Maestría en Bioinformática Probabilidad y Estadística: Clase 10

Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Maestrı́a en Bioinformática
Probabilidad y Estadı́stica: Clase 10
Gustavo Guerberoff
[email protected]
Facultad de Ingenierı́a
Universidad de la República
Mayo de 2010
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Contenidos
1
Procesos aleatorios en tiempo continuo
Procesos puntuales
Proceso de Poisson homogéneo
1
Cadenas de Markov en tiempo continuo
Matrices de transición
Propiedades del semigrupo de transiciones
Matriz de tasas de cambio
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Procesos aleatorios en tiempo continuo
Consideraremos en estas clases procesos aleatorios en tiempo
continuo. Recordemos que, en general, un proceso aleatorio
en tiempo continuo, con espacio de estados E, es una familia
de variables aleatorias, {X (t) : t ≥ 0}, donde X (t) ∈ E para
cada t ≥ 0.
Antes de introducir las cadenas de Markov en tiempo continuo
veamos algunos conceptos previos.
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Definición
Un proceso puntual aleatorio es una sucesión de variables
aleatorias no negativas, T0 , T1 , T2 , . . . , Tn , . . ., tales que (con
probabilidad 1) se cumple:
i) T0 = 0,
ii) 0 < T1 < T2 < T3 < . . .,
iii) lı́mn→∞ Tn = ∞.
A partir de un proceso puntual se construyen las siguientes
cantidades de interés:
Para cada n ≥ 1 se define:
Sn = Tn − Tn−1 ;
estas son las distancias inter-arribos.
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Para cada intervalo (a, b] se define la variable:
N(a, b] = cantidad de puntos en el intervalo (a, b].
Para cada t ≥ 0 se define:
N(t) = N(0, t].
Observación: Notar que N(0) = 0 y que
N(a, b] = N(b) − N(a).
El proceso de tiempo continuo {N(t) : t ≥ 0} es el proceso de
conteo asociado al proceso puntual.
De todos los procesos puntuales hay uno que se destaca por
su importancia.
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Proceso de Poisson homogéneo
Definición
Un proceso puntual es un proceso de Poisson homogéneo de
tasa λ si:
i) Las variables aleatorias N(ti , ti+1 ] son independientes,
para cualquier conjunto de tiempos 0 ≤ t1 ≤ t2 < . . . ≤ tk .
ii) Para cada intervalo (a, b] la variable N(a, b] es una
variable de Poisson de parámetro λ(b − a).
Por lo tanto:
P(N(a, b] = k) =
[λ(b − a)]k −λ(b−a)
e
,
k!
para cada k ≥ 0.
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Además:
E(N(a, b]) = λ(b − a);
de manera que el parámetro λ representa el número medio de
puntos del proceso por unidad de tiempo.
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Cadenas de Markov en tiempo continuo
En lo que sigue consideramos un espacio de estados E finito o
numerable.
Un proceso en tiempo continuo queda caracterizado por la
familia de probabilidades:
P(X (t1 ) = i1 , X (t2 ) = i2 , . . . , X (tk ) = ik ),
para cada conjunto de tiempos t1 , t2 , . . . , tk ≥ 0 y estados
i1 , i2 , . . . , ik ∈ E.
Una clase muy importante de procesos son aquellos que
cumplen la siguiente condición:
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Condición de Markov
P(X (t + s) = j
|
X (s) = i, X (sk ) = ik , . . . , X (s1 ) = i1 )
= P(X (t + s) = j|X (s) = i),
para todos los valores de i, j, i1 , . . . , ik ∈ E, t, s ≥ 0,
0 ≤ s1 ≤ s2 . . . ≤ sk ≤ s.
Los procesos que cumplen esta condición se llaman cadenas
de Markov en tiempo continuo.
Si las probabilidades de transición P(X (t + s) = j|X (s) = i) no
dependen de s decimos que la cadena es homogénea. En tal
caso denotamos, para cada t ≥ 0:
pij (t) = P(X (t + s) = j|X (s) = i) = P(X (t) = j|X (0) = i).
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Matrices de transición
Supongamos, para simplificar, que el espacio de estados es
E = {1, 2, . . . , r }. Agrupando las cantidades {pij (t)} en una
matriz obtenemos, para cada t ≥ 0, la matriz de transición de
la cadena de Markov:
Matrices de transición
Para cada t ≥ 0:



P(t) = 



p11 (t) p12 (t) ... p1r (t)
p21 (t) p22 (t) ... p2r (t) 


.
.
.
.


