马尔可夫链 - 解释

1. 公式
   观察依据

   屏幕上显示了标记为 $P = [[0.8, 0.2], [0.4, 0.6]]$ 的转移矩阵。

2. 声音
   观察依据

   讲解员说：“我们可以用一个转移矩阵 P 来编码所有这些信息。”

P

该二状态马尔可夫链的转移矩阵；第 i 行、第 j 列的元素表示从状态 i 转移到状态 j 的概率。

一个 $2\times 2$ 矩阵，其元素均为非负数，且各行元素之和等于 1。

1. 声音
   观察依据

   讲解员说：“第 i 行、第 j 列的元素表示从状态 i 转移到状态 j 的概率。”

2. 公式
   观察依据

   矩阵元素以数值形式显示为 0.8、0.2、0.4、0.6。

p_{ij}

从起始状态 i 到终止状态 j 经过一步转移的概率。

本例中，i,$j \in {S,R}$；所显示的值为 p_{SS}=0.8、p_{SR}=0.2、p_{RS}=0.4、p_{RR}=0.6。

1. 公式
   观察依据

   矩阵上方标有列标签 S 和 R，右侧标有行标签 S 和 R。

2. 声音
   观察依据

   讲解员说：“每一行代表一个起始状态，每一列代表一个终止状态。”

S, R

晴天（Sunny）与雨天（Rainy）的状态标签，用于索引转移矩阵的行与列。

天气示例中的离散状态集。

1. 公式
   观察依据

   屏幕上显示 $π = [0.5, 0.5]$。

2. 声音
   观察依据

   讲述者说：“初始状态分布，我们称之为 π。”

$\pi$

在‘晴天’和‘雨天’这两个状态上的初始状态分布。

各行概率之和为1的行向量；此处 $π = [0.5, 0.5]$。

1. 公式
   观察依据

   底部公式变为 $π = π \cdot P$。

2. 声音
   观察依据

   讲述者说：“每一天，我们都应用转移概率。”

1. 所显示的等式在等号两侧使用了相同的符号 π，因此在视觉上存在歧义：它究竟表示迭代更新，还是不动点条件？周围的动画展示了按日重复更新的过程。

$\pi = \pi \cdot P$

展示了一步更新规则，用于在转移矩阵作用下演化状态分布。

在动画中从第0天起迭代应用。

1. 公式
   观察依据

   底部中央显示方程 $π = π \cdot P$。

$\pi$

稳态概率分布向量；在本视觉示例中，它对应于晴天与雨天的极限概率。

马尔可夫链各状态上的概率分布

1. 公式
   观察依据

   底部中央显示方程 $π = π \cdot P$。

1. 本片段未显式展示矩阵 P；其元素在此处不可见。

P

马尔可夫链的转移矩阵。

各行描述状态间转移概率的矩阵

1. 动画
   观察依据

   左侧标签从第5天变为第6天、第7天和第8天。

$n \text{ in } \text{Day } n$

用于追踪状态分布演化的离散时间索引或天数。

正整数

1. 声音
   观察依据

   讲述者将马尔可夫链定义为这样一类系统：其未来状态仅依赖于当前状态，而与过去无关。

2. 字幕依据
   观察依据

   屏幕文字显示：“只有今天重要，昨天不重要。”

马尔可夫链是一种随机系统，其下一状态仅依赖于当前状态，而与更早的历史无关。视频中通过天气问题引入这一概念：如果今天是晴天，那么明天是晴天的概率是多少？

1. 该过程具有离散的状态。

2. 下一状态的条件分布仅依赖于当前状态。

1. 天气模型的状态

1. 声音
   观察依据

   讲述者说：“我们从状态开始，在本例中即晴天或雨天。”

2. 图示
   观察依据

   屏幕上出现两个标有‘晴天’和‘雨天’的圆圈。

该示例使用两个状态：晴天和雨天。每一天，系统恰好处于这两个状态之一，然后过渡到下一天。

1. 本例中的状态空间为{晴天, 雨天}。

1. 声音
   观察依据

   讲述者说：“每一天，天气都从一个状态转移到另一个状态。注意，我们可以停留在同一状态。”

2. 动画
   观察依据

   在‘晴天’和‘雨天’上分别画出自环，然后添加两个状态之间的箭头。

3. 字幕依据
   观察依据

   文字出现：“每条箭头：可能的转移”

转移是指系统在一个时间步内从一个状态移动到另一个状态。图中明确包含了自环，表明系统可能在相邻两天保持同一状态。

1. 转移每次只进行一步。

2. 允许停留在同一状态。

1. 天气模型的状态

1. 声音
   观察依据

   讲解者指定80% 保持晴天、20% 变为雨天、40% 转为晴天，以及60% 保持雨天。

2. 公式
   观察依据

   数字0.8、0.2、0.4、0.6标在箭头上。

3. 公式
   观察依据

   屏幕上显示$0.8 + 0.2 = 1$，随后显示$0.6 + 0.4 = 1$。

从每个状态出发的每条出向箭头都带有概率。从晴天出发：以概率0.8保持晴天，以概率0.2变为雨天；从雨天出发：以概率0.4变为晴天，以概率0.6保持雨天。从每个状态出发的所有概率之和必须等于1。

