Professional Documents
Culture Documents
Naho Dne Proce Sy
Naho Dne Proce Sy
1
2 NP1-poznámky February 28, 2021:569
Obsah
1 Úvod 5
1.1 Definice a základnı́ charakteristiky náhodného procesu . . . . . . . . . . . . . . . . 5
1.1.1 Obecné pojmy a vlastnosti . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Pojmy pro spojitý čas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Přı́klady náhodných procesů . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3 Cvičenı́ a doplňky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Literatura 165
A 167
A.1 Vytvořujı́cı́ funkce celočı́selných náhodných veličin . . . . . . . . . . . . . . . . . . 167
A.2 Konvoluce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
A.3 Laplaceova transformace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
A.4 Náhodný součet náhodných veličin . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
3
4 NP1-poznámky February 28, 2021:569
B 175
B.1 Některé věty o maticı́ch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
B.2 Parciálnı́ diferenciálnı́ rovnice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
B.3 Doplňková literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
C 181
C.1 Sčı́tánı́ řad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
D 185
D.1 Dalšı́ pomocná tvrzenı́ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
Kapitola 1
Úvod
Označme X = {Xt , t ∈ T}, pak můžeme definici náhodného procesu ekvivalentně přepsat jako
měřitelnost zobrazenı́
!
O
X : (Ω, A) → X Ht , Ht .
t∈T
t∈T
5
6 NP1-poznámky February 28, 2021:569
H budeme nazývat stavový prostor (ang. state space) náhodného procesu X = {Xt , t ∈ T}. Sta-
vový prostor však bývá neúměrně velký a často obsahuje množinu stavů, do které náhodný proces
vstoupı́ s nulovou pravděpodobnostı́. Stavový prostor proto zúžı́me a budeme se zabývat pouze
hodnotami, které lze u náhodného procesu pozorovat s kladnou pravděpodobnostı́. To znamená
budeme uvažovat množinu Q ⊂ H s vlastnostı́ P (Xt ∈ Q) = 1 pro všechna t ∈ T. Taková množina
však nenı́ jednoznačně určená. Budeme proto využı́vat nejmenšı́ uzavřenou množinu S ⊂ H s vlast-
nostı́ P (Xt ∈ S) = 1 pro všechna t ∈ T. Takovou množinu budeme nazývat množina stavů (též,
množina efektivnı́ch stavů) (ang. set of states) náhodného procesu X. Poznamenejme, že množina
stavů je korektně definována a je určena jednoznačně, nebot’ H = (H, h) je úplný metrický prostor.
Pokud množina stavů S náhodného procesu je diskrétnı́ nejvýše spočetná množina, řı́káme, že
jde o proces s diskrétnı́mi stavy (ang. a random process with discrete states). Že jde o diskrétnı́
množinu znamená, že existuje ∆ > 0 s vlastnostı́ h (s1 , s2 ) ≥ ∆ pro všechna s1 , s2 ∈ S, s1 6= s2 .
Lemma 1.2: Když pro náhodný proces {Xt , t ∈ T} se stavovým prostorem H existuje diskrétnı́
nejvýše spočetná množina Q ⊂ H s vlastnostı́ P (Xt ∈ Q) = 1 pro všechna t ∈ T, pak množina
stavů tohoto procesu je
3. Když A ⊂ S, A 6= S, pak vezměme u ∈ S \ A. Vı́me, že existuje t ∈ T tak, že P (Xt = u) > 0,
proto platı́
X X
P (Xt ∈ A) = P (Xt = s) ≤ P (Xt = s) − P (Xt = u) < 1.
s∈A s∈S
Ověřili jsme, že S je nejmenšı́ uzavřená množina s vlastnostı́ P (Xt ∈ S) = 1 pro každé t ∈ T.
Jedná se tedy o množinu stavů náhodného procesu X.
Definice 1.3: Necht’ T 6= ∅ a pro každé t1 , t2 , . . . , tn ∈ T, n ∈ N je dána Gt1 ,t2 ,...,tn distribučnı́
funkce nějakého n-dimenzionálnı́ho reálného náhodného vektoru. Řekneme, že systém distribučnı́ch
funkcı́
{ Gt1 ,t2 ,...,tn , t1 , t2 , . . . , tn ∈ T, n ∈ N} je konzistentnı́ (ang. consistent system), jestliže má následujı́cı́
vlastnosti:
a) Pro každé n ∈ N, t1 , t2 , . . . , tn ∈ T, x1 , x2 , . . . , xn ∈ R a pro libovolnou permutaci i1 , . . . , in čı́sel
1, . . . , n platı́
lim Gt1 ,t2 ,...,tn ,tn+1 (x1 , x2 , . . . , xn , xn+1 ) = Gt1 ,t2 ,...,tn (x1 , x2 , . . . , xn ) .
xn+1 →∞
Evidentně každý systém distribučnı́ch funkcı́ určený nějakým reálným náhodným procesem
je konzistentnı́. Naopak také platı́, že ke každému konzistentnı́mu systému distribučnı́ch funkcı́
lze nalézt reálný náhodný proces tak, že systém distribučnı́ch funkcı́ určených tı́mto procesem se
shoduje s výchozı́m systémem.
Potom existuje reálný náhodný proces X = {Xn , n ∈ N0 } takový, že pro každé k ∈ N a libovolná
x1 , x2 , . . . , xk ∈ R platı́
µX : T → R : t ∈ T 7→ E [Xt ]
se nazývá střednı́ hodnota reálného náhodného procesu X (ang. the mean of a real random
process).
se nazývá rozptyl reálného náhodného procesu v čase t (ang. the variance of a real random
process).
Povšimněme si, že pro každé t ∈ T je σX2 (t) = RX (t, t).
Definice 1.7: Necht’ T ⊂ R, T 6= ∅. Budeme řı́kat, že reálný náhodný proces {Xt , t ∈ T} je
striktně stacionárnı́ (též, silně stacionárnı́) (ang. strictly stationary random process), jestliže pro
libovolné n ∈ N, x1 , x2 , . . . , xn ∈ R, t1 , t2 , . . . , tn ∈ T a h ∈ R taková, že tk + h ∈ T pro všechna
k ∈ {1, 2, . . . , n}, platı́
Z definice striktnı́ stacionarity procesu plyne např., že všechny náhodné veličiny Xt majı́ stejné
rozdělenı́ a dále, že základnı́ charakteristiky jako střednı́ hodnota a autokovariančnı́ funkce (pokud
existujı́) se neměnı́ při posunutı́ v čase.
Od pojmu striktnı́ stacionarita je třeba odlišit pojem slabá stacionarita.
Definice 1.8: Necht’ T ⊂ R, T 6= ∅. Budeme řı́kat, že reálný náhodný proces {Xt , t ∈ T} je
slabě stacionárnı́ (též, stacionárnı́ do momentů druhého řádu) (ang. weakly stationary random
process), jestliže
Petr Lachout February 28, 2021:569 9
i) Pro každé t ∈ T je Xt ∈ L2 .
Jinými slovy slabě stacionárnı́ reálný náhodný proces má konečné druhé momenty, konstantnı́
střednı́ hodnotu a hodnoty jeho autokovariančnı́ funkce nezávisı́ na posunu argumentů. Střednı́
hodnotu slabě stacionárnı́ho reálného náhodného procesu chápeme jako čı́slo a označujeme µX ∈ R
a jeho autokovariančnı́ funkci chápeme jako funkci jednoho argumentu RX : T − T → R, kde
RX (h) = cov (Xs , Xs+h ) pokud s, s + h ∈ T. Proces je slabě stacionárnı́ a tak na volbě s hodnota
autokovariančnı́ funkce nezáležı́.
Poznámka 1.9:
• Když reálný náhodný proces je striktně stacionárnı́ a má konečné druhé momenty, pak je i
slabě stacionárnı́.
• Když reálný náhodný proces je slabě stacionárnı́ a je gaussovský (tj. jeho konečněrozměrná
rozdělenı́ jsou gaussovská), pak je i striktně stacionárnı́.
Definice 1.10: Necht’ X = {Xt , t ∈ T}, Y = {Yt , t ∈ T} jsou náhodné procesy definované na
stejném pravděpodobnostnı́m prostoru (Ω, A, P ) s hodnotami ve stejném stavovém prostoru (H, H).
Jestliže pro každé t ∈ T platı́
řı́káme, že náhodné procesy X, Y jsou stochasticky ekvivalentnı́ (ang. stochastically equivalent).
Řı́káme také, že Y je stochastickou verzı́ procesu X (ang. stochastic version), když náhodný
proces Y je stochasticky ekvivalentnı́ s X.
Náhodné procesy, které jsou stochasticky ekvivalentnı́, majı́ stejné rozdělenı́, nebot’ majı́ stejná
všechna konečněrozměrná rozdělenı́. Proved’me důkaz pro reálné náhodné procesy.
Uvažujme n ∈ N, t1 , t2 , . . . , tn ∈ T a libovolná reálná x1 , x2 , . . . , xn . Pak platı́
Poznámka. Náhodné procesy, které jsou stochasticky ekvivalentnı́, nemusı́ mı́t stejné trajektorie.
Necht’ např. Ω = [0, 1], A je σ-algebra borelovských podmnožin [0, 1], P je Lebesgueova mı́ra na
10 NP1-poznámky February 28, 2021:569
takže náhodné procesy X, Y jsou stochasticky ekvivalentnı́, ale jejich trajektorie jsou odlišné.
t
V přednášce budeme použı́vat a rozlišovat dva druhy “spojitosti” náhodného procesu. Půjde
jednak o “spojitost” jeho trajektoriı́ a jednak o “spojitost” jeho rozdělenı́.
Nejdřı́ve si indexovou množinu T rozdělı́me na body dosažitelné zleva a na body dosažitelné
zprava.
Definice 1.11: Necht’ T ⊂ R, T 6= ∅. Označme
i) stochasticky spojitý zprava v bodě t (též, spojitý zprava podle pravděpodobnosti v bodě t)
(ang. stochastically continuous from right-hand side at t),
jestliže t ∈ T+ a pro každé ε > 0 platı́ lims→t+ P (h (Xs , Xt ) > ε) = 0.
ii) stochasticky spojitý zleva v bodě t (též, spojitý zleva podle pravděpodobnosti v bodě t) (ang.
stochastically continuous from left-hand side at t),
jestliže t ∈ T− a pro každé ε > 0 platı́ lims→t− P (h (Xs , Xt ) > ε) = 0.
iii) stochasticky spojitý v bodě t (též, spojitý podle pravděpodobnosti v bodě t) (ang. stochasti-
cally continuous at t), jestliže t ∈ T+ ∩T− a pro každé ε > 0 platı́ lims→t P (h (Xs , Xt ) > ε) = 0.
iv) stochasticky spojitý zprava (též, spojitý zprava podle pravděpodobnosti) (ang. stochastically
continuous from right-hand side), je-li stochasticky spojitý zprava v každém bodě T+ .
v) stochasticky spojitý zleva (též, spojitý zleva podle pravděpodobnosti) (ang. stochastically
continuous from left-hand side), je-li stochasticky spojitý zleva v každém bodě T− .
vi) stochasticky spojitý (též, spojitý podle pravděpodobnosti) (ang. stochastically continuous),
je-li stochasticky spojitý zleva v každém bodě T− a stochasticky spojitý zprava v každém
bodě T+ .
Poznámka. Povšimněme si, že spojitý náhodný proces je spojitý v každém bodě T+ ∩T− . Podobně
stochasticky spojitý náhodný proces je stochasticky spojitý v každém bodě T+ ∩ T− .
Poznámka. Spojitost i stochastickou spojitost náhodného procesu budeme v tomto textu uvažovat
převážně pro přı́pad T = R+,0 , kde T+ = R+,0 a T− = R+ . V tomto přı́padě spojitost náhodného
procesu znamená jeho spojitost v každém bodě R+ a spojitost zprava v bodě 0. Podobně sto-
chastická spojitost náhodného procesu znamená jeho stochastickou spojitost v každém bodě R+
a stochastickou spojitost zprava v bodě 0.
Náhodný proces, který je stochasticky spojitý podle předchozı́ definice, nemusı́ mı́t spojité
trajektorie. Uved’me si dva přı́klady skokovitých procesů, kreré jsou stochasticky spojité.
Přı́klad 1.14: Uvažujme reálnou náhodnou veličinu ξ se spojitou distribučnı́ funkcı́ F a definujme
reálný náhodný proces {Xt , t ∈ R} předpisem
Xt = I [ξ ≤ t] pro t ∈ R.
Jeho trajektorie jsou neklesajı́cı́ schodovité funkce se skokem v bodě ξ, ale náhodný proces je
stochasticky spojitý. Přesvědčı́me se o tom výpočtem.
Zřejmě je 0 ≤ Xt1 ≤ Xt2 pro každé 0 ≤ t1 < t2 . Trajektorie tohoto náhodný proces jsou neklesajı́cı́
schodovité funkce se skoky v bodech T(1) < · · · < T(n) , kde T(1) , . . . T(n) jsou pořádkové statistiky
T1 , . . . , Tn . Proces sám však je stochasticky spojitý.
Přesvědčı́me se o tom využitı́m Markovovy nerovnosti.
1. Pro t ≥ 0, h > 0 a ε > 0 platı́:
1 1
P (|Xt+h − Xt | > ε) ≤ E [|Xt+h − Xt |] = E [Xt+h − Xt ]
" n ε # ε
1 X n n
= E I [t < Tk ≤ t + h] = E [I [t < T1 ≤ t + h]] = ( F(t + h) − F(t)).
ε ε ε
k =1
Necht’ X = {Xt , t ∈ T} je reálný náhodný proces definovaný na (Ω, A, P ). Pak zobrazenı́ Xt (·) :
Ω → R je A−měřitelné pro každé t ∈ T, tj. {ω ∈ Ω : Xt (ω) ∈ B} ∈ A pro každou borelovskou
podmnožinu B ⊂ R. V přı́padě, že T nenı́ spočetná, však množiny
\
{ω ∈ Ω : Xt (ω) ∈ B, t ∈ T} = {ω ∈ Ω : Xt (ω) ∈ B}
t∈T
nejsou obecně v A. Tedy je-li {Xt , t ∈ T} náhodný proces se spojitým časem, takové funkcionály
jako např. sups∈T Xt , inf s∈T Xt nemusı́ být náhodné veličiny. To nás vede k definici separabilnı́ho
procesu.
Petr Lachout February 28, 2021:569 13
Definice 1.16: Zobecněný reálný náhodný proces X = {Xt , t ∈ T}, kde T ⊂ R je interval, se
nazývá separabilnı́ (ang. separable), jestliže existuje spočetná hustá podmnožina D ⊂ T a jev
Λ ⊂ Ω s nulovou pravděpodobnostı́ tak, že
{ω ∈ Ω : Xt (ω) ∈ C, t ∈ J ∩ D} \ {ω ∈ Ω : Xt (ω) ∈ C, t ∈ J ∩ T} ⊂ Λ
{ω ∈ Ω : Xt (ω) ∈ C, t ∈ J ∩ D} ⊃ {ω ∈ Ω : Xt (ω) ∈ C, t ∈ J ∩ T} ,
(Ω \ Λ) ∩ {ω ∈ Ω : Xt (ω) ∈ C, t ∈ J ∩ D} = (Ω \ Λ) ∩ {ω ∈ Ω : Xt (ω) ∈ C, t ∈ J ∩ T } ,
a protože na levé straně je jev z A, je i pravá strana jev z A. Pojem separability náhodného procesu
umožňuje tudı́ž redukovat studium jisté vlastnosti V, která se vztahuje ke všem hodnotám t ∈ T,
na studium této vlastnosti jen pro spočetně mnoho hodnot t.
Poznámka. Je-li {Xt , t ∈ T} separabilnı́ zobecněný reálný náhodný proces a Λ, D majı́ stejný
význam jako v předchozı́ definici, lze ukázat, že pro každé ω ∈ Ω \ Λ, t ∈ T existuje posloupnost
{tn , n ∈ N} ⊂ D a tn → t při n → ∞ taková, že
Někdy se proto pojem separability definuje tı́mto ekvivalentnı́m způsobem; viz [14], str.85.
t
Definice 1.17: Zobecněný reálný náhodný proces {Xt , t ∈ T}, kde T ⊂ R, se nazývá měřitelný
(ang. measurable), jestliže zobrazenı́ (ω, t) → Xt (ω) je A ⊗ BT −měřitelné, kde BT je σ−algebra
borelovských podmnožin T a A ⊗ BT značı́ součinovou σ−algebru.
Připomeňme, že BT = B ∩ T, kde B je borelovská σ-algebra R.
t
Věta 1.19: Necht’ {Xt , t ≥ 0} je reálný náhodný proces, který je zprava spojitý, pak je separabilnı́
a měřitelný.
14 NP1-poznámky February 28, 2021:569
Definice 1.20: Reálnou funkci f : R+,0 → R nazveme càdlàg funkce, pokud je zprava spojitá v
každém t ∈ R+,0 a existuje limita zleva v každém t ∈ R+ .
Přı́klad 1.21: Bı́lý šum (ang. White Noise) je reálný náhodný proces B = {Bt , t ∈ Z} nekore-
lovaných reálných náhodných veličin se stejnou střednı́ hodnotou a stejným konečným kladným
rozptylem, tj.
pro každé s, t ∈ Z, s 6= t je cov (Bs , Bt ) = 0 a pro každé s, t ∈ Z je E [Bs ] = E [Bt ], var (Bs ) = var (Bt ).
Pokud jsou navı́c náhodné veličiny {Bt , t ∈ Z} nezávislé a stejně rozdělené, pak mluvı́me o
striktnı́m bı́lém šumu (ang. Strict White Noise). Pojmenovánı́ tohoto procesu je odvozeno z jeho
spektrálnı́ch vlastnostı́ a z analogie se spektrem bı́lého světla.
• V intervalu (t, t + h], a to nezávisle na t, dojde k výskytu právě jedné události s pravděpo-
dobnostı́ λh + o(h), kde λ je kladná konstanta.
Petr Lachout February 28, 2021:569 15
• V intervalu (t, t+h], a to nezávisle na t, dojde k vı́ce než k jedné události s pravděpodobnostı́
o(h).
• Počty událostı́, které se vyskytnou v disjunktnı́ch časových intervalech, jsou nezávislé náhodné
veličiny.
e−λt (λt)k
P (Nt = k ) = , k = 0, 1, . . .
k!
Konstanta λ se nazývá intenzita Poissonova procesu.
Výpočet bude proveden v Kapitole 3.4.
Přı́klad 1.25: Wienerův proces (Brownův pohyb) je reálný náhodný proces W = {Wt , t ≥ 0},
který má tyto vlastnosti:
(1) W0 = 0.
(3) Pro libovolné časové okamžiky 0 ≤ t1 < t2 < · · · < tn jsou přı́růstky procesu
Wt2 − Wt1 , Wt3 − Wt2 , . . . , Wtn − Wtn−1 nezávislé náhodné veličiny.
(4) Pro libovolné 0 ≤ t < s majı́ přı́růstky Ws − Wt normálnı́ rozdělenı́ s nulovou střednı́ hodnotou
a rozptylem σ 2 (s − t), kde σ 2 je kladná konstanta.
Wienerův proces, který byl původně odvozen pro popis pohybu malých částic v kapalině jako
výsledek nárazů molekul, je aplikován v kvantové mechanice, sloužı́ pro popis difuznı́ch modelů a
hraje důležitou roli v modernı́ teorii náhodných procesů a v asymptotické statistice.
Striktnı́ bı́lý šum z Přı́kladu 1.21 a procesy z ostatnı́ch přı́kladů patřı́ do rozsáhlé třı́dy
náhodných procesů, kterým se řı́ká Markovovy procesy (ang. Markov processes). Jedná se o
náhodné procesy, jejichž chovánı́ v budoucnosti závisı́ pouze na stavu v němž se proces nacházı́
v přı́tomnosti; viz Definice 2.1 a 3.1. Na minulosti jeho budoucı́ chovánı́ nezávisı́. V dalšı́ch
kapitolách probereme dvě důležité skupiny Markovových procesů:
• Markovovy řetězce s diskrétnı́m časem, tj. Markovovy procesy s diskrétnı́mi stavy a diskrétnı́m
časem.
• Markovovy řetězce se spojitým časem, tj. Markovovy procesy s diskrétnı́mi stavy a spojitým
časem.
16 NP1-poznámky February 28, 2021:569
Cvičenı́ 1.26: Necht’ X je reálná náhodná veličina, která má rovnoměrné rozdělenı́ na intervalu
[0, π]. Definujme reálný náhodný proces {Yt , t ∈ N} předpisem
Yt = t + cos(tX), t = 1, 2, 3, . . . .
Cvičenı́ 1.27: Necht’ {Xt , t ∈ Z} je posloupnost nezávislých stejně rozdělených reálných náhodných
veličin. Dokažte, že {Xt , t ∈ Z} je striktně stacionárnı́ proces.
t
Cvičenı́ 1.28: Necht’ X je reálná náhodná veličina s nulovou střednı́ hodnotou a konečným
kladným rozptylem σ 2 . Definujme náhodný proces {Xt , t ∈ Z} předpisem Xt = (−1)t X. Ukažte, že
{Xt } je slabě stacionárnı́. Je také striktně stacionárnı́?
t
Cvičenı́ 1.29: Necht’ (Ω, A, P ) je pravděpodobnostnı́ prostor, kde Ω = [0, 1], A je σ-algebra
borelovských podmnožin [0, 1] a P je Lebesgueova mı́ra na [0, 1]. Označme T = [0, 1] a na (Ω, A, P )
definujme náhodný proces {Xt , t ∈ T} předpisem
(
1, t = ω,
Xt (ω) =
0, t 6= ω.
{ω ∈ Ω : Xt (ω) = 0, t ∈ Γ} = {ω ∈ Ω : ω 6= t, t ∈ Γ} = [0, 1] − Γ
Necht’ nynı́ J ⊂ [0, 1] je neprázdný otevřený interval a necht’ D je spočetná hustá podmnožina
[0, 1]. Potom
Cvičenı́ 1.30: Necht’ (Ω, A, P ), T a {Xt , t ∈ T} jsou jako v Cvičenı́ 1.29. Uvažujme náhodný
proces {Yt , t ∈ T} definovaný předpisem
Yt (ω) = 0, t ∈ T, ω ∈ Ω.
t
18 NP1-poznámky February 28, 2021:569
Kapitola 2
Definice 2.1: Řekneme, že náhodný proces X = {Xn , n ∈ N0 } s diskrétnı́ nejvýše spočetnou
množinou stavů S je Markovův řetězec s diskrétnı́m časem (ang. discrete-time Markov chain),
jestliže
Vztah (2.1) nazýváme markovská vlastnost (ang. Markov property); znamená, že podmı́něná
pravděpodobnost výsledku v budoucı́m čase n+1, známe-li výsledek v přı́tomném čase n a výsledky
z minulých časů n − 1, n − 2, . . . , 0, je stejná, jako když známe jen výsledek v přı́tomném čase.
19
20 NP1-poznámky February 28, 2021:569
Podobně pro m > 1 se použı́vá termı́n pravděpodobnosti přechodu m-tého řádu (ang. transition
probabilities of the mth order).
Označme dále
pi = P (X0 = i ) pro i ∈ S.
• p = p (0).
• p
Pi,j (n, n + m) ≥ 0 pro každé i , j ∈ S, n ∈ N0 , m ∈ N s P (Xn = i ) > 0,
l∈S pk ,l (n, n + m) = 1 pro každé k ∈ S, n ∈ N0 , m ∈ N s P (Xn = k ) > 0.
Poznámka. Terminologie, kterou zde užı́váme (stavy, přechody mezi nimi, atd.), je přejata z fy-
ziky. Modely, kterými se zde budeme zabývat, totiž často popisujı́ vývoj nějakého reálného sta-
vového systému, který se měnı́ v čase. V této kapitole budeme uvažovat výhradně diskrétnı́ čas;
Markovovy řetězce v této kapitole budou vždy řetězce s diskrétnı́m časem, i když to nebude expli-
citně uvedeno.
Pravděpodobnosti přechodů budeme potřebovat násobit a jejich součiny sčı́tat. Musı́me proto
ošetřit přı́pady, kdy potřebná pravděpodobnost přechodu nenı́ korektně definována. Pokud toto
nastane při našich výpočtech, pak uvidı́me, že vždy budeme schopni nalézt v daném součinu nulový
člen. Většinou bude předcházet nedefinovanému členu. Je proto přirozené takovýto součin chápat
jako nulový.
Úmluva 2.3: Dále budeme využı́vat úmluvy, že součiny 0 × a, a × 0 jsou rovny nule, i když a
nenı́ definováno.
Pravděpodobnost přechodu pi,j (n, n + m) je dobře definována pokud P (Xn = i ) > 0. Když
P (Xn = i ) = 0, pak tento symbol sice nenı́ korektně definován, nicméně na základě Úmluvy 2.3
jej budeme moci i v tomto přı́padě využı́vat. Ukažme si to na výpočtu rozdělenı́ Markovova řetězce
s diskrétnı́m časem.
Petr Lachout February 28, 2021:569 21
pokud
−1
k\
!
P Ai > 0.
i=0
Důkaz. Vyjděme z pravé strany rovnosti. Podmı́něné pravděpodobnosti rozepı́šeme podle definice.
Uvědomı́me si, že se jmenovatel zlomku vždy skrátı́ s čitatelem zlomku následujı́cı́ho. Zı́skáme tak
levou stranu (2.2).
−1 −2
k\
! k\
!
P Ak Ai ·P Ak −1 Ai · . . . · P ( A1 | A0 ) · P (A0 )
i=0 i=0
T T
k k −1 k
!
P i=0 Ai P i=0 Ai
P (A0 ∩ A1 ) \
= T T · ... · P (A0 ) = P Ai .
P
k −1
A P
k −2
A P (A0 ) i=0
i=0 i i=0 i
pro všechna m ∈ N0 , i0 , i1 , . . . , im ∈ S.
P (X0 = i0 , X1 = i1 , . . . , Xm = im )
= P ( Xm = im | Xm−1 = im−1 , . . . , X0 = i0 )
· P ( Xm−1 = im−1 | Xm−2 = im−2 , . . . , X0 = i0 ) · . . .
. . . · P ( X1 = i1 | X0 = i0 ) P (X0 = i0 )
(2.1)
= P ( Xm = im | Xm−1 = im−1 ) P ( Xm−1 = im−1 | Xm−2 = im−2 ) · . . .
. . . · P ( X1 = i1 | X0 = i0 ) P (X0 = i0 )
= pi0 pi0 ,i1 (0, 1) . . . pim−1 ,im (m − 1, m) .
22 NP1-poznámky February 28, 2021:569
2. Pokud podmı́nka (2.4) nenı́ splněna, musı́me v součinu (2.3) nalézt nulu a použı́t Úmluvu
2.3. Položme proto
plyne opět platnost (2.3), nebot’ je tento součin nulový dı́ky Úmluvě 2.3.
P (X0 ∈ B0 , X1 ∈ B1 , . . . , Xm ∈ Bm )
X X X
= ··· pi0 pi0 ,i1 (0, 1) . . . pim−1 ,im (m − 1, m) (2.5)
i0 ∈B0 i1 ∈B1 im ∈Bm
Důkaz. Jedná se vlastně pouze o rozpis po jednotlivých stavech a využitı́ Lemmy 2.5:
P (X0 ∈ B0 , X1 ∈ B1 , . . . , Xm ∈ Bm )
X X X
= ··· P (X0 = i0 , X1 = i1 , . . . , Xm = im )
i0 ∈B0 i1 ∈B1 im ∈Bm
(2.3) X X X
= ··· pi0 pi0 ,i1 (0, 1) . . . pim−1 ,im (m − 1, m) .
i0 ∈B0 i1 ∈B1 im ∈Bm
Nynı́ si ukážeme vlastnosti Markovova řetězce s diskrétnı́m časem, které plynou přı́mo z mar-
kovské vlastnosti.
Nynı́ uvažujme minulost nikoli od času 0, ale až od nějakého pozdějšı́ho časového okamžiku.
Lemma 2.7: Necht’ X = {Xn , n ∈ N0 } je Markovův řetězec s diskrétnı́m časem a s množinou
stavů S, pak s využitı́m Úmluvy 2.3 platı́:
P (Xn = i0 , Xn+1 = i1 , . . . , Xn+m = im ) = pi0 (n) pi0 ,i1 (n, n + 1) . . . pim−1 ,im (n + m − 1, n + m)
(2.6)
pro všechna n, m ∈ N0 , i0 , i1 , . . . , im ∈ S.
t
Petr Lachout February 28, 2021:569 23
Důkaz. Jedná se vlastně pouze o rozpis po jednotlivých stavech a využitı́ Lemmy 2.7:
pro všechna n ∈ N0 , m ∈ N, i , j ∈ S. Pokud pi (n) > 0 můžeme rovnost s nı́m vydělit a dostat
X X X
pi,j (n, n + m) = ··· pi,i1 (n, n + 1) pi1 ,i2 (n + 1, n + 2) . . . pim−1 ,j (n + m − 1, n + m)
i1 ∈S i2 ∈S im−1 ∈S
(2.9)
pro všechna n ∈ N0 , m ∈ N, i , j ∈ S.
t
24 NP1-poznámky February 28, 2021:569
P (Xn0 = i0 , Xn1 = i1 , . . . , Xnk = ik ) = pi0 (n0 ) pi0 ,i1 (n0 , n1 ) . . . pik −1 ,ik (nk −1 , nk ) (2.10)
Důkaz. Jedná se vlastně o použitı́ Lemmy 2.8 pro volbu n = n0 , m = nk − n0 , Bnj −n0 = {ij } pro
j = 0, 1, . . . , k , Bl = S pro l = 1, 2, . . . , n1 − n0 − 1, n1 − n0 + 1, . . . , nk − n0 − 1:
(2.9)
= pi0 (n0 ) pi0 ,i1 (n0 , n1 ) . . . pik −1 ,ik (nk −1 , nk ) .
Důkaz. Jedná se vlastně pouze o rozpis po jednotlivých stavech a využitı́ Lemmy 2.7:
X
P ((Xn , Xn+1 , . . . , Xn+m ) ∈ B) = P (Xn = i0 , Xn+1 = i1 , . . . , Xn+m = im )
(i0 ,i1 ,...,im )∈B
(2.6) X
= pi0 (n) pi0 ,i1 (n, n + 1) . . . pim−1 ,im (n + m − 1, n + m) .
(i0 ,i1 ,...,im )∈B
Věta 2.12: Necht’ X = {Xn , n ∈ N0 } je Markovův řetězec s diskrétnı́m časem a s množinou stavů
Petr Lachout February 28, 2021:569 25
S.
Pak pro n, m, q ∈ N, n ≥ q, i ∈ S s P (Xn = i ) > 0 a množiny Bk ⊂ S, Bk 6= ∅ pro
k ∈ {n − q, n − q + 1, , . . . , n − 1} ∪ {n + 1, n + 2, . . . , n + m} platı́:
q
m
!
\ \
P [Xn+k ∈ Bn+k ] ∩ [Xn−l ∈ Bn−l ] Xn = i (2.12)
k =1 l=1
q
m
! !
\ \
= P [Xn+k ∈ Bn+k ] Xn = i P [Xn−l ∈ Bn−l ] Xn = i .
k =1 l=1
Pokud navı́c P (Xn = i , Xn−1 ∈ Bn−1 , Xn−2 ∈ Bn−2 , . . . , Xn−q ∈ Bn−q ) > 0, pak
q
m
! m
!
\ \ \
P [Xn+k ∈ Bn+k ] [Xn = i ] ∩ [Xn−l ∈ Bn−l ] =P [Xn+k ∈ Bn+k ] Xn = i . (2.13)
k =1 l=1 k =1
Formule (2.12) řı́ká, že při známém výsledku v přı́tomném čase n jsou výsledky v budoucı́ch
časech n+1, n+2, . . . , n+m a minulých časech n−1, n−2, . . . , n−q vzájemně nezávislé (podmı́něná
nezávislost).
Formule (2.13) je zobecněnı́m markovské vlastnosti (2.1).
Speciálnı́ přı́pady (2.12) a (2.13) jsou ve Cvičenı́ch 2.122 a 2.123.
1 X X X
pi (n) ···
pi (n)
in+1 ∈Bn+1 in+2 ∈Bn+2 in+m ∈Bn+m
!
pi,in+1 (n, n + 1) pin+1 ,in+2 (n + 1, n + 2) . . . pin+m−1 ,in+m (n + m − 1, n + m)
q
! m
!
(2.7) 1 \ \
= P [Xn = i ] ∩ [Xn−l ∈ Bn−l ] P [Xn+k ∈ Bn+k ] ∩ [Xn = i ] .
P (Xn = i )
l=1 k =1
Věta 2.13: Necht’ X = {Xn , n ∈ N0 } je Markovův řetězec s diskrétnı́m časem a s množinou stavů
S.
Pak pro n, q ∈ N, n ≥ q, i ∈ S s P (Xn = i ) > 0 a množiny Bk ⊂ S, Bk 6= ∅ pro
k ∈ {n − q, n − q + 1, , . . . , n − 1} ∪ {n + 1, n + 2, n + 3, . . .} platı́:
q
+∞
!
\ \
P [Xn+k ∈ Bn+k ] ∩ [Xn−l ∈ Bn−l ] Xn = i (2.14)
k =1 l=1
q
+∞
! !
