【随机过程-学习笔记】(1)--马尔科夫链的定义与转移概率与绝对概率

这篇具有很好参考价值的文章主要介绍了【随机过程-学习笔记】(1)--马尔科夫链的定义与转移概率与绝对概率。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

【随机过程-学习笔记】(1)–马尔科夫链的定义与转移概率与绝对概率

一、马尔科夫链

  1. 马尔科夫链的出现
    具有马氏性,是指今天与昨天有关,但与前天无关(广义理解)。 p ( x t ∣ x t − 1 , x t − 2 , . . . x t − n ) = p ( x t ∣ x t − 1 ) p(x_t|x_{t-1},x_{t-2},...x_{t-n})=p(x_t|x_{t-1}) p(xtxt1,xt2,...xtn)=p(xtxt1), x t x_t xt为今天, x t − 1 x_{t-1} xt1为昨天,因此, x t x_t xt只与昨天有关。
    t 0 t_0 t0时刻所在的样本空间( Ω \Omega Ω),在马尔科夫中被称为状态空间,并且 t 0 t_0 t0中的各样本点 X t 0 X_{t_0} Xt0是随机变量,可以随机选取、也可以连续选取;
    马尔可夫转移概率,概率论与数理统计,学习,概率论
    然后, t 0 t_0 t0 t 1 t_1 t1之间,是时间空间,具体的时间间隔,可以随机选取、也可以连续选取;
    因此,具体的选取过程如下:
    ① 状态空间=>离散,时间空间=>离散,称为马氏科夫链;↓
    马尔可夫转移概率,概率论与数理统计,学习,概率论
    ② 状态空间=>离散,时间空间=>连续,称为马尔科夫过程;↓
    马尔可夫转移概率,概率论与数理统计,学习,概率论
    ③ 状态空间=>连续,时间空间=>离散,称为马尔科夫列;
    ④ 状态空间=>连续,时间空间=>连续,称为扩散过程。
  2. 马氏科夫链
    ① 马氏科夫链的解释
    任意取第 n + 1 {n+1} n+1步,如图:
    马尔可夫转移概率,概率论与数理统计,学习,概率论
    那么两步之间的联系可以被表示为:
    马尔可夫转移概率,概率论与数理统计,学习,概率论
    其中,时刻为 t n t_n tn t n + 1 t_{n+1} tn+1时,都取离散的随机变量,因此{ X n , n ∈ N X_n,n\in N Xn,nN}的过程被称为马尔科夫链,写法上,表示为
    马尔可夫转移概率,概率论与数理统计,学习,概率论
    ② 转移与转移概率
    马尔可夫转移概率,概率论与数理统计,学习,概率论
    而,转移概率,则被表示为:
    马尔可夫转移概率,概率论与数理统计,学习,概率论
    若知道,如果发生 p ( x n + 1 ) p(x_{n+1}) p(xn+1)的前提是已经发生 p ( x n ) p(x_{n}) p(xn),因此从状态 i i i转移到状态 j j j,就需要有 p ( x n ) p(x_{n}) p(xn)为基础,同时还要考虑转移概率 p ( x i j ( n ) ) p(x_{ij}(n)) p(xij(n)),才能够得到 p ( x n + 1 ) p(x_{n+1}) p(xn+1)。进一步的,可以得出:
    马尔可夫转移概率,概率论与数理统计,学习,概率论
    那么,状态转移概率 p ( x i j ( n ) ) p(x_{ij}(n)) p(xij(n))便理解为: n n n时刻由状态 i i i转移到状态 j j j
    ③ 相对概率与绝对概率
    需要注意,转移概率不是状态 i i i的概率,也不是状态 j j j的概率,反应出的是过程,是指走一步的动态
    而面对与时间无关(时齐)的情况下,即静止状态时,发生的概率,是指n时刻下取各个值的概率。因为静止时,各值是离散的,随机变量 X n X_n Xn的取值则包含若干的,例如包含1,2,3,共3个状态,那么这些状态的概率被表称为绝对概率,也是静止概率,表示为 π i ( n ) \pi _i(n) πi(n) n n n时刻 p ( X n = i ) p(X_n=i) p(Xn=i)
    马尔可夫转移概率,概率论与数理统计,学习,概率论
    π n ( 1 ) \pi _n(1) πn(1) π n ( 2 ) \pi _n(2) πn(2) π n ( 3 ) \pi _n(3) πn(3)。指 n n n时刻包含的全部状态。
    马尔可夫转移概率,概率论与数理统计,学习,概率论
    那么在静态下,由状态n到状态n+1,能够得出n+1状态下的转移概率矩阵。
    马尔可夫转移概率,概率论与数理统计,学习,概率论

有时间参与时,需要加入 n n n,即绝对概率 P ( n ) P(n) P(n)。时齐时,没有 n n n的参与,为相对概率 P P P文章来源地址https://www.toymoban.com/news/detail-800319.html

