1. Il Teorema Ergodico per le catene di Markov * Definizione Una catena di Markov discreta con spazio degli stati E; si dice regolare se, detta P = (P

Documenti analoghi
Intorduzione alla teoria delle Catene di Markov

6. Catene di Markov a tempo continuo (CMTC)

Analisi Class Successioni Lezione 6 2 ottobre 2014

6. Catene di Markov a tempo continuo (CMTC)

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna

Algebra Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.

POLINOMIO MINIMO E FORMA CANONICA DI JORDAN NOTA AGGIUNTIVA PER IL CORSO DI GEOMETRIA ANALITICA E ALGEBRA LINEARE A.A DOCENTE: PAOLO LISCA

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Matematica aa lezione marzo 2009

Analisi Modale. Le evoluzioni libere dei due sistemi a partire dalla condizione iniziale x(0) = x 0 sono

6 Prodotti scalari e prodotti Hermitiani

Analisi Matenatica Lezione 5 1 ottobre 2013

La teoria del consumo

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Matematica aa lezione 18

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 9: 3 marzo 2014

Funzione di matrice. c i λ i. i=0. i=0. m 1. γ i A i. i=0. Moltiplicando entrambi i membri di questa equazione per A si ottiene. α i 1 A i α m 1 A m

Lezione 20 Maggio 29

Geometria 1 a.a. 2011/12 Esonero del 23/01/12 Soluzioni (Compito A) sì determinarla, altrimenti dimostrare che ciò è impossibile.

I Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2014/15 Nome: 29 gennaio

3 Partizioni dell unità 6

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna

INDICE. Scaricabile su: Derivate TEORIA. Derivata in un punto. Significato geometrico della derivata

STATISTICA PSICOMETRICA a.a. 2004/2005 Corsi di laurea. Scienze e tecniche neuropsicologiche Modulo 3 Statistica Inferenziale

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 20: 16 maggio 2012

G. Parmeggiani 3/6/2019. Algebra e matematica discreta, a.a. 2018/2019, Scuola di Scienze - Corso di laurea:

ANELLI E SOTTOANELLI. contrassegna gli esercizi (relativamente) più complessi.

Lezione 24. Campi finiti.

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Modelli 1 lezione novembre 2011 Media e varianza

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 2: 21 febbraio 2013

Variabili casuali doppie

Corsi di Laurea in Farmacia e CTF Prova di Matematica

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Matematica aa lezione febbraio 2009

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 2: 18 febbraio 2014

Equilibri Chimici. Processi chimici indipendenti & reazioni in fase gas

di una delle versioni del compito di Geometria analitica e algebra lineare del 12 luglio 2013 distanza tra r ed r'. (punti 2 + 3)

Esercizi di Probabilità e Statistica

Media aritmetica (ponderata)

Analisi Matematica Lezione 16 3 novembre 2014 Limiti di funzioni

Dinamica dei sistemi particellari

Sulla teoria di Z in L = {+,<}

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 3:

LE FREQUENZE CUMULATE

Strada B. Classe Velocità valore frequenza Frequ. ass Frequ. % hi Freq. Cum

Stabilità dei Sistemi Dinamici. Stabilità Semplice. Stabilità Asintotica. Stabilità: concetto intuitivo che può essere formalizzato in molti modi

Esempi di canali DMC ed esercizi su: 1) Calcolo della capacità di canale. 2) Calcolo della probabilità di errore

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 3: 27 febbraio 2013

STATO DI TENSIONE IN SEZIONI MASSICCE. Sforzo normale

Università di Verona Prof. S. De Marchi Verona, 30 gennaio 2007

Calcolo Scientifico e Matematica Applicata Secondo Parziale, Ingegneria Ambientale

Il logaritmo discreto in Z p Il gruppo moltiplicativo Z p delle classi resto modulo un primo p è un gruppo ciclico.

Quinto test di autovalutazione di ANALISI DEI SISTEMI

Università di Verona Prof. S. De Marchi Verona, 6 febbraio 2006

Variabili casuali. Variabili casuali

Carla Seatzu, 18 Marzo 2008

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

termodinamica dei gas perfetti V i Funzione di stato Trasformazione isotermica di un gas perfetto: Q isot = L isot V = cost L = 0

Meccanica Dinamica dei sistemi

Lezione 7. Numeri primi. Teorema Fondamentale dell'aritmetica.

