Bài tập lớn đại số tuyến tính Nhóm 02

ĐẠI HỌC QUỐC GIA TP. HCM

ĐẠI HỌC BÁCH KHOA THÀNH PHỐ HỒ CHÍ MINH


BÁO CÁO
BÀI TẬP LỚN
ĐẠI SỐ TUYẾN TÍNH
Giáo viên hướng dẫn: Nguyễn Xuân Mỹ
Lớp: L01 Nhóm thực hiện: Nhóm 02
Họ và tên Mã số sinh viên
1. Đặng Trung Dũng 2012859
2. Nguyễn Đức Duy 1610470
3. Phạm Nhật Phương Duy 2012835
4. Nguyễn Thanh Hải 2013074
5. Phan Thanh Hải 2013077
6. Lê Trương Ngọc Hân 2011170
7. Trương Huỳnh Gia Hân 2013114
8. Nguyễn Thị Thu Hằng 2013104
9. Nguyễn Xuân Hòa 2013254
Bài tập lớn đại số tuyến tính Nhóm 02

ĐẠI HỌC QUỐC GIA TP. HCM

ĐẠI HỌC BÁCH KHOA THÀNH PHỐ HỒ
CHÍ MINH


BÁO CÁO
BÀI TẬP LỚN
ĐẠI SỐ TUYẾN TÍNH
Giáo viên hướng dẫn: Nguyễn Xuân Mỹ
Lớp: L01
Nhóm thực hiện: Nhóm 02 Đề tài: 14
Họ và tên Mã số sinh viên
1. Đặng Trung Dũng 2012859
2. Nguyễn Đức Duy 1610470
3. Phạm Nhật Phương Duy 2012835
4. Nguyễn Thanh Hải 2013074
5. Phan Thanh Hải 2013077
6. Lê Trương Ngọc Hân 2011170
7. Trương Huỳnh Gia Hân 2013114
8. Nguyễn Thị Thu Hằng 2013104
9. Nguyễn Xuân Hòa 2013254

2
Bài tập lớn đại số tuyến tính Nhóm 02

MỤC LỤC

TRANG
A.PHẦN MỞ ĐẦU………………………………………….. 4

B.PHẦN NỘI DUNG……………………………………….. 5

I. Đề tài bài tập lớp……………………………………….. 5
1. Giới thiệu mô hình Markok
2. Viết chương trình dung mô hình Markok
giải một bài toán cụ thể
3. Tìm các ứng dụng khác nhau của mô hình Markov
II. Giới thiệu ma trận Markok…………………….………. 5
1. Cơ sở lý thuyết……………………………………. 5
2. Bài toán đặt ra…………………………………….. 9
III. Đoạn code trên Latex…….………………...…………. 12
IV. Ứng dụng khác của mô hình Markov……...…………. 13
1.Trong trò chơi……………….…………………….. 14
2. Trong khảo sát các chuỗi trạng thái…...………….. 16
3. Chính sách thay thế thiết bị vật tư………………… 17
C. LINK THAM KHẢO…………………………………..… 21
*Báo cáo gồm: 21 trang.

3
Bài tập lớn đại số tuyến tính Nhóm 02

LỜI MỞ ĐẦU
Toán học từ xa xưa đã trở thành một trong những công cụ giúp con người khám phá
thế giới. Có thể nói, Toán học đã giúp con người tính toán và thậm chí dự đoán những sự
việc sắp xảy ra dựa trên những sự kiện đã xảy ra. Trong những lĩnh vực trọng điểm như kinh
tế, máy tính, kỹ thuật,... Toán học đóng vai trò là một công cụ mạnh mẽ để tính toán và mô
phỏng các lý thuyết đang được nghiên cứu và từ đó áp dụng các lý thuyết đó vào thực tế.
Đại số tuyến tính là một lĩnh vực lớn trong Toán học và đó cũng là một trong những
lĩnh vực được sử dụng vào thực tế nhiều nhất. Ngày nay, Đại Số Tuyến Tính (ĐSTT) được
áp dụng vào kinh tế, nghiên cứu khoa học, máy tính, kỹ thuật,... Một trong những ứng dụng
lớn mà ta thường thấy là ma trận Markov. Ma trận này thường được sử sụng để ước lượng
xác xuất xảy ra của một sự kiện nằm trong một chuỗi sự kiện cho trước. Nhờ vào đó, các nhà
nghiên cứu có thể đưa ra các quyết định chính xác hơn mà không cần phải thông qua nhiều
lần thí nghiệm.
Trong lý thuyết xác suất , Mô hình Markov là mô hình ngẫu nhiên được sử dụng để
mô hình hệ thống thay đổi ngẫu nhiên. Giả định rằng các trạng thái trong tương lai chỉ phụ
thuộc vào trạng thái hiện tại, không phụ thuộc vào các sự kiện xảy ra trước nó (nghĩa là
nó giả định thuộc tính Markov ). Nói chung, giả định này cho phép lập luận và tính toán với
mô hình mà nếu không thì không thể đọc được . Vì lý do này, trong các trường của mô hình
dự đoán và dự báo xác suất , mô hình nhất định được mong muốn thể hiện thuộc tính
Markov.
Trong phần Bài tập lớn này, chúng em chủ yếu tập trung nghiên cứu và giải thích về
ma trận Markov và những ứng dụng cơ bản của ma trận này vào thực tế. Đồng thời, chúng
em cũng đưa ra một vài ví dụ về những vấn đề trong cuộc sống và tìm lời giải cho những bài
toán đó thông qua ma trận Markov. Qua phần Bài tập lớn này, chúng em hy vọng có thể làm
rõ được ý nghĩa cũng như tầm quan trọng của ma trận Markov trong các lĩnh vực nghiên cứu
khác nhau.



