Markovovy ˇ retˇ ezce
Mirko Navara
Centrum strojov´ eho vn´ım´ an´ı katedra kybernetiky FEL ˇ CVUT Karlovo n´ amˇ est´ı, budova G, m´ıstnost 104a
http://cmp.felk.cvut.cz/˜navara/stat 15. ledna 2021
Obsah
1 O ˇcem to m˚uˇze b´yt? 1
2 Matematick´y model: (homogenn´ı) Markovovy ˇretˇezce (Markov chains) 3
3 Pravdˇepodobnosti stav˚u 4
3.1 Pˇr´ıklady na pravdˇepodobnosti stav˚u . . . 4
3.2 Permutace stav˚u . . . 8
4 Klasifikace stav˚u Markovov´ych ˇretˇezc˚u s koneˇcnˇe mnoha stavy 8 5 Asymptotick´e chov´an´ı Markovov´ych ˇretˇezc˚u s koneˇcnˇe mnoha stavy 12 5.1 Pˇrechodn´e stavy . . . 12
5.2 Nerozloˇziteln´e Markovovy ˇretˇezce . . . 14
5.3 Rozloˇziteln´e Markovovy ˇretˇezce . . . 16
5.4 Pˇr´ıklady . . . 16
6 Reverzibilita 17 6.1 Odhady parametr˚u Markovov´ych ˇretˇezc˚u . . . 17
6.2 Obr´acen´ı ˇcasov´e osy (zpˇetn´y chod) . . . 18
6.3 Jak lze luˇstit ˇsifry 1: model . . . 20
6.4 Jak lze luˇstit ˇsifry 2: rozluˇstˇen´ı . . . 21
6.5 Metropolis˚uv algoritmus . . . 22
7 Markovovy ˇretˇezce s nekoneˇcnˇe mnoha stavy 24 8 Pˇr´ıklady aplikac´ı 24 9 Co zde nebylo 25 9.1 Kdy se vr´at´ıme do stejn´eho stavu? . . . 25
9.2 Nehomogenn´ı Markovovy ˇretˇezce . . . 25
9.3 Markovovy procesy . . . 25
10 Dodatek: Mocniny stochastick´ych matic ˇr´adu 2 25
1 O ˇ cem to m˚ uˇ ze b´ yt?
Pˇr´ıklad(basketbal). [MN: PMS] Alice a Bob se stˇr´ıdavˇe strefuj´ı m´ıˇcem do koˇse, zaˇc´ın´a Alice. Kdo se prvn´ı stref´ı, vyhr´av´a. Alice se stref´ı s pravdˇepodobnost´ıa, Bob s pravdˇepodobnost´ıb. Jak´a je pravdˇepodobnost v´ysledk˚u hry?
Reˇˇ sen´ı. Po prvn´ım hodu s pravdˇepodobnost´ıaAlice vyhr´av´a, s pravdˇepodobnost´ı1−ase pokraˇcuje. Po 2. hodu hra skonˇc´ı v´yhrou Boba s pravdˇepodobnost´ı(1−a)b, nebo je situace stejn´a jako na zaˇc´atku a ˇsance se dˇel´ı ve stejn´em pomˇeru, tj.a: (1−a)b. Alice vyhraje s pravdˇepodobnost´ı
a
a+ (1−a)b = a a+b−a b, Bob s pravdˇepodobnost´ı
(1−a)b
a+ (1−a)b = (1−a)b a+b−a b.
(Pˇredpokl´ad´ame, ˇze aspoˇn jedna z pravdˇepodobnost´ıa, bje nenulov´a. V´ıce viz [MN: PMS].)
1 2 3 4
1 a
1−a
b
1−b
1
M˚uˇzeme sdruˇzit 2 kroky do jednoho.
1 2 4
1 a
(1−a)(1−b) (1−a)b
1
Pˇr´ıklad(foton). [MN: PMS] Foton vnikne do tenk´e vrstvy s rovnobˇeˇzn´ymi stˇenami. Na jej´ım rozhran´ı m˚uˇze proj´ıt, nebo se odraz´ı a dojde k druh´emu rozhran´ı, kter´ym projde, nebo se odraz´ı atd. Vypoˇctˇete pravdˇepodobnosti pr˚uchodu fotonu do jednotliv´ych poloprostor˚u vymezen´ych touto vrstvou.
Reˇˇ sen´ı. Jde o pˇr´ıklad
”basketbal“ v jin´e interpretaci. Obdobn´a ´uloha se ˇreˇs´ı pˇri programov´an´ı barevn´ych tisk´aren.
Pˇr´ıklad(shoda v tenisu). Alice s Bobem hraj´ı tenis, doˇslo ke shodˇe, takˇze hru vyhraje hr´aˇc, kter´y jako prvn´ı vyhraje o 2 m´ıˇce v´ıc neˇz soupeˇr. Alice vyhraje m´ıˇc s pravdˇepodobnost´ıc. Jak´e jsou pravdˇepododobnosti v´ysledk˚u hry? Jak´e rozdˇelen´ı a stˇredn´ı hodnotu m´a poˇcet m´ıˇc˚u hry?
1 2 3 4 5
1
c
1−c 1−c
c c
1−c
1
Reˇˇ sen´ı. Sdruˇz´ıme 2 kroky do jednoho: Po 2 m´ıˇc´ıch bud’ vyhraje Alice (s pravdˇepodobnost´ıa=c2), nebo Bob (s pravdˇepodobnost´ı(1−c)2), nebo bude opˇet shoda. Jde o pˇr´ıklad
”basketbal“, kde a=c2, (1−a)b= (1−c)2.
1 3 5
1
c2
2c(1−c) (1−c)2
1
Alice vyhraje s pravdˇepodobnost´ı c2
c2+ (1−c)2, napˇr. pro c= 2/3 s pravdˇepodobnost´ı4/5. Takto bychom vˇsak nevyˇreˇsili v´ysledek hry od jej´ıho poˇc´atku (m´ısto od shody), setu, z´apasu, turnaje... [Papoulis, Pillai 2002]
Pˇr´ıklad(informaˇcn´ı kan´al se zpˇetnou vazbou). Odes´ılatel poˇsle zpr´avu v k´odu, dovoluj´ıc´ım odhalit chyby v pˇrenosu. (Pro jednoduchost zanedb´av´ame riziko nerozpoznan´e chyby.) Zpr´ava je doruˇcena spr´avnˇe s pravdˇepo- dobnost´ıc. Pˇr´ıjemce za stejn´ych podm´ınek poˇsle zpˇet (jednobitovou) zpr´avu o ´uspˇeˇsnosti pˇrijet´ı. Chybn´a zpr´ava
o spr´avn´em pˇrenosu vypad´a stejnˇe jako spr´avn´a zpr´ava o chybn´em pˇrenosu. V tˇechto pˇr´ıpadech se pˇrenos opa- kuje za stejn´ych podm´ınek. Chybn´a zpr´ava o chybn´em pˇrenosu vypad´a stejnˇe jako spr´avn´a zpr´ava o spr´avn´em pˇrenosu. V tˇechto pˇr´ıpadech pˇrenos konˇc´ı; pˇrijat´a zpr´ava m˚uˇze b´yt spr´avn´a nebo chybn´a.
Jak´e jsou pravdˇepodobnosti ukonˇcen´ı spr´avn´ym/chybn´ym pˇrijet´ım zpr´avy?
Reˇˇ sen´ı. Jde opˇet o pˇr´ıklad
”shoda v tenisu“, resp.
”basketbal“.
Dalˇs´ı ot´azky:Jak´e je rozdˇelen´ı d´elky komunikace; jej´ı stˇredn´ı hodnota a d˚uleˇzit´e kvantily?
Ot´azky:Jak´e je asymptotick´e chov´an´ı syst´emu? Jak z´avis´ı na poˇc´ateˇcn´ım stavu?
2 Matematick´ y model: (homogenn´ı) Markovovy ˇ retˇ ezce (Markov chains)
Doporuˇcen´a literatura: [Hsu 1996, Papoulis, Pillai 2002, Wasserman 2004].
Posloupnost diskr´etn´ıch n´ahodn´ych veliˇcin X0, X1, X2, . . . s hodnotami ze spoˇcetn´e mnoˇziny stav˚u, obvykle {1,2, . . .}.
Indexov´ana je diskr´etn´ım ˇcasems hodnotami z mnoˇzinyN0={0,1,2, . . .}.
Z hlediskaokamˇzikut rozliˇsujememinulost(< t) abudoucnost(> t).
D´ano:
Pravdˇepodobnosti poˇc´ateˇcn´ıch stav˚u (=rozdˇelen´ı n´ahodn´e veliˇcinyX0), pi(0) =pX0(i),
popˇr. dan´y poˇc´ateˇcn´ı stavk, tj.
pi(0) =δik=
1 proi=k, 0 proi6=k, pravdˇepodobnosti pˇrechodu ze stavuido stavuj v jednom kroku,
pij =P(Xt+1=j|Xt=i),
(nez´avisl´e na ˇcaset); pro koneˇcnˇe mnoho stav˚u je lze popsatmatic´ı pˇrechodu
P =
p11 · · · p1n ... . .. ... pn1 · · · pnn
,
kter´a jestochastick´a(=m´a jednotkov´e ˇr´adkov´e souˇcty),
∀i= 1, . . . , n:
n
X
j=1
pij = 1. Homogenn´ı: Matice pˇrechodu nez´avis´ı na ˇcase.
