Calcolatore Distribuzione Stazionaria Catena di Markov

Benvenuto nel Calcolatore della Distribuzione Stazionaria della Catena di Markov, un potente strumento matematico per calcolare la distribuzione stazionaria a lungo termine di qualsiasi catena di Markov finita. Inserisci la tua matrice di transizione e visualizza istantaneamente le probabilità dello stato stazionario, un diagramma di transizione di stato interattivo, la visualizzazione della convergenza e una soluzione dettagliata passo dopo passo. Ideale per studenti, ricercatori e professionisti che lavorano con processi stocastici.

Cos'è una Distribuzione Stazionaria?

Una distribuzione stazionaria (chiamata anche stato stazionario) di una catena di Markov è un vettore di probabilità \(\pi\) tale che:

Ciò significa che se il sistema inizia nella distribuzione \(\pi\), rimane in \(\pi\) dopo un qualsiasi numero di transizioni. Intuitivamente, \(\pi_i\) rappresenta la proporzione di tempo a lungo termine che il sistema trascorre nello stato \(i\).

Concetti Chiave

Come Risolvere per lo Stato Stazionario

Il vettore stazionario \(\pi\) può essere trovato risolvendo il sistema di equazioni lineari derivato da \(\pi P = \pi\):

1. Riscrivi l'equazione: \(\pi P = \pi\) diventa \(\pi(P - I) = 0\), o equivalentemente \((P^T - I)\pi^T = 0\).
2. Aggiungi la normalizzazione: Sostituisci un'equazione ridondante con \(\pi_1 + \pi_2 + \cdots + \pi_n = 1\).
3. Risolvi il sistema: Usa l'eliminazione gaussiana o metodi matriciali per trovare \(\pi\).

Per le catene ergodiche, la moltiplicazione ripetuta converge allo stato stazionario unico indipendentemente dalla distribuzione iniziale.

Come Usare Questo Calcolatore

1. Inserisci la matrice di transizione: Digita la tua matrice con ogni riga su una nuova riga. I valori possono essere separati da virgole o spazi. Ogni riga deve sommare a 1.
2. Aggiungi etichette degli stati (opzionale): Fornisci nomi descrittivi per i tuoi stati (es. Soleggiato, Piovoso) separati da virgole.
3. Imposta la precisione decimale: Scegli il numero di cifre decimali (2-15) per i risultati.
4. Calcola: Clicca su "Calcola Stato Stazionario" per vedere l'analisi completa, inclusa la distribuzione stazionaria, il grafico di convergenza, il diagramma di stato e la soluzione passo-passo.

Comprendere i Risultati

Vettore dello Stato Stazionario

L'output principale è il vettore \(\pi = (\pi_1, \pi_2, \ldots, \pi_n)\), dove ogni \(\pi_i\) rappresenta la probabilità a lungo termine di trovarsi nello stato \(i\). Lo stato con la probabilità più alta è lo stato dominante.

Grafico di Convergenza

Questo mostra come la distribuzione di probabilità si evolve da un inizio uniforme attraverso successive moltiplicazioni per P. Una convergenza più rapida indica una catena che si mescola più fortemente.

Diagramma di Transizione di Stato

Una rappresentazione visiva interattiva dove:

• La dimensione del nodo riflette la probabilità dello stato stazionario
• Lo spessore dell'arco rappresenta la probabilità di transizione
• Le frecce curve mostrano la direzione delle transizioni
• I self-loop indicano la probabilità di rimanere nello stesso stato

Applicazioni nel Mondo Reale

Quando Esiste una Distribuzione Stazionaria Unica?

Una catena di Markov finita ha una distribuzione stazionaria unica quando è irriducibile, e ogni distribuzione iniziale vi converge se la catena è anche aperiodica. Una catena con entrambe le proprietà si dice ergodica:

• Irriducibile: Ogni stato può essere raggiunto da ogni altro stato (nessuna componente scollegata)
• Aperiodica: Il MCD di tutte le lunghezze dei cicli attraverso qualsiasi stato è 1 (nessuna periodicità fissa)

Una catena periodica ma irriducibile ha comunque esattamente uno stato stazionario; le sue potenze Pᵏ oscillano invece di convergere. Una catena riducibile ha uno stato stazionario unico solo se ha una sola classe chiusa (più eventuali stati transitori); con due o più classi chiuse esistono infinite distribuzioni stazionarie.

Domande Frequenti

Cos'è una distribuzione stazionaria di una catena di Markov?

Una distribuzione stazionaria è un vettore di probabilità π tale che πP = π, dove P è la matrice di transizione. Rappresenta la proporzione di tempo a lungo termine che il sistema trascorre in ogni stato, indipendentemente dallo stato iniziale. Per una catena di Markov irriducibile e aperiodica, la distribuzione stazionaria è unica.

Come si calcolano le probabilità dello stato stazionario?

Per trovare il vettore stazionario π, risolvi il sistema πP = π soggetto al vincolo che la somma di tutte le probabilità sia 1 (Σπᵢ = 1). Questo equivale a risolvere (Pᵀ - I)π = 0 con il vincolo di normalizzazione. Puoi anche usare l'iterazione di potenza: moltiplica ripetutamente una distribuzione iniziale per P fino alla convergenza.

Quando una catena di Markov ha una distribuzione stazionaria unica?

Una catena di Markov finita ha una distribuzione stazionaria unica quando ha esattamente una classe comunicante chiusa — in particolare, ogni volta che è irriducibile (ogni stato può essere raggiunto da ogni altro). L'aperiodicità non serve per l'unicità: la catena periodica [[0, 1], [1, 0]] ha l'unica distribuzione stazionaria (½, ½). Ciò che l'aperiodicità aggiunge è la convergenza: una catena irriducibile e aperiodica (ergodica) si avvicina a quella distribuzione da qualunque punto di partenza.

Cos'è il tempo medio di ritorno in una catena di Markov?

Il tempo medio di ritorno per lo stato i è il numero atteso di passaggi per tornare allo stato i partendo dallo stato i. Per una catena di Markov ergodica, il tempo medio di ritorno è uguale a 1/πᵢ, dove πᵢ è la probabilità stazionaria dello stato i. Gli stati con una probabilità stazionaria più alta hanno tempi medi di ritorno più brevi.

Qual è la differenza tra una matrice di transizione e un vettore stazionario?

Una matrice di transizione P è una matrice n×n dove P(i,j) fornisce la probabilità di passare dallo stato i allo stato j in un passaggio. Ogni riga somma a 1. Il vettore stazionario π è un vettore di probabilità 1×n che rappresenta la distribuzione a lungo termine tra gli stati. Mentre P descrive la dinamica a singolo passaggio, π descrive il comportamento all'equilibrio.