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

MyScale Blog
MyScale Blog
Jina AI
Jina AI
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
阮一峰的网络日志
阮一峰的网络日志
P
Proofpoint News Feed
Last Week in AI
Last Week in AI
博客园 - 司徒正美
Martin Fowler
Martin Fowler
T
Tailwind CSS Blog
B
Blog RSS Feed
Vercel News
Vercel News
博客园 - 聂微东
I
InfoQ
钛媒体:引领未来商业与生活新知
钛媒体:引领未来商业与生活新知
M
MIT News - Artificial intelligence
Recent Announcements
Recent Announcements
GbyAI
GbyAI
L
LangChain Blog
酷 壳 – CoolShell
酷 壳 – CoolShell
Cyber Security Advisories - MS-ISAC
Cyber Security Advisories - MS-ISAC
Microsoft Security Blog
Microsoft Security Blog
C
Check Point Blog
MongoDB | Blog
MongoDB | Blog
B
Blog

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。