CATENE DI MARKOV: UN'APPLICAZIONE

ALLA COMPOSIZIONE MUSICALE

PROGETTO DI METODI MATEMATICI E STATISTICI DI

MARIO ALVISE DI BERNARDO

ANNO ACCADEMICO 2012/2013

1.Introduzione
2.Cenni sulla composizione algoritmica
2.1.Il gioco di dadi musicale di Mozart
3.Cenni sulle catene di Markov
3.1.Alcune applicazioni
4.Analisi della catena utilizzata
4.1.Probabilit di transizione ad un passo: matrice di transizione
4.2.Grafo associato
4.3.Calcolo di leggi congiunte
4.4.Classificazione degli stati
4.5.Probabilit invarianti
4.6.Stato stazionario
5.Implementazione
5.1.Descrizione dell'algoritmo utilizzato
6.Analisi dei risultati
6.1.Analisi della forma d'onda
7.Allegati
8.Webgrafia
 1.INTRODUZIONE
Nella seguente trattazione, vedremo in che modo la statistica pu trovare applicazione in
ambito di composizione musicale.
In particolare, verranno prima introdotti separatamente i concetti di composizione
algoritmica musicale e catena di Markov, osservando successivamente, con un
esempio pratico, in che modo sia possibile implementare un algoritmo che permetta di
comporre musica tramite processo markoviano.
Nel trattare la composizione algoritmica, verr approfondito maggiormente il carattere
aleatorio del comporre tramite casualit (vedremo un esempio storico di musica composta
con l'uso di dadi) a discapito del legame tra la composizione musicale e l'uso del
computer.
Saranno poi allegati due file audio ottenuti da due esecuzioni successive dello stesso
algoritmo e ne saranno evidenziate le differenze date dal carattere aleatorio
dell'implementazione stessa.
 2.CENNI SULLA COMPOSIZIONE ALGORITMICA
Si definisce come algoritmico un processo musicale che si svolge, prevalentemente
mediante elaboratore digitale, in base ad un ben determinato schema utilizzato per la
generazione delle strutture musicali. L'oggetto del comporre, in questo caso, non sono gli
eventi sonori quali altezze, durate e timbro, ma il processo stesso di composizione.

Gli algoritmi (intesi come insiemi di regole formali) sono stati utilizzati per secoli per
comporre musica: le procedure utilizzate per intrecciare le voci nel contrappunto
occidentale, ad esempio, possono spesso essere ridotte a determinatezza algoritmica.
Il termine, tuttavia, solitamente indica l'uso di procedure formali per fare musica senza
l'intervento umano, sia attraverso l'introduzione di procedure casuali sia attraverso l'uso
del computer.
Alcuni algoritmi che non hanno alcuna rilevanza musicale immediata vengono utilizzati dai
compositori come ispirazione creativa per la loro musica. Algoritmi come frattali, sistemi
Lindenmayer, modelli statistici e anche dati arbitrari (ad esempio dati del censimento,
coordinate GIS, o le misurazioni del campo magnetico) sono stati utilizzati come materiali
di partenza.

2.1.Il gioco di dadi musicale di Mozart

I primi esempi di composizione algoritmica si possono ravvisare nel XVIII secolo, quando
compositori come Bach, Haydn e Haendel iniziarono, per divertimento, a comporre musica
utilizzando i dadi.

Nel 1793 questa tecnica inizia ad avere larga diffusione grazie alla pubblicazione a Berlino
e ad Amsterdam di un "Musikalisches Wrfelspiel" ("Gioco di dadi musicale") utilizzabile
per comporre minuetti "senza la minima conoscenza della musica, tirando due dadi".
Il gioco, il cui autore era Wolfgang Amadeus Mozart, ebbe subito un grandissimo
successo: in pochi anni moltissime case editrici europee lo ristamparono, e vennero
pubblicate versioni economiche e di lusso.

Il "Musikalisches Wrfelspiel" permetteva di comporre, in modo automatico, un minuetto

strutturato secondo la forma tripartita usata in quell'epoca:
una prima parte (il minuetto vero e proprio);
una parte centrale, detta "trio" perch originariamente era assegnata a tre strumenti
solisti;
una terza parte, che riproponeva il minuetto iniziale.
I minuetti e i trii dell'epoca erano costituiti tipicamente da 16 battute, e la loro struttura
poteva basarsi su schemi abbastanza standard. Fu proprio questa semplicit strutturale a
dar modo a Mozart di poter concepire l'idea di una composizione automatica.

