标签：www 开始 red 连续 未来 特殊 限制 edit png
\(X_0,X_1,...,X_n\)，\(n\)表示时间，如果\(X_0, ...X_n\)都是独立的，那么这个假设限制性太大，不能对现实世界建模。而如果\(X_0, ...X_n\)彼此可以任意交互影响，那么模型太难计算。马尔科夫链是单步影响（one-step dependence）的序列，一个折中的假设。
马尔科夫链存在时间和空间中，\(X_n\)的可能取值是状态空间，\(n\) 是转移过程的时间。时空都是可离散、可连续。现只讨论离散空间、离散时间、有限状态空间的情形。
定义11.1.1：对于取值空间是\(\{1,2,...,M\}\)的随机变量序列\(X_0,X_1,...,X_n\)，如果对于所有\(n>0\)，存在
，那么这个序列就是马尔科夫链。\(P(X_{n+1}=j|X_n=i)\)被称为转移概率。本讨论中如果没有明确说明，默认马尔科夫链是时间同性的（time-homogeneous ）,即对于所有时间\(n\)，转移概率都是相同的。
以上等式即是马尔科夫性质，即只有\(X_{n-1}\)影响到\(X_n\)。如果\(n\)代表现在，\(n\)之前代表过去，\(n\)之后代表未来，那么马尔科夫性质表示过去和未来是条件独立的。
为了描述马尔科夫链的过程，我们必须知道转移概率\(P(X_{n+1}=j|X_n=i)\)，转移概率编码在转移矩阵里。
定义11.1.2：\(X_0,X_1,...,X_n\)是取值空间为\(\{1,2,...,M\}\)的马尔科夫链，\(q_{ij}=P(X_{n+1}=j|X_n=i)\)是从\(i\)到\(j\)的转移概率，那么\(M \times M\)矩阵\(Q=(q_{ij})\)是其转移矩阵。
注意，\(Q\)是非负矩阵，且每行的和为1。
例11.1.3：（晴天雨天）假设对于任一天，天气只能是晴天或雨天（rainy or sunny ）。如果今天雨，那么明天雨概率\(1/3\)，明天晴概率\(2/3\)。如果今天晴，明天雨概率\(1/2\)，明天晴概率\(1/2\)。\(X_n\)表示\(n\)天的天气，那么\(X_0,X_1,...,X_n\)时空间状态为\(\{R,S\}\)的马尔科夫链。那么其转移矩阵是：
也可以用转移状态图表示。
如果明天天气取决于昨天和今天的天气，比如，如果连续两天晴天，下一天必然是雨天，如果连续两天雨天，下一天必是晴天。那么为了符合马尔科夫性质，状态空间变为\(\{(R,R),(R,S),(S,R),(S,S)\}\)，相应的状态转移矩阵也会变化。
定义11.1.4：\(n\)步转移概率。从\(i\)经过\(n\)步后变为\(j\)的概率，用\(q_{ij}^{(n)}\)表示：
注意
等式右边是\(Q^2\)矩阵的第\((i,j)\)项，所以\(Q^2\)给出了\(2\)步的转移矩阵。归纳可知，\(q_{ij}^{(n)}是Q^n的第(i,j)项\)。
计算\(X_0,X_1,...,X_n\)的边缘分布需要转移矩阵和初始状态。初始状态\(X_0\)可以指定，也可以根据分布随机选取，假设\((t_1, t_2,...t_M)\)是\(X_0\)的\(PMF\)，即\(t_i=P(X_0=i)\)，那么边缘分布可以如下计算。
定理11.1.6：\(X_n\)的边缘分布。令\(\textbf{t}=(t_1,t_2,...,t_M)\)，其中\(t_i=P(X_0=i)\)，\(\textbf{t}\)是行向量，\(X_n\)的边缘分布是\(\textbf{t}Q^n\)，即\(\textbf{t}Q^n\)的第\(j\)项是\(P(X_n=j)\)。
证明：
马尔科夫链的状态可以根据其在长期的过程中经常出现或者不出现，分为周期性的（recurrent）和瞬时的（transient）。状态也可以用周期（period）分类，即两次在同一个状态之间的时间。
如上图，1、2、3是瞬时的（transient）状态，4、5、6是周期性（recurrent）状态。
定义11.2.1：从状态\(i\)出发，最终回到状态\(i\)的概率是1，那么状态\(i\)就是周期性状态，否则，就是暂时性状态，即说从状态\(i\)出发后无法回到状态\(i\)的概率是正值。或者说，只要永远离开状态\(i\)的概率是正值，那么一定会永远离开状态\(i\)，离开状态\(i\)之前回到状态\(i\)的次数其实就是几何分布，\(Geom(p)\)。
