Professional Documents
Culture Documents
Estudiante de la Facultad de Estudios Superiores Plantel Acatlan en la carrera de Matemticas Aplicadas y Compuatcin
Abril, 2013
ndice
1. Introduccin 2. Cadena de Markov Reversible 3. Tegnologia para vericar reversibilidad a ) Calcular el Limite de Probabilidades b ) Pseudocdigo c ) Diagrama de Flujo 4. Conclusion 5. Bibliograa
Introduccin
Cadena de Markov
Las evaluaciones econmicas de tecnologas sanitarias se estn convirtiendo cada vez ms importantes para guiar a los responsables polticos. Para evaluar la rentabilidad de una o nuevas tecnologas, las tcnicas de modelado son inevitables. La cadena de Markov de tiempo discreto es actualmente el modelo ms popular utilizado para la evaluacin de las intervenciones dirigidas a tratar las enfermedades crnicas. La popularidad de este modelo se debe principalmente a dos factores. En primer lugar, las enfermedades crnicas a menudo pueden ser descritas en trminos de distintos estados de salud y la cadena de Markov es un modelo simple pero potente para describir la progresin a travs de estos estados. En segundo lugar, este modelo es fcil de construir y se estudia a travs de matriz de anlisis y o simulacin. Los tpicas cadenas de Markov de tiempo discretas marca los lmites de la descripcin de la historia de cada sujeto a igual que los puntos espaciados de tiempo. En otras palabras, en lugar de modelar la posibilidad de progresin en cada instante en el tiempo (es decir, un modelo de tiempo continuo), el estado de la enfermedad slo se clasican en distintos puntos de tiempo (por ejemplo, da, mes o ao). El intervalo entre estos puntos de tiempo se conoce como el ciclo longitud. Una cadena de Markov homognea es uno cuando de Estado a Estado de las probabilidades de transicin permanecern constantes en el tiempo (es decir, ciclos) y a travs de sujetos.
1. P (xm = im for 0 m n) = P (x(tnm ) = im for 0 m n) y el ajuste de tiempo continuo es 2. P (x(tm ) = im for 0 m n) = P (x(tn tm ) = im for 0 m n) Siempre que 0 = t0 ... tn y dependiendo de si la conguracin es la de tiempo discreto o continuo, se tiene: 3. P (X0 = i, Xn = j )=P (X0 = j, Xn = i) De hecho la reversibilidad dice que, dependiendo de la conguracin, la distribucin conjunta de (X0 , Xn ) es el mismo que (Xt , X0 ). Si P es la matriz de probabilidad de transicin, entonces, tomando n = 1en la ecuacin (1) vemos que: 4. i0 = jji la condicin de equilibrio detallado. A la inversa, (3) implica la reversibilidad. Para ver esto, se trabaja por induccin sobre n 1para comprobar que: i0 pi0 i1 ...pjn1in Que es equivalente a (1). Adems, podemos comprobar que es un proceso reversibleestacionario, ya que tiene las distribuciones invariantes. Se resume lo anterior con el siguiente teorema. Teorema 1 Un proceso estacionario es reversible si y slo si existe un conjunto positivo de nmeros i sumando a la unidad de tal manera que:
i pij = j pji para todo i, j S Cuando se produzca dicha coleccin, la distribucin de equilibrio existe.
y cada la comn de
Propiedad 1 Una cadena de Markov con matriz de transicin P es reversible si donde signica la multiplicacin. Asi R =
T
1 2 3 1 2 3 1 2 3 . . . .. . . . . . . .
Asi
R=
P =
Si se obtiene una matriz simtrica, es decir, si i pji para todo i, j, entonces el detallado balance de las ecuaciones estn satisfechos. As, la matriz de transicin P es reversible. De lo contrario, P no es reversible. Tcnicamente, con la ayuda del software,para una cadena de Markov irreducible, calculamos pn a un nmero sucientemente grande de potencia n, digamos 100, entonces por lo general se obtendr una matriz que tiene las comunes, y cada la es el vector a limitar . Si las las no son todas iguales, es posible que necesite tomar un n mayor para ver si podemos obtener la matriz deseada. Si no, es posible que indebidamente metamos el tamano de la matriz de transicin ya que, un proceso de Markov nito siempre tiene distribucin estacionaria.
Pseudocdigo
Tomemos como ejemplo la matriz de transicin
P =
Aplicamos los siguientes comandos en R Se asigna a la variable power la multiplicacion de A por un vector numerico del tamano de la matriz > power = f unction(A, n){Ans = diag (dim(A)[1]); for(i in 1:n){Ans = Ans % %A}; Ans} Se crea la matriz inicial sabiendo que es estocastica > P = matrix(c(0, ,5, ,5, ,5, ,5, 0, ,5, ,5, ,25, ,25, 0, 0, ,25, ