引言
在第3章中, 曾详细地讨论了离散参数马尔可夫链的有关问题, 本章将着重研究连续参数可列状态空间的马尔可夫过程.
6.1 定义与若干基本概念
仍记状态空间为 $S={0,1,2,\cdots}$.
定义 连续参数马氏链
设随机过程 $X={X_t:t\geqslant0}$ 对 \(\forall~0\leqslant t_0 < t_1 < \cdots < t_n < t_{n+1}\) $i_k\in S,~0\leqslant k\leqslant n+1$, 若 \(P(X_{t_0}=i_0,X_{t_1}=i_1,\cdots,X_{t_n}=i_n)>0\)
有 \(P(X_{t_{n+1}}=i_{n+1}|X_{t_0}=i_0,X_{t_1}=i_1,\cdots,X_{t_n}=i_n)=P(X_{t_{n+1}}=i_{n+1}|X_{t_n}=i_n)\)
则称 $X$ 为连续时间参数马氏链.
若对 $\forall~s,t\geqslant0,~i,j\in S$, 有 \(\begin{aligned} P(X_{s+t}=j|X_s=i) &=P(X_t=j|X_0=i)\\ &\triangleq P_{ij}(t)\\ \end{aligned}\)
即增量转移概率只与时间增量有关, 则称 $X$ 为时齐马氏链. 称 \(\pmb{P}(t)=[P_{ij}(t)],~i,j\in S\) 为转移概率矩阵, 易知它满足
-
非负性: \(P_{ij}(t)\geqslant0,~\forall~i,j\in S\)
-
归一性: 条件概率测度下的概率归一性 \(\sum_{j\in S}P_{ij}(t)=1,~\forall~i\in S\)
-
Kolmogorov-Chapman 方程: 注意到状态空间的可列性则有 $\forall~s,t\geqslant0$ \(P_{ij}(s+t)=\sum_{k\in S}P_{ik}(s)P_{kj}(t),~\forall~i,j\in S\)
- 初值条件: 使用 Kronecker $\delta$ 符号有 \(P_{ij}(0)=\delta_{ij},~\forall~i,j\in S\)
- 连续性条件: $P_{ij}(t)$ 在原点连续 \(\lim_{t\to0}P_{ij}(t)=P_{ij}(0)=\delta_{ij},~\forall~i,j\in S\)
命题 一致连续性
若 $\pmb{P}(t)=[P_{ij}(t)]$, $i,j\in S$ 为标准转移概率矩阵, 则
- 对 $\forall~i\in S$, $P_{ij}(t)$ 在 $[0,\infty)$ 上一致连续, 且此时一致性对 $j$ 亦成立
- $\forall~t\geqslant0,~i\in S$, \(P_{ii}(t)>0\)
证明: 由 Kolmogorov-Chapman 方程, 对 $\forall~t,h > 0$, 有 \(P_{ij}(t+h)-P_{ij}(t)=\sum_{k\neq i}P_{ik}(h)P_{kj}(t)-P_{ij}(t)[1-P_{ii}(h)]\)
由此得 \(\begin{aligned} P_{ij}(t+h)-P_{ij}(t) &\leqslant\sum_{k\neq i}P_{ik}(h)P_{kj}(t)\\ &\leqslant\sum_{k\neq i}P_{ik}(h)\\ &=1-P_{ii}(h)\\ \end{aligned}\) 以及 \(\begin{aligned} P_{ij}(t+h)-P_{ij}(t) &\geqslant-P_{ij}(t)[1-P_{ii}(h)]\\ &\geqslant-[1-P_{ii}(h)]\\ \end{aligned}\)
从而有 \(|P_{ij}(t+h)-P_{ij}(t)|\leqslant 1-P_{ii}(h)\)
类似地, 当 $h < 0$ 时, 有 \(|P_{ij}(t)-P_{ij}(t+h)|\leqslant 1-P_{ii}(h)\)
因此 $P_{ij}(t)$ 在 $[0,\infty)$ 上一致连续, 且此时一致性对 $j$ 亦成立.
