- •Введение
- •Глава 1. Элементы теории случайных процессов Определение и описание случайного процесса
- •Статистические средние характеристики случайных процессов
- •Стационарные случайные процессы
- •Свойства функции корреляции
- •Эргодические случайные процессы
- •Глава 2. Цепи Маркова с дискретным временем Основные определения
- •1. Условие нормировки
- •2. Уравнение Чепмена-Колмогорова
- •Цепи Маркова с дискретным временем
- •Классификация состояний цепи Маркова с дискретным временем
- •Структура периодического замкнутого класса
- •Классификация состояний цепи Маркова по асимптотическим свойствам переходных вероятностей
- •Эргодические теоремы для цепей Маркова
- •Вероятностно-временные характеристики цепи Маркова
- •Глава 3. Цепи Маркова с непрерывным временем
- •Дифференциальные уравнения Колмогорова
- •Финальные вероятности
- •Время перехода из одного состояния в другое
- •Статистический смысл финальных (стационарных) вероятностей
- •Время пребывания цепи Маркова в j-ом состоянии
- •Процессы гибели и размножения
- •Процесс чистого размножения
- •Простейший поток
- •Основные вероятностные характеристики простейшего потока
- •Глава 4. Элементы теории массового обслуживания
- •Система массового обслуживания, основные определения и классификация
- •Система m/m/1/ (с очередью)
- •Система m/m/n
- •Глава 5. Непрерывные марковские процессы
- •Определение диффузионного случайного процесса
- •Обратное уравнение Колмогорова
- •Прямое уравнение Колмогорова. Уравнение Фоккера-Планка
- •Некоторые частные случаи уравнения Фоккера-Планка
- •Допредельная модель диффузионного процесса
- •Глава 6. Стохастические интегралы
- •Стохастический интеграл в форме Ито
- •Особенность стохастического интеграла в форме Ито
- •Стохастический интеграл в форме Стратановича
- •Связь интегралов Ито и Стратановича
- •Глава 7. Стохастические дифференциальные уравнения Определение стохастических дифференциальных уравнений. Свойства их решений
- •Формула дифференцирования Ито
- •Решение стохастических дифференциальных уравнений
- •Литература
- •Содержание
- •Глава 1. Элементы теории случайных процессов 2
- •Глава 2. Цепи Маркова с дискретным временем 21
- •Глава 3. Цепи Маркова с непрерывным временем 46
Глава 2. Цепи Маркова с дискретным временем Основные определения
Марковские процессы, или процессы без последействия, являются удобной математической моделью для многих реальных процессов. Представим себе систему, которая может находиться в различных состояниях, и пусть её функционирование во времени носит стохастический характер, то есть состояния системы в момент времени t в общем случае не определяется однозначно её состояниями в предыдущие моменты s<t. Следовательно, процесс изменения во времени состояний этой системы можно описать некоторым случайным процессом (t), заданным на интервале [0,T] и принимающим значения из множества X.
Пусть в моменты времени t1<t2<…<tn заданы сечения (t1),(t2),…,(tn), случайного процесса (t). Для момента времени tn+1>tn рассмотрим сечение (tn+1) и условную функцию распределения
Интерпретируя t1,t2,…,tn-1 как моменты времени в прошлом, tn – настоящий (текущий) момент времени, а tn+1 – будущий момент времени, говорят, что эта условная функция распределения характеризует функционирование системы в будущем, если известно её функционирование в прошлом и настоящее (текущее) состояние системы.
Определение. Случайный процесс (t), называется марковским, если выполняется равенство
,
то есть его условная функция распределения вероятностей значений (tn+1), в будущий момент времени tn+1 не зависит от значений процесса в прошлые моменты t1,t2,…,tn-1, а определяется лишь значением (tn)=xn, в настоящий момент времени tn.
Для условной плотности распределения записывают равенство
, (2.1)
а условную плотность распределения p(xn+1,tn+1 | xn,tn)=p(xn+1,tn+1; xn,tn) называют вероятностью перехода системы из состояния xn в состояние xn+1 на интервале времени [tn,tn+1].
Многомерную плотность распределения, в силу равенства (2.1), можно записать в виде
.
Отсюда видно, что начальное распределение p(x1,t1) и вероятности переходов p(xn+1,tn+1;xn,tn) полностью определяют марковский процесс.
Вероятности переходов удовлетворяют двум основным соотношениям.
1. Условие нормировки
,
.
2. Уравнение Чепмена-Колмогорова
.
Все марковские процессы можно разделить на классы в зависимости от структуры множества X – значений случайного процесса (t), и множества моментов времени наблюдения T. Если множество X – дискретное, то процесс (t) называется цепью Маркова.
При этом если T – дискретное, то процесс называется цепью Маркова с дискретным временем, а если T – непрерывное, то процесс называется цепью Маркова с непрерывным временем.
