什么是马尔可夫过程(Markov Process)
要说什么是马尔可夫过程，首先必须讲讲什么是随机过程(Stochastic Process)。
設(Ω,,P)為一概率空間，另設集合T為一指標集合。如果對於所有t∈T，均有一隨機變量ξt(ω)定義於概率空間(Ω,,P)，則集合{ξt(ω)|t∈T}為一隨機過程。—Wikipedia
其实简单来说，随机过程就是对一连串随机变量(或事件)变迁或者说动态关系的描述。
马尔可夫过程其实就是随机过程的一种：
A stochastic process st:t∈N is said to be Markov if
prob(st+1|st)=prob(st+1|st)
where
st
is the history up to period
t
and
st
is the realization of the state at period
t
.
换句话说，马尔可夫过程说的就是在随机过程中，明天的状态只取决于今天的状态而和今天之前的状态无关。也就是不管你是怎样达到 st 的，只要你今天的状态是 st, 你明天状态的可能性就决定好了。
我们经常还会看到马尔可夫链。其实马尔可夫链就是状态空间为可数集的马尔可夫过程：
Let st∈S and if S is finite (countable), we call the Markov Process with this countable state space Markov Chain.
转移矩阵(Transition Matrix)
既然当知道 st 时我们就能知道 st+1 发生的概率，那么我们自然可以把有限可数的状态空间的转移法(transistion law)写成一个矩阵。举个例子，如果状态空间只包含了两个状态A和B。如果今天是A,那么明天还是A的概率为0.8。如果今日是B,那么明天还是B的概率为0.7。转移矩阵可写为：
P=∣∣∣0.80.30.20.7∣∣∣
稳态(steady－state)
首先我们先定义一个横向量π；
π＝∣∣prob(A)prob(B)∣∣
假设我们今天的状态是A而不是B,那么我们明天是A还是B的可能性为：
∣∣10∣∣×∣∣∣0.80.30.20.7∣∣∣=∣∣0.80.2∣∣
后天是A还是B的可能性为：
∣∣0.80.2∣∣×∣∣∣0.80.30.20.7∣∣∣=∣∣0.70.3∣∣
大后天是A还是B的可能性为：
∣∣0.70.3∣∣×∣∣∣0.80.30.20.7∣∣∣=∣∣0.650.35∣∣
那么会不会某一时刻后我们的横向量π能到达一个不动点：
π∗×P=π∗
这么繁杂的工作还是要我们的小奴Matlab来完成吧。
%initial pi%
pi=[1,0];
%transistion matrix%
P=[0.8,0.2;0.3,0.7];
%critical value%
cv=1;
while cv>0.0000000001;
pi2=pi*P;
cv=abs(min(pi2-pi));
pi=pi2;
end
得出的结果为:
π∗=∣∣0.60.4∣∣
让我们换一个initial pi来试试看:
%initial pi%
pi=[0.35,0.65];
%transistion matrix%
P=[0.8,0.2;0.3,0.7];
%critical value%
cv=1;
while cv>10e-06;
pi2=pi*P;
cv=abs(min(pi2-pi));
pi=pi2;
end
得出的结果仍然为:
π∗=∣∣0.60.4∣∣
其实仔细观察一下就可以看出这个 π 其实是转移矩阵 P 的转置的对应特征值(Eigenvalue)等于1的特征向量(Eigenvector)：
π=πPπ(I−P)=0(I−P′)π′=0(P′−I)π′=0
既然知道 π 其实是 P‘ 的特征向量，我们就可以直接通过Matlab找特征向量而不必要用繁琐的迭代法啦。
%%%%%Eigenvector%%%%%
[n,v]=eig(P');
ppi=n(:,1);
scale=sum(ppi); %ensure the summation of the distribution vector pi is 1
ppi=ppi/scale;
得出的结果绝对是当然地为:
π∗=∣∣0.60.4∣∣
一个简单的模型
假设我们在研究一个粒子的运动。这个粒子随机地在A门与B门之间跳动。如果这个粒子跳入A门，那么它下一次跳入A门的概率为0.8。如果这个粒子跳入B门，那么它下次跳入B门的概率为0.7。我们的问题是，现在有100000个这样的粒子让它们跳跃，让它们跳跃1000次,我们会观察到多少个粒子在A门多少个在B门？
思路：
首先随机生成100000个粒子。1代表该粒子在A门，0代表在B门。
size=100000;
a=round(rand(1,size));
生成10000个以概率0.8为1，概率0.2为0的随机数。同时在生成10000个以概率0.7为0，概率0.3为1随机数。
AA=rand(1,size)<=0.8;
BB=rand(1,size)<=0.3;
用2a－AA。如果值为1说明该粒子从A门跳转到A门；如果值为2则说明该粒子从A门跳转到B门。另外值为0，－1则说明该粒子初始状态是在B门。
用2a－BB。如果值为0说明该粒子从B门跳转到B门；如果值为-1则说明该粒子从B门跳转到A门。另外值为2，1则说明该粒子初始状态是在A门。
A=2*a-AA;
B=2*a-BB;
找到A中大于等于1的元素与B中小于等于0的元素。同时新建一个向量a2用于存储结果。
indxA=find(A>=1);
indxB=find(B<=0);
a2=zeros(1,size);
将A中大于等于1的元素与B中小于等于0的元素按照对应的位置放入新的向量a中。
for i=1:length(indxA);
a2(1,indxA(1,i))=A(1,indxA(1,i));
end
for i=1:length(indxB);
a2(1,indxB(1,i))=B(1,indxB(1,i));
end
这时a2中1和－1代表粒子在A门；2和0代表粒子在B门。将－1换成1，2换成0。
indxA=find(a2==-1);
indxB=find(a2==2);
for i=1:length(indxA);
a2(1,indxA(1,i))=1;
end
for i=1:length(indxB);
a2(1,indxB(1,i))=0;
end
通过while loop让粒子跳跃1000次。
%%%%%Example%%%%%
%generate observations%
size=100000;
a=round(rand(1,size)); %each column is one particle%
j=1000;
while j>1
AA=rand(1,size)<=0.8;
BB=rand(1,size)<=0.3;
A=2*a-AA;
B=2*a-BB;
indxA=find(A>=1);
indxB=find(B<=0);
a2=zeros(1,size);
for i=1:length(indxA);
a2(1,indxA(1,i))=A(1,indxA(1,i));
end
for i=1:length(indxB);
a2(1,indxB(1,i))=B(1,indxB(1,i));
end
indxA=find(a2==-1);
indxB=find(a2==2);
for i=1:length(indxA);
a2(1,indxA(1,i))=1;
end
for i=1:length(indxB);
a2(1,indxB(1,i))=0;
end
a=a2;
j=j-1;
end
sum(a2)
得出的结果大概在60000左右。也就是说大概能观察到60000个粒子在A门，40000个在B门。
正如前面得出的 π∗=∣∣0.60.4∣∣：粒子出现在A门的概率为0.6，出现在B门的概率为0.4。