由 $P_{ii}(0) > 0$ 及连续性条件 \(\lim_{t\to0}P_{ii}(t)=1\) 可知, 对任意固定 $t > 0$, 当 $n$ 充分大时, 有 \(P_{ii}\left(\frac{t}{n}\right)>0\)
再由 Kolmogorov-Chapman 方程 \(\begin{aligned} P_{ii}(s+t) &=\sum_{k\in S}P_{ik}(s)P_{ki}(t)\\ &\geqslant P_{ii}(s)P_{ii}(t)\\ \end{aligned}\)
可得 \(P_{ii}(t)\geqslant \left[P_{ii}\left(\frac{t}{n}\right)\right]^n > 0\)
定义 概率分布
记 \(\pi_i(t)=P(X_t=i),~\forall~t\geqslant0,~i\in S\) 称 \(\pmb{\pi}(t)=(\pi_i(t),~i\in S)\)
为马尔可夫链在 $t$ 时刻的分布, 称 $\pmb{\pi}(0)$ 为初始分布, 且有 \(\pmb{\pi}(t)=\pmb{\pi}(0)\pmb{P}(t)\)
定义 离散骨架
对于连续时间马尔可夫链 $X={X_t:t\geqslant0}$, 任取 $h>0$, 定义 \(X_n(h)=X(nh),~n\geqslant0\)
由马尔可夫性可知, ${X_n(h):n\geqslant0}$ 是一个离散时间的马尔可夫链, 称其为以 $h$ 为步长的 $h$-离散骨架, 简称 $h$ 骨架, 它的 $n$ 步转移概率矩阵为 $\pmb{P}(nh)$.
对于连续参数马尔可夫链与离散参数马尔可夫链, 由于它们都具有马尔可夫性, 且状态空间均为可数集或有限集, 因而许多概念和性质有相同或相似之处, 例如状态相通, 状态分类, 不可约链, 平稳分布与极限分布等.
定义 可达与互通
-
可达: 若 $\exists~t>0$, $P_{ij}(t)>0$, 则称由状态 $i$ 可达状态 $j$, 记为 $i\to j$
-
不可达: 若 $\forall~t>0$, $P_{ij}(t)=0$, 则称由状态 $i$ 不可达状态 $j$, 记为 $i\nrightarrow j$
-
互通: 若 $i\to j$ 且 $j\to i$, 则称状态 $i$ 与 $j$ 相通, 记为 $i\leftrightarrow j$
由 $\forall~i\in S$, $P_{ii}(t)>0$, 即 $i\leftrightarrow i$, 可知相通关系具有自反性、对称性、传递性, 故相通关系是等价关系, 从而可以按相通关系给状态分类, 相通的状态组成一个状态类. 若整个状态空间是一个状态类, 则称该马尔可夫链是不可约的.
对于连续时间的马尔可夫链, 对所有 $h>0$ 及正整数 $n$, \(P_{ii}(nh) > 0, ~ \forall~i\in S\)
这意味着对每一个离散的骨架 $X_n(h)$, 每一个状态立都是非周期的, 故可知对 $\forall~j\in S$, $\forall~h>0$, 有 \(\lim_{n\to\infty}P_{ij}(nh)=\pi_{ij}\) 总存在. 所以对连续时间的马尔可夫链就无需引入周期的概念, 而且利用 $P_{ij}(t)$ 在$[0,\infty)$ 上一致连续性及 \(\lim_{n\to\infty}P_{ij}(nh)=\pi_{ij}\) 总存在, 可以证明 $P_{ij}(t)$ 在 $t\to\infty$ 时极限总存在.
