马氏链模型及matlab程序

合集下载

随机实验报告3多状态马氏链的极限分布

随机实验报告3多状态马氏链的极限分布

数学与计算科学学院实验报告实验项目名称多状态马氏链的极限分布所属课程名称随机过程__________实验类型_______________ 综合___________实验日期_____________________________班级_________________________学号__________________________姓名___________________________成绩_____________________________一、实验概述:【实验目的】通过具体的计算多状态状态马氏链的多步转移矩阵,考察其极限分布,并通过具体的实例了解其实际意义。

【实验原理】多状态状态的马氏链多步转移矩阵:已知某马氏链的一步转移矩阵,利用p(n)_(p n)C-K方程,知出其n步转移矩阵为P _()ij,利用二P =:计算平稳分布二.问题:(1)已知齐次马氏链‘X n ,n=0,1,2,川匚的状态空间E = :1,23;状态转移矩阵为1/21/31/6P =1/61/31/21/31/21/6计算4、6步转移概率,并求其平稳分布;(2)为适应日益扩大的旅游事业的需要,某城市的A,B,C三个照相馆组成一个联营部,联合经营出租相机的业务,旅游者可由A,B,C三处任何一处租出相机,用完后还到A,B,C三处的任何一处即可•估计转移概率如表所示,今欲选择A,B,C之一附设租机维修点,问该点设在何处为好?(程序与结果)硬件环境Win dows 7 Microsoft Corporati onIn ter(R)Core(TM) i3 CPU 软件环境软件环境Mtlab7.0二、实验内容: 【实验方案】利用C-K 矩阵乘法算出n 步转移矩阵 利用解方程计算其平稳分布, 极限分布的应用•【实验过程】(实验步骤、记录、数据、分析)问题重述:(1)已知齐次马氏链<X (n ),n =0,1,2,川}的状态空间E 」,2,?},状态转移矩阵为1/2 1/3 1/6' P= 1/6 1/3 1/20/3 1/2 1/6』计算4、6步转移概率,并求其平稳分布当n=4时0. 32560.3812 0. 2932 0. 32250. 3843 0, 2932 0.12250.56120.2963当n=6时P6 =0. 3233 0.3823 山 29410.32350. 3825 0.2941 0. 32350, 33230. 2942其次,利用71卩二71计算平稳分布応,设平稳分布为兀=(兀1,兀2,兀3),建立平稳方程为:首先,利用C-K 方程,知出其n 步转移矩阵为 p (n) ij= (P n)j1 1 1 = 二彳亠_ '&亠_ ‘32 1 326 31 1 1 6 1 32 2 31 1 1 3 122 63,:卜専2川'爲3二1利用matlab 软件求解该方程得到如下解(程序见附录): / ) / 11 13 5):(切, 心2, :!- 3)=(1 2334 34 17(2)为适应日益扩大的旅游事业的需要,某城市的A,B,C 三个照相馆组成一个 联营部,联合经营出租相机的业务,旅游者可由A,B,C 三处任何一处租出相机,用完后还到A,B,C 三处的任何一处即可•估计转移概率如表所示,今欲选择A,B,C 之一附 设租机维修点,问该点设在何处为好?(程序与结果)还相机处AB C 租相机处A 0.2 0.8 0B 0.8 0 0.2 C0.10.30.6「= 0.2^+ 0.8兀 2兀2 = 0.871] + 0.2 兀 3 「3 二 0.1S03 20.6 3[ 兀1匕2“3 = 1利用matlab 求解得二(二卩二 2,二 3)=(0.41,0.39,0.2)所以应该在A 附设租机维修点,因为在改点相机的分布概率最大分布设平稳分布为0.2 0.80 '0.8 0 0.2 ,求解该题的模型就是求解其平稳010.30.6 y兀2, 心), 建立平稳方程为:由题可得其转移矩阵为P 二二十1,x2。

马氏链方程 markov

马氏链方程 markov

马尔可夫链(Markov Chain)是一种数学模型,用来描述一系列事件,其中每个事件的发生只与前一个事件有关,而与之前的事件无关。

这种特性被称为“无后效性”或“马尔可夫性质”。

马尔可夫链常用于统计学、经济学、计算机科学和物理学等领域。

在统计学中,马尔可夫链被用来建模时间序列,如股票价格或天气模式。

在经济学中,马尔可夫链被用于预测经济趋势。

在计算机科学中,马尔可夫链被用于自然语言处理、图像处理和机器学习等领域。

在物理学中,马尔可夫链被用于描述粒子系统的行为。

马尔可夫链的数学表示通常是一个转移概率矩阵,该矩阵描述了从一个状态转移到另一个状态的概率。

对于给定的状态,转移概率矩阵提供了到达所有可能后续状态的概率分布。

马尔可夫链的一个关键特性是它是“齐次的”,这意味着转移概率不随时间变化。

也就是说,无论链在何时处于特定状态,从该状态转移到任何其他状态的概率都是相同的。

马尔可夫链的方程通常表示为:P(X(t+1) = j | X(t) = i) = p_ij其中,X(t)表示在时间t的链的状态,p_ij表示从状态i转移到状态j的概率。

