Professional Documents
Culture Documents
Seminarski rad
Markovljevi
lanci
sa
diskretnim parametrima
Mentor
Prof. dr Slobodan Radojevic
Student
Andrija Petrovic 2015/D7
SADRZAJ
Sadrzaj
1 Uvod
2 Markovljevi lanci
2.1
2.2
2.2.1
2.3
Metod dijagonalizacije . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4
2.5
3 Ehrenfestov model
3.1
4 Zakljucak
14
Literatura
15
MARKOVLJEVI LANCI
Uvod
Veliki broj dogadaja koji je razmatran u okviru klasicne teorije verovatnoce i statistike
bavi se nezavisnim uzastopnim realizacijama istih slucajno promenjivih. Vrednost opita
slucajne promenjive ni na koji nacin ne utice na vrednost iste usled ponavljanja eksperimenta. Moguca stanja slucajne promenjive nakon realizacije dogadaja jednaka su kao i pre
realizacije istog, sto znaci da zakon verovatnoce ni na koji nacin nije povezan sa trenutnim
ili proslim stanjima slucajne promenjive. Jasnije receno znanje o prethodnim stanjima realizovanog dogadaja ne utice na ishode eksperimenta u buducnosti (bacanje kockica, rulet
itd.). 1907. godine Andrej Andrejevic Markov zapoceo je studiju o slucajnim dogadajima
cije trenutno stanje utice na naredno stanje istog u slucaju ponavljanja opita.
Markovljevih procesi su oni stohasticki procesi cije buduce stanje zavisi samo od
trenutnog stanja i to svojstvo zovemo svojstvo odsustva pamcenja (memoryless property )
[6] . Postoje dva osnovna tipa Markovljevih procesa:
1. Diskretni Markovljevi lanci - prelazak iz jednog u drugo stanje odvija se u
diskretnim tackama, na primer posmatraju se vremenski trenuci t0 , t1 , t2 , . . . , tn ;
2. Kontinualni Markovljevi lanci - lanci menjaju stanje kontinualno;
U okviru rada bice izlozen kratki sazetak diskretnih diskretnih Markovljevih lanaca sa
najvaznijim teoremama koji se ticu istih u cilju pokazivanja primene Markovljevih lanaca
radi preciznog objasnjenja pojmova difuzije gasova i drugog principa termodinamike. Teoreme ce biti izlozene bez dokaza koji se mogu pogledati u okviru nabrojane literature.
Markovljevi lanci
(1)
2
p11
(2)
p11
(1)
(3)
p01
(1)
(2)
p00
(3)
p01
p11
(2)
p01
MARKOVLJEVI LANCI
0
(3)
p00
p00
Opsti clan matrice prelaznih verovatnoca nakon n koraka zadat je sa pij , a matrica
prelaznih verovatnoca je:
i
h
(n)
(2)
P(n) = pij
Moze se videti da je zbir elemenata svakog reda ove matrice jednak 1.
U opstem slucaju matrica prelaznih verovatnoca moze zavisiti od svakog koraka,
odnosno posle svakog stanja prelazne verovatnoce se mogu menjati, sto je i prikazano na
slici 1.
2.1
Teorema 2.1. Ukoliko je P matrica prelaznih verovatnoca Markovljevog lanca. Clan
(n)
n
pij u okviru matrice P predstavlja verovatnocu da ce Markovljev lanac iz stanja si
n koraka.
P (X3 = 3|X1 = 1) =
3
X
(3)
i=1
pij =
k
X
pik pkj
(4)
i=1
MARKOVLJEVI LANCI
moguc prelazak iz svakog stanja u sva druga stanja iz jednog ili vise koraka. U mnogim
knjigama ovakav Markovljev lanac se naziva ireducibilan [4].
lim Pn = W
(5)
2.2
2.2.1
Ova metoda odnosi se na postavljanje sistema od r linearnih jednacina, koji odgovaraju r nezavisno promenjivih, od kojih je r 1 jednacina posledica teoreme 2.3, dok
je poslednja jednacina jednaka zbiru nepoznatih stacionarnih vrednosti verovatnoca koji
iznosi 1 [7]. Odredivanje vektora verovatnoce svodi se na odredivanje svojstvenog vektora
matrice.
PT p = p
(6)
X
pi = 1
(7)
i
MARKOVLJEVI LANCI
PT p = p I
(8)
=0
(PT I) p
(10)
PT p p I = 0
(9)
p11 . . . p1n
0
1 . . . 1 p1
1
.
