Une matrice est dite stochastique si toutes ses entrées sont positives (ou nulles) et si, pour tout , on a
, c'est-à-dire que la somme des coordonnées de chaque ligne vaut 1[1].
Une matrice stochastique est dite régulière s'il existe un entier tel que la matrice ne contient que des réels strictement positifs.
Une matrice est dite bistochastique (ou doublement stochastique) si la somme des éléments de chaque ligne et de chaque colonne vaut 1, autrement si et sa transposée sont stochastiques.
Une autre caractérisation des matrices stochastiques est donnée par :
est une matrice stochastique si et seulement si (ses coefficients sont positifs ou nuls) et , où désigne le vecteur de dont toutes les coordonnées valent 1.
est bistochastique si , et , où est le vecteur transposé de .
D'après la propriété précédente, puisque 1 est une valeur propre de avec comme vecteur propre à droite le vecteur colonne dont toutes les coordonnées valent 1 :
Si est une matrice stochastique, on appelle vecteur stable pour un vecteur ligne non nul tel que , autrement dit : un vecteur propreà gauche pour la valeur propre 1 (et possède toujours au moins un vecteur stable).
Une caractérisation du rayon spectral d'une matrice stochastique est donnée par :
Si est une matrice stochastique, alors pour tout , de sorte que le rayon spectral. Or, comme , on a en fait . Ainsi, le rayon spectral d'une matrice stochastique vaut précisément 1.
D'autres résultats sont donnés par :
Le produit de deux matrices stochastiques est stochastique.
A possède un unique vecteur stable t dont la somme des coordonnées vaut 1 (autrement dit : le sous-espace vectoriel des vecteurs stables est de dimension 1 — les vecteurs stables sont tous colinéaires) ;
les coordonnées de t sont toutes strictement positives.
De plus, si x0 est une loi initiale quelconque (i.e. est un vecteur à coordonnées positives ou nulles et de somme 1), et si xk+1 = xkA pour k = 0, 1, 2, … alors la chaîne de Markov {xk} converge vers t quand . C’est-à-dire :
Le rôle des matrices stochastiques est important, notamment dans l'étude des chaînes de Markov. Une caractéristique importante des matrices doublement stochastiques (ou bistochastiques) est fourni par les matrices de permutation , , dont les coefficients valent , avec le symbole de Kronecker.
Le théorème de Birkhoff montre ce rôle central qu'ont les matrices de permutations dans la caractérisation des matrices bistochastiques :
Théorème de Birkhoff — Une matrice est doublement stochastique si et seulement si elle est barycentre de matrices de permutations.
Une conséquence de théorème est donnée par le résultat suivant[2] :
Corollaire — Soit une norme sur , invariante par permutation des coordonnées. Alors pour toute matrice doublement stochastique.
Deux autres résultats sur les matrices bistochastiques utilisent la relation décrite par le symbole , défini par :
Soient et deux suites de nombres réels. On dit que b majore a, et on note si :
↑Certains auteurs parlent de matrice stochastique à droite, la transposée d'une telle matrice (dont la somme des coordonnées de chaque colonne vaut 1) est alors dite stochastique à gauche.