这个方程描述了马尔可夫链的核心特性,即未来的状态只与当前状态有关,而与过去状态无关。

马尔可夫链的一个重要应用是在蒙特卡罗方法中,特别是在马尔可夫链蒙特卡罗(MCMC)方法中。

MCMC 方法通过构造一个满足特定条件的马尔可夫链来生成样本,从而估计难以直接计算的统计量。

这些样本可以用于估计函数的期望值、计算积分或进行模型选择等任务。

总之,马尔可夫链是一种强大的工具,用于建模和预测一系列相互关联的事件。

通过转移概率矩阵和马尔可夫链方程,可以描述和分析这些事件的行为和趋势。

马氏链模型

马氏链模型

马氏链模型作业指导1、在英国,工党成员的第二代加入工党的概率为0.5,加入保守党的概率为0.4,加入自由党的概率为0.1。

而保守党成员的第二代加入保守党的概率为0.7,加入工党的概率为0.2,加入自由党的概率为0.1。

而自由党成员的第二代加入保守党的概率为0.2,加入工党的概率为0.4,加入自由党的概率为0.4。

求自由党成员的第三代加入工党的概率是多少?在经过较长的时间后,各党成员的后代加入各党派的概率分布是否具有稳定性?解:状态转移图0.7如上图是所示:P11=0.5P12=0.4P13=0.1P21=0.2P22=0.7P23=0.1P31=0.4P32=0.2P33=0.4则它的系数矩阵0.50,40.1A=0.20.70.10.40.20.4假设:起初只有自由党。

自由党第一代子女加入各个党的概率P1=[0,0,1]×A=[0.4,0.2,0.4]加入工党的概率为0.4第二代子女加入各个党的概率P1=[0,0,1]×A×A=[0.40,0.38,0.22]第三代子女加入各个党的概率P1=[0,0,1]×A×A×A=[0.364,0.47,0.166]即在此种情况下自由党第三代子女加入工党的概率0.3642)假设:三个党派的初始数量都为1第一代各党派的人数P1=[111]×A得b=1.1000 1.30000.6000第二代各党派的人数P1=[111]×A×A得P2=1.0500 1.47000.4800第三代各党派的人数P3=[111]×A×A×AP3=1.0110 1.54500.4440经过n代后Pn=[111]×A n得Pn=0.9796 1.59180.42862、社会学的某些调查结果指出:儿童受教育的水平依赖于他们父母受教育的水平。

调查过程是将人们划分为三类:E类,这类人具有初中或初中以下的文化程度;S类,这类人具有高中文化程度;C类,这类人受过高等教育。

马尔科夫链matlab程序

马尔科夫链matlab程序

马尔科夫链matlab程序自己编写的马尔科夫链程序A 代表一组数据序列一维数组本程序的操作对象也是如此t=length(A); % 计算序列“A”的总状态数 B=unique(A); % 序列“A”的独立状态数顺序,“E”E=sort(B,'ascend');a=0;b=0;c=0;d=0;for j=1:1:ttLocalization=find(A==E(j)); % 序列“A”中找到其独立状态“E”的位置for i=1:1:length(Localization) if Localization(i)+1>tbreak; % 范围限定 elseif A(Localization(i)+1)== E(1)a=a+1;elseif A(Localization(i)+1)== E(2)b=b+1;elseif A(Localization(i)+1)== E(3)c=c+1;% 依此类推,取决于独立状态“E”的个数elsed=d+1;endendT(j,1:tt)=[a,b,c,d]; % “T”为占位矩阵 endTT=T;for u=2:1:ttTT(u,:)= T(u,:)- T(u-1,:); endTT; % 至此,得到转移频数矩阵Y=sum(TT,2);for uu=1:1:ttTR(uu,:)= TT(uu,:)./Y(uu,1); endTR % 最终得到马尔科夫转移频率/概率矩阵 % 观测序列马尔科夫性质的检验: N=numel(TT);uuu=1;Col=sum(TT,2); % 对列求和Row=sum(TT,1); % 对行求和 Total=sum(Row); % 频数总和 for i=1:1:tt for j=1:1:ttxx(uuu,1)=sum((TT(i,j)-(Row(i)*Col(j))./Total).^2./( (Row(i)*Col(j))./Total));uuu=uuu+1; % 计算统计量x2 endendxx=sum(xx)。