Если оба множества X и T непрерывные, то процесс называется непрерывным марковским процессом. Наиболее важным классом таких процессов является множество диффузионных процессов.
Цепи Маркова с дискретным временем
Пусть случайный процесс (t) изменения во времени состояний некоторой системы принимает целочисленные значения i=1,2,… из множества X конечного или счетного, то есть (t)=i, (t´)=j. Переходы из одного состояния в другое происходят через равные промежутки времени |t-t´|=1, которые будем называть шагом.
Условные вероятности P(t´)=j|(t)=i=pij(t) для всех i,jX образуют матрицу вероятностей переходов цепи Маркова из одного состояния в другое в момент времени t.
Если вероятности переходов не зависят от момента времени t, то есть pij(t)=pij., то цепь Маркова называется однородной с матрицей вероятностей переходов за один шаг
,
где n – число состояний системы (число возможных значений цепи Маркова) – конечное или счетное. Элементы матрицы pij >0 и удовлетворяют условию нормировки
, .
Такую матрицу называют стохастической или марковской.
Набор вероятностей , где называется начальным распределением, оно определяет состояние системы в начальный момент времени.
Цепь Маркова с дискретным временем полностью определяется матрицей вероятностей переходов за один шаг и начальным распределением.
Для описания цепи Маркова удобно использовать граф вероятностей переходов, вершины которого обозначают возможные состояния системы, стрелки от одной вершины к другой указывают возможные переходы между состояниями, а число над стрелкой задаёт вероятность такого перехода. Например, пусть множество состояний X=1,2,3 матрица вероятностей переходов имеет вид
,
тогда граф вероятностей переходов выглядит следующим образом:
В дополнение к одношаговым вероятностям переходов интересно рассмотреть вероятности переходов из одного состояния в другое за произвольное число шагов. В силу уравнения Чепмена-Колмогорова для цепей Маркова, то есть для марковских процессов с дискретным множеством состояний, эти вероятности удовлетворяют рекуррентным соотношениям
, (2.2)
которые нетрудно получить, применяя формулу полной вероятности.
Обозначим через A событие, заключающееся в том, что система за (n+1) шагов перейдёт из состояния i в состояние j, через Hk – событие, состоящее в том, что за n шагов система перейдёт из состояния i в состояние k, тогда, в силу формулы полной вероятности
,
обозначив
, , ,
можно записать равенство, совпадающее с (2.2).
Совершенно аналогично, можно получить уравнение Чепмена-Колмогорова для произвольного числа шагов n+m в виде
, (2.3)
которое позволяет определять вероятности переходов из одного состояния в другое за произвольное число шагов. Этими формулами удобнее пользоваться, записав их в матричном виде. Так равенство (2.2) при n=1 в матричной форме имеет вид
,
тогда равенство (2.3) примет вид
.
Заметим, что матрицы P(n) тоже стохастические n.
Для распределения вероятностей состояний однородной цепи Маркова имеет место следующее равенство векторов:
.
Для неоднородной цепи Маркова распределение вероятностей находится по формулам
Пример 2.1. Рассмотрим состояния банка, характеризующиеся одной из процентных ставок: 12%, 13%, 14%, которые устанавливаются в начале каждого квартала и фиксированы на всем его протяжении. Таким образом, если за систему S принять действующую процентную ставку, то она в каждый момент времени может находиться только в одном из состояний:S1 – процентная ставка 12%, S2 – процентная ставка 13%, S3 – процентная ставка 14%. Анализ работы банка в предшествующие годы показал, что изменение переходных вероятностей с течением времени пренебрежимо мало. Определить распределение вероятностей состояний системы в конце года, если в конце предыдущего года процентная ставка составила 13%, а граф вероятностей переходов имеет вид:
Решение. Так как множество состояний, в которых может находиться система , конечно, то протекающий в ней случайный процесс – дискретный. С определенной степенью погрешности можно предположить, что вероятность пребывания банка в одном из своих состояний в будущем зависит только от состояния в настоящем и не зависит от его состояний в прошлом. Поэтому рассматриваемый процесс можно считать марковским.
В силу условий банк может переходить из состояний в состояние только в определенные моменты времени – начало -го квартала, , а изменение переходных вероятностей с течением времени пренебрежимо мало, то рассматриваемый процесс является однородным марковским процессом с дискретным временем.
По графу составим матрицу переходных вероятностей:
.
Так как в конце предшествующего года процентная ставка составляла 13%, то вектор начального распределения имеет вид .
Тогда распределение вероятностей состояний процентной ставки банка в конце года, то есть по прошествии четырех кварталов определяется следующим образом:
.
Если предположить, что переходные вероятности зависят от моментов установления процентных ставок, полученный процесс будет являться неоднородной марковской цепью с дискретным временем. Например, пусть
, ,
, .
Тогда .