ANALISI STATISTICA DELLE INCERTEZZE CASUALI

S O L U Z I O N I. 1. Effettua uno studio qualitativo della funzione. con particolare riferimento ai seguenti aspetti:

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna

Matematica Computazionale(6cfu) Ottimizzazione(8cfu)

Lezione 2 a - Statistica descrittiva per variabili quantitative

Soluzione del compito di Fisica febbraio 2012 (Udine)

Le soluzioni della prova scritta di Matematica per il corso di laurea in Farmacia (raggruppamento M-Z)

Matematica Generale a.a. 2018/19 Teoremi dimostrati nel corso. 1 Funzioni ad una variabile

APPUNTI 1 SU: DISTRIBUZIONI CONGIUNTE, COVARIANZA E RETTA DI REGRESSIONE 1 Distribuzioni congiunte Spesso nelle applicazioni si e portati a considerar

Architetture aritmetiche. Corso di Organizzazione dei Calcolatori Mariagiovanna Sami

una variabile casuale è continuase può assumere un qualunque valore in un intervallo

Analisi agli elementi finiti di campi vettoriali

1) Codifica di sorgente sub-ottima: algoritmi di Shannon, Shannon-Fano.

Allenamenti di matematica: Teoria dei numeri e algebra modulare Soluzioni esercizi

Algoritmo di Carlier- Pinson per problemi di Job Shop Scheduling: un esempio

Sorgenti Numeriche - Soluzioni

Lezione 2 a - Statistica descrittiva per variabili quantitative

Teoria dell informazione e Meccanica Statistica

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 4: 28 febbraio 2013

1 Le equazioni per le variabili macroscopiche: i momenti dell equazione di Boltzmann

Università di Cassino. Esercitazioni di Statistica 1 del 19 Febbraio Dott. Mirko Bevilacqua

Sia G = ({1, 2,..., n}, E) un grafo orientato. Definizione di matrici di Adiacenza e di Transizione del grafo G: 1 ij E

Elementi di statistica

ALGEBRA LINEARE I (A) PER SCIENZE STATISTICHE, A.A. 2003/04, GEMMA PARMEGGIANI

IL GRUPPO SIMMETRICO S n

Esercitazione 1 del corso di Statistica 2

Capitolo 3 - Sistemi a coda (parte I)

Lezione 2 le misure di sintesi: le medie

03/03/2012. Campus di Arcavacata Università della Calabria

Esercizi sui circuiti magnetici

urto v 2f v 2i e forza impulsiva F r F dt = i t

x 0 x 50 x 20 x 100 CASO 1 CASO 2 CASO 3 CASO 4 X n X n X n X n

APPUNTI SUL TEOREMA DI CLASSIFICAZIONE DEI GRUPPI ABELIANI FINITAMENTE GENERATI

Analisi Matematica Lezione novembre 2013

links utili:

Il procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria.

ELEMENTI DI STATISTICA

RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2

Corso di. Dott.ssa Donatella Cocca

ALGEBRA LINEARE I (A) PER SCIENZE STATISTICHE, A.A. 2003/04, GEMMA PARMEGGIANI

Il modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti

Transcript:

. Il Teorema Ergodco er le catene d Markov * Defnzone Una catena d Markov dscreta con sazo degl stat E; s dce regolare se, detta P = (P ) la matrce delle robablt a d transzone assocata, esstono un ntero s>0 ed un numero ff 2 (0; ) tal che P s ff 8; 2 E: Teorema Sa k una catena d Markov regolare con sazo degl stat E; allora esste un' unca msura nvarante ß er cu rsulta: () ßP = ß () lm n! (n) = ß ; 2 E Inoltre la veloct a d convergenza n () e esonenzale. La msura ß vene anche detta stazonara. Prma d dmostrare questo teorema, ntroducamo alcune notazon e rsultat relmnar de qual avremo bsogno. Sa data una catena d Markov dscreta (CM) e suonamo er semlct a d dentfcare lo sazo degl stat con l'nseme E = f; 2; :::; Ng; sa noltre P = ( ) la matrce delle robablt a d transzone della CM e denotamo con (n) la robablt a d transzone dallo stato allo stato n n ass. Sa μ una robablt a su E; μ u o essere ensata come un vettore aartenente al s.. d R N : S = fx 2 R N : x 0; x =g Rcordamo che una msura μ 2 S s dce nvarante se μp = μ; coé seμ e unautovettore snstro d P relatvo all'autovalore ; o c o che e lo stesso, se μ e un autovettore d P T relatvo all'autovalore :. Osservamo che ogn matrce stocastca P (er la quale coé P = ) ammette semre un autovalore, dcamo = ; e tutt gl altr autovalor sono n modulo non sueror a : Infatt s verfca subto che l vettore con comonent tutte ugual a e un autovettore d P relatvo all'autovalore : Inoltre, se e un qualunque altro autovalore d P relatvo all'autovettore u e max ;::;N u = u h er un certo h» N; s ha: e qund: da cu segue»: u h = N u h = h u» N N h u h u»u h N h = u h * Quest aunt sono arte ntegrante del corso: M. Abundo, Probablt a 2, laurea n Matematca, Unverst a Tor Vergata, a.a. 2003/ 2004.

2. 8μ 2 S s ha μp 2 S: Infatt, (μp ) 0; noltre: N (μp ) = μ = = μ = μ = ove nell' ultmo assaggo abbamo usato l fatto che P = ; essendo P una matrce stocastca. 3. S ρ R N e un s.. chuso e lmtato, dunque e comatto. 4. Se μ 0 2 S e la dstrbuzone o msura d robablt a nzale della CM, ovvero (μ 0 ) = P ( 0 = ) ed essa e nvarante, coé μ 0 P = μ 0 ; allora, osto μ n : = μ0 P n ; s ha μ n = μ 0 ; nfatt μ n = μ 0 P n =(μ 0 P )P n = μ 0 P n = ::::: = μ 0 P = μ 0 : Sccome P ( n = ) = ::: P ( 0 = 0 ) 0 2 :::: n =(μ 0 P n ) =(μ n ) 0 n s ottene allora che se la dstrbuzone nzale μ 0 e nvarante, allora er ogn n s ha P ( n = ) =P ( 0 = ); ovvero la dstrbuzone doo n ass e la stessa d quella nzale. 5. Per ogn msura nzale μ 0 assegnata (anche non nvarante), μ n = μ 0 P n e una successone d robablt a su E; coé d element d S; sccome S e comatto, da questa : successone s u o estrarre una sottosuccessone μ n k = μ ν convergente, er ν!; ad un vettore ß 2 S: Inoltre ß e nvarante; nfatt ß = lm ν! μ 0P ν = lm ν! μ 0P ν = lm ν! (μ 0P ν )P = ßP 6. S e un s.. dello sazo metrco R N ; ertanto eredta qualunque dstanza d( ; ) nr N : Rcordamo che una dstanza su uno sazo metrco V e una funzone d : V V! [0; ) tale che: () d(x; y) 0 8x; y 2 V e d(x; y) =0se e solo se x = y; () d(x; y) = d(y; x) 8x; y 2 V (roret a smmetrca) ; () d(x; y)» d(x; z)d(z; y) 8x; y; z 2 V (dsuguaglanza trangolare) Ad esemo, n R N ossamo consderare la dstanza Eucldea: d E (x; y) =d((x ;x 2 ; :::; x N ); (y ;y 2 ; :::; y N )) : =ψ N 2 = (x y ) 2! 2

