实验7：马尔柯夫预测
7.1实验目的
1、了解状态及状态转移的概念，理解马尔科夫链定义和性质，能根据具体实例和研究目的划分状态；
2、掌握用Excel软件计算一步转移概率矩阵的全过程；
3、掌握利用Excel软件进行马尔科夫链、市场占有率、马尔科夫稳态的相关预测。
7.2实验原理
7.2.1 马尔柯夫预测的基本原理
马尔可夫预测法是马尔科夫过程和马尔科夫链在经济预测领域的一种应用，这种方法通过对事物状态划分、研究各状态的初始概率和状态之间转移概率来预测事物未来状态变化趋势，以预测事物的未来。
7.2.1．1马尔可夫链
若时间和状态参数都是离散的马尔科夫过程，且具有无后效性，这一随机过程为马尔可夫链。无后效性可具体表述为如果把随机变量序列?Y(t),t?T?的时间参数ts作为“现在”，那么t?ts表示“将来”，t?ts表示“过去”，那么，系统在当前的情况Y(ts)已知的条件下，Y(t) “将来”下一时刻所处的的情况与“过去”的情况无关，随机过程的这一特性称为无后效性。
7.2.1．2状态及状态转移
1、状态是指客观事物可能出现或存在的状况。在实际根据研究的不同事物、不同的预测目的，有不同的预测状态划分。
（1）预测对象本身有明显的界限，依状态界限划分。如机器运行情况可以分为“有故障”和“无故障”两种状态，天气有晴、阴、雨三种状态。（2）研究者根据预测事物的实际情况好预测目的自主划分。如：公司产量按获利多少人为的分为畅销、一般销售、滞销状态。这种划分的数量界限依产品不同而不同。
2、状态转移是指所研究的系统的状态随时间的推移而转移，及系统由某一时期所处的状态转移到另一时期所处的状态。发生这种转移的可能性用概率描述，称为状态转移概率
7.2.2状态转移概率矩阵及计算原理
1、概念：状态转移概率指假如预测对象可能有E1，E2，?，En共n种状态，
其每次只能处于一种状态Ei，则每一状态都具有n个转向（包括转向自身），即：
Ei?E11 、Ei?E2、?、Ei?En，将这种转移的可能性用概率描述，就是状
态转移概率。最基本的是一步转移概率P(Ej|Ei)，它表示某一时间状态Ei经过一步转移到下一时刻状态Ej的概率，可以简记为Pij。
2、状态转移概率矩阵P
系统全部一次转移概率的集合所组成的矩阵称为一步转移概率矩阵，简称状态转移概率矩阵
?p11?p21P???pi1??pn1?p12p22pi2pn2np1jp2jpijpnjp1n?p2n?? pin??pnn??pij?0 ?pij?1
i?1称P为状态转移概率矩阵。若一步转移概率矩阵为P，则k步转移矩阵为
P(k)?Pk(?1?)P
7.2.3马尔柯夫链预测
马尔柯夫方法是研究随机事件变化的一种方法。预测对象的变化常受各种不确定因素的影响而带有随机性，若其具有无后效性，则用马尔可夫法进行预测会更有效、方便。
一、一重链状相关预测
（一）一重马尔可夫链：若时间序列Yt在t=k+1（将来时期）时取值的统计规律只与Yt在t=k（现在时期）时的取值有关，而与t=k以前的取值无关，则称此时序为一重链状相关时间序列，
（二）预测步骤：一重链状相关预测是利用一步移概率矩阵进行预测。 预测步骤：
1、预测对象状态划分：
1）预测对象本身已有明显状态界限；
2）不明显的，在划分时进行全面调查、了解，并结合预
测目的加以分析。 2、计算初始概率pi
初始概率是指状态出现的概率。当状态概率的理论分布未知时，若样本容量
足够大，可用样本分布近似地描述状态的理论分布。因此，可用状态出现的频率近似地估计状态出现的概率。假定预测对象有Ei（i=1,2,?，n）个状态，在已知历史数据中，Ei状态出现的次数为Mi；则Ei出现的频率Fi?Mi
N 3、计算状态的下转移概率pij。
同状态的初始概率一样，状态转移概率的理论分布未知，当样本容量足够大时，也可以用状态之间相互转移的频率近似地描述其概率。假定由状态Ei转向Ej的个数为Mi，那么
pij?P(Ei?Ej)?P(Ej|Ei)?MijMi(i?1,2,?,n) (j?1,2?,n, )就得到一步转移概率矩阵
?p11?p21 P???pi1??pn1?p12p22pi2pn2p1jp2jpijpnjp1n?p2n?? pin??pnn??矩阵主对角线上的P11 ，P22 ，?Pnn 表示经过一步转移后仍处在原状态的概率。
4、根据转移概率矩阵和初始概率进行预测。 7.2.3.1 马尔可夫模型预测
马尔可夫模型预测是利用概率建立一种随机型时序模型进行预测的方法。 预测模型：S(k?1)?S(k)P 式中：S(k)是预测对象t=k时刻的状态向量；P为一步转移概率矩阵; S(k?1)是预测对象在t=k+1时的状态向量，预测的结果。
根据上述预测模型可得：S(1)?S(0)P
S(2)?S(1)P S(k?1)?S(0)P(k?1)
1、预测模型：式中：S(0)为预测对象的初始状态向量。是由状态的初始概率组成的向量。对于马氏链，它处于任一时刻t的概率可由初始概率初始状态向量和一步转移概率所决定。
2、适用条件：预测模型只适用于具有马尔可夫性的时间序列，在要预测期内，各时刻的状态转移概率保持稳定，均为一步转移概率。若时序的状态转移概率随不同时刻在变化，不宜用此方法。此方法一般适用于短期预测。
状态转移概率矩阵P全面地描述了预测对象在各个状态之间变化的关系，在预测中有着很重要的作用。它不仅决定了预测对象所处的状态，而且决定着预测对象的变化趋势和最终结果。 7.2.3.2终极市场占有率预测