Retˇˇ ezce: S diskr´etn´ım ˇcasem a diskr´etn´ımi stavy; pro spojit´y ˇcas dost´av´ame Markov˚uv proces (Markov process).
Markovovy: Pravdˇepodobnost budouc´ıch stav˚u je plnˇe urˇcena souˇcasn´ym stavem, bez ohledu na minul´e stavy, P(Xt+1=j|Xt=it, Xt−1=it−1, . . . , X0=i0) =P(Xt+1=j|Xt=it) =pitj.
(Stav nese
”dostateˇcnou informaci“ o pˇredchoz´ım pr˚ubˇehu.)
To jepodm´ınˇen´a nez´avislostbudouc´ıho a minul´eho stavu pˇri dan´em souˇcasn´em stavu: prou < t < va libovoln´e stavyi, j, k
P(Xu=i, Xv=k|Xt=j) =P(Xu=i|Xt=j)·P(Xv=k|Xt=j).
3 Pravdˇ epodobnosti stav˚ u
Pravdˇepodobnosti stav˚u vyjadˇruje na poˇc´atku ˇr´adkov´y vektor
p(0) = (p1(0), . . . , pn(0)) = (pX0(1), . . . , pX0(n)), d´ale se vyv´ıjej´ı podle rekurentn´ıho vzorce
p(t+ 1) =p(t)P, pj(t+ 1) =X
i
pi(t)pij, p(t+u) =p(t)Pu, pj(t+u) =X
i
pi(t)pij(u), p(u) =p(0)Pu, pj(u) =X
i
pi(0)pij(u),
kde prvky maticePtznaˇc´ımepij(t) (6=ptij), coˇz je pravdˇepodobnost pˇrechodu ze stavuido stavujvtkroc´ıch.
Chapmanova-Kolmogorovova rovnice:
Pt+u=PtPu, pkj(t+u) =X
i
pki(t)pij(u), kde sˇc´ıt´ame pˇres vˇsechny moˇzn´e stavyiv ˇcaset.
Princip superpozice (=linearita):Pokud jsou poˇc´ateˇcn´ı pravdˇepodobnostip(0) konvexn´ı kombinac´ı (=smˇes´ı) rozdˇelen´ı,
p(0) =cq(0) + (1−c)r(0), c∈ h0,1i,
jsou pozdˇejˇs´ı pravdˇepodobnosti d´any stejnou konvexn´ı kombinac´ı pravdˇepodobnost´ı jednotliv´ych sloˇzek, p(u) =p(0)Pu=cq(0)Pu+ (1−c)r(0)Pu=cq(u) + (1−c)r(u).
D˚usledek. Staˇc´ı n´am vyˇsetˇrit pˇr´ıpady, kdy poˇc´ateˇcn´ı stav je dan´y (=Diracovo rozdˇelen´ı).
3.1 Pˇ r´ıklady na pravdˇ epodobnosti stav˚ u
Pˇr´ıklad(otevˇren´e restaurace). Pij´ak se pohybuje Sklonˇenou ulic´ı mezi dvˇema restauracemi. Pˇred kaˇzd´ymi dveˇrmi, kter´e nevedou do restaurace, se rozhodne, kter´ym smˇerem se vyd´a; s pravdˇepodobnost´ıc p˚ujde z kopce, s pravdˇepodobnost´ı1−c do kopce.Aˇz najde restauraci, z˚ustane v n´ı. Jak´e jsou pravdˇepodobnosti dosaˇzen´ı obou restaurac´ı? (Jednodimenzion´aln´ı n´ahodn´a proch´azka s absorpˇcn´ımi bari´erami.) ˇReˇste speci´alnˇe pro restau- race ve vzd´alenosti 2 od v´ychoz´ı polohy.
Reˇˇ sen´ı. Jde opˇet o pˇr´ıklad
”shoda v tenisu“, resp.
”basketbal“.
1 2 3 4 5
1
c
1−c 1−c
c c
1−c
1
P =
1 0 0 0 0
c 0 1−c 0 0
0 c 0 1−c 0
0 0 c 0 1−c
0 0 0 0 1
, P2=
1 0 0 0 0
c c(1−c) 0 (1−c)2 0
c2 0 2c(1−c) 0 (1−c)2
0 c2 0 c (1−c) 1−c
0 0 0 0 1
.
Napˇr. pro c= 0.7dost´av´ame
P =
1 0 0 0 0
0.7 0 0.3 0 0
0 0.7 0 0.3 0
0 0 0.7 0 0.3
0 0 0 0 1
,
P2=
1 0 0 0 0
0.7 0.21 0 0.09 0
0.49 0 0.42 0 0.09
0 0.49 0 0.21 0.3
0 0 0 0 1
,
P10=
1 0 0 0 0
0.945 56 6.534 6·10−3 0 2.800 5·10−3 4.510 3·10−2
0.833 79 0 1.306 9·10−2 0 0.153 14
0.572 98 1.524 7·10−2 0 6.534 6·10−3 0.405 24
0 0 0 0 1
,
0 0 1 0 0
P = 0 0.7 0 0.3 0 , 0 0 1 0 0
P2= 0.49 0 0.42 0 0.09 , 0 0 1 0 0
P10= 0.833 79 0 1.306 9·10−2 0 0.153 14 , 0 0 1 0 0
P30= 0.844 83 0 2.232 2·10−6 0 0.155 17 ,
t→∞lim 0 0 1 0 0
Pt=
c2
c2+(1−c)2 0 0 0 c2(1−c)2
+(1−c)2
= 0.844 83 0 0 0 0.155 17 . Bez 2. a 4. stavu dostaneme zjednoduˇsen´y popis, v nˇemˇz 2 kroky povaˇzujeme za jeden (z lich´eho stavu se po sud´em poˇctu krok˚u dostaneme do lich´eho stavu, sud´e stavy ignorujeme):
1 3 5
1
c2
2c(1−c) (1−c)2
1
PZ=
1 0 0
c2 2c (1−c) (1−c)2
0 0 1
. Napˇr. pro c= 2/3 dost´av´ame
PZ =
1 0 0
4 9
4 9
1 9
0 0 1
,
P2Z =
1 0 0
52 81
16 81
13 81
0 0 1
,
P10Z .
=
1.0 0.0 0.0
0.799 76 3.007 3·10−4 0.199 94
0.0 0.0 1.0
.
Pˇr´ıklad(zavˇren´e restaurace ve vzd´alenosti 2– pokraˇcov´an´ı).
Reˇˇ sen´ı.
1 2 3 4 5
1
c
1−c 1−c
c c
1−c
1
P =
0 1 0 0 0
c 0 1−c 0 0
0 c 0 1−c 0
0 0 c 0 1−c
0 0 0 1 0
,P2=
c 0 1−c 0 0
0 2c−c2 0 (1−c)2 0
c2 0 2c(1−c) 0 (1−c)2
0 c2 0 1−c2 0
0 0 c 0 1−c
. Napˇr. pro c= 0.7
dost´av´ame
P =
0 1 0 0 0
0.7 0 0.3 0 0
0 0.7 0 0.3 0
0 0 0.7 0 0.3
0 0 0 1 0
,
P2=
0.7 0 0.3 0 0
0 0.91 0 0.09 0
0.49 0 0.42 0 0.09
0 0.49 0 0.51 0
0 0 0.7 0 0.3
,
P10=
0.594 76 0 0.360 14 0 4.510 3·10−2
0 0.846 86 0 0.153 14 0
0.588 22 0 0.363 87 0 4.790 4·10−2
0 0.833 79 0 0.166 21 0
0.572 98 0 0.372 58 0 5.443 8·10−2
,
0 0 1 0 0
P = 0 0.7 0 0.3 0 , 0 0 1 0 0
P2= 0.49 0 0.42 0 0.09 , 0 0 1 0 0
P10= 0.588 22 0 0.363 87 0 4.790 4·10−2 , 0 0 1 0 0
P30= 0.591 38 0 0.362 07 0 4.655 2·10−2 , 0 0 0 0 1
P30= 0.591 38 0 0.362 07 0 4.655 3·10−2 , 0 0 1 0 0
P31= 0 0.844 83 0 0.155 17 0 ,
t→∞lim 0 0 1 0 0 Pt
neexistuje.
Bez 2. a 4. stavu dostaneme zjednoduˇsen´y popis, v nˇemˇz 2 kroky povaˇzujeme za 1:
1 3 5
c
1−c
c2
2c(1−c)
(1−c)2
1−c c
PZ=
c 1−c 0
c2 2c (1−c) (1−c)2
0 c 1−c
. Napˇr. pro c= 2/3 dost´av´ame
PZ =
2 3
1
3 0
4 9
4 9
1 9
0 23 13
,
P2Z =
16 27
10 27
1 27 40
81 34 81
7 81 8
27 14 27
5 27
,
P10Z .
=
0.533 42 0.399 95 6.662 2·10−2 0.533 27 0.400 03 6.669 7·10−2 0.532 97 0.400 18 6.684 7·10−2
,
P20Z .
