12wk-2: 마코프체인 (11)

최규빈

2023-05-23

강의영상

youtube: https://youtube.com/playlist?list=PLQqh36zP38-yZaqMvt2jojFKOeDaomqzi

예비학습

- 약어: XN0에서 값을 가지는 이산형확률변수이고 μX의 분포라고 하자. 이해를 위해서 아래와 같은 확률분포표를 가정한다면

X 0 1 2
P(X=k) 0.1 0.2 0.7

μ=[0.1,0.2,0.7] 이다. 이럴 경우 평균은

  • E(X)=0×0.1+1×0.2+2×0.7

와 같이 표현가능한데, 이를 좀 더 명확하게 하기 위하여

  • Eμ(X)=0×0.1+1×0.2+2×0.7

라고 표현하기도 한다. 마찬가지로

  • P(X=0)=0.1
  • P(X=1)=0.2
  • P(X=2)=0.7

를 좀 더 명확하게 하기 위해서

  • Pμ(X=0)=0.1
  • Pμ(X=1)=0.2
  • Pμ(X=2)=0.7

와 같이 표현하기도 한다.

- 예시: X의 분포 μν가 각각 아래와 같다고 하자.

μ의 정의

X 1 6
P(X=k) 0 1

ν의 정의

X 1 6
P(X=k) 1 0

이 경우 아래의 표현들이 가능하다.

  1. Eμ(X)=6, Eν(X)=1
  2. Pμ(X=1)=0, Pμ(X=6)=1, Pν(X=1)=1, Pν(X=6)=0

- 약어: 확률변수 XX=x에서만 확률을 가지고 그 외에는 1이라고 할 경우 분포 μδx라고 표현하기도 한다. 따라서 이 경우

  • Pδx(X=x)=1, Pδx(Xx)=0
  • Eδx(X)=x

와 같은 표현들이 가능하다.

- 예시: X의 분포 μν가 각각 아래와 같다고 하자.

μ의 정의

X 1 6
P(X=k) 0 1

ν의 정의

X 1 6
P(X=k) 1 0

이 경우 아래의 표현들이 가능하다. (??)

  • 1 사실 이렇게 쓰는걸 본적은 없음

    1. Eδ6(X)=6, Eδ1(X)=1
    2. Pδ6(X=1)=0, Pδ6(X=6)=1, Pδ1(X=1)=1, Pδ1(X=6)=0

    - 약어: {Xt}가 상태공간 E에서 정의된 HMC 라고 하자.

    1. Pi(Xt=k):=Pδi(Xt=k)=P(Xt=k|X0=i)
    2. 1의 표현에서 δx 대신에 일반적인 μ를 쓰기도 함.
    3. Pπ(Xt=k)=πk
  • 2 X0δi 를 가정하고 구한 확률

  • 3 Xtπ 를 가정하고 구한 확률인것 처럼 보임, 하지만 사실 X0π를 가정한 것

  • Pi, Pπ 등이 자명한 기호는 아니므로 교재마다 초반부에 정의하고 들어감헷갈리는 편임. 일반적인 기호와 충돌이 오지만 정상분포일 경우 그 의미가 같음.

    nature (cont)

    - 정의: {Xt}가 상태공간 E에서 정의된 HMC 라고 하자. yE, tN0에 대하여 아래와 같은 기호를 정의하자.

    1. Ty=min{t:Xt=y,t1}=min{t1:Xt=y}
    2. Py(Ty<)

    - 의미:

    1. 나그네가 마을 yt=0, t=2, t=5, t=88 에 방문하였다고 하자.
    2. {t:Xt=y,t1}={2,5,88}
    3. min{t:Xt=y,t1}=2
    4. Ty= 나그네가 마을 y에 처음으로 방문한 시점, 단 t=0인 경우는 제외함.
    5. Ty= 나그네가 마을 y에 갈 일이 없음
    6. Ty< 나그네가 마을 y에 언제가는 돌아옴
    7. Py(Ty<)= 초기상태를 마을 y에 출발한 나그네가 언젠가 다시 y로 돌아올 확률
    8. 7의 의미는 “마을 y에 존재하던 나그네가 언젠가 다시 마을 y로 돌아올 확률”이라 해석해도 무방하다.
  • 4 t=0 시점에 마을 y에 존재하던 나그네

