马尔科夫链
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
17
为了进行天气预报，人们通常关心的是在 过去和当前的气候状态已知条件下来预测将 来的天气状态。若以表t今天，s表明天 （s>t），A表过去所处的气候状态，则由积 累的气象资料来获得条件概率分布列
P{x(s)=j|x(t)=i,A}
是十分需要的。因为它表示了在过去状态为 A、当前（今天）状态为i已知的条件下，将 来（明天）状态为的可能性（其中i与j均可取 0，1，2，3中的任一种）。
7
3 泊松过程（泊松流）及其模拟
3.1 泊松流的概念 泊松流(即泊松过程)常用来描述一个随机质点流 的状态变化过程。 随机质点流指源源不断地随机地到达某目标的一 串质点，如：到商场的顾客流、到达工厂的定单 流，网络上到达某节点的数据流等。 单位时间内到达目标的泊松流质点数目服从泊松 分布：
λk − λ P( x = k ) = e (λ > 0, k = 0,1,2...) k!
的第i0 行取出各元素 Pi00 Pi01 … Pi0m 即可。
28
有了x(1)的条件分布列，就可以直接按照上一节对 离散型随机变量的一般模拟法来求取x(1)的样本值i1。 其具体做法为首先取伪随机数u1，然后选取数i1，使满 足不等式
∑ Pi 0 j < u 1 ≤ ∑ Pi 0 j
P{x(1)=j|x(0)= i0}=Pi0j (j=0,1,2,…)
27
是已知的，这只须从矩阵
P P P P
0 0
P P P P
0 1
… … … …
P P
0 m
:
i0 0
:
i0 1
:
1 m
P=
:
in 0
:
in 1
: P P
in m
:
m 0
:
m 1
:Hale Waihona Puke m m24与前同理，应有关系式
P10 + P11 + P12 + P13 =1 P20 + P21 + P22 + P23 =1 P30 + P31 + P32 + P33 =1
显然，若我们将天气状态的变化过程 {x(t),t=0,1,2,…}理想地看作齐次马氏链的话，只要 给出了转移矩阵，则无论当前的状态i取0，1，2，3 中的哪一个，均可以从转移矩阵P中找出相应的一 行来进行比较，从而得到预测值。
10
3.3 泊松流的模拟 泊松流的模拟，其实质就是要通过计算机获取泊 松流的样本函数。由泊松流的特性可知，泊松流的 样本函数均是跃度为1的递增阶梯函数。
11
泊松流模拟方法一：
基于泊松流的特征 平稳性：在时间区间[t,t+∆t]内，到达质点的平均数为λ∆t； 普遍性：则在时间区间[t,t+∆t]内，质点的到达成为简单事 件，有一个质点到达的概率为λ∆t，没有质点到达的概率为 1- λ∆t； 独立性：则整个时间段内顾客的到达成为若干相互独立的 简单事件的总和。
26
根据上述设想，对一个具有状态空间E={0，1， 2，…}的转移矩阵 P=
P 00 P 01 P 02 … P 0m P 10 P 11 P 12 … P 1m : : : : P P P P m 0 m 1 m 2 … m m
的齐次马氏链{x(t),t=0,1,2,…}实施模拟的具体步骤 如下： （1）设x(0)由初始状态i0，即x(0)=i0 。 （2）求x(1)的样本R1。考虑到状态x(0)=i0已发生， 故在 x(0)=i0 已发生的条件下x(1)的条件分布列
P{x(s)=j|x(t)=i,A}= P{x(s)=j|x(t)=i}
对任何s>t及i∈E，j∈E成立，即与过去状 态A无关，则称该随机过程为马氏链，并将 上述特性成为马氏链性或无后效性。
20
马氏性指出了这样一个事实：“如果我们知 道了系统在任一时刻的状态，就以此预测从 这以后的任何未来时刻的状态变化过程，至 于在这以前，系统是怎样到达此状态的经历 是无关紧要的。”或简单地说“给定现在，将 来与过去独立”，这就是马氏链的本质特性。 自然科学与社会科学的很多现象都具有上述 特性，如仓库前卡车排队长度的变化过程， 产品销售的变化过程等。
25