ma esstono nfnte altre dstanze, er esemo: oure d (x; y) : = d 2 (x; y) : = N = x y max fx y g =;::N Le dstanze d E e d sono equvalent, nel senso che esstono costant A; B > 0 tal che: A d (x; y)» d E (x; y)» B d (x; y) (er esemo, er N = 2; la rma d queste dsuguaglanze e soddsfatta er 0 < A < 2=2); analogamente de e d 2 sono equvalent, ovvero esstono costant C; D > 0 tal che: C d 2 (x; y)» d E (x; y)» D d 2 (x; y) Dunque, le dstanze d E ;d e d 2 sono tutte equvalent tra loro. C o sgnfca che, data una successone d vettor fx ν g; se d E (x ν ;y)! 0; ν!; allora x ν converge a y anche con la metrca fornta dalle altre dstanze, e vceversa. Dunque, rtornando al nostro dscorso, se d e una qualunque dstanza n S equvalente alla dstanza Eucldea d E e d E (μ ν ;ß)! 0; allora s ha anche d(μ ν ;ß)! 0; ν!: 7. La msura nvarante ß trovata al unto 5 non e necessaramente unca, se P non ossede certe roret a. 8. Introducamo ora la dstanza su S defnta da: d(μ 0 ;μ 00 )= 2 N = μ 0 μ 00 ; μ 0 ;μ 00 2 S Essa e equvalente alla metrca Eucldea. Osservamo che: 0= μ 0 μ 00 = (μ 0 μ 00 )= (μ 0 μ 00 ) (μ 00 μ 0 ) (Λ) ove P denota la somma rsetto agl ndc er qual termn sono ostv. S ha allora: d(μ 0 ;μ 00 )= 2 N = μ 0 μ 00 = = 2 (μ 0 μ 00 ) 2 (μ 00 μ 0 )= (er (Λ)) 3

= (μ 0 μ 00 )» μ 0» μ 0 = 9. Lemma Sa Q =(q ) una matrce stocastca. Allora, 8μ 0 ;μ 00 2 S : () d(μ 0 Q; μ 00 Q)» d(μ 0 ;μ 00 ) () se esste 0 <ff< er cu q ff 8; allora: d(μ 0 Q; μ 00 Q)» ( ff)d(μ 0 ;μ 00 ) P P Prova. () S ha (μ 0 Q) = μ0 q e (μ 00 Q) = μ00 q : Allora: d(μ 0 Q; μ 00 Q)= (μ 0 μ 00 )q» (μ 0 μ 00 )q = (μ 0 μ 00 ) q Ma P q» P q =: Dunque, abbamo ottenuto: d(μ 0 Q; μ 00 Q)» (μ 0 μ 00 )=d(μ0 ;μ 00 ) P che rova la tes. P P () La somma nel calcolo d d(μ0 Q; μ 00 Q) non u o essere una somma su tutt gl ndc : Infatt, se fosse μ0 q > μ00 q 8; allora sarebbe anche: P μ 0 q > μ 00 q ma c o e assurdo, essendo entramb membr dell' ultma dsuguaglanza ugual a ( nfatt P μ0 q = P μ0 (P q ) = P μ0 = ): Dunque, almeno un ndce, dcamo 0; e mancante nella somma P q : Qund: q» 6= 0 q» q 0» ff eesendo q ff 8; : Infne: d(μ 0 Q; μ 00 Q)» ( ff) (μ 0 μ 00 ) q» (μ 0 μ 00 )=( ff)d(μ0 ;μ 00 ) 4

