Professional Documents
Culture Documents
FT-1-1-Zanjire Markov
FT-1-1-Zanjire Markov
در عوض،معقول بودن فرض وابستگی قیمت در پایان روز تجاری n+1به قیمتهای پایانی قبلی از ظریق قیمت
پایانی روز n
بنابراین معقول بودن فرض وابستگی توزیع شرطی 𝑋𝑛+1با داشتن تمامی قیمتهای پایانی قبلی
𝑛𝑋 𝑋0 ,𝑋۱ ,𝑋۲ , … ,وابسته به قیمت پایانی روز n
فرض مذکور معرفی نوعی فرایند تصادفی با نام «زنجیره مارکوف»
از کجا آمده ام ،آمدنم بهر چه بود!
مارکوف کیست؟!
زنجیرش را کجا بافت!!
پوشکین چکاره است؟
چه شد که اینطور شد؟
از کجا آمده ام ،آمدنم بهر چه بود!
اندری اندرویچ مارکوف
۱۸۵۶ تا ۱۹۲۲مسیحی
دانشجو در سن پترزبورگ
کار با چبیشف
کسب دکتری در سال ۱۸۸۴
استاد در دانشگاه پترزبورگ
آکادیمیسین آکادمی علوم
بازنشستگی در سن ۴۹سالگی ۱۹۰۵
انجام مشهورترین کارهایش پس از بازنشستگی
از کجا آمده ام ،آمدنم بهر چه بود!
ادامة تحقیقات در امتداد کار چبیشف روی قاعدة اعداد بزرگ
مربط با مسئلههای کوزة (گلدان) برنولی
Bernoulli urn Prbs.
عدم صفحه ویکیپدیای فارسی
اشتباه قمارباز
نکراسوف و ارادة آزاد
اعمال داوطلبانه بدون ارتباطات علی انجام میشوند
همانند آزمایشهای مستقل در نظریة احتمال
قانون اعداد بزرگ یا قضیه حد مرکزی صرفا در پدیدههای مستقل مشاهده میشود
قانون اعداد بزرگ در آمار اجتماعی نیز مشاهده شده است
بنابراین افراد آزادانه و با ارادة آزاد عمل میکنند.
مخالفت مارکوف
هدف
استقالل برای قانون اعداد بزرگ الزم نیست
۱۹۰۶
یافتن اولین مدل خاص که قانون اعداد بزرگ برای متغیرهای وابسته و غیرمستقل نیز جاری و ساری است
۱۹۱۱ -۱۹۰۷
تعمیم مدل به انواع مختلفی و وسیعتری از نظامها
۱۹۱۳
اعمال مدل به تحلیل لغوی رمان «یوگینی آنگین»
نویسنده :پوشکین
استقالل کمیتها جزو سازندة شرط الزم برای وجود قانون اعداد بزرگ نیست
جدید بود؟
نشانههای قبلی
مطالعات فرما و پاسکال دربارة پاکباختگی قمارباز
بعضی مدل کوزههای دانیال برنولی
فرایند شاخهزنی گالتون-واتسن
بدون جلب توجه فراوان
استقالل خوب جواب میداد و نیازی به بررسی وابستگی نبود
