UA MATH563 概率論的數學基礎 鞅論初步9 分支過程簡介
UA MATH563 概率論的數學基礎 鞅論初步9 分支過程簡介
例 Branching Process
假設
ξ
i
j
\xi_{ij}
ξij是互相獨立的取值為自然數的隨機變數,
P
(
ξ
i
j
=
k
)
=
p
k
,
∀
k
≥
0
P(\xi_{ij}=k)=p_k,\forall k \ge 0
P(ξij=k)=pk,∀k≥0,記
m
=
∑
k
≥
0
k
p
k
m = \sum_{k \ge 0}kp_k
m=∑k≥0kpk,定義
X
n
=
∑
i
=
1
X
n
−
1
ξ
i
n
,
X
0
=
a
X_n = \sum_{i=1}^{X_{n-1}}\xi_{in},\ \ X_0=a
Xn=i=1∑Xn−1ξin, X0=a
在這個設定中,我們可以把 ξ i j \xi_{ij} ξij的下標 i i i理解為第 i i i戶, j j j理解為第 j j j代, ξ i j \xi_{ij} ξij表示第 i i i戶、第 j j j代有幾個娃,則 X n X_n Xn的含義可以是某家族第 n n n代的總人口數, m m m表示平均每一代每一戶有幾個娃。
問題1:第
n
n
n代平均有多少人?
E
[
X
n
]
=
E
[
∑
i
=
1
X
n
−
1
ξ
i
n
]
=
E
[
E
[
∑
i
=
1
X
n
−
1
ξ
i
n
∣
X
n
−
1
]
]
=
E
[
m
X
n
−
1
]
E[X_n]=E \left[ \sum_{i=1}^{X_{n-1}}\xi_{in} \right] = E \left[ E\left[ \sum_{i=1}^{X_{n-1}}\xi_{in} | X_{n-1} \right]\right] = E[ mX_{n-1}]
E[Xn]=E[i=1∑Xn−1ξin]=E[E[i=1∑Xn−1ξin∣Xn−1]]=E[mXn−1]
於是我們有了一個遞推式:
E
[
X
n
]
=
m
E
[
X
n
−
1
]
E[X_n]=mE[X_{n-1}]
E[Xn]=mE[Xn−1]
所以
E
[
X
n
]
=
a
m
n
E[X_n]=am^n
E[Xn]=amn
這個結果能給我們下面幾條啟發:
- 在這個模型下,如果 m < 1 m<1 m<1,這個家族第 n n n代期望人口歸零,當 n n n足夠大的時候;
- 如果 m > 1 m>1 m>1,這個家族期望人口將指數增長;
- 如果 m = 1 m=1 m=1,這個家族期望人口保持不變
問題2:
X
n
X_n
Xn是鞅嗎?
定義
Z
n
=
X
n
/
m
n
Z_n=X_n/m^n
Zn=Xn/mn,
F
n
=
σ
{
ξ
i
j
:
j
≤
n
}
\mathcal{F}_n=\sigma\{\xi_{ij}:j \le n\}
Fn=σ{ξij:j≤n},則
(
Z
n
,
F
n
)
(Z_n,\mathcal{F}_n)
(Zn,Fn)是一個鞅,因為
E
[
Z
n
+
1
∣
F
n
]
=
E
[
∑
i
=
1
X
n
ξ
i
,
n
+
1
/
m
n
∣
F
n
]
=
m
X
n
m
n
+
1
=
Z
n
E[Z_{n+1}|\mathcal{F}_n] = E \left[ \sum_{i=1}^{X_n}\xi_{i,n+1} /m^n|\mathcal{F}_n\right] = \frac{mX_n}{m^{n+1}} = Z_n
E[Zn+1∣Fn]=E[i=1∑Xnξi,n+1/mn∣Fn]=mn+1mXn=Zn
根據鞅收斂定理,
∃
W
≥
0
,
a
.
s
.
\exists W \ge 0 ,a.s.
∃W≥0,a.s.,
W
W
W可積,並且
Z
n
→
W
Z_n \to W
Zn→W
問題3:論述
m
<
1
m<1
m<1時這個家族消亡的概率為1
根據Markov不等式,
P
(
X
n
≥
1
)
≤
E
X
n
=
a
m
n
P(X_n \ge 1) \le EX_n = am^n
P(Xn≥1)≤EXn=amn
因此,根據Borel-Cantelli引理,
P
(
X
n
≥
1
i
.
o
.
)
=
0
⇔
P
(
X
n
=
0
e
.
v
.