B. PHẦN NỘI DUNG

I. ĐỀ TÀI BÀI TẬP LỚN
1. Giới thiệu mô hình Markok
2. Viết chương trình dung mô hình Markok giải một bài toán cụ thể
3. Tìm các ứng dụng khác nhau của mô hình Markov

4
Bài tập lớn đại số tuyến tính Nhóm 02

II. GIỚI THIỆU MA TRẬN MARKOV

1. Cơ Sở Lý Thuyết
1.1 Sơ lược về Markov và ma trận Markov:
1.1.1 Sơ lược về Markov:

Markov (14/6/1856 − 20/7/1922)

Markov, sinh ngày 16/6/1956 ở Ryazan − Nga và mất ngày 20/7/1922 tại St. Petersburg,
tên đầy đủ là Andrey (Andrei) Andreyevich Markov. Ông là một nhà toán học người Nga và
được biết đến với những công trình về quá trình ngẫu nhiên trong đó nổi bật như xích
Markov hay quá trình Markov. Ông học tại Đại học St. Petersburg rồi nhận bằng thạc sỹ
và tiến sỹ tại đây. Đồng thời, ông cũng là giáo sư giảng dạy tại Đại học St. Petersburg và là
thành viên của Học viên Khoa học Nga. Ông công bố kết quả nghiên cứu của mình lần đầu
tiên vào năm 1906 Markov và người em trai của ông Vladimir Andreevich Markov (1871–
1897) đã chứng minh được bất đẳng thức anh em Markov. Con trai của ông cũng tên là
Andrei Andreevich Markov (1903–1979), cũng là nhà toán học đáng chú ý, đóng góp cho
ngành toán học kiến thiết và lý thuyết hàm đệ quy. Markov về hưu năm 1905 và vẫn tiếp tục
sự nghiệp giảng dạy của mình ở Đại học đến cuối đời. Nghiên cứu của ông về Xích Markov
là tiền đề cho việc nghiên cứu về Quá trình ngẫu nhiên với hàng loạt những ứng dụng trong
thực tế.

5
Bài tập lớn đại số tuyến tính Nhóm 02

1.1.2 Xích Markov

Trong lý thuyết xác suất và các lĩnh vực liên quan, quá trình Markov (đặt theo tên của
ông) là một quá trình ngẫu nhiên thỏa mãn một tính chất đặc biệt, gọi là tính chất Markov
(còn gọi là tính mất trí nhớ). Tính chất này giúp dự báo được tương lai chỉ dựa vào trạng thái
hiện tại. Điều này cũng có nghĩa trạng thái tương lai và quá khứ là độc lập nhau. Tuy nhiên
về sau, quá trình Markov được mở rộng thành Markov bậc cao, trong đó tương lai phụ thuộc
vào hiện tại và một quãng thời gian nào đó trong quá khứ.
Xích Markov là quá trình Markov đặc biệt mà trong đó hoặc có trạng thái rời rạc hoặc
thời gian rời rạc. Quá trình Markov được nhà toán học Markov bắt đầu nghiên cứu từ khoảng
đầu thế kỷ 20 mặc dù có nhiều nghiên cứu hàng trăm năm trước đó về quá trình này nhưng
dưới dạng các biến ngẫu nhiên phụ thuộc. Hai ví dụ quan trọng nhất của quá trình Markov là
quá trình Wiener (hay chuyển động Brownian) và quá trình Poisson. Hai quá trình này được
coi là quan trọng nhất và là trung tâm của lý thuyết quá trình ngẫu nhiên. Xích Markov có rất
nhiều ứng dụng với vai trò là các mô hình xác suất trong các quá trình thực tế. Thuật toán
được biết đến là PageRank được thực hiện khởi nguồn cho công cụ tìm kiếm của Google
được dựa trên xích Markov.
Ta xét một hệ thống kinh tế hoặc một hệ thống vật chất S với m trạng thái có thể, ký
hiệu bởi tập I:
I = 1, 2, 3, ..., m
hệ thống S tiến hóa ngẫu nhiên trong thời gian rời rạc (t = 1, 2, 3, ..., n, ...), và đặt C n là biến
ngẫu nhiên tương ứng với trạng thái của hệ thống S ở thời điểm n (C n∈ I).

