Можешь решить данную задачу с помощью цепей маркова на Python Две подруги, Маша и Даша, решили сделать вложения на фондовом рынке. Маша купила акции компании “Рога и копыта”, а Даша — акции компании “Пух и перья”. Первоначально стоимость акций была одна и та же. В конце каждого месяца стоимость акций изменяется: * при позитивном сценарии (с вероятностью 0.6) акции дорожают, при этом акции “Рогов и копыт” поднимаются в цене на 300 рублей, а акции “Пуха и перьев” — на 250 рублей; * при негативном

Задачу можно решить с помощью цепей Маркова. В данном случае у нас два состояния системы: акции “Рогов и копыт” и акции “Пуха и перьев”.

Давайте построим матрицу перехода, в которой каждый элемент ij будет показывать вероятность перехода из состояния i в состояние j. В данном случае у нас два состояния, поэтому матрица будет размером 2×2.

Матрица перехода будет выглядеть следующим образом:

“`
= [[0.6, 0.4],
[0.6, 0.4]]
“`

Далее, мы можем использовать матрицу перехода чтобы предсказать стоимость акций в будущем. Для этого нам нужно задать начальные вероятности состояний системы.

Предположим, что начальная стоимость акций обоих компаний равна 1000 рублей, то есть $ _0 = [1000, 1000]$.

Мы можем использовать матрицу перехода и умножить начальные вероятности на нее для получения вероятностей состояний на следующем шаге:

“`
_1 = _0 * = [1000, 1000] * [[0.6, 0.4], [0.6, 0.4]] = [1200, 1200]
“`

Аналогично, мы можем умножить _1 на матрицу перехода для получения вероятностей состояний на следующем шаге:

“`
_2 = _1 * = [1200, 1200] * [[0.6, 0.4], [0.6, 0.4]] = [1440, 1440]
“`

Мы можем продолжать этот процесс, умножая предыдущие вероятности на матрицу перехода. Так мы сможем предсказать стоимость акций в будущем, итерируя этот процесс.

Таким образом, мы можем использовать цепи Маркова для моделирования изменения стоимости акций на фондовом рынке. Используя матрицу перехода, мы можем предсказать вероятности состояний системы на следующем шаге.