命题
$\forall~i,j\in S$, 下述极限总存在 \(\lim_{t\to\infty}P_{ij}(t)=\pi_{ij}\)
定义 常返与平稳分布
-
常返: 若 \(\int_0^\infty P_{ii}(t)\mathrm{d}t=\infty\) 则称状态 $i$ 为常返状态, 否则称为非常返状态
-
正常返: 若 \(\lim_{t\to\infty}P_{ii}(t)>0\) 则称状态 $i$ 为正常返状态, 否则若 \(\lim_{t\to\infty}P_{ii}(t)=0\) 则称状态 $i$ 为零常返状态
-
平稳分布: 若概率分布 $\pmb{\pi}=(\pi_i,~i\in S)$ 满足 \(\pmb{\pi}=\pmb{\pi}\pmb{P}(t),~\forall~t\geqslant0\) 则称 $\pmb{\pi}$ 为马氏链的平稳分布
-
极限分布: 若对 $\forall~i\in S$, \(\lim_{n\to\infty}\pi_i(t)=\pi_i^*\) 存在, 则称 \(\pmb{\pi}^*\triangleq\{\pi_i^*:i\in S\}\) 为马氏链的极限分布
可总结离散时间参数马氏链与连续时间参数马氏链常返与正常返相关判断依据如下表.
状态 | 非常返 | 常返 | 正常返 | 零常返 |
---|---|---|---|---|
离散 MC | $f_{ii}<1$ | $f_{ii}=1$ | $\mu_i=\infty$ | $\mu_i<\infty$ |
离散 MC | $G_{ii}=\dfrac{1}{1-f_{ii}}<\infty$ | $G_{ii}=\infty$ | $p_{ii}^{(n)}\to\dfrac{1}{\mu_i}>0$ | $p_{ii}^{(n)}\to0$ |
连续 MC | $\displaystyle\int_0^\infty P_{ii}(t)\mathrm{d}t<\infty$ | $\displaystyle\int_0^\infty P_{ii}(t)\mathrm{d}t=\infty$ | $P_{ii}(t)\to C>0$ | $P_{ii}(t)\to0$ |
定理 平稳分布与极限分布
不可约链是正常返的充要条件是它存在平稳分布, 且此时平稳分布就等于极限分布.
6.2 转移率矩阵及其概率意义
在离散参数马尔可夫链中, 我们知道由一步转移概率矩阵 $\pmb{P}=[P_{ij}]$ 可以完全确定 $n$ 步转移矩阵, 即有 \(\pmb{P}^{(n)}=\pmb{P}^n=\mathrm{e}^{n\ln\pmb{P}}\)
那么对连续参数马尔可夫链, 是否有类似的表达式, 即 \(\pmb{P}(t)=\mathrm{e}^{t\pmb{Q}}\)
呢? 其中 $\pmb{Q}$ 为与 $t$ 无关的实数矩阵, 假如上式存在, 则应有 \(\begin{aligned} \pmb{P}'(0) &=\lim_{t\to0}\frac{\pmb{P}(t)-\pmb{P}(0)}{t}\\ &=\lim_{t\to0}\frac{\mathrm{e}^{t\pmb{Q}}-\pmb{I}}{t}\\ &=\pmb{Q} \end{aligned}\)
直观来说, 即 \(\begin{aligned} \pmb{Q} &= \left( \begin{bmatrix} P_{00}(t) & P_{01}(t) & P_{02}(t) & \cdots \\ P_{10}(t) & P_{11}(t) & P_{12}(t) & \cdots \\ P_{00}(t) & P_{01}(t) & P_{02}(t) & \cdots \\ \vdots & \vdots & \vdots & \ddots \\ \end{bmatrix} - \begin{bmatrix} 1 & 0 & 0 & \cdots \\ 0 & 1 & 0 & \cdots \\ 0 & 0 & 1 & \cdots \\ \vdots & \vdots & \vdots & \ddots \\ \end{bmatrix} \right)_t'\\ &= \begin{bmatrix} P_{00}(t)-1 & P_{01}(t) & P_{02}(t) & \cdots \\ P_{10}(t) & P_{11}(t)-1 & P_{12}(t) & \cdots \\ P_{00}(t) & P_{01}(t) & P_{02}(t)-1 & \cdots \\ \vdots & \vdots & \vdots & \ddots \\ \end{bmatrix}_t'\\ &\triangleq \begin{bmatrix} -q_0\triangleq q_{00} & q_{01} & q_{02} & \cdots \\ q_{10} & -q_1\triangleq q_{11} & q_{12} & \cdots \\ q_{20} & q_{21} & -q_2\triangleq q_{22} & \cdots \\ \vdots & \vdots & \vdots & \ddots \\ \end{bmatrix} \end{aligned}\)
这就提示我们先要研究 $\pmb{P}(t)$ 在 $t=0$ 的导数即变化率是否存在的问题.
