Tiểu luận môn công cụ toán cho công nghệ thông tin quá trình ngẫu nhiên xích markov

QUÁ TRÌNH NGẪU NHIÊN – XÍCH MARKOV Nhóm 5 – Lớp Cao học HTTT 2014-2016 T h à n h V i ê n Quá trình ngẫu nhiên – Xích Markov 2 Quá trình ngẫu nhiên – Xích Markov I KHÁI NIỆM QUÁ TRÌNH NGẪU NHIÊN 1 Sơ lược về quá trình ngẫu nhiên Các hiện tượng diễn ra trong tự nhiên, xã hội hoặc có tính chất tất định (có tính quy luật, có thể biết trước kết quả) hoặc có tính chất ngẫu nhiên (không biết trước kết quả) Mặc dù không thể nói trước một hiện tượng ngẫu nhiên xảy ra hay không xảy ra khi thực hiện một lần quan sát, tuy nhiên nếu tiến hành quan sát nhiều lần một hiện tượng ngẫu nhiên trong các phép thử như nhau, ta có thể đánh giá được khả năng xuất hiện của các biến cố tương ứng và rút ra được những kết luận khoa học về hiện tượng này Lý thuyết xác suất nghiên cứu khả năng xuất hiện của các hiện tượng ngẫu nhiên và ứng dụng chúng vào thực tế Trong học phần xác suất và thống kê chúng ta đã tìm hiểu khái niệm biến ngẫu nhiên, đó là các biến nhận giá trị nào đó phụ thuộc vào các yếu tố ngẫu nhiên Khi họ các biến ngẫu nhiên phụ thuộc vào thời gian ta có quá trình ngẫu nhiên Quá trình ngẫu nhiên cung cấp những mô hình hữu ích để nghiên cứu nhiều lĩnh vực khác nhau như vật lý thống kê, viễn thông, điều khiển, phân tích chuỗi thời gian, sự tăng trưởng dân số và các ngành khoa học quản lý Các tín hiệu video, tín hiệu thoại, dữ liệu máy tính, nhiễu của một hệ thống viễn thông, nhiễu điện trong các thiết bị điện, số khách hàng đến một điểm phục vụ, chỉ số chứng khoán trong thị trường chứng khoán… là các quá trình ngẫu nhiên Quá trình ngẫu nhiên có nhiều ứng dụng trong viễn thông là quá trình Markov (quá trình không nhớ, memoryless) và quá trình dừng 2 Khái niệm quá trình ngẫu nhiên Xét một hệ thống vật lý (hay một hệ thống sinh thái, hệ thống dịch vụ,… ) tiến triển theo thời gian Gọi X(t) là vị trí (tình trạng) của hệ tại thời điểm t Như vậy ứng với mỗi thời điểm t, X(t) chính là một biến ngẫu nhiên mô tả vị trí (tình trạng) của hệ thống Quá trình {X(t), t∈T} được gọi là một quá trình ngẫu nhiên Tập T là tập chỉ thời gian và do đó ta coi X(t) là trạng thái của quá trình thời gian t Tập hợp các vị trí có thể có của X(t) gọi là không gian trạng thái Kí hiệu là E Ví dụ 1.1: khi gieo con xúc sắc, gọi X(t) là biến ngẫu nhiên chỉ trạng thái của con xúc sắc ở lần gieo t Như vậy, X(t) chỉ có thể nhận giá trị là 1 trong 6 mặt của con xúc sắc Do đó, ta có không gian trạng thái là E = {1, 2, 3, 4, 5, 6} Tóm lại: Một quá trình ngẫu nhiên là một tập hợp các biến ngẫu nhiên dùng mô tả sự tiến triển của một quá trình nào đó theo thời gian Ví dụ 1.2: Trong một khu phố 1000 dân (khách hàng) có 3 siêu thị là A, B, và C (A, B, C được coi là các vị trí 1, 2, 3 của hệ thống siêu thị này) Giả sử rằng, trong từng tháng mỗi khách hàng luôn