Ponavljajući postupak, posle n koraka dobijamo matricu:
Kako je ova matrica beskonačne dimenzije, ne možemo primenjivati matrično množenje kao u prethodnom primeru.
I ovaj primer možemo prikazati grafički
Stanja se kod lanaca Markova mogu razlikovati i po tome koliko često (sa kolikom verovatnoćom) se lanac u njih vraća, tj. da li se to dešava skoro sigurno (sa verovatnoćom 1), ili sa nekom manjom verovatnoćom. Odgovor na to pitanje se zove klasifikacija stanja.
Jednostavnije rečeno:
Stanje i je povratno ako će se proces skoro sigurno vratiti u početno stanje, a ako je i prolazno verovatnoća da se lanac ikad u njega vrati je manja od jedan, tj. sa nekom pozitivnom verovatnoćom se to nikad neće desiti.
Takođe, često je bitno odrediti da li se iz jednog određenog stanja može stići u neko drugo (ili svako drugo), ili je neka od verovatnoća prelaska jednaka nuli.
Za stanja i i j za koje postoji pozitivna verovatnoća prelaska u oba smera (iz i u j i iz j u i) kažemo međusobno komuniciraju. Može se pokazati da za svaka dva stanja koja međusobno komuniciraju važi da su ili oba povratna, ili oba prolazna.
Stanje
i je apsorbujuće ako se nakon ulaska u to stanje, iz njega ne može izaći.
Društvo za životno osiguranje želi da sazna koliko treba da naplati svojim klijentima. Jasno, kompanija mora imati predstavu o tome koliko dugo će klijenti živeti. Predlaže se sledeći model koji sumira zdravstveno stanje pojedinca na mesečnom nivou:
H - zdrav, S - bolestan, D - mrtav
Očigledno D je apsorbujući. H,S su prolazna stanja i čine nerazloživ skup koji nije zatvoren.
Ako nas zanima koliko često (koji deo ukupnog vremena) se lanac Markova nalazi u svakom od mogućih stanja (koliko puta je vrednost tog slučajnog niza jednaka i, za i iz skupa stanja), onda je potrebno da odredimo stacionarnu raspodelu
Stacionarna raspodela daje proporciju vremena koju sistem provodi u pojedinačnim stanjima do trenutka n, za veliko n.
Stacionarna raspodela ne mora da postoji ili da bude jedinstvena.
Miš se nalazi u lavirintu koji ima dve prostorije, označimo ih, redom, sa 1 i 2. U prostoriji 1 se nalazi svež sir, a u prostoriji 2 budjav. Posao naučnika je da u svakom minutu zabeleži položaj miša. Kada je miš u ćeliji 1 u trenutku n (minuta), tada je u trenutku n+1 ili još uvek u 1 ili je prešao u 2. Statistička zapažanja navode naučnika da veruje da se miš kreće od prostorije 1 do prostorije 2 sa verovatnoćom α = 0,05; to čini, bez obzira na to gde je bio u ranijim trenucima. Slično, kreće se od 2 do 1 sa verovatnoćom β = 0,99.
Postavlja se pitanje koliko vremena miš provodi u kojoj ćeliji? Da bismo to odredili treba nam stacionarna raspodela tj. moramo da rešimo sistem jednačina.
Do sada smo detaljnije analizirali primere lanaca Markova kod kojih je skup stanja konačan, što nam je omogućavalo da verovatnoće prelaska u jednom ili više koraka dobijamo množenjem ili stepenovanjem matrica. Sada ćemo videti kako se verovatnoće prelaska mogu odrediti za jedan beskonačan lanac. U pitanju je poznati matematički model - slučajno lutanje. Pojavljuje se kao stohastički model za kretanje objekta (čestice), koje se realizuje kroz niz koraka (skokova) u slučajno odabranim pravcima tj. smerovima.
Fokusiraćemo se na jednodimenziono slučajno lutanje.
Verovatnoće prelaska su:
Sve moguće vrednosti u svakom koraku
created with
Website Builder Software .