4.2 齐次马氏链的模拟 齐次马氏链{x(t),t=0,1,2,…}中的一列随机变量x(0), x(1), x(2),…如果是相互独立的话，我们就可以按照上一节的 方法将每个随机变量独立地逐个进行模拟，并获取其样 本值。但事实上问题并非如此简单，原因在于马氏链的 各个随机变量x(l)与x(h)之间并非是相互独立的 （l≠h），而是满足一定的相依关系---马氏链。但好在 这种马氏性所满足的相依关系是比较微弱的，它只要求 每一时刻s的状态仅依赖于上一时刻t=s-1的状态，即 x(n+1)依赖于x(n)，x(n)依赖于x(n-1)，…，x(2)依赖于 x(1)，x(1)依赖于x(0)，因此为获取齐次马氏链的一个样 本，只需要由t=0时的初始状态x(0)=i0 及转移矩阵P来决 定x(1)之样本i1,再由i1及P来决定x(2)之样本i2，由in及P来 决定x(n+1)的样本in+1……
P=
P00 P10 P20 P30
P01 P02 P03 P11 P12 P13 P21 P22 P23 P31 P32 P33
称为齐次马氏链的转移矩阵（更确切地说是一步转 移矩阵，其“一步”的含义是由于有s=t+1，即将来与 现在时刻仅差一个单位）。
23
在此转移矩阵P中，第一行元素 P00 P01 P02 P03 表征了在当前状态为0的状态下，未来状态分别取0， 1，2，3的概率。考虑到未来状态亦只能取这四个状态 中的一个，故应有
P00 + P01 + P02 +P03
同样，转移矩阵P中的第二行元素
=1
P10 P11 P12 P13
表征了在当前状态为1的条件下，未来状态分别取0，1， 2，3的概率，其余类推。
P{x(t+1)=j|x(t)=i,A}
与过去历史A无关，与当前时刻t无关，从而只与当 前时刻t所处的状态i以及将来（明天或其他）状态j 有关，故可以简记为 其中i和j可取状态空间E中任一状态，
Pij=P{x(t+1)=j|x(t)=i,A}
22
如天气预报中i与j可取0、1、2、3中的任一状态。 若将中Pij 中i与j所取的状态一一列举出来，并按照一 定的次序排列起来，可得：
3
函数概念与随机过程概念的对比：
确定性现象中：
随时间t变化的一族数值 构成函数Y(t)，每个固定 值t确定一个数值Y。 t的变化范围称定义域， Y(t)的取值范围称值域。
随机性现象中：
随时间t变化的一族随机变量 构成随机过程Y(t)，每个固 定值t确定一个随机变量Y。 t的取值范围T称参数集， Y(t)的取值范围E称状态空 间。
j =0 j =0
i 1−1
i1
于是有x(1)的样本R1 = i1。
⑶求x(2)的样本R2 。与上同理，由于x(1)= i1已发生， 故在x(1)= i1已发生条件下x(2) 的条件分布列是已知的， 这只须从转移矩阵P中取出第i1行的全部元素 即可，然后按照对离散型随机变量的一般模拟法来求取 x(2)的样本值。
18
例如若已知有 P{x(s)=0|x(t)=i,A}=0.8 P{x(s)=1|x(t)=i,A}=0.1 P{x(s)=2|x(t)=i,A}=0.05 P{x(s)=3|x(t)=i,A}=0.05 则人们当然可以预言明天的气候状态为0（雨 天）。
19
一般情况下，当当前状态已知的条件下， 将来的状态可能与过去所处的状态A有关， 也可能无关。若随机过程{x(t),t=0,1,2,…}的条 件概率满足关系式
8
描述泊松流概率特征的符号：
N(t)：[0,t]时间内，到达某目标的质点数； Sn：第n个质点到达目标的时刻(n＝1，2，…)； Tn：第n个质点与其前一质点的相继到达间隔时间。 {N(t),t≥0｝描述了随着t的变化，在[0,t]时间区间内到达 目标质点数的变化过程； {Sn,n＝1,2,……}描述了随着到达目标的先后次序，质点到 达时刻的变化过程； {Tn,n＝1,2,……}则描述了随着到达次序的变化，相继到 达目标的两质点到达时间间隔的变化过程。
1 λ
14
基于模拟方法二的模拟抽样流程：
，t=0
λ-1
t
15
4. 马尔科夫链
1、马氏链的基本概念 2、齐次马氏链的模拟 3、应用举例
16
4.1马氏链的基本概念
研究随机过程的主要目的之一是用来预测未来。 现以逐日考察的气象预报为例，当设x(t)表示t时刻 广州天气的状态，并以0、1、2、3分别代表四种气 候状态：雨天、晴天、阴天、多云，即有x(t)=0表 示t时刻广州为雨天；x(t)=1表示t时刻广州为晴天； x(t)=2表示t时刻广州为阴天；x(t)=3表示t时刻广州 为多云。则当t取0、1、2、…、365时，x(t)=i就表 示了自今天开始以后的一年中广州每天天气的状态i （i=0、1、2、3）。于是随机过程{x(t),t=0,1,2,…} 就描述了自今天开始以后的一年中广州天气的变化 过程。显然此随机过程有离散状态空间E={0，1， 2，3}与离散参数集（时间集）T={0，1，2，…}， 故它是时间离散、状态离散的链。
