马尔可夫链
合集下载
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
马尔可夫链马尔可夫链（Markov chains ）是一类重要的随机过程，它的状态空间是有限的或可数无限的。
经过一段时间系统从一个状态转到另一个状态这种进程只依赖于当前出发时的状态而与以前的历史无关。
马尔可夫链有着广泛的应用，也是研究排队系统的重要工具。
1) 离散时间参数的马尔可夫链 ①基本概念定义 5.7 设{()0,1,2,}X n n ∙∙∙=，是一个随机过程，状态空间{0,1,2,}E =，如果对于任意的一组整数时间120k n n n ∙∙∙≤<<<，以及任意状态12,,,k i i i E ∈，都有条件概率11{()|()}k k k k P X n i X n i --=== （5-17）即过程{()0,1,2,}X n n ∙∙∙=，未来所处的状态只与当前的状态有关，而与以前曾处于什么状态无关，则称{()0,1,2,}X n n ∙∙∙=，是一个离散时间参数的马尔可夫链。
当E 为可列无限集时称其为可列无限状态的马尔可夫链，否则称其为有限状态的马尔可夫链。
定义5.8 设{()0,1,2,}X n n ∙∙∙=，是状态空间{0,1,2,}E =上的马尔可夫链，条件概率(,){()|()}ij p m k P X m k j X m i i j E =+==∈，、 （5-18）称为马尔可夫链{()0,1,2,}X n n ∙∙∙=，在m 时刻的k 步转移概率。
k 步转移概率的直观意义是：质点在时刻m 处于状态i 的条件下，再经过k 步（k 个单位时间）转移到状态j 的条件概率。
特别地，当1k =时，(,1){(1)|()}ij p m P X m j X m i =+== （5-19）称为一步转移概率，简称转移概率。
如果k 步转移概率(,)ij p m k i j E ∈，、，只与k 有关，而与时间起点m 无关，则{()}X n 称为离散时间的齐次马尔可夫链。
定义5.9 设{()0,1,2,}X n n ∙∙∙=，是状态空间{0,1,2,}E ∙∙∙=上的马尔可夫链，矩阵000101011101(,)(,)(,)(,)(,)(,)(,)(,)(,)(,)n n j j jn p m k p m k p m k p m k p m k p m k P m k p m k p m k p m k ⎡⎤⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎣⎦（5-20） 称为{()}X n 在m 时刻的k 步转移概率矩阵。
马尔可夫链
马尔可夫链
马尔可夫链（Markov Chain, MC）是概率论和数理统计中具有马尔可夫性质（Markov property）且存在于离散的指数集（index set）和状态空间（state space）内的随机过程（stochastic process）。
适用于连续指数集的马尔可夫链被称为马尔可夫过程（Markov process），但有时也被视为马尔可夫链的子集，即连续时间马尔可夫链（Continuous-Time MC, CTMC），与离散时间马尔可夫链（Discrete-Time MC, DTMC）相对应，因此马尔可夫链是一个较为宽泛的概念。
马尔可夫链的命名来自俄国数学家安德雷·马尔可夫以纪念其首次定义马尔可夫链和对其收敛性质所做的研究。
马尔可夫链
2020年5月21日星期四
例7 设马氏链{Xn}的状态空间为 I={1, 2, 3, 4, 5}， 转移概率矩阵为
1 2
1
2
0 0
0
1 2
1 2
0
0
0
P 0 0 1 0 0
3 / 16 . 1/ 4
于是: (1) P{X0 0, X2 1}
P{ X0 0}P{ X2 1 | X0 0} 1 5 5 ;
3 16 48
2020年5月21日星期四
(2)P{X2 1}
P{X0 0}P{X2 1 | X0 0} P{X0 1}P{X2 1 | X0 1}
显然有
p(n) 11
p(n) 21
P(n)
p(n j1
)
L
p(n) 12
p(n) 22
p(n) 1j
L
p(n) 2j
L
p(n) j2
p(n) jj
L
LL
L
(1)
0
p(n) ij
1
(2)
p(n) ij
1,
i
1,
2,L
j
2020年5月21日星期四
切普曼-柯尔莫哥洛夫方程(C-K方程): 对任意的m,n≥0,有
的矩阵
p11 p21
P
L
pj1 L
p12 L p22 L LL pj2 L LL
p1 j L
p2 j L
L
L
p jj L
L L
称为一步转移概率矩阵. 显然有
(1) 0 pij 1
(2)
pij 1, i 1, 2,L
j
2020年5月21日星期四
3、马尔可夫链举例
例7 设马氏链{Xn}的状态空间为 I={1, 2, 3, 4, 5}， 转移概率矩阵为
1 2
1
2
0 0
0
1 2
1 2
0
0
0
P 0 0 1 0 0
3 / 16 . 1/ 4
于是: (1) P{X0 0, X2 1}
P{ X0 0}P{ X2 1 | X0 0} 1 5 5 ;
3 16 48
2020年5月21日星期四
(2)P{X2 1}
P{X0 0}P{X2 1 | X0 0} P{X0 1}P{X2 1 | X0 1}
