Markov-Ketten Stationäre Verteilung Rechner

Willkommen beim Markov-Ketten stationäre Verteilung Rechner, einem leistungsstarken mathematischen Tool zur Berechnung der langfristigen stationären Verteilung jeder endlichen Markov-Kette. Geben Sie Ihre Übergangsmatrix ein und sehen Sie sofort die stationären Wahrscheinlichkeiten, ein interaktives Zustandsübergangsdiagramm, die Konvergenzvisualisierung und eine detaillierte Schritt-für-Schritt-Lösung. Ideal für Studenten, Forscher und Fachleute, die mit stochastischen Prozessen arbeiten.

Was ist eine stationäre Verteilung?

Eine stationäre Verteilung (auch Steady-State-Verteilung genannt) einer Markov-Kette ist ein Wahrscheinlichkeitsvektor \(\pi\), für den gilt:

Das bedeutet: Wenn das System in der Verteilung \(\pi\) startet, bleibt es nach beliebig vielen Übergängen in \(\pi\). Intuitiv stellt \(\pi_i\) den langfristigen Anteil der Zeit dar, den das System im Zustand \(i\) verbringt.

Wichtige Konzepte

So berechnet man den stationären Zustand

Der stationäre Vektor \(\pi\) kann durch Lösen des linearen Gleichungssystems aus \(\pi P = \pi\) gefunden werden:

1. Gleichung umschreiben: \(\pi P = \pi\) wird zu \(\pi(P - I) = 0\) bzw. \((P^T - I)\pi^T = 0\).
2. Normierung hinzufügen: Ersetzen Sie eine redundante Gleichung durch \(\pi_1 + \pi_2 + \cdots + \pi_n = 1\).
3. System lösen: Verwenden Sie das Gaußsche Eliminationsverfahren oder Matrixmethoden, um \(\pi\) zu bestimmen.

Bei ergodischen Ketten konvergiert die wiederholte Multiplikation unabhängig von der Startverteilung gegen den eindeutigen stationären Zustand.

So verwenden Sie diesen Rechner

1. Übergangsmatrix eingeben: Geben Sie Ihre Matrix ein (jede Zeile in einer neuen Zeile). Werte können durch Kommas oder Leerzeichen getrennt werden. Jede Zeile muss in der Summe 1 ergeben.
2. Zustandsbezeichnungen (optional): Geben Sie Namen für Ihre Zustände ein (z. B. Sonnig, Regnerisch), getrennt durch Kommas.
3. Dezimalpräzision einstellen: Wählen Sie die Anzahl der Nachkommastellen (2-15) für die Ergebnisse.
4. Berechnen: Klicken Sie auf "Stationäre Verteilung berechnen", um die vollständige Analyse inklusive Verteilung, Konvergenzdiagramm, Zustandsdiagramm und Lösungsweg zu sehen.

Ihre Ergebnisse verstehen

Stationärer Vektor

Die Hauptausgabe ist der Vektor \(\pi = (\pi_1, \pi_2, \ldots, \pi_n)\), wobei jedes \(\pi_i\) die langfristige Wahrscheinlichkeit angibt, sich im Zustand \(i\) zu befinden. Der Zustand mit der höchsten Wahrscheinlichkeit ist der dominante Zustand.

Konvergenzdiagramm

Dieses zeigt, wie sich die Wahrscheinlichkeitsverteilung von einem gleichmäßigen Start durch sukzessive Multiplikationen mit P entwickelt. Eine schnellere Konvergenz deutet auf eine stark mischende Kette hin.

Zustandsübergangsdiagramm

Eine interaktive visuelle Darstellung, bei der:

• Die Knotengröße die stationäre Wahrscheinlichkeit widerspiegelt
• Die Liniendicke die Übergangswahrscheinlichkeit darstellt
• Gekrümmte Pfeile die Richtung der Übergänge zeigen
• Selbstschleifen die Wahrscheinlichkeit angeben, im selben Zustand zu bleiben

Anwendungen in der realen Welt

Wann existiert ein eindeutiger stationärer Zustand?

Eine endliche Markov-Kette hat eine eindeutige stationäre Verteilung, wenn sie irreduzibel ist; ist sie zusätzlich aperiodisch, konvergiert jede Startverteilung dagegen. Eine Kette mit beiden Eigenschaften heißt ergodisch:

• Irreduzibel: Jeder Zustand ist von jedem anderen aus erreichbar (keine getrennten Komponenten).
• Aperiodisch: Der größte gemeinsame Teiler aller Zykluslängen durch einen Zustand ist 1 (keine feste Periodizität).

Eine periodische, aber irreduzible Kette hat trotzdem genau einen stationären Zustand; ihre Potenzen Pᵏ oszillieren nur, statt zu konvergieren. Eine reduzible Kette hat nur dann einen eindeutigen stationären Zustand, wenn sie eine einzige abgeschlossene Klasse besitzt (plus eventuelle transiente Zustände); bei zwei oder mehr abgeschlossenen Klassen gibt es unendlich viele stationäre Verteilungen.

Häufig gestellte Fragen

Was ist eine stationäre Verteilung einer Markov-Kette?

Eine stationäre Verteilung ist ein Wahrscheinlichkeitsvektor π mit πP = π. Er beschreibt den langfristigen Zeitanteil in jedem Zustand, unabhängig vom Startwert.

Wie berechnet man die stationären Wahrscheinlichkeiten?

Lösen Sie das System πP = π unter der Bedingung Σπᵢ = 1. Dies entspricht (Pᵀ - I)π = 0 mit Normierung. Alternativ hilft die Potenziteration bis zur Konvergenz.

Wann ist die stationäre Verteilung eindeutig?

Eine endliche Markov-Kette hat genau dann eine eindeutige stationäre Verteilung, wenn sie genau eine abgeschlossene Kommunikationsklasse besitzt – insbesondere immer dann, wenn sie irreduzibel ist (jeder Zustand ist von jedem anderen aus erreichbar). Aperiodizität ist für die Eindeutigkeit nicht nötig: Die periodische Kette [[0, 1], [1, 0]] hat die eindeutige stationäre Verteilung (½, ½). Aperiodizität sorgt für Konvergenz: Eine irreduzible, aperiodische (ergodische) Kette nähert sich dieser Verteilung von jedem Startpunkt aus.

Was ist die mittlere Rückkehrzeit?

Die erwartete Anzahl an Schritten bis zur Rückkehr in Zustand i, berechnet als 1/πᵢ. Je wahrscheinlicher ein Zustand im Steady-State ist, desto schneller kehrt man dorthin zurück.

Was unterscheidet Übergangsmatrix und stationären Vektor?

P (Matrix) zeigt die Dynamik eines einzelnen Schritts. π (Vektor) zeigt das langfristige Gleichgewicht nach unendlich vielen Schritten.