1. 马尔可夫矩阵
例子
A
=
[
.
1
.
001
.
3
.
2
.
099
.
3
.
7
0
.
4
]
A= \begin{bmatrix} .1 & .001 & .3\\ .2 & .099 & .3\\ .7 & 0 & .4 \end{bmatrix}
A=
.1.2.7.001.0990.3.3.4
马尔可夫矩阵满足条件
- λ = 1 为特征值 \lambda=1为特征值 λ=1为特征值
- 其他特征值 ∀ ∣ λ i ∣ < 1 \forall |\lambda_i| \lt1 ∀∣λi∣<1
- ∀ a i j ≥ 0 , ∀ ∑ i = 0 n a i k = 1 \forall a_{ij} \ge 0, \forall \sum_{i=0}^{n}a_{ik}=1 ∀aij≥0,∀∑i=0naik=1
为什么 λ = 1 \lambda=1 λ=1一定为其特征值
A
−
I
=
[
−
.
9
.
001
.
3
.
2
−
.
001
.
3
.
7
0
−
.
6
]
A-I= \begin{bmatrix} -.9 & .001 & .3\\ .2 & -.001 & .3\\ .7 & 0 & -.6 \end{bmatrix}
A−I=
−.9.2.7.001−.0010.3.3−.6
把所有非第一行加到第一行,可以把第一行变为全
0
0
0。
所以矩阵 A − I A-I A−I为奇异矩阵。
也就是向量 ( 1 , 1 , 1 ) ∈ N ( ( A − I ) ⊤ ) (1,1,1) \in N((A-I)^{\top}) (1,1,1)∈N((A−I)⊤),即 λ = 1 \lambda=1 λ=1是 A ⊤ A^{\top} A⊤的一个特征值。
引入
A ⊤ 与 A A^{\top}与A A⊤与A有相同的特征值,当 A A A为方阵时。
d
e
t
A
=
d
e
t
A
⊤
d
e
t
A
−
λ
I
=
d
e
t
(
A
−
λ
I
)
⊤
=
d
e
t
A
⊤
−
λ
I
d
e
t
A
−
λ
I
=
d
e
t
A
⊤
−
λ
I
det\ A=det\ A^{\top}\\ det\ A-\lambda I=det (A-\lambda I)^\top=det\ A^{\top}-\lambda I\\ det\ A-\lambda I=det \ A^{\top}-\lambda I
det A=det A⊤det A−λI=det(A−λI)⊤=det A⊤−λIdet A−λI=det A⊤−λI
对于
d
e
t
A
−
λ
I
=
0
与
d
e
t
A
⊤
−
λ
I
=
0
det\ A- \lambda I=0与det A^{\top}-\lambda I=0
det A−λI=0与detA⊤−λI=0
可以将他们化为相同的主对角线的形式,即关于 λ \lambda λ的 n n n阶多项式。
所以他们的特征值相同。
对 A A A化为 R R R形式的行变化,可以同样对 A ⊤ A^{\top} A⊤施行列变换为 L L L。
且 L = R ⊤ L=R^{\top} L=R⊤。
所以 λ = 1 \lambda=1 λ=1是马尔可夫矩阵的一个特征向量。
1.1 应用
预测
u k + 1 = A u k u_{k+1}=Au_k uk+1=Auk
人口迁移
假设某一时间内, c c c州到 d d d州人口迁移组成。
A = [ 0.9 0.2 0.1 0.8 ] A=\begin{bmatrix} 0.9 & 0.2\\ 0.1 & 0.8 \end{bmatrix} A=[0.90.10.20.8]
给定初值 c d c \ d c d州人口初值,我们则可以预测未来变化。
[ u c u d ] = [ 0 1000 ] \begin{bmatrix} u_{c}\\u_{d} \end{bmatrix}= \begin{bmatrix} 0\\1000 \end{bmatrix} [ucud]=[01000]
λ 1 = 1 , λ 2 = 0.7 \lambda_1=1,\lambda_2=0.7 λ1=1,λ2=0.7
特征向量
X
1
=
[
2
1
]
X
2
=
[
1
−
1
]
X_1=\begin{bmatrix} 2\\1 \end{bmatrix} X_2=\begin{bmatrix} 1\\-1 \end{bmatrix}
X1=[21]X2=[1−1]
稳态方程
u
k
=
c
1
×
1
k
[
2
1
]
+
c
2
×
(
0.7
)
k
[
−
1
1
]