1. 对每一个固定的起始状态，其所有出向概率之和等于1。

2. 概率是非负的。

1. 转移与自环

1. 声音
   观察依据

   讲解者说：“注意，从每个状态出发的概率之和必须等于1。你最终必须处于某个状态。”

2. 公式
   观察依据

   方程$0.8 + 0.2 = 1$与$0.6 + 0.4 = 1$被展示出来。

因为系统在一步之后必然转移到某个状态，所以从任一当前状态出发的所有可能结果的概率之和为1。这一性质首先在图中展示，随后用矩阵的行重新表述。

1. 该性质适用于每个起始状态 i。

2. 本例中，各行之和分别为$0.8+0.2=1$和$0.6+0.4=1$。

1. 一步转移概率

1. 声音
   观察依据

   讲解者说：“我们可以将所有这些信息编码在一个转移矩阵 P 中。每一行代表一个起始状态，每一列代表一个终止状态。”

2. 公式
   观察依据

   矩阵 $P = [[0.8, 0.2], [0.4, 0.6]]$ 被展示出来，其行列标签分别为 S 和 R。

3. 字幕依据
   观察依据

   文字显示：“每行之和为1。”

转移矩阵汇总了所有一步转移概率。行索引表示当前状态，列索引表示下一状态，因此 (i,j) 位置的元素即为从状态 i 转移到状态 j 的概率。

1. 行对应起始状态。

2. 列对应终止状态。

3. 每行之和为1。

1. 一步转移概率
2. 转移概率的行和性质
3. 天气模型的状态

1. 声音
   观察依据

   讲解者说：“现在，我们还需要一个要素：初始状态分布，我们称之为 π。”

2. 公式
   观察依据

   屏幕上显示 $π = [0.5, 0.5]$。

3. 图示
   观察依据

   晴天和雨天上方各有一根柱状图，分别标注为50% 和50%。

为了研究系统随时间的演化，必须指定起始时刻各状态上的概率分布。本例采用完全不确定的情形：50% 晴天，50% 雨天。

1. 各项表示在状态空间上的概率。

2. 它们之和为1。

1. 天气模型的状态

1. 声音
   观察依据

   讲解者说：“当我们向未来推进时间时，会发生什么？每一天，我们都应用转移概率。”

2. 公式
   观察依据

   屏幕上显示的等式变为 $π = π \cdot P$。

3. 动画
   观察依据

   柱状图从50%/50% 变为60%/40%，再变为64%/36%，最后变为66%/34%。

1. 视频未显式写出带时间下标的表达式（如 $π_{n+1} = π_n P$），而是以紧凑形式 $π = π \cdot P$ 展示更新规则，并通过逐日动画呈现。

通过将当前状态分布与转移矩阵相乘，可逐日推进状态上的分布。重复相乘便生成动画中所示的柱状图高度序列。

1. 每一步都使用相同的转移矩阵。

2. 分布随时间迭代更新。

1. 转移矩阵表示法
2. 初始状态分布

1. 声音
   观察依据

   讲解员指出，概率逐渐趋近于特定值：晴天占三分之二，雨天占三分之一；且该分布收敛至同一稳态。

2. 公式
   观察依据

   方程 $π = π \cdot P$ 始终显示。

3. 动画
   观察依据

   条形图稳定在 67晴天占比 33，雨天占比 8第 $2/3$，且 ≈ $1/3$出现。

稳态是指一个概率分布：当对该分布应用马尔可夫链的转移规则后，其结果保持不变。本片段中，它由不动点方程 $π = π \cdot P$ 表示，并通过晴天与雨天的极限比例$2/3$和$1/3$直观呈现。

1. 该对象是马尔可夫链各状态上的概率分布。

2. 该分布正被比较其左乘转移矩阵 P 前后的变化。

1. 两状态天气马尔可夫链示例

1. 声音
   观察依据

   解说员总结道：“这基本上就是马尔可夫链的工作原理。”

2. 图示
   观察依据

   两个标有名称的状态以圆圈形式出现：晴天与雨天。

3. 动画
   观察依据

   天数计数器不断推进，同时两个状态的概率随之变化，最终趋于稳定。

1. 定义转移矩阵 P 的转移概率在本片段中未显示。

本片段采用一个含晴天与雨天两个状态的天气模型，说明重复进行状态转移如何将初始分布推向极限分布。所展示的方法是逐日迭代状态概率，并观察其收敛过程。

1. 共有两个状态：晴天与雨天。

2. 该过程是离散时间的，以天为索引。

1. 声音
   观察依据

   旁白说道：“无论再经过多少天，也无论我们从何处开始，分布都会收敛到同一个稳态。”

2. 动画
   观察依据

   晴天概率从66%上升至67%，雨天概率从34%下降至33%，且分数≈$2/3$和≈$1/3$分别显示在对应柱状图旁。

1. 该片段并未证明收敛性；而是通过数值与可视化方式，在本例中演示了收敛性。

随着日期索引增大，状态上的概率分布趋近于一个极限向量。在本例中，极限比例约为晴天$2/3$、雨天$1/3$，这与稳态解释 $π = π \cdot P$ 一致。

1. μₙ 表示第 n 天的分布。

2. 所展示的极限针对视频中呈现的特定两状态例子。

1. 马尔可夫链的稳态
2. 两状态天气马尔可夫链示例

1. 声音
   观察依据

   讲解员说：“马尔可夫链的关键性质在于：明天状态的概率仅取决于今天的状态，而与昨天无关。”

