Markovprocesser SF1904

Transkript

1 Markovprocesser SF1904 Johan Westerborn Föreläsning 4 Markovprocesser 20 April 2015 Johan Westerborn Markovprocesser (1) Föreläsning 4

2 Föreläsningsplan 1 Förra Föreläsningen 2 Innbäddade Markovkedjan 3 Absorption 4 Stationär fördelning 5 Poissonprocessen Johan Westerborn Markovprocesser (2) Föreläsning 4

3 Förra Föreläsningen Föreläsningsplan 1 Förra Föreläsningen 2 Innbäddade Markovkedjan 3 Absorption 4 Stationär fördelning 5 Poissonprocessen Johan Westerborn Markovprocesser (3) Föreläsning 4

4 Förra Föreläsningen Intro till Markovprocesser Vi studerar nu Markovprocesser, vilket är en stokastisk process i kontinuerlig tid. Många definitioner är snarlika motsvarande definitioner för Markovkedjor. p ij (t) = P(X(t) = j X(0) = i) och P(t) = (p ij (t)) ij. Chapman-Kolmogorovs ekvationer finns på motsvarande sätt som i Markovkedjor. Tiden mellan hopp måste vara strikt större än noll (reguljär Markovprocess). Tiden mellan hopp är Exponentialfördelad då det är den enda (kontinuerliga) fördelningen som saknar minne. Johan Westerborn Markovprocesser (4) Föreläsning 4

5 Intensitetsmatrisen Förra Föreläsningen Intensitetsmatrisen Q = (q ij ) ij introducerades där: Elementet på plats i, j defineras som q ij = p ij p ij (h) p ij (0) (0) = lim. h 0 + h qij för j i är intensiteten med vilken processen rör sig från tillstånd i till j. q i = i j q ij är uthoppsintensiteten för tillstånd i. q ii = q i är diagnoalelementen. Radsumman i Q är noll. I Markovkedjorna karaktäriserar vi processen med hjälp av P och p (0). Vad gäller för Markovprocesserna? Johan Westerborn Markovprocesser (5) Föreläsning 4

6 Intensitetsmatrisen Förra Föreläsningen Intensitetsmatrisen Q = (q ij ) ij introducerades där: Elementet på plats i, j defineras som q ij = p ij p ij (h) p ij (0) (0) = lim. h 0 + h qij för j i är intensiteten med vilken processen rör sig från tillstånd i till j. q i = i j q ij är uthoppsintensiteten för tillstånd i. q ii = q i är diagnoalelementen. Radsumman i Q är noll. I Markovkedjorna karaktäriserar vi processen med hjälp av P och p (0). Vad gäller för Markovprocesserna? Johan Westerborn Markovprocesser (5) Föreläsning 4

7 Förra Föreläsningen Bakåt och framåt ekvationerna I matrisform kan vi skriva intensitetsmatrisen som Q = lim h 0 + P(h) I h Vi kan då skriva upp följande ekvationer P (t) = P(t)Q = QP(t) p (t) = p(0)p(t)q = p(t)q Första ekvationerna kallas för Kolmogorovs framåt och bakåt ekvationer. De har lösningen P(t) = exp(qt) = (Qt) k k=0 Matrisen Q tillsammans med p(0) karakteriserar Markovprocessen. k! Johan Westerborn Markovprocesser (6) Föreläsning 4

8 Förra Föreläsningen Bakåt och framåt ekvationerna I matrisform kan vi skriva intensitetsmatrisen som Q = lim h 0 + P(h) I h Vi kan då skriva upp följande ekvationer P (t) = P(t)Q = QP(t) p (t) = p(0)p(t)q = p(t)q Första ekvationerna kallas för Kolmogorovs framåt och bakåt ekvationer. De har lösningen P(t) = exp(qt) = (Qt) k k=0 Matrisen Q tillsammans med p(0) karakteriserar Markovprocessen. k! Johan Westerborn Markovprocesser (6) Föreläsning 4

