scipy 稳态概率(马尔可夫链)Python实现

ezykj2lf 于 2022-11-10 发布在 Python

关注(0)|答案(2)|浏览(204)

嗨，我正在尝试生成一个转移概率矩阵的稳态概率。下面是我正在使用的代码：

import numpy as np

one_step_transition = np.array([[0.125     , 0.42857143, 0.75      ],
                                [0.75      , 0.14285714, 0.25      ],
                                [0.125     , 0.42857143, 0.        ]])

def steady_state_prop(p):
    dim = p.shape[0]
    q = (p-np.eye(dim))
    ones = np.ones(dim)
    q = np.c_[q,ones]
    QTQ = np.dot(q, q.T)
    bQT = np.ones(dim)
    return np.linalg.solve(QTQ,bQT)

steady_state_matrix = steady_state_prop(one_step_transition.transpose())

print (steady_state_matrix)

# result is :

# array([0.38268793, 0.39863326, 0.21867882])

# Expected Result = (0.4,0.4,0.2)

我的问题是，为什么结果与确切答案略有不同？

scipy

来源：https://stackoverflow.com/questions/52137856/steady-state-probabilities-markov-chain-python-implementation

2条答案

按热度按时间

lndjwyie1#

预期结果是错误的。对于稳态，转移矩阵与稳态的乘积必须再次为稳态。

tobe = np.array(((0.4, 0.4, 0.2)))
print(tobe)
print(np.dot(one_step_transition.T, tobe))
print()

result = steady_state_prop(one_step_transition)
print(result)
print(np.dot(one_step_transition.T, result))
print()

输出为

[0.4 0.4 0.2]
[0.37142857 0.40714286 0.22142857]

[0.38268793 0.39863326 0.21867882]
[0.38268793 0.39863326 0.21867882]

所以你的函数看起来是正确的，你期望的结果却不是。

赞(0）回复(0）举报 2022-11-10

w1e3prcc2#

我曾用一种不同的方法来解决这个问题：

def Markov_Steady_State_Prop(p):
    p = p - np.eye(p.shape[0])
    for ii in range(p.shape[0]):
        p[0,ii] = 1

    P0 = np.zeros((p.shape[0],1))    
    P0[0] = 1
    return np.matmul(np.linalg.inv(p),P0)

结果和你的一样，我认为你的预期结果在某种程度上是错误的，或者它们是近似版本。

赞(0）回复(0）举报 2022-11-10

我来回答

scipy 稳态概率(马尔可夫链)Python实现

2条答案

相关问题

热门标签

最新问答