Navigator
n n n步转移概率
马氏过程在时刻
m
m
m处于状态
i
i
i,再经过
n
n
n步转移到状态
j
j
j的
n
n
n步转移概率表示为
p
i
j
(
n
)
(
m
)
=
P
{
X
(
m
+
n
)
=
j
∣
X
(
m
)
=
i
}
=
p
i
j
(
m
)
p_{ij}^{(n)}(m)=P\{X(m+n)=j\mid X(m)=i\}=p_{ij}(m)
pij(n)(m)=P{X(m+n)=j∣X(m)=i}=pij(m)
n
n
n步转移概率具有如下性质:
1.
p
i
j
(
n
)
(
m
)
≥
0
i
,
j
∈
E
p_{ij}^{(n)}(m)\geq 0\quad i,j\in E
pij(n)(m)≥0i,j∈E
2.
∑
j
∈
E
p
i
j
(
n
)
(
m
)
=
1
i
∈
E
\sum_{j\in E}p_{ij}^{(n)}(m)=1\quad i\in E
j∈E∑pij(n)(m)=1i∈E
Demo1
设
{
X
(
n
)
,
n
=
0
,
1
,
2
,
…
}
\{X(n), n=0,1,2,\dots\}
{X(n),n=0,1,2,…}是状态空间
E
=
{
0
,
1
}
E=\{0, 1\}
E={0,1}的马氏链,其中
0
,
1
0, 1
0,1分别表示系统故障/工作,概率转移图如下所示,其中
p
0
+
q
0
=
1
,
p
1
+
q
1
=
1
p_0+q_0=1, p_1+q_1=1
p0+q0=1,p1+q1=1.
不考虑绝对时间的情况下,求该马氏链所表示的系统的一,二步转移概率矩阵。
解析:
X
(
n
)
X(n)
X(n)为齐次马氏链,
X
(
0
)
=
i
X(0)=i
X(0)=i表示今天的状态,系统的一步概率转移矩阵为
p
00
=
P
(
X
(
1
)
=
0
∣
X
(
0
)
=
0
)
=
q
0
p
01
=
P
(
X
(
1
)
=
1
∣
X
(
0
)
=
0
)
=
p
0
p
10
=
P
(
X
(
1
)
=
0
∣
X
(
0
)
=
1
)
=
p
1
p
11
=
P
(
X
(
1
)
=
1
∣
X
(
0
)
=
1
)
=
q
1
\begin{aligned} &p_{00}=P(X(1)=0\mid X(0)=0)=q_0\\ &p_{01}=P(X(1)=1\mid X(0)=0)=p_0\\ &p_{10}=P(X(1)=0\mid X(0)=1)=p_1\\ &p_{11}=P(X(1)=1\mid X(0)=1)=q_1 \end{aligned}
p00=P(X(1)=0∣X(0)=0)=q0p01=P(X(1)=1∣X(0)=0)=p0p10=P(X(1)=0∣X(0)=1)=p1p11=P(X(1)=1∣X(0)=1)=q1
一步转移概率矩阵为
P
=
[
q
0
p
0
p
1
q
1
]
P= \left[ \begin{matrix} q_0 & p_0\\ p_1 & q_1 \end{matrix} \right]
P=[q0p1p0q1]
两步概率转移矩阵为
P
(
2
)
=
P
2
P^{(2)}=P^2
P(2)=P2
可以归纳出齐次马氏链的
n
n
n步概率转移矩阵等于一个
n
−
1
n-1
n−1步转移概率矩阵与一个一步概率转移矩阵的乘积,即
P
(
n
)
=
P
(
n
−
1
)
P
=
P
n
P^{(n)}=P^{(n-1)}P=P^n
P(n)=P(n−1)P=Pn
其中
n
n
n步转移概率为
p
i
j
(
n
)
=
p
i
1
(
n
−
1
)
p
1
j
+
p
i
2
(
n
−
1
)
p
2
j
+
⋯
+
p
i
r
(
n
−
1
)
p
r
j
=
∑
k
=
1
r
p
i
k
(
n
−
1
)
p
k
j
p_{ij}^{(n)}=p_{i1}^{(n-1)}p_{1j}+p_{i2}^{(n-1)}p_{2j}+\dots+p_{ir}^{(n-1)}p_{rj}=\sum_{k=1}^rp_{ik}^{(n-1)}p_{kj}
pij(n)=pi1(n−1)p1j+pi2(n−1)p2j+⋯+pir(n−1)prj=k=1∑rpik(n−1)pkj
C-K方程
设
{
X
(
n
)
,
n
=
0
,
1
,
2
,
…
}
\{X(n), n=0,1,2,\dots\}
{X(n),n=0,1,2,…}为一个马氏链,状态空间
E
=
{
0
,
±
1
,
±
2
