91Ó°ÊÓ

Gegeben sei eine Markow-Kette \(\left\\{\mathrm{x}_{\mathrm{n}}, \mathrm{n} \geqslant 1\right\\}\) ohne absorbierenden Zustand; definieren Sie ainen neuen Prozeß wie folgt: sei \(n_{1}\) der kleinste Wert von \(n\) mit \(X_{n} \neq X_{1}\), \(\mathrm{n}_{2}\) der kleinste Wert \(>\mathrm{n}_{1}\) mit \(\mathrm{X}_{\mathrm{n}} \neq \mathrm{X}_{\mathrm{n}_{1}}, \mathrm{n}_{3}\) der kleinste Wert \(>\mathrm{n}_{2}\) mit \(\mathrm{X}_{\mathrm{n}} \neq \mathrm{X}_{\mathrm{n}_{2}}\) usw.. Nun setzen Sie \(\mathrm{Y}_{\mathrm{v}}=\mathrm{X}_{\mathrm{n}_{\mathrm{v}}}\); zeigen Sie, daß \(\left\\{\mathrm{Y}_{\mathrm{v}}, \mathrm{v} \geqslant 1\right\\}\) auch eine Markowkette ist und leiten Sie ihre ?bergangsmatrix aus der von \(\left\\{\mathrm{X}_{\mathrm{n}}, \mathrm{n} \geqslant 1\right\\}\) ab. Beweisen Sie, da \(\beta\) ein rekurrenter Zustand einer der beiden Ketten auch fïr die andere Kette rekurrent ist!

Step by step solution

01

Schritt 1: Definieren Sie die Markov-Kette und den neuen Prozess

Gegeben ist die Markov-Kette \( \left\{ X_n, n \geq 1 \right\} \) ohne absorbierenden Zustand. Definieren Sie einen neuen Prozess: Sei \( n_1 \) der kleinste Wert von \( n \) mit \( X_n eq X_1 \, n_2 \) der kleinste Wert \( > n_1 \) mit \( X_{n} eq X_{n_1}, n_3 \) der kleinste Wert \( > n_2 \) mit \( X_{n} eq X_{n_2} \) usw. Nun setzen Sie \( Y_{v} = X_{n_v} \).

02

Schritt 2: Zeigen Sie, dass \( \left\{ Y_v, v \geqslant 1 \right\} \) eine Markov-Kette ist

Um zu zeigen, dass \( \left\{ Y_v, v \geqslant 1 \right\} \) eine Markov-Kette ist, müssen wir nachweisen, dass sie die Markov-Eigenschaft besitzt. Beachten Sie, dass \( Y_v \) durch eine Folge von erstem Erscheinen von Zustandsänderungen in \( X_n \) definiert ist. Da \( X_n \) die Markov-Eigenschaft besitzt, besitzt auch die Sequenz der Zustandsänderungen diese Eigenschaft, was bedeutet, dass \( Y_v \) eine Markov-Kette ist.

03

Schritt 3: Leiten Sie die Ãœ²ú±ð°ù²µ²¹²Ô²µ²õ³¾²¹³Ù°ù¾±³æ von \( Y_v \) ab

Die Ãœbergangswahrscheinlichkeiten von \( \{ Y_v \} \) können aus den Ãœbergangswahrscheinlichkeiten von \( \{ X_n \} \) abgeleitet werden. Speziell, wenn \( P \) die Ãœbergangswahrscheinlichkeitsmatrix von \( X_n \) ist, dann kann die Ãœ²ú±ð°ù²µ²¹²Ô²µ²õ³¾²¹³Ù°ù¾±³æ für \( Y_v \) berechnet werden unter Berücksichtigung der Bedingung, dass Veränderungen der Zustände nur bei den \( n_v \) passieren.

04

Schritt 4: Beweisen Sie die Rekurrenz-Eigenschaft

Um die Rekurrenz eines Zustands \( \beta \) in beiden Ketten zu zeigen, nutzen Sie die Definition der rekurrenten Zustände: Ein Zustand \( \beta \) in einer Markov-Kette ist rekurrent, wenn der Prozess immer wieder zu \( \beta \) mit Wahrscheinlichkeit 1 zurückkehrt. Da \( Y_v \) nur Erstersehenszeiten der Zustände von \( X_n \) darstellt und \( X_n \) rekurrent ist, muss auch \( Y_v \) mit denselben Zuständen rekurrent sein.