=
0.533 0.400 6.67·10−2 0.533 0.400 6.67·10−2 0.533 0.400 6.67·10−2
. Pˇr´ıklad(otevˇren´a a zavˇren´a restaurace ve vzd´alenosti 2– pokraˇcov´an´ı).
Reˇˇ sen´ı.
1 2 3 4 5
1 c
1−c 1−c
c c
1−c
1
P =
1 0 0 0 0
c 0 1−c 0 0
0 c 0 1−c 0
0 0 c 0 1−c
0 0 0 1 0
, P2=
1 0 0 0 0
c c(1−c) 0 (1−c)2 0
c2 0 2c(1−c) 0 (1−c)2
0 c2 0 1−c2 0
0 0 c 0 1−c
.
Bez 2. a 4. stavu dostaneme zjednoduˇsen´y popis, v nˇemˇz 2 kroky povaˇzujeme za jeden:
1 3 5
1
c2
2c(1−c)
(1−c)2
1−c c
PZ=
1 0 0
c2 2c (1−c) (1−c)2
0 c 1−c
. Napˇr. pro c= 2/3 dost´av´ame
PZ =
1 0 0
4 9
4 9
1 9
0 23 13
,
P2Z =
1 0 0
52 81
22 81
7 81 8
27 14 27
5 27
,
P10Z .
=
1 0 0
0.986 13 1.040 5·10−2 3.468 3·10−3 0.972 25 2.081 0·10−2 6.936 6·10−3
,
P20Z .
=
1 0 0
0.9998 1.8·10−4 6.01·10−5 0.9995 3.61·10−4 1.2·10−4
.
Cviˇcen´ı. Upravte pˇredchoz´ı ´ulohy na jednodimenzion´aln´ı n´ahodn´e proch´azky tak, ˇze se n´ahodnˇe nevol´ı smˇer, alezmˇena smˇeru.
(N´avod: Potˇrebujeme zdvojit stavy, do nichˇz se lze dostat z obou stran, a t´ım pˇridat informaci o tom, z kter´eho smˇeru jsme pˇriˇsli. Tu je potˇreba dodat i v popisu poˇc´ateˇcn´ıho stavu.)
Cviˇcen´ı. [Wasserman 2004] Markov˚uv ˇretˇezecXt,t∈N, m´a matic´ı pˇrechodu
P =
0.1 0.2 0.7 0.9 0.1 0 0.1 0.8 0.1
a poˇc´ateˇcn´ı pravdˇepodobnosti (0.3, 0.4, 0.3). Najdˇete pravdˇepodobnosti P(X0= 1, X1= 2, X2= 3), P(X0= 1, X1= 2, X2= 2).
Cviˇcen´ı. (upraveno dle [Wasserman 2004]) H´az´ıme kostkou. N´ahodn´a veliˇcina Xt je maximum z prvn´ıch t hod˚u. Ukaˇzte, ˇze se jedn´a o Markov˚uv ˇretˇezec, najdˇete jeho pˇrechodov´y diagram a matici pˇrechodu.
3.2 Permutace stav˚ u
Pokud v popisu zmˇen´ıme poˇrad´ı stav˚u, zmˇen´ı se stejnˇe poˇrad´ı sloˇzek vektor˚u i ˇr´adk˚u a sloupc˚u matice pˇrechodu.
Pˇr´ıklad(basketbal– pokraˇcov´an´ı). Matice pˇrechodu P =
1 0 0 0
a 0 1−a 0
0 1−b 0 b
0 0 0 1
1 2 3 4
1 a
1−a
b
1−b
1
se v´ymˇenou 2. a 4. stavu (=permutac´ı stav˚u(1,4,3,2)) zmˇen´ı na matici
1 0 0 0
0 1 0 0
0 b 0 1−b
a 0 1−a 0
.
Pˇr´ıklad(zavˇren´e restaurace ve vzd´alenosti 2– pokraˇcov´an´ı).
1 2 3 4 5
1
c
1−c 1−c
c c
1−c
1 Slouˇcen´ım dvou krok˚u do jednoho jsme dospˇeli k matici:
P2=
c 0 1−c 0 0
0 2c−c2 0 (1−c)2 0
c2 0 2c(1−c) 0 (1−c)2
0 c2 0 1−c2 0
0 0 c 0 1−c
.
Permutac´ı stav˚u (1,3,5,2,4) dostaneme blokovˇe diagon´aln´ı matici:
c 1−c 0 0 0
c2 2c (1−c) (1−c)2 0 0
0 c 1−c 0 0
0 0 0 2c−c2 (1−c)2
0 0 0 c2 1−c2
.
4 Klasifikace stav˚ u Markovov´ ych ˇ retˇ ezc˚ u s koneˇ cnˇ e mnoha stavy
Stavj je dosaˇziteln´y (angl.accessible) ze stavu i, jestliˇze se zidoj d´a pˇrej´ıt s nenulovou pravdˇepodobnost´ı (pro nˇejak´y poˇcet krok˚u),
∃t≥0 :pij(t)>0. Znaˇcen´ı:i→j. Negace:i6→j.
Stavyi, jkomunikuj´ı(angl.communicate), jestliˇze i→j∧j→i. Znaˇcen´ı:i↔j.
Relace↔je ekvivalence.
Stav jetrval´y(angl.persistent, recurrent), jestliˇze (podm´ınˇen´a) pravdˇepodobnost, ˇze kdyˇz z nˇej vyjdeme, nˇekdy v budoucnu se do nˇej vr´at´ıme, je 1.
Speci´aln´ı pˇr´ıpad trval´eho stavu: Stavijeabsorpˇcn´ı(angl.absorbing), jestliˇze jej nelze opustit.
Jak se pozn´a, ˇzei je absorpˇcn´ı stav?
pii = 1, tj.
pij=δij=
1 proi=j, 0 proi6=j.
Stav jepˇrechodn´y(angl.transient), jestliˇze nen´ı trval´y, tj. pravdˇepodobnost, ˇze se do nˇej (nˇekdy) vr´at´ıme, je
<1.
Jak se pozn´a, ˇzeije pˇrechodn´y stav?
Lze se z nˇej dostat do stavu, z nˇehoˇz se nelze dostat zpˇet, tj. existuje stavj takov´y, ˇze i→j∧j6→i.
Jak se pozn´a, ˇzeije trval´y stav?
Nen´ı pˇrechodn´y, neboli lze se z nˇej dostat jen do stav˚u, z nichˇz se lze dostat zpˇet, tj.i→j =⇒ j →i.
D˚usledek:
Kdyˇzije pˇrechodn´y,i↔j, pakj je pˇrechodn´y.
Kdyˇzije trval´y,i↔j, pakj je trval´y.
Pˇr´ıklad(basketbal– pokraˇcov´an´ı). Matice pˇrechodu je P =
1 0 0 0
a 0 1−a 0
0 1−b 0 b
0 0 0 1
,
1 2 3 4
1 a
1−a
b
1−b
1
prvn´ı a posledn´ı stav je trval´y (dokonce absorpˇcn´ı), zb´yvaj´ıc´ı 2 pˇrechodn´e, protoˇze se z nich lze dostat do ab- sorpˇcn´ıch (a zpˇet ne).
Vˇeta. Stavi je trval´y ⇐⇒
∞
P
t=1
pii(t) =∞. Stavije pˇrechodn´y ⇐⇒
∞
P
t=1
pii(t)<∞.
D˚ukaz.
”=⇒“: ˇC´ıslo
∞
P
t=1
pii(t) je stˇredn´ı hodnota poˇctu n´avrat˚u. S pravdˇepodobnost´ı 0 se nevr´at´ıme. S pravdˇe- podobnost´ı 1 se aspoˇn jednou vr´at´ıme. Pravdˇepodobnost, ˇze 1. n´avrat bude i posledn´ı, je 0. Pravdˇepodobnost, ˇze n-t´y n´avrat bude posledn´ı, je 0 pro vˇsechna n∈N. To je spoˇcetnˇe mnoho jev˚u, tedy pravdˇepodobnost, ˇze poˇcet n´avrat˚u bude koneˇcn´y, je 0. S pravdˇepodobnost´ı 1 se vr´at´ıme nekoneˇcnˇekr´at.
”⇐“: Pˇredpokl´adejme, ˇze stavije pˇrechodn´y. Oznaˇcmeq <1 pravdˇepodobnost, ˇze se nˇekdy vr´at´ıme. Po prvn´ım n´avratu n´asleduje druh´y s podm´ınˇenou pravdˇepodobnost´ıq, celkovˇe s pravdˇepodobnost´ıq2,n-t´y s pravdˇepo- dobnost´ıqn. Celkov´y souˇcet pravdˇepodobnost´ı n´avrat˚u
P∞
t=1pii(t) je roven souˇctu pravdˇepodobnost´ın-t´eho n´avratu pˇres vˇsechnan,
∞
X
t=1
pii(t) =
∞
X
n=1
qn= q
1−q <∞.
Perioda stavu i je nejvˇetˇs´ı spoleˇcn´y dˇelitel vˇsech ˇc´ısel t, pro kter´a pii(t) > 0, tj. nejvˇetˇs´ı ˇc´ıslo t takov´e, ˇze pii(u) = 0 pro vˇsechnau, kter´a nejsou n´asobkyt.
