ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

KHOA KHOA HỌC ỨNG DỤNG

BÁO CÁO BÀI TẬP LỚN

ĐẠI SỐ TUYẾN TÍNH
Lớp: L05 Nhóm: 11

Đề tài 17:

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

 DANH SÁCH THÀNH VIÊN
TÊN THÀNH VIÊN MSSV ĐÓNG GÓP
Đặng Thị Hoàng Trinh 2213620 Tích cực
Nguyễn Hữu Kim Trọng 2213673 Tích cực
Nguyễn Hải Trung 2213698 Tích cực
Lê Minh Tú 2213842 Tích cực
Nguyễn Đình Tuấn 2213871 Tích cực
Nguyễn Ngọc Minh Tường 2213888 Tích cực
Nguyễn Tường Vi 2213928 Tích cực
Lê Hoàng Khánh Vinh 2213963 Tích cực
Trần Tuấn Vũ 2214008 Tích cực

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

 LỜI MỞ ĐẦU
Ma trận stochastic, còn được gọi là ma trận Markov, là một công cụ cần thiết trong việc
nghiên cứu các quá trình ngẫu nhiên và các ứng dụng của chúng trong các lĩnh vực khác
nhau. Các ma trận này thường được sử dụng để mô hình hóa các hệ thống có hành vi ngẫu
nhiên theo thời gian, chẳng hạn như thị trường chứng khoán, mô hình thời tiết và các hệ
thống sinh học. Ma trận stochastic là một bộ khung mạnh mẽ cho việc phân tích và dự đoán
hành vi của các hệ thống này, cho phép các nhà nghiên cứu và chuyên gia đưa ra quyết định
dựa trên xác suất và thống kê.
Trong báo cáo này, chúng em sẽ khám phá những thứ cơ bản về ma trận stochastic, bao
gồm định nghĩa, tính chất và ứng dụng của nó. Chúng em cũng sẽ thảo luận về ma trận
chuyển tiếp, chuỗi Markov và cách sử dụng chúng trong việc mô hình hóa các hệ thống phức
tạp. Ngoài ra, chúng em sẽ nghiên cứu về các ứng dụng thực tế của ma trận stochastic trong
các lĩnh vực như tài chính, sinh học và kỹ thuật, cung cấp các tình huống cụ thể trong thực tế
mà ma trận này đã được áp dụng thành công. Tổng thể, báo cáo này nhằm cung cấp một cái
nhìn tổng quan về ma trận stochastic và vai trò của nó trong khoa học và công nghệ hiện đại.

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

 NỘI DUNG
PHẦN 1: ĐỀ TÀI
PHẦN 2: MA TRẬN STOCHASTIC
2.1. Phương trình sai phân
2.2. Ma trận Stochastic và trạng thái dừng
PHẦN 3: ỨNG DỤNG CỦA MA TRẬN STOCHASTIC
3.1. Dự đoán xu hướng của thị trường chứng khoán
3.2. Dự báo thời tiết
3.3. Mô phòng trò chơi cờ bạc
3.4. Thuật toán PageRank của Google
PHẦN 4: TÍNH TOÁN BẰNG PHẦN MỀM MATLAB
4.1. Đoạn code được sử dụng để tính toán
4.1.1. Tính vector trạng thái sau bước thời gian
4.1.2. Tính vector trạng thái dừng
4.2. Diễn giải ý nghĩa của các câu lệnh
4.3. Hình ảnh kết quả thu được từ hai đoạn code trên
PHẦN 5: KẾT LUẬN
MA TRẬN STOCHASTIC VÀ ỨNG DỤNG
 PHẦN 1: ĐỀ TÀI

1. Giới thiệu ma trận Stochastic

2. Nêu một vài ứng dụng của ma trận Stochastic
3. Viết chương trình MATLAB sử dụng ma trận Stochastic để giải các ví dụ

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

 PHẦN 2: MA TRẬN STOCHASTIC
2.1. Phương trình sai phân
Định nghĩa. Một phương trình sai phân là một phương trình có dạng
‫ݐݒ‬+1 = ܲ ‫ݐݒ‬
với ܲ là một ma trận có kích thước ݊ × ݊ và các vector‫ݒ‬0 ,‫ݒ‬1 ,‫ݒ‬2 , … nằm trong
không gian ℝ݊ .
Nói cách khác:
 ‫ ݐݒ‬là trạng thái tại thời điểm‫ݐ‬.
 ‫ݐݒ‬+1 là trạng thái tại thời điểm‫ ݐ‬+ 1.
 ‫ݐݒ‬+1 = ܲ ‫ ݐݒ‬có nghĩa là ܲ là “ma trận chuyển đổi trạng thái”.

