Máy trạng thái hữu hạn với thời gian chờ phân phối gamma


7

Tôi có một máy trạng thái với đầu vào tích cực và tiêu cực. Thời gian giữa các đầu vào tích cực tuân theo phân phối gamma ( ) và thời gian giữa các đầu vào âm theo một phân phối gamma khác ( ). Do đó, xác suất nhận được tích cực và đóng góp tiêu cực trên một số khoảng thời gian được biết chính xác cho tất cả các . Máy trạng thái được hiển thị dưới đây:X+Γ(k+,θ+)XΓ(k,θ)KK

Máy nhà nước với bốn trạng thái.

Các hộp màu xanh biểu thị trạng thái có thể đạt được trong máy và các đường liền nét và nét đứt tương ứng là một đầu vào dương và âm. Vì vậy, ví dụ, nếu máy ở trạng thái 3 và có đầu vào tích cực, máy sẽ mang lại đầu ra dương và đặt lại về trạng thái 2. Nếu sau đó máy nhận được đầu vào âm, nó sẽ chuyển sang trạng thái 1 mà không tạo ra bất kỳ đầu ra nào.

Có thể tìm thấy PMF cho đầu ra tích cực? Đó là, xác suất để có được đầu ra dương trong cùng khoảng thời gian cho tất cả gì?KK


4
Vấn đề với việc trình bày một phiên bản đồ chơi của vấn đề thực sự của bạn là bạn có thể không trừu tượng hóa nó theo cách sẽ hữu ích nhất cho bạn. (Những người không theo chủ nghĩa thường rất ngạc nhiên về những chi tiết quan trọng về mặt thống kê.) Vì vậy, hãy mô tả vấn đề thực sự thay thế .
Kodiologist

Cảm ơn. Tôi không biết nhiều về tên miền này, nhưng có vẻ như bạn có thể đại diện cho hệ thống dưới dạng chuỗi Markov.
Kodiologist

Tôi đã xem xét chuỗi Markov thời gian liên tục và có vẻ như bộ máy nhà nước của tôi thỏa mãn tài sản Markov vì thời gian ở mỗi bang không tuân theo phân phối theo cấp số nhân. Tôi có chết trong nước không, hay còn điều gì khác tôi có thể thử?
mwoods

1
(+1) Có phải tất cả thời gian chờ là độc lập với nhau, nghĩa là đầu vào tích cực và đầu vào tiêu cực tạo thành hai quá trình đổi mới độc lập? (Điều này, nếu đầu vào tiêu cực xảy ra tại thời điểm , thời gian đến đầu vào tiêu cực tiếp theo độc lập với tất cả các lần xuất hiện đầu vào tích cực và tiêu cực trước đó? Và trạng thái?) Điều này rất có thể được dự định vì không có sự phụ thuộc nào được chỉ định (nhưng cần phải được chỉ định giả định vì mô tả như văn bản không đảm bảo điều này)t
Juho Kokkala

@JuhoKokkala, câu trả lời là có, họ độc lập với nhau. Nếu đầu vào âm đến vào thời điểm t, thời gian đến đầu vào âm tiếp theo không phụ thuộc vào đầu vào trước hoặc trạng thái hiện tại.
mwoods

Câu trả lời:


2

Lưu ý rằng đây KHÔNG phải là một nỗ lực để trả lời đầy đủ vấn đề, nhưng để chỉ ra cách khắc phục việc thiếu tài sản Markov cho một trường hợp đặc biệt có thể không áp dụng - một điều quá dài để đưa ra nhận xét.

Thật không may, như bạn đã nhận ra, đây không phải là một quá trình Markov, mà là một quá trình bán Markov. Nếu bạn a) có số nguyên và và b) sẵn sàng mở rộng không gian trạng thái của mình, bạn có thể chuyển đổi quy trình này thành quy trình Markov bằng cách sử dụng phân phối Gamma trở thành phân phối Erlang và biến thiên Erlang là tổng của iid Biến thiên theo hàm mũ có cùng tham số tỷ lệ với biến thiên Erlang gốc.k+k