Trval´y stav je periodick´y (angl. periodic), jestliˇze m´a periodu t > 1, v opaˇcn´em pˇr´ıpadˇe jeneperiodick´y (angl.aperiodic).
Nutn´a podm´ınka:Je-li staviperiodick´y, mus´ı b´yt odpov´ıdaj´ıc´ı prvek na diagon´ale pii= 0.
Kdyˇzi↔j a stavije periodick´y s periodout, pakj je periodick´y s periodout.
Stav jeergodick´y(angl. ergodic), jestliˇze je trval´y a neperiodick´y.
Pˇr´ıklad (n´ahodn´a proch´azka v cyklu). Pro (obousmˇernou) n´ahodnou proch´azku v cyklu sud´e d´elky maj´ı vˇsechny stavy periodu2 (pˇrech´az´ıme mezi sud´ymi a lich´ymi), jsou trval´e a periodick´e.
Pro (obousmˇernou) n´ahodnou proch´azku v cyklu lich´e d´elky maj´ı vˇsechny stavy periodu 1 (pˇrestoˇze se do nich nelze vr´atit v 1 kroku!) a jsou ergodick´e.
Mnoˇzinatrval´ychstav˚u je uzavˇren´a, jestliˇze ji nelze opustit.
Komponenta je (kaˇzd´a) nepr´azdn´a uzavˇren´a mnoˇzina (trval´ych) stav˚u, kter´a neobsahuje vlastn´ı (=menˇs´ı nepr´azdnou) uzavˇrenou podmnoˇzinu stav˚u.
Vˇeta. Vˇsechny uzavˇren´e mnoˇziny stav˚u jsou sjednocen´ı (disjunktn´ıch) komponent (vˇcetnˇe pr´azdn´e mnoˇziny komponent) a tvoˇr´ıσ-algebru podmnoˇzin mnoˇziny vˇsech trval´ych stav˚u.
Kaˇzd´y absorpˇcn´ı stav tvoˇr´ı jednoprvkovou komponentu.
Kaˇzd´a mnoˇzina absorpˇcn´ıch stav˚u je uzavˇren´a.
Markov˚uv ˇretˇezec jenerozloˇziteln´y, jestliˇze mnoˇzina vˇsech jeho stav˚u je komponenta.
⇒Nem´a pˇrechodn´e stavy.
Dosaˇzitelnost (B ´UNO: v obou smˇerech) rozdˇeluje vˇsechnytrval´estavy na disjunktn´ı komponenty. (Dosaˇziteln´e jsou pr´avˇe ty dvojice stav˚u, kter´e patˇr´ı do stejn´e komponenty.) Vˇsechny stavy v komponentˇe maj´ı stejnou pe- riodu.
⇒Pokud jsou vˇsechny stavy trval´e a ˇretˇezec je rozloˇziteln´y, lze matici pˇrechodu (po vhodn´e permutac´ı stav˚u) vyj´adˇrit jakoblokovˇe diagon´aln´ı,
P =
D1 0 · · · 0 0 D2 · · · 0 ... ... . .. ... 0 0 · · · Dk
,
kde kaˇzd´y blok odpov´ıd´a jedn´e komponentˇe a0je nulov´a matice odpov´ıdaj´ıc´ıho ˇr´adu.
Pokud existuj´ı pˇrechodn´e stavy a zaˇrad´ıme je aˇz za trval´e (pomoc´ı permutace stav˚u), matice pˇrechodu m´a tvar P =
D 0 R Q
,
kdeD vyjadˇruje pravdˇepodobnosti pˇrechod˚u mezi trval´ymi stavy,Qmezi pˇrechodn´ymi aRvyjadˇruje pravdˇe- podobnosti pˇrechod˚u z pˇrechodn´ych stav˚u do trval´ych.
Po rozkladu mnoˇziny trval´ych stav˚u na komponenty dostaneme tvar
P =
D1 0 · · · 0 0 0 D2 · · · 0 0 ... ... . .. ... ... 0 0 · · · Dk 0 R1 R2 · · · Rk Q
.
Pˇr´ıklad(basketbal– pokraˇcov´an´ı).
1 2 3 4
1 a
1−a
b
1−b
1
Matice pˇrechodu po permutaci stav˚u byla
1 0 0 0
0 1 0 0
0 b 0 1−b
a 0 1−a 0
=
D 0 R Q
=
D1 0 0 0 D2 0 R1 R2 Q
,
kde prvn´ı 2 stavy jsou trval´e (dokonce absorpˇcn´ı), zb´yvaj´ıc´ı 2 pˇrechodn´e, D=
1 0 0 1
, R=
0 b
a 0
, Q=
0 1−b 1−a 0
,
D1= 1
, D2= 1
, R1=
0 a
, R2=
b 0
.
Pˇr´ıklad(otevˇren´e restaurace ve vzd´alenosti 2– pokraˇcov´an´ı).
1 2 3 4 5
1
c
1−c 1−c
c c
1−c
1
P =
1 0 0 0 0
c 0 1−c 0 0
0 c 0 1−c 0
0 0 c 0 1−c
0 0 0 0 1
.
Permutac´ı stav˚u (1,5,2,3,4) dostaneme matici pˇrechodu
1 0 0 0 0
0 1 0 0 0
c 0 0 1−c 0
0 0 c 0 1−c
0 1−c 0 c 0
=
D 0 R Q
=
D1 0 0 0 D2 0 R1 R2 Q
,
kde prvn´ı 2 stavy jsou absorpˇcn´ı, zb´yvaj´ıc´ı 3 pˇrechodn´e,
D= 1 0
0 1
, R=
c 0
0 0
0 1−c
, Q=
0 1−c 0
c 0 1−c
0 c 0
,
D1= 1
, D2= 1
, R1=
c 0 0
, R2=
0 0 1−c
. Pˇr´ıklad(zavˇren´e restaurace ve vzd´alenosti 2– pokraˇcov´an´ı).
1 2 3 4 5
1
c
1−c 1−c
c c
1−c
1 Slouˇcen´ım dvou krok˚u do jednoho a pˇreskupen´ım stav˚u (
”napˇred lich´e, pak sud´e“) jsme dospˇeli k blokovˇe dia- gon´aln´ı matici:
c 1−c 0 0 0
c2 2c (1−c) (1−c)2 0 0
0 c 1−c 0 0
0 0 0 2c−c2 (1−c)2
0 0 0 c2 1−c2
.
Tento ˇretˇezec lze rozloˇzit na2 komponenty: jednu se3stavy (odpov´ıdaj´ıc´ımi lich´ym,1,3,5, v p˚uvodn´ı reprezen- taci), druhou se2 stavy (odpov´ıdaj´ıc´ımi p˚uvodn´ım sud´ym,2,4). Vˇsechny stavy jsou ergodick´e.
Cviˇcen´ı. [Wasserman 2004] Markov˚uv ˇretˇezec m´a matic´ı pˇrechodu
P =
0.4 0 0.1 0 0 0.5 0.05 0.7 0.25 0 0 0
0 0 0 0 1 0
0.05 0.5 0.4 0 0 0.05
0 0 1 0 0 0
0 0 0 0 0 1
.
Urˇcete pˇrechodn´e a trval´e stavy a jejich periodu.
Cviˇcen´ı. [Hsu 1996] Markov˚uv ˇretˇezec m´a matic´ı pˇrechodu
P =
0 0.5 0.5 0.7 0 0.3
1 0 0
.
Je stav1 periodick´y?
5 Asymptotick´ e chov´ an´ı Markovov´ ych ˇ retˇ ezc˚ u s koneˇ cnˇ e mnoha stavy
Metody ˇreˇsen´ı:
• Speci´aln´ı pˇr´ıpady lze ˇreˇsit exaktnˇe.
• Obecnˇe potˇrebujeme urˇcit lim
t→∞Pt. Pro matici ˇr´adu 2 viz Dodatek 10.
• Obt´ıˇzn´e ´ulohy lze simulovat na poˇc´ıtaˇci (metoda MCMC=Markov Chain Monte Carlo) a z´ıskat tak aspoˇn pˇredstavu o jejich vlastnostech.
5.1 Pˇ rechodn´ e stavy
Vˇeta. Pravdˇepodobnosti pˇrechodn´ych stav˚u konverguj´ı k 0.
D˚ukaz. V koneˇcn´em ˇcase T se z pˇrechodn´eho stavu pˇrejde do nˇekter´eho trval´eho s pravdˇepodobnost´ı aspoˇn ε >0, v nˇekter´em z pˇrechodn´ych stav˚u z˚ust´avame s pravdˇepodobnost´ı nejv´yˇse 1−ε. V ˇcase 2T z˚ust´avame v nˇekter´em z pˇrechodn´ych stav˚u s pravdˇepodobnost´ı nejv´yˇse (1−ε)2, v ˇcaset T s pravdˇepodobnost´ı nejv´yˇse (1−ε)t→0 prot→ ∞.
D˚usledek. S pravdˇepodobnost´ı1 se dostaneme do nˇekter´e komponenty a v t´e jiˇz z˚ustaneme.
D˚usledek. Existuje trval´y stav.
Ot´azky:
Do jak´ych trval´ych stav˚u pˇrejdeme z pˇrechodn´ych?
