随机过程及其应用-清华大学
4.1(等待时间的和) 设诚恳按照参数λ的Poisson 过程来到公交站,公交车于时刻t 发出,那么在[0, t ]时间段内到达的乘客等待时间总和的期望应该如何计算那?
对于某一个乘客而言,假设其到达时间为t k ,那么他等待时间就是
t -t k 所以乘客总的等待时间为S (t ) =∑(t -t k )
k =0N (t )
使用条件期望来处理平均等待E (S (t )) =E (E (t ) |N (t ) =n )
对于某已成了而言,其到达时刻t k 随机[0, t ]内均匀分布的随机变量。但在车站上,乘客是先后到达次序排队,所以在N (t ) =n 的条件下,
t 1, t 2,..., t n 形成了独立均匀分布的顺序统计量。不过就他们的和t 1+... +t n
而言,可以那他们看着顺序统计量,也可以把他们看着不排顺序的n 各独立的[0, t ]内均匀分布的随机变量,所以
E (E (t ) |N (t ) =n ) =nt -E (∑t k ) =nt -
k =0n
nt nt =22
N (t ) t t λt 2
从而有E (E (t )) =E () =E (N (t )) =
222
4.2(数值记录) 设{X n , n ∈N }是一独立同分布的非负期望随机变量序列。定义风险率λ(t ) 如下λ(t ) =
f (t )
1-F (t )
这里f (t ) 和F (t ) 分别是X k 的概率密度分布和分布函数。定义随机过程
N (t ) 如下N (t ) =#{n :X n >max(X n -1,.., X 0), X n ≤t }
这里#A 表示集合A 中的元素个数。如果把N (t ) 中的时间t 看做时间,那么N (t ) 是一个非齐次Poisson 过程。事实上,由于X k 彼此独立,所以N (t ) 具有独立增量性。很明显N (0) =0,于是只需要检查一个时间微元内N (t ) 的状态。
假定∆t 充分小,在X n ,..., X 0中只有X n 在(t , t +∆t ]上,因此
P (N (t +∆t ) -N (t ) =1) =∑P (X n ∈(t , t +∆],X n >max(X n -1,..., X 1))
n =1∞
P (X n ∈(t , t +∆],X n >max(X n -1,..., X 1)) =P (X n ∈(t , t +∆],X n -1≤t ,..., X 1≤t ) =P (X n ∈(t , t +∆])P (X n -1≤t ,..., X 1≤t ) =(f (t ) ∆t +o (∆t ))(F (t ))
n -1
所以
P (N (t +∆t ) -N (t ) =1) =(f (t ) ∆t +o (∆t )) ∑(F (x )) n -1
n =2∞
f (t ) ∆t +o (∆t ) 1-F (t ) =λ(t ) ∆t +o (∆t ) =
另一方面,可以证明P (N (t +∆t ) -N (t ) ≥2) =o (∆t ) 所以N (t ) 是非齐次的Poisson 过程,强度λ(t ) 。
这里所提到的风险率在可靠性研究中有着重要作用。假定某种起见的寿命为随机变量,其概率分布和密度分布为F (t ) 和f (t ) ,那么风险率微元λ(t ) ∆t +o (∆t ) 表示该器件在[0, 1]时间段内为失效的条件下,将会在
[t , t +∆t ]内失效的概率。由此可以说明“风险”一次的含义。从而可
知,与指数相应的风险率是常数,而且在所有非负连续随机变量的分布函数中,唯有指数分布相应的风险率为常数。事实上,由
d
F (t ) =λ(1-F (t )), F (0) =0
上式正好指数分布的分布函数。 dt
直接解得F (t ) =1-exp(-λt )
4.3(Poisson过程的和与差) 两个独立的Poisson 过程的和仍然是Poisson 过程,事实上,设N 1(t ) 和N 2(t ) 是两个独立的Poisson 过程,参数分别是λ1和λ2。则N 1(t ) +N 2(t ) 的母函数为
G N 1(t ) +N 2(t ) (z , t ) =E (z N 1(t ) +N 2(t ) ) =E (z N 1(t ) )(z N 2(t ) )
=G N 1(z , t ) G N 2(z , t ) =exp((λ1+λ2) t (z -1))
所以N 1(t ) +N 2(t ) 是参数λ1+λ2
的Poisson 过程。类似的结论可以拓广到n 个独立的Poisson 过程的和:
..., λn ,那么..., N n (t ) 是n 个独立的Poisson 过程,参数分别为λ1,如果N 1(t ) ,
N 1(t ) +... +N n (t ) 仍然是Poisson 过程,参数λ1+... +λn 。
考虑两个独立Poisson 过程差X (t ) =N 1-N 2。可以肯定,X (t ) 不是Poisson 过程,因为P (X (t ) 0,这与Poisson 过程的非负明显矛盾。计算X (t ) 的特征函数可以知道:
φN -N (j ω) =E (exp(j ω(N 1(t ) -N 2(t ))))