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

2.2. Ma trận Stochastic và trạng thái dừng
Định nghĩa:
• Một ma trận vuông là một ma trận stochastic nếu mọi phần tử của nó đều không âm và tổng các
cột bằng 1.
• Một ma trận stochastic dương là một ma trận mà các phần tử của nó đều là các số dương. Nghĩa là
không phần tử nào bằng 0. Ví dụ ma trận đầu tiên là ma trận stochastic dương và ma trận thứ hai
thì không:

• Một ma trận stochastic chính quy là một ma trận sao cho tồn tại một số tự nhiên để là ma trận
stochastic dương.

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

 Tính chất:
Cho là một ma trận stochastic, ta có:
1 là một trị riêng của .
Nếu (số thực hoặc số phức) là một trị riêng của thì

Chứng minh: Nếu là một Vì vậy 1 cũng là trị riêng của .

Cho là một trị riêng bất kì của , vậy nó cũng là trị riêng của .
ma trận stochastic, vậy tổng Cho là một vector riêng của với trị riêng , ta có . Phần tử thứ
của phương trình vector này là:
hàng của ma trận bằng 1.
Nhân với vector ta có:
Chọn có giá trị tuyệt đối lớn nhất, sao cho với mọi . Ta có:

đẳng thức cuối được thỏa mãn vì

Từ chứng minh trên ta có .

Vì vậy 1 là một trị riêng

của . Mà và có chung một
đa thức đặc trưng: MA TRẬN STOCHASTIC VÀ ỨNG DỤNG
Định nghĩa:
• Trạng thái dừng của một ma trận stochastic là một vector riêng ứng với trị riêng bằng 1, sao cho mọi
phần tử của vector đó đều dương và tổng các phần tử bằng 1.

Định lí Perron-Frobenius:
Cho là một ma trận stochastic dương. Suy ra có một vector trạng thái dừng duy nhất , mà vector đó bao
phủ không gian riêng ứng với trị riêng bằng 1.
Thêm vào đó, với mọi vector bất kì mà tổng các phần tử của nó là , các cặp

tiệm cận tới khi lớn dần.

Một cách dễ hiểu, định lí Perron-Frobenius khẳng định rằng:
• Không gian riêng ứng với trị riêng bằng 1 của một ma trận stochastic là một đường thẳng.
• Không gian riêng ứng với trị riêng bằng 1 chứa một vector với các phần tử dương.
• Mọi vector đều tiệm cận về không gian riêng ứng với trị riêng bằng 1 khi nhân liên tục với ma trận

Chúng ta có thể hiểu vector trạng thái dừng là một vector xác suất. Ví dụ, nếu số đĩa được trả về ở các quầy
1, 2, 3 có tỉ lệ giống với xác suất này, chúng sẽ giữ nguyên tỉ lệ đó vào ngày mai, vì . Và số đĩa được trả về
ban đầu không quan trọng, vì về lâu dài tỉ lệ trả đĩa sẽ luôn bằng vector trạng thái dừng

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

Công thức 1. Cách tính vector trạng thái dừng
Cho là một ma trận stochastic. Dưới đây là cách chúng ta tính vector trạng thái dừng của
• Tìm một vector riêng bất kì của có trị riêng bằng 1 bằng cách giải phương trình .
• Chia cho tổng của các phần tử của để tìm vector mà tổng các phần tử của nó là 1.
• Các phần tử của vector này sẽ luôn dương. Đây cũng chính là vector trạng thái dừng cần tìm.
• Công thức trên được dùng để tìm vector trạng thái dừng bằng phương pháp thủ công, nhưng lại
chưa lợi dụng được việc là một ma trận stochastic.
Công thức 2. Xấp xĩ vector trạng thái dừng bằng máy tính
Cho là một ma trận stochastic. Dưới đây là cách chúng ta tính xấp xĩ vector trạng thái dừng của
bằng máy tính:
• Chọn bất kì một vector có tổng các phần tử bằng 1.
• Dùng máy tính để tính
Những vector này sẽ hội tụ đến vector trạng thái dừng cần tìm.