Unlock Step-by-Step Solutions & Ace Your Exams!

• Full Textbook Solutions

  Get detailed explanations and key concepts

• Unlimited Al creation

  Al flashcards, explanations, exams and more...

• Ads-free access

  To over 500 millions flashcards

• Money-back guarantee

  We refund you if you fail your exam.

Over 30 million students worldwide already upgrade their learning with 91Ó°ÊÓ!

Key Concepts

These are the key concepts you need to understand to accurately answer the question.

´Ü³Ü²õ³Ù²¹²Ô»å²õü²ú±ð°ù²µ²¹²Ô²µ

In einer Markov-Kette definiert ein ´Ü³Ü²õ³Ù²¹²Ô»å²õü²ú±ð°ù²µ²¹²Ô²µ den Wechsel von einem Zustand zu einem anderen. Diese Ãœbergänge hängen von den aktuellen Zuständen und den Ãœbergangswahrscheinlichkeiten ab. In dem gegebenen Problem wird der Prozess neu definiert, so dass die Zustände nur bei bestimmten Zeitpunkten wechseln. Zum Beispiel wechselt die Markov-Kette vom Zustand \(X_{n1}\) zu \(X_{n2}\) wenn \(n\) den Mindestwert erreicht, bei dem \(X_{n} e X_{n1}\). Diese definierten Ãœbergänge bilden die Grundlage für den neuen Prozess \(Y_v\). Da der neue Prozess die Zustandsübergänge der ursprünglichen Markov-Kette verwendet, bleibt die Ãœbergangsdynamik erhalten.

Ãœ²ú±ð°ù²µ²¹²Ô²µ²õ³¾²¹³Ù°ù¾±³æ

Die Ãœ²ú±ð°ù²µ²¹²Ô²µ²õ³¾²¹³Ù°ù¾±³æ einer Markov-Kette beschreibt die Wahrscheinlichkeiten der Zustandsübergänge. Sie wird durch die Ãœbergangswahrscheinlichkeiten zwischen den Zuständen bestimmt und ist oft in Matrixform dargestellt, wobei die Einträge die Wahrscheinlichkeiten der Ãœbergänge sind.
In dem gegebenen Problem kann die Ãœ²ú±ð°ù²µ²¹²Ô²µ²õ³¾²¹³Ù°ù¾±³æ des neuen Prozesses \(Y_v\) aus der Ãœ²ú±ð°ù²µ²¹²Ô²µ²õ³¾²¹³Ù°ù¾±³æ der ursprünglichen Kette \(X_n\) abgeleitet werden. Da der Zustand \(Y_v\) nur bei bestimmten \(n_v\) wechselt, müssen wir berücksichtigen, wie oft und wann diese Ãœbergänge stattfinden. Speziell müssen wir die Wahrscheinlichkeiten berechnen, dass sich die Zustände nur bei \(n_v\) ändern.

Rekurrenter Zustand

Ein Zustand in einer Markov-Kette ist rekurrent, wenn der Prozess mit Wahrscheinlichkeit 1 zu diesem Zustand zurückkehrt, nachdem er ihn verlassen hat. In anderen Worten unabhängig davon, wie viele Übergänge es gibt, wird der Prozess diesen Zustand irgendwann wieder erreichen.
Um die Rekurrenz eines Zustands \( \beta \) in beiden Ketten zu zeigen, ist es hilfreich die Definition eines rekurrenten Zustands zu verwenden. Da im ursprünglichen Prozess \(X_n\) der Zustand \( \beta \) rekurrent ist, folgt dass im neuen Prozess \(Y_v\), in dem sich nur die Zeitpunkte der Zustandsübergänge ändern, der Zustand \( \beta \) ebenfalls rekurrent bleibt. Dies unterstreicht die inhärente Stabilität der Übergangswahrscheinlichkeiten und der Rekurrenz.