Matematik

Markov Zinciri İle Geleceği Bugünden Nasıl Hesaplarız?

Markov zincirleri, bir sistemin gelecekteki durumunu mevcut durumundan hareketle tahmin etmemizi sağlayan matematiksel modellerdir. Hava durumundan internet aramalarına kadar pek çok alanda kullandığımız bu yaklaşımın ortaya çıkışında, iki Rus matematikçinin olasılık üzerine yaşadığı tartışma önemli rol oynadı.

1913 yılında Rus matematikçi Andrey Markov, Aleksandr Puşkin’in Yevgeni Onegin adlı manzum romanının ilk 20.000 harfini incelemeye başladı. Harfler arasındaki boşlukları ve noktalama işaretlerini çıkardı. Ardından ünlü ve ünsüz harfleri sayarak bunların birbirini hangi sıklıkta izlediğini araştırdı.

Markov’un amacı edebiyat incelemesi yapmak değildi. Metnin altında yatan matematiksel düzeni anlamaya çalışıyordu. Özellikle bir harfin ardından hangi harfin geleceğini tahmin ederken önceki harften yararlanıp yararlanamayacağımızı merak ediyordu.

Bu çalışma, Markov’un yıllardır üzerinde çalıştığı daha genel bir matematiksel problemin uygulamasıydı. Problemin kökeninde ise başka bir Rus matematikçi olan Pavel Nekrasov ile yaşadığı tartışma bulunuyordu.

Markov zinciri nedir?

Olasılık kuramının temel sonuçlarından biri büyük sayılar yasasıdır. Bu yasa, belirli koşullar altında, çok sayıda gözlemden elde ettiğimiz ortalamanın beklenen değere yaklaşacağını söyler.

Örneğin adil bir madeni parayı dört kez attığımızda dört sonucun da yazı gelme olasılığı 1/16’dır. Bu nedenle az sayıda atış yaptığımızda yazı ve tura sayıları birbirinden oldukça farklı olabilir.

Ancak atış sayısını artırdıkça yazı gelme oranının 1/2 değerinden belirli bir miktardan fazla sapma olasılığı azalır. Uzun vadede yazı ve tura oranlarının yüzde 50’ye yaklaşmasını bekleriz.

Pavel Nekrasov, büyük sayılar yasasının geçerli olması için olayların birbirinden bağımsız olması gerektiğini düşünüyordu. Hatta buradan hareketle insan davranışları ve özgür irade hakkında sonuçlar çıkarmaya çalıştı.

Andrei Andreyevich Markov, (sol) ve Pavel Alekseevich Nekrasov,

Markov ise bu yaklaşımın matematiksel açıdan hatalı olduğunu düşünüyordu. Çünkü büyük sayılar yasası yalnızca bağımsız rastgele değişkenler için geçerli değildir. Belirli koşulları sağlayan bağımlı değişkenler de uzun vadede benzer düzenlilikler gösterebilir.

Markov, 1906 yılında yayımladığı çalışmasında bu düşünceyi matematiksel olarak ortaya koydu. Böylece bugün kendi adıyla andığımız zincirlerin temelini attı. “Markov’un bu çalışmasının Claude Shannon’ın çalışmalarına nasıl uzandığını Andrey Markov ve Claude Shannon başlıklı yazımızda ayrıntılı olarak ele aldık.”

Markov Zinciri Ne İşe Yarar?

Bir sistemin zaman içinde farklı durumlar arasında geçiş yaptığını düşünelim. Markov zincirinde, bir sonraki durumun olasılıklarını hesaplamak için sistemin mevcut durumunu bilmemiz yeterlidir. Sistem bugünkü durumuna hangi yollardan ulaşmış olursa olsun, geçmişteki durumları ayrıca bilmek tahminimize yeni bir bilgi katmaz. Bu özelliğe Markov özelliği denir.

Markov zincirlerinin nasıl çalıştığını anlamak için basit bir hava durumu modeli oluşturalım. Havanın yalnızca üç durumda bulunabileceğini varsayalım: Güneşli, bulutlu ve yağmurlu.

  • Bugün hava güneşliyse yarın da güneşli olma olasılığı yüzde 60, bulutlu olma olasılığı yüzde 30, yağmurlu olma olasılığı ise yüzde 10 olsun.
  • Bugün hava bulutluysa yarın güneşli olma olasılığını yüzde 20, bulutlu kalma olasılığını yüzde 30 ve yağmurlu olma olasılığını yüzde 50 kabul edelim.
  • Yağmurlu bir günün ardından ise güneşli olma olasılığı yüzde 40, bulutlu olma olasılığı yüzde 10 ve yeniden yağmurlu olma olasılığı yüzde 50 olsun

Modelimizde yarının havasını tahmin etmek için yalnızca bugünkü havayı kullanıyoruz. Örneğin bugün güneşliyse önceki iki haftanın nasıl geçtiğine bakmadan yarınki yağmur olasılığını yüzde 10 kabul ediyoruz. Bu geçiş olasılıklarını bir matrisle gösterebiliriz.

Matrisin her satırı bugünkü hava durumunu, her sütunu ise yarınki hava durumunu temsil eder. Örneğin ilk satır, güneşli bir günün ardından diğer durumlara geçiş olasılıklarını gösterir.

