| 第46行: |
第46行: |
| | | | |
| | 注:可以对<math>m</math>进行数学归纳得证上述性质。 | | 注:可以对<math>m</math>进行数学归纳得证上述性质。 |
| − |
| |
| | | | |
| | ====Chapman-Kolmogorov方程==== | | ====Chapman-Kolmogorov方程==== |
| | 由于上述性质,即给定现在,过去与未来独立,对于多步转移概率也是成立的。那么,任意步转移概率的计算就可以根据这个性质进行分解计算。 | | 由于上述性质,即给定现在,过去与未来独立,对于多步转移概率也是成立的。那么,任意步转移概率的计算就可以根据这个性质进行分解计算。 |
| − |
| |
| − |
| |
| | | | |
| | 具体来说,对于<math>n\geq2</math>步转移概率<math>P(X_n=j|X_0=i)</math>,可以先给定某一中间时刻<math>0<m<n</math>的状态<math>k</math>,此时由条件独立性,从<math>i</math>先经<math>m</math>步至<math>k</math>,再经<math>n-m</math>步至<math>j</math>的概率就可以被分解为两个转移概率的乘积。接下来,只需要遍历状态<math>k</math>的所有可能,即 | | 具体来说,对于<math>n\geq2</math>步转移概率<math>P(X_n=j|X_0=i)</math>,可以先给定某一中间时刻<math>0<m<n</math>的状态<math>k</math>,此时由条件独立性,从<math>i</math>先经<math>m</math>步至<math>k</math>,再经<math>n-m</math>步至<math>j</math>的概率就可以被分解为两个转移概率的乘积。接下来,只需要遍历状态<math>k</math>的所有可能,即 |
| 第110行: |
第107行: |
| | 所以,一般的,记<math>n-m</math>步转移概率 | | 所以,一般的,记<math>n-m</math>步转移概率 |
| | <math>P_{ij}(m,n)=P_{ij}(n-m)</math>。 | | <math>P_{ij}(m,n)=P_{ij}(n-m)</math>。 |
| − |
| |
| | | | |
| | ====转移概率矩阵==== | | ====转移概率矩阵==== |
| 第138行: |
第134行: |
| | | | |
| | 一般的,称满足上述性质的矩阵为'''随机矩阵(stochastic matrix)'''。 | | 一般的,称满足上述性质的矩阵为'''随机矩阵(stochastic matrix)'''。 |
| − |
| |
| | | | |
| | ====可达、互通与可约性==== | | ====可达、互通与可约性==== |
| 第175行: |
第170行: |
| | | | |
| | 那么,3个状态间彼此互通,即均属于同一个类,则其对应的马尔科夫链是不可约的。 | | 那么,3个状态间彼此互通,即均属于同一个类,则其对应的马尔科夫链是不可约的。 |
| − |
| |
| − | <br/>
| |
| | | | |
| | ====周期性==== | | ====周期性==== |
| 第239行: |
第232行: |
| | | | |
| | 这是一个一阶线性齐次常微分方程。由递推关系,自然地会联想到,马尔科夫链的长期行为本质上是一个特征值问题。 | | 这是一个一阶线性齐次常微分方程。由递推关系,自然地会联想到,马尔科夫链的长期行为本质上是一个特征值问题。 |
| − |
| |
| | | | |
| | ====转移概率矩阵的特征值==== | | ====转移概率矩阵的特征值==== |
| 第277行: |
第269行: |
| | | | |
| | 称<math>\pi_0</math>为平稳分布。 | | 称<math>\pi_0</math>为平稳分布。 |
| − |
| |
| | | | |
| | ====细致平衡条件==== | | ====细致平衡条件==== |
| 第348行: |
第339行: |
| | | | |
| | 即该链不是可逆的。 | | 即该链不是可逆的。 |
| − |
| |
| | | | |
| | ====时间可逆性与动力学可逆性==== | | ====时间可逆性与动力学可逆性==== |
| 第388行: |
第378行: |
| | | | |
| | 详细介绍参见词条[[马尔科夫链的成块性]]。 | | 详细介绍参见词条[[马尔科夫链的成块性]]。 |
| − |
| |
| | | | |
| | =====马尔科夫链的SVD粗粒化===== | | =====马尔科夫链的SVD粗粒化===== |
| 第426行: |
第415行: |
| | | | |
| | 详细介绍参见词条[[基于可逆性的因果涌现理论]]。 | | 详细介绍参见词条[[基于可逆性的因果涌现理论]]。 |
| − |
| |
| | | | |
| | ====离散时间马尔科夫链的度量==== | | ====离散时间马尔科夫链的度量==== |
| 第450行: |
第438行: |
| | | | |
| | 为有效信息增益。如果存在某个宏观尺度,使得有效信息增益大于0,则认为该系统发生了因果涌现。详细内容参见词条[[有效信息]]。 | | 为有效信息增益。如果存在某个宏观尺度,使得有效信息增益大于0,则认为该系统发生了因果涌现。详细内容参见词条[[有效信息]]。 |
| − |
| |
| | | | |
| | =====转移概率矩阵的动力学可逆性===== | | =====转移概率矩阵的动力学可逆性===== |
| 第498行: |
第485行: |
| | | | |
| | 则称<math>\{X(t)\}</math>是连续时间离散状态的马尔科夫链,简称为'''连续时间马尔科夫链''',后面用英文缩写'''CTMC'''指代。其中的“链”指状态空间<math>S</math>是离散的。 | | 则称<math>\{X(t)\}</math>是连续时间离散状态的马尔科夫链,简称为'''连续时间马尔科夫链''',后面用英文缩写'''CTMC'''指代。其中的“链”指状态空间<math>S</math>是离散的。 |
| − |
| |
| | | | |
| | ===基本性质=== | | ===基本性质=== |