\ \
= P [Xn+k ∈ Bn+k ] Xn = i P [Xn−l ∈ Bn−l ] Xn = i .
k =1 l=1
Pokud navı́c P (Xn = i , Xn−1 ∈ Bn−1 , Xn−2 ∈ Bn−2 , . . . , Xn−q ∈ Bn−q ) > 0, pak
q
+∞
! +∞
!
\ \ \
P [Xn+k ∈ Bn+k ] [Xn = i ] ∩ [Xn−l ∈ Bn−l ] = P [Xn+k ∈ Bn+k ] Xn = i . (2.15)
k =1 l=1 k =1
Věta 2.14: Necht’ X = {Xn , n ∈ N0 } je Markovův řetězec s diskrétnı́m časem a s množinou stavů
S. Pak pro n, m, q ∈ N, n ≥ q, i ∈ S s P (Xn = i ) > 0 a množiny stavů A ⊂ S m , B ⊂ S q platı́:
t
Petr Lachout February 28, 2021:569 27
1 X
pi (n)
pi (n)
(in+1 ,in+2 ,...,in+m )∈A
!
pi,in+1 (n, n + 1) pin+1 ,in+2 (n + 1, n + 2) . . . pin+m−1 ,in+m (n + m − 1, n + m)
(2.11) 1
= P ([Xn = i ] ∩ [(Xn−q , Xn−q+1 , . . . , Xn−1 ) ∈ B])
P (Xn = i )
·P ([(Xn+1 , Xn+2 , . . . , Xn+m ) ∈ A] ∩ [Xn = i ]) .
Speciálnı́m přı́padem Věty 2.12 je ekvivalentnı́ formulace markovské vlastnosti pro Markovův
řetězec s diskrétnı́m časem.
Věta 2.15: Náhodný proces X = {Xn , n ∈ N0 } s diskrétnı́ nejvýše spočetnou množinou stavů S
je Markovův řetězec s diskrétnı́m časem tehdy a jen tehdy, když
Povšimněme si podobnosti s definicı́ Markovova řetězce se spojitým časem; viz definice 3.1.
28 NP1-poznámky February 28, 2021:569
Pro zjištěnı́ homogenity Markovova řetězce stačı́ vyšetřit pouze pravděpodobnosti přechodů
prvého řádu.
Lemma 2.17: Mějme X = {Xn , n ∈ N0 } Markovův řetězec s diskrétnı́m časem a s množinou stavů
S.
Když je pro každé i , j ∈ S, n1 , n2 ∈ N0 s vlastnostı́ P (Xn1 = i ) > 0, P (Xn2 = i ) > 0 splněno
pi,j (n1 , n1 + 1) = pi,j (n2 , n2 + 1), pak je tento řetězec homogennı́.
Důkaz. Pro i ∈ S podle Lemmatu 1.2 existuje mi ∈ N0 tak, že P (Xmi = i ) > 0.
Označme si ρi,j = P ( Xmi +1 = j | Xmi = i ) pro všechna i , j ∈ S.
Vı́me, že pravděpodobnosti přechodů prvnı́ho řádu nezávisı́ na n, pak pro každé n ∈ N0 , bud’
pi,j (n, n + 1) nenı́ definována, nebo pi,j (n, n + 1) = pi,j (mi , mi + 1) = ρi,j .
Vezměme nynı́ n ∈ N0 , m ∈ N, i , j ∈ S s P (Xn = i ) > 0. Pak podle Lemmy 2.9
Ověřili jsme, že pravděpodobnosti přechodů všech řádů nezávisı́ na n, ale pouze na m.
Tudı́ž řetězec je homogennı́.
Podle Definice 2.16 vı́me, že hodnota pravděpodobnostı́ přechodů pi,j nezávisı́ na výběru mi .
Úmluva 2.19: Pro homogennı́ Markovův řetězec s diskrétnı́m časem budeme použı́vat hodnotu
pi,j pro pravděpodobnost přechodu pi,j (n, n + 1) pro každé n ∈ N0 i když nebude korektně
definována.
Petr Lachout February 28, 2021:569 29
t
V některých úvahách budeme potřebovat i stavy, které nejsou prvky množiny stavů S. Rozšiřme
proto předchozı́ definice.
X
Ai,j ≥ 0 pro každé i , j ∈ Q, Ai,j = 1 pro každé i ∈ Q. (2.22)
j ∈Q
Pak vektor a nazýváme stochastický vektor nebo pravděpodobnostnı́ rozdělenı́ a matici A nazý-
váme stochastická matice.
t
Počátečnı́ rozdělenı́ p homogennı́ho Markovova řetězce s diskrétnı́m časem a p (n) jeho rozdělenı́
v čase n ∈ N0 jsou stochastické vektory. Jeho matice pravděpodobnostı́ přechodů P je stochastická
matice.
Věta 2.23: Necht’ X = {Xn , n ∈ N0 } je náhodný proces s diskrétnı́ nejvýše spočetnou množinou
stavů S, a = {ai , i ∈ S} je stochastický vektor, tj. splňuje (2.21), a A = {Ai,j , i , j ∈ S} je sto-
chastická matice, tj. splňuje (2.22). Potom X je homogennı́ Markovův řetězec s diskrétnı́m časem,
se stavovým prostorem S, s počátečnı́m rozdělenı́m a a s maticı́ pravděpodobnostı́ přechodů A
tehdy a jen tehdy, když všechna konečněrozměrná rozdělenı́ tohoto procesu jsou tvaru
(a) Pro k = 0 nám (2.23) řı́ká, že P (X0 = i0 ) = ai0 pro každé i0 ∈ S.
Tedy a je počátečnı́m rozdělenı́m X.
(b) Vezměme i , j ∈ S.
Vı́me, že S je množina stavů X, proto existuje m ∈ N0 tak, že P (Xm = i ) > 0.
Vezměme n ∈ N0 takové, že P (Xn = i ) > 0 a s využitı́m (2.23) vypočteme podmı́něnou
pravděpodobnost
P (Xn+1 = j , Xn = i )
P ( Xn+1 = j | Xn = i ) =
P (Xn = i )
P
P (X0 = i0 , . . . , Xn−1 = in−1 , Xn = i , Xn+1 = j )
i0 ,i1 ...,in−1 ∈S
= P
P (X0 = i0 , . . . , Xn = i )
i0 ,i1 ...,in−1 ∈S
P
ai0 Ai0 ,i1 Ai1 ,i2 . . . Ain−1 ,i Ai,j
(2.23) i0 ,i1 ...,in−1 ∈S
= P = Ai,j .
ai0 Ai0 ,i1 Ai1 ,i2 . . . Ain−1 ,i
i0 ,i1 ...,in−1 ∈S
Zjistili jsme, že pravděpodobnosti přechodů jsou homogennı́ a tvořı́ matici pravděpo-
dobnostı́ přechodů A.
(c) Zbývá ukázat, že X má markovskou vlastnost.
Necht’
(2.23)
P (X0 = i0 , . . . , Xn−1 = in−1 , Xn = i ) = ai0 Ai0 ,i1 Ai1 ,i2 . . . Ain−1 ,i > 0. (2.24)
Potom
(2.23) ai0 Ai0 ,i1 Ai1 ,i2 . . . Ain−1 ,i Ai,j
P ( Xn+1 = j | Xn = i , Xn−1 = in−1 , . . . , X0 = i0 ) = = Ai,j .
ai0 Ai0 ,i1 Ai1 ,i2 . . . Ain−1 ,i
Věta 2.24: Necht’ Q je diskrétnı́ nejvýše spočetná množina, a = {ai , i ∈ Q} je stochastický vektor,
tj. splňuje (2.21), a A = {Ai,j , i , j ∈ Q} je stochastická matice, tj. splňuje (2.22). Potom existuje
homogennı́ Markovův řetězec s diskrétnı́m časem X = {Xn , n ∈ N0 } s množinou stavů S ⊂ Q,
počátečnı́m rozdělenı́m p = {ai , i ∈ S} a maticı́ pravděpodobnostı́ přechodů P = {Ai,j , i , j ∈ S}.
Důkaz. Bez újmy na obecnosti uvažujme Q = N0 (Jinak bychom přidali fiktivnı́ stavy, aby jich
bylo spočetně, a očı́slovali bychom je. Vektor a bychom doplnili nulami a matici A bychom vhodně
doplnili tak, aby byla stochastická.)
Petr Lachout February 28, 2021:569 31
Systém distribučnı́ch funkcı́ { Hk , k ∈ N} splňuje předpoklady Lemmatu 1.5, proto podle něj exis-
tuje reálný náhodný proces X = {Xn , n ∈ N0 }, jehož rozdělenı́ je jednoznačně určeno a splňuje
pro všechna i0 , i1 , . . . , ik ∈ N0 , k ∈ N0 .
Tudı́ž pro každé k ∈ N0 je P (Xk ∈ N0 ) = 1. To ale znamená, že množina stavů procesu X je
S ⊂ N0 .
P (X0 = i0 , X1 = i1 , . . . , Xk = ik ) = ai0 Ai0 ,i1 . . . Aik−1 ,ik = pi0 pi0 ,i1 . . . pik−1 ,ik
pro i0 , i1 , . . . , ik ∈ S, k ∈ N0 .
X X +∞
X
pi = ai = ai = 1 .
i∈S i∈S i=0
Odtud i0 , i1 , . . . , im−1 ∈ S a
P (X0 = i0 , . . . , Xm−1 = im−1 , Xm = i , Xm+1 = j ) = ai0 Ai0 ,i1 . . . Aim−1 ,i Ai,j > 0 .
Tudı́ž také j ∈ S.
Zjistili jsme, že pro i ∈ S, j ∈ N0 \ S je nutně Ai,j = 0. Proto P splňuje (2.19), nebot’ platı́
X X +∞
X
pi,j = Ai,j = Ai,j = 1 .
j ∈S j ∈S j =0
Podle Věty 2.23 je proces X homogennı́ Markovův řetězec s diskrétnı́m časem, s počátečnı́m
rozdělenı́m p = {ai , i ∈ S} a maticı́ pravděpodobnostı́ přechodů P = {Ai,j , i , j ∈ S}.
32 NP1-poznámky February 28, 2021:569
Důkaz. Jedná se o formuli (2.7) pro homogennı́ Markovův řetězec s diskrétnı́m časem.
Poznamenejme, že homogennı́ Markovovy řetězce s diskrétnı́m časem splňujı́ samozřejmě také
zobecněnı́ markovské vlastnosti (2.13), (2.15), (2.18) a podmı́něnou nezávislost mezi budoucnostı́
a minulostı́ (2.12), (2.14). Zápis těchto vlastnostı́ je pro ně dı́ky Úmluvě 2.19 jednoduššı́.
Nynı́ opět uvažujme homogennı́ Markovův řetězec s diskrétnı́m časem a s maticı́ pravděpodob-
nostı́ přechodů P .
(0)
Konstrukce 2.26: Pro i , j ∈ S položme pi,j = δi,j , kde δi,j je Kroneckerův symbol
(
0, i=6 j,
δi,j =
1, i = j.
(1)
Dále položme pi,j = pi,j a pro n ∈ N definujme postupně
(n+1) (n)
X
pi,j = pi,k pk ,j . (2.27)
k ∈S
n o
(n)
Zkonstruované hodnoty sdružı́me do matic P (n) = pi,j pro n ∈ N0 .
i,j ∈S
(n)
Lemma 2.27: Součty v (2.27) jsou konvergentnı́ a pro každé n ∈ N0 , i , j ∈ S je 0 ≤ pi,j ≤ 1,
P (n)
k ∈S pi,k = 1.
Věta 2.28: Necht’ X = {Xn , n ∈ N0 } je homogennı́ Markovův řetězec s diskrétnı́m časem s maticı́
pravděpodobnostı́ přechodů P . Potom pro pravděpodobnosti přechodu n−tého řádu platı́
(n)
P ( Xm+n = j | Xm = i ) = pi,j , i, j ∈ S (2.28)
2) Předpokládejme N ∈ N takové, že formule (2.28) platı́ pro všechna n ∈ {0, 1, . . . , N } a všechna
i , j ∈ S, m ∈ N0 , pokud P (Xm = i ) > 0. Potom s využitı́m indukčnı́ho předpokladu a Věty
2.15 dostáváme
P (Xm+N +1 = j , Xm = i )
P ( Xm+N +1 = j | Xm = i ) =
P (Xm = i )
1 X
= P (Xm+N +1 = j , Xm+N = k , Xm = i )
P (Xm = i )
k ∈S
1 X
= P ( Xm+N +1 = j | Xm+N = k , Xm = i ) P (Xm+N = k , Xm = i )
P (Xm = i )
k ∈S
(2.18) X
= P ( Xm+N +1 = j | Xm+N = k ) P ( Xm+N = k | Xm = i )
k ∈S
(N ) (N +1)
X
= pi,k pk ,j = pi,j .
k ∈S
(Zde jsme využili toho, že pokud pro nějaké k ∈ S je P (Xm+N = k , Xm = i ) = 0, pak je také
(N ) (N )
P ( Xm+N = k | Xm = i ) = pi,k = 0, tedy podle Úmluvy 2.3 je pi,k pk ,j = 0.)
neboli maticově
Poznámka. Slovně lze formuli (2.29) vyjádřit následovně: Přechod ze stavu i do stavu j v m + n
krocı́ch lze uskutečnit tak, že nejdřı́ve se v m krocı́ch přejde do nějakého stavu k a potom ve
zbývajı́cı́ch n krocı́ch ze stavu k do stavu j .
t
Nynı́ již můžeme také přepsat Lemma 2.10 pro homogennı́ Markovův řetězec s diskrétnı́m
časem.
Věta 2.30: Necht’ X = {Xn , n ∈ N0 } je homogennı́ Markovův řetězec s diskrétnı́m časem, pak
platı́:
(n −n ) (nk −nk −1 )
P (Xn0 = i0 , Xn1 = i1 , . . . , Xnk = ik ) = pi0 (n0 ) pi0 ,i1 1 0 . . . pik −1 ,ik (2.30)
pro všechna k ∈ N0 , i0 , i1 , . . . , ik ∈ S, n0 , n1 , . . . , nk ∈ N0 , 0 ≤ n0 < n1 < · · · < nk .
t
Důkaz.
X
pj (n) = P (Xn = j ) = P (X0 = k , Xn = j )
k ∈S
(n)
X X
= P ( Xn = j | X0 = k ) P (X0 = k ) = pk pk ,j .
k ∈S k ∈S
Poznámka. Je-li množina stavů S konečná, můžeme prvky matice P n počı́tat např. podle Perro-
nova vzorce (Přı́loha B, Věta B.10).
t
Petr Lachout February 28, 2021:569 35
Ukážeme, že X = {Xn , n ∈ N0 } má markovskou vlastnost (2.1). Podle definice podmı́něné pravdě-
podobnosti je levá strana v (2.1) rovna
P (Xn+1 = j , Xn = i , . . . , X1 = i1 , X0 = 0)
. (2.33)
P (Xn = i , . . . , X1 = i1 , X0 = 0)
Vzhledem k rovnosti jevů
[Xn+1 = j , Xn = i , . . . , X1 = i1 , X0 = 0] = [Yn+1 = j − i , Yn = i − in−1 , . . . , Y1 = i1 ] ,
[Xn = i , . . . , X1 = i1 , X0 = 0] = [Yn = i − in−1 , . . . , Y1 = i1 ]
a vzhledem k nezávislosti náhodných veličin Yn je výraz v (2.33) roven P (Yn+1 = j − i ). Pravá
strana (2.1) je analogicky
P (Yn+1 = j − i , Xn = i )
P ( Xn+1 = j | Xn = i ) = = P (Yn+1 = j − i ) .
P (Xn = i )
Posloupnost {Xn , n ∈ N0 } tedy tvořı́ Markovův řetězec, jehož pravděpodobnosti přechodu jsou
pi,j (n, n + 1) = P (Yn+1 = j − i ).
V přı́padě, že Yn jsou stejně rozdělené, jde o homogennı́ Markovův řetězec s diskrétnı́m časem.
Speciálně, náhodná procházka na přı́mce popsaná v Přı́kladě 1.22 je homogennı́ Markovův řetězec
s diskrétnı́m časem s množinou stavů S = Z a s pravděpodobnostmi přechodů pi,i+1 = pi,i−1 = 21 ,
i ∈ Z.
36 NP1-poznámky February 28, 2021:569
Přı́klad 2.34: Úloha o ruinovánı́ hráče. Hráč A a jeho protivnı́k B hrajı́ opakovaně jistou hru,
která může skončit jen výhrou jednoho z nich. Ve hře je kapitál a jednotek, přičemž na počátku
má hráč A celkem z jednotek kapitálu, jeho protivnı́k a − z jednotek. Vyhraje-li hráč A, zı́ská
od svého protivnı́ka jednu jednotku kapitálu, prohraje-li, jednu jednotku ztrácı́. Hráči hrajı́ tak
dlouho, dokud jeden z nich neztratı́ všechen svůj kapitál. Předpokládá se, že pravděpodobnosti
výhry hráčů A a B jsou p a q = 1 − p a že výsledky opakovaných partiı́ jsou stochasticky nezávislé.
Jestliže Xn značı́ kapitál, který po n−té partii vlastnı́ hráč A, můžeme se snadno přesvědčit, že {Xn }
je homogennı́ Markovův řetězec s diskrétnı́m časem se stavy 0, 1, . . . , a, s počátečnı́m rozdělenı́m
pz = 1, pj = 0 pro j 6= z a s pravděpodobnostmi přechodů p0,0 = pa,a = 1, pi,i+1 = p, pi,i−1 = q
pro i ∈ {1, 2, . . . , a − 1}. Matice pravděpodobnostı́ přechodů má tedy tvar
1 0 0 0 ... 0 0 0
q 0 p 0 . . . 0 0 0
0 q 0 p . . . 0 0 0
P = . . . . . . . .
.. .. .. .. . . . .. .. ..
0 0 0 0 . . . q 0 p
0 0 0 0 ... 0 0 1
Jiná interpretace úlohy může být tato: částice se pohybuje po celočı́selných bodech na přı́mce
mezi bariérami v bodech x = 0 a x = a > 0, v každém kroku o jednotku vpravo s pravděpodobnostı́
p, o jednotku vlevo s pravděpodobnostı́ q, nezávisle na předchozı́m kroku. Dosáhne-li bodu 0 nebo
a, setrvá v něm (pohlcujı́cı́ bariéry v bodech 0, a). Poloha částice v čase n je potom Markovův
řetězec popsaný výše.
t
Přı́klad 2.35: Galtonův-Watsonův proces větvenı́ popsaný v úvodnı́ kapitole Přı́klad 1.23 je Mar-
kovův řetězec s diskrétnı́m časem. Počet jedinců v nulté generaci je X0 = 1, počet jedinců prvnı́
generace je náhodná veličina X1 s rozdělenı́m P (X1 = j ) = aj , j = 0, 1, . . . a počet jedinců n−té
generace je Xn = Un,1 + · · · + Un,Xn−1 , kde Un,i jsou náhodné veličiny se stejným rozdělenı́m jako
X1 , nezávislé mezi sebou i na Xn−1 , Xn−2 , . . . , X0 . Je tedy
P ( Xn = j | Xn−1 = i , . . . , X1 = i1 , X0 = 1)
Xn−1
X
=P Un,k = j Xn−1 = i , . . . , X1 = i1 , X0 = 1
k =1
i
!
X
=P Un,k = j Xn−1 = i , . . . , X1 = i1 , X0 = 1
k =1
i
!
X
=P Un,k = j = P ( Xn = j | Xn−1 = i ) ,
k =1
∗i
kde a∗i
j = {aj } je i −tá konvolučnı́ mocnina {aj } (viz Přı́loha A.)
t
Přı́klad 2.36: Generovánı́ homogennı́ho Markovova řetězce s diskrétnı́m časem s množinou stavů
S = N0 , s předepsaným počátečnı́m rozdělenı́m p = {pi , i ∈ N0 } a předepsanou maticı́ pravděpo-
dobnostı́ přechodů P = {pi,j , i , j ∈ N0 }.
Necht’ {Un , n ∈ N0 } je posloupnost nezávislých stejně rozdělených náhodných veličin s rov-
noměrným rozdělenı́m na intervalu [0, 1]. Definujme náhodnou veličinu X0 předpisem
k
X −1 k
X
X0 = k ⇐⇒ pi < U0 ≤ pi
i=0 i=0
P−1
(položı́me i=0 pi = 0). Potom X0 nabývá hodnoty k s pravděpodobnostı́ pk . Dále definujme
funkci f (i , u) na N0 × [0, 1] předpisem
k
X −1 k
X
f (i , u) = k ⇐⇒ pi,j < u ≤ pi,j .
j =0 j =0
Pokud Xn = i , náhodná veličina Xn+1 nabývá hodnoty k s pravděpodobnostı́ pi,k . Je vidět, že
náhodná veličina Xn je funkcı́ jen náhodných veličin Un , Un−1 , . . . , U0 , tedy Xn a Un+1 jsou nezávislé
a
Dále platı́
Vidı́me, že Xn+1 závisı́ jen na Xn a Dn , a že Xn , Dn jsou nezávislé. Je tedy posloupnost {Xn , n ∈ N0 }
Markovův řetězec se stavy 0, 1, . . . , M . Matice pravděpodobnostı́ přechodů má prvky
pi,0 = qM , i = 0, 1, . . . , m,
pi,j = pM −j , i = 0, 1, . . . , m, j = 1, . . . , M ,
pi,0 = qi , i = m + 1, . . . , M ,
pi,j = pi−j , i = m + 1, . . . , M , j = 1, . . . , i ,
pi,j = 0, i = m + 1, . . . , M , j = i + 1, . . . , M ,
kde
qk = pk + pk +1 + . . . , m < k ≤ M .
Přı́klad 2.38: Model havarijnı́ho pojištěnı́. Pro pojištěnı́ motorových vozidel použı́vá pojišt’ovna
tři kategorie pojistného: 0–základnı́ pojistné, 1–bonus 30%, 2–bonus 50%. V prvnı́m pojistném
obdobı́ (roce) platı́ pojištěný základnı́ pojistné. Jestliže pojistné obdobı́ má bezeškodnı́ průběh, je
pojištěný v dalšı́m pojistném obdobı́ zařazen o kategorii výše (zı́ská bonus), pokud ale uplatnı́ 1
pojistný nárok, je v přı́štı́m obdobı́ zařazen o jednu kategorii nı́že, při uplatněnı́ vı́ce než jednoho
pojistného nároku o dvě kategorie nı́že. Počet výskytů pojistné události v n−tém pojistném obdobı́
je náhodná veličina Yn ; předpokládáme, že náhodné veličiny Yn , n = 1, 2, 3, . . . jsou nezávislé a
majı́ stejné Poissonovo rozdělenı́ s parametrem λ. Necht’ Xn značı́ kategorii pojistného v n−tém
pojistném obdobı́. Zřejmě platı́ pro n ≥ 1
min {Xn + 1, 2}
pro Yn = 0,
Xn+1 = max {Xn − 1, 0} pro Yn = 1,
0 pro Yn > 1.
Je tedy {Xn , n ∈ N} Markovův řetězec s množinou stavů S = {0, 1, 2}, s počátečnı́m rozdělenı́m
p = (1, 0, 0)T a s maticı́ pravděpodobnostı́ přechodů
1 − e−λ e−λ
0
P = 1 − e−λ 0 e−λ .
−λ −λ −λ
1 − e − λe λe e−λ
Dále označme
∞
!
[
X
F∞ =σ FnX = σ {Xn , n ∈ N0 } .
n=0
Definice 2.40: Markovský čas náhodného procesu X = {Xn , n ∈ N0 } (ang. stopping time, Markov
time) definovaného na (Ω, A, P ) je taková náhodná veličina τ : Ω → N0 ∪ {∞}, pro kterou pro
každé n ∈ N0 náhodný jev [τ ≤ n] patřı́ do σ-algebry FnX .
X
(Zřejmě τ je F∞ -měřitelná, tedy je náhodná veličina.)
t
Pro náhodný proces s diskrétnı́m časem, lze definici ekvivalentně vyjádřit pomocı́ jevů [τ = n].
Pro náhodný proces se spojitým časem již tento přepis nefunguje, viz Definice 3.33.
Lemma 2.42: Když τ je markovský čas náhodného procesu X = {Xn , n ∈ N0 }, pak pro každé
k ∈ N je τ + k také markovský čas procesu X = {Xn , n ∈ N0 }.
t
Definice 2.43: Necht’ X = {Xn , n ∈ N0 } je náhodný proces, který je definovaný na (Ω, A, P ) a má
hodnoty v úplném metrickém prostoru H = (H, h), a τ je jeho markovský čas.
Pak definujeme Xτ : Ω → H ∪ {∞} zastavenı́ procesu X v markovském času τ předpisem
pro každé ω ∈ Ω (
Xτ (ω) (ω) pokud τ (ω) < ∞,
Xτ (ω) = (2.34)
∞ pokud τ (ω) = ∞.
Dále definujeme
FτX = A ∈ F∞
X
: A ∩ [τ ≤ n] ∈ FnX
pro všechna n ∈ N0 (2.35)
σ-algebru jevů předcházejı́cı́ch markovskému času τ .
40 NP1-poznámky February 28, 2021:569
Lemma 2.44: Když X = {Xn , n ∈ N0 } je náhodný proces a τ je jeho markovský čas, pak FτX je
σ-algebra.
1) Zřejmě ∅, Ω ∈ FτX .
Lemma 2.45: Když X = {Xn , n ∈ N0 } je náhodný proces s diskrétnı́ nejvýše spočetnou množinou
stavů S a τ je jeho markovský čas, potom Xτ je FτX −měřitelná náhodná veličina.
Věta 2.46: Necht’ X = {Xn , n ∈ N0 } je homogennı́ Markovův řetězec s diskrétnı́m časem, s množinou
stavů S, s počátečnı́m rozdělenı́m p a s maticı́ pravděpodobnostı́ přechodů P definovaný na
(Ω, A, P ). Když τ je markovský čas procesu X takový, že P (τ < ∞) = 1, potom
P ( Xτ +1 = j | Xτ = i , Xτ −1 = iτ −1 , . . . , X0 = i0 ) = P ( Xτ +1 = j | Xτ = i ) = pi,j (2.36)
Důkaz. Veličina τ je markovský čas, proto pro každé k ∈ N0 platı́ [τ = k ] ∈ FkX . To znamená, že
pro každé k ∈ N0 existuje množina Θk ⊂ S k +1 tak, že [τ = k ] = [(X0 , X1 , . . . , Xk ) ∈ Θk ] .
Potom pro k ∈ N0 , s0 , s1 , . . . , sk ∈ S platı́ dichotomie
bud’ [X0 = s0 , X1 = s1 , . . . , Xk = sk ] ⊂ [τ = k ],
nebo [X0 = s0 , X1 = s1 , . . . , Xk = sk ] ∩ [τ = k ] = ∅.
Petr Lachout February 28, 2021:569 41
1) Označme Kτ = {k ∈ N0 : [Xk = i , Xk −1 = ik −1 , . . . , X0 = i0 ] ⊂ [τ = k ]} .
P (Xτ +1 = j , Xτ = i , Xτ −1 = iτ −1 , . . . , X0 = i0 )
X+∞
= P (Xτ +1 = j , Xτ = i , Xτ −1 = iτ −1 , . . . , X0 = i0 , τ = k )
k =0
+∞
X
= P (Xk +1 = j , Xk = i , Xk −1 = ik −1 , . . . , X0 = i0 , τ = k )
k =0
X
= P (Xk +1 = j , Xk = i , Xk −1 = ik −1 , . . . , X0 = i0 , τ = k )
k ∈Kτ
X
= P (Xk +1 = j , Xk = i , Xk −1 = ik −1 , . . . , X0 = i0 )
k ∈Kτ
X h
= P ( Xk +1 = j | Xk = i , Xk −1 = ik −1 , . . . , X0 = i0 )
k ∈Kτ
i
×P (Xk = i , Xk −1 = ik −1 , . . . , X0 = i0 )
(2.1) X
= P ( Xk +1 = j | Xk = i ) P (Xk = i , Xk −1 = ik −1 , . . . , X0 = i0 )
k ∈Kτ
X
= pi,j P (Xk = i , Xk −1 = ik −1 , . . . , X0 = i0 )
k ∈Kτ
+∞
X
= pi,j P (Xk = i , Xk −1 = ik −1 , . . . , X0 = i0 , τ = k )
k =0
+∞
X
= pi,j P (Xτ = i , Xτ −1 = iτ −1 , . . . , X0 = i0 , τ = k )
k =0
= pi,j P (Xτ = i , Xτ −1 = iτ −1 , . . . , X0 = i0 ) .
Budeme však postupovat trochu jinak, využijeme Lemma 2.11. Z měřitelnosti markovského času
pro každé k ∈ N0 nalezname množinu Θk ⊂ S k +1 tak, aby [τ = k ] = [(X0 , X1 , . . . , Xk ) ∈ Θk ] .
42 NP1-poznámky February 28, 2021:569
Potom
+∞
X
P (Xτ +1 = j , Xτ = i ) = P (Xτ +1 = j , Xτ = i , τ = k )
k =0
+∞
X
= P (Xk +1 = j , Xk = i , τ = k )
k =0
+∞
X
= P (Xk +1 = j , Xk = i , (X0 , X1 , . . . , Xk ) ∈ Θk )
k =0
+∞
X X
= P (Xk +1 = j , Xk = i , Xk −1 = ik −1 , . . . , X0 = i0 )
k =0 (i0 ,i1 ,...,ik −1 ,i)∈Θk
+∞
(2.23) X X
= pi0 pi0 ,i1 . . . pik −1 ,i pi,j
k =0 (i0 ,i1 ,...,ik −1 ,i)∈Θk
+∞
X X
= pi,j pi0 pi0 ,i1 . . . pik −1 ,i .
k =0 (i0 ,i1 ,...,ik −1 ,i)∈Θk
+∞
X
P (Xτ = i ) = P (Xτ = i , τ = k )
k =0
+∞
X
= P (Xk = i , τ = k )
k =0
+∞
X
= P (Xk = i , (X0 , X1 , . . . , Xk ) ∈ Θk )
k =0
+∞
X X
= P (Xk = i , Xk −1 = ik −1 , . . . , X0 = i0 )
k =0 (i0 ,i1 ,...,ik −1 ,i)∈Θk
+∞
X X
= pi0 pi0 ,i1 . . . pik −1 ,i .
k =0 (i0 ,i1 ,...,ik −1 ,i)∈Θk
Věta 2.47: Necht’ X = {Xn , n ∈ N0 } je homogennı́ Markovův řetězec s diskrétnı́m časem, s množinou
stavů S, s počátečnı́m rozdělenı́m p a s maticı́ pravděpodobnostı́ přechodů P definovaný na
(Ω, A, P ). Když τ je markovský čas procesu X = {Xn , n ∈ N0 } takový, že P (τ < ∞) = 1, po-
tom {Xτ +n , n ∈ N0 } je homogennı́ Markovův řetězec s diskrétnı́m časem, se stavovým prostorem
S, s počátečnı́m rozdělenı́m {P (Xτ = i ) , i ∈ S} a s maticı́ pravděpodobnostı́ přechodů P .
Věta 2.46 řı́ká, že markovská vlastnost platı́, když proces X = {Xn , n ∈ N0 } pozorujeme v
náhodných časových okamžicı́ch τ + m, m ∈ N, kde τ je markovský čas. Tato vlastnost se nazývá
silná markovská vlastnost. Pokud τ < ∞ a Xτ = i pro i ∈ S, potom podobně jako ve Cvičenı́
2.123 lze ukázat, že (X0 , . . . , Xτ −1 ) a (Xτ +1 , . . . , Xτ +m ) , m = 1, 2, . . . jsou podmı́něně nezávislé.
Mı́sto markovského času mluvı́me také o zastavovacı́m času procesu.
Petr Lachout February 28, 2021:569 43
t
⊗N
V definici jsme využili toho, že B S = P(S) , jelikož je množina stavů nejvýše spočetná.
N
Když vyčkáme na okamžik, kdy homogennı́ Markovův řetězec s diskrétnı́m časem s kladnou
pravděpodobnostı́ vstoupı́ do stavu i , pak půjde opravdu o podmiňovánı́, jak ukazuje následujı́cı́
lemma.
⊗N
Důkaz. Stačı́ vlastnost (2.38) ověřit pro všechny základnı́ stavebnı́ kameny σ-algebry P(S) .
Vezměme tedy k ∈ N a i1 , . . . , ik ∈ S, pak
(i) (i) (i)
Pi (X1 = i1 , X2 = i2 , . . . , Xk = ik ) = P X1 = i1 , X2 = i2 , . . . , Xk = ik
= P ( Xm+1 = i1 , Xm+2 = i2 , . . . , Xm+k = ik | Xm = i ) = pi,i1 . . . pik−1 ,ik .
τj (0) = 0,
τj (1) = inf {n > 0 : Xn = j } . (2.39)
Podle této definice je τj (1) náhodná veličina, která nabývá hodnot z N ∪ {∞} a značı́ náhodný
okamžik, ve kterém Markovův řetězec poté, co opustil počátečnı́ stav, poprvé vstoupı́ do stavu j .
Hodnota ∞ znamená, že ke vstupu do stavu j nedošlo.
Čas τj (1) bývá nazýván čas prvnı́ho návratu (resp. vstupu) do stavu j . Pojmenovánı́ záležı́ na
tom, zda Markovův řetězec ve stavu j začı́ná nebo ne. Podobně τj (k ), k ∈ N značı́ časy dalšı́ch
návratů (resp. vstupů) do stavu j .
