跳到主要内容

转移矩阵

一、直观理解：下一步去哪，只看现在在哪​

马尔可夫链用状态之间的转移概率描述随机动态。转移矩阵 PP 的元素 pijp_{ij} 表示从状态 ii 一步转到 jj 的概率。无记忆性意味着：已知现在，未来与更早历史无关。

天气三态、品牌忠诚、信用等级迁移、棋盘随机游走，都可以先估计 PP，再分析多步分布与长期行为。

二、适用场景与优缺点​

类型说明
适用场景离散状态、离散时间；历史可忽略或可并入状态；有转移计数数据。
核心优点结构清晰；多步预测即矩阵幂；与稳态、吸收时间理论完备。
局限与缺点强无记忆假设；状态划分主观；非平稳转移需时变模型。

三、核心原理​

P=(pij)P=(p_{ij}) 满足 pij≥0p_{ij}\ge0，∑jpij=1\sum_j p_{ij}=1（行随机，约定因教材而异，MATLAB 常行随机）。

初分布 π(0)\pi^{(0)}（行向量）时，

π(n)=π(0)Pn\pi^{(n)}=\pi^{(0)}P^n

nn 步转移 PnP^n。由频率估计：

p^ij=Nij∑kNik\hat p_{ij}=\frac{N_{ij}}{\sum_k N_{ik}}

其中 NijN_{ij} 为观测到的 i→ji\to j 次数。

四、实践要点​

  • 统一行/列随机约定；
  • 稀疏转移与零计数的平滑；
  • 检验马尔可夫性（若数据允许）；
  • 画状态转移图帮助解释。

五、MATLAB 示例​

%% 转移矩阵估计与多步预测
% 状态: 1晴 2阴 3雨
seq = [1 1 2 1 3 3 2 1 1 2 3 2 1 2 2 3 1 1 2 1];
m = 3;
N = zeros(m);
for t=1:numel(seq)-1
    N(seq(t), seq(t+1)) = N(seq(t), seq(t+1)) + 1;
end
P = N ./ sum(N, 2);
% 处理全零行
P(isnan(P)) = 0;
for i=1:m
    if sum(P(i,:))==0, P(i,i)=1; end
end

disp("计数矩阵 N ="); disp(N);
disp("转移矩阵 P ="); disp(P);

pi0 = [1 0 0];             % 今天晴
pi3 = pi0 * P^3;
fprintf("3 天后分布 = [%s]\n", num2str(pi3, '%.3f '));

% 模拟一条链
rng(4);
s = 1; path = s;
for t=1:30
    s = randsample(1:m, 1, true, P(s,:));
    path(end+1)=s; %#ok<AGROW>
end
figure; stairs(path, "LineWidth", 1.2);
xlabel("t"); ylabel("状态"); title("马尔可夫链样本路径");
yticks(1:3); yticklabels(["晴","阴","雨"]); grid on;

六、如何解释结果​

报告状态定义、估计方法、PP 表、多步预测含义。指出哪类转移最频繁，是否符合常识。

七、常见误区​

1. 行和不为 1​

2. 用截面占比直接当转移概率​

3. 状态过细导致估计稀疏​

4. 忽略非平稳（节假日效应等）​

附：建模流程中的落地清单（转移矩阵）​

要把方法真正写进论文，建议补齐以下模块，而不是只贴一个最终数字。

1. 问题对齐与假设​

说明题目中的输入/输出如何映射到本方法，并显式列出关键假设。假设越清楚，后面的敏感性分析越有对象。

2. 关键关系​

行随机 PP，π(n)=π(0)Pn\pi^{(n)}=\pi^{(0)}P^n；可用转移计数频率估计。

3. 补充实现片段​

P=[0.7 0.3;0.4 0.6]; disp(P^5);

4. 报告要素​

状态定义、PP、估计方法、多步预测。

5. 不适用情形​

行和不为1；用截面占比当转移概率。

6. 与验证章节的衔接​

至少做一项：参数扰动、与基线方法对照、极限情形检查。把“方法正文”和“全局方法论（第15门类）”连起来，结论才站得住。

附：结果解读示例与常见审稿问题​

结果解读示例​

假设已经得到主要数值输出。写作时应把数字翻译回题目语言，例如：

  • “在基准参数下指标为 A；当关键参数变化 ±10% 时，指标波动约 B%，方案排序未变。”
  • “算法在 R 次独立重复中有 S 次收敛到同一结构解，说明结论对初始化不敏感。”
  • “与简化基线相比，本方法在验证集误差降低 Δ，但计算时间增加，权衡后仍采用。”

如果只有表格没有句子，评委很难判断你是否真正理解结果。

参数与数据的最小敏感性​

即使篇幅有限，也建议给出一个小表：选取 1–3 个最关键参数，各取偏低/基准/偏高三档，报告输出变化。这比大段空泛的“模型具有较强鲁棒性”更有说服力。

可复现信息​

在附录或正文脚注中记录：软件版本、随机种子、关键容差、数据截取时间范围。另一人按文档应能得到同量级结果。

审稿式自问​

  1. 方法假设在题目数据上是否可检查？
  2. 若最敏感参数估计错误 20%，结论是否翻盘？
  3. 是否存在更简单方法达到相近效果？
  4. 图表是否都能用一句话概括？
  5. 局限是否写得具体，而不是套话？

把上述自问的答案写进论文，方法章节会明显更“像完成了建模”，而不是“像完成了公式摘录”。

八、小结​

转移矩阵是马尔可夫链的核心参数，编码了状态间的一步动态。正确估计并保持概率归一后，多步预测与后续稳态分析才有基础。