线性代数之——马尔科夫矩阵

这一部分我们关注正的矩阵，矩阵中的每个元素都大于零。一个重要的事实：最大的特征值是正的实数，其对应的特征向量也如是。最大的特征值控制着矩阵 A A A 的乘方。

假设我们用 A A A 连续乘以一个正的向量 u 0 = ( a , 1 − a ) \boldsymbol u_0=(a, 1-a) u0=(a,1−a)，

k k k 步后我们得到 A k u 0 A^k\boldsymbol u_0 Aku0，这些向量 u 1 , u 2 , u 3 , ⋯ \boldsymbol u_1,\boldsymbol u_2, \boldsymbol u_3,\cdots u1,u2,u3,⋯会接近于一个稳定状态 u ∞ = ( 0.6 , 0.4 ) \boldsymbol u_\infty=(0.6, 0.4) u∞=(0.6,0.4)。这个最终的结果不依赖于输入向量：对每一个 u 0 \boldsymbol u_0 u0 我们都收敛到相同的 u ∞ \boldsymbol u_\infty u∞。稳定状态方程 A u ∞ = u ∞ A\boldsymbol u_\infty=\boldsymbol u_\infty Au∞=u∞ 说明 u ∞ \boldsymbol u_\infty u∞ 是对应于特征值为 1 的一个特征向量。

乘以矩阵 A A A 后的确不会改变 u ∞ \boldsymbol u_\infty u∞，但这依然不能解释为什么所有的 u 0 \boldsymbol u_0 u0 都会变成 u ∞ \boldsymbol u_\infty u∞。让我们来看另外一个例子，它可能有一个稳定状态，但却不是总能到达。

在这种情况下，我们的起始向量为 u 0 = ( 0 , 1 ) \boldsymbol u_0=(0, 1) u0=(0,1)，然后我们得到 u 1 = ( 0 , 2 ) \boldsymbol u_1=(0, 2) u1=(0,2)， u 2 = ( 0 , 4 ) \boldsymbol u_2=(0, 4) u2=(0,4)，第二个元素每次都会加倍。用特征值的语言来说，矩阵的特征值为 λ 1 = 1 \lambda_1=1 λ1=1， λ 2 = 2 \lambda_2=2 λ2=2，输入向量在不稳定特征向量方向的分量每次都乘以了 λ 2 = 2 \lambda_2=2 λ2=2，这会导致发散。

我们讨论矩阵的两个特殊属性来使得稳定状态一定可以达到，这两个属性定义了马尔科夫矩阵，上面的 A A A 就是一个例子。

马尔科夫矩阵满足：1. 每个元素是非负的；2. 每列元素相加等于 1。

如果 A A A 是马尔科夫矩阵，那么我们立马就有：

乘以一个非负向量 u 0 \boldsymbol u_0 u0 我们仍热得到一个非负向量 u 1 = A u 0 \boldsymbol u_1=A\boldsymbol u_0 u1=Au0
如果向量 u 0 \boldsymbol u_0 u0 元素相加为 1，那么 u 1 = A u 0 \boldsymbol u_1=A\boldsymbol u_0 u1=Au0 的元素相加也为 1

假设丹佛市汽车出租的起始比例为 0.02，丹佛市之外的比例为 0.98。每个月，丹佛市 80% 的汽车留在本地，20% 流出，市外有 5% 的汽车流进，95% 的汽车还留在市外，那么我们有

注意到 0.065+0.935=1，所有的汽车都被统计了，总量始终为 1。

这部分涉及到矩阵的乘方，我们首先想到的就是要对矩阵进行对角化 A = S Λ S − 1 A=S\Lambda S^{-1} A=SΛS−1，然后 A k = S Λ k S − 1 A^k=S\Lambda^k S^{-1} Ak=SΛkS−1。

上面的方程向我们展示实际发生了什么，特征值为 1 的特征向量是稳定状态，另一个特征向量随着迭代次数的增加逐渐消失。步数越多，我们就越接近于 u ∞ = ( 0.2 , 0.8 ) \boldsymbol u_\infty=(0.2, 0.8) u∞=(0.2,0.8)。在极限情况下，20% 的汽车在丹佛市 80% 的汽车在市外。