Za jak dlouho?
Vˇeta. Necht’ stavy1, . . . , ijsou absorpˇcn´ı, i+ 1, . . . , npˇrechodn´e. Pak matice pˇrechodu m´a tvar P =
Ii 0 R Q
,
kdeIije jednotkov´a matice ˇr´adui. Pravdˇepodobnost, ˇze z pˇrechodn´eho stavuj > iskonˇc´ıme v absorpˇcn´ım stavu k≤i, je prvek na pozici(j−i, k)v matici
(In−i+Q+Q2+Q3+. . .
| {z }
F
)R=F R,
kdeIn−i je jednotkov´a matice ˇr´adu n−ia
F =In−i+Q+Q2+Q3+. . . je fundament´aln´ı maticetohoto ˇretˇezce.
D˚ukaz. (ˇc´asteˇcn´y) Tvar matice pˇrechodu jsme jiˇz odvodili. MaticeQpopisuje
”recyklaci“ pˇrechodn´ych stav˚u a maticeRjejich nevratnou pˇremˇenu na trval´e.
Pokud jsou pouze pˇrechodn´e a absorpˇcn´ı stavy, pak je lze seˇradit tak, jak poˇzaduje pˇredchoz´ı vˇeta.
Vˇeta.
F =In−i+Q+Q2+Q3+. . .= (In−i−Q)−1.
D˚ukaz. (ˇc´asteˇcn´y) Oznaˇcme
Ft=In−i+Q+Q2+Q3+. . .+Qt. Pak
(In−i−Q)·Ft=In−i−Q+Q−Q2+Q2−Q3+. . .−Qt+1=In−i−Qt+1. MaticeQm´a vˇsechny souˇcty ˇr´adk˚u nejv´yˇse 1 a nˇekter´e menˇs´ı neˇz 1. O takov´ych matic´ıch je zn´amo, ˇze lim
t→∞Qt=0 a ˇzeIn−i−Qje regul´arn´ı. Tud´ıˇz
t→∞lim(In−i−Q)·Ft=In−i, F = lim
t→∞Ft= (In−i−Q)−1.
Pˇr´ıklad(basketbal– pokraˇcov´an´ı).
1 2 3 4
1 a
1−a
b
1−b
1
Matice pˇrechodu po permutaci stav˚u byla
1 0 0 0
0 1 0 0
0 b 0 1−b
a 0 1−a 0
=
I2 0 R Q
,
kde prvn´ı 2 stavy jsou absorpˇcn´ı, zb´yvaj´ıc´ı 2 pˇrechodn´e, I2=
1 0 0 1
, R=
0 b
a 0
, Q=
0 1−b 1−a 0
,
F = (I2−Q)−1=
1 b−1
a−1 1
−1
= 1
a+b−a b
1 1−b 1−a 1
,
F R= 1 a+b−a b
a(1−b) b
a b(1−a)
=
a(1−b) a+b−a b
b a+b−a b a
a+b−a b
b(1−a) a+b−a b
! .
Zaˇc´ın´a Alice (stav 4, tj. posledn´ı; pˇred permutac´ı byl2.), pravdˇepodobnosti pˇrechod˚u do absorpˇcn´ıch stav˚u jsou tedy v posledn´ım ˇr´adku matice F R.
Alice vyhraje s pravdˇepodobnost´ı a
a+b−a b, Bob s pravdˇepodobnost´ı b(1−a) a+b−a b.
Napˇr. pro a= 1/2,b = 1/3 Alice vyhraje s pravdˇepodobnost´ı3/4, Bob s pravdˇepodobnost´ı1/4, coˇz odpov´ıd´a numerick´emu experimentu:
P10Z .
=
1.0 0.0 0.0
0.749 99 1.693 5·10−5 0.250 00
0.0 0.0 1.0
. Pˇr´ıklad(otevˇren´e restaurace ve vzd´alenosti 2– pokraˇcov´an´ı).
1 2 3 4 5
1
c
1−c 1−c
c c
1−c
1
Permutac´ı p˚uvodn´ıch stav˚u (1,5,2,3,4)jsme dostali matici pˇrechodu
1 0 0 0 0
0 1 0 0 0
c 0 0 1−c 0
0 0 c 0 1−c
0 1−c 0 c 0
=
I2 0 R Q
,
kde prvn´ı 2 stavy jsou absorpˇcn´ı, zb´yvaj´ıc´ı 3 pˇrechodn´e,
I2= 1 0
0 1
, R=
c 0
0 0
0 1−c
, Q=
0 1−c 0
c 0 1−c
0 c 0
,
F = (I3−Q)−1=
1 c−1 0
−c 1 c−1
0 −c 1
−1
=
= 1
2c2−2c+ 1
1−c+c2 1−c (1−c)2
c 1 1−c
c2 c c2−c+ 1
,
F R= 1 2c2−2c+ 1
c 1−c+c2
(1−c)3
c2 (1−c)2
c3 (1−c) 1−c+c2
.
Napˇr. pro c= 2/3 dost´av´ame
F R=
14 15
1 15 4 5
1 5 8 15
7 15
.
Souhlas s numerick´ym experimentem, je-li poˇc´ateˇcn´ı stav prostˇredn´ı z pˇrechodn´ych:
P10Z .
=
1.0 0.0 0.0
0.799 76 3.007 3·10−4 0.199 94
0.0 0.0 1.0
.
MaticeF Rje stochastick´a, ud´av´a pravdˇepodobnosti v´ysledk˚u pro libovoln´y pˇrechodn´y poˇc´ateˇcn´ı stav (i pro jejich smˇes, tj. poˇc´ateˇcn´ı rozdˇelen´ı, kter´ym ji staˇc´ı vyn´asobit zleva). Napˇr. pro rovnomˇern´e rozdˇelen´ı poˇc´ateˇcn´ıch stav˚u dostaneme
1 3
1 3
1 3
·
14 15
1 15 4 5
1 5 8 15
7 15
= 3445 1145 .
Co kdyˇz trval´e stavy nejsou vˇsechny absorpˇcn´ı?
M˚uˇzeme ignorovat rozd´ıly mezi trval´ymi stavy, kter´e komunikuj´ı (jsou navz´ajem dosaˇziteln´e): Kaˇzdou kompo- nentu nahrad´ıme jedn´ım
”nov´ym“ stavem, kter´y jiˇz d´ale nerozliˇsujeme. Ten je absorpˇcn´ı.
T´ım jsme pˇrevedli ´ulohu na pˇredch´azej´ıc´ı (m´ame pouze pˇrechodn´e a absorpˇcn´ı stavy).
Dozv´ıme se, s jakou pravdˇepodobnost´ı skonˇc´ıme v kter´e komponentˇe.
Kdybychom chtˇeli vˇedˇet pravdˇepodobnosti stav˚u uvnitˇr t´eto komponenty, anal´yza by byla sloˇzitˇejˇs´ı (z´aleˇz´ı nejen na tom, pˇres kter´y stav do n´ı vstoup´ıme, ale tak´e, kdy).
Uˇz v´ıme, ˇze s pravdˇepodobnost´ı 1 pˇrejdeme do nˇejak´e komponenty, kterou uˇz neopust´ıme.
Ot´azka je, co se dˇeje d´al.
5.2 Nerozloˇ ziteln´ e Markovovy ˇ retˇ ezce
Stacion´arn´ı rozdˇelen´ıpravdˇepodobnost´ıpje takov´e, kter´e se zachov´av´a, tj.
p P =p, neboli lev´y vlastn´ı vektor odpov´ıdaj´ıc´ı vlastn´ımu ˇc´ıslu 1.
Lze je naj´ıt vyˇreˇsen´ım t´eto (homogenn´ı) soustavy line´arn´ıch rovnic prop s dodateˇcnou podm´ınkou, ˇze souˇcet nezn´am´ych je 1.
Markov˚uv ˇretˇezec jeergodick´y, je-li nerozloˇziteln´y a m´a vˇsechny stavy ergodick´e.
Vˇeta. Ergodick´y Markov˚uv ˇretˇezec m´a jedin´e stacion´arn´ı rozdˇelen´ı pravdˇepodobnost´ı; k tomu konverguje pˇri libovoln´em poˇc´ateˇcn´ım rozdˇelen´ı.
D˚usledek. V tom pˇr´ıpadˇe lim
t→∞Pt existuje a je rovna matici, jej´ıˇz vˇsechny ˇr´adky jsou rovn´e stacion´arn´ımu rozdˇelen´ı.
Pˇr´ıklad(zavˇren´e restaurace ve vzd´alenosti 2– pokraˇcov´an´ı).
1 2 3 4 5
1
c
1−c 1−c
c c
1−c
1
Tento ˇretˇezec nen´ı ergodick´y, ale pro lich´e stavy jsme dostali zjednoduˇsen´y popis, v nˇemˇz 2 kroky povaˇzujeme za 1, a ten ergodick´y je:
PZ =
c 1−c 0
c2 2c(1−c) (1−c)2
0 c 1−c
1 3 5
c
1−c
c2
2c(1−c)
(1−c)2
1−c c
Napˇr. pro c= 2/3
PZ =
2 3
1
3 0
4 9
4 9
1 9
0 23 13
.