定理
对 $\forall~i\in S$, 极限 \(q_i=-q_{ii}\triangleq\lim_{t\to0}\frac{1-P_{ii}(t)}{t}\)
存在, 但可能是无限.
定理
对 $\forall~i,j\in S,~j\neq i$, 极限 \(q_{ij}\triangleq P_{ij}'(0)=\lim_{t\to0}\frac{P_{ij}(t)}{t}\)
存在且有限.
推论
对 $\forall~i\in S$, \(q_i\geqslant\sum_{j\neq i}q_{ij}\geqslant0\)
推论
当 $S$ 为有限状态空间时, $\forall~i\in S$, 有 \(0\leqslant q_i=\sum_{j\neq i}q_{ij}<\infty\)
定义 Q 矩阵
记 $\pmb{Q}=[q_{ij}],~i,j\in S$, 称 $\pmb{Q}$ 为 $X={X_t:t\geqslant0}$ 的转移率矩阵.
若转移率矩阵满足 $\forall~i\in S$, \(q_i=\sum_{j\neq i}q_{ij}<\infty\)
则称 $\pmb{Q}$ 为保守 Q 矩阵. 易知当 $S$ 为有限状态空间时, $\pmb{Q}$ 必保守.
定义 逗留时间
令 $\tau_1$ 表示马氏链逗留在初始状态的时间, 即 \(\tau_1=\inf_{t>0}\{t:X_t\neq X_0\}\)
定理 逗留时间服从指数分布
设马尔可夫链 $X={X_t:t\geqslant0}$ 轨道右连续, 则对 $\forall~i\in S,~t\geqslant0$, 有 \(P(\tau_1>t|X_0=i)=\mathrm{e}^{-q_it}\)
这说明系统逗留在 $X_0=i$ 状态的时间 $\tau_1$ 服从参数为 $q_i$ 的指数分布, 其期望为 \(\begin{aligned} E[\tau_1|X_0=i] &=\int_0^\infty P(\tau_1>t|X_0=i)\mathrm{d}t\\ &=\int_0^\infty\mathrm{e}^{-q_it}\mathrm{d}t\\ &=\frac{1}{q_i} \end{aligned}\)
定义 吸收状态, 瞬时状态与逗留状态
- 吸收状态: $q_i=0$, 即从 $i$ 出发, 过程以概率 $1$ 永远停留在 $i$ 状态
- 瞬时状态: $q_i=\infty$, 这说明 $X$ 在 $i$ 状态几乎不停留立即跳到别的状态
- 逗留状态: $0 < q_i < \infty$, 过程停留在状态 $i$, 若干时间后跳到其他状态, 且停留时间服从指数分布
定理
设马尔可夫链 $X={X_t:t\geqslant0}$ 轨道右连续, 且 $0 < q_i < \infty$, 则对 $\forall~t\geqslant0,~j\neq i$, 有 \(P(\tau_1\leqslant t,~X_{\tau_1}=j|X_0=i)=\frac{q_{ij}}{q_i}(1-\mathrm{e}^{-q_it})\)
\[P(X_{\tau_1}=j|X_0=i)=\frac{q_{ij}}{q_i}\]推论 逗留时间与前跳状态条件独立
设马尔可夫链 $X={X_t:t\geqslant0}$ 轨道右连续, $\pmb{Q}$ 为保守 Q 矩阵, $0 < q_i < \infty$, 则 $\forall~i\in S$, $X_{\tau_1}$ 与 $\tau_1$ 关于 $X_0=i$ 条件独立, 换句话说, 已知当前状态, 逗留时间与下一步跳到哪里去是条件独立的.
