Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Rachunek prawdopodobieństwa Rozdział 8. Łańcuchy Markowa.
8.0. Łańcuchy Markowa – wiadomości podstawowe.
Katarzyna Rybarczyk-Krzywdzińska
Podstawowe definicje
Wstęp # i znów ten Bolek i Lolek ;)
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne Podstawowe definicje
Wstęp # i znów ten Bolek i Lolek ;)
Podstawowe definicje
Wstęp # i znów ten Bolek i Lolek ;)
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne Podstawowe definicje
Wstęp # i znów ten Bolek i Lolek ;)
Podstawowe definicje
Definicja łańcucha Markowa
Definicja
Ciągzmiennych losowych (Xn)∞n=0
o wartościach w przeliczalnym zbiorze S (przestrzeń stanów) nazywamyłańcuchem Markowa
wtedy i tylko wtedy, gdy dla każdego n ∈ N
i dla każdego ciągu s0, s1, . . . , sn∈ S mamy
P (Xn = sn|Xn−1= sn−1,Xn−2= sn−2, . . . , X0= s0) =
= P (Xn= sn|Xn−1= sn−1) , jeśli tylko P (Xn−1= sn−1, Xn−2= sn−2, . . . , X0 = s0) > 0
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Podstawowe definicje
UMOWA
Aby uniknąć nadmiaru indeksów zakładamy, że przestrzeń
stanów S jest zbiorem kolejnych liczb całkowitych {1, 2, 3, . . . , k}
lub S = N. Oczywiście można wszystkie definicje i twierdzenia
„przepisać” na przypadek ogólny S = {s1, s2, . . .}.
Podstawowe definicje
Rozkład początkowy - wstęp
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Podstawowe definicje
Rozkład początkowy
Definicja
Jeśli (Xn)∞n=0 jest łańcuchem Markowa,
torozkład zmiennej losowejX0
nazywamy
rozkładem początkowym.
Przykład 1
P (X0= 1) = 16, P (X0= 2) = 13, P (X0= 3) = 16, P (X0= 4) = 0, P (X0= 5) = 0, P (X0= 6) = 16, P (X0= 7) = 0, P (X0= 8) = 16,
Podstawowe definicje
Rozkład początkowy
Definicja
Jeśli (Xn)∞n=0 jest łańcuchem Markowa,
torozkład zmiennej losowejX0
nazywamy
rozkładem początkowym.
Przykład 1
P (X0= 1) = 16, P (X0= 2) = 13, P (X0= 3) = 16, P (X0= 4) = 0, P (X0= 5) = 0, P (X0= 6) = 16, P (X0= 7) = 0, P (X0= 8) = 16,
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Macierze przejścia
Macierz przejścia - wstęp
0 12 0 0 0 12 0 0
1
3 0 13 13 0 0 0 0
0 12 0 0 0 0 0 12
0 0 0 1 0 0 0 0
0 0 0 0 0 0 1 0
1
2 0 0 0 0 0 12 0
0 0 0 0 13 13 0 13 0 0 12 0 0 0 12 0
Macierze przejścia
Macierz przejścia - definicja
Definicja Macierz
P = [pij]i ,j ∈S nazywamymacierzą przejścia (macierzą stochastyczną) na S , gdy
– ma wszystkie wyrazy nieujemne i
– suma każdego wiersza wynosi 1, tzn.
∀i ∈SX
j ∈S
pij = 1.
0 12 0 0 0 12 0 0
1
3 0 13 13 0 0 0 0
0 12 0 0 0 0 0 12
0 0 0 1 0 0 0 0
0 0 0 0 0 0 1 0
1
2 0 0 0 0 0 12 0
0 0 0 0 13 13 0 13 0 0 12 0 0 0 12 0
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Macierze przejścia
Jednorodny łańcuch Markowa
Definicja
Łańcuch Markowa nazywamyjednorodnym (albo jednorodnymw czasie), gdyistnieje macierz P= [pij]i ,j ∈S będącadla każdego n
macierzą przejścia w n–tym kroku.
tzn.
∀n∈N, i,j∈SP (Xn= j |Xn−1 = i ) = pij.