Stav j se nazývá přechodný, jestliže Markovův řetězec, který vycházı́ z j , se s kladnou pravděpo-
dobnostı́ do j nikdy nevrátı́, tj.
Dalšı́ vlastnostı́, kterou u stavů sledujeme, je periodičnost. S tou se však seznámı́me až později.
t
Petr Lachout February 28, 2021:569 45
X
fi,j = pi,j + pi,k fk ,j pro každé i , j ∈ S. (2.42)
k 6=j
1
Pi,i (s) = , |s| < 1 pro každé i ∈ S, (2.45)
1 − Fi,i (s)
Fi,j (s)
Pi,j (s) = Fi,j (s) Pi,i (s) = , |s| < 1 pro každé i , j ∈ S, i 6= j . (2.46)
1 − Fi,i (s)
46 NP1-poznámky February 28, 2021:569
2. Pro n ∈ N.
Protože platı́ [Xn = j ] ⊂ [τj (1) ≤ n], máme
n
(n)
X
pi,j = P ( Xn = j | X0 = i ) = Pi (Xn = j ) = Pi (Xn = j , τj (1) = k)
k=1
n
X
= Pi (Xn = j |τj (1) = k ) Pi (τj (1) = k)
k=1
n
(k)
X
= Pi (Xn = j |τj (1) = k ) fi,j
k=1
(0) (0)
Tı́m je (2.43) i (2.44) dokázáno, nebot’ fi,j = 0 a pj ,j = 1.
P+∞ (n) P+∞ (n)
3. Uvažované vytvořujı́cı́ funkce majı́ tvar Pi,j (s) = n=0 pi,j s n , Fi,j (s) = n=0 fi,j s n .
S využitı́m (2.43), (2.44) a vlastnostı́ konvoluce (Věta A.6, Přı́loha A) pro |s| < 1 vypočteme
+∞ +∞ +∞ X n
!
(n) n (n) n (k) (n−k)
X X X
Pi,i (s) = pi,i s = 1 + pi,i s = 1 + fi,i pi,i sn
n=0 n=1 n=1 k=0
+∞
! +∞
!
(n) (n)
X X
= 1+ fi,i s n pi,i s n = 1 + Fi,i (s) Pi,j (s) .
n=0 n=0
(n)
Poznámka. Pravděpodobnosti fi,j lze počı́tat také rekurentně (viz Cvičenı́ 2.128).
t
Vı́me, že stav j je přechodný, právě když fj ,j < 1, a to je podle (2.45) právě tehdy, když
+∞
X (n) 1 1 1
pj ,j = lim Pj ,j (s) = lim = = < ∞.
n=0
s→1− s→1− 1 − Fj ,j (s) 1 − Fj ,j (1) 1 − fj ,j
Poznámka. Podobně jako v Přı́loze A jsme označili limitu vytvořujı́cı́ funkce pro s → 1 zleva jako
funkčnı́ hodnotu v bodě 1. Toto označenı́ budeme užı́vat i nadále nejen pro vytvořujı́cı́ funkce, ale
i pro jejich derivace.
t
Přı́klad 2.59: Uvažujme posloupnost nezávislých hodů hracı́ kostkou. Necht’ Xm značı́ maximálnı́
počet ok dosažených do m−tého hodu včetně. Potom {Xm } je homogennı́ Markovův řetězec s dis-
krétnı́m časem s množinou stavů S = {1, . . . , 6} a pravděpodobnostmi přechodů
1
6, i < j,
pi,j = 6j , i = j ,
0, i > j .
P+∞ (n)
Vidı́me tedy, že n=0 pj ,j konverguje pro j = 1, . . . , 5 a diverguje pro j = 6. Stavy 1, . . . , 5 jsou
proto přechodné a stav 6 je trvalý.
48 NP1-poznámky February 28, 2021:569
Přı́klad 2.60: Symetrická náhodná procházka na přı́mce, je Markovův řetězec s množinou stavů
S = Z a pravděpodobnostmi přechodů pi,i+1 = pi,i−1 = 12 , i ∈ S (viz Přı́klady 1.22 a 2.33).
Pravděpodobnosti přechodu ze stavu j do stavu j po n krocı́ch jsou
!
2k
1 2k
, n = 2k , k = 0, 1, . . . ,
(n) 2
pj ,j = k
0, n = 2k + 1, k = 0, 1, . . . .
Tj ,1 = τj (1) ,
pro k = 2, 3, 4, . . . . definujeme
Tj ,k = τj (k ) − τj (k − 1) pokud τj (k − 1) < ∞,
= ∞ pokud τj (k − 1) = ∞.
t
Platı́ pro ně následujı́cı́ vztahy.
t
Petr Lachout February 28, 2021:569 49
2. Nynı́ pro k ≥ 2.
e l = m1 + m2 + · · · + ml
Předpokládejme BÚNO P (X0 = j ) > 0 a pro přehlednost označme m
pro l ∈ {1, 2, . . . , k }. Počı́tejme
Pi (Tj ,1 = m1 , Tj ,2 = m2 , . . . , Tj ,k = mk )
= Pi (τj (1) = m1 , τj (2) = m1 + m2 , . . . , τj (k ) = m1 + m2 + · · · + mk )
= Pi (τj (1) = m
e 1 , τj (2) = m
e 2 , . . . , τj (k ) = m
ek)
k
Y
= Pi (τj (1) = m
e 1) e l |τj (l − 1) = m
Pi (τj (l ) = m e l−1 , τj (l − 2) = m
e l−2 , . . . , τj (1) = m
e1 )
l=2
k
(m )
Y
= fi,j 1 P Xm e l −1 6= j , . . . , Xm
e l = j , Xm e l−1 +1 6= j Xm e l−1 −1 6= j , . . . , X0 = i
e l−1 = j , Xm
l=2
k
(2.13) (m )
Y
= fi,j 1 P Xm e l −1 6= j , . . . , Xm
e l = j , Xm e l−1 +1 6= j Xm
e l−1 = j
l=2
k
(m )
Y
= fi,j 1 P ( Xml = j , Xml −1 6= j , . . . , X1 6= j | X0 = j )
l=2
k k
(m ) (m )
Y Y
= fi,j 1 P ( τj (1) = ml | X0 = j ) = fi,j 1 Pj (τj (1) = ml )
l=2 l=2
(m1 ) (m2 ) (m )
= fi,j fj ,j · · · · · fj ,j k .
Při výpočtu jsme využili zobecněnı́ markovské vlastnosti (2.13) a homogenity. Vlastnost
(2.47) je tı́m dokázána.
Vlastnost (2.47) určuje rozdělenı́ dob čekánı́ na k -tý návrat do daného stavu a také určuje
rozdělenı́ dob mezi k -tým a k + 1-vým návratem do daného stavu.
Věta 2.63: Pro homogennı́ Markovův řetězec s diskrétnı́m časem, stavy i , j ∈ S a k , m ∈ N platı́
(m ) (m ) (m )
X
Pi (τj (k ) = m) = fi,j 1 fj ,j 2 · · · · · fj ,j k . (2.48)
m1 +m2 +···+mk =m
m1 ,m2 ...,mk ∈N
Tuto vlastnost můžeme přepsat pomocı́ vytvořujı́cı́ funkce náhodné veličiny τj (k ) za podmı́nky,
že Markovův řetězec vyšel ze stavu i , jako
Pi,τj (k ) (s) = Fi,j (s) [Fj ,j (s)]k −1 pro |s| < 1, (2.49)
n o n o
(n) (n)
kde Fi,j je vytvořujı́cı́ funkce posloupnosti fi,j a Fj ,j je vytvořujı́cı́ funkce posloupnosti fj ,j
(viz Přı́loha A, Věta A.6).
Speciálně
Pi (τj (k ) < ∞) = fi,j fjk,j−1 . (2.50)
t
50 NP1-poznámky February 28, 2021:569
Pi (τj (k ) = m) = Pi (Tj ,1 + Tj ,2 + · · · + Tj ,k = m)
X
= Pi (Tj ,1 = m1 , Tj ,2 = m2 , . . . , Tj ,k = mk )
m1 +m2 +···+mk =m
m1 ,m2 ...,mk ∈N
(m ) (m ) (m )
X
= fi,j 1 fj ,j 2 · · · · · fj ,j k .
m1 +m2 +···+mk =m
m1 ,m2 ...,mk ∈N
Věta 2.64: Uvažujme homogennı́ Markovův řetězec s diskrétnı́m časem a stavy i , j ∈ S. Pak pro
dobu čekánı́ na prvnı́ návrat platı́
(m)
Pi (Tj ,1 = m) = fi,j pro každé m ∈ N. (2.51)
Pokud fi,j > 0, fj ,j > 0, pak pro doby čekánı́ na dalšı́ návraty platı́
(m)
Pi (Tj ,k = m |τj (k − 1) < ∞ ) = fj ,j pro každé m ∈ N, k ∈ {2, 3, . . . .} , (2.52)
(m)
fj ,j
Pi (Tj ,k = m |τj (k + l ) < ∞ ) = pro každé m ∈ N, k ∈ N, l ∈ N0 . (2.53)
fj ,j
Speciálně pro j trvalý stav, fi,j > 0 máme pro každé k ∈ {2, 3, . . . .}
(m)
Pi (Tj ,k = m) = fj ,j pro každé m ∈ N,
Ej [Tj ,k ] = µj .
Odtud
Pi (Tj ,k = m, τj (k − 1) < ∞)
Pi (Tj ,k = m |τj (k − 1) < ∞ ) =
Pi (τj (k − 1) < ∞)
(m)
Pi (Tj ,k = m) fi,j fjk,j−2 fj ,j (m)
= = = fj ,j .
Pi (τj (k − 1) < ∞) fi,j fjk,j−2
Petr Lachout February 28, 2021:569 51
3. Pro k ≥ 2 dostaneme
Pi (Tj ,k = m, τj (k ) < ∞)
Pi (Tj ,k = m |τj (k ) < ∞ ) =
Pi (τj (k ) < ∞)
(m) (m)
Pi (Tj ,k = m) fi,j fjk,j−2 fj ,j fj ,j
= = k −1
= .
Pi (τj (k ) < ∞) fi,j fj ,j fj ,j
4. Pro k ≥ 2 a l ∈ N dostáváme
Pi (Tj ,k = m, τj (k + l ) < ∞)
X
= Pi (Tj ,1 = m1 , . . . , Tj ,k −1 = mk −1 , Tj ,k = m, Tj ,k +1 = mk +1 , . . . , Tj ,k +l = mk +l )
m1 ,...,mk −1 ,mk +1 ,...,mk +l ∈N
(m ) (m ) (m ) (m) (m ) (m )
X
= fi,j 1 fj ,j 2 · · · · · fj ,j k −1 fj ,j fj ,j k +1 · · · · · fj ,j k +l
m1 ,...,mk −1 ,mk +1 ,...,mk +l ∈N
(m)
= fi,j fjk,j+l−2 fj ,j .
Odtud
Pi (Tj ,k = m, τj (k + l ) < ∞)
Pi (Tj ,k = m |τj (k + l ) < ∞ ) =
Pi (τj (k + l ) < ∞)
(m) (m)
fi,j fjk,j+l−2 fj ,j fj ,j
= = .
fi,j fjk,j+l−1 fj ,j
Speciálně pro trvalý stav j jsou za podmı́nky X0 = i doby mezi návraty Tj ,k , k ∈ N nezávislé
náhodné veličiny.
Důkaz. Počı́tejme
která udává, kolikrát Markovův řetězec projde stavem j ; přičemž se počátečnı́ stav nepočı́tá.
Zřejmě Nj je náhodná veličina nabývajı́cı́ hodnot z N0 ∪ {∞}. Rozdělenı́ této náhodné veličiny
udává následujı́cı́ věta.
Tudı́ž
Tı́m jsou prvnı́ dvě tvrzenı́ ukázány. Třetı́ tvrzenı́ plyne přı́mo z Věty 2.66.
Petr Lachout February 28, 2021:569 53
Vidı́me tedy, že je-li stav j trvalý, vstoupı́ do něj Markovův řetězec s pravděpodobnostı́ jedna
nekonečně mnohokrát, je-li přechodný, je počet vstupů do j s pravděpodobnostı́ jedna konečný.
Zaved’me ještě dalšı́ klasifikaci.
Definice 2.68: Pro homogennı́ Markovův řetězec s diskrétnı́m časem a stav i ∈ S zavádı́me
následujı́cı́ pojmy:
n o
(n)
• Ni = n ∈ N : pi,i > 0 časy možných návratů řetězce do stavu i (ang. times of possible
returns).
• Když je Ni nekonečná, pak zavádı́me di periodu stavu i (ang. period), jako největšı́ společný
(n)
dělitel čı́sel n ∈ N, pro které pi,i > 0; tj. di = NSD {Ni }.
• Je-li Ni nekonečná a di > 1, řı́káme, že stav i je periodický s periodou di (ang. periodic).
• Je-li Ni prázdná nebo konečná nebo nekonečná a di = 1, řı́káme, že stav i je neperiodický
(ang. aperiodic).
Lemma 2.69: Pro homogennı́ Markovův řetězec s diskrétnı́m časem a stav i ∈ S je množina Ni
bud’ prázdná nebo nekonečná.
t
Lemma 2.70: Pro homogennı́ Markovův řetězec s diskrétnı́m časem a stav j ∈ S platı́
(n)
i) Nj = ∅ tehdy a jen tehdy, když pro každé n ∈ N je fj ,j = 0.
n o
(n)
ii) Pro Nj nekonečnou je dj = NSD n ∈ N : fj ,j > 0 .
(n)
Důkaz. 1. Ze vzorce (2.43) okamžitě plyne ekvivalence pj ,j = 0 pro každé n ∈ N tehdy a jen
(n)
tehdy, když fj ,j = 0 pro každé n ∈ N.
Přı́klad 2.71: V úloze o ruinovánı́ hráče (Přı́klad 2.34) jsou stavy 0, a neperiodické, stavy
1, . . . , a − 1 periodické s periodou 2. V Přı́kladě 2.60 (symetrická náhodná procházka na přı́mce)
jsou všechny stavy periodické s periodou 2.
t
Poznámka. Je-li pj ,j > 0, je stav j neperiodický. Tato podmı́nka však nenı́ nutná; např. v řetězci
s maticı́ pravděpodobnostı́ přechodů
0 1 0
P = 12 0 21
1 0 0
(2) (3)
máme p1,1 = 0, p1,1 = 12 , p1,1 = 12 , tedy d1 = 1.
t
Definice 2.72: Uvažujme homogennı́ Markovův řetězec s diskrétnı́m časem, pak stav j ∈ S,
který je trvalý nenulový a neperiodický, se nazývá ergodický.
t
’
P+∞ 2.73: Necht {fn , n ∈ N0 } je posloupnost reálných čı́sel takových, že f0 = 0, fn ≥ 0,
Věta
n=0 fn = 1 a NSD {n ∈ N : fn > 0} = 1. Definujme posloupnost {un , n ∈ N0 } předpisem
u0 = 1,
Xn
un = fk un−k , n ≥ 1.
k =0
P+∞
Označme µ = k =0 kfk . Potom 1 ≤ µ ≤ ∞ a při n → ∞
1
un → pokud µ < ∞,
µ
un → 0 pokud µ = ∞.
Petr Lachout February 28, 2021:569 55
(ii) Když j je ergodický (tj. trvalý nenulový a neperiodický), potom 1 ≤ µj < ∞ a při n → ∞
(n) 1
pj ,j → ,
µj
(n) fi,j
pi,j → pro všechna i 6= j ,
µj
P+∞ (n)
kde µj = n=0 nfj ,j je střednı́ doba prvnı́ho návratu do stavu j .
(k dj ) dj (νd +l)
pj ,j → , pj ,j j =0 pro všechna ν ∈ N0 , l ∈ {1, 2, . . . , dj − 1},
µj
+∞
(k dj +l) dj X (νdj +l)
pi,j → f pro všechna l ∈ {0, 1, . . . , dj − 1}, i 6= j
µj ν=0 i,j
(n)
Odtud pi,j → 0 pro i 6= j .
56 NP1-poznámky February 28, 2021:569
Pro i 6= j konvergence
n
(n)
X (k ) (n−k ) fi,j
pi,j = fi,j pj ,j → při n → ∞ (2.55)
µj
k =0
(k ) (n−k ) (k )
plyne z Lebesgueovy věty o integrovatelné majorantě, nebot’ 0 ≤ fi,j pj ,j ≤ fi,j pro každé
(k )
P+∞ (k ) (k ) (n−k ) f
k , n ∈ N0 , k =0 fi,j = fi,j ≤ 1 a fi,j pj ,j → µi,jj při n → ∞, jelikož jsme již dokázali, že
(n−k ) 1
pj ,j → µj při n → ∞.
(k ) 1
pej ,j → ,
µ
ej
n o
kde µ
ej =
P+∞
k e(k ) = F
f ej ,j je vytvořujı́cı́ funkce posloupnosti fe(k ) .
e0 (1) a F
k =1 j ,j j ,j j ,j
Platı́
+∞ +∞ k d j +∞ n
(k ) (k dj ) (n)
X X X
F
ej ,j (s) = fej ,j s k = fj ,j s 1/dj = fj ,j s 1/dj = Fj ,j s 1/dj .
k =0 k =0 n=0
Odkud dostáváme
e0 (1) = 1 0 µj
µ
ej = F j ,j F (1) = ,
dj j ,j dj
takže
(k dj ) dj
pj ,j → při k → ∞.
µj
(n) (n)
iv) Je-li j trvalý nulový neperiodický, potom podle Věty 2.73 pro volbu fn = fj ,j , un = pj ,j je
(n) P+∞ (n)
pj ,j → 0, jelikož µj = n=1 nfj ,j = ∞.
Pro i 6= j konvergence
n
(n) (k ) (n−k )
X
pi,j = fi,j pj ,j →0 při n → ∞
k =0
(k ) (n−k ) (k )
plyne z Lebesgueovy věty o integrovatelné majorantě, nebot’ 0 ≤ fi,j pj ,j ≤ fi,j pro každé
P+∞ (k ) (k ) (n−k ) (n−k )
k , n ∈ N0 , k =0 fi,j = fi,j ≤ 1 a fi,j pj ,j → 0 při n → ∞, jelikož již vı́me, že pj ,j →0
při n → ∞.
v) Necht’ j trvalý nulový s periodou dj ≥ 2.
n o n o
(n) (n)
Vı́me dj = NSD n ∈ N : pj ,j > 0 = NSD n ∈ N : fj ,j > 0 ; viz Lemma 2.70.
(n) (n)
Potom pj ,j = 0, fj ,j = 0 pro n 6= k dj , k ∈ N0 . Označme pro k ∈ N0
(k ) (k dj ) (k ) (k d )
pej ,j = pj ,j , fej ,j = fj ,j j .
(k ) (k )
Podle Věty 2.73 aplikované na fk = fej ,j , uk = pej ,j platı́ pro k → ∞
(k )
pej ,j → 0,
P+∞ (k ) P+∞ (k dj ) 1
P+∞ (n)
nebot’ µ
ej = k =1 k fej ,j = k =1 k fj ,j = dj n=0 nfj ,j = ∞.
(n)
Tudı́ž pj ,j → 0 při n → ∞.
Poznámka. Vztah
n
(n) 1 X (k ) fi,j
pi,j = pi,j → , i 6= j
n µj
k =1
Věta 2.75: Uvažujme homogennı́ Markovův řetězec s diskrétnı́m časem a trvalý stav j ∈ S, pak
(n)
j je nulový právě tehdy, když pj ,j → 0 při n → ∞.
(n)
Důkaz. Necht’ j je trvalý stav, pro který pj ,j → 0.
n (k)
Potom 1n k =1 pj ,j → 0 a tedy podle Tauberovy věty
P
tedy j je nulový.
Zbytek důkazu plyne z Věty 2.74.
Definice 2.76: Řekneme, že stav j je dosažitelný ze stavu i , jestliže existuje n ∈ N0 tak, že
(n) (n)
pi,j > 0. Jestliže pi,j = 0 pro všechna n ∈ N0 , řı́káme, že j nenı́ dosažitelný z i .
(0) (0)
Poznámka. Každý stav je dosažitelný ze sebe sama, nebot’ pj ,j = 1 (je pi,j = δi,j ).
Definice 2.77: Neprázdná množina stavů C se nazývá uzavřená, jestliže žádný stav mimo C
(n)
nenı́ dosažitelný z žádného stavu z C, tj. pi,j = 0 ∀n ∈ N0 , ∀i ∈ C a j ∈ / C. Když A je množina
stavů, pak nejmenšı́ uzavřená množina, která ji obsahuje, se nazývá uzávěr množiny A. Uzavřená
množina stavů se nazývá nerozložitelná, jestliže neobsahuje žádnou uzavřenou vlastnı́ podmnožinu.
Věta 2.78: Množina stavů C je uzavřená tehdy a jen tehdy, když pi,j = 0 pro všechna i ∈ C,
j ∈
/ C.
Petr Lachout February 28, 2021:569 59
Důkaz.
(n)
1. Necht’ C je uzavřená, potom ∀ i ∈ C, j ∈
/ C je pi,j = 0 ∀ n ∈ N0 a tedy i pro n = 1.
(n)
2. Necht’ pi,j = 0 ∀ i ∈ C, j ∈
/ C. Ukážeme indukcı́, že pi,j = 0 pro každé n ∈ N0 .
Pro n = 0 tento vztah platı́ triviálně, nebot’ i 6= j , a pro n = 1 platı́ podle předpokladu.
(n)
Necht’ pro nějaké n ∈ N platı́ pi,j = 0 ∀ i ∈ C, j ∈
/ C.
Podle Chapmanovy-Kolmogorovovy rovnosti (2.29) platı́
(n+1) (n) (n) (n)
X X X
pi,j = pi,k pk ,j = pi,k pk ,j + pi,k pk ,j = 0.
k ∈S k ∈C k ∈C
/
(n)
Protože, když k ∈ C, potom pk ,j = 0 podle předpokladu věty, a když k ∈
/ C, potom pi,k = 0
podle indukčnı́ho předpokladu.
Definice 2.79: Stav j se nazývá absorpčnı́, je-li jednobodová množina {j } uzavřená, tj. jestliže
pj ,j = 1.
Definice 2.80: Markovův řetězec se nazývá nerozložitelný, jestliže v něm neexistuje jiná uzavřená
množina než množina všech stavů, tj. jestliže každý jeho stav je dosažitelný z každého jiného stavu.
V opačném přı́padě je řetězec rozložitelný.
t
60 NP1-poznámky February 28, 2021:569
Přı́klad 2.82: V úloze o ruinovánı́ hráče (Přı́klad 2.34) jsou ze stavů 1, 2, . . . , a − 1 dosažitelné
všechny stavy 0, 1, . . . , a,, ze stavu 0 je dosažitelný jen stav 0, ze stavu a je dosažitelný jen stav
a. Množiny {0} , {a} jsou uzavřené, množina {1, 2, . . . , a − 1} nenı́ uzavřená, nebot’ např. stav 0 je
dosažitelný ze stavu 1. Stavy 0 a a jsou absorpčnı́. Řetězec je rozložitelný.
V modelu havarijnı́ho pojištěnı́ (Přı́klad 2.38) jsou všechny stavy vzájemně dosažitelné. Řetězec
je nerozložitelný.
t
Přı́klad 2.83: Uvažujme řetězec s množinou stavů S = {1, 2, 3, . . .}, s počátečnı́m rozdělenı́m
>
p = (1, 0, 0, . . . ) a s pravděpodobnostmi přechodů pi,i+1 = 1 pro i ∈ N. Množina stavů obsahuje
uzavřené podmnožiny {i , i + 1, . . .} pro každé i ∈ N. Tento řetězec je rozložitelný.
t
Věta 2.84: Homogennı́ Markovův řetězec s diskrétnı́m časem s konečně mnoha stavy je rozložitelný
tehdy a jen tehdy, je-li (po přı́padném přečı́slovánı́ stavů) matice pravděpodobnostı́ přechodů tvaru
P1 0
P = (2.57)
A B
kde P 1 , B jsou čtvercové matice.
t
Důkaz. 1. Necht’ P je tvaru (2.57), kde P 1 , B jsou čtvercové matice. Potom P 1 je stochastická
matice, která odpovı́dá vlastnı́ uzavřené podmnožině stavů a řetězec je rozložitelný.
2. Necht’ řetězec je rozložitelný, tedy obsahuje uzavřenou podmnožinu stavů. Stavy řetězce
přečı́slujme tak, aby nejnižšı́ pořadová čı́sla patřila stavům z uvažované uzavřené množiny.
Provedenı́m permutacı́ na řádky a sloupce matice P dostane matice tvar (2.57).
Vidı́me, že v řetězci je uzavřená množina {1, 5}. Po provedenı́ permutace (1, 5, 2, 3, 4) na řádky a
Poznámka. Předpoklad o tom, že matice P 1 , B jsou čtvercové, je podstatný. Např. řetězec s ma-
ticı́ pravděpodobnostı́ přechodů
1 1
2 2 0
P = 13 13 13
1 1 1
3 3 3
(2)
je nerozložitelný, nebot’ p1,3 > 0, tedy stav 3 je dosažitelný ze stavu 1 (po dvou krocı́ch).
Definice 2.86: Řekneme, že dva stavy Markovova řetězce jsou stejného typu, jsou-li oba současně
bud’ přechodné nebo oba trvalé nulové nebo nenulové, oba neperiodické nebo periodické se stejnou
periodou.
Věta 2.87: Je-li stav j dosažitelný ze stavu i a stav i dosažitelný ze stavu j , potom jsou oba
stejného typu.
Důkaz. Když je stav j dosažitelný ze stavu i a stav i dosažitelný ze stavu j , potom existujı́
(M ) (N )
M , N ∈ N tak, že pi,j = α > 0, pj ,i = β > 0.
Podle Chapmanovy-Kolmogorovovy rovnosti (2.29) pro libovolné n ∈ N0 platı́:
(M +N +n)
X (M ) (N +n) (M ) (N +n)
pi,i = pi,k pk ,i ≥ pi,j pj ,i
k ∈S
(M ) (n) (N ) (M ) (n) (N )
X
= pi,j pj ,k pk ,j ≥ pi,j pj ,j pj ,i .
k ∈S
Odtud dostáváme:
(M +N +n) (n)
pi,i ≥ αβpj ,j , (2.58)
(M +N +n) (n)
pj ,j ≥ αβpi,i . (2.59)
Argumentace pro stavy j a i je symetrická. Stačı́ proto z parametrů stavu i odvodit parametry
stavu j .
• Je-li i trvalý, potom z (2.59) a Věty 2.58 plyne, že také j je trvalý.
• Je-li i trvalý nulový, potom podle (2.58) a Věty 2.75 také j musı́ být trvalý nulový.
(i) k je trvalý,
(ii) j je dosažitelný z k ,
1. Máme odhad
Odtud
(m)
Pj (X1 6= j , . . . , Xm−1 6= j , Xm = k ) = Pj (Xm = k ) = pj ,k . (2.60)
(m)
Protože j je trvalý, je fj ,j = 1 a tudı́ž i fk ,j = 1 (nebot’ pj ,k > 0).
Protože také k je trvalý, dokážeme stejným způsobem, že fj ,k = 1.
Vidı́me, že množina stavů dosažitelných z nějakého trvalého stavu je uzavřená a nerozložitelná.
Předchozı́ věta nám tak umožňuje rozložit množinu stavů S Markovova řetězce následujı́cı́m
způsobem. Necht’ j1 je trvalý stav a C1 je množina všech stavů dosažitelných z j1 ; necht’ j2 je
trvalý stav, který nepatřı́ do C1 , a C2 je množina všech stavů dosažitelných z j2 atd.
Můžeme tedy psát S ve tvaru
S = T ∪ C1 ∪ C2 ∪ . . . ,
kde T je množina stavů přechodných a C1 , C2 , . . . jsou disjunktnı́ uzavřené nerozložitelné množiny
stavů trvalých.
Je-li množina stavů S konečná, potom matice pravděpodobnostı́ přechodů (po eventuálnı́m
přečı́slovánı́ stavů) má tvar
P1 0 ... 0 0
0 P2 ... 0 0
.. .
.. .
. .. ,
P = . ... . .
0 0 ... Pr 0
Q1 Q2 . . . Qr Qr+1
kde P 1 , . . . , P r jsou čtvercové matice pravděpodobnostı́ přechodů mezi trvalými stavy v jed-
notlivých podřetězcı́ch C1 , . . . , Cr a Q1 , . . . , Qr+1 obsahujı́ pravděpodobnosti přechodu ze stavů
přechodných. (Analogický rozklad si lze představit i pro matici pravděpodobnostı́ přechodů v řetězci
se spočetně mnoha stavy. !! Ale každá ze skupin může být nekonečná ! Musı́ se tedy použı́t inde-
xovánı́ ordinálnı́mi čı́sly !!).
Existenci trvalých stavů v řetězci s konečně mnoha stavy zaručuje následujı́cı́ věta.
Věta 2.90: V řetězci s konečně mnoha stavy nemohou být všechny stavy přechodné.
64 NP1-poznámky February 28, 2021:569
Důkaz. Předpokládejme, že všechny stavy jsou přechodné. Potom podle tvrzenı́ (i) ve Větě 2.74
(n)
platı́ pi,j → 0 při n → ∞ ∀ i , j ∈ S. Odtud
(n) (n)
X X
lim pi,j = lim p = 0, ∀ i ∈ S,
n→∞ n→∞ i,j
j ∈S j ∈S
n o
(n)
což je spor, nebot’ matice P (n) = pi,j , i , j ∈ S je stochastická a jejı́ řádkové součty jsou rovny
jedné.
Přı́klad 2.91: V řetězci s nekonečně mnoha stavy mohou být všechny stavy přechodné. Uvažujme
stejně jako v Přı́kladě 2.83 řetězec s množinou stavů S = {1, 2, 3, . . .}, s počátečnı́m rozdělenı́m
> (n)
p = (1, 0, 0, . . . ) a s pravděpodobnostmi přechodu pi,i+1 = 1, i ≥ 1. Potom pi,i = 0 ∀ i ∈ S a
P+∞ (n)
∀ n ≥ 1, tedy n=1 pi,i = 0 < ∞ pro každý stav i ∈ S. Všechny stavy jsou přechodné.
Věta 2.92: V homogennı́m Markovově řetězci s diskrétnı́m časem s konečně mnoha stavy neexis-
tujı́ trvalé nulové stavy.
Důkaz. Necht’ i je trvalý nulový stav a C je množina stavů dosažitelných z i . Potom podle Věty 2.89
je C uzavřená nerozložitelná množina trvalých nulových stavů, která definuje podřetězec s maticı́
(n)
pravděpodobnostı́ přechodů P C = {pi,j , i , j ∈ C}. Podle Věty 2.74 (iv) pi,j → 0 ∀i , j ∈ C. Jelikož
C je konečná
(n) (n)
X X
lim pi,j = lim p = 0, i ∈ C,
n→∞ n→∞ i,j
j ∈C j ∈C
n o
(n) (n)
což je spor, nebot’ P C i P C = pi,j , i , j ∈ S jsou stochastické matice.
Věta 2.93: V nerozložitelném řetězci s konečně mnoha stavy jsou všechny stavy trvalé nenulové.
S = T ∪ C1 ∪ C2 ∪ . . . ,
τ = inf {n ≥ 0 : Xn ∈
/ T}, (2.61)
která značı́ čas prvnı́ho výstupu z množiny přechodných stavů T . Zřejmě τ je náhodná veličina
nabývajı́cı́ hodnot 0, 1, . . . a ∞. Nevlastnı́ hodnotu ∞ může nabývat s kladnou pravděpodobnostı́,
jako v Přı́kladě 2.91, kde T = S a tudı́ž Pi (τ = ∞) = 1 ∀ i ∈ S.
Věta 2.94: V homogennı́m Markovově řetězci s diskrétnı́m časem a konečně mnoha stavy je
Pi (τ = ∞) = 0 pro každé i ∈ T .
nebot’ je-li stav j přechodný, platı́ podle Věty 2.67 Pi (Nj = ∞) = 0. (Připommı́náme, že Nj značı́
počet návštěv stavu j po čase 0.)
Náhodná veličina Xτ označuje ten stav, do kterého řetězec vstoupı́, jakmile opustı́ množinu
přechodných stavů T , tj. v náhodném čase τ . Pokud řetězec množinu přechodných stavů neopustı́,
klademe Xτ = ∞.
Definujme pravděpodobnosti
Významem ui,j je pravděpodobnost, že řetězec, který byl na počátku v přechodném stavu i , opustı́
množinu přechodných stavů a přejde do trvalého stavu j .
(n)
Obdobně ui,j je pravděpodobnost, že k tomuto přechodu dojde právě v čase n.
Je-li j absorpčnı́ stav, potom ui,j je pravděpodobnost, že řetězec, který byl na počátku v přechodném
stavu i , je absorbován stavem j .
Je-li Ck nějaká uzavřená nerozložitelná množina stavů trvalých, potom pravděpodobnost, že
řetězec, který vycházı́ z i , po opuštěnı́ množiny přechodných stavů setrvá v množině Ck , budeme
označovat
X
ui (Ck ) = Pi (Xτ ∈ Ck ) = ui,j . (2.63)
j ∈Ck
Ukažme nynı́, jak lze pravděpodobnosti ui,j počı́tat pomocı́ pravděpodobnostı́ přechodu.