  • - 정의: {Xt}가 상태공간 E에서 정의된 HMC 라고 하자. Ti를 상태 iE에 대한 return time 이라고 하자. 만약에 상태 iE 가 아래의 식을 만족한다면

    Pi(Ti<)=1

    i는 recurrent 하다고 표현하고, 그렇지 않으면 i는 transient 하다고 표현한다. 만약에 recurrent state i가 아래식을 만족한다면

    Ei[Ti]<

    state i를 positive recurrent 라고 하고 그렇지 않으면 null recurrent 라고 한다.

    - 이론: HMC {Xt}가 IRR 이라면 모든 i는 같은 nature 를 가진다. 즉 {Xt}가 IRR 이면 아래중의 하나이다.

    1. 모든 상태가 transient 하다.
    2. 모든 상태가 null recurrent 하다.
    3. 모든 상태가 positive recurrent 하다.

    HMC {Xt}의 모든상태가 positive recurrent 이면, positive recurrent markov chain 이라고 간단히 부른다. 나머지 역시 마찬가지

    - Thm(상태의분해1): {Xt}가 HMC라고 하고, E{Xt}가 정의되는 상태공간이라고 하자. 기호 E에서 정의된 euivalence relation이 된다. 따라서 집합 E의 원소는 를 기준으로 아래와 같이 나눌 수 있다.

    E=k=1Ek

    이때

    1. E1,E2,E3, 는 서로소
    2. k: Ek 는 IRR

    이다.

    - Thm(상태의분해2)(, Thm 5.3.5): {Xt}가 HMC라고 하고, E{Xt}가 정의되는 상태공간이라고 하자. 집합 E는 아래와 같이 분해할 수 있다.

    Durrett, Rick. 2019. Probability: Theory and Examples. Vol. 49. Cambridge university press.

    E=k=1Ek

    이때

    1. E1,E2,E3, 는 서로소
    2. k: Ek 는 IRR
    3. k: Ek 의 모든 원소는 PR 이거나 NR 이거나 TR

    이다.

    - 따라서 transition matrix는 일반적으로 아래와 같이 분해하여 생각할 수 있다.

    그림1: 전이행렬의 분해 (, p 117)
    Brémaud, Pierre. 2020. Markov Chains: Gibbs Fields, Monte Carlo Simulation, and Queues. Springer Cham.

    nature와 정상분포

    - 정의 {Xt}가 HMC라고 하자. 아래의 식을 만족하는

    π~P=π~

    0이 아닌 π~invariant measure 라고 한다. 만약에 π~ 이 분포의 정의를 만족하면 stationary measure 혹은 stationary distribution 이라고 부른다.

    - 예시: “오른쪽으로만 갈래” 예제에서는

    π~=[1,1,1,]

    이 수식

    π~P=π~

    을 만족한다. 따라서 이 예제에서 π~=[1,1,1,]invariant measure 이다.

    - {Xt}가 HMC라고 하자. 각각에 대하여 아래가 성립한다.

    IRR nature !π~ up to multiplier !π 에르고딕정리(LLN)
    O PR O O O
    O NR O X X
    O TR Δ X X

    - 이론: {Xt}가 IRR-HMC 라고 하자. {Xt}가 정상분포를 가진다는 조건과 유일한 정상분포를 가질 조건은 동치이다.

  • 5 irreducible 한 homogeneous markov chain

    • {Xt}가 IRR-HMC 일때, 정상분포가 존재한다는 사실만 보이면 자동으로 유일성이 보장된다.

    - Thm: {Xt}가 IRR-HMC 라고 하자. 그러면 positvite recurrent!π 은 동치조건이다. 즉

    • IRR-HMC {Xt} 가 positive recurrent 하다면 항상 {Xt} 는 유일한 정상분포를 가진다.
    • IRR-HMC {Xt} 가 정상분포를 가지면 (그 분포는 유일해지고) {Xt}는 항상 positive recurrent 하다.