{
  "id": "transition-matrix",
  "title": "转移矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "表示状态间转移概率的矩阵；在线性代数中，也指用于转换不同基下坐标的矩阵。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "转移概率矩阵",
    "马尔可夫矩阵",
    "过渡矩阵"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/transition-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/transition-matrix/",
      "json": "https://aiwiki.page/en/transition-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "转移矩阵是一种表示状态间转移或坐标表示之间转换的矩阵。在概率论中，它记录马尔可夫链中的转移概率。在线性代数中，这一术语也可指换基矩阵，用于将向量空间中一组基下的坐标转换为另一组基下的坐标。这两种含义所需的条件不同：概率转移矩阵的元素必须非负，且各行或各列的元素之和为一；换基矩阵则必须可逆。(stat110.hsites.harvard.edu)"
    },
    {
      "heading": "马尔可夫链中的定义",
      "text": "考虑一个离散时间随机过程 \\(X_0,X_1,\\ldots\\)，其有限状态空间为 \\(S=\\{1,\\ldots,m\\}\\)。它的马尔可夫性质意味着：给定当前状态后，下一状态不依赖于此前的状态。对于时间齐次链，条件概率\n\n\\[p_{ij}=\\Pr(X_{t+1}=j\\mid X_t=i)\\]\n\n不依赖于 \\(t\\)。转移矩阵为 \\(P=(p_{ij})\\)。第 \\(i\\) 行对应当前状态，第 \\(j\\) 列对应下一状态。因此，\n\n\\[p_{ij}\\geq0,\\qquad \\sum_{j=1}^{m}p_{ij}=1.\\]\n\n满足这些条件的矩阵称为行随机矩阵。每一行都是关于所有可能到达状态的概率分布，其中也包括停留在原状态的可能性。(stat110.hsites.harvard.edu)\n\n有些作者采用列随机矩阵，即每一列的元素之和为一。两种约定可通过矩阵转置相互转换。必须明确采用哪种约定，因为它决定了概率向量应从矩阵的哪一侧相乘。转移矩阵描述的是给定当前状态时的转移，而不是初始分布；要确定链的概率演化，两者缺一不可。(stat.cmu.edu)"
    },
    {
      "heading": "演化与多步转移",
      "text": "采用行随机矩阵的约定时，令 \\(\\mu_t\\) 为元素是 \\(\\Pr(X_t=i)\\) 的行向量。由全概率公式可得\n\n\\[\\mu_{t+1}=\\mu_tP,\\qquad \\mu_t=\\mu_0P^t.\\]\n\n元素 \\((P^n)_{ij}\\) 表示从状态 \\(i\\) 出发，经过 \\(n\\) 步后到达状态 \\(j\\) 的概率。矩阵乘法将经过各中间状态的路径概率相加，由此得到查普曼—柯尔莫哥洛夫方程：\n\n\\[P^{r+s}=P^rP^s.\\]\n\n这里，\\(P^0=I\\)，其中 \\(I\\) 是单位矩阵，表示尚未经过任何一步。(stat.cmu.edu)\n\n例如，考虑如下示例矩阵：\n\n\\[P=\\begin{pmatrix}0.8&0.2\\\\0.3&0.7\\end{pmatrix}.\\]\n\n从状态 1 出发时，\\(\\mu_0=(1,0)\\)，因此 \\(\\mu_1=(0.8,0.2)\\)。直接相乘可得\n\n\\[P^2=\\begin{pmatrix}0.70&0.30\\\\0.45&0.55\\end{pmatrix}.\\]\n\n因此，从状态 1 经过两步转移到状态 2 的概率为 \\(0.30\\)，计算方式为 \\(0.8(0.2)+0.2(0.7)\\)。这些是针对假设的马尔可夫链所做的计算，并非实测结果。\n\n如果转移概率随时间变化，就需要为各时刻分别使用矩阵 \\(P_t\\)。此时，演化过程由按时间顺序排列的矩阵乘积给出，即 \\(\\mu_n=\\mu_0P_0P_1\\cdots P_{n-1}\\)，而不是某个固定矩阵的幂。(stat.cmu.edu)"
    },
    {
      "heading": "结构与长期行为",
      "text": "转移矩阵可表示为一个加权有向图：状态对应顶点，当 \\(p_{ij}>0\\) 时，存在一条边 \\(i\\to j\\)。如果每个状态都能在某个步数后以正概率到达任何其他状态，则称该链为不可约链。如果 \\(p_{ii}=1\\)，则状态 \\(i\\) 是吸收态，一旦进入便无法离开。(stat110.hsites.harvard.edu)\n\n平稳分布是满足下列条件的概率行向量 \\(\\pi\\)：\n\n\\[\\pi P=\\pi,\\qquad \\sum_i\\pi_i=1.\\]\n\n因此，它是对应于特征值 \\(1\\) 的左特征向量。对于有限不可约链，平稳分布是唯一的。如果该链还具有非周期性，那么无论初始分布为何，其状态分布都会收敛于这一平稳分布，且 \\(P^n\\) 的每一行都会收敛于 \\(\\pi\\)。(probabilitycourse.com)\n\n存在平稳分布本身并不意味着收敛。矩阵\n\n\\[\\begin{pmatrix}0&1\\\\1&0\\end{pmatrix}\\]\n\n具有平稳分布 \\((1/2,1/2)\\)，但从某一个状态出发的链会一直在两个状态之间交替。这说明不变分布与极限分布并不是同一个概念。(cs.ox.ac.uk)"
    },
    {
      "heading": "根据观测进行估计",
      "text": "对于观测到的状态序列，令 \\(N_{ij}\\) 表示从 \\(i\\) 转移到 \\(j\\) 的次数。在时间齐次马尔可夫模型下，以初始状态为条件，最大似然估计给出\n\n\\[\\widehat p_{ij}=\\frac{N_{ij}}{\\sum_kN_{ik}},\\]\n\n前提是分母为正。转移次数是这一条件似然的充分统计量。如果未观测到任何从某个状态出发的转移，就无法用此公式唯一估计该状态对应的转移矩阵行。(stat.cmu.edu)\n\n在隐马尔可夫模型中，状态是隐含的，不能直接观测。因此，估计时使用的是推断得出的、按概率加权的转移次数，通常结合各状态生成观测的模型，在期望最大化算法中进行估计。(stat.cmu.edu)"