(11)
.. . .
.. .. = ..
.
.
.
.
pn
pn1 . . . pnn
0
Resavanje postavljenog sistema linearnih jednacina moze se obaviti nekom od numerickih
metoda kao sto su metod Gausove eliminacije ili iterativnim metodama.
2.3
Metod dijagonalizacije
S obzirom na to da su svojstveni vektori koji odgovaraju razlicitim svojstvenim vrednostima medusobno linearno nezavisni tada postoji baza prostora kojeg cine svojstveni
vektori. Ukoliko su to vektor v1 , v2 , . . . , vn sledi da je:
A(v1 ) = 1 v1 , . . . , A(vn ) = 1 vn
(12)
Usled toga matrica A u novoj bazi je dijagonalna matrica D, ciji su elementi svojstvene
vrednosti matrice A.
Teorema 2.4. Ako postoji n linearno nezavisnih svojstenih vektora onda se matrica
moze dijagonalizovati sto je i osnovni uslov dijagonalizacije matrice.
Iz jednacine 12 moze se lako pokazati da se bilo koja matrica moze prikazati posredstvom
dijagonalne matrice D i matrice S ciji su elementi svojstveni vektori.
A = S1 D S
(13)
Na osnovu recenog sada se na laksi nacin moze izracunati n-ta potencija matrice A.
A2 = (S1 D S) (S1 D S) = S1 D2 S
(14)
An = S1 Dn S
(15)
MARKOVLJEVI LANCI
p32
p11
3
p33
p21
p23
W = lim Pn
(17)
Postoji i uproscena metoda dijagonalizacije, za izracunavanja matrica prelaznih verovatnoca, koja vazi samo za Markovljeve lance sa dva stanja. Ova metoda se naziva
metoda spektralne dekompozicije. Detaljno objasnjenje metode moze se pogledati u [5].
2.4
aposrbuje stanje ukoliko nije moguce isto napustiti nakon ulaska, odnosno verovatnoca
prelaza iz stanja si u stanje si jednaka je pii = 1 [7]. Markovljev lanac koji ima bar
jedno ovakvo stanje naziva se apsorpcioni Markovljev lanac. Ukoliko sa P obelezimo
matricu prelaznih verovatnoca stanja koja nisu apsorpciona sledi da za n P 0.
Za razliku od regularnog Markovljevog lanca koji je aperiodican, pozitivno rekurtan (ergodicki i makar jedno stanje lanca je dostupno iz samog sebe u ocekivanom broju
koraka koji je manji od beskoncnog) apsorpcioni lanac iako ergodicki nije pozitivno rekurtan. Opsti tip matrice prelaznih verovatnoca jednog od apsorpcionih Markovljevih lanaca
izgleda ovako:
P=
(18)
..
..
..
.
.
.
.
.
.
pn1 pn2 . . .
pnn
MARKOVLJEVI LANCI
Teorema 2.5 (Fundamentalna matrica). Fundamentalna matrica N je jednaka matrici (I Q1 ) i njeni clanovi nij predstavljaju broj ocekivanog prolaska kroz stanje
sj ukoliko je pocetno stanje si pre dolaska u apsorpciono stanje.
Ocekivan broj koraka pocevsi iz stanja si pre nego sto lanac dode u apsorpciono stanje
izracunava se posredstvom vektora proizvoda fundametalne matrice i jedinicnog vektora
N c. Novo uvedeni pojmovi bitni su za racunanje ocekivanog broja koraka i ocekivanog
broja koraka pri vracanju u pocetno stanje kod ergodickih Markovljevih lanaca.
2.5
Ukoliko ergodicki Markovljev lanac polazi iz stanja si ocekivan broj koraka da stigne
u stanje sj se obelezava kao mij , a odgovarajuca matrica M. Na osnovu konvencije clan
mii = 0. Jedan od mogucih nacina izracunavanja ocekivanog broja koraka mij je preko
fundamentalne matrice apsorpcionih Markovljevih lanaca. Ako zamislimo da je stanje sj
ergodickog lanca apsorpciono stanje onda posredstvom proizvoda fundamentalne matrice
i jedinicnog izracunava se ocekivan broj koraka.
Velicina koja denise ocekivan broj koraka koji ce proteci pri vracanju lanca u stanje
si iz koga je krenuo naziva se ocekivan broj koraka pri vracanju. Ako ergodicki Markovljev
lanac polazi iz stanja si , onda je ocekivan broj koraka da se isti vrati u stanje si obelezen
sa ri , odnosno odgovarajucim vektorom r.
