lancuchy markowa

background image

Łańcuchy Markowa

1. Wstęp
2. Prawdopodobieństwo, niezależność

prawdopodobieństwo warunkowe

3. Definicja łańcucha Markowa
4. Klasyfikacja stanów
5. Ewolucja prawdopodobieństw
6. Stacjonarność
7. Odwracalność

background image

Wstęp

Andrey Andreevich
Markov
Андрей Андреевич
Марков
(1856-1922)

background image

Wstęp

• fizyce,
• chemii, biochemii,
• biologii, biologii molekularnej,
• genetyce,
• informatyce, teorii algorytmów, teorii

optymalizacji

Łańcuchy Markowa powstały jako modele w
rachunku prawdopodobieństwa uogólniające
pojęcie niezależności.
Obecnie są stosowane praktycznie we wszystkich
gałęziach nauki, w szczególności w:

background image

Wstęp

W konstrukcji Łańcucha Markowa istotne

znaczenie mają pojęcia:

- stanu (stanów)
- przejść (przeskoków) pomiędzy stanami
- własności Markowa

Będziemy się koncentrować na łańcuchach

Markowa o skończonej liczbie stanów:

1

2

3

N

….

background image

Prawdopodobieństwo

n

n

A

P

A

)

(

n

n

A

P

A

n

lim

)

(

Prawdopodobieństwo zdarzenia A, P(A), jest
miarą częstości występowania A przy
wielokrotnym powtarzaniu eksperymentu:

Geometryczna definicja
prawdopodobieństwa:

A

background image

Prawdopodobieństwo

A

A

C

P( ) = 1

A

C

= \ A

P(A

C

) = 1 – P(A)

background image

Prawdopodobieństwo

Jeśli A i B się wykluczają (A  B = )

to:

P(A  B) = P(A) + P(B)

Ogólnie:
P(A  B) = P(A) + P(B) – P(A

 B )

A

B

A  B

background image

Niezależność

Zdarzenia A i B są niezależne

wtedy i tylko wtedy gdy:

P( A  B) = P(A) P(B)

Zamiast A  B często będziemy pisać A,B

P( A  B) =P(A,B)

background image

Prawdopodobieństwo

warunkowe

)

(

)

,

(

)

(

)

(

)

|

(

B

P

B

A

P

B

P

B

A

P

B

A

P

A

B

A  B

background image

Reguła łańcuchowa

C)

B

P(A|B,C)P(

C

P

C

B

P

C

B

P

C

B

A

P

C

P

C

B

A

P

C

B

A

P

|

)

(

)

,

(

)

,

(

)

,

,

(

)

(

)

,

,

(

)

|

,

(

background image

Przykład

Drukarka laserowa drukując stronę testową

może

(a) zgnieść papier,
(b)doznać uszkodzenia mechanizmu

drukującego.

Prawdopodobieństwo zgniecenia papieru wynosi

0.001, prawdopodobieństwo uszkodzenia

mechanizmu przy zgnieceniu papieru wynosi

0.01.

Jakie jest prawdopodobieństwo, że drukując

stronę testową drukarka zgniecie papier i

dozna uszkodzenia mechanizmu drukującego?

background image

Rozwiązanie przykładu

A – drukarka doznaje uszkodzenia

mechanizmu

B – drukarka gniecie papier
C – drukarka drukuje stronę testową
P(A|B,C)=0.01
P(B|C)=0.001

P(A,B|C) = P(A|B,C) P(B|C) =

0.00001

background image

Reguła łańcuchowa

)

|

(

,

|

,

)

|

,

,

(

D

C

D)P

C

D)P(B

P(A|B,C

D

C

B

A

P

… i tak dalej

background image

Wzór na

prawdopodobieństwo

całkowite

B

1

, B

2

, …, B

K

- zdarzenia wzajemnie

wykluczające się:
B

i

 B

j

= ,

oraz:
B

1

 B

2

 …  B

K

= 

K

i

i

i

B

P

B

A

P

A

P

1

)

(

)

|

(

)

(

K

i

i

B

A

A

1

Wzór na prawdopodobieństwo całkowite:

background image

Przykład

Supermarket kupuje jabłka od dwóch

dostawców, 30% od pierwszego i 70%
od drugiego. Wśród jabłek od
pierwszego dostawcy jest 1% zepsutych
a od drugiego 2% zepsutych.

