设X_n为MC,P不规则
假设我们有一个静止的dist(pi_0,...,pi_n)和P(X_0 = i)= 0.2,这有什么意义吗?
更清楚:
我问因为Karlin说当静止dist不是一个限制dist时,P(X_n = i)取决于初始分布。这究竟意味着什么?
答案 0 :(得分:2)
你的标题需要一个冗长的答案;我必须提供一些参考资料,让您阅读有关马尔可夫链和遍历理论的更多信息。但是,您的具体问题是:
" ...当静止dist不是限制dist时,P(X_n = i)取决于初始分布。这究竟意味着什么?"
可以通过一个简单的例子来回答。考虑具有两种状态的马尔可夫链
假设转换矩阵P =
[0.4,0.6]
[0.6,0.4]
如果我在时间t告诉你你目前处于状态A,然后询问你将在下一个状态(在时间t + 1),你会将P乘以[1,0]并解释结果[0.4,0.6]意味着你40%确定你仍然处于状态A并且60%确定你最终会进入状态B.
现在如果我告诉你你在时间t你处于A状态并询问你在t + 999时间处于什么状态怎么办?在所有这段时间里,你在各州的反弹方式中存在着如此多的随机性,以至于你真的无法密切关注这个链条。从你从州A开始的事实。基本上,这些信息是"混合在"通过马尔科夫链,直到你开始在A开始并不重要。只要问问自己:如果我告诉你你是在B州开始而不是在A州,你对你的州在时间t + 999的看法会有什么变化? ?你无法让人产生不同的看法;那就是不变性。
在数学上,给定时间t的状态的时间t + 999的转移矩阵是P ^(999)。该矩阵的每一行都是相同的,因此左乘以任何概率分布([x,y],其中x + y = 1)将得到相同的答案。对于这个问题,这个"限制"分布是[0.5,0.5],意味着在999次步骤之后,你将50%确定你处于状态A并且50%确定你处于状态B,而不管999次步骤之前你是否已经开始在A中,静止分布是对应于特征值1的P的左特征向量。如果P ^ t的所有行都收敛到它,则称为P的极限分布。 INF。
马尔可夫链没有限制分布怎么样?考虑一个P,
[0,1]
[1,0]
这马尔可夫链有一个"翻转"周期性。如果在时间t你处于状态A,你100%确定你在时间t + 1处于状态B,反之亦然。因此,如果我告诉你在时间t你处于状态A,你会知道在时间t + 999,你将处于状态B,因为999是奇数。或者,如果我在时间t告诉你你处于状态B,那么在时间t + 999你会期望处于状态A.注意对初始条件的依赖。该马尔可夫链对该起始信息敏感。它没有"混合#34;。在数学上,P ^ t不收敛为t - > INF。
尝试在代码中使用这些矩阵!