See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/295079804

MARKOV CHAINS APPLICATIONS IN

WINEMAKING

Article · January 2005

CITATIONS READS

9 24

2 authors:

Cristian-Mihai Pomohaci Radu Cristian Toma

University of Agricultural Sciences and Veteri… University of Agricultural Sciences and Veteri…
49 PUBLICATIONS 15 CITATIONS 14 PUBLICATIONS 14 CITATIONS

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Studies regarding non-native pest species in Romania View project

Teacher Identity in Romania View project

All content following this page was uploaded by Radu Cristian Toma on 19 February 2016.

The user has requested enhancement of the downloaded file.

Lucrări ştiinţifice, U.Ş.A.M.Y.B., Seria F, Vol. X, 2005, p. 151 -154

APLICAŢII ALE LANŢURILOR MARKOV ÎN VESIFICAŢIE

MARKOV CHAINS APPLICATIONS IN WINEMAKING

C.M. PO M O H A CI1, R.C, TOM A2

1 — Universitatea Romano-Americana, Bucureşti
USAMV Bucureşti, Facultatea Biotehnologii

C uvinte cheie: Lanţuri M arkov, proces stohastic în timp discret, tranziţii între stări
Key words: Markov chains, discreet time stochastic process, state-transition diagrams

ABSTRACT

The research aim im s to realise a Markov model in viticulture.

In această lucrare vom prezenta câteva consideraţii ce pot duce la

realizarea unui model Markov aplicabil în viticultură. Având în vedere faptul că
scopul acestei lucrări a fost de a propune un instrument de modelare markoviană,
am încercat să prezentăm un cadru cât mai larg al problemei, pentru a desprinde
ideea de aplicabilitate largă în vinifîcaţie a modelelor Markov.
Un specialist se află de multe ori în puncte de răspântie în care trebuie să ia
decizia de a urma o cale sau alta în cercetarea ce o întreprinde. Pentru a lua o
decizie de cele mai multe ori specialistul alege soluţia cea mai probabilă, adică
realizează o analiză a probabilităţilor de a se petrece un anumit fenomen . In cadrul
acestei alegeri, el se bazează pe experienţa anterioară. Acest mod de lucru se poate
regăsi şi în procesele de tip markovian, în care starea în care se află un anumit
proces este determinată de starea anterioară. în cele ce urmează am analizat o
posibilă utilizare a modelării markoviene: predicţia momentului în care se ajunge la
momentul optim de a culege strugurii dintr-o podgorie. Desigur modelul poate fi
îmbunătăţit în funcţie de soiul de struguri analizat.
în mod obişnuit, pentru a stabili momentul optim de recoltare, la intrarea
strugurilor în pârgă, se ridică probe, la început din 5 în 5 zile, apoi din 3 în 3 zile, la
care, în laborator, se determină conţinutul lor în zahăr, în aciditate, precum şi
greutatea a 100 de boabe. Datele se înscriu într-un grafic. Pe abcisă se trec datele la
care au fost recoltate probele de struguri, iar pe ordonată, se trec rezultatele
obţinute la analizele de laborator.

151
 L MATERIAL ŞI METODĂ

Definiţia unui lanţ M arkov

In cele ce urmează vom înţelege prin sistem o podgorie, iar prin stimul
aplicat sistemului, orice factor extern ce acţionează asupra unui sistem (de exemplu
cazul în care avem o podgorie, numită sistem, şi un stimul boala ce poate afecta
această podgorie, sau conţinutul în zahăr al strugurilor, etc.)
Construcţia oricărui lanţ Markov are la bază două concepte: distribuţia
iniţială şi o matrice de tranziţie. Vom începe cu definiţia matricei de tranziţie: Fie o
mulţime de stări în care se poate găsi un sistem, notată cu S = {1, 2, m}.
Fiecărei perechi (i,j) e S2 îi asociem numărul Py care reprezintă probabilitatea ca
să ajungem din starea i în starea j. Acest număr trebuie să îndeplinească condiţiile
py > 0 , V i,j e S
şi

Y jPv = 1 > V i e S
jzs
In acest caz matricea de traziţie va fi:
rP n P n - P in '

P n P22 " P in
p =

\ P n\ Pn2 ■■
• Pnn J
Fie (X„) o secvenţă de variabile aleatoare cu valori în S. Atunci putem da
următoarea

Definiţie 1.1. Secvenţa (Xn) se numeşte un lanţ Markov, cu spaţiul stărilor S şi

matricea de tranziţie P dacă pentru orice n condiţia
P[X „+i = j \ X 0 = i0,...,X n =/„] = P [Xn+x = j | X„ = in\ = p tJ ( 1)
este satisfăcută pentru toate elementele mulţimii {i0,...,in, j }

Proprietatea 1 se numeşte proprietatea Markov de ordinul 1, şi reprezintă

condiţia ca sistemul să fie la momentul n+1 în starea j, dacă la momentul n a fost
în starea in.