Wybieramy losowo jabłko w

supermarkecie. Jakie jest
prawdopodobieństwo, że będzie
zepsute?

background image

Rozwiązanie przykładu

A – zepsute jabłko
B

1

– jabłko od pierwszego dostawcy

B

2

– jabłko od drugiego dostawcy

P(B

1

) = 0.3

P(B

2

) = 0.7

P(A|B

1

) = 0.01

P(A|B

2

) = 0.02

P(A) = P(A|B

1

) P(B

1

) + P(A|B

2

) P(B

2

) =

= 0.01*0.3 + 0.02*0.7 =

0.017

background image

Łańcuch Markowa

Łańcuch Markowa X

k

jest

procesem losowych przeskoków

pomiędzy dyskretnymi stanami

Indeks k oznacza chwile czasowe
pomiędzy przeskokami

background image

Stany

1

2

3

N

….

background image

Prawdopodobieństwa przejść

z X

k

= i do X

k+1

= j

p

ij

= P( X

k+1

= j | X

k

= i )

background image

Macierz prawdopodobieństw

przejść

NN

N

N

N

N

p

p

p

p

p

p

p

p

p

P

...

...

...

...

...

...

...

2

1

2

22

21

1

12

11

background image

Macierz prawdopodobieństw

przejść i graf przejść

1

0

0

0

9

.

0

1

.

0

0

0

2

.

0

8

.

0

0

0

0

0

5

.

0

5

.

0

P

background image

Własność Markowa

P( X

k+1

= j | X

k

= i ) = P( X

k+1

= j | X

k

= i , X

k-1

= i

1

,…,

X

k-r

= i

k-r

)

background image

Własność Markowa oraz

reguła łańcuchowa prowadzą

do wniosku

P[i

0

, i

1

,...,i

K

] =

i0

p

i0,i1

p

i1,i2

p

K-1,K

gdzie

i0

= P[ X₀ = i₀ ]

background image

Przykład

Dla łańcucha Markowa:

gdzie X

1

= 1, mamy

P[1, 1, 2, 3, 4, 4] = 0.5*0.5*0.8*0.9*1=0.18

background image

Rozkład

prawdopodobieństwa stanów

]

2

.

0

,

7

.

0

,

1

.

0

[

)]

1

(

),

1

(

),

1

(

[

)

1

(

3

2

1

]

0

,

0

,

1

[

)]

0

(

),

0

(

),

0

(

[

)

0

(

3

2

1

)

0

(

Jeśli w chwili k=0 X

0

=1 to

nazywa się rozkładem prawdopodobieństw stanów w chwili 0

Z kolei:

nazywa się rozkładem prawdopodobieństw stanów w chwili k

)

(k

1

3

2

.

0.2

0.7

0.1

1

1

background image

Ewolucja rozkładów

prawdopodobieństw stanów

)]

1

(

...

)

1

(

)

1

(

[

)

1

(

2

1

N

)]

(

...

)

(

)

(

[

)

(

2

1

k

k

k

k

N

.
.
.

.
.
.

)]

0

(

...

)

0

(

)

0

(

[

)

0

(

2

1

N

background image

Ewolucja rozkładów

prawdopodobieństw stanów

)]

1

(

...

)

1

(

)

1

(

[

)

1

(

2

1

N

)]

0

(

...

)

0

(

)

0

(

[

)

0

(

2

1

N

Zadanie: znamy

policzyć

background image

Ewolucja rozkładów

prawdopodobieństw stanów

Nk

N

k

k

k

p

p

p

k

X

P

)

0

(

...