نبود رایانش ماشینی
مارکوف کاربردی نبود
پروژة «آنگین» مارکوف
https://fa.wikipedia.org/wiki/%DB%8C%D9%88%DA%AF%D9%86%DB%8C_%D8%A2%D9%86%DA%AF%DB%8C%D9%86#/media/%D9%BE%D8%B1%D9
%88%D9%86%D8%AF%D9%87:Yevgeny_Onegin_by_Repin.jpg
پروژة «آنگین» مارکوف
https://fa.wikipedia.org/wiki/%DB%8C%D9%88%DA%AF%D9%86%DB%8C_%D8%A2%D9%86%DA%AF%DB%8C%D9%86#/media/%D9%BE%D8%B1%D9
%88%D9%86%D8%AF%D9%87:Yevgeny_Onegin_by_Repin.jpg
پروژة «آنگین» مارکوف
https://fa.wikipedia.org/wiki/%DB%8C%D9%88%DA%AF%D9%86%DB%8C_%D8%A2%D9%86%DA%AF%DB%8C%D9%86#/media/%D9%BE%D8%B1%D9
%88%D9%86%D8%AF%D9%87:Yevgeny_Onegin_by_Repin.jpg
نظریه اطالعات شانون
استفاده از زنجیره مارکوف در تعریف انتروپی زبان
۱۹۴۸
کلینراک
زنجیره مارکوف با زمان گسسته
زمان گسسته با اندیس … 𝑛 = 0,۱,۲,
𝑛𝑋 نمایشگر حالت در زمان n
} … {𝑋𝑛 ,𝑛 = 0,۱,۲,فرایندی تصادفی
مقدارگیری 𝑛𝑋 از مجموعهای مقادیر متناهی یا شمارا
𝑖 = 𝑛𝑋
فرایند در حالت iدر زمان n
زنجیره مارکوف با زمان گسسته
زنجیره مارکوف (زم)
∀𝑛 ≥ 1, 𝑖, 𝑗, 𝑋𝑘 = 𝑖𝑘 , 𝑘 = 0, … , 𝑛 − 1
𝑃 𝑋𝑛+۱ = 𝑗 𝑋𝑛 = 𝑖, 𝑋𝑛−۱ = 𝑖𝑛−۱ , 𝑋𝑛−۲ = 𝑖𝑛−۲ , 𝑋𝑛−۳ = 𝑖𝑛−۳ , … , 𝑋0 = 𝑖0
= 𝑃 𝑋𝑛+۱ = 𝑗 𝑋𝑛 = 𝑖 = 𝑃𝑖𝑗𝑛,𝑛+1
شرطها
∞σ+
𝑃𝑖𝑗 ≥ 0 و 𝑗=0 𝑃𝑖𝑗 = 1
جمع سطری برابر یک
شرط اخیر :در هر مرحله حتما انتقالی رخ خواهد داد
نمایش گرافی
𝑃𝑖−۱,𝑖−۱ 𝑃𝑖۱,𝑖۱ 𝑃𝑖+۱,𝑖+۱ نمودار انتقال حالت
𝑖𝑃𝑖−۱, 𝑃𝑖,𝑖+۱
𝑛𝑋
نمایشگر حال و احوال مش سکینه
{𝑋𝑛 ,𝑛 ≥ 0}
حالتها
۰. ۵ ۰. ۴ ۰. ۱
P = ۰. ۳ سه حالت یا زنجیره مارکوف سه حالتی
۰. ۴ ۰. ۳
۰. ۲ ۰. ۳ ۰. ۵ شاد یا حالت 0و معمولی یا حالت ۱و غمگین یا حالت ۲
ماتریس انتقال حالت
مثال -تبدیل فرایندی به زنجیره مارکوفی
عدم بارش امروز وابسته به دو روز قبل
اگر دو روز قبل دارای بارش باران ،بارش باران در فردا با احتمال ۰.۷
اگر امروز بارانی و دیروز بدون بارش ،بارش باران فردا با احتمال ۰.۵
اگر امروز بدون باران و دیروز بارش ،بارش باران فردا با احتمال ۰.۴