显然有
p(n) 11
p(n) 21
P(n)
p(n j1
)
L
p(n) 12
p(n) 22
p(n) 1j
L
p(n) 2j
L
p(n) j2
p(n) jj
L
LL
L
(1)
0
p(n) ij
1
(2)
p(n) ij
1,
i
1,
2,L
j
2020年5月21日星期四
切普曼-柯尔莫哥洛夫方程(C-K方程): 对任意的m,n≥0,有
的矩阵
p11 p21
P
L
pj1 L
p12 L p22 L LL pj2 L LL
p1 j L
p2 j L
L
L
p jj L
L L
称为一步转移概率矩阵. 显然有
(1) 0 pij 1
(2)
pij 1, i 1, 2,L
j
2020年5月21日星期四
3、马尔可夫链举例
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
三.有限维概率分布 马尔可夫链{ X ( t ), t t
0
, t 1 , t 2 , }在初始时刻t 0 的概率
分布:
p j ( t 0 ) P { X ( t 0 ) j },
j 0 ,1, 2 ,
称为初始分布. 初始分布与转移概率完全地确定了马尔可夫链的 任何有限维分布.下面的定理二正是论述这一点. 不妨设齐次马尔可夫链的参数集和状态空间都是 非负整数集,那么有如下定理。
P { X ( k 1 ) j1 , X ( k 2 ) j 2 , , X ( k n ) j n }
p i ( 0 ) p ij1 1 p j1 j22
(k )
( k k1 )
p j n n1 j n n 1
(k k
)
i0
(13.9)
例6 在本节例5中,设初始时输入0和1的概率分别为 1/3和2/3,求第2、3、6步都传输出1的概率.
t 2 t n t n 1
和 S 内任意 n 1 个状态
j1 , j 2 , , j n , j n 1 , 如果条件概率
P { X ( t n 1 ) j n 1 | X ( t 1 ) j1 , X ( t 2 ) j 2 , , X ( t n ) j n }
二：马尔可夫链的分类 状态空间 S 是离散的(有限集或可列集),参数集 T 可为离散或连续的两类. 三：离散参数马尔可夫链 （1）转移概率 定义2 在离散参数马尔可夫链{ X ( t ), t 中,条件概率 P { X ( t
m 1
t 0 , t 1 , t 2 , , t n , }
1
马尔可夫链的定义及例子
3、转移概率
定义 i, j S, 称 P Xn1 j Xn i
的一步转移概率。
pij n 为n时刻
若i, j S, pij n pij ，即pij与n无关，称转移概率
具有平稳性.此时称{Xn,n≥0}为齐次（或时齐的）马尔 可夫链。记P=(pij)，称P为{Xn,n≥0}的一步转移概率矩阵.
0
j!
j 0,1, i
pi0公式略有不同，它是服务台由有i个顾客转为空闲的
概率，即第n个顾客来到时刻到第n+1个顾客来到时刻之
间系统服务完的顾客数≥i+1。
pi0 P X n1 0 X n i P(Yn i 1) P(Yn k) k i1
et (t)k dG t ,
0 P{Yn
j Tn1 x}dG x
( x) j exdG x, j 0,1, 2,
0 j!
因此， {Xn，n≥1}是马尔可夫链。其转移概率为
P0 j P( X n1 j X n 0) P(Yn j X n 0)
P(Yn
P( X n1 in1 X n in )
所以{Xn,n≥0}是马尔可夫链，且
pij P( X n1 j X n i) P( f i,Yn1 j) P( f i,Y1 j)
二、切普曼-柯尔莫哥洛夫方程
1，随机矩阵 定义：称矩阵A=(aij)S×S为随机矩阵，若aij ≥0，且
一步转移概率矩阵
0.5009
0.0458 0.2559 0.1388 0.2134
0.0466 0.0988 0.36584 0.14264
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
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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
的满足条件
N
p j pi pij j 1,2, , N i0
的唯一解
n
fij fij (l) 0 l 1
必要性：若 fij 0 ，则由 fij fij (n) n1
使 fij (n) 0 ，故 i j
至少有一个
n 1
fii 表示自状态i出发，在有限步内迟早要返回状态i的概率， f ii是
在0与1之间的一个数。
状态分类的判别
定义7 设i 为常返态，如果 ui 则称状态i是正常返态；如果 ui
为 L为状态i的周期。若L>1，则称状态i是周期的，若L=1，则称状态i为非 周期的。 如果状态i是非周期且正常返的，则称状态i是遍历的。
马氏状态分类图
状态空间
周期
非周期
常返
非常返
正常返
零常返
遍历
状态分类判别法：
（1） i非常返 （2）i零常返 （3）i正常返
（4） i 遍历
pii (n) n 1
相通具有以下等价关系：
