马尔科夫随机过程的理解
- 连续时间:马尔科夫随机过程;
- 离散时间:马尔科夫链;(离散时间,同时也要求为离散状态)
- 之所以这样规定,在于可以方便的使用矩阵(一步转移概率矩阵)来刻画转移的概率关系(转换图),这样便可将从随机过程中抽象得到的问题转化为线性代数问题来求解;
在物理学中,很多确定性现象遵从如下演变规则:由时刻 t0t_0 系统或过程所处的状态,(就)可以决定系统或过程在时刻 t>t0t > t_0 所处的状态,而无需借助于 t0t_0 以前(不需要更多的更久之前的信息)系统或过程所处状态的历史资料。
如微分方程初值问题所描绘的物理过程就属于这类确定性现象。把上述原则延伸到随机现象,即当一物理系统或过程遵循的是某种统计规律时,可仿照上面的原则,引入以下的马尔科夫性或无后效性。
1. 转移概率矩阵
记号的理解:Pij(m,m+n)=P{Xm+n=aj∣∣Xm=ai}P_{ij}\left(m,m+n\right)=P\left\{X_{m+n}=a_j\big |X_{m}=a_{i}\right\}
- m,m+nm, m+n 表示时刻;
- i,ji, j 表示状态(Xm/m+n=ai/ajX_{m/m+n}=a_{i}/a_{j})下标;
由转移概率组成的矩阵 P(m,m+n)=(Pij(m,m+n))\mathbf P\left(m, m+n\right)=\left(P_{ij}\left(m,m+n\right)\right) 称为马氏链的转移概率矩阵,据其物理含义,显然有:
\sum_{j=1}^\infty P_{ij}\left(m,m+n\right)=1,\quad i=1,2,\ldots.
因此此概率转移矩阵(nn 步转移矩阵,nn 是确定的)的每一行行和为 1(从当前位置出发能够到达的状态之间的概率,构成一个概率分布),行号和列号 ai/ja_{i/j} 表示不同的状态(Xm/m+n=ai/jX_{m/m+n}=a_{i/j}),Pij\mathbf P_{ij} 表示的是该 nn 步概率转移矩阵从 aia_i 转移到 aja_j 的概率大小。
当转移概率 Pij(m,m+n)P_{ij}\left(m, m+n\right) 只与 i,ji, j 及时间间距 nn 有关系时,把它记为 Pij(n)P_{ij}\left(n\right),即:
P_{ij}\left(m,m+n\right)=P_{ij}\left(n\right)
此时称此转移概率具有平稳性(与时间起始和终止无关,只与时间间隔有关),同时也称此链是齐次的或时齐的。
齐次性保证了,昨天天气到今天天气的一步概率转移矩阵与今天到明天的一步概率转移矩阵是一致的。
2. 真实应用
- 在实际问题中,一步转移概率通常课通过统计试验确定。
3. 有限维分布
首先,来定义一些记号:
p_j\left(0\right)=P\left\{X_0=a_j\right\},\quad a_j\in I,\;j=1, 2,3
称其为马氏链的初始分布,再看马氏链在任意时刻 n∈T1n\in T_1 的一维分布:
p_j\left(n\right)=P\left\{X_n=a_j\right\},\quad a_j\in I,\; j=1,2,\cdots
显然,应有 ∑j=1∞pj(n)=1\sum\limits_{j=1}^\infty p_j(n)=1,因此有:
\begin{split} P\left\{X_n=a_j\right\}=&\sum_{i=1}^\infty P\left\{X_0=a_i, X_n=a_j\right\}\\ =&\sum_{i=1}^\infty P\left\{X_n=a_j\big |X_0=a_i\right\}P\left\{X_0=a_i\right\}\\ =&\sum_{i=1}^\infty p_i(0) P_{ij}\left(n\right) \end{split}
或者写作:pj(n)=∑i=1∞pi(0)Pij(n)p_j(n)=\sum\limits_{i=1}^\infty p_i(0)P_{ij}(n);
一维分布也可以用行向量表示为:
p\left(n\right)=\left(p_1\left(n\right),p_2\left(n\right),\ldots,p_j\left(n\right),\ldots,\right)
这样,pj(n)=∑i=1∞pi(0)Pij(n)p_j(n)=\sum\limits_{i=1}^\infty p_i(0)P_{ij}(n) 便可以写作:
p\left(n\right)=p\left(0\right)P\left(n\right)
马尔科夫随机过程的理解相关推荐
- 重温马尔科夫随机过程
Why is a Markov Chain important? It is important because of its stationary distribution. 马尔科夫链随机过程之所 ...