0 12 0 0 0 12 0 0
1
3 0 13 13 0 0 0 0
0 12 0 0 0 0 0 12
0 0 0 1 0 0 0 0
0 0 0 0 0 0 1 0
1
2 0 0 0 0 0 12 0
0 0 0 0 13 13 0 13 0 0 12 0 0 0 12 0
Macierze przejścia
Czy Bolek i Lolek są „ jednorodni” w swoim postępowaniu?
Od tej pory będziemy rozważać tylko jednorodne łańcuchy Markowa.
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Macierze przejścia
Prawdopodobieństwa przejścia w kilku krokach
Przykład 2
Niech (Xn)∞n=1 będzie łańcuchem Markowa wędrówki Bolka i Lolka zaczętej zgodnie z rozkładem początkowym z Przykładu 1.
Jaka jest szansa na to, żepo kroku 1 Bolek i Lolek będą w stanie 1, 2, . . . , 8?
h1
6,1 3,1
6, 0, 0,1 6, 0,1
6
i
0 12 0 0 0 12 0 0
1
3 0 13 13 0 0 0 0
0 12 0 0 0 0 0 12
0 0 0 1 0 0 0 0
0 0 0 0 0 0 1 0
1
2 0 0 0 0 0 12 0
0 0 0 0 13 13 0 13
0 0 12 0 0 0 12 0
=
h7
36,1 6, 7
36,1 9, 0, 1
12,1 6, 1
12
i
gdzie pi ,n= P (Xn= i )
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Macierze przejścia
Prawdopodobieństwa przejścia w kilku krokach
Przykład 2
Niech (Xn)∞n=1 będzie łańcuchem Markowa wędrówki Bolka i Lolka zaczętej zgodnie z rozkładem początkowym z Przykładu 1.
Jaka jest szansa na to, żepo kroku 2 Bolek i Lolek będą w stanie 1, 2, . . . , 8?
h7
36,1 6, 7
36,1 9, 0, 1
12,1 6, 1
12
i
0 12 0 0 0 12 0 0
1
3 0 13 13 0 0 0 0
0 12 0 0 0 0 0 12
0 0 0 1 0 0 0 0
0 0 0 0 0 0 1 0
1
2 0 0 0 0 0 12 0
0 0 0 0 13 13 0 13
0 0 12 0 0 0 12 0
=
h7
72, 7 36, 7
72,1 6, 1
18,11 72, 1
12,11 72
i
gdzie pi ,n= P (Xn= i )
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Macierze przejścia
Prawdopodobieństwa przejścia w kilku krokach
Przykład 2
Niech (Xn)∞n=1 będzie łańcuchem Markowa wędrówki Bolka i Lolka zaczętej zgodnie z rozkładem początkowym z Przykładu 1.
Jaka jest szansa na to, żepo kroku 2 Bolek i Lolek będą w stanie 1, 2, . . . , 8?
2
h1
6,1 3,1
6, 0, 0,1 6, 0,1
6
i
0 12 0 0 0 12 0 0
1
3 0 13 13 0 0 0 0
0 12 0 0 0 0 0 12
0 0 0 1 0 0 0 0
0 0 0 0 0 0 1 0
1
2 0 0 0 0 0 12 0
0 0 0 0 13 13 0 13
0 0 12 0 0 0 12 0
=
h7
72, 7 36, 7
72,1 6, 1
18,11 72, 1
12,11 72
i
gdzie pi ,n= P (Xn= i )
Macierze przejścia
Prawdopodobieństwa przejścia w kilku krokach
Przykład 2
Niech (Xn)∞n=1 będzie łańcuchem Markowa wędrówki Bolka i Lolka zaczętej zgodnie z rozkładem początkowym z Przykładu 1.
Jaka jest szansa na to, żepo kroku n Bolek i Lolek będą w stanie 1, 2, . . . , 8?
n h1
6,1 3,1
6, 0, 0,1 6, 0,1
6
i
0 12 0 0 0 12 0 0
1
3 0 13 13 0 0 0 0
0 12 0 0 0 0 0 12
0 0 0 1 0 0 0 0
0 0 0 0 0 0 1 0
1
2 0 0 0 0 0 12 0
0 0 0 0 13 13 0 13
0 0 12 0 0 0 12 0
=
p1,n, p2,n, p3,n, p4,n, p5,n, p6,n, p7,n, p8,n
gdzie pi ,n= P (Xn= i )
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Macierze przejścia
Prawdopodobieństwo przejścia w n krokach.
