Định lý cơ bản của xích Markov hữu hạn
Phát biểu
Nếu một xích Markov trên tập trạng thái hữu hạn là bất khả quy và không tuần hoàn, thì tồn tại duy nhất một phân phối dừng với , với mọi trạng thái, và — mọi hàng của hội tụ về khi , bất kể phân phối xuất phát.
Vì sao đúng?
Đây là lý do khiến xích Markov hữu ích: nó nói rằng hành vi dài hạn của một hệ tiến hóa ngẫu nhiên ổn định về một mẫu hình duy nhất, có thể dự đoán được, quên đi điểm xuất phát của nó, và cho ta biết chính xác mẫu hình đó là gì (điểm bất động duy nhất của động lực chuyển tiếp).
Phác thảo chứng minh
Tồn tại và duy nhất. Vì ngẫu nhiên theo hàng, vectơ toàn số 1 là một vectơ riêng phải với trị riêng 1, nên 1 cũng là trị riêng của (một ma trận và ma trận chuyển vị của nó có chung trị riêng), và có một vectơ riêng trái tương ứng với . Tính bất khả quy có nghĩa là ma trận chuyển của một đồ thị liên thông mạnh, nên định lý Perron–Frobenius áp dụng được: trị riêng 1 là đơn (bội một) và vectơ riêng của nó có thể chọn dương ngặt, cho tính duy nhất sau khi chuẩn hóa để các phần tử có tổng bằng 1.
Hội tụ. Không tuần hoàn cộng với bất khả quy có nghĩa mọi trị riêng khác của thỏa (đây là phần mà tính tuần hoàn sẽ phá vỡ: một xích tuần hoàn có thêm các trị riêng nằm đúng trên đường tròn đơn vị, chẳng hạn , không bao giờ tắt dần). Viết một phân phối xuất phát tùy ý trong cơ sở riêng của , thành phần dọc theo (trị riêng 1) tồn tại không đổi mãi mãi, trong khi mọi thành phần khác bị nhân với ở bước và co lại theo cấp số nhân về không.
Kết hợp hai bước, hội tụ về riêng thành phần trị riêng 1, chính là , và vì điều này đúng với mọi phân phối xuất phát (bao gồm mỗi khối điểm, tức mỗi hàng của ma trận đơn vị), mọi hàng của hội tụ về như đã khẳng định.
Chủ đề chứa định lý này
Chứng minh từng bước
Chưa có chứng minh từng bước cho định lý này.
Tài liệu tham khảo
- David A. Levin, Yuval Peres, Elizabeth L. Wilmer (2017). Markov Chains and Mixing Times
- Sergey Brin, Lawrence Page (1998). The Anatomy of a Large-Scale Hypertextual Web Search Engine
- James R. Norris (1997). Markov Chains