66 NP1-poznámky February 28, 2021:569
(n)
Pro pravděpodobnosti ui,j platı́
(0)
ui,j = Pi (Xτ = j , τ = 0) = 0, nebot’ τ ≥ 1,
(1)
ui,j = Pi (Xτ = j , τ = 1) = Pi (X1 = j , τ = 1) = Pi (X1 = j ) = pi,j .
Dostáváme tedy
∞ ∞ ∞ X
(n) (n) (n−1)
X X X
ui,j = ui,j = ui,j = pi,j + pi,ν uν,j
n=0 n=1 n=2 ν∈T
∞
(n−1)
X X X
= pi,j + pi,ν uν,j = pi,j + pi,ν uν,j .
ν∈T n=2 ν∈T
Vztah (2.64) můžeme vyjádřit i maticově. U řetězce s konečně stavy můžeme matici pravdě-
podobnostı́ přechodů (po eventuálnı́m přečı́slovánı́ stavů ) psát ve tvaru
∗
P 0
P = , (2.65)
Q R
Petr Lachout February 28, 2021:569 67
U = Q + RU , (2.66)
přı́padně
(I − R) U = Q, (2.67)
kde I je jednotková matice stejného řádu jako R.
Pokud má Markovův řetězec konečně přechodných stavů a když k matici I − R existuje matice
inverznı́, potom existuje jediné řešenı́ této soustavy
U = (I − R)−1 Q. (2.68)
Věta 2.96: Uvažujme homogennı́ Markovův řetězec s diskrétnı́m časem. Necht’ množina jeho
přechodných stavů T je konečná. Potom matice I − R je regulárnı́ a platı́
∞
X
−1
(I − R) = Rk .
k =0
Důkaz. Je-li množina T konečná, je R konečná čtvercová matice obsahujı́cı́ jen pravděpodobnosti
přechodu mezi stavy přechodnými. n o
(n) (n)
Z rozkladu (2.65) plyne, že Rn = pi,j , i , j ∈ T . Podle Věty 2.74 pi,j → 0 při n → ∞ ∀ i , j ∈
T, tedy Rn konverguje s rostoucı́m n k nulové matici.
Zbytek tvrzenı́ plyne z Věty B.3 v Přı́loze B.
Poznámka. Matice F = (I − R)−1 = {ϕi,j , i , j ∈ T } se nazývá fundamentálnı́ matice Markovova
P∞ (n)
řetězce. Pro jejı́ prvky platı́ ϕi,j = n=0 pi,j .
t
Přı́klad 2.97: Student vysoké školy během studia úspěšně ukončı́ ročnı́k a postoupı́ do dalšı́ho
ročnı́ku s pravděpodobnostı́ p, opakuje ročnı́k s pravděpodobnostı́ r a zanechá studia s pravděpo-
dobnostı́ q, kde p + q + r = 1. Předpokládáme, že pravděpodobnosti p, q, r jsou konstantnı́. Potom
lze výsledky studia v jednotlivých ročnı́cı́ch popsat Markovovým řetězcem s množinou stavů 1–
zanechánı́ studia, 2–úspěšné ukončenı́ studia, 3–studium 1.ročnı́ku, atd., 7– studium 5.ročnı́ku.
Matice pravděpodobnostı́ přechodů má tvar
1 0 0 0 0 0 0
0 1 0 0 0 0 0
q 0 r p 0 0 0
P = q 0 0 r p 0 0 ,
q 0 0 0 r p 0
q 0 0 0 0 r p
q p 0 0 0 0 r
68 NP1-poznámky February 28, 2021:569
stavy ”zanechánı́ studia”a ”úspěšné ukončenı́ studia”jsou absorpčnı́, ostatnı́ stavy jsou přechodné.
Máme
q 0 r p 0 0 0
q 0 0 r p 0 0
Q = q 0 ,
R= 0 0 r p 0
q 0 0 0 0 r p
q p 0 0 0 0 r
a
p2 p3 p4
p
1
p+q (p+q)2 (p+q)3 (p+q)4 (p+q)5
p p2 p3
1
0
p+q (p+q)2 (p+q)3 (p+q)4
F = 0 1 p p2 .
0 p+q (p+q)2 (p+q)3
1 p
0 0 0
p+q (p+q)2
1
0 0 0 0 p+q
u1 − q − pu2 = 0,
ui − qui−1 − pui+1 = 0, i = 2, . . . , a − 2, (2.69)
ua−1 − qua−2 = 0,
u0 = 1, ua = 0. (2.70)
tedy
i a
q
p − pq
ui = a , i = 1, . . . , a − 1.
q
1− p
Uvažujme ještě náhodnou veličinu Wj , která značı́ celkový počet časových okamžiků, které
řetězec strávı́ v přechodném stavu j . Zřejmě
(
Nj + 1, když X0 = j ,
Wj =
Nj , když X0 = i a i 6= j .
(0)
Jelikož pi,j = δi,j , dostáváme jednotný vzoreček
∞
(n)
X
Ei [Wj ] = pi,j pro i , j ∈ T.
n=0
70 NP1-poznámky February 28, 2021:569
Ei [Wj ] = ϕi,j , i , j ∈ T,
∞
(n)
X XX
Ei [W ] = Ei [Wj ] = ϕi,· 1 = pi,j pro i , j ∈ T,
j ∈T j ∈T n=0
>
kde ϕi,· je řádek matice F odpovı́dajı́cı́ počátečnı́mu stavu i a 1 = (1, 1, . . . , 1) (sloupcový
vektor.)
Zatı́m vı́me, že je-li S ( a tedy i T ) konečná množina, potom Pi (τ = ∞) = 0, i ∈ T a
soustava rovnic (2.64), resp. (2.66) má jediné řešenı́, které v maticovém tvaru je U = F Q, kde F
je fundamentálnı́ matice. V přı́padě, že S nenı́ konečná, může být, jak jsme ukázali na Přı́kladě
2.91, Pi (τ = ∞) > 0 a nabı́zı́ se také otázka, zda soustava (2.64) má jediné řešenı́. Tento problém
řešı́ následujı́cı́ věta.
Věta 2.99: Rozdělme množinu stavů homogennı́ho Markovova řetězce s diskrétnı́m časem na dvě
disjunktnı́ neprázdné skupiny A, B, tedy S = A ∪ B, A ∩ B = ∅, a uvažujme markovský čas
σ = inf {n ∈ N : Xn ∈
/ A} ,
který značı́ čas prvnı́ho výstupu z množiny stavů A, nebo-li čas prvnı́ho vstupu do množiny stavů
B. Potom je ekvivalentnı́:
(ii)
Pi (σ = ∞) = 0 pro každé i ∈ A. (2.73)
Sumy majı́ integrovatelnou majorantu, podle Lebesgueovy věty můžeme proto zaměnit pořadı́
limity a sumy. Tudı́ž
(n+1)
X X X
vi = lim vi = lim pi,ν vν(n) = pi,ν lim vν(n) = pi,ν vν .
n→∞ n→∞ n→∞
ν∈A ν∈A ν∈A
2. Necht’ 0 ≤ vei ≤ 1, i ∈ A je nějaké řešenı́ (2.72). Ukážeme, že vei ≤ vi pro všechna i ∈ A.
Platı́
(1)
X X
vei = pi,ν veν ≤ pi,ν = vi .
ν∈A ν∈A
(n)
Předpokládejme, že pro n ∈ N platı́ vei ≤ vi pro každé i ∈ A. Pak
(n+1)
X X
vei = pi,ν veν ≤ pi,ν vν(n) = vi .
ν∈A ν∈A
(n)
Indukcı́ jsme ukázali vei ≤ vi pro každé i ∈ A, n ∈ N.
Odtud limitnı́m přechodem
(n)
vei ≤ lim vi = vi , i ∈ A.
n→∞
Věta 2.100: Pro homogennı́ Markovův řetězec s diskrétnı́m časem s množinou stavů S a množinou
přechodných stavů T je následujı́cı́ ekvivalentnı́:
(iii) Pro τ čas prvnı́ho výstupu z množiny přechodných stavů T , viz (2.61), platı́
Pi (τ = ∞) = 0 ∀ i ∈ T. (2.75)
V Přı́kladě 2.91 jsme ukázali řetězec se spočetnou množinou stavů, které byly všechny přechodné.
Následujı́cı́ věta nám umožnı́ rozhodnout, zda v nerozložitelném řetězci s nekonečně mnoha stavy
jsou všechny stavy trvalé nebo všechny přechodné.
Věta 2.101: Uvažujme nerozložitelný homogennı́ Markovův řetězec s diskrétnı́m časem a stav
i0 ∈ S.
(i) Všechny stavy tohoto řetězce jsou trvalé tehdy a jen tehdy, když soustava rovnic
X
xi = pi,j xj , i = S \ {i0 } (2.76)
j ∈S\{i0 }
(ii) Všechny stavy tohoto řetězce jsou přechodné tehdy a jen tehdy, když (2.76) má netriviálnı́
řešenı́ s vlastnostı́ 0 ≤ xi ≤ 1 pro všechna i ∈ S \ {i0 }.
Důkaz. Využijeme věty 2.99 pro volbu A = S \ {i0 }, B = {i0 } a pro markovský čas
σ = inf {n ∈ N : Xn = i0 } .
Řetězec je nerozložitelný, proto jsou všechny stavy bud’ trvalé nebo přechodné.
Petr Lachout February 28, 2021:569 73
Tedy je splněno (2.73). Podle věty 2.99 platı́ (2.72) a tudı́ž (2.76) má jediné řešenı́ v [0, 1] a
to je triviálnı́.
2. Necht’ naopak jediné řešenı́ (2.76) v [0, 1] je triviálnı́.
Potom je splněno (2.72). Podle věty 2.99 platı́ (2.73).
Pak pro všechna i ∈ S \ {i0 } platı́
Tudı́ž stav i0 je trvalý. Protože řetězec je nerozložitelný, jsou všechny stavy trvalé.
Tı́m jsme ukázali ekvivalenci (i) této věty. Ekvivalence (ii) je vlastně přeformulovaná ekvivalence
(i), nebot’ ¬A ⇔ ¬B řı́ká to samé jako A ⇔ B .
V následujı́cı́m odstavci si ukážeme dalšı́ kritéria pro klasifikaci stavů a budeme se podrobněji
zabývat limitnı́mi vlastnostmi pravděpodobnostı́ přechodu.
Definice 2.104: Necht’ {Xn , n ∈ N0 } je homogennı́ Markovův řetězec s diskrétnı́m časem s množinou
stavů S a maticı́ pravděpodobnostı́ přechodů P . Necht’ α =P{αj , j ∈ S} je nějaké pravděpodob-
nostnı́ rozdělenı́ na množině S, tj. αj ≥ 0 pro každé j ∈ S, j ∈S αj = 1.
Potom α se nazývá limitnı́ rozdělenı́ daného řetězce, jestliže
kde
n n
n 1X k (n) 1 X (k)
P = P , P = P .
n n
k=1 k=1
Ukažme souvislost právě uvedeného pojmu s pojmem striktnı́ stacionarita procesu, který jsme
definovali v prvnı́ kapitole; Definice 1.7.
Věta 2.106: Necht’ počátečnı́ rozdělenı́ homogennı́ho Markovova řetězce s diskrétnı́m časem je
stacionárnı́ ve smyslu (2.77). Potom Markovův řetězec je striktně stacionárnı́ náhodný proces, viz
Definice 1.7. Speciálně, pro absolutnı́ pravděpodobnosti platı́
pj (n) = P (Xn = j ) = πj , j ∈ S,
t
Petr Lachout February 28, 2021:569 75
(2.6)
P (Xk = i0 , Xk+1 = i1 , . . . , Xk+n = in ) = pi0 (k) pi0 ,i1 . . . pin−1 ,in
(2.32) X (k)
= pj pj ,i0 pi0 ,i1 . . . pin−1 ,in
j ∈S
X (k) (2.79)
= πj pj ,i0 pi0 ,i1 . . . pin−1 ,in = πi0 pi0 ,i1 . . . pin−1 ,in
j ∈S
= P (X0 = i0 , X1 = i1 , . . . , Xn = in ) .
Věta 2.107: Limitnı́ rozdělenı́ homogennı́ho Markovova řetězce s diskrétnı́m časem je také jeho
stacionárnı́m rozdělenı́m.
Sčı́táme nezáporná čı́sla, proto můžeme použı́t Fatooovo lemma, viz Věta C.4. Zı́skáme tak pro
každé j ∈ S nerovnost
X X
αj = lim pj (n + 1) ≥ lim pk (n) pk ,j = αk pk ,j .
n→∞ n→∞
k ∈S k ∈S
Sečtenı́m nezáporných hodnot jsme dostali nulu, proto každá z nich musı́ být nulová. Tudı́ž jsme
zjistili
X
αj = αk pk ,j pro každé j ∈ S.
k ∈S
(i) Všechny jeho stavy jsou přechodné. Potom stacionárnı́ rozdělenı́ neexistuje.
(ii) Všechny jeho stavy jsou trvalé nulové. Pak stacionárnı́ rozdělenı́ neexistuje.
76 NP1-poznámky February 28, 2021:569
(iii) Všechny jeho stavy jsou trvalé nenulové. Pak stacionárnı́ rozdělenı́ existuje a je jediné;
označme je π.
a) Jsou-li všechny stavy neperiodické, potom platı́
(n)
πj = lim pi,j > 0, i, j ∈ S
n→∞
a rovněž
πj = lim pj (n) > 0, j ∈ S.
n→∞
Pokud by pro nějaké j platila předposlednı́ nerovnost ostře, muselo by po sečtenı́ být
∞ ∞ X ∞ ∞ ∞ ∞
X 1 X 1 X 1 X X 1
> pi,j = pi,j = ,
µ
j =0 j
µ
j =0 i=0 i
µ
i=0 i j =0
µ
i=0 i
(n)
P pevné j ∈ S máme integrovatelnou majorantu 0 ≤ πi pi,j ≤ πi pro každé i ∈ S,
Pro
i∈S πi = 1, proto podle Lebesgueovy věty limitnı́m přechodem n → ∞ dostaneme
X (n)
X (n)
X 1 1
πj = lim πi pi,j = πi lim pi,j = πi = .
n→∞ n→∞ µj µj
i∈S i∈S i∈S
n o
1 1
P
Pak musı́ platit j ∈S µj =1aπ= µi ,i ∈ S je stacionárnı́ rozdělenı́.
d) Necht’ v = {vj , j ∈ S} je stacionárnı́ rozdělenı́.
Potom pro každé j ∈ S, n ∈ N platı́
(n)
X
vj = vi pi,j .
i∈S
vi µ1j = 1
P
Odtud limitnı́m přechodem opět vj = i∈S .
nµj o
1
Existuje tedy jediné stacionárnı́ rozdělenı́ a to π = µi ,i ∈ S .
78 NP1-poznámky February 28, 2021:569
kde
>
π1 π2 ... π
π1 π2 . . . π >
Π= = .
.. .. .. ..
. . . .
t
Věta 2.109: V nerozložitelném řetězci s konečně mnoha stavy stacionárnı́ rozdělenı́ existuje.
t
Přı́klad 2.110: Uvažujme model havarijnı́ho pojištěnı́ z Přı́kladu 2.38. Ukázali jsme, že kategorie
pojistného Xn v n-tém pojistném obdobı́ tvořı́ Markovův řetězec se stavy 0, 1, 2, s počátečnı́m
>
rozdělenı́m p = (1, 0, 0) a maticı́ pravděpodobnostı́ přechodů
1 − a0 a0 0
P = 1 − a0 0 a0 ,
1 − a0 − a1 a1 a0
Je-li výše základnı́ho pojistného V, potom střednı́ výše pojistného, kterou pojištěný zaplatı́
v dlouhodobém časovém horizontu, je při uvedeném systému bonusů rovna
π0 V + 0, 7π1 V + 0, 5π2 V.
t
Přı́klad 2.111: Existence stacionárnı́ho rozdělenı́ lze užı́t jako kriteria ke klasifikaci stavů.
Uvažujme řetězec s množinou stavů S = {0, 1, . . .} a s maticı́ pravděpodobnostı́ přechodů
q p 0 0 ...
q 0 p 0 . . .
P = 0 q .
0 p . . .
.. .. .. .
. . . ..
Řetězec je nerozložitelný, všechny stavy jsou tedy stejného typu. Pokud stacionárnı́ rozdělenı́
existuje, musı́ být kladným řešenı́m soustavy rovnic
π0 = qπ0 + qπ1 ,
π1 = pπ0 + qπ2 ,
..
.
πj = pπj −1 + qπj +1 ,
..
.
x1 = px2 ,
xi = qxi−1 + pxi+1 , i ≥ 2.
pxi+1 − xi + qxi−1 = 0, i ≥1
s okrajovou podmı́nkou x0 = 0. To je stejná diferenčnı́ rovnice jako rovnice (2.71), jejı́ž řešenı́ jsme
určili v Přı́kladě 2.98. Zjistili jsme, že jejı́ obecné řešenı́ je
i
q
xi = c1 + c2 , p 6= q,
p
xi = c1 + i c2 , p = q.
80 NP1-poznámky February 28, 2021:569
1 1 1
π0 = π0 + π1 + π2 + . . . ,
2 3 4
j 1
πj = πj −1 = π0 , j = 1, 2 . . .
j +1 j +1
P∞ P∞ 1
Protože j =0 πj = π0 j =0 j +1 nekonverguje pro žádné π0 > 0, neexistuje žádné kladné řešenı́
(2.77). Protože řetězec je nerozložitelný, musı́ být všechny stavy bud’ přechodné, nebo všechny
trvalé nulové. Opět můžeme rozhodnout podle Věty 2.101. (Soustava (2.76)) je
j +1
xj = xj +1 , j = 1, 2 . . . ,
j +2
odtud
j +1
xj = x1 , j = 1, 2 . . .
2
a jediné řešenı́ v intervalu [0, 1] je xj = 0, ∀j . Všechny stavy jsou trvalé nulové (a neperiodické,
nebot’ p0,0 > 0).
t
Petr Lachout February 28, 2021:569 81
kde τj (k ) je čas k -tého návratu do stavu j . Vzhledem k tomu, že řetězec je nerozložitelný a všechny
stavy jsou trvalé, je Pi (τj (k ) < ∞) = 1 ∀i , j ∈ S, ∀k = 1, 2 . . . .
Nynı́ můžeme dokázat analogii silného zákona velkých čı́sel pro relativnı́ četnost návratů do
stavu j .
Nj (n)
→ πj při n → ∞ skoro jistě (též, s pravděpodobnostı́ 1)
n
pro každé j ∈ S.
t
Důkaz. Necht’ j ∈ S, ε > 0. Pak pro n ∈ N taková, že nε ≥ 2, platı́ tyto vztahy mezi náhodnými
jevy:
Nj (n)
− πj < ε = [Nj (n) < n(πj + ε)] = [Nj (n) < Zn ] ,
n
kde jsme pro zjednodušenı́ zápisu jako Zn označili nejmenšı́ celé čı́slo vetšı́ nebo rovné n(πj + ε);
tedy Zn = n(πj + ε) + θn ∈ N, 0 ≤ θn < 1. Potom dále
τj (Zn ) n τj (Zn ) n
[Nj (n) < Zn ] = [τj (Zn ) > n] = > = >
Zn Zn Zn n(πj + ε) + θn
τj (Zn ) 1 τj (Zn ) 1 ε
⊃ > = − >− .
Zn πj + ε Zn πj πj (πj + ε)
PZ
Vı́me, že pro Z ∈ N je τj (Z ) = k =1 Tj ,k , kde Tj ,1 , Tj ,2 , . . . , Tj ,Z jsou podle Věty 2.65 nezávislé
náhodné veličiny, nebot’ stav j je trvalý. Pokud řetězec vycházı́ ze stavu j , majı́ podle Věty 2.64
náhodné veličiny Tj ,1 , Tj ,2 , . . . , Tj ,Z všechny stejné rozdělenı́ s konečnou střednı́ hodnotou µj = π1j .
Proto pro ně platı́ silný zákon velkých čı́sel
τj (Z ) 1
→ pro Z → ∞ skoro jistě (též, s pravděpodobnostı́ 1) (2.81)
Z πj
82 NP1-poznámky February 28, 2021:569
Protože Zn → ∞ při n → ∞, plyne odtud, že ∀ ε > 0, ∀ δ > 0 ∃ n0 = n0 (ε, δ) tak, že
Nj (n)
P − πj < ε ∀ n > n0 > 1 − δ.
n
Podobnými úvahami dospějeme k závěru, že ∀ ε > 0, ∀ δ > 0 ∃ n1 = n1 (ε, δ) tak, že
Nj (n)
P − πj > −ε ∀ n > n1 > 1 − δ.
n
Uvažujme opět nerozložitelný řetězec s trvalými nenulovými stavy (střednı́ doba návratu µj do
stavu j je konečná) a předpokládejme, že také rozptyly doby návratu je kladný a konečný. Potom
lze dokázat analogii centrálnı́ limitnı́ věty pro četnost návratů do stavu j .
σ2
n
Věta 2.114 nám řı́ká, že náhodná veličina Nj (n) má “přibližně” normálnı́ rozdělenı́ N µj , n µj3 .
j
Důkaz. Větu dokážeme podrobně jen pro přı́pad, že řetězec vycházı́ ze stavu j .
Vzhledem k tomu, že Nj (n) je celočı́selná náhodná veličina, platı́
Nj (n) − µnj
P q ≤ x = P (Nj (n) < rn ) ,
nσj2 /µ3j
q
n
kde rn je nejmenšı́ celé čı́slo většı́ než µj + x σj n/µ3j , tj.
s
n n
rn = + x σj + θn ∈ N, 0 < θn ≤ 1.
µj µ3j
Dále,
τj (rn ) − rn µj n − rn µj
P (Nj (n) < rn ) = P (τj (rn ) > n) = P √ > √
σj rn σj rn
Petr Lachout February 28, 2021:569 83
kde 0 < a < 1, 0 < b < 1. Řetězec je nerozložitelný, oba stavy jsou trvalé nenulové a v řetězci
existuje jediné stacionárnı́ rozdělenı́. Řešenı́m soustavy (2.77) dostaneme
b a
π0 = , π1 = .
a+b a+b
Rozdělenı́ dob návratu do stavu 0, tj. náhodné veličiny τ0 (1) = T0,1 a náhodných veličin
T0,2 = τ0 (2) − τ0 (1) , . . . , je dáno Větou 2.62. Přı́mým výpočtem dostaneme
(n)
P ( T0,1 = n| X0 = 0) = P0 (τ0 (1) = n) = f0,0 ,
kde
(
(n) 1 − a, n = 1,
f0,0 = n−2
ab(1 − b) , n = 2, 3, 4, . . . .;
(n)
stačı́ si uvědomit, že v tomto přı́padě f0,0 = P ( X1 = 1, . . . , Xn−1 = 1, Xn = 0| X0 = 0). Podobně
(n)
P ( T0,1 = n| X0 = 1) = P1 (τ0 (1) = n) = f1,0 ,
kde
(n)
f1,0 = b(1 − b)n−1 pro každé n ∈ N.
1 Havránek, T. a kol. (1981): Matematika pro biologické a lékařské vědy, Academia, Praha
84 NP1-poznámky February 28, 2021:569
Vycházı́-li řetězec
n oze stavu 0, jsou náhodné veličiny T0,1 , T0,2 , . . . nezávislé a stejně rozdělené
(n)
s rozdělenı́m f0,0 . Střednı́ hodnota a rozptyl tohoto rozdělenı́ jsou
1 a+b a(2 − a − b)
µ0 = = , σ02 = .
π0 b b2
n o
(n) 1
Vycházı́-li řetězec ze stavu 1, má náhodná veličina T0,1 rozdělenı́ f1,0 se střednı́ hodnotou b a
1−b
rozptylem b2 .
Náhodná veličina N0 (n), která v našem přı́padě udává počet odpovědı́ typu 0 v prvnı́ch n
pokusech, tedy má při dostatečně velkém počtu pokusů přibližně normálnı́ rozdělenı́
nb nab(2 − a − b)
N , .
a+b (a + b)3
v (n) = q + P v (n − 1) , n ∈ N, (2.83)
Důkaz. Realizace [X0 = i , X1 = i1 , . . . , Xn = in ] dává výnos zi,i1 + zi1 ,i2 + · · · + zin−1 ,in a pravděpo-
dobnost této realizace je pi pi,i1 · . . . · pin−1 ,in . Střednı́ výnos za n obdobı́ při počátečnı́m stavu i je
Petr Lachout February 28, 2021:569 85
tedy roven
X X
vi (n) = ··· zi,i1 + zi1 ,i2 + · · · + zin−1 ,in pi,i1 . . . pin−1 ,in
i1 ∈S in ∈S
"
X X X
= pi,i1 zi,i1 ··· pi1 ,i2 . . . pin−1 ,in +
i1 ∈S i2 ∈S in ∈S
#
X X
+ ··· zi1 ,i2 + · · · + zin−1 ,in pi1 ,i2 . . . pin−1 ,in
i2 ∈S in ∈S
X X X
= pi,i1 zi,i1 + pi,i1 vi1 (n − 1) = qi + pi,i1 vi1 (n − 1) ,
i1 ∈S i1 ∈S i1 ∈S
P
kde qi = j pi,j zi,j = vi (1) je střednı́ výnos za jedno obdobı́, když řetězec je na jeho počátku ve
stavu i ∈ S.
Nynı́ využijme předpokladu, že řetězec je nerozložitelný, s ergodickými stavy. Z toho zejména
plyne existence stacionárnı́ho rozdělenı́. Označme
>
π
Π = ... , (2.84)
π>
P k → Π pro k → ∞.
(P − Π)2 = P 2 − ΠP − P Π + Π2 = P 2 − Π
(P − Π)k = P k − Π.
(P − Π)k = P k − Π → 0 pro k → ∞.
86 NP1-poznámky February 28, 2021:569
Je tudı́ž
∞
X ∞
X
k
(P − Π) = I − Π + (P k − Π) = (I − (P − Π))−1 − Π
k =0 k =1
Poznámka. Pro dostatečně velké n lze zanedbat člen s (P − Π)n , takže (2.85) lze přibližně psát
jako
Přı́klad 2.118: Výrobce limonád pravidelně sleduje prodejnost nového výrobku na domácı́m
trhu. Výrobek hodnotı́ v každém sledovaném obdobı́ jakou úspěšný (stav 0) nebo neúspěšný (stav
1), přičemž lze předpokládat, že úspěšnost či neúspěšnost prodeje v daném obdobı́ je ovlivněna jen
tı́m, jak se výrobek prodával v předchozı́m obdobı́ a dynamika prodeje je popsána Markovovým
řetězcem. Předpokládejme, že matice pravděpodobnostı́ přechodů je
0, 8 0, 2
P =
0, 3 0, 7
Dosud jsme předpokládali, že výnosy (náklady) spojené s realizacı́ řetězce v dalšı́m obdobı́ se
kalkulujı́ na konci předcházejı́cı́ho obdobı́, tj. v čase 0 na prvnı́ obdobı́, v čase 1 na druhé obdobı́
atd. Předpokládejme nynı́, že kapitál je úročen a uvažujme tyto výnosy (náklady) přepočtené
k počátečnı́mu okamžiku: jestliže se uskutečnı́ přechod ze stavu i v čase k do stavu j v čase k + 1 a
toto oceněnı́ má v čase k hodnotu zi,j , potom oceněnı́ tohoto přechodu přepočı́tané k počátečnı́mu
okamžiku je β k zi,j , kde 0 < β < 1 je odúročitel (diskontnı́ faktor). Střednı́ výnos za n obdobı́
diskontovaný k počátečnı́mu okamžiku je (v přı́padě, že řetězec je na počátku ve stavu i )
X X X
zi,i1 + βzi1 ,i2 + · · · + β n−1 zin−1 ,in pi,i1 pi1 ,i2 . . . pin−1 ,in
vi (n) = ···
i1 ∈S i2 ∈S in ∈S
" #
X X X
n−2
= pi,i1 zi,i1 + β ··· zi1 ,i2 + βzi2 ,i3 + · · · + β zin−1 ,in pi1 ,i2 . . . pin−1 ,in
i1 ∈S i2 ∈S in ∈S
X X X
= pi,i1 zi,i1 + β pi,i1 vi1 (n − 1) = qi + β pi,i1 vi1 (n − 1) ,
i1 ∈S i1 ∈S i1 ∈S
maticově
a dále
Protože 0 < β < 1 a P k → Π, konverguje matice β k P k k nulové matici. Podle Vět B.5 a B.3 tedy
n−1
X ∞
X ∞
X
v (n) = k
β P q= k k
β P q− k
β k P k q = (I − βP )−1 q − β n (I − βP )−1 P n q
k =0 k =0 k =n
a
n−1
X ∞
X
lim v (n) = lim βk P k q = β k P k q = (I − βP )−1 q.
n→∞ n→∞
k =0 k =0
88 NP1-poznámky February 28, 2021:569
X
vi (m, H) = ki (m) qj + ki (m) pi,j vj (m + 1, H) , (2.89)
j ∈S
kde
X
ki (m) qj = ki (m) pi,j ki (m) zi,j (2.90)
j ∈S
pro všechna m = H − 1, H − 2, . . . , 1.
Potom vbi (0, H) je maximálnı́ střednı́ výnos v horizontu H, když řetězce byl na začátku ve stavu
in, a o
k (n) , n ∈ {0, 1, . . . , H − 1} je přı́slušné optimálnı́ řı́zenı́ řetězce.
b
t
Petr Lachout February 28, 2021:569 89
Dále, jestliže vi (m, H) ≤ vbi (m, H) pro nějaké m < H − 1, potom také
vi (m − 1, H) ≤ vbi (m − 1, H) ,
nebot’
X
vi (m − 1, H) = ki (m−1) qi + ki (m−1) pi,j vj (m, H)
j ∈S
X
≤ ki (m−1) qi + ki (m−1) pi,j vbj (m, H)
j ∈S
X
≤ max qi + k pi,j vbj (m, H) : k ∈ {1, 2, . . . , K}
k
j ∈S
X
= ki (m−1) qi
b + ki (m−1) pi,j
b vbj (m, H) = vbi (m − 1, H) .
j ∈S
Tedy vi (m, H) ≤ vbi (m,nH) pro všechna m = 0, 1, . . o. , H − 1. Odtud vbi (0, H) je maximálnı́ střednı́
výnos v horizontu H a k (n) , n = {0, 1, . . . , H − 1} je optimálnı́ řı́zenı́ řetězce.
b
Cvičenı́ 2.126: Je dán Galtonův-Watsonův proces větvenı́ popsaný v Přı́kladech 1.23 a 2.35.
Necht’ počet jedinců X1 prvnı́ generace má rozdělenı́ {pj , j ≥ 0} s vytvořujı́cı́ funkcı́ P1 , střednı́
hodnotou µ1 a rozptylem σ12 .
Dokažte, že pro počet jedinců Xn n−té generace platı́
EXn = µn = µn1 ,
(
nσ12 , µ1 = 1,
var Xn = σn2 = µn −1
σ12 µ1n−1 µ11 −1 , µ1 6= 1.
Návod:
Dokažte, že vytvořujı́cı́ funkce Pn náhodné veličiny Xn splňuje rekurentnı́ vztah
Cvičenı́ 2.127: Necht’ X = {Xn , n ∈ N0 } je počet jedinců n-té generace v Galtonově - Watsonově
procesu větvenı́ z Přı́kladů 1.23 a 2.35. Necht’ P (X0 = 1) = 1 a X1 má rozdělenı́ P (X1 = 0) =
P (X1 = 1) = P (X1 = 2) = 31 a pro j ≥ 3 je P (X1 = j ) = 0. Spočtěte pravděpodobnosti přechodů
pi,j v řetězci X.
t
Petr Lachout February 28, 2021:569 91
Cvičenı́ 2.130: Uvažujme posloupnost bernoulliovských pokusů s výsledky zdar - nezdar, pravdě-
podobnost zdaru budiž p, 0 < p < 1, pravděpodobnost nezdaru q = 1 − p. Definujme náhodné
veličiny Xn , n ≥ 1 tı́mto předpisem:
Xn = 0, když n−tý pokus skončil nezdarem, Xn = k , když (n − k)−tý pokus skončil nezdarem
a pokusy (n − k + 1)−nı́ až n−tý zdarem (1 ≤ k ≤ n − 1) a Xn = n, jestliže pokusy prvnı́ až n−tý
skončily zdarem.
Dokažte, že {Xn , n ≥ 1} je Markovův řetězec se stavy 0, 1 . . . s pravděpodobnostı́ přechodu
q p 0 0 ...
q 0 p 0 . . .
P = q
.
0 0 p . . .
... ... ... ... ...
P = 21 0 12 .
1 1
2 2 0
S pomocı́ Perronova vzorce (Přı́loha B, Věta B.10) spočtěte matici P n pravděpodobnostı́
přechodů n−tého řádu.
92 NP1-poznámky February 28, 2021:569
Cvičenı́ 2.142: Najděte stacionárnı́ rozdělenı́ v řetězci popsaném v Přı́kladě 2.38. Porovnejte
výsledek s limitnı́m rozdělenı́m.
t
Dokažte tuto větu: Necht’ je dán nerozložitelný Markovův řetězec s maticı́ pravděpodobnostı́
přechodů, která je dvojně stochastická. Je-li řetězec konečný, je stacionárnı́ rozdělenı́ rovnoměrné,
1
t.j. πj = M , 1 ≤ j ≤ M, kde M je počet stavů. Je-li řetězec nekonečný, stacionárnı́ rozdělenı́
neexistuje. (Dupač, Dupačová, I (1975).)
t
je invariantnı́ mı́ra řetězce X, viz Definice 2.102, a platı́ 0 < γji < ∞ ∀j ∈ S a γii = 1. Tato
invariantnı́ mı́ra je jediná až na multiplikativnı́ konstantu. (Je zřejmé, že γji udává průměrný počet
vstupů do stavu j mezi dvěma vstupy do stavu i .)
