第三章 马尔可夫链

马尔科夫链专题讲义马尔科夫链是以俄罗斯数学家安德烈·马尔科夫的名字命名,是一个数学随机模型,描述了一连串可能发生的事件,从一个状态到另外一个状态,也可以是保持当前状态的随机过程.下一个状态的概率分布只能由当前状态决定,在时间序列中它前面的事件均与之无关.高中数学中经常与条件概率,全概率公式,贝叶斯公式相结合,构造递推关系求的概率.一、马尔科夫链的性质马尔科夫链具有状态空间,无记忆性,转移概率(转移矩阵)等三个要素,马尔科夫链是从一个状态到另一个状态转化的随机过程,每个状态称为状态空间.无记忆性是而的事件均与之无关.这种特定类型的“无记忆性”称作马尔科天性.在马尔科夫链的每一步,根据概率分布,可以从个状态变频另外一个状态,也可以保持当前状态.状态的改变叫做转移,与不同状态改变相关的概率叫做转移项率.对于随机变量序列X m已知第n小时的状态X n.如果X n−1的随机变化规律与前面的各项X1,X2,⋯,X n−1的取值都没有关系,那么称随机变量序列X n具有马尔科夫性,称具有马尔科夫性的随机变量序列{X n}为马尔科夫链。

二、马尔科夫链基本原理虽然贝叶斯公式不做要求,但是全概率公式已经是新高考考查内容,利用全概率公式,我们既可以构造某些递推关系求解概率,还可以推导经典的一维随机游走模型,即设数轴上一个点,它的位置只能位于整点处,在时刻t=0时,位于点X=i(i∈N∗)一个时刻,它将以概率α或者β(α∈(0,1),α+β=1)向左或者向右平移一个单位.若记状态X t=i表示在时刻t该点位于位置X=i(i∈N∗),那么由全概率公式可得P(X t+1=i)=P(X t=i−1)⋅P(X t+1=i∣X t=i−1)+P(X t=i+1)⋅P(X t+1=i∣X t=i+1).另一方面,由于P(X t+1=i∣X t=i−1)=β,P(X t+1=i∣X t=i+1)=α,代入上式可得P i=α⋅P i+1+β⋅P i−1.进一步,我们假设在x=0与x=m(m>0,m∈N∗)处各有一个吸收壁,当点到达吸收壁时被吸收,不再游走.于是P0=0,P m=1.随机游走模型是一个典型的马尔科夫过程.进一步,若点在某个位置后有三种情况:向左平移一个单位,其概率为a,原地不动,其概率为b,向右平移一个单位,其概率为c,那么根据全概率公式可得P i=aP i−1+bP i+cP i+1.三、应用举例1.药物试验问题例1（2019全国1卷21）为治疗某种欢病,研制了甲、乙两种新药,希望知道哪种新药更有效,为此进行动物试验.试验方案如下:每一轮选取两只白鼠对药效进行对比试验.对于两只白鼠,随机选一只施以甲药,另一只施以乙药.轮的治疗结果得出后,再安排下一轮试验.当其中一种药治愈的白鼠比另一种药治愈的白鼠多4只时,脱停止试验,并认为治愈只数多的药更有效.为了方便描述问题,约定:对于每轮试验,若施以甲药的白贝治愈且施以乙药的白鼠未治愈则甲药得1分,乙药得−1分;若施以乙药的白鼠治愈且施以甲药的白鼠未治愈则乙药得1分,甲药得-1分;若都治愈或都未治愈则两种药均得0分.甲、乙两种药的治愈半分别记为α和β,一轮试验中甲药的得分记为X.(1)求X的分布列:(2)若甲药、乙药在试验开始时都赋予4分,p i(i=0,1.⋯.8)表示“甲药的累计得分为i时,最终认为甲药比乙药更有效”的概率,则p0=0,p i=1,p i=ap i−1+bp i+cp i+1(i=1,2,⋯,7),其中a=P(X=−1),b=P(X=0),c=P(X=1).假设α=0.5,β=0.8.(i)证明:{p i−1−p i}(i=0,1,2,⋯,7)为等比数列;(iii)求p c,并根据p c的值解释这种试验方案的合理性.解:(1)由超意知,X的所有可能取值为-1.0,1.P(X=−1)=(1−α)β,P(X=0)=αβ+(1−α)(1−β),P(X=1)=a(1−β),∴X的分布列为X−10 1P(1−α)βαβ+(1−α)(1−β)α(1−β)(2)(i)由(1)知,a=(1−0.5)×0.8=0.4,b=0.5×0.8+(1−0.5)(1−0.8)=0.5,c=0.5×(1−0.8=0.1.∴p i=0.4p i−1+0.5p i+0.1p i+1,∴0.1(p i+1−p i)=0.4(p i−p i−1),∴p i+1−p i=4(p i−p i−1),又p1−p0=p1≠0,∴{p i+1−p i}(i=0,1,2,⋯,7)是首项为p1,公比为4的等比数列. (ii)由(i)可得p i+1−p i=p1⋅4i,∴p8=p8−p7+p7−p6+⋯+p1−p0+p0=(p8−p7)+(p7−p6)+⋯+(p1−p0)=p1(47+46+⋯+4)=4(1−47) 1−4p1=48−4 3p1∵p8=1,∴48−43p1=1,∴p1=348−4.∴p4=(p4−p3)+(p3−p2)+(p2−p1)+(p1−p0)=p1(43+42+4+1)=1−44 1−4p1=44−13p1=44−13×348−4 =144+1=1257p4表示最终认为甲药更有效的概率.由计算结果可以看出,在甲药治愈率为0.5,乙药治愈率为0.8时,认为甲药更有效的概率为p4=1257≈0.0039,此时得出错误结论的概率非常小,说明这种试验注：虽然当时学生未学过全概率公式,但命题人直接把p i=ap i−1+bp i+cp i+1给出,并没有让考生推导这个递推关系,实际上,这就是一个一维随机游走模型。

