{
  "id": "birth-death-process",
  "title": "生灭过程",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "生灭过程是状态为非负整数、每次跳跃使状态增减一的连续时间马尔可夫模型，用于描述种群、队列等计数系统。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "出生死亡过程",
    "生死过程"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/birth-death-process/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/birth-death-process/",
      "json": "https://aiwiki.page/en/birth-death-process.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "生灭过程是一种连续时间马尔可夫链，其状态为非负整数，且只允许从状态 \\(n\\) 跳跃到 \\(n+1\\) 或 \\(n-1\\)。向上的跳跃称为出生，向下的跳跃称为死亡，无论它们是否代表生物学事件。该模型用于描述种群规模、队列中的顾客数、化学分子数，以及其他每次变化一个单位的数量。由于具有最近邻跳跃结构，生灭过程的长期行为、灭绝和到达时间等许多问题，都比一般马尔可夫模型更易于处理。"
    },
    {
      "heading": "定义与转移速率",
      "text": "设 \\(X(t)\\) 表示时刻 \\(t\\) 的状态，状态空间为\n\n\\[\\{0,1,2,\\ldots\\}\\]\n\n或有限集合 \\(\\{0,1,\\ldots,N\\}\\)。在标准的时间齐次模型中，每个状态 \\(n\\) 都有出生率 \\(\\lambda_n\\geq 0\\) 和死亡率 \\(\\mu_n\\geq 0\\)。对于很小的 \\(h>0\\)，有\n\n\\[\\Pr\\{X(t+h)=n+1\\mid X(t)=n\\} =\\lambda_n h+o(h),\\]\n\n\\[\\Pr\\{X(t+h)=n-1\\mid X(t)=n\\} =\\mu_n h+o(h),\\]\n\n以及\n\n\\[\\Pr\\{X(t+h)=n\\mid X(t)=n\\} =1-(\\lambda_n+\\mu_n)h+o(h).\\]\n\n这里，\\(o(h)\\) 表示与 \\(h\\) 的比值在 \\(h\\) 趋于零时也趋于零的项。\n\n马尔可夫性质是指，在给定当前状态的条件下，未来不依赖于此前的历史。时间齐次性则意味着，速率取决于状态，而不取决于具体时刻。\n\n由于状态不能为负，必须有 \\(\\mu_0=0\\)。有限状态模型还要求 \\(\\lambda_N=0\\)。若 \\(\\lambda_0=0\\)，则状态 \\(0\\) 为吸收态：过程一旦到达零，就会一直停留在那里。若 \\(\\lambda_0>0\\)，则从零开始的向上转移可以表示迁入、顾客到达或自发生成。\n\n在进入状态 \\(n\\) 的条件下，在该状态的停留时间服从参数为 \\(\\lambda_n+\\mu_n\\) 的指数分布。只要该参数为正，下一次跳跃向上的概率为\n\n\\[\\frac{\\lambda_n}{\\lambda_n+\\mu_n}\\]\n\n而向下的概率为\n\n\\[\\frac{\\mu_n}{\\lambda_n+\\mu_n}.\\]\n\n如果两个速率均为零，该状态就是吸收态。因此，在各跳跃时刻观察到的状态序列构成一个最近邻随机游走，其转移概率通常依赖于状态。"
    },
    {
      "heading": "生成元与演化方程",