,
…
}
E=\{0, \pm 1, \pm 2, \dots\}
E={0,±1,±2,…}或有限子集,则其
n
n
n步转移概率满足如下等式
p
i
j
(
n
)
(
r
)
=
∑
k
∈
E
p
i
k
(
m
)
(
r
)
p
k
j
(
n
−
m
)
(
r
+
m
)
i
,
j
∈
E
1
≤
m
≤
n
p_{ij}^{(n)}(r)=\sum_{k\in E}p_{ik}^{(m)}(r)p_{kj}^{(n-m)}(r+m)\quad i,j\in E\quad 1\leq m\leq n
pij(n)(r)=k∈E∑pik(m)(r)pkj(n−m)(r+m)i,j∈E1≤m≤n
对应的
n
n
n步转移概率矩阵为
P
(
n
)
(
r
)
=
P
(
m
)
(
r
)
P
(
n
−
m
)
(
r
+
m
)
P^{(n)}(r)=P^{(m)}(r)P^{(n-m)}(r+m)
P(n)(r)=P(m)(r)P(n−m)(r+m)
证明:时刻为
r
r
r的
n
n
n步转移概率为
p
i
j
(
n
)
(
r
)
=
P
(
X
(
r
+
n
)
=
j
∣
X
(
r
)
=
i
)
=
P
(
X
(
r
+
n
)
=
j
[
⋃
k
∈
E
X
(
r
+
m
)
=
k
]
∣
X
(
r
)
=
i
)
=
P
{
⋃
k
∈
E
(
X
(
r
+
n
)
=
j
,
X
(
r
+
m
)
=
k
)
∣
X
(
r
)
=
i
}
=
∑
k
∈
E
P
(
X
(
r
+
n
)
=
j
,
X
(
r
+
m
)
=
k
∣
X
(
r
)
=
i
)
=
M
a
r
k
o
v
∑
k
∈
E
P
(
X
(
r
+
m
)
=
k
∣
X
(
r
)
=
i
)
P
(
X
(
r
+
n
)
=
j
∣
X
(
r
+
m
)
=
k
,
X
(
r
)
=
i
)
=
∑
k
∈
E
p
i
k
(
m
)
(
r
)
p
k
j
(
n
−
m
)
(
r
+
m
)
\begin{aligned} p_{ij}^{(n)}(r)&=P(X(r+n)=j\mid X(r)=i)\\ &=P(X(r+n)=j[\bigcup_{k\in E}X(r+m)=k]\mid X(r)=i)\\ &=P\{\bigcup_{k\in E}(X(r+n)=j, X(r+m)=k)\mid X(r)=i\}\\ &=\sum_{k\in E}P(X(r+n)=j, X(r+m)=k\mid X(r)=i)\\ &\overset{Markov}{=}\sum_{k\in E}P(X(r+m)=k\mid X(r)=i)P(X(r+n)=j\mid X(r+m)=k, X(r)=i)\\ &=\sum_{k\in E}p_{ik}^{(m)}(r)p_{kj}^{(n-m)}(r+m) \end{aligned}
pij(n)(r)=P(X(r+n)=j∣X(r)=i)=P(X(r+n)=j[k∈E⋃X(r+m)=k]∣X(r)=i)=P{k∈E⋃(X(r+n)=j,X(r+m)=k)∣X(r)=i}=k∈E∑P(X(r+n)=j,X(r+m)=k∣X(r)=i)=Markovk∈E∑P(X(r+m)=k∣X(r)=i)P(X(r+n)=j∣X(r+m)=k,X(r)=i)=k∈E∑pik(m)(r)pkj(n−m)(r+m)
推论1
若
{
X
(
n
)
,
n
=
0
,
1
,
2
,
…
}
\{X(n), n=0,1,2,\dots\}
{X(n),n=0,1,2,…}为一个齐次马氏链,状态空间
E
=
{
0
,
±
1
,
±
2
,
…
}
E=\{0, \pm 1, \pm 2, \dots\}
E={0,±1,±2,…}或者有限子集,则其
n
n
n步转移概率表达式为
p
i
j
(
n
)
=
∑
k
∈
E
p
i
k
(
m
)
p
k
j
(
n
−
m
)
P
(
n
)
=
P
(
m
)
P
(
n
−
m
)
\begin{aligned} &p_{ij}^{(n)}=\sum_{k\in E}p_{ik}^{(m)}p_{kj}^{(n-m)}\\ &P^{(n)}=P^{(m)}P^{(n-m)} \end{aligned}
pij(n)=k∈E∑pik(m)pkj(n−m)P(n)=P(m)P(n−m)
推论2
若
{
X
(
n
)
,
n
=
0
,
1
,
2
,
…
}
\{X(n), n=0,1,2,\dots\}
