Matrice stocastica
In matematica , una matrice stocastica (chiamata anche matrice di Markov ) è una matrice quadrata (finita o infinita) il cui ogni elemento è un reale positivo e la cui somma degli elementi di ciascuna riga è uguale a 1. Ciò corrisponde, nella teoria della probabilità , alla matrice di transizione di una catena di Markov .
Definizioni
Una matrice si dice stocastica se tutti i suoi input sono positivi (o zero) e se, per tutto , abbiamo
, cioè la somma delle coordinate di ogni riga è uguale a 1.
M∈Mnon(R){\ displaystyle M \ in {\ mathcal {M}} _ {n} (\ mathbb {R})}io=1,...,non{\ displaystyle i = 1, ..., n}∑j=1nonmioj=1{\ displaystyle \ sum _ {j = 1} ^ {n} m_ {ij} = 1}
Una matrice stocastica si dice regolare se esiste un numero intero tale che la matrice contenga solo reali strettamente positivi.
K>0{\ displaystyle k> 0}MK{\ displaystyle M ^ {k}}
Una matrice si dice bistocastica (o doppiamente stocastica) se la somma degli elementi di ogni riga e di ogni colonna è uguale a 1, altrimenti se e la sua trasposizione sono stocastiche.
M{\ displaystyle M} Mt{\ displaystyle M ^ {t}}
Proprietà
Un'altra caratterizzazione delle matrici stocastiche è data da:
-
M{\ displaystyle M}è una matrice stocastica se e solo se (i suoi coefficienti sono positivi o nulli) e , dove indica il vettore le cui coordinate sono uguali a 1.M≥0{\ displaystyle M \ geq 0}Me=e{\ displaystyle Me = e}e{\ displaystyle e}Rnon{\ displaystyle \ mathbb {R} ^ {n}}
-
M{\ displaystyle M}è bistocastico se , e , dove è il vettore trasposto di .M≥0{\ displaystyle M \ geq 0}Me=e{\ displaystyle Me = e}e∗M=e∗{\ displaystyle e ^ {*} M = e ^ {*}}e∗{\ displaystyle e ^ {*}}e{\ displaystyle e}
Secondo la proprietà precedente, poiché 1 è un autovalore di con come autovettore a destra il vettore colonna le cui coordinate sono uguali a 1:
M{\ displaystyle M}
- Se è una matrice stocastica, chiamiamo vettore stabile per un vettore riga diverso da zero come , in altre parole: un autovettore a sinistra per l' autovalore 1 (e ha sempre almeno un vettore stabile).M{\ displaystyle M}M{\ displaystyle M}v{\ displaystyle v}vM=v{\ displaystyle vM = v} M{\ displaystyle M}
Una caratterizzazione del raggio spettrale di una matrice stocastica è data da:
- Se è una matrice stocastica, allora per tutto , in modo che il raggio spettrale . Ora, come , effettivamente abbiamo . Pertanto, il raggio spettrale di una matrice stocastica è esattamente uguale a 1.M{\ displaystyle M}||MX||∞≤||X||∞{\ displaystyle || Mx || _ {\ infty} \ leq || x || _ {\ infty}}X∈VSnon{\ displaystyle x \ in \ mathbb {C} ^ {n}} ρ(M)≤1{\ displaystyle \ rho (M) \ leq 1}Me=e{\ displaystyle Me = e}ρ(M)=1{\ displaystyle \ rho (M) = 1}
Altri risultati sono forniti da:
- Il prodotto di due matrici stocastiche è stocastico.
- Qualsiasi matrice stocastica indicizzata da E × E opera sullo spazio delle mappe limitate di E in .R{\ displaystyle \ mathbb {R}}
- Se è una matrice stocastica e se è una probabilità, allora è una probabilità.M{\ displaystyle M}p{\ displaystyle p}pM{\ displaystyle pM}
Esempio
La seguente matrice è stocastica ma non bistocastica:
M=(0,50,30,20,20,800,30,30,4).{\ displaystyle M = {\ begin {pmatrix} 0 {,} 5 & 0 {,} 3 & 0 {,} 2 \\ 0 {,} 2 & 0 {,} 8 & 0 \\ 0 {,} 3 & 0 {,} 3 & 0 {,} 4 \ end {pmatrix}}.}Il vettore è stabile per M .
