这一部分我们关注正的矩阵，矩阵中的每个元素都大于零。一个重要的事实：最大的特征值是正的实数，其对应的特征向量也如是。最大的特征值控制着矩阵 (A) 的乘方。
假设我们用 (A) 连续乘以一个正的向量 (oldsymbol u_0=(a, 1-a))，
(k) 步后我们得到 (A^koldsymbol u_0)，这些向量 (oldsymbol u_1,oldsymbol u_2, oldsymbol u_3,cdots)会接近于一个稳定状态 (oldsymbol u_infty=(0.6, 0.4))。这个最终的结果不依赖于输入向量：对每一个 (oldsymbol u_0) 我们都收敛到相同的 (oldsymbol u_infty)。稳定状态方程 (Aoldsymbol u_infty=oldsymbol u_infty) 说明 (oldsymbol u_infty) 是对应于特征值为 1 的一个特征向量。
乘以矩阵 (A) 后的确不会改变 (oldsymbol u_infty)，但这依然不能解释为什么所有的 (oldsymbol u_0) 都会变成 (oldsymbol u_infty)。让我们来看另外一个例子，它可能有一个稳定状态，但却不是总能到达。
在这种情况下，我们的起始向量为 (oldsymbol u_0=(0, 1))，然后我们得到 (oldsymbol u_1=(0, 2))，(oldsymbol u_2=(0, 4))，第二个元素每次都会加倍。用特征值的语言来说，矩阵的特征值为 (lambda_1=1)，(lambda_2=2)，输入向量在不稳定特征向量方向的分量每次都乘以了 (lambda_2=2)，这会导致发散。
我们讨论矩阵的两个特殊属性来使得稳定状态一定可以达到，这两个属性定义了马尔科夫矩阵，上面的 (A) 就是一个例子。
马尔科夫矩阵满足：1. 每个元素是非负的；2. 每列元素相加等于 1。
如果 (A) 是马尔科夫矩阵，那么我们立马就有：
- 乘以一个非负向量 (oldsymbol u_0) 我们仍热得到一个非负向量 (oldsymbol u_1=Aoldsymbol u_0)
- 如果向量 (oldsymbol u_0) 元素相加为 1，那么 (oldsymbol u_1=Aoldsymbol u_0) 的元素相加也为 1
假设丹佛市汽车出租的起始比例为 0.02，丹佛市之外的比例为 0.98。每个月，丹佛市 80% 的汽车留在本地，20% 流出，市外有 5% 的汽车流进，95% 的汽车还留在市外，那么我们有
注意到 0.065+0.935=1，所有的汽车都被统计了，总量始终为 1。
这部分涉及到矩阵的乘方，我们首先想到的就是要对矩阵进行对角化 (A=SLambda S^{-1})，然后 (A^k=SLambda^k S^{-1})。
上面的方程向我们展示实际发生了什么，特征值为 1 的特征向量是稳定状态，另一个特征向量随着迭代次数的增加逐渐消失。步数越多，我们就越接近于 (oldsymbol u_infty=(0.2, 0.8))。在极限情况下，20% 的汽车在丹佛市 80% 的汽车在市外。
由于 (A) 的每一列相加等于1，所以 (A-I) 的每一列相加等于 0，这也就是说 (A-I) 的行是相关的，其行列式为零，所以 1 是 (A) 的一个特征值。如果有特征值大于 1，那么乘方后 (A^k) 元素值会增加，但 (A^k) 仍然是一个马尔科夫矩阵，其元素值非负且每列和为 1，所以这不可能发生，没有特征值绝对值大于 1。
当还有其它特征值的绝对值为 1时，我们要特别注意。
这个矩阵每次把丹佛市的汽车都送到外面，同时把外面的汽车都送进来，矩阵的乘方要么是本身要么是恒等矩阵，没有稳定状态。假设矩阵及其乘方的元素严格限制为都是正数，不允许有零出现，那么其余特征值严格小于 1，肯定可以达到稳定状态。
获取更多精彩，请关注「seniusen」!
