isreducible

Проверяйте марковскую цепь на редуктивность

Синтаксис

Описание

пример

tf = isreducible(mc) возвращает true если дискретная цепь Маркова mc является редуцируемым и false в противном случае.

Примеры

свернуть все

Рассмотрим эту матрицу перехода с тремя состояниями.

P=[0.50.500.50.50001]

Создайте марковскую цепь, которая характеризуется переходной матрицей P.

P = [0.5 0.5 0; 0.5 0.5 0; 0 0 1];
mc = dtmc(P);

Определите, является ли цепь Маркова редуцируемой.

isreducible(mc)
ans = logical
   1

1 указывает, что mc является редуцируемым.

Визуально подтвердить редуктивность марковской цепи путем построения её диграф.

figure;
graphplot(mc);

Figure contains an axes. The axes contains an object of type graphplot.

На рисунке появляются две независимые цепи. Этот результат указывает, что можно анализировать две цепи отдельно.

Входные параметры

свернуть все

Дискретная цепь Маркова с NumStates состояния и матрица переходов P, заданный как dtmc объект. P должен быть полностью задан (нет NaN записи).

Выходные аргументы

свернуть все

Флаг редуктивности, возвращенный как true если mc является редуцируемой марковской цепью и false в противном случае.

Подробнее о

свернуть все

Редуктивная цепь

Марковская цепь reducible, если она состоит из более чем одного сообщающегося класса. Асимптотический анализ сводится к отдельным подклассам. Посмотрите classify и asymptotics.

Алгоритмы

  • Цепь Маркова mc неприводимо, если каждое состояние достижимо из каждого другого состояния самое большее n - 1 шаг, где n количество состояний (mc.NumStates). Этот результат эквивалентен Q = (I + Z)n – 1 содержащие все положительные элементы. I является n единичной матрицей n -by. Матрица нулевого шаблона матрицы перехода P (mc.P) <reservedrangesplaceholder8> <reservedrangesplaceholder7> <reservedrangesplaceholder6> = I (P <reservedrangesplaceholder3> <reservedrangesplaceholder2>> 0), для всего i, <reservedrangesplaceholder0> [2]. Чтобы определить редуктивность,isreducible вычисляет Q.

  • По теореме Перрона-Фробениуса [2] неприводимые марковские цепи имеют уникальные стационарные распределения. Unichains, которые состоят из одного рекуррентного класса плюс переходных классов, также имеют уникальные стационарные распределения (с нулевой массой вероятностей в переходных классах). Редуктивные цепи с несколькими рекуррентными классами имеют стационарные распределения, которые зависят от начального распределения.

Ссылки

[1] Gallager, R.G. Stochastic Processes: Theory for Applications. Кембридж, Великобритания: Cambridge University Press, 2013.

[2] Хорн, Р. и К. Р. Джонсон. Матричный анализ. Кембридж, Великобритания: Cambridge University Press, 1985.

Введенный в R2017b
Для просмотра документации необходимо авторизоваться на сайте