Teorema 2.6. Kod ergodickih Markovljevih lanaca ocekivan broj koraka pri vracanju
izracunava se kao reciprocna vrednost vektora stacionarnih verovatnoca, odnosno:
ri =
1
wi
(19)
Z = (I P + W)1
(20)
zjj zij
wj
(21)
EHRENFESTOV MODEL
Ehrenfestov model
Ehrenfestov model, nazvan po naucniku Polu Ehrenfestu, je jednostavan model zasnovan na Markovljevim lancima cija se primena ogleda u mogucnosti objasnjenja difuzije
u gasova i potvrde drugog principa termodinamike [3]. Model se zasniva na razmeni molekula izmedu dva dela prostora. U cilju jasnijeg objasnjenja osnovni model se moze
prikazati kao prelazak m loptica iz jednog sesira u drugi i obrnuto. Loptice predstavljaju
molekule, dok sesiri predstavljaju odvojene delove prostora. Posmatra se stanje sistema u
koracima n N, i posmatra se broj loptica u prvom sesiru posredstvom slucajne velicine
X = {X0 , X1 , . . . , Xn }, dok su moguca stanja sistema (broj loptica u prvom sesiru)
obelezena kao S = {0, 1, . . . , m}. U okviru osnovnog Ehrenfestovog modela u svakom
trenutku vremena izabrana je proizvoljna loptica i prebacena iz prvog sesira u drugi sesir.
S obzirom da se broj loptica nakon svakog korak u prvom sesiru povecava ili smanjuje,
odgovarajuci clanovi matrice prelazne verovatnoce, za broj loptica m, se mogu prikazati
na sledeci nacin.
x
(22)
P (x, x 1) =
m
mx
P (x, x + 1) =
(23)
m
Odnosno matrica prelazne verovatnoce u opstem obliku bi izgledala kao:
0 1
0
0
... 0 0
m1
1
0
0
. . . 0 0
m
m
2
m
2
P=
(24)
0
0
. . . 0 0
m
m
.
..
..
..
. . .. ..
..
. . .
.
.
.
0 0
0
0
... 1 0
Markovljev lanac u Ehrenfestovom model je ergodicki s obzirom da se iz svakog stanja
moze dospeti u bilo koje drugo stanje: Isti je i pozitivno rekurtan jer se u svako stanje
moze dospeti u konacnom broju koraka. S obzirom na to da se povratak u pocetno
stanje moze obaviti samo u parnim koracima lanac je periodican sa korakom 2, stoga je
neregularan. Na slici 3 prikazan je osnovni Ehrenfestov model.
Na primeru osnovnog Ehrenfestovog modela sa 4 molekula (loptice) bice prikazani svi
parametri koji su prethodno pomenuti. Matrica prelazne verovatnoce je za ovaj slucaj:
0 1 0 0 0
1
3
0
0
0
4
4
1
1
(25)
P = 0
0
0
2
2
3
1
0
0 0
4
4
0 0 0 1 0
Za postavljen model prvo je potrebno odrediti matrice prelazne verovatnoce posle n
8
EHRENFESTOV MODEL
mi
m
2
i
m
Ps=sPs = sI
(P I) s = 0
det(P I) = 0
(26)
(27)
(28)
1
0
0
0
1
3
0
0
4
4
5 3
1
1
=0
det(P I) = 0
0 = 5 +
4
4
2
2
1
3
0
0
4
4
0
0
0
1
(29)
1 0
0
0 0
0 1
0
0 0
D = 0 0 0.5 0 0
(30)
0 0
0
0 0
0 0
0
0 0.5
0, 4472
0, 4472
S =
0, 4472
0, 4472
0, 4472
0, 1398
0, 1398
S1 =
0, 3953
0, 5449
0, 3953
EHRENFESTOV MODEL
0, 4472
0, 6325 0, 6882 0, 6325
0, 4472 0, 3162
0
0, 3162
0, 4472
0
0, 2294
0
0, 4472
0, 3162
0
0, 3162
0, 4472 0, 6325 0, 6882
0, 6325
0, 7906
0
0, 7906 0, 3953
0
1, 0897
0
0, 5449
0, 7906
0
0, 7906
0, 3953
(31)
(32)
P3 = S1 D3 S
(33)
D3
(34)
P3
P3
1
0
0
0
0
0 (1)3
0
0
0
3
0
(0.5) 0
0
=
0
0
0
0
03
0
0
0
0
0 (0.5)3
3
1
0
0
0
0
0 (1)3
0
0
0
1
3
0
(0.5) 0
0
= S 0
S
2
0
0
0
0
0
0
0
0
0 (0.5)3
0
0, 625
0
0, 375
0
0, 1563
0
0, 75
0
0, 0938
0
0, 5
0, 5
0
=
0
0, 0938
0
0, 75
02
0, 1563
0
0
0, 375 0, 625
0
(35)
(36)
0 0, 25 0
0
0
1
0
0, 5
0
0
0
0,
75
0
0,
75
0
P =
(37)
0
0
0, 5
0
1
0
0
0 0, 25 0
1 0, 25 0
0
0
1
1 0, 5
0
0
0
0,
75
1
0,
75
0
PT I =
(38)
0
0
0.5 1
1
0
0
0 0, 25 1
10
EHRENFESTOV MODEL
Zamenom jednog reda, matrice u jednacini 38, sa jednacinom 7 dobija se sledeci sistem linearnih jednacina cije resenje daje vektor stacionarnih vrednosti verovatnoca.