2. 字幕依据
   观察依据

   此前屏幕上的文字写道：“只有今天重要，昨天不重要。”

对于马尔可夫链，下一状态的概率分布仅取决于当前状态，而与更早的状态无关。

1. 该系统是一个马尔可夫链。

2. 状态在一系列离散时刻被观测。

对每个当前状态而言，下一状态的条件分布独立于过去的历史。

1. 声音
   观察依据

   讲解员说：“注意，从每个状态出发的概率之和必须等于1。你总得去往某个地方。”

2. 公式
   观察依据

   屏幕上显示方程$0.8 + 0.2 = 1$和$0.6 + 0.4 = 1$。

从任一给定状态出发的所有可能单步转移的概率之和等于1。

1. 转移概率对单个时间步长做了正确定义。

2. 系统在该步之后必须处于某个状态。

对每个起始状态 i，对所有终止状态 j 求和的结果等于1。

1. 声音
   观察依据

   讲述者说：“这个矩阵刻画了系统的完整结构。”

2. 公式
   观察依据

   完整的矩阵 $P = [[0.8, 0.2], [0.4, 0.6]]$ 以行列标签形式呈现。

1. 该命题对该有限马尔可夫链的单步转移结构成立；视频未讨论周期性或可约性等额外结构。

转移矩阵编码了该马尔可夫链示例的完整单步结构。

1. 系统动态完全由所列状态之间的单步转移概率描述。

在此双状态示例中，所有单步转移概率均包含于矩阵 P 中。

1. 声音
   观察依据

   旁白说道：“无论我们从何处开始，分布都会收敛到同一个稳态。”

1. 该陈述仅针对片段中的例子提出；视频并未说明所有马尔可夫链具备此性质的一般条件。

对于视频中展示的马尔可夫链例子，无论过程从何处开始，其分布均收敛至同一稳态。

1. 该过程是视频片段中所展示的二状态马尔可夫链。

2. 转移动态在各天之间保持不变。

对于本例所示的情形，适用于旁白所提及的任意初始分布。

1. 声音
   观察依据

   旁白说道：“这基本上就是马尔可夫链的工作方式。”

