|
在以上的討論中我們不難發現馬可夫鏈和 p(x,y) 有很大的關係。我們不妨稱 p(x,y) 為轉換機率(由 x 轉換成 y),
事實上一個馬可夫鏈完全由 p(x,y) 和起始分佈決定。起始分布就是上面所有例子中的 X0 的分佈。為什麼起始分布如此重要呢?
我們想想看 p(x,y) 只是一種條件機率,一假設已知第n步是x則第n+1是y的機率。
但如何確定第 n 步是不是 x?這又牽涉到第 n-1 步是什麼狀態的問題。如此反推回去則我們必須知道這個馬可夫鏈最開始是什麼了!
所以這就是為什麼起始分布重要的原因!反過來說,一旦起始分布知道了,
再加上轉換機率也固定了,那麼這個馬可夫鏈也就完全決定。
在一個狀態空間 S 含有 n 個元素的馬可夫鏈來說,起始分布只是隨便一個機率分布,
我們經常用 T0 表示。轉換機率 p(x,y) 又稱為轉換矩陣,因為 p(x,y) 可以用一個 n x n 的矩陣表示。
這個矩陣又滿足什麼條件呢?第一:,第二,
,對每一個 來說 ,也就是說此矩陣中每個元素皆是正數(可以是 0 )同時每一列加起來是 1。
在以後討論中我們只看起始分佈及轉換矩陣,至於原來的馬可夫鏈從何而來我們就不去管了!有時候 p(x,y) 也稱為一步轉換,
因為他是表示第n步與第n+1步的關係。現在我們可以定義何謂n步轉換。
假設在狀態 xj 時經過 n 次轉換才轉換至xk,也就是說
如果這種轉換是經由以上的過程,則其機率很顯然是
。
若我們把所有的可能過程加起來則得到第 r 步在 xj 但第 r+n 步在 xk 的機率,
我們用 P(n)j,k 表示。因此,當 n=1 時,我們得到
p(1) (j,k)=p(j,k),當 n=2 時,
,若用歸納法,可得以下之公式
和 n 步轉換有關的一個觀念是抵達時間。我們簡單敘述如下:
設 為狀態空間的一個子集合。設 X0,X1 … 為一馬可夫鏈,則抵達 A 的時間定義為:
也就是說 TA 是這個馬可夫鏈第一次抵達 A 的時間。請注意此地 TA 的定義中,n 是大於零的數,也就是說 TA > 0。即使一開始在 A 中 但 TA 還是大於 0。我們證明下面這個簡單的定理。
- 定理1:
-
。
(此處 Px 是表示馬可夫鏈是從 x 開始,也就是說 )。
- 證明:
-
此證明最後一個式子是由馬可夫鏈的定義所得出的。
這個定理的意思是可以這樣解釋的:等式右邊中
Px(Ty=m)Pn-m(y,y) 是從 x 開始,
第一次抵達y的時間是m,接著在n-m步中由y再回到y的機率。
顯然的是如果我們把這些機率對不同的m加起來,會得到在n步中由x到y的機率。
|
|
|