惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

M
MIT News - Artificial intelligence
罗磊的独立博客
Hugging Face - Blog
Hugging Face - Blog
J
Java Code Geeks
G
Google Developers Blog
美团技术团队
让小产品的独立变现更简单 - ezindie.com
让小产品的独立变现更简单 - ezindie.com
腾讯CDC
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
T
The Blog of Author Tim Ferriss
月光博客
月光博客
B
Blog
WordPress大学
WordPress大学
云风的 BLOG
云风的 BLOG
博客园_首页
人人都是产品经理
人人都是产品经理
aimingoo的专栏
aimingoo的专栏
Y
Y Combinator Blog
Jina AI
Jina AI
S
SegmentFault 最新的问题
H
Help Net Security
博客园 - 聂微东
Microsoft Azure Blog
Microsoft Azure Blog
Google DeepMind News
Google DeepMind News

你是下雨天

老派约会之必要 AI的逗号 相机配件 烘焙初体验——蛋挞和泡芙 摩托驾驶证科目一易错点 摩托驾驶证科目一易错点 三维旋转、欧拉角、四元数 维生素每日摄入量 高斯分布常用公式 爱得太迟 《娱乐至死》读后感 科目三 无线通信标准杂谈 信号调制与解调 IEEE论文爬虫及数据统计 SLAM综述 我的电脑(不时更新) 【高等数值分析】Krylov子空间方法 【随机过程2】马尔可夫过程2 | 状态空间 【随机过程2】马尔可夫过程1 | 基本概念 【随机过程2】布朗运动2 | 推广 Hello World 【高等数值分析】常微分方程数值解 【高等数值分析】数值积分和数值微分
【随机过程2】连续参数马尔可夫链
Glooow · 2022-01-24 · via 你是下雨天

7.1 定义与基本概念

定义:设随机过程 \(X=\{X(t),t\ge0\}\),状态空间 \(S\),对任意 \(0\le t_0 < t_1 < \cdots < t_n < t_{n+1}\)\(i_k\in S\),若 \(P(X(T_k)=i_k,0\le k\le n) > 0\)\[ P(X(t_{n+1})=i_{n+1} | X(t_k)=i_k,0\le k\le n) = P(X(t_{n+1})=i_{n+1} | X(t_n)=i_n) \] 则称 \(X\)连续参数的马氏链。若对任意的 \(s,t\ge0\)\(i,j\in S\)\[ P(X(s+t)=j | X(s)=i) = P(X(t)=j|X(0)=i) = P_{ij}(t) \]\(X\)齐次马氏链

对于连续参数马氏链,在原点处有 \(P_{ij}(0)=\delta_{ij}\),因此 \(P(0)=I\)。除此之外假设其在原点处连续,即 \(\lim_{t\to 0} P_{ij}(t)=\delta_{ij},\lim_{t\to0}P(t)=I\)。类比离散参数的马氏链,可以得到类似的 C-K 方程 \(P(s+t)=P(s)P(t)\)

7.2 转移概率矩阵

根据 C-K 方程可以猜测 \(P(t)=e^{tQ}\),泰勒展开表示为 \(P(t)=I + \sum_{n=1}^{\infty} \frac{t^n}{n!}Q^n\)\(P(t)\) 完全由 \(Q\) 确定,并且有 \(P'(0)=\lim_{t\to0}\frac{P(t)-I}{t}=Q\)

上面只是猜测,那么是否真的存在这样一个 \(Q\) 呢?下面两个定理给出结论。

定理 7.1:对 \(i\in S\),极限 \(-q_{ii}=\lim_{t\to0}\frac{1-P_{ii}(t)}{t}\) 存在,但可能是无穷。

定理 7.2:对 \(i\in S\),极限 \(q_{ij}=\lim_{t\to0}\frac{P_{ij}(t)}{t}\) 存在且有限。

证明:略。

Remark:实际应用中,\(P(t)\) 很难获得,一般可以求得 \(Q\),此时 \(e^{tQ} = \lim_{n\to\infty}(I + Qt/n)^n\)。如果取 \(n=2^k\) 的形式,只需要 \(k\) 次矩阵乘法即可。

推论 7.1:对任意 \(i\in S\)\(0\le \sum_{i\ne j}q_{ij}\le q_{ii}\)

证明: \[ q_{ii}=\varliminf_{t\to0} \frac{1-P_{ii}(t)}{t} = \varliminf_{t\to0} \sum_{j\ne i}\frac{P_{ij}(t)}{t} \ge \sum_{j\ne i}\varliminf_{t\to0}\frac{P_{ij}(t)}{t} = \sum_{j\ne i}q_{ij} \] 推论 7.2:当 \(S\) 为有限状态空间时,\(\sum_{i\ne j}q_{ij}= q_{ii} < \infty\)

7.3 Kolmogorov前向后向微分方程

定义:如果 \(Q\) 满足 \(\forall i\in S\)\(\sum_{j\ne i}q_{ij} = q_{ii} < \infty\),则称 \(Q\) 为保守矩阵。

定理 7.3:设马氏链 \(X=\{X(t),t\ge0\}\)\(Q=P'(0)\),当 \(S\)有限集时,\(P'(t)=P(t)Q=QP(t)\)

Remark:当 \(S\) 为可数状态时,前向方程与后向方程不一定成立,根据 Fatu 引理有 \(P'(t)\ge P(t)Q,P'(t)\ge QP(t)\)

定理 7.4:当 \(S\)可列个状态\(Q\) 为保守矩阵时,后向方程 \(P'(t)=QP(t)\) 成立。

7.4 平稳分布与极限分布及其矩阵计算

类似离散马氏链,可以定义状态的连通关系。

定义:若 \(\int_0^\infty P_{ii}(t)dt = +\infty\),则称状态 \(i\)常返态,否则称为非常返态。

定义:设 \(i\) 为常返态,若 \(\lim_{t\to\infty}P_{ii}(t) > 0\),则称为正常返态,若 \(\lim_{t\to\infty}P_{ii}(t) = 0\),称为零常返态。

定义:若概率分布 \(\pi=\{\pi_i,i\in S\}\) 满足 \(\pi=\pi P(t)\),称 \(\pi\)\(X\) 的平稳分布。

定理 7.5:设 \(X\) 是有限不可约连续马氏链,对任意 \(i,j\in S\),有 \(\lim_{t\to\infty}P_{ij}(t)=p_j\) 存在,且与状态 \(i\) 无关。

证明:略。