Chúng ta có thể mở rộng không gian trạng thái để bao gồm hai biến mới, "trạng thái +" và "- trạng thái", ghi lại "chúng ta sẽ đi bao xa" trong việc tạo ra sự xuất hiện tích cực hoặc tiêu cực tiếp theo. Để cụ thể, giả sử ; lần đến tích cực tiếp theo xảy ra khi lần thứ năm trong năm lần đến theo cấp số nhân liên tiếp xảy ra, do đó "trạng thái +" ghi lại có bao nhiêu lượt đến tích cực đã xảy ra kể từ đầu vào tích cực cuối cùng. Chuỗi các giá trị "+ state" là ; trạng thái chỉ có thể chuyển sang hoặc , trạng thái chỉ có thể chuyển sang hoặc , v.v.k+=5{0,1,2,3,4,0,1,...}001440

Không gian trạng thái của bạn trở thành ghi lại quá trình trong hộp, có bao nhiêu lượt truy cập tích cực đã xảy ra mô đun và có bao nhiêu lượt truy cập âm đã xảy ra mô đun .[BoxID,+,]k+k

Bây giờ chúng ta có hai biến thiên ngẫu nhiên - thời gian cho đến khi chuyển đổi "trạng thái" tiếp theo và thời gian cho đến khi chuyển đổi "trạng thái" tiếp theo - cả hai đều được phân phối theo cấp số nhân. Vì tối thiểu của hai biến số mũ độc lập là chính nó là số mũ, thời gian cho đến khi chuyển đổi tiếp theo (thuộc bất kỳ loại nào) là số mũ với tỷ lệ bằng tổng của hai tỷ lệ thành phần ( hoặc tùy thuộc vào cách phân phối Gamma của bạn được tham số hóa). Xác suất mà quá trình chuyển đổi tiếp theo là quá trình chuyển đổi "trạng thái" chỉ là hoặcθ++θ1/θ++1/θθ+/(θ++θ)1/θ+/(1/θ++1/θ), một lần nữa tùy thuộc vào cách phân phối Gamma của bạn được tham số hóa. Cho rằng thời gian cho quá trình chuyển đổi tiếp theo hiện có phân phối theo cấp số nhân, bạn có CTMC (Chuỗi thời gian liên tục), có thể được phân tích theo những cách tiêu chuẩn.

Đối với một ví dụ cụ thể, giả sử các lượt đến tích cực xảy ra với tốc độ đơn vị thời gian và các lượt đến tiêu cực xảy ra với tốc độ đơn vị thời gian. Thời gian cho đến khi quá trình chuyển đổi tiếp theo là Số mũ với tỷ lệ đơn vị thời gian và xác suất chuyển đổi được kích hoạt bởi một lần đến tích cực là .0.5/0.25/0.75/0.5/(0.5+0.25)=2/3

Bây giờ bạn có một không gian trạng thái được mở rộng, với mỗi hộp trong sơ đồ ban đầu của bạn có trạng thái bên trong nó, nhưng ít nhất bạn có thuộc tính Markov và có thể tìm thấy xác suất trạng thái ổn định ở trong hộp 3 và trạng thái với "+ state" = , nghĩa là một trong những trạng thái mà bạn có thể trải qua quá trình chuyển đổi dẫn đến kết quả đầu ra tích cực. Kết hợp các xác suất trạng thái ổn định đó với ma trận chuyển tiếp và thời gian trung bình giữa các lần chuyển đổi mang lại cho bạn tỷ lệ trung bình dài hạn để thấy đầu ra tích cực. Bạn cũng có thể tính toán phân phối xác suất mong muốn bằng cách sử dụng xác suất trạng thái ổn định, ma trận chuyển tiếp và thực tế là thời gian giữa các lần chuyển đổi có phân phối mũ với tỷ lệ đã biết.k+kk+1


Đây chính xác là những gì tôi cần. Tôi có và rất lớn (theo thứ tự mười nghìn), vì vậy ma trận chuyển tiếp sẽ khá lớn. Ân sủng tiết kiệm là ma trận cũng rất thưa thớt. Cảm ơn rât nhiều! k+k
mwoods

Vâng, với các tham số hình dạng của bạn lớn, sự khác biệt giữa các giá trị nguyên và không nguyên là moot! Vâng, sự thưa thớt thực sự sẽ là ân huệ cứu rỗi của bạn ...
jbowman
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.