马尔可夫链分析法共21页文档
第四章 马尔可夫链
股市预测
预测股票价格变化 基于历史数据建立模型 考虑股票之间的相关性 用于投资决策和风险管理
05
马尔可夫链的算法
状态转移矩阵算法
定义：状态转移 矩阵算法是马尔 可夫链中用于描 述状态转移概率 的算法
计算方法：根据 历史数据和当前 状态计算未来的 状态转移概率
应用场景：广泛 应用于自然语言 处理、语音识别、 机器翻译等领域
类问题等。
可扩展性强： 马尔可夫链可 以通过增加状 态和转移概率 来扩展模型， 以处理更复杂
的问题。
缺点
状态转移概率矩 阵必须已知
无法处理连续时 间或非齐次过程
无法处理多维或 多状态过程
无法处理非马尔 可夫过程
YOUR LOGO
THANK YOU
汇报人：儿
特点：隐马尔可夫链的状态转移和观测概率是参数化的，需要通过训练数据来估计。
应用：隐马尔可夫链在语音识别、自然语言处理、机器翻译等领域有广泛应用。
算法：隐马尔可夫链的算法包括前向-后向算法、Viterbi算法和Baum-Welch算法等。
04
马尔可夫链的应用
自然语言处理
文本分类：利 用马尔可夫链 对文本进行分 类，如垃圾邮 件过滤、情感
01
添加章节标题
02
马尔可夫链的定义
状态转移
定义：马尔可夫链的状态转移概率是描述状态之间转移的规则
特性：状态转移具有无记忆性，即下一个状态只与当前状态有关，与过去状态无关
转移矩阵：描述状态转移概率的矩阵
稳态分布：在长期状态下，马尔可夫链将趋于一个稳态分布，该分布描述
YOUR LOGO
马尔可夫链
,a click to unlimited possibilities
马尔可夫链
(3) P( n) P P( n1) (4) P( n) P n
初始概率和绝对概率
初始概率： 绝对概率：
p j (n) P{X n j}, ( j I )
p j P{X 0 j}, ( j I )
初始分布：
{ p j } { p j , j I}
绝对分布：
(第七章)马尔可夫链
马尔可夫链的概念及转移概率 马尔可夫链的状态分类 状态空间的分解 遍历性与平稳分布
马尔可夫过程的四种类型
马尔可夫链
时间、状态都离散 时间离散、状态连续
马尔可夫序列
纯不连续马尔可夫过程
时间连续、状态离散
时间、状态都连续
连续马尔可夫过程（或扩散过程）
（3）函数表达式
[例3] 设 { Xn , nT } 是一个马尔可夫链，其状态
空间 I = {a, b, c}，转移矩阵为
1 / 2 1 / 4 1 / 4 P 2 / 3 0 1 / 3 3 / 5 2 / 5 0
求： (1) P{ X 1 b, X 2 c, X 3 a, X 4 c X 0 c};
一步转移概率矩阵
p11 P p21 p12 p22 p1n p2 n
性质： (1) pij 0 , i, j I
(2)
p
jI
ij
1, i I
（随机矩阵）
n 步转移概率
[定义] 称条件概率
( n) pij P{X mn j X m i}, (i, j I , m 0, n 1)
( n) n 0, 0 l < n 和 i , j I ，n 步转移概率 pij 具有下 列性质：
马尔可夫链▏小白都能看懂的马尔可夫链详解
马尔可夫链▏小白都能看懂的马尔可夫链详解1.什么是马尔可夫链在机器学习算法中，马尔可夫链(Markov chain)是个很重要的概念。
马尔可夫链（Markov chain），又称离散时间马尔可夫链（discrete-time Markov chain），因俄国数学家安德烈·马尔可夫（俄语：Андрей Андреевич Марков）得名，为状态空间中经过从一个状态到另一个状态的转换的随机过程。
该过程要求具备“无记忆”的性质：下一状态的概率分布只能由当前状态决定，在时间序列中它前面的事件均与之无关。
这种特定类型的“无记忆性”称作马尔可夫性质。
马尔科夫链作为实际过程的统计模型具有许多应用。
在马尔可夫链的每一步，系统根据概率分布，可以从一个状态变到另一个状态，也可以保持当前状态。
状态的改变叫做转移，与不同的状态改变相关的概率叫做转移概率。
随机漫步就是马尔可夫链的例子。
随机漫步中每一步的状态是在图形中的点，每一步可以移动到任何一个相邻的点，在这里移动到每一个点的概率都是相同的（无论之前漫步路径是如何的）。
2.一个经典的马尔科夫链实例用一句话来概括马尔科夫链的话，那就是某一时刻状态转移的概率只依赖于它的前一个状态。
举个简单的例子，假如每天的天气是一个状态的话，那个今天是不是晴天只依赖于昨天的天气，而和前天的天气没有任何关系。
这么说可能有些不严谨，但是这样做可以大大简化模型的复杂度，因此马尔科夫链在很多时间序列模型中得到广泛的应用，比如循环神经网络RNN，隐式马尔科夫模型HMM等。
假设状态序列为由马尔科夫链定义可知，时刻Xt+1 的状态只与Xt 有关，用数学公式来描述就是：既然某一时刻状态转移的概率只依赖前一个状态，那么只要求出系统中任意两个状态之间的转移概率，这个马尔科夫链的模型就定了。
看一个具体的例子。
这个马尔科夫链是表示股市模型的，共有三种状态：牛市（Bull market）, 熊市（Bear market）和横盘（Stagnant market）。
《马尔可夫链分析法》课件
马尔可夫链分析法具有无后效性 、离散性和随机性，适用于描述 大量随机现象，如股票价格、人 口迁移等。
马尔可夫链分析法的应用领域
金融领域
马尔可夫链分析法用于描述股票价格、汇率等金融市场的随机波 动，以及风险评估和投资组合优化。
自然领域
在生态学、气象学、地质学等领域，马尔可夫链分析法用于描述物 种分布、气候变化、地震等自然现象。
ABCD
云计算应用
利用云计算资源，实现大规模数据的快速处理和 分析。
跨学科合作
加强与其他学科领域的合作，共同推动马尔可夫 链分析法的技术创新和应用拓展。
