2. 状态转移与马尔可夫性

马尔可夫链的核心思想可以用一句话概括：未来只依赖现在，与过去无关。要把这句话变成可计算、可建模的工具，需要三样东西——状态集合、状态之间的转移关系，以及刻画这些转移的数值。本节围绕这三样东西展开：先用状态转移图把关系画清楚，再把图翻译成转移概率矩阵，然后回到马尔可夫性的数学表述与直观含义，最后辨析几个建模时最容易踩的坑。

一、状态转移图：把“可能怎么变”画出来

状态转移图是一张有向带权图。节点表示系统的状态，有向边表示“从某状态一步之后可能到达某状态”，边上的数值就是对应的转移概率。约定如下：若从状态 i 一步后以概率 p_ij 到达状态 j，就画一条从 i 指向 j 的箭头，标注 p_ij；若 p_ij=0 则不画边。自环表示“一步后仍停留在原状态”，例如设备“正常”状态下一步仍正常的概率。

以一个有实际背景的例子贯穿本节：某台设备每天巡检一次，状态分为“正常（N）”“预警（W）”“故障（F）”三种。根据历史维修记录估计出如下一步转移规律：正常状态下一天仍正常的概率为 0.9，转为预警为 0.1，直接故障为 0；预警状态下一天回到正常为 0.5，仍预警为 0.3，恶化为故障为 0.2；故障状态下一天修复回正常为 0.6，仍故障为 0.4，不会直接跳到预警。这些数值是教学示例的合理假设，实际建模时应由运行数据统计得到。

读图时有两个检查点：一是每个节点出发的所有出边概率之和必须为 1，这是“必然转移到某个状态”的体现；二是没有画出的边概率为 0，例如 N 到 F 没有边，说明一步之内不会从正常直接跳到故障。图中 N→F 缺失、F→W 缺失，正是建模时对物理过程的理解被固化进了结构里。

二、转移概率矩阵的构造

把状态按固定顺序编号（本例 N=1，W=2，F=3），令矩阵第 i 行第 j 列的元素 p_ij 等于从状态 i 一步转移到状态 j 的概率，就得到一步转移概率矩阵 P。构造时牢记“行是出发状态，列是到达状态”：

       到达 N    到达 W    到达 F
出发 N  0.9      0.1       0
出发 W  0.5      0.3       0.2
出发 F  0.6      0        0.4

由此得到矩阵 P = [[0.9, 0.1, 0], [0.5, 0.3, 0.2], [0.6, 0, 0.4]]。它必须满足两条性质：所有元素非负；每一行之和为 1。满足这两条的方阵称为随机矩阵。注意是行和为 1，不是列和为 1——这是初学者最容易搞反的地方，因为“从某个状态出发必然去往某处”对应的是行方向。

矩阵与图是同一信息的两种表示：图便于人看结构、找连通性和吸收态，矩阵便于计算。例如“今天处于 N，明天处于 W 的概率”就是 p₁₂=0.1；而“今天处于 N，两天后处于 F 的概率”需要计算 P² 的 (1,3) 元素，即 0.9×0 + 0.1×0.2 + 0×0.4 = 0.02，说明正常设备两天内直接恶化为故障的概率虽小但非零，路径是 N→W→F。这类多步概率正是后续章节 C-K 方程与稳态分析的基础。

三、马尔可夫性的数学表述与直观理解

设随机序列 {X_n, n≥0} 取值于状态集 S。若对任意 n 和任意状态 i₀,…,i_n−1,i,j，都有

P(X_{n+1}=j | X_n=i, X_{n−1}=i_{n−1}, …, X_0=i_0) = P(X_{n+1}=j | X_n=i) = p_{ij}

则称该序列具有马尔可夫性（无后效性）。等号左边是“知道全部历史”条件下的条件概率，右边是“只知道当前状态”条件下的条件概率，两者相等意味着历史信息对预测未来没有额外贡献，当前状态已经浓缩了全部有用信息。若转移概率 p_ij 与时间 n 无关，则称为时齐马尔可夫链，此时一个矩阵 P 就能描述整个演化规律。

直观理解可以借助“信息压缩”：把系统的全部历史压成一个当前状态标签，如果这个标签足以决定下一步的概率分布，马尔可夫性就成立。设备例子里，“今天是否预警”已经包含了磨损程度、近期报警等历史的影响；只要这些影响都体现在当前状态上，就不必再追溯前几天的记录。反过来说，如果“连续两天预警”比“仅今天预警”更容易故障，那么单看当前状态就不够，需要把状态扩展为“预警第1天/预警第2天”等，才能重新满足马尔可夫性——这是建模中常用的状态扩增技巧。

四、常见误区辨析

• 把“无后效”误解为“与过去完全无关”。 马尔可夫性说的是“给定当前状态后，过去不再提供额外信息”，当前状态本身就是过去演化的结果，二者并不矛盾。
• 行、列方向搞反。 若误把列和当作 1，或按“列是出发状态”填表，后续所有多步计算都会错位。构造完矩阵后务必逐行求和验证。
• 把转移概率当成“停留时长”或“发生频率”。 p_ij 是“处于 i 的条件下，下一时刻到 j 的条件概率”，不是 j 状态出现的总体比例，也不是平均持续时间。
• 状态划分过粗导致马尔可夫性不成立。 如上面“连续预警”的例子，粗状态会隐藏关键历史，需通过扩增状态或引入更高阶模型修正。
• 忽略时齐假设。 若设备老化使转移概率逐年变化，就不能用同一个 P 描述全过程，应分段建模或引入时变矩阵。
• 把“一步不可达”当成“永远不可达”。 N→F 一步概率为 0，但经 W 中转两步可达，可达性要看多步转移矩阵的累积效果。

把状态转移图、转移概率矩阵和马尔可夫性三者连起来看：图给出结构直觉，矩阵给出可计算载体，马尔可夫性则是让“一个矩阵描述全过程”成立的前提假设。后续讨论多步转移、平稳分布与极限行为时，都建立在本节这套表示之上。