Пусть функция в дискретный момент времени n принимает целое значение i (можно вместо целых чисел i рассматривать любые числа) с вероятностью , иначе, некоторая система в момент времени n находится в состоянии i с вероятностью , т. е. .
Совместное распределение вероятностей и определим формулой , а совместное распределение случайного вектора зададим следующим выражением . Таким образом, переход из состояния i в состояние j определяется вероятностью перехода .
Определение 1. Последовательность дискретных случайных величин образует марковский процесс, если для каждого набора целых чисел соответствующее совместное распределение определено таким образом, что условная вероятность события при условиях совпадает с условной вероятностью события при единственном условии . Числа произвольны, а рассматриваемые события имеют положительные вероятности.
Таким образом, в определении 1 постулируется, что для заданного настоящего состояния системы никакие дополнительные сведения относительно состояний системы в прошлом не могут изменить (условную) вероятность состояния x в некоторый будущий момент времени.
|
|
Дискретный марковский процесс также называется цепью Маркова, но описанный перед О1 процесс обладает дополнительным свойством: переходные вероятности не зависят от n.
Обобщением описанной ситуации является случай, когда переходные вероятности зависят только от разности . Такая цепь Маркова называется однородной. В общей цепи Маркова переходные вероятности зависят от моментов времени и обозначаются , так что определяют вероятности перехода за один шаг. В дальнейшем рассматриваются только однородные цепи Маркова, для которых
Теория цепей Маркова является простейшим обобщением схемы независимых испытаний Бернулли, в которой с каждым исходом связывалась фиксированная вероятность . В цепи Маркова каждой паре исходов отвечает условная вероятность и должны быть заданы вероятности исходов в начальном состоянии. Вероятности последовательных исходов в цепи Маркова удовлетворяют соотношению
,
причем начальному исходу удобно присваивать номер 1, второму – 2 и т. д.
Пусть цепь Маркова описывается начальным вектором вероятностей , исходов (состояний) и квадратной матрицей вероятностей перехода
,
причем и . Такая матрица называется стохастической.
Любая стохастическая матрица может служить матрицей вероятностей перехода и вместе с начальным вектором вероятностей задает цепь Маркова.
Примеры цепей Маркова.
Графически цепь Маркова описывается направленным графом, вершины которого соответствуют состояниям цепи, а дуга, выходящая из состояния и направленная в состояние ,помечается вероятностью перехода .
|
|
Аналогично предыдущему можно определить цепь Маркова с бесконечным числом состояний.
Из определения 1 следует, что вероятности перехода за n шагов можно найти по простой формуле
,
т. е. с формальной точки зрения исследование многих свойств цепей Маркова сводится к изучению степеней матриц вероятностей перехода.
Для любых неотрицательных n и r справедливо уравнение Колмогорова-Чепмена , где – единичная матрица.
Пусть – распределение вероятностей цепи Маркова на n -м шаге, причем . Тогда имеем
, .
Пример цепи Маркова.
.