点讯输入法详细评测.pptVIP

三、切普曼－柯尔莫哥洛夫方程 证 马氏性 C－K方程的矩阵形式 称k步转移矩阵 齐次马氏链的n步转移矩阵为(一步)转移矩阵的n 次幂. 推论1 证 在C－K方程中， 令k=s=1, 有 令k=2, s=1, 有 由数学归纳法知 齐次马氏链的n步转移矩阵 由一步转移矩阵确定. EX.7 天气预报问题 假设明日是否有雨仅与今日下雨与否有关，而与过去无关. 把有雨称为“0” 状态天气，无雨称为“1 状态天气，这是一个两状态马氏链. 记 p00=α, p10=β, 则过程的一步转移矩阵为 设α=0.7, β=0.4, 可得 可知今日有雨且第四日仍有雨的概率为 问题: 1) 计算P（8）, P（16）, P（32）,尝试发现其变化规律. 定义4.2.5 给定齐次马氏链{X(n), n≥0}, 记 πi(n)=P{X(n)=i｝, i∈E 称行向量π(0) ={π0(0), π1(0), …, πi(0), …}为马氏链的初始(概率)分布 称行向量π(n)={π0(n), π1(n), … , πi(n),…} 为马氏链的绝对(概率)分布. 定理4.2.3 设{X(n), n≥0}是齐次马氏链, 其绝对分布和有限维分布由初始分布和一步转移矩阵所完全确定. 证 由全概率公式及马氏性知 或 绝对分布 初始分布 由{X(n), n≥0}的齐次性, 以上各转移概率均可利用C－K方程，由一步转移概率求出. 有限维分布为 *湖南大学 §4.2 马氏链序列(一) 设{X(t),t∈T}为马氏过程, “过程在 t 时刻处于状态x ”; 记 E={x X(t)=x, t∈T} 称为过程的状态空间. 若E 是可数集, 称{X(t),t∈T}是马氏链. 若指标集T 是可数集, 称{X(t),t∈T}是马氏序列. 本节讨论状态空间E和参数集T都是可列集的马尔科夫链. 马尔科夫链的理论系统而深入，在自然科学、工程技术及经济管理各领域有广泛的应用. 定义4.2.1 设{X(n), n≥0} 为随机变量序列, 状态空间E={0,1,2,…},如果对于任意非负整数 k 及n1 n2… nrm，以及 一、定义及例 P{X(m+k)=im+k| X(n1)=i1, …,X(nr)=inr, X(m)=im} = P{X(m+k)=im+k| X(m)=im} 成立,称{X(n), n≥0} 为离散参数马氏链. 定理4.2.1 (等价定义) 随机变量序列{X(n), n≥0} 的状态空间E={0,1,2,…},如果对于任意非负整数m，以及 P{X(m+1)= im+1| X(m)= im ,X(m－1)=im－1, …,X(0)=i0} = P{X(m+1)=im+1| X(m)=im} 注 必要性显然，充分性自证. 成立,是{X(n), n≥0} 为离散参数马氏链的充分必要条件. 定义4.2.2 设{X(n):n≥0} 为马氏链，状态空间为E={0,1,2,…},称条件概率 为马氏链在m 时刻的k 步转移概率. 特别 称为一步转移概率. 表示在时刻m 时X(m)取 i 值的条件下，在下一时刻m+1时 , X(m+1)取j 值的概率. 注 定理4.2.1说明可由一步转移概率验证时间序列的马氏性. EX. 1 在股票交易过程中令状态空间为 E={－1, 0, 1} 各状态分别代表“下跌”、“持平”、“上升”， 时间集T={n=0,1,2,…}(单位：周),将股票交易过程转化马氏链{X(n), n≥0}. 因对任意时刻m有 = P{X(m+1)=im+1| X(m)=im} P{X(m+1)=im+1| X(m)=im ,X(m－1)=im－1, …,X(0)=i0} 注 转移概率满足: 由于概率是非负的，且过程从一状态出发，经过一步转移后，必到达状态空间中的某个状态。 即有 有限马氏链 状态空间I={0，1，2，…，k} 3．一步转移矩阵 称为在时刻n的一步转移矩阵。 1 2 3 状态空间 E={1, 2, 3 } , X(n)为第n 次观察时 老鼠所处位置, 记 根据全概率公式，对j =1, 2, 3有 EX.2 迷宫问题 定时观察老鼠位于哪一个房间？ 在时刻n, 老鼠处于各状态的概率只与第n－1次时所处状态与转移概率有关，而与第n－1次前的状态无关. 老鼠的随机转移状态运动过程是一个马氏链. 二、齐次马氏链 定义4.5