Tento Markov˚uv ˇretˇezec je nerozloˇziteln´y a m´a vˇsechny stavy ergodick´e, takˇze m´a jedin´e stacion´arn´ı rozdˇelen´ı pravdˇepodobnost´ı, kter´e dostaneme ˇreˇsen´ım soustavy line´arn´ıch rovnic
(a, b,1−a−b)PZ = (a, b,1−a−b), (a, b,1−a−b) =
8 15,2
5, 1 15
.
Souhlas s numerick´ym experimentem:
P10Z .
=
0.533 42 0.399 95 6.662 2·10−2 0.533 27 0.400 03 6.669 7·10−2 0.532 97 0.400 18 6.684 7·10−2
,
P20Z .
=
0.533 0.400 6.67·10−2 0.533 0.400 6.67·10−2 0.533 0.400 6.67·10−2
.
Uvaˇzujmenerozloˇziteln´y Markov˚uv ˇretˇezec, kter´ynen´ı ergodick´y.
Nutn´a podm´ınka:Matice pˇrechodu mus´ı m´ıt nulovou diagon´alu.
Pozn´amka. Stacion´arn´ı rozdˇelen´ı m˚uˇze existovat, ale nemus´ıme se k nˇemu pˇribl´ıˇzit.
Napˇr. pro
P =
0 1 0 0 0 1 1 0 0
je rozdˇelen´ı(1/3,1/3,1/3) stacion´arn´ı, ale z poˇc´ateˇcn´ıho rozdˇelen´ı(1,0,0) se k nˇemu nepˇribl´ıˇz´ıme.
Vˇsechny stavy maj´ı stejnou perioduT >1.
Lze je rozdˇelit na T disjunktn´ıch tˇr´ıd M1, . . . , MT tak, ˇze z kaˇzd´e tˇr´ıdy lze v jednom kroku pˇrej´ıt pouze do n´asleduj´ıc´ı (a zMT doM1).
Do kaˇzd´e tˇr´ıdy se vr´at´ıme poT kroc´ıch.
Slouˇcen´ımT krok˚u do jednoho dostaneme Markov˚uv ˇretˇezec s matic´ı pˇrechoduPT.
Ten je rozloˇziteln´y, tˇr´ıdyM1, . . . , MT odpov´ıdaj´ı komponent´am, kter´e maj´ı vˇsechny stavy ergodick´e, takˇze maj´ı jedin´e stacion´arn´ı rozdˇelen´ı pravdˇepodobnost´ı.
⇒ Aˇz na to, ˇze se periodicky proch´az´ı mezi tˇr´ıdami M1, . . . , MT, m˚uˇzeme asymptotick´e chov´an´ı uvnitˇr nich urˇcit stejnˇe jako v pˇredchoz´ım pˇr´ıpadˇe.
Cviˇcen´ı. [Wasserman 2004] Najdˇete stacion´arn´ı rozdˇelen´ı Markovova ˇretˇezce s matic´ı pˇrechodu
P =
0.4 0.5 0.1 0.05 0.7 0.25 0.05 0.5 0.45
.
Cviˇcen´ı (rosniˇcka). (upraveno dle [Wasserman 2004]) Rosniˇcka sk´aˇce po k sch˚udc´ıch. Kaˇzd´ym skokem se s pravdˇepodobnost´ıc ∈ (0,1) dostane o sch˚udek v´yˇs, s pravdˇepodobnost´ı1−c spadne zpˇet do vody a zaˇc´ın´a od zaˇc´atku. Z nejvyˇsˇs´ıho sch˚udku vˇzdy spadne do vody (=
”nejniˇzˇs´ı sch˚udek“). Kde ji m´ame hledat, tj. jak´a je pravdˇepodobnost jej´ıho v´yskytu na jednotliv´ych sch˚udc´ıch po dlouh´em pr˚ubˇehu? ˇReˇste pokud moˇzno obecnˇe, pak pro hodnotyk= 4,c= 1/2.
5.3 Rozloˇ ziteln´ e Markovovy ˇ retˇ ezce
bez pˇrechodn´ych stav˚u se ˇreˇs´ı rozkladem na nerozloˇziteln´e (na komponenty). Mohou existovat stacion´arn´ı rozdˇelen´ı, ale nemus´ı b´yt limitou.
Pˇr´ıklad. Pro
P = 1 0
0 1
=I2 jsou vˇsechna rozdˇelen´ı stacion´arn´ı. Pro
P =
1/2 1/2 0 0 1/2 1/2 0 0
0 0 0 1
0 0 1 0
jsou stacion´arn´ı vˇsechna rozdˇelen´ı 2c,c2,1−c2 ,1−c2
,c∈ h0,1i;
z poˇc´ateˇcn´ıho rozdˇelen´ı(1,0,0,0)se dostaneme ihned do stacion´arn´ıho(12,12,0,0);
z poˇc´ateˇcn´ıho rozdˇelen´ı(0,0,0,1)se k ˇz´adn´emu stacion´arn´ımu nebl´ıˇz´ıme.
5.4 Pˇ r´ıklady
Pˇr´ıklad (chcete b´yt milion´aˇrem? – zjednoduˇsen´e zad´an´ı bez z´achytn´ych bod˚u). Hr´aˇc zaplat´ı za vstup do hry. Odpov´ıd´a na ot´azky, pravdˇepodobnost, ˇze zn´a spr´avnou odpovˇed’, je c∈ (0,1). Po spr´avn´e odpovˇedi m˚uˇze skonˇcit s v´yhrou 1,2,4,8, . . ., obecnˇe 2k−1, kde k je poˇcet spr´avnˇe zodpovˇezen´ych ot´azek. Po chybn´e odpovˇedi konˇc´ı a nedost´av´a nic.
• Jak dlouho m´a hr´at, aby maximalizoval zisk? (D´elka hry a v´yˇse v´yhry nen´ı omezena.)
• Jak´e je pˇri optim´aln´ı strategii rozdˇelen´ı, stˇredn´ı hodnota a rozptyl v´yhry po k kolech (resp. vyˇrazen´ı v nejv´yˇse k-t´em kole)?
• Jak´a je adekv´atn´ı cena za vstup do hry?
Hr´aˇc zaplatil za vstup do hry, urˇcitˇe m´a hr´at prvn´ı kolo. Pˇredk-t´ym kolem (pokud do nˇej postoup´ı) se rozhoduje mezi jistou v´yhrou2k−1a dalˇs´ı ot´azkou, kter´a m˚uˇze v´est k v´yhˇre bud’0, nebo2k (s pravdˇepodobnost´ıc). Optim´aln´ı
rozhodnut´ı tedy bude vˇzdy stejn´e (z´avisl´e nac, nikoli nak). Proc <1/2konˇc´ı po1. kole. Proc >1/2je optim´aln´ı hr´at co nejd´ele. Pak matice pˇrechodu je
P =
1 0 1−c c
,
prvn´ı stav (vyˇrazen´ı) je absorpˇcn´ı, druh´y (pokraˇcov´an´ı ve hˇre) je pˇrechodn´y, takˇzepravdˇepodobnost v´yhry je nulov´a!
V´yhraXk pok kolech m´a alternativn´ı rozdˇelen´ı, EXk =ck2k−1,
DXk = EXk2−(EXk)2=ck22(k−1)−c2k22(k−1)= (1−ck)ck22(k−1). Proc >1/2 je
k→∞lim ck2k−1= 1 2 lim
k→∞(2c)k=∞, tedyadekv´atn´ı cena za vstup do hry je nekoneˇcn´a!
Cviˇcen´ı. Popiˇste Markov˚uv ˇretˇezec, popisuj´ıc´ı hru
”chcete b´yt milion´aˇrem?“ se z´achytn´ymi body a omezen´ym poˇctem kol.
Pˇr´ıklad (ruinov´an´ı v ruletˇe). V ruletˇe s´azka na barvu pˇrin´aˇs´ı v´yhru ve v´yˇsi dvojn´asobku vkladu s pravdˇe- podobnost´ıd o m´alo menˇs´ı neˇz 1/2 (dle typu rulety 2449, 1837 nebo 1838 = 199). Hr´aˇc vsad´ı nejprve 1000EUR. Po prvn´ı v´yhˇre konˇc´ı. Po kaˇzd´e prohˇre vsad´ı dvojn´asobnou ˇc´astku neˇz v pˇredchoz´ım kole. Jak´e je rozdˇelen´ı a stˇredn´ı hodnota jeho v´yhry?
Jde o obdobu hry
”chcete b´yt milion´aˇrem?“ s vymˇenˇen´ymi rolemi hr´aˇce a bank´eˇre a c= 1−d. Bank´eˇri se hra
”vypl´ac´ı“, pˇrestoˇze m´a nulovou pravdˇepodobnost v´yhry. Nere´aln´y je pˇredpoklad, ˇze hru lze hr´at libovolnˇe dlouho.
Cviˇcen´ı. Jak bude vypadat
”ruinov´an´ı v ruletˇe“, jestliˇze hr´aˇc (pˇr´ıpadnˇe i bank´eˇr) m´a omezen´e finance?
Pˇr´ıklad(petrohradsk´y paradox). Hr´aˇc zaplat´ı za ´uˇcast ve hˇre, v n´ıˇz h´az´ı minc´ı. Padne-li l´ıc, vyhraje1EUR.
