[论文解读] Matrix factorization identity for almost semi-continuous processes on a Markov chain

Д. В. Гусак, E. V. Karnaukh|ArXiv.org|Aug 29, 2009

advanced mathematical theories参考文献 1被引用 5

一句话总结

本文建立了在有限不可约马尔可夫链上几乎半连续过程（具有平稳独立增量）的矩阵分解恒等式。通过利用拉普拉斯变换和矩阵值特征函数，推导出这些过程的极值（如上确界和下确界）分布的显式表达式，尤其在涉及过程漂移和跳跃成分的条件下。

ABSTRACT

In this article almost semi-continuous processes with stationary independent increments on a finite irreducible Markov chain are considered. For these processes the components of matrix factorization identity are concretely defined. On the basis of this concrete definition the relations for the distributions of extrema and distributions of their complements for the almost upper semi-continuous processes are established.

研究动机与目标

• 将矩阵分解恒等式推广至马尔可夫链上的几乎半连续过程，推广先前对半连续情形的结果。
• 在马尔可夫调制的莱维过程背景下，刻画上确界、下确界及其补集的联合分布。
• 为首次 passage 时间的生成函数以及在指数时间horizon 下运行上确界和下确界的分布提供显式公式。
• 分析当漂移分量为零或非负时过程的行为，特别关注生存概率和负偏差的分布。

提出的方法

• 使用二维马尔可夫过程 $ Z(t) = \{\xi(t), x(t)\} $，其中 $ x(t) $ 是有限不可约马尔可夫链，$ \xi(t) $ 是在每个状态上具有平稳独立增量的过程。
• 定义矩阵特征函数 $ \boldsymbol{\Phi}(s,\alpha) = \mathbf{E}[e^{i\alpha\xi(\theta_s)}] $，其中 $ \theta_s $ 是指数分布随机变量，并将其表达为 $ s(s\mathbf{I} - \boldsymbol{\Psi}(\alpha))^{-1} $。
• 应用矩阵分解恒等式 $ \boldsymbol{\Phi}(s,\alpha) = \boldsymbol{\Phi}_+(s,\alpha)\mathbf{P}_s^{-1}\boldsymbol{\Phi}^-(s,\alpha) $，将特征函数与上确界和下确界的分布联系起来。
• 利用傅里叶-斯蒂尔杰斯变换上的投影算子 $ [\cdot]_\pm $，分离特征函数的正负部分。
• 对概率 $ P^0_{kr}(t) $ 的前向方程应用拉普拉斯-卡森变换，该概率描述事件 $ \xi(t) = 0 $，以推导零延迟分布的生成函数。
• 推导出 $ \check{\mathbf{R}}_+ = \lim_{s\to 0} s \check{\mathbf{R}}^{-1}_+(s) $ 的显式极限表达式，并利用它们将 $ \xi^- $ 和 $ \mathbf{p}_- $ 的分布表示为矩阵逆和跳跃分布的组合。

实验结果

研究问题

• RQ1 如何为马尔可夫链上的几乎上半连续过程具体定义矩阵分解恒等式？
• RQ2 在指数时间horizon 下，此类过程的上确界和下确界分布的显式表达式是什么？
• RQ3 漂移和跳跃分量如何影响破产概率和负偏差的分布？
• RQ4 平稳分布和矩阵 $ \mathbf{K}(r) $ 在刻画过程极限行为中起什么作用？
• RQ5 在什么条件下 $ \xi^- $ 的分布存在，以及它如何通过矩阵运算表示？

主要发现

• 当 $ m_1^0 > 0 $ 时，$ \xi^- = \inf_{0\leq u\leq\infty} \xi(u) $ 的严格负值分布由下式给出：$ \mathbf{E}[e^{r\xi^-}, \xi^- < 0] = \left[r\mathbf{K}^{-1}(r)(\mathbf{C} - r\mathbf{I})^{-1}\right]_- \check{\mathbf{R}}_+ $。
• 当漂移 $ \mathbf{A} = 0 $ 时，概率 $ \mathbf{p}_- = \mathbf{P}(\xi^- = 0) $ 由下式给出：$ \left(\boldsymbol{\Lambda} - \mathbf{N}(\mathbf{f}(0) - \mathbf{I})\right) \check{\mathbf{R}}_+ $，其中 $ \check{\mathbf{R}}_+ = \lim_{s\to 0} s \check{\mathbf{R}}^{-1}_+(s) $。
• 当 $ m_1^0 > 0 $ 时，有 $ \lim_{r\to 0} r\mathbf{K}^{-1}(r) = \frac{1}{m_1^0} \mathbf{P}_0 $，该式将长期行为与平稳分布联系起来。
• 首次通过水平 $ x $ 的首达时间的生成函数与上确界的拉普拉斯变换相关联：$ \overline{\mathbf{P}}_+(s,z) = \mathbf{E}[e^{-s\tau^+(z)}, \tau^+(z) < \infty] \mathbf{P}_s $。
• 矩阵 $ \mathbf{P}_s = s(s\mathbf{I} - \mathbf{Q})^{-1} $ 随 $ s \to 0 $ 收敛于平稳转移矩阵 $ \mathbf{P}_0 $，其中 $ \mathbf{P}_0 = \|\pi_r\| $。
• 负偏差 $ \overline{\xi}(t) $ 的分布通过关系 $ \mathbf{P}^-(s,x) = \mathbf{P}(\overline{\xi}(\theta_s) < x) $ 描述，并通过矩阵求逆和投影运算推导其生成函数。