Рассмотрите эту теоретическую, правильно-стохастическую матрицу перехода стохастического процесса.

Создайте Цепь Маркова, которая характеризуется матрицей P перехода.

P = [1 0 0 0; 1/2 0 1/2 0; 0 0 0 1; 0 0 1/2 1/2];
mc = dtmc(P);

Постройте ориентированного графа Цепи Маркова. Визуально идентифицируйте связывающийся класс, которому каждое состояние принадлежит при помощи цветов узла.

figure;
graphplot(mc,'ColorNodes',true);

Вычислите ожидаемое первое время удара для состояния 3, начинающегося с каждого состояния в Цепи Маркова.

ht = hittime(mc,3)

ht = 4×1

   Inf
   Inf
     0
     2

Поскольку состояние 3 недостижимо от состояния 1, состояние 1 является удаленным состоянием относительно состояния 3 с ожидаемым первым временем удара Inf.

Состояние 3 достижимо от состояния 2, но состояние 2 имеет положительную вероятность перехода, чтобы утвердить 1, который является абсорбирующим состоянием. Поэтому состояние 2 является удаленно-достижимым состоянием относительно состояния 3 с ожидаемым первым временем удара Inf.

Поскольку состояние 3 является целью, ее ожидаемым первым временем удара для себя является 0.

Ожидаемым первым временем удара для состояния 3, начинающего с состояния 4, является 2 временные шаги.

Рассмотрите эту теоретическую, правильно-стохастическую матрицу перехода стохастического процесса.

Создайте Цепь Маркова, которая характеризуется матрицей P перехода.

P = [0   1/2 0   1/2 
     2/3 0   1/3 0   
     0   1/2 0   1/2 
     1/3 0   2/3 0  ];
mc = dtmc(P);

Постройте диграф Цепи Маркова mc. Отобразите вероятности перехода.

graphplot(mc,'ColorEdges',true)

Вычислите ожидаемое первое время удара для состояния 1, начиная с каждого состояния в Цепи Маркова.

ht = hittime(mc,1)

ht = 4×1

         0
    2.3333
    4.0000
    3.6667

Постройте диграф Цепи Маркова. Задайте цвета узла, представляющие ожидаемые первые времена удара для состояния 1, начав с каждого состояния в Цепи Маркова.

hittime(mc,1,'Graph',true);

Постройте другой диграф. Включайте состояние 4 как целевое состояние.

hittime(mc,[1 4],'Graph',true);

Создайте Цепь Маркова, охарактеризованную этой матрицей перехода:

P = [1/2 0   1/2 0   0   0   0
     0   1/3 0   2/3 0   0   0
     1/4 0   3/4 0   0   0   0
     0   2/3 0   1/3 0   0   0
     1/4 1/8 1/8 1/8 1/4 1/8 0
     1/6 1/6 1/6 1/6 1/6 1/6 0
     1/2 0   0   0   0   0   1/2];
mc = dtmc(P);

Вычислите ожидаемые первые времена удара для состояния 1, начиная с каждого состояния в Цепи Маркова mc. Кроме того, постройте диграф и задайте цвета узла, представляющие ожидаемые первые времена удара для состояния 1.

ht = hittime(mc,1,'Graph',true)

ht = 7×1

     0
   Inf
     4
   Inf
   Inf
   Inf
     2

Состояния 2 и 4 формируют абсорбирующий класс. Поэтому состояние 1 недостижимо от этих состояний. Абсорбирующий класс является удаленным относительно состояния 1 с ожидаемым первым временем удара Inf.

Состояние 1 достижимо от состояний 5 и 6, но вероятность перехода в абсорбирующий класс от состояний 5 и 6 является ненулевой. Поэтому состояния 5 и 6 удаленно-достижимы относительно состояния 1 с ожидаемым первым временем удара Inf.

Ожидаемое первое время удара для состояния 1 начало от состояния 7 является 2 временными шагами. Ожидаемое первое время удара для состояния 1 начало от состояния 3 является 4 временными шагами.