THANKS FOR WATCHING
感谢您的观看
CHAPTER 03
马尔可夫链分析法的基本步 骤
建立状态转移矩阵
确定系统的状态空间
首先需要确定系统可能的状态，并为其编号。
计算状态转移概率
根据历史数据或实验结果，计算从一个状态转移到另一个状态的 概率。
构建状态转移矩阵
将状态转移概率按照矩阵的形式排列，形成状态转移矩阵。
计算稳态概率
初始化概率向量
系统的长期行为
02
通过分析稳态概率，可以了解系统的长期行为和趋势，例如系
统的最终状态分布、系统的平衡点等。
预测未来状态
03
基于稳态概率，可以对系统未来的状态进行预测，从而为决策
提供依据。
CHAPTER 04
马尔可夫链分析法的应用实 例
人口迁移模型
描述人口迁移的动态过程
马尔可夫链分析法用于描述人口迁移的动态过程，通过分析人口在各个地区之间 的转移概率，预测未来人口分布情况。这种方法可以帮助政府和企业了解人口流 动趋势，制定相应的政策和计划。
马尔可夫链
n
n
P{Tij l, X n j | X 0 i} P{Tij l | X 0 i}P{X n j | Tij l, X 0 i}
l 1
l 1
n
fij (l)P{X n j | X 0 i, X1 j, X l1 j, X l j} l 1
n
n
fij (l)P{X n j | X l j} fij (l)Pjj (n l)
p
j
jl
n
m
p
j
i
mpii
n
pij
l
pii
n
定理8 若 i j ，则 （1）i与j同为常返或同为非常返； （2）若i与j常返，则i与j同为正常返或同为零常返； （3）i与j或同为非周期的，或同为周期的且有相同的周期。
遍历性与平稳分布
1 遍历性
定义1 设齐次马氏链 {X (n), n 0}的状态空间为E，若对一切 i, j E ，存在 不依赖于i的极限
显然有
fij () P{Tij } 1 fij
（i 不能到达 j 的概率）
0 fij (n) fij 1
fjj 表示从 j 出发迟早返回 j 的概率
定理4： 对任何状态 i, j G, n 1, 有
n
pij n fij lp jj n l i 1
证明：
pij (n) P{X n j | X 0 i} P{Tij n, X n j | X 0 i}
则称马尔可夫链具有遍历性。并 p j称为状态j的稳态概率。
定理9
对于一有限状态的马氏链，如 m 0,对一切i, j I, pij m 0
则 此链具有遍历性。且 p j p1, p2,p3, , pN
是
第2章-马尔可夫链
0.4834
0.5009
例
甲、乙两人进行比赛，设每局比赛中甲胜的概率是p，
乙胜的概率是q，和局的概率是r ，（p q r 1）。
设每局比赛后，胜者记“+1”分，负者记“-1”分，
和局不记分。当两人中有一人获得2分结束比赛。X以n
表示比赛至第n局时甲获得的分数。
（1）写出状态空间；（2）求P(2)；
pij a0j,i ,
ji ji
显然{Yn,n≥1}也是一马尔可夫链。
例2 M/G/1排队系统
若以X(t)记在t时刻系统中的顾客数，{X(t),t≥0}则不具马 尔可夫性。
Xn-----第n个顾客走后剩下的顾客数， Yn -----第n+1个顾客接受服务期间来到的顾客数，则
X
n1
Xn 1 Yn ,
CHAPTER 2 马尔可夫链
第一节 基本概念
一、马尔可夫链的定义及例子
1、定义
随机过程Xn, n 0,1, 2, 称为马尔可夫链，若它只
取有限或可列个值（称为过程的状态，记为0，1，2，…），
并且，对任意
及状态
，有
n0
i, j, i0 , i1, , in1
P( X n1 j X 0 i0 , X1 i1, , X n1 in1, X n i)
（3）问在甲获得1分的情况下，再赛二局可以结束比 赛的概率是多少？
解
（1）
记甲获得“负2分”为状态1，获得 “负1分”为状态2，获得“0分”为状态3， 获得“正1分”为状态4，获得“正2分”为 状态5，则状态空间为
I {1，2，3，4，5}
一步转移概率矩阵
1 0 0 0 0
q
r
p
马尔科夫链
马尔科夫预测法一个是职业病尘肺病人预测、一个是安全培训效果预测、一个是安全出口人流分布预测，那今天就专门讲马尔科夫预测模型的计算方法。
（一级考试这个知识点考的㳀）•马尔科夫（A.A Markov）预测法是应用概率论中马尔科夫链的理论和方法来研究随机事件变化并借此分析预测未来变化趋势的一种方法。
一般用于市场占有率预测和人力资源结构预测方法，最近几年在一级安全评价师考试中出现的次数比较多，虽然难度很低，但是教材上并没有这个内容，所以在这里简单给大家讲一下这个方法的应用与解题技艺。
先简单介绍一下这个方法马尔柯夫（A.A Markov 俄国数学家）。
20世纪初，他在研究中发现自然界中有一类事物的变化过程仅与事物的近期状况有关，而与事物的过去状态无关。
例：设备维修和更新、人才结构变化、资金流向、市场需求变化等许多经济行为都可用这一类过程来描述或近似。
所谓马尔柯夫链，就是一种随机时间序列，它在将来取什么值只与它现在的取值有关，而与它过去取什么值无关，即无后效性。
具备这个性质的离散型随机过程，称为马尔柯夫链。
状态与状态变量•状态：客观事物可能出现或存在的状况。
如：商品可能畅销也可能滞销；机器运转可能正常也可能故障等。
（同一事物不同状态之间必须相互独立:不能同时存在两种状态。
）•用状态变量来表示状态它表示随机运动系统，在时刻t(t=1,2,3...)所处的状态i(i=1,2,3...)•状态转移：客观事物由一种状态到另一种状态的变化。
如：由于产品质量或替代产品的变化，市场上产品可能由畅销变为滞销。
由于状态转移是随机的，因此，必须用概率来描述状态转移可能性的大小，将这种转移的可能性用概率描述，就是状态转移概率。
