Các mô hình mạng 6 pptx

Ví dụ 2: Giả sử dòng khách hàng ñến mua vé ở một văn phòng bán vé với M quầy phục vụ là dòng Poát−xông với tham số λ = 6 khách hàng/1 phút ñiều này cũng có nghĩa là khách hàng ñến phòng

Trường ðại học Nông nghiệp Hà Nội – Giáo trình Vận trù học ……… 150

q00π0 + q10π1 + q20π2 + = 0,

q01π0 + q11π1 + q21π2 + = 0,

q02π0 + q12π1 + q22π2 + = 0,

Do tính chất ñặc biệt, như ñã phân tích ở trên, của ma trận cường ñộ Q của quá trình sinh−tử, hệ trên ñược viết một cách tường minh hơn như sau:

−λ0π0 + µ1π1 + = 0,

λ0π0 − (λ1 + µ1)π1 + µ2π2 + = 0,

λ1π1 − (λ2 + µ2)π2 + µ3π3 + = 0,

Từ ñây ñễ dàng tìm ñược πn+1 = (λn/µn+1)πn, ∀n = 1, 2, 3, ñể ñi tới công thức tính

πi,∀i

π1 = (λ0/µ1)π0,

π2 = (λ1/µ2)π1 = (λ1λ0/µ2µ1)π0,

π3 = (λ2/µ3)π2 = (λ2λ1/µ3µ2)π1 = (λ2λ1λ0/µ3µ2µ1)π0,

πn+1 = (λn/µn+1)πn = = (λnλn−1 λ0/µn+1µn µ1)π0,

Với ñiều kiện i

i 0 1,

∞

=

π =

∑ cuối cùng ta có:

π0 = 1/(1 + ∑∞

=0

k

(λkλk−1 λ0/µk+1µk µ1))

ðặc biệt khi µn = 0, ∀n thì quá trình sinh−tử trở thành quá trình sinh thuần khiết

(pure birth process) Quá trình sinh thuần khiết với λn = λ là quá trình Poát−xông với tham số λ

Ví dụ 2: Giả sử dòng khách hàng ñến mua vé ở một văn phòng bán vé với M quầy

phục vụ là dòng Poát−xông với tham số λ = 6 khách hàng/1 phút (ñiều này cũng có nghĩa là khách hàng ñến phòng bán vé với các thời ñiểm ñến tuân theo luật phân phối

mũ với tham số λ = 6)

Ngoài ra, còn biết nguyên tắc phục vụ là FCFS (First come first served) và thời gian

phục vụ tại mỗi quầy có luật phân phối mũ với kì vọng 1/3 (phút)

Cần trả lời hai câu hỏi sau ñây:

− Số quầy hàng tối thiểu là bao nhiêu ñể hàng chờ không trở nên dài vô hạn?

− Giả sử Nt là số khách hàng ñang chờ hay ñang ñược phục vụ tại thời ñiểm t Chọn

M = 4 và một khách hàng sẽ chờ ñể ñược phục vụ nếu Nt ≤ 4, chờ với xác suất 0,5 nếu

Nt = 5 và sẽ bỏ ñi nếu Nt = 6 Hãy xác ñịnh phân phối dừng của quá trình này?

Trước hết, trong ví dụ này chúng ta có một quá trình sinh−tử với không gian trạng thái S = {S0, S1, S2, , Sn, }, trong ñó Sn là trạng thái trong văn phòng có n khách hàng Các cường ñộ chuyển là λk = 6 với k = 0, 1, 2, còn µk = 3k với k ≤ M và µk = 3M với

k > M ðiều này là do biến cực tiểu của các biến ngẫu nhiên với phân phối mũ ñộc lập cũng có phân phối mũ với tham số bằng tổng các tham số của các phân phối

mũ tương ứng Thật vậy, giả sử X = Min {X1, X2} với X1 và X2 tuân theo phân phối mũ ñộc lập với các tham số µ1 và µ2, thế thì P(X ≥ t) = P(X1 ≥ t) P(X2 ≥ t) =

1 t 2 t ( 1 2 )t

e−µ e−µ =e− µ +µ Do ñó X có phân phối mũ với tham số µ = µ1 + µ2

Do λk /µk+1 = 6/3M < 1 (khi k ≥ M) nên với M ≥ 3 thì:

