Изменения

|definition='''Эргодическая''' [[Марковская цепь|Марковская марковская цепь]] называется эргодической, если существует дискретное распределение (называемое эргодическим) <tex>\pi = (\pi_1,\pi_2,\ldots англ. ''ergodic Markov chain'')^{\top}</tex>, такое что <tex>\pi_i > 0,\; i \in \mathbb{N---}</tex> и:<tex>\lim\limits_{n \to \infty} p_{ij}^{(n)} = \pi_jмарковская цепь, \quad \forall i=1,2, \ldots</tex>целиком состоящая из одного [[Марковская цепь#sort_def| эргодического класса]].

==Стационарный режим==Эргодические марковские цепи могут быть '''регулярными''' или '''циклическими'''описываются [[Отношение связности, компоненты связности|сильно связным графом]]. Циклические цепи отличаются от регулярных темЭто означает, что в процессе переходов через определенное количество шагов такой системе возможен переход из любого состояния <tex>S_i</tex> в любое состояние <tex>S_{j}, (циклi,j = 1,2,\ldots,n) происходит возврат в какое-либо состояние. Регулярные цепи этим свойством не обладают</tex> за конечное число шагов.

Для эргодических цепей при достаточно большом времени функционирования (<tex>t \to \infty</tex>) наступает '''стационарный режим''', при котором вероятности <tex>\alpha_i</tex> состояний системы не зависят от времени и не зависят от распределения вероятностей в начальный момент времени, то есть: <tex>\alpha_i = const</tex>. ==Классификация эргодических цепей =Основная = {{Определение|definition=В эргодической цепи можно выделить '''циклические классы''' (англ. ''cyclic classes''). Количество циклических классов <tex> d </tex> называют '''периодом цепи''' (англ. ''period of Markov chain''), если цепь состоит целиком из одного циклического класса, её называют [[Регулярная марковская цепь|регулярной]]. С течением времени текущее состояние движется по циклическим классам в определенном порядке, причем каждые <tex>d</tex> шагов она оказывается в одном и том же циклическом классе.}} Таким образом, эргодические цепи делятся на [[Регулярная марковская цепь|регулярные]] и '''циклические'''. == Эргодическая теорема об эргодических распределениях=={{Определение|definition='''Эргодическое (стационарное) распределение''' (англ. ''stationary distribution'') {{---}} распределение <tex>\alpha = (\alpha_1 \ldots \alpha_n )</tex>, такое что <tex>\alpha_i > 0</tex> и<tex>\lim\limits_{n \to \infty} p_{ij}^{(n)} = \alpha_j</tex> (где <tex>p_{ij}^{(n)}</tex> {{---}} вероятность оказаться в <tex>j</tex>-ом состоянии, выйдя из <tex>i</tex>-ого, через <tex>n</tex> переходов).}} === Для регулярных цепей ===Доказательство теоремы для случая регулярных цепей приведено в конспекте про [[Регулярная марковская цепь#Эргодическая теорема для регулярных цепей | регулярные цепи]]. === Для циклических цепей ===

|about=Основная Эргодическая теорема об эргодических распределениях

Пусть Для любой эргодической цепи последовательность степеней <tex>\{X_n\}_P^{n \ge 0}</tex> - цепь Маркова с дискретным пространством состояний и [[Марковская цепь|матрицей переходных вероятностей]http://en.wikipedia.org/wiki/Euler_summation суммируется по Эйлеру] к предельной матрице <tex>A</tex>, и эта предельная матрица имеет вид <tex>P A = (p_\xi\alpha</tex>, где <tex>\alpha</tex> {{ij---})} положительный вероятностный вектор,<tex>\; i,j=1,2,\ldotsxi</tex>- вектор-столбец из единиц. Тогда эта цепь является эргодической тогда и только тогда, когда она# Неразложима (т.е. цепь Маркова такова, что её состояния образуют лишь один неразложимый класс <ref>|proof=

В случае циклической цепи переходы из одного циклического класса в другой возможны только при определенных значениях <tex> n </reftex>);# Положительно возвратна (т.е. находится в таком состоянии, выйдя из которого возвращается в него за конечное время);# Апериодична (т.екоторые периодически повторяются. находится в таком состоянии, которое навещается цепью через промежутки времениТаким образом, не кратные фиксированному числу).Эргодическое распределение никакая степень матрицы переходов <tex>\mathbf{\pi}P</tex> тогда не является единственным решением системы: :положительной матрицей, и различные степени содержат нули на различных местах. С увеличением степени расположение этих нулей периодически повторяется. Следовательно, последовательность <tex>\sum\limits_{i=0}P^{\infty} \pi_i = 1,\; \pi_j \ge 0,\; \pi_j = \sum\limits_{i=0}^{\infty} \pi_i\, p_{ij},\quad \, j\in \mathbb{Nn}</tex>не может сходиться в обычном смысле, для нее требуется так называемая суммируемость по Эйлеру.}}