1
2
=E (exp(j ω(N 1(t ))) E (exp(-j ωN 2(t ))) =φN 1(t ) (j ω) φN 1(t ) (-j ω)
=exp(λ1t (exp(j ω) -1) +λ2t (exp(-j ω) -1)) =exp(λ1+λ2) t (P (j ω) -1)
λ2λ1+λ2
exp(-j ω)
这里P (j ω) =
λ1λ1+λ2
exp(j ω) +
所有X (t ) 是Poisson 过程,其中Poisson 过程参数λ1+λn ,随机变量Y k 服从两点分布:P (Y k =1) =
λ1λ1+λ2
, P (Y k =1) =
λ2λ1+λ2
4.4(事件分类)[0,t]内进入商店的顾客服从Poisson 过程,顾客有男有女之分。如果每次进入商店的顾客中,男顾客出现的概率为p ,女顾客出现的概率为q ,p +q =1那么每次进入想点的男顾客人数N m (t ) 有
N m (t ) =∑Y k
k =0N (t )
其中,Y k 为取值0,1独立同分布的随机变量,不妨设男顾
客出现时Y k 取1,
1
根据式φY (t ) (j ω) =G N (t ) (φY (t ) (j ω)) =exp(λt (φY (t ) (ω) -1))
得到φN m (t ) exp((j ω), t ) =exp(λt (φY (exp (j ω)) -1)
=exp(λt (p exp (j ω) +q -1) =exp(λpt (exp (j ω) -1)
可以看到,进入商店的男顾客
人数N m (t ) 服从参数为λp 的Poisson 过程。同理女顾客人数服从参数为
λq 的Poisson 过程。
4.6(散弹噪声分析) 电真空以及半导体中的噪声有很大一部分来源于“散弹效应”。单个电子在器件内渡越是会引起微小的窄脉冲电流,设该波形为i (t ) 。而阴极发射的电子数目服从Poisson 分布,大量电子的运动在电路中的总电流强度可以用过滤Poisson 过程进行近似。
Y (t ) =∑i (t -τk )
k =0N (t )
q 为电子所携带电荷量,τa 为电子在器件内的⎧2q
⎪2t , t ∈[0, τa ]
其中i (t ) =⎨τa
⎪⎩0, 其他
t
渡越时间。由式m Y (t ) =E (Y (t )) =λ⎰0h (t , τ) d τ, 设t >τa 得
m Y (t ) =λ⎰i (i -τ) d τ=λq , 如果设t , s >τa 由式C Y (t , s ) =λ⎰
0t
min(t , s ) 0
h (t , τ) h (s , t ) d τ可知
Y (t ) 的协方差函数为C Y (t , s ) =λ⎰
min(t , s )
i (t -τ) i (s -τ) d τ整理后得到
⎧4q 2⎛11⎫⎪λ4 τa (τa -(t -s )) 2-(τa -(t -s )) 3⎪
C Y (t , s ) =⎨τa ⎝26⎭, |t -s |≤τa 所以散弹效应所
⎪0, |t -s |>τa ⎩
引起的噪声电流是宽平稳的随机过程。
4.7(发射强度很大时的Gauss 近似) 过滤Poisson 过程的性质不仅仅受到滤波器冲击响应h 的影响,和标准Poisson 过程N (t ) 的强度λ也有
很大关系。现需要研究当λ→∞时,过滤Poisson 过程Y (t ) 的渐进形态,为此首先把Y (t ) 归一化。设m Y (t ) =E (Y (t )), σY (t ) =(Y (t )) , 令
η(t ) =
Y (t ) -m Y (t )
则E (η(t )) =0, Var (η(t )) =1。η(t ) 的特征函数满足
σY (t )
φη(t ) (ω) =exp -j
⎝
lg(φη(t ) (ω)) =-j
⎛
⎫⎛ω⎫
⎪取对数以后得到 m Y (t ) ⎪φY (t ) ⎪⎪σY (t ) ⎭⎝σY (t ) ⎭
ω
⎛ω⎫
⎪m Y (t ) +lg(φY (t ) ) ⎪σY (t ) ⎝σY (t ) ⎭
ω
=-j
ωσY (t ) ω
m Y (t ) +λ⎰(exp(j
t
ωσY (t )
t
h (t , τ) -1) d τ
t ω2
=-j m Y (t ) +j λ⎰h (t , τ) d τ-2λ⎰h 2(t , τ) d τ
σY (t ) σY (t ) 02σY (t ) 0
2ω⎛1⎫=-+o ⎪所以当λ→∞时有
2⎝⎭
ω2
lg(φη(t ) (ω)) →-
ω
2
也就是说φη(t ) (ω) →exp(-
ω2
2
)
所以当单位时间内出现的脉冲个数趋于无穷大时,归一化的过滤Poisson 过程的极限分布为Gauss 分布。
4.8(特烈:Poisson 过程) 如果某个更新过程的更新强度为
⎧λ, t ≥0
可以利用更新方程式来计算时间间隔的概率分布,由式λN (t ) =⎨
⎩0,
t
f T (t ) =λN (t ) -⎰λN (t -τ) f T (τ) d τ得f T (t ) =
d
F T (t ) =λ(1-F (t )) 立刻得 dt
F (t ) =1-exp(-λt ) 恰好说明分布函数就是指数分布。
4.
7.6(周期性) 状态i 的周期d i 是集合T i ={n :P ii (n ) >0}的最大公约数,即
(n ) d i =gcd{n :P >0}如果d 1=1, 就状态i 非周期的。如果d i >1,则称状态i ii
为周期态。
7.10(两个状态的Markov 链) 设离散时间Markov 链的样本空间只有两个状态,这种连接在现实生活中十分常见。比如天气预报问题,吧晴天和阴天作为(0,1)两种样本状态,可以通过构造Markov 链来研究天气在两种状态之间的统计规律。两个状态Markov 链的一步转移概率
1-α
为2*2的随机矩阵,为P =(
α
1-β
β
要得到n 步) 其中α,β∈[0, 1]。
转移概率,需要计算P n 。可以利用特征分解吧矩阵对角化一简化矩阵乘幂的计算。以上矩阵为列,设其两个特征值不同,则可以找到2*2的矩阵Q ,使得P =Q (
λ0
λ1
) Q -1其中λ0,λ1非标是矩阵P 的两个特征值,
n
矩阵Q 的列分别是对应于λ0,λ1的特征向量。从而有P =Q (
λn 0
λ1
-1
) Q n
只需要具体求出P 的特征向量就可以完成P n 的计算。P 的特征值是下
t -λI ) =0其中I 是单位矩阵。于是列特征方程的解d e (P
(1-α-λ)(1-β-λ) -αβ=0得到的两个解是λ0=1,λ1=1-α-β-因
1α
) 且有 α>0, β>0, 所以λ0≠λ1,进而得到Q =(1βQ -1=
1β
(α+β1
) 所以 -1
α
P n =
0β11α1
()()(α+β1β0(1-α-β) n 11βα(1-α-β) α) =() +(-1α+ββα-βα+β
n
α-α
)
β
如果
|1-α-β|
1βα
() 即当时间n 趋于无穷大时,
α+ββα
N 步咋混一概率存在极限,即
lim
n →∞
(n ) (n ) P 00=lim P 10=
n →∞
βα+β
和
lim
n →∞
(n ) (n )
P 11=lim P 01=
n →∞
αα+β
抓你概率极限与初始状态无关,如果
时转移概率为
|1-α-β|=1,必然有α+β=2,即α=β=1,此
01P =() 链从一个状态转移到另一个状态,随机性消失,过程具有很强的周期性,
10
正是这种周期导致你步转移概率在n →∞时不存在极限。 7.11设有三个状态{0,1,2}的Markov 链,一步转移矩阵为
121(2
1
02
1111
) 有于P 01=>0, 所以0→1。而P 12=>0,故1→2,导致0→1→2
2444
120
3311P 21=>0和P =>0得到2→1→0,所以该链所以状态都相通,是不可约的。 10
32
状态图
7.12设有四个状态{0,1,2,3}的Markov 链,一步转移概率为
121(2120
1212120
00120
00121
) 状态如下所示,状态3是吸收态。状态0,1相互可达,
但是两者都无法到达状态2。所以该链有两个闭集{3}和{0,1}。状态
2可以到达其他状态,而无法从其他状态到达状态
2.
不可约链的一步转移矩阵具有明显的特征,即不可能通过初等行列置换得到如下形式:
(
D B
其中C 是方阵。如果链还可约的,那么一定可以同初等行列)0C
D B
吧一步转移矩阵变换为式的形式,子 阵C 本身就是随机矩阵。 ()
0C
进一步证明,任何一个Markov 链的转移概率矩阵通过适当行列置换
P 10
可以化为如下的一般形式:P =(
0R 1
0P 2
00
00
) 其中P ....., P m 分别是1,0Q
0 P m R 2 R m
不可约的闭子集的转移矩阵,且相应于Q 的状态不存在不可约的闭子集。
7.14(两个状态的周期性) 最简单也是基本的两个状态周期链{0,1}具有如下形式的一步转移矩阵:P =(期2。
01
) 其状态转移图如下所示,该链周10
如果周期i 具有周期d i ,并不是说对于任何的
正整数k ,都有P ii (kd ) >0。当k 充分大后,这一论断成立。
i
可以证明,相同的状态具有相同的周期性,即周期性的类性质。设
i ⇔j , i 和j 的周期分别为d i 和d j ,则
∃m , n , k , 使得P ii
(m +kd j +n )
>P ij (m ) P jj
(kd j )
(n )
P ji >0⇒d i |m +kd i +n
(m +(k +1) d i +n ) (m ) ((k +1) d i ) (n )
P >P P ji >0⇒d i |m +(k +1) d i +n ii ij P jj
所以d j |d i , 同理可证明 d j |d i ,因此d i =d j 。
利用周期性,可以对Markov 链中的状态从周期的角度进行分类。为方便起见,只讨论不可约链的情况,,此时各个状态周期d 都相同。状态空间为E ,整条链呈现出从一组状态向另一组状态转移的循环往复的特征。选状态i 0,引入如下子类。
) C 0={j ∈E , P i 0(n j >0, n ≡0(modd )}) C 1={j ∈E , P i 0(n j >0, n ≡1(modd )}
) C d -1={j ∈E , P i 0(n j >0, n ≡d -1(modd )}
很明显E =C 0⋃C 1⋃... ⋃C d -1
上面给出的子类的表示方法说明了链的转移很规律,当0≤k ≤d -1时,从子类C k 转移到C k +1,然后从子类为说明上述分析的正确性,只C d -1回到C 0。需验证如果
(a )
i ∈C p ,P ,则j ∈C p +1。由于P a =kd +p , 进而有a +1=kd +p +1,ij >0i 0i >0, 所以
而
a +1a
P i 0i ≥P i 0i ≥P ii >0, 结论是自然的,如下图
7.14(不可约周期性链的转移矩阵)上面的结果如果从转移矩阵的角度出发可以看得更清楚。通过适当的行列置换,周期为d 且不可约的Markov 链的一步转移概率矩阵可以写成如下形式
00P =(
0A d 1
A 120 00
0 A 23 00
00
) 自行计算P 2,P 3,...., 体会其变化规律。
A d -1, d
7.15(一维无限制随机游动) 研究一维无限制随机游动中个状态的性质。链中质点向右和向左的概率分别为p 和1-p 。该状态所以状态都相通,故各个状态具有相同的性质。因而只需要讨论0状态。经你步从0转移的概率为
(n )
P 00
2k
∞() p k (1-p ) k , n =2k
={k 由∑n =1P ii (n ) =∞可知,0状态十分具有常返性决
0, n =2k -1
∞
∞2k k (2k )! k k
定于下列级数是否收敛,即∑() p (1-p ) =∑(p (1-p ) k ) 为分析
k =1k k =1k ! k !
