已经成功地应用许多场合.它的优点在于依靠现在资料推.pptVIP

马尔可夫预测方法 马尔可夫预测（Markov Forecast）也称为马尔可夫分析，作为一种企业管理的工具,已经成功地应用到许多场合.它的优点在于依靠现在资料推知未来,计算比较精确,适用于中、长期预测.因此，较多地应用于市场需求等诸多领域的预测. 马尔可夫过程定义及其性质 随机变量与随机过程 把随机现象的每个结果对应一个数，这种对应关系称为随机变量.例如某一时间内公共汽车站等车乘客的人数，电话交换台在一定时间内收到的呼叫次数等等，都是随机变量的实例. 随机过程 随机过程是一连串随机事件动态关系的定量描述. 马尔科夫过程与马尔科夫链 设是一随机过程，当过程在时刻所处的状态为已知时，时刻所处的状态与过程在时刻之前的状态无关，这个特性成为无后效性.无后效的随机过程称为马尔科夫过程(Markov Process). 马尔科夫过程中的时间和状态既可以是连续的，又可以是离散的.我们称时间离散、状态离散的马尔科夫过程为马尔科夫链. 为了形象说明“状态”和“状态的转 移”的概念，假设在一个水池中有三 片荷叶，一只青蛙在三片荷叶之间跳 跃玩耍，见图. 箭头表示跳跃的方向，数字表示跳跃的概率，白环表示青蛙保持不动. 马尔可夫预测的应用 * * 1. 马尔可夫过程定义及其性质 2. 遍历性定理与平衡态预测 3. 马尔可夫预测的应用 观察青蛙的活动会发现青蛙的动作是随意的.为讨论方便，我们给荷叶编号，我们关心的是在一定时间内，它从一片荷叶跳到其他两片荷叶的转移结构.当青蛙在第1片荷叶上时，它下一步动作跳跃到第2、3片荷叶上或原地不动，只与现在的位置1有关，而与它以前跳过的路径无关.我们给出这只青蛙从各片荷叶上向另一片荷叶一定移动的转移图，见图. 此图表明：在一定时间内， 当青蛙开始时刻在第1片荷叶上时，它保持不动的概率为0.3，它 跳跃到第2片荷叶上的概率为0.6，跳跃到第3片荷叶上的概率为 0.1； 当青蛙开始时刻在第2片荷叶上时，它保持不动的概率为0.4，它 跳跃到第1片荷叶上的概率为0.2，跳跃到第3片荷叶上的概率为 0.4； 当青蛙开始时刻在第3片荷叶上时，它保持不动的概率为0.5，它 跳跃到第1片荷叶上的概率为0.2，跳跃到第2片荷叶上的概率为 0.3. 称矩阵为一步概率转移矩阵，简称转移矩阵.由于转移矩阵的每行都是独立的分布，所有每行的元素满足下列性质： （8.2） （8.3） 企业设备更新决策 【例8.6】对某种设备每周检查一次,并将它们的状态分为新,优,良,坏,分别用状态1,2,3,4表示.若发现已坏需要一周时间更新.经统计,转移矩阵为 新 优 良 坏 新 优 良 坏 = 假设更新一台设备需要25元；若发现已坏,生产损失为20元.试问,每周更新设备的费用和设备损坏造成的生产损失是多少？ 这个问题可用平衡分析解决.由遍历性定理,只需求出矩阵的固有概率向量.由方程组解出(新,优,良,坏)=( 0.19,0.30,0.32,0.19),于是对每台设备而言,每周的更新费用和生产损失费分别为 更新费=0.1925=4.75 (元)， 损失费=0.1920=3.80 (元)， 共计8.55元. 现在若采取另一种更新策略：一经检查发现设备处于“良”的状态,就马上更新掉,以减少因设备损坏给生产造成的损失.此时,转移矩阵为 新 优 良 = 新 优 良 由方程组 解得 (新,优,良) =(0.28,0.44,0.28) *