)
=
1
P(X_n \ge 1\ i.o.)=0 \\ \Leftrightarrow P(X_n =0 \ e.v.)=1
P(Xn≥1 i.o.)=0⇔P(Xn=0 e.v.)=1
問題4: m ≥ 1 m\ge 1 m≥1時這個家族會消亡嗎?
在問題1中,我們計算了
E
[
X
n
]
E[X_n]
E[Xn],
E
[
X
n
]
=
a
m
n
E[X_n]=am^n
E[Xn]=amn
在問題2中,我們定義了 Z n = X n / m n Z_n=X_n/m^n Zn=Xn/mn,並論述了它是一個鞅, E [ Z n ] = 1 E[Z_n]=1 E[Zn]=1,以及 Z n → W , a . s . Z_n \to W,a.s. Zn→W,a.s.;在問題3中,我們論述了 m < 1 m<1 m<1時這個家族依概率1消亡。
下面考慮
m
>
1
m>1
m>1,計算概率母函式,
ϕ
(
x
)
=
∑
k
≥
0
x
k
p
k
,
x
∈
[
0
,
1
]
\phi(x)=\sum_{k \ge 0}x^kp_k,x \in [0,1]
ϕ(x)=k≥0∑xkpk,x∈[0,1]
Claim:
ρ
\rho
ρ表示這個家族消亡的概率,
ρ
=
P
(
X
n
=
0
,
e
.
v
.
)
\rho = P(X_n=0,e.v.)
ρ=P(Xn=0,e.v.)
則 ϕ ( ρ ) = ρ \phi(\rho)=\rho ϕ(ρ)=ρ。
證明:
ρ
=
P
(
X
n
=
0
,
e
.
v
.
)
=
∑
k
≥
0
P
(
X
n
=
0
,
e
.
v
.
∣
X
1
=
k
)
p
k
=
∑
k
≥
0
ρ
k
p
k
=
ϕ
(
ρ
)
\rho=P(X_n = 0,e.v.) = \sum_{k \ge 0}P(X_n = 0,e.v.|X_1=k)p_k \\ = \sum_{k \ge 0}\rho^kp_k = \phi(\rho)
ρ=P(Xn=0,e.v.)=k≥0∑P(Xn=0,e.v.∣X1=k)pk=k≥0∑ρkpk=ϕ(ρ)
這個結論說明 ρ \rho ρ是概率母函式的不動點,事實上更準確的說法是第一個不動點,如果 ϕ \phi ϕ是遞增的凸函式,用不動點迭代的思路論述:
取
α
0
=
0
≤
ρ
\alpha_0 = 0 \le \rho
α0=0≤ρ,則
α
1
=
ϕ
(
α
0
)
=
ϕ
(
0
)
≤
ϕ
(
ρ
)
=
ρ
α
2
=
ϕ
(
α
1
)
=
P
(
X
2
=
0
)
≤
ρ
⋯
α
n
=
P
(
X
n
=
0
)
≤
ρ
\alpha_1 = \phi(\alpha_0) = \phi(0) \le \phi(\rho) = \rho \\ \alpha_2 = \phi(\alpha_1) = P(X_2=0) \le \rho \\ \cdots \\ \alpha_n = P(X_n=0) \le \rho
α1=ϕ(α0)=ϕ(0)≤ϕ(ρ)=ρα2=ϕ(α1)=P(X2=0)≤ρ⋯αn=P(Xn=0)≤ρ
關於
{
X
n
=
0
}
\{X_n=0\}
{Xn=0},根據測度的連續性,
P
(
X
n
=
0
)
→
P
(
∪
n
{
X
n
=
0
}
)
=
P
(
X
n
=
0
,
e
.
v
.
