Где будущее только зависит от настоящего
Что такое цепи Маркова и установившиеся вероятности
Все о цепях Маркова и стационарных вероятностях.
Помимо доказательства центральной предельной теоремы, Андрей Андреевич Марков сыграл ключевую роль в разработке марковских цепей. Цепи Маркова используются для моделирования случайных процессов в дискретном времени и в дискретном пространстве с приложениями в нескольких областях, включая финансы, рекламу, НЛП, SEO, физику и т. д. сосредоточиться на вычислении стационарных вероятностей для данной цепи Маркова.
Резюме:
Прежде чем мы углубимся в суть цепи Маркова, давайте уделим немного времени определению фундаментальных понятий теории вероятностей.
- Случайная переменная:
- Случайная переменная – это переменная, результат которой зависит от случайного явления. Например, подбрасывание монеты или температура в течение всего года.
- Непрерывная случайная величина — это переменная, которая может принимать бесконечное число возможных значений. Температуры в течение года могут принимать бесконечные значения в пределах диапазона и могут рассматриваться как непрерывная случайная величина.
- Дискретная случайная величина — это переменная, которая может принимать конечное число возможных значений.
- Например, подбрасывание монеты может привести к выпадению орла или решки, и, следовательно, это пример дискретной случайной величины.
2. Случайный процесс:
- Случайный процесс — это набор случайных величин. Обычно индексируется по времени.
- Когда у нас есть случайный процесс X(t), где t может принимать действительные значения в интервале на реальной линии, тогда X(t) является непрерывным во времени случайным процессом.
- Точно так же дискретный по времени случайный процесс — это процесс
Где J — счетное (конечное) множество.
- Случайный процесс с непрерывным значением — это процесс, в котором каждая случайная величина в процессе является непрерывной случайной величиной.
- Точно так же случайный процесс с дискретным значением — это процесс, в котором каждая случайная величина является дискретной случайной величиной.
Цепь Маркова:
- Цепь Маркова – это дискретный по времени случайный процесс с дискретным значением, который следует этому марковскому свойству.
- Математически цепь Маркова обозначается как
Где для каждого момента времени n процесс принимает значение из дискретного набора, определяемого формулой
- Для цепи Маркова свойство Маркова утверждает, что распределение вероятностей следующего состояния (будущего) зависит только от распределения вероятностей текущее состояние.
Математически,
Давайте рассмотрим простую цепь Маркова с двумя состояниями следующим образом:
Визуальное объяснение цепи Маркова от Виктора Пауэлла и Льюиса Лехе — лучшее, что я встречал до сих пор. Видно, что цепь Маркова может переходить из данного состояния в другое состояние (включая себя) с вероятностью 0,5.
Матрица перехода пространства состояний (матрица перехода AKA):
- Матрица перехода в пространство состояний представляет собой квадратную матрицу размера n x n, которая описывает стохастическое поведение цепи Маркова.
- Например, цепь Маркова с двумя состояниями может быть математически выражена с использованием переходной матрицы 2 x 2.
- Рассмотрим цепь Маркова с состояниями A, B и C. Цепь Маркова может переходить из одного состояния в другое с определенной вероятностью.
- Затем матрица перехода в пространство состояний может быть определена следующим образом:
Вектор состояния:
- Вектор состояния на любом шаге n — это вектор вероятностей каждого состояния, сумма которых равна 1.
Переход цепи Маркова:
Учитывая матрицу перехода, соответствующую цепи Маркова, и начальный вектор состояния, мы можем найти вектор состояния на шаге 1, используя следующую формулу:
Точно так же векторы состояния вероятности для последующих шагов могут быть найдены с использованием результатов предыдущего шага.
Устойчивая вероятность:
- Стационарное поведение цепи Маркова — это долгосрочная вероятность того, что система будет находиться в каждом состоянии.
- Другими словами, любое количество переходов, применяемых к системам, не влияет на вектор состояния, т. е. текущее поведение системы будет продолжаться в будущем.
Математически,
Нахождение вероятностей устойчивого состояния:
- Часто желательно понять долгосрочное поведение цепи Маркова.
- Для вычисления стационарных вероятностей цепи Маркова мы воспользуемся некоторыми старыми друзьями из линейной алгебры — собственными значениями и собственными векторами.
- Собственный вектор — это вектор, направление которого остается неизменным при применении к нему линейного преобразования.
Математически,
- Сравнивая уравнения установившихся вероятностей и собственных векторов, легко увидеть, что вектор установившегося состояния — это собственный вектор с собственным значением 1.
- Программно вычислить собственные векторы матрицы довольно просто.
[Бонус] Все ли цепи Маркова сходятся к уникальному устойчивому состоянию независимо от начального состояния?
- Оказывается, только неприводимые и апериодические цепи Маркова сходятся к единственной стационарной вероятности.
- Такие цепи Маркова называются эргодическими цепями Маркова.
- Цепь Маркова неприводима, если в графе переходов существует путь из каждого состояния в любое другое состояние.
- Редактировать: Как указал Xmaster, важно отметить, что неприводимость подразумевает, что независимо от текущего состояния мы можем достичь любого другого состояния за конечное время. Ссылка: здесь
- Неприводимая цепь Маркова называется периодической, если существует некоторое t такое, что существует состояние «s», которое можно посетить только за время t, 2t, 3t, … шагов. Если цепь Маркова не периодична, ее называют апериодической.
Давайте поговорим:
Инвестирование на основе новостей: стоит ли это делать?
Расшифровка влияния новостей, способ «умного инвестораmedium.datadriveninvestor.com»