这个例子展示了如何计算和可视化状态再分配,它显示了从初始分布到确定性状态分布随时间的演变。
考虑这个理论的,一个随机过程的右随机转移矩阵。
创建以转移矩阵为特征的马尔可夫链P.
P=[01/21/41/40 0;01/30 0 2/30 0;01/3 2/3;01/2 1/2;01/2 0 0 0 0 0 3/4 1/4;1/2 1/2 0 0 0 0 0 0 0 0 0;1/4 3/4 0 0 0 0 0 0 0 0 0 0 0];mc=dtmc(P);
绘制马尔可夫链的有向图,并使用节点颜色和标记识别类。
图形图幅(mc,“彩色节点”,对);
司仪
表示一个周期为3的重复课程。
假设初始状态分布是均匀的,计算20个时间步的分布演化。
numSteps=20;X=重新分配(mc,numSteps);
X
是一个21乘7的矩阵。行T包含在时间步长的演化状态分布T.
在热图中可视化重新分布。
图;distplot (mc, X);
链的周期性是明显的。
通过将马尔可夫链转换为惰性链来去除马尔可夫链的周期性。将懒惰链的转移矩阵绘制为热图。
lc=懒惰(mc);图形imagesc(lc.P);彩色地图(“喷气式飞机”); 轴广场; 色条;头衔(“理论惰性链转移矩阵”)
信用证
是一个dtmc
对象。懒惰的
通过增加持久性概率的权重来创建惰性链,即,懒惰的
强制执行自循环。
计算20个时间步的惰性链中分布的演变。在热图中绘制重新分布。
X1=重新分配(lc,numSteps);图;距离图(lc,X1);
以动画直方图的形式查看状态分布的演变。指定1秒的帧速率。
图:距离图(lc,X1,“类型”,“直方图”,的帧速率,1)
计算惰性链的平稳分布。将其与动画直方图中的最终重新分布进行比较。
xFix=渐近(lc)
xFix=1×70.1300 0.2034 0.1328 0.0325 0.1681 0.1866 0.1468
平稳分布和最终再分配几乎相同。