马尔可夫预测演示幻灯片.pptVIP

马尔可夫预测方法是根据俄国数学家马尔可夫 (Markov) 的随机过程理论提出来的，它主要是通过研究系统对象的状态转移概率来进行预测的。;一变量x，能随机地取数据（但不能准确地预言它取何值），而对于每一个数值或某一个范围内的值有一定的概率，那么称x为随机变量。 假定随机变量的可能值xi发生概率为Pi 即P(x = xi) = Pi 对于xi的所有n个可能值，有离散型随机变量分布列： ∑Pi = 1 对于连续型随机变量，有 ∫P(x)dx = 1 ;1、状态：系统在某时刻出现的某种结果。 常用Ei表示（i=1，2，…，N）。 2、状态变量Xt=i：表示系统在时刻t处于 Ei 。 3、状态转移：系统由一种状态转移为另一种状态。常用Ei →Ej表示。;状态举例： 例1：人民生活水平可分为三种水平状态：温 饱、小康、富裕。 例2：企业经营状况可分为：盈利、不盈不亏、 亏损。 例3：商品销售状况可分为：畅销、平销、滞 销。 状态转移举例： 例4：营业情况由盈利→亏损。 例5：商品由畅销→滞销。;1、无后效性：如果系统在状态转移过程中，系统将来的状态只与现在的状态有关，而与过去的状态无关。这种特性称为无后效性或马尔柯夫性。 例：本月库存只与本月调入调出、损耗及上月底库存有关。 2、遍历性：又称稳定性，若转移概率矩阵不变，系统状态经过许多步转移之后将逐渐达到稳定的状态，且与系统的初始状态无关。 例：市场最终占有率。;池塘里有三张荷叶，我们将它们编号为1，2，3，有一只青蛙随机地在荷叶上跳来跳去，假设在初始时刻t0，它在第一张荷叶上，在t1时刻，它有可能跳到第二张或者第三张荷叶上，也有可能在原地不动。;四、马尔柯夫链;0≤ Pij ≤1 ∑ Pij =1;在多步转移中，k步转移概率记为： Pij（k）=P（Ei k Ej）=P（ xn+k =j∣ xn =i） （i，j=1，2，…，N） 所有Pij（k）构成的矩阵;例：设一步转移矩阵为：; 设系统有N个状态Ei（i=1，2，…，N），用Pi表示系统在k时期处于状态Ei（i=1，2，…，N）的概率，所有概率 所构成的向量，称为状态概率向量 。其中： 0≤Pi（k）≤1 （i=1，2，…，N） ∑ Pi（k）=1 当k=0时， 反映系统在初始时状态概率的分布情况，称为起始状态概率分布。 ;解：状态转移概率为;例2 设味精市场的销售记录共有 6 年 24 个季度的数据，见表。求味精销售转移概率矩阵。;季度;季度;季度;例：某经济系统有三种状态 （如畅销、一般、滞销），系统地转移情况见下表，试求系统的二步状态转移概率矩阵。 解：首先是写出一步状态转移 ; 由一步转移概率矩阵求出，由公式 计算得：;例：某商店在最近20个月的商品销售量统计记录如下：;2、计算初始概率 Pi 为使问题更为直观，绘制销售量散点图如下，并画出 状态分界线。 由图可算出处于： 滞销状态的有： M1= 7 一般状态的有： M2= 5 畅销状态的有： M3= 8;3、计算初始转移概率矩阵 计算状态转移概率时，最后一个数据不参加计算，因为它究 竟转到哪个状态尚不清楚。 M11= 3， M12= 4， M13= 0， M21= 1， M22= 1， M23= 3， M31= 2， M32= 0， M33= 5 从而： P11= 3/7， P12= 4/7， P13= 0/7， P21= 1/5， P22= 1/5， P23= 3/5， P31= 2/7， P32= 0/7， P33= 5/7;4、预测第21月的销售情况 由于第20月的销售情况属于畅销状态，而经由一次转移到达三种状态的概率是： P31= 2/7， P32= 0/7， P33= 5/7 P33 ＞ P32 ＞ P31 因此，第21月超过100千件的可能性最大。 即预测第21月的销售状态是“畅销”。;二