Explore les classes communicantes dans les chaînes de Markov, en distinguant les classes transitoires et récurrentes, et approfondit les propriétés de ces classes.
Explore les propriétés et les exemples de matrices diagonalisables, en mettant l'accent sur la relation entre les vecteurs propres et les valeurs propres.
Couvre les processus de Markov, les densités de transition et la distribution sous réserve d'information, en discutant de la classification des états et des distributions fixes.
Couvre la probabilité appliquée, les chaînes de Markov et les processus stochastiques, y compris les matrices de transition, les valeurs propres et les classes de communication.
Couvre la décomposition et la pseudo-inverse de la valeur singulière, en expliquant leurs applications dans la compression de données et les systèmes linéaires.