1. 这是一个非正式的总结性陈述，而非严格的定理。

该片段将收敛至稳态作为马尔可夫链的基本行为来呈现。

1. 讨论所指为刚刚展示的二状态天气示例。

本总结基于本视频片段中的示例，属非正式表述。

1. 公式
   观察依据

   屏幕上显示0.8＋0.2＝1，然后显示0.6＋0.4＝1。

2. 声音
   观察依据

   讲解者说明，从每个状态出发的概率之和必须等于1。

1. 公式

   $$0.8 + 0.2 = 1$$
   解释

   从晴天状态出发，两条出边概率分别为0.8（保持晴天）和0.2（转为雨天）。

   步骤依据

   直接读取图中带标签的箭头。

   视频直接表达
2. 公式

   $$0.6 + 0.4 = 1$$
   解释

   从雨天状态出发，两条出边概率分别为0.6（保持雨天）和0.4（转为晴天）。

   步骤依据

   直接读取图中带标签的箭头。

   视频直接表达

每个状态的出边转移概率之和均为1，这符合系统经过一步后必然处于某一状态的要求。

1. 公式
   观察依据

   屏幕显示π＝[0.5, 0.5]，然后显示更新规则π＝$π\cdot P$。

2. 动画
   观察依据

   第1天的柱状图显示晴天占60%，雨天占40%。

1. 中间的算术过程未口头说明；它由屏幕上显示的初始向量、矩阵以及第1天所得百分比推断得出。

1. 公式

   $$\pi_0=[0.5,0.5]$$
   解释

   初始分布赋予“晴天”和“雨天”相等的概率。

   步骤依据

   显示第0天的公式及柱状图标签。

   视频直接表达
2. 公式

   $$\pi_1=\pi_0 P=[0.5,0.5]\begin{bmatrix}0.8&0.2\\0.4&0.6\end{bmatrix}$$
   解释

   应用一次转移矩阵，推进一天。

   步骤依据

   展示更新规则 $\pi = \pi \cdot P$ 及其矩阵定义。

   依据视频推导
3. 公式

   $$\pi_1=[0.5(0.8)+0.5(0.4),\;0.5(0.2)+0.5(0.6)]=[0.6,0.4]$$
   解释

   计算“晴天”和“雨天”的新概率。

   步骤依据

   使用矩阵 P 的显示元素，进行标准的行向量乘矩阵运算。

   依据视频推导

经过一步后，分布变为60% 晴天和40% 雨天，与第1天的动画一致。

1. 动画
   观察依据

   第2天的柱状图显示为64% 晴天和36% 雨天。

2. 公式
   观察依据

   更新规则 $\pi = \pi \cdot P$ 保留在屏幕上。

1. 视频未逐行展示代数推导过程；该计算由屏幕上显示的规则及前一步结果重构得出。

1. 公式

   $$\pi_1=[0.6,0.4]$$
   解释

   从刚刚得到的第1天分布出发。

   步骤依据

   前一动画状态及由此推导出的更新。

   依据视频推导
2. 公式

   $$\pi_2=\pi_1 P=[0.6,0.4]\begin{bmatrix}0.8&0.2\\0.4&0.6\end{bmatrix}$$
   解释

   再次应用转移矩阵，计算下一天的状态。

   步骤依据

   反复使用屏幕上显示的更新规则。

   依据视频推导
3. 公式

   $$\pi_2=[0.6(0.8)+0.4(0.4),\;0.6(0.2)+0.4(0.6)]=[0.64,0.36]$$
   解释

   计算第2天的概率分布。

   步骤依据

   利用矩阵 P 的元素进行矩阵乘法运算。

   依据视频推导

经过两步后，分布为64% 晴天和36% 雨天，与动画中展示的完全一致。

1. 动画
   观察依据

   第3天的柱状图显示66% 晴天和34% 雨天。

2. 公式
   观察依据

   更新规则 $\pi = \pi \cdot P$ 始终可见。

1. 与之前步骤一样，算术运算并未口头说明；而是根据屏幕上显示的规则和先前的分布推断得出。

1. 公式

   $$\pi_2=[0.64,0.36]$$
   解释

   从第2天的分布出发。

   步骤依据

   前一动画状态及由此推导出的更新。

   依据视频推导
2. 公式

   $$\pi_3=\pi_2 P=[0.64,0.36]\begin{bmatrix}0.8&0.2\\0.4&0.6\end{bmatrix}$$
   解释

   再应用一次转移矩阵。

   步骤依据

   迭代使用屏幕上显示的更新规则。

   依据视频推导
3. 公式

   $$\pi_3=[0.64(0.8)+0.36(0.4),\;0.64(0.2)+0.36(0.6)]=[0.656,0.344]$$
   解释

   计算第3天的精确概率。

   步骤依据

   使用矩阵 P 的元素进行矩阵乘法。

   依据视频推导
4. 公式

   $$[0.656,0.344]\approx[0.66,0.34]$$
   解释

   四舍五入为屏幕上显示的百分比。

   步骤依据

   与屏幕上显示的第3天柱状图标签进行比较。

   依据视频推导

经过三步后，精确分布为[0.656,0.344]，屏幕上四舍五入显示为66% 晴天和34% 雨天。

1. 动画
   观察依据

   在反复左乘矩阵 P 的作用下，分布序列依次变为$50/50 \to 60/40 \to 64/36 \to 66/34$。

2. 公式
   观察依据

   本节标题为“收敛至稳态”。

1. 该片段在极限值被明确陈述之前就结束了，因此稳态数值并非本片段中直接口述，而是根据屏幕上显示的趋势及标准不动点计算推断得出。

1. 公式

   $$\pi_{n+1}=\pi_n P$$
   解释

   反复应用转移矩阵，逐日更新分布。

   步骤依据

   展示了更新规则及每日分布的动画序列。

   依据视频推导
2. 公式

   $$50\%\to60\%\to64\%\to66\%\text{ for Sunny}$$
   解释

   晴天概率上升，而雨天概率下降，表明正趋近于某个极限。

   步骤依据

   观察了从第0天到第3天的柱状图高度。

   视频直接表达
3. 公式

   $$\pi^*=\pi^*P$$
   解释

   稳态分布经过与矩阵 P 再次相乘后将保持不变。

   步骤依据

   标题中‘收敛’部分采用标准的不动点解释。

   补充解释

该动画演示了向稳态分布的收敛过程，但确切的极限向量并未在此120秒片段中明确给出。

1. 动画
   观察依据

   第5天显示66% 晴天和34% 雨天；第6天显示67% 和33%；第7天显示67% 和33%；第8天显示67% 和33%，并额外标出 ≈ $2/3$ 和 ≈ $1/3$。

2. 声音
   观察依据

   旁白解释道，概率会逐渐稳定于特定数值，并收敛至同一稳态。

1. 精确的转移矩阵并未给出，因此仅凭本片段无法复原数值更新规则。

1. 公式

   $$\text{Day }5:\quad (0.66,0.34)$$
   解释

   动画从第5天的分布开始，将66%分配给晴天，34%分配给雨天。

   步骤依据

   直接读取屏幕上的标签和柱状图高度。

   视频直接表达
2. 公式

   $$\text{Day }6:\quad (0.67,0.33)$$
   解释

   再过一天后，晴天概率略微上升，雨天概率略微下降。

   步骤依据

   直接读取更新后的屏幕标签。

   视频直接表达
3. 公式

   $$\text{Day }7:\quad (0.67,0.33)$$
   解释

   屏幕上显示的四舍五入百分比在第7天保持不变，表明在当前精度下已达到稳定。

   步骤依据

   直接读取屏幕上的标签。

   视频直接表达
4. 公式

   $$\text{Day }8:\quad (0.67,0.33),\quad 0.67\approx \frac{2}{3},\quad 0.33\approx \frac{1}{3}$$
   解释