9 Förra Föreläsningen Bakåt och framåt ekvationerna I matrisform kan vi skriva intensitetsmatrisen som Q = lim h 0 + P(h) I h Vi kan då skriva upp följande ekvationer P (t) = P(t)Q = QP(t) p (t) = p(0)p(t)q = p(t)q Första ekvationerna kallas för Kolmogorovs framåt och bakåt ekvationer. De har lösningen P(t) = exp(qt) = (Qt) k k=0 Matrisen Q tillsammans med p(0) karakteriserar Markovprocessen. k! Johan Westerborn Markovprocesser (6) Föreläsning 4

10 Förra Föreläsningen Bakåt och framåt ekvationerna I matrisform kan vi skriva intensitetsmatrisen som Q = lim h 0 + P(h) I h Vi kan då skriva upp följande ekvationer P (t) = P(t)Q = QP(t) p (t) = p(0)p(t)q = p(t)q Första ekvationerna kallas för Kolmogorovs framåt och bakåt ekvationer. De har lösningen P(t) = exp(qt) = (Qt) k k=0 Matrisen Q tillsammans med p(0) karakteriserar Markovprocessen. k! Johan Westerborn Markovprocesser (6) Föreläsning 4

11 Föreläsningsplan Innbäddade Markovkedjan 1 Förra Föreläsningen 2 Innbäddade Markovkedjan 3 Absorption 4 Stationär fördelning 5 Poissonprocessen Johan Westerborn Markovprocesser (7) Föreläsning 4

12 Uthoppsmatrisen Innbäddade Markovkedjan Låt t 0, t 1,... vara tidpunkterna då Markovprocessen {X(t); t 0} med intensitetsmatris Q hoppar. Vi låter { X n ; n = 0, 1,...} vara en process där X n = X(t n ). Då är X n en Markovkedja med övergångsmatris P = ( p ij ). Där övergångssannolikheterna är proportionella mot intensiteterna, p ij = q ij q i. Bra övning att visa följande: Låt T 1 Exp(λ 1 ) och T 2 Exp(λ 2 ) då är P(T 1 < T 2 ) = λ 1 λ 1 + λ 2 Johan Westerborn Markovprocesser (8) Föreläsning 4

13 Uthoppsmatrisen Innbäddade Markovkedjan Låt t 0, t 1,... vara tidpunkterna då Markovprocessen {X(t); t 0} med intensitetsmatris Q hoppar. Vi låter { X n ; n = 0, 1,...} vara en process där X n = X(t n ). Då är X n en Markovkedja med övergångsmatris P = ( p ij ). Där övergångssannolikheterna är proportionella mot intensiteterna, p ij = q ij q i. Bra övning att visa följande: Låt T 1 Exp(λ 1 ) och T 2 Exp(λ 2 ) då är P(T 1 < T 2 ) = λ 1 λ 1 + λ 2 Johan Westerborn Markovprocesser (8) Föreläsning 4

14 Uthoppsmatrisen Innbäddade Markovkedjan Låt t 0, t 1,... vara tidpunkterna då Markovprocessen {X(t); t 0} med intensitetsmatris Q hoppar. Vi låter { X n ; n = 0, 1,...} vara en process där X n = X(t n ). Då är X n en Markovkedja med övergångsmatris P = ( p ij ). Där övergångssannolikheterna är proportionella mot intensiteterna, p ij = q ij q i. Bra övning att visa följande: Låt T 1 Exp(λ 1 ) och T 2 Exp(λ 2 ) då är P(T 1 < T 2 ) = λ 1 λ 1 + λ 2 Johan Westerborn Markovprocesser (8) Föreläsning 4

15 Tillförlitlighet forts. Exempel (Tillförlitlighet) Innbäddade Markovkedjan En maskin består av två komponenter, A och B som är parallellkopplade. De går sönder oberoende av varandra med intenistet λ. När en komponent är trasig lagas den med intensitet µ. Man har tillgång till två reperatörer så alla komponenter kan repareras parallellt. Man är intresserad av att veta om systemet fungerar eller ej. Bestäm P. A B Johan Westerborn Markovprocesser (9) Föreläsning 4

16 Innbäddade Markovkedjan Att simulera en Markovprocess Med den inbäddade Markovkedjan är det enkelt att simulera en Markovprocess på följande sätt: Låt X(0) = X(0) i med sannolikhet p i (0); Låt T 0 0; for n = 1, 2,... do Låt Y n Exp(q Xn 1 ); end Låt T n T n 1 + Y n ; Låt X n = X(T n ) j med sannolikhet q Xn 1,j /q Xn 1 ; Där X(t) är Markovprocessen, X n är den innbäddade Markovkedjan och T n är tiden för hopp n. Johan Westerborn Markovprocesser (10) Föreläsning 4

17 Absorption Föreläsningsplan 1 Förra Föreläsningen 2 Innbäddade Markovkedjan 3 Absorption 4 Stationär fördelning 5 Poissonprocessen Johan Westerborn Markovprocesser (11) Föreläsning 4

18 Absorption Absorption i Markovprocesser Ett absorberande tillstånd är ett tillstånd från vilket man ej kan gå till ett annat tillstånd. Det betyder att q ij = 0 för alla j i, vilket också betyder att q i = q ii = 0 för ett absorberande tillstånd i (rad av nollor i Q). Begreppet genomgångstillstånd och A-kedja defineras som hos Markovkedjorna. Vi inför, analogt med Markovkedjorna, a ij = P(absorberas i tillstånd j X(0) = i), och T i som tid till absorption givet start i tillstånd i och t i = E[T i ]. Vi kan beräkna dessa på samma sätt som i Markokedjorna om vi inser att förväntad tid i tillstånd i är 1 q i och använder den innbäddade Markovkedjan. Johan Westerborn Markovprocesser (12) Föreläsning 4

19 Absorption Absorption i Markovprocesser Sats (6.5) Låt a ij vara absorptionssannolikheterna och t i vara förväntad tid till absorption i en A-kedja med intensitetsmatris Q. Då gäller för alla absorberande tillstånd j a ij = q ij q i + t i = 1 q i + k G\{i} k G\{i} där G är alla genomgångstillstånd. q ik q i a kj, q ik q i t k, i G i G Bevisas på samma sätt som för Markovkedjor. Johan Westerborn Markovprocesser (13) Föreläsning 4

20 Tillförlitlighet forts. Exempel (Tillförlitlighet) Absorption En maskin består av två komponenter, A och B som är parallellkopplade. De går sönder oberoende av varandra med intenistet λ. När en komponent är trasig lagas den med intensitet µ. Man har tillgång till två reperatörer så alla komponenter kan repareras parallellt. Man är intresserad av att veta om systemet fungerar eller ej. Antag att systemet börjar med två fungerande komponenter, hur lång tid förväntar vi oss att det tar innan systemet slutar fungera? A B Johan Westerborn Markovprocesser (14) Föreläsning 4

21 Stationär fördelning Föreläsningsplan 1 Förra Föreläsningen 2 Innbäddade Markovkedjan 3 Absorption 4 Stationär fördelning 5 Poissonprocessen Johan Westerborn Markovprocesser (15) Föreläsning 4

22 Stationär fördelning Stationär fördelning En Markovprocess kan precis som en Markovkedja ha en stationär fördelning. Låt π vara en stationär fördelning, då måste Derivera uttrycket och vi får π = πp(t), t 0 0 = πq Löst uttryckt, detta betyder att i en stationär fördelning är nettoförändringen noll. Frågor som kvarstår är: Kommer vi hamna i en stationära fördelningen? Är den stationära fördelningen entydig? Johan Westerborn Markovprocesser (16) Föreläsning 4