Per comporre il minuetto, il gioco prevedeva l'utilizzo di una tabella con 11 righe e 16
colonne. In ognuna delle caselle risultanti era presente un numero da 1 a 176, che
rimandava ad un libretto nel quale erano trascritte 176 battute composte da Mozart.
Le 16 colonne della tabella corrispondevano alle 16 battute del minuetto. Lanciando, per
ciascuna delle 16 battute, due dadi e sottraendo 1 dal punteggio totale si otteneva un
numero da 1 a 11. Consultando il libretto con il numero presente all'intersezione tra la
colonna del numero di battuta e la riga determinata dal lancio dei dadi, si trovava la battuta
mozartiana da utilizzare.
Seguendo questo procedimento il "giocatore" si ritrovava con un minuetto di 16 battute.
Per quanto riguarda il trio da usare come parte centrale, il procedimento era del tutto
analogo, ma in questo caso la tabella da utilizzare aveva soltanto 6 righe, per cui era
sufficiente un solo dado.

importante sottolineare che nel lancio di due dadi le 11 combinazioni possibili non hanno
tutte la stessa probabilit: ad esempio il punteggio 7 il pi probabile, poich si pu
ottenere con 6 diverse combinazioni, mentre il 2 o il 12 si ottengono con una sola
combinazione. Alcuni minuetti, quindi, sono pi probabili di altri ma non sappiamo se
Mozart abbia tenuto conto di questo, ad esempio facendo corrispondere le battute migliori
ai lanci di dadi pi probabili.

Ci che certo, che la bravura di Mozart fu quella di scrivere battute che potessero
adattarsi bene l'una con l'altra, cosa tutt'altro che banale, specie analizzando i possibili
risultati ottenibili. Infatti, per ognuna delle 16 battute del tema principale ci sono 11 battute
possibili: quindi le combinazioni sono 1116. Analogamente, il gioco consente la
composizione di 616 trii. Poich il minuetto, come forma musicale tripartita, dato dalla
combinazione di un minuetto e di un trio, abbiamo in tutto 1116 x 616 =
129.629.238.163.050.258.624.287.932.416 diverse composizioni possibili, cio circa 129
miliardi di miliardi di miliardi!

possibile giocare al "Musikalisches Wrfelspiel" andando all'indirizzo

http://sunsite.univie.ac.at/Mozart/dice.
 3.CENNI SULLE CATENE DI MARKOV
Un processo di Markov un processo stocastico nel quale la probabilit di transizione che
determina il passaggio ad uno stato di sistema dipende unicamente dallo stato di sistema
immediatamente precedente (propriet di Markov) e non dal come si giunti a tale stato
(in quest'ultima ipotesi si parla di processo non markoviano).

Tale processo prende il nome dal matematico russo Andrej Andreevi Markov che per
primo ne svilupp la teoria.

In riferimento a un processo stocastico con spazio degli stati e tempo discreti, possiamo
dare la seguente definizione formale:
P( Xn+1 = j | X0, X1, , Xn ) = P( Xn+1 = j | Xn )
ovvero: se il istema si trova nello stato n, il suo stato al tempo n+1 non dipende dagli stati
ai tempi 0, 1, , n-1, ma solo dallo stato al tempo n.

3.1.Alcune applicazioni
Il motore di ricerca Google assegna un valore all'importanza di un sito web tramite
l'algoritmo PageRank: quest'ultimo si basa sull'assegnare una probabilit di transizione da
un sito web A a un sito B basata sulla quantit di link che da A conducono a B.
Conoscendo la probabilit di transizione possibile ottenere la distribuzione stazionaria di
probabilit della catena di Markov formata da tutti i siti web. La distribuzione stazionaria
assegna un valore nell'intervallo [0,1] ad ogni sito (corrispondente alla quantit media di
tempo spesa sul sito da un gran numero di utenti dopo un tempo tendente a infinito): tale
valore, opportunamente riscalato, costituisce il Page Rank del sito. Gran parte della
modellistica di serie temporali in finanza si basa su processi stocastici generati da catene
di Markov.

Modelli di tipo markoviano vengono anche utilizzati nel progetto di reti di

telecomunicazioni; la teoria delle code che ne consegue trova applicazione in molti ambiti:
dalla fila alle poste ai pacchetti in coda in un router.