اگر دو روز بدون بارش ،بارش باران فردا با احتمال ۰.۲
زنجیره مارکوف؟
امکان تبدیل به زنجیره مارکوف
مشخص شدن وضعیت جوی در هر زمان با آبوهوا دیروز و امروز
یا به دیگر سخن -تعریف حالتها
۰. ۷ 0 ۰. ۳ 0
حالت 0بارش باران امروز و دیروز
P = ۰. ۵ ۰. ۵
0 0 حالت ۱عدم بارش باران امروز و بارش باران دیروز
0 ۰. ۴ 0 ۰. ۶ حالت ۲بارش باران امروز و عدم باران دیروز
0 ۰. ۲ 0 ۰. ۸ حالت ۳عدم بارش باران امروز و دیروز
فرض
تعداد ادعاهای بیمه شده متغیر تصادفی پواسن با پارامتر 𝜆
آنگاه تشکیل زنجیره مارکوفی از حالتهای متوالی بیمهشده با احتمال انتقال
𝑘
𝜆
= 𝑗𝑖𝑃 𝑒 −𝜆 , 𝑗 ≥ 0
!𝑘
𝑘:𝑠𝑖 (𝑘)=j
معموال دارای حالتهای فراوان
جدول صفحه بعد نظام پاداش-جریمه با چهار حالت
مثال -حق بیمه ساالنة خودرو
حالت بعدی
مبلغ پرداخت بیمه حالت
≥۳ دو ادعا یک ادعا بدون ادعا
۴ ۳ ۲ ۱ ۲۰۰ ۱
۴ ۴ ۳ ۱ ۲۵۰ ۲
۴ ۴ ۴ ۲ ۴۰ ۳
۴ ۴ ۴ ۳ ۶۰۰ ۴
𝑠۲ 0 = ۱
فرض بیمهشدهای دارای توزیع تصادفی در درخواستهای ساالنه با پارامتر𝜆
𝑎𝑘 احتمال kادعا در طول یک سال
𝑘
𝜆
𝑎𝑘 = 𝑒 −𝜆 , 𝑗 ≥ 0
!𝑘
𝑎0 𝑎۱ 𝑎۲ ۱ − 𝑎0 − 𝑎۱ − 𝑎۲ ماتریس انتقال احتمال
𝑎 0 𝑎۱ ۱ − 𝑎0 − 𝑎۱
P= 0
0 𝑎0 0 ۱ − 𝑎0
0 0 𝑎0 ۱ − 𝑎0
مثال -افتان و خیزان می روی
قدم به راست با احتمال 0 < 𝑝 < ۱
قدم به چپ با احتمال 𝑝 ۱ −
راه مستقیم نمیتواند
حالتها
0, ± ۱, ± ۲, …
تعداد نامتناهی از حالتها
احتمالهای انتقال
𝑃𝑖,𝑖+۱ = 𝑝
𝑃𝑖,𝑖−۱ = ۱ − 𝑝
𝑃𝑖,𝑖+۱ = 𝑝 = ۱ − 𝑃𝑖,𝑖−۱
𝑃𝑖,𝑗 = 0
گام تصادفی (ولگشت)
ولگشت متناهی! شرط بندی
با شرط توقف حرکت با رسیدن به حالتهای 𝐼 = 𝑛𝑋 یا 𝑋𝑛 = 0
𝑋𝑛 = 0پاکباخته -وقتی جیبش خالی میشود
𝐼 = 𝑛𝑋 کل مبلغ را به چنگ میآورد
حالتها تعدادی متناهی 𝐼0,۱, … ,
احتماالت انتقال
𝑃𝑖,𝑖+۱ = 𝑝
𝑃𝑖,𝑖−۱ = ۱ − 𝑝
𝑃𝐼𝐼 = ۱
𝑃00 = ۱
𝑃𝑖,𝑗 = 0 بقیه انتقالها
حالتهای 𝐼 و :0حالت مانا (جذبکننده ،جاذب ،گیرا،گیرنده،تله،پایانی؟) ماندن همیشگی در آن به محض رسیدن به این حالت
حالت گذرا :احتمال ناصفر جهت بازنگشتن به این حالت.
یا تعداد برگشتهای به این حالت نامتناهی نیست.