由于 A A A 的每一列相加等于1，所以 A − I A-I A−I 的每一列相加等于 0，这也就是说 A − I A-I A−I 的行是相关的，其行列式为零，所以 1 是 A A A 的一个特征值。如果有特征值大于 1，那么乘方后 A k A^k Ak 元素值会增加，但 A k A^k Ak 仍然是一个马尔科夫矩阵，其元素值非负且每列和为 1，所以这不可能发生，没有特征值绝对值大于 1。

当还有其它特征值的绝对值为 1时，我们要特别注意。

这个矩阵每次把丹佛市的汽车都送到外面，同时把外面的汽车都送进来，矩阵的乘方要么是本身要么是恒等矩阵，没有稳定状态。假设矩阵及其乘方的元素严格限制为都是正数，不允许有零出现，那么其余特征值严格小于 1，肯定可以达到稳定状态。

获取更多精彩，请关注「seniusen」!

线性代数之——马尔科夫矩阵相关推荐

找出矩阵中绝对值最大的元素及其位置_线性代数之——马尔科夫矩阵
这一部分我们关注正的矩阵,矩阵中的每个元素都大于零.一个重要的事实:最大的特征值是正的实数,其对应的特征向量也如是.最大的特征值控制着矩阵的乘方. 假设我们用连续乘以一个正的向量 , 步后我们得到 ...
清华大学公开课线性代数2——第9讲：马尔科夫矩阵和正矩阵
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处笔记源自:清华大学公开课:线性代数2--第9讲:马尔科夫矩阵和正矩阵提示:如果文中图片看不清文字,请右键单击鼠标,选择在新窗口 ...
马尔科夫链的一个应用实例
最近在研究马尔科夫链,看得云里雾里的,先给出一个实例,以防忘记!! 假设现有商品ABC今年的市场占率分别为20%.20%和40%,A商品每年流失30%到B,流失30%到C:B商品下一年会流失20%到A ...
数学之美_马尔科夫模型01
1. 概率:是一种分析问题的范型(也可以说一种分析问题的模板) 2. 马尔科夫:是一个人名. 2.1 生平:俄国数学家,出生于梁赞州.位置靠近欧洲. 模样就是张这个样父亲是一位中级官员,后来居家迁往 ...
【有限马尔科夫链状态分解+Kosaraju 算法】基于Kosaraju 算法和可达矩阵的有限马尔科夫链状态分解
有限马尔科夫链状态分解+Kosaraju 算法 1 实验内容 2 理论基础 3 题目分析 4 按常返性和互通性对状态空间进行分解算法流程 4.1 强连通性和强连通分量 4.2 基于有向图 Kosara ...
python做空矩阵_【手把手教你】Python实现基于隐马尔科夫的多空策略
前言我们通常使用股市的一手数据来创建一个策略模型,预测下一时刻价格的多少.走势的判断或其他. 今天,我们想结合多样的市场条件(波动性,交易量,价格变化等等)和结合隐马尔科夫(HMM)来构建我们的交易 ...
马尔科夫链蒙特卡洛_蒙特卡洛·马可夫链
马尔科夫链蒙特卡洛 A Monte Carlo Markov Chain (MCMC) is a model describing a sequence of possible events wher ...
马尔科夫随机过程的理解
连续时间:马尔科夫随机过程: 离散时间:马尔科夫链:(离散时间,同时也要求为离散状态) 之所以这样规定,在于可以方便的使用矩阵(一步转移概率矩阵)来刻画转移的概率关系(转换图),这样便可将从随机过程中 ...
隐马尔科夫模型HMM（一）HMM模型
2019独角兽企业重金招聘Python工程师标准>>> 隐马尔科夫模型(Hidden Markov Model,以下简称HMM)是比较经典的机器学习模型了,它在语言识别,自然语言处理 ...

线性代数之——马尔科夫矩阵

线性代数之——马尔科夫矩阵相关推荐

最新文章

热门文章