24.01.2013 Aufrufe

Klenke Wahrscheinlichkeitstheorie

Klenke Wahrscheinlichkeitstheorie

Klenke Wahrscheinlichkeitstheorie

MEHR ANZEIGEN
WENIGER ANZEIGEN

Erfolgreiche ePaper selbst erstellen

Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.

17.2 Diskrete Markovketten, Beispiele 341<br />

Definition 17.16. Eine Matrix (p(x, y)) x,y∈E mit nichtnegativen Einträgen und<br />

�<br />

p(x, y) =1 für jedes x ∈ E<br />

y∈E<br />

heißt stochastische Matrix auf E.<br />

Nun ist eine stochastische Matrix im Wesentlichen ein stochastischer Kern von<br />

E nach E. In Satz 17.8 hatten wir gesehen, dass zu der Halbgruppe von Kernen<br />

(p n )n∈N genau eine diskrete Markovkette existiert, deren Übergangswahrscheinlichkeiten<br />

durch p gegeben sind. Die dort angegeben Argumente waren eher abstrakter<br />

Natur. Wir wollen hier eine Konstruktion von X angeben, mit der man beispielsweise<br />

auch eine Computersimulation bauen kann.<br />

Sei (Rn)n∈N0 eine unabhängige Familie von Zufallsvariablen mit Werten in EE mit<br />

der Eigenschaft, dass<br />

P[Rn(x) =y] =p(x, y) für alle x, y ∈ E. (17.11)<br />

Beispielsweise wähle man (Rn(x), x ∈ E, n ∈ N) als eine unabhängige Familie<br />

von Zufallsvariablen mit Werten in E und Verteilungen<br />

P[Rn(x) =y] =p(x, y) für alle x, y ∈ E und n ∈ N0.<br />

Man beachte aber, dass wir in (17.11) weder die Unabhängigkeit der Zufallsvariablen<br />

(Rn(x), x ∈ E) gefordert haben, noch, dass alle Rn die selbe Verteilung<br />

haben (lediglich die eindimensionalen Randverteilungen sind festgelegt). In der Tat<br />

möchte man in vielen wichtigen Anwendungen wohldefinierte Abhängigkeitsstrukturen<br />

haben, um Markovketten mit unterschiedlichen Startzuständen miteinander zu<br />

koppeln. Diesen Faden verfolgen wir erst in Abschnitt 18.2 weiter.<br />

Für x ∈ E definiere<br />

X x 0 = x und X x n = Rn(X x n−1) für n ∈ N.<br />

Schließlich definieren wir Px := L[X x ] als die Verteilung von X x , also als ein<br />

W-Maß auf dem Folgenraum (E N0 , B(E) ⊗N0 ).<br />

Satz 17.17. (i) Der kanonische Prozess X auf (EN0 , B(E) ⊗N0 ) ist bezüglich<br />

der Verteilung (Px)x∈E eine Markovkette mit Übergangsmatrix p.<br />

(ii) Insbesondere gehört zu jeder stochastischen Matrix p genau eine diskrete<br />

Markovkette X mit Übergangswahrscheinlichkeiten p.<br />

Beweis. ” (ii)“ folgt aus (i), da Satz 17.11 die Eindeutigkeit von X liefert.<br />

” (i)“ Für n ∈ N0 und x, y, z ∈ E gilt nach Konstruktion

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!