【数学建模】马氏链模型(基本概念+正则链+吸收链)

马氏链模型(Markov Chain)

  • 对于有随机因素影响的动态系统,系统从这个时期到下个时期的状态按照一定的概率进行转移,并且下个时期的状态只取决于这个时期的状态和转移概率。
  • 无后效性:已知现在,将来与历史无关。
  • 具有无后效性,时间、状态均为离散的随机转移过程通常用马氏链模型描述。

实例1:健康与疾病

  • 本实例介绍马氏链的基本概念,以及两种主要类型——正则链和吸收链。

人的健康状态随时间的推移会发生转变,人寿保险公司要通过对状态转变的概率做出估计,才能确定出不同年龄、不同健康状况的人的保险金和理赔金数额,下面分两种情况进行讨论:

情况一:

  • 把人的健康状况分为健康和疾病两种,以一年为一个时段研究状态的转变。假定对某一年龄段的人,今年健康,明年转为疾病状态的概率为0.2;今年患病,明年转为健康的概率为0.7。
  • 如果一个人投保时处于健康状态,我们研究以后若干年他分别处于这两种状态的概率。
  • 用随机变量 X n X_n Xn 表示第 n n n 年的状态, X n = 1 X_n=1 Xn=1 表示健康, X n = 2 X_n=2 Xn=2 表示疾病, n = 0 , 1 , 2 , . . . n=0,1,2,... n=0,1,2,...,用 a i ( n ) a_i(n) ai(n) 表示第 n n n 年处于状态 i i i 的概率, i = 1 , 2 i=1,2 i=1,2,即 a i ( n ) = P ( X n = i ) a_i(n)=P(X_n=i) ai(n)=P(Xn=i)
  • p i j p_{ij} pij 表示已知今年状态处于状态 i i i,来年状态处于状态 j j j 的概率, p i j p_{ij} pij 称为状态转移概率
  • 显然,第 n + 1 n+1 n+1 年的状态 X n + 1 X_{n+1} Xn+1 只取决于第 n n n 年的状态 X n X_n Xn 和转移概率 p i j p_{ij} pij,而与以前的状态 X n − 1 , X n − 2 , . . . X_{n-1},X_{n-2},... Xn1,Xn2,... 无关,即状态转移具有无后效性
  • n + 1 n+1 n+1 年的状态概率可由全概率公式得到:
    { a 1 ( n + 1 ) = a 1 ( n ) p 11 + a 2 ( n ) p 21 a 2 ( n + 1 ) = a 1 ( n ) p 12 + a 2 ( n ) p 22 \left\{\begin{array}{l} a_{1}(n+1)=a_{1}(n) p_{11}+a_{2}(n) p_{21} \\ a_{2}(n+1)=a_{1}(n) p_{12}+a_{2}(n) p_{22} \end{array}\right. {a1(n+1)=a1(n)p11+a2(n)p21a2(n+1)=a1(n)p12+a2(n)p22
  • 由前 p 11 = 0.8 , p 12 = 0.2 , p 21 = 0.7 , p 22 = 0.3 p_{11}=0.8, p_{12}=0.2, p_{21}=0.7, p_{22}=0.3 p11=0.8,p12=0.2,p21=0.7,p22=0.3,投保人开始时处于健康状态,即 a 1 ( 0 ) = 1 , a 2 ( 0 ) = 0 a_{1}(0)=1, a_{2}(0)=0 a1(0)=1,a2(0)=0 立即可以算出以后各年他处于两种状态的概率 a 1 ( n ) , a 2 ( n ) , n = 1 , 2 , ⋯   , a_{1}(n), a_{2}(n), n=1,2, \cdots, a1(n),a2(n),n=1,2,, 如下表:
    在这里插入图片描述
  • 通过计算可以发现,无论初始状态概率是否相同,对于给定的状态转移概率, n → ∞ \boldsymbol{n} \rightarrow \infty n 时,状态概率 a 1 ( n ) , a 2 ( n ) a_{1}(n), a_{2}(n) a1(n),a2(n) 趋于稳定值,该值与初始状态无关,这是一种主要的马氏链类型的重要性质。

情况二:

  • 把人的死亡作为第3种状态,用 X n = 3 X_n=3 Xn=3 表示,今年健康、明天可能因突发疾病或偶然事故而死亡,今年患病、明年更可能转为死亡,而一旦死亡就不能再转为健康或疾病状态。
  • a i ( n ) a_i(n) ai(n) 表示第 n n n 年处于状态 i i i 的概率, i = 1 , 2 , 3 i=1,2,3 i=1,2,3,用 p i j p_{ij} pij 表示状态转移概率。特别注意, p 31 = p 32 = 0 , p 33 = 1 p_{31}=p_{32}=0,p_{33}=1 p31=p32=0,p33=1
  • n + 1 n+1 n+1 年的状态概率可由全概率公式得到:
    { a 1 ( n + 1 ) = a 1 ( n ) p 11 + a 2 ( n ) p 21 + a 3 ( n ) p 31 a 2 ( n + 1 ) = a 1 ( n ) p 12 + a 2 ( n ) p 22 + a 3 ( n ) p 32 a 3 ( n + 1 ) = a 1 ( n ) p 13 + a 2 ( n ) p 23 + a 3 ( n ) p 33 \left\{\begin{array}{l} a_{1}(n+1)=a_{1}(n) p_{11}+a_{2}(n) p_{21}+a_{3}(n) p_{31} \\ a_{2}(n+1)=a_{1}(n) p_{12}+a_{2}(n) p_{22}+a_{3}(n) p_{32} \\ a_{3}(n+1)=a_{1}(n) p_{13}+a_{2}(n) p_{23}+a_{3}(n) p_{33} \end{array}\right. a1(n+1)=a1(n)p11+a2(n)p21+a3(n)p31a2(n+1)=a1(n)p12+a2(n)p22+a3(n)p32a3(n+1)=a1(n)p13+a2(n)p23+a3(n)p33
  • 算得的结果如下表所示:
    在这里插入图片描述
  • 表中的最后一列时根据计算数值的趋势猜测的,可以看到,不论初始状态如何,最终都要转到状态3.