Definiţie 1.2. Se numeşte distributie iniţială a sistemului

Po={r« L
unde
p *= - rlX =-]
152
 2; R EZULTA TE Şl DISCUŢII

Lanţ M arkov pentru predicţia m om entului de m aturare

Acest model se compune din submodelul:

1. model pentru zahăr
Observaţie Desigur putem lua în calcul mai multe submodele, dar trebuie
ţinut cont de faptul că un număr prea mare de submodele ar face sa crească
costurile de aplicare (atât ca timp cât şi financiar). In cele ce urmează vom folosi o
generalizare şi vom nota cu C componenta măsurată, construcţia submodelelor
fiind similară.
Aşa cum am afirmat în secţiunea anterioară pentru a defini un lanţ Markov
trebuie să construim matricea de tranziţie şi starea iniţială a sistemului. Să
presupunem că avem podgorii în trei zone notate în continuare cu Z I, Z2 şi Z3., iar
prin C I, C2, ... am notat măsurătorile componentei la momentul 1, 2, .... In
matricea de tranziţie însă nu putem pune valorile măsurate în teren deaorece
aceasta trebuie să conţină probabilităţi. Fie cazul în care măsurăm zahărul. Se ştie
pentru fiecare soi care este cantitatea optimă de zahăr pe care un soi trebuie s-o
aibă la maturare. Atunci vom pune în matrice raportul dintre zahărul măsurat la un
anumit moment - începutul maturării ( 3 - 4 determinări) - şi zahărul ce trebuie să
fie la maturarea tehnologică. în aceste condiţii matrice a de tranziţie va fi

ZI Z2 Z3
A
CI ( P 11 P 12 P 13
Starea
anterioară C2 Pi x P 22 P 23
(2)
C3
V^31 P 32 P 33

unde, elementele matricii satisfac condiţia:

3
y p h = 1 pentru orice linie i.
j =i
în continuare va trebui să iniţializăm sistemul, adică să scriem frecvenţele
care au fost la începutul experimentului.

ZI Z2 Z3
Po = ( Pj P2 Ps (3)

153
 5
cu condiţia ca X Pi = 1

3. CONCLUZII

Avantajul acestui model este că, dând posibilitatea de a fi scris cu ajutorul

unor formule matematice, este foarte uşor de realizat un program în care să se
introducă datele culese la primele 3- 4 determinări şi care să calculeze estimarea
momentului optim pentru culesul strugurilor, în raport de tipul de vin dorit a se
determina, fără să mai fie nevoie să repetăm determinările din 5 în 5 zile şi apoi din
3 în 3 zile.

BIBLIO G R AFIE

1. Gataulin A., Lica D., Pomohaci C - „Biostatistica intuitiva” - Editura CERE5, Bucureşti
2002
2. Iosifescu M, Mihoc G k , Theodorescu R. - „Teoria probabilităţilor şi statistica matematică” -
Editura Tehnică, Bucureşti, 1966
3. Iosifescu M. - „Lanţuri Markov finite şi aplicaţii” - Editura Tehnică, Bucureşti, 1977
4. Iosifescu M , Tăutu P. - „Procese stohastice şi aplicaţii în biologic şi medicină” - Editura
Academiei RSR, Bucureşti, 1964
5. Kemeny J.G., Snell J.L. - „Finite Markov Chains” - Springer Verlang, New York, Berlin,
1976
6. Lica D., C M . Pomohaci - „Biostatistica” - Universitatea de Stiinte Agronomice si
Medicina Veterinara, Bucureşti, 1998
7. Moise Maria, Pomohaci C.M. - „Consideraţii privind modelarea markoviană în medicină” -
volumul de lucrări ştiinţifice al Conferinţei de inginerie Biomedicală „INGIMED 2005”,
ediţia a Vl-a, Bucureşti, 2005
8. Pomohaci C.M. - „Model Markov cu stări ascunse aplicabil in psihologie” - Revista de
tehnologie informatica, Harkov, 2003
9. Pomohaci N., Stoian V., Gheorghiţă M., Sîrghi C., Cotea V.V., Nămoloşanu I. - „Oenologie”,
vol. I, Ed, Ceres, Bucureşti, 2000
10. Taylor H.M., Karlin S. - „An Introduction to stochastic models” - Acad. Press Boston , 1984

154

View publication stats