Wykład 11
Transkrypt
Wykład 11
Definicja Łańcucha Markova Stan stacjonarny Zastosowania Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania 1 Definicja Łańcucha Markova Definicja Własności Losowanie z rozkładu dyskretnego 2 Stan stacjonarny Istnienie Szukanie stanu stacjonarnego 3 Zastosowania Zastosowania M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Łańcuch Markova wydział klub dom stołówka M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Łańcuch Markova wydział P dom dom 0.1 wydział 0.4 stołówka 0.5 klub 1.0 klub dom wydział 0.5 0 0.2 0 stołówka M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 stołówka 0.4 0.3 0 0 klub 0 0.3 0.3 0 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Łańcuch Markova wydział P dom dom 0.1 wydział 0.4 stołówka 0.5 klub 1.0 klub dom wydział 0.5 0 0.2 0 stołówka 0.4 0.3 0 0 stołówka X0 = dom, X1 = w, X2 = s, X3 = w, X4 = d, X5 = s, ... M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 klub 0 0.3 0.3 0 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Definicja (nieformalna) Dane mamy: przestrzeń stanów Σ, macierz przejścia P, Pi,j oznacza prawdopodobieństwo przejścia ze stanu i-tego do j-tego w jednym kroku, P ma to być prawdopodobieństwo więc j Pi,j = 1, ponadto mamy zadany pewien stan początkowy p0 (lub rozkład P0 , z którego ma pochodzić stan początkowy), M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Definicja (nieformalna) Dynamika: jako stan w kroku t = 0 wybieramy stan początkowy p0 (lub losujemy go z rozkładu początkowego), M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Definicja (nieformalna) Dynamika: jako stan w kroku t = 0 wybieramy stan początkowy p0 (lub losujemy go z rozkładu początkowego), jeżeli w kroku t > 0 jesteśmy w stanie i to jako stan dla kroku t + 1 wybieramy losowy, ale zgodnie z tablicą przejść, tj. stan 1-szy z prawdopodobieństwem Pi,1 , stan 2-gi z prawdopodobieństwem Pi,2 , stan i-ty z prawdopodobieństwem Pi,i , itd. M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Definicja (nieformalna) Dynamika: jako stan w kroku t = 0 wybieramy stan początkowy p0 (lub losujemy go z rozkładu początkowego), jeżeli w kroku t > 0 jesteśmy w stanie i to jako stan dla kroku t + 1 wybieramy losowy, ale zgodnie z tablicą przejść, tj. stan 1-szy z prawdopodobieństwem Pi,1 , stan 2-gi z prawdopodobieństwem Pi,2 , stan i-ty z prawdopodobieństwem Pi,i , itd. Jeżeli znamy stan w chwili t, to przejście do roku t + 1 nie zależy od stanu w krokach t − 1, t − 2... M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Interpretacja Łańcuch Markowa można wygodnie reprezentować jako graf skierowany wierzchołkami są wszystkie stany Σ, jeżeli prawdopodobieństwo bezpośredniego przejścia z i do j jest dodatnie Pij > 0, to dodajemy krawędź (i, j) do grafu (z wagą Pij ), krawędzie nie muszą być symetryczne, M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Interpretacja Łańcuch Markowa można wygodnie reprezentować jako graf skierowany wierzchołkami są wszystkie stany Σ, jeżeli prawdopodobieństwo bezpośredniego przejścia z i do j jest dodatnie Pij > 0, to dodajemy krawędź (i, j) do grafu (z wagą Pij ), krawędzie nie muszą być symetryczne, wagi krawędzi wychodzących z danego wierzchołka sumują się do jedynki, ta własność nie musi zachodzić dla krawędzi wchodzących. M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Interpretacja wydział P dom dom 0.1 wydział 0.4 stołówka 0.5 klub 1.0 klub dom wydział 0.5 0 0.2 0 stołówka M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 