Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
0 .2
0 .4
P=
0 .4
0 .2
0 .1
0 .1
0 .1
0 .5
0.5
0 .2
0 .2
0 .2
0 .2
0.3
0 .3
0.1
Probabilidades de transio
Ex:
P[ X t +1 = A | X t = G ] = 0.4
P[ X t +1 = C | X t = G ] = 0.1
P[ X t +1 = G | X t = G ] = 0.2
P[ X t +1 = T | X t = G ] = 0.3
Cadeias de Markov
Sendo o vector de distribuio de probabilidade inicial
i = P( X 0 = i ), i S
Para calcular as probabilidades do estado da sequncia na posio 1,2,...
(j1) = P ( X 1 = j ) = i pij , j S
i
(j 2) = P ( X 2 = j ) = i ( P 2 ) ij , j S
i
P (1) = P
P ( 2) = P 2 ...
Cadeias de Markov
Se uma cadeia de MarKov for finita, aperidica e irredutvel
j = i pij , j S
= P
notao matricial
sendo
j = P( X 0 = j ), j S
= Pt
P( X t = j ) j
Cadeias de Markov
Exerccio 1.
Considere a seguinte matriz que apresenta as frequncias relativas observadas
de dinucletidos de M. genitalium
A
T
0.089
0.056
0.051
0.140
Cadeias de Markov
Exerccio 2. Resoluo com o R
Utilizando o R para obter matrizes de transio a vrios passos
> gen<matrix(c(0.423,0.399,0.314,0.258,0.151,0.184,0.189,0.138,0.168,0.063,0.176,0.187,0.258,0.
354,0.321,0.415),nrow=4,ncol=4)
>gen
>sum(gen[1,])
>gen2<-gen%*%gen
>gen2
gen4<-gen2%*%gen2
gen4
Cadeias de Markov
Exerccio 2 - continuao
#Vamos tentar simular uma cadeia com as caractersticas do exemplo
>markov1<-function(x,pi,P,n){
mg<-rep(0,n)
mg[1]<-sample(x,1,replace=T,pi)
for(k in 1:(n-1)){
mg[k+1]<-sample(x,1,replace=T,P[mg[k],])
}
return(mg)
}
>x<-c(1:4)
>pi<-c(0.342,0.158,0.158,0.342)
>P<-matrix(c(.423, .151, .168, .258,.399, .184, .063, .354,.314, .189, .176,
.321,.258, .138, .187, .415),ncol=4,nrow=4,byrow=T)
Cadeias de Markov
>P
>
[,1] [,2] [,3] [,4]
[1,] 0.423 0.151 0.168 0.258
[2,] 0.399 0.184 0.063 0.354
[3,] 0.314 0.189 0.176 0.321
[4,] 0.258 0.138 0.187 0.415
Resultado do R
>tmp<-markov1(x,pi,P,5000)
>length(tmp[tmp[ ]==1])
#OU
>sum(tmp[]==1)
veremos que resulta uma frequncia
prxima da que foi dada como modelo
Q={q1,q2,q3,...}
O={o1,o2,o3,... }
Inicial
q1
Emisso
o1
Transio
q2