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

 PHẦN 3: ỨNG DỤNG CỦA MA TRẬN STOCHASTIC

3.1. Dự đoán xu hướng của thị trường chứng khoán.

Thị trường chứng khoán là một hệ thống bất ổn với mức độ khó đoán cao. Chuỗi Markov và các biểu đồ liên
quan của nó có thể được sử dụng để ước tính xác suất của các thị trường chứng khoán khác nhau và dự đoán
xu hướng của nó trong tương lai. Để đơn giản hóa vấn đề, chúng ta có thể giả sử rằng một thị trường chứng
khoán có 3 trạng thái như sau:
• Bull: Là trạng thái mà thị trường tăng giá mạnh trong thời gian dài.
• Bear: Là trạng thái mà thị trường giảm giá mạnh trong thời gian dài.
• Stagnant: Là trạng thái mà thị trường ổn định, không có sự thay đổi đáng kể.
Chúng ta sẽ tính toán các xác suất chuyển đổi giữa các trạng thái dựa trên những dữ liệu từ trước của thị
trường chứng khoán. Sau đó, vì đây là một chuỗi Markov nên chúng ta có thể mô hình hóa các xác suất
chuyển đổi dưới dạng một ma trận stochastic có kích thước .

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

Hình 3.1: Ba trạng thái của thị trường chứng khoán .
Chúng ta sẽ tính toán các xác suất chuyển đổi giữa các trạng thái dựa trên
những dữ liệu từ trước của thị trường chứng khoán. Sau đó, vì đây là một chuỗi
Markov nên chúng ta có thể mô hình hóa các xác suất chuyển đổi dưới dạng
một ma trận stochastic có kích thước 3 × 3.
Ví dụ chúng ta có xác suất của ba trạng thái trên như sau:

Bull Bear Stagnant

Bull 0.8 0.2 0.15
Bear 0.09 0.65 0.35
Stagnant 0.11 0.15 0.5

Từ đó ta có thể lập ma trận stochastic ܲ như sau:

0.8 0.2 0.15
ܲ = 0.09 0.65 0.35
0.11 0.15 0.5
MA TRẬN STOCHASTIC VÀ ỨNG DỤNG
Khi đã có được ma trận stochastic ܲ , chúng ta có thể dự đoán xu hướng của thị
trường sau một khoảng thời gian‫ݐ‬. ܲ 2 cho chúng ta biết xác suất sau 2 bước
thời gian, tương tự với ܲ 3 , ܲ 4 , … Tuy nhiên để xác định xu hướng của thị
trường chứng khoán chúng ta cần phải nhân ܲ với một vector cột‫ݒ‬0 đại diện
cho trạng thái ban đầu của thị trường (Bull, Bear hoặc Stagnant).
1
Giả sử thị trường của chúng ta có trạng thái ban đầu là Bull hay‫ݒ‬0 = 0 . Để
0
dự đoán xu hướng của thị trường sau 2 bước thời gian ta có thể thực hiện phép
nhân ma trận:
0.8 0.2 0.15 2 1 0.6745
ܲ 2 .‫ݒ‬0 = 0.09 0.65 0.35 . 0 = 0.169
0.11 0.15 0.5 0 0.1565
Vậy sau 2 ngày thì tỉ lệ mà thị trường rơi vào trạng thái Bull là cao hơn so với
hai trạng thái còn lại (67.45% so với 16.9% và 15.65%).

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

Ngoài ra chúng ta cũng sẽ muốn biết rằng về lâu dài, thị trường của chúng ta sẽ
có tỉ lệ xuất hiện của các trạng thái là bao nhiêu. Để có thể dự đoán điều đó,
chúng ta có thể tính vector trạng thái dừng của ma trận stochastic.
ܲ −‫ = ݍ ݊ܫ‬0
−0.2 0.2 0.15 ‫ݍ‬1
⇔ 0.09 −0.35 0.35 ‫ݍ‬2 = 0
0.11 0.15 −0.5 ‫ݍ‬3
Giải hệ phương trình thuần nhất kết hợp với điều kiện ‫ݍ‬1 + ‫ݍ‬2 + ‫ݍ‬3 = 1. Ta có
vector ‫ݍ‬:
0.4748
‫ = ݍ‬0.3236
0.2016
Vậy tỉ lệ xuất hiện của các trạng thái Bull, Bear, Stagnant hoàn toàn có thể
được dự đoán nếu chúng ta có thể mô hình hóa các tỉ lệ của các trạng thái dưới
dạng một ma trận stochastic.
Nhờ vào ma trận stochastic, chúng ta có thể mô hình hóa một thị trường chứng
khoán dưới dạng một ma trận ܲ và vector trạng thái ban đầu‫ݒ‬0 . Từ đó chúng ta
có thể dự đoán các tỉ lệ của xuất hiện của các trạng thái đó trong thị trường sau
‫ ݐ‬bước thời gian bằng cách sử dụng phép nhân ma trận ܲ ‫ݒݐ‬0 .
MA TRẬN STOCHASTIC VÀ ỨNG DỤNG
3.2. Dự báo thời tiết.

