每日一式 · No.014
✦ 第三季 · 兩季合流
π = P·π
馬可夫鏈 · Markov Chains
明天只看今天,不問昨天 —— 而命運的終點 π,是一支 λ=1 的特徵向量。
📜 公式的身世
一場神學吵架的產物
這條鏈,是吵架吵出來的。莫斯科數學家涅克拉索夫宣稱:大數法則需要獨立性,而社會統計符合大數法則,可見人的行為彼此獨立 —— 這證明了自由意志。聖彼得堡的馬可夫被激怒的點是數學:獨立,根本不是收斂的必要條件。為了證明,他發明「每一步只依賴上一步」的鏈,並徒手清點普希金《葉甫蓋尼·奧涅金》前兩萬個字母的母音子音交替,示範不獨立照樣收斂。一場神學與數學的隔空互毆,生出了今天搜尋引擎與語言模型的共同祖先 —— 至於自由意志?它沒被打倒,被打倒的只是那個站不住的論證。
🌍 它今天在哪裡上工
⌨️
輸入法的讀心術 —— 打「今天天氣」跳出「很好」 —— 輸入法用馬可夫鏈記住哪個字最常接哪個字;你的注音選字,每天都在跑鏈。
🤖
ChatGPT 的遠祖 —— 「看前文、猜下一個」這副骨架,從馬可夫數母音,到手機選字,再到大型語言模型 —— 一脈相承。
🧬
基因序列比對 —— 生物資訊用隱馬可夫模型找基因的起點與終點 —— DNA 也是一條「這一步依賴上一步」的鏈。
先看清楚門面上這條式子:它就是昨天的皇冠 Av = λv,只是 λ = 1。這不是巧合 —— 今天整堂課,就是第二季(機率)與第三季(矩陣)在同一條鏈上相遇的故事。
🔗馬可夫鏈 = 健忘的隨機過程:下一步的機率,只取決於「現在在哪」,完全不問「怎麼來的」。像一條鏈子 —— 每一環,只扣著上一環。
四章:先開一台活天氣機感受「健忘」;再把單一走者升級成整包機率分布(矩陣乘法上工);然後揭曉命運的終點 —— 穩態 = λ=1 的特徵向量,連收斂快慢都由第二特徵值 λ₂ 說了算;最後把整個網際網路讀成一座天氣系統:PageRank,全劇終。
Part 1 · 拉了就懂（白話）
I
第一章 · 活天氣機：明天只看今天
兩顆狀態、四支箭頭的機率 —— 一座城市的氣候，全部的規則就這麼多。
🌦️造一座玩具城市:天氣只有 ☀️ 晴 與 🌧 雨。規則只有兩條:晴天之後 80% 續晴、20% 轉雨;雨天之後 50% 放晴、50% 續雨。注意這台機器的健忘:它不在乎「已經連晴八天」還是「昨天才下過」—— 明天的骰子,只看今天的天空。按「走一天」,看光點在兩顆狀態之間跳,底下長出這座城市的天氣史。
互動 · 光點 = 今天 · 底部色帶 = 最近 40 天的天氣史
玩玩看，注意這些
- 連按「走 30 天」幾次:天氣史有連晴的長段、偶爾的雨串 —— 隨機但有紋理,因為「黏性」寫在箭頭上。
- 盯著「歷來晴天比例」:一開始亂晃,走幾百天後穩穩貼近 71% 左右 —— 這座城市似乎有個「氣候常數」。它是誰?第三章揭曉(你可能已經猜到它姓什麼)。
- 把兩顆黏性都拉高(0.95 / 0.90):天氣變成長長的連晴與長長的連雨 —— 同樣的機器,不同的個性。
🎰 跟 009 的賭徒謬誤對個帳:輪盤每一轉是「零階」—— 連過去一步都不記;馬可夫鏈是「一階」—— 恰好記一步。天氣、棋局、打字下一個字,多半至少一階;而「連晴八天所以該下雨了」仍然是謬誤 —— 這台機器連八天前都不知道。
一句話帶走:馬可夫鏈 = 只記現在的隨機過程;全部規則塞在幾支「轉移機率」箭頭裡 —— 而長期比例,似乎自有主張。
II
第二章 · 分布的旅程：明天的機率 = P × 今天的機率
從「一個走者」升級成「整包分布」—— 矩陣乘法，正式上工。
📦換個視角:別追一個走者,改追一整包機率 p = (p晴, p雨) —— 像同時放出一萬座平行城市,問「明天有幾成是晴的」。答案一行寫完:p明天 = P · p今天,其中 P = [0.8 0.5 / 0.2 0.5]。用加課的欄觀讀它:P 的第一欄 = 「今天晴」的去向配方、第二欄 = 「今天雨」的 —— 轉移矩陣,就是把所有配方裝訂成冊。一天 = 一次矩陣乘法。
互動 · 上：今天的分布 · 下:p晴 的收斂軌跡（虛線 = 神祕的 71.4%）
第 n 天0
分布 p = (p晴, p雨)(1.000, 0.000)
距神祕終點 71.43%—
玩玩看，注意這些
- 從 100% 晴出發,連按推進:p晴 0.8 → 0.74 → 0.722 → … 一路滑向 71.4%,然後釘死不動。
- 切到 100% 雨重來:0 → 0.5 → 0.65 → … 爬向同一個 71.4%。對半出發?也是。殊途同歸 —— 這條鏈會忘記自己的出身。
- 到了 71.43% 之後再按推進:紋絲不動 —— P·p = p,分布被乘了卻沒變。這句話用第三季的語言再唸一次:p 是 P 的特徵向量,λ = 1。下一章正式加冕。
一句話帶走:整包分布的一天 = 一次矩陣乘法 p′ = P·p(欄 = 去向配方);不管從哪出發,都流向同一個不動點 —— 而「不動」的數學名字,我們昨天才學過。
Part 2 · 帶入深度
III
第三章 · 命運 = λ=1 的特徵向量;快慢 = λ₂ 說了算
穩態 π 滿足 P·π = π —— 皇冠上工;第二特徵值決定「幾天忘記出身」。
👑把謎底攤開:那個 71.43%,是方程 P·π = π 的解 —— 穩態 π 就是轉移矩陣「λ=1 的特徵向量」,昨天的皇冠,今天上班。而且驚喜還有一半:2×2 轉移矩陣的另一個特徵值 λ₂ = P(晴→晴) − P(雨→晴),它管的是收斂速度 —— 每過一天,「距離穩態的誤差」就乘一次 λ₂。拉動下面兩顆氣候旋鈕,看命運(π)與健忘的速度(λ₂)怎麼一起變。
互動 · 上：穩態 π · 下:從 100% 雨出發的收斂軌跡（解析解）
穩態 π晴 = P(雨→晴)/(1−a+P(雨→晴))—
第二特徵值 λ₂—
誤差減半約需—
玩玩看，注意這些
- 預設 λ₂ = 0.3:誤差每天剩三成,不到一天就減半 —— 這座城市極快忘記出身。
- 把兩顆黏性都拉高(0.95/0.95):λ₂ → 0.9,收斂曲線變成漫長的爬坡,減半要 6.6 天 —— 頑固的氣候,健忘得慢。混合時間,就是這個。
- 戲肉:把 P(雨→雨) 拉到 0.05、P(晴→晴) 也 0.05 —— λ₂ ≈ −0.9:收斂曲線變成鋸齒!晴雨幾乎逐日交替(準週期),一邊震盪一邊靠岸。λ₂ 的正負 = 單調滑入 vs 震盪靠岸。
✦ 兩件事,各一行證明。其一,λ=1 為何必是特徵值:轉移矩陣每欄和 = 1(機率守恆),所以列向量 (1,1) 滿足 (1,1)·P = (1,1) —— 加課的列觀上工,1 進了特徵值名單。其二,為何收斂:把出發分布戴上 013 的對角化眼鏡拆開 —— p = π + c·v₂,於是 Pⁿp = π + c·λ₂ⁿ·v₂;只要 |λ₂| < 1,第二項天天縮水,終點只剩 π。健忘,是特徵值在打折。
一句話帶走:穩態 π = λ=1 的特徵向量(命運);|λ₂| = 每天的誤差折扣率(健忘速度);λ₂<0 則震盪靠岸。皇冠與眼鏡,雙雙上工。
IV
第四章 · PageRank：把整個網路讀成一座天氣系統
網頁 = 狀態、連結 = 轉移箭頭、排名 = 穩態 π —— 013 的預告，正片上映。
🏄1998 年,兩個博士生做了一個大膽的翻譯:網頁 = 天氣狀態,超連結 = 轉移箭頭 —— 一位「隨機衝浪者」在頁面間亂點,整個網際網路就成了一座巨型天氣系統。那麼「這一頁有多重要」?答案優雅到不像話:重要性 = 你長期被造訪的機率 = 穩態 π 的分量。「被重要頁面連到的頁面更重要」這句繞口的循環定義,被一支 λ=1 的特徵向量一次解開。
互動 · 五頁迷你網路 · 衝浪者亂點，長條 → 排名
已衝浪步數0
目前第一名—
與理論 π 的最大差距—（先按 👑）
怎麼看這張圖
- 連按「×50」幾次:各頁的造訪長條漸漸定形 —— 按「👑」對答案:長條貼上金色刻度,π = (2/7, 1/7, 2/7, 1/7, 1/7)。A 與 C 並列榜首:不是連結最多的贏,是被「重要的頁」餵流量的贏。
- 這就是第二章「殊途同歸」+ 013「冪迭代」的工業版:Google 對幾百億頁的矩陣反覆施工,收斂速度由 λ₂ 把關。
- 真實版還加一味:阻尼 0.15 —— 衝浪者偶爾隨機跳去任何一頁,治好死路與孤島,順便保證 λ₂ 夠小、收斂夠快。
最後,這條鏈在世界各處值班 ——
🔁MCMC · 替貝氏跑腿（兩季握手）
010 的後驗分布常常算不動 —— 現代做法:精心設計一條馬可夫鏈,讓它的穩態恰好 = 後驗,放走者去逛,樣本就是答案。貝氏統計的引擎室。
⌨️語言模型的祖先
「下一個字只看前幾個字」的 n-gram 就是馬可夫鏈 —— 從輸入法選字到 GPT 的家譜,第一頁寫著 Markov（1913 年他數的是普希金詩裡的母音子音）。
🎲蛇梯棋
純運氣桌遊 = 100 格的馬可夫鏈 —— 可以精算「平均 39.2 步到終點」,不必真的擲一萬次。
🃏洗牌 7 次定理
交錯式洗牌是牌序空間上的馬可夫鏈;數學家算出混合時間 ≈ 7 次 —— 少於 7,牌局仍留著上一局的記憶。
一句話帶走:PageRank = 網路這座天氣系統的穩態;排名 = 長期被造訪的機率 = λ=1 特徵向量的分量。從天氣到 Google,是同一條鏈。
兩季合流,收成一句話 ——
馬可夫鏈:只記今天的隨機過程。
一天,是一次矩陣乘法(加課上工);
命運,是 λ=1 的特徵向量(皇冠上工);
健忘的速度,是 |λ₂| 在打折(眼鏡上工);
而 Google,把整個網路讀成了一座天氣系統。
機率給了它骰子,線性代數給了它終點 ——
兩季,在一條鏈上合而為一。