该级数的收敛性,引入Stirling 公式n ! 2πn () n , n →∞则有:
(2k k
) p k (1-p ) k
22k (
2k 2k
)
[4p (2-p )]k k k (其中 是˷) p (1-p ) =
k 2k k 2πk () e
n e
∞
[4p (1-p )]k 1
如果p=1/2,级数∑发散,吃屎0状态是 常返状态。 ∑
k k k =1k =1
∞
如果p ≠1/2, 4p =(1-p ) =a
∞
[4p (1-p )]k a k
∑0状态是滑过态。∑k k =1k =1k ∞
7.16(二维随机无限制“平衡”时的随机游动) 现在讨论二维平面上随机游动的各状态性质,质点的位置是平面上坐标为整数点,每个一点代表一个状态,每一个状态有上下左右四个相邻状态,质点的每一次转移都以一定的概率转移到四个相邻状态之一。故平面上的随机游动也是不可约的。根据一维随机游动的结论,只讨论“平衡”的情况,此时向上下左右运动的概率完全相同,均为1/4。由于链不可约,所以仍然只研究(0,0)状态,入下图所示。主要到奇数步不可能返回,所以只考虑偶数步从(0,0)转移到(0,0)的概率。
P
2n
00, 00
(2n )! 12n 12n 2n n n n
=∑() =() ()()() ∑n k n -k k ! k ! (n -k )! (n -k )! 44k =1k =1
∞
n
根据有关组合的恒等式∑()(
k =0
n n
k n -k
) =(
2n
12n 2n 2(2n )
) 得到P 00=() () ,00n n 2
使用Stirling 公式
P
(2n )
00,00
12n 4n 21
() () =位发散级数。4n πn π
∑P
k =1
∞
(2n )
00, 00
∑
1k =1n π
∞
得到二维无限制“平衡”是随机游动是常返的。
7.17设有四个状态{0,1,2,3}的Markov 链,其一步转移矩阵为
00(
100101
1200012
0) 有图知,00
该链所以状态图都
相通,是不可约链,所以状态都是常返的。
7.18设有5个状态{0,1,2,3,4}的Markov 链,其一步转移矩阵为
1212(
0014
12120014
0012120
0012120
000) 012
由图知{0,1}和{2,3}是两个闭
真子集,子集内状态彼此相通,所以状态{0,1,2,3}均常返。而状态4位非常返。
7.19(一维无限制随机游动) 已经知道当p =时,一维无限制随机游动是常返的,现在进一步研究其是否为正常返。由于链中有无穷多个相通状态,所以尽管链是不可约的,也无法对它是否正常返值直接做判
(n )
断。因此所限计算以P 00为系数的幂级数(列7.15)。利用负二项式定
1
2
理,有。
P (z ) =∑P
k =0∞
(2k ) 2k 00
z
-1
1n -1(2k )! z 2k 22
(1-z ) A (z ) =∑() =(1-z ) 利用式lim ∑a k =lim -n →∞z →1n k =0k =0k ! k ! 2∞
-1
1n -1(2k )
得到lim ∑P 00=lim (1-z ) P (z ) =lim (1-z )(1-z 2) 2=0所以μ0=∞,从而可--n →∞n z →1z →1
k =0
知0状态是零常返的,进而得到一维无限制随机游动的所有状态为零常返。
7.20(正常返,但转移概率无极限) 这个列子在讨论周期性时提过。这链有两个状态{0,1},一步转移矩阵为P =(
P
(n ) 00
0110
) 容易看出
=P
(n ) 11
⎧1, n =2k 1n -1(n ) 1
所以有lim 很明显该链为正常返,且平P =⎨∑11=n →∞n 20, n =2k -1k =0⎩
(n ) (n )
P 00和lim P 均返回时间为2, 。可是另一方面,lim 11都不存在极限。这n →∞n →∞
说明几遍是正常返的链,其n 步转移概率的极限仍然可能不存在。 7.21(无穷多个平稳分布) 设Markov 链有四个状态{1,2,3,4},其一步转
0100
1000
) 则有两个不可约正常返的闭真子集,{1,2}
00010010
移概率矩阵为(
和{3,4}。该链的平稳分布为(, , , ), α, β≥0, α+β=1所以平稳分布
2222
ααββ
有无穷多个。
7.22(双随机转移矩阵) πi =1
7.23(Ehrenfest模型)Ehrenfest 买模型的状态空间{0, 1, 2,..., M }是有限集
⎛0 1 M
合,其一步转移矩阵为
⎝
102M
M -1M 03M
0M -1M
2M 01
⎫⎪⎪⎪⎪⎪⎪
⎪很明星该模⎪⎪⎪1⎪⎪M ⎪0⎭
型是不可约的,且状态有限,所以所有状态都正常返。状态转移如图所示
现求它的平稳分布。
1π1M
i -1i +1
πi =(1-) πi -1+πi +1, i =1, 2,.., M -1
M M 1
πM =πM -1
M
π0=
M M
⎛M ⎫⎛M ⎫1M
⎪ ⎪可以求得πi = 所以 ππ=π=π2⇒π=∑∑i 000M i ⎪0 i ⎪2i =0i =0⎝⎝⎭⎭
平稳分布为πi = i ⎪⎪2M , I =1, 2,... M ⎝⎭零状态的平均返回时间μ0,有平稳分布得到π0=