6.3 Kolmogorov 向前向后微分方程
定理 Kolmogorov 向前向后微分方程
设马尔可夫链 $X={X_t:t\geqslant0}$, $\pmb{P}(t)=[P_{ij}(t)]$, $\pmb{Q}=[q_{ij}]$, $i,j\in S$, 当 $S$ 为有限状态空间时, 有 \(\pmb{P}'(t)=\pmb{P}(t)\pmb{Q}\)
\[\pmb{P}'(t)=\pmb{Q}\pmb{P}(t)\]其中 $\pmb{P}(t)$ 在前面称为向前微分方程, $\pmb{P}(t)$ 在后面称为向后微分方程.
此时 \(\pmb{P}(t)=\mathrm{e}^{t\pmb{Q}}\triangleq\sum_{k=0}^\infty\frac{t^k}{k!}\pmb{Q}^k\)
证明: 考虑右导数, 向前微分方程为 \(\begin{aligned} P_{ij}'(t+) &=\lim_{h\downarrow0}\frac{P_{ij}(t+h)-P_{ij}(t)}{h}\\ &=\lim_{h\downarrow0}\frac{\sum\limits_{k\in S}P_{ik}(t)P_{kj}(h)-\sum\limits_{k\in S}P_{ik}(t)\delta_{kj}}{h}\\ &=\lim_{h\downarrow0}\frac{\sum\limits_{k\in S}P_{ik}(t)[P_{kj}(h)-\delta_{kj}]}{h}\\ &=\sum_{k\in S}\lim_{h\downarrow0}\frac{P_{ik}(t)[P_{kj}(h)-\delta_{kj}]}{h}\\ &=\sum_{k\in S}P_{ik}(t)q_{kj} \end{aligned}\)
同理可得向后微分方程 \(\begin{aligned} P_{ij}'(t+) &=\lim_{h\downarrow0}\frac{P_{ij}(t+h)-P_{ij}(t)}{h}\\ &=\lim_{h\downarrow0}\frac{\sum\limits_{k\in S}P_{ik}(t)P_{kj}(h)-\sum\limits_{k\in S}\delta_{ik}P_{kj}(t)}{h}\\ &=\lim_{h\downarrow0}\frac{\sum\limits_{k\in S}[P_{ik}(h)-\delta_{ik}]P_{kj}(t)}{h}\\ &=\sum_{k\in S}\lim_{h\downarrow0}\frac{[P_{ik}(h)-\delta_{ik}]P_{kj}(t)}{h}\\ &=\sum_{k\in S}q_{ik}P_{kj}(t) \end{aligned}\)
定理 Fokker-Planck 方程
当 $S$ 为有限状态空间时, 成立下列 Fokker-Planck 方程 \(\begin{aligned} \pmb{\pi}'(t) &=\pmb{\pi}(0)\pmb{P}'(t)\\ &=\pmb{\pi}(0)\pmb{P}(t)\pmb{Q}\\ &=\pmb{\pi}(t)\pmb{Q}\\ \end{aligned}\)
例题 解 Kolmogorov 向前向后微分方程
设有连续时间参数 Markov 链 $X$, 其轨道右连续, \(\tau_1=\inf_{t>0}\{t:X_t\neq X_0\},\)
已知 \(\begin{aligned} P(\tau_1>t|X_0=0)&=\mathrm{e}^{-\lambda t}\\ P(\tau_1>t|X_0=1)&=\mathrm{e}^{-\mu t}\\ \end{aligned}\)
写出关于 $p_{00}(t),~p_{11}(t)$ 的 Kolmogorov 向前微分方程, 并求解得到表达式.