در مقابل :حالت بازگشتی یا پایا :تعداد برگشت نامتناهی به این حالت
ول گشت دوبعدی
قدمی تصادفی در جهتهای شمال ،جنوب ،شرق ،غرب
انتخاب جهت با احتمال برابر
امکان اظهار حالتها با دو تصادفی ) 𝑛𝑌(𝑋𝑛 ,
برد هر یک
𝑋𝑛 = 0, ± ۱, ± ۲, …
𝑌𝑛 = 0, ± ۱, ± ۲, …
احتمالهای انتقال،صرفا غیر صفر برای نقاط همسایه
۱
شمال P 𝑋𝑛+۱ = 𝑖,𝑌𝑛+۱ = 𝑗 + ۱ = 𝑋𝑛 = 𝑖,𝑌𝑛 = 𝑗 = ۴
۱
جنوب P 𝑋𝑛+۱ = 𝑖,𝑌𝑛+۱ = 𝑗 − ۱ = 𝑋𝑛 = 𝑖,𝑌𝑛 = 𝑗 = ۴
۱
غرب P 𝑋𝑛+۱ = 𝑖 − ۱,𝑌𝑛+۱ = 𝑗 = 𝑋𝑛 = 𝑖,𝑌𝑛 = 𝑗 = ۴
۱
شرق P 𝑋𝑛+۱ = 𝑖 + ۱,𝑌𝑛+۱ = 𝑗 = 𝑋𝑛 = 𝑖,𝑌𝑛 = 𝑗 = ۴
ول گشت
پرسش
امکان بازگشت به مبدأ و نقطة آغاز؟
هماحتمال
یک و دوبعدی
برگشت به مبدأ به طور حتم
با احتمال یک به مبدا برمیگردند
بعد بیشتر از دو
برگشت به مبدا با احتمال کمتر از یک
در سه بعدی احتمال برگشت به مبدا ۰.۳۴
۰.۱۹ و ۰.۱۴و ۰.۱و ۰.۰۸
بیشتر سپستر
ول گشت
فضای dبعدی
𝑖𝒆 بردار یکة dبعدی با مقدار یک در محور iو صفر در بقیة جاها و 𝑑𝑖 ∈ 1, … ,
فرض توزیع شدگی یکسان و مستقل از هم … 𝑿۱ ,𝑿۲ ,𝑿۳ ,
ولگشت ساده
𝑛
∞
سخن کوتاه ماتریس انتقال گام 𝑛 𝑚 +حاصلِ ضربِ -mگام و -nگام است.
محاسبة احتماالت انتقال چندگامی
𝑚 = 𝑛 = ۱یا احتمال انتقال دو گامی
𝑃(۲) = 𝑃𝑃 = 𝑃۲
پسروی بازگشتی از n
𝑛𝑃 = ⋯ = 𝑃𝑃 )𝑃(𝑛) = 𝑃(𝑛−۱) 𝑃 = 𝑃(𝑛−۲
قضیه
ماتریس انتقال احتماالت -nگامی از توان -nاُم ماتریس انتقال حالت بدست میآید یا 𝑛𝑃 = )𝑛(𝑃.
ویژگی خاص
∞
)𝑛( )(𝑛−۱
𝑗𝑖𝑃 𝑘𝑖𝑃 𝑗𝑘𝑃 =
𝑘=0
)(0 𝑗 = 𝑖 ۱,
𝑗𝑖𝑃 =? = ቊ
𝑗 ≠ 𝑖 0,
مثال -پیش بینی وضع هوا
شانس باران فردا
صرفا وابسته به شرایط جوی امروز
احتمال «بارش باران در چهار روز آینده» در صورت بارانی بودن امروز
𝛼 = ۰.۷ احتمال بارش فردا به شرط بارش امروز
𝛽 = ۰.۴ احتمال بارش فردا به شرط عدم بارش امروز
مثال -پیش بینی وضع هوا
شانس باران فردا
صرفا وابسته به شرایط جوی امروز
𝛼 𝛼۱−
=P
𝛽 𝛽۱− احتمال «بارش باران در چهار روز آینده» در صورت بارانی بودن امروز
𝛼 = ۰.۷ احتمال بارش فردا به شرط بارش امروز
۰. ۷ ۰. ۳
=P 𝛽 = ۰.۴ احتمال بارش فردا به شرط عدم بارش امروز
۰. ۴ ۰. ۶
تعریف حالتها
۰. ۶۱ ۰. ۳۹
= 𝑃 ( ۲) = 𝑃 ۲ :0 فرایند در حالت 0در روز بارش
۰. ۵۲ ۰. ۴۸ :۱ فرایند در حالت ۱در روز عدم بارش
۰. ۵۷۴۹ ۰. ۴۲۵۱
= 𝑃(۴) = (𝑃۲ )۲
۰. ۵۶۶۸ ۰. ۴۳۳۲ ایجاد زنجیره مارکوف دو حالتی
۴ = ۰. ۵۷۴۹
𝑃00 احتمالهای انتقال
مثال -تبدیل فرایندی به زنجیره مارکوفی