∑∞

=0

k

k k 1 0 k 1 k 1 (λ λ − /λ µ µ µ+ ) < ∞

Bởi vậy hàng ñợi sẽ không dài vô hạn (nếu trái lại, khi chuỗi phân kì thì

π = π = π = = nên số khách trong hàng ñợi sẽ dần tới một số hữu hạn khi t → ∞ với xác suất bằng 0)

Trong câu hỏi thứ hai, ta có λ0 = λ1 = λ2 = λ3 = λ4 = 6, λ5 = 3 Theo công thức tính 5

0

k 0

1/(1

=

π = +∑ (λ λk k 1− /λ µ µ µ0 k 1 k+ ))1 ta có ngay π0 = 12/89 Từ ñó tính ra π1 = 24/89,

π2 = 24/89, π3 = 16/89, π4 = 8/89, π5 = 4/89 và π6 = 1/89

3 MÔ PHỎNG XÍCH MARKOV

3.1 Mô phỏng xích Markov thời gian rời rạc

Phương pháp 1

Xích Markov rời rạc và thuần nhất còn có thể ñược kí hiệu là X0, X1, X2, Giả sử không gian trạng thái là S gồm hữu hạn trạng thái: S = {0, 1, 2, , N} và ma trận xác suất chuyển trạng thái ñã ñược biết là P = [pij]N×N Chúng ta sẽ mô phỏng xích Markov rời rạc và thuần nhất thông qua ví dụ ñã trình bày ở các mục 1.2 và 2.1 của chương này

Ta có phân phối ban ñầu là:

Π(0) π1(0) = 0,2 π2(0) = 0,5 π3(0) = 0,3

Trường ðại học Nông nghiệp Hà Nội – Giáo trình Vận trù học ……… 152

ðể mô phỏng X0 ta áp dụng phương pháp mô phỏng phân phối rời rạc ñã học ở chương III Trên máy tính, ta phát sinh ra một số ngẫu nhiên r = RANDOM[0,1) theo luật phân phối ñều U[0,1) trong [0,1) Nếu r ≤ 0,2 ta lấy X0 = 1; nếu 0,2 < r ≤ 0,7 thì ta lấy X0 = 2 ; còn nếu r > 0,7 thì ñặt X0 = 3 Căn cứ kết quả mô phỏng X0, ta mô phỏng

X1 dựa trên ma trận xác suất chuyển trạng thái:

P =









 083 , 0

07 , 0

8 , 0

067 , 0

9 , 0

1 , 0









 85 , 0

03 , 0

1 , 0

Giả sử ñã biết X0 = 2, lúc ñó ta cần mô phỏng biến ngẫu nhiên X1 căn cứ phân phối sau:

Xác suất tương ứng p21 = 0,07 p22 = 0,9 p23 = 0,03

ðiều này có thể ñược thực hiện tương tự như khi mô phỏng X0 Cần chú ý rằng, trong hàng thứ hai của bảng trên ta có phân phối xác suất có ñiều kiện của X1 với ñiều kiện X0 = 2 Các bước tiếp theo mô phỏng X2, X3, ñược tiến hành tương tự (cho tới

X500 chẳng hạn)

Lặp lại quy trình này bắt ñầu từ X0 cho một số bước lặp L ñủ lớn (chẳng hạn 1000 lần), ta sẽ có một bộ 1000 số liệu cho X500 Từ ñó, có thể tìm ñược bảng phân phối tần suất (còn gọi là xác suất thực nghiệm) của X500 qua thí nghiệm mô phỏng trên ñây ñối với X500 Như vậy, ta tìm ñược véc tơ phân phối (xác suất thực nghiệm) Π(500) Cuối cùng, chúng ta có kết quả tìm gần ñúng phân phối dừng là: Π ≈ Π(500)

Chú ý:

− Trong ví dụ trên ñây, ta thấy có thể dùng mô phỏng ñể tìm phân phối dừng Tuy nhiên, mục ñích chủ yếu của phương pháp 1 là nhằm mô phỏng các xích Markov rời rạc thuần nhất, là các quá trình có thể xảy ra trong các hệ thống phức tạp

− Khi không gian trạng thái S gồm một số lớn các trạng thái thì phương pháp mô phỏng trên yêu cầu thời gian chạy máy tính khá lớn ðể khắc phục ñiều này, chúng ta xem xét phương pháp 2 sau ñây

