MIT 18.06 linear algebra 第二十四講筆記
第二十四講課程要點:
- Markov matrices
- Steady State
- Fourier Series & Projections
A=⎡⎣⎢0.10.20.70.010.9900.30.30.4⎤⎦⎥ ,這個矩陣就是馬爾科夫矩陣。
馬爾科夫矩陣的性質:
- 矩陣中的每個元素大於等於0,即aij≥0 。
- 馬爾科夫矩陣中每一列的各個元素相加之和爲1。
- 馬爾科夫矩陣的冪依舊是馬爾科夫矩陣。
- 馬爾科夫矩陣必定有一個特徵值爲1。即λi=1 。
λ=1 是矩陣的一個特徵值。其對應的特徵向量中的元素是大於等於0的。其它的特徵值的絕對值小於1。即λi<1 。
前面有公式Uk=AkU0=C1λk1x1+C2λk2x2+⋯+Cnλknxn 。假設上式中λ1=1 ,其它的λ<0 。當k→∞ 時,Uk≈C1x1 。
A−I=⎡⎣⎢−0.90.20.70.01−0.0100.30.3−0.6⎤⎦⎥ ,此時我們可以發現矩陣A−I 的每一列之和爲0。因此A−I 是一個奇異矩陣。原因爲:對矩陣A−I 的行向量線性組合後可以得到零向量,即(A−I)Tx′=0 ,可以得出矩陣(A−I)T 的秩小於三,就可以知道矩陣A 的秩同樣小於三那麼(AI)x=0 ,必定有解。
矩陣A 的特徵值和AT 的特徵值是一樣的,因爲|A−λI|=0 ,那麼|AT−λIT|=0
下面爲馬爾科夫矩陣的應用:
關於加州和麻省的人數變化,假設每年加州有20%的人搬遷去加州,80%的人留下。每年加州有10%的人遷移到麻省來,90%的人留在本地。那麼k年後,加州和麻省的人口情況如何?
[UcalUMass]k+1=[0.90.10.20.8][UcalUMass]k
上面的式子中係數矩陣就是一個馬爾科夫矩陣。對於這個係數矩陣,先求出它的特徵值和特徵向量。矩陣的跡爲1.7,特徵值有一個爲1,那麼
λ2=0.7 。將特徵值代入就可以解出對應的特徵向量
x1=[21] ,
x2=[−11] 。因此
Uk=C1[21]+C2(0.7)k[−11] 。
U0=[01000] ,分別解出C1=10003,C2=20003
關於標準正交基的投影:
假設有一組標準正交基q1,q2⋯,qn ,那麼任意向量都可以用這組基來表示,v=x1q1+x2q−2+⋯+xnqn 。只要分別求出x1,x2,⋯ 即可。求x−1 的方法可以讓q1 乘以v 那麼qT1v=x1qt1q1+0+0+⋯+0=x1 ,這樣就可以求出x1 ,同理可以求出其他係數。
上面的意思可以表述爲矩陣形式[q1,q2⋯,qn]⎡⎣⎢⎢x1⋮xn⎤⎦⎥⎥=v 。也就是Qx=v ,x=Q−1v=QTv→x1=qT1v 。
傅里葉級數(FOURIER SERIES:f(x)=f(x+2π) )
f(x)=a0+a1cosx+b1sinx+a2cos(2x)+b2sin(2x)+⋯ 這就是福利葉級數的樣子。這裏的傅里葉級數和上面寫的向量v 很像,v 是由一些係數和標準正交向量表示的,這裏的傅里葉級數是由係數和函數表示的。而且傅里葉函數中的函數都是正交的,這裏的正交是什麼意思?,我們知道兩個向量vTw=v1w1+v2w2+⋯+vnwn=0 ,那麼關於函數的正交可以類比着來,假設有f(x),g(x) 正交,由於向量的維度是有限的,而函數時連續的,且sin,cos 的週期都爲2π ,函數的正交爲∫2π0(f(x)g(x))=0 。我麼可以試一下∫2π0(sinxcosx)=12(sinx)2|2π0=0 ,那麼係數a1 如何確定,類比向量的做法,我們用cosx 乘以f(x) 。∫2π0f(x)cosx=a∫2π0(cosx)2=π ,得出a=1π 。