系统预测马尔可夫预测.pptx
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_05.gif)
《系统预测马尔可夫预测.pptx》由会员分享,可在线阅读,更多相关《系统预测马尔可夫预测.pptx(53页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、会计学1系统预测马尔可夫预测系统预测马尔可夫预测2一、一、一、一、MarkovMarkov预测原理预测原理预测原理预测原理n nMarkovMarkov过程过程 现实中有这样一类随机过程,在系统状态转移现实中有这样一类随机过程,在系统状态转移过程中,系统将来的状态只与现在的状态有关,而过程中,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。这种性质叫做与过去的状态无关。这种性质叫做无后效性无后效性,符合,符合这种性质的状态转移过程,叫作这种性质的状态转移过程,叫作马尔可夫过程。马尔可夫过程。时间和状态都离散的一系列马尔可夫过程的整时间和状态都离散的一系列马尔可夫过程的整体又称为体又称为马
2、尔可夫链马尔可夫链。第1页/共53页32 2、状态转移概率矩阵、状态转移概率矩阵 设系统共有设系统共有NN个状态,记作个状态,记作S S1 1,S S2 2,S SNN,则用状态向量则用状态向量S S1 1,S S2 2,,S,SNNT T表示。设在表示。设在t tn-1n-1时时刻系统处在刻系统处在S Si i状态之下,状态之下,t tn n时刻系统状态变为时刻系统状态变为S Sj j,则称在第则称在第n n次状态转移中,系统由状态次状态转移中,系统由状态S Si i转移到转移到S Sj j,且这种状态转移的概率记为且这种状态转移的概率记为pxpxn n=S=Sj j|x|xn-1n-1=S
3、=Si i p pij ij (i,j=1,(i,j=1,N,N;n=1,2,n=1,2,)这里这里p pij ij与与n n无关,只与无关,只与i,j i,j有关,即只与转移前后的有关,即只与转移前后的状态有关,称为马尔可夫链的状态有关,称为马尔可夫链的一步转移概率一步转移概率。一、一、一、一、MarkovMarkov预测原理预测原理预测原理预测原理第2页/共53页4例例1 1:出租公司车站租、还车一步转移概率。:出租公司车站租、还车一步转移概率。还车机场风景区宾馆租车机场风景区宾馆0.80.20.20.200.200.80.6一、一、一、一、MarkovMarkov预测原理预测原理预测原理
4、预测原理第3页/共53页5n n一步转移概率矩阵一步转移概率矩阵 如果系统有如果系统有NN个状态,则一步转移概率矩阵如个状态,则一步转移概率矩阵如下:下:一、一、一、一、MarkovMarkov预测原理预测原理预测原理预测原理第4页/共53页6n n概率矩阵的特点概率矩阵的特点n n n n 正规概率矩阵正规概率矩阵 若概率矩阵若概率矩阵P P的的m m次幂次幂P Pm m的所有元素的所有元素皆为正皆为正,则该概率矩阵则该概率矩阵P P称为正规概率矩阵。称为正规概率矩阵。n n 固定向量固定向量 当任一非零向量当任一非零向量u u=(=(u u1 1 u u2 2 u un n)乘以某乘以某n
5、nnn方阵方阵AA,其结果仍为,其结果仍为u u,即,即uAuA=u u时,时,u u为为AA的固定向量。的固定向量。一、一、一、一、MarkovMarkov预测原理预测原理预测原理预测原理第5页/共53页7n n正规概率矩阵的性质正规概率矩阵的性质n n正规概率矩阵正规概率矩阵P P有一个固定概率向量有一个固定概率向量u u,且,且u u的元的元素皆为正,此向量叫做特征向量。素皆为正,此向量叫做特征向量。n n正规概率矩阵正规概率矩阵P P的各次幂序列的各次幂序列P P,P P2 2,P P3 3,将将趋向于方阵趋向于方阵U U,且,且U U的每一行均为其固定概率向的每一行均为其固定概率向量
6、量u u。n n若若F F为为任任一一概概率率向向量量,则则向向量量序序列列FPFP,FPFP2 2,FPFP3 3,将趋近于将趋近于P P的固定概率向量的固定概率向量u u。一、一、一、一、MarkovMarkov预测原理预测原理预测原理预测原理第6页/共53页8n n正规马尔可夫链及其稳定状态正规马尔可夫链及其稳定状态 若某事物状态转移概率可以表达为正规概若某事物状态转移概率可以表达为正规概率矩阵,则该马尔可夫链就是正规的,通过若率矩阵,则该马尔可夫链就是正规的,通过若干步转移,最终会达到某种干步转移,最终会达到某种稳定状态稳定状态,即其后,即其后再转移一次、二次、再转移一次、二次、,结果