概率论中的条件概率：P（A/B）就表达了由状态 B 向状态 A 转移的概率，简称为状态转移概率。
对于由状态 E i 转移到状态E j 的概率，称它为从i到j的转移概率。
记为：它表示由状态E i 经过一步转移到状态E j 的概率。
《马尔可夫链讲》课件
在平稳分布下，系统的各个状态之间转移的次数趋于平衡，每个状态的平均逗留时 的 马尔可夫链，都存在至少一个平
稳分布。
存在性定理的证明基于遍历理论 ，即如果马尔可夫链是遍历的，
那么它必然存在平稳分布。
根据接受概率判断是否接受样本的技 术，可以提高样本的质量和效率。
接受-拒绝抽样技术
接受概率
根据目标分布和当前状态计算出的概率，用于判断是否接受当前状态 转移为下一个状态。
拒绝概率
根据当前状态和接受概率计算出的概率，用于判断是否拒绝当前状态 转移为下一个状态。
接受-拒绝抽样过程
根据当前状态和接受概率计算出接受该状态的概率，如果该概率大于 随机数，则接受该状态作为下一个状态，否则拒绝并重新抽样。
详细描述
马尔可夫链定义为一个随机过程，其 中每个状态只与前一个状态有关，当 前状态只依赖于前一时刻的状态，不 受到过去状态的影响。
马尔可夫链的应用场景
总结词
马尔可夫链在多个领域有广泛应用。
详细描述
在自然语言处理中，马尔可夫链可以用于生成文本、语言模型等；在金融领域 ，马尔可夫链可以用于股票价格预测、风险评估等；在物理学中，马尔可夫链 可以用于描述粒子运动、化学反应等。
模型训练与预测
模型选择
根据数据特点和业务需求选择合适的马尔可 夫链模型。
模型训练
使用历史数据训练马尔可夫链模型。
参数设置
根据经验和业务理解设置模型参数。
预测与推断
基于训练好的模型对未来或未知数据进行预 测和推断。
结果评估与优化
评估指标
选择合适的评估指标（如准确率、召回率、F1值等）对预测结果进行评估。
马尔可夫链
马尔可夫链马尔可夫过程按其状态和时间参数是连续的或离散的,可分为三类: (1) 时间,状态都是离散的马尔可夫过程,称为马尔可夫链.(2) 时间连续,状态离散的马尔可夫过程,称为连续时间的马尔可夫 (3) 时间,状态都连续的马尔可夫过程. 4.1马尔可夫链的概念及转移概率 一,定义假设马尔可夫过程},{T n X n ∈的参数集T 是离散的时间集合,即 T={0,1,2,…},其相应n X 可能取值的全体组成的状态空间是离散的状态集,...}.,{21i i I =定义4.1 设有随机过程},{T n X n ∈,若对于任意的整数T n ∈和任意的I i i i i n ∈+.,...,,,1210,条件概率满足n n n n i X i X i X i X P ====++,...,,{110011}=},{11n n n n i X i X P ==++ (4.1) 则称},{T n X n ∈为马尔可夫链,简称.马氏链.(4.1)式是马尔可夫链的马氏性(或无后效性)的数学表达式.由定义知 ],...,,{1100n n i X i X i X P =====}.,...,,{111100--====n n n n i X i X i X i X P },...,,{111100--===n n i X i X i X P =}{11--==n n n n i X i X P .},...,,{111100--===n n i X i X i X P =… =}{11--==n n n n i X i X P }{2211----==n n n n i X i X P …}{0011i X i X P ==}.{00i X P =可见,马尔可夫链的统计特性完全由条件概率}{11n n n n i X i X P ==++所决定. 二,转移概率条件概率}{1i X j X P n n ==+的直观含义为系统在时刻n 处于状态i 的条件下,在时刻n+1系统处于状态j 的概率.它相当于随机游动的质点在时刻n 处于状态i 的条件下,下一步转移到状态j 的概率.记此条件概率为).(n p ij 定义4.2 称条件概率).(n p ij = }{11n n n n i X i X P ==++为马尔可夫链},{T n X n ∈在时刻n 的一步转移概率,其中i,j I ∈,简称为转移概率. 定义4.3 若对任意i,j I ∈,马尔可夫链},{T n X n ∈的转移概率).(n p ij 与n 无关,则称马尔可夫链是齐次的,并记).(n p ij 为.ij p下面我们只讨论齐次马尔可夫链,通常将齐次两字省略.设p 表示一步转移概率.ij p 所组成的矩阵,且状态空间I={1,2,…},则⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=...........................2222111211nnp p p p p p p 称为系统的一步转移概率矩阵,它有性质: (1) .,1)2(;,,0∑∈∈=∈≥Ij ij ijI i p I j i p通常称满足上述(1),(2)性质的矩阵为随机矩阵. 定义4.4称条件概率ij n p )(= )1,0,,(},{≥≥∈==+n m I j i i X j X P m n m 为马尔可夫链},{T n X n ∈的n 步转移概率,.并称)()()(n ij n p p =为马尔可夫链的n 步转移矩阵,其中(1) .,1)2(;,,0)(∑∈∈=∈≥Ij ij n ij n I i p I j i p 即也是随机矩阵.当n=1 时, .)1(ij p =.ij p ,此时一步转移矩阵.)1(p p =此外我们规定 ⎩⎨⎧=≠=.,1,,0)0(j i j i pij定理4.1设},{T n X n ∈为马尔可夫链,则对任意整数n l n <≤≥0,0和,,I j i ∈n 步转移概率.)