3.7马尔可夫预测法.ppt

§3.7 马尔可夫预测法（Markov) 马尔可夫，俄国著名数学家，1856.6-1922。1，师从且比雪夫。主要研究在概率和统计方面，开创了“随机过程”这个新领域，于1907年提出马尔可夫链，1906-1912年开创了对一种无后效性的随机过程-马尔可夫过程的研究。 马尔可夫预测法，是一种预测事件发生概率的方法，它基于马尔可夫链，根据事件目前状况预测其将来各个时刻（时期）变动情况的一种预测方法。 一 几个基本概念 1 状态 指某一事件在某一时刻出现的某种结果。 如：商品 “畅销”、“一般”、“滞销”； 农业 “丰收”、“平收”、“歉收”； 人民生活水平 “温饱”、“小康”、“富裕”； 气候 “寒冬”、“正常”、“暖冬”。 2 状态转移 事件的发展，从一种状态转变为另一种状态，称为状态转移。 如 天气从“晴天”→“阴天” 从“晴天”→“晴天” 3 随机过程 一簇随时间t变化的随机变量。 随机过程y(t)是随时间变化的随机变量；而对于某一时刻ti，y(ti)称为随机过程y(t)在t= ti时的状态。 4 马尔可夫过程 在事件的发展过程中，若每次状态转移都只仅与前一时刻的状态有关，而与过去的状态无关，或者说状态转移过程是无后效性的，则这样的状态转移过程称为马尔可夫过程。 例如：池塘中一只青蛙的跳跃 人口数量 流行病的传播 车站候车人数 5 马尔可夫链 离散时间、离散状态的马尔可夫过程。 事物的状态由过去到现在，再由现在转变到将来，一环接一环像一根链条。 马尔可夫过程给我们的启示：展望未来应立足今日，忘记昨日。 6 状态转移概率 在事件的发展变化过程中，从某一状态出发，下一时刻转移到其他状态的可能性，称为状态转移概率。 根据条件概率的定义，由状态Ei转为状态Ej的状态转移概率 P（Ei →Ej)=P(Ej/Ei)=Pij 7 状态转移概率矩阵 假定某一个事件的发展过程有n个可能的状态，即E1， E2，…， En，记Pij为从状态Ei转为状态Ej的状态转移概率，则矩阵 二 马尔可夫预测法 1 第K个时刻的状态概率预测 状态概率 ：表示在初始状态 已知的条件下，经过K次状态转移后，在第K个时刻处于各状态E1， E2，…， En的概率。 根据马尔可夫过程的无后效性可知： 2 终极状态概率预测 经过无穷多次状态转移后所得到的状态概率称为终极状态概率 ，或称平衡状态概率。 例：市场上只有甲乙两种饮料，目前的市场占有率为 =[0.6,0.4],经调查，其状态转移概率矩阵 因此： * * 称为状态转移概率矩阵 如果某一个事件处于状态Ei ，那么下一时刻它可能由Ei 转变为E1， E2，…， En中的任何一个状态，所以Pij满足条件： 一般地，将满足上式的任何矩阵都称为随机矩阵或概率矩阵； 如果P为概率矩阵，则对于任何整数m0，矩阵Pm都是概率矩阵； 如果P为概率矩阵，而且存在整数m0，使得概率矩阵Pm中诸元 素皆非零，则称P为标准概率矩阵。 状态转移概率矩阵的计算 计算状态转移概率矩阵P，就是求从每个状态转移到其他任何一个状态的状态转移概率 。 为了求出每一个 ，一般采用频率近似概率的思想进行计算。 例题1:考虑某地区农业收成变化的3个状态，即“丰收”、“平收”和“歉收”。记E1为“丰收”状态，E2为“平收”状态，E3为“歉收”状态。表1给出了该地区1965—2004年期间农业收成的状态变化情况。试计算该地区农业收成变化的状态转移概率矩阵。 表1　某地区农业收成变化的状态转移情况 10 E2 1984 20 E1 1994 30 E2 2004 40 E2 9 E1 1983 19 E3 1993 29 E1 2003 39 E1 8 E2 1982 18 E3 1992 28 E2 2002 38 E3 7 E3 1981 17 E1 1991 27 E2 2001 37 E2 6 E1 1980 16 E2 1990 26 E3 2000 36 E2 5 E2 1979 15 E1 1989 25 E1 1999 35 E1 4 E3 1978 14