Phương pháp 2

Xét một hệ thống kĩ thuật ñược biểu diễn bởi xích Markov rời rạc thuần nhất {Xt}, t

= 0, 1, 2, với không gian trạng thái S có N trạng thái (N khá lớn) và ma trận chuyển trạng thái P = [pij]N×N Xét thời ñiểm n, tại thời ñiểm này giả sử ñã mô phỏng ñược Xn =

s Ta sẽ mô phỏng thời gian Tn là thời gian tới lần nhảy tiếp theo sớm nhất mà Xt+Tn ≠s

Do xích Markov là rời rạc nên Tn chỉ có thể nhận các giá trị 1, 2, ðặt p = pss, dễ thấy

Tn có phân phối hình học như sau:

Xác suất

Mô phỏng phân phối này ta tìm ñược giá trị Tn.Còn Xn+Tn có phân phối xác suất như sau:

Xác suất

tương ứng ps1/(1−pss) ps2/(1−pss) 0 psN/(1−pss)

Cách mô phỏng này sẽ tiết kiệm hơn thời gian chạy máy tính (khi N khá lớn), nhưng việc lập trình sẽ phức tạp hơn ít nhiều

Xét ví dụ như ñã trình bày trên, nếu dùng phương pháp 2, một cách hoàn toàn tương

tự, chúng ta cũng tìm ñược phân phối dừng Π(*) ≈ Π(500)

3.2 Mô phỏng xích Markov thời gian liên tục

Xét xích Markov thời gian liên tục {X(t)}t∈∈[0, ∞∞∞) Giả sử rằng xích ñi vào trạng thái i

tại thời ñiểm nào ñó, chẳng hạn thời ñiểm 0 và không rời khỏi trạng thái này cho ñến thời ñiểm s Lúc ñó, do tính “không nhớ” của quá trình Markov, xác suất ñể xích vẫn tiếp tục ở nguyên trạng thái ñó cho tới thời ñiểm (t + s) sẽ là:

P{(Ti > s + t )/(Ti > s)} = P{Ti > t}

trong ñó Ti là thời gian quá trình dừng lại ở trạng thái i Dễ thấy, nếu Ti có phân phối mũ với hàm phân phối F(Ti < τ) = 1 - e−λτ thì ñẳng thức trên ñược thoả mãn ðiều ngược lại cũng có thể chứng minh ñược Vậy Ti có phân phối mũ

Từ nhận xét trên, ta có thể ñưa ra một ñịnh nghĩa khác cho xích Markov thời gian liên tục Xích Markov thời gian liên tục là một quá trình ngẫu nhiên có các tính chất sau

mỗi khi nó ñi vào trạng thái i:

− Lượng thời gian Ti xích dừng lại tại trạng thái i trước khi nó chuyển sang trạng thái khác là một biến ngẫu nhiên với phân phối mũ có tham số vi (hay có kì vọng 1/vi)

− Một khi quá trình rời khỏi trạng thái i, nó sẽ ñi vào trạng thái j nào ñó (ñộc lập với

Ti) với các xác suất pij thoả mãn ij ii

j

p =1, p = ∀0, i

Vậy ñể mô phỏng xích Markov thời gian liên tục, chúng ta cần mô phỏng dãy τ0, τ1,

τ2, (các lượng thời gian τr xích dừng lại tại trạng thái Jr trước khi nó chuyển sang trạng thái khác) và dãy J0, J1, J2, (các trạng thái mà xích chuyển ñến) ðể phát sinh τr, như trên ñã nói, ta cần biết tham số vJr của phân phối mũ tương ứng Còn ñể phát sinh trạng thái xích Markov chuyển ñến Jr ∀r, chúng ta có bảng phân phối xác suất sau:

Trường ðại học Nông nghiệp Hà Nội – Giáo trình Vận trù học ……… 154

Trong bảng trên, i =Jr -1 là trạng thái của xích tại bước r − 1 (với các xác suất pij thoả

j

p =1,p = ∀0, i

ðể thực hiện mô phỏng xích Markov thời gian liên tục, có thể sử dụng số liệu của ví

dụ ñã xét trong mục 2.4 hay 2.5

BÀI TẬP CHƯƠNG V

1 Chỉ số tiêu thụ ñiện là một lượng ngẫu nhiên có phân phối tại thời ñiểm ban ñầu

như sau:

Biết ma trận xác suất chuyển trạng thái là:

P =













05 , 0

02 , 0

05 , 0

85 , 0

05 , 0

03 , 0

85 , 0

10 , 0

10 , 0

90 , 0

08 , 0

05 , 0













80 , 0

05 , 0

02 , 0 0

− Hãy giải thích ý nghĩa của ma trận P

− Tìm phân phối dừng của xích Markov thời gian rời rạc trên ñây và cho biết ý nghĩa của kết quả thu ñược

2 Một chủ trang trại trồng hoa hàng năm thực hiện phân tích thành phần ñất của

trang trại Kết quả phân tích ñưa ra ñất thuộc vào một trong ba trạng thái: tốt, bình thường và xấu Các khảo sát thống kê cho biết các ma trận xác suất chuyển trạng thái (sau một năm) trong các trường hợp không bón phân và có bón phân (hữu cơ) như sau:

0, 2 0,5 0,3

và 2

0,3 0, 6 0,1

0,05 0, 4 0,55

Các ma trận lợi nhuận/năm (ñơn vị tính là 10 ngàn USD) tương ứng với các ma trận xác suất chuyển trạng thái trên là:

1

7 6 3

và 2

−

Chủ trang trại cần lựa chọn chính sách tốt nhất trong số tám chính sách sau: không bón phân trong bất cứ trường hợp nào, luôn bón phân trong mọi trường hợp, chỉ bón phân cho ñất ở trạng thái 1, chỉ bón phân cho ñất ở trạng thái 2, chỉ bón phân cho ñất ở trạng thái 3, bón phân một khi ñất ở vào trạng thái 1 hoặc 2, bón phân một khi ñất ở vào trạng thái 1 hoặc 2, bón phân một khi ñất ở vào trạng thái 1 hoặc 2 Các ma trận xác suất chuyển trạng thái và lợi nhuận tương ứng với hai chính sách ñầu tiên chính là các ma trận P1, R1 và P2, R2 Các ma trận xác suất chuyển trạng thái khác có thể dễ dàng xác ñịnh ñược, chẳng hạn tương ứng với chính sách “chỉ bón phân cho ñất ở trạng thái 3” là các ma trận sau:

5

2 0,5 0,3

0,5 0, 4 0,55

và 5

7 6 3

Hướng dẫn: Với mỗi một trong tám chính sách trên hãy tìm véc tơ phân phối dừng

Π = [π1, π2, π3] Sau ñó tìm vi là kì vọng lợi nhuận/năm nếu kết quả phân tích cho biết ñất ở trạng thái i, ∀ i = 1, 2, 3 Chẳng hạn ứng với P5 và R5 ta có v2 = 0×0 + 0,5×0,5 + 0,5×1 = 0,75 Cuối cùng cần tính kì vọng lợi nhuận của chính sách theo công thức: E =

π1×v1 + π2×v2 + π3×v3 So sánh các kì vọng lợi nhuận này ñể lựa chọn chính sách tốt nhất Trong trường hợp các ma trận xác suất chuyển trạng thái và lợi nhuận có cỡ N rất lớn, có thể thiết lập mô hình quy hoạch tuyến tính ñể lựa chọn chính sách tốt nhất trong

số 2N chính sách

3 Một hạt vật lí (ban ñầu ở tại gốc O) chuyển ñộng trên trục số Ox với quy tắc: mỗi

bước chuyển dịch (rất nhanh) một cách ngẫu nhiên sang bên phải hoặc bên trái một ñơn

vị với xác suất p = 0,5 và 1−p = 0,5

− Hãy tính xác suất sau 4 bước, hạt nằm tại vị trí x = 4

− Hãy tính xác suất hạt nằm ở vị trí trên sau một thời gian ñủ dài

4 Trong bài tập này chúng ta nghiên cứu Luật Hardy − Weinberg trong Di truyền học Xét một quần thể gồm các cá thể có cặp gene một trong các kiểu AA, aa và Aa Giả

sử ở thế hệ ban ñầu tỉ lệ các kiểu cặp gene ñó là p, q và r (với p + q + r = 1)