trung thành với một siêu thị Ngoài ra, cũng giả sử rằng 3 Quá trình ngẫu nhiên – Xích Markov trong tháng đầu số khách vào các siêu thị lần lượt là 200, 500 và 300; tức là có 20% khách hàng vào siêu thị A, 50% vào B và 30% vào C • Để mô tả tình trạng phân chia thị phần trong tháng đầu (tháng 0) của hệ thống siêu thị trên, chúng ta thiết lập biến ngẫu nhiên X(0) với quy tắc: nếu khách hàng mua hàng ở siêu thị A thì đặt X(0)=1, ở siêu thị B thì đặt X(0) = 2, còn ở siêu thị C thì X(0) = 3 Lúc đó, X(0) có bảng phân phối xác suất sau: • Để mô tả tình trạng phân chia thị phần trong các tháng tiếp theo, chẳng hạn, tháng = 1, 2, 3,… vị trí của hệ thống sẽ được mô tả bởi các biến ngẫu nhiên X(1), X(2), X(3),… với các bảng phân phối xác suất tương ứng Ta xây dựng được quá trình ngẫu nhiên { X(0), X(1), X(2), …} để mô tả tình trạng phân chia thị phần của hệ thống siêu thị trên 3 Phân loại quá trình ngẫu nhiên 3.1 Phân loại theo tập thời gian T Xét quá trình ngẫu nhiên { X(t), t ∈ T }: • Nếu T là tập con của tập số nguyên (T ) thì quá trình { X(t), t ∈ T } được gọi là quá trình rời rạc theo thời gian Trường hợp này ta ký hiệu Xn thay cho X(t) và gọi là một dãy ngẫu nhiên Theo ví dụ 1.2, ta cho t là các tháng 0, 1,… thì tập T = { 0, 1, 2, 3, 4, 5, …} là tập rời rạc • Nếu T = [0;) thì quá trình {X(t); t ∈ T} được gọi là quá trình liên tục theo thời gian 3.2 Phân loại theo tập không gian trạng thái E Ta ký hiệu E là tập tất cả các giá trị của X(t), và gọi là không gian trạng thái của quá trình, mỗi giá trị của X(t) được gọi là một trạng thái • Nếu E là tập đếm được thì { X(t), t ∈ T } gọi là quá trình có trạng thái rời rạc • Nếu E là 1 khoảng của tập số thực thì { X(t), t ∈ T } được gọi là quá trình thực hoặc quá trình trạng thái liên tục • Nếu E tập con của tập số phức thì { X(t), t ∈ T } là quá trình trạng thái phức • Nếu E thì { X(t), t ∈ T } là quá trình trạng thái k-véc tơ II XÍCH MARKOV 1 Định nghĩa: Giả thiết ta nghiên cứu sự tiến triển theo thời gian của một hệ vật lý hoặc sinh thái nào đó Kí hiệu X(t) là vị trí của hệ tại thời điểm t Tập hợp các vị trí có thể có của hệ được gọi là không gian trạng thái, kí hiệu là E Giả sử trước thời điểm s hệ ở trạng thái 4 Quá trình ngẫu nhiên – Xích Markov nào đó Còn tại thời điểm s (hiện tại) hệ có trạng thái i Ta cần biết tại thời điểm t trong tương lai (t >s) hệ có trạng thái j với xác suất là bao nhiêu? Nếu xác suất này chỉ phụ thuộc vào s, i, t, j, có nghĩa là sự tiến triển của hệ trong tương lai chỉ phụ thuộc vào hiện tại và độc lập với quá khứ, đó là tính Markov Hệ có tính chất này được gọi là quá trình Markov Về phương diện toán học, tính Markov có thể định nghĩa như sau: Ta nói rằng X(t) có tính Markov nếu: P { X(tn+1} = j | X(t0) = i0, … , X(tn-1) = in-1, X(tn) = i} = P{X(tn+1} = j | X(tn) = i} với t0 < t1 < … < tn < tn+1 < … và i0 , i1 , … , in-1 , i, j ∈ E Ta xem tn là hiện tại, tn+1 là tương lai và t0 , t1 , … , tn-1 là quá khứ Vì thế, biểu thức trên chính là tính Markov của X(t) E gọi là không gian trạng thái của X(t) Một số ví dụ về tính Markov: Ví dụ 2.1: Nếu gọi X(t) là dân số nước ta tại thời điểm t (trong tương lai) thì có thể xem X(t) chỉ phụ thuộc vào dân số ở hiện tại và độc lập với quá khứ Như vậy, X(t) có tính Markov Ví dụ 2.2: Xét quá trình chơi bài của một người nào đó, nếu gọi X(t) là số tiền của người đó tại thời điểm t (ván bài thứ t) thì có thể xem X(t) chỉ phụ thuộc vào số tiền của người đó ở ván bài thứ t-1 và không phụ thuộc vào X(t-2), X(t-3),… là bao nhiêu Như vậy, ta nói X(t) có tính Markov Nói chung, các hệ sinh thái không có trí nhớ là những hệ có tính Markov Nếu E đánh số được (đếm được) thì quá trình { X(t), t ∈ T } được gọi là xích Markov Lúc này, có thể kí hiệu E = {1, 2, 3, }, tức là các trạng thái được đánh số Nếu tập các giá trị t đếm được (chẳng hạn, t = 0, 1, 2, ) thì ta có xích Markov với thời gian rời rạc, hay xích Markov rời rạc Nếu t [0,) thì ta có xích Markov với thời gian liên tục, hay xích Markov liên tục Đặt p(s, i, t, j) = P( X(t) = j | X(s) = i ) Đó là xác suất có điều kiện để hệ (hay quá trình) tại thời điểm s ở trạng thái i đến thời điểm t chuyển sang trạng thái j Vì thế, ta gọi p(s, i, t, j) là xác suất chuyển của hệ (hay quá trình) Nếu xác suất chuyển chỉ phụ thuộc vào (t – s), tức là: p (s, i, t, j) = p (s+h, i, t+h, j) , s, i, t, j, h 0 thì ta nói hệ là thuần nhất theo thời gian Trong phần sau, ta chỉ xét xích Markov rời rạc và thuần nhất 5 Quá trình ngẫu nhiên – Xích Markov 2 Xích Markov rời rạc và thuần nhất 2.1 Bài toán ví dụ Ví dụ 2.3: Trong một khu phố 1000 dân (khách hàng) có 3 siêu thị là A, B, và C (A, B, C được coi là các vị trí 1, 2, 3 của hệ thống siêu thị này) Giả sử rằng, trong từng tháng mỗi khách hàng luôn trung thành với một siêu thị Ngoài ra, cũng giả sử rằng trong tháng đầu số khách vào các siêu thị lần lượt là 200, 500 và 300; tức là có 20% khách hàng vào siêu thị A, 50% vào B và 30% vào C Để mô tả tình trạng phân chia thị phần trong tháng đầu (tháng 0) của hệ thống siêu thị trên, chúng ta thiết lập biến ngẫu nhiên X(0) với quy tắc: nếu khách hàng mua hàng ở siêu thị A thì đặt X(0)=1, ở siêu thị B thì đặt X(0) = 2, còn ở siêu thị C thì X(0) = 3 Lúc đó, X(0) có bảng phân phối xác suất sau: Các giá trị X(0) 1 2 3 Xác suất tương ứng 0,2 0,5 0,3 Để mô tả tình trạng phân chia thị phần trong các tháng tiếp theo, chẳng hạn, tháng = 1, 2, 3,… vị trí của hệ thống sẽ được mô tả bởi các biến ngẫu nhiên X(1), X(2), X(3),… với các bảng phân phối xác suất tương ứng Ta xây dựng được quá trình { X(t), t = {1, 2, …} để mô tả tình trạng phân chia thị phần của hệ thống siêu thị trên Những tháng sau, ta giả sử: • Xác suất để một người khách, đã vào mua hàng ở siêu thị