馬可夫鏈：'未來僅取決於現在' 狀態轉移的數學與機率模型

引言

我們生活的世界充滿了不確定性。明天的天氣、股票價格的波動、網際網路上的頁面跳轉等，存在許多難以預測的現象。用於在數學上對這些不確定現象進行建模的強大工具就是 馬可夫鏈 （Markov chain）。

馬可夫鏈最大的特點在於它具有 馬可夫性 （Markov property），即「未來的狀態不依賴於過去的完整歷史，而僅由當前狀態決定」。在本文中，我們將詳細解釋這一迷人數理模型的基礎知識、具體的計算方法，以及其在現實社會中的應用。

什麼是馬可夫性？

在隨機過程中，假設某一時刻 \(t\) 的狀態表示為 \(X_t\)。在考慮離散時間模型時，馬可夫性由以下數學公式定義：

\[ P(X_{n+1} = x_{n+1} \mid X_n = x_n, X_{n-1} = x_{n-1}, \dots, X_0 = x_0) = P(X_{n+1} = x_{n+1} \mid X_n = x_n) \]

該公式表明，只要已知時間 \(n\) 的狀態 \(x_n\)，就可以計算出時間 \(n+1\) 變為狀態 \(x_{n+1}\) 的機率，而不需要之前狀態（ \(x_{n-1}, \dots, x_0\) ）的資訊。這就是「未來僅取決於現在」這句話的含義。

轉移機率矩陣

描述馬可夫鏈不可或缺的是 轉移機率矩陣 （Transition Probability Matrix）。當狀態空間有限時，假設從狀態 \(i\) 轉移到狀態 \(j\) 的機率為 \(p_{ij}\)，則矩陣 \(P\) 表示如下：

\[ P = \begin{pmatrix} p_{11} & p_{12} & \cdots & p_{1k} \\ p_{21} & p_{22} & \cdots & p_{2k} \\ \vdots & \vdots & \ddots & \vdots \\ p_{k1} & p_{k2} & \cdots & p_{kk} \end{pmatrix} \]

在這裡，每一行的和必定為 \(1\)。

\[ \sum_{j=1}^{k} p_{ij} = 1 \quad \text{(對於所有的 } i \text{)} \]

具體例子：天氣預報模型

作為一個簡單的例子，我們來考慮某個城市的天氣。假設只有「晴天」和「雨天」兩個狀態。

如果今天是晴天，明天是晴天的機率為 0.7，雨天的機率為 0.3
如果今天是雨天，明天是晴天的機率為 0.4，雨天的機率為 0.6

用轉移機率矩陣 \(P\) 表示這個模型如下：

\[ P = \begin{pmatrix} 0.7 & 0.3 \\ 0.4 & 0.6 \end{pmatrix} \]

讓我們用 Mermaid 圖表將這種狀態轉移視覺化。

  graph TD
  A["晴天"] -->|"0.7"| A
  A -->|"0.3"| B["雨天"]
  B -->|"0.4"| A
  B -->|"0.6"| B

平穩分佈：長期行為

如果長期觀察（ \(n \to \infty\) ）一個馬可夫鏈，狀態的機率分佈會變成什麼樣呢？在許多馬可夫鏈中，無論初始狀態如何，都會收斂到一個特定的機率分佈。這被稱為 平穩分佈 （Stationary distribution）。

假設機率向量為 \(\pi\)，平穩分佈滿足以下方程式：

\[ \pi P = \pi \]

作為條件，需要滿足 \(\sum \pi_i = 1\)。

讓我們計算之前天氣例子的平穩分佈 \(\pi = (\pi_{\text{晴天}}, \pi_{\text{雨天}})\)。

\[ \begin{pmatrix} \pi_{\text{晴天}} & \pi_{\text{雨天}} \end{pmatrix} \begin{pmatrix} 0.7 & 0.3 \\ 0.4 & 0.6 \end{pmatrix} = \begin{pmatrix} \pi_{\text{晴天}} & \pi_{\text{雨天}} \end{pmatrix} \]

解聯立方程式可得：