− Chứng minh rằng khi chọn một cá thể bất kì ở thế hệ thứ nhất và chọn bất kì một trong hai gene (nằm trong cặp gene AA, aa hoặc Aa), xác suất ñể có gene A là p + r/2,

ñể có gene a là q + r/2

− Từ ñó hãy tìm tỉ lệ các cá thể có cặp gene AA, aa, Aa tại thế hệ thứ 2

− Chứng minh rằng với trong câu hỏi ñầu tiên, nếu chúng ta thay cụm từ “ở thế hệ thứ nhất” bằng cụm từ “ở thế hệ thứ hai” hay “ở thế hệ thứ n” thì các xác suất cần tính

vẫn không thay ñổi (Luật Hardy − Weinberg)

− Xét một cá thể c1 ở thế hệ thứ nhất với trạng thái gene là X1 (có thể nhận các giá trị AA, aa và Aa với các xác suất p, q và r) Gọi X2 là trạng thái gene của c2 là con của

Trường ðại học Nông nghiệp Hà Nội – Giáo trình Vận trù học ……… 156

c1, X3 là trạng thái gene của c3 là con của c2 Hãy tìm véc tơ phân phối giới hạn của xích Markov {Xn} trên và cho biết ý nghĩa của nó

5 Cho Xn là một xích Markov với không gian trạng thái S = {1, 2, 3, } và ma trận xác suất chuyển trạng thái:

P =

1 / 2

3 / 4 0













1 / 2 0

7 / 8

0

1 / 4 0

0 0

1 / 8











 Hãy tìm véc tơ phân phối bất biến Π = [π1, π2, π3, π4, ] sao cho Π××××P = Π

Chú ý: ðể tính π0 cần áp dụng phương pháp tính gần ñúng

6 Cho {Xt}t ≥ 0 là một xích Markov với ma trận cường ñộ sau ñây:

Q =

1 1 0 0

−













1 3 1 0

−

0 2 2 1

−

0 0 1 1











−  Hãy tìm phân phối giới hạn cho xích Markov trên ñây

7 Một hệ thống dịch vụ kĩ thuật có hai kênh Giả sử rằng thời gian phục vụ tín hiệu

ñến của hai kênh này có phân phối mũ ñộc lập với nhau với kì vọng là 20 (giây), tức là

µ = 1/20, khi trong hệ thống không có quá hai tín hiệu Nếu trong hệ thống có từ ba tín hiệu trở lên thì µ = 1/30 Ngoài ra cũng giả sử rằng dòng tín hiệu ñến là dòng Poát−xông với tham số λ = 1/10 khi hệ thống có ít hơn ba tín hiệu và λ = 1/30 nếu hệ thống có từ

ba tín hiệu trở lên Tìm phân phối giới hạn của xích Markov Xt

8 Xét xích Markov thời gian rời rạc thuần nhất với không gian trạng thái S0, S1,

S2, S3, S4, S5 Giả sử qua khảo sát các mẫu thống kê ñã biết ñược ma trận xác suất chuyển trạng thái (sau mỗi ñơn vị thời gian, có thể là phút, tuần, năm, thế hệ…) như sau:

P =

1 0

0, 01

0, 03

0, 09 0



















0 1 0 0 0 0,19

0 0 0,8 0 0 0

0 0 0,19 0,76 0 0

0 0 0 0,21 0,74 0

0 0 0 0 0,17 0,81

















 Hãy trả lời các câu hỏi sau:

− Các trạng thái nào là trạng thái hấp thụ, các trạng thái nào là trạng thái truyền ứng? Hãy tìm xác suất ñể quá trình bị hấp thụ vào mỗi một trạng thái hấp thụ khi quá trình xuất phát từ một trong các trạng thái truyền ứng

− Tìm thời gian trung bình (kì vọng thời gian) từ lúc quá trình xuất phát (từ một trạng thái truyền ứng nào ñó) cho tới khi bị hấp thụ

− Tính thời gian trung bình quá trình rơi vào một trạng thái truyền ứng ñã chọn nào