1 0, 25 0
0
0
p0
0
1
1 0.5
0
0 p1 0
0 0, 75 1 0, 75 0 p2 = 0
(39)
0
0, 5 1 1
p3
0
1
1
1
1
1
p4
1
Cijim
resavanjem sledi da su vektor stacionarnih vrednosti verovatnoca i stacionarna
matrica prelaznih verovatnoca jednake:
p = 0, 0625 0, 25 0, 375 0, 25 0, 0625
(40)
0,
0625
0,
25
0,
375
0,
25
0,
0625
W =
(41)
(42)
1, 1354
0, 7917 0, 1875 0, 5417 0, 1979
0, 1979
1, 0417
0.1875 0, 2917 0, 1354
0, 125
0, 8125
0, 1250 0, 0313
Z =
(43)
0, 0313
0, 1354 0, 2917
0, 1875
1, 0417
0, 1979
0, 1979 0, 5417 0, 1875
0, 7917
1, 1354
0
1
2.6667 6.3333 21.3333
15
0
1, 6667 5, 3333 20, 3333
0
3, 6667 18, 6667
M =
(44)
18, 6667 3, 6667
0
1
21, 3333 6, 3333 2, 6667
1
0
Na osnovu stacionarne vrednosti verovatnoca moze se dokazati da je raspodela verovatnoca
slucajne promenjive X jednaka binomnoj raspodeli X : B(m; 0.5), odnosno.
m
Pn (k) = P (x = k) =
0, 5k 0, 5mk
(45)
k
11
EHRENFESTOV MODEL
120
110
broj molekula
100
90
80
70
60
50
40
0
200
400
600
800
1000
1200
1400
1600
1800
2000
korak
3.1
0, 5 1
0
0
... 0 0
m1
1
0, 5
0
... 0 0
2m
2m
2
m2
P=
(46)
0
0,
5
.
.
.
0
0
m
2m
.
..
..
..
..
. . ..
..
. .
.
.
.
.
0
0
0
0
. . . 1 0, 5
Na slici 5 predstavljen je kod u Matlabu za izracunavanje modikovanog i osnovnog modela, dok je na slici 6 prikazan rezultat simulacije za modikovan model pri istim ulaznim
podacima kao za osnovni model.
12
EHRENFESTOV MODEL
ZAKLJUCAK
120
110
broj molekula
100
90
80
70
60
50
0
200
400
600
800
1000
1200
1400
1600
1800
2000
korak
Zakljucak
14
LITERATURA
Literatura
[1] Richard Bellman and Theodore Harris. Recurrence times for the ehrenfest model.
Pacic J. Math, 1(2):179193, 1951.
[2] Wai Ki Ching and Michael K Ng. Markov chains. Springer, 2006.
[3] Bernard Friedman. A simple urn model. Communications on Pure and Applied Mathematics, 2(1):5970, 1949.
[4] Marius Iosifescu. Finite Markov processes and their applications. Courier Corporation,
2014.
[5] John G Kemeny and James Laurie Snell. Finite markov chains, volume 356. van
Nostrand Princeton, NJ, 1960.
[6] James R Norris. Markov chains. Cambridge university press, 1998.
[7] Laurent Salo-Coste. Lectures on nite Markov chains, pages 301413. Springer, 1997.
15