- 马尔科夫随机场简单理解
MRF(Markov Random Filed,马尔科夫随机场)类似贝叶斯网络用于表示依赖关系.但是,一方面它可以表示贝叶斯网络无法表示的一些依赖关系,如循环依赖:另一方面,它不能表示贝叶斯网络能够表 ...
- 隐马尔科夫模型(HMM)理解与总结
目录 1. HMM模型概念 1.1 HMM定义 1.2 HMM实例 2 HMM的三个问题: 2.1 计算观察序列的概率 2.1.1 前向算法 2.1.2 后向算法 2.1.3 利用前向概率和后向概率计 ...
- 【NLP】用于语音识别、分词的隐马尔科夫模型HMM
大家好,今天介绍自然语言处理中经典的隐马尔科夫模型(HMM).HMM早期在语音识别.分词等序列标注问题中有着广泛的应用. 了解HMM的基础原理以及应用,对于了解NLP处理问题的基本思想和技术发展脉络有 ...
- 关于马尔科夫随机场MRF的思考
转载自:http://www.cnblogs.com/yysblog/archive/2012/09/17/2689318.html Markov Random Fields(MRF)是undirec ...
- 【火炉炼AI】机器学习044-创建隐马尔科夫模型
[火炉炼AI]机器学习044-创建隐马尔科夫模型 (本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2 ...
- 数学之美_马尔科夫模型01
1. 概率:是一种分析问题的范型(也可以说一种分析问题的模板) 2. 马尔科夫:是一个人名. 2.1 生平:俄国数学家,出生于梁赞州.位置靠近欧洲. 模样就是张这个样 父亲是一位中级官员,后来居家迁往 ...
- 马尔科夫随机场的基本概念
1.随机过程: 描写叙述某个空间上粒子的随机运动过程的一种方法. 它是一连串随机事件动态关系的定量描写叙述. 随机过程与其他数学分支,如微分方程.复变函数等有密切联系.是自然科学.project科学及 ...
- 马尔科夫链和马尔科夫随机场
From:http://blog.csdn.net/j123kaishichufa/article/details/7638181 1.什么是随机过程? 在当代科学与社会的广阔天地里,人们都可以看到一 ...
最新文章
- 为什么TCP建立连接需要三次握手
- 【数学和算法】最小二乘法理论(附c++代码)
- 机器人学习--视觉定位数据集介绍
- c语言int 转bool_C++代码实现逆波兰式_C 语言
- 算法笔记_036:预排序(Java)
- 支付宝最不想看到的:当“集五福”变成赚钱生意 有人日入千元!
- NullableTypes for .NET
- 拓端tecdat|R语言基于ARMA-GARCH-VaR模型拟合和预测实证研究分析案例
- 【BZOJ1106】【POI2007】立方体大作战tet(树状数组+贪心)
- 网络广告创意与制作技巧
- springboot 解决 NoClassDefFoundError: redis/clients/jedis/util/SafeEncoder
- 得到app文稿导出_得到-app分析
- 有python画螺旋线
- php c端,蛋白测序(N端,C端测序)
- 子查询(exists子查询)
- Java 中j+=i 和 j=+i 的区别
- 开源运行时社区 - 核心概念说明
- vue页面路由跳转重复报错的问题
- 浅析移动旺旺特服号之无限扩展
- 【Leetcode】789. 逃脱阻碍者
热门文章
- vue音乐项目歌手页面滚动、吸顶效果
- 计算机二级分省和国家吗,计算机国家二级和省二级有什么区别?
- mysql xp系统时间_【Mysql5.5 XP系统下载】mysql XP系统安装图解
- android recyclerview多布局_图文讲解RecyclerView的复用机制 ||Recyclerview进阶
- 为什么选择spark
- java plsql_在PLSQL中编译复杂的java(转)
- php框架 路由_PHP框架开发之Route路由简单实现
- Git教程——查看修改日志 (log diff)
- Qt总结之十二:C/C++内存分配方式与存储区
- opencv imshow plt imshow