ñó trước khi nó rơi vào trạng thái hấp thụ

Hướng dẫn: Xem lại mục 2.3 Cần chú ý rằng, vấn ñề như mô tả trong bài tập này

có thể phát sinh trong nhiều lĩnh vực như trong hệ thống kĩ thuật ñiện − ñiện tử, kinh tế nông nghiệp (chuyển dịch các loại hình sử dụng ñất, quy mô sử dụng ñất, hay kinh tế hộ), sinh học (chuyển dịch tần số gene qua các thế hệ), xã hội học và nhiều lĩnh vực khác

9 Biết dòng khách hàng ñến mua vé ở một văn phòng bán vé với M quầy phục vụ

là dòng Poát−xông với tham số λ = 5 khách hàng/1 Ngoài ra, còn biết nguyên tắc phục

vụ là FCFS (First come first served) và thời gian phục vụ tại mỗi quầy có luật phân phối

mũ với kì vọng 1/3 (phút) Hãy trả lời hai câu hỏi sau:

− Số quầy hàng tối thiểu là bao nhiêu ñể hàng chờ không trở nên dài vô hạn?

− Giả sử Nt là số khách hàng ñang chờ hay ñang ñược phục vụ tại thời ñiểm t Chọn

M = 3 và một khách hàng sẽ chờ ñể ñược phục vụ nếu Nt ≤ 4, chờ với xác suất 0,5 nếu

Nt = 5 và sẽ bỏ ñi nếu Nt = 6 Hãy xác ñịnh phân phối dừng của quá trình này?

10 Hãy phát biểu thuật giải ñể mô phỏng xích Markov trong các ví dụ ñược trình

bày tại các mục 2.4 và 2.5

11 ðể dự báo về một chỉ số ngẫu nhiên CK các chuyên gia ñưa ra các mức giá trị

có thể xảy như sau: 10, 11, 12, 13 và 14 Giả sử nhóm các chuyên gia gồm chuyên gia 1,

2, 3, 4, 5 thảo luận và mỗi chuyên gia ñều ñưa ra phân phối xác suất cho CK lần lượt như sau: F1 = (0,1 0,2 0,4 0,1 0,2)T, F2 = (0,2 0,3 0,3 0,1 0,1)T, F3 = (0,1 0,3 0,4 0,1 0,1)T, F4 = (0,3 0,1 0,3 0,1 0,2)T, F5 = (0,2 0,2 0,3 0,1 0,2)T Xét ma trận P các trọng số:

P =

0,5

0, 2 0,3 0,1 0,1

















0, 2

0, 4 0,3 0,3

0, 2

0,1

0, 2 0,3

0, 2 0,1

0, 2 0,1 0,1 0

0, 4

0 0,1 0

0, 4

0, 2

















= [pij]5×5

Phần tử pij trong ma trận trên là trọng số mà chuyên gia thứ i gán cho chuyên gia thứ j Chẳng hạn chuyên gia 1 tự gán cho mình trọng số 0,5 còn cho các chuyên gia 2, 3,

4 và 5 lần lượt là 0,2, 0,1, 0,2 và 0 Như vậy, sau bước chỉnh sửa thứ nhất căn cứ ma

Trường ðại học Nông nghiệp Hà Nội – Giáo trình Vận trù học ……… 158

trận P, ý kiến các chuyên gia sẽ là: Fi(1) = ×P Fi, với i =1, 2, 3, 4, 5 Tương tự có thể tìm ñược ý kiến các chuyên gia sau khi chỉnh sửa lần 2, 3, , n Gọi F(n) và F là các ma trận gồm các cột (1)

i

F , i 1,5∀ = và Fi, ∀ =i 1,5

− Hãy chứng minh: F(n) =Pn×F

− Chứng minh rằng ý kiến thống nhất cuối cùng (về phân phối xác suất của CK) sẽ tìm ñược sau nhiều lần sửa chỉnh ñược cho bởi: 5 i i

i 1

=

= π∑ với Π = [π1, π2, π3, π4, π5]

là véc tơ phân phối bất biến thoả mãn Π = P×Π

12 Mô hình xích Markov nhiễu (Noisy Markov Chain)

Trong bài tập dạng lí thuyết này chúng ta sẽ xét một ví dụ ñơn giản về Mô hình

Markov ẩn (Hidden Markov Model − HMM) Cần chú ý rằng Mô hình Markov ẩn có rất

nhiều ứng dụng rộng rãi trong Công nghệ thông tin (nhận dạng văn bản, chữ viết, tiếng nói…) và Tin sinh học