A tháng trước, vào lại A trong tháng sau luôn là 0,8; chuyển sang mua hàng ở B luôn là 0,1 và chuyển sang C luôn là 0,1 • Xác suất để một người khách, đã vào mua hàng ở siêu thị B tháng trước chuyển sang A luôn là 0,07; vào lại B luôn là 0,9 và chuyển sang C luôn là 0,03 • Xác suất để một người khách, đã vào siêu thị C tháng trước chuyển sang A luôn là 0,083; chuyển sang B luôn là 0,067 và vào lại C luôn là 0,85 Yêu cầu: 1 Cho biết xác suất để một khách hàng trong tháng đầu mua ở siêu thị A sau 2 tháng sẽ chuyển sang mua ở siêu thị B là bao nhiêu? 2 Cho biết tỉ lệ phần trăm số khách hàng vào các siêu thị A, B, C sẽ thay đổi cho đến tháng thứ mấy thì ổn định (thay đổi không đáng kể)? 6 Quá trình ngẫu nhiên – Xích Markov 2.2 Ma trận xác suất chuyển 1 bước Giả sử (Xt) , t = 0, 1, 2, … là xích Markov rời rạc và thuần nhất Khi đó tính Markov và tính thuần nhất của (Xt) có nghĩa là: pij = P { X(tn+1} = j | X(t0) = i0, … , X(tn-1) = in-1, X(tn) = i} Ma trận P(1) = pij (với i,j ∊E) gọi là ma trận xác suất chuyển 1 bước Ý nghĩa: pij là xác suất có điều kiện để hệ tại thời điểm t n (hiện tại) ở trạng thái i chuyển sang trạng thái j tại thời điểm tn+1 Ma trận chuyển 1 bước có dạng: Xét lại ví dụ 2.3, dựa vào định nghĩa ma trận chuyển một bước ta được: • =0.8 Nghĩa là sau 1 tháng cửa hàng A (đặt là 1) khách hàng tiếp tục vào lại A là 0.8 • =0.1 Nghĩa là sau 1 tháng khách hàng của hàng A (đặt là 1) chuyển sang cửa hàng B (đặt là 2) là 0.1 • =0.1 Nghĩa là sau 1 tháng khách hàng của hàng A (đặt là 1) chuyển sang cửa hàng C (đặt là 3) là 0.1 • Làm tương tự ta được: =0.07, =0.9, = 0.03, =0.083, =0.067, =0.85 Vậy ta được ma trận chuyển như sau = = 3x3 2.3 Ma trận xác suất chuyển sau n bước Ma trận xác suất chuyển n bước có được định nghĩa theo công thức = P(Xn+m = j|Xm = i) = P(Xn = j|X0 = i) Ma trận P(n) = (với i,j ∊E) gọi là ma trận xác suất chuyển n bước Ý nghĩa: là xác suất có điều kiện để hệ tại thời điểm ban đầu ở trạng thái i, sau n bước chuyển sang trạng thái j 2.4 Phương trình Chapmam-Kolmogorov: Ta đã biết các xác suất truyền 1 bước là pij và các xác suất truyền n bước là Từ đó ta có các phương trình sau: = = Tổng quát: = Ý nghĩa: Pik(n)Pkj(m) là xác suất có điều kiện để xuất phát từ trạng thái i quá trình sẽ chuyển đến trạng thái k sau n bước, rồi chuyển đến trạng thái j sau m bước Từ đó nếu lấy 7 Quá trình ngẫu nhiên – Xích Markov tổng các xác suất có điều kiện này với mọi trạng thái k có thể có (k=0, 1, 2, ) ta sẽ được xác suất Pij(n+m) Theo ví dụ 2.3, hỏi xác suất để một khách hàng trong tháng đầu mua ở siêu thị A sau 2 tháng sẽ chuyển sang mua ở siêu thị B là bao nhiêu? Nghĩa là, tính p12(2) Áp dụng phương trình Chapmam-Kolmogorov ta có: p12(2) = P(X(2) = 2 | X(0) = 1) = = p11(1)p12(1)+ p12(1)p22(1)+ p13(1)p32(1) = 0.8 x 0.1 + 0.1 x 0.9 + 0.1 x 0.067 = 0.1767 2.5 Các tính chất của ma