马尔科夫链模型

马尔科夫链模型

n1
(a1 (n 1),a2 (n 1)) w (w1 ,w2 )
w1 w2
w1 w1
p11 p12
w2 w2
p21 p22
0.8w1 0.7w2 w1 0.2w1 0.3w2 w2
w1 w2 1
w (7 / 9,2 / 9)
健康与疾病
例2. 健康和疾病状态同上,Xn=1~ 健康, Xn=2~ 疾病
死亡为第3种状态,记Xn=3 0.8
0.18
0.25
p11=0.8, p12=0.18, p13=0.02
0.65
1
2
p21=0.65, p22=0.25, p23=0.1
0.02 3 0.1
p31=0, p32=0, p33=1
1
a1(n 1) a1(n) p11 a2 (n) p21 a3 (n) p31 a2 (n 1) a1(n) p12 a2 (n) p22 a3 (n) p32 a3 (n 1) a1(n) p13 a2 (n) p23 a3 (n) p33
p21 0.7 p22 1 p21 0.3
1
Xn+1只取决于Xn和pij, 与Xn-1, …无关
0.2
0.3
0.7
2
状态转移具 a1(n 1) a1(n) p11 a2 (n) p21
有无后效性 a2 (n 1) a1(n) p12 a2 (n) p22
状态与状态转移 0.8
0.2
0.3
• 不论初始状态如何,最终都要转到状态3 ;
• 一旦a1(k)= a2(k)=0, a3(k)=1, 则对于n>k, a1(n)=0, a2(n)=0, a3(n)=1, 即从状态3不会转移到其它状态。

马尔可夫链模型

马尔可夫链模型

马尔可夫链在自然界与社会现象中,许多随机现象遵循下列演变规律,已知某个系统(或过程)在时刻0t t =所处的状态,与该系统(或过程)在时刻0t t >所处的状态与时刻0t t <所处的状态无关。

例如,微分方程的初值问题描述的物理系统属于这类随机性现象。

随机现象具有的这种特性称为无后效性(随机过程的无后效性),无后效性的直观含义:已知“现在”,“将来”和“过去”无关。

在贝努利过程(){},1X n n ≥中,设()X n 表示第n 次掷一颗骰子时出现的点数,易见,今后出现的点数与过去出现的点数无关。

在维纳过程(){},0X t t ≥中,设()X t 表示花粉在水面上作布朗运动时所处的位置,易见,已知花粉目前所处的位置,花粉将来的位置与过去的位置无关。

在泊松过程(){,0}N t t ≥中,设()N t 表示时间段[0,]t 内进入某商店的顾客数。

易见,已知时间段0[0,]t 内进入商店的顾客数()0N t ,在时间段()0[0,]t t t >内进入商店的顾客数()N t 等于()0N t 加上在时间段0(,]t t 内进入商店的顾客数()()0N t N t -,而与时刻0t 前进入商店的顾客无关。

一、马尔可夫过程定义:给定随机过程(){},X t t T ∈。

如果对任意正整数3n ≥,任意的12,,1,,n i t t t t T i n <<<∈=,任意的11,,,n x x S -∈S 是()X t 的状态空间,总有()()()1111|,n n n n P X x X t x X t x --≤==()()11|,n n n n n P X x X t x x R --=≤=∈ 则称(){},X t t T ∈为马尔可夫过程。

在这个定义中,如果把时刻1n t -看作“现在”,时刻n t 是“将来”,时刻12,,n t t -是“过去”。

马尔可夫过程要求:已知现在的状态()11n n X t x --=,过程将来的状态()n X t 与过程过去的状态()()1122,,n n X t x X t x --==无关。

(完整版)马氏链模型及matlab程序

(完整版)马氏链模型及matlab程序

一、用法,用来干什么,什么时候用 二、步骤,前因后果,算法的步骤,公式 三、程序 四、举例五、前面国赛用到此算法的备注一下马氏链模型用来干什么马尔可夫预测法是应用概率论中马尔可夫链(Markov chain )的理论和方法来研究分析时间序列的变化规律,并由此预测其未来变化趋势的一种预测技术。

什么时候用应用马尔可夫链的计算方法进行马尔可夫分析, 主要目的是根据某些变量现在的情 况及其变动趋向,来预测它在未来某特定区间可能产生的变动,作为提供某种决策的依 据。