Chúng ta xem xét xích Markov Xn = X(n), n = 0, 1, 2, với không gian trạng thái S

= {0, 1}, với véc tơ phân phối ban ñầu là Π(0) =[π1(0), π2(0)] và ma trận xác suất chuyển trạng thái:

−

 = [aij]2×2

Xích Markov trên có thể ñược ẩn trong một quá trình ngẫu nhiên khác (không nhất

thiết là một quá trình Markov như trong ví dụ này) là Yn = Y(n), n = 0, 1, 2, với không

gian trạng thái O = {0, 1} = {o 1 , o 2} thông qua ma trận xác suất nhả (emission matrix):

B = 1

1

 = [bjk]2×2 Trong ñó, các phần tử bjk của ma trận B ñược ñịnh nghĩa bởi: bjk = P[Yn = ok/Xn = j] Ngoài ra, B phải thoả mãn ñiều kiện:

P[Y0 = o0, , Yn = on/X0 = j0, , Xn = jn, B] = n j rr

r 0b

=

ðiều này có nghĩa là, các tín hiệu phát ra Y0 = o0, , Yn = on là ñộc lập có ñiều kiện

(conditionally independent) tức là ñộc lập với ñiều kiện ma trận B ñã cho và dãy các

trạng thái của của xích Markov là ñã biết Xích Markov ẩn như mô tả trên ñây có thể ñược minh hoạ như sau:

0 1

o 0 1 b(o/0) 1 −−−−εεεε εεεε

o 0 1 b(o/1) εεεε 1−−−−εεεε

p

p

1 −−−−p

1 −−−−p

Ý nghĩa của mô hình trên: Trong một kênh truyền tin các tín hiệu ñược truyền ñi dưới dạng nhị phân 0 hoặc 1 Tại mỗi thời ñiểm n, tín hiệu ñược kí hiệu bởi Xn Tuy nhiên do nhiễu trong kênh truyền tin, chúng ta có xác suất quan sát sai tín hiệu là ε Lúc

ñó tín hiệu quan sát ñược tại thời ñiểm n là Yn với các xác suất nhả là:

P[Yn = 0/Xn = 0] = 1 − ε, P[Yn = 1/Xn = 0] = ε,

P[Yn = 0/Xn = 1] = ε, P[Yn = 1/Xn = 1] = 1 − ε

Dễ dàng thấy: Yn = Xn +2 Vn với {Vn} là quá trình Bernoulli với xác suất thành công trong mỗi phép thử là ε, cũng như Xn+1 = Xn +2 Wn với {Wn} là quá trình Bernoulli với xác suất thành công trong mỗi phép thử là p, ñộc lập ñối với {Vn} (ở ñây +2 là phép cộng số nguyên theo mod 2)

Tóm lại, ta nói một Mô hình Markov ẩn là một bộ năm yếu tố: một xích Markov

{Xn} ẩn trong một quá trình ngẫu nhiên {Yn} với ñiều kiện véc tơ phân phối ban ñầu là

Π(0), ma trận xác suất chuyển trạng thái (sau một bước) A của xích Markov ẩn và ma trận xác suất nhả B ñã biết Xét mô hình HMM trong bài tập này, trong ñó Π(0)= [ 0,5; 0,5], p = 0,6 và ε = 0,1, hãy trả lời các câu hỏi sau ñây:

− Tìm P[Y0 = 1, Y1 = 0, Y2 = 1/X0 = 0, X1 = 0, X2 = 1 ]

− Tìm P[Y1 = 1, Y2 = 0, Y3 = 1/X1 = 0, X2 = 0, X3 = 1 ]

− Tìm công thức tính tổng quát P[Y0 = o0, , Yn = on/X0 = j0, , Xn = jn]

− Tìm P[Y0 = 1, Y1 = 0, Y2 = 1, X0 = 0, X1 = 0, X2 = 1 ]

− Tìm các chỉ số *

j , , j∗ sao cho xác suất P[Y0 = o0, , Yn = on, X0 = j0, , Xn = jn] ñạt giá trị lớn nhất (ñây là Bài toán giải mã trong Lí thuyết truyền tin và cũng là Bài

toán khớp chuỗi gene trong Tin sinh học, có thể giải bằng Thuật toán Viterbi)