stołówka 0.4 0.3 0 0 klub 0 0.3 0.3 0 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Stan przechodni stan a jest przechodni, jeżeli istnieje ścieżka wychodząca z a bez powrotu M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Stan przechodni a stan a jest przechodni, jeżeli istnieje ścieżka wychodząca z a bez powrotu b M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 c Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Stan porwacający stan a jest powracający (rekurencyjny), jeżeli każda ścieżka wychodząca z a kiedyś może powrócić z powrotem do a M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Stan porwacający a stan a jest powracający (rekurencyjny), jeżeli każda ścieżka wychodząca z a kiedyś może powrócić z powrotem do a M. Czoków, J. Piersa b WSN 2010/2011 Wykład 11 c Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Klasa rekursji klasa rekursji — maksymalny zbiór stanów powracających, pomiędzy którymi można swobodnie przechodzić, może być więcej niż jedna klasa rekursji, klasy rekursji można znaleźć algorytmami BFS lub DFS wyszukując silnie spójne składowe w grafie skierowanym, M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Klasa rekursji klasa rekursji — maksymalny zbiór stanów powracających, pomiędzy którymi można swobodnie przechodzić, może być więcej niż jedna klasa rekursji, klasy rekursji można znaleźć algorytmami BFS lub DFS wyszukując silnie spójne składowe w grafie skierowanym, M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Łańcuch nieprzywiedlny a jeżeli z wszystkich stanów da się dojść do wszystkich innych (jest tylko jedna klasa rekursji która obejmuje wszystkie stany), to łańcuch nazywamy nieprzywiedlnym M. Czoków, J. Piersa b WSN 2010/2011 Wykład 11 c Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Stan okresowy / nieokresowy Stan a jest nieokresowy, jeżeli z każdego stanu da się dojść do wszystkich innych oraz gcd{i : P(a → w i krokach → a)} = 1 M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Stan okresowy / nieokresowy Stan a jest nieokresowy, jeżeli z każdego stanu da się dojść do wszystkich innych oraz gcd{i : P(a → w i krokach → a)} = 1 d a b c a b c M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Stan okresowy / nieokresowy Stan a jest nieokresowy, jeżeli z każdego stanu da się dojść do wszystkich innych oraz gcd{i : P(a → w i krokach → a)} = 1 d a c b a b c okresowy M. Czoków, J. Piersa nieokresowy WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Losowanie z rozkładu dyskretnego dane niech będzie n kategorii prawdopodobieństwa p1 , .., pn . chcemy wylosować jedną z kategorii, ale z odpowiadającym jej prawdopodobieństwem P(X = i) = pi M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Losowanie z rozkładu dyskretnego x1p=0.04 dane niech będzie n kategorii prawdopodobieństwa p1 , .., pn . chcemy wylosować jedną z kategorii, ale z odpowiadającym jej prawdopodobieństwem P(X = i) = pi x7p=0.26 x3p=0.25 x4p=0.01 x5p=0.09 M. Czoków, J. Piersa x8p=0.11 x2p=0.09 WSN 2010/2011 Wykład 11 x6p=0.15 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Algorytm naiwny P(X = i) = pi oblicz si := Pi j=1 pj dla i = 1..n wylosuj u ∼ U(0,1) I := 1 while (si < u) I ++ return I M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Algorytm naiwny P(X = i) = pi oblicz si := Pi j=1 pj dla i = 1..n wylosuj u ∼ U(0,1) I := 1 while (si < u) I ++ return I Wartości s1 do sn można liczyć na bieżąco w trakcie pętli. Jeżeli losowanie będzie wielokrotnie