Procesy Markowa Procesy Stochastyczne, wykład 5, T. Byczkowski,
Transkrypt
Procesy Markowa Procesy Stochastyczne, wykład 5, T. Byczkowski,
Procesy Markowa Procesy Stochastyczne, wykład 5, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 12 marzec, 2012 Procesy Markowa Podstawowe pojęcia, definicje (Xt )t∈T , T ⊆ [0, ∞), jest procesem Markowa, gdy dla dow. s ∈ T przyszła ewolucja (zachowanie w t ≥ s) zależy tylko od Xs (=”teraźniejszość”) nie zależy od ”przeszłości” (tzn. od Xr ; r < s). Uściślenie X posiada własność Markowa, gdy dla dow. B ∈ σ{Xt ; t ≥ s}, s - dow. ustalone zachodzi P(B|Xt ; t ≤ s) = P(B|Xs ), z prawd. 1. Wnioski P(B|Xr , Xs ) = P(B|Xs ), dla dow. r < s, z prawd. 1. [Nakładamy na poprzednią równość E[·|Xr , Xs ] i korzystamy z wł. uśredniania dla w.w.o.] Nakładając obustronnie E[·|Xr ] otrzymujemy P(B|Xr ) = E[P(B|Xs )|Xr ], z prawd. 1. Kładąc B = {Xt ∈ A}, t > s, A - borelowski, otrzymujemy P(Xt ∈ A|Xr ) = E[P(Xt ∈ A|Xs )|Xr ], Procesy Markowa z prawd. 1 . Podstawowe pojęcia, definicje P(B|Xs ) = E[1B |Xs ] = φ(Xs , B) z prawd. 1 oraz φ(x, B) -funkcja borelowska, dla ust. B - mierzalnego (jako w.w.o. wzgl. zmiennej losowej Xs ). Dla B = {Xt ∈ A}, φ(x, {Xt ∈ A}) jest ”rozkładem” Xt wzgl. φ(x, ·). Prawdopodobieństwo przejścia Ps,t (x, A) z punktu x do zbioru A w czasie od s do t, s < t, definiujemy wzorem: P(Xt ∈ A|Xs ) = Ps,t (Xs , A) z prawd. 1 , przy założeniu, że Ps,t (x, ·) jest miarą probabilistyczną, dla każdego x. Jeśli istnieje prawd. przejścia (Ps,t )s<t to w.w.o. możemy wyrazić jako całki wzgl. miar Ps,t (x, dy ):R E[ψ(Xt )|Xs = x] = ψ(y )Ps,t (x, dy ). Przepisując ostatnią równość w wnioskach otrzymujemy Z Z Pr ,t (x, A) = P(Xt ∈ A|Xs = y )Pr ,s (x, dy ) = Ps,t (y , A)Pr ,s (x, dy ). Procesy Markowa Prawdopodobieństwo przejścia Ps,t (x, dy ) (Ps,t (x, dy ))s≤t - prawdopodobieństwo przejścia na (S, BS ) gdy (i). Ps,t (x, ·) jest miarą prob. na przestrzeni mierzalnej (S, BS ), dla każdego x ∈ S, (ii). Ps,t (·, A) jest funkcją BS -mierzalną na p. metr. S, (iii). Ps,s (x, E ) = 1E (x) = δx (E ), R (iv). Pr ,t (x, A) = Ps,t (y , A)Pr ,s (x, dy ) dla r ≤ s ≤ t. Uwaga. Przestrzeń metryczną (S, BS ) z σ-ciałem BS zbiorów borelowskich nazywamy przestrzenią stanów. W naszym przypadku (S, BS ) = (Rn , BRn ). Własność (iv) nazywamy tożsamością Chapmana-Kołmogorowa. Dla zadanego prawdopodobieństwa przejścia Ps,t (x, dy ) na (S, BS ) istnieje proces Markowa (Xt ) o wartościach w S taki, że dla s < t P(Xt ∈ A|Xs ) = Ps,t (Xs , A), z prawd. 1, dla dowolnego A ∈ BS . Procesy Markowa Rozkłady skończenie wymiarowe procesu Markowa Wzór na prawdopodobieństwo warunkowe: \ P( Ai ) = P(An |An−1 , . . . , A1 )P(An−1 |An−2 , . . . , A1 ) . . . P(A1 ); i Odpowiednik w terminach w.w.o.: dla dow. układu t1 , t2 , . . . , tk , takiego, że 0 ≤ t1 < . . . < tk , zachodzi Y E[ 1Ai (Xti )] = E[1A1 (Xt1 )E[1A2 (Xt2 )E[1A3 (Xt3 ) . . .]