7、不再变化,这时,结果不再变化,这时稳定状态可用行向量稳定状态可用行向量X X表示,表示,可见该行向量可见该行向量可见该行向量可见该行向量X X就是此正规概率转移矩阵的固定概率向量。就是此正规概率转移矩阵的固定概率向量。就是此正规概率转移矩阵的固定概率向量。就是此正规概率转移矩阵的固定概率向量。一、一、一、一、MarkovMarkov预测原理预测原理预测原理预测原理第7页/共53页9n n固定概率向量的求解示例固定概率向量的求解示例 例例2 2:设某事物从状态:设某事物从状态S S1 1、S S2 2、S S3 3转移到状态转移到状态S S1 1、S S2 2、S S3 3的转移概率矩阵为正规概
8、率矩阵的转移概率矩阵为正规概率矩阵P P,一、一、一、一、MarkovMarkov预测原理预测原理预测原理预测原理第8页/共53页10 稳态时的特征向量稳态时的特征向量 可求解如下:可求解如下:解此联立方程式得解此联立方程式得X=(0.4,0.2,0.4)一、一、一、一、MarkovMarkov预测原理预测原理预测原理预测原理第9页/共53页11 例例3 3:已知一步转移概率矩阵如下,判断马尔可:已知一步转移概率矩阵如下,判断马尔可夫链是否正规,若正规求出其稳定状态。夫链是否正规,若正规求出其稳定状态。一、一、一、一、MarkovMarkov预测原理预测原理预测原理预测原理第10页/共53页1
9、2n nk k步转移概率矩阵步转移概率矩阵 事物经过事物经过k k步转移的转移概率记为步转移的转移概率记为 p p(S Sn+kn+k=j j/S Sn n=i i)=)=p pij ij(k k),i i,j j=1,2,=1,2,N N,则如下矩阵即为则如下矩阵即为k k步转移概率矩阵步转移概率矩阵 一、一、一、一、MarkovMarkov预测原理预测原理预测原理预测原理第11页/共53页13可以证明:可以证明:即即k步转移概率矩阵为一步转移概率矩阵的步转移概率矩阵为一步转移概率矩阵的k次幂。次幂。一、一、一、一、MarkovMarkov预测原理预测原理预测原理预测原理第12页/共53页1
10、4由定义可知:P(K)=P(K-1)P =P(K-2)P2 =P(K-3)P3 =P(K-K+1)PK-1 =PPK-1 =PK 即,K步转移概率矩阵就是一步转移概率矩阵的K次方。第13页/共53页15应用条件n应用马尔柯夫预测法进行预测时,首先必须将研究的问题归纳成独立的状态;n其次是要确定经过一个时期后,时间由一种状态转变为另一种状态的概率,并且这种概率必须满足下列条件:1.只与目前状态有关;2.与具体的时间周期无关;3.预测期间,状态的个数必须保持不变。第14页/共53页16步骤 如果研究的问题符合上述条件,则构成一阶马尔柯夫链,并可以据此建立预测模型,进行预测。具体步骤如下:第一步,确
11、定系统的状态;第二步,确定转移概率矩阵;第三步,进行预测。第15页/共53页17例4n某公司将最近20个月的商品销售额统计如下,试预测第21个月的商品销售额。二、商品销售额预测二、商品销售额预测二、商品销售额预测二、商品销售额预测第16页/共53页18表1 各月商品销售额 单位:万元月 数 1 2 3 4 5 6 7 8 销售额 40 45 80 120 110 38 40 50月 数 9 10 11 12 13 14 15 16销售额 62 90 110 130 140 120 55 70 月 数 17 18 19 20销售额 45 80 110 120 第17页/共53页19解:n划分状态
12、。n按销售额多少作为划分状态的标准。n状态1滞销:销售额60万元;n状态2平销:60万元销售额100万元;n状态3畅销:销售额100万元。第18页/共53页20则各状态出现的次数Mi为:M1=7;M2=5;M3=8。根据统计数据计算比例数,建立状态转移概率矩阵。第19页/共53页21由状态i转移为状态j的次数记为Mij,n则有:nM11=3;M12=4;M13=0;nM21=1;M22=1;M23=3;nM31=2;M32=0;M33=5。n在计算时,最后一个数据转移到哪个状态时未知的,所以不参加计算。第20页/共53页22转移概率n以转移次数Mij与状态次数Mi之比作为转移概率,则转移概率P
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 系统 预测 马尔可夫
![提示](https://www.taowenge.com/images/bang_tan.gif)
限制150内