.
.
.
.
pr 1 (t) pr 2 (t) ... prr (t)
La familia de matrices {P(t) : t ≥ 0} se llama el semigrupo de
transiciones.
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Observación: A diferencia de lo que ocurre con las cadenas
de Markov en tiempo discreto, en las que se especifican para
cada problema las matrices de transición, en el contexto de
cadenas de Markov en tiempo continuo hay que calcular, para
cada proceso, P(t) como función de t.
Ejemplo: Proceso Flip-Flop
Consideremos un proceso de Poisson de tasa λ. A partir del
proceso de conteo introducido anteriormente se define el
proceso flip-flop, {X (t) : t ≥ 0}, con espacio de estados
E = {1, −1}, de la siguiente manera:
X (t) = X (0)(−1)N(t) ,
donde X (0) es una variable aleatoria que representa el estado
inicial.
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Para calcular la matriz P(t) en este ejemplo observemos que el
estado X (t + s) se obtiene a partir de X (s) y de N(s, s + t]. Se
tiene:
P(X (t + s) = 1|X (s) = −1) = P(X (t + s) = −1|X (s) = 1)
= P(N(s, s + t] sea impar )
1
(1 − e−2λt ),
=
2
y, de manera análoga:
P(X (t + s) = 1|X (s) = 1) = P(X (t + s) = −1|X (s) = −1)
= P(N(s, s + t] sea par )
1
=
(1 + e−2λt ).
2
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
De manera que, para cada t ≥ 0:
1
−2λt )
2 (1 + e
P(t) =
1
−2λt )
2 (1 − e
1
2 (1
1
2 (1
− e−2λt )
+ e−2λt )
.
Propiedades
La familia de matrices {P(t) : t ≥ 0} cumple las siguientes
propiedades:
Para cada t ≥ 0, P(t) es una matriz estocástica.
P(0) = I.
Para cada t, s ≥ 0 se cumple:
P(t + s) = P(t)P(s).
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Condición de continuidad: En nuestro curso consideraremos
procesos continuos, esto es, que cumplen la condición:
lı́m P(h) = P(0) = I.
h→0
Puede probarse que esta condición implica la siguiente:
lı́m pij (t + h) = pij (t),
h→0
para cada t ≥ 0 y para cada i, j ∈ E.
Veremos más adelante cómo calcular {P(t) : t ≥ 0} para cada
proceso.
Observación: Una vez que se conoce la familia de matrices
{P(t) : t ≥ 0} y un estado inicial π(0), el proceso queda
completamente especificado.
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Si π(t) = (P(X (t) = 1), P(X (t) = 2), . . . , P(X (t) = r ))
denota el estado del proceso al tiempo t, entonces:
π(t) = π(0)P(t).
Para calcular la probabilidad de cualquier trayectoria se
procede de la siguiente manera:
P(X (t0 ) = i0 , X (t1 ) = i1 , X (t2 ) = i2 ) = πi0 (t0 ) pi0 i1 (t1 −t0 ) pi1 i2 (t2 −t1 ).
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
A partir de las propiedades de {P(t) : t ≥ 0} se prueba el
siguiente resultado válido para procesos continuos:
Teorema
i) Para cada par de estados i 6= j existe:
qij =
dpij
pij (h)
(0) = lı́m
,
dt
h
h→0
y además qij ≥ 0.
ii) Para cada estado i ∈ E existe:
qii =
y además qii ≤ 0.
dpii
p (h) − 1
(0) = lı́m ii
,
dt
h
h→0
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Notación: Para cada estado i ∈ E denotamos: qi = −qii . De
manera que qi ≥ 0.
Observación: Supongamos que el espacio de estados E es
finito. Para cada t ≥ 0 se cumple:
X
pij (t) = 1.
j∈E
Derivando a ambos lados de esa igualdad y evaluando la
derivada en t = 0 se obtiene:
X
qij = 0.
j∈E
Esto es, para cada i ∈ E:
qi =
X
j∈E:j6=i
qij .
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Observación: Notar que para i 6= j y h ' 0 se tiene:
P(X (t + h) = j|X (t) = i) = qij h + o(h);
de manera que el parámetro qij puede interpretarse como la
tasa (o la velocidad) de cambio del estado i al j. Estos
parámetros se agrupan en una matriz formando la matriz de
tasas de cambio o generador infinitesimal del proceso.
Matriz de tasas de cambio
Consideremos E = {1, 2, . . . , r }. La matriz de tasas de cambio
se define de la siguiente manera:


q11 q12 ... q1r
 q21 q22 ... q2r 



.
.
.
.
A=


 .
.
.
. 
qr 1 qr 2 ... qrr
Procesos aleatorios en tiempo continuo
Cadenas de Markov en tiempo continuo
Observemos que las filas de esta matriz suman 0. Cada
proceso queda caracterizado por la matriz de tasas de cambio.
Más adelante veremos cómo calcular P(t) a partir de A.
Ejemplo: Usando la igualdad A = P 0 (0) se obtiene la matriz de
tasas de cambio para el proceso Flip-Flop:
−λ λ
A=
.
λ −λ