读书笔记:Markov链的状态分类之周期性

(状态 i i i 的周期)
⨀ \bigodot i i i M a r k o v Markov Markov 链的一个状态,使 P i i ( n ) > 0 P_{ii}^{(n)} \gt 0 Pii(n)>0 的所有正整数 n ( n ≥ 1 ) n(n \geq 1) n(n1) 的最大公约数,称作是状态 i i i 的周期,记作 d ( i ) d(i) d(i)
⨀ \bigodot 如果对所有 n ≥ 1 n \geq 1 n1,都有 P i i ( n ) = 0 P_{ii}^{(n)}=0 Pii(n)=0,则约定周期为 ∞ \infty
⨀ \bigodot 对于 d ( i ) = 1 d(i)=1 d(i)=1 的状态,则称为是非周期的。

由定义可知,如果 n n n 不能被周期 d ( i ) d(i) d(i) 整除,则必有 P i i ( n ) = 0 P_{ii}^{(n)}=0 Pii(n)=0

=================================================

(命题)
如果 i ⟷ j i \longleftrightarrow j ij,则 d ( i ) = d ( j ) d(i)=d(j) d(i)=d(j)

=================================================


例题:已知 M a r k o v Markov Markov 链有状态 0 , 1 , 2 , 3 0,1,2,3 0123 和如下的状态转移概率矩阵。
( 0 1 0 0 0 0 1 0 0 0 0 1 1 / 2 0 1 / 2 0 ) \left( \begin{matrix} 0 & 1 & 0 & 0 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 \\ 1/2 & 0 & 1/2 & 0 \\ \end{matrix} \right) 0001/210000101/20010
试求状态 0 0 0 的周期。
解:由状态转移概率矩阵,可得此 M a r k o v Markov Markov 链对应的概率转移图为:
在这里插入图片描述
通过观察此 M a r k o v Markov Markov 链对应的概率转移图,可得从状态 0 0 0 出发再回到状态 0 0 0 的可能步长为 T = { 4 , 6 , 8 , 10 , … } T=\{4,6,8,10,…\} T={4,6,8,10,},这些步长的最大公约数为 2 2 2,故得状态0的周期 d ( 0 ) = 2 d(0)=2 d(0)=2

由于周期性是整个等价类所具有的一种性质。
因此,如果过程是不可约的,即整个过程只有一个等价类,则过程的每个状态都有相同的周期。
根据此性质,可得上例中的所有状态的周期都为 2 2 2


【本文的 Markdown 代码】

(状态 $i$ 的周期)
$\bigodot$ 设 $i$ 为 $Markov$ 链的一个状态,使 $P_{ii}^{(n)} \gt 0$ 的所有正整数 $n(n \geq 1)$ 的最大公约数,称作是状态 $i$ 的周期,记作 $d(i)$。
$\bigodot$ 如果对所有 $n \geq 1$,都有 $P_{ii}^{(n)}=0$,则约定周期为 $\infty$。 
$\bigodot$ 对于 $d(i)=1$ 的状态,则称为是非周期的。

由定义可知,如果 $n$ 不能被周期 $d(i)$ 整除,则必有 $P_{ii}^{(n)}=0$。

=================================================

(命题)
如果 $i \longleftrightarrow j$,则 $d(i)=d(j)$。

=================================================

\
例题:已知 $Markov$ 链有状态 $0123$ 和如下的状态转移概率矩阵。
$$
\left(
\begin{matrix}
  0 & 1 & 0 & 0 \\
  0 & 0 & 1 & 0 \\
  0 & 0 & 0 & 1 \\
  1/2 & 0 & 1/2 & 0 \\
\end{matrix}
\right)
$$
试求状态 $0$ 的周期。
解:由状态转移概率矩阵,可得此 $Markov$ 链对应的概率转移图为:
![在这里插入图片描述](https://img-blog.csdnimg.cn/ffd03839308c4c208e5640c3a4e1ac48.png#pic_center)
通过观察此 $Markov$ 链对应的概率转移图,可得从状态 $0$ 出发再回到状态 $0$ 的可能步长为 $T=\{4,6,8,10,…\}$,这些步长的最大公约数为$2$,故得状态0的周期 $d(0)=2$。

由于周期性是整个等价类所具有的一种性质。
因此,如果过程是不可约的,即整个过程只有一个等价类,则过程的每个状态都有相同的周期。
根据此性质,可得上例中的所有状态的周期都为 $2$。

\
  • 6
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: Matlab是一种功能强大的数值计算和科学编程软件,可用于建立和分析各种数学模型,包括Markov链模型。 Markov链模型是一种随机模型,用于描述一系列随机事件的转移过程。在Markov链模型中,每个事件的发生只依赖于前面发生的事件,并且未来事件的概率只与当前状态有关,而与过去的状态无关。 在Matlab中,我们可以使用矩阵和向量来表示和计算Markov链模型。假设有一组有限的状态S={S1, S2, ..., Sn},我们可以定义一个状态转移概率矩阵P,其中第(i,j)个元素pij表示从状态Si转移到状态Sj的概率。 通过给定初始状态向量V0,我们可以计算出在每个时间步骤t的状态向量Vt,其中第i个元素表示系统处于状态Si的概率。 在Matlab中,我们可以使用循环结构和矩阵运算来计算Markov链模型的状态转移。例如,我们可以使用循环结构和矩阵乘法来连续进行状态转移,直到达到预定的时间步骤。 另外,Matlab还提供了一些用于分析Markov链模型的工具和函数。例如,我们可以使用eigs函数来计算状态转移矩阵的特征值和特征向量,从而获得稳态分布。 总之,Matlab提供了一种方便和灵活的方式来建立和分析Markov链模型。通过使用矩阵和向量来表示和计算状态转移概率,以及使用Matlab的循环结构和矩阵运算来进行状态转移,我们可以在Matlab中实现各种复杂的Markov链模型,并进行各种分析和预测。 ### 回答2: Markov链模型是一种在时间序列数据分析中常用的方法,用于描述一个系统在不同状态之间转移的概率。 Matlab是一种科学计算软件,可以方便地进行矩阵运算和统计分析,包括概率模型。 在Matlab中,我们可以使用markov模型对象来构建和分析markov链模型。首先,我们需要定义系统的状态空间和状态转移矩阵。状态空间是描述系统可能的状态集合,状态转移矩阵则是描述系统在不同状态之间转移的概率。 接下来,可以使用markov模型对象的函数进行模型的估计和分析。例如,可以使用estimate函数来根据给定的观测序列估计markov链模型的转移概率。对于已经估计好的模型,可以使用simulate函数来生成新的状态序列,或者使用probability函数来计算给定状态序列的出现概率。 此外,Matlab还提供了其他与markov链模型相关的函数和工具箱,如hidden markov模型、动态编程等。 总之,Matlab提供了丰富的工具和函数来构建和分析markov链模型,使用户能够方便地处理和分析时间序列数据。

“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