      "text": "无穷小生成元是三对角矩阵 \\(Q=(q_{ij})\\)，定义为\n\n\\[q_{n,n+1}=\\lambda_n,\\qquad q_{n,n-1}=\\mu_n,\\qquad q_{n,n}=-(\\lambda_n+\\mu_n),\\]\n\n其他非对角元素均为零。\n\n对于适当的函数 \\(f\\)，生成元的作用为\n\n\\[(Lf)(n) =\\lambda_n\\bigl[f(n+1)-f(n)\\bigr] +\\mu_n\\bigl[f(n-1)-f(n)\\bigr],\\]\n\n其中在状态零处省去死亡项。这个表达式给出了状态函数的瞬时期望变化率。\n\n前向方程\n\n令\n\n\\[p_n(t)=\\Pr\\{X(t)=n\\}.\\]\n\n柯尔莫哥洛夫前向方程在这一背景下也称为主方程，其形式为\n\n\\[\\frac{dp_n(t)}{dt} =\\lambda_{n-1}p_{n-1}(t) +\\mu_{n+1}p_{n+1}(t) -(\\lambda_n+\\mu_n)p_n(t), \\qquad n\\geq1,\\]\n\n以及\n\n\\[\\frac{dp_0(t)}{dt} =\\mu_1p_1(t)-\\lambda_0p_0(t).\\]\n\n每个方程都反映了流入某状态与流出该状态的概率流之间的收支关系。在满足通常的存在性和非爆炸条件时，这些方程连同初始概率分布一起描述了过程的瞬态分布。\n\n对于有限状态空间，转移矩阵为\n\n\\[P(t)=e^{tQ},\\]\n\n其中的指数是矩阵指数。对于无限状态空间，使用同样的记号时需要更加谨慎，因为生成元可能是无界算子。\n\n矩方程\n\n在适当的可积性条件下，\n\n\\[\\frac{d}{dt}\\mathbb E[f(X(t))] =\\mathbb E[(Lf)(X(t))].\\]\n\n取 \\(f(n)=n\\)，得到期望值的演化方程：\n\n\\[\\frac{d}{dt}\\mathbb E[X(t)] =\\mathbb E[\\lambda_{X(t)}-\\mu_{X(t)}].\\]\n\n取 \\(f(n)=n^2\\)，得到\n\n\\[\\frac{d}{dt}\\mathbb E[X(t)^2] = \\mathbb E\\!\\left[ 2X(t)(\\lambda_{X(t)}-\\mu_{X(t)}) +\\lambda_{X(t)}+\\mu_{X(t)} \\right].\\]\n\n这些恒等式给出了均值和方差所满足的方程。不过，当速率为非线性时，低阶矩通常依赖于高阶矩，从而形成一个未必能够闭合的矩方程层级。"
    },
    {
      "heading": "平稳分布与可逆性",
      "text": "平稳分布是一个在过程演化下保持不变的概率向量 \\(\\pi=(\\pi_n)\\)。对于非负整数上的非爆炸、不可约生灭过程，平稳概率满足细致平衡方程\n\n\\[\\pi_n\\lambda_n=\\pi_{n+1}\\mu_{n+1}.\\]\n\n因此，在平衡状态下，沿每条边两个方向的概率流相等。\n\n假设对于 \\(n\\geq0\\) 有 \\(\\lambda_n>0\\)，且对于 \\(n\\geq1\\) 有 \\(\\mu_n>0\\)，定义\n\n\\[w_0=1,\\qquad w_n=\\prod_{k=0}^{n-1}\\frac{\\lambda_k}{\\mu_{k+1}}.\\]\n\n若\n\n\\[Z=\\sum_{n=0}^{\\infty}w_n<\\infty,\\]\n\n则\n\n\\[\\pi_n=\\frac{w_n}{Z}.\\]\n\n在上述非爆炸性和不可约性假设下，这是唯一的平稳分布，且过程为正常返。细致平衡还使平稳过程具有可逆性：将时间反向后，其有限维分布保持不变。\n\n对于有限不可约生灭过程，相应的有限归一化和总是存在。对于无限状态过程，若 \\(Z\\) 发散，则不存在平稳概率分布，但仅凭这一点无法区分零常返与暂留。\n\n如果零是吸收态，则集中在零处的分布是平稳分布。尽管如此，种群仍可能在很长时间内保持非零；在存活条件下的分布，可能与无条件的平稳分布有很大差异。"
    },
    {
      "heading": "重要模型",