Le catene di Markov trovano applicazione anche nella composizione algoritmica musicale,

in particolare in linguaggi e ambienti di sviluppo come CSound, Max o SuperCollider. Tale
argomento, verr approfondito nei prossimi paragrafi.
 4.ANALISI DELLA CATENA UTILIZZATA
Data una catena di primo ordine, gli stati del sistema diventano note, e per ciascuno viene
costruito un vettore di probabilit, componendo una matrice di probabilit di transizione.
L'algoritmo produce e manda in output i valori delle note basandosi sui pesi della matrice
di transizione. Tali valori saranno, nell'esempio trattato, frequenza (in Hertz) e valore della
nota.

Note LA DO MI
LA 0.4 0.3 0.3
DO 0.6 0.25 0.15
MI 0.1 0 0.9
Un esempio con una matrice di prim'ordine.

Pur se non argomento di questa trattazione, interessante considerare l'utilizzo di catene

di Markov di ordine superiore al primo, che tengono conto sia dello stato attuale che di
quelli precedenti, permettendo cos di raggruppare assieme sequenze particolari di note
che saranno occasionalmente interrotte da altri pattern.
Catene di ordine superiore al primo permettono cos di generare risultati con una certa
struttura nei fraseggi, a differenza del vagare senza meta prodotto da un sistema di
primo ordine.

Note LA RE SOL
LA LA 0.5 0.5 0
LA RE 0.3 0.5 0.2
LA SOL 1 0 0
RE RE 0.5 0.25 0.25
RE LA 0.75 0 0.25
RE SOL 0.9 0.1 0
SOL SOL 0.4 0.4 0.2
SOL LA 0 1 0
SOL RE 0.15 0.75 0.1
Un esempio con una matrice di secondo ordine.

4.1.Probabilit di transizione ad un passo: matrice di transizione

La seguente matrice Q descriver l'evoluzione del sistema: ogni elemento qi,j ci dir infatti
con quale probabilit il sistema passer dallo stato i al tempo n, allo stato j al tempo n+1.

0 1 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 0
Q=
0 0 0 0 0 1/3 2/3 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1
1/3 0 0 0 0 1/3 0 0 0 1/3

Ogni riga rappresenta il comportamento dell'i-esimo stato, per questo la somma degli
elementi di una riga sempre 1.

4.2.Grafo associato
Una rappresentazione alternativa per le catene di Markov prevede l'utilizzo di un grafo
orientato pesato, i cui vertici rappresentano gli stati e i pesi degli archi le probabilit di
transizione. Per ogni stato indicata la nota, il valore della frequenza in hertz e la durata
relativa, che andr poi divisa per i bps (beats per second) per ottenere la durata effettiva.

4.3.Calcolo di leggi congiunte

Sia E = {X0, X1, X2, X3, X4, X5, X6, X7, X8, X9} l'insieme degli stati della catena di Markov.
Esso ha cardinalit n = 10. Vogliamo individuare la legge w per X n.
Data v legge di X0, calcoliamo:
w = vQn
Eseguendo il calcolo con Matlab, otteniamo:
w = [ 0.0432 0.0415 0.0398 0.0046 0.0139 0.2271 0.2695 0.1392 0.0794 0.1418 ]

4.4.Classificazione degli stati

Sia E = {X0, X1, X2, X3, X4, X5, X6, X7, X8, X9} l'insieme degli stati della catena di Markov
precedentemente definita e sia C un sottonsieme di stati tale che C E.

Non sono presenti sottoinsiemi di stati che siano chiusi, pertanto E l'unica classe
irriducibile, ovvero per ogni i, j E, con i j, esister sempre n > 0 tale che qi,j(n) > 0.
Questo significa che, presi due stati qualunque, esister un percorso che andr dallo stato
i allo stato j in n passi.
Essendo E la sola classe irriducibile, e avendo essa cardinalit maggiore di 1, non sono
presenti stati assorbenti, ossia stati che costituiscono da soli una classe irriducibile.

Uno stato i si dice ricorrente se il sistema, essendo stato una volta in i, torner in i con
probabilit 1, ovvero pi, i = 1. In caso contrario lo stato si dir transitorio e pi, i < 1.
Gli stati 0, 1, 2, 7, 8 e 9 sono ricorrenti, mentre gli stati 3, 4, 5 e 6 sono transitori.
La catena aperiodica. Infatti, dato k 1, non esiste nessuna m > 1 per cui un qualche
stato j soddisfi la seguente relazione:
P(Xn+s = j | Xn = j) = 0, con s mk.