马尔可夫链的基本原理我们知道,要描述某种特定时期的随机现象如某种药品在未来某时期的销售情况,比如说第n 季度是畅销还是滞销,用一个随机变量X n 便可以了,但要描述未来所有时期的情况,则需要一系列的随机变量 X 1,X 2,…,X n ,….称{ X t ,t ∈T ,T 是参数集}为随机过程,{ X t }的取值集合称为状态空间.若随机过程{ X n }的参数为非负整数, X n 为离散随机变量,且{ X n }具有无后效性(或称马尔可夫性),则称这一随机过程为马尔可夫链(简称马氏链).所谓无后效性,直观地说,就是如果把{ X n }的参数n 看作时间的话,那么它在将来取什么值只与它现在的取值有关,而与过去取什么值无关.对具有N 个状态的马氏链,描述它的概率性质,最重要的是它在n 时刻处于状态i 下一时刻转移到状态j 的一步转移概率:N j i n p i X j X P j i n n ,,2,1,)()|(1若假定上式与n 无关,即 )()1()0(n p p p j i j i j i ,则可记为j i p (此时,称过程是平稳的),并记N N N N N N p p p p p p p p p P212222111211(1) 称为转移概率矩阵.转移概率矩阵具有下述性质:(1)N j i p j i ,,2,1,,0 .即每个元素非负.(2)N i p Nj j i ,,2,1,11.即矩阵每行的元素和等于1.如果我们考虑状态多次转移的情况,则有过程在n 时刻处于状态i ,n +k 时刻转移到状态j 的k 步转移概率:N j i n p i X j X P k j i n k n ,,2,1,)()|()(同样由平稳性,上式概率与n 无关,可写成)(k j i p .记)()(2)(1)(2)(22)(21)(1)(12)(11)(k N N k N k N k N k k k N k k k p p p p p p p p p P(2)称为k 步转移概率矩阵.其中)(k j i p 具有性质:N j i p k ji ,,2,1,,0)( ; N i p Nj k j i ,,2,1,11)( .一般地有,若P 为一步转移矩阵,则k 步转移矩阵)()(2)(1)(2)(22)(21)(1)(12)(11)(k N N k N k N k N k k k N k k k p p p p p p p p p P(3) (2)状态转移概率的估算在马尔可夫预测方法中,系统状态的转移概率的估算非常重要.估算的方法通常有两种:一是主观概率法,它是根据人们长期积累的经验以及对预测事件的了解,对事件发生的可能性大小的一种主观估计,这种方法一般是在缺乏历史统计资料或资料不全的情况下使用.二是统计估算法,现通过实例介绍如下.例3 记录了某抗病毒药的6年24个季度的销售情况,得到表1.试求其销售状态的转移概率矩阵.表1 某抗病毒药24个季度的销售情况季度销售状态季度销售状态季度销售状态季度销售状态1 1 (畅销) 7 1(畅销) 13 1(畅销) 19 2(滞销)2 1(畅销) 8 1(畅销) 14 1(畅销) 20 1(畅销)3 2(滞销) 9 1(畅销) 15 2(滞销) 21 2(滞销)4 1(畅销) 10 2(滞销) 16 2(滞销) 22 1(畅销)5 2(滞销) 11 1(畅销) 17 1(畅销) 23 1(畅销) 62(滞销)122(滞销)181(畅销)241(畅销)分析表中的数据,其中有15个季度畅销,9个季度滞销,连续出现畅销和由畅销转入滞销以及由滞销转入畅销的次数均为7,连续滞销的次数为2.由此,可得到下面的市场状态转移情况表(表2).表2 市场状态转移情况表现计算转移概率.以频率代替概率,可得连续畅销的概率:1170.5151p连续出现畅销的次数出现畅销的次数分母中的数为15减1是因为第24季度是畅销,无后续记录,需减1.