定理11.2.2：回到暂时状态\(i\)的次数是几何分布。\(i\)是马尔科夫链的暂时性状态，从\(i\)出发后无法回到\(i\)的状态是正值\(p\)，\(p>0\)。那么离开状态\(i\)前，从状态\(i\)出发又回到状态\(i\)的次数是几何分布\(Geom(p)\)。
即只要有概率走上不归路，那么它一定会走上不归路，所以才叫暂时性状态。走上不归路前徘徊的次数是几何分布。
方便的话，画出状态转移图如上图，即可对状态进行分类。
定义11.2.3：转移矩阵为\(Q\)的马尔科夫链，如果对于任意两个状态\(i\)和\(j\)，都能在有限的时间步中从状态\(i\)转移到状态\(j\)（即转移概率是正值），那么该链就是不可约的（irreducible）链。或者说，对于任意\(i\)、\(j\)，存在正整数\(n\)使得\(Q^n\)的\((i,j)\)项为正值。不是不可约的马尔科夫链，即可约的（reducible）马尔科夫链。
定理11.2.4：不可约的马尔科夫链的所有状态都是周期性状态。
但是反过来不成立，因为有可能可约的马尔科夫链的所有状态都是周期性的。反例如图。
例11.2.5：赌徒的毁灭
例11.2.6：收集优惠券
另一种分类方式是根据状态的持续时间。
定义11.2.8：状态\(i\)的周期（period），即从状态\(i\)出发再回到状态\(i\)的所有可能的步数的最大公约数。如果状态\(i\)的周期是1，那么状态\(i\)是非周期性的，否则就是周期性的。如果一个马尔科夫链的所有状态\(i\)都是非周期性的，那么这条链就是非周期性的。
定理11.2.9：不可约的马尔科夫链的所有状态都有相同的周期。
最开始时间，马尔科夫链可能会在暂时性状态中，但最终，马尔科夫链一直都在周期性状态中。那么在每个周期性状态的时间分布是怎么样的？定常分布就是回答这个问题的。
定常分布描述了长期运行中，马尔科夫链在每个定常状态的概率，和待在每个定常状态花的时间。
定义11.3.1：定常状态。对于行向量\(\textbf{s}=(s_1,s_2,...s_M)\)，其中\(s_i \geq 0且 \sum_{i}{s_i}=1\)，如果对于马尔科夫链的转移矩阵，对于所有\(j\)存在
即，
那么\(\textbf{s}\)就是一个定常分布。
\(\textbf{s}\)是\(X_0\)的分布，那么\(\textbf{s}Q\)是\(X_1\)的分布，也是\(\textbf{s}\)，同样地，\(X_2,X_3\)分布都是\(\textbf{s}\)。即，如果马尔科夫链的初始状态是定常分布，那么永远都是定常分布。
\(\textbf{s}\)是\(Q\)的特征为1的左特征向量。
对于有限状态空间的马尔科夫链，定常分布一定存在。对于不可约的马尔科夫链，定常分布是唯一的。
定理11.3.5：定常分布的存在性和唯一性。对于不可约的马尔科夫链，存在唯一的定常分布，且其中的每个状态都是正的概率。
定理11.3.6：\(X_0,X_1,...\)是不可约、非周期的马尔科夫链，其定常分布是\({\textbf{s}}\)，转移矩阵是\(Q\)。那么随着\(n\to \infty\)，\(P(X_n=i)\)收敛于\(s_i\)。也就是说\(Q^n\)收敛于每行都是\(\textbf{s}\)的矩阵。
因此，经过一定时间步后，链的状态是状态\(i\)的概率基本接近定常分布\(s_i\)。
通常来说，找到定常分布需要大量的计算，本节介绍了一种特殊情况下不用求特征方程的方法。
定义11.4.1：可逆性。\(Q=(q_{ij})\)是马尔科夫链的转移方程。\(\textbf{s}=(s_1,s_2,...,s_M), s_i \geq 0, \sum_i{s_i}=1\)，使得对于所有状态\(i,j\)成立：
这个等式即是可逆性。
定理11.4.2：可逆性意味着定常。
参考：
Introduction to Probability, Second Edition (Chapman & Hall/CRC Texts in Statistical Science)
基本就是这本书第11章的内容
标签：www 开始 red 连续 未来 特殊 限制 edit png
原文地址：https://www.cnblogs.com/frodo-x/p/12803565.html