Создайте Цепь Маркова с восемью состояниями из случайным образом сгенерированной матрицы перехода с 50 неосуществимыми переходами в случайных местоположениях. Неосуществимый переход является переходом, чья вероятность появления является нулем. Присвойте произвольные имена к состояниям.

numStates = 8;
Zeros = 50;
stateNames = strcat(repmat("Regime ",1,8),string(1:8));
rng(1617676169) % For reproducibility
mc = mcmix(8,'Zeros',Zeros,'StateNames',stateNames);

Постройте диграф Цепи Маркова mc. Задайте цвета узла, которые идентифицируют переходные и текущие состояния и связывающиеся классы.

figure;
graphplot(mc,'ColorNodes',true);

Найдите текущий класс в Цепи Маркова mc путем выполнения этой процедуры:

[~,ClassStates,IsClassRecurrent] = classify(mc);
recurrent = ClassStates{IsClassRecurrent}

recurrent = 1x4 string
    "Regime 2"    "Regime 3"    "Regime 6"    "Regime 8"

Вычислите ожидаемое время удара для состояний текущего класса, начинающегося с каждого состояния в Цепи Маркова.

ht = hittime(mc,recurrent);

Извлеките и отобразите ожидаемые времена поглощения, начинающиеся с переходных состояний.

istransient = ~ismember(mc.StateNames,recurrent);
absorbtime = ht(istransient);
table(absorbtime,'RowNames',mc.StateNames(istransient))

ans=4×1 table
                absorbtime
                __________

    Regime 1      5.8929  
    Regime 4           1  
    Regime 5      1.7777  
    Regime 7      4.8929  

Создайте Цепь Маркова с 50 состояниями из случайной матрицы перехода, в которую большинство переходов неосуществимо и случайным образом помещено.

rng(1) % For reproducibility
mc = mcmix(50,'Zeros',2400);

Визуализируйте смесительное время Цепи Маркова путем графического вывода диграфа и определения цветов узла, представляющих ожидаемые первые времена удара для состояния 1, начиная с каждого состояния.

hittime(mc,1,'Graph',true);

Визуализируйте смесительное время Цепи Маркова для состояния 5.

hittime(mc,5,'Graph',true);

Ожидаемое время поездки на работу от состояния $\mathit{i}$ утверждать $\mathit{j}$ ожидаемое время, требуемое для Цепи Маркова к переходу от состояния $\mathit{i}$ утверждать $\mathit{j}$ (ожидаемое первое время удара ht$\left(\mathit{i},\mathit{j}\right)$), затем обратно чтобы утвердить $\mathit{i}$ (ht$\left(\mathit{j},\mathit{i}\right)$). Официально, ожидаемое время поездки на работу

$\mathit{C}\left(\mathit{i},\mathit{j}\right)=$ht$\left(\mathit{i},\mathit{j}\right)+$ht$\left(\mathit{j},\mathit{i}\right)$.

Создайте Цепь Маркова "гантели", содержащую 10 состояний в каждом "весе" и три состояния в "панели".

rng(1); % For reproducibility
w = 5;                              % Dumbbell weights
DBar = [0 1 0; 1 0 1; 0 1 0];        % Dumbbell bar
DB = blkdiag(rand(w),DBar,rand(w));  % Transition matrix

% Connect dumbbell weights and bar
DB(w,w+1) = 1;                       
DB(w+1,w) = 1; 
DB(w+3,w+4) = 1; 
DB(w+4,w+3) = 1;

mc = dtmc(DB);

Постройте диграф Цепи Маркова mc. Подавите метки узла.

figure;
graphplot(mc);

Полагайте, что вычисление ожидаемого времени поездки на работу от состояния 1 утверждает 10.

Вычислите ht(1,10), ожидаемое первое время удара для состояния 10 начала от состояния 1.

ht = hittime(mc,10);
ht1to10 = ht(1);

Вычислите ht(10,1), ожидаемое первое время удара для состояния 1 начало от состояния 10.

ht = hittime(mc,1);
ht10to1 = ht(10);

Вычислите ожидаемое время поездки на работу из состояния 1, чтобы утвердить 10.

C1to10 = ht1to10 + ht10to1

C1to10 = 236.6165

Ожидаемое время поездки на работу от состояния 1, чтобы утвердить 10 и назад является 236,62 временными шагами.