==Пример==Из [[File:Temp.gifРегулярная марковская цепь#Эргодическая теорема для регулярных цепей |thumb|250px|Пример эргодической цепитеоремы для регулярных цепей]]следует, что <tex>(kI + (1 - k)P)^{n}</tex> стремится к матрице <tex>A = \xi\alpha</tex>, где <tex>\alpha</tex> {{---}} положительный вероятностный вектор. Таким образом:: <tex> A = \lim\limits_{x\to \infty} (kI + (1 - k)P)^{n}</tex>: <tex> A = \lim\limits_{x\to \infty} \sum\limits_{i = 0}^{n} {n\choose i} k^{n - i} (1 - k)^{i} P^{i} ~~~~~ (1)</tex>Рассмотрим эксперимент Но последнее равенство в точности означает, что последовательность <tex>P^{n}</tex> суммируема по бросанию честной монетыЭйлеру к <tex>A</tex>, причем суммируема при каждом значении <tex>k</tex>.}} ==== Следствия ==== {{Теорема|statement=Если <tex>P, A, \alpha</tex> {{---}} объекты из предыдущей теоремы. Тогда соответствующая этому эксперименту марковская цепь будет иметь 2 состояниясправедливы факты: * Для любого вероятностного вектора <tex>\pi</tex> последовательность <tex>\pi P^{n}</tex> суммируема по Эйлеру к <tex>\alpha</tex>* Вектор <tex>\alpha</tex> является единственным неподвижным вектором матрицы <tex>P</tex>* <tex>PA = AP = A</tex>|proof=Домножим <tex>(1)</tex> на <tex>\pi</tex>. Состояние меняется на противоположноеТаким образом, при бросании монетымы получим, с вероятностью что предел последовательности <tex>p \pi P^{n}</tex> в смысле Эйлера равен <tex>\pi A = 0\pi \xi \alpha</tex>. Значит, '''первый факт''' доказан.  Так как вектор <tex>\alpha</tex> был получен из предельной матрицы для <tex>(kI + (1 - k)P)</tex>, являющейся регулярной переходной матрицей, то он будет её единственным неподвижным вероятностным вектором.5Но матрица <tex>(kI + (1 - k)P)</tex> должна иметь те же неподвижные векторы, что и <tex>P</tex> , так как из соотношения :<tex>\pi (если орёл — меняем состояниеkI + (1 - k)P) = \pi</tex>, следует, если решка — не меняемчто :<tex>\pi (1 - k)P = \pi (1 - k)</tex>и поскольку <tex>k \ne 1</tex>, то <tex>\pi P = \pi</tex>. Получается, что '''второй факт''' доказан.

'''Третий факт''' следует из того, что <tex>P \xi =\xi</tex> для любой переходной матрицы и что <tex>\alpha P =См\alpha</tex>. также==* [http://neerc.ifmo.ru/mediawiki/index.php/Марковская_цепь Марковская цепь]}}

* ==Пример==[http[File://neercErgo.ifmo.ru/mediawikijpg‎|thumb|250px|Пример циклической цепи]]Самым простым примером циклической цепи является цепь из двух состояний, с переходной матрицей::<tex>P = \begin{pmatrix}0 & 1 \\ 1 & 0\end{pmatrix}</indextex> .php/Регулярная_марковская_цепь Регулярная марковская цепь]

Стационарным распределением этой цепи будет <tex> \alpha ==Примечания==(0.5, 0.5) </tex>.

==СсылкиИсточники информации ==*[http://ru.wikipedia.org/wiki/Эргодическое_распределение Эргодическое распределение - Википедия]

*[http://ru.wikipedia.org/wiki/Эргодическое_распределение Википедия {{---}} Эргодическое распределение ]*[http://ru.wikipedia.org/wiki/Дискретное_распределение#.D0.94.D0.B8.D1.81.D0.BA.D1.80.D0.B5.D1.82.D0.BD.D1.8B.D0.B5_.D1.80.D0.B0.D1.81.D0.BF.D1.80.D0.B5.D0.B4.D0.B5.D0.BB.D0.B5.D0.BD.D0.B8.D1.8F Википедия {{---}} Дискретное распределение ]*[http://en.wikipedia.org/wiki/Euler_summation Wikipedia {{--- Википедия}} Euler summation]*Дж. Кемени, Дж. Снелл {{---}} Конечные цепи Маркова {{---}} изд. "Наука", 1970 г. {{---}} 129 c.