9
3.2 泊松流的特征及其性质 n 泊松流概率特征： 1)独立性：在互不相交的时间区间内到达目标的质 点数是相互独立的； 2)平稳性：对于充分小的△t＞0，在时间区间[t,t＋ △t]内有一个质点到达目标的概率与时间起点t无 关，而仅与△t长度成正比； 3)普遍性：对于充分小的△t＞0，在时间区间[t,t＋ △t]内有一个以上质点到达目标的概率几乎为0。 n 泊松流的基本性质： 强度为λ的泊松流，其相邻 质点到达间隔时间服从参数为λ的负指数分布。
•按照参数集（T）和状态空间（E）的类型，可分为：
离散参数链,非离散参数链,随机序列,随机函数
•根据概率结构，随机过程可以划分为：
独立增量过程，平稳过程，非平稳过程，马尔可夫过 程等 如：泊松过程属T连续，E离散的平稳过程。 马尔可夫链是T和E均离散的马尔可夫过程。
6
2 随机过程的模拟
•随机变量模拟的实质： 通过计算机获取随机变量的样本，在一次 实验中表现为一个数值。 •随机过程模拟的实质： 通过计算机实验获取随机过程的一个样本函 数。
第13章 马尔科夫链 （Markov Chains）
1
1 随机过程的基本概念
在不少随机现象中，不仅需考虑在某一时 刻下的系统状态，而且要研究该系统状态随时 间推移而发生的发展变化过程。 例如： 卡车装运系统 电话交换系统 城市交通交叉路口
2
随机现象发展变化过程如何进行描述 ？
某固定时刻t下随机现象状态的描述： 随机变量 当t在某时间区间内连续发生变化时，单个或多个 随机变量不足以表示随机现象的发展变化过程。 则：当t在某区间(a，b)内连续变化时，必须 用一族无限多个随机变量来描述。这一族无限多 个随机变量的总称就是随机过程。
因此，随机过程可以看作依赖于时间t的 由随机变量构成的函数。
4
随机过程的描述符号： ｛Y(t)，t∈T } 随机过程的定义：
设T为参数集，若对于每一个t∈T，均有一 个随机变量Y(t)与其对应，则将这一族依赖 于t的随机变量的全体称为随机过程，记作 ｛Y（t)，t∈T｝，或简记作YT。
5
随机过程的分类：
因此，逐个考察各∆t子区间内质点到达与否 即可获取泊松流在[0，T]内的一列到达时刻，进 而得到泊松流的一个样本函数。
12
基于模拟方法一的模拟抽样流程：
13
泊松流模拟方法二： 根据泊松流的基本性质，各质点的相继到达 时间间隔t1，t2，……是相互独立且服从同一参 数λ的负指数分布，而负指数分布随机数由计算 机抽样获得，进而可以计算各质点的到达时刻， 得到泊松流的一个样本函数。
21
在马氏链{x(t),t=0,1,2,…}中当s=t+1时，条件概率 P{x(t+1)=j|x(t)=i}，一般来说不仅依赖于状态i与j， 而且依赖于当前时刻t，但若该马氏链的条件概率与 当前时刻t无关，则称此特殊的马氏链为齐次马氏 链，或者说该马氏链是齐次的。马氏链的齐次性反 映了这样一个事实：无论从什么时刻开始，系统未 来的状态变化过程的统计规律总是一致的。 在其次马氏链{x(t),t=0,1,2,…}中，由于条件概率
为了进行天气预报，人们通常关心的是在 过去和当前的气候状态已知条件下来预测将 来的天气状态。若以表t今天，s表明天 （s>t），A表过去所处的气候状态，则由积 累的气象资料来获得条件概率分布列
P{x(s)=j|x(t)=i,A}
是十分需要的。因为它表示了在过去状态为 A、当前（今天）状态为i已知的条件下，将 来（明天）状态为的可能性（其中i与j均可取 0，1，2，3中的任一种）。
7
3 泊松过程（泊松流）及其模拟
3.1 泊松流的概念 泊松流(即泊松过程)常用来描述一个随机质点流 的状态变化过程。 随机质点流指源源不断地随机地到达某目标的一 串质点，如：到商场的顾客流、到达工厂的定单 流，网络上到达某节点的数据流等。 单位时间内到达目标的泊松流质点数目服从泊松 分布：
λk − λ P( x = k ) = e (λ > 0, k = 0,1,2...) k!