(ij n p 具有下列性质:(1)))()()(l n kj Ik l ik n ij p p p -∈∑=; (4.2)(2) ;......112111)(j k Ik k k ik Ik n ij n n p p p p --∑∑∈∈= (4.3)(3);)1()(-=n n PP P (4.4) (4).)(n n P P =(4.5)证明(1) 利用全概率公式及马尔可夫性,有}{)(i X j X P p m n m n ij ===+=}{},{i X P j X i X P m n m m ===+}{},{.},{},,{i X P k X i X P k X i X P j X k X i X P m l m m Ik l m m n m l m m =========+∈+++∑}{}{i X k X P k X j X P m l m l m Ik n m =====++∈+∑=)()()()(m p l m p l ik Ik l n ij +∑∈-=)()(.l n kjIk l ik p p -∈∑. (2)在(1)中令1,1k k l ==得))1()(111-∈∑=n jkIk ik n ij p p p 这是一个递推公式,可递推下下去即得(4.3). (3)在(1).令l=1利用矩阵乘法可得. (4) 由(3),利用归纳法可证.定理4.1中的(1)式称为切普曼---柯尔哥洛夫方程,简称C-K 方程 .定义4.5设},{T n X n ∈为马尔可夫链,称 },{0j X P p j ==)(},{)(I j j X P n p n j ∈==为},{T n X n ∈的初始概率和绝对概率,并分别称}),({},,{I j n p I j p j j ∈∈为},{T n X n ∈的初始分布和绝对分布.简记为}.),({},,{n p p j j 称概率向量 )0(),...),(),(()(21>=n n p n p n P T 为n 时刻的绝对概率向量,而称)0(,...),,(21>=n p p P T为初始向量.定理4.2设},{T n X n ∈为马尔可夫链,则对任意整数I j n ∈≥,1,绝对概率).(n p j 具有下列性质:(1)))()(n ij Ii i j p p n p ∑∈=; (4.6)(2) ij Ii i j p n p p )1(-=∑∈ (4.7)(3);)0()()(n T T P P n P = (4.8) (4)P n P n P T T )1()(-= (4.9)证明(1) ===}{)(j X P n p n j},{0j X i XP n Ii ==∑∈= }{}{00i X P i X j XP nIi ===∑∈ =)(n ijIi i p p ∑∈ (2)===}{)(j X P n p n j },{1j X i X P n Ii n ==∑∈-=}{}{11i X P i X j X P n n n Ii ===--∈∑==ij Ii i p n p ∑∈-)1((3)与(4)是(1)与(2)的矩阵形式.定理4.3 设},{T n X n ∈为马尔可夫链,则对任意,1,,...,1≥∈n I i i n 有 },...{11n n i X i X P ===....11n n i i ii i p p p -∑ (4.10) 证明 由全概率公式及马氏性有},...{11n n i X i X P ===},...,,{110n n Ii i X i X i X P ===∈=},...,,{110n n Ii i X i X i X P ===∑∈=}.,{}{0110i X i X P i X P Ii ===∑∈...},...,{110--===n n n n i X i X i X P=}.,{}{0110i X i X P i X P Ii ===∑∈..}{11--==n n n n i X i X P=n n i i ii Ii i p p p 11...-∑∈.三,马尔可夫链的例子例4.1 无限制随机游动设质点在数轴上移动,每次移动一格,向右移动的概率为p,向左移动的概率为 q=1-p,这种运动称为无限制随机游动.以n X 表示时刻n 质点所处的位置,则},{T n X n ∈是一个齐次马尔可夫链,试写出它的一步和k 步转移概率. 解 },{T n X n ∈的状态空间,...},2,1,0{±±=I 其一步转移概率矩阵为⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=.....................00.........0.....................p q p q P 设在第k 步转移中向右移了x 步向左移动了y 步,且经过k 步转移状态从j 进入j,则⎩⎨⎧-=-=+i j y x k y x ,.2)(,2)(i j k y i j k x --=-+=由于x,y 都只取整数,所以)(i j k -±必须是偶数.又在k 步中哪x 步向右,哪y 步向左是任意的,选取的方法有x k C 种.于是⎩⎨⎧-+-+=是奇数是偶数)(,0)(,i j k i j k q p C p y x x k k ij.例4.2赌徒输光问题.两赌徒甲,乙进行一系列赌博.赌徒甲有a 元,赌注乙有b 元,每赌一局输者给赢者1元,没有和局,直到两人中有一个输光为止.设在每一局中,甲赢的概率为p,输的概率为q=1-p,求甲输光的概率.这个问题实质上是带有两个吸收壁的随机游动,其状态空间为I={0,1,2,…,c} c=a+b.故现在的问题是求质点从a 出发到达0状态先于到达c=a+b 状态的概率.解 设i u 表示甲从状态i 出发转移到状态0的概率,要计算的是a u ..