   到第8天时，视频在柱状图旁添加了分数近似值，用$2/3$和$1/3$标出稳定值。

   步骤依据

   直接读取新增的文字：≈ $2/3$ 和 ≈ $1/3$。

   视频直接表达
5. 公式

   $$\pi = \pi \cdot P$$
   解释

   持续显示在底部的方程将这一稳定数对解释为转移运算的不动点。

   步骤依据

   该公式在整个片段中始终显示在屏幕上。

   视频直接表达

该示例以直观方式表明：重复进行转移运算，会使分布趋近于稳态值（约$2/3$, $1/3$）。

1. 公式
   观察依据

   屏幕上的近似值显示 0.67 ≈ $2/3$ 且 0.33 ≈ $1/3$。

2. 公式
   观察依据

   展示了稳态方程 $π = π \cdot P$。

1. 此步骤由分析人员提供，用于说明所显示的分数为何一致；视频本身并未进行代数运算。

1. 公式

   $$\frac{2}{3}+\frac{1}{3}=1$$
   解释

   两个极限概率之和为一，因此它们可表示一个定义在两个状态上的有效概率分布。

   步骤依据

   分数的基本算术运算。

   补充解释
2. 公式

   $$\pi \approx \left(\frac{2}{3},\frac{1}{3}\right)$$
   解释

   因此，屏幕上显示的稳态向量与一个归一化的双状态分布一致。

   步骤依据

   将屏幕上的近似值与归一化检验相结合。

   补充解释

屏幕上显示的极限值作为概率分布具有内在一致性。

1. 声音
   观察依据

   整个片段均使用天气示例，包含晴天和雨天两种状态，并设定了相应的转移概率。

2. 图示
   观察依据

   从该示例出发，先构建一个含两个节点的图，再构建一个$2\times 2$矩阵。

3. 动画
   观察依据

   每日分布由初始向量[0.5,0.5]更新而来。

仅依据今日天气预测明日天气，状态为晴天与雨天，并给定转移概率。

1. 状态：晴天、雨天。

2. 从晴天出发：0.8保持晴天，0.2转为雨天。

3. 从雨天出发：0.4转为晴天，0.6保持雨天。

4. 初始分布：$\pi=[0.5,0.5]$。

将该过程建模为马尔可夫链，用转移矩阵编码，并迭代更新多日的状态分布。

1. 公式

   $$\text{States }=\{\text{Sunny},\text{Rainy}\}$$
   解释

   明确模型的状态空间。

   步骤依据

   在旁白中直接说明，并以两个带标签的节点图示呈现。

   视频直接表达
2. 公式

   $$P=\begin{bmatrix}0.8&0.2\\0.4&0.6\end{bmatrix}$$
   解释

   将一步转移概率填入矩阵，行表示起始状态，列表示终止状态。

   步骤依据

   在屏幕上显式构建并由讲解员解释。

   视频直接表达
3. 公式

   $$\pi_0=[0.5,0.5]$$
   解释

   选择一个初始分布，反映对今日天气完全不确定的情形。

   步骤依据

   显示的公式和 50%/50% 条形图，对应第 0天。

   视频直接表达
4. 公式

   $$\pi_1=[0.6,0.4],\ \pi_2=[0.64,0.36],\ \pi_3\approx[0.66,0.34]$$
   解释

   通过反复左乘转移矩阵 P 来更新分布，从而得到次日的概率分布。

   步骤依据

   动画展示这些数值；其算术依据为 $\pi_{n+1}=\pi_n P$。

   依据视频推导

该例给出转移矩阵 $P = [[0.8,0.2],[0.4,0.6]]$，以及随时间演化的分布：[0.5,0.5] → [0.6,0.4] → [0.64,0.36] → 近似为 [0.66,0.34]。