23 Stationär fördelning Stationär fördelning En Markovprocess kan precis som en Markovkedja ha en stationär fördelning. Låt π vara en stationär fördelning, då måste Derivera uttrycket och vi får π = πp(t), t 0 0 = πq Löst uttryckt, detta betyder att i en stationär fördelning är nettoförändringen noll. Frågor som kvarstår är: Kommer vi hamna i en stationära fördelningen? Är den stationära fördelningen entydig? Johan Westerborn Markovprocesser (16) Föreläsning 4

24 Stationär fördelning Global balans Sats (6.6) π är en stationär fördelning till en reguljär Markovprocess med tillståndsrum E om och endast om πq = 0. Denna ekvation kan skrivas som π i q ij = 0, j E i E π i = 1, i E π i 0, i E. Första ekvationen kallas för global balans. Johan Westerborn Markovprocesser (17) Föreläsning 4

25 Stationär fördelning Lokal balans Definition (Lokal balans) En sannolikhetsfördelning π uppfyller lokal balans om π i q ij = π j q ji, i, j E π i q ij kan benämnas med flödet från i till j. Vid lokal balans är flödet från i till j lika med flödet från j till i. Om π uppfyller lokal balans uppfyller den också global balans π är en stationär fördelning. Alla stationära fördelningar uppfyller inte lokal balans. Johan Westerborn Markovprocesser (18) Föreläsning 4

26 Stationär fördelning Ergodicitet Sats (6.8) En ändlig, irreducibel Markovprocess {X(t); t 0} är ergodisk och gränsfördelningen är den entydiga stationära fördelningen π. Kvoten π i = 1/q i E[T i ] där T i är återkomsttiden för tillstånd i. Förväntad tid i tillstånd j mellan två besök i tillstånd i är π j /(q i π i ). Johan Westerborn Markovprocesser (19) Föreläsning 4

27 Tillförlitlighet forts. Exempel (Tillförlitlighet) Stationär fördelning En maskin består av två komponenter, A och B som är parallellkopplade. De går sönder oberoende av varandra med intenistet λ = 1 2. När en komponent är trasig lagas den med intensitet µ = 2. Man har tillgång till två reperatörer så alla komponenter kan repareras parallellt. Man är intresserad av att veta om systemet fungerar eller ej. Antag att maskinen producerar 4 enheter per tidsenhet när allt fungerar och 3 enheter per tidsenhet när bara ena fungerar. Vad är den förväntade produktionen när man kollar långt in i framtiden? Om manskinen är trasig, hur många enheter förväntas tillverkas innan maskinen är trasig igen? Johan Westerborn Markovprocesser (20) Föreläsning 4

28 Poissonprocessen Föreläsningsplan 1 Förra Föreläsningen 2 Innbäddade Markovkedjan 3 Absorption 4 Stationär fördelning 5 Poissonprocessen Johan Westerborn Markovprocesser (21) Föreläsning 4

29 Poissonprocessen Poissonprocessen En speciell Markovprocess som används flitigt inom många olika områden är Poissonprocessen. Används ofta när man vill räkna händelser: Ankomster till en affär. Radioaktivt sönderfall. Olyckor. Definition (6.5) Poissonprocessen {N(t), t 0} är en Markovprocess med uppräkneligt tillståndsrum, N(0) = 0 med följande övergångsintensiteter λ j = i + 1 q ij = λ j = i 0 annars. Johan Westerborn Markovprocesser (22) Föreläsning 4

30 Poissonprocessen Poissonprocessen Sats (6.3) Följande definitioner är ekvivalenta. a) {N(t), t 0} är en Poissonprocess. b) {N(t), t 0} är en Markovprocess med N(0) = 0 och övergångssannolikheter p ij (t) = (λt)j i (j i)! e λt, om j i c) {N(t), t 0} är en stokastisk process sådan att 1) För alla 0 s 1 < t 1... s n < t n är N(t 1 ) N(s 1 ), N(t 2 ) N(s 2 ),..., N(t n ) N(s n ) oberoende stokastiska variabler. 2) N(t) N(s) är Po (λ(t s)) fördelad. 3) N(0) = 0. Johan Westerborn Markovprocesser (23) Föreläsning 4