      "text": "纯生过程与纯灭过程\n\n纯生过程在每个状态都满足 \\(\\mu_n=0\\)。如果 \\(\\lambda_n=\\lambda\\) 为常数，且 \\(X(0)=0\\)，那么它就是泊松过程，并且\n\n\\[X(t)\\sim\\operatorname{Poisson}(\\lambda t).\\]\n\n纯灭过程满足 \\(\\lambda_n=0\\)。当 \\(\\mu_n=\\mu n\\) 时，初始存在的每个个体都具有相互独立、速率为 \\(\\mu\\) 的指数寿命。若 \\(X(0)=m\\)，则\n\n\\[X(t)\\sim\\operatorname{Binomial}(m,e^{-\\mu t}),\\]\n\n即服从二项分布。\n\n线性生灭分枝过程\n\n线性模型的速率为\n\n\\[\\lambda_n=\\lambda n,\\qquad \\mu_n=\\mu n.\\]\n\n每个个体独立地以速率 \\(\\lambda\\) 生育，并以速率 \\(\\mu\\) 死亡。因此，这是一个连续时间分枝过程，且零为吸收态。\n\n从 \\(X(0)=m\\) 出发，有\n\n\\[\\mathbb E[X(t)]=m e^{(\\lambda-\\mu)t}.\\]\n\n根据参数关系，模型分为：\n\n- 次临界：\\(\\lambda<\\mu\\)。\n- 临界：\\(\\lambda=\\mu\\)。\n- 超临界：\\(\\lambda>\\mu\\)。\n\n在非退化情形 \\(\\lambda+\\mu>0\\) 下，从一个个体出发的最终灭绝概率为\n\n\\[q= \\begin{cases} 1,&\\lambda\\leq\\mu,\\\\[4pt] \\mu/\\lambda,&\\lambda>\\mu. \\end{cases}\\]\n\n从 \\(m\\geq1\\) 个个体出发时，由于各个体的后代家系相互独立，灭绝概率为 \\(q^m\\)。\n\n当 \\(\\lambda=\\mu>0\\) 时，尽管任意有限时刻的平均种群规模都保持为 \\(m\\)，灭绝仍以概率一发生。少数存活种群的规模增长抵消了灭绝概率上升的影响。因此，均值恒定并不意味着典型样本路径始终保持在该均值附近。\n\n令 \\(\\mu=0\\) 且 \\(\\lambda>0\\)，便得到尤尔纯生模型。\n\n迁入—死亡过程\n\n设\n\n\\[\\lambda_n=\\nu,\\qquad \\mu_n=\\mu n,\\]\n\n其中 \\(\\nu,\\mu>0\\)。个体以恒定速率到达，而每个现存个体都独立地以速率 \\(\\mu\\) 消失。其平稳分布为泊松分布：\n\n\\[\\pi_n=e^{-\\nu/\\mu}\\frac{(\\nu/\\mu)^n}{n!}.\\]\n\n与没有迁入的种群模型不同，该过程可以离开状态零。\n\n排队模型\n\n在排队论中，\\(X(t)\\) 通常表示服务系统中的顾客数。\\(M/M/1\\) 队列的顾客按速率为 \\(\\lambda\\) 的泊松过程到达，系统只有一个服务台，服务时间服从速率为 \\(\\mu\\) 的指数分布，其速率为\n\n\\[\\lambda_n=\\lambda,\\qquad \\mu_n= \\begin{cases} 0,&n=0,\\\\ \\mu,&n\\geq1. \\end{cases}\\]\n\n记 \\(\\rho=\\lambda/\\mu\\)，其平稳分布存在当且仅当 \\(\\rho<1\\)，且为\n\n\\[\\pi_n=(1-\\rho)\\rho^n.\\]\n\n在这种情况下，\n\n\\[\\mathbb E_\\pi[X]=\\frac{\\rho}{1-\\rho}.\\]\n\n若有 \\(c\\) 个相同的服务台，总服务完成速率变为\n\n\\[\\mu_n=\\min(n,c)\\mu,\\]\n\n由此得到另一个生灭模型。"
    },
    {
      "heading": "到达概率与到达时间",
      "text": "最近邻转移结构使边界到达问题具有简单的递推关系。\n\n在有限区间 \\(\\{0,\\ldots,N\\}\\) 上，令 \\(u_n\\) 表示从 \\(n\\) 出发先到达 \\(N\\) 而非 \\(0\\) 的概率。若内部状态的出生率和死亡率均为正，则\n\n\\[\\lambda_n(u_{n+1}-u_n) +\\mu_n(u_{n-1}-u_n)=0,\\]\n\n边界条件为 \\(u_0=0\\) 和 \\(u_N=1\\)。其解为\n\n\\[u_n= \\frac{ \\displaystyle\\sum_{k=0}^{n-1} \\prod_{j=1}^{k}\\frac{\\mu_j}{\\lambda_j} }{ \\displaystyle\\sum_{k=0}^{N-1} \\prod_{j=1}^{k}\\frac{\\mu_j}{\\lambda_j} },\\]\n\n其中空乘积等于一。这将赌徒破产问题中的概率公式推广到了速率依赖于状态的情形。\n\n类似地，若 \\(T_n\\) 表示从 \\(n\\) 出发到达指定吸收边界的期望时间，则在非吸收态有\n\n\\[-1= \\lambda_n(T_{n+1}-T_n) +\\mu_n(T_{n-1}-T_n),\\]\n\n目标边界上的取值为零。这类方程也可以通过停时和鞅的方法推导出来。"