Padne-li rub, hra pokraˇcuje a v´yhra se zdvojn´asobuje, tj. padne-li l´ıc poprv´e vk-t´em hodu, v´yhra je2k−1 EUR.
Jak´a je adekv´atn´ı cena za ´uˇcast ve hˇre?
Hra konˇc´ı vk-t´em kroku s pravdˇepodobnost´ı 2−ka v´yhrou 2k−1EUR, stˇredn´ı hodnotu v´yhry dostaneme souˇctem pˇres vˇsechny moˇzn´e d´elky hry,
∞
X
k=1
2−k2k−1=
∞
X
k=1
1 2 =∞.
Cviˇcen´ı(prodluˇzovaˇcky). Prodluˇzovaˇcky s pravdˇepodobnost´ıc∈(0,1)mˇen´ı poˇrad´ı vodiˇc˚u (f´aze↔nul´ak). Jak´a je pravdˇepodobnost, ˇze s´eriov´e spojen´ıkprodluˇzovaˇcek mˇen´ı poˇrad´ı vodiˇc˚u?
Cviˇcen´ı (informaˇcn´ı kan´al). * Bin´arn´ı informaˇcn´ı kan´al pˇrenese 0 s pravdˇepodobnost´ı0.1 jako1,1 s pravdˇe- podobnost´ı0.2jako0. Spoj´ıme jichkdo s´erie. Jak´e jsou pravdˇepodobnosti chyb? Jak´y bude v´ystup prok→ ∞?
6 Reverzibilita
6.1 Odhady parametr˚ u Markovov´ ych ˇ retˇ ezc˚ u
Co lze zjistit dlouhodob´ym pozorov´an´ım?
A. Pokud m˚uˇzeme pokus libovolnˇe opakovat (vˇcetnˇe poˇc´ateˇcn´ıho rozdˇelen´ı pravdˇepodobnost´ı stav˚u), lze kon- zistentnˇe odhadnout vˇsechny parametry.
(”Dostateˇcnˇe dlouh´a doba sledov´an´ı“ je ˇCebyˇsevovou nerovnost´ı v´az´ana na nejmenˇs´ı nenulovou z odhadovan´ych pravdˇepodobnost´ı.)
B. Nad´ale uvaˇzujeme obvykl´y pˇr´ıpad, kdy Markov˚uv ˇretˇezec nastartoval jen jednou a my m˚uˇzeme sledovat jen jednu posloupnost, kterou vygeneruje.
Nem˚uˇzeme odhadnout poˇc´ateˇcn´ı rozdˇelen´ı pravdˇepodobnost´ı stav˚u a nedov´ıme se nic o komponent´ach, do kter´ych jsme se nedostali.
M˚uˇzeme studovat jen tu komponentu, v n´ıˇz jsme skonˇcili, a to jen jej´ı asymptotick´e vlastnosti.
To postaˇcuje ke konzistentn´ımu odhadu matice pˇrechodut´eto komponenty.
6.2 Obr´ acen´ı ˇ casov´ e osy (zpˇ etn´ y chod)
Co bychom pozorovali, kdybychom sledovali Markov˚uv ˇretˇezec pozp´atku a chtˇeli pozorov´an´ı popsat rovnˇeˇz Mar- kovov´ym ˇretˇezcem?
1. Pˇrechodn´e stavy by n´am to mohly znemoˇznit, nad´ale je vylouˇc´ıme.
2. M´a smysl studovat jen jednu komponentu, tedy nerozloˇziteln´y Markov˚uv ˇretˇezec.
3. M´a-li periodu T > 1, pak pˇri zpˇetn´em chodu vid´ıme pr˚uchod tˇr´ıdami stav˚u M1, . . . , MT dle kapitoly 5.2 v opaˇcn´em poˇrad´ı.
Chov´an´ı uvnitˇr nich popisuj´ı ergodick´e ˇretˇezce, vznikl´e pˇrechodem ke krok˚um d´elkyT a n´aslednou dekompozic´ı na komponentyM1, . . . , MT.
4. Pokud rozdˇelen´ı pravdˇepodobnost´ı stav˚u nen´ı stacion´arn´ı, pak pˇri pohybu vpˇred ke stacion´arn´ımu konver- guje, pˇri zpˇetn´em chodu
”diverguje“. Z toho pozn´ame, ˇze orientace ˇcasu je chybn´a a popis zpˇetn´eho chodu Markovov´ym ˇretˇezcem neexistuje. (Souvislost s principem r˚ustu entropie.)
Zb´yv´a popsatergodick´eMarkovovy ˇretˇezce sestacion´arn´ım rozdˇelen´ım pravdˇepodobnost´ı stav˚u.
Podkladem pro odhad jejich parametr˚u jsou n´am pouze (relativn´ı) ˇcetnosti pˇrechod˚u v posloupnosti stav˚u (li- bovolnˇe dlouh´e); ty konverguj´ı k pravdˇepodobnostem pˇrechod˚u.
(”Konverguj´ı“ ve stejn´em smyslu, o jak´em hovoˇr´ı ˇCebyˇsevova nerovnost. D´ıky nez´avislosti lze uplatnit i centr´aln´ı limitn´ı vˇetu.)
P−1 nen´ımatice pˇrechodu zpˇetn´eho chodu:
absolutn´ı hodnota vlastn´ıch ˇc´ısel maticeP je≤1;
absolutn´ı hodnota vlastn´ıch ˇc´ısel maticeP−1 je≥1.
Pˇr´ıklad.
P =
0 2/3 1/3
1/3 0 2/3
2/3 1/3 0
,
1
2 3
2 3 1
3
2 3
1 3 2
3
1 3
stacion´arn´ı rozdˇelen´ıp= (1/3,1/3,1/3).
”Pˇrevl´ad´a pohyb po smˇeru hodinov´ych ruˇciˇcek.“
Pˇri zpˇetn´em chodu
”pˇrevl´ad´a pohyb proti smˇeru hodinov´ych ruˇciˇcek.“
Odpov´ıd´a mu
”obr´acen´ı ˇsipek“ a transponovan´a matice P>=
0 1/3 2/3
2/3 0 1/3
1/3 2/3 0
,
1
2 3
1 3 2
3
1 3
2 3
1 3
2 3
Pˇr´ıklad.
P =
1−a a
b 1−b
,
1 2
1−a
a
1−b b
kdea, b∈(0,1), stacion´arn´ı rozdˇelen´ıp= b
a+b, a a+b
. Zpˇetn´y chodnepopisuje maticeP> (nen´ı stochastick´a!), ani
1−b b
a 1−a
,
(m´a jin´e stacion´arn´ı rozdˇelen´ı pravdˇepodobnost´ı stav˚u), n´ybrˇz opˇet P (zmˇenu orientace ˇcasu nepozn´ame).
Takov´ym ˇretˇezc˚um budeme ˇr´ıkatreverzibiln´ı.
Definice. Ergodick´yMarkov˚uv ˇretˇezec s matic´ı pˇrechoduP a stacion´arn´ım rozdˇelen´ım stav˚up= (p1, . . . , pn) je reverzibiln´ı, jestliˇze
pipij =pjpji pro vˇsechnai, j.
Ekvivalentn´ı formulace:
P(Xt=i)·P(Xt+1=j|Xt=i) =P(Xt=j)·P(Xt+1=i|Xt=j) sij:=P(Xt+1=j,Xt=i) =P(Xt+1=i,Xt=j) =:sji
sij=sji
Pˇrevod na p˚uvodn´ı popis:
pi=P(Xt=i) =X
k
sik=X
m
smi,
pij=P(Xt+1=j|Xt=i) = sij
pi
= sij
P
k
sik
= sij
P
m
smi
.
Pro libovoln´y ergodick´y Markov˚uv ˇretˇezec m´ame matici s prvky sij = P(Xt+1 = j, Xt = i). M˚uˇzeme jimi ohodnotit hrany pˇrechodov´eho grafu; pak reverzibilitu snadno pozn´ame z grafu i ze symetrie maticeS.
1
2 3
2 9 1
9
2 9
1 9 2
9
1 9
1 2
(1−a)b a+b
ab a+b
a(1−b) a+b ab
a+b
Proˇc jsmeS nepouˇz´ıvali od zaˇc´atku?
Protoˇze popisuje ˇretˇezec sestacion´arn´ımrozdˇelen´ım pravdˇepodobnost´ı stav˚u.
P je maticepodm´ınˇen´ychpravdˇepodobnost´ı, nez´avisl´ych na pravdˇepodobnostech stav˚u.
Obr´acenˇe:
Vˇeta. Vnerozloˇziteln´emMarkovovˇe ˇretˇezci reverzibilita pipij =pjpji
neboli
sij=sji
implikuje, ˇze je ergodick´y a p= (p1, . . . , pn)je stacion´arn´ı rozdˇelen´ı pravdˇepodobnost´ı stav˚u.
D˚ukaz. Pravdˇepodobnost, ˇze pˇri rozdˇelen´ı pravdˇepodobnost´ıpbude v dalˇs´ım kroku stavj, je X
i
pipij =X
i
pjpji=pj X
i
pji
| {z }
1
=pj.
Reverzibilita je silnˇejˇs´ı podm´ınka.