马尔可夫链（Markov Chain），描述了一种状态序列，其每个状态值取决于前面有限个状态[1]。

马尔可夫链是具有马尔可夫性质的随机变量X_1,X_2,X_3...的一个数列。

这些变量的范围，即它们所有可能取值的集合，被称为“状态空间”，而X_n的值则是在时间n的状态。

如果X_{n+1}对于过去状态的条件概率分布仅是X_n的一个函数，则P(X_{n+1}=x|X_1=x_1,X_2=x_2,...,X_n=x_n) = P(X_{n+1}=x|X_n=x_n).这里x为过程中的某个状态。

上面这个恒等式可以被看作是马尔可夫性质。

理论发展马尔可夫在1906年首先做出了这类过程。

而将此一般化到可数无限状态空间是由柯尔莫果洛夫在1936年给出的。

马尔可夫链与布朗运动以及遍历假说这两个二十世纪初期物理学重要课题是相联系的，但马尔可夫寻求的似乎不仅于数学动机，名义上是对于纵属事件大数法则的扩张。

物理马尔可夫链通常用来建模排队理论和统计学中的建模，还可作为信号模型用于熵编码技术，如算术编码（著名的LZMA数据压缩算法就使用了马尔可夫链与类似于算术编码的区间编码）。

马尔可夫链也有众多的生物学应用，特别是人口过程，可以帮助模拟生物人口过程的建模。

隐蔽马尔可夫模型还被用于生物信息学，用以编码区域或基因预测。

马尔可夫链最近的应用是在地理统计学(geostatistics)中。

其中，马尔可夫链用在基于观察数据的二到三维离散变量的随机模拟。

这一应用类似于“克里金”地理统计学(Kriging geostatistics)，被称为是“马尔可夫链地理统计学”。

这一马尔可夫链地理统计学方法仍在发展过程中。

马尔可夫过程马尔可夫过程的定义：⑴设{(X(t),t∈T)}是一个随机过程，如果{X(t),t∈T)}在t0时刻所处的状态为已知时，与它在时刻t>t0之前所处的状态无关，则称{X(t),t∈T)}具有马尔可夫性。