Định nghĩa 1.1:

Dãy biến ngẫu nhiên (C n, n ∈ n) là một xích Markov nếu và chỉ nếu với tất cả c 0, c 1, ..., c n∈I:

P r(C n= c n| C 0=c 0, C 1= c 1, ... , C n=c b ) = P r(Cn = cn | Cn−1 = cn−1)

(với điều kiện xác suất này có nghĩa)

1.1.3 Mô hình Markov

Mô hình Markov là một phương pháp ngẫu nhiên để thay đổi ngẫu nhiên các hệ thống
trong đó giả định rằng các trạng thái trong tương lai không phụ thuộc vào các trạng thái trong
quá khứ. Các mô hình này hiển thị tất cả các trạng thái có thể xảy ra cũng như sự chuyển đổi,
tốc độ chuyển đổi và xác suất giữa chúng.
Mô hình Markov thường được sử dụng để mô hình hóa xác suất của các trạng thái
khác nhau và tốc độ chuyển đổi giữa chúng. Phương pháp này thường được sử dụng để mô
6
Bài tập lớn đại số tuyến tính Nhóm 02

hình hóa hệ thống. Mô hình Markov cũng có thể được sử dụng để nhận dạng các mẫu, đưa ra
dự đoán và để tìm hiểu thống kê của dữ liệu tuần tự.
Mô hình Markov có thể được biểu diễn dưới dạng phương trình hoặc mô hình đồ họa.
Các mô hình Graphic Markov thường sử dụng các vòng tròn (mỗi trạng thái chứa các trạng
thái) và các mũi tên chỉ hướng để chỉ ra các thay đổi chuyển tiếp có thể xảy ra giữa chúng.
Các mũi tên chỉ hướng được gắn nhãn tỷ lệ hoặc một biến cho tỷ lệ. Các ứng dụng của mô
hình Markov bao gồm ngôn ngữ mô hình hóa, xử lý ngôn ngữ tự nhiên (NLP), xử lý hình
ảnh, tin sinh học, nhận dạng giọng nói và mô hình hóa các hệ thống phần cứng và phần mềm
máy tính.

Ví dụ 1.1
Trong một khu phố có 1000 hộ dân. Trong đó có 200 hộ đi siêu thị A, 500 hộ đi
siêu thị B, 300 hộ đi siêu thị C. Khảo sát cho thấy ,sau mỗi tháng có 10% khách
hàng của A chuyển sang B và 10% chuyển qua C; có 7% khách hàng của B
chuyển sang A và 3% chuyển sang C; có 8.3% khách hàng của C chuyển sang A
và 6.7% chuyển sang B .
a/ Lập ma trận chuyển P
b/ Cho biết ý nghĩa của p23
c/ Tìm số lượng khách hàng ở mỗi siêu thị tháng thứ 3

10

10
A B 3 C
7
6,7
8,3
Hình 1: Ví dụ mô hình Markov

Giải

( )
200
X =
Đặt 0 500
300

( )
0.8 0.07 0.083
a/ Ma trận chuyển P= 0.1 0.9 0.067
0.1 0.03 0.85

b/ p23 là tỉ lệ khách hàng chuyển từ siêu thị C sang siêu thị B

7
Bài tập lớn đại số tuyến tính Nhóm 02

c/ Ta có : X n=Pn . X 0

=> Số lượng khách hàng ở mỗi siêu thị tháng thứ 3 là:

( )( ) ( )
0.8 0.07 0.083 3 200 244,72
3
X 3 =P . X 0= 0.1 0.9 0.067 . 500 = 476,66
0.1 0.03 0.85 300 278,62

*Mô Hình Markov Ẩn:

Một trong những ví dụ về Mô hình Markov là vẽ quả cầu từ bình ẩn

Hình 2: Ví dụ về ứng dụng của Mô hình Markov trong vẽ quả cầu từ bình ẩn.
Ở dạng rời rạc, quy trình Markov ẩn có thể được hình dung dưới dạng tổng quát của
bài toán urn với sự thay thế (trong đó mỗi mục từ urn là trở lại bình gốc trước khi bước tiếp
theo).
Hãy xem xét ví dụ này: Trong một căn phòng mà người quan sát không thể nhìn thấy có
một thần đèn. Phòng chứa các bình X1, X2, X3, ... mỗi bình chứa một hỗn hợp bóng đã biết,
mỗi bóng có nhãn y1, y2, y3, .... Thần đèn chọn một chiếc lọ trong phòng đó và rút ngẫu
nhiên một quả bóng từ chiếc lọ đó. Sau đó, nó đặt quả bóng lên một băng chuyền, nơi người
quan sát có thể quan sát trình tự của các quả bóng nhưng không phải trình tự của các bình mà
chúng được rút ra. Thần đèn có một số thủ tục để chọn bình; việc lựa chọn chiếc lọ cho quả
bóng thứ n chỉ phụ thuộc vào một số ngẫu nhiên và sự lựa chọn chiếc lọ cho quả bóng thứ (n
- 1). Việc lựa chọn bình không phụ thuộc trực tiếp vào các bình được chọn trước bình duy
nhất trước đó; do đó, đây được gọi là quá trình Markov. Nó có thể được mô tả bởi phần
trên của Hình 2.

Bản thân quá trình Markov không thể được quan sát, chỉ có chuỗi các quả bóng được
dán nhãn, do đó sự sắp xếp này được gọi là "quá trình Markov ẩn". Điều này được minh
họa bằng phần dưới của biểu đồ trong Hình 2, nơi người ta có thể thấy rằng các bóng y1, y2,
y3, y4 có thể được vẽ ở mỗi trạng thái. Ngay cả khi người quan sát biết thành phần của các
8
Bài tập lớn đại số tuyến tính Nhóm 02

bình và vừa quan sát thấy một chuỗi ba quả bóng, ví dụ: y1, y2 và y3 trên băng chuyền,
người quan sát vẫn không thể chắc chắn được thần đèn (tức là ở trạng thái nào) thần đèn đã
rút quả bóng thứ ba từ đó.

Tuy nhiên, người quan sát có thể tìm ra các thông tin khác, chẳng hạn như khả năng
quả bóng thứ ba đến từ mỗi chiếc bình.

1.1.4 Ma trận chuyển 1 bước

Gọi Pij là xác suất quá mà một quấ trình chuyển từ trạng thái j sang trạng thái i. Từ đó ta có
∞
Pij > 0 , ∑ Pij = 1 , j=0,1,2,…..
i=0

Định nghĩa 1.2

Ma trận chứa xác suất chuyển đổi từ trạng thái i sang trạng thái j, Pij

[ ]
P00 P01 ...
P = P10 P11 ...
⋮ ⋮ ⋮

được gọi là ma trận chuyển xác suất một bước của quá trình.

Ví dụ 1.2
Xét bài toán như sau: Có hai cửa hàng A và B, một nghiên cứu cho thấy xác suất một khách
hàng của cửa hàng A sẽ chuyển sang cửa hàng B sau mỗi lần mua sắm là α(> 0) và xác suất
khách hàng của của hàng B sẽ chuyển sang của hàng A sau mỗi lần mua sắm là β(> 0). Tính
xác suất để người khách vẫn mua sắm ở của hàng A sau 1 lần mua sắm.

α
1-α
B A
1-β
β

Hình 4: Ví dụ mô hình Markov 1 bước

Giải:

9
Bài tập lớn đại số tuyến tính Nhóm 02

Gọi P00 là xác suất chuyển từ cửa hàng A sang cửa hàng A, P01 là xác suất chuyển từ cửa
hàng A sang cửa hàng B, P10 là xác suất chuyển từ cửa hàng B sang cửa hàng A, P11 là xác
suất chuyển từ cửa hàng B sang cửa hàng B. Dễ thấy, các xác suất chuyển lần lượt là:

{
P 00=1−α
P10=α
P01=β
=> P= [ 1−αα β
1− β ]
P11=1−β

1.1.5 Ma trận chuyển n bước

Gọi Pij là xác suất chuyển từ trạng thái i đến trạng thái j sau n lần chuyển.
Nói rõ hơn, Pij(1) = Pij .

