13
Маркови ланци 11.1 Вовед Поголемот дел од нашите студии се занимава со изучување на независни пробни процеси. Овие процеси се основа на класичната теорија на веројатност и на поголем дел од статистиката. Имаме дискутирано за две основни теореми на овие процеси: Законот за големи броеви и Централната гранична теорема. Видовме дека кога низа на експерименти формираат независен пробен процес, можните исходи за секој експеримент се исти и се појавени со истата веројатност. Понатаму, знаењето на исходот од предходните експерименти не влијае на нашите предвидувања за исходот на следните експерименти. Дистрибуцијата на исходот на еден експеримент е доволно за изградба на дрво и мерка на дрво за низа од n експерименти, и ние можеме да одговориме на сите прашања во врска со веројатноста на сите овие експерименти со користење на оваа мерка на дрво. Во модерните студии за теорија на веројатност, состојбата на процесите на предходните исходи влијае на предвидувањето за идните експерименти. Во принцип, кога ние забележуваме низа на експерименти сите исходи од минатото би можеле да влијаат на нашите предвидувања за следниот експеримент. На пример, ова треба да биде случај во предвидувањето на оценките на студентот од секвенца испити во еден курс. Во 1907 година, А.А. Марков започна студијата за нов важен тип на процес. Во овој процес, исходот на даден експеримент може да влијае исходот на следниот експеримент. Овој вид на процес е наречен Марков ланец. Дефинирање на Марковиот ланец Опишуваме Марков ланец со следново: имаме група на состојби S = { , , …, }. Процесот започнува во една од овие состојби и се движи сукцесивно од една во друга состојба. Секој потег се нарекува чекор. Ако ланецот во моментов е во

Маркови ланци

Embed Size (px)

DESCRIPTION

1

Citation preview

11.1

. . : . , . , . n , .

, . , . , .

1907 , .. . , . .

: S = { , , , }. . . si sj pij.

pij . , pii. S, . . .. . .

11.1 , , . . , . , . , . . R,N S. .

11.1 . , . .

i , . pij(2). 11.1 : 1) 2) 3) . , . p11p13. , .

P(2)13 = p11p13 + p12p23 + p13p33 .

, o . 1,3 P . ,

.

11.1 . ij pij(n) Pn si sj n .

. ( 17).

11.2 ( 11.1 ) . . . MatrixPowers . MatrixPowers 1-6. 11.1.

, . R,N S, 0,4 0,2 0,4 . . . , .

, . r 1. it- U si. , . 11.2 , u . si n i-

. ( 18.)

si, u i- 1 0.

11.3 ( 11.1) (1/3;1/3;1/3;). 11.2 P3.

)

.

11.4 . , , . b . .

11.5 , , . .

11.6 , , . 80% , 40% , 70% ,20% 10% .

11.7 11.6 .

11.8 ( ) , . 11.5. . , . .

11.9 ( ) , , G g. GG Gg( gG) gg. GG Gg G g. GG , gg Gg. , , . O . , . G G g . . G g . GG, Gg gg.

. . . . . , GG,Gg gg .

11.10 11.9 : , .

11.11 , , , . . . : s1 = (GG; GG), s2 = (GG; Gg), s3 = (GG; gg), s4 = (Gg; Gg), s5 = (Gg; gg), s6 = (gg; gg).

s2. , . , . , s1 , s2 s4 . . :

11.12 ( ) . . -- , . . , S , S S . . , . . kn2 , . .

11.1: .

11.2: 10.000 .

. 11.2. 1 , . . .

1. . . w (1) , w(2) w(3) P, P2 P3.

2. 11,4, =0 -1/2 . P,P2 P3. Pn? Pn n ? .

3. 11.5, P,P2 P3. Pn?

4. 11.6 .

5. 11.7, .

6. 11.9, . w(1), w(2) w(3). w(n)?

7. P2, P3, P4 Pn . P= . .

8. 0 1 . . , p q=1-p . 0 1. ?

9. 8, 0 . 0? 0? p=.1. MatrixPowers 100 . . p=.2. 100 ?

10. MatrixPowers, n, Pn , n=1 N. An Pn.

11. , . 80% , 10% 10% . , 60% , 20% , 20% . , 50% 25% . , . .

12. 11, . .8. . 11. . .

13. u(n) u P. u(n) u=(0,1,0), u=(1/3,1/3,1/3).

14. MatrixPowers, P1 P6 11.9 11.10. .

15. P. .

16. 15 n . 11.1 11.8. n ?

17. 11.1.

18. 11.2.

19. . . . . . .

a) n- , (n+1) ?

b) . (), .

c) (n-1) n- .

d) ?