Dalla matrice Q risulta evidente che:

lo stato 0 comunica con lo stato 1;
lo stato 1 comunica con lo stato 2;
lo stato 2 comunica con gli stati 3 e 7;
lo stato 3 comunica con lo stato 4;
lo stato 4 comunica con gli stati 2 e 5;
lo stato 5 comunica con gli stati 5 e 6;
lo stato 6 comunica con gli stati 6 e 7;
lo stato 7 comunica con gli stati 5 e 8;
lo stato 8 comunica con lo stato 9;
lo stato 9 comunica con gli stati 0, 5 e 9.

4.5.Probabilit invarianti
Nessuna delle probabilit su E invariante o stazionaria.
Infatti facile verificare che non esiste nessuna v probabilit su E tale che:
v = vQ
Poich la matrice di transizione Q regolare, ovvero esiste m intero positivo tale che:
qi, j(m) > 0, per ogni i, j E
la catena di Markov si dir regolare. Ne segue che tutti gli stati comunicano tra loro e
quindi la catena irriducibile e gli stati ricorrenti.
Ma non vale il viceversa.

4.6.Stato stazionario
Studiamo ora la catena di Markov per tempi molto grandi.
Quando l'istante di osservazione molto lontano dal punto iniziale, la probabilit p j che la
catena si trovi nello stato j non dipende dallo stato iniziale, ovvero, per j = 0, 1, ...:
lim P( Xn=j | X0=i ) = lim qi, j(n) = pj
n n

Le probabilit limite pj, se esistono, sono dette distribuzione di equilibrio o distribuzioni

dello stato stazionario di una catena di Markov, e la loro somma 1.

Vediamo se esiste una distrubuzione di equilibrio per la nostra catena.

Per il teorema di Markov, data una catena di Markov avente stati finiti e pari a N e matrice
di transizione Q regolare, allora esiste un'unica probabilit invariante p = (p 1, p2, , pN) di
Q tale che:
lim qi, j(n) = pj
n

Poich la nostra catena soddisfa le ipotesi, abbiamo la certezza dell'esistenza di p.

Troviamo p = (p0, p1, p2, p3, p4, p5, p6, p7, p8, p9).
Calcoliamo le equazioni di bilancio.
Per j = 0 si ha:
 p0 = p9 / 3
Per j = 1 si ha:
p1 = p0
Per j = 2 si ha:
p2 = p1 + p4 / 4
Per j = 3 si ha:
p3 = p2 / 2
Per j = 4 si ha:
p4 = p3
Per j = 5 si ha:
p5 (2 / 3) = p4 (3 / 4) + p7 / 2 + p9 / 3
Per j = 6 si ha:
p6 / 2 = p5 (2 / 3)
Per j = 7 si ha:
p7 = p2 / 2 + p6 / 2
Per j = 8 si ha:
p8 = p7 / 2
Per j = 9 si ha:
p9 (2 / 3) = p8

L'equazione di normalizzazione :
p0 + p1 + p2 + p3 + p4 + p5 + p6 + p7 + p8 + p9 = 1

Mettendo a sistema equazioni di bilancio e equazione di normalizzazione si ha:

p0 = p1 = 2 / 43
p2 = p3 = p4 = 0
p5 = 9 / 43
p6 = 12 / 43
p7 = 8 / 43
p8 = 4 / 43
p9 = 6 / 43

Pertanto, la propriet invariante per la nostra catena :

p = ( 2 / 43, 2 / 43, 0, 0, 0, 9 / 43, 12 / 43, 8 / 43, 4 / 43, 6 / 43 )

Tali risultati possono essere osservati empiricamente con dei semplici test sul codice
allegato. Baster infatti inserire un comando che stampi a video lo stato corrente a ogni
passo (chiameremo percorso questo insieme di valori) e calcolare la distribuzione di
frequenza con la funzione FREQUENZA di Excel, usando il percorso come dati e gli stati
possibili (ovvero gli elementi dell'insieme E) come classi.

Per n = 100 otteniamo:

Stato Frequenza
0 5
1 5
2 5
3 2
4 2
5 23
6 22
7 18
8 8
9 10
Mentre per n = 1000 otteniamo:

Stato Frequenza
0 36
1 37
2 41
3 17
4 17
5 209
6 297
7 167
8 74
9 105

Per valori molto grandi di n, dunque, la distribuzione di frequenza degli stati della catena
tender a stabilizzarsi seguendo la propriet invariante p.
 5.IMPLEMENTAZIONE
Per l'implementazione dell'algoritmo, stato usato SuperCollider, un linguaggio di
programmazione per la sintesi audio in tempo reale con integrato un ambiente di sviluppo
diviso in due componenti: un server (scsynth) e un client (sclang). Questi componenti
comunicano tramite OSC (Open Sound Control).