    },
    {
      "heading": "连续时间转移矩阵",
      "text": "对于有限、时间齐次的连续时间马尔可夫链，经过时间 \\(t\\) 后的转移由下式描述：\n\n\\[P(t)_{ij}=\\Pr(X(t)=j\\mid X(0)=i).\\]\n\n这些矩阵满足 \\(P(0)=I\\) 和 \\(P(s+t)=P(s)P(t)\\)。其无穷小生成矩阵 \\(Q\\) 的非对角元素均非负，且每一行的元素之和为零。有限时间内的转移概率通过矩阵指数求得：\n\n\\[P(t)=e^{tQ}.\\]\n\n生成矩阵包含的是转移速率，而不是概率；其对角元素非正。因此，必须将它与 \\(P(t)\\) 区分开来。(columbia.edu)"
    },
    {
      "heading": "换基意义下的转移矩阵",
      "text": "设 \\(B=(b_1,\\ldots,b_m)\\) 和 \\(C\\) 是同一有限维向量空间的两组有序基。从 \\(B\\) 下的坐标转换到 \\(C\\) 下的坐标所用的转移矩阵，其各列如下：\n\n\\[T_{C\\leftarrow B}=\\bigl([b_1]_C\\ \\cdots\\ [b_m]_C\\bigr).\\]\n\n对于任意向量 \\(v\\)，\n\n\\[[v]_C=T_{C\\leftarrow B}[v]_B.\\]\n\n它的逆矩阵用于执行反向转换。与概率转移矩阵不同，换基矩阵不要求元素非负，也不要求各行的元素之和为一。向量本身保持不变，改变的只是其坐标表示。(math.hmc.edu)"
    }
  ],
  "links": [
    "matrix",
    "probability",
    "markov-chain",
    "linear-algebra",
    "stochastic-process",
    "markov-property",
    "conditional-probability",
    "probability-distribution",
    "matrix-transpose",
    "law-of-total-probability",
    "chapman-kolmogorov-equations",
    "identity-matrix",
    "directed-graph",
    "stationary-distribution",
    "eigenvalues-and-eigenvectors",
    "maximum-likelihood-estimation",
    "sufficient-statistic",
    "hidden-markov-model",
    "expectation-maximization-algorithm",
    "continuous-time-markov-chain",
    "vector-space",
    "basis-linear-algebra",
    "inverse-matrix"
  ],
  "sources": [
    {
      "title": "stat110.hsites.harvard.edu/resource/markov-chains",
      "url": "https://stat110.hsites.harvard.edu/resource/markov-chains"
    },
    {
      "title": "stat.cmu.edu/~cshalizi/dst/20/lectures/18/lecture-18.html",
      "url": "https://stat.cmu.edu/~cshalizi/dst/20/lectures/18/lecture-18.html"
    },
    {
      "title": "probabilitycourse.com/chapter11/11_2_6_stationary_and_limiting_distributions.php",
      "url": "https://www.probabilitycourse.com/chapter11/11_2_6_stationary_and_limiting_distributions.php"
    },
    {
      "title": "cs.ox.ac.uk/people/elias.koutsoupias/pc2016-17/lectures.html",
      "url": "https://www.cs.ox.ac.uk/people/elias.koutsoupias/pc2016-17/lectures.html"
    },
    {
      "title": "stat.cmu.edu/~cshalizi/dst/20/lectures/19/lecture-19.html",
      "url": "https://stat.cmu.edu/~cshalizi/dst/20/lectures/19/lecture-19.html"
    },
    {
      "title": "stat.cmu.edu/~cshalizi/dst/18/lectures/24/lecture-24.html",
      "url": "https://www.stat.cmu.edu/~cshalizi/dst/18/lectures/24/lecture-24.html"
    },
    {
      "title": "columbia.edu/~ww2040/3106F11/CTMCchapter121906.pdf",
      "url": "https://www.columbia.edu/~ww2040/3106F11/CTMCchapter121906.pdf"
    },
    {
      "title": "math.hmc.edu/calculus/hmc-mathematics-calculus-online-tutorials/linear-algebra/…",
      "url": "https://math.hmc.edu/calculus/hmc-mathematics-calculus-online-tutorials/linear-algebra/change-of-basis/"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}