Просмотр исходного текста страницы Расчёт вероятности поглощения в состоянии

Поглощающее(существенное) состояние цепи Маркова - состояние с вероятностью перехода в самого себя <tex>p_{ii}=1</tex>.
Составим матрицу G, элементы которой <tex>g_{ij}</tex> равны вероятности того, что, выйдя из i, попадём в поглощающее состояние j.
{{Теорема
|statement=
<tex> G = N \cdot R </tex>
|proof=
Пусть этот переход будет осуществлён за r шагов:  i &rarr;  <tex>i_{1}</tex> &rarr; <tex>i_{2}</tex> &rarr; ... &rarr; <tex>i_{r-1}</tex> &rarr; j, где все <tex>i, i_{1}, ... i_{r-1}</tex> являются несущественными.
Тогда рассмотрим сумму <tex>\sum\limits_{\forall(i_{1} ... i_{r-1})} {p_{i, i_{1}} \cdot p_{i_{1}, i_{2}} \cdot ... \cdot p_{i_{r-1}, j}} = Q^{r-1} \cdot R</tex>, где Q - матрица переходов между несущественными состояниями, R - из несущественного в существенное. 
Матрица G определяется их суммированием по всем длинам пути из i в j: <tex>G = \sum\limits_{r = 1}^{\infty}{Q^{r-1} \cdot R} = (I + Q + Q^{2} + Q^{3} + ...) \cdot R = NR</tex>, т.к. <tex>(I + Q + Q^2 + ...) \cdot (I - Q) = I - Q + Q - Q^{2} + ... = I</tex>, а фундаментальная матрица марковской цепи <tex>N = (I - Q)^{-1}</tex> }}
=Псевдокод=
Пусть <tex>n</tex> - количество состояний Марковской цепи, <tex>m</tex> - количество переходов. Состояния пронумерованы от <tex>0</tex> до <tex>n - 1</tex>, переходы от <tex>0</tex> до <tex>m - 1</tex>.  Входные данные хранятся в массиве <tex>input</tex> где <tex>i</tex>-ая строка характеризует <tex>i</tex>-ый переход таким образом: <tex>input[i][2]</tex> - вероятность перехода из состояния <tex>input[i][0]</tex> в состояние <tex>input[i][1]</tex>.
Создадим массив <tex>absorbing</tex> типа boolean, где <tex>i</tex>-ое true обозначает что <tex>i</tex>-ое состояние является поглощающим и наоборот. Обнаружим поглощающие состояния по такому признаку: если состояние поглощающее, то с вероятностью 1 оно переходит само в себя. Также посчитаем количество поглощающих состояний <tex>abs</tex>.
<code style = "display: inline-block;">
 '''for''' i = 0 '''to''' m - 1
    '''if''' input[i][0] == input[i][1] '''and''' input[i][2] == 1
       absorbing[input[i][0]] = ''true''
       abs++
</code>
Найдем число несущественных состояний <tex>nonabs = n - abs</tex>. Теперь нужно заполнить матрицы <tex>Q</tex> (переходов между несущественными состояниями) и <tex>R</tex> (переходов из несущественных состояний в поглощающие). Для этого создадим сначала массив <tex>position</tex> где <tex>i</tex>-ый элемент указывает под каким номером будет находиться <tex>i</tex>-ое состояние среди существенных если оно существенное или несущественных в обратном случае, и заполним эти массивы.
<code style = "display: inline-block;">
 count_q = 0
 count_r = 0
 '''for''' i = 0 '''to''' n - 1
    '''if''' absorbing[i]
       position[i] = count_r
       count_r++
    '''else''' 
       position[i] = count_q
       count_q++
 '''for''' i = 0 '''to''' m - 1
    '''if''' absorbing[input[i][1]]
       '''if''' !absorbing[input[i][0]]
          R[position[input[i][0]]][position[input[i][1]]] = input[i][2]
    '''else'''
       Q[position[input[i][0]]][position[input[i][1]]] = input[i][2]
</code>
Найдем Матрицу <tex>E = I - Q</tex> и создадим единичную матрицу <tex>N</tex>.
<code style = "display: inline-block;">
 '''for''' i = 0 '''to''' nonabs - 1
    N[i][i] = 1
    E[i][i] = 1
    '''for''' j = 0 '''to''' nonabs - 1
       E[i][j] -= Q[i][j]  
</code>
Теперь приведем матрицу <tex>E</tex> к единичной методом Гаусса - Жордана, применяя те же преобразования к матрице <tex>N</tex>.
<code style = "display: inline-block;">
 '''for''' i = 0 '''to''' nonabs - 1
    '''if''' E[i][i] <tex> \neq </tex> 1
       mul = E[i][i]
       '''for''' j = 0 '''to''' nonabs - 1
          E[i][j] /= mul
          N[i][j] /= mul
    '''for''' row = 0 '''to''' nonabs - 1
       '''if''' i <tex> \neq </tex> row
          mul = E[row][i]
          '''for''' j = 0 '''to''' nonabs - 1
             E[row][j] -= mul * E[i][j]
             N[row][j] -= mul * N[i][j]
</code>
В результате <tex>N = E^{-1}</tex>  т.е. <tex>N</tex> - фундаментальная матрица Марковской цепи. Найдем матрицу <tex>G = NR</tex>.
<code style = "display: inline-block;">
 '''for''' i = 0 '''to''' nonabs - 1
    '''for''' j = 0 '''to''' abs - 1
       G[i][j] = 0
       '''for''' k = 0 '''to''' nonabs - 1
          G[i][j] += N[i][k] * R[k][j]
</code>
Выведем ответ: в <tex>i</tex>-ой строке вероятность поглощения в <tex>i</tex>-ом состоянии. Естественно, для несущественного состояния это <tex>0</tex>, в ином случае <tex>p_i=(($$\sum_{k=1}^n G[k][j]$$)+1)/n</tex> где <tex>j</tex> - номер соответствующий <tex>i</tex>-ому состоянию в матрице <tex>G</tex> (т.е. под которым оно располагалось в матрице <tex>R</tex> т.е. значение <tex>position[i]</tex>). Прибавлять 1 нужно т.к. вероятность поглотиться в <tex>i</tex>-ом поглощающем состоянии, оказавшись изначально в нем же равна 1.
<code style = "display: inline-block;">
 '''for''' i = 0 '''to''' n - 1
    prob = 0
    '''if''' absorbing[i]
       '''for''' j = 0 '''to''' nonabs - 1
          prob += G[j][position[i]]
       prob++
       prob /= n
    println(prob)
</code>

=Литература=
* [http://ru.wikipedia.org/wiki/%D0%A6%D0%B5%D0%BF%D1%8C_%28%D0%BC%D0%B0%D1%82%D0%B5%D0%BC.%29 Википедия - Цепи Маркова]
* Кемени Дж., Снелл Дж. "Конечные цепи Маркова".

[[Категория:Дискретная математика и алгоритмы]]

[[Категория: Марковские цепи ]]