B. Schmalfuß Paderborn, den 10. Juni 2009 Stochastische Prozesse und Itô-Kalkül (7. Übung) Markov-Ketten (I) Es sei W (t) (t ≥ 0) ein eindimensionaler Wiener Prozess und n ∈ N0 . Mittels der Itô-Formel zeige man EW (t)n = 1 n(n − 1) 2 Zt EW (s)n−2 ds für n ≥ 2. 0 2n+1 Man folgere hieraus EW (t) = 0. Hinweis: Überprüfen Sie, dass die Voraussetzungen für die Itô-Formel erfüllt sind! (II) Ein fairer Würfel werde n-mal geworfen (n ∈ N). X(n) bezeichne das Maximum der geworfenen Zahlen bis zum n-ten Wurf. Zeige, dass X(n) eine Markov-Kette ist und bestimme die Übergangsmatrix und die n-Schritt Übergangsmatrix. (III) Man zeige, dass die Relation des Kommunizierens eine Äquivalenzraltion darstellt, d.h. (a) Reflexivität: i ↔ i (b) Symmetrie: i ↔ j ⇒ j ↔ i (c) Transitivität: i ↔ j & j ↔ k ⇒ i ↔ k. Definition 1: Sei n ∈ N0 . Ein diskreter stochastischer Prozess X(n) mit Wertevorrat N0 heißt (homogene) Markov-Kette, falls P(X(n + 1) = j|X(0) = i0 , . . . , X(n) = in = i) = P(X(n + 1) = j|X(n) = i) =: pij für alle i0 , i1 , . . . , in , j, n. pij wird als Übergangswahrscheinlichkeit vom Zustand i zum Zustand j bezeichnet und die Matrix P = (pij )i,j als Übergangsmatrix. (1) Betrachte zwei Urnen A und B, von denen A zwei weiße und B zwei schwarze Kugeln enthält. Es wird aus jeder Urne gleichzeitig eine Kugel gezogen und in die andere gelegt. X(n) bezeichne die Anzahl der schwarzen Kugeln in Urne A nach n Ziehungen. Zeige, dass X(n) ein Markov-Prozess ist und gebe die Übergangsmatrix an. Definition 2: Eine Matrix M = (mij )i,j ist eine stochastische Matrix, falls • P mij ≥ 0 ∀i, j • m = 1 ∀i. ij j (2) Falls P eine stochastische Matrix ist, dann auch P n . Definition 3: Die Wahrscheinlichkeit (n) pij = P(X(n + m) = j|X(m) = i) wird als n-Schritt Übergangswahrscheinlichkeit bezeichnet. Entsprechend heißt P (n) (n) = (pij )i,j die n-Schritt Übergangsmatrix. (3) (Chapman-Kolmogorov ) Es gilt (n+m) pij = X (n) (m) pik pkj . k In Matrixschreibweise bedeutet dies gerade: P (n+m) = P (n) P (m) . (4) Zeige: P (n) = P n . (5) Gegeben sei die Übergangsmatrix 1 0 P = 31 0 2 3 1 2 0 0 . 1 2 Man zeichne das Übergangsdiagramm und bestimme P (n) . Definition 4: Wir sagen, dass ein Zustand j vom Zustand i aus erreichbar ist (n) (Schreibweise: i → j), falls es ein n gibt, so dass pij > 0. Falls i → j und j → i, so kommunizieren die Zustände i und j (Schreibweise: i ↔ j). Falls alle Zustände miteinander kommunizieren, so heißt die Markov-Kette irreduzibel. (6) Man untersuche die Markov-Ketten mit den Übergangsmatrizen 1 0 0 1 0 0 P1 = 0 1 0 , P2 = 0 12 12 1 1 1 0 0 1 3 3 3 auf Kommunikation. (n) Definition 5: Es sei d(i) der ggT aller n ≥ 1 mit pii > 0. Der Zustand i heißt aperiodisch, falls d(i) = 1 und periodisch, falls d(i) > 1. (7) Falls i ↔ j, dann gilt d(i) = d(j). (8) Man untersuche die Markov-Kette mit 0 P = 0 1 der Übergangsmatrix 1 0 0 1 0 0 auf Periodizität. Definition 6: Für i, j bezeichne n fij = P(X(n) = j, X(r) 6= j ∀r ∈ {1, 2, . . . , n − 1}|X(0) = i) die Wahrscheinlichkeit für den Übergang vom Zustand i in den Zustand j in genau 0 1 n Schritten, wobei wir fij = 0 und fij = pij setzen. Die Wahrscheinlichkeit, dass i irgendwann in j übergeht, ist dann gegeben durch X n fij = fij . n Falls fii = 1, dann heißt der Zustand i rekurrent. Im Fall fii < 1 ist der Zustand i transient. P (n) (9*) Der Zustand i ist rekurrent genau dann, wenn n pii = ∞. Er ist transient P (n) genau dann, wenn n pii < ∞ (10) Betrachte eine Markov-Kette mit der Übergangsmatrix 1 0 P = 1 1 . 2 2 Untersuche, ob die Zustände 0 und 1 rekurrent bzw. transient sind. ∗ ∗ ∗ Definition P ∗ 7: π = (π0 , π1 , . . .) heißt stationäre Verteilung einer Markov-Kette, falls i πi = 1 und π ∗ = π ∗ P, wobei P die Übergangsmatrix der Markov-Kette bezeichne. (11) Man gebe die stationäre Lösung der Markov-Kette aus Aufgabe (1) an. Abgabe der Aufgaben (I) - (III) bis zum 29.06. in der Übung.