che rova l secondo asserto. Dmostrazone del Teorema ergodco () Abbamo g a rovato al unto 5 che esste (almeno) una msura nvarante ß che e l lmte d una sottosuccessone fμ ν g estratta da fμ n g: In realt a nell'otes che P e regolare, coé esstono un numero 0 <ff<edun ntero s>0taleche (s) ff>0 8; ; s ha che fμ n g e una successone d Cauchy. Per mostrare c o, basta osservare che er ogn coa d nter h<k: d(μ h ;μ k )=d(μ 0 P h ;μ 0 P k )» ( ff)d(μ 0 P h s ;μ 0 P k s )» ( ff) 2 d(μ 0 P h 2s ;μ 0 P k 2s )» :::::» ( ff) m d(μ 0 P h ms ;μ 0 P k ms )» ( ff) m! 0 er h; k! oché, se h = ms ; con ntero < s; allora m = (h )=s! er h! : Ne assagg d sora abbamo alcato l Lemma con P s n luogo d Q; osservando che d(μ 0 P h ms ;μ 0 P k ms )» ; semre er l Lemma. Dunque fμ n g e una successone d Cauchy nella metrca d; ertanto rsulta addrttura d(μ n ;ß)! 0; n!: Occorre ora rovare che esste un' unca msura nvarante. Suonamo er assurdo che esstano due msure nvarant ß e ß 2 tal che ß = ß P e ß 2 = ß 2 P: Dunque s ha anche ß = ß P s ; ß 2 = ß 2 P s ; er l Lemma, abbamo: d(ß ;ß 2 )=d(ß P s ;ß 2 P s )» ( ff)d(ß ;ß 2 ) Questo mlca che deve avers d(ß ;ß 2 )=0;.e. ß = ß 2 : () Sceglamo μ 0 = (0; :::; 0; ; 0; :::; 0) nel quale tutte le comonent sono nulle, tranne l' -esma che vale : Allora μ 0 P n e la dstrbuzone d robablt a f (n) g ;::;N : Sccome μ 0 P n! ß; s ha: lm n! (n) = ß Andamo ora a stmare la veloct a dconvergenza d (n) a ß : Tenendo conto che ßP = ß; s ha: d(μ n ;ß)=d(μ 0 P n ;ß)=d(μ 0 P n ;ßP n ) e, osto n = ks h; h<s;l'ultma dstanza s scrve: che, er l Lemma rsulta essere d(μ 0 P h (P s ) k ;ßP h (P s ) k )» ( ff) k d(μ 0 P h ;ßP h )» ( ff) k essendo d(μ 0 P h ;ßP h )» : Abbamo dunque ottenuto: d(μ n ;ß)» ( ff) k =( ff) n=s ( ff) h=s = fn dove abbamo osto f =( ff) =s < : Dunque, la veloct a d convergenza e esonenzale. C o conclude la dmostrazone del Teorema ergodco. fh 5

2. Matrce d transzone ad n ass In questa sezone c occueremo del calcolo eslcto della matrce d transzone ad n ass d una CM, ovvero della matrce P n = ( (n) ) l cu elemento d osto ; raresenta P ( n = 0 = ): Rcordamo dall' algebra lneare la nozone d matrce dagonalzzable. Sa A una matrce quadrata d ordne N con autovalor ; 2 ; :::; N e suonamo che er cascuno de ; = ; ::; N; la molteclt a geometrca uguagl la moltelct a algebrca; allora A e dagonalzzable, coé esste una matrce U d ordne N; tale che U AU e una matrce dagonale e rsulta U AU =Λ=dag( ; 2 ; :::; N ) La matrce U ha er colonne gl N autovettor ndendent d A: Consderamo ora, al osto d A; la matrce d transzone P d una CM con sazo degl stat E = f; 2; :::; Ng; e suonamo che gl autovalor d P sano tutt dstnt. Allora, P e dagonalzzable e rsulta P = UΛU ; ertanto, come e mmedato verfcare, s ha P n = UΛ n U : Effettuamo l calcolo eslcto d P n ; nel caso n cu P e una matrce stocastca d ordne 2; con element strettamente ostv, coé essa e la matrce delle robablt a d transzone d una CM regolare a due stat; P u o essere osta nella forma: P = a a dove a; 2 (0; ): Gl autovalor d P sono: =e 2 = a con 2» (v. unto. della recedente sezone), ed ess sono dstnt; dunque: Λ= 0 0 a I due autovettor relatv a e 2 sono, a meno d un fattore d roorzonalt a: S ha allora: e Dunque: v = U = U = a a v 2 = a a P n = UΛ n U = 0 a a a 0 ( a ) n a 6 a a

ed effettuando calcol s ottene nfne: a P n a a = a a a ( a )n a a a Le due rghe (ugual) della rma matrce sono costtute dalle comonent del vettore ß delle robablt a stazonare (ß e l' autovettore snstro d P relatvo all'autovalore ); che e : Abbamo allora ottenuto: ß = ß ß 2 = ove T e la matrce (non stocastca) data da: a a a P n = ß ß 2 ß ß 2 n 2 T T = a a a La veloct a d convergenza nel teorema ergodco e fornta allora dalla quantt a n 2 ove, come abbamo vsto, 2»: u vcno a zero e l secondo autovettore d P; maggore e la veloct a dconvergenza d (n) a ß er n!: 7