Định nghĩa 1.3

P
(n )
= Pn khi P(n ) là ma trận chuyển bước thứ n và P là ma trận
chuyển bước thứ 1

Chứng minh quy nạp:

Ta đã biết định nghĩa trên đúng với n = 1, giả sử định nghĩa trên đúng với mọi số nguyên
dương n, ta được:
P = P×P×P×……×P
n

n lần

Chứng minh định lý đúng với k = n + 1:

Pij(n+1 ) = ∑ Pmi(n) P jm(1 ) = ∑ Pmin P mj = [ Pn+1 ]ij

m∈ R m∈ R

Theo quy nạp, định lý trên đúng với mọi n là số nguyên dương.

10
Bài tập lớn đại số tuyến tính Nhóm 02

Hình 6: Ví dụ mô hình Markov (n + 1) bước

Lấy bài toán ở Ví dụ 1.2, yêu cầu tính xác suất của một khách hàng ở cửa hàng B tiếp tục
mua sắm ở của hàng B sau 4 lần mua sắm. Cho α = 0.4 và β = 0.7.

[ ] [ ]
4
0,6 0,7 0,6364 0,6363
P(4) = P4 = =
0,3636 0,3637
0,4 0,3

=> Như vậy, xác suất để khách hàng của cửa hàng B quay lại mua sắm ở cửa hàng B sau 4
lần là P11(4 ) = 0.3637
Cho một chuỗi Markov có trạng thái thuộc 0, 1, 2, . . .. Giả sử tại thời điểm n = 0, xác
suất quá trình ở trạng thái i là a i , i = 0, 1, 2, .... Xác xuất quá trình ở trạng thái i chuyển sang
trạng thái j sau n bước chuyển là:
Pij(n) = Pij(n) với Pij là xác suất sau 1 bước chuyển từ trạng thái i sang trạng thài j của quá trình.
Xác suất quá trình ở trạng thái j sau n lần chuyển là:
∞ ∞

∑ P( X ¿ ¿ i) ¿ × Pij(n) = ∑ ai × [ Pn ]ij
0

i=0 i=0

Gọi:
X
(n)
=(~
X (n) ~(n)
0 , X 1 , …..)

là xác suất phân phối của các trạng thái trong quy trình chuỗi Markov ở bước chuyển thứ n.
∞
~(n)
Ở đây, ~
X i là xác suất quá trình từ trạng thái i thành trạng thái j sau n bước chuyển và ∑ X i
(n)

i=0

=1
Dễ dàng thấy được:
X
(n+1)
= P. X (n)

11
Bài tập lớn đại số tuyến tính Nhóm 02

Và
X
(n+1)
= P(n +1). X (0)

Ta lại lấy từ ví dụ phía trên, nếu tại n = 0, một khách hàng ở cửa hàng B, ta có thể biểu diễn
thông tin trên bằng:
X
(0)
= (~
X (0) ~(0 ) T
0 , X 1 ) = (0 , 1)
T

Điều sẽ xảy ra trong lần mua sắm thứ 4 của vị khách đó là:

[ ]
4
0,6 0,7
X (n+1) = P(n +1). X (0) = × (0 , 1)T = (0,6363 ; 0,3637)T
0,4 0,3

Điều này có nghĩa là xác suất vị khách đó tiếp tục mua sắm ở cửa hàng B là 0.3637 và xác
suất vị khách hàng đó chuyển sang mua sắm ở của hàng A là 0.6363 trong lần mua sắm thứ
4.

III. ĐOẠN CODE TRÊN LATEX

\documentclass{article}
\usepackage[utf8]{vietnam}
\usepackage{amsmath}
\usepackage{amsfonts}
\usepackage{amssymb}
\usepackage{graphics}

\begin{document}

\textbf{Ví dụ} : 3 siêu thị A, B, C lần lượt có 200, 500, 300 hành khách ban đầu. Sau mỗi
tháng có 10\% khách hàng chuyển từ A sang B; 10 \% khách hàng chuyển từ A sang C ;
7\% khách hàng chuyển từ B sang A; 3 \% từ B sang C ; 6.7 \% từ C sang B; 8.3 \%
chuyển từ C sang A. Hỏi lượng khách hàng của siêu thị là bao nhiêu sau n tháng ?
\\ Hình
\\
Ma trận Markov \\
P=
$\begin{pmatrix}
0.8&0.07&0.083\\
0.1&0.9&0.067\\
0.1&0.03&0.85
\end{pmatrix}$\\
$\rightarrow$ Dự đoán n tháng sau siêu thị có lượng khách hàng là :
\[ X_n = P^n. X_0 \]\\
\end{document}