Chuỗi Markov đang được nghiên cứu rất kĩ bởi các nhà khoa học trong việc dự báo thời tiết. Trong
bài nghiên cứu “Dự báo thời tiết bằng mô hình Markov ẩn” của Diksha Khaitani và Udayan Ghose vào
năm 2017, họ đã tạo ra một mô hình Markov từ dữ liệu thời tiết trong vòng 21 năm đổ lại. Tác giả của
bài nghiên cứu đã sử dụng thuật toán Viterbi và phần mềm MATLAB để tính toán, dự đoán dữ liệu. Và
nghiên cứu của họ đã cho thấy sự chính xác của mô hình Markov khi đã dự đoán rất tốt thời tiết trong 5
ngày tiếp theo dựa trên thời tiết của ngày hiện tại.

Jordan và Talkner cũng nghiên cứu vấn đề tương tự về việc dự đoán thời tiết của vùng Alpine sử dụng
chuỗi Markov. Nghiên cứu so sánh hai mô hình chuỗi Markov bậc 1 và bậc 2 và kết quả của cả hai là
tương tự nhau. Các dự đoán từ mô hình Markov được cho là trùng khớp với quan sát thực tế cho từng
khoảng thời gian khác nhau. Tuy nhiên, mô hình này có sự “mạnh mẽ” không cao, điều này được cho là
bởi tính ngẫu nhiên cao của dữ liệu và không phải do mô hình này “yếu”.

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

Để ví dụ, chúng ta có thể lấy dữ liệu từ việc quan sát thời tiết ở Bemidji,
Minnesota và tính các xác suất bằng mô hình Markov và ma trận stochastic. Để
đơn giản hóa vấn đề, ta chỉ xét thời tiết chỉ có ba trạng thái là “nắng”, “tuyết
rơi” và “nhiều mây”. Và trạng thái thời tiết của ngày tiếp theo chỉ phụ thuộc
vào thời tiết của ngày hôm nay.
Chúng ta lấy dữ liệu thời tiết từ website https://www.timeanddate.com vào 12h
trưa mỗi ngày trong tháng 11, năm 2019, tổng cộng là 30 ngày quan sát, để tính
các xác suất chuyển đổi giữa các trạng thái và tạo ma trận stochastic tương ứng
sau đây:
0.58 0.23 0.5
ܲ = 0.21 0.44 0.17
0.21 0.33 0.33
trong đó
ܲ 11 là xác suất một ngày nhiều mây tiếp tục nhiều mây vào ngày hôm sau.
ܲ 21 là xác suất một ngày nhiều mây chuyển sang nắng vào ngày hôm sau.
ܲ 31 là xác suất một ngày nhiều mây chuyển sang tuyết rơi vào ngày hôm sau.
ܲ 12 là xác suất một ngày nắng chuyển sang nhiều mây vào ngày hôm sau.
ܲ 13 là xác suất một ngày tuyết rơi chuyển sang nhiều mây vào ngày hôm sau.
MA TRẬN STOCHASTIC VÀ ỨNG DỤNG
Bằng cách quan sát, chúng ta có thể thấy rằng ngày 12 tháng 11, năm 2020 là
một ngày nhiều mây. Chúng ta có vector trạng thái ban đầu là:
1
‫ݒ‬0 = 0
0
Để dự đoán thời tiết của ngày 15 tháng 11, năm 2020 ta có thể dùng phép nhân
ma trận như sau:
3
0.58 0.23 0.5 1 0.4717
‫ݒ‬3 = ܲ 3‫ݒ‬0 = 0.21 0.44 0.17 0 = 0.257
0.21 0.33 0.33 0 0.2712
Khi kiểm tra lại thì đúng vào ngày 15 tháng 12, năm 2022 thời tiết ở Bemidji,
Minnesota là một ngày nhiều mây.