由于0和c 是吸收状态,故,10=u .0=c u i u 由全概公式).1,...,2,1(,11-=+=-+c i qu pu u i i i (4.11) 上式的含义是,甲从状态i 出发开始赌到输光的概率等于’他接下去赢了一局(概率为p)处于状态i+1后再输光”;和他接下去输一局(概率为q),处于状态i-1后再输光”这两个事件的概率.由于p+q=1,(4.11)实质上是一个差分方程.1,...,2,1),(11-=-=--+c i u u r u u i i i i (4.12)其中pqr =,其边界条件为.0,10==c u u (4.13) 先讨论r=1,即p=q=1/2的情况,(4.12)成为 .1,...,2,1),(11-=-=--+c i u u r u u i i i i 令,01α+=u u 得,2012αα+=+=u u u …,01ααi u u u i i +=+=- …,01ααc u u u c c +=+=-将,1,00==u u c 代于最后一式,得参数,1c-=α所以.1,...,2,1,1-=-=ci ciu i 令i=a, 求得甲输光的概率为.1ba bc a u a +=-= 由于甲,乙的地位是对称的,故乙输光的概率为.ba a u a +=再讨论1≠r ,即q p ≠的情况.由(4.12)式得到)(11--=-=-∑i c k i i k c u u r u u =)(011u u r c ki i-=∑-=.1)1(1r r r u ck ---= (4.14) 令k=0,由于,0=c u 有rr u c---=11)1(11即,11)1(1crru --=- 代入(4.14)式,得.1,...,2,1,1-=--=c k rr r u cck k 令k=a,得到输光的概率,1cca a rr r u --= 由对称性,乙输光的概率为.,11111q p r r r r u c cb b =--= 由于,1=+b a u u 因此在1≠r 时,即q p ≠时两个人中也总有一个人要输光的. 例4.3 天气预报问题设昨日,今日都下雨,明日有雨的概率为0.7;昨日无雨今日有雨,明日有雨的概率为0.5;昨日有雨,今日无雨明日有雨的概率为0.4;昨日,今日均无雨,明日有雨的概率为0.2.若星期一星期二均下雨,求星期四下雨的概率.解 设昨日,今日连续两天有雨称为状态0(RR),昨日无雨今日有雨称为状态1(NR),昨日有雨今日无雨称为状态2(RN),昨日今日无雨称为状态3(NN),于是天气预报模型可看作一个四状态的马尔可夫链,其中转移概率为 7.0}{}{}{00====今昨明今昨明今连续三天有雨R R R P P R R R R P p , )(0}{01不可能事件今昨明今==R R R N P p ,,3.07.01}{}{02=-===今昨明今昨明今R R N P R R N R P p)(0}{03不可能事件今昨明今==R R N N P p ,其中R 代表有雨,N 代表无雨.类似地可得到所有状态的一步转移概率,于是它的一步转移概率矩阵为⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=33323130232221201312111003020100p p p p p p p p p p p p p p p p P =⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡8.002.006.004.0005.005.003.007.0其中两步转移矩阵为==P P P .)2(⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡8.002.006.004.0005.005.003.007.0.⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡8.002.006.004.0005.005.003.007.0 = ⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡.64.010.016.010.048..020.012.020.030.015.020.035.018.021.012.049.0 由于星期四下雨意味着过程所处的状态为0或1,因此星期一星期二连续下雨,星期四下雨的概率为.61.012.049.0)2(01)2(00=+=+=p p p例 4.4 设质点在线段[1,4]上作随机游动,假设它只能在时刻T n ∈发生移动,且只能停留在1,2,3,4点上.当质点转移到2,3点时,它以1/3的概率向左或向右移动一格或停留在原处.当质点称动到点1时,它以概率1停留在原处.当质点移动到点4时,它以概率1移动到点3.若以n X 表示质点在时刻n 所处的位置,则},{T n X n ∈ 是一个齐次马尔可夫链,其转移概率矩阵为⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡=0100313131003131310001P 例中的点1称为吸收壁,即质点一旦到达这种状态后就被吸收住了,不再移动;点4称为反射壁,即质点一旦到达这种状态后,必然被反射出去.例4.5生灭链.观察某种生物群体,以n X 表示在时刻n 群体的数目,设为i 个数量单位,如在时刻n+1增生到i+1个单位的概率为i b ,减灭到i 个数量单位的概率为i a ,保持不变的概率为)(1i i i b a r +-=,则}0,{≥n X n 为齐次马尔可夫链,I={0,1,2,…,}.其转移概率为⎪⎩⎪⎨⎧+==+==.1,,,1,i j a j i r i j b p ii i ij称此马尔可夫链为生灭链. 