウォークを実行しnum_samples、歩くたびにランダムなステップサイズに従って位置を更新し、単位円内にあるかどうかを判定しました。単位円内に入る点の数を数え、サンプル点の総数に対するこれらの点の割合を計算することで、π の値を推定できます。

コードを実行すると、MCMC によって推定された π の値が表示され、推定値と比較できる π の実際の値が出力されます。サンプリング点の数が増加するにつれて、MCMC によって推定される π の値は、実際の π の値に近づくはずです。

おすすめ