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

3.3. Mô phỏng trò chơi cờ bạc.

Ta xét một trò chơi đỏ đen mà tỉ lệ thắng của ta là 58% để lấy được $1 và 42%
bị thua mất $1.
 Người chơi phải có từ $1 đến $5 để tiếp tục chơi.
 Trò chơi dừng lại khi bạn có $6 hoặc $0.
 Bạn cược $1 mỗi lượt và ăn $1 nếu thắng và mất số tiền đó nếu thua.

Ta sử dụng chuỗi Markov và ma trận stochastic để mô hình bài toán như sau:

$0 1 0.42 0 0 0 0 0
$1 0 0 0.42 0 0 0 0
$2 0 0.58 0 0.42 0 0 0
ܲ = $3 0 0 0.58 0 0.42 0 0
$4 0 0 0 0.58 0 0.42 0
$5 0 0 0 0 0.58 0 0
$6 0 0 0 0 0 0.58 1

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

Nếu một người bắt đầu cược từ $1 vector trạng thái ban đầu sẽ là
‫ݒ‬0 = 0 1 0 0 0 0 0 ܶ

Sau 5 lượt xác suất trạng thái của người chơi sẽ là

‫ݒ‬5 = ܲ 5‫ݒ‬0 = 0.57 0 0.17 0 0.19 0 0.07 ܶ

Sau 50 lượt xác suất trạng thái của người chơi sẽ là

50
‫ݒ‬50 ≈ ܲ ‫ݒ‬0 = 0.68 0 0 0 0 0 0.32 ܶ

Tương tự, nếu một người bắt đầu cược từ $5 vector trạng thái ban đầu sẽ là
‫ݒ‬0 = 0 0 0 0 0 1 0 ܶ

Sau 5 lượt xác suất trạng thái của người chơi sẽ là

‫ݒ‬5 = ܲ 5‫ݒ‬0 = 0.013 0 0.072 0 0.125 0 0.79 ܶ

Sau 55 lượt xác suất trạng thái của người chơi sẽ là

55
‫ݒ‬55 ≈ ܲ ‫ݒ‬0 = 0.064 0 0 0 0 0 0.936 ܶ

Điều này cho thấy rằng sau 55 lượt chơi, tỉ lệ thua của người chơi $5 là 6.4%
và tỉ lệ thắng là 93.6%. Sau khi so sánh, ta thấy tỉ lệ thắng của người bắt đầu từ
$5 lớn hơn hẳn so với người chơi từ $1. Vậy nên chúng ta chỉ nên chơi trò chơi
này khi có nhiều tiền vốn.
Kết quả của trò chơi có thểMA
khác
TRẬNnhau tùy thuộc
STOCHASTIC VÀ ỨNGvào
DỤNGtỉ lệ thắng và thua.
3.4. Thuật toán PageRank của Google.

Vào những năm 90 của thế kỉ trước, việc tìm kiếm thông tin trên internet rất không
hiệu quả. Yahoo và AltaVista sẽ tìm quét qua từng từ khóa mà bạn tìm kiếm và liệt
kê ra những trang web có nhiều sự xuất hiện của các từ khóa ấy nhất. Không bất
ngờ khi một vài trang web không lành mạnh đã thêm hàng triệu từ “Alanis
Morissette” vào trang của họ để khi một thiếu niên nào đó tìm kiếm bài hát
“Jagged Little Pill”, những trang web đó sẽ hiện ra đầu tiên.
Larry Page và Sergey Brin đã phát minh ra một giải pháp cho vấn đề này bằng
cách đánh giá sự uy tín của một trang web. Họ sau đó đã thành lập Google dựa
trên thuật toán này.
Mỗi trang web có một chỉ số uy tín riêng, hay còn gọi là hạng. Chỉ số này là một
số dương và có thể được xác định theo cách sau.

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

Quy luật của sự uy tín. Nếu trang web ܲ liên kết với ݊ trang khác
1
ܳ 1 , ܳ 2 , ܳ 3 , …, ܳ ݊ thì mỗi trang ܳ ݅ sẽ thừa hưởng được sự uy tín từ ܲ .
݊

Trong thực tế, quy luật trên có nghĩa là:

 Nếu một trang web rất uy tín liên kết với trang của bạn (nhưng không
liên kết với cả ngàn trang khác), trang của bạn được xem là uy tín.
 Nếu một ngàn trang web không uy tín liên kết với trang của bạn, trang
của bạn vẫn được xem là uy tín.
 Nếu một trang web vô danh liên kết với trang của bạn, trang web của
bạn không được xem là uy tín.
Ma trận biểu diễn sự uy tín. Ta xét một mạng internet gồm ݊ trang web. Ma
trận uy tín là ma trận ܲ vuông ݊ × ݊ sao cho phần tử ݅ , ݆ của ma trận là chỉ số
uy tín mà trang ݅ thừa hưởng từ ݆ .
Ta có thể thấy ma trận uy tín là một ma trận stochastic, ta cho rằng mỗi trang
web đều chứa ít nhất một liên kết: nếu trang ݅ có ݉ liên kết thì cột ݅ chứa con
1
số , ݉ lần và những ô khác chứa số 0.
݉

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

 Ví dụ. Xét một mạng internet có 4 trang web như sau:

Dưới dạng ma trận, nếu ‫ ܽ( = ݒ‬, ܾ , ܿ , ݀ ) là vector chứa các hạng ܽ , ܾ , ܿ , ݀ của
các trang ‫ܣ‬,‫ܤ‬,‫ܥ‬, ‫ ܦ‬thì:
1 1
0 0 1 0+ 0+ ܿ + + ݀
2 2
1 ܽ 1 ܽ
0 0 0 ܾ ܽ + 0+ 0+ 0 ܾ
3 = 3 =
1 1 1 ܿ 1 1 1 ܿ
0 ݀ ܽ + ܾ + 0+ ݀
3 2 2 3 2 2
1 1 1 1
Quy luật quan trọng cho ta biết rằng: 0 0 ܽ + ܾ + 0+ 0
3 2 3 2
1
 Trang ‫ ܣ‬có 3 liên kết, nên các trang ‫ܤ‬,‫ܥ‬, ‫ ܦ‬thừa hưởng 3 chỉ số uy tín từ Chú ý: Vector hạng là một vector riêng của ma trận uy tín ứng với trị riêng
‫ܣ‬. bằng 1.
1
 Trang ‫ ܤ‬có 2 liên kết, nên các trang ‫ܥ‬, ‫ ܦ‬thừa hưởng 2 chỉ số uy tín từ ‫ ܤ‬. Chúng ta muốn dùng định lí Perron-Frobenius để tìm vector hạng. Nhưng các
 Trang‫ ܥ‬có 1 liên kết, nên trang ‫ ܣ‬thừa hưởng toàn bộ chỉ số uy tín từ ‫ܥ‬. ma trận uy tín không phải luôn luôn là một ma trận stochastic dương.
1
 Trang ‫ ܦ‬có 2 liên kết, nên các trang ‫ܣ‬,‫ ܥ‬thừa hưởng 2 chỉ số uy tín từ ‫ܦ‬.

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

Ví dụ: Ta xét mạng internet như sau:

Ma trận uy tín là:

0 0 0
0 0 0
1 1 0
Đa thức đặc trưng của ma trận trên là:
−ߣ 0 0
݂ ߣ = det 0 −ߣ 0 =− ߣ3 .
1 1 −ߣ
1 không phải là trị riêng của ma trận trên nên sẽ không có vector hạng. Và ma
trận uy tín này không phải ma trận stochastic vì trang ‫ ܥ‬không chứa liên kết.
MA TRẬN STOCHASTIC VÀ ỨNG DỤNG
 Ví dụ. Ta xét mạng internet sau:
Ma trận này có 2 vector riêng độc lập với nhau là:
1 0
1 0
0 và 1
0 1
0 1
Cả 2 đều có trị riêng là 1. Vậy nên có nhiều hơn một vector hạng trong trường
hợp này. Ở đây ma trận uy tín là ma trận stochastic, nhưng không dương.
Page và Brin đã đưa ra giải pháp của vấn đề này như sau. Đầu tiên, chúng ta
1
điều chỉnh ma trận uy tín bằng cách thay các cột 0 bằng cột có giá trị là ݊ , với ݊
là số trang web.

Ma trận uy tín là 0 0
1
0 0 0 3
1 ܲ = 0 0 0 trở thành ܲ '
= 0 0
1
0 1 0 0 1 1 0
3
2 1 1
1

1 0 0 0 0 3

1 1 Ma trận sau khi điều chỉnh sẽ luôn là ma trận stochastic.