{X(n),n=0,1,2,…}为一个马氏链,状态空间
E
=
{
0
,
±
1
,
±
2
,
…
}
E=\{0, \pm 1, \pm 2, \dots\}
E={0,±1,±2,…}为有限子集,则有
p
i
j
(
n
)
=
∑
k
1
∈
E
∑
k
2
∈
E
⋯
∑
k
n
−
1
∈
E
p
i
k
1
p
i
k
2
…
p
k
n
−
1
j
p_{ij}^{(n)}=\sum_{k_1\in E}\sum_{k_2\in E}\dots\sum_{k_{n-1}\in E}p_{ik_1}p_{ik_2}\dots p_{k_{n-1}j}
pij(n)=k1∈E∑k2∈E∑⋯kn−1∈E∑pik1pik2…pkn−1j
该方程表示质点从
i
i
i点转移到
j
j
j点,可以视为一步一步经过
n
n
n步转移到了
j
j
j点。
绝对概率与初始概率
马氏链的绝对概率由其初始分布以及相应的转移概率唯一确定,一般地,当
n
≥
2
n\geq 2
n≥2时,绝对概率为
p
j
(
n
)
=
P
{
X
(
n
)
=
j
}
=
P
{
(
X
(
n
)
=
j
)
[
⋃
i
∈
E
(
X
(
0
)
=
i
)
]
}
=
P
{
⋃
i
∈
E
(
X
(
n
)
=
j
,
X
(
0
)
=
i
)
}
=
∑
i
∈
E
P
(
X
(
0
)
=
i
)
P
(
X
(
n
)
=
j
∣
X
(
0
)
=
i
)
=
∑
i
∈
E
p
i
p
i
j
(
n
)
(
0
)
\begin{aligned} p_j(n)&=P\{X(n)=j\}=P\{(X(n)=j)[\bigcup_{i\in E}(X(0)=i)]\}\\ &=P\{\bigcup_{i\in E}(X(n)=j, X(0)=i)\}\\ &=\sum_{i\in E} P(X(0)=i)P(X(n)=j\mid X(0)=i)\\ &=\sum_{i\in E}p_ip_{ij}^{(n)}(0) \end{aligned}
pj(n)=P{X(n)=j}=P{(X(n)=j)[i∈E⋃(X(0)=i)]}=P{i∈E⋃(X(n)=j,X(0)=i)}=i∈E∑P(X(0)=i)P(X(n)=j∣X(0)=i)=i∈E∑pipij(n)(0)
即绝对概率
p
j
(
n
)
p_j(n)
pj(n)由初始分布以及
n
n
n步转移概率的唯一确定。
转移概率 p i j ( n ) p_{ij}^{(n)} pij(n)的遍历性与平稳分布
定义1
设齐次马氏链
{
X
(
n
)
,
n
≥
1
}
\{X(n), n\geq 1\}
{X(n),n≥1}的状态空间为
E
E
E,若对于所有状态
i
,
j
∈
E
i,j\in E
i,j∈E,存在不依赖
i
i
i的常数
π
j
\pi_j
πj,其转移概率
p
i
j
(
n
)
p_{ij}^{(n)}
pij(n)在
n
→
∞
n\to\infty
n→∞时的极限,即
lim
n
→
∞
p
i
j
(
n
)
=
π
j
\lim_{n\to\infty}p_{ij}^{(n)}=\pi_j
n→∞limpij(n)=πj
则称该齐次马氏链具有遍历性,
π
j
\pi_j
πj为状态
j
j
j的稳态概率。
定义2
设
{
X
(
n
)
,
n
=
0
,
1
,
2
,
…
}
\{X(n), n=0,1,2,\dots\}
{X(n),n=0,1,2,…}为一个齐次马氏链,若存在实数集合
{
r
j
,
j
∈
E
}
\{r_j, j\in E\}
{rj,j∈E}满足
{
r
j
≥
0
j
∈
E
∑
j
∈
E
r
j
=
1
r
j
=
∑
i
∈
E
r
i
p
i
j
j
∈
E
\begin{cases} r_j\geq 0\quad j\in E\\ \sum\limits_{j\in E}r_j=1\\ r_j=\sum\limits_{i\in E}r_i p_{ij}\quad j\in E \end{cases}
⎩⎪⎪⎪⎨⎪⎪⎪⎧rj≥0j∈Ej∈E∑rj=1rj=i∈E∑ripijj∈E
则称
{
X
(
n
)
,
n
=
0
,
1
,
2
,
…
}
\{X(n), n=0,1,2,\dots\}
{X(n),n=0,1,2,…}为一个平稳齐次马氏链,
{
r
j
,
j
∈
E
}
\{r_j, j\in E\}
{rj,j∈E}是该过程的一个平稳分布。使用
C
−
K
C-K
C−K方程反复迭代计算
n