Her satırdaki sayıların toplamı 1’dir. Çünkü bir sonraki gün mutlaka belirlediğimiz üç durumdan birinde olacaktır. Şimdi bu modeli kullanarak daha ilginç bir soruyu yanıtlayalım: Bugün hava güneşliyse iki gün sonra yağmur yağma olasılığı nedir?

Noktalar ve oklardan oluşan bir diyagram, bir Markov zincirinin yapısını gösterir.
  • Güneşli → Güneşli → Yağmurlu: 0,6 × 0,1 = 0,06
  • Güneşli → Bulutlu → Yağmurlu: 0,3 × 0,5 = 0,15
  • Güneşli → Yağmurlu → Yağmurlu: 0,1 × 0,5 = 0,05

Bu üç olasılığı topladığımızda 0,06 + 0,15 + 0,05 = 0,26 sonucunu elde ederiz. Demek ki modelimize göre bugün güneşli olan bir günün iki gün sonrasında yağmur yağma olasılığı yüzde 26’dır.

Markov Zincirlerinde Matrisler Ne İşe Yarar?

Üç farklı yolu ayrı ayrı hesaplamak zor değildir. Ancak durumların ve zaman adımlarının sayısı arttığında bütün olasılıkları tek tek bulmak zahmetli hâle gelir. Matris çarpımı bu sorunu çözer.

Geçiş olasılıklarını gösteren matrise P diyelim. Bu matrisi kendisiyle çarptığımızda P² matrisini elde ederiz. Yeni matris, sistemin iki adım sonra hangi durumda bulunabileceğinin olasılıklarını gösterir.

Örneğin P² matrisinin birinci satırının üçüncü sütunundaki değer 0,26’dır. Bu, az önce hesapladığımız güneşli bir günden iki gün sonra yağmurlu bir güne geçiş olasılığıdır.

Aynı yöntemle üç gün sonraki olasılıkları bulmak için P³, on gün sonraki olasılıkları bulmak için P¹⁰ matrisini hesaplayabiliriz.

Bu yaklaşım sayesinde her olası geçişi ayrı ayrı incelemek zorunda kalmayız. Matris çarpımı bütün geçiş olasılıklarını aynı anda hesaplamamızı sağlar. Peki zamanı daha da ileri götürdüğümüzde ne olur?

Örneğimizde geçiş matrisini art arda çarptığımızda satırlardaki olasılıkların giderek birbirine yaklaştığını görürüz. Başlangıçtaki hava durumunun uzun vadeli tahmin üzerindeki etkisi azalır.

Onuncu adımda olasılıklar yaklaşık olarak yüzde 44,12 güneşli, yüzde 23,53 bulutlu ve yüzde 32,35 yağmurlu biçiminde dağılır. Matrisin satırları birbirine o kadar yaklaşmıştır ki dört ondalık basamağa yuvarladığımızda aynı değerleri görürüz.

Bu örnekte başlangıçtaki hava durumunun uzun vadede önemini yitirmesi, zincirin matematiksel özelliklerinden kaynaklanır. Ancak her Markov zincirinin böyle davranacağını söyleyemeyiz.

Bazı zincirlerde sistem belirli durumlar arasında sürekli gidip gelebilir. Bazılarında ise başlangıç durumunun etkisi uzun vadede de devam edebilir. Bu nedenle yakınsama sonucuna ulaşmak için zincirin yapısını incelememiz gerekir.

Markov Zincirlerini Günümüzde Nerelerde Kullanıyoruz?

Markov zincirleri bugün birbirini izleyen durumların olasılıklarını incelemek istediğimiz birçok alanda karşımıza çıkıyor.

Meteorolojide hava durumları arasındaki geçişleri, biyolojide belirli moleküler süreçleri, ekonomide ise farklı piyasa durumları arasındaki olası değişimleri modellemek için bu yöntemden yararlanıyoruz.

Bilgisayar biliminde de Markov zincirleri önemli bir yere sahip. Örneğin Google’ın PageRank algoritmasının temelinde, bağlantılar aracılığıyla web sayfaları arasında hareket eden varsayımsal bir kullanıcının davranışını modelleyen bir Markov zinciri bulunur.

Doğal dil işleme ve konuşma tanıma sistemlerinde de Markov modellerinden yararlanırız. Bu modeller, bir durumun ardından hangi durumun gelmesinin daha olası olduğunu hesaplamamıza yardımcı olur.

Markov’un çalışmalarının önemi, yalnızca geleceğe ilişkin tahmin yapmamızı sağlaması değildir. Onun geliştirdiği yaklaşım, birbirine bağımlı olayları da matematiksel olarak inceleyebileceğimizi gösterdi. Böylece basit bir olasılık sorusundan yola çıkarak doğadaki, toplumdaki ve teknolojideki karmaşık süreçlerin davranışlarını anlamak için yeni bir matematiksel araç elde ettik.


Kaynaklar ve ileri okumalar:

Matematiksel

Sibel Çağlar

Kadıköy Anadolu Lisesi’nin ardından Marmara Üniversitesi İngilizce Matematik Öğretmenliği bölümünden mezun oldum. Matematiksel.org’un kurucusu olarak matematik, bilim ve düşünce alanlarında içerik üretmeye devam ediyorum.