⎛M ⎫1
111M
=⇒μ==2 0M 2μ0π0
7.24(带有一个反射壁的一维随机游动) 设带一个反射壁的随机游动状
⎛q q
态空间为{0, 1, 2,...},0为反射壁,其一步转移矩阵为P = 0
⎝
p 0q 0p 0 00p
⎫⎪ ⎪
⎪ ⎪ ⎪⎭
很明显该链是不可约的,状态转移如图所示,现求其平衡方程式π=πP
π0=q π0+π1⎛p ⎫
的解π={π0, π1,...}由此得到πj = q ⎪⎪π0 πj =p πj -1+q πj +1, j ≥1⎝⎭
⎛p ⎫所以,要让π成为分布,必须满足∑πj =π0∑ q ⎪⎪=1话句话说,需要 j =0j =0⎝⎭
∞
∞
j
j
⎛p ⎫ ∑ q ⎪⎪
∞
j
如果p
⎛p p ⎫⎛p ⎫
⎪ ⎪π
0=1-, πj = 1-, j ≥1 ⎪ ⎪q ⎝q ⎭⎝q ⎭
j
7.25定理(带一个反射壁的一维随机游动) 正如在7.24中所提到过得,利用平稳方程无法判断该链的正常性。所以利用定理7.9(常返性判据
1-p n -2q k
Ⅱ) ,有y 1=py 2,y k =py k +1+qy k -1, k =2, 3,..... 解得y n =(∑() +1) y 1可p k =0p
q q
见该方程具有非零有界解得充分必要条件是∑()
p k =0p
∞
k
因此当q
。
7.26(一维无限制的随机游动) 本列采用定理7.9研究7.15中给定的随机游动,列7.15中给出的方法涉及诸如String 公式等复杂的分析工
1
2
12
12
具。现在用定理7.9重新分析该问题。划去0状态所有对应的行和列,有y 1=py 2, y k =py k +1+py k -1, k =2, 3,... ,
p n -2q k
y -1=qy y -2, y k =py k +1qy k -1, k =-2, -3,.... 得到y n =(∑() +1) y 1, n =2, 3,....
q k =0p p n -2p k
是上述方程没有非零有界解得y -n =(∑() +1) y -1, n =2, 3,.... 不难看出,
q k =0q
∞
q k p
充分不要条件是∑() =∞, 且∑() k =∞所以只有当p =q 时,否则一定
k =0p k =0q
∞
常返。
7.27(首次返回时间)Markov 链中最典型也是最重要的停时时首次返回时间,也就是从状态i 出发首次返回i 的时间,即 T i =inf{n :X n =i |X 0=i }如果X n ≠i , ∀n , 那么T i ={∞}。
7.28(首次击中时间) 另外一个重要停时是Markov 链首次到达状态空间返回时间的某个子集A 的时间T A , 称为首次击中时间
T A =inf{n :X n ∈A }很明显
{ω:T A (ω) =n}={ω:X 0(ω) ∈A,..., X n -1(ω) ∈A, X n (ω) ∈A}
7.29(停时的延迟) 如果τ是停时,n 0是确定整数,那么τ+n 0也是停时,因为事件{τ+n 0=m}等价于事件{τ=m -n 0},而根据停时定义,事件
{τ=m -n 0}仅依赖于{X 0, X 1,..., X m -n 0},因此是停时。也就是说,停时确
定性延迟还是停时。
7.30(停时反列Ⅰ) 设{X n }为Markov 链,i 为该链的一个状态,对随机时间τ做如下定义:
τ=inf{n ≥0:X n -1=i }则τ不是停时,因为事件{τ=n}和X n +1有关,不是有
{X 0, X 1,.... X n }决定。
7.30(停时反列Ⅱ) 设{X n }为Markov 链,i 为该链的一个状态,对随机时间τ做如下定义:
不仅τ=sup{n ≥0:X n =i }则τ不是停时,因为事件{τ=n}和{Xk }∞k =n +1有关,仅有{τ=n}和{Xk }∞k =0所决定。
7.32(赌徒输光问题) 两个赌徒甲、乙入赌场进行一些赌博。令A 为甲的原始读本,每次读本输赢的概率相同,赌注为1. 假设甲手中的赌术到达B 时,即认为自己到达了赚钱的目的,会离开赌场,那么在他达到赚钱目的之前,有多大的肯会把手中的赌本全部输光?该问题称为赌徒输光问题。
设X 0是甲在起始时刻的赌本,每次下注的结果为X k ,第n 时刻甲手中的赌本为{S n },高过程具有两个吸收壁(0和B) 的唯一对称随机游动,即S n =∑X k +X 0这里P (X i =1) =P (X i =-1) =, i =1, 2,... 于是赌徒输光问题
k =0n
1
2
就变成了过程{Sn }在到达B 之前到达0的概率有多大。这个问题可以使用Wald 等式解决。
设T =inf{n :S n 或S n =B }很显然T 是过程{Xk }的停时。由Wald 等式,得到
(-A ) P (S T =0) +(B -A ) P (S T =B ) =E (∑X k ) =E (T ) E (X 1) =0
k =1T
且有P (S T =0) +P (S T =B ) =1,所以有P (S T =B ) =, P (S T =0) =
A
B B -A
。 B
7.33(首达时间的计算) 考虑一维无限制随机游动,向右和向左的概率分别为p 和q =1-p ,设X 0=1, 现在通过母函数来计算从1出发到达0所用时间的概率分布。令T 0=inf{n :X n =0|X 0=1}则T 0分布的母函数为