P 的每一行之和均为 1，且图中显示的每日柱状图百分比与连续左乘 P 所得结果一致。

1. 图示
   观察依据

   状态被标记为‘晴天’和‘雨天’。

2. 动画
   观察依据

   日期计数器从第 5 天推进至第 8 天，同时百分比随之更新。

3. 声音
   观察依据

   旁白描述系统最终稳定在三分之二晴天、三分之一雨天的状态。

1. 第5天之前的初始分布未在本片段中显示。

2. 转移矩阵 P 未在本片段中显示。

追踪一个具有‘晴天’和‘雨天’两个状态的天气模型逐日概率变化，并确定其极限分布。

1. 状态集：{晴天，雨天}。

2. 第5天的分布显示为66% 晴天和34% 雨天。

3. 后续显示的日期为第6天、第7天和第8天。

4. 稳态关系表示为 $π = π \cdot P$。

确定当天数增加时，各概率趋近于哪些值。

1. 公式

   $$\text{Start from Day 5: } (0.66,0.34)$$
   解释

   读取本示例中初始显示的分布。

   步骤依据

   在片段开头可见于屏幕。

   视频直接表达
2. 公式

   $$\text{Update through Day 6--8}$$
   解释

   推进日期计数器，并观察晴天与雨天的新百分比。

   步骤依据

   动画依次显示各天的标签及更新后的柱状图数值。

   视频直接表达
3. 公式

   $$(0.67,0.33)\approx \left(\frac{2}{3},\frac{1}{3}\right)$$
   解释

   稳定后的四舍五入百分比与柱状图旁所标注的分数相对应。

   步骤依据

   屏幕文字添加 ≈ $2/3$ 和 ≈ $1/3$ 每日 8。

   视频直接表达

分布收敛至约$2/3$为晴天、$1/3$为雨天。

讲解员明确指出极限值，最终画面同时显示67% ≈ $2/3$和33% ≈ $1/3$，以及稳态方程。

1. 动画
   观察依据

   标题“马尔可夫链”出现，随后出现两个标有“晴天”和“雨天”的圆形节点。

2. 字幕依据
   观察依据

   文字依次出现：“明天的天气如何？”以及“只有今天重要，昨天无关紧要。”

1. 标题文字“马尔可夫链”

2. 晴天节点

3. 雨天节点

4. 问题文字

5. 无记忆性文字

1. 标题最先出现。

2. 两个状态节点被引入。

3. 题目文字显示在节点下方。

4. 强调仅依赖于今日的文本出现。

1. 该示例中恰好有两个状态。

2. 状态标签仍为“晴天”和“雨天”。

开场画面将本课定位为一个具有两个状态的概率预测问题，并突出马尔可夫无记忆性。

1. 动画
   观察依据

   先在“晴天”节点上画一个自环，再画一条从“晴天”指向“雨天”的箭头，接着在“雨天”节点上画一个自环，最后画一条从“雨天”指向“晴天”的箭头。

2. 字幕依据
   观察依据

   文字显示：“每条箭头：可能的转移”。

1. 晴天节点

2. 雨天节点

3. 晴天节点上的自环

4. 从晴天指向雨天的箭头

5. “下雨”状态的自环

6. 从“下雨”指向“晴天”的箭头

7. 图注文字

1. 箭头逐个添加，直至全部四个可能的单步转移都出现。

1. 两个状态节点的位置保持固定。

2. 所有转移均为同一对状态之间的单步可能性。

该图表明：无论系统处于哪个状态，它都既可以保持原状态，也可以切换到另一状态，从而形成四种可能的有向转移。

1. 动画
   观察依据

   对应箭头上分别标有数字标签0.8、0.2、0.4和0.6。

2. 公式
   观察依据

   图下方显示方程$0.8 + 0.2 = 1$与$0.6 + 0.4 = 1$。

1. 四条有向箭头

2. 数字概率标签

3. 和为一的方程

1. 每条箭头都分配一个概率值。

2. 按行求和以验证归一化。

1. 在添加概率的过程中，底层图结构保持不变。

该可视化将定性转移图转化为定量马尔可夫链，方法是附加概率，并检查每个状态的出射概率总和是否为1。

1. 动画
   观察依据

   标题变为“转移矩阵”，并逐项构建一个$2\times 2$矩阵。

2. 公式
   观察依据

   列上方和行旁分别标有标签 S 和 R；最终矩阵为 [[0.8,0.2],[0.4,0.6]]。

3. 字幕依据
   观察依据

   文字显示：“每行之和为1”。

1. 转移图

2. 矩阵括号

3. 元素0.8、0.2、0.4、0.6

4. 行标签：S、R

5. 列标签：S、R

6. 图注文字

1. 图中的信息被转化为矩阵形式。

2. 添加行标签和列标签以明确索引含义。

3. 显示行和式陈述。

1. 数值转移概率与图中保持一致。

矩阵表示明确指出：行对应当前状态，列对应下一状态，从而将示意图转化为一个紧凑的代数对象。

1. 动画
   观察依据

   晴天与雨天上方的条形图在第0天显示为50%和50%，随后更新为第1天60%/40%、第2天64%/36%、第3天66%/34%。

2. 公式
   观察依据

   公式 $\pi=[0.5,0.5]$ 被展示，之后被替换为 $\pi=\pi\cdot P$。

1. 各天标签之间的逐帧插值尚未完全明确，但所显示的天数标签与百分比清晰可辨。

1. 日期标签

2. 晴天柱状图

3. 雨天柱状图

4. 百分比标签

5. 初始分布公式

6. 更新公式

1. 日期计数器从第0天推进到第3天。

2. 晴天柱状图增长，而雨天柱状图缩小。

3. 公式从静态的初始向量转变为更新规则。

1. 这两个柱状图始终表示同一组两个状态上的概率。

2. 它们的高度之和始终为100%。

动画演示了通过重复乘以转移矩阵，如何使概率分布逐渐趋向更偏向晴天的形态，从而说明收敛行为。

1. 动画
   观察依据

   左侧天数标签从第5天变为第6天、第7天和第8天，同时黄色与蓝色柱状图随之更新。

2. 图示
   观察依据

   标有“晴天”的黄色圆圈和标有“雨天”的蓝色圆圈固定于柱状图下方。

1. 标题“收敛至稳态”