4.2 遍历性设齐次马氏链的状态空间为I,若对于所有,,I a a j i ∈转移概率)(n P ij 存在极限 j ij n n P π=∞→)(lim (不依赖于i)或 ⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡→=................................................)(212121j j jn P n P πππππππππ则称此链具有遍历性.又若∑=jj 1π,则同时称,...),(21πππ=为链的极限分布.齐次马氏链在什么条件下才具有遍历性?如何求出它的极限分布?这问题在理论上已经解决,但是要较多的篇幅.下面对有限链的遍历性给出一个充分条件. 定理4.4设齐次马氏链},{T n X n ∈的状态空间为P a a a I n },,...,,{21=是它的一步转移概率矩阵,如果存在正整数m,使对任意的j i a a ,都有 ,,...,2,1,,0)(N j i m p ij =>则此链具有遍历性,且有极限分布, ),,...,,(21N ππππ=它是方程组 P ππ=或即ij Ni i j p ∑==1ππ的满足条件∑==>Nj j j 11,0ππ的唯一解.在定理条件下马氏链的极限分布又是平稳分布.即若用π作为链的初始分布,即π=)0(p ,则链在任一时刻T n ∈的分布)(n p 永远与π一致,事实上ππππ======-P P P n P p n p n n ...)()0()(1 例4..6 设马尔可夫链的转移概率矩阵为⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=9.005.005.01.08.01.02.01.07.0P 解 容易证明满足定理4.4条件.可得方程组⎪⎪⎩⎪⎪⎨⎧=++++=++=++=1,9.01.02.0,05.08.01.0,05.01.07.0321321332123211πππππππππππππππ解上述方程组得平稳分布为.5882.0,2353.0,1765.0321===πππ。
15 马尔可夫链
7、艾伦费斯特模型
该模型可以用一个模型来说明。设一个 坛中装有c个球，它们或是红色的，或者 黑色的。随机地从坛子中取出一个球， 并换以另一个颜色的球放回坛中。经过n 次摸换，研究坛中的黑球数。
设原来黑球数为i作为状态。经过 一次摸换，坛子中的黑球数可能是 i -1个，也可能是i 1 。 pi ,i -1 i c i , pi ,i 1 c c
P X n j | X m i
i, j 1, 2,L , N
表示已知在时刻 m 系统处于状态 ai ， 或说 X m 取值 ai 的条件下，经 ( n-m ) 步转 移到状态 a j 的概率，也可理解为已知在 时刻 m 系统处于状态 i 的条件下，在时刻 n 系统处于状态 j 的条件概率。
p m 1
jS ij
3、转移概率性质－k步
类似地，定义k步转移概率 p
(k ) ij
m P{ X m k (k ) pij m 0;
(1) ij
j | X m i}, i, j S
p m 1
jS (k ) ij
令k 1, p 规定：p
求：P{ X 1 b, X 2 c, X 3 a | X 0 c} P{ X n 2 c | X n b}
3、马尔可夫链－3
设{ X n , n N }是数轴上整数点上的随机 徘徊过程，即X n X 0 Y1 Y2 ... Yn 式中X 0，Y1，相互独立，且 ... Y1 , Y2 ,...具有公 共概率分布P{Yn k} pk , k 0, 1...且
随机游走－转移概率矩阵
p pij q 0 n步转移概率
5第四章马尔可夫链
例题： 例题：带一个吸收壁的随机游动 质点在数轴上移动，规律同上例。 质点在数轴上移动，规律同上例。当质点一旦达到 Xn = 0时， Xn+1就停留该 状态，这种状态称为吸收 就停留该0状态 状态， 时 是一个齐次马尔可夫链， 态。{Xn,n∈T}是一个齐次马尔可夫链，求一步转移 ∈ 是一个齐次马尔可夫链 概率。 概率。 解:
Pij( n ) = P{ X m + n = j | X m = i} P{ X m + n = j , X m = i} = P{ X m = i} =∑
k ∈I
P{ X m + n = j , X m + l = k , X m = i} P{ X m = i} P{ X m + n = j , X m + l = k , X m = i} P{ X m + l = k , X m = i} P{ X m + l = k , X m = i} P{ X m = i}
0 0 q 0 0 . . .
0 p 0 q 0
0 0 p 0 q
0 0 0 p 0
. . . 0 p
. . .
. . .
. . . . . .
. . .
. . .
. . . p 0 q 0 0
. . . 0 p 0 q 0
. . . 0 0 p 0 0
. . q 0 . . 0 q . . 0 0 . . 0 0 . . 0 0
( p ij n ) =
∑
k∈ I
( ( p ikl ) p kjn − l )
ChapmanKolmogorov方程 方程
( p ijn ) =
k1 ∈ I
马尔可夫链-
利用积事件的概率及上述定义知: P{X0=i0,X1=i1,…,Xn=in} =P{Xn=in|X0=i0,X1=i1,…,Xn-1=in-1}P{X0=i0,X1=i1,…, Xn-1=in-1} =P{Xn=in|Xn-1=in-1}P{X0=i0,X1=i1,…,Xn-1=in-1} =… =P{Xn=in|Xn-1=in-1}P{Xn-1=in-1|Xn-2=in-2}…P{X1=i1| X0=i0}P{X0=i0}. 即马尔可夫链的统计特性完全由条件概率 P{Xn+1=in+1|Xn=in} 所决定. 如何确定这个条件概率,是马尔可夫链理论和应 用中的重要问题之一.