(361){\ displaystyle {\ begin {pmatrix} 3 & 6 & 1 \ end {pmatrix}}}
La matrice stocastica M è regolare perché
M2=(0,370,450,180,260,700,040,330,450,22).{\ displaystyle M ^ {2} = {\ begin {pmatrix} 0 {,} 37 & 0 {,} 45 & 0 {,} 18 \\ 0 {,} 26 & 0 {,} 70 & 0 {,} 04 \\ 0 {,} 33 e 0 {,} 45 e 0 {,} 22 \ end {pmatrix}}.}
Il teorema della matrice stocastica afferma che, se A è una matrice stocastica regolare, allora
Inoltre, se x 0 è una legge iniziale arbitraria (cioè è un vettore con coordinate positive o zero e di somma 1), e se x k +1 = x k A per k = 0, 1, 2, ... allora il catena di Markov { x k } converge at quando . Cioè :
K→∞{\ displaystyle k \ to \ infty}
limK→∞X0AK=t.{\ Displaystyle \ lim _ {k \ to \ infty} \ mathbf {x} _ {0} A ^ {k} = {\ textbf {t}}.}
Alcuni altri risultati
Il ruolo delle matrici stocastiche è importante, soprattutto nello studio delle catene di Markov . Una caratteristica importante delle matrici doppiamente stocastiche (o doppiamente stocastiche) è data dalle matrici di permutazione , i cui coefficienti si applicano , con il simbolo di Kronecker .
P(σ){\ displaystyle P (\ sigma)}σ∈Snon{\ displaystyle \ sigma \ in {\ mathcal {S}} ^ {n}}pioj=δσ(io)j{\ displaystyle p_ {ij} = \ delta _ {\ sigma (i)} ^ {j}}δ{\ displaystyle \ delta}
Il teorema di Birkhoff mostra questo ruolo centrale che le matrici di permutazione hanno nella caratterizzazione delle matrici bistocastiche:
Teorema di Birkhoff - Una matrice è doppiamente stocastica se e solo se è baricentro di matrici di permutazione.
M∈Mnon(R){\ displaystyle M \ in {\ mathcal {M}} _ {n} (\ mathbb {R})}
Una conseguenza del teorema è data dal seguente risultato:
Corollario - Sia una norma su , invariante per permutazione delle coordinate. Quindi per qualsiasi matrice doppiamente stocastica.
||.||{\ displaystyle ||. ||}Rnon{\ displaystyle \ mathbb {R} ^ {n}}||M||=1{\ displaystyle || M || = 1}
Altri due risultati su matrici bistocastiche utilizzano la relazione descritta dal simbolo , definita da: Siano e due successioni di numeri reali. Diciamo che b maggiore a e denotiamo se:
≺{\ displaystyle \ prec}a=(a1,...,anon){\ displaystyle a = (a_ {1}, ..., a_ {n})}b=(b1,...,bnon){\ displaystyle b = (b_ {1}, ..., b_ {n})}non{\ displaystyle n}a≺b{\ displaystyle a \ prec b}
-
a1+...+aK≤b1+...bK{\ displaystyle a_ {1} + ... + a_ {k} \ leq b_ {1} + ... b_ {k}}per tutto ;K=1,...,non-1{\ displaystyle k = 1, ..., n-1}
-
a1+...+anon=b1+...bnon{\ displaystyle a_ {1} + ... + a_ {n} = b_ {1} + ... b_ {n}}.
Questa è una relazione di ordine parziale.
I due teoremi sono:
Teorema - Una matrice è doppiamente stocastica se e solo se per tutto .
M{\ displaystyle M}X≺MX{\ displaystyle x \ prec Mx}X∈Rnon{\ displaystyle x \ in \ mathbb {R} ^ {n}}
Teorema - Let . Allora se e solo se esiste una matrice doppiamente stocastica tale che .
X,y∈Rnon{\ displaystyle x, y \ in \ mathbb {R} ^ {n}}X≺y{\ displaystyle x \ prec y}M{\ displaystyle M}y=MX{\ displaystyle y = Mx}
Vedi anche
Bibliografia
Denis Serre , Les Matrices: Theory and Practice , Paris, Dunod ,2001, 176 p. ( ISBN 2-10-005515-1 ).
Riferimento
-
FL Bauer , J. Stoer e C. Witzgall , " Norme assolute e monotone ", Numerische Mathematik , vol. 3, n o 1,dicembre 1961, p. 257-264 ( ISSN 0029-599X e 0945-3245 , DOI 10.1007 / bf01386026 , letto online , accesso 2 febbraio 2020 )
Articoli Correlati