到了这里,关于【随机过程-学习笔记】(1)--马尔科夫链的定义与转移概率与绝对概率的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 阿白数模笔记之灰色-马尔科夫模型(Grey Markov model)

    目录 前言(preface) GM(1,1) 简介(brief introdution)  ①级比检验(Grade ratio test) ②建立GM(1,1)模型 Ⅰ、邻值生成序列(Adjacent value generating sequence ) Ⅱ、回归分析(regression analysis) Ⅲ、残差检验(Residual test) Markov chain ① 转移概率矩阵(Transition probability matrix) ②状态分布向

    2024年02月09日
    浏览(40)
  • 强化学习从基础到进阶-案例与实践[2]:马尔科夫决策、贝尔曼方程、动态规划、策略价值迭代

    【强化学习原理+项目专栏】必看系列:单智能体、多智能体算法原理+项目实战、相关技巧(调参、画图等、趣味项目实现、学术应用项目实现 专栏详细介绍 :【强化学习原理+项目专栏】必看系列:单智能体、多智能体算法原理+项目实战、相关技巧(调参、画图等、趣味项

    2024年02月15日
    浏览(133)
  • 马尔科夫状态转移矩阵

    一、马尔科夫状态转移矩阵性质 1. 每个时间点处在某一个状态,时间是离散的。 2. 每次到下一个时间点时按照图进行随机状态转移。 3. 假如某时的状态是个统计分布(看做向量),那么用状态转移矩阵(权值)乘这个向量就得下一时刻的状态。马尔可夫链的状态数可以是有

    2024年02月13日
    浏览(43)
  • 马尔科夫链(Markov Chain)

    马尔可夫性(Markov Property)是指系统的下一个状态 仅与当前状态有关,而与以前的状态无关 (即无记忆性(memorylessness),系统不记得当前状态以前的状态,仅仅基于当前状态来决定下一个时刻转移到什么状态) 如果指标集(index set)是连续的,则称为连续时间马尔可夫链(Continuou

    2024年02月05日
    浏览(32)
  • 强化学习从基础到进阶-常见问题和面试必知必答[2]:马尔科夫决策、贝尔曼方程、动态规划、策略价值迭代

    马尔可夫性质(Markov property,MP) :如果某一个过程未来的状态与过去的状态无关,只由现在的状态决定,那么其具有马尔可夫性质。换句话说,一个状态的下一个状态只取决于它的当前状态,而与它当前状态之前的状态都没有关系。 马尔可夫链(Markov chain) : 概率论和数

    2024年03月26日
    浏览(50)
  • 初识马尔科夫模型(Markov Model)

    马尔科夫模型(Markov Model)是一种概率模型,用于描述随机系统中随时间变化的概率分布。马尔科夫模型基于马尔科夫假设,即当前状态只与其前一个状态相关,与其他状态无关。 马尔科夫模型具有如下几个性质: ① 马尔科夫性 :即马尔科夫模型的下一个状态只与当前状态

    2024年02月04日
    浏览(27)
  • python之马尔科夫链(Markov Chain)

    马尔可夫链(Markov Chain)是一种随机过程,具有“马尔可夫性质”,即在给定当前状态的条件下,未来状态的概率分布仅依赖于当前状态,而与过去状态无关。马尔可夫链在很多领域都有广泛的应用,包括蒙特卡洛方法、统计物理学、自然语言处理等。 马尔可夫链的一般定义

    2024年02月21日
    浏览(41)
  • 8.(Python数模)(预测模型一)马尔科夫链预测

    马尔科夫链是一种进行预测的方法,常用于系统未来时刻情况只和现在有关, 而与过去无关 。 用下面这个例子来讲述马尔科夫链。 如何预测下一时刻计算机发生故障的概率? 当前状态只存在0(故障状态)和1(正常状态)两种,每种状态下各存在两个未来状态(00,01,11,10)

    2024年02月09日
    浏览(43)
  • 15、条件概率、全概率公式、贝叶斯公式、马尔科夫链

    定义:设A、B是两个事件,且,P(A) 0 则称 为事件A发生的条件下事件B的条件概率 对这个式子进行变形,即可得到概率的乘法公式: P(A) 0 时,则 P(B) 0 时,则 乍一看,这个式子不就是把除法形式写成了乘法形式嘛,不然不然,这个区别是本质的,分母不为0很关键,而且看法也

    2024年02月13日
    浏览(44)
  • 语音识别的进展:从隐马尔科夫模型到Transformers

    语音识别,也称为语音转文本,是一种将人类语音信号转换为文本的技术。它在人工智能领域具有重要的应用价值,例如语音助手、语音密码等。语音识别技术的发展历程可以分为以下几个阶段: 早期语音识别技术(1950年代至1970年代):这一阶段的语音识别技术主要基于隐

    2024年02月03日
    浏览(52)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包