p21 p22 … p2n … … … … …… pi1 pi2 … pin … …… … … …
称为系统状态(1) pij≥0, i,j∈I; (2) pij=1, i∈I.
jI
通常称满足(1)、(2)性质的矩阵为随机矩阵. 为进一步讨论马尔可夫链的统计性质, 还须了解n步转 移概率,初始概率和绝对概率的概念. 定义2.4 称条件概率 pij(n)=P{Xm+n=j|Xm=i},i,j∈I,m≥0,n≥1
改变游动的概率规则,可以得到不同方式的随机 游动和相应的马氏链.如当把点1(及5)改为吸收 壁,Q一旦到达点1(5),则将永远留在点1(5)上.此 时相应链的转移概率矩阵只须在上述矩阵P中将 第一行改为(1,0,0,0,0),第五行改为(0,0,0,0,1) 即可.
例2.3 某计算机机房的一台计算机经常出故障,研究者每 隔15分钟观察一次计算机的运行状态,收集了24小时的数 据(共做97次观察).用1表示正常状态,0表示不正常状态, 所得的数据序列为:
为马尔可夫链{Xn,n∈T}的n步转移概率,并称 P(n)=(pij(n)) 为马尔可夫链的n步转移矩阵,其中pij(n)≥0, pij(n)=1
马尔可夫链分析法
市场占有率预测
• • • • • 调查目前市场上各产品占有率：S(0) =(S1,S2,…,Sn) 调查顾客对各相关产品购买的变动：pij=P{Si->Sj} 建立数学模型： S(k+1)=S(k)P, 其中P=(pij)nn。 进行预测： S(k)= S(0) Pk。 预测长期的市场占有率：根据概率矩阵性质，必有 S=SP，其中S=(s1,s2,…,sn),且s1+s2+…+sn =1。即最终 有稳定状态的占有率。可通过解方程组(*)求得S。
Vi (1) Pi R , 其中Pi ( pij )1n , Ri (rij )1n
T i
V (k ) V (1) P V (k 1)
期望利润示例的R程序
• • • • • • • • P=matrix(c(0.6,0.4,0.54,0.46),ncol=2,byrow=T);P #建概率阵 R=matrix(c(30,10,15,-10),ncol=2,byrow=T);R #建利润矩阵 v11=P[1,]%*%R[1,];v11 # 运算符%*%夹在向量间表示求内积 v12=P[2,]%*%R[2,];v12 V1=rbind(v11,v12);V1 # 计算出一期后的期望利润向量 V1=matrix(diag(P%*%t(R)),ncol=1);V1 # 与上3句等效 V2=V1+P%*%V1;V2 # 计算出二期后的期望利润向量 V3=V1+P%*%V2;V3 # 计算出三期后的期望利润向量
期望利润预测步骤
• 1.进行统计调查：首先查清销路的变化情况，即 查清由畅销到滞销或由滞销到畅销，连续畅销或 连续滞销的可能性是多少，计算P。其次，统计出 由于销路的变化，获得的利润和亏损情况，计算R。 • 2.建立数学模型。列出预测公式。 • 3.根据预测公式和统计数据，按预测期长短进行 预测。
马尔可夫链分析法
补充 72 人后的新结构
相关程序
• P=matrix(c(0.6,0.4,0,0,0,0,0.6,0.25,0,0.15,0,0,0.55,0.21,0.24,0,0 ,0,0.8,0.2,0,0,0,0,1),ncol=5,byrow=T);P • S0=c(135,240,115,60,0);S0 # 当前状态 • sum(S0) #当前编制人数 • S1=round(S0%*%P);S1 # 转移到下一年时的状态 • S1[1]=S1[1]+S1[5];S1[5]=0;S1 #下一年补充人员后的状态 • S2=round(S1%*%P);S2 #转移到两年后的状态 • S2[1]=S2[1]+S2[5];S2[5]=0;S2 #两年后再完补充人员的状态 • S3=round(S2%*%P);S3 #转移到叁年后的状态 • S3[1]=S3[1]+S3[5];S3[5]=0;S3 #叁年后再完补充人员的状态
0 . 24 0 . 20 1
补充 74 人后的新结构
三年后的分布
~ : S 2 (168 ,182 ,1 17 ,83 , 0 )
~ : S 3 S 2 P (101 ， ， ， ， ) 176 111 91 72 ~ : S 3 (173 ,176 ,1 10 , 91 , 0 )
j 1
N
p ij 1
i 1, 2 , N
正规概率矩阵及性质
• • • • 概率向量：元素均为非负数且总和为1的向量。 概率矩阵：方阵的各行(或各列)都是概率向量。 概率阵性质：若A、B是概率阵，则AB、An也是。 固定概率向量(均衡点)：若U是n维概率向量,A是n 阶方阵，且有UA=U，则称U是A的均衡点。 • 正规概率矩阵：对概率阵P，若存在某个正整数m, 使得Pm所有元素大于零,则称P为正规概率矩阵。 • 正规概率阵P的性质：
第4章 马尔可夫链
d0
两式相比
r j rc
uj 1 rc
故
ua
ra rc 1 rc
(
q )a p
(
q )c p
1
(
q p
)c
当 r 1
u0 uc 1 cd0
而
u j (c j)d0
c j
因此 故
u j c c a b
ua
c
c
由以上计算结果可知
当 r 1 即 p q 时，甲先输光的概率为
当r
pi
p(n) ij
iI
(2) pj (n) pi (n 1) pij iI