n
n步转移概率
r
j
=
∑
i
∈
E
r
i
p
i
j
(
1
)
=
∑
i
∈
E
(
∑
k
∈
E
r
k
p
k
i
(
1
)
)
p
i
j
(
1
)
=
∑
k
∈
E
r
k
(
∑
i
∈
E
p
k
i
(
1
)
p
i
j
(
1
)
)
=
∑
k
∈
E
r
k
p
k
j
(
2
)
=
∑
k
∈
E
(
∑
l
∈
E
r
l
p
l
k
(
1
)
)
p
k
j
(
2
)
=
∑
l
∈
E
r
l
p
l
j
(
3
)
=
⋯
=
∑
i
∈
E
r
i
p
i
j
(
n
)
\begin{aligned} r_j&=\sum_{i\in E}r_ip_{ij}^{(1)}=\sum_{i\in E}(\sum_{k\in E}r_kp_{ki}^{(1)})p_{ij}^{(1)}\\ &=\sum_{k\in E}r_k(\sum_{i\in E}p_{ki}^{(1)}p_{ij}^{(1)})\\ &=\sum_{k\in E}r_kp_{kj}^{(2)}\\ &=\sum_{k\in E}(\sum_{l\in E}r_lp_{lk}^{(1)})p_{kj}^{(2)}\\ &=\sum_{l\in E}r_lp_{lj}^{(3)}=\dots=\sum_{i\in E}r_ip_{ij}^{(n)} \end{aligned}
rj=i∈E∑ripij(1)=i∈E∑(k∈E∑rkpki(1))pij(1)=k∈E∑rk(i∈E∑pki(1)pij(1))=k∈E∑rkpkj(2)=k∈E∑(l∈E∑rlplk(1))pkj(2)=l∈E∑rlplj(3)=⋯=i∈E∑ripij(n)
定理1
设
{
X
(
n
)
,
n
=
0
,
1
,
2
,
…
}
\{X(n), n=0,1,2,\dots\}
{X(n),n=0,1,2,…}是一个平稳齐次马氏链,
P
(
0
)
=
{
p
1
(
0
)
,
p
2
(
0
)
,
…
,
p
j
(
0
)
,
…
}
P(0)=\{p_1(0), p_2(0), \dots, p_j(0), \dots\}
P(0)={p1(0),p2(0),…,pj(0),…}为其初始分布,如果
P
(
0
)
P(0)
P(0)为
X
(
n
)
X(n)
X(n)的平稳分布时,则对任何
n
≥
1
n\geq 1
n≥1,绝对概率等于初始概率,即
p
j
(
n
)
=
p
j
(
0
)
p_j(n)=p_j(0)
pj(n)=pj(0)
当
{
p
i
(
0
)
,
i
∈
E
}
\{p_i(0), i\in E\}
{pi(0),i∈E}为平稳分布时,可以得到
p
j
(
n
)
=
∑
i
∈
E
p
i
(
0
)
p
i
j
(
n
)
=
p
j
(
0
)
p_j(n)=\sum_{i\in E}p_i(0)p_{ij}^{(n)}=p_j(0)
pj(n)=i∈E∑pi(0)pij(n)=pj(0)
平稳分布是不因为转移步数变化而变化的分布。
定理2
设齐次马氏链
{
X
(
n
)
,
n
≥
0
}
\{X(n), n\geq 0\}
{X(n),n≥0}的状态空间为
E
=
{
1
,
2
,
…
,
N
}
E=\{1,2,\dots, N\}
E={1,2,…,N},如果存在正整数
m
m
m,使得对任意的
i
,
j
∈
E
i,j\in E
i,j∈E,其
m
m
m步转移概率均大于
0
0
0,即
p
i
j
(
m
)
>
0
i
,
j
∈
E
p_{ij}^{(m)}>0\quad i,j\in E
pij(m)>0i,j∈E
该链具有遍历性,且各状态稳态概率
π
j
,
j
∈
E
\pi_j, j\in E
πj,j∈E为方程组
π
=
π
P
\pi=\pi P
π=πP,即
π
j
=
∑
i
=
1
N
π
i
p
i
j
j
=
1
,
2
,
…
,
N
\pi_j=\sum_{i=1}^N\pi_ip_{ij}\quad j=1,2,\dots,N
πj=i=1∑Nπipijj=1,2,…,N
的唯一解,其中
π
j
\pi_j
πj满足概率分布条件:
π
j
>
0
j
=
1
,
2
,
,
…
,
N
∑
j
=
1
N
π
j
=
1
\begin{aligned} &\pi_j>0\quad j=1,2,,\dots, N\\ &\sum_{j=1}^N\pi_j=1 \end{aligned}
πj>0j=1,2,,…,Nj=1∑Nπj=1