（1）若 i j ，则 i i ,自返性 （2）若 i j ，则 j i ，对称性 （3）若 i r ， r j ，则 i j ，传递性
二、状态的分类
定义3 设 {X (n), n 0,1,2,}为一马氏链，对任一状态i与j，称
Tij min{ n, X 0 i, X n j, n 0} 为 {X (n), n 0,1,2,} 自状态i出发首次进入状态j的时刻，或称为自i到j 的首次到达时间（首达时）。
到达具有传递性，即若 i r , r j ,则 i j
证明：若 i r l 1 Pir l 0
r j k 1 Prj k 0
Pij l k Pik l Pkj k kI
i j
Pir l Prj k 0
定义2：若自状态i可达状态j，同时自状态j也可达状态i，则称状态 和状态相通，记为 i j
lim pjjn 0
n
定理6 fij 0的充要条件是 i j
证明：充分性：若 i j ，则根据到达的定义，总存在某个 n 1，使
所以
pij (n) 0
n
pij (n) fij (l) p jj (n l) 0 l 1
这样 fij (1) fij (2), fij (n)，至少有一个为正（不为0），所以
1/2
① 0，1，3 常返态；2非常返态
0 1/4 1/4
②｛0，1，2，3｝； ｛0，1，3｝； ｛0，1｝；｛3｝；
③ ｛0，1，3｝； ｛0，1｝
1 2
1 2
0
P1
1 2
1 2
0
0 0 1
P2
1 2
1 2
1 2
1 2
1/2
1/2
2
3
1
1/4
1
1/4
1/2
N
0 p j 1, p j 1 j1
状态空间分解
定义
设 V G 若从V中任一状态i出发不能到达V外的任一状态，则称V为闭集。
显然，对一切 n 1 和 i, j V 有
pij n 1
jV
定理9 马氏链的所有常返状态的集合是一闭集。
定理10 （分解定理）状态空间E必可分解为 E N C1 C2 Ck
l 1
l 1
定义6 如果 f jj 1 ，则称状态j是常返的。如果 f jj 1，则 称状态j是非常返的（或称为瞬时的）。如果马尔可夫链 的任一状态都是常返的，则称此链为常返马尔可夫链。
定理5：状态j是常返（ f jj 1 )的充要条件为
p jj n
n0
推论：如果状态j是非常返的，则必有
马氏链中的状态分类
一、到达与相通
定义1：如果对于状态 ai 与a（j 可简写为i和 j)总存在某个 n ( 1) ，
使得 pij (n) 0，则称自i状态经过n步可以到达j状态，并记为 i j
反之，若对所有的 n ( 1)有 pij (n) 0 ，则自i状态不可以到达j状态，并 记为 i j
Tij 是一随机变量。另外，对某一 X n 可能永不取值 j，这时我们就规定
Tij
T00=1
T01=1
T21=2
T02=2
0
1
T11=2
T20=1
T22=3
2
定义4 设 {X (n), n 0,1,2,}为一马氏链，对任一状态i与j，称
fij (n) P{Tij n | X0 i} P{X n j, X n1 j, , X1 j | X0 i}
fij P{X m j, 对一切m | X 0 i}
定义5 设 {X (n), n 0,1,2,}为一马氏链，对任一状态i与j，称
fij
fij (n)
P{Tij n | X0 i} P{Tij X0 i}
1n
1n
为 {X (n), n 0,1,2,} 自状态i出发迟早要到达状态j的概率。
则称状态i是零常返态。
定理7 设j为常返状态，有周期L（L>1),则
L
lim p jj n
n
uj
推论：如果j是常返态，则
（1）j零常返当且仅当 （2）j遍历当且仅当
n
lim pjjn
n
lim
p
j
j
n
1
uj
0
定义10 设正整数集合，n：n 1, pjj n 0 非空，则称该集合的最大公约数
0 0 0 0
1/2
0 1/2
1
1/2 1/2 1/2
1/2
2 1/2
3
1/2
00 11 22
33
2,4,6,
d 2 链周期为2
I 0,1 2,3
0,1 2,3 0,1
例： I 0,1,2,3
1 2
1 2
0 0
1 P 2
1 2
0 0
1 1 1 1
04
4
0
4
0
14
①状态分类 ②写出所有闭集及不可约闭集 ③写出一马尔科夫链
其中N是全体非常返态组成的集合，C1 C2 Ck 是互不相交的常返 态闭集组成。而且
（1）对每一确定的k, Ck 内任意两状态相通； （2） Ck 与 Cg ( k g )中的状态之间不相通；
例： I 0,1,2,3
0 0
1 2
1 2
P 0 0
1 2
1 2
1
2
1 2
1 2
1 2
pii (n) 且 n1
pii (n) 且 n1
lim
n
pii
(n)
0
lim
n
pii (n)
0
pii n
n1
且 lim pii n
n
1
ui
0
引理1 对任意i和j，若 i j 则存在正数α、β及正整数l、m，使对任意正整数，有
pii l n m pijlpjjnpjim pjjn
为 {X (n), n 0,1,2,}自状态i出发经过n步首次进入状态j的概率。
引理
fij (n) P{X n j ; X m j, m 1,2,, n 1| X 0 i}
p p p ii1 i1i2
in1 j
,n 1
i1 j in1 j
从而 fij (1) pij P{X1 j | X 0 i}