G (z ) =E (z T 0|X 0=1) =pE (z T 0|X 1=2, X 0=1) +qE (z T 0|X 1=0,X 0=1)
=
pzE (z 0|X 1=2, X 0=1) +qE (z |X 1=2, X 0=1) 这里T 0是首次到达2之后,继
续转移并首次到达0所用的时间。由于首次到达2的时间是停时,有强
Markov
性得到
E (z T 0|X 1=2, X 0=1) =E (z T 0|X 1=2)
所以
~
G (z ) =pzE (z T 0|X 1=2) +qz 由于T 0=T 1+T 0,其中T 1是达到2后,继续转移
并首次到达1的时间:T 0是到达1后,继续转移并首次到达0所需的时间。再次使用强Markov 性,有
E (z |X 1=2) E (z |X T 1=1) =G 2(z ) 因此G (z ) =pzG 2(z ) +qz
T 1
~T 0
~
进而有
1--4pqz 2
G (z ) =
2pz
其中,G (z ) 为T 0的母函数。通过Taylor 展开可以得到T 0的分布,同时
⎧∞, p ≥q
d ⎪G (z ) =⎨1还可以得到T 0的均值,即E (T 0|X 0=1) =lim , p
⎪⎩q -p
7.34(更新时刻) 考虑Markov 链{X n }∞n =0,设T 0=0,且X 0=i ,令
T k =inf{n >T k -1:X n =i },k =1, 2,.... T k 代表是从状态i 出发后,第k 次到达状
态i 的时间。鱼鱼{T k =m }仅决定于{X n }∞n =0,所以T k 是停时。设
τk =T k -T k -1,则得到随机序列{τ1, τ2,...},且有
P (τk =s k |τk -1=s k -1,..., τ1=s 1) =P (X T k =i , X T k -1+m ≠i , 0
根据Markov 性,在X T k -1=i B ={τk -1=s k -1,... τ, 1=s 1}是T k -1前所发生的事件。
的条件下,B 和T k -1后发生的事件τk =s k 相互独立,所以
P (τk =s k |τk -1=s k -1,..., τ1=s 1) =(X T k =i , X T k -1+m ≠i , 0
Markov 性,得到P (X T =i , X T
k
k -1+m
≠i , 0
=P (X T k -1+τk =i , X T k -1+m ≠i , 0
(s )
所以{τk }∞是独立同分布的随机序列,满足习惯上称时P (τ=s ) =f k =1k ii 。
刻{T k }为相应状态i 的更新时刻。
7.35设Markov 链的状态空间为{1,2,3,4,5,6},其一步转移概率矩阵为
⎛ 0 1 3 0 0 0 1 ⎝4
120120014
01301300
001201214
00013014
1⎫⎪2⎪1⎪3⎪⎪0⎪
该链是不可约且非周期的,其平稳分布π⎪很明显,1⎪
3⎪1⎪2⎪⎪0⎪⎭
为
所以该为可π= ⎪可以直接验证πi P ij =πj P ji , ∀i , j ∈E 成立。逆Markov 链。
并不是所有在平稳分布的Markov 链都是可逆的。如状态空间(1,2,3)
⎛1
2
的Markov 链,具有如下转移矩阵 0
1 ⎝2
⎫0⎪⎪1⎪
很明显,该链是不可约且2⎪1⎪0⎪
2⎭1111
状态有限,是正常返且存在平稳分布π=(, , ) 但是π1P 12-π2P 21=≠0
3336
1212
⎛131311⎫⎝81681684⎭
所以该链是不可逆的。
7.36利用细致平衡方程求解7.35,得到
π1
2
==
π2
3
π2
3
==
π3
2
π4
3
==
π3
2
π5
2
==
π4
3
π1
2
π6
4
π2
3
π6
4
π4
3
π6
4
π5
2
π6
4
131311⎫
立刻得到分布π为π=⎛ ⎪所以链是可逆的,且平稳分布
⎝81681684⎭
为π。
7.37(Ehrenfest模型) 该模型的一步转移矩阵如式
1⎛⎫ 0⎪
M ⎪1M -1 ⎪0 M ⎪M ⎪2
0 ⎪M ⎪
3 ⎪所示,可以得到如下关系
⎪M
1 ⎪
0 ⎪M
M -11⎪ ⎪0
M M ⎪ 10⎪⎝⎭
M -1i i -1M -(i -1) i -1πi (+) =(1-i ) πi -1+πi 即πi -1=πi , 0≤i ≤M
M M M M M
所以该模型是可逆。因此求解细致平衡方程
M π01
M -(i -1) M (M -1)...(M -(i -1)) πi =πi -1=... =π0
i M (M -1)... 2⋅1
π1=
⎛M ⎫
= i ⎪⎪π0, 1≤i ≤M ⎝⎭
得到π0=
⎛M ⎫11
⎪ π=, 1≤i ≤M i M M ⎪2⎝i ⎭2
7.38(整数值生灭过程) 设Markov 链的状态空间为整数集Z ,一步转移高了为
⎧p i , j =i +1⎪
P ij =⎨q i , j =i -1其细致平衡方程为
⎪0, 其他⎩
πi p i =πi +1q i +1
i
p i p
故πi +1=πi =... =π0∏k , i ≥0