12
Bài tập lớn đại số tuyến tính Nhóm 02

Ví dụ : 3 siêu thị A, B, C lần lượt có 200, 500, 300 hành khách ban đầu. Sau mỗi tháng có
10% khách hàng chuyển từ A sang B; 10 % khách hàng chuyển từ A sang C ; 7% khách hàng
chuyển từ B sang A; 3 % từ B sang C ; 6.7 % từ C sang B; 8.3 % chuyển từ C sang A. Hỏi
lượng khách hàng của siêu thị là bao nhiêu sau n tháng ? Hình
Ma trận Markov

P=
→ Dự đoán n tháng sau siêu thị có lượng khách hàng là : X n=Pn X 0

IV. ỨNG DỤNG KHÁC CỦA MÔ HÌNH MARKOV

1. Trong trò chơi.
Mô hình Markov được sử dụng trong rất nhiều game có yếu tố ngẫu nhiên (xúc xắc, đồng
xu,…) như Snakes and Ladders, Monopoly (cờ tỷ phú), cờ cá ngựa ....v.v
Chúng ta có thể sử dụng mô hình Markov để tính xác xuất chiến thắng sau mỗi bước đi
trong các trò chơi trên.

Snakes and Ladders.

13
Bài tập lớn đại số tuyến tính Nhóm 02

-Giả sử ta có game Snakes and Ladders như hình bên với luật chơi như sau:
+Trò chơi này sẽ bắt đầu từ ô số 1, số lượt di chuyển sẽ được tính theo số điểm
mà bạn xúc xắc được. 
+Cứ thực hiện theo cách chơi Snakes and Ladders như vậy cho đến khi nào đến
ô số 100. Người nào đến ô 100 trước sẽ là người thắng. 
(Trong bài toán này, ta giả sử không có rắn và thang để đơn giản bài toán)

-Như vậy, vị trí ban đầu của người chơi có thể biểu thị bằng ma trận , ma trận

Markov biểu thị nước đi sẽ là được biểu thị bên dưới (giả sử không có rắn và thang
để đơn giản bài toán):

Sau 1 lượt đi, vị trí của người chơi sẽ là:

Có nghĩa là sẽ có 1/6 tỷ lệ người chơi sẽ đến ô số 2, 1/6 tỷ lệ tới ô số 3....

Sau n lượt vị trí của người chơi sẽ là:

Bằng cách thay n vào phép toán trên, có thể tính được tỷ lệ vị trí của người chơi sau
bất kì lượt nào.

14
Bài tập lớn đại số tuyến tính Nhóm 02

Tiếp tục tính như vậy, ta có thể lập 1 đồ thị thể hiện xác xuất để kết thúc trò chơi với
giả thiết trên:

Có thể thấy, 50% người chơi sẽ hoàn thành trò chơi này sau 29 lượt. Phù hợp với thực
tế là trung bình mỗi lượt chơi người ta sẽ tiến được 3,5 bước về phía trước.
Để tính trường hợp đầy đủ của trò chơi, tức có rắn và thang, ta chỉ cần thay đổi ma
trận Markov biểu thị nước đi cho phù hợp.
Và tương tự như trên, người ta có thể sử dụng mô hình Markov để tính toán xác suất
cho tất cả các trò chơi có tính ngẫu nhiên khác.
2.Trong khảo sát các chuỗi trạng thái.
Như đã khảo sát ở trên, ma trận Markov có thể dung để tính nhanh các chuỗi trạng
thái phức tạp.
Ví dụ 1:
Tổng thống Mỹ kể cho một người A về việc có hoặc không
tranh cử trong cuộc tuyển cử tới. Nếu A thay đổi câu trả lời và chuyển tiếp
tới B và B là người chuyển tiếp cho C,vv... luôn luôn chuyển tiếp cho một
người mới. Ta đặt xác suất là a với một người thay đổi câu trả lời từ có sang
không khi truyền thông điệp cho một người tiếp theo và xác suất là b mà người

15
Bài tập lớn đại số tuyến tính Nhóm 02

đó thay đổi từ không sang có. Ta chọn các trạng thái của thông điệp là có
hoặc không. Ma trận chuyển cho trường hợp này:

Bằng việc sử dụng công thức , ta có thể tính được tỷ lệ câu trả lời
Yes hoặc No cuối cùng.
Ví dụ 2:
Cho hình sau biểu thị xác suất diễn ra của thời tiết trong 1 tháng.

Tính xác suất của từng loại thời tiết tại ngày n, biết hôm nay trời nắng.
Ma trận mẫu và ma trận chuyển cho trường hợp này là:

Với hàng 1 biểu thị cho nắng, hàng 2 cho mưa và hàng 3 cho mây.
Tiếp tục áp dụng công thức, ta sẽ tính được xác suất thời tiết ở ngày n trong
tháng đó.