同样得由畅销转入滞销的概率:1270.5151p畅销转入滞销的次数出现畅销的次数滞销转入畅销的概率:2170.789p滞销转入畅销的次数出现滞销的次数连续滞销的概率:2220.229p连续滞销的次数出现滞销的次数综上,得销售状态转移概率矩阵为:22.078.05.05.022211211p pp p P 从上面的计算过程知,所求转移概率矩阵P 的元素其实可以直接通过表2中的数字计算而得到,即将表中数分别除以该数所在行的数字和便可:77711p 77712p 27721p 77222p Matlab 程序:format rat clca=[ 1 1 2 1 2 2 1 1 1 2 1 2,1 1 2 2 1 1 2 1 2 1 1 1]; for i=1:2 for j=1:2f(i,j)=length(findstr([i j],a)); end end fni=(sum(f'))' for i=1:2p(i,:)=f(i,:)/ni(i); end p由此,推广到一般情况,我们得到估计转移概率的方法:假定系统有m 种状态S 1,S 2,…,S m ,根据系统的状态转移的历史记录,得到表3的统计表格,以j i pˆ表示系统从状态i 转移到状态j 的转移概率估计值,则由表3的数据计算估计值的公式如下:表3 系统状态转移情况表(3)带利润的马氏链在马氏链模型中,随着时间的推移,系统的状态可能发生转移,这种转移常常会引起某种经济指标的变化.如抗病毒药的销售状态有畅销和滞销两种,在时间变化过程中,有时呈连续畅销或连续滞销,有时由畅销转为滞销或由滞销转为畅销,每次转移不是盈利就是亏本.假定连续畅销时盈r 11元,连续滞销时亏本r 22元,由畅销转为滞销盈利r 12元,由滞销转为畅销盈利r 21元,这种随着系统的状态转移,赋予一定利润的马氏链,称为有利润的马氏链.对于一般的具有转移矩阵N N N N N N p p p p p p p p p P212222111211的马氏链,当系统由i 转移到j 时,赋予利润r ij (i ,j =1,2,…,N ),则称N N N N N N r r r r r r r r r R212222111211 (5) 为系统的利润矩阵,r ij >0称为盈利,r ij <0称为亏本,r ij = 0称为不亏不盈.随着时间的变化,系统的状态不断地转移,从而可得到一系列利润,由于状态的转移是随机的,因而一系列的利润是随机变量,其概率关系由马氏链的转移概率决定.例如从抗病毒药的销售状态的转移矩阵,得到一步利润随机变量)1(1x 、)1(2x 的概率分布分别为:其中 p 11+ p 12 = 1 ,p 21+ p 22 = 1.如果药品处于畅销阶段,即销售状态为i =1,我们想知道,经过n 个季度以后,期望获得的利润是多少?为此,引入一些计算公式.首先,定义)(n i v 为抗病毒药现在处于)2,1( i i ,经过n 步转移之后的总期望利润,则一步转移的期望利润为:212211)1()1()(j j i j i i i i i i i p r p r p r x E v其中)()1(i x E 是随机变量)1(i x 的数学期望.二步转移的期望利润为:21)1(2)1(221)1(11)2()2(][][][)(j j i j j i i i i i i i p v r p v r p v r x E v其中随机变量)2(ix (称为二步利润随机变量)的分布为:2,1,)()1()2( j p v r x P j i j j i i例如,若6.04.05.05.0P ,7339R则抗病毒药销售的一步利润随机变量:抗病毒药畅销和滞销时的一步转移的期望利润分别为:65.035.09)(12121111)1(1)1(1 p r p r x E v 36.074.03)(22222121)1(2)1(2 p r p r x E v二步利润随机变量为:抗病毒药畅销和滞销时的二步转移的期望利润分别为:12)1(21211)1(111)2(1)2(1][][)(p v r p v r x E v5.75.0)33(5.0)69(22)1(22221)1(121)2(2)2(2][][)(p v r p v r x E v4.26.0)37(4.0)63(一般地定义k 步转移利润随机变量),2,1()(N i x k i的分布为:N j p v r x P ji k j j i k i ,2,1)()1()(则系统处于状态i 经过k 步转移后所得的期望利润)(k iv 的递推计算式为:j i k j Nj j i k i k i p v r x E v )()()1(1)()(Nj j i k j i Nj j i k j Nj j i j i p v v p v p r 1)1()1(1)1(1(6)当k =1时,规定边界条件0)0( iv .称一步转移的期望利润为即时的期望利润,并记N i q v i i ,2,1,)1( .可能的应用题型题型一、市场占有率预测例题1在购买该药的总共1000家对象(购买力相当的医院、药店等)中,买A 、B 、C 三药厂的各有400家、300家、300家,预测A 、B 、C 三个厂家生产的某种抗病毒药在未来的市场占有情况。

