“设有限状态连续时间 Markov 链生成矩阵为 $Q$,$P(t)=(P {ij}(t))$,采用行概率向量约定,所有导数逐个矩阵元素理解;$t=0$ 处取右导数。转移半群满足”
形式陈述
连续时间里,“下一步”发生在随机时刻。要用当前状态预测未来,必须同时指定在此状态停多久,以及离开后去哪里。
本页先讨论非空有限或可数状态空间
左侧是关于完整历史的条件期望。在
本页选择稳定、保守的速率数组
有限状态时这是通常的生成矩阵;可数无限时,乘法中的求和须按可数级数理解。若
反过来,给定每行有限且和为零的
构造为何保留完整历史的 Markov 性
在一次访问中,给定到当前时刻仍未离开的历史,指数无记忆性使剩余停留仍具有当前状态的指数律;独立选择的目的地不因等待已持续多久而改变。随后各次访问使用新的独立随机量。因此对确定时刻
局部速率核验也不要求
这里先以
直觉
在
例子与边界
设备有工作态
一次工作期平均长
当维修比故障发生得快,设备自然在工作态停留得更多。只看跳转次数会看不见这一点。
可数状态的纯生链给出爆炸反例:从
若维修时长固定为
推论与应用
Kolmogorov 方程由局部速率计算任意时长的转移概率;当所有出发速率有一个有限共同上界时,均匀化用 Poisson 候选时钟与离散转移精确实现同一过程律;其有限状态计算分支另以 Poisson 尾控制分布近似误差。没有共同速率上界时,不在这个实现的适用范围内。只允许相邻状态变化时得到生灭过程,是基础排队模型的结构来源。
参考资料
- Karl Sigman, 2009,Continuous-Time Markov Chains, §1.1–1.7。
- Ward Whitt, Continuous-Time Markov Chains, 2012,§2–3、§10。