的第i0 行取出各元素 Pi00 Pi01 … Pi0m 即可。
28
有了x(1)的条件分布列，就可以直接按照上一节对 离散型随机变量的一般模拟法来求取x(1)的样本值i1。 其具体做法为首先取伪随机数u1，然后选取数i1，使满 足不等式
∑ Pi 0 j < u 1 ≤ ∑ Pi 0 j
P{x(1)=j|x(0)= i0}=Pi0j (j=0,1,2,…)
27
是已知的，这只须从矩阵
P P P P
0 0
P P P P
0 1
… … … …
P P
0 m
:
i0 0
:
i0 1
:
1 m
P=
:
in 0
:
in 1
: P P
in m
:
m 0
:
m 1
:Hale Waihona Puke m m24与前同理，应有关系式
P10 + P11 + P12 + P13 =1 P20 + P21 + P22 + P23 =1 P30 + P31 + P32 + P33 =1
显然，若我们将天气状态的变化过程 {x(t),t=0,1,2,…}理想地看作齐次马氏链的话，只要 给出了转移矩阵，则无论当前的状态i取0，1，2，3 中的哪一个，均可以从转移矩阵P中找出相应的一 行来进行比较，从而得到预测值。
10
3.3 泊松流的模拟 泊松流的模拟，其实质就是要通过计算机获取泊 松流的样本函数。由泊松流的特性可知，泊松流的 样本函数均是跃度为1的递增阶梯函数。
11
泊松流模拟方法一：
基于泊松流的特征 平稳性：在时间区间[t,t+∆t]内，到达质点的平均数为λ∆t； 普遍性：则在时间区间[t,t+∆t]内，质点的到达成为简单事 件，有一个质点到达的概率为λ∆t，没有质点到达的概率为 1- λ∆t； 独立性：则整个时间段内顾客的到达成为若干相互独立的 简单事件的总和。
26
根据上述设想，对一个具有状态空间E={0，1， 2，…}的转移矩阵 P=
P 00 P 01 P 02 … P 0m P 10 P 11 P 12 … P 1m : : : : P P P P m 0 m 1 m 2 … m m
的齐次马氏链{x(t),t=0,1,2,…}实施模拟的具体步骤 如下： （1）设x(0)由初始状态i0，即x(0)=i0 。 （2）求x(1)的样本R1。考虑到状态x(0)=i0已发生， 故在 x(0)=i0 已发生的条件下x(1)的条件分布列
P{x(s)=j|x(t)=i,A}= P{x(s)=j|x(t)=i}
对任何s>t及i∈E，j∈E成立，即与过去状 态A无关，则称该随机过程为马氏链，并将 上述特性成为马氏链性或无后效性。
20
马氏性指出了这样一个事实：“如果我们知 道了系统在任一时刻的状态，就以此预测从 这以后的任何未来时刻的状态变化过程，至 于在这以前，系统是怎样到达此状态的经历 是无关紧要的。”或简单地说“给定现在，将 来与过去独立”，这就是马氏链的本质特性。 自然科学与社会科学的很多现象都具有上述 特性，如仓库前卡车排队长度的变化过程， 产品销售的变化过程等。
25
4.2 齐次马氏链的模拟 齐次马氏链{x(t),t=0,1,2,…}中的一列随机变量x(0), x(1), x(2),…如果是相互独立的话，我们就可以按照上一节的 方法将每个随机变量独立地逐个进行模拟，并获取其样 本值。但事实上问题并非如此简单，原因在于马氏链的 各个随机变量x(l)与x(h)之间并非是相互独立的 （l≠h），而是满足一定的相依关系---马氏链。但好在 这种马氏性所满足的相依关系是比较微弱的，它只要求 每一时刻s的状态仅依赖于上一时刻t=s-1的状态，即 x(n+1)依赖于x(n)，x(n)依赖于x(n-1)，…，x(2)依赖于 x(1)，x(1)依赖于x(0)，因此为获取齐次马氏链的一个样 本，只需要由t=0时的初始状态x(0)=i0 及转移矩阵P来决 定x(1)之样本i1,再由i1及P来决定x(2)之样本i2，由in及P来 决定x(n+1)的样本in+1……