|Xt2 , Xt1 |Xt1 ]] i Przechodząc na całkowanie względem prawdopod. przejść oraz rozkładu Xt1 otrzymujemy: Z Z Z Y E[ 1Ai (Xti )] = Pt1 (dx1 ) Pt1 ;t2 (x1 ; dx2 ) Pt1 ,t2 ;t3 (x1 , x2 ; dx3 ) i A1 A2 A3 Z ... Pt1 ,...,tk−1 ;tk (x1 , x2 . . . , xk−1 ; dxk ). Ak Pt1 oznacza rozkład Xt1 oraz Pt1 ,...,tk−1 ;tk (x1 , x2 . . . , xk−1 ; ·) = P(Xtk+1 ∈ ·|Xt1 = x1 , Xt2 = x2 , . . . , Xtk = xk ). Procesy Markowa Rozkłady skończenie wymiarowe procesu Markowa (Xt ) - proces Markowa, więc Pt1 ,...,tk−1 ;tk (x1 , x2 . . . , xk−1 ; ·) = Ptk−1 ;tk (xk−1 ; ·). Powyższy wzór przyjmuje ostatecznie postać: Z Z Z Y E[ 1Ai (Xti )] = Pt1 (dx1 ) Pt1 ;t2 (x1 ; dx2 ) Pt2 ;t3 (x2 ; dx3 ) i A1 A2 A3 Z ... Ptk−1 ;tk (xk−1 ; dxk ). Ak Dla t1 = 0 rozkład procesu wyznaczony jest przez P0 - rozkład początkowy oraz prawd. przejścia Ps,t (x, dy ). Na odwrót: mając zadany rozkład początkowy i prawd. przejścia, prawa strona powyższego wzoru definiuje zgodną rodzinę miar Pt0 ,t1 ,...,tk na prostokątach mierzalnych. Gdy nieskończenie wiele ”osi”, to zapis prostokąta niejednoznaczny, zgodność: możliwe rozszerzenie. Np. gdy Ai = S (cała przestrzeń), to Pt0 ,t1 ,...,tk (A1 × · · · Ai × · · · × Ak ) = Pt0 ,t1 ,...,ti−1 ,ti+1 ···tk (A1 × · · · Ai−1 × Ai+1 × · · · × Ak ). Zgodność wynika z war. (iv), tj. tożsamości Chapmana-Kołmogorowa. Procesy Markowa Zgodna rodzina Pt0 ,t1 ,...,tk wyznacza proces Tw. Kołmogorowa o istnieniu procesu Niech (S, BS ) będzie pewną przestrzenią stanów oraz T ⊆ [0, ∞). Załóżmy, że S - przestrzeń metryczna, ośrodkowa, zupełna oraz Pt0 ,t1 ,...,tk - zgodna rodzina miar probabilistycznych na (⊗ki=1 S, ⊗ki=1 BS ). Istnieje proces (Xt )t∈T o rozkładach skończenie wymiarowych identycznych z Pt0 ,t1 ,...,tk . Uwaga:. Dowód twierdzenia polega na rozszerzaniu miary z ciała prostokątów mierzalnych w produkcie (⊗t∈T S, ⊗t∈T BS ) do miary na σ-ciele generowanym przez takie prostokaty. Przestrzeń probabilistyczna (Ω, Σ, P) = (⊗t∈T S, ⊗t∈T BS , µ), gdzie µ rozszerzenie miary - rozkład procesu. Proces definiujemy jako rzutowanie: Xt (ω) = ω(t). W naszym przypadku trzeba sprawdzić, że otrzymaliśmy proces Markowa. Procesy Markowa Ps,t (x, dy ) oraz P0 wyznaczają proces Markowa Sprawdzamy, że dla dowolnego układu 0 ≤ t1 < t2 . . . tk < s < t zachodzi: P(Xt ∈ A|Xt1 , Xt2 , . . . , Xtk , Xs ) = P(Xt ∈ A|Xs ), z prawd. 