Ukažte, že
X
γji = Ei [τi (1)] ,
j ∈S
γji < ∞.
P
tedy stacionárnı́ rozdělenı́ v uvažovaném řetězci existuje právě tehdy, když j ∈S
Návod:
Jelikož i je trvalý, je Pi (τi (1) < ∞) = 1. Protože X0 = i , Xτi (1) = i , je
∞
X ∞
X
γii = Pi (Xn = i , τi (1) ≥ n) = Pi (τi (1) = n) = Pi (τi (1) < ∞) = 1
n=1 n=1
Petr Lachout February 28, 2021:569 95
a pro j 6= i
∞
X ∞ X
X
γji = Pi (Xn = j , τi (1) ≥ n) = Pi (X1 = j , τi (1) ≥ 1) + Pi (Xn = j , Xn−1 = k , τi (1) ≥ n)
n=1 n=2 k 6=i
∞ X
X
= Pi (X1 = j ) + Pi (Xn = j |Xn−1 = k , τi (1) ≥ n ) Pi (Xn−1 = k , τi (1) ≥ n) .
n=2 k 6=i
Zjistili jsme, že vektor γ i splňuje rovnici (2.77). Z definice je tento vektor nezáporný, je tudı́ž
invariantnı́ mı́rou řetězce X.
(M ) (N )
Protože řetězec je nerozložitelný, existujı́ M , N přirozená taková, že pi,j > 0 a pj ,i > 0.
> > > > > >
= γ i P M = γ i P (M ) , γ i = γ i P N = γ i P (N ) dostáváme
Jelikož γ i
(M ) (M ) (M )
X
γji = pk ,j γki ≥ pi,j γii = pi,j ,
k ∈S
(N ) (N )
X
1 = γii = pk ,i γki ≥ pj ,i γji .
k ∈S
(M ) 1
Odkud plyne, že pro j 6= i platı́ 0 < pi,j ≤ γji ≤ (N ) < ∞. Zbytek tvrzenı́ plyne z Věty A.4,
pj ,i
Přı́loha A a Věty 2.108.
t
96 NP1-poznámky February 28, 2021:569
Kapitola 3
pro všechna i , j , i1 , . . . , in ∈ S a pro všechna 0 ≤ t1 < t2 < · · · < tn < s < t, pro která
P (Xs = i , Xtn = in , . . . , Xt1 = i1 ) > 0.
t
Tato definice je analogická ekvivalentnı́ definici Markovova řetězce s diskrétnı́m časem v Větě
2.15. Vztah (3.1) se nazývá markovská vlastnost (ang. Markov property).
Spojitý čas na rozdı́l od času diskrétnı́ho připouštı́ velkou volnost v chovánı́ trajektoriı́ náhodných
procesů. Vlastnost (3.1) se proto ukazuje “slabou”, splňuje ji řada náhodných procesů, které nemajı́
hezké vlastnosti; různým způsobem explodujı́, jejich trajektorie nemusı́ být měřitelné funkce, atd.
Budeme proto ke splněnı́ markovské vlastnosti postupně přidávat dalšı́ požadavky, až vybereme
třı́du procesů, které jsou jistým způsobem regulárnı́, a na tu se soustředı́me.
97
98 NP1-poznámky February 28, 2021:569
Definice 3.4: Řekneme, že X = {Xt , t ≥ 0} Markovův řetězec se spojitým časem je homogennı́,
jestliže pro každé i , j ∈ S, s ≥ 0, u ≥ 0, t ≥ 0, P (Xs = i ) > 0, P (Xu = i ) > 0 platı́
pi,j (s, s + t) = pi,j (u, u + t).
V takovém přı́padě tyto pravděpodobnosti přechodů budeme označovat pi,j (t) a budeme je sdružovat
do matic pravděpodobnostı́ přechodů P (t) = {pi,j (t), i , j ∈ S}, t ≥ 0.
t
Dále se budeme zabývat jen homogennı́mi Markovovými řetězci se spojitým časem.
t
Pro každé i , j ∈ S tedy budeme uvažovat celý systém pravděpodobnostı́ přechodů {pi,j (t), t ≥ 0},
neboli celý systém matic pravděpodobnostı́ přechodů {P (t), t ≥ 0}. Pokud nedojde k nedoro-
zuměnı́, budeme v dalšı́m textu přı́vlastek homogennı́“ vynechávat.
”
Podobně jako ve Větě 2.23 lze ukázat, že všechna konečněrozměrná rozdělenı́ homogennı́ho
Markovova řetězce se spojitým časem X = {Xt , t ≥ 0} jsou určena počátečnı́mi pravděpodobnostmi
p (0) = {pi (0) , i ∈ S} a systémem matic pravděpodobnostı́ přechodů {P (t), t ≥ 0}. Uved’me si
obecnějšı́ verzi této vlastnosti.
Věta 3.6: Necht’ X = {Xt , t ≥ 0} je homogennı́ Markovův řetězec se spojitým časem, pak pro
libovolné časové okamžiky 0 ≤ t0 < t1 < t2 < · · · < tn a libovolná i0 , i1 , . . . , in ∈ S platı́
P (Xt0 = i0 , Xt1 = i1 , . . . , Xtn = in ) = pi0 (t0 ) pi0 ,i1 (t1 − t0 )pi1 ,i2 (t2 − t1 ) . . . pin−1 ,in (tn − tn−1 ). (3.2)
t
Odtud dostáváme dalšı́ vlastnosti.
maticově
> >
p (t) = p (0) P (t).
Petr Lachout February 28, 2021:569 99
• Pro každé s ≥ 0, t ≥ 0, i , j ∈ S je
X
pi,j (s + t) = pi,k (s)pk ,j (t), (3.4)
k ∈S
maticově
P (s + t) = P (s)P (t),
Definice 3.8: Necht’ Q je nejvýše spočetná množina a pro každé t ≥ 0 je dána stochastická
matice A (t) = {Ai,j (t) , i , j ∈ Q}, tj. splňuje (2.22). Řekneme, že systém stochastických matic
{A (t) , t ≥ 0} je konzistentnı́ (ang. consistent), jestliže
i) A (0) = I.
ii) A (s + t) = A (s) A (t) pro každé s, t ≥ 0.
Věta 3.9: Necht’ Q je diskrétnı́ nejvýše spočetná množina, a = {ai , i ∈ Q} je stochastický vektor,
tj. splňuje (2.21), a pro každé t ≥ 0 je dána stochastická matice A (t) = {Ai,j (t) , i , j ∈ Q}, tj.
splňuje (2.22). Když je systém stochastických matic {A (t) , t ≥ 0} konzistentnı́, pak existuje homo-
gennı́ Markovův řetězec se spojitým časem X = {Xt , t ≥ 0} s množinou stavů S ⊂ Q, počátečnı́m
rozdělenı́m p = {ai , i ∈ S} a se systémem matic pravděpodobnostı́ přechodů P = {P (t), t ≥ 0},
kde P (t) = {Ai,j (t) , i , j ∈ S}.
t
Důkaz. Bez újmy na obecnosti uvažujme Q = N0 (Jinak bychom stavy doplnili, aby jich bylo
spočetně, a očı́slovali. Vektor a bychom doplnili nulami a matice A (t) bychom vhodně doplnili
tak, aby byly stochastické a tvořili konzistentnı́ systém.)
Pro k ∈ N, 0 ≤ s1 ≤ s2 ≤ · · · ≤ sk můžeme tedy definovat distribučnı́ funkci Hs1 ,s2 ,...,sk
předpisem
+∞ bx
X X 1c bxk c
X
Hs1 ,s2 ,...,sk (x1 , x2 , . . . , xk ) = ··· ai0 Ai0 ,i1 (s1 ) Ai1 ,i2 (s2 − s1 ) . . . Aik −1 ,ik (sk − sk −1 )
i0 =0 i1 =0 ik =0
pro každé x1 , x2 , . . . , xk ∈ R.
Systém distribučnı́ch funkcı́ { Gt1 ,t2 ,...,tk , t1 , t2 , . . . , tk ≥ 0} je konzistentnı́, proto podle Věty 1.4
existuje reálný náhodný proces X = {Xt , t ≥ 0}, jehož rozdělenı́ je jednoznačně určeno a splňuje
P (X0 = i0 , Xs1 = i1 , . . . , Xsk = ik ) = ai0 Ai0 ,i1 (s1 ) Ai1 ,i2 (s2 − s1 ) . . . Aik −1 ,ik (sk − sk −1 ) (3.5)
pro všechna k ∈ N0 , i0 , i1 , . . . , ik ∈ N0 , 0 ≤ s1 ≤ s2 ≤ · · · ≤ sk .
a) Z (3.5) pro t ≥ 0 dostáváme
+∞ X
X +∞ +∞ X
X +∞
P (Xt ∈ N0 ) ≥ P (X0 = i , Xt = j ) = ai Ai,j (t) = 1 .
i=0 j =0 i=0 j =0
Tudı́ž pro každé t ≥ 0 je P (Xt ∈ N0 ) = 1. To ale znamená, že množina stavů procesu X je
S ⊂ N0 .
b) Zúženı́m (3.5) dostaneme (3.1), tj.
P (X0 = i0 , X1 = i1 , . . . , Xk = ik ) = ai0 Ai0 ,i1 . . . Aik−1 ,ik = pi0 pi0 ,i1 . . . pik−1 ,ik
pro i0 , i1 , . . . , ik ∈ S, k ∈ N0 .
c) Když i ∈ N0 , ai > 0, pak i ∈ S, podle Lemmatu 1.2. Proto, když i ∈ N0 \ S, pak ai = 0.
Tudı́ž p splňuje (2.20), nebot’
X X +∞
X
pi = ai = ai = 1 .
i∈S i∈S i=0
Zjistili jsme, že proces X je homogennı́ Markovův řetězec se spojitým časem, s počátečnı́m rozdělenı́m
p = {ai , i ∈ S} a se systémem matic pravděpodobnostı́ přechodů P = {P (t), t ≥ 0},
kde P (t) = {Ai,j (t) , i , j ∈ S}.
Pravděpodobnosti přechodů nemusı́ být, bez dalšı́ch předpokladů, spojité. Abychom tuto anomálii
vyloučili budeme přidávat následujı́cı́ požadavek.
t
Předpoklad znamená, že pravděpodobnosti přechodů pi,i jsou spojité zprava v bodě 0. Ukážeme,
že i pravděpodobnosti přechodů pi,j jsou spojité zprava v bodě 0 pro různé stavy i , j ∈ S.
Dokážeme však vı́ce.
Věta 3.11: Uvažujme homogennı́ Markovův řetězec se spojitým časem splňujı́cı́ Požadavek
3.10 a i ∈ S. Pak jsou pravděpodobnosti přechodů pi,j , j ∈ S stejně stejnoměrně spojité na
R+,0 = [0, +∞).
t
X
= pi,k (h)pk ,j (t) − pi,j (t)(1 − pi,i (h))
k ∈S
k 6=i
X
≤ pi,k (h)pk ,j (t) + pi,j (t)(1 − pi,i (h))
k ∈S
k 6=i
X
≤ pi,k (h) + (1 − pi,i (h)) = (1 − pi,i (h)) + (1 − pi,i (h)) = 2(1 − pi,i (h)). (3.7)
k ∈S
k 6=i
Poznámka. Za stejných předpokladů a jako důsledek Věty 3.11 plyne, že také absolutnı́ pravdě-
podobnosti pj (t), j ∈ S jsou stejnoměrně spojité funkce na R+,0 (viz Cvičenı́ 3.72).
t
Věta 3.12: Jestliže X = {Xt , t ≥ 0} je homogennı́ Markovův řetězec se spojitým časem, který
splňuje Požadavek 3.10, pak je stochasticky spojitý.
t
b) Když
P S je nekonečná (tedy spočetná), pak 0 ≤ pj (t) pj ,j (h) ≤ pj (t) pro každé j ∈ S a
j ∈S j (t) = 1, proto podle Lebesgueovy věty i zde dostáváme
p
X X
lim P (Xt+h = Xt ) = pj (t) lim pj ,j (h) = pj (t) = 1.
h→0+ h→0+
j ∈S j ∈S
Věta 3.13: Homogennı́ Markovův řetězec se spojitým časem, který splňuje Požadavek 3.10, má
stochastickou verzi, která je separabilnı́ a měřitelná.
Důkaz. Podle Věty 3.12 je takový řetězec stochasticky spojitý proces, proto podle Věty 1.18 exis-
tuje jeho verze, která je separabilnı́ a měřitelná.
Třı́du uvažovaných procesů zúžı́me dalšı́m požadavkem, aniž bychom opomněli nějaké rozdělenı́
náhodného procesu, které splňuje markovskou vlastnost (3.1) a (3.6).
t
Petr Lachout February 28, 2021:569 103
Věta 3.15: Pro homogennı́ Markovův řetězec se spojitým časem, který splňuje Požadavek 3.10,
platı́:
i) Pro každé i ∈ S existuje limita
1 − pi,i (h)
qi := lim , 0 ≤ qi ≤ ∞. (3.8)
h→0+ h
Důkaz. Důkaz existence limit (3.8), (3.9) lze nalézt v Chung (1967), věta II.2.4 a věta II.2.5, nebo
Karlin a Taylor (1981), kap. 14, věty 1.1, 1.2.
Zde ukážeme pouze (iii) a (iv).
Pro každé i ∈ S a h > 0 platı́
1 − pi,i (h) X pi,j (h)
= . (3.10)
h h
j ∈S
j 6=i
Když S je spočetná, pak na pravé straně rovnosti (3.10) je součet nezáporných sčı́tanců. Můžeme
proto použı́t Fatoovo lemma a dostáváme
1 − pi,i (h) X pi,j (h) X
qi = lim ≥ lim = qi,j .
h→0+ h h→0+ h
j ∈S j ∈S
j 6=i j 6=i
Věta 3.15 řı́ká, že pro homogennı́ Markovův řetězec se spojitým časem, který splňuje Požadavek
3.10, jsou jeho pravděpodobnosti přechodů diferencovatelné v nule zprava.
Definice 3.16: Pro homogennı́ Markovův řetězec se spojitým časem, který splňuje Požadavek
3.10, zavádı́me termı́ny:
104 NP1-poznámky February 28, 2021:569
• Pro i , j ∈ S se čı́slo qi,j nazývá intenzita přechodu ze stavu i do stavu j . (ang. transition
intensity)
• Pro i ∈ S se čı́slo qi se nazývá celková intenzita přechodu ze stavu i . (ang. total intensity)
• Matice Q = {qi,j , i , j ∈ S}, kde qi,i = −qi , se nazývá matice intenzit přechodu. (ang. tran-
sition intensity matrix)
Povšimněme si, že celková intenzita přechodu ze stavu i může být nekonečná, kdežto intenzity
přechodů ze stavu i Pdo stavu j jsou vždy konečné.
Nerovnost qi > j ∈S qi,j pro nějaké i ∈ S znamená, že proces exploduje. Toto nežádoucı́
j 6=i
chovánı́ odstranı́me dalšı́m požadavkem.
Pro reálné náhodné procesy lze markovskou vlastnost ekvivalentně vyjádřit pomocı́ přı́růstků
procesu.
Věta 3.18: Necht’ X = {Xt , t ≥ 0} je reálný náhodný proces s diskrétnı́ nejvýše spočetnou
množinou stavů S ⊂ R. Pak je ekvivalentnı́:
ii) Pro každé K ∈ N, libovolné časové okamžiky 0 ≤ t1 < t2 < · · · < tK a libovolné stavy
i1 , i2 , . . . , iK ∈ S s vlastnostı́
P Xt1 = i1 , Xt2 = i2 , . . . , XtK −1 = iK −1 > 0
platı́
P XtK − XtK −1 = iK − iK −1 XtK −1 = iK −1 , XtK −2 = iK −2 , . . . , Xt1 = i1 (3.12)
= P XtK − XtK −1 = iK − iK −1 XtK −1 = iK −1 .
Definice 3.19: Řı́káme, že reálný náhodný proces X = {Xt , t ≥ 0} má nezávislé přı́růstky, jestliže
pro každé k ∈ N a časové okamžiky 0 ≤ t0 < t1 < · · · < tk jsou přı́růstky
Xt0 , Xt1 − Xt0 , Xt2 − Xt1 , . . . , Xtk − Xtk −1 nezávislé náhodné veličiny.
t
Definice 3.20: Řı́káme, že reálný náhodný proces X = {Xt , t ≥ 0} má stacionárnı́ přı́růstky,
jestliže pro každé k ∈ N a libovolné časové okamžiky 0 = t0 < t1 < · · · < tk rozdělenı́ vektoru
přı́růstků
Xt1 +t − Xt0 +t , Xt2 +t − Xt1 +t , . . . , Xtk +t − Xtk −1 +t nezávisı́ na t ≥ 0.
t
Lemma 3.21: Když reálný náhodný proces X = {Xt , t ≥ 0} má nezávislé přı́růstky a pro každé
0 ≤ s < t rozdělenı́ přı́růstku Xt − Xs závisı́ jen na rozdı́lu t − s, potom proces X = {Xt , t ≥ 0} má
stacionárnı́ přı́růstky.
t
Důkaz. Tvrzenı́ plyne bezprostředně z nezávislosti přı́růstků a z toho, že rozdělenı́ přı́růstku závisı́
pouze na rozdı́lu argumentů.
Věta 3.22: Když X = {Xt , t ≥ 0} je reálný náhodný proces s diskrétnı́ nejvýše spočetnou
množinou stavů S ⊂ R a s nezávislými přı́růstky, pak je tento proces Markovův řetězec se spojitým
časem a pro každé 0 ≤ s < t, i , j ∈ S s vlastnostı́ P (Xs = i ) > 0 platı́
pi,j (s, t) = P (Xt − Xs = j − i ) . (3.13)
Věta 3.23: Když X = {Xt , t ≥ 0} je reálný náhodný proces s diskrétnı́ nejvýše spočetnou
množinou stavů S ⊂ R, s nezávislými přı́růstky a jestliže pro každé 0 ≤ s < t rozdělenı́ přı́růstku
Xt − Xs závisı́ jen na rozdı́lu t − s, pak je tento proces homogennı́ Markovův řetězec se spojitým
časem a pro t ≥ 0, h ≥ 0, i , j ∈ S platı́
pi,j (h) = P (Xt+h − Xt = j − i ) . (3.14)
106 NP1-poznámky February 28, 2021:569
Důkaz. Podle věty 3.22 je tento proces Markovův řetězec se spojitým časem. Jeho homogenita
plyne ze stacionarity přı́růstků.
ii) Rozdělenı́ počtu událostı́ v daném časovém intervalu závisı́ jen na délce tohoto intervalu.
iv) Pravděpodobnost, že v intervalu (t, t + h] nastane právě jedna událost, necht’ je pro všechna
t ≥ 0 rovna λh + o(h). (Připomeňme, že symbol o(h) zde značı́, že o(h) /h → 0 při h → 0+ .)
v) Pravděpodobnost, že v intervalu (t, t + h] nastane vı́ce než jedna událost, necht’ je pro všechna
t ≥ 0 rovna o(h).
Označme X0 = 0 a pro t > 0 necht’ Xt značı́ počet událostı́, které nastanou v intervalu (0, t].
Jde o počty událostı́, proto můžeme uvažovat H = N0 jako stavový prostor procesu. Potom
X = {Xt , t ≥ 0} je reálný náhodný proces jehož přı́růstky jsou nezávislé podle předpokladu i) a
stacionárnı́ podle předpokladu ii). Podle věty 3.23 vı́me, že jde o homogennı́ Markovův řetězec se
spojitým časem.
Dále platı́ pro všechna t ≥ 0, h > 0
iv
pi,i+1 (h) = P (v intervalu (t, t + h] nastane právě jedna událost) = λh + o(h) ,
pi,j (h) = P (v intervalu (t, t + h] nastane právě j − i událostı́)
v
= o(h) pro j > i + 1,
pi,j (h) = P (v intervalu (t, t + h] ubude právě i − j událostı́)
= 0 pro j < i , !! Jde dokonce o nemožný jev !!
i−1
X ∞
X
pi,i (h) = 1− pi,j (h) − pi,j (h)
j =0 j =i+1
= 1 − pi,i+1 (h) − P (v intervalu (t, t + h] nastanou alespoň dvě události)
iv+v
= 1 − λh − o(h) − o(h) = 1 − λh + o(h) .
Vypočteme intenzity přechodu, které jsou qi,i+1 = λ, qi = −qi,i = λ, qi,j = 0 jinak. Matice
intenzit přechodu tedy je
−λ λ 0 0 0 ...
0 −λ λ 0 0 . . .
Q= 0 .
0 −λ λ 0 . . .
.. .. .. .. ..
. . . . .
Proces evidentně splňuje Požadavek 3.10, Požadavek 3.17 a jeho trajektorie jsou neklesajı́cı́.
Popsaný Markovův řetězec se nazývá Poissonův proces s intenzitou λ. Později v Kapitole
3.4 ukážeme jeho dalšı́ vlastnosti, např. že jeho absolutnı́ pravděpodobnosti se řı́dı́ Poissonovým
rozdělenı́m.
Petr Lachout February 28, 2021:569 107
ii) Chovánı́ jedince v časovém intervalu (t, t + h] je nezávislé na jeho chovánı́ v časovém intervalu
(0, t], pro všechna t ≥ 0, h > 0.
iii) Pravděpodobnost, že jedinec dá v intervalu (t, t + h] vznik právě i novým jedincům, je pro
každého jedince stejná a je nezávislá na t ≥ 0, pro všechna i ∈ N0 , h > 0.
v) Pravděpodobnost, že jedinec dá vznik novému jedinci v intervalu (t, t+h], necht’ je pro všechna
t ≥ 0, h > 0 rovna λh + o(h).
vi) Pravděpodobnost, že v intervalu (t, t + h] dá jedinec vzniknout vı́ce než jednomu novému
jedinci, necht’ je pro všechna t ≥ 0, h > 0, rovna o(h).
Označme Xt rozsah populace v čase t ≥ 0. Samozřejmě budeme uvažovat pouze přı́pad, kdy
na začátku populace obsahuje alespoň jednoho jedince, tj. X0 = i pro nějaké i ∈ N. Potom
X = {Xt , t ≥ 0} je reálný náhodný proces a jako jeho stavový prostor můžeme uvažovat H = N.
Přesvědčme se, že splňuje markovskou vlastnost.
Pro každý počet i ∈ N uvažujme pomocnou populaci, která má na počátku přesně i jedinců
a je nezávislá se sledovanou populacı́. Označme Qi,t počet jedinců v této populaci v čase t ≥ 0,
přičemž Qi,0 = i . Pro s ≥ 0 předpoklady i)+ii)+iii) zaručujı́, že náhodný proces {Qi,t , t ≥ 0} má
stejné rozdělenı́ jako náhodný proces {Xt+s , t ≥ 0} za podmı́nky Xs = i .
Vezměme K ∈ N, libovolné časové okamžiky 0 ≤ t0 < t1 < · · · < tK a libovolné stavy
i0 , i1 , . . . , iK ∈ S. Pak s využitı́m předpokladů i), ii), iii) dostáváme
P Xt0 = i0 , Xt1 = i1 , Xt2 = i2 , . . . , XtK −1 = iK −1 , XtK − XtK −1 = iK − iK −1
i+ii+iii
= P Xt0 = i0 , Xt1 = i1 , . . . , XtK −1 = iK −1 , QiK −1 ,tK −tK −1 − iK −1 = iK − iK −1
= P Xt0 = i0 , Xt1 = i1 , . . . , XtK −1 = iK −1 P QiK −1 ,tK −tK −1 − iK −1 = iK − iK −1
= P Xt0 = i0 , . . . , XtK −1 = iK −1 P XtK − XtK −1 = iK − iK −1 XtK −1 = iK −1 .
Ukázali jsme (3.12), což je podle Věty 3.18 ekvivalentnı́ s markovskou vlastnostı́. Proces je tedy
Markovův řetězec se spojitým časem. Dále jsme ukázali, že přechodové pravděpodobnosti jsou
Přechodové pravděpodobnosti jsou závislé pouze na rozdı́lu t − s, tudı́ž je sledovaný proces homo-
gennı́ Markovův řetězec se spojitým časem.
Povšimněme si monotonie pravděpodobnostı́
Ukázali jsme (3.12), což je podle Věty 3.18 ekvivalentnı́ s markovskou vlastnostı́. Proces je tedy
Markovův řetězec se spojitým časem. Dále jsme ukázali, že přechodové pravděpodobnosti jsou
Přechodové pravděpodobnosti jsou závislé pouze na rozdı́lu t − s, tudı́ž je sledovaný proces homo-
gennı́ Markovův řetězec se spojitým časem.
Povšimněme si monotonie pravděpodobnostı́
• P (jedinec v časovém intervalu (t, t + h] dá vzniknout novému jedinci),
P (jedinec v časovém intervalu (t, t + h] zanikne) jsou neklesajı́cı́ funkce v h,
• P (jedinec v časovém intervalu (t, t + h] nedá vzniknout žádnému novému jedinci),
P (jedinec v časovém intervalu (t, t + h] nezanikne) jsou nerostoucı́ funkce v h.
Tato pozorovánı́ využijeme v následujı́cı́ch odhadech.
Vezměme t ≥ 0 a rozsah populace i ∈ N tak, aby P (Xt = i ) > 0, počı́tejme:
= o(h) .
pro i ≥ 1
q0,j = 0 pro j ∈ N0 ,
qi,i+1 = iλ pro i ∈ N,
qi,i = −qi = −i (λ + µ) pro i ∈ N,
qi,i−1 = i µ pro i ∈ N,
qi,j = 0 pro i ∈ N, j ∈ N0 , j 6∈ {i − 1, i , i + 1} .
Věta 3.27: Necht’ X = {Xt , t ≥ 0} je homogennı́ Markovův řetězec se spojitým časem splňujı́cı́
Požadavek 3.10, Požadavek 3.14, Požadavek 3.17 a i ∈ S. Pak pro všechna s ≥ 0, P (Xs = i ) > 0
a pro všechna h > 0 platı́
Důkaz. Protože {Xt } je stochasticky spojitý (Věta 3.12) a separabilnı́ (Požadavek 3.14), pak platı́
P (Xt = i , s ≤ t ≤ s + h) = lim P Xt0,n = i , Xt1,n = i , . . . , XtKn ,n = i , (3.16)
n→∞
kde pro každé n ∈ N je s = t0,n < t1,n < · · · < tKn ,n = s + h dělenı́ intervalu [s, s + h], jehož norma
konverguje k nule při n → ∞, viz [2], str. 245.
Volı́me diadické dělenı́ Dn = tk ,n : tk ,n = s + 2kn h, k = 0, 1, . . . , 2n , n ∈ N. Ze vztahů (3.2)
a (3.16) máme
P (Xt = i , s ≤ t ≤ s + h)
P ( Xt = i , s ≤ t ≤ s + h| Xs = i ) =
P (Xs = i )
(3.16) P Xt0,n = i , Xt1,n = i , . . . , Xt2n ,n = i
= lim
n→∞ P (Xs = i )
(3.2) pi (t0,n ) pi,i (t1,n − t0,n )pi,i (t2,n − t1,n ) . . . pi,i (t2n ,n − t2n −1,n )
= lim
n→∞ pi (s)
2n
h
= lim pi,i n .
n→∞ 2
2. Je-li qi = ∞, potom plyne z (3.8), že pro libovolné A > 0 je pi,i (δ) ≤ 1 − Aδ ≤ e−Aδ , je-li δ
dostatečně malé. Odtud plyne, že
2n
h n h
lim pi,i n ≤ lim e−2 A 2n = e−Ah .
n→∞ 2 n→∞
Definice 3.28: Necht’ X = {Xt , t ≥ 0} je náhodný proces s diskrétnı́ nejvýše spočetnou množinou
stavů S a i ∈ S. Definujme dobu setrvánı́ (ang. holding time at state i ) náhodného procesu ve
stavu i , jako τi = inf {s > 0 : Xs 6= i }. Také mluvı́me o čase, kdy proces poprvé opustil stav i .
Věta 3.29: Necht’ homogennı́ Markovův řetězec se spojitým časem splňuje Požadavek 3.10,
Požadavek 3.14, Požadavek 3.17 a i ∈ S.
ii) Je-li 0 < qi < ∞, má τi za podmı́nky, že řetězec byl na začátku ve stavu i , exponenciálnı́
rozdělenı́ se střednı́ hodnotou q1i (neboli s intenzitou qi ).
To pro qi = 0 znamená, že Pi (τi > h) = 1 pro každé h > 0, nebo-li Pi (τi = ∞) = 1.
Pro 0 < qi < ∞ pak, že τi má za podmı́nky, že řetězec byl na začátku ve stavu i , expo-
nenciálnı́ rozdělenı́ s intenzitou qi ; tj. s hustotou
(
qi e−qi x pro x ≥ 0,
f (x ) =
0 jinde.
Pi (τi > h) = P ( Xs = i , t ≤ s ≤ t + h| Xt = i ) = 0.
Tudı́ž Pi (τi = 0) = 1.
Střednı́ doba setrvánı́ ve stavu i je tedy q1i . Odtud řetězec, který vstoupı́ do stavu i v nějakém
čase t0 > 0, setrvá v i po dobu τi , která má exponenciálnı́ rozdělenı́ se střednı́ hodnotou q1i (tj.
rozdělenı́ doby setrvánı́ ve stavu i nezávisı́ na okamžiku, ve kterém řetězec vstoupı́ do i , ale jen
na intenzitě qi ).
t
Petr Lachout February 28, 2021:569 115
Je-li i ∈ S absorpčnı́ stav, znamená to, že řetězec, který přejde do stavu i , už v tomto stavu
setrvá; střednı́ doba setrvánı́ v tomto stavu je nekonečně dlouhá. Naproti tomu, je-li i ∈ S ne-
stabilnı́ stav, střednı́ doba setrvánı́ v něm je nulová (dokonce τi = 0 skoro jistě). To znamená,
že v reálu bychom průchod nestabilnı́m stavem neměli šanci zaznamenat. Budeme je proto dále
vylučovat.
Věta 3.31: Když homogennı́ Markovův řetězec se spojitým časem splňuje Předpoklad 3.10,
Předpoklad 3.14, Předpoklad 3.17 a všechny jeho stavy jsou stabilnı́, pak jsou jeho trajektorie
skoro jistě po částech konstantnı́ funkce (často se mluvı́ o schodovitých funkcı́ch) a existuje sto-
chastická verze tohoto řetězce, jejı́ž trajektorie jsou zprava spojité;
t
Požadavek 3.32: Požadujeme, aby řetězec splňoval Předpoklad 3.10 a Předpoklad 3.17, všechny
jeho stavy byly stabilnı́, jeho trajektorie byly po částech konstantnı́ a zprava spojité.
t
Poznamenejme, že reálný náhodný proces, který má trajektorie zprava spojité, je vždy měřitelný
a separabilnı́; viz Věta 1.19. Splňuje tedy Předpoklad 3.14.
Definice 3.33: Necht’ X = {Xt , t ≥ 0} je reálný náhodný proces definovaný na (Ω, A, P ). Necht’
FtX je
σ-algebra generovaná rodinou náhodných veličin {Xs , s ≤ t}, tj. FtX = σ {Xs , s ≤ t}.
Náhodná veličina τ : Ω → [0, ∞] se nazývá markovský čas (ang. Markov time, stopping time)
vzhledem k FtX , t ≥ 0 , jestliže platı́ [τ ≤ t] ∈ FtX pro každé t ≥ 0.
Zastavenı́m procesu v markovském času τ budeme nazývat náhodnou veličinu Xτ , kde
(
Xτ (ω) (ω) pokud τ (ω) < +∞,
Xτ (ω) = (3.17)
∞ když τ (ω) = +∞.
S pojmem markovského času jsme se setkali již u Markovových řetězců s diskrétnı́m časem; viz
Definice 2.40. Je to náhodná veličina, která nezávisı́ na budoucı́ch hodnotách náhodného procesu.
Přı́kladem markovského času je konstantnı́ čas τ = t0 > 0. Také čas prvnı́ho výstupu ze stavu
j definovaný jako τj = inf {t > 0 : Xt 6= j } je markovský čas, pro homogennı́ Markovův řetězec
se spojitým časem se zprava spojitými a po částech konstantnı́mi trajektoriemi. V tomto přı́padě
vzhledem k tomu, že trajektorie řetězce jsou zprava spojité a po částech konstantnı́, pro libovolnou
Q spočetnou hustou podmnožinu [0, ∞), máme
\
[τj > t] = [Xs = j , 0 ≤ s ≤ t] = [Xt = j ] ∩ [Xs = j] ∈ FtX ,
s∈Q∩(0,t)
Zřejmě FtX ⊂ F∞
X
⊂ A.
FτX = A ∈ F∞ X
: A ∩ [τ ≤ t] ∈ FtX , t ≥ 0
(3.18)
[Xτ = i ] ∩ [τ ≤ t] ∈ FtX .
