Chapman-Kolmogorov Equation

在概率论中，尤其是随机过程理论中，Chapman-Kolmogorov等式是一个重要的结论。它将一个随机过程的几个不同维度的联合分布函数联系在一起。如果随机过程特定为马尔可夫链，那么Chapman-Kolmogorov等式就是关于转移概率的公式。希望你在阅读本文之前已经了解下面两篇预备文章所涉及之知识：

• 矩阵的极限与马尔科夫链（上）
• 矩阵的极限与马尔科夫链（下）
  

我们还是先从一个例子来谈起，下面是《矩阵的极限与马尔科夫链（上）》谈到的一个例子。图中左侧是状态转移矩阵，其中每个位置都表示从一个状态转移到另外一个状态的概率。例如，从状态1转移到状态2的概率是0.28，所以在第一行第二列的位置，给出的数值是0.28。

在马尔科夫链中，随机变量在一个按时间排序的数组t ₁ ,t ₂ ,..., t _n 中，根据状态转移矩阵让我们可以非常直观地得知当前时刻某一状态在下一时刻变到任意状态的概率，如下图所示。

现在我们的问题是能不能做更进一步的预测。例如，当前时刻t₁时的状态为a，我们能否知道在下下时刻t₃时状态为b的概率是多少呢？这其实也相当容易做到，如下图所示。

这个过程用转移矩阵的自乘来表示是非常直观且方便的。矩阵P中第1行就表示，当前时刻状态a在下一时刻变到状态a,b,c的概率，矩阵P中第2列就表示，由状态a,b,c，在下一时刻转移到状态b的概率。那么根据矩阵的乘法公式，P²中第1行第2列的位置就表示“当前时刻t₁时的状态为a，在下下时刻t₃时状态为b的概率”。也就是说，如果我们想得到跨越2个时刻的转移矩阵，就把跨越1个时刻的转移矩阵乘以跨越1个时刻的转移矩阵即可。同理，如果想跨越3个时刻的转移矩阵，就把跨越2个时刻的转移矩阵乘以跨越1个时刻的转移矩阵即可。More generally, 我们有 P^m+n= P^mPⁿ，而这个关系就被称为Chapman-Kolmogorov Equation。

下面是Chapman-Kolmogorov Equation的一个表述：

对于马尔科夫链，应该用离散形式表述，对于更泛化的随机过程，应该用连续形式表述：

下面是Chapman-Kolmogorov Equation的证明。

(本文完)