u_k=c_1\times 1^k\begin{bmatrix}2\\1\end{bmatrix}+c_2\times (0.7)^k\begin{bmatrix}-1\\1\end{bmatrix}
uk=c1×1k[21]+c2×(0.7)k[−11]
由于
u
0
=
[
0
1000
]
u_0=\begin{bmatrix}0\\1000\end{bmatrix}
u0=[01000]
可以求得
c
1
=
1000
/
3
,
c
2
=
2000
/
3
c_1=1000/3,c_2=2000/3
c1=1000/3,c2=2000/3
再根据公式即可预测
k
k
k年后人口状况了。
2. 傅里叶级数
2.1 标准正交基的投影
给定空间 R n R^n Rn上的一组标准正交基
q 1 , q 2 ⋯ q n q_1,q_2 \cdots q_n q1,q2⋯qn
∀ 向量 V 可被表示为 v = ∑ i = 1 n x i q i \forall 向量 V可被表示为\\ v=\sum_{i=1}^{n}x_iq_i ∀向量V可被表示为v=i=1∑nxiqi
如何快速求得 x i x_i xi
q i ⊤ v = [ 0 0 ⋯ x i ⋯ 0 ] q_i^{\top}v=[0\ 0\cdots x_i\ \cdots0] qi⊤v=[0 0⋯xi ⋯0]
矩阵形式
Q
X
=
V
X
=
Q
−
1
V
=
Q
⊤
V
x
i
=
q
i
⊤
V
QX=V\\ X=Q^{-1}V=Q^{\top}V\\ x_i=q_i^{\top}V
QX=VX=Q−1V=Q⊤Vxi=qi⊤V
傅里叶级数
f
(
x
)
=
a
0
+
a
1
cos
x
+
a
2
sin
x
+
a
3
cos
2
x
+
⋯
f
(
x
)
=
f
(
x
+
2
π
)
f(x)=a_0+a_1\cos x+a_2\sin x+a_3\cos2x+\cdots \\ f(x)=f(x+2\pi)
f(x)=a0+a1cosx+a2sinx+a3cos2x+⋯f(x)=f(x+2π)
向量点积
v
⊤
w
=
v
1
w
1
+
v
2
w
2
+
⋯
+
v
n
w
n
v^{\top}w=v_1w_1+v_2w_2+\cdots+v_nw_n
v⊤w=v1w1+v2w2+⋯+vnwn
函数内积(
i
n
n
e
r
p
r
o
d
u
c
t
inner\ product
inner product)
f ⊤ g = ∫ 0 2 π f ( x ) g ( x ) d x f^{\top}g=\int_{0}^{2\pi}f(x)g(x)dx f⊤g=∫02πf(x)g(x)dx
3. 为什么自然常数 e e e自然
这里的自然指的是,数学逻辑上的自然而不是生活意义上的自然。
是为了让一个数的幂函数求导等于本身方便计算。
y
′
=
y
y
=
b
x
lim
h
→
0
(
b
x
+
h
−
b
x
)
h
=
b
x
lim
h
→
0
(
b
x
+
h
−
b
x
)
=
h
b
x
lim
h
→
0
(
b
h
b
x
−
b
x
)
=
h
b
x
(
b
h
−
1
)
=
h
(
b
h
)
=
h
+
1
(
b
h
)
1
h
=
(
1
+
h
)
1
h
b
=
lim
h
→
0
(
1
+
h
)
1
h
=
lim
n
→
∞
(
1
+
1
n
)
n
=
e
y'=y\\ y=b^{x}\\ \lim_{h \to 0} \frac{(b^{x+h}-b^x)}{h}=b^x\\ \lim_{h \to 0} (b^{x+h}-b^x)=hb^{x}\\ \lim_{h \to 0} (b^hb^{x}-b^x)=hb^x\\ (b^h-1)=h\\ (b^h)=h+1\\ (b^{h})^{\frac{1}{h}}=(1+h)^{\frac{1}{h}}\\ b=\lim_{h\to0}(1+h)^{\frac{1}{h}}=\lim_{n\to \infin}(1+\frac{1}{n})^{n}=e
y′=yy=bxh→0limh(bx+h−bx)=bxh→0lim(bx+h−bx)=hbxh→0lim(bhbx−bx)=hbx(bh−1)=h(bh)=h+1(bh)h1=(1+h)h1b=h→0lim(1+h)h1=n→∞lim(1+n1)n=e
即为了找到一个幂函数的底数求导等于本身而自然定义的,所以这个数和
π
\pi
π一样自然。
lim h → 0 b x + h − b x h = b x \lim_{h \to 0} \frac{b^{x+h}-b^x}{h} = b^x h→0limhbx+h−bx=bx