0 0 0
2 2 Sau đó chúng ta sẽ chọn một số ݉ trong khoảng (0,1) (݉ thường được chọn là
1 1 ݉ = 0.15).
0 0 0
2 2
1 1
0 0 0
2 2
MA TRẬN STOCHASTIC VÀ ỨNG DỤNG
Ma trận Google. Cho ܲ là ma trận uy tín cho một mạng internet với ݊ trang
web. Ma trận Google là ma trận như sau:
'
‫ = ܯ‬1−݉ ܲ + ݉‫ܤ‬
với
1 1 ⋯ 1
1 1 1 ⋯ 1
‫( =ܤ‬
݊ ⋮ ⋮ ⋱ ⋮
1 1 ⋯ 1
Nếu chúng ta xét tổng hạng của các trang web là 1 ta có thể tìm được vector
PageRank, là vector trạng thái dừng của ma trận Google.
Chúng ta có thể sử dụng định lí Perron-Frobenius để tính toán vì bây giờ các
phần tử của ma trận ‫ ܯ‬đều dương. Trọng thực tế, ma trận Google có tới hàng tỷ
hàng và cột.

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

Ví dụ: Tìm vector PageRank của mạng internet sau:
Chọn m=0.15 ta có:
1 1 1 1 1
0 0 0
2 4 4 4 4
1 1 1 1 1
0 0 0
‫ = ܯ‬0.85. 3 + 0.15 4 4 4 4
1 1 1 1 1 1 1
0
3 2 2 4 4 4 4
1 1 1 1 1 1
0 0
3 2 4 4 4 4
Đầu tiên ta tìm ma trận là ma trận sau khi đã điều chỉnh.
0.0375 0.0375 0.2500 0.4625
0.3208 0.0375 0.2500 0.0375
≈
0.3208 0.4625 0.2500 0.4625
1 1 1 0.3208 0.4625 0.2500 0.0375
0 0 0 0 0
2 4 2
1 1 1
0 0 0 0 0 Vector PageRank là vector trạng thái dừng:
ܲ = 3 '
= 3 4
1 1 1 ⟹ܲ 1 1 1 1 0.2192
0 0.1752
3 2 2 3 2 4 2 ‫=ݍ‬
1 1 1 1 1 0.3558
0 0 0 0.2498
3 2 3 2 4
Vậy trang web ‫ ܥ‬là uy tín nhất với hạng là 0.3558 và trang ‫ ܤ‬ít uy tín nhất với
hạng là 0.1752.

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

PHẦN 4: TÍNH TOÁN BẰNG PHẦN MỀM MATLAB
4.1. Đoạn code được sử dụng để tính toán.
4.1.1. Tính vector xác suất trạng thái sau bước thời gian.
close all;
clear;

% Nhập ma trận stochastic P, vector trạng thái v và bước

thời gian t.
P = [0.8 0.2 0.15; 0.09 0.65 0.35; 0.11 0.15 0.5];
v = [1; 0; 0];
t = 2;
% In ma trận P ra màn hình
fprintf('Ma trận P là: \n');
disp(P);
% In vector trạng thái ban đầu ra màn hình
fprintf('Vector trạng thái ban đầu là: \n');
disp(v);
% Tìm trạng thái sau t bước thời gian bằng công thức P^t*v
v_t = P^t*v;
% In kết quả ra màn hình
fprintf('Vector trạng thái sau t = %d bước thời gian là:
\n',t);
disp(v_t);
MA TRẬN STOCHASTIC VÀ ỨNG DỤNG
4.1.2. Tính vector trạng thái dừng.

close all;
clear;

% Nhập ma trận stochastic P

P = [0.8 0.2 0.15; 0.09 0.65 0.35; 0.11 0.15 0.5];
% In ma trận P ra màn hình
fprintf('Ma trận P là: \n');
disp(P);
% Tạo ma trận đơn vị dựa trên kích thước của P
I = eye(size(P));
% Áp dụng công thức (P-I)*q=0 để tìm q
q = null(P - I);
% Chia q cho tổng của nó để tổng các phần tử của q là 1
q = q/sum(q);
% In q ra màn hình
fprintf('Vector trạng thái dừng cần tìm là: \n');
disp(q);

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

 4.2. Diễn giải ý nghĩa của các câu lệnh.

fprintf('Ma trận P là: \n');

⇒ In dòng chữ trong dấu ngoặc kép ra màn hình.
disp(P);
⇒ In giá trị của biến ở trong dấu ngoặc kép (trường hợp này là biến ܲ ) ra màn
hình.
I = eye(size(P));
⇒ Tạo ma trận đơn vị‫ ܫ‬dựa trên kích thước của ma trận ܲ .
q = null(P - I);
⇒ Tính giá trị của vector ‫ ݍ‬dựa trên công thức ܲ −‫ = ݍ ݊ܫ‬0.
sum(q);
⇒ Tính tổng các phần tử của vector ‫ݍ‬.