(3)PT (n) PT (0)P(n)
(4)PT (n) PT (n 1)P
由（1）知，绝对概率由初始分布和n步转移概率完全确定
（1）
pn ( j)
pi
p(n) ij
iI
证 P{X n j} P{X n j, X 0 i} P{X n j, X 0 i} i
需讨论 r
当 r 1
c 1
1 u0 uc
(u j u j1)
c 1
j0
j0 c1
d j
c1 j 0
r jd0
1 rc 1 r
d0
而 u j u j uc (ui ui1)
i j
c 1
c 1
di
rid0
i j
i j
r j (1 r r c j1)d0
r j rc 1 r
称概率向量
PT (n) ( p1(n), p2(n),L ),(n 0)
为 n 时刻的绝对概率向量，而称
PT (0) ( p1 , p2 ,L )
马尔可夫链
部的医生却必然要转出去，分配到产科病房的机会是
妇科病房机会的4倍。则 p13 0 p11 0.4 p12 0.6 p22 0.4 p23 0.6 p21 0 p33 0 p31 0.8 p32 0.2
0.4 0.6 0
P
0
0.4 0.6
0.8 0.2 0
2019年7月10日
概率统计-马尔可夫链
第10页
例：院方规定：一个在产科病房(1)工作的医生不能
分配到门诊部(3)工作，但有40%的机会仍可以分配到 产科病房，60%的机会转移到妇科病房(2)；在妇科病 房工作的医生，有40%的机会可以保留在妇科病房， 60%的机会转移到门诊部，但不能转到产科；在门诊
p11 p12 p13 p11 p12 p13
P (2)
p21
p22
p23
p21
p22
p23
P2
p31 p32 p33 p31 p32 p33
对
0.4 0.6 0
P
0
0.4 0.6
0.8 0.2 0
0.4 0.6 0 0.4 0.6 0 0.16 0.48 0.36
2019年7月10日
概率统计-马尔可夫链
第16页
(2) 未知X0的确切值, 但知的X0分布(初始分布), 则 可求: pi(n) P( Xn i) —— 状态概率 记 p(n) ( p1(n) , p2(n) ,, p(Nn) ) —— 状态概率行向量
则 p(n) p(0)P(n)
Yt：t1，2，） （随机过程）
描述一个离散随机变量用分布列
马尔可夫链分析法教材
p11(k)= p11(k-1) x p11(1) + p12(k-1) x p21(1)
p12(k)= p12(k-1) x p22(1) + p11(k-1) x p12(1) p21(k)= p21(k-1) x p11(1) + p22(k-1) x p21(1) p22(k)= p21(k-1) x p12(1) + p22(k-1) x p22(1) P(k)= P(k-1)X P(k-1)XP(1)= P(k-2)XP(1) XP(1) =[ P(1)] (k)
即：
P(1)=
P11 p12 P21 p22
2步状态转移 相隔两个时间阶段下的状态转移（以有 两种性质状态的要素为例） t时间状态 t+1时间状态 t+2时间阶 1 1 1
2 2 2 4.1.2 2步状态转移概率矩阵P(2) 1(t) 1(t+2)，p11(2) 1(t ) 2(t+2 ) ，p12(2) 2 (t ) 1(t+2 )，p21(2) 2(t ) 2(t+2 ) ， p21(2)
其中：X1=『x1，x2』
性质2：稳定的状态概率向量具有如下性 质： X1P=X1 即『x1，x2』P= 『x1，x2』 性质3:对于任意概率向量U,均有UP=X1
预测中的数据处理与结果评判 1.对数据的鉴别与处理
1.1对数据真实性的鉴别与处理
1.2对数据可比性的鉴别与处理 计量单位的差别，统一计量单位 考虑通货膨胀的影响，按其中一年的不变 价格折算。
马尔柯夫链
p11
pin
r1n p1n
pn1
rnn pnn n
(有利润马尔柯夫链计算示意图)
v1 ( 2 ) v2 (2) V (2) v (2) n
v1 (1) ( p 1 1 , p 1 2 , , p 1 n )V (1) v 2 (1) ( p 2 1 , p 2 2 , , p 2 n )V (1) v n (1) ( p n 1 , p n 2 , , p n n )V (1)
P1 j r1 j j 1 n P2 j r2 j j 1 ....... n P r nj nj j 1
r1 n r2 n rn n
引进向量：
=
v1 ( k ) v2 (k ) .... vn (k )
V (1) P V (1).................................(1 4 )
v i (3)
﹛v (3) i
第一次转移期望值+第二次转移期望值+第 三次转移期望值 =第二次转移后的期望值+第三次转移期望值
v i (1) p i 1 v1 (1) p i 2 v 2 (1) p i 3 v 3 (1) p in v n (1)
我们作出状态转移及利润计算示意图（如下“有利 润马尔柯夫链计算示意图” ） 由图中可以看出: 令i=1,2,……,n便有： i (1) p i1 ri1 p i 2 ri 2 p in rin v V (1) P * R ………………(13) 由于事物A每转移一次,就产生一个“利润”，故第k 次转移后所产生的“利润”期望值 = 第一次转移的 期望值+第二次转移的期望值+……+第k次转移的期 望值。