主要内容

重新分配

计算马尔可夫链重新分配

在页面中崩溃

句法

x =重新分发（MC，numSteps）
x =重新分布（mc，numsteps，'x0'，x0）

描述

例子

X=重新分配（MC，，，，numsteps）返回数据X关于离散时间马尔可夫链中状态均匀分布的演变MC在进步之后numsteps时间步骤。

例子

X=重新分配（MC，，，，numsteps，，，，'x0'，x0）可选地指定初始状态分布X0。

例子

全部收缩

打开实时脚本

从包含八个不可行的过渡的随机生成的过渡矩阵中创建一个四州马尔可夫链。

rng（'默认'）；％可再现性MC = MCMIX（4，“零”，8）;

MC是一个DTMC目的。

绘制马尔可夫链的挖掘图。

数字;Graphplot（MC）;

图包含一个轴对象。轴对象包含类型图形图的对象。

状态4是一个吸收状态。

在每个步骤中计算状态重新分配，以完成10个离散时间步骤。在状态下假设初始均匀分布。

X =重新分配（MC，10）
x =11×40.2500 0.2500 0.2500 0.2500 0.0869 0.2577 0.3088 0.3467 0.1073 0.2990 0.1536 0.4402 0.0533 0.2133 0.1844 0.5489 0.0641 0.2010 0.1092 0.6257 0.0379 0.1473 0.1162 0.6985 0.0404 0.1316 0.0765 0.7515 0.0266 0.0997 0.0746 0.7991 0.0259 0.0864 0.0526 0.8351 0.0183 0.0670 0.0484 0.8663 ⋮

X是11 x-4矩阵。行对应于时间步骤，列对应于状态。

可视化状态重新分布。

数字;Distplot（MC，X）

图包含一个轴对象。具有状态标题分布的轴对象包含类型图像的对象。

10过渡后，该分布似乎与状态的大部分概率质量定居4。

打开实时脚本

考虑一个随机过程的理论，右式过渡矩阵。

p = [[ 0 0 1 / 2 1 / 4 1 / 4 0 0 0 0 1 / 3 0 2 / 3 0 0 0 0 0 0 0 1 / 3 2 / 3 0 0 0 0 0 1 / 2 1 / 2 0 0 0 0 0 3 / 4 1 / 4 1 / 2 1 / 2 0 0 0 0 0 1 / 4 3 / 4 0 0 0 0 0 这是给予的 。

创建以过渡矩阵为特征的马尔可夫链p。

p = [0 0 1/2 1/4 1/4 0 0;0 0 1/3 0 2/3 0 0;0 0 0 0 0 1/3 2/3;0 0 0 0 0 1/2 1/2;0 0 0 0 0 3/4 1/4;1/2 1/2 0 0 0 0 0;1/4 3/4 0 0 0 0 0];MC = DTMC（P）;

绘制马尔可夫链的有向图。通过使用边缘颜色来指示过渡的概率。

数字;图形图（MC，“彩色”，真的）;

图包含一个轴对象。轴对象包含类型图形图的对象。

使用随机初始值计算Markov链的20步重新分布。

RNG（1）;％可再现性x0 = rand（mc.numstates，1）;rd =重新分发（MC，20，'x0'，x0）;

绘制重新分配。

数字;DISTPLOT（MC，RD）;

图包含一个轴对象。具有状态标题分布的轴对象包含类型图像的对象。

重新分配表明该链是周期性的，为三个周期。

通过创建马尔可夫链的懒惰版本来删除周期性。

lc =懒惰（MC）;

使用随机初始值计算懒链的20步重新分布。绘制重新分配。

x0 = rand（mc.numstates，1）;lrd1 =重新分配（LC，20，'x0'，x0）;数字;DISTPLOT（LC，LRD1）;

图包含一个轴对象。具有状态标题分布的轴对象包含类型图像的对象。

几个步骤后，重新分配似乎可以解决。

输入参数

全部收缩

离散时间马尔可夫链数字状态和过渡矩阵p，指定为DTMC目的。p必须完全指定（否南条目）。

计算的离散时间步骤的数量，指定为正整数。

数据类型：双倍的

名称值参数

将可选的参数对name1 = value1，...，namen = valuen， 在哪里姓名是参数名称和价值是相应的值。名称值参数必须在其他参数之后出现，但是对的顺序并不重要。

在R2021a之前，请使用逗号分隔每个名称和值，并附上姓名用引号。

例子：'x0'，[0.5 0.25 0.25]指定的初始状态分布[0.5 0.25 0.25]。

初始分布，指定为逗号分隔对，由'x0'以及一个非负数字向量数字长度。重新分配归一化X0这样它总结为1。

默认值是状态的统一分布。

例子：'x0'，[0.5 0.25 0.25]

数据类型：双倍的

输出参数

全部收缩

国家概率的演变，返回（1 + numsteps）-经过-数字非负数字矩阵。第一行是X0。随后的行是每个步骤的重新分配，重新分配通过过渡矩阵确定p。

笔记

如果MC是善良的，numsteps足够大，x（结束，:)近似X =渐近学（MC）。看渐近学。

提示

可视化由重新分配， 利用散布。

版本历史记录

在R2017b中引入

也可以看看

对象

功能

话题