Zřejmě platı́ [Xτ = i ] ∩ [τ ≤ t] = ([Xt = i ] ∩ [τ = t]) ∪ ([Xτ = i ] ∩ [τ < t]). Protože {Xt } nabývá jen
nezáporných celočı́selných hodnot a má zprava spojité trajektorie, je tedy
[Xτ = i ] ∩ [τ ≤ t] = [Xt = i ] ∩ [τ = t]
m
[∞ \ ∞ b2[tc
∪ [Xk 2−m = i ] ∩ [(k − 1)2−m ≤ τ < k 2−m ] ∈ FtX ,
n=0 m=n k =1
Zatı́m jsme si ukázali, že intenzity výstupu qi majı́ význam převrácených střednı́ch dob setrvánı́
ve stavech i ∈ S. Ukažme si ještě význam intenzit přechodu qi,j .
Věta 3.35: Necht’ {Xt , t ∈ T} je homogennı́ Markovův řetězec se spojitým časem, který splňuje
Požadavek 3.32, i ∈ S s 0 < qi < ∞ a t ≥ 0 takový, že P (Xt = i ) > 0. Když τi je čas prvnı́ho
výstupu ze stavu i , potom
qi,j
P ( Xτi = j | Xt = i ) = pro všechna j ∈ S, j 6= i ,
qi
qi,j
tj. pravděpodobnost, že řetězec z počátečnı́ho stavu i ∈ S přejde nejdřı́ve do stavu j , je rovna qi .
a uvažujme množiny
∞
[
An = An,k pro n ∈ N, kde
k =1
ω : Xt (ω) = i , 0 ≤ t ≤ k 2−n , X(k +1)2−n (ω) = j
An,k = pro k ∈ N.
1. Necht’ ω ∈ A.
Potom 0 < τi (ω) < ∞, Xτi (ω) (ω) = j a Xt (ω) = i pro všechna 0 ≤ t < τi (ω).
Protože všechny trajektorie procesu X = {Xt , t ≥ 0} jsou spojité zprava, existuje δ > 0 tak,
že Xs (ω) = j pro všechna τi (ω) ≤ s < τi (ω) + δ. Potom ke každému n ∈ N s vlastnostı́
2−n ≤ δ existuje jednoznačně určené kn ∈ N s vlastnostı́
kn 2−n < τi (ω) ≤ (kn + 1)2−n < τi (ω) + δ
a platı́
Xt (ω) = i , 0 ≤ t ≤ kn 2−n , X(kn +1)2−n (ω) = j .
Tudı́ž ω ∈ An,kn , a proto ω ∈ An pro všechna n ∈ N splňujı́cı́ 2−n ≤ δ. Odtud plyne, že
lim inf An ⊃ A.
n→∞
Odtud
τi (ω) > 0 , Xt (ω) = i ∀ 0 ≤ t < τi (ω)
a vzhledem ke spojitosti trajektoriı́ zprava je
Xτi (ω) (ω) = j ,
tedy ω ∈ A.
To znamená
lim sup An ⊂ A.
n→∞
Vzhledem k homogenitě řetězce je qi,j /qi též pravděpodobnost, že řetězec, který se nacházı́ ve
stavu i v nějakém čase t > 0, přejde v intervalu (t, ∞) nejdřı́ve do stavu j .
Předpokládejme, že na počátku je řetězec v nějakém stavu i ∈ S. Je-li qi > 0, setrvá v něm po
q
náhodnou dobu T1 a potom přejde do stavu j s pravděpodobnostı́ qi,ji . Je-li qj > 0, setrvá řetězec
ve stavu j po náhodnou dobu T2 . Je-li qj = 0, řetězec navždy setrvá v tomto stavu (T2 = ∞)
atd. Necht’ J0 = 0 a J1 , J2 , . . . jsou po sobě následujı́cı́ časové okamžiky, ve kterých docházı́
k přechodům mezi stavy řetězce, tj.
J1 = inf {t > 0 : Xt 6= X0 } ,
J2 = inf {t > J1 : Xt 6= XJ1 } pokud J1 < ∞,
= ∞ pokud J1 = ∞,
...
Jn+1 = inf {t > Jn : Xt 6= XJn } pokud Jn < ∞, n ∈ N0 ,
= ∞ pokud Jn = ∞.
T1 = J1 ,
T2 = J2 − J1 pokud J1 < ∞,
= ∞ pokud J1 = ∞,
...
Tn+1 = Jn+1 − Jn pokud Jn < ∞, n ∈ N0 ,
= ∞ pokud Jn = ∞.
Zřejmě je
n
X
Jn = Tk pro každé n ∈ N.
k =1
Označme ještě
∞
X
ξ = sup Jn = Tk .
n∈N
k =1
Náhodná veličina ξ se nazývá čas exploze. Důvodem je fakt, že když ξ < ∞, pak na konečném
intervalu [0, ξ] dojde ke spočetně mnoha přechodům, což znamená, že proces exploduje. Exploze
je poslednı́ nevhodný jev, který chceme v našich úvahách eliminovat.
Věta 3.36: Když X = {Xt , t ≥ 0} je homogennı́ Markovův řetězec se spojitým časem, který
splňuje Požadavek 3.32 a pro každé i ∈ S platı́ Pi (ξ = ∞) = 1, pak jsou jeho trajektorie skoro
jistě càdlàg funkce, viz Definice 1.20.
Speciálně to znamená, že na každém konečném intervalu dojde skoro jistě jen ke konečně mnoha
přechodům mezi stavy řetězce.
t
P P
Důkaz. Uvědomme si, že P (ξ = ∞) = i∈S pi Pi (ξ = ∞) = i∈S pi = 1. Stačı́ tedy pro všechna
ω ∈ [ξ = ∞] ukázat, že přı́slušná trajektorie má uvedené vlastnosti.
Vezměme tedy ω ∈ Ω takové, že ξ(ω) = ∞.
• Pro t > 0 existuje n ∈ N0 tak, že Jn (ω) ≤ t < Jn+1 (ω). To znamená na intervalu [0, t] došlo
přesně k n přechodům.
Petr Lachout February 28, 2021:569 119
– Pro t > 0 existuje n ∈ N0 tak, že Jn (ω) < t ≤ Jn+1 (ω), potom Xs (ω) = XJn (ω) (ω) pro
každé Jn (ω) < s < t.
To znamená, že trajektorie s ≥ 0 7→ Xs (ω) má zleva limitu v t.
– Pro t ≥ 0 již vı́me, že trajektorie s ≥ 0 7→ Xs (ω) je zprava spojitá v t, nebot’ je
to zakotveno v Požadavek 3.32. Trajektorie je dokonce konstantnı́ vpravo od t, nebot’
existuje n ∈ N0 tak, že Jn (ω) ≤ t < Jn+1 (ω), potom Xs (ω) = XJn (ω) (ω) pro každé
t ≤ s < Jn+1 (ω).
Ověřili jsme, že trajektorie řetězce jsou skoro jistě càdlàg funkce a že na konečném intervalu majı́
skoro jistě konečně mnoho přechodů mezi stavy řetězce.
Definice 3.37: Budeme řı́kat, že Markovův řetězec se spojitým časem je regulárnı́ (ang. regular),
jestliže je homogennı́, splňuje Předpoklad 3.10 a Předpoklad 3.17, všechny jeho stavy jsou stabilnı́,
jeho trajektorie jsou po částech konstantnı́ a càdlàg, pro každé i ∈ S platı́ Pi (ξ = ∞) = 1.
Y0 = X0 ,
Yn = XJn pokud Jn < ∞, n = 1, 2, . . . , (3.20)
= Yn−1 pokud Jn = ∞.
Vzhledem k tomu, že Jn jsou markovské časy, jsou Yn náhodné veličiny, jak plyne z Věty 3.34.
Dále lze ukázat následujı́cı́ tvrzenı́.
Věta 3.38: Necht’ X = {Xt , t ≥ 0} je regulárnı́ Markovův řetězec se spojitým časem, s množinou
stavů S, s maticı́ intenzit přechodu Q a Y = {Yn , n ∈ N0 } je posloupnost náhodných veličin
definovaná v (3.20). Potom Y je homogennı́ Markovův řetězec s diskrétnı́m časem, s množinou
stavů S, s maticı́ pravděpodobnostı́ přechodů Q∗ a pro každé n ∈ N jsou při daných Y0 , . . . , Yn−1
doby setrvánı́ T1 , . . . , Tn nezávislé náhodné veličiny s exponenciálnı́m rozdělenı́m s parametry po
řadě qY0 , . . . , qYn−1 .
Řetězec {Yn , n ∈ N0 } se nazývá vnořený diskrétnı́ řetězec skoků procesu X = {Xt , t ≥ 0} (ang.
embedded Markov chain of jumps associated with the process X).
∗(n)
Jeho pravděpodobnosti přechodů n-tého řádu budeme označovat qi,j = Pi (Yn = j ) .
120 NP1-poznámky February 28, 2021:569
Přı́klad 3.39: Explozivnı́ proces růstu. Uvažujme homogennı́ Markovův řetězec se spojitým
časem, který splňuje Požadavek 3.32, s množinou stavů S = N a s intenzitami přechodu
Předpokládejme, že na počátku je řetězec ve stavu 1. V tomto stavu setrvá náhodnou dobu T1 ,
která má exponenciálnı́ rozdělenı́ se střednı́ hodnotou q11 = 12 , potom s pravděpodobnostı́ 1 přejde
do stavu 2, ve kterém setrvá náhodnou dobu T2 , která má exponenciálnı́ rozdělenı́ se střednı́
hodnotou q12 = 14 atd.
P∞
Čas exploze je ξ = k =1 Tk a
∞ ∞
X X 1
E [ξ] = E [Tk ] = = 1,
2k
k =1 k =1
takže
P1 (ξ < ∞) = 1 ;
kdyby byla tato veličina s kladnou pravděpodobnostı́ nekonečná, byla by nekonečná i jejı́ střednı́
hodnota. Řetězec nenı́ regulárnı́; v konečném čase se může s pravděpodobnostı́ 1 uskutečnit ne-
konečně mnoho přechodů.
Vnořený Markovův řetězec s diskrétnı́m časem probı́há množinu stavů S = N a má matici
pravděpodobnostı́ přechodů
0 1 0 0 ...
0 0 1 0 . . .
Q∗ = 0
0 0 1 . . .
.. .. .. .. ..
. . . . .
Bez důkazu ještě uved’me nutnou a postačujı́cı́ podmı́nku, za které je řetězec regulárnı́.
Věta 3.40: Homogennı́ Markovův řetězec se spojitým časem, který splňuje Požadavek 3.32, s
vnořeným řetězcem {Yn , n ∈ N0 } je regulárnı́ tehdy a jen tehdy, když
∞
!
X 1
Pi =∞ =1 pro všechny stavy i ∈ S, (3.21)
qYk
k =0
1
kde klademe 0 = ∞ (pro absorpčnı́ stavy).
Důkaz. Věta je dokázána v [7], věta 3 v kap. III, odst. 2. nebo v [13], Proposition 5.3.1.
Petr Lachout February 28, 2021:569 121
s pravděpodobnostı́ 1.
t
• X0 = 0 a Xt je počet událostı́ v časovém intervalu (0, t]. Událost se tedy započı́tává ihned,
jak nastane. V čase vzniku události je proto trajektorie procesu nespojitá zleva. Doba čekánı́
na dalšı́ událost má podle Věty 3.27 exponenciálnı́ rozdělenı́ s intenzitou λ. Tudı́ž trajektorie
procesu jsou po částech konstantnı́ a spojité zprava.
• Vnořený řetězec je Yn = n s.j. pro každé n ∈ N0 . Proto proces navštı́vı́ každý stav n ∈ N0 s
pravděpodobnostı́ 1. Tudı́ž množina stavů procesu je S = N0 .
• Do žádného stavu se skoro jistě nelze vrátit. Tudı́ž všechny stavy jsou přechodné.
• Proces splňuje Požadavek 3.10 a Požadavek 3.17, viz Přı́klad 3.24.
• Celkové intenzity jsou qi = λ pro všechna i ∈ S. Proto
∞ ∞ ∞
X 1 X 1 X 1
= = =∞ s.j.
qYk qk j =1
λ
k =0 k =0
Shrňme naše pozorovánı́. Poissonův proces je regulárnı́ Markovův řetězec se spojitým časem, je
rozložitelný a všechny jeho stavy jsou přechodné.
t
122 NP1-poznámky February 28, 2021:569
• Vnořený řetězec je Yn = n + i0 s.j. pro každé n ∈ N0 . Proto proces navštı́vı́ každý stav
i0 , i0 + 1, i0 + 2, . . . s pravděpodobnostı́ 1. Tudı́ž množina stavů procesu je S = N0 + i0 .
• Do žádného stavu se skoro jistě nelze vrátit. Tudı́ž všechny stavy jsou přechodné.
• Jelikož je proces regulárnı́, jsou jeho trajektorie càdlàg funkce, viz Věta 3.36.
Shrňme naše pozorovánı́. Lineárnı́ proces růstu je regulárnı́ Markovův řetězec se spojitým časem,
je rozložitelný a všechny jeho stavy jsou přechodné.
• Podle Věty 3.35 vı́me, že když dojde k nové události, tak se populace zvětšı́ o jednoho
λ µ
jedince s pravděpodobnostı́ λ+µ a zmenšı́ se o jednoho jedince s pravděpodobnostı́ λ+µ .
Proto proces navštı́vı́ každý stav i ∈ N0 s kladnou pravděpodobnostı́. Tudı́ž množina stavů
procesu je S = N0 .
• Stavy řetězce jsou vzájemně dosažitelné, až na nulu. Nula je dosažitelná z každého stavu,
ale z nuly se již nedá vrátit. Nula je tedy absorpčnı́ stav a ostatnı́ stavy jsou přechodné.
• Celkové intenzity jsou qi = i (λ + µ) pro všechna i ∈ S a pro vnořený řetězec platı́ odhad
Yn ≤ n + i0 s.j. pro každé n ∈ N0 . Proto
∞ ∞ ∞
X 1 X 1 X 1
≥ = = ∞ s.j.
qYk qk +i0 j =i
j (λ + µ)
k =0 k =0 0
• Jelikož je proces regulárnı́, jsou jeho trajektorie càdlàg funkce, viz Věta 3.36.
Shrňme naše pozorovánı́. Lineárnı́ proces množenı́ a zániku je regulárnı́ Markovův řetězec se
spojitým časem, je rozložitelný, 0 je absorpčnı́ stav a ostatnı́ stavy jsou přechodné.
t
p (h)
iii) Je-li S konečná nebo když pro každé j ∈ S existujı́ δj > 0 a ∆j > 0 tak, že k ,jh − qk ,j ≤
∆j pro všechna k ∈ S, k 6= j a 0 < h < δj , potom v každém t > 0 jsou pro všechna
i , j ∈ S splněny prospektivnı́ Kolmogorovovy diferenciálnı́ rovnice (ang. forward Kolmogorov
differential equations)
X X
p0i,j (t) = −pi,j (t)qj + pi,k (t)qk ,j = pi,k (t)qk ,j . (3.23)
k ∈S k ∈S
k 6=j
(a) Pro S konečnou můžeme v obou přı́padech využı́t Věty 3.15 a provést limitnı́ přechod
pi,j (t + h) − pi,j (t) pi,i (h) − 1 X pi,k (h)
p0i,j (t+) = lim = lim pi,j (t) + lim pk ,j (t)
h→0+ h h→0+ h h→0+ h
k ∈S
k 6=i
X
= −qi pi,j (t) + qi,k pk ,j (t),
k ∈S
k 6=i
pi,j (t − κ) − pi,j (t)
p0i,j (t−) = lim
κ→0+ −κ
1 − pi,i (κ) X pi,k (κ)
= lim lim pi,j (t − κ) − lim lim pk ,j (t − κ)
κ→0+ −κ κ→0+ κ→0+ −κ κ→0+
k ∈S
k 6=i
X
= −qi pi,j (t) + qi,k pk ,j (t).
k ∈S
k 6=i
Tı́m jsme pro S konečnou ukázali, že pravděpodobnosti přechodů jsou diferencovatelné
v každém t > 0 a splňujı́ retrospektivnı́ rovnici (3.22).
(b) Pro S spočetnou musı́me postupovat opatrněji. BÚNO budeme uvažovat S = N.
Pak pro N ∈ N, N ≥ i nekonečné sumy rozdělı́me:
N
pi,j (t + h) − pi,j (t) pi,i (h) − 1 X pi,k (h)
= pi,j (t) + pk ,j (t) + ϕN (h, t) ,
h h h
k =0
k 6=i
N
pi,j (t − κ) − pi,j (t) 1 − pi,i (κ) X pi,k (κ)
= pi,j (t − κ) − pk ,j (t − κ) + ψN (κ, t) ,
−κ −κ −κ
k =0
k 6=i
kde
∞
X pi,k (h)
ϕN (h, t) = pk ,j (t),
h
k =N +1
∞
X pi,k (κ)
ψN (κ, t) = pk ,j (t − κ).
κ
k =N +1
Proces splňuje (3.11) a 0 ≤ qi < ∞, nebot’ všechny jeho stavy jsou stabilnı́. Pak
limitnı́m přechodem N → ∞ dostáváme diferencovatelnost pravděpodobnostı́ přechodů
a retrospektivnı́ rovnici (3.22).
2. Nynı́ již vı́me, že pravděpodobnosti přechodů jsou diferencovatelné. Proto k odvozenı́ pro-
spektivnı́ rovnice (3.23) se stačı́ zabývat pouze derivacı́ zprava.
Pro t > 0, h > 0 využijeme jiný rozpis derivačnı́ho podı́lu
P
pi,j (t + h) − pi,j (t) k ∈S pi,k (t)pk ,j (h) − pi,j (t)
=
h h
pj ,j (h) − 1 X pk ,j (h)
= pi,j (t) + pi,k (t) .
h h
k ∈S
k 6=j
p (h)
Předpokládáme, že existujı́ δj > 0 a 0 < ∆j < ∞ tak, že k ,jh − qk ,j ≤ ∆j pro
všechna k ∈ S, k 6= j a 0 < h < δj . Pak
pk ,j (h)
pi,k (t) − qk ,j ≤ pi,k (t)∆j pro všechna k ∈ S, k 6= j , 0 < h < δj ,
h
126 NP1-poznámky February 28, 2021:569
Poznámka. Důvodem pojmenovánı́ rovnic (3.22), (3.23) je to, že v retrospektivnı́ rovnici jsou
derivace p0i,j (t) vyjádřeny pomocı́ všech možných pravděpodobnostı́ přechodů do stavu j zatı́mco
v prospektivnı́ rovnici pomocı́ všech možných pravděpodobnostı́ přechodů ze stavu i .
Retrospektivnı́ Kolmogorovovy diferenciálnı́ rovnice jsou splněny vždy, což nám dává užitečné
informace o derivacı́ch pravděpodobnostı́ přechodů.
Lemma 3.45: Když homogennı́ Markovův řetězec se spojitým časem splňuje Požadavek 3.10,
Požadavek 3.17 a všechny jeho stavy jsou stabilnı́, potom pro každé i , j ∈ S je pravděpodobnost
přechodu pi,j spojitě diferencovatelná na (0, ∞), limt→0+ p0i,j (t) = p0i,j (0+) = qi,j a p0i,j (t) ≤ 2qi
pro všechna t > 0.
Důkaz. Podle Věty 3.44 vı́me, že homogennı́ Markovův řetězec se spojitým časem, který splňuje
Požadavek 3.10, Požadavek 3.17 a všechny jeho stavy jsou stabilnı́, musı́ splňovat retrospektivnı́
Kolmogorovovy diferenciálnı́ rovnice (3.22). Tvrzenı́ lemmatu plyne z vlastnostı́ pravé strany
(3.22).
Vezměme i , j ∈ S. P
Pravá strana (3.22) je součet k ∈S qi,k pk ,j (t), který má integrovatelnou majorantu
X
|qi,k pk ,j (t)| ≤ |qi,k | pro každé t ≥ 0, k ∈ S, |qi,k | = 2qi .
k ∈S
nebo (3.23), a zajı́má nás, zda taková soustava má řešenı́, které reprezentuje pravděpodobnosti
přechodů nějakého homogennı́ho Markovova řetězce se spojitým časem. Nejdřı́ve konečný přı́pad.
Důkaz. Soustavy (3.24) a (3.25) jsou soustavy lineárnı́ch homogennı́ch diferenciálnı́ch rovnic prvnı́ho
řádu s konstantnı́mi koeficienty. Z teorie diferenciálnı́ch rovnic vı́me, že jejich jediným řešenı́m je
maticová exponenciála vynásobená počátečnı́ podmı́nkou, tak jak je uvedeno v tvrzenı́ věty.
Potom existuje homogennı́ Markovův řetězec se spojitým časem, který splňuje Požadavek 3.10,
s množinou stavů S ⊂ Θ, s počátečnı́m rozdělenı́m p = {ai , i ∈ S} a s maticı́ intenzit Q =
{Γi,j , i , j ∈ S} . Rozdělenı́ tohoto řetězce je jednoznačně určeno, jeho matice pravděpodobnostı́
přechodů jsou
Důkaz. Soustavy diferenciálnı́ch rovnic A0 (t) = ΓA (t) , A0 (t) = A (t) Γ, t > 0, kde A je spojitá
zprava v bodě t = 0, s počátečnı́ podmı́nkou A (0) = I majı́, podle Lemmatu 3.46, jediné řešenı́
A (t) = etΓ , t ≥ 0.
Potřebujeme ukázat, že etΓ , t ≥ 0 je konzistentnı́ systém stochastických matic, viz Definice
3.8.
2) Požadavek ii), což je splněnı́ Chapmanovy-Kolmogorovovy rovnosti (3.4), je také splněn, nebot’
jednou z vlastnostı́ maticové exponenciály je e(t+s)Γ = etΓ esΓ pro každé t, s ≥ 0.
4) Zbývá ukázat, že A (t) = etΓ je stochastická matice pro každé t > 0; pro A (0) = I je to zřejmé.
128 NP1-poznámky February 28, 2021:569
nebot’ j ∈S
P P
Pqk ,j = 0. Tedy j ∈S pi,j (t) je konstantnı́ pro každé
Pt > 0. Ze spojitosti v nule
a protože j ∈S pi,j (0) = 1, je tato konstanta rovna jedné, tj. j ∈S pi,j (t) = 1 pro každé
t ≥ 0.
b) Nezápornost pi,j (t) lze dokázat takto:
b1) Předpokládejme, že qi,j > 0 pro všechna i , j ∈ S, i 6= j .
i) Pro i ∈ S je pi,i (0) = 1 a vzhledem ke spojitosti pi,i v nule zprava je pi,i (t) > 0
v nějakém pravém okolı́ nuly.
ii) Pro i , j ∈ S, i 6= j máme p0i,j (0+) = qi,j > 0, tedy pi,j (t) > 0 na nějakém pravém
okolı́ nuly.
iii) Zjistili jsme, že P (t) > 0 pro 0 < t ≤ h a nějaké h > 0.
Vezměme s > 0. Pak existujı́ m ∈ N a 0 < t ≤ h tak, že s = mh + t.
Pak z Chapmanovy-Kolmogorovovy rovnosti máme
m
P (s) = P (t + mh) = P (t)P (h) > 0.
Tedy P (s) > 0 pro každé s > 0.
b2) Necht’ pro nějaká i , j ∈ S, i 6= j je qi,j = 0.
Pak pro n ∈ N pozměnı́me matici intenzit přechodu Qn = Q + n1 (E − N I), kde N je
počet prvků množiny S.
Takto vzniklá matice Qn má všechny řádkové součty nulové a všechny nediagonálnı́
prvky kladné.
Podle toho, co jsme již dokázali, všechny prvky matice etQn jsou kladné pro každé
t > 0.
Zřejmě Qn → Q pro n → ∞. Potom také etQn → P (t) = etQ pro n → ∞ a tedy
pi,j (t) ≥ 0 pro všechna i , j ∈ S, i 6= j a všechna t ≥ 0.
Potom existuje homogennı́ Markovův řetězec se spojitým časem, který splňuje Požadavek 3.10
a (3.22). Rozdělenı́ tohoto řetězce je jednoznačně určeno, jeho množina stavů je S ⊂ Θ, jeho
počátečnı́ rozdělenı́ je p = {ai , i ∈ S} a jeho matice intenzit je Q = {Γi,j , i , j ∈ S} .
Dále platı́ aj = 0 pro j ∈ Θ \ S a Γi,j = 0 pro i ∈ S, j ∈ Θ \ S.
t
cestou je řešit pomocı́ techniky vytvořujı́cı́ funkce prospektivnı́ rovnice (3.23), což vede na parciálnı́
diferenciálnı́ rovnici, kterou umı́me numericky řešit. V některých přı́padech dokážeme nalézt ana-
lytické řešenı́ (3.23). Ukážeme si to na přı́kladech: Poissonův proces v Kapitole 3.4, Yuleův proces
v Kapitole 3.5, lineárnı́ proces množenı́ a zániku v Kapitole 3.7, obslužný systém (M/M/∞) v Ka-
pitole 3.9.1. Na závěr je ještě třeba prověřit, že nalezené řešenı́ (3.23) je opravdu řešenı́m (3.22).
Důkaz. {A (t) , t ≥ 0} je konzistentnı́ systém stochastických matic, proto podle Věty 3.9 exis-
tuje homogennı́ Markovův řetězec se spojitým časem X = {Xt , t ≥ 0} s množinou stavů S ⊂ Q,
počátečnı́m rozdělenı́m p = {ai , i ∈ S} a se systémem matic pravděpodobnostı́ přechodů P =
{P (t), t ≥ 0} , kde P (t) = {Ai,j (t) , i , j ∈ S} .
Přı́klad 3.50: Model práce stroje. Doba bezporuchového provozu jistého stroje je náhodná veliči-
na s exponenciálnı́m rozdělenı́m se střednı́ hodnotou α1 pro α > 0. Když dojde k poruše, stroj začne
být okamžitě opravován; doba opravy je náhodná veličina s exponenciálnı́m rozdělenı́m se střednı́
hodnotou β1 , β > 0, nezávislá na době bezporuchového provozu. Jakmile je oprava dokončena, je
stroj znovu uveden do provozu.
Definujme náhodnou veličinu Xt , která nabývá hodnoty 0, jestliže v čase t ≥ 0 stroj pracuje
a hodnoty 1, je-li v čase t ≥ 0 stroj opravován. Potom X = {Xt , t ≥ 0} je homogennı́ Markovův
řetězec se spojitým časem a množinou stavů S = {0, 1}. Matice intenzit přechodu je
−α α
Q= .
β −β
Ukažme si nynı́ několik způsobů, jak určit z daných intenzit pravděpodobnostı́ přechodů.
130 NP1-poznámky February 28, 2021:569
Vynásobı́me-li prvnı́ rovnici čı́slem β a druhou rovnici čı́slem α a obě rovnice sečteme, dosta-
neme
odkud integracı́
pro nějakou konstantu c. Z podmı́nky pi,j (0) = δi,j zjistı́me, že c = β a tudı́ž
což je diferenciálnı́ rovnice pro p0,0 (t), která má obecné řešenı́
β
p0,0 (t) = ce−(α+β)t + .
α+β
Pro t = 0 dostaneme
β
p0,0 (0) = 1 = c + ,
α+β
takže
α −(α+β)t β
p0,0 (t) = e + .
α+β α+β
Zbylé pravděpodobnosti vypočteme z (3.28) a pomocı́ doplňků.
Pravděpodobnosti přechodů pi,j (t) můžeme určit také přı́mo podle vzorce (3.26). Snadno
zjistı́me, že matice Q má vlastnı́ čı́sla λ1 = 0, λ2 = −(α + β) a platı́
Q = BAB −1 ,
kde
0 0 1 α
A= , B= .
0 −(α + β) 1 −β
K výsledku (3.29) dospějeme také použitı́m Perronova vzorce pro výpočet matice etQ (viz
Přı́loha B, Věta B.10). Snadno zjistı́me, že det(λI − Q) = λ(λ + α + β) a adjungovaná matice
adj(λI − Q) je tvaru
λ+β α
adj(λI − Q) = .
β λ+α
Dále máme
det(λI−Q)
ψ1 (λ) = λ−λ1 =λ+α+ β,
det(λI−Q)
ψ2 (λ) = λ−λ2 = λ.
Úloha 3.51: Jsme v situaci, kdy je dána matice intenzit přechodů Q a našı́m úkolem je nalézt
spojité funkce fj : [0, ∞) → [0, 1], j ∈ S, které jsou spojitě diferencovatelné na intervalu (0, ∞), a
splňujı́ soustavu diferenciálnı́ch rovnic
X X
fj0 (t) = − fj (t) qj + fk (t) qk ,j = fk (t) qk ,j , t > 0 pro každé j ∈ S. (3.30)
k ∈S k ∈S
k 6=j
Když hledáme řešenı́ prospektivnı́ch Kolmogorovových diferenciálnı́ch rovnic (3.23), pak řešı́me
separátně pro každé i ∈ S soustavu rovnic (3.30) při počátečnı́ podmı́nce
Zı́skáme tak i -tý řádek matice pravděpodobnostı́ přechodů, tj. {pi,j , j ∈ S}.
D - Metoda vytvořujı́cı́ funkce: Pro řešenı́ soustavy rovnic (3.30) při spočetné množině stavů
se použı́vá ”metoda vytvořujı́cı́ funkce”. Metoda požaduje očı́slovánı́ stavů. Pro výklad použijeme
S = N0 . Očı́slovánı́ může být i jiné např. S = N, atd., metoda funguje obdobně.
Zavedeme pomocnou proměnnou s ∈ R a přepı́šeme soustavu rovnic (3.30) tak, že pro i ∈ N0
vynásobı́me i -tou rovnici s i a takto upravené rovnice sečteme. Zı́skáme tak rovnici
+∞ +∞ X
!
X X
fj0 (t) s j = fk (t) qk ,j s j , t > 0, s ∈ R. (3.31)
j =0 j =0 k ∈S
132 NP1-poznámky February 28, 2021:569
P+∞
Označme si levou stranu rovnice (3.31) jako funkci LS (s, t) := j =0 fj0 (t) s j a pravou stranu jako
P+∞ P j
PS (s, t) := j =0 k ∈S fk (t) qk ,j s . Pokud PS má pro každé t > 0 kladný poloměr konvergence
jako mocninná řada v s, pak jsou (3.31) a (3.30) ekvivalentnı́. Je tomu tak proto, že můžeme (3.31)
diferencovat podle s v nule a zı́skat zpět (3.30), tj.
∂ j LS 0 ∂ j PS
P
∂sj (0, t) = j ! fj (t) = ∂sj (0, t) = j ! fk (t) qk ,j .
P+∞ k ∈Sj
Zavedeme funkci Π (s, t) = j =0 fj (t) s a pokusı́me se pomocı́ nı́ a jejı́ch parciálnı́ch derivacı́
přepsat rovnici (3.31).
Lemma 3.52: Necht’ pro každé j ∈ S je dána spojitá funkce fj : [0, ∞) → [0, 1]. Pak hodnota
P+∞
funkce Π (s, t) = j =0 fj (t) s j je korektně definována a je reálná pro každé |s| < 1, t > 0. Také
jejı́ parciálnı́ derivace podle s jsou korektně definovány a jsou reálné
∂k Π
P+∞
∂sk
(s, t) = j =0 j (j − 1) . . . (j − k + 1) fj (t) s j −k pro každé k ∈ N, |s| < 1, t > 0.
Necht’ pro každé j ∈ S je funkce fj spojitě diferencovatelná na intervalu (0, ∞) a ∆j > 0 je
takové, že fj0 (t) ≤ ∆j pro každé t > 0. Označme Θ := lim supj →+∞ 1j log (∆j ) . Když Θ < +∞,
P+∞ 0
pak pro každé |s| < e−Θ , t > 0 platı́ ∂Π ∂t (s, t) =
j
j =0 fj (t) s .
Ihned vidı́me, že za předpokladů lemmatu platı́ LS (s, t) = ∂Π ∂t (s, t) . Vyjádřenı́ pravé strany
rovnice (3.31) záležı́ na konkrétnı́m zadánı́ matice intenzit přechodů Q.
Cı́lem je přepsat rovnici (3.31) jako parciálnı́ diferenciálnı́ rovnici (PDE) pro Π. Pro PDE
jsou známy numerické postupy jejich přibližného řešenı́. V některých speciálnı́ch přı́padech umı́me
nalézt analytické řešenı́. Ukážeme si to na přı́kladech: Poissonův proces v Kapitole 3.4, Yuleův
proces v Kapitole 3.5, lineárnı́ proces množenı́ a zániku v Kapitole 3.7, obslužný systém (M/M/∞)
v Kapitole 3.9.1.
Určeme nynı́ ještě absolutnı́ pravděpodobnosti v čase t. Předpokládejme, že počátečnı́ rozdělenı́
je
p0 = P (X0 = 0) = 1, p1 = P (X0 = 1) = 0. Potom podle (3.3)
Věta 3.53: Když homogennı́ Markovův řetězec se spojitým časem splňuje Požadavek 3.10,
Požadavek 3.17, všechny jeho stavy jsou stabilnı́ a S konečná nebo pro každé j ∈ S existujı́
p (h)
δj > 0, ∆j > 0 tak, že k ,jh − qk ,j ≤ ∆j pro všechna k ∈ S, k 6= j a 0 < h < δj , potom v
každém t > 0 jsou pro všechna i , j ∈ S splněny
Za stejných podmı́nek, za jakých jsme odvodili soustavu prospektivnı́ch Kolmogorovových
diferenciálnı́ch rovnic, můžeme odvodit soustavu diferenciálnı́ch rovnic pro absolutnı́ pravděpo-
dobnosti: z (3.3) a (3.23) dostaneme
X
p0j (t) = −pj (t) qj + pk (t) qk ,j , j ∈ S
k ∈S
k 6=j
Petr Lachout February 28, 2021:569 133
s počátečnı́ podmı́nkou
pi (0) = 1, pj (0) = 0, j 6= i .
t
Při této počátečnı́ podmı́nce odpovı́dajı́ absolutnı́ pravděpodobnosti i -tému řádku matice P (t).