1 . Obydwie strony dowodzonej równości są mierzalne wzgledem σ-ciała σ{Xt1 , . . . , Xtk , Xs }; ponadto zachodzi Z Y 1Ai (Xti )1As (Xs )P(Xt ∈ A|Xt1 , . . . , Xtk , Xs )dP = i Z Y 1Ai (Xti )1As (Xs )1A (Xt )dP = i Z Z Pt1 (dx1 ) A1 Z Pt1 ;t2 (x1 ; dx2 ). . . A2 Z Ptk ;s (xk ; dxs ) As Procesy Markowa Ps;t (xs ; dxt ). A Ps,t (x, dy ) oraz P0 wyznaczają proces Markowa Korzystając z postaci miary na prostokątach mierzalnych otrzymujemy jednocześnie Z Y 1Ai (Xti )1As (Xs )Ps,t (Xs , A)dP = i Z Z Z Pt1 (dx1 ) Pt1 ;t2 (x1 ; dx2 ). . . Ps;t (xs ; A)Ptk ;s (xk ; dxs ) = A1 A2 As Z Z Z Z Pt1 (dx1 ) Pt1 ;t2 (x1 ; dx2 ). . . Ptk ;s (xk ; dxs ) Ps;t (xs ; dxt ). A1 A2 As A Lemat Niech (Bu )u≥0 - rodzina σ-ciał, u ∈ [0, ∞); BU = σ{Bu ; u ∈ U}. Jeśli U < V < W to równość P(BW |BU∪V ) = P(BW |BV ) z prawd. 1 zachodzi wtedy i tylko wtedy, gdy analogiczna równość zachodzi dla wszystkich skończonych U oraz jednopunktowych V i W . Procesy Markowa Jednorodne procesy Markowa Dalej zakładamy, że Ps,t (x, ·) zależy jedynie od (t − s); taki proces nazywamy jednorodnym. Przyjmujemy oznaczenie Pt−s (x, A) := Ps,t (x, A), 0 ≤ s < t. (Pt (x, dy ))t≥0 - prawdopodobieństwo przejścia na (S, BS ) gdy (i). Pt (x, ·) jest miarą prob. na przestrzeni mierzalnej (S, BS ), dla każdego x ∈ S, (ii). Pt (·, A) jest funkcją BS -mierzalną na p. metr. S, (iii). P0 (x, E ) = 1E (x) = δx (E ), R (iv). Ps+t (x, A) = Pt (x, dy )Ps (y , A). Uwaga. Gdy zbiór T jest dyskretny (np. T = {0, 1, 2, . . . , }) to mówimy o łańcuchu Markowa; rozróżniamy łańcuchy o dyskretnej lub ciagłej przestrzeni stanów S. Gdy S - dyskretne ale T = [0, ∞) to mówimy, że łańcuch ma czas ciągły. Najciekawszy przypadek: zarówno czas jak i przestrzeń stanów są ciągłe. Procesy Markowa Przykłady procesów Markowa (i). P = (pij ) - macierz stochastyczna, tzn. pij ≥ 0, Definiujemy X P1 (A) = pij , (pij = P1 (i, {j})). P j pij = 1. j∈A Z równania Chapmana-Kołmogorowa macierz P2 (i, {j}) - przejścia w dwóch krokach - powinna spełniać X (2) pij = P2 (i, {j}) = pik pkj . k Stąd, macierz przejścia P (2) w dwóch krokach, będzie iloczynem macierzy P: P (2) = P 2 oraz ogólniej: P (s+k) = P (s) P (k) = P s+k . Bezpośrednio sprawdzamy, że taka definicja prawd. przejścia pociąga za sobą równość Chapmana-Kołmogorowa, więc każda macierz stochastyczna definiuje prawd. przejścia Pt (x, E ), gdzie T = {0, 1, . . . , }, S = {0, 1, . . . , }, BS = 2S . Procesy Markowa Przykłady procesów Markowa cd. (ii). Niech T = [0, ∞), S = {0, 1, . . . , }, BS = 2S . Dla λ > 0 definiujemy pi,i+j (t) := Pt (i, {i + j}) = e −λt (λt)j /j!. Są to prawd. przejścia w procesie Poissona o intensywności λ. [P(Xt+h = i + j|Xh = i) = P(Xt = j) = pi,i+j (t)]. (iii). Niech T = [0, ∞), S = R, BS = BR . Dla A borelowskiego na S = R kładziemy Z √ 2 e −y /2t dy Pt (x, A) = 1/ 2πt A−x Są to prawd. przejścia w procesie Wienera [P(Xt+h ∈ A|Xh = x) = P((Xt+h − Xh ) + Xh ∈ A|Xh = x) = P(Xt ∈ A − x)]. Procesy Markowa