马尔可夫链方法和条件概率这两件事有关系吗?如果他们碰巧有关联;请解释一下它们之间的关系。
最佳答案
马尔可夫链和条件概率尝试回答不同的问题。然而它们在某种意义上是相关的。
在马尔可夫链中,我们研究具有状态和状态转换的系统。 事件触发状态转换,事件的概率可能取决于系统所处的状态 - 这就是条件概率发挥作用的地方。
让我们先看一下以下示例,以了解条件概率:
条件概率可以定义为:
P(A|B) := P( A AND B )/P(B)
换句话来说:假设事件B已经发生,事件A发生的概率有多大?
示例:盒子里的球:
让我们在一个盒子里放(R)ed、(B)lue、(L)ight和(H)eavy球。 球可以是重的或轻的,也可以是红色的或蓝色的。
Balls | Light | Heavy | Total
------------------------------------
Red | 10 | 20 | 30
Blue | 30 | 40 | 70
Total | 40 | 60 | 100
选择 P(X) 的概率,其中 X 表示 (R)ed、(B)lue、(H)eavy 或 (L)ight、Red 和 Light(RL) Red 和 Heavy(RH) 等。 ..如下:
Event | N | Total | P
----------------------------
R | 30 | 100 | 0.3
B | 70 | 100 | 0.7
L | 40 | 100 | 0.4
H | 60 | 100 | 0.6
RL | 10 | 100 | 0.1
RH | 20 | 100 | 0.2
BL | 30 | 100 | 0.3
BH | 40 | 100 | 0.4
如果我们遇到如下问题,我们就会讨论条件概率:
如果我们已经选择了一个重球,那么获得蓝色球的概率是多少?
P(B|H) = P(B 和 H)/P(H) = #BH/#H = 40/60 = 2/3
马尔可夫链有点不同:
对于马尔可夫链的示例,我们需要一个稍微不同的实验。
想象一下有两个盒子的设置;一种带有(L)轻球,一种带有(H)重球。
实验:
挑选 N 个球,然后将它们放回盒子中。
从方框 (L) 开始
如果选择了 (B) 球,则从 (H) 重箱中选择一个球。
如果选择了(右)球,则从(左)右盒子中选择一个球。
问题:第 n 个球是重球的可能性有多大?
在处理马尔可夫链时,我们首先尝试构建一个状态机: 状态(L)表示您正在从装有光球的盒子中挑选 选球的结果可能会导致过渡到相同状态或不同状态。 转移将表示为 {R,B} 及其概率在括号中。
+-----+ R(2/4) +-----+
| |<------------------- | |
.-------->| | | | <------.
\R(1/4) | L | B(3/4) | H | / B(4/6)
\--------| | ------------------->| | -----/
+-----+ +-----+
现在我们可以将状态表示为向量,并将所有转换及其概率表示为矩阵。经过一步(N=1)后,我们将处于以下状态:
^N
|1/4 2/6| |1| |1/4| | L |
| | x | | = | | = | |
|3/4 4/6| |0| |3/4| | H |
因此处于状态 L 的可能性是 1/4,状态 H 是 3/4。 如果 N = 1000,我们只需重新应用转换矩阵 1000 次, 这与将矩阵求 1000 次方并应用于状态向量相同。 1000 步后,处于状态 L 的概率约为 0.31,处于状态 H 的概率约为 0.69。
注释:
根据设计,矩阵的条目是第一个问题的条件概率。
矩阵的 n 次方收敛,因此在无限步后处于某种状态的概率。
关于machine-learning - 关于马尔可夫链的困惑,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40907844/