)

0

(

)

0

(

]

)

1

(

[

)

1

(

2

2

1

1

Zastosowanie wzoru na prawdopodobieństwo całkowite

background image

Ewolucja rozkładów

prawdopodobieństw stanów

(1) =

(0) P

)]

0

(

...

)

0

(

)

0

(

[

2

1

N

NN

N

N

N

N

p

p

p

p

p

p

p

p

p

...

...

...

...

...

...

...

2

1

2

22

21

1

12

11

)]

1

(

...

)

1

(

)

1

(

[

2

1

N

background image

(1) = (0) P
(2) = (0) P*P

…..

(k) = (0) P

k

Ewolucja rozkładów

prawdopodobieństw stanów

background image

Nieprzywiedlność

Łańcuch Markowa jest nieprzywiedlny

jeśli z dowolnego stanu można
przejść do każdego innego

nieprzywiedlny

przywiedlny

background image

Stany powracające i

przejściowe

Stan łańcucha Markowa nazywa się

powracającym, jeśli startując z tego stanu

wrócimy do niego z

prawdopodobieństwem 1. Stan, który nie

jest powracający nazywa się

przejściowym.

1

4

5

2

3

- powracające

- przejściowe

background image

Stany okresowe

background image

Łańcuch aperiodyczny

Łańcuch Markowa, którego żaden

stan nie jest okresowy nazywa się
aperiodycznym

background image

Ergodyczność

Stan jest ergodczny jeśli jest

aperiodyczny i powracający. Łańcuch
jest ergodyczny jeśli wszystkie jego
stany są ergodyczne.

Jeśli łańcuch ma skończoną liczbę stanów

i jest nieprzywiedlny i aperiodyczny to
jest ergodyczny

background image

Rozkład niezmienniczy

S

= 

S

P

Rozkład stacjonarny

)

(

)

(

lim

k

k

background image

Jak policzyć rozkład

stacjonarny?

S

= 

S

P

Z układu równań:

background image

Łańcuch jest stacjonarny

jeśli

)

(

)

0

(

background image

Jeśli łańcuch Markowa jest

ergodyczny

to granica (k) gdy k  , istnieje, nie

zależy od początkowego rozkładu (0)

oraz

S

k

k

)

(

lim

background image

Łańcuch Markowa z

odwróconym czasem

X

k

, X

k1

, X

k-2

….

)

(

)

1

(

]

[

]

|

[

]

[

]

|

[

1

1

1

k

p

k

i

X

P

j

X

i

X

P

j

X

P

i

X

j

X

P

p

i

ji

j

k

k

k

k

k

k

reversed

ij

background image

Odwracalne łańcuch

Markowa

Łańcuch Markowa nazywa się odwracalnym

jeśli

ij

reversed

ij

p

p

Łańcuch odwracalny jest łańcuchem stacjonarnym

background image

Odwracalność – warunek

lokalnego bilansu

)

(

)

1

(

k

p

k

p

i

ji

j

reversed

ij

Si

ji

Sj

reversed

ij

p

p

Stacjonarność

pociąga za
sobą:

ji

Sj

ij

Si

p

p

Warunek lokalnego

bilansu:


Document Outline


Wyszukiwarka

Podobne podstrony:
5 lancuchy markowa (2)
Graniczne własciwosci łańcuchów Markowa
lancuchy markowa
Lancuchy Markowa 06 Naskrecki p4
Lasy Skierowane i Algorytmy Zwiazane z Lancuchami Markowa 97 Pokarowski PhD p147
lancuchy markowa
5 lancuchy markowa2 (2)
Łancuchy Markowa p17
Prognozowanie na Podstawie Łancuchów Markowa p10x2 scan!!
5 lancuchy markowa
Prognozowanie na Podstawie Łancuchów Markowa p10x2 scan!!
Tworzenie Łańcucha Wartości Dodanej
Logistyczny łańcuch dostaw

więcej podobnych podstron