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

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
爱范儿
爱范儿
H
Help Net Security
V
Visual Studio Blog
J
Java Code Geeks
Stack Overflow Blog
Stack Overflow Blog
Microsoft Security Blog
Microsoft Security Blog
Apple Machine Learning Research
Apple Machine Learning Research
MyScale Blog
MyScale Blog
The Cloudflare Blog
Martin Fowler
Martin Fowler
D
Docker
腾讯CDC
F
Fortinet All Blogs
雷峰网
雷峰网
GbyAI
GbyAI
G
Google Developers Blog
Cyber Security Advisories - MS-ISAC
Cyber Security Advisories - MS-ISAC
Recent Announcements
Recent Announcements
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
Blog — PlanetScale
Blog — PlanetScale
Engineering at Meta
Engineering at Meta
博客园 - 聂微东
博客园 - 叶小钗

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。