用捕获-再捕获模型跟踪蜥蜴的移动 

该范例阐明了用隐马尔可夫模型重现了最可能的蜥蜴洄游模式，以及从不完全捕获记录的序列估计蜥蜴的预期寿命.

蜥蜴在由状态2、3、4代表的三个区域间移动. 当其死亡时转换到状态1. 每只蜥蜴在初始时有标签.

在时间 ，捕获了25只蜥蜴，记录每只蜥蜴的区域后将其释放. 记录1、2、3对应于于一个实际区域，而4代表一个遗漏值可以表示蜥蜴没有被捕获或其已经死亡.

In[1]:=

X obs = TemporalData[Automatic, {CompressedData[" 1:eJyVVMFhw0AIM0JL9NkZsklHyALd/1dJ3OXVxDbJOXccEBDC38/fnyeO4/jS emh1dzWhp0QHklWQRg/UEp27bORrwvoGW2rdsS20NaNxnKLVGHUiwJeIMtdn AiDmCWBfnjrZzHmfB39J3zHePiyoRFz3AI1JAIrrgPLRxQjDqLkVnU0FOEHa CuKzcTVQDte7O/dKCbTTNUwgH1en3iQ26dwSdAiT0JFK9nSN5tDaxsbWw6mh mYvE8MhhTEQpe5g0XEzCiS2sWJeROOnBv7Iy43Ww0/OUmwr8NRQ6SpsilbM/ q6gF0bTBpdtHhxSKXjMZ2BSk89uDEDDJzcw5V45JYQHGgOZl8zLS3mWEncTy hqd86DB/Pm8IBmOuycxboT0QHTPs5i4GKRKG7mO8dxgC7FKceWj9mly3Efe6 A5OGvDJaW/4AyHsRTg== "], {{0, 50, 1}}, 25, {"Discrete", 25}, { "Discrete", 1}, 1, {ValueDimensions -> 1, MetaInformation -> {}}}, False, 10.];

根据数据估计一个4状态、4输出的隐马尔可夫过程.

In[2]:=

X eproc = EstimatedProcess[obs, HiddenMarkovProcess[4, 4]]

Out[2]=

找出第一只蜥蜴的最可能移动模式.

In[3]:=

X FindHiddenMarkovStates[obs["Values"], eproc]

Out[3]=

在前导序列中，状态1，即“死亡”为吸收状态.

In[4]:=

X dmp = DiscreteMarkovProcess[Chop[eproc]]; MarkovProcessProperties[dmp, "AbsorbingClasses"]

Out[4]=

平均死亡时间.

In[5]:=

X Mean[FirstPassageTimeDistribution[dmp, 1]]

Out[5]=