2. 左侧天数标签

3. 黄色晴天柱状图

4. 蓝色雨天柱状图

5. 黄色晴天圆圈

6. 蓝色雨天圆圈

7. 底部方程 $π = π \cdot P$

8. 后续出现的分数标注 ≈ $2/3$ 和 ≈ $1/3$

1. 日期标签从第5天推进到第8天。

2. 晴天百分比从66% 变为67%。

3. 雨天百分比从34% 变为33%。

4. 分数标注 ≈ $2/3$ 和 ≈ $1/3$ 出现在第8天的条形图旁。

1. 两个状态标签“晴天”和“雨天”始终保留在屏幕上。

2. 方程 $π = π \cdot P$ 始终可见。

3. 颜色编码保持一致：黄色代表晴天，蓝色代表雨天。

动画展示了概率分布的迭代演化过程，直至达到稳定的极限分布形态。

1. 公式
   观察依据

   底部中央持续显示 $π = π \cdot P$。

1. 方程 $π = π \cdot P$

1. 该方程在整个片段中保持不变。

该公式将极限分布识别为右乘转移矩阵后的不动点。

1. 声音
   观察依据

   讲述者对比了“仅依赖当下，不依赖过去”这一说法，并随后重复强调“不依赖昨天”。

2. 字幕依据
   观察依据

   屏幕文字显示：“只有今天重要，昨天不重要。”

人们可能认为明天的天气会依赖于更长一段过去日期的序列。

视频明确陈述了马尔可夫性质的定义：明天状态的概率仅依赖于今天的状态，而不依赖于昨天或更早的历史。

1. 声音
   观察依据

   讲述者说：“注意，我们可以停留在同一状态。晴天之后可能仍是晴天。”

2. 动画
   观察依据

   晴天和雨天两个状态上均画出了自环。

学习者可能认为马尔可夫链在每一步都必须转移到一个不同的状态。

该图示包含自环，表明停留在同一状态是一种合法的转移，且具有正概率。

1. 声音
   观察依据

   讲述者说：“每一行代表起始状态，每一列代表终止状态。”

2. 公式
   观察依据

   矩阵周围标有行与列标签 S 和 R。

有人可能误将列理解为起始状态、行理解为终止状态。

视频明确定义了约定：行索引表示当前状态，列索引表示下一状态，因此第(i,j)项表示从状态i转移到状态j的概率。

1. 声音
   观察依据

   讲述者指出，从每个状态出发的概率之和必须等于1，随后又说明每一行之和等于1。

2. 公式
   观察依据

   屏幕上显示的验算式为$0.8+0.2=1$和$0.6+0.4=1$，紧接着字幕为“每一行之和等于1”。

学习者可能误以为应是列而非行之和等于1。

在此约定下，归一化条件适用于行，因为每一行列出了从某一固定起始状态出发的所有可能去向。

1. 声音
   观察依据

   讲述者引入初始状态分布，并说道：“假设我们对今天的天气完全不确定：50% 晴天，50% 雨天。”

2. 公式
   观察依据

   屏幕显示 $π=[0.5,0.5]$。

有人可能认为马尔可夫链分析仅在当前状态被确切知晓时才开始。

视频表明，我们可以从一个状态上的概率分布出发，此处为$50/50$，然后随时间演化该分布。

1. 动画
   观察依据

   柱状图显示67% 和 33%，而独立标注则显示 ≈ $2/3$ 和 ≈ $1/3$。

看到67% 和 33% 可能会让观众误以为这些小数就是精确的稳态值。

视频通过书写 ≈ $2/3$ 和 ≈ $1/3$，将四舍五入后的百分比与近似分数区分开来，表明所提示的精确极限值是$2/3$ 和 $1/3$，而非四舍五入后的小数本身。

1. 声音
   观察依据

   解说员称，无论从何处出发，收敛都会发生，但仅针对当前讨论的这个例子。

2. 图示
   观察依据

   仅展示了一个含两个状态的天气示例。

有人或许会从这个简短片段中推断：每个马尔可夫链必然收敛到一个唯一的稳态。

本片段通过一个具体的两状态例子演示了收敛性，并给出了稳态方程，但并未给出适用于所有马尔可夫链的一般条件。

1. 声音
   观察依据

   解说首先引入状态概念，接着说明每天天气都会从一个状态转移到另一个状态。

2. 动画
   观察依据

   节点先出现，之后才添加箭头。

转移关系仅在状态空间被引入之后才被定义；图中的箭头连接的是此前已命名的状态。

1. 动画
   观察依据

   概率数值被标注在已经画出的箭头上。

2. 声音
   观察依据

   解说员在描述完可能的转移之后说：“我们来添加数字。”

