MIT 18.06 linear algebra 第二十四讲笔记
第二十四讲课程要点:
- Markov matrices
- Steady State
- Fourier Series & Projections
A=⎡⎣⎢0.10.20.70.010.9900.30.30.4⎤⎦⎥
,这个矩阵就是马尔科夫矩阵。
马尔科夫矩阵的性质:
- 矩阵中的每个元素大于等于0,即
aij≥0
。
- 马尔科夫矩阵中每一列的各个元素相加之和为1。
- 马尔科夫矩阵的幂依旧是马尔科夫矩阵。
- 马尔科夫矩阵必定有一个特征值为1。即
λi=1
。
λ=1
是矩阵的一个特征值。其对应的特征向量中的元素是大于等于0的。其它的特征值的绝对值小于1。即
λi<1
。
前面有公式
Uk=AkU0=C1λk1x1+C2λk2x2+⋯+Cnλknxn
。假设上式中
λ1=1
,其它的
λ<0
。当
k→∞
时,
Uk≈C1x1
。
A−I=⎡⎣⎢−0.90.20.70.01−0.0100.30.3−0.6⎤⎦⎥
,此时我们可以发现矩阵
A−I
的每一列之和为0。因此
A−I
是一个奇异矩阵。原因为:对矩阵
A−I
的行向量线性组合后可以得到零向量,即
(A−I)Tx′=0
,可以得出矩阵
(A−I)T
的秩小于三,就可以知道矩阵
A
的秩同样小于三那么
(AI)x=0
,必定有解。
矩阵
A
的特征值和
AT
的特征值是一样的,因为
|A−λI|=0
,那么
|AT−λIT|=0
下面为马尔科夫矩阵的应用:
关于加州和麻省的人数变化,假设每年加州有20%的人搬迁去加州,80%的人留下。每年加州有10%的人迁移到麻省来,90%的人留在本地。那么k年后,加州和麻省的人口情况如何?
[UcalUMass]k+1=[0.90.10.20.8][UcalUMass]k
上面的式子中系数矩阵就是一个马尔科夫矩阵。对于这个系数矩阵,先求出它的特征值和特征向量。矩阵的迹为1.7,特征值有一个为1,那么
λ2=0.7
。将特征值代入就可以解出对应的特征向量
x1=[21]
,
x2=[−11]
。因此
Uk=C1[21]+C2(0.7)k[−11]
。
U0=[01000]
,分别解出
C1=10003,C2=20003
关于标准正交基的投影:
假设有一组标准正交基
q1,q2⋯,qn
,那么任意向量都可以用这组基来表示,
v=x1q1+x2q−2+⋯+xnqn
。只要分别求出
x1,x2,⋯
即可。求
x−1
的方法可以让
q1
乘以
v
那么
qT1v=x1qt1q1+0+0+⋯+0=x1
,这样就可以求出
x1
,同理可以求出其他系数。
上面的意思可以表述为矩阵形式
[q1,q2⋯,qn]⎡⎣⎢⎢x1⋮xn⎤⎦⎥⎥=v
。也就是
Qx=v
,
x=Q−1v=QTv→x1=qT1v
。
傅里叶级数(FOURIER SERIES:
f(x)=f(x+2π)
)
f(x)=a0+a1cosx+b1sinx+a2cos(2x)+b2sin(2x)+⋯
这就是福利叶级数的样子。这里的傅里叶级数和上面写的向量
v
很像,
v
是由一些系数和标准正交向量表示的,这里的傅里叶级数是由系数和函数表示的。而且傅里叶函数中的函数都是正交的,这里的正交是什么意思?,我们知道两个向量
vTw=v1w1+v2w2+⋯+vnwn=0
,那么关于函数的正交可以类比着来,假设有
f(x),g(x)
正交,由于向量的维度是有限的,而函数时连续的,且
sin,cos
的周期都为
2π
,函数的正交为
∫2π0(f(x)g(x))=0
。我么可以试一下
∫2π0(sinxcosx)=12(sinx)2|2π0=0
,那么系数
a1
如何确定,类比向量的做法,我们用
cosx
乘以
f(x)
。
∫2π0f(x)cosx=a∫2π0(cosx)2=π
,得出
a=1π
。