Fakt
Niech (Xn)∞n=0 będzie łańcuchem Markowa
z przestrzenią stanów S = {1, 2, . . . , k}. Oznaczmy P(n) = Pn= [pij(n)]i ,j ∈S. Wtedy
(i) pi ,j(n) jest prawdopodobieństwem przejścia w n krokach ze stanu i do stanu j
P (Xn+m= j |Xm= i ) = pi ,j(n).
(ii) W szczególności, przy rozkł. początkowym ¯p = [p1, . . . , pk],
¯
p · Pn= [P (Xn= 1) , . . . , P (Xn= k)].
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Klasyfikacja stanów
Osiągalność
Definicja
Dla i , j ∈ S będziemy mówili, że j jestosiągalny ze stanu i (ozn. i → j ) jeśli pij(n) > 0 dla pewnego n.
Gdy j nie jest osiągalny z i będziemy pisać i 6→ j .
Definicja
Stany i , j ∈ S będziemy nazywali wzajemnie skomunikowanymi gdy i → j oraz j → i (ozn. i ↔ j ).
Wierzchołki parami wzajemnie skomunikowanedzielą zbiór stanów na rozłączne zbiory. Tutaj: {4}, {1, 2, 3, 5, 6, 7, 8}
.
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Klasyfikacja stanów
Osiągalność
Definicja
Dla i , j ∈ S będziemy mówili, że j jestosiągalny ze stanu i (ozn. i → j ) jeśli pij(n) > 0 dla pewnego n.
Gdy j nie jest osiągalny z i będziemy pisać i 6→ j .
Definicja
Stany i , j ∈ S będziemy nazywali wzajemnie skomunikowanymi gdy i → j oraz j → i (ozn. i ↔ j ).
Wierzchołki parami wzajemnie skomunikowanedzielą zbiór stanów na rozłączne zbiory. Tutaj: {4}, {1, 2, 3, 5, 6, 7, 8}
.
Klasyfikacja stanów
Osiągalność
Definicja
Dla i , j ∈ S będziemy mówili, że j jestosiągalny ze stanu i (ozn. i → j ) jeśli pij(n) > 0 dla pewnego n.
Gdy j nie jest osiągalny z i będziemy pisać i 6→ j .
Definicja
Stany i , j ∈ S będziemy nazywali wzajemnie skomunikowanymi gdy i → j oraz j → i (ozn. i ↔ j ).
Wierzchołki parami wzajemnie skomunikowanedzielą zbiór stanów na rozłączne zbiory. Tutaj: {4}, {1, 2, 3, 5, 6, 7, 8}.
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Klasyfikacja stanów
Osiągalność
Definicja
Stan i nazywamynieistotnym, gdy istnieje j taki, że
i → j ; j 6→ i
Definicja
Stan i taki, że pii = 1 nazywamy pochłaniającym.
Klasyfikacja stanów
Osiągalność
Definicja
Stan i nazywamynieistotnym, gdy istnieje j taki, że
i → j ; j 6→ i Definicja
Stan i taki, że pii = 1 nazywamy pochłaniającym.
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Klasyfikacja stanów
Osiągalność
Definicja
Łańcuch Markowa będziemy nazywali nieprzywiedlnym, gdy wszystkie stany wzajemnie komunikują się.
Klasyfikacja stanów
Osiągalność
Definicja
Łańcuch Markowa będziemy nazywali nieprzywiedlnym, gdy wszystkie stany wzajemnie komunikują się.
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne Okresowość
Definicja
Okresem stanu j nazywamy liczbę o(j ) = NWD{n : pjj(n) > 0}, tzn. największy wspólny dzielnik zbioru takich n, że powrót do stanu j może nastąpić po n krokach.
Przykład 3
p1,1(1) = 0, p1,1(2) > 0, p1,1(3) = 0 p1,1(4) > 0 p1,1(5) = 0 p1,1(6) > 0 . . .
Ogólnie:
p1,1(2n + 1) = 0, p1,1(2n) > 0, czyli {n : p1,1> 0} − zb. l. parzystych, stąd o(1) = 2
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne Okresowość
Definicja
Okresem stanu j nazywamy liczbę o(j ) = NWD{n : pjj(n) > 0}, tzn. największy wspólny dzielnik zbioru takich n, że powrót do stanu j może nastąpić po n krokach.