定量的转移概率被附加到图中已展示的定性转移结构上。

1. 公式
   观察依据

   和式$0.8+0.2=1$与$0.6+0.4=1$直接根据图中显示的各状态出边概率写出。

2. 声音
   观察依据

   解说员在赋予概率数值后立即解释这些和式。

行和条件是每个状态对应的出边转移概率集合所具有的直接性质。

1. 声音
   观察依据

   解说员指出，转移矩阵编码了所有这些信息。

2. 公式
   观察依据

   矩阵中的元素与箭头上的标签完全一致。

对于这个有限的例子，带标签的转移图与矩阵 P 包含完全相同的一步概率信息。

1. 声音
   观察依据

   马尔可夫链的定义以及后文对关键性质的陈述，均强调仅依赖于当前状态。

本片段中马尔可夫链概念的核心特征，正是作为命题给出的马尔可夫性质。

1. 公式
   观察依据

   矩阵 P 在更新规则 $\pi = \pi \cdot P$ 出现之前即被引入。

2. 动画
   观察依据

   每日分布变化是在矩阵定义完成之后才呈现的。

转移矩阵是将状态分布从一天推进到下一天所用的算子。

1. 公式
   观察依据

   初始向量 $\pi=[0.5,0.5]$ 在更新规则和动态演示的每日变化之前即已展示。

2. 声音
   观察依据

   讲述者先引入初始分布，再提问：随着时间向前推进，会发生什么？

在迭代应用更新规则并观察其随时间收敛之前，必须先给定一个起始分布。

1. 动画
   观察依据

   反复更新产生了一组百分比序列，其稳定趋势清晰可见。

2. 字幕依据
   观察依据

   该小节标题为“收敛至稳态”。

1. 精确的稳态值并未在本片段中完整求出，因此此处关联的是收敛思想，而非一条完整陈述的定理。

反复进行分布更新，便会产生最终章节中所展示的、向稳态趋近的明显收敛现象。

1. 声音
   观察依据

   讲述者将天气例子与短语“同一个稳态”联系起来，再进一步联系到“马尔可夫链的工作方式”。

2. 公式
   观察依据

   公式 $π = π \cdot P$ 显示在天气状态图示下方。

本片段利用两状态天气例子来应用并阐释抽象的稳态定义 $π = π \cdot P$。

1. 声音
   观察依据

   讲述者首先指出概率会逐渐趋近于某些特定值，随后将该极限称为稳态。

2. 动画
   观察依据

   逐日柱状图趋近于后续标注为 ≈ $2/3$ 和 ≈ $1/3$ 的数值。

关于收敛性的陈述，正是本例中稳态思想的动态体现：迭代后的分布趋近于不动点 π。

1. 声音
   观察依据

   讲述者称，无论初始状态如何，收敛都会发生。

关于初始状态无关性的论断，依赖于该例子中分布所表现出的收敛行为。

1. 声音
   观察依据

   讲述者定义了马尔可夫链，并陈述了其关键性质。

2. 字幕依据
   观察依据

   文字强调：“只有今天重要，昨天并不重要。”

1. 马尔可夫链的定义
2. 马尔可夫性

1. 声音
   观察依据

   讲述者介绍了状态与转移，包括停留在同一状态的情形。

2. 动画
   观察依据

   在“晴天”和“雨天”之间画出了自环箭头与交叉箭头。

1. 天气模型的状态
2. 转移与自环

1. 公式
   观察依据

   展示了求和式$0.8+0.2=1$和$0.6+0.4=1$，随后注明：“每行之和为1”。

2. 声音
   观察依据

   讲述者解释了为何从每个状态出发的概率之和必须为1。

1. 一步转移概率
2. 转移概率的行和性质
3. 转移矩阵表示法
4. 每个状态的总概率

1. 声音
   观察依据

   讲述者指出：矩阵的行代表起始状态，列代表终止状态。

2. 公式
   观察依据

   该矩阵在横轴与纵轴上均标有 S 和 R。

1. 转移矩阵表示法
2. P
3. p_{ij}
4. S, R

1. 公式
   观察依据

   屏幕上显示 $π = [0.5,0.5]$。

2. 声音
   观察依据

   讲述者称其为初始状态分布。

1. 初始状态分布
2. $\pi$

1. 公式
   观察依据

   屏幕上显示的规则是 $π = π \cdot P$。

2. 动画
   观察依据

   逐日柱状图的变化遵循该规则的重复应用。

1. 本片段未明确引入时间下标，但动画清晰地展示了迭代过程。

1. 更新状态分布
2. $\pi = \pi \cdot P$
3. 从第0天到第1天的分布更新
4. 从第1天到第2天的分布更新
5. 从第2天到第3天的分布更新

1. 字幕依据
   观察依据

   本节标题为“收敛至稳态”。

2. 动画
   观察依据

   分布序列随天数增加而趋近于一种更稳定的划分。

1. 在片段结束前，未给出确切的极限分布。

1. 趋向稳态的趋势
2. 状态分布随时间的演化

1. 公式
   观察依据

   公式 $π = π \cdot P$ 显示在屏幕上。

2. 声音
   观察依据

   讲述者提及“同一个稳态”。

1. 马尔可夫链的稳态
2. 逐日分布的收敛性

1. 动画
   观察依据

   最后一帧显示67% ≈ $2/3$，且33% ≈ $1/3$。

2. 声音
   观察依据

   旁白说：三分之二为晴天，三分之一为雨天。

1. 逐日分布的收敛性
2. 天气马尔可夫链收敛示例

1. 声音
   观察依据

   旁白说：无论从何处开始，分布都会收敛到同一个稳态。

1. 无论初始分布如何，均收敛至同一稳态
2. 逐日分布的收敛性

1. 声音
   观察依据

   旁白总结道：“这基本上就是马尔可夫链的工作方式。”

1. 两状态天气马尔可夫链示例
2. 马尔可夫链的稳态
3. 逐日分布的收敛性