P=
P00 P10 P20 P30
P01 P02 P03 P11 P12 P13 P21 P22 P23 P31 P32 P33
称为齐次马氏链的转移矩阵（更确切地说是一步转 移矩阵，其“一步”的含义是由于有s=t+1，即将来与 现在时刻仅差一个单位）。
23
在此转移矩阵P中，第一行元素 P00 P01 P02 P03 表征了在当前状态为0的状态下，未来状态分别取0， 1，2，3的概率。考虑到未来状态亦只能取这四个状态 中的一个，故应有
P00 + P01 + P02 +P03
同样，转移矩阵P中的第二行元素
=1
P10 P11 P12 P13
表征了在当前状态为1的条件下，未来状态分别取0，1， 2，3的概率，其余类推。
P{x(t+1)=j|x(t)=i,A}
与过去历史A无关，与当前时刻t无关，从而只与当 前时刻t所处的状态i以及将来（明天或其他）状态j 有关，故可以简记为 其中i和j可取状态空间E中任一状态，
Pij=P{x(t+1)=j|x(t)=i,A}
22
如天气预报中i与j可取0、1、2、3中的任一状态。 若将中Pij 中i与j所取的状态一一列举出来，并按照一 定的次序排列起来，可得：
3
函数概念与随机过程概念的对比：
确定性现象中：
随时间t变化的一族数值 构成函数Y(t)，每个固定 值t确定一个数值Y。 t的变化范围称定义域， Y(t)的取值范围称值域。
随机性现象中：
随时间t变化的一族随机变量 构成随机过程Y(t)，每个固 定值t确定一个随机变量Y。 t的取值范围T称参数集， Y(t)的取值范围E称状态空 间。
j =0 j =0
i 1−1
i1
于是有x(1)的样本R1 = i1。
⑶求x(2)的样本R2 。与上同理，由于x(1)= i1已发生， 故在x(1)= i1已发生条件下x(2) 的条件分布列是已知的， 这只须从转移矩阵P中取出第i1行的全部元素 即可，然后按照对离散型随机变量的一般模拟法来求取 x(2)的样本值。
18
例如若已知有 P{x(s)=0|x(t)=i,A}=0.8 P{x(s)=1|x(t)=i,A}=0.1 P{x(s)=2|x(t)=i,A}=0.05 P{x(s)=3|x(t)=i,A}=0.05 则人们当然可以预言明天的气候状态为0（雨 天）。
19
一般情况下，当当前状态已知的条件下， 将来的状态可能与过去所处的状态A有关， 也可能无关。若随机过程{x(t),t=0,1,2,…}的条 件概率满足关系式
8
描述泊松流概率特征的符号：
N(t)：[0,t]时间内，到达某目标的质点数； Sn：第n个质点到达目标的时刻(n＝1，2，…)； Tn：第n个质点与其前一质点的相继到达间隔时间。 {N(t),t≥0｝描述了随着t的变化，在[0,t]时间区间内到达 目标质点数的变化过程； {Sn,n＝1,2,……}描述了随着到达目标的先后次序，质点到 达时刻的变化过程； {Tn,n＝1,2,……}则描述了随着到达次序的变化，相继到 达目标的两质点到达时间间隔的变化过程。
1 λ
14
基于模拟方法二的模拟抽样流程：
，t=0
λ-1
t
15
4. 马尔科夫链
1、马氏链的基本概念 2、齐次马氏链的模拟 3、应用举例
16
4.1马氏链的基本概念
