7.
Марковские процессы
-
Марковские процессы
Эти процессы являются частным случаем случайных процессов, однако многие физические явления хорошо описываются с помощью аппарата марковских процессов.
-
Процессы без последействия
Рассмотрим случайный процесс (t), все конечномерные распределения которого известны. В соответствии с выражением (3.4), его n-мерную функцию распределения n можно выразить через n–1-мерную n–1 и одномерную условную :
. |
(7.1) |
Произведение (tn, xn| t1, x1,…, tn–1, xn–1)dxn дает условную вероятность того, что xn < (tn) < xn + dxn, при условии, что (ti) = xi. Таким образом, условная вероятность для момента времени tn определяется множеством предыдущих состояний в моменты времени t1, …, tn–1. Говорят, что случайный процесс испытывает вероятностное последействие со стороны своих прошлых значений. Частным случаем является процесс без последействия, когда
(tn, xn| t1, x1,…, tn–1, xn–1) = (tn, xn| tn–1, xn–1),
а выражение (7.1) принимает вид
. |
(7.2) |
Случайные процессы, функции плотности вероятности которых удовлетворяют соотношению (7.2), называют марковскими процессами первого порядка. Применяя выражение (7.2) последовательно n раз, получим
. |
(7.3) |
Таким образом, для полного задания функции n марковского процесса необходимо знать только две функции плотности вероятности – n(t1, x1) и (tn, xn| tn–1, xn–1). Условная функция распределения (tn, xn| tn–1, xn–1) называется вероятностью перехода из состояния tn–1, xn–1 в состояние tn, xn.
Для стационарного марковского процесса на основе выражения (3.2) можно записать
,
поэтому в силу условия согласования (3.1) получим
. |
(7.4) |
Если в качестве случайного процесса рассматривается случайная последовательность xn = x(tn), то для нее марковость означает, что существует вероятность перехода от любого xi при l-м испытании к любому xk при n-м испытании:
. |
(7.5) |
Если при этом случайная величина n принимает конечное множество возможных значений, то последовательность называют простой цепью Маркова. Ясно, что для стационарной марковской последовательности вероятность перехода вида (7.5) зависит только от сдвига индекса m = n – l, то есть от числа шагов между состояниями:
.
Если при дискретном времени tn значения x случайной величины n = (tn) образуют непрерывное множество, то марковость процесса означает, что существуют вероятности переходов
,
а условие стационарности имеет вид:
.
-
Уравнение Смолуховского
В этом параграфе мы рассмотрим связь между вероятностями перехода для трех моментов времени t1 < t2 < t3. Используя условие согласования (3.2) и определение марковского процесса (7.2) для момента времени t3 запишем:
.
Если известно, что (t1) = x1, то
.
Мы получили уравнение Смолуховского:
. |
(7.6) |
Для дискретного множества значений x уравнение (7.6) принимает вид
. |
(7.7) |
Для случайной последовательности момент времени tn надо заменить на номер шага n:
.
Для стационарного случайного процесса уравнение Смолуховского (7.6) несколько упрощается:
.