📚 Теорія
Що таке Ланцюг Маркова?
Ланцюг Маркова — це стохастичний процес, який задовольняє марківську властивість: майбутній стан залежить лише від поточного стану і не залежить від минулих станів.
Ключові концепції:
- Стани — можливі положення системи
- Переходи — зміна станів з певною ймовірністю
- Матриця переходів — таблиця ймовірностей переходів між станами
- Марківська властивість — майбутнє залежить тільки від теперішнього
🌤️ Приклад: Погода
Уявімо прогноз погоди з трьома станами: Сонячно, Хмарно, Дощ.
Якщо сьогодні сонячно, завтра може бути:
- Сонячно з ймовірністю 70%
- Хмарно з ймовірністю 20%
- Дощ з ймовірністю 10%
Це класичний приклад ланцюга Маркова!
🎮 Інтерактивна симуляція
Клікніть на полотні, щоб додати стан. Виберіть два стани для створення переходу.
Модель погоди
Три стани: Сонячно ☀️, Хмарно ☁️, Дощ 🌧️
Матриця переходів (можна редагувати):
| ☀️ Сонячно | ☁️ Хмарно | 🌧️ Дощ | |
|---|---|---|---|
| ☀️ Сонячно | |||
| ☁️ Хмарно | |||
| 🌧️ Дощ |
Створіть свою модель
Визначте кількість станів та матрицю переходів для вашої власної моделі
🎲 Зв'язок з методом Монте-Карло
Як пов'язані ланцюги Маркова та метод Монте-Карло?
Метод Монте-Карло — це широкий клас обчислювальних алгоритмів, які використовують випадкові вибірки для отримання числових результатів.
Спільні риси:
- 🎲 Стохастичність — обидва методи базуються на випадкових процесах
- 🔄 Ітеративність — використовують повторювані кроки
- 📊 Апроксимація — дають наближені результати через симуляцію
- ⚡ Масштабованість — ефективні для складних систем
MCMC (Markov Chain Monte Carlo):
Це клас алгоритмів, що поєднує обидва методи для:
- Вибірки зі складних розподілів ймовірностей
- Байєсівського статистичного аналізу
- Машинного навчання та нейронних мереж
- Фізичного моделювання (алгоритм Метрополіса)
🎯 Приклад: Обчислення π
Класичний приклад методу Монте-Карло — обчислення числа π через випадкові точки у квадраті з вписаним колом.
🎯 Інтерактивні симуляції Монте-Карло
Метод Монте-Карло для обчислення π
Кидаємо випадкові точки в квадрат 1×1. Якщо точка потрапляє в коло радіусом 1, рахуємо її.
Обчислення інтеграла методом Монте-Карло
Обчислюємо площу під кривою f(x) = x² на інтервалі [0, 1]
MCMC: Вибірка з розподілу
Використовуємо ланцюг Маркова для генерації вибірки з нормального розподілу (алгоритм Метрополіса-Гастінгса)
💡 Застосування
Де використовуються ланцюги Маркова?
- 📊 Прогнозування — погода, фінансові ринки
- 🎮 Ігри — моделювання поведінки NPC
- 🔤 Обробка мови — генерація тексту, автодоповнення
- 🧬 Біоінформатика — аналіз ДНК послідовностей
- 🌐 Інтернет — алгоритм PageRank від Google
- 📱 Телекомунікації — моделювання мережевого трафіку
- 🏥 Медицина — прогнозування перебігу хвороб
Застосування методу Монте-Карло та MCMC:
- 🎲 Фінанси — оцінка ризиків, ціноутворення опціонів
- 🔬 Фізика — моделювання молекулярної динаміки
- 🤖 Машинне навчання — навчання моделей, байєсівська оптимізація
- 📈 Статистика — оцінка параметрів, перевірка гіпотез
- 🎯 Оптимізація — пошук глобального мінімуму
- 🌍 Кліматологія — прогнозування зміни клімату