计算机模拟_排队论

计算机模拟_排队论

当排队系统的到达间隔时间和服务时间的概率分布很复杂时,或不能用公式给出时,那么就不能用解析法求解。

这就需用随机模拟法求解,现举例说明。

例1 设某仓库前有一卸货场,货车一般是夜间到达,白天卸货,每天只能卸货2车,若一天内到达数超过2车,那么就推迟到次日卸货。

根据表3所示的数据,货车到达数的概率分布(相对频率)平均为1.5车/天,求每天推迟卸货的平均车数。

服从指数分布(这是定长服务时间)。

随机模拟法首先要求事件能按历史的概率分布规律出现。

模拟时产生的随机数与事件的对应关系如表4。

表 4 到达车数的概率及其对应的随机数我们用 a1 表示产生的随机数,a2 表示到达的车数,a3 表示需要卸货车数,a4 表示实际卸货车数,a5 表示推迟卸货车数。

编写程序如下:clearrand('state',sum(100*clock));n=50000;m=2a1=rand(n,1);a2=a1; %a2初始化a2(find(a1<0.23))=0;a2(find(0.23<=a1&a1<0.53))=1;a2(find(0.53<=a1&a1<0.83))=2;a2(find(0.83<=a1&a1<0.93),1)=3;a2(find(0.93<=a1&a1<0.98),1)=4;a2(find(a1>=0.98))=5;a3=zeros(n,1);a4=zeros(n,1);a5=zeros(n,1); %a2初始化a3(1)=a2(1);if a3(1)<=ma4(1)=a3(1);a5(1)=0;elsea4(1)=m;a5(1)=a2(1)-m;endfor i=2:na3(i)=a2(i)+a5(i-1);if a3(i)<=ma4(i)=a3(i);a5(i)=0;elsea4(i)=m;a5(i)=a3(i)-m;endenda=[a1,a2,a3,a4,a5];sum(a)/nm =2ans =0.4985 1.4909 2.3782 1.4909 0.8874例2银行计划安置自动取款机,已知A型机的价格是B型机的2倍,而A型机的性能—平均服务率也是B型机的2倍,问应该购置1台 A 型机还是2台 B 型机。

  1. 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. 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. 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)。

一、用法,用来干什么,什么时候用二、步骤,前因后果,算法的步骤,公式三、程序四、举例五、前面国赛用到此算法的备注一下马氏链模型用来干什么马尔可夫预测法是应用概率论中马尔可夫链(Markov chain)的理论和方法来研究分析时间序列的变化规律,并由此预测其未来变化趋势的一种预测技术。

什么时候用应用马尔可夫链的计算方法进行马尔可夫分析,主要目的是根据某些变量现在的情况及其变动趋向,来预测它在未来某特定区间可能产生的变动,作为提供某种决策的依据。