Některými speciálnı́mi přı́pady takových rovnic a metodami řešenı́ se budeme zabývat později.
se nazývá invariantnı́ mı́ra řetězce X. Pravděpodobnostnı́ rozdělenı́ π = {πi , i ∈ S}, které splňuje
(3.32), se nazývá stacionárnı́ rozdělenı́ tohoto řetězce.
t
Věta 3.55: Je-li počátečnı́ rozdělenı́ homogennı́ho Markovova řetězce se spojitým časem X =
{Xt , t ≥ 0} stacionárnı́, je X striktně stacionárnı́ proces, tj. pro libovolné k ∈ N, 0 ≤ t1 · · · < tk ,
pro každé s > 0 a libovolná i1 , . . . , ik ∈ S platı́
Důkaz. Věta se dokáže zcela analogicky jako Věta 2.106 s použitı́m vlastnostı́ (3.2), (3.3) a definice
stacionárnı́ho rozdělenı́.
Věta 3.57: Limitnı́ rozdělenı́ homogennı́ho Markovova řetězce se spojitým časem je také jeho
stacionárnı́m rozdělenı́m.
134 NP1-poznámky February 28, 2021:569
Řešenı́ rovnice (3.32) pro každé t ≥ 0 může být obtı́žné. Ukážeme si proto, jak lze stacionárnı́
rozdělenı́ určit pomocı́ matice intenzit přechodu Q. Nejdřı́ve však popı́šeme strukturu množiny
stavů řetězce se spojitým časem.
Definice 3.58: Řekneme, že stav j homogennı́ho Markovova řetězce se spojitým časem X =
{Xt , t ≥ 0} je
dosažitelný ze stavu i ∈ S, jestliže
Řekneme, že homogennı́ Markovův řetězec se spojitým časem je nerozložitelný, jestliže každý jeho
stav je dosažitelný z každého jeho stavu.
t
Obdobně jako u homogennı́ch Markovových řetězců s diskrétnı́m časem je každý stav dosažitelný
sám ze sebe, nebot’ pi,i (0) = 1. Pomocı́ pojmu dosažitelnost můžeme definovat rozklad množiny
stavů zcela analogicky jako pro řetězce s diskrétnı́m časem.
Věta 3.59: Necht’ X = {Xt , t ≥ 0} je regulárnı́ homogennı́ Markovův řetězec se spojitým časem
a Y = {Yn , n ∈ N0 } je jeho vnořený Markovův řetězec. Pak pro i , j ∈ S, i 6= j je ekvivalentnı́:
Petr Lachout February 28, 2021:569 135
(1) j je dosažitelný z i v X.
(2) j je dosažitelný z i v Y.
(3) Existuje k ∈ N a stavy i0 = i , i1 , . . . , ik −1 , ik = j tak, že qi0 ,i1 qi1 ,i2 . . . qik −1 ,ik > 0.
(4) pi,j (t) > 0 ∀ t > 0.
(5) pi,j (t) > 0 pro nějaké t > 0.
c) Když pro stavy α, β ∈ S je qα,β = p0α,β (0+ ) > 0, pak je pα,β (s) > 0 pro všechna 0 < s ≤ δ pro
nějaké δ > 0. Potom pro všechna t > δ
Z Věty 3.59 plyne, že řetězec X = {Xt , t ≥ 0} je nerozložitelný právě když přı́slušný vnořený řetězec
Y = {Yn , n ∈ N0 } je nerozložitelný.
Definice 3.60: Uvažujme homogennı́ Markovův řetězec se spojitým časem X = {Xt , t ≥ 0} a stav
j ∈ S. Pak definujeme:
(i) Čas prvnı́ho návratu (vstupu) do stavu j
Tj (1) = inf {t ≥ J1 : Xt = j } .
(ii) Stav j se nazývá trvalý, jestliže bud’ qj = 0 (j je absorpčnı́) nebo qj > 0 a současně
Pj (Tj (1) < ∞) = 1.
(iii) Stav j se nazývá přechodný, jestliže qj > 0 a Pj (Tj (1) = ∞) > 0.
136 NP1-poznámky February 28, 2021:569
(iv) Trvalý stav j se nazývá nenulový, jestliže bud’ qj = 0, nebo Ej [Tj (1)] < ∞.
(v) Trvalý stav j se nazývá nulový, jestliže Ej [Tj (1)] = ∞.
Lemma 3.61: Mějme homogennı́ Markovův řetězec se spojitým časem X = {Xt , t ≥ 0} s vnořeným
Markovovým řetězcem Y = {Yn , n ∈ N0 }, i ∈ S, Ti (1) je čas prvnı́ho návratu řetězce X do i , τi (1)
je čas prvnı́ho návratu řetězce Y do i . Pak Ti (1) nabývá pouze hodnot {Jn , n ∈ N} ∪ {∞} a pro
každé ω ∈ Ω, n ∈ N platı́
Lemma 3.62: Mějme homogennı́ Markovův řetězec se spojitým časem X = {Xt , t ≥ 0} a stav
j ∈ S. Pak stav j je trvalý ve vnořeném řetězci {Yn } tehdy a jen tehdy, když je trvalý v {Xt }.
t
Avšak trvalý stav, který je nenulový ve vnořeném řetězci {Yn }, nemusı́ mı́t stejnou vlastnost
v {Xt }.
Věta 3.63: Necht’ X = {Xt , t ≥ 0} je homogennı́ Markovův řetězec se spojitým časem, s maticı́ in-
tenzit přechodu Q a vnořeným řetězcem {Yn , n ∈ N0 }, který je nerozložitelný a jehož všechny stavy
jsou trvalé. Potom existuje invariantnı́ mı́ra η procesu {Xt , t ≥ 0}, která je určena jednoznačně až
na multiplikativnı́ konstantu jako řešenı́ soustavy
Důkaz. Ukážeme jen hlavnı́ kroky důkazu. Necht’ η = {ηj ≥ 0, j ∈ S} je řešenı́ rovnice η > Q = 0> .
Zapı́šeme-li tuto vektorovou rovnici po složkách, dostaneme
X X
ηi qi,j = ηi qi,j + ηj qj ,j = 0, j ∈ S,
i∈S i6=j
neboli
X
ηi qi,j = ηj qj , j ∈ S.
i6=j
Petr Lachout February 28, 2021:569 137
tedy {ηj qj , j ∈ S} je invariantnı́ mı́ra vnořeného Markovova řetězce s diskrétnı́m časem a ma-
ticı́ pravděpodobnostı́ přechodů Q∗ = qi,j
∗
, i , j ∈ S . Tento řetězec je podle předpokladu ne-
rozložitelný s trvalými stavy; podle Cvičenı́ 2.144 musı́ být (až na multiplikativnı́ konstantu)
τi (1)−1
X
0 < ηj qj = Ei I(Yn = j ) < ∞
n=0
je střednı́ doba setrvánı́ ve stavu j mezi dvěma návraty řetězce X = {Xt , t ≥ 0} do stavu i ∈ S. Je
totiž
Z ∞ Z ∞
∞X
µij = Pi (Xt = j , Ti (1) > t) dt = Pi (Yn = j, Jn ≤ t < Jn+1 , Ti (1) > t) dt.
0 0 n=0
Využijeme-li podmiňovánı́, markovské vlastnosti a toho, že Ti (1) , τi (1) jsou markovské časy, pro
které
dostaneme
∞ Z
X ∞
µij = Pi (Jn ≤ t < Jn+1 |Yn = j ) Pi (Yn = j , τi (1) > n) dt
n=0 0
X∞
= Ei [Sn+1 |Yn = j ] Pi (Yn = j , τi (1) > n)
n=0
τi (1)−1
1 X
= Ei I(Xn = j ) = ηj .
qj n=0
Nynı́ je třeba ukázat, že η je invariantnı́ mı́ra procesu X = {Xt , t ≥ 0}. Protože
"Z #
Z s s+Ti (1)
Ei I(Xt = j ) dt = Ei (Xt = j ) dt ,
0 Ti (1)
je
hR i hR i
R s Ti (1) Ti (1)+s
ηj = µij 2
= Ei 0
I(X t = j ) dt + E i s
I(Xt = j ) dt = E i s
I(Xt = j ) dt
R∞
= 0 Pi (Xt+s = j, Ti (1) > t) dt
R ∞ P∞
= 0 k =0 Pi (Xt+s = j |Xt = k, Ti (1) > t ) Pi (Xt = k , Ti (1) > t) dt,
138 NP1-poznámky February 28, 2021:569
P
Poznámka. Je-li S konečná a vnořený řetězec nerozložitelný, je suma k ∈S ηk vždy konečná,
a lze ho určit jako řešenı́ rovnice π > Q =
stacionárnı́ rozdělenı́ π v řetězci X = {Xt , t ≥ 0} existuje P
>
0 , které splňuje podmı́nky πj > 0 pro všechna j ∈ S a j ∈S πj = 1.
t
Věta 3.64: Necht’ X = {Xt , t ≥ 0} je homogennı́ Markovův řetězec se spojitým časem, s maticı́
intenzit přechodu Q a vnořeným řetězcem {Yn , n ∈ N0 } , který je nerozložitelný a jehož všechny
stavy jsou trvalé. Necht’ π = {πj , j ∈ S} , kde πj > 0 pro všechna j ∈ S a j ∈S πj = 1, je řešenı́
P
rovnice
π > Q = 0> .
Důkaz. Podle Věty 3.63 je π stacionárnı́ rozdělenı́ řetězce X = {Xt , t ≥ 0}, tedy platı́
π > = π > P (t) pro všechna t ≥ 0. Protože vnořený řetězec je nerozložitelný, je podle Věty 3.59
pi,j (t) > 0 pro všechna t > 0 a všechna i , j ∈ S.
Uvažujme nynı́ diskrétnı́ časové okamžiky 0, h, 2h, 3h, . . . pro nějaké h > 0 a posloupnost
náhodných veličin Z = {Zn , n ∈ N0 } definovaných předpisem Zn = Xnh . Zřejmě je
P ( Zn = j | Zn−1 = i , . . . , Z0 = i0 ) = P Xnh = j | X(n−1)h = i , . . . , X0 = i0 = pi,j (h).
tedy
Dále máme
a vzhledem ke stejnoměrné spojitosti pi,j (t), viz Věta 3.11, bude také |pi,j (t) − pi,j (nh)| < ε pro
všechna nh ≤ t ≤ (n + 1)h a dostatečně malé h. Odtud již plyne tvrzenı́ (3.35).
Tvrzenı́ (3.36) plyne ihned, použijeme-li limitnı́ přechod pro t → ∞ ve vztahu
X
pj (t) = pi (0) pi,j (t), j ∈ S;
i∈S
pořadı́ limity a sumace můžeme podle Lebesgueovy věty zaměnit, nebot’ máme integrovatelnou
majorantu 0 ≤ pi (0) pi,j (t) ≤ pi (0) pro všechna i ∈ S.
Přı́klad 3.65: Pokračovánı́ Přı́kladu 3.50. Uvažujme opět model, ve kterém práce stroje je
popsána homogennı́m Markovovým řetězcem se spojitým časem a stavy 0, 1. K matici intenzit
přechodu
−α α
Q=
β −β
β + αe−(α+β)t α − αe−(α+β)t
1
P (t) = .
α+β β − βe−(α+β)t α + βe−(α+β)t
β α
!
α+β α+β
lim P (t) = β α .
t→∞ α+β α+β
Složky vektoru
>
β α
a= ,
α+β α+β
tvořı́ stacionárnı́ rozdělenı́ daného homogennı́ho Markovova řetězce se spojitým časem. Ke stejnému
výsledku dospějeme řešenı́m soustavy (3.34), která v našem přı́padě znı́
−π0 α + π1 β = 0,
π0 α − π1 β = 0.
linek obsazeno, dalšı́ hovor se ztrácı́. Doby jednotlivých hovorů jsou nezávislé náhodné veličiny,
nezávislé na přı́chodu hovorů.
Dále předpokládejme, že doba trvánı́ každého hovoru je náhodná veličina T s exponenciálnı́m
rozdělenı́m s parametrem µ > 0 (tj. střednı́ hodnotou µ1 ). Potom podmı́něná pravděpodobnost,
že hovor, který trvá v čase t ≥ 0, skončı́ během intervalu (t, t + h] je
podobně odvodı́me
j
pj ,j −1 (h) = [µh + o(h)][1 − µ(h) + o(h)]j −1 [1 − λh + o(h)] + o(h) = j µh + o(h)
1
pro j ∈ {1, 2, . . . , N }
a také
qj ,j +1 = λ, j ∈ {0, 1, . . . , N − 1},
qj ,j −1 = j µ, j ∈ {1, 2, . . . , N },
qj = λ + j µ, j ∈ {1, 2, . . . , N − 1},
q0 = λ,
qN = N µ,
qi,j = 0 jinak.
−λπ0 + µπ1 = 0,
λπj −1 − (λ + j µ)πj + (j + 1)µπj +1 = 0, j ∈ {1, 2, . . . , N − 1}, (3.37)
λπN −1 − N µπN = 0.
Petr Lachout February 28, 2021:569 141
Rovnice můžeme řešit jednu po druhé; postupným řešenı́m odvodı́me rekurentnı́ vztah
j
λ 1
πj = π0 , j ∈ {1, 2, . . . , N }. (3.38)
µ j!
PN
Odtud a z podmı́nky j =0 aj = 1 dostaneme
N
!−1
ρj X ρk
aj = , j ∈ {0, 1, . . . , N },
j! k!
k =0
kde ρ = µλ .
Vztah (3.38) dostaneme i rychleji, když zavedeme
K1 = 0,
Kj +1 − Kj = 0, j ∈ {1, 2, . . . , N − 1},
KN = 0.
Přı́klad 3.67: Stroje a opraváři. V továrnı́ hale, ve které je nepřetržitý provoz, pracuje N
automatických strojů. U každého stroje může dojı́t k poruše, přičemž výskyt poruchy nezávisı́
na předchozı́m stavu stroje ani na stavu ostatnı́ch strojů. O stroje se stará r opravářů. Stroj,
který se porouchá, se začne okamžitě opravovat, pokud je nějaký opravář volný; pokud je všech
r opravářů zaměstnáno, stroj nepracuje a čeká na opravu. Předpokládá se, že na opravě jednoho
stroje pracuje jen jeden opravář a opraváři pracujı́ nezávisle.
Předpokládejme, že každý stroj, který v čase t ≥ 0 pracuje, se během intervalu (t, t + h]
porouchá s pravděpodobnostı́ λh + o(h) , λ > 0. Stroj, který je v čase t ≥ 0 opravován, je
v intervalu (t, t + h] znovu uveden do provozu s pravděpodobnostı́ µh + o(h) , µ > 0.
Necht’ Xt je počet strojů, které v čase t ≥ 0 nepracujı́; za předpokladů, které jsme učinili, je X =
{Xt , t ≥ 0} homogennı́ Markovův řetězec se spojitým časem a množinou stavů S = {0, 1, . . . , N }.
Podobnými úvahami jako v předešlém přı́kladě zjistı́me, že
qj ,j +1 = (N − j )λ, 0 ≤ j < N,
qj ,j −1 = j µ, 1 ≤ j ≤ r,
qj ,j −1 = rµ, r < j ≤ N,
qj ,k = 0, j 6= k jinak
142 NP1-poznámky February 28, 2021:569
a celkové intenzity
q0 = N λ,
qj = (N − j )λ + j µ, 1 ≤ j ≤ r,
qj = (N − j )λ + rµ, r < j < N,
qN = rµ.
Určeme limitnı́ pravděpodobnosti podle Věty 3.64. Soustava rovnic a> Q = 0> je
−N λπ0 + µπ1 = 0,
(N − j + 1)λπj −1 − ((N − j )λ + j µ)aj + (j + 1)µπj +1 = 0, 1 ≤ j < r,
(N − j + 1)λπj −1 − ((N − j )λ + rµ)aj + rµπj +1 = 0, r ≤ j < N,
λπN −1 − rµπN = 0.
K1 = 0,
Kj +1 − Kj = 0, 1 ≤ j < r,
Kj∗+1 − Kj∗ = 0, r ≤ j < N,
KN∗ = 0.
P (Xt+h − Xt = 1) = λh + o(h) ,
P (Xt+h − Xt = 0) = 1 − λh + o(h) ,
P (Xt+h − Xt ≥ 2) = o(h)
Petr Lachout February 28, 2021:569 143
stejnoměrně pro všechna t. Celkové intenzity jsou pro všechny stavy stejné, potom Ve shodě
s pozorovanou realitou budeme předpokládat, že proces splňuje také Požadavek 3.14. proto je
regulárnı́.
Vı́me již, že jde o homogennı́ Markovův řetězec se spojitým časem a množinou stavů S =
{0, 1, . . . }, s počátečnı́m rozdělenı́m p0 = p0 (0) = P (X0 = 0) = 1, pj (0) = 0, j 6= 0 a intenzitami
přechodů qi,i+1 = λ, qi = −qii = λ, qij = 0 jinak. Pravděpodobnosti přechodů pij (t) bychom
mohli určit např. ze soustavy Kolmogorovových prospektivnı́ch rovnic (3.23). Již jsme se zmı́nili,
že pokud se omezı́me pouze na určenı́ absolutnı́ch pravděpodobnostı́ pj (t) , j ∈ S s počátečnı́m
rozdělenı́m pi = pi (0) = 1, pj = pj (0) = 0, j 6= i, stačı́ řešit soustavu diferenciálnı́ch rovnic, které
odpovı́dajı́ i−tému řádku matice P (t), tj. máme řešit soustavu diferenciálnı́ch rovnic
X
p0j (t) = −pj (t) qj + pk (t) qkj , j ∈ S
k6=j
s počátečnı́ podmı́nkou
pi (0) = 1, pj (0) = 0, j 6= i .
s počátečnı́ podmı́nkou
Soustava (3.39) je soustava obyčejných lineárnı́ch diferenciálnı́ch rovnic a mohli bychom je řešit
jednu po druhé; zde si uvedeme metodu vytvořujı́cı́ funkce.
Uvažujme vytvořujı́cı́ funkci rozdělenı́ {pj (t) , j ∈ N0 }, tj.
∞
X
Π (s, t) = pj (t) s j pros ∈ (−1, 1), t ≥ 0,
j =0
jako funkci dvou proměnných s, t. Vynásobı́me-li j−tou rovnici soustavy (3.39) výrazem s j a
potom formálně sečteme všechny takto vynásobené rovnice, dostaneme vztah
∞
X ∞
X ∞
X ∞
X ∞
X
p0j (t) s j = −λ s j pj (t) + λ pj −1 (t) s j = −λ s j pj (t) + λs pj (t) s j .
j =0 j =0 j =1 j =0 j =0
Π (s, 0) = s i . (3.42)
Pro pevné s lze (3.41) řešit jako obyčejnou lineárnı́ diferenciálnı́ rovnici v proměnné t. Obecné
řešenı́ této rovnice je
Π (s, t) = C(s)e−λt(1−s) ,
kde C(s) je konstanta závislá pouze na s. Z počátečnı́ podmı́nky (3.42) plyne C(s) = s i , tedy
∞
i −λt+λst −λt
X (λt)j
Π (s, t) = s e =e s j +i .
j =0
j!
144 NP1-poznámky February 28, 2021:569
Odtud
j
e−λt (λt)
pj +i (t) = , j ∈ N0 , t≥0
j!
jsou hledané absolutnı́ pravděpodobnosti; jde o Poissonovo rozdělenı́ s parametrem λt. Odtud také
plyne např., že střednı́ počet událostı́, které nastanou v intervalu (0, t], je λt.
Protože podle předpokladu počet událostı́ v libovolném intervalu (s, s + t] závisı́ jen na délce
tohoto intervalu. Plyne odtud, že také přı́růstky Xs+t −Xs majı́ Poissonovo rozdělenı́ s parametrem
λt pro všechna s, t > 0.
Poznámka. Proces {Xt , t ≥ 0} celočı́selných náhodných veličin, který reprezentuje počet nějakých
událostı́, které se vyskytnou v intervalu [0, t] se nazývá čı́tacı́ proces (ang. Counting Process).
Poissonův proces s intenzitou λ je tedy čı́tacı́ proces s nezávislými a stacionárnı́mi přı́růstky
takový, že X0 = 0 a pro t > 0 má Xt Poissonovo rozdělenı́ s parametrem λt.
t
Necht’ Sj , j ∈ N značı́ dobu mezi přı́chodem události j − 1 a j , tedy dobu, po kterou řetězec
setrvá ve stavu j − 1. Podle Věty 3.29 jsou Sj náhodné veličiny, které majı́ exponenciálnı́ rozdělenı́
se stejným parametrem λ, tj. se střednı́ hodnotou λ1 . Ukažme, že Sj jsou vzájemně nezávislé:
Pro S1 a S2 máme
Z ∞
P (S1 > x, S2 > y) = P ( S2 > y| S1 = u) λe−λu du,
x
P ( S2 > y| S1 = u) = P ( Xt = 1, u ≤ t ≤ y + u| Xu = 1) = e−λy ,
tedy
Z ∞
−λy
P (S1 > x, S2 > y) = e λe−λu du = e−λx e−λy = P (S1 > x) P (S2 > y) .
x
Vnořený diskrétnı́ řetězec {Yn , n ∈ N0 } Poissonova procesu má matici pravděpodobnostı́ přechodů
Q∗ s prvky qi,i ∗ ∗
= 0, qi,i+1 ∗
= 1, qi,j = 0 jinak. Poissonův proces je regulárnı́, nebot’ qi = λ pro
každé i ∈ N0 , tedy podle Věty 3.40 je s pravděpodobnostı́ jedna
∞ ∞
X 1 X 1
= = ∞.
q
i=0 Yi i=0
λ
Protože i zbytek doby čekánı́ na přı́jezd autobusu linky č. 1 má exponenciálnı́ rozdělenı́ s para-
metrem λ1 a doby mezi přı́jezdy jsou nezávislé, je pravděpodobnost, že prvnı́ dva autobusy, které
přijedou do stanice, budou autobusy linky č. 2, rovna ( λ1λ+λ
2
2
)2 .
t
qj ,j +1 = j λ, qj = j λ pro j ∈ N, qj ,k = 0 jinak.
Předpokládejme, že na počátku je v populaci pouze jeden jedinec, tj. uvažujme počátečnı́
rozdělenı́ p1 (0) = 1, pj (0) = 0, j > 1. Omezı́me-li se opět na výpočet absolutnı́ch pravděpodobnostı́,
zjistı́me, že musı́ splňovat prospektivnı́ soustavu diferenciálnı́ch rovnic
s počátečnı́ podmı́nkou p1 (0) = 1. Soustavu (3.43) budeme řešit opět metodou vytvořujı́cı́ funkce:
vynásobı́me-li j−tou rovnici výrazem s j a sečteme všechny rovnice, dostaneme
∞
X ∞
X ∞
X
p0j (t) s j = −λ j pj (t) s j + λ (j − 1)pj −1 (t) s j
j =1 j =1 j =2
X∞ ∞
X
= −λs j pj (t) s j −1 + λs 2 j pj (t) s j −1 ,
j =1 j =1
ln s − ln(1 − s) = λt + C,
neboli
s
= C1 eλt .
1−s
s
Prvnı́ integrál pomocné diferenciálnı́ rovnice je 1−s e−λt = C1 a podle Věty B.14 je obecné řešenı́
rovnice (3.44) tvaru
s
Π (s, t) = F e−λt ,
1−s
kde F je nějaká diferencovatelná funkce. Z počátečnı́ podmı́nky (3.45) plyne, že
s
F = s.
1−s
s
Položı́me-li 1−s = x , dostaneme
x
F (x ) = .
1+x
Tudı́ž vytvořujı́cı́ funkce má tvar
s se−λt
Π (s, t) = = .
s − seλt + eλt 1 − s(1 − e−λt )
Poslednı́ výraz rozvineme v mocninnou řadu a dostaneme
∞ ∞
X k X k −1 k
Π (s, t) = se−λt [s(1 − e−λt )] = e−λt (1 − e−λt ) s .
k =0 k =1
Petr Lachout February 28, 2021:569 147
Proces je regulárnı́, nebot’ při počátečnı́ podmı́nce X0 = i0 ≥ 1 pro stavy vnořeného řetězce
{Yn } platı́ Pi0 (Yi = i + i0 ) = 1, i = 1, 2, . . . a tedy s pravděpodobnostı́ 1
∞ ∞
X 1 X 1
= = ∞.
q
n=1 Yn i=1
λ(i + i0 )
přičemž intenzity růstu λj > 0 vyjadřujı́ obecnou (tedy nejen lineárnı́) závislost na okamžitém
stavu j dané populace.
Absolutnı́ pravděpodobnosti P (Xt = j ) = pj (t) vyhovujı́ soustavě diferenciálnı́ch rovnic
p0i0 (t) = −λi0 pi0 (t),
p0j (t) = λj −1 pj −1 (t) − λj pj (t) , j > i0
s počátečnı́ podmı́nkou pi0 (0) = 1.
Postupným řešenı́m jednotlivých rovnic k přihlédnutı́m k počátečnı́ podmı́nce dostaneme
pi0 (t) = e−λi0 t ,
Z t
pj (t) = λj −1 e−λj t eλj s pj −1 (s) ds, j > i0 .
0
nebot’ pro přı́slušný vnořený řetězec {Yn } platı́, že pro každé i0 ≥ 0 je Pi0 (Yn = n + i0 ) = 1 a dále
lze postupovat podle Věty 3.40.
148 NP1-poznámky February 28, 2021:569
q0,k = 0, k ∈ N,
qj ,j +1 = j λ, j ∈ N,
qj ,j −1 = j µ, j ∈ N,
qj ,k = 0, j ∈ N, k ∈ N, k 6∈ {j − 1, j , j + 1},
q0 = 0,
qj = j (λ + µ), j ∈ N
(k odvozenı́ použijeme stejných pravděpodobnostnı́ch úvah, které jsme použili již vı́cekrát.)
Absolutnı́ pravděpodobnosti pj (t) = P (Xt = j ) vyhovujı́ soustavě diferenciálnı́ch rovnic
Předpokládejme, že p1 (0) = 1. Použijeme-li metodu vytvořujı́cı́ funkce, dostaneme již známým
postupem rovnici
∞
X ∞
X ∞
X ∞
X
p0j (t) s j
= j
(j + 1)µpj +1 (t) s + j
(j − 1)λpj −1 (t) s − j (λ + µ)pj (t) s j ,
j =0 j =0 j =1 j =1
neboli
∂Π ∂Π ∂Π ∂Π
(s, t) = µ (s, t) + λs 2 (s, t) − s(λ + µ) (s, t) (3.46)
∂t ∂s ∂s ∂s
∂Π ∂Π
= [µ + λs 2 − s(λ + µ)] (s, t) = (µ − λs)(1 − s) (s, t)
∂s ∂s
s počátečnı́ podmı́nkou
Π (s, 0) = s. (3.47)
x−1
F (x ) = .
x
Hledané řešenı́ tedy je
1
λt + −1
1−s λt + s(1 − λt) λt 1 − λt 1
Π (s, t) = 1 = = + s λt
λt + 1−s 1 + λt − λts 1 + λt 1 + λt 1 − 1+λt s
X ∞ j
λt 1 − λt λt
= +s sj
1 + λt 1 + λt j =0 1 + λt
∞ j +1 ∞ j
X λt j 1 − λt X λt
= s + s j +1
j =0
1 + λt 1 + λt j =0
1 + λt
∞
" j +1 j −1 #
λt X λt 1 − λt λt
= + + sj
1 + λt j =1 1 + λt 1 + λt 1 + λt
∞
" 2 # j −1
λt X λt 1 − λt λt
= + + sj
1 + λt j =1 1 + λt 1 + λt 1 + λt
∞
" # j −1
2 2
λt X (λt) 1 − (λt) λt
= + + sj
1 + λt j =1 (1 + λt)2 (1 + λt)
2 1 + λt
∞ j −1
λt X 1 λt
= + sj .
1 + λt j =1 (1 + λt)2 1 + λt
Odtud dostáváme
λt
p0 (t) = ,
1 + λt
j −1
(λt)
pj (t) = j +1 , j ∈ N.
(1 + λt)
Prvnı́ integrál je
µ − λs (µ−λ)t
e = C1
1−s
150 NP1-poznámky February 28, 2021:569
µ−λs
a položı́me-li 1−s = x, dostaneme
µ−x
F (x ) = .
λ−x
1 − e(λ−µ)t
A(t) = ,
µ − λe(λ−µ)t
λ − µe(λ−µ)t
1
Π (s, t) = µA(t) − s
1 − λs A(t) µ − λe(λ−µ)t
µA(t) − (λA(t) + µA(t) − 1)s
= ,
1 − λs A(t)
neboli
∞
j −1 j
X
Π (s, t) = µA(t) + (1 − λA(t))(1 − µA(t)) (λA(t)) s ,
j =1
p0 (t) = µA(t),
j −1
pj (t) = (1 − λA(t))(1 − µA(t))(λA(t)) , j ∈ N.
1 0 0 0 ...
µ λ
λ+µ 0 λ+µ 0 . . .
∗
Q = 0 µ .
λ
λ+µ 0 λ+µ . . .
.. .. .. .. ..
. . . . .
Vidı́me tedy, že stav 0 je absorpčnı́; populace, která zanikne, se již nemůže obnovit. Ostatnı́
stavy jsou přechodné. Stav 0 je z každého z nich dosažitelný, ale návrat nenı́ možný.
Petr Lachout February 28, 2021:569 151
qj ,j +1 = λj , j ∈ N0 ,
qj ,j −1 = µj , j ∈ N,
qj ,k = 0 jinak,
q0 = λ0 ,
qj = λj + µj , j ∈ N.
Vidı́me tedy, že vnořený řetězec je nerozložitelný. O tom, zda všechny jeho stavy jsou trvalé
nebo přechodné, můžeme rozhodnout např. podle Věty 2.101. Budeme-li postupovat podle
Věty 2.101, budeme řešit soustavu
λ1
x1 = x2 , (3.49)
λ1 + µ1
µj λj
xj = xj −1 + xj+1 , j ≥ 2.
λj + µj λj + µj
152 NP1-poznámky February 28, 2021:569
Položı́me-li
µ1 . . . µj
σ0 = 1, σj = , j ∈N (3.50)
λ1 . . . λj
a x1 = ξ, lze řešenı́ soustavy (3.49) zapsat ve tvaru
x1 = σ0 ξ,
xj = (σ0 + σ1 + · · · + σj −1 )ξ, j ≥ 2.
P∞
Pokud k =0 σk < P ∞, existuje v intervalu [0, 1] netriviálnı́ řešenı́ soustavy (3.49)
∞
(stačı́ zvolit
P∞ ξ = 1/ k =0 σk ) a všechny stavy vnořeného řetězce jsou přechodné.
Pokud k =0 σk = ∞, potom jediné řešenı́ soustavy (3.49) v intervalu [0, 1] je triviálnı́ a
všechny stavy vnořeného řetězce jsou trvalé.
2. Pro trvalé stavy ještě potřebujeme určit, kdy jsou nulové a kdy nenulové. Využijeme k tomu
existenci nebo neexistenci stacionárnı́ho rozdělenı́. Jsou-li všechny stavy řetězce trvalé, pak
podle Věty 3.64, můžeme limitnı́ pravděpodobnosti aj =Plimt→∞ pj (t) hledat jako řešenı́
∞
soustavy a> Q = 0> , které vyhovuje podmı́nkám aj > 0, j =0 aj = 1.
Uvažovaná soustava znı́
−λ0 a0 + µ1 a1 = 0,
λj −1 aj −1 − (λj + µj )aj + µj +1 aj +1 = 0, j ∈ N.
Položı́me-li
µj aj − λj −1 aj −1 = Kj , j ∈ N,
K1 = 0,
Kj+1 − Kj = 0, j ∈ N.
λj −1 λj −1 λj −2 λj −1 λj −2 . . . λ0
aj = aj −1 = aj −2 = · · · = a0 = ρj a0 ,
µj µj µj −1 µj µj −1 . . . µ1
aj = ρj a0 , j ∈ N0 .
P∞
Řešenı́ {aj , j ∈ N0 } bude pravděpodobnostnı́ rozdělenı́ právě tehdy, když k =0 ρk < ∞;
potom bude platit
∞
!−1
X
aj = ρj ρk a aj > 0, j ∈ N0 . (3.52)
k =0
Petr Lachout February 28, 2021:569 153
∗
3. Pokud bude λ0 = 0, bude stav 0 absorpčnı́ a vnořený řetězec bude rozložitelný (bude q0,0 =
1); pravděpodobnost, že populace, která má na počátku právě i jedinců, někdy vymře, je
stejná jako pravděpodobnost, že vnořený řetězec, který byl na počátku ve stavu i , někdy
skončı́ v absorpčnı́m stavu 0. Hledaná pravděpodobnost vymřenı́ je limt→∞ pi,0 (t), označı́me-
∗
li ji ui , můžeme ji určit podle Věty 2.95 pomocı́ pravděpodobnostı́ qi,j jako řešenı́ soustavy
∞
X
∗ ∗
ui = qi,0 + qi,k uk , i ∈ N,
k =1
µ1 λ1
u1 = + u2 ,
λ1 + µ1 λ1 + µ1
µi λi
ui = ui−1 + ui+1 , i ≥ 2.