6.3 Jak lze luˇ stit ˇ sifry 1: model
Pˇr´ıklad. Fragment mot´aku z americk´e vˇeznice [Diaconis 2009]:
Pˇredpokl´ad´ame, ˇze kaˇzd´y znznak˚u odpov´ıd´a pr´avˇe jednomu znaku abecedy. Hled´ame spr´avnou permutaci abecedy, tˇech jen! (moc).
Hled´ame vhodnˇe zjednoduˇsen´y model.
A. Kaˇzd´y znak je nez´avisle vylosov´an s nˇejakou pravdˇepodobnost´ı.
npravdˇepodobnost´ı odhadneme relativn´ımi ˇcetnostmi v jazyce.
Maximalizujeme vˇerohodnost: Znaky obou abeced seˇrad´ıme podle relativn´ı ˇcetnosti a ztotoˇzn´ıme ty, kter´e maj´ı stejn´e poˇrad´ı.
Snadn´e, ale ne´uspˇeˇsn´e; m´alo informace.
B. Kaˇzd´y znak je vylosov´an s nˇejakou pravdˇepodobnost´ı z´avislou na pˇredchoz´ım znaku.
=⇒ Markov˚uv ˇretˇezec snstavy (posledn´ı znak).
n2prvk˚u matice pˇrechodu odhadneme podm´ınˇen´ymi relativn´ımi ˇcetnostmi dvojic znak˚u v jazyce.
Maximalizujeme vˇerohodnost.
Jak?
Uk´aˇzeme, ale napˇred uv´aˇz´ıme sloˇzitˇejˇs´ı modely.
C. Kaˇzd´y znak je vylosov´an s nˇejakou pravdˇepodobnost´ı z´avislou na`pˇredchoz´ıch znac´ıch.
=⇒ Markov˚uv ˇretˇezec sn` stavy (posledn´ıch` znak˚u).
matice pˇrechodu m´a n2`prvk˚u, z nichˇz nenulov´ych m˚uˇze b´yt nejv´yˇsen`+1, odhad je pˇr´ıliˇs obt´ıˇzn´y.
Nem´ame dost dlouh´y text.
D. Kaˇzd´eslovoje vylosov´ano s nˇejakou pravdˇepodobnost´ı z´avislou na slovˇe.
=⇒ Markov˚uv ˇretˇezec s tolika stavy, kolik slov v jazyce uvaˇzujeme (napˇr. 10 000).
n2prvk˚u matice pˇrechodu odhadneme jen s obt´ıˇzemi, i kdyˇz se to dˇel´a.
Nem´ame dost dlouh´y text, aby rozdˇelen´ı na nˇem bylo podobn´e...
6.4 Jak lze luˇ stit ˇ sifry 2: rozluˇ stˇ en´ı
Model B: Pravdˇepodobnost znaku z´avis´ı na pˇredchoz´ım znaku.
Hled´ame spr´avnou permutaci znak˚u abecedy.
Spol´eh´ame na to, ˇze v´ıme, co jsou mezery mezi slovy.
Pro kaˇzdou permutaci znak˚u πdovedeme urˇcit vˇerohodnostL(π) dan´e zpr´avy.
Jak najdeme maximum vˇerohodnosti?
Sestroj´ıme nov´ynerozloˇziteln´y reverzibiln´ıMarkov˚uv ˇretˇezec sn! stavy – permutacemi abecedy.
Zvol´ıme matici pˇrechodu P ∈ Rn!×n! tak, aby stacion´arn´ı rozdˇelen´ı pravdˇepodobnost´ı stav˚u bylo ´umˇern´e vˇerohodnostiL,
pπ= L(π) P
%
L(%) =: L(π)
S .
K ˇcemu to bude?
Po delˇs´ım bˇehu budeme dost´avat pˇrev´aˇznˇe permutace s velkou vˇerohodnost´ı; spr´avn´a permutace bude nejˇcastˇejˇs´ı.
Probl´em:S:=P
%
L(%) pˇres vˇsechn! permutac´ı nespoˇc´ıt´ame.
Reˇˇ sen´ı: Budeme pouˇz´ıvat jen pomˇery vˇerohodnost´ı, na t´eto sumˇe nez´avisl´e.
6.5 Metropolis˚ uv algoritmus
0. Zvol´ıme libovolnou poˇc´ateˇcn´ı permutaci znak˚uπ.
1. V π vymˇen´ıme n´ahodnˇe vybranou dvojici znak˚u (z n2
moˇznost´ı s rovnomˇern´ym rozdˇelen´ım); dostaneme novou permutaci%.
2. Porovn´ame vˇerohodnosti:
aπ%= L(%) L(π) = p%
pπ
.
(Vˇerohodnosti lze snadno spoˇc´ıtat, na rozd´ıl od pravdˇepodobnost´ıpπ, p%.) A. aπ%≥1 (%je vˇerohodnˇejˇs´ı) =⇒ zmˇenu (π:=%) provedeme.
B. aπ%<1 (π je vˇerohodnˇejˇs´ı) =⇒ zmˇenu (π:=%) provedemes pravdˇepodobnost´ıaπ%. 3. Dokud nejsme spokojeni s v´ysledkem, pokraˇcujeme od kroku 1.
Retˇˇ ezec je nerozloˇziteln´y – ke kaˇzd´e permutaci se m˚uˇzeme dostat.
Kdybychom zmˇenu vˇzdy provedli, ˇretˇezec by nebyl ergodick´y, mˇel by periodu 2.
Nav´ıc jsme splnili podm´ınku reverzibility (zobrazen detail pˇrechodov´eho grafu):
A.L(%)≥L(π): pπpπ%= pπ
(n2)=p%p%π
π %
1
(n2)
a%π
(n2) = L(π)
(n2)L(%)= pπ (n2)p%
π %
pπ
(n2)= L(π)
S(n2)
p%a%π
(n2) = pπ
(n2) = L(π)
S(n2)
B.L(%)< L(π): pπpπ%= p%
(n2) =p%p%π
π %
aπ%
(n2) = L(%)
(n2)L(π)= p% (n2)pπ
1
(n2)
π %
pπaπ%
(n2) = p%
(n2)= L(%)
S(n2)
p%
(n2)= L(%)
S(n2)
Pravdˇepodobnosti stav˚u podle vˇety 6.2 konverguj´ı k pπ= L(π)
S = L(π)
P
%
L(%),
takˇze jsou ´umˇern´e vˇerohodnosti.
Pˇr´ıklad rozˇsifrov´an´ı Shakespearova textu (vlevo poˇcet krok˚u algoritmu):
Fragment rozˇsifrovan´eho mot´aku:
Uspˇ´ ech, pˇrestoˇze to ani nebyla tak docela angliˇctina.
7 Markovovy ˇ retˇ ezce s nekoneˇ cnˇ e mnoha stavy
M´ısto n´asoben´ı matic bychom potˇrebovali nekoneˇcn´e sumy.
Klasifikace stav˚u je sloˇzitˇejˇs´ı o dalˇs´ı moˇznosti (nulov´ystav), nemus´ı existovat trval´y stav...
Lze setrvat v pˇrechodn´ych stavech (nekoneˇcnˇe mnoha).
Pˇr´ıklad(nekoneˇcn´a n´ahodn´a proch´azka). [Wasserman 2004, Zv´ara, ˇStˇep´an 2002]
• Pokud oba smˇery vol´ıme se stejnou pravdˇepodobnost´ı, do v´ychoz´ıho bodu se vr´at´ıme s pravdˇepodobnost´ı1.
S pravdˇepodobnost´ı1navˇst´ıv´ıme v´ychoz´ı bod (stejnˇe jako vˇsechny ostatn´ı!)nekoneˇcnˇekr´at, pˇrestostˇredn´ı doba mezi n´avraty je nekoneˇcn´a.
• Pokud oba smˇery vol´ıme se r˚uznou pravdˇepodobnost´ı, do v´ychoz´ıho bodu se vr´at´ıme s pravdˇepodobnost´ı<1.
Pak jsou vˇsechny stavy pˇrechodn´e.
Pˇr´ıklad(nekoneˇcn´a n´ahodn´a proch´azka ve v´ıce dimenz´ıch). [Enc. Math.] Pˇri nekoneˇcn´e n´ahodn´e proch´azce se vˇzdy vyd´ame do nˇekter´eho ze sousedn´ıch bod˚u, a to se stejnou pravdˇepodobnost´ı.
• V 1dimenzi se do v´ychoz´ıho bodu vr´at´ıme s pravdˇepodobnost´ı1.
• Ve2 dimenz´ıch (vol´ıme ze4-okol´ı) se do v´ychoz´ıho bodu vr´at´ıme s pravdˇepodobnost´ı1.
• Ve3 dimenz´ıch (vol´ıme ze6-okol´ı) se do v´ychoz´ıho bodu vr´at´ıme s pravdˇepodobnost´ı pˇribliˇznˇe0.35<1.
8 Pˇ r´ıklady aplikac´ı
• Hromadn´a obsluha a fronty
• Klasifikace, rozpozn´av´an´ı(od tˇr´ıdˇen´ı chmelu po rozpozn´av´an´ı obliˇcej˚u)
• Pohyb nosiˇc˚u n´aboje v polovodiˇc´ıch, rekombinace