马尔可夫链的基本原理我们知道,要描述某种特定时期的随机现象如某种药品在未来某时期的销售情况,比如说第n季度是畅销还是滞销,用一个随机变量X n便可以了,但要描述未来所有时期的情况,则需要一系列的随机变量X1,X2,…,X n,….称{ X t,t∈T ,T是参数集}为随机过程,{ X t }的取值集合称为状态空间.若随机过程{ X n }的参数为非负整数, X n为离散随机变量,且{X n}具有无后效性(或称马尔可夫性),则称这一随机过程为马尔可夫链(简称马氏链).所谓无后效性,直观地说,就是如果把{X n}的参数n看作时间的话,那么它在将来取什么值只与它现在的取值有关,而与过去取什么值无关.对具有N个状态的马氏链,描述它的概率性质,最重要的是它在n时刻处于状态i下一时刻转移到状态j的一步转移概率:若假定上式与n 无关,即 ====)()1()0(n p p p j i j i j i ,则可记为j i p (此时,称过程是平稳的),并记⎪⎪⎪⎪⎪⎭⎫⎝⎛=N N N N N N p p p p p p p p p P212222111211 (1)称为转移概率矩阵.转移概率矩阵具有下述性质:(1)N j i p j i ,,2,1,,0 =≥.即每个元素非负.(2)N i p Nj j i ,,2,1,11 ==∑=.即矩阵每行的元素和等于1.如果我们考虑状态多次转移的情况,则有过程在n 时刻处于状态i ,n +k 时刻转移到状态j 的k 步转移概率:同样由平稳性,上式概率与n 无关,可写成)(k j i p .记⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=)()(2)(1)(2)(22)(21)(1)(12)(11)(k N N k N k N k N k k k N k k k p p p p p p p p p P(2) 称为k 步转移概率矩阵.其中)(k j i p 具有性质:N j i p k j i ,,2,1,,0)( =≥; N i p Nj k j i ,,2,1,11)( ==∑=.一般地有,若P 为一步转移矩阵,则k 步转移矩阵⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=)()(2)(1)(2)(22)(21)(1)(12)(11)(k N N k N k N k N k k k N k k k p p p p p p p p p P(3) (2)状态转移概率的估算在马尔可夫预测方法中,系统状态的转移概率的估算非常重要.估算的方法通常有两种:一是主观概率法,它是根据人们长期积累的经验以及对预测事件的了解,对事件发生的可能性大小的一种主观估计,这种方法一般是在缺乏历史统计资料或资料不全的情况下使用.二是统计估算法,现通过实例介绍如下.例3 记录了某抗病毒药的6年24个季度的销售情况,得到表1.试求其销售状态的转移概率矩阵.表1 某抗病毒药24个季度的销售情况季度销售状态季度销售状态季度销售状态季度销售状态1 1 (畅销) 7 1(畅销) 13 1(畅销) 19 2(滞销)2 1(畅销) 8 1(畅销) 14 1(畅销) 20 1(畅销)3 2(滞销) 9 1(畅销) 15 2(滞销) 21 2(滞销)4 1(畅销) 10 2(滞销) 16 2(滞销) 22 1(畅销)5 2(滞销) 11 1(畅销) 17 1(畅销) 23 1(畅销)6 2(滞销) 12 2(滞销) 18 1(畅销) 24 1(畅销)分析表中的数据,其中有15个季度畅销,9个季度滞销,连续出现畅销和由畅销转入滞销以及由滞销转入畅销的次数均为7,连续滞销的次数为2.由此,可得到下面的市场状态转移情况表(表2).表2 市场状态转移情况表现计算转移概率.以频率代替概率,可得连续畅销的概率:分母中的数为15减1是因为第24季度是畅销,无后续记录,需减1.同样得由畅销转入滞销的概率:滞销转入畅销的概率:连续滞销的概率:综上,得销售状态转移概率矩阵为:从上面的计算过程知,所求转移概率矩阵P的元素其实可以直接通过表2中的数字计算而得到,即将表中数分别除以该数所在行的数字和便可:Matlab程序:format ratclca=[ 1 1 2 1 2 2 1 1 1 2 1 2,1 1 2 2 1 1 2 1 2 1 1 1];for i=1:2for j=1:2f(i,j)=length(findstr([i j],a));endendfni=(sum(f'))'for i=1:2p(i,:)=f(i,:)/ni(i);endp由此,推广到一般情况,我们得到估计转移概率的方法:假定系统有m种状态S1,S2,…,S m,根据系统的状态转移的历史记录,得到表3的统计表格,以pˆ表示系统从状态i转移j i到状态j的转移概率估计值,则由表3的数据计算估计值的公式如下:表3 系统状态转移情况表(3)带利润的马氏链在马氏链模型中,随着时间的推移,系统的状态可能发生转移,这种转移常常会引起某种经济指标的变化.如抗病毒药的销售状态有畅销和滞销两种,在时间变化过程中,有时呈连续畅销或连续滞销,有时由畅销转为滞销或由滞销转为畅销,每次转移不是盈利就是亏本.假定连续畅销时盈r 11元,连续滞销时亏本r 22元,由畅销转为滞销盈利r 12元,由滞销转为畅销盈利r 21元,这种随着系统的状态转移,赋予一定利润的马氏链,称为有利润的马氏链.对于一般的具有转移矩阵的马氏链,当系统由i 转移到j 时,赋予利润r ij (i ,j =1,2,…,N ),则称⎪⎪⎪⎪⎪⎭⎫⎝⎛=N N N N N N r r r r r r r r r R212222111211(5) 为系统的利润矩阵,r ij >0称为盈利,r ij <0称为亏本,r ij = 0称为不亏不盈.随着时间的变化,系统的状态不断地转移,从而可得到一系列利润,由于状态的转移是随机的,因而一系列的利润是随机变量,其概率关系由马氏链的转移概率决定.例如从抗病毒药的销售状态的转移矩阵,得到一步利润随机变量)1(1x 、)1(2x 的概率分布分别为:其中 p 11+ p 12 = 1 ,p 21+ p 22 = 1.如果药品处于畅销阶段,即销售状态为i =1,我们想知道,经过n 个季度以后,期望获得的利润是多少?为此,引入一些计算公式.首先,定义)(n i v 为抗病毒药现在处于)2,1(=i i ,经过n 步转移之后的总期望利润,则 一步转移的期望利润为:其中)()1(i x E 是随机变量)1(i x 的数学期望.二步转移的期望利润为:其中随机变量)2(i x (称为二步利润随机变量)的分布为:例如,若⎪⎪⎭⎫ ⎝⎛=6.04.05.05.0P , ⎪⎪⎭⎫⎝⎛-=7339R则抗病毒药销售的一步利润随机变量:抗病毒药畅销和滞销时的一步转移的期望利润分别为: 二步利润随机变量为:抗病毒药畅销和滞销时的二步转移的期望利润分别为:一般地定义k 步转移利润随机变量),2,1()(N i x k i =的分布为: 则系统处于状态i 经过k 步转移后所得的期望利润)(k i v 的递推计算式为:∑∑∑=-=-=+=+=Nj j i k j i Nj j i k j N j j i j i p v v p v p r 1)1()1(1)1(1(6)当k =1时,规定边界条件0)0(=i v .称一步转移的期望利润为即时的期望利润,并记N i q v i i ,2,1,)1(==.可能的应用题型题型一、市场占有率预测例题1在购买该药的总共1000家对象(购买力相当的医院、药店等)中,买A、B、C三药厂的各有400家、300家、300家,预测A、B、C三个厂家生产的某种抗病毒药在未来的市场占有情况。