Przykład 3
p1,1(1) = 0, p1,1(2) > 0, p1,1(3) = 0 p1,1(4) > 0 p1,1(5) = 0 p1,1(6) > 0 . . .
Ogólnie:
p1,1(2n + 1) = 0, p1,1(2n) > 0, czyli {n : p1,1> 0} − zb. l. parzystych, stąd o(1) = 2
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne Okresowość
Definicja
Okresem stanu j nazywamy liczbę o(j ) = NWD{n : pjj(n) > 0}, tzn. największy wspólny dzielnik zbioru takich n, że powrót do stanu j może nastąpić po n krokach.
Przykład 3
p1,1(1) = 0, p1,1(2) > 0, p1,1(3) = 0 p1,1(4) > 0 p1,1(5) = 0 p1,1(6) > 0 . . . Ogólnie:
p1,1(2n + 1) = 0, p1,1(2n) > 0, czyli {n : p1,1> 0} − zb. l. parzystych, stąd o(1) = 2
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne Okresowość
Twierdzenie
W nieprzywiedlnym łańcuchu Markowa wszystkie stany mają ten sam okres.
Definicja
Nieprzywiedlnyłańcuch Markowa nazywamyokresowym, gdy jego stany są okresowe z okresem d > 1. W przeciwnym przypadku łańcuch nazywamynieokresowym.
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne Okresowość
Twierdzenie
W nieprzywiedlnym łańcuchu Markowa wszystkie stany mają ten sam okres.
Definicja
Nieprzywiedlnyłańcuch Markowa nazywamyokresowym, gdy jego stany są okresowe z okresem d > 1.
W przeciwnym przypadku łańcuch nazywamynieokresowym.
Okresowość
Twierdzenie
W nieprzywiedlnym łańcuchu Markowa wszystkie stany mają ten sam okres.
Definicja
Nieprzywiedlnyłańcuch Markowa nazywamyokresowym, gdy jego stany są okresowe z okresem d > 1.
W przeciwnym przypadku łańcuch nazywamynieokresowym.
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Twierdzenie ergodyczne
Macierz przejścia - przypomnienie
Niech P będzie macierzą przejścia. Jeżeli
Pn= [pij(n)]i ,j ∈S, to P (Xn= j |X0= i ) = pi ,j(n) jest prawdopodobieństwem przejścia w n krokach do stanu j zaczynając ze stanu i .
Dlatego, dla rozkładu początkowego
¯
p = (p1, p2, . . . , pk) (pi = P (X0= i )), wektor
¯
p · Pn= (P (Xn= 1) , . . . , P (Xn = k))
jest rozkładem prawdopodobieństwa stanów po n–tym kroku.
Twierdzenie ergodyczne
Macierz przejścia - przypomnienie
Niech P będzie macierzą przejścia. Jeżeli
Pn= [pij(n)]i ,j ∈S, to P (Xn= j |X0= i ) = pi ,j(n) jest prawdopodobieństwem przejścia w n krokach do stanu j zaczynając ze stanu i .
Dlatego, dla rozkładu początkowego
¯
p = (p1, p2, . . . , pk) (pi = P (X0= i )), wektor
¯
p · Pn= (P (Xn = 1) , . . . , P (Xn= k))
jest rozkładem prawdopodobieństwa stanów po n–tym kroku.
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Twierdzenie ergodyczne
Rozkład stacjonarny
Definicja
Mówimy, że rozkład prawdopodobieństwa π = (πi)i ∈S jest rozkładem stacjonarnym łańcucha Markowa z przestrzenią stanów S i o macierzy przejścia P, gdy
π = πP.
Tzn.:
πi 0, ∀i ∈S iPi ∈Sπi = 1;
πi =Pj ∈Sπjpij, ∀i ∈S.
¯
p · Pn= (P (Xn= 1) , . . . , P (Xn= k))
jest rozkładem prawdopodobieństwa stanów po n-tym kroku. A gdy ¯p = π....?
Twierdzenie ergodyczne
Twierdzenie ergodyczne
Twierdzenie ergodyczne
Dowolnynieprzywiedlny i nieokresowy łańcuch Markowa o skończonej przestrzeni stanów S
majednoznacznie wyznaczony rozkład stacjonarnyπ = (πj)j ∈S oraz dla dowolnych i , j ∈ S
n→∞lim pij(n) = πj. W dodatku dla dowolnego j ∈ S mamy πj = µ1
j, gdzie µj jest średnim czasem powrotu do stanu j .