    },
    {
      "heading": "爆炸与边界行为",
      "text": "每个状态的速率都有限，本身并不能保证过程在所有时刻都处于通常的整数状态上。如果在有限时间区间内发生无穷多次跳跃，就称为爆炸。\n\n对于速率为正的纯生过程，依次经过所有状态所需的时间，是一系列相互独立的指数停留时间之和。标准的非爆炸判据为\n\n\\[\\sum_{n=0}^{\\infty}\\frac{1}{\\lambda_n}=\\infty.\\]\n\n例如，速率 \\(\\lambda_n=\\lambda(n+1)\\) 对应的过程不发生爆炸，而速率 \\(\\lambda_n=(n+1)^2\\) 会使过程以概率一在有限时间内发生爆炸。\n\n对于一般的生灭速率，由于可能发生向下跳跃，判据更加复杂。一个有用的充分条件是总速率至多线性增长，即存在有限常数 \\(C\\)，使得\n\n\\[\\lambda_n+\\mu_n\\leq C(1+n)\\]\n\n成立。对于有限状态模型，只要所有速率都有限，过程就必然不发生爆炸。\n\n这些区别十分重要，因为在可能爆炸的情形下，如果不额外规定无穷远处的行为，仅指定局部速率未必能确定唯一的保守过程，即总概率保持为一的过程。"
    },
    {
      "heading": "计算、应用与局限",
      "text": "可以通过反复抽取指数停留时间，再根据当前速率选择跳跃方向，生成精确的样本路径。重复这一过程，就得到用于估计瞬态概率、灭绝概率和到达时间的蒙特卡洛方法。\n\n对于有限系统或截断系统，可以使用数值分析方法求解前向方程。截断需要谨慎处理：如果到达人为设置的上边界的概率不可忽略，计算结果就可能失真。\n\n当事件使计数每次增减一，且仅凭该计数就足以确定未来速率时，生灭模型十分有用。其应用包括种群动力学、队列长度、以正常工作部件数为状态的可靠性系统，以及分子的生成与降解。模型的主要局限也源于这些假设：\n\n- 成批到达、多个个体同时损失，以及一次产生多个后代的繁殖事件，都需要幅度大于一的跳跃。\n- 非指数等待时间通常会使计数本身不再具有马尔可夫性质。\n- 年龄、空间结构或隐藏的环境条件，可能要求扩充状态空间。\n- 一维模型无法分别跟踪相互作用的多个种群或多种化学物质。\n\n因此，采用生灭过程来描述系统，并不意味着单个事件在本质上是无记忆的。它是一种建模选择，其适用性取决于所选状态是否包含了足以描述系统动态的信息。"
    }
  ],
  "links": [
    "continuous-time-markov-chain",
    "markov-property",
    "exponential-distribution",
    "random-walk",
    "matrix",
    "probability-distribution",
    "transition-matrix",
    "matrix-exponential",
    "expected-value",
    "variance",
    "stationary-distribution",
    "detailed-balance",
    "poisson-process",
    "binomial-distribution",
    "poisson-distribution",
    "recurrence-relation",
    "martingale",
    "monte-carlo-method",
    "numerical-analysis"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}