)
⇒
ρ
=
lim
n
→
∞
α
n
P(X_n = 0) \to P(\cup_n \{X_n=0\})=P(X_n=0,e.v.) \\ \Rightarrow \rho = \lim_{n \to \infty}\alpha_n
P(Xn=0)→P(∪n{Xn=0})=P(Xn=0,e.v.)⇒ρ=n→∞limαn
接下來我們討論
m
=
1
m=1
m=1的情況。考慮
P
(
X
n
+
1
=
k
,
X
n
=
k
)
=
P
(
X
n
+
1
=
k
∣
X
n
=
k
)
P
(
X
n
=
k
)
=
P
(
∑
i
=
1
k
ξ
i
,
n
+
1
=
k
)
P
(
X
n
=
k
)
P(X_{n+1}=k,X_n = k) = P(X_{n+1}=k|X_n = k)P(X_n=k) \\ =P(\sum_{i=1}^k\xi_{i,n+1}=k)P(X_n=k)
P(Xn+1=k,Xn=k)=P(Xn+1=k∣Xn=k)P(Xn=k)=P(i=1∑kξi,n+1=k)P(Xn=k)
注意到
P
(
∑
i
=
1
k
ξ
i
,
n
+
1
=
k
)
<
1
P(\sum_{i=1}^k\xi_{i,n+1}=k)<1
P(∑i=1kξi,n+1=k)<1,因此
P
(
X
n
+
l
=
k
,
l
=
0
,
⋯
,
r
)
=
[
P
(
∑
i
=
1
k
ξ
i
,
n
+
1
=
k
)
]
r
−
1
P
(
X
n
=
k
)
→
0
,
a
s
r
→
∞
P(X_{n+l}=k,l=0,\cdots,r) = [P(\sum_{i=1}^k\xi_{i,n+1}=k)]^{r-1}P(X_n=k) \\ \to 0,as\ r \to \infty
P(Xn+l=k,l=0,⋯,r)=[P(i=1∑kξi,n+1=k)]r−1P(Xn=k)→0,as r→∞
也就是說
P
(
X
n
=
k
,
e
.
v
.
)
=
∑
n
≥
0
P
(
X
n
+
l
=
k
,
l
≥
0
)
=
0
⇒
X
n
→
0
a
.
s
.
P(X_n = k,e.v.) = \sum_{n \ge 0}P(X_{n+l}=k,l \ge 0)=0 \\ \Rightarrow X_n \to 0 \ a.s.
P(Xn=k,e.v.)=n≥0∑P(Xn+l=k,l≥0)=0⇒Xn→0 a.s.
相關文章
- UA MATH563 概率論的數學基礎 鞅論初步8 鞅收斂定理H5
- UA MATH563 概率論的數學基礎 中心極限定理5 Renyi定理H5
- UA MATH563 概率論的數學基礎 中心極限定理14 Kolmogorov maximal inequalityH5Go
- UA MATH563 概率論的數學基礎 中心極限定理23 概率測度族的緊性H5
- UA MATH563 概率論的數學基礎 中心極限定理15 Kolmogorov 0-1律H5Go
- UA MATH563 概率論的數學基礎 中心極限定理7 Kolmogorov extension theorem及其擴充套件H5GoREM套件
- UA MATH563 概率論的數學基礎 中心極限定理8 弱大數定律 Bernstein多項式逼近H5
- UA MATH563 概率論的數學基礎 中心極限定理12 強大數定律 版本2:Etemadi定理H5
- UA MATH563 概率論的數學基礎 中心極限定理4 獨立一元隨機變數的性質H5隨機變數
- UA MATH563 概率論的數學基礎 中心極限定理6 獨立隨機變數的和與Kolmogorov擴充套件定理H5隨機變數Go套件
- 概率論——數學——大學課程學習
- 機器學習數學複習 - 1.概率論基礎機器學習
- 人工智慧必備數學基礎:概率論與數理統計(1)人工智慧
- 人工智慧必備數學基礎:概率論與數理統計(2)人工智慧
- 離散數學(數論基礎)
- 基礎數論
- 基礎數論——EXGCDGC
- UA SIE545 優化理論基礎4 對偶理論簡介4 求解對偶問題的割平面演算法優化演算法
- 機器學習數學知識積累之概率論機器學習
- 數學與程式設計:“概率論”總結程式設計
- 數論基礎——求導求導
- 概率論04 隨機變數隨機變數
- 電子遊戲理論基礎知識的初步探索(轉)遊戲
- 數學與程式設計——概率論與數理統計程式設計
- 9-7 ~ 9-27做論文全過程的反思
- 【概率論】一維隨機變數隨機變數
- 概率論08 隨機變數的函式隨機變數函式
- 概率論與數理統計的學習(歸納+總結)
- 基礎圖論圖論
- 申論——基礎
- 圖論基礎圖論
- AI數學基礎之:概率和上帝視角AI
- 圖解AI數學基礎 | 概率與統計圖解AI
- 概率論11 協方差與相關係數
- 深度學習DeepLearning.ai系列課程學習總結:9.深度學習基礎實踐理論深度學習AI
- 架構設計 | 分散式事務①概念簡介和基礎理論架構分散式
- 論基礎理論知識的重要性
- 隨機過程學習筆記——概論隨機筆記