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Twierdzenie ergodyczne
Konsekwencje twierdzenia ergodycznego
Dla nieprzywiedlnego i nieokresowego łańcucha Markowa z macierzą przejść P istnieje
dokładnie jeden wektor π = (π1, ..., πk) taki, że πP = π.
Własności wektora π:
Z jakiegokolwiek stanu początkowego i ∈ S startujemy mamy:
∀j ∈S lim
n→∞P (Xn= j |X0 = i ) = lim
n→∞pij(n) = πj.
Tzn. gdziekolwiek zaczniemy, to pod dużej liczbie kroków jesteśmy w stanie j z prawdopodobieństwem bliskim πj.
W dodatku, jeśli zaczniemy w i , to średnia liczba kroków, żeby tam powrócić po raz pierwszy jest równa 1/πi.
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Twierdzenie ergodyczne
Konsekwencje twierdzenia ergodycznego
Dla nieprzywiedlnego i nieokresowego łańcucha Markowa z macierzą przejść P istnieje
dokładnie jeden wektor π = (π1, ..., πk) taki, że πP = π.
Własności wektora π:
Z jakiegokolwiek stanu początkowego i ∈ S startujemy mamy:
∀j ∈S lim
n→∞P (Xn= j |X0 = i ) = lim
n→∞pij(n) = πj.
Tzn. gdziekolwiek zaczniemy, to pod dużej liczbie kroków jesteśmy w stanie j z prawdopodobieństwem bliskim πj.
W dodatku, jeśli zaczniemy w i , to średnia liczba kroków, żeby tam powrócić po raz pierwszy jest równa 1/πi.
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Twierdzenie ergodyczne
Konsekwencje twierdzenia ergodycznego
Dla nieprzywiedlnego i nieokresowego łańcucha Markowa z macierzą przejść P istnieje
dokładnie jeden wektor π = (π1, ..., πk) taki, że πP = π.
Własności wektora π:
Z jakiegokolwiek stanu początkowego i ∈ S startujemy mamy:
∀j ∈S lim
n→∞P (Xn= j |X0 = i ) = lim
n→∞pij(n) = πj.
Tzn. gdziekolwiek zaczniemy, to pod dużej liczbie kroków jesteśmy w stanie j z prawdopodobieństwem bliskim πj.
W dodatku, jeśli zaczniemy w i , to średnia liczba kroków, żeby tam powrócić po raz pierwszy jest równa 1/πi.
Twierdzenie ergodyczne
Konsekwencje twierdzenia ergodycznego
Przykład 4
Łańcuch Markowa wędrówki Bolka i Lolka ma rozkład stacjonarny:
π =
2 17, 3
17, 2 17, 2
17, 1 17, 2
17, 3 17, 2
17
Jak długo sobie pospacerują, to prawdopodobieństwo, że w danej chwili są w budynku (stan 4) będzie bliskie 2/17.
Jeśli zaczną w 2, to średnio za π2−1= 17/3 „przejść” będą z powrotem.
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne
Twierdzenie ergodyczne
Zastosowania
losowanie próbki zgodnie z pewnym rozkładem
prawdopodobieństwa „w przybliżeniu” (metoda Monte Carlo, tasowanie kart);
PageRank firmy Google;
programy do rozpoznawania mowy;
modelowanie zachowań na rynku w ekonomii;
algorytmiczne komponowanie muzyki;
i wiele, wiele innych ...
Twierdzenie ergodyczne
Zadanie – trening przed kolokwium
Dla łańcuchów Markowa przedstawionych obrazowo na kolejnej stronie
1 podaj:
1 macierz przejścia;
2 stany osiągalne z 1;
3 podział przestrzeni stanów S na zbiory stanów parami wzajemnie skomunikowanych;
4 wszystkie stany nieistotne;
5 wszystkie stany pochłaniające;
2 dla wszystkich łańcuchów nieprzywiedlnych określ czy są okresowe, podaj ich okres;
3 dla łańcuchów spełniających założenia twierdzenia
ergodycznego podaj rozkład stacjonarny i wartość oczekiwaną czasu powrotu do stanu 4.
Podstawowe definicje Macierze przejścia Klasyfikacja stanów Okresowość Twierdzenie ergodyczne Twierdzenie ergodyczne