Warning: file_get_contents(/data/phpspider/zhask/data//catemap/8/magento/5.json): failed to open stream: No such file or directory in /data/phpspider/zhask/libs/function.php on line 167

Warning: Invalid argument supplied for foreach() in /data/phpspider/zhask/libs/tag.function.php on line 1116

Notice: Undefined index: in /data/phpspider/zhask/libs/function.php on line 180

Warning: array_chunk() expects parameter 1 to be array, null given in /data/phpspider/zhask/libs/function.php on line 181
如何用Python对参数sigma=1,mu=-1的两条布朗运动路径进行采样?_Python_Math_Probability - Fatal编程技术网

如何用Python对参数sigma=1,mu=-1的两条布朗运动路径进行采样?

如何用Python对参数sigma=1,mu=-1的两条布朗运动路径进行采样?,python,math,probability,Python,Math,Probability,我尝试用相同的参数对两条路径进行采样,它们是sigma=1,mu=-1,初始位置是2。但我不知道如何同时对两条路径进行采样。以下是Python编写的布朗运动单路径代码: 将numpy导入为np 将matplotlib.pyplot作为plt导入 np.随机种子(5) 图=plt.图() T=1 N=501#点数,子区间数=N-1 dt=T/(N-1)#时间步长 t=np.linspace(0,t,N) #预先分配阵列以提高效率: dX=[0]*N X=[0]*N #初始化: dX[0]=np.s

我尝试用相同的参数对两条路径进行采样,它们是
sigma=1
mu=-1
,初始位置是
2
。但我不知道如何同时对两条路径进行采样。以下是Python编写的布朗运动单路径代码:

将numpy导入为np
将matplotlib.pyplot作为plt导入
np.随机种子(5)
图=plt.图()
T=1
N=501#点数,子区间数=N-1
dt=T/(N-1)#时间步长
t=np.linspace(0,t,N)
#预先分配阵列以提高效率:
dX=[0]*N
X=[0]*N
#初始化:
dX[0]=np.sqrt(dt)*(1*np.random.randn(0,1)-1)#式(3)
X[0]=2
对于范围(1,N)内的i:
dX[i]=np.sqrt(dt)*(1*np.random.randn())#式(3)
X[i]=X[i-1]+dX[i]#式(4)
plt.绘图(t,X)
plt.xlabel('Time$t$',fontsize=14)
plt.ylabel('随机变量$X(t)$',fontsize=14)
plt.title('1D布朗路径',fontsize=14)
轴=plt.gca()
轴。设置\u xlim([0,T])
plt.xticks(fontsize=14)
plt.yticks(fontsize=14)
plt.紧_布局()
plt.show()
#取消注释以保存图像
#图savefig('brownian_1d.png',dpi=600)

以下是一种简洁的方法:

mu = -1
sigma = 1
X0 = 2
K = 2 # number of paths
dX = np.sqrt(T/(N-1)) * (sigma*np.random.randn(N, K)+mu)
X = np.cumsum(dX, axis=0) + X0

重复相同的代码两次?@Julien是的,只想对两条随机路径进行采样。我明白,你可以重复当前代码两次。或者检查我下面的答案…请修复代码中的缩进。堆栈溢出上的标题不支持(La)TeX。@Julien如何重复相同的代码两次?我重复了相同的代码,但是同一个图形只出现了两次,但在一张图片中没有两条路径。但是我想对两条路径进行采样,这两条路径不是标准正态分布,而是$N(-1,1)$。怎么做?谢谢。最好将
K
轴放在前面,然后在最后一个轴上调用
cumsum
。这是您的意见。比萨饼没有菠萝味道更好。。。还将迫使您转换回绘图。不,这是由于阵列中的跨步工作方式以及整个scipy生态系统中堆叠数量的约定而带来的性能改进。