trận chuyển trạng thái Giả sử ta có ma trận chuyển một bước là P và ma trận chuyển n bước là P (n) Từ đó, ta có các tính chất sau: P(n +1) = P P(n) P(n +1) = P(n).P P(n+m) = P(n) P(m) Từ đó suy ra: P(n)=Pn Áp dụng các tính chất trên, tính p12(2) của ví dụ 2.3: 0,1 0,1   0,8 0,1 0,1   0,6553 0,1767 0,0915   0,8      P = P.P =  0,07 0,9 0,03 x  0,07 0,9 0,03 =  0,12149 0,81901 0,03655  0,083 0,067 0,85  0,083 0,067 0,85  0,078145 0,074295 0,017535 2 Ta dễ dàng nhận thấy p12(2) = 0,1767 2.6 Phân phối ban đầu Định nghĩa: Giả sử tại thời điểm t = n, X(n) cũng có thể nhận một trong N giá trị 1, 2,…, N với các xác suất tương ứng là π1(n), π2(n),… πN(n) (với π1(n)+ π2(n)+… πN(n) = 1) thì vectơ ∏(n) = [π1(n), π2(n),… πN(n)] được gọi là vectơ phân phối tại thời điểm t = n Công thức tổng quát như sau π(n) = = P(Xn =j); n=0,1,2 ; j ∊ Với n = 0 ta có vectơ phân phối ban đầu ∏(0) = [π1(0), π2(0),… πN(0)]  Các công thức dưới dạng ma trận: (n) = P(n) (n+1) = (n) P (n+1) = (1) P(n) (n+m) = (n) P(m) 8 Quá trình ngẫu nhiên – Xích Markov Áp dụng cho ví dụ 2.3: - Kí hiệu P[X(0) = 1] = π1(0), P[X(0) = 2] = π2(0), P[X(0) = 3] = π3(0), thì véctơ ∏(0)=[ π1(0), π2(0), π3(0)] = [0,2 0,5 0,3] được gọi là véctơ phân phối xác - suất tại thời điểm t = 0 hay véc tơ phân phối ban đầu Sau 1 tháng kể từ thời điểm ban đầu, xác suất tỉ lệ khách hàng vào các cửa hàng là: ∏ (1) 0,1 0,1   0,8  = ∏ x P = [ 0,2 0,5 0,3] x  0,07 0,9 0,03 0,083 0,067 0,85  = [ 0,2199 0,4901 0,2900] (0) - Tương tự sau 2 tháng tỉ lệ xác suất khách vào các cửa hàng là ∏ ( 2) 0,1 0,1   0,8  = ∏ x P = [ 0,2199 0,4901 0,2900] x  0,07 0,9 0,03 0,083 0,067 0,85  = [ 0,234297 0,48251 0,283193 ] (1) 2.7 Phân phối dừng: a) Định lý ergodic: Tính ergodic: Xích Markov được gọi là tính ergodic theo nghĩa sau: tồn tại giới hạn ∏j = pnij không phụ thuộc vào i sao cho: ∏i > 0, j ϵ E , = 1 Giả sử P = [pij] là ma trận xác suất chuyển của xích Markov (Xn) có không gian trạng thái hữu hạn E={1,2,…,N} • Nếu P chính quy theo nghĩa sau: tồn tại n0 sao cho >0 thì tồn tại các số ∏1, …, ∏n sao cho ∏j > 0, = 1 và mỗi j ϵ E thì = ∏j • Ngược lại , nếu tồn tại các số ∏1,…, ∏n thỏa mãn các điều kiện ∏j >0, = 1 và với mỗi j ϵ E, = 1 thì sẽ tồn tại n 0 thỏa mãn minij >0 , tức là mà trận chính quy • Các số ∏ 1,…, ∏ n là nghiệm của hệ phương trình ∏j = , j ϵ E và đó là nghiệm duy nhất thỏa mãn điều kiện ∏ j > 0 , Vj ϵ E , = 1 nếu ma trận P là chính quy 9 Quá trình ngẫu nhiên – Xích Markov b) Định nghĩa: • Nghiệm ko âm (∏1,…, ∏n) của phương trình ∏j = sao cho = 1 được gọi là phân phối dừng (hay bất biến) của xích Markov với ma trận xác suất chuyển P = [pij] • Viết dưới dạng ma trận thì phân phối dừng là vector cột bất biến đối với ma trận chuyển vị của P, tức là: = Xét lại ví dụ 2.3: Để dự đoán sự phân chia thị trường trong tương lai sẽ cân bằng như thế nào ta tìm phân phối dừng