Stochastische Dynamik - Stochastik - Humboldt-Universität zu Berlin
Stochastische Dynamik - Stochastik - Humboldt-Universität zu Berlin
Stochastische Dynamik - Stochastik - Humboldt-Universität zu Berlin
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
6 Markovketten<br />
Im folgenden sei<br />
die erste Treffzeit von y und hiermit<br />
y ∈ S heißt<br />
{ rekurrent<br />
transient<br />
T y := inf{ n ∈ N : X n = y } (y ∈ S) ,<br />
ρ xy := P x (T y < ∞) (x, y ∈ S) .<br />
} {<br />
ρyy = 1<br />
, falls<br />
ρ yy < 1<br />
auch die Markov-Kette rekurrent. Die Anzahl der Besuche in y ,<br />
}<br />
ist. Ist jeder Zustand rekurrent, so heißt<br />
H y :=<br />
∞∑<br />
n=1<br />
1 {Xn=y}<br />
charakterisiert Rekurrenz und Transienz von y folgendermaßen:<br />
Theorem 1.10 (Transienz und Rekurrenz). Dei Markov-Kette X aus 1.4 sei zeitlichhomogen<br />
mit abzählbarem Zustandsraum S. Dann gilt für y ∈ S :<br />
y transient =⇒ E x (H y ) = ρ xy<br />
1 − ρ yy<br />
< ∞ (∀ x ∈ S) ,<br />
y rekurrent ⇐⇒ E y (H y ) = ∞ .<br />
Beweis. Zu k ∈ N sei T k y<br />
die Zeit des k-ten Besuches in y. Hiermit gilt:<br />
P x (T k y < ∞) = ρ xy · ρ k−1<br />
yy (x ∈ S, k ∈ N) ; (⋆)<br />
für k = 1 ist dies gerade die Definition von ρ xy ; für k > 1 folgt dies induktiv:<br />
P x (T k y < ∞) = P x<br />
(<br />
T k−1<br />
y<br />
Hiermit folgt:<br />
< ∞ , T y ◦ θ T<br />
k−1<br />
y<br />
(<br />
= E x<br />
(1 {T<br />
k−1<br />
y