q i +1k =0q k +1-1q i +1q πi =πi +1=... =π0∏k +! , i
p i k =i p k
p k -∞-1q k +1
由此知道,如果1+∑∏+∑∏
i =0k =0q k +1i =-1k =i p k
∞
i
该链可逆,否则不可逆。如果转移概率满足p i =p , q i =q 那么该链就退化成了一维无限制随机游动,此时一定不可逆,不能使用细致平衡方程来求解平稳分布。
7.39(带反射壁的整数值生灭过程) 吧列7.38中抓住哪个台0改为反射
⎧q 0, i =0, j =0
⎪p , i =0j =1
0⎪⎪
壁,于是得到新的一步转移概率P ij =⎨p i , i >0, j =i +1其细致平衡方程为
⎪q , i >0j =i -1⎪i ⎪0, 其他⎩
πi p i =πi +1q i +1, i ≥0
很明显,如果p i =p , q i =q , 当p
所以πi +1=π0∏, i ≥0
q k =0k +1
i
的。有于p
7.40(带反射壁的整数值生灭过程) 把列7.16已就“平衡”情况讨论了二维无限制随机游动的常返性,现在利用细致平衡方程讨论该链的可逆性,并讨论平稳分布{π(m , n ) }的存在性。其一步转移概率为
⎧a , (k , l ) =(1, 0), (0, 1), (0, 1)
P (i , j )(i +k , j +l ) =⎨k , l
⎩0, (k , l ) 为其他整值
选择(0,0)作为基点,二维空间上任何一点(m,n)都可以找到一条路径和(0,0)
相
通
。
不
妨
设
m , n ≥0
, 则路径为
(m , n ) →(m -1, n ) →... →(0, n ) →(0, n -1) →... →(0, 0)
对于其他情况,可以构造出相应的路径。利用细致平衡方程,得到
π(m , n )
⎛a 1, 0⎫⎛a ⎫
⎪π(m -1, n ) =... = 1, 0⎪π(0, n ) = a ⎪ a ⎪⎝-1, 0⎭⎝-1, 0⎭⎛a 1, 0⎫
⎪= a ⎪⎝-1, 0⎭
m
m
⎛a 1, 0⎫⎛a 0, 1⎫
⎪ ⎪ a ⎪π(0, n -1) =... = a ⎪
-1⎭⎝0,⎝-1, 0⎭
m
⎛a 0, 1⎫
a ⎪⎪π(0, 0)
-1⎭⎝0,
n
同理可得
π(-m , n )
⎛a -1, 0⎫⎛a ⎫
⎪π(-m +1, n ) =... = -1, 0⎪π(0, n ) = a ⎪ a ⎪⎝1, 0⎭⎝1, 0⎭⎛a -1, 0⎫
⎪= a ⎪⎝1, 0⎭
m
m
⎛a 0, 1⎫⎛a ⎫ ⎪π(0, n -1) =... = -1, 0⎪ a ⎪ a ⎪⎝0, -1⎭⎝1, 0⎭
m
⎛a 0, 1⎫
⎪
a ⎪π(0, 0) ⎝0, -1⎭
n
π(m , -n )
⎛a 1, 0⎫⎛a 1, 0⎫ ⎪⎪π(0, -n ) = π(m -1, -n ) =... = ⎪ ⎪⎝a -1, 0⎭⎝a -1, 0⎭⎛a 1, 0⎫
⎪= a ⎪⎝-1, 0⎭
m
m
⎛a 0, -1⎫⎛a ⎫ ⎪π(0, -n +1) =... = 1, 0⎪ a ⎪ a ⎪⎝0, -1⎭⎝-1, 0⎭
m
m
⎛a 0, -1⎫
⎪
a ⎪π(0, 0) ⎝0, 1⎭
n
π(-m , -n )
⎛a -1, 0⎫⎛a -1, 0⎫ ⎪⎪π(0, -n ) = π(-m +1, n ) =... = ⎪ ⎪⎝a 1, 0⎭⎝a 1, 0⎭⎛a -1, 0⎫
⎪= a ⎪⎝1, 0⎭
m
⎛a 0, -1⎫⎛a ⎫ ⎪π(0, n -1) =... = -1, 0⎪ a ⎪ a ⎪⎝0, 1⎭⎝1, 0⎭
∞
m
⎛a 0, -1⎫
⎪
a ⎪π(0, 0) ⎝0, 1⎭
n
⎛⎛a ⎫m ⎛a ⎫m ⎫∞⎛⎛a ⎫n ⎛a ⎫n ⎫
1, 0⎪+ -1, 0⎪⎪∑ 0, 1⎪+ 0, -1⎪⎪
⎪ a ⎪⎪n =0 a ⎪ a ⎪⎪ m =0⎝a -1, 0⎭⎝1, 0⎭⎭⎝⎝0, -1⎭⎝0, 1⎭⎭⎝
这个条件是无法到达的,所以该链不可逆。事实上,当
a 1, 0=a 0, 1=a -1, 0=a 0, -1时,二维无限制“平衡”的随机游动的所有状态都
是零常返,平稳分布不存在:其他情况下,所有状态均为非常返态,
平稳分布同样不存在。和一位情形相似,如果设x 轴和y 轴为反射壁,限制质点在第一象限运动,那么可逆条件为
⎛a 1, 0⎫ ⎪∑ ⎪m =0⎝a -1, 0⎭
∞
m
⎛a 0, 1⎫
⎪∞
n
此时平稳分布为
π(m , n )
⎛a 1, 0⎫
⎪= a ⎪⎝-1, 0⎭
m
⎛a 0, 1⎫ ⎪ a ⎪⎝0, -1⎭
n
⎛a ⎫ 1-1, 0⎪ a ⎪
-1, 0⎭⎝
-1
⎛a ⎫
1-0, 1⎪ a ⎪
0, -1⎭⎝
-1
7.41设有离散分支过程,群体中单个个体繁殖下一代的数目如下分布
则个体繁殖下一代数目的均值值m X 为
13117
m X =1⨯+2⨯+3⨯=>0
2161616
1131
母函数G (z ) =+z +z 2+z 3求解G (z ) =z ,得到
421616
(z -1)(z 2+4z -4) =0⇒z 1=1, z 2=-2+22, z 3=-2-22最小正根(灭种概
