Skript - Prof. Georg Hoever - FH Aachen
Skript - Prof. Georg Hoever - FH Aachen
Skript - Prof. Georg Hoever - FH Aachen
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
4. Stochastische Prozesse und Markov-Ketten 63<br />
Mit elementaren Zeilenoperationen (mit gedachter rechter Seite gleich Null) erhält<br />
man<br />
⎛ ⎞<br />
−0.4 0.3 0.2<br />
alles ·10,<br />
P −I = ⎝ 0.3 −0.6 0.3 ⎠<br />
tausche I und III<br />
0.1 0.3 −0.5<br />
⎛ ⎞<br />
1 3 −5<br />
→⎝<br />
3 −6 3 ⎠ −3·I<br />
−4 3 2 +4·I<br />
⎛ ⎞<br />
1 3 −5<br />
→⎝0 −15 18 ⎠ +1 5 ·II<br />
0 15 −18 +II<br />
⎛<br />
1 0 − 7 ⎞<br />
5<br />
→⎝0 1 − 6 ⎠<br />
5<br />
0 0 0<br />
Eigenvektoren sind also λ·<br />
)<br />
, der eine Wahrscheinlichkeitsverteilung<br />
beschreibt.<br />
Bemerkung:<br />
( 7<br />
5<br />
6<br />
5<br />
1<br />
). Bei λ = 5 18 erhält man ̂x = ( 7<br />
18<br />
6<br />
18<br />
5<br />
18<br />
Häufig ist die stationäre Verteilung eindeutig und kann durch P n·x 0 , ausgehend von<br />
einer beliebigen Anfangsverteilung x 0 berechnet werden (z.B. wenn alle Einträge in<br />
P positiv sind).<br />
Beispiel 11:<br />
1<br />
1 2<br />
1<br />
ist eine Markovkette mit Übergangsmatrix P = ( 0 1<br />
1 0)<br />
. Die<br />
stationäre Verteilung ist ̂x = ( 0.5)<br />
, aber für x0 = ( )<br />
1<br />
0<br />
gilt<br />
nicht P n n→∞ ·x 0 −→ ̂x.<br />
1<br />
1<br />
2<br />
1 ist eine Markovkette mit Übergangsmatrix P = ( 1 0<br />
0 1)<br />
. Jede<br />
Wahrscheinlichkeitsverteilung ist dann eine stationäre Verteilung.