⑵设{X(t),t∈T)}的状态空间为S,如果对于任意的n≧2,任意的t1<t2<....<tn∈T,在条件X(ti)=xi,xi∈S,i=1,2,...,n-1下,X(tn)的条件分布函数恰好等于在条件X(tn-1)=xn-1下的条件分布函数，即P(X(tn)<=xn|X(t1)=x1,X(t2)=x2,...,X(tn-1)=xn-1)=P(X(tn)<=xn|X(tn-1)=xn-1)则称{(X(t),t∈T)}为马尔可夫过程。

第三章 随机性模拟方法—蒙特卡罗方法（MC ）§ 3.1 预备知识例：一个粒子在一个二维正方格点上跳跃运动随机行走：每一时间步上，粒子可选择跳到四个最近邻格点上的任何一个，而记不得自己来自何方；自回避行走：粒子记得自己来自什么地方，而回避同它自己的路径交叉。

随机行走的每一步的结果就是系统的一个状态，从一个状态到另一个状态的跃迁只依赖于出发的状态，这些状态形成一个序列，这就是一个马尔可夫链。

状态序列：x 0, x 1, …, x n , …已给出状态x 0, x 1, …, x n+1 的确定值，x n 出现的概率叫做条件概率 ()01,x x x -n n P 马尔可夫链的定义：如果序列x 0, x 1, …, x n , …对任何n 都有 ()()101,--=n n n n P P x x x x x 则此序列为一个马尔可夫链（或过程）。

§ 3.2 布朗动力学（BD ） 1．郎之万方程 v t R dtdvmβ-=)( 方程右边第一项为随机力，对粒子起加热作用；第二项为摩擦力，避免粒子过热。

将方程变形为：dt mvt R dt m v dv )(+-=β 于是，解可写为：])0()(11[)0( )0()(0)()(10⎰+≈⎰=---tt mt md v R m tm d ev R m ev eev t v tττββτττβ⎰+≈---t m t t md Re m ev 0)()(1)0( ττβτβ当随机力R(t)服从高斯分布时，上述方程的解描述的即为布朗运动，于是，布朗运动问题就化为在一些补充条件下求解郎之万方程，即⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧><=>=<>=<=+><--)( 2)()(2)0()(,0)()(222/2/12高斯分布R R B e R R P t T k R t R t R m t R m v dt dv πδββ 注：)()()(t t q t R t R '->='<δ 表示随机力R 在t 和t ’时刻没有关联, q 为噪声强度。

k 1 m
P (x n 1 k | x 0 i )P (x n j | x n 1 k ) rij (n 1)Pkj
k 1 k 1 m
m
n 步转移概率矩阵： rij (n ) 看成一个二维矩阵第 i 行第 j 列的元素。 讨论 n 时： 例 1 中，每一个 rij (n ) 都收敛于一个极限值，不依赖于初始状态 i。
Wj Wk pkj
k 1 m
1 Wk
k 1
m
3、另外有
Wj 0 ，对于所有的非常返状态 j Wj 0 ，对于所有的常返状态 j
1 Wm ] [0 0 1] ，可用 MATLAB 解决。 pm1 pmm 1 1
P(x 0 i0 , x1 i1, , x n in ) P(x 0 i0 )Pi i Pi i Pi
01 12 n 1 n
i
图形上，一个状态序列能表示为在转移概率图中的一个转移弧线序列。在给定初始状态下， 该路径的概率等于每个弧线上转移概率的乘积。 n 步转移概率 定义： rij (n ) P (x n i | x 0 i ) 计算在当前状态条件下，未来某个时期状态的概率分布。 当前状态 i，n 个时间段后的状态将是 j 的计算公式：C-K 方程
1 0 0 0 0.3 0.4 0.3 0 0 0.3 0.4 0.3 0 0 1 0
转移概率图
例 3：一个教授抽取测试卷子。卷子的难度分成 3 种：困难、中等和容易。如果本次抽到的 困难的卷子，则下次分别有 0.5 的概率抽中中等和容易的卷子。如果本次抽到的是中等的卷 子，则下次仍旧 0.5 的概率为中等难度，另外有 0.25 的概率抽中困难或容易的卷子。如果本 次抽到的是容易的卷子， 则下次仍旧 0.5 的概率为容易难度， 另外有 0.25 的概率抽中困难或 中等的卷子。 转移概率矩阵