率) 22-1)=0. 828如果调整下一代个体繁殖数目的概率取值,可以得到表所示的结果
有表可知,通过改变个体繁殖数目的统计特性,可以调整其均值并而
影响群体的灭种概率。当m X ≤1时,群体必然灭种;而当m X >1时,增大m X 可以改变母函数G (z ) 的形状,从而灭种概率想笑的方向发展。 7.43(有限个非常返态) 如果Markov 链中非常返态的数目有限,则其一
⎛D n ⎛D 0⎫n 步转移矩阵可以写成P = B Q ⎪⎪可知P = *
⎝⎭⎝
0⎫
⎪由式7-74(如果状态n ⎪Q ⎭
j 非常返,那么∀i 即P ij (n ) →0, n →∞) ,对于非常态j 有P ij (n ) →0, n →∞,
v (n ) =lim Q n I A =0A 也就是说,如果所以Q n →0, n →∞,由此得到v =lim
n →∞n →∞
非常返态数目有限,则在非常返态中无限逗留的概率是0。这和直观非常一致。
列7.44(带有一个反射壁的一维随机游动) 列7.25中已经讨论了带一个反射壁的随机游动的常返性,使用的工具定理是7.9。这里从另外一个角度,利用“从状态i 出发永不访问0状态的概率v i >0”以说明当
p >q 时
0状态为非常,从而该链所有状态均为非常返。
选定A=N,解方程v =Qv 得到
1q
v 1=(1+) v 1p p 1q q v 3=(v 2-qv 1) =v 1(1++() 2)
p p p v 2=q
v i =∑() k
k =1p
i -1
鉴于0≤v i ≤1,
q q v 1∑() k ≤1→v 1≤1-
p k =0p
q q
从而得到v i ≤1-() i 其实只要p p
∞
由于v 是方程v =Qv 的最大解,所有v 1=1-有
v 1>0就可以说明0状态非常返了
7.45(设备维修问题) 考虑7.7中设备维修问题,该链的一步转移矩阵为
⎛a 0 a 0P = 0
0 ⎝
a 1a 1a 00
a 2a 2a 1a 0
a 3 ⎫
⎪a 3 ⎪
a 2 ⎪其中{a i , i ≥0}代表每天机器失效数目的概率分
⎪a 1 ⎪
⎪ ⎭
布,如果a 0a 1a 2>0,则该链是不可约的。
在状态空间中任取状态i ,考虑A i ={i , i +1,...},对于任意的i , i ≥1, A i 对应
⎛a 1
a 0
得转移矩阵都是相同的,Q = 0
⎝
a 2a 1a 0
a 3 ⎫
⎪a 2 ⎪
所以对于方程v =Qv ,满⎪a 1 ⎪⎪ ⎭
足0≤v ≤I A 的最大完全解完全一样。换句话说,不同的A i 相应的无限逗留概率没有区别。
对于而言,v i =P (X n ≥1, n ≥1|X 0≥i ) 是从状态i 出发永不访问状态0的概率。而对于A i , v 1=P (X n ≥i , n ≥1|X 0≥i ) 是从状态i 出发永不访问子集
{0, 1, 2,..., i -1}的概率由于访问{0, 1, 2,..., i -1}必然经过状态i -1,所以v 1也就
是永不访问状态i -1的概率。要想从i 出发达到0状态,必须搜西安从然后再从i -1状态到达0状态。于是有如下i 站在哪个台到达i -1状态,
递推关系1-v i =(1-v 1)(1-v i -1) 设v 1=1-β, 对上式递推可以得到v i =1-βi 为了得到确定β,回到方程v =Qv ,由第一行得带v 1=a 1v 1+a 2v 2+a 3v 3... 从而有1-β=a 1(1-β) +a 2(1-β2) +a 3(1-β3) +...
由于{a}是概率分布,所以有β=a 0+a 1β+a 2β+... =∑a k βk =G (β) 函
∞
k k =0
2
k =0∞
数G (β) 是相应于概率分布{ak }∞。。。。。。未完 k =0的母函数。
7.46设Markov 链的状态空间为{1, 2,.. 7, }一步转移矩阵为
⎛0. 50. 5⎫ ⎪0. 80. 2 ⎪ ⎪00. 40. 6 ⎪P = 100⎪计算从状态出发,被各个常返类吸 ⎪100 ⎪ 0. 100. 20. 10. 20. 30. 1⎪ ⎪0. 10. 10. 100. 10. 20. 4⎝⎭
收的概率。
7}, 且有 该链有两个常返类R 1={1,2},R 2={3,4,5}非常返类为T ={6,
⎛00. 40. 6⎫
⎪⎛0. 50. 1⎫
P 0⎪, ⎛0. 10⎫⎛0. 20. 10. 2⎫ 1= 0. 20. 4⎪⎪,P 2= 10
⎝⎭ 10⎪B 1= 0. 10. 1⎪⎪,B 2= 0. 100. 1⎪⎪0⎝⎭⎝⎭⎝⎭
⎛0. 30. 1⎫⎛1⎫⎛0. 1⎫将R 1, R 2简并后,得到Q = 0. 20. 4⎪⎪, b 1=B 1 1⎪⎪= 0. 2⎪⎪
⎝⎭⎝⎭⎝⎭
⎛1⎫
⎪⎛0. 5⎫⎛10
⎪b 2=B 2 1⎪= 0. 2⎪
1⎪⎝⎭此时一步转移矩阵变成了P = 01⎝⎭ b b
⎝12
0⎫⎪0⎪ Q ⎪⎭
利用L
(∞)
k
⎛0. 2⎫⎛0. 8⎫-1-1 ⎪ (I -Q ) b =,(I -Q ) b ==∑Q b k =(I -Q ) b k ,有12 0. 4⎪ 0. 6⎪⎪ ⎝⎭⎝⎭m =0
∞
m
-1
所以状态6出发,被R 1吸收的概率为 0. 2,被R 2吸收的概率为0. 8。第八章