5.1.Descrizione dell'algoritmo utilizzato

Iniziamo definendo il sintetizzatore, ossia lo strumento che suoner il nostro spartito.
Apriamo un Task (questo ci permetter di gestire il tempo tra l'avvio di una nota e la
successiva tramite la durata effettiva e il comando wait) e usiamo un array per definire la
nostra catena secondo lo schema: [freq, dur_rel, <lista_adiacenza>].
Nella lista di adiacenza indicheremo ogni stato direttamente collegato a quello corrente
con la relativa probabilit: [[stato_1, probabilit_1], [stato_2, probabilit_2], ]
Stabilito un bpm, calcoliamo quindi i bps per poi ottenere la durata effettiva delle note in
secondi. Questo ci permetter di cambiare la velocit a nostro piacimento modificando
solo il valore bpm.
Inizializziamo il nodo corrente a 0. In questo modo lo stato 0, rappresentato dalla prima
riga della matrice, sar lo stato iniziale. Apriamo un ciclo do impostando il contatore a 99,
cos da avere un totale di n = 100 passi.
A ogni passo, useremo il sintetizzatore per eseguire la nota (o la pausa) dello stato
corrente.
Lo stato successivo viene scelto secondo la seguente procedura:
viene calcolata la somma dei pesi presenti nella lista di adiacenza dello stato
corrente;
viene estratto un numero casuale compreso tra 0 e il peso totale;
se il numero estratto minore o uguale al primo peso, viene scelto il primo nodo
della lista. Altrimenti, si confronta il numero estratto con il secondo peso pi il primo:
se minore o uguale si sceglie il secondo nodo della lista. In caso contrario si
passa al confronto tra il numero casuale e la somma dei primi tre pesi, e cos via.
Lo spartito sar quindi il percorso definito dal cambiamento degli stati della catena di
Markov.
 6.ANALISI DEI RISULTATI
Analizzeremo ora due tracce audio ottenute da due esecuzioni del codice mostrando
come, se pur generate dallo stesso algoritmo, le due tracce presentino notevoli differenze.
Sebbene tali differenze siano gi evidenti all'ascolto, saranno mostrati dei grafici ottenuti
col software Audacity.

6.1.Analisi della forma d'onda

La forma d'onda il profilo generato su un piano cartesiano dalla misurazione di un
segnale rispetto a due grandezze, che nel nostro caso sono il tempo t e il potenziale
elettrico V del segnale, normalizzato tra -1 e 1.
Seguono le forme d'onda osservate nei due canali (stereo) di ciascuna traccia.

Traccia 1.

Traccia 2.

Osservando le creste e gli avvallamenti, possibile notare come le due tracce siano
composte dagli stessi eventi sonori, ma disposti in maniera diversa.
Ad esempio, le forme d'onda dei suoni eseguiti tra l'istante 0 e l'istante 1 sono le stesse
per entrambe le tracce. In effetti, come si evince dal grafico e dalla matrice di transizione,
la nostra catena forza i passaggi tra gli stati 0 e 1, e tra 1 e 2. Agli istanti successivi le
tracce iniziano a diversificarsi.

Nel file sc_markov canali separati.mp3 le due tracce vengono eseguite

contemporaneamente su diversi canali stereo, ossia ascoltando il file audio su un sistema
stereo, la prima traccia sar udibile sulla cassa destra, mentre la seconda sulla cassa
sinistra. Come precedentemente osservato nei grafici, le tracce saranno identiche nel
primo istante di riproduzione, dopodich inizieranno a differenziarsi.
 7.ALLEGATI
sc_markov 1.mp3: prima traccia audio generata.
sc_markov 2.mp3: seconda traccia audio generata.
sc_markov canali separati.mp3: mix delle due tracce. stato attribuito un canale
diverso a ogni traccia cos da evidenziarne le differenze.
Catena di Markov.scd: file SuperCollider.
 8.WEBGRAFIA
http://en.wikipedia.org/wiki/Algorithmic_composition
http://web.tiscalinet.it/gruppo_a/fog_txt.html