add chapter14

docs/chapter14/chapter14.md

@@ -7,14 +7,14 @@ $$
  \tag{14.26}
 $$
 
-[解析]：假设变量$x$所在的空间有$n$个状态($s_1,s_2,..,s_n$)，定义在该空间上的一个转移矩阵$T(n\times n)$如果满足一定的条件则该马尔可夫过程存在一个稳态分布$\pi$,使得
+[解析]：假设变量$x$所在的空间有$n$个状态($s_1,s_2,..,s_n$), 定义在该空间上的一个转移矩阵$T(n\times n)$如果满足一定的条件则该马尔可夫过程存在一个稳态分布$\pi$, 使得
 $$
 \begin{aligned}
 \pi T=\pi
 \end{aligned}
 \tag{1}
 $$
-其中，$\pi$是一个是一个$n$维向量，代表​$s_1,s_2,..,s_n$对应的概率. 反过来，如果我们希望采样得到符合某个分布​$\pi$的一系列变量​$x_1,x_2,..,x_t$, 应当采用哪一个转移矩阵​$T(n\times n)$呢？
+其中, $\pi$是一个是一个$n$维向量，代表​$s_1,s_2,..,s_n$对应的概率. 反过来, 如果我们希望采样得到符合某个分布​$\pi$的一系列变量​$x_1,x_2,..,x_t$, 应当采用哪一个转移矩阵​$T(n\times n)​$呢？
 
 事实上，转移矩阵只需要满足马尔可夫细致平稳条件
 $$
@@ -30,7 +30,7 @@ $$
 \end{aligned} 
 \tag{3}
 $$
-假设采样得到的序列为$x_1,x_2,..,x_{t-1},x_t​$，则可以使用$$MH​$$算法来使得$x_{t-1}​$(假设为状态$s_i​$)转移到$x_t​$(假设为状态$s_j​$)的概率满足式$(2)​$.
+假设采样得到的序列为$x_1,x_2,..,x_{t-1},x_t​$，则可以使用$MH​$算法来使得$x_{t-1}​$(假设为状态$s_i​$)转移到$x_t​$(假设为状态$s_j​$)的概率满足式$(2)​$.
 
 ## 14.28