顾客订货情况如下表5:表5 顾客订货情况表下季度订货情况合计来自A B CA 160 120 120 400B 180 90 30 300C 180 30 90 300合计520 240 240 1000模型建立与求解一、问题分析目前的市场占有情况为:在购买该药的总共1000家对象(购买力相当的医院、药店等)中,买A、B、C三药厂的各有400家、300家、300家,那么A、B、C三药厂目前的市场占有份额分别为:40%、30%、30%.称(0.4,0.3,0.3)为目前市场的占有分布或称初始分布.此外,我们需要查清使用对象的流动情况。

流动情况的调查可通过发放信息调查表来了解顾客以往的资料或将来的购买意向,也可从下一时期的订货单得出。

由题已知顾客订货情况如下表5表5 顾客订货情况表下季度订货情况合计来 自A B CA 160 120 120 400B 180 90 30 300 C1803090300合计520 240 240 1000二、模型的建立 2.1模型构建假定在未来的时期内,顾客相同间隔时间的流动情况不因时期的不同而发生变化,以1、2、3分别表示顾客买A 、B 、C 三厂家的药这三个状态,以季度为模型的步长(即转移一步所需的时间),那么根据表5,我们可以得模型的转移概率矩阵:矩阵中的第一行(0.4,0.3,0.3)表示目前是A 厂的顾客下季度有40%仍买A 厂的药,转为买B 厂和C 厂的各有30%.同样,第二行、第三行分别表示目前是B 厂和C 厂的顾客下季度的流向.由P 我们可以计算任意的k 步转移矩阵,如三步转移矩阵:从这个矩阵的各行可知三个季度以后各厂家顾客的流动情况.如从第二行(0.504,0.252,0.244)知,B 厂的顾客三个季度后有50.4%转向买A 厂的药,25.2%仍买B 厂的,24.4%转向买C 厂的药.设),,()(3)(2)(1)(k k k k p p p S =表示预测对象k 季度以后的市场占有率,初始分布则为),,()0(3)0(2)0(1)0(p p p S =,市场占有率的预测模型为P S P S S k k k ⋅=⋅=-)1()0()( (7)已知)3.0,3.0,4.0()0(=S ,由此,我们可预测任意时期A 、B 、C 三厂家的市场占有率.例如,三个季度以后的预测值为:大致上,A 厂占有一半的市场,B 厂、C 厂各占四分之一.模型(7)可推广到N 个状态的情形:kN N N N N N Nk k k p p p p p p p p p p p p P S P S S ⎪⎪⎪⎪⎪⎭⎫⎝⎛===-212222111211)0()0(2)0(1)0()1()(),,((8) 如果我们按公式(7)继续逐步求A 、B 、C 三家的市场占有率,会发现,当k 大到一定的程度,S (k ) 将不会有多少改变,即有稳定的市场占有率,设其稳定值为),,(321p p p S =,满足1321=++p p p .事实上,如果市场的顾客流动趋向长期稳定下去,则经过一段时期以后的市场占有率将会出现稳定的平衡状态,即顾客的流动,不会影响市场的占有率,而且这种占有率与初始分布无关.如何求出这种稳定的市场占有率呢?2.2模型求解以A 、B 、C 三家的情况为例,当市场出现平衡状态时,从公式(7)可得方程S = S P ,即 由此得经整理,并加上条件1321=++p p p ,得 0.4 0.3 0.3,0.6 0.3 0.1,0.6 0.1 0.3上方程组是三个变量四个方程的方程组,在前三个方程中只有二个是独立的,任意删去一个,从剩下的三个方程中,可求出唯一解:5.01=p , 25.02=p , 25.03=p这就是A 、B 、C 三家的最终市场占有率.一般N 个状态的稳定市场占有率(稳态概率)),,(21N p p p S =可通过解方程组⎪⎪⎪⎩⎪⎪⎪⎨⎧=⎪⎪⎪⎪⎪⎭⎫⎝⎛=∑=1),,(),,(12122221112112121Nk k N N N N N N NN p p p p p p p p p p pp p p p p(9) 求得,而(9)的前N 个方程中只有N -1个是独立的,可任意删去一个。

相关文档
最新文档