powtarzane, to lepiej będzie je zapamiętać w tablicy. M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Algorytm podziału odcinka wygeneruj u ∼ U(0,1) l := 0 r := n do c := b(l + r )/2c if (u > sc ) l := c else r := c while (l < r − 1) return r M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Definicja Własności Losowanie z rozkładu dyskretnego Algorytm generowania wylosuj u1 ∼ Ex(p1 ), u2 ∼ Ex(p2 )..., un ∼ Ex(pn ) np. algorytmem odwracania dystrybuanty, Ex(λ) wylosuj T ∼ U(0,1) zwróć −1 λ ln(T ) znajdź indeks i, taki że ui = min(u1 , ..., un ) zwróć i M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Twierdzenie (n) Niech Pij = (P n )ij = prawdopodobieństwo przejścia z i do j w dokładnie n krokach. Ponadto niech łańcuch Markowa opisywany przez P będzie nieprzywiedlny i nieokresowy. M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Twierdzenie (n) Niech Pij = (P n )ij = prawdopodobieństwo przejścia z i do j w dokładnie n krokach. Ponadto niech łańcuch Markowa opisywany przez P będzie nieprzywiedlny i nieokresowy. P Wtedy istnieje wektor probabilistyczny πi , i πi = 1, ∀i πi > 0, taki że (n) lim Pij = πj . n→+∞ M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Szkic dowodu Rozważmy stany początkowe i, i 0 . Z obu wypuszczamy dwa łańcuchy, które ewoluują zgodnie z macierzą P, ale gdy się spotkają z pewnym stanie j w tej samej chwili, sklejają się i dalej ewoluują wspólnie. Mamy: |Pijn − Pin0 j | ≤ P(agenci jeszcze się nie skleili) A to zanika wraz z n do zera (por. rzucanie dwiema kośćmi do gry do czasu uzyskania pary tych samych wyników). To prawdopodobieństwo nie zależy od wyboru i, możemy zatem je n — prawdopodobieństwo dojścia do j po n kokach oznaczyć Pµj startując z losowego stanu. M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Szkic dowodu 1 jest wartością własną P, więc istnieje wektor π taki, że πP = 1 × π. π nie ma wartości ujemnych. Przypuśćmy przeciwnie. Niech π + = max(0, π) po współrzędnych. Elementy P są nieujemne (z założenia) więc mamy (rachunki po współrzędnych): π+P ≥ π+ oraz πP > π Z strony P zachowuje prawdopodobieństwo PdrugiejP π = j j j (πP)j , więc mamy sprzeczność. π nie może mieć współrzędnych ujemnych. M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Szkic dowodu Zatem π możemy przyjąć, że π jest rozkładem probabilistycznym. lim (Pin0 j − Pijn ) = 0 n→+∞ n lim (Pµj − Pijn ) = 0 n→+∞ lim Pijn = πj n→+∞ M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Rozkład stacjonarny Rozkład π nazywany jest rozkładem stacjonarnym łańcucha Markowa. Odpowiednio długo symulowany MC (Markov Chain) zbiega do swojego rozkładu stacjonarnego. M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Rozkład stacjonarny Interpretacja po dłuższym czasie obserwator może stwierdzić, że łańcuch podadł w rutynę, lokalnie nadal zachowuje się zgodnie z zadaną tablicą przejść, w szerszym oknie czasowym, ilość czasu spędzona w poszczególnych stanach zaczyna się stabilizować, M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Jak znalźć rozkład stacjonarny Dane: łańcuch Markowa opisany przez macierz przejścia P. M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Jak znalźć rozkład stacjonarny Dane: łańcuch Markowa opisany przez macierz przejścia P. Cel: chcemy znaleźć rozkład stacjonarny π. M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Obserwacja przyp. Pij = prawdopodobieństwo przejścia z i do j w jednym kroku M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Obserwacja przyp. Pij = prawdopodobieństwo przejścia z i do j w jednym kroku prawdopodobieństwo przejścia z i do j w dwóch krokach, przechodząc przez k wynosi zatem P(i → k → j) = Pik Pkj M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Obserwacja przyp. Pij = prawdopodobieństwo przejścia z i do j w jednym kroku prawdopodobieństwo przejścia z i do j w dwóch krokach, przechodząc przez k wynosi zatem P(i → k → j) = Pik Pkj prawdopodobieństwo przejścia z i do j w dokładnie dwóch krokach, ale przez dowolny wierzchołek pośredni P(i → k → j) = M. Czoków, J. Piersa Pik Pkj WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Obserwacja przyp. Pij = prawdopodobieństwo przejścia z i do j w jednym kroku prawdopodobieństwo przejścia z i do j w dwóch krokach, przechodząc przez k wynosi zatem P(i → k → j) = Pik Pkj prawdopodobieństwo przejścia z i do j w dokładnie dwóch krokach, ale przez dowolny wierzchołek pośredni X Pik Pkj P(i → → j) = k M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Obserwacja cd. prawdopodobieństwo przejścia z i do j w dokładnie dwóch krokach przez dowolny wierzchołek pośredni X P(i →2kroki j) = Pik Pkj k M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Obserwacja cd. prawdopodobieństwo przejścia z i do j w dokładnie dwóch krokach przez dowolny wierzchołek pośredni X P(i →2kroki j) = Pik Pkj k zatem jest opisywane przez macierz P · P = P 2 , M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Obserwacja cd. prawdopodobieństwo przejścia z i do j w dokładnie dwóch krokach przez dowolny wierzchołek pośredni X P(i →2kroki j) = Pik Pkj k zatem jest opisywane przez macierz P · P = P 2 , przez indukcję — prawdopodobieństwo przejścia w krokach ze stanu i do j w k krokach jest opisywane przez macierz P k . M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 1 oblicz macierz P i , gdzie i jest wysoką potęgą, M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 1 oblicz macierz P i , gdzie i jest wysoką potęgą, zwróć jeden z wierszy otrzymanej macierzy, M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 1 oblicz macierz P i , gdzie i jest wysoką potęgą, zwróć jeden z wierszy otrzymanej macierzy, UWAGA: „algorytmu” nie należy stosować z wyjątkiem sytuacji gdy P jest mała M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 1 0.10 0.40 P= 0.30 1.00 0.60 0.00 0.30 0.00 0.30 0.20 0.00 0.00 0.34 0.15 0.15 0.50 0.30 0.12 2 P = 0.55 0.18 0.15 0.10 0.60 0.30 0.00 0.40 0.40 0.00 0.36 0.08 0.12 0.00 M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 1 0.10 0.40 P= 0.30 1.00 0.60 0.00 0.30 0.00 0.30 0.20 0.00 0.00 0.34 0.15 0.15 0.50 0.30 0.12 2 P = 0.55 0.18 0.15 0.10 0.60 0.30 0.00 0.40 0.40 0.00 0.36 0.08 0.12 0.00 M. Czoków, J. Piersa 0.30 0.33 0.19 0.15 0.39 0.23 0.15 0.21 P4 = 0.37 0.23 0.16 0.23 0.49 0.24 0.13 0.12 0.37 0.26 0.16 0.18 0.38 0.27 0.16 0.17 P8 = 0.38 0.27 0.16 0.17 0.36 0.28 0.17 0.17 WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 Algorytm: symulujemy wstępnie dużą ilość kroków łańcucha, tak by zbiegł do rozkładu stacjonarnego, M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 Algorytm: symulujemy wstępnie dużą ilość kroków łańcucha, tak by zbiegł do rozkładu stacjonarnego, od określonego punktu przez N kolejnych iteracji zliczamy ilości stanów jakie przyjął łańcuch, M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 Algorytm: symulujemy wstępnie dużą ilość kroków łańcucha, tak by zbiegł do rozkładu stacjonarnego, od określonego punktu przez N kolejnych iteracji zliczamy ilości stanów