解: 由题意可知 \(q_0=\lambda,~q_1=\mu\)
即 \(q_{00}=-\lambda,~q_{11}=-\mu\)
故 $\pmb{Q}$ 矩阵为 \(\pmb{Q}= \begin{bmatrix} -\lambda & \lambda \\ \mu & -\mu \end{bmatrix}\)
则由 Kolmogorov 向前微分方程 \(\pmb{P}'(t)=\pmb{P}(t)\pmb{Q}\)
可得 \(\begin{bmatrix} p_{00}'(t) & p_{01}'(t) \\ p_{10}'(t) & p_{11}'(t) \\ \end{bmatrix} =\begin{bmatrix} p_{00}(t) & p_{01}(t) \\ p_{10}(t) & p_{11}(t) \\ \end{bmatrix} \begin{bmatrix} -\lambda & \lambda \\ \mu & -\mu \end{bmatrix}\)
即 \(\begin{bmatrix} p_{00}'(t) & p_{01}'(t) \\ p_{10}'(t) & p_{11}'(t) \\ \end{bmatrix} =\begin{bmatrix} -\lambda p_{00}(t)+\mu p_{01}(t) & \lambda p_{00}(t)-\mu p_{01}(t) \\ -\lambda p_{10}(t)+\mu p_{11}(t) & \lambda p_{10}(t)-\mu p_{11}(t) \\ \end{bmatrix}\)
又 \(\begin{aligned} p_{00}(t)+p_{01}(t)&=1\\ p_{10}(t)+p_{11}(t)&=1\\ \end{aligned}\)
则关于 $p_{00}(t),~p_{11}(t)$ 的 Kolmogorov 向前微分方程为 \(\begin{aligned} p_{00}'(t) &=-\lambda p_{00}(t)+\mu [1-p_{00}(t)]=-(\lambda+\mu)p_{00}(t)+\mu\\ p_{11}'(t)&=\lambda [1-p_{11}(t)]-\mu p_{11}(t)=-(\lambda+\mu)p_{11}(t)+\lambda\\ \end{aligned}\)
即 \(\begin{aligned} p_{00}'(t)+(\lambda+\mu)p_{00}(t)&=\mu\\ p_{11}'(t)+(\lambda+\mu)p_{11}(t)&=\lambda\\ \end{aligned}\)
两边乘以积分因子 \(\begin{aligned} \exp[(\lambda+\mu)t][p_{00}'(t)+(\lambda+\mu)p_{00}(t)]&=\mu\exp[(\lambda+\mu)t]\\ \exp[(\lambda+\mu)t][p_{11}'(t)+(\lambda+\mu)p_{11}(t)]&=\lambda\exp[(\lambda+\mu)t]\\ \end{aligned}\)
即 \(\begin{aligned} \{\exp[(\lambda+\mu)t]p_{00}(t)\}_t'&=\mu\exp[(\lambda+\mu)t]\\ \{\exp[(\lambda+\mu)t]p_{11}(t)\}_t'&=\lambda\exp[(\lambda+\mu)t]\\ \end{aligned}\)
两边从 $0$ 到 $t$ 积分并利用初始条件 \(p_{00}(0)=p_{11}(0)=1\) 可得 \(\begin{aligned} \exp[(\lambda+\mu)t]p_{00}(t)-1&=\frac{\mu}{\lambda+\mu}\exp[(\lambda+\mu)t]-\frac{\mu}{\lambda+\mu}\\ \exp[(\lambda+\mu)t]p_{11}(t)-1&=\frac{\lambda}{\lambda+\mu}\exp[(\lambda+\mu)t]-\frac{\lambda}{\lambda+\mu}\\ \end{aligned}\)
故 \(\begin{aligned} p_{00}(t)&=\frac{\mu}{\lambda+\mu}+\frac{\lambda}{\lambda+\mu}\exp[-(\lambda+\mu)t]\\ p_{11}(t)&=\frac{\lambda}{\lambda+\mu}+\frac{\mu}{\lambda+\mu}\exp[-(\lambda+\mu)t]\\ \end{aligned}\)
参考文献
- 林元烈. 应用随机过程[M]. 北京: 清华大学出版社, 2002.
- 何声武. 随机过程导论[M]. 北京: 高等教育出版社, 1999.
- Ross S M. Stochastic Processes[M]. John Wiley and Sons, 1993.