马尔可夫过程及其应用

马尔可夫过程

马尔可夫过程（Markov Process）

什么是马尔可夫过程

1、马尔可夫性(无后效性)

过程或（系统）在时刻t

0所处的状态为已知的条件下，过程在时刻t > t0所处状态的条件分

布，与过程在时刻t

0之前年处的状态无关的特性称为马尔可夫性或无后效性。

即：过程“将来”的情况与“过去”的情况是无关的。

2、马尔可夫过程的定义

具有马尔可夫性的随机过程称为马尔可夫过程。

用分布函数表述马尔可夫过程：

设I：随机过程{X(t),t\in T}的状态空间，如果对时间t的任意n个数值:

（注：X(t n)在条件X(t i) = x i下的条件分布函数）

(注：X(t

n))在条件X(t n− 1) = x n− 1下的条件分布函数）

或写成：

这时称过程具马尔可夫性或无后性，并称此过程为马尔可夫过程。

3、马尔可夫链的定义

时间和状态都是离散的马尔可夫过程称为马尔可夫链, 简记为

。

[编辑]

马尔可夫过程的概率分布

研究时间和状态都是离散的随机序列:,状态空间为

1、用分布律描述马尔可夫性

对任意的正整数n,r和，有：

PX

m + n = a j | X m = a i，其中。

2、转移概率

称条件概率P

ij(m,m + n) = PX m + n = a j | X m = a i为马氏链在时刻m处于状态a i条件下，在时刻

m+n转移到状态a j的转移概率。

说明：转移概率具胡特点：

。

由转移概率组成的矩阵称为马氏链的

转移概率矩阵。它是随机矩阵。

3、平稳性

当转移概率P

ij(m,m + n)只与i,j及时间间距n有关时，称转移概率具有平稳性。同时也称些

链是齐次的或时齐的。

此时，记P

ij(m,m + n) = P ij(n),P ij(n) = PX m + n = a j | X m = a i(注：称为马氏链的n步转移概率)

P(n) = (P

ij(n))为n步转移概率矩阵。

特别的, 当k=1 时,

一步转移概率：P

ij = P ij(1) = PX m + 1 = a j | X m = a i。

一步转移概率矩阵：P(1)

[编辑]

马尔可夫过程的应用举例

设任意相继的两天中，雨天转晴天的概率为1/3，晴天转雨天的概率为1/2，任一天晴或雨

是互为逆事件。以0表示晴天状态，以1表示雨天状态，X

n表示第n天状态（0或1）。试定出马氏链的一步转移概率矩阵。又已知5月1日为晴天，问5月3日为晴天，5月5日为雨天的概率各等于多少？

解：由于任一天晴或雨是互为逆事件且雨天转晴天的概率为1/3，晴天转雨天的概率为1/2，故一步转移概率和一步转移概率矩阵分别为：

故5月1日为晴天，5月3日为晴天的概率为：

又由于：

故5月1日为晴天，5月5日为雨天的概率为：P

01(4) = 0.5995