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

4.3. Hình ảnh kết quả thu được từ hai đoạn code trên.

Hình 4.1: Kết quả thu được sau khi chạy đoạn code thứ nhất (1).

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

Hình 4.2: Kết quả thu được sau khi chạy đoạn code thứ 1 (2).

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

Hình 4.3: Kết quả thu được sau khi chạy đoạn code thứ 2 (1)

Hình 4.4: Kết quả thu được sau khi chạy đoạn code thứ 2 (2).
MA TRẬN STOCHASTIC VÀ ỨNG DỤNG
 PHẦN 5: KẾT LUẬN
Qua bài báo cáo trên, ta thấy rằng ma trận stochastic đóng vai trò quan trọng trong việc mô hình hóa các hệ
thống có sự biến động ngẫu nhiên. Thông qua định nghĩa và tính chất cũng như các ứng dụng của nó trong
nhiều lĩnh vực khác nhau mà chúng em đã trình bày. Những kiến thức này cho phép chúng ta dự đoán và phân
tích hành vi của các hệ thống phức tạp, từ đó đưa ra các quyết định dựa trên xác suất và thống kê.
Tuy nhiên, ma trận stochastic chỉ là một công cụ trong việc mô hình hóa các hệ thống động. Trong thực tế,
các hệ thống này có thể rất phức tạp và không đáp ứng được hoàn toàn với mô hình của ma trận stochastic. Do
đó, chúng ta cần thận trọng trong việc áp dụng ma trận stochastic và cần phải sử dụng nhiều công cụ khác
nhau để có được một cái nhìn toàn diện về hành vi của các hệ thống này.
Ngoài ra, việc sử dụng MATLAB trong tính toán đã giúp cho việc phân tích và xử lý ma trận stochastic trở
nên dễ dàng hơn. Việc sử dụng MATLAB kết hợp với ma trận stochastic cung cấp một công cụ mạnh mẽ để
mô hình hóa và phân tích hệ thống phức tạp có hành vi ngẫu nhiên. Như vậy, bằng cách sử dụng phần mềm hỗ
trợ tính toán MATLAB, những bài toán phức tạp có thể được xử lý một cách nhanh chóng với độ chính xác
cao, tiết kiệm được thời gian cho việc tính toán.
Với những điều này, chúng em hi vọng bài cáo cáo đã cung cấp một cái nhìn tổng quan về ma trận
stochasitc và vai trò của nó trong khoa học và công nghệ hiện đại, hi vọng rằng thông qua việc tìm hiểu về ma
trận stochastic, chúng ta có thể áp dụng những kiến thức này để giải quyết các vấn đề phức tạp trong cuộc
sống và công việc.

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

 TÀI LIỆU THAM KHẢO

[1] Giáo trình Đại Số Tuyến Tính, Đặng Văn Vinh, Trường Đại học Bách Khoa, Đại học Quốc gia Thành phố Hồ Chí
Minh, 2022
[2] Prerna Rai, Arvind Lal, PageRank Model, International Journal of Computer Applications,Volume 138,2016,
(0975 – 8887)
[3] Charles Miller Grinstead, James Laurie Snell, Introduction to Probability, Second revised edition,Chapter 11,
(1988)
[4] Sergey Brin, Lawrence Page, “The Anatomy of a Large-Scale Hypertextual Web Search Engine, Computer
Networks and ISDN Systems
[5] D. Khiatani and U. Ghose, Weather forecasting using Hidden Markov Model, 2017 International Conference on
Computing and Communication Technologies for Smart Nation
[6] Paul Jordan Peter Talkner (2000),A seasonal Markov chain model for the weather in the central Alps, Tellus A:
Dynamic Meteorology and Oceanography
[7] Interactive Linear Algebra, Dan Margalit, Joseph Rabinoff, Georgia Institute of Technology, 2019
[8] A. L. Garcia and C. Penland, MATLAB Projects for Scientists and Engineers, Prentice Hall, Upper Saddle River,
NJ, 1996.

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG

THANK YOU

MA TRẬN STOCHASTIC VÀ ỨNG DỤNG