jakie przyjął łańcuch, za prawdopodobieństwo przyjęcia stanu i przyjmujemy πi := ilość kroków w których łańcuch był w stanie i-tym N M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 Algorytm: symulujemy wstępnie dużą ilość kroków łańcucha, tak by zbiegł do rozkładu stacjonarnego, od określonego punktu przez N kolejnych iteracji zliczamy ilości stanów jakie przyjął łańcuch, za prawdopodobieństwo przyjęcia stanu i przyjmujemy πi := ilość kroków w których łańcuch był w stanie i-tym N Czasem się go określa jako MCMC = Markov Chain Monte Carlo. M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 0.10 0.40 P= 0.30 1.00 0.60 0.00 0.30 0.00 0.30 0.20 0.00 0.00 0.00 0.40 0.40 0.00 M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 0.10 0.40 P= 0.30 1.00 T = 379 0.00 0.40 0.40 0.00 288 149 184 0.60 0.00 0.30 0.00 0.30 0.20 0.00 0.00 M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 400 350 0.10 0.40 P= 0.30 1.00 T = 379 0.00 0.40 0.40 0.00 288 149 184 0.60 0.00 0.30 0.00 0.30 0.20 0.00 0.00 300 250 200 150 100 50 0 0 M. Czoków, J. Piersa 1 2 WSN 2010/2011 Wykład 11 3 4 5 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 Problem: Kiedy zakończyć wstępną symulację? M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 Algorytm: oznaczmy T — wstępną ilość kroków, M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 Algorytm: oznaczmy T — wstępną ilość kroków, w kroku 0 z każdego ze stanów wypuszczamy osobną ewoluującą po sieci kopię łańcucha, M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 Algorytm: oznaczmy T — wstępną ilość kroków, w kroku 0 z każdego ze stanów wypuszczamy osobną ewoluującą po sieci kopię łańcucha, jeżeli w pewnym kroku dwie kopie spotkają się w jednym stanie skejają się i dalej ewoluują razem (równoważnie — usuwamy jedną z kopii), M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 Algorytm: oznaczmy T — wstępną ilość kroków, w kroku 0 z każdego ze stanów wypuszczamy osobną ewoluującą po sieci kopię łańcucha, jeżeli w pewnym kroku dwie kopie spotkają się w jednym stanie skejają się i dalej ewoluują razem (równoważnie — usuwamy jedną z kopii), jeżeli w kroku T wszystkie łańcuchy zostały sklejone do jednego, to kończymy etap, jeżeli nie to przyjmujemy T :=2T i kontynuujemy. M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 Uwaga! istnieją łańcuchy Markova, dla których ten algorytm się zapętli (ale dla takich nie istnieje rozkład stacjonarny — nie spełniają założeń twierdzenia!). M. Czoków, J. Piersa WSN 2010/2011 Wykład 11 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Istnienie Szukanie stanu stacjonarnego Sposób 2 a Uwaga! istnieją łańcuchy Markova, dla których ten algorytm się zapętli (ale dla takich nie istnieje rozkład stacjonarny — nie spełniają założeń twierdzenia!). M. Czoków, J. Piersa b a b c a 0 1 0 b 0.5 0 0.5 c 0 1 0 WSN 2010/2011 Wykład 11 c Definicja Łańcucha Markova Stan stacjonarny Zastosowania Zastosowania Błądzenie losowe 20 10 0 -10 -20 -30 -40 0 200 400 M. Czoków, J. Piersa 600 800 WSN 2010/2011 Wykład 11 1000 Definicja Łańcucha Markova Stan stacjonarny Zastosowania Zastosowania Zastosowania błądzenie losowe, modelowanie procesów biologicznych, fizycznych, społecznych etc. narzędzia statystyczne, symulowanie rynków finansowych, rozumowanie przy niepewnej wiedzy, np. w sieciach bayesowskich, algorytm generowania z dowolnego rozkładu (alg. Metropolisa-Hastlingsa) algorytmy typu symulowanego wyżarzania (następy wykład) M. Czoków, J. Piersa WSN 2010/2011 Wykład 11