Xét ma trận: = Theo định lý ergodic, ta có ma trận trên là chính quý vì >0 Vậy ta có phương trình sau ∏j = , vậy ta có hệ phương trình sau: Giải hệ trên ta có ∏ = [ 0,272 0,455 0,273] là phân phối dừng, tức là trong tương lai: - Cửa hàng 1 sẽ có lượng khách ổn định là 272 - Cửa hàng 2 sẽ có lượng khách ổn định là 455 - Cửa hàng 3 sẽ có lượng khách ổn định là 273 Thán g A B C 1 0.2199 0.4901 0.29 2 0.234297 0.48251 0.283193 3 0.244718 3 0.47666263 1 0.2786190 5 4 0.252266 4 0.47213567 6 0.2755979 5 0.257737 3 0.46861381 0.2736489 3 6 0.261705 0.46586063 0.2724337 10 Quá trình ngẫu nhiên – Xích Markov Thán g A 6 B C 3 3 7 0.264586 8 0.46369819 4 0.2717150 5 8 0.266680 6 0.46199195 8 0.2713274 2 9 0.268204 1 0.46063976 2 0.2711561 3 10 0.269314 0.45956365 7 0.2711223 1 11 0.270123 8 0.45870389 0.2711722 8 12 0.270715 6 0.45801442 6 0.2712699 4 13 0.271148 9 0.45745963 3 0.2713914 4 14 0.271466 8 0.45701178 9 0.2715214 1 15 0.271700 5 0.45664922 5 0.2716502 3 16 0.271872 9 0.45635492 2 0.2717722 3 17 0.272000 2 0.45611545 4 0.2718843 3 18 0.272094 7 0.45592018 1 0.2719851 6 19 0.272164 9 0.45576063 4 0.2720744 6 20 0.272217 3 0.45563005 0.2721526 21 0.272256 6 0.45552300 4 0.2722203 5 11 Quá trình ngẫu nhiên – Xích Markov Tỉ lệ phần trăm khách hàng vào các siêu thị 2.8 Phân loại trạng thái xích Markov a) Trạng thái liên thông: Ta nói rằng trạng thái j đạt được từ trạng thái i nếu tồn tại n>=0 sao cho pij(n) >0 Ký hiệu ij.Hai trạng thái được gọi là liên thông với nhau nếu ij và ji Và kí hiệu là ij Các tính chất: • ii vì pii(0) = 1 (theo quy ước) • ij thì ji • ij và jk thì ik Xích Markov tối giản: xích Markov được gọi là tối giản nếu hai trạng thái bất kỳ của nó liên thông với nhau Ví dụ: Cho xích Markov với ma trận xác suất chuyển Ta có: = ½ > 0 và = ½ > 0 nên 1 3 = ½ > 0 và = ½ > 0 nên 1 4 = ½ > 0 và = ½ > 0 nên 2 3 = ½ > 0 và = ½ > 0 nên 2 4 Xích có 4 trạng thái E = {1, 2, 3, 4} và hai trạng thái bất kỳ của nó là liên thông với nhau Vậy, đây là xích tối giản a) Trạng thái hồi quy và không hồi quy Mở đầu: Giả sử (Xn) là xích Markov Xét trạng thái cố định i ϵ E, ta đặt fij(n) =P{Xn =j,X1 ≠j,…, Xn ≠j/ X0 =i}, jϵ E Ý nghĩa: fij(n ) là xác suất để hệ xuất phát từ i lần đầu tiên chuyển sang trạng thái j tại thời điểm n Và fii(n) là xác suất để hệ xuất phát từ i lần đầu tiên trở về i tại thời điểm n Công thức: = Định nghĩa: Trạng thái i được gọi là hồi quy nếu fii = 1 , Trạng thái i được gọi là trạng thái không hồi quy nếu fii 0) { str6 = str6 + ">=" + a[i].ToString() + "\n"; ; rtxchuyen.AppendText(str6); str6 = ""; } 21 Quá trình ngẫu nhiên – Xích Markov else{ str6 = str6 + "=") { if (a[i] > 0) { str6 = str6 + "=" + a[i].ToString() + "\n"; ; rtxchuyen.AppendText(str6); str6 = ""; } } if (str[i] == "=" + a[i].ToString() + "\n"; ; rtxchuyen.AppendText(str6); str6 = ""; } else { str6 = str6 + "