عدم بارش امروز وابسته به دو روز قبل
۰. ۷ 0 ۰. ۳ 0 اگر دو روز قبل دارای بارش باران ،بارش باران در فردا با احتمال ۰.۷
P = ۰. ۵ ۰. ۵
0 0 اگر امروز بارانی و دیروز بدون بارش ،بارش باران فردا با احتمال ۰.۵
0 ۰. ۴ 0 ۰. ۶ اگر امروز بدون باران و دیروز بارش ،بارش باران فردا با احتمال ۰.۴
0 ۰. ۲ 0 ۰. ۸
اگر دو روز بدون بارش ،بارش باران فردا با احتمال ۰.۲
۰. ۴۹ ۰. ۱۲ ۰. ۲۱ ۰. ۱۸
۰. ۳۰ در صورت بارش در روزهای شنبه و یکشنبه ،احتمال بارش در سهشنبه؟
𝑃(۲) = 𝑃۲ = ۰. ۳۵ ۰. ۲۰ ۰. ۱۵
۰. ۲۰ ۰. ۱۲ ۰. ۲۰ ۰. ۴۸ بارش در سهشنبه معادل قرار گیری فرایند در حالت 0یا ۱
۰. ۱۰ ۰. ۱۶ ۰. ۱۰ ۰. ۶۴ ۲ + 𝑃۲ = ۰.۴۹ + ۰.۱۲ = ۰.۶۱
𝑃00 0۱
مثال -جابجائی توپ رنگی
توپها دارای رنگ قرمز ویا آبی
کیسهای شامل دو توپ
در هر مرحله توپی به تصادف انتخاب و جایگذاری با توپی جدید
احتمال ۰.۸توپ همرنگ
احتمال ۰.۲توپ با رنگ متضاد
حالت آغاز دو توپ سرخ
احتمال اینکه توپ پنجم انتخابی سرخ باشد
حل؟ نیاز به تعریف زنجیره مارکوف مناسب
𝑋𝑛 تعداد توپهای سرخ در کوزه پس از انتخاب -nاُم و جاگذاری متعاقب آن
آنگاه
𝑋𝑛 زنجیره مارکوفی با حالتهای 0و ۱و ۲
جدول انتقال حالت؟
۰. ۸ ۰. ۲ 0
P = ۰. ۱ ۰. ۸ ۰. ۱
0 ۰. ۲ ۰. ۸
مثال -جابجائی توپ رنگی
در هر مرحله توپی به تصادف انتخاب و جایگذاری با توپی جدید
احتمال ۰.۸توپ همرنگ
احتمال ۰.۲توپ با رنگ متضاد
𝑋𝑛 تعداد توپهای سرخ در کوزه پس از انتخاب -nاُم و جاگذاری متعاقب آن
𝑋𝑛 زنجیره مارکوفی با حالتهای 0و ۱و ۲
جدول انتقال حالت؟
𝑃۱0 یعنی یک توپ سرخ در کوزه به 0توپ قرمز مبدل گردد
جهت انجام اینکار باید
۱
ابتدا توپ قرمز کوزه انتخاب شود ( احتمال ؟)
۲
سپس با جانشینی با توپ آبی ( احتمال ۰.۲؟)
۱
پس احتمال 𝑃۱0 = × ۰.۲ = ۰.۱
۲
به طریق اولی محاسبة دیگر مقادیر ماتریس انتقال
جهت یافتن احتمال سرخ بودن در انتخاب چهارم ،نیاز به بررسی تعداد سرخها در کوزه پس از انتخاب چهارم؟
نمایش با 𝑒۵
۲
) 𝑋۴ = 𝑖 𝑃(𝑋۴ = 𝑖|𝑋0 = ۲ق = ) = 𝑃 𝑒۵ق = 𝑃(𝑒۵
𝑖=0
= 0 𝑃۲۴0 + ۰. ۵ 𝑃۲۱
۴ + ۱ 𝑃۴ = ۰. ۵ 𝑃۴ + ۱ 𝑃۴
۲۲ ۲۱ ۲۲
محاسبة 𝑃۴
𝑃۴ = ۰.۴۳۵۲ و ۴ = ۰.۴۸۷۲
𝑃۲۲ ۲۱
پس ⟸
= ۰.۷۰۴۸ ق = 𝑃 𝑒۵
مثال -توزیع در میان کوزه ها
هشت کوزه
توزیع توپها در میان آنها
احتمال خالی نبودن دقیقا سه کوزه پس از توزیع ۹توپ
][راس
][زانال
] [هایزB. Hayes, “First Links in the Markov Chain,” American Scientist, V. 101, pp. 92-97, Mar-Apr 2013.