马氏链的基本概念

马氏链及其基本方程
  • 按照系统的发展,时间离散化为 n = 0 , 1 , 2... n=0,1,2... n=0,1,2...,对每个 n n n ,系统的状态用随机变量 X n X_n Xn 表示,设 X n X_n Xn 可取 k k k 个离散值 X n = 1 , 2 , . . . , k X_n=1,2,...,k Xn=1,2,...,k,且记 a i ( n ) = P ( X n = i ) a_i(n)=P(X_n=i) ai(n)=P(Xn=i),即状态概率。
  • 如果 X n + 1 X_{n+1} Xn+1 的取值只取决于 X n X_n Xn 的取值及转移概率,而与 X n − 1 , X n − 2 , . . . X_{n-1},X_{n-2},... Xn1,Xn2,... 的取值无关,那么这种离散状态按照离散时间的随机转移过程称为马氏链
  • 由状态转移的无后效性和全概率公式可以写出马氏链的基本方程为:
    a i ( n + 1 ) = ∑ j = 1 k a j ( n ) p j i , i = 1 , 2 , ⋯   , k a_{i}(n+1)=\sum_{j=1}^{k} a_{j}(n) p_{j i}, \quad i=1,2, \cdots, k ai(n+1)=j=1kaj(n)pji,i=1,2,,k
    并且满足:
    ∑ i = 1 k a i ( n ) = 1 , n = 0 , 1 , 2 , ⋯ p i j ⩾ 0 , i , j = 1 , 2 , ⋯   , k ∑ j = 1 k p i j = 1 , i = 1 , 2 , ⋯   , k \begin{array}{ll} \sum_{i=1}^{k} a_{i}(n)=1, & n=0,1,2, \cdots \\ p_{i j} \geqslant 0, & i, j=1,2, \cdots, k \\ \sum_{j=1}^{k} p_{i j}=1, & i=1,2, \cdots, k \end{array} i=1kai(n)=1,pij0,j=1kpij=1,n=0,1,2,i,j=1,2,,ki=1,2,,k
    引入状态概率向量(行向量)和转移概率矩阵(简称转移矩阵):
    a ( n ) = ( a 1 ( n ) , a 2 ( n ) , ⋯   , a k ( n ) ) , P = { p i j } k × k a(n)=\left(a_{1}(n), a_{2}(n), \cdots, a_{k}(n)\right), P=\left\{p_{i j}\right\}_{k \times k} a(n)=(a1(n),a2(n),,ak(n)),P={pij}k×k
    则基本方程可以表示为:
    a ( n + 1 ) = a ( n ) P a(n+1)=a(n) P a(n+1)=a(n)P
    还可以得到:
    a ( n ) = a ( 0 ) P n a(n)=a(0) P^{n} a(n)=a(0)Pn
    转移矩阵 P P P 是非负阵, P P P 的行和为1,称为 随机矩阵
  • 马氏链模型最基本的问题是构造状态 X n X_n Xn 及写出转移矩阵 P P P,这里的转移矩阵与时段 n n n 无关,这种马氏链称为时齐的。
马氏链的两个重要类型
正则链

这类马氏链的特点是,从任意状态出发经过有限次转移都能达到另外的任意状态。

  • 定义 一个有 k k k 个状态的马氏链如果存在正整数 N N N ,使从任意状态 i i i N N N 次转移都以大于零的概率到达状态 j ( i , j = 1 , 2 , . . . . , k ) j(i,j=1,2,....,k) j(i,j=1,2,....,k),则称为正则链。
  • 用下面的定理可以检验一个马氏链是否是正则链:
    定理1 若马氏链的转移矩阵是 P P P,则它是正则链的充要条件是,存在正整数 N N N,使 P N > 0 P^N>0 PN>0
    定理2 正则链存在唯一的极限状态概率 w = ( w 1 , w 2 , . . . , w k ) w=(w_1,w_2,...,w_k) w=(w1,w2,...,wk),又称稳态概率
    求解稳态概率 w w w 线性方程租:
    w P = w ∑ i = 1 k w i = 1 \begin{array}{c} \boldsymbol{w}P=\boldsymbol{w} \\ \sum_{i=1}^{k} w_{i}=1 \end{array} wP=wi=1kwi=1
    从状态 i i i 出发,第一次到达状态 j j j 的概率称为 i i i j j j首达概率,记作 f i j ( n ) f_{ij}(n) fij(n),于是由状态 i i i 到达第一次状态 j j j 的平均转移次数为
    μ i j = ∑ n = 1 ∞ n f i j ( n ) \mu_{i j}=\sum_{n=1}^{\infty} n f_{i j}(n) μij=n=1nfij(n)
吸收链
  • 定义 转移概率 p i i = 1 p_{ii}=1 pii=1 的状态 i i i 称为吸收状态。如果马氏链至少包含一个吸收状态,并且从每一个非吸收状态出发,能以正的概率经有限次转移到达某个吸收状态,那么这个马氏链称为吸收链
  • 吸收链的转移矩阵可以写成简单的标准形式。若有 r r r 个吸收状态, k − r k-r kr 个非吸收状态,则转移矩阵 P P P 可表为
    P = [ I r × r 0 R Q ] P=\left[\begin{array}{cc} \mathbb{I}_{r \times r} & 0 \\ R & Q \end{array}\right] P=[Ir×rR0Q]
  • 2
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值