λi + µi λi + µi
4. Bez důkazu ještě uved’me, že postačujı́cı́ podmı́nka pro regularitu řetězce je
∞
X 1
= ∞.
λ
j =1 j
Tato podmı́nka zaručuje regularitu v procesu růstu, kdy se rozsah populace jen zvětšuje;
nynı́ to však nenı́ podmı́nka nutná. Pro lineárnı́ proces množenı́ a zániku je zřejmě tato
podmı́nka splněna.
λj = λ, j ∈ N0 ,
µj = j µ, j ∈ N,
154 NP1-poznámky February 28, 2021:569
Pravděpodobnosti přechodů
Diferenciálnı́ rovnice pro absolutnı́ pravděpodobnosti pj (t) tudı́ž jsou
řešenı́m rovnic
1 µ
ds = −µ dt, ds = dΠ
1−s λΠ
dostaneme dva nezávislé prvnı́ integrály
λ
(1 − s)e−µt = C1 , e− µ s Π = C2 .
pro nějakou diferencovatelnou funkci F dvou proměnných. Předpokládáme, že Π lze vyjádřit
explicitně jako funkci prvnı́ proměnné ve tvaru
λ
Π (s, t) = e µ s G (1 − s)e−µt
Položı́me-li s := 1 − x , dostaneme
λ
G(x ) = (1 − x )i e− µ (1−x ) .
Limitnı́ pravděpodobnosti
Omezı́me-li se pouze na výpočet limitnı́ch pravděpodobnostı́, můžeme je spočı́tat přı́mo. Vnořený
řetězce je nerozložitelný. Podle (3.50) klademe σ0 = 1 a pro k ∈ N
µ1 . . . µk k !µk
σk = = k .
λ1 . . . λk λ
P∞
Zjišt’ujeme k =0 σk = ∞, tudı́ž všechny stavy vnořeného řetězce jsou trvalé. Dále postupujeme
podle vzorců (3.51) a (3.52). Definujeme ρ0 = 1 a pro k ∈ N
λ0 . . . λk −1 λk 1
ρk = = k
= ,
µ1 . . . µk k !µ σk
máme
∞ ∞ k
X X 1 λ λ
ρk = = e µ < ∞,
k! µ
k =0 k =0
156 NP1-poznámky February 28, 2021:569
odkud
k
1 λ λ
ak = e− µ ,
k! µ
qj ,j +1 = λj = λ, 0 ≤ j < ∞,
(
j µ, 1 ≤ j ≤ c,
qj ,j −1 = µj =
cµ, c<j <∞
(ostatnı́ intenzity qj ,k , j 6= k jsou nulové). Jde opět o proces množenı́ a zániku s intenzitami
λj a µj právě definovanými. Omezı́me-li se jen na výpočet pravděpodobnostı́ limitnı́ho rozdělenı́,
dostaneme ze vzorce (3.51)
j
1 λ ,
1 ≤ j ≤ c,
j! µ
ρj = c
j
c λ ,
c < j < ∞;
c! µc
λ
limitnı́ rozdělenı́ existuje, pokud µ < c. Potom
j
1 λ 1
1 ≤ j ≤ c,
R,
j! µ
aj = c
j
c λ
1
, c<j <∞
c! µc R
P∞
(kde jsme položili ρ0 = 1 a R = k =0 ρk ). Střednı́ počet zákaznı́ků v systému v ustáleném
provozu je
∞
X
m1 = j aj ,
j=1
qj ,j +1 = λj = λ, 0 ≤ j ≤ r + c − 1,
(
j µ, 1 ≤ j ≤ c,
qj ,j −1 = µj =
cµ, c < j ≤ r + c,
qj ,k = 0, j 6= k jinak.
ρ0 = 1,
j
1 λ ,
1 ≤ j ≤ c,
j! µ
ρj = c
j
c λ ,
c < j ≤ r + c,
c! µc
zatı́mco
r+c c j r+c j
X X 1 λ cc X λ
R = ρj = +
j =0 j =0
j! µ c! j =c+1 µc
c j c r j
X 1 λ 1 λ X λ
= + .
j =0
j! µ c! µ j =1 µc
Systém (M/M/1)
Systém (M/M/1) s neomezenou délkou fronty je speciálnı́ přı́pad systému (M/M/c) s neomezenou
délkou fronty. Limitnı́ rozdělenı́ existuje, pokud λ < µ; potom
j ∞ −1
λ X λ
ρj = , 0 ≤ j < ∞, R = ρj = 1 − ,
µ j =0
µ
tedy
j
ρj λ λ
aj = = 1− , j ≥ 0,
R µ µ
158 NP1-poznámky February 28, 2021:569
λ
což je geometrické rozdělenı́ s parametrem µ. Střednı́ počet zákaznı́ků v systému je
λ
µ λ
m1 = λ
= ,
1− µ
µ−λ
Určeme ještě střednı́ dobu, kterou zákaznı́k strávı́ čekánı́m ve frontě, a střednı́ dobu strávenou
v systému. Předpokládejme nejdřı́ve, že zákaznı́k se zařadı́ do fronty jako k−tý, k ∈ N, v systému
tedy v okamžiku jeho přı́chodu je k zákaznı́ků (k − 1 ve frontě a jeden, který je právě obsluhován.)
Potom doba, kterou náš zákaznı́k bude čekat ve frontě, je dána součtem dob obsluhy zákaznı́ků ve
frontě před nı́m a zbytku doby zákaznı́ka, který je právě obsluhován. Všechny tyto náhodné veličiny
jsou nezávislé se stejným exponenciálnı́m rozdělenı́m s parametrem µ (vı́me, že exponenciálnı́
rozdělenı́ je rozdělenı́ bez paměti, tudı́ž i zbytková doba obsluhy má exponenciálnı́ rozdělenı́.)
Doba čekánı́ na obsluhu zákaznı́ka, který čeká ve frontě jako k−tý, tak má Erlangovo rozdělenı́
řádu k, jehož distribučnı́ funkce je
j
( Pk −1
1 − e−µx j =0 (µx) j ! , x ≥ 0,
Fk (x ) =
0 jinde.
Rozdělenı́ doby čekánı́ vypočteme podle věty o celkové pravděpodobnosti:
∞ ∞ −1
k
!
X X
−µt
X (µt)j
F (t) = Fk (t)ak = 1−e ak
j =0
j!
k =1 k =1
∞ ∞ X
k
! k
X
−µt
X (µt)j X (µt)j
= 1−e πk+1 = 1 − a0 − e−µt πk+1 ,
j =0
j! j =0
j!
k =0 k =0
Analogicky lze odvodit rozdělenı́ doby strávené zákaznı́kem v systému; je to exponenciálnı́ rozdělenı́
s parametrem µ − λ.
Veličiny Yn , n ∈ N jsou i.i.d., z toho plyne, že posloupnost X = {Xn , n ∈ N0 } je homogennı́ Mar-
kovův řetězec s diskrétnı́m časem s množinou stavů S = N0 a pro n ∈ N0 , i , j ∈ N0 , P (Xn = i ) > 0
jsou jeho pravděpodobnosti přechodů
Řešme tuto soustavu metodou vytvořujı́cı́ funkce. Označme jako A, Γ vytvořujı́cı́ funkce posloup-
nostı́ {aj }, {γj }. Vynásobı́me-li obě strany j -té rovnice ve vztahu (3.54) výrazem s j a všechny
takto upravené rovnice sečteme, pak pro s > 0 dostaneme rovnici
∞
X ∞
X j +1
∞ X
X
γj s j = γ0 aj s j + γi aj −i+1 s j .
j =0 j =0 j =0 i=1
Tedy
Mocninná řada A má poloměr konvergence alespoň 1, protože A(1) = 1. Pravá strana (3.55) má
proto smysl pro všechna 0 < s < 1. Pak i levá strana (3.55) má smysl pro všechna 0 < s < 1.
Budeme tedy rovnici (3.55) uvažovat pouze v oboru 0 < s < 1.
Vyšetřeme funkci ϕ : [0, 1] → R : s ∈ [0, 1] 7→ A(s) − s.
i) ρ > 1.
Pak ϕ0 (1−) = ρ − 1 > 0 a existuje jediné 0 < b s < 1 tak, že ϕ(b s ) = 0. Pro s := bs je levá
strana rovnice (3.55) nulová, proto musı́ být nulová i pravá strana (3.55), což lze pouze tak, že
γ0 = 0. Potom je pravá strana (3.55) nulová pro každé 0 < s < 1 a tudı́ž Γ(s) = 0 pro každé
0 < s < 1. To znamená, že soustava rovnic (2.77) má pouze triviálnı́ řešenı́. Tudı́ž všechny
stavy řetězce jsou přechodné; kdyby totiž všechny stavy řetězce byly trvalé, pak podle Cvičenı́
2.144 vı́me, že soustava rovnic (2.77) má kladné řešenı́.
ii) ρ = 1.
Pak ϕ0 (1−) = ρ − 1 = 0 a ϕ(s) > 0 pro všechna 0 < s < 1, nebot’ ϕ je ryze konvexnı́ na [0, 1].
Petr Lachout February 28, 2021:569 161
To znamená, že pro řetězec neexistuje stacionárnı́ rozdělenı́ a proto jeho stavy nemohou být
trvalé nenulové, viz Věta 2.108. K určenı́, zda jsou všechny stavy řetězce trvalé nulové nebo
přechodné je třeba použı́t kritérium z Věty 2.101.
iii) 0 < ρ < 1.
Pak ϕ0 (1−) = ρ − 1 < 0 a ϕ(s) > (1 − ρ)(1 − s) > 0 pro všechna 0 < s < 1, nebot’ funkce ϕ
je ryze konvexnı́ na [0, 1].
Můžeme tedy v rovnici (3.55) dělit a dostaneme vyjádřenı́
(1 − s)γ0 A(s)
Γ(s) = . (3.56)
A(s) − s
Limitnı́m přechodem pro s → 1 zleva dostaneme použitı́m l’Hospitalova pravidla
∞
X − A(s) + (1 − s) A0 (s) −1 γ0
Γ(1−) = γj = lim Γ(s) = γ0 lim 0
= γ0 = .
j =0
s→1− s→1− A (s) − 1 −ρ + 1 1−ρ
P∞
Vidı́me tedy, že j =0 γj = 1, právě když γ0 = 1 − ρ. Dosadı́me-li zpět do (3.56), máme
(1 − s) A(s)
Γ(s) = (1 − ρ) . (3.57)
A(s) − s
Stacionárnı́ rozdělenı́ tedy existuje a proto podle Věty 2.108 jsou všechny stavy trvalé nenu-
lové.
Zjistili jsme, že pro 0 < ρ < 1 stacionárnı́ rozdělenı́ existuje, všechny stavy řetězce X jsou trvalé
nenulové a vytvořujı́cı́ funkce pravděpodobnostı́ {γj } je dána vzorcem (3.57). Pravděpodobnosti
{γj } určı́me rozvojem funkce Γ a střednı́ délku fronty spočteme jejı́m derivovánı́m jako Γ0 (1−).
Cvičenı́ 3.69: Necht’ Q je matice intenzit Markovova řetězce s N stavy a spojitým časem, t.j.
N
X
qi,j ≥ 0, j 6= i , qi,i = −qi ≤ 0, qi,j = 0.
j =1
Cvičenı́ 3.70: Necht’ Q je konečná matice intenzit taková, že qi > 0 pro všechna i ∈ S. Necht’
Q∗ = DQ + I,
kde D = diag q11 , q12 , . . . , q1N a N je řád matice. Potom Q∗ je stochastická matice a je ne-
rozložitelná. Dokažte.
162 NP1-poznámky February 28, 2021:569
Cvičenı́ 3.71: Necht’ Q je konečná matice intenzit taková, že qi > 0 pro všechna i ∈ S. Potom
čı́slo nula je vlastnı́ čı́slo matice Q. Dokažte.
Cvičenı́ 3.72: Dokažte, že za podmı́nky (3.6) jsou absolutnı́ pravděpodobnosti Markovova řetězce
se spojitým časem stejnoměrně spojité v t, t ≥ 0.
Cvičenı́ 3.73: Necht’ X1 , . . . , Xn jsou nezávislé stejně rozdělené náhodné veličiny s exponenciálnı́m
rozdělenı́m s parametrem λ, t.j. s hustotou
(
λe−λx , x ≥ 0,
f (x) =
0, x < 0.
a distribučnı́ funkci
(λx)j
( Pn−1
1 − e−λx j =0 j! , x ≥ 0,
Fn (x) =
0, x<0
Cvičenı́ 3.74: Necht’ X je náhodná veličina s exponenciálnı́m rozdělenı́m. Potom pro všechna
s, t ≥ 0 platı́
t
Petr Lachout February 28, 2021:569 163
Cvičenı́ 3.76: Necht’ {Xn , n ∈ N0 } je posloupnost nezávislých náhodných veličin, Xn má expo-
nenciálnı́ rozdělenı́ s parametrem λn > 0, n ∈ N0 . Potom platı́
∞ ∞
X X 1
Xn < ∞ s. j. ⇐⇒ <∞
n=0
λ
n=0 n
Cvičenı́ 3.78: Uvažujte model telefonnı́ ústředny se třemi linkami. Určete matici Q∗ , najděte
P (t) = eQt pomocı́ Perronova vzorce a určete rozdělenı́ absolutnı́ch pravděpodobnostı́ v čase t.
t
Cvičenı́ 3.79: Na stavbě pracuje N svářečů, kteřı́ náhodně a nezávisle odebı́rajı́ proud. Svářeč,
který v čase t neodebı́rá proud, začne v intervalu (t, t + h] proud odebı́rat s pravděpodobnostı́ λh +
o(h); svářeč, který v čase t proud odebı́ral, ukončı́ odběr v intervalu (t, t + h] s pravděpodobnostı́
µh + o(h). Necht’ Xt značı́ počet svářečů, kteřı́ v čase t odebı́rajı́ proud. Najděte matici intenzit
λ
Markovova řetězce {Xt , t ≥ 0} a dokažte, že limitnı́ rozdělenı́ je binomické s parametry N a λ+µ .
t
Cvičenı́ 3.80: Přı́jezdy autobusu do stanice tvořı́ Poissonův proces s intenzitou λ. Cesta auto-
busem ze stanice do mı́sta bydliště trvá R časových jednotek; stejná cesta vykonaná pěšky trvá
S časových jednotek. Osoba, která přijde na stanici, vyčkává přı́jezdu autobusu, ale jen po dobu
s; pokud do této doby autobus nepřijede, vydá se na cestu pěšky. Určete střednı́ dobu, za kterou
osoba, poté co přišla na stanici, dorazı́ do mı́sta bydliště.
t
Cvičenı́ 3.81: Necht’ {Xt , t ≥ 0} je Poissonův proces s intenzitou λ. Necht’ S1 je doba do přı́chodu
prvnı́ události tohoto procesu. Dokažte, že
s
P (S1 ≤ s|Xt = 1) = , 0<s<t
t
(rovnoměrné rozdělenı́ na intervalu (0, t)).
164 NP1-poznámky February 28, 2021:569
Cvičenı́ 3.82: Uvažujme stanici obsluhy, která může obsluhovat současně nejvýše dva zákaznı́ky
(např. dvojitá telefonnı́ budka). Pravděpodobnost přı́chodu zákaznı́ka v intervalu (t, t + h] je λh +
o(h), pravděpodobnost, že zákaznı́k, který je v čase t ještě obsluhován, bude v intervalu (t, t + h]
obsloužen, je µh + o(h). Zákaznı́ci, kteřı́ nemohou být ihned obslouženi, se řadı́ do jediné fronty.
a) Sestavte diferenciálnı́ rovnice pro pravděpodobnosti Pj (t), že v čase t bude ve stanici (v ob-
sluze i ve frontě) právě j zákaznı́ků.
b) Zjistěte, zda existujı́ limitnı́ pravděpodobnosti; pokud ano, spočtěte je.
c) Spočtěte střednı́ počet zákaznı́ků v systému v ustáleném provozu.
t
Cvičenı́ 3.83: Kapacita podzemnı́ho parkoviště obchodnı́ho domu je 100 vozů. Na parkoviště
přijı́ždı́ vůz v průměru každých 5 minut; je-li obsazeno, vůz nečeká a odjı́ždı́. Průměrná doba, kte-
rou vůz parkuje, je jedna hodina. Najděte limitnı́ rozdělenı́ počtu vozů na parkovišti, předpokládáme-
li, že doby mezi přı́jezdy na parkoviště i doby parkovánı́ jsou nezávislé náhodné veličiny s expo-
nenciálnı́m rozdělenı́m.
Cvičenı́ 3.84: V holičstvı́ pracujı́ 3 holiči. Každý z nich obsluhuje jednoho zákaznı́ka průměrně
10 minut. Do holičstvı́ přicházı́ v průměru 12 zákaznı́ků za hodinu. V přı́padě, že žádný z holičů
nenı́ volný, zákaznı́ci čekajı́ v jediné frontě, přičemž zákaznı́k, který by se musel do fronty zařadit
jako čtvrtý, odcházı́ neobsloužen.
Určete limitnı́ rozdělenı́ počtu zákaznı́ků v holičstvı́ (ve frontě i v obsluze), střednı́ počet
zákaznı́ků ve frontě a pravděpodobnost, že zákaznı́k odejde neobsloužen.
t
Literatura
[4] Dupač, V.; Dupačová, J. (1980): Markovovy procesy II. Universita Karlova, Praha.
[5] Feller, W. (1964): An Introduction to Probability Theory and its Application (ruský překlad).
Mir, Moskva.
[6] Gantmacher, F. R. (1966): Teorija matric. Nauka, Moskva.
[7] Gichman, I.; I., Skorochod, A. V. (1973): Teorija slučajnych processov II. Nauka, Moskva.
[8] Chung, K. L. (1967): Markov Chains with Stationary Transition Probabilities. Springer Ver-
lag, New York.
[9] Karlin, S. ; Taylor, H. M. (1981): A Second Course in Stochastic Processes. Academic Press,
New York.
[10] Norris, J. R. (1997): Markov Chains. Cambridge University Press, Cambridge.
[11] Rektorys, K. & kol. (1995): Přehled užité matematiky II. Prometheus, Praha.
[12] Prášková, Z.; Lachout, P. (2012): Základy náhodných procesů I. Matfyzpress, Praha.
165
166 NP1-poznámky February 28, 2021:569
Přı́loha A
an = A(n) (0)/n!, n = 0, 1, . . .
167
168 NP1-poznámky February 28, 2021:569
(iii) Abelova věta. Necht’ řada A(s) má poloměr konvergence R = 1. Potom platı́ :
P∞
(a) Když n=0 an = a ∈ C, potom lims→1− A(s) = a.
(b) Když an ≥ 0 pro všechna n ∈ N0 , potom
∞
X
lim A(s) = an = a ≤ +∞.
s→1−
n=0
(iv) Tauberova věta. Necht’ řada A(s) má poloměr konvergence R = 1. Když an ≥ 0 pro
všechna n ∈ N0 , potom
n
1X
lim ak = a < ∞ ⇔ lim (1 − s)A(s) = a.
n→∞ n s→1−
k =1
Limity A(s), A0 (s), A(k) (s) pro s → 1 zleva budeme nadále pro zjednodušenı́ označovat jako
A(1), A0 (1), A(k) (1).
Obdobně dostaneme
∞
(k) (k)
X
lim PX (s) = PX (1) = n(n − 1) . . . (n − k + 1)pn = µ[k] ,
s→1−
n=k
0 00 (k)
Odtud PX (s) = λeλ(s−1) , PX (s) = λ2 eλ(s−1) , . . . , PX = λk eλ(s−1) .
Tudı́ž E [X] = λ, µ = λ , var (X) = λ2 + λ − λ2 = λ.
[k] k
P∞ n
Necht’ Q(s) = n=0 qn s je vytvořujı́cı́ funkce posloupnosti {qn }. Potom
1 − PX (s)
Q(s) = , |s| < 1. (A.1)
1−s
Pn
a tedy i n1 k =1 k qk → 0. Podle Tauberovy věty (1−s)Q0 (s) → 0 pro s → 1−, tedy PX 0
(1) = Q(1).
0
Je-li R = 1 a E [X] = +∞, potom tvrzenı́ plyne ze vztahu PX (s) ≤ Q(s) pro 0 < s < 1 a z limitnı́ho
přechodu v této nerovnosti pro s → 1 − . Vztah pro rozptyl se dokáže analogicky.
170 NP1-poznámky February 28, 2021:569
A.2 Konvoluce
Definice A.5: Necht’ {an , n ∈ N0 }, {bn , n ∈ N0 } jsou posloupnosti reálných čı́sel. Definujme
posloupnost {cn , n ∈ N0 } předpisem
cn = a0 bn + a1 bn−1 + · · · + an b0 , n ≥ 0.
Posloupnost {cn } se nazývá konvoluce posloupnostı́ {an }, {bn }, značı́me {cn } = {an } ∗ {bn }.
t
Věta A.6: Necht’ {an }, {bn } jsou reálné posloupnosti s vytvořujı́cı́mi funkcemi A, B. Potom
vytvořujı́cı́ funkce C jejich konvoluce {cn } je dána výrazem
C(s) = A(s)B(s).
Důkaz. Plyne z násobenı́ mocninných řad A(s) a B(s) a porovnánı́m koeficientů u stejných mocnin
s.
(1) (2)
Tedy {pn } = {pn } ∗ {pn } a pro vytvořujı́cı́ funkce platı́
Speciálně, jsou-li náhodné veličiny X1 , X2 stejně rozdělené s rozdělenı́m {an }, je rozdělenı́ jejich
součtu druhou konvolučnı́ mocninou posloupnosti {an }. Toto tvrzenı́ lze indukcı́ rozšı́řit na součet
libovolného konečného součtu nezávislých stejně rozdělených náhodných veličin.
Definice A.7: Necht’ F je distribučnı́ funkce nezáporné náhodné veličiny, tj. F (x ) = 0, x < 0, a
necht’ G je funkce definovaná na R+ = [0, ∞), která je lokálně omezená, tj. omezená na každém
konečném intervalu. Konvoluce funkcı́ F , G se definuje jako
Z t
(F ∗ G)(t) = G(t − x)dF (x ), t ≥ 0.
0
Petr Lachout February 28, 2021:569 171
Věta A.9: Necht’ X1 , X2 jsou nezávislé náhodné veličiny, které nabývajı́ jen nezáporných hodnot.
Jestliže X1 má distribučnı́ funkci F1 a X2 distribučnı́ funkci F2 , potom X1 + X2 má distribučnı́
funkci F1 ∗ F2 .
Důkaz. Pro t ≥ 0 je
Z Z
P (X1 + X2 ≤ t) = dF1 (x)dF2 (y)
0≤x+y≤t
Z t Z t−x Z t
= dF2 (y) dF1 (x) = F2 (t − x)dF1 (x).
0 0 0
Věta A.10: Necht’ X1 , X2 jsou nezávislé náhodné veličiny s distribučnı́mi funkcemi F1 , F2 . Potom
(F\
1 ∗ F2 )(λ) = F1 (λ)F̂2 (λ).
b
Necht’ N, X1 , X2 , . . . jsou nezávislé celočı́selné náhodné veličiny, necht’ N má rozdělenı́ {πn , n ∈ N0 }
a necht’ všechny náhodné veličiny Xi majı́ stejné rozdělenı́ {pn , n ∈ N0 }. Položme S0 = 0, SN =
X1 + · · · + XN , N ≥ 1. Rozdělenı́ SN označme {hn , n ∈ N0 }.
Věta A.11: Necht’ N má vytvořujı́cı́ funkci Π, necht’ Xi majı́ vytvořujı́cı́ funkci P. Potom SN
má vytvořujı́cı́ funkci H(s) = Π(P (s)) a platı́
kde pn∗ n∗
k je k-tý prvek posloupnosti {pk } . Tedy
∞
X ∞ X
X ∞ ∞
X
H(s) = hk s k = pn∗ k
k πn s = πn P n (s) = Π(P (s)).
k =0 k =0 n=0 n=0
konverguje k nějaké
Pmatici S (v tom smyslu, že konvergujı́ odpovı́dajı́cı́ prvky přı́slušných matic),
∞
řekneme, že řada n=0 an An konverguje a má součet S.
P∞
Věta B.2: Má-li mocninná řada n=0 an tn poloměr konvergence R > 0 a všechna
P∞ vlastnı́ čı́sla
matice A jsou v absolutnı́ hodnotě menšı́ než R, konverguje i mocninná řada n=0 an An .
Věta B.3: Necht’ A je čtvercová matice taková, že An → 0 při n → ∞, kde 0 je nulová matice.
Potom matice I − A je regulárnı́ a platı́
∞
X
(I − A)−1 = Ak . (B.1)
k =0
175
176 NP1-poznámky February 28, 2021:569
I − An = (I − A)(I + A + · · · + An−1 ).
Dále z předpokladu věty plyne, že I−An → I při n → ∞, a protože determinant je spojitou funkcı́
prvkůmatice, platı́ také det (I − An ) → det (I) Existuje tedy n0 přirozené tak, že det (I − An0 ) 6= 0.
Potom ale
odkud plyne, že matice I − A je regulárnı́ a existuje k nı́ matice inverznı́. Platı́ tedy pro každé
n≥1
(I − A)−1 (I − An ) = I + A + · · · + An−1 ,
Definice B.4: Řı́káme, že čtvercová matice A je rozložitelná, jestliže ji lze (po eventuálnı́ per-
mutaci řádků a sloupců) psát ve tvaru
A1 0
A= ,
A2 A3
Věta B.6: Necht’ A je čtvercová matice s prvky aij taková, že aii ≤ 0, aij ≥ 0, i 6= j a všechny
řádkové součty jsou rovny 0. Pak 0 je vlastnı́ čı́slo matice A s vlastnı́m vektorem (1, . . . , 1)T a pro
všechna ostatnı́ vlastnı́ čı́sla λ matice A platı́, že Re λ < 0.
t
Petr Lachout February 28, 2021:569 177
Definice B.9: Necht’ 0 < R ≤ ∞. Pro holomorfnı́ funkci f : U(0, R) → C na okolı́ U(0, R), tj.
majı́cı́ na U(0, R) derivace všech řádů, definujeme rozšı́řenı́ na všechny čtvercové matice A, jejichž
vlastnı́ čı́sla jsou v absolutnı́ hodnotě menšı́ než R, předpisem
∞
X f (k) (0)
f (A) = Ak .
k!
k =0
Věta B.10 (Perronův vzorec): Necht’ f : U(0, R) → C je holomorfnı́ funkce na okolı́ U(0, R) pro
nějaké 0 < R ≤ ∞. Necht’ A je čtvercová matice, jejı́ž vlastnı́ čı́sla jsou λ1 , . . . , λk s násobnostmi
m1 , . . . , mk . Když |λj | < R pro všechna j = 1, 2, . . . , k, pak platı́
k
dmj −1 (λ − λj )mj
X 1
f (A) = f (λ) Adj (λI − A) . (B.3)
j =1
(mj − 1)! dλmj −1 det(λI − A) λ=λj
k
dmj −1
n
n
X 1 λ
A = Adj (λI − A) .
j =1
(mj − 1)! dλmj −1 ψj (λ) λ=λj
k
dmj −1
λ
X 1 e
eA = Adj (λI − A) ,
j =1
(mj − 1)! dλmj −1 ψj (λ) λ=λj
det(λI − A)
ψj (λ) = .
(λ − λj )mj
Jsou-li všechna vlastnı́ čı́sla matice A jednoduchá, lze vzorec (B.3) psát v jednoduššı́m tvaru
K
X f (λj )
f (A) = Adj (λj I − A) , (B.4)
ψ
j =1 j
(λj )
Řešenı́m této rovnice (nebo integrálem) nazveme každou funkci y = g(x), která má (v uvažovaném
oboru) derivace do n−tého řádu včetně a vyhovuje identicky rovnici (B.5). Řešenı́ se často udává
implicitně ve tvaru φ(x, y) = c, kde c je konstanta.
t
Definice B.12: Parciálnı́ diferenciálnı́ rovnice je vztah mezi neznámou funkcı́ z(x1 , . . . , xn )
proměnných x1 , . . . , xn , n ≥ 2 a jejı́mi derivacemi
∂z ∂ 2 z ∂kz
∂z
F x1 , . . . , xn , z, ,..., , , . . . , k , . . . = 0. (B.7)
∂x1 ∂xn ∂x21 ∂x1
Derivace ve vzorci (B.7) mohou být obecně i smı́šené. Řádem této rovnice rozumı́me řád nejvyššı́
derivace, která se v rovnici vyskytuje.
Řešenı́m (integrálem) rovnice nazveme každou funkci z(x1 , . . . , xn ), která má přı́slušný počet
derivacı́ a vyhovuje rovnici (B.7) v každém bodě x1 , . . . , xn .
t
Petr Lachout February 28, 2021:569 179
Definice B.13: Homogennı́ lineárnı́ parciálnı́ diferenciálnı́ rovnicı́ prvnı́ho řádu ve dvou proměnných
x, y rozumı́me rovnici
∂z ∂z
a(x, y) + b(x, y) = 0, (B.8)
∂x ∂y
kde a, b jsou spojité funkce ve vyšetřovaném oboru a nejsou v něm nikde zároveň rovny nule.
t
Definice B.15: Nehomogennı́ lineárnı́ parciálnı́ diferenciálnı́ rovnicı́ prvnı́ho řádu ve dvou proměnných
x, y rozumı́me rovnici
∂z ∂z
P (x, y, z) + Q(x, y, z) = R(x, y, z). (B.9)
∂x ∂y
O funkcı́ch P, Q, R se předpokládá, že jsou spojité ve vyšetřovaném oboru, P, Q nejsou v tomto
oboru zároveň nikde rovny nule a R 6≡ 0.
t
Věta B.16: Necht’ φ(x, y, z) = c1 a ψ(x, y, z) = c2 jsou dva nezávislé prvnı́ integrály soustavy
rovnic
dx dy dz
= = .
P (x, y, z) Q(x, y, z) R(x, y, z)
Potom řešenı́ rovnice (B.9) je dáno v implicitnı́m tvaru vztahem
F (φ(x, y, z), ψ(x, y, z)) = 0,
kde F je libovolná diferencovatelná funkce dvou proměnných.
t
(Rektorys, 1995, II. dı́l, odst. 18.2, věta 2 (bez důkazu).)
Definice C.1: Necht’ Λ je nejvýše spočetná množina a jsou dána aλ ∈ R, aλ ≥ 0 pro každé λ ∈ Λ,
pak součet těchto čı́sel definujeme následovně:
P
a) Pro Λ prázdnou klademe λ∈Λ aλ = 0.
P
b) Pro Λ neprázdnou konečnou je λ∈Λ aλ aritmetický součet těchto čı́sel.
c) Pro Λ spočetnou je
( )
X X
aλ = max aλ : I ⊂ Λ konečná .
λ∈Λ λ∈I
Definice C.2: Necht’ Λ je nejvýše spočetná množina a jsou dána aλ ∈ R pro každé λ ∈ Λ, pak
součet těchto čı́sel definujeme
X X X
aλ = max {aλ , 0} − max {−aλ , 0} ,
λ∈Λ λ∈Λ λ∈Λ
pokud alespoň jeden ze součtů na pravé straně rovnosti je konečný. Jinak součet definován nenı́.
181
182 NP1-poznámky February 28, 2021:569
V textu využı́váme limitnı́ch přechodů pro součty. Připomeňme proto Fatooovo lemma a Le-
besgueovu větu.
Lemma C.4 (Fatoo): Necht’ Λ je nejvýše spočetná množina a jsou dána aλ,n ∈ R pro každé
λ ∈ Λ, n ∈ N. Pokud nastává jeden z přı́padů
a) Množina Λ je konečná.
pak platı́
X X
lim inf aλ,n ≥ lim inf aλ,n .
n→∞ n→∞
λ∈Λ λ∈Λ
a) Množina Λ je konečná.
pak platı́
X X
lim inf aλ (t) ≥ lim inf aλ (t) .
t→τ t→τ
a<t<b λ∈Λ λ∈Λ a<t<b
Lemma C.6 (Lebesgue): Necht’ Λ je nejvýše spočetná množina, jsou dána aλ,n ∈ R pro každé
λ ∈ Λ, n ∈ N a pro každé λ ∈ Λ existuje limn→∞ aλ,n . Pokud nastává jeden z přı́padů
a) Množina Λ je konečná.
pak platı́
X X
lim aλ,n = lim aλ,n .
n→∞ n→∞
λ∈Λ λ∈Λ
t
Petr Lachout February 28, 2021:569 183
t
184 NP1-poznámky February 28, 2021:569
Přı́loha D
Součet je nulový a jeho sčı́tanci jsou nezápornı́, proto musı́ všechny sčı́tance být nulové. To zna-
mená ai − bi = 0 pro každé i ∈ I, což je ai = bi pro každé i ∈ I.
185
Rejstřı́k
186
Petr Lachout February 28, 2021:569 187