3.Chính sách thay thế thiết bị vật tự

Ví dụ:
Trong một hệ thống điện kĩ thuật, các thiết bị cùng một loại được phân
ra các tình trạng sau đây: vừa mới thay, còn tốt, vẫn dùng được và đã bị hỏng.
Theo số liệu thống kê được, ta có ma trận xác suất chuyển trạng thái như sau:

16
Bài tập lớn đại số tuyến tính Nhóm 02

trong đó, sau mỗi tuần (xem hàng đầu của ma trận P) có 0%, 80%, 20% và 0%
số các thiết bị mới thay chuyển sang tình trạng mới thay, còn tốt, vẫn dùng
được và đã bị hỏng. Các hàng khác của ma trận P được giải thích một cách
tương tự. Ta đi tìm phân phối dừng  bằng phương pháp đã biết.
Xuất phát từ (n+1) = (n)  P, cho qua giới hạn cả hai vế khi n ta có: 
=  P, hay  (I – P) = 0.
Do P là ma trận đặc biệt (ma trận chuyển xác suất) nên nó là ma trận
suy biến. Khi viết lại dưới dạng hệ phương trình (4 ẩn, 4 phương trình) ta phải
loại bớt một phương trình đi, và thêm vào hệ thức 1+ 2+ 3 + 4 = 1 và
ràng buộc k 0 (k = 1, 2, 3, 4).

Kí hiệu x1 = 1, x2 = 2, x3 = 3 và x4 = 4 ta sẽ có hệ:

Vậy phân phối dừng  = [1/6 1/3 1/3 1/6].

Giả sử rằng chi phí thay mới một thiết bị là 25 nghìn (đồng) và thất thu
khi mỗi một thiết bị hỏng là 18,5 nghìn, thì mỗi tuần hệ thống trên phải chi
trung bình trên một thiết bị số tiền là: (1/6) 25 + (1/6)  18,5 = 7,25 nghìn /
thiết bị / tuần. Ta xét phương án thứ hai cho việc thay thế vật tư thiết bị với
ma trận xác suất chuyển trạng thái sau đây:

Ma trận này tương ứng với chính sách mới về thay thế vật tư thiết bị là:

17
Bài tập lớn đại số tuyến tính Nhóm 02

thay thế mỗi thiết bị một khi kiểm tra và phát hiện thiết bị ở tình trạng vẫn
dùng được. Điều này có thể dẫn tới việc giảm thiểu thất thu do thiết bị hỏng
gây nên. Thật vậy, ứng với ma trận P trên đây, phân phối dừng  = [1/4 1/2
1/4]. Lúc này, mỗi tuần hệ thống trên phải chi trung bình trên một thiết bị số
tiền là: (1/4) 25 + (0)18,5 = 6,25 nghìn / thiết bị / tuần. Như vậy hệ thống sẽ
tiết kiệm được 1 nghìn/ thiết bị / một tuần. Nếu hệ thống có 2000 thiết bị, thì
nhờ chính sách thay thế vật tư mới, mỗi tuần hệ thống sẽ tiết kiệm được 2
triệu (đồng).

Một ứng dụng của quá trinh sinh-tử cho hệ thống hàng chờ
Quá trinh sinh-tử được ứng dụng khá rộng rãi trong Lí thuyết độ tin cậy, là
một môn học của ngành Điện / Điện tử, và một số ngành khoa học kĩ thuật khác
cũng như trong Quản trị kinh doanh và Vận trù học.

Quá trinh sinh – tử là trường hợp riêng của xích Markov thuần nhất thời
gian liên tục, với không gian trạng thái S không quá đếm được S = {S0; S1, S2,…,
Sn, …} và ma trận cường độ Q = [qij] có tinh chất qij = 0 với | i – j | ≥ 2. Điều này
có nghĩa là việc chuyển trạng thái trong quá trinh sinh-tử có thể tới “1 đơn vị lên
hoặc xuống” (xem hình IV.3)

Sơ đồ chuyển trạng thái trong quá trinh sinh – tử

Từ trạng thái Sn tại thời điểm t hệ X(t) chỉ có thể chuyển tới một trong các
trạng thái Sn+1, Sn hoặc Sn-1. Vì vậy chúng ta có các cường độ chuyển:
µ0 = λ−1 = 0=q00, qn, n+1 = λn, qn, n−1 = µn và qn, n = − (λn + µn) ∀n.
Trong trường hợp λn, µn > 0, ∀n > 0, theo định lí đã được chứng minh,
phân phối giới hạn có thể tìm được bằng cách giải hệ: [π0 π1 π2 π3 …]Q = 0, với
ma trận cường độ Q đã biết.
Ma trận chuyển vị của Q có dạng:

Ta có [ π0 π1 π2 π3 … ]Q = 0 ⇔ QT [ π0 π1 π2 π3 … ] T = 0 ⇔
18
Bài tập lớn đại số tuyến tính Nhóm 02

Hay:

Do tinh chất đặc biệt, như đã phân tích ở trên, của ma trận cường độ Q của
quá trinh sinh – tử, hệ trên được viết một cách tường minh hơn như sau:

Từ đây dễ tìm được πn+1 = (λn/ µn+1) πn, ∀n = 1, 2, 3, .. để đi tới công thức
tính πi, ∀i.

∞
Với điều kiện ∑ π i = 1, cuối cùng ta có:
i=0

Đặc biệt khi µn = 0, ∀n, thì quá trình sinh-tử trở thành quá trình sinh
19
Bài tập lớn đại số tuyến tính Nhóm 02

thuần khiết(pure birth process). Quá trình sinh thuần khiết với λn = λ là quá
trình Poát-xông với tham số λ.

Ví dụ:
Giả sử dòng khách hàng đến mua vé ở một văn phòng bán vé với M quầy
phục vụ là dòng Poát-xông với tham số λ = 6 khách hang / 1 phút (điều này cũng
có nghĩa là khách hàng đến phòng bán vé với các thời điểm đến tuân theo luật
phân mũ với tham số λ = 6)

Ngoài ra, còn biết nguyên tắc phục vụ là FCFS (Frist come first serve) và
thời gian phục vụ tại mỗi quầy có luật phân phối mũ với kì vọng 1/3 (phút)
Cần trả lời hai câu hỏi sau đây:
- Số quầy hàng tối thiểu là bao nhiêu để hàng chờ không trở nên dài vô hạn
- Giả sử Nt là số khách hàng đang chờ hay đang được phục vụ tại thời điểm t.
Chọn M = 4 và một khách hàng sẽ chờ để được phục vụ nếu Nt ≤ 4, chờ với xác
suất 0,5 nếu Nt = 5 cà sẽ bỏ đi nếu Nt = 6. Hãy xác định phân phối dừng của quá
trình này?
Trước hết, trong ví dụ này chúng ta có một quá trình sinh-tử với không
gian trạng thái S = {S0, S1, S2, …,Sn,…}, trong đó Sn là trạng thái trong văn phòng
có n khách hàng. Các cường độ chuyển là λk = 6 với k = 0, 1, 2,.. còn µk = 3k với
k ≤ M và µk = 3M với k > M (điều này là do biến cực tiểu của các biến ngẫu
nhiên với phân phối mũ độc lập cũng có phân phối mũ với tham số bằng tổng các
tham số của các phân phối mũ tương ứng)
Do λk/ µk+1 = 6/3M < 1 (khi k ≥ M) nên với M ≥ 3 thì:

Bởi vậy hàng đợi sẽ không dài vô hạn (nếu trái lại, khi chuỗi phân kì, thì
π0 = π1 = π2 = … = 0, nên số khách trong hàng đợi sẽ dần tới một số hữu hạn khi t
→ ∞ với xác suất = 0).

Trong câu hỏi thứu hai, ta có λ0 = λ1 = λ2 = λ3 = λ4 = 6, λ5 = 3. Theo công

thức tính π0¿ 1/¿λk λk-1 … λ0 / µk+1 µk … µ1)) ta có ngay π0 =12/89. Từ đó tính ra π1 =
24/89, π2 = 24/89, π3 = 16/89, π4 = 8/89, π5 = 4/89, π6 = 1/89

C. LINK THAM KHẢO

1. Snakes and Ladders: The nerdification of a children's favorite — Ilan Man
2. Analysing Snakes and Ladders as a Markov Chain (scipython.com)
3. Markov Chains - deparkes
4. Xích Markov, du động ngẫu nhiên và ứng dụng t.10 (Đặng Thị Thỏa)
20
Bài tập lớn đại số tuyến tính Nhóm 02

5. https://www.academia.edu/22879262/Ch%C6%B0%C6%A1ng_IV_PH
%C3%82N_T
%C3%8DCH_MARKOV_V%C3%80_%E1%BB%A8NG_D%E1%BB%A4NG?
fbcli
d=IwAR1nWWxEqqJd0WVnb4Ly6lfeopCBe7GPhQ7S99gQMHvodDAvda6o
IYfZh- M

21