以马尔科夫链的例来学习数学理论

我们以马尔科夫链为例，来看看如何将数学理论应用在实际学习中。马尔科夫是随机过程中的一个在预测领域经常应用的理论。

学习某种数学的算法或者理论，总结起来无非是以下几个方面，掌握学习规律后，我们可以根据自己的实际情况，对不同部分的学习，给予取舍：

1、原理或定理的由来。

这点其实是最难的部分，要求有扎实的数学功底，包括了从无到有的推理过程，算法的证明，来龙去脉等。数学常常是抽象中的抽象，一门学科常常以前面的若干学科为基础，因此有时候单看一个理论是很难一管窥豹的。建议如果对数学知识基础不扎实，其实完全可以忽略这部分。而只要记住结论，记住公式。我们只要知道，这个算法的应用领域，适用范围等即可。当然最好要大致了解这个理论在整个架构中的位置，这样方便我们整理自己的知识架构。

例如马尔科夫​是随机过程中的一个概念。通过下面的分析，我们大致就了解马尔科夫的适用范围和再随机过程中的大致的位置。

随机过程可以看做是一个从参数集（T）​到状态空间（E）的映射。也就是由参数集中的随机变量构成的函数。

而按照参数集和状态空间的类型，可以分为：离散参数链、非离散参数链、随机序列、随机函数。

根据概率的机构，随机过程分为：独立增量过程、平稳过程、非平稳过程、马尔科夫过程等。

这里著名的泊松过程就是T连续，E离散的平稳过程；马尔科夫链就是T和E均离散的马尔科夫过程。​

2、原理或算法的约束条件的逐步强化

这是用以简化问题研究。其实提出越严苛的条件，越有利于我们对理论的快速理解。原理的推理过程大多是从普遍规律推到特殊情况，条件逐渐加强，而其实有时候可以从严苛条件反推回去看宽松条件的定理，学习起来更轻松。往往为了简化某个公式或者某个理论，往往会对算法进行简化。

比如在马尔科夫链中，一开始不太好理解，但是随着条件的加强，概念反而越来越清晰。

​1）首先是马氏链：也就是当前的状态与过去的状态无关，也就是随机出现的。例如青蛙跳荷叶、醉汉走步等。这样就约束了，状态之间的关系。

2）接下来是​与时间的无关性，也就称为齐次。也就是条件概率与当前的时间无关，换句话说，无论什么时候，条件概率是一样的。这样就得到了齐次马氏链。

3）弱依赖性。​​这个应该算是条件也算是性质。本来在计算预测中最担心的是多元素的互相依赖。而马链却很好的有个弱依赖性，也就是当前点只依赖于前一个点。正因为有了这个弱依赖性，使得，我们可以从初始状态推测出后面无数点的预测状态。（第三大点的第1点说明）

根据这个弱依赖性，我们就可以做一个转移矩阵P了。这个转移矩阵的每个值，就是表示上一点，到本点的概率。

其中​Pij，是指当前状态为i的情况下，转移到j的条件概率。

所以有：P00+P01+...+P0m=1​