研究随机过程的主要目的之一是用来预测未来。 现以逐日考察的气象预报为例，当设x(t)表示t时刻 广州天气的状态，并以0、1、2、3分别代表四种气 候状态：雨天、晴天、阴天、多云，即有x(t)=0表 示t时刻广州为雨天；x(t)=1表示t时刻广州为晴天； x(t)=2表示t时刻广州为阴天；x(t)=3表示t时刻广州 为多云。则当t取0、1、2、…、365时，x(t)=i就表 示了自今天开始以后的一年中广州每天天气的状态i （i=0、1、2、3）。于是随机过程{x(t),t=0,1,2,…} 就描述了自今天开始以后的一年中广州天气的变化 过程。显然此随机过程有离散状态空间E={0，1， 2，3}与离散参数集（时间集）T={0，1，2，…}， 故它是时间离散、状态离散的链。
9
3.2 泊松流的特征及其性质 n 泊松流概率特征： 1)独立性：在互不相交的时间区间内到达目标的质 点数是相互独立的； 2)平稳性：对于充分小的△t＞0，在时间区间[t,t＋ △t]内有一个质点到达目标的概率与时间起点t无 关，而仅与△t长度成正比； 3)普遍性：对于充分小的△t＞0，在时间区间[t,t＋ △t]内有一个以上质点到达目标的概率几乎为0。 n 泊松流的基本性质： 强度为λ的泊松流，其相邻 质点到达间隔时间服从参数为λ的负指数分布。
•按照参数集（T）和状态空间（E）的类型，可分为：
离散参数链,非离散参数链,随机序列,随机函数
•根据概率结构，随机过程可以划分为：
独立增量过程，平稳过程，非平稳过程，马尔可夫过 程等 如：泊松过程属T连续，E离散的平稳过程。 马尔可夫链是T和E均离散的马尔可夫过程。
6
2 随机过程的模拟
•随机变量模拟的实质： 通过计算机获取随机变量的样本，在一次 实验中表现为一个数值。 •随机过程模拟的实质： 通过计算机实验获取随机过程的一个样本函 数。
第13章 马尔科夫链 （Markov Chains）
1
1 随机过程的基本概念
在不少随机现象中，不仅需考虑在某一时 刻下的系统状态，而且要研究该系统状态随时 间推移而发生的发展变化过程。 例如： 卡车装运系统 电话交换系统 城市交通交叉路口
2
随机现象发展变化过程如何进行描述 ？
某固定时刻t下随机现象状态的描述： 随机变量 当t在某时间区间内连续发生变化时，单个或多个 随机变量不足以表示随机现象的发展变化过程。 则：当t在某区间(a，b)内连续变化时，必须 用一族无限多个随机变量来描述。这一族无限多 个随机变量的总称就是随机过程。
因此，随机过程可以看作依赖于时间t的 由随机变量构成的函数。
4
随机过程的描述符号： ｛Y(t)，t∈T } 随机过程的定义：
设T为参数集，若对于每一个t∈T，均有一 个随机变量Y(t)与其对应，则将这一族依赖 于t的随机变量的全体称为随机过程，记作 ｛Y（t)，t∈T｝，或简记作YT。
5
随机过程的分类：
因此，逐个考察各∆t子区间内质点到达与否 即可获取泊松流在[0，T]内的一列到达时刻，进 而得到泊松流的一个样本函数。
12
基于模拟方法一的模拟抽样流程：
13
泊松流模拟方法二： 根据泊松流的基本性质，各质点的相继到达 时间间隔t1，t2，……是相互独立且服从同一参 数λ的负指数分布，而负指数分布随机数由计算 机抽样获得，进而可以计算各质点的到达时刻， 得到泊松流的一个样本函数。
21
在马氏链{x(t),t=0,1,2,…}中当s=t+1时，条件概率 P{x(t+1)=j|x(t)=i}，一般来说不仅依赖于状态i与j， 而且依赖于当前时刻t，但若该马氏链的条件概率与 当前时刻t无关，则称此特殊的马氏链为齐次马氏 链，或者说该马氏链是齐次的。马氏链的齐次性反 映了这样一个事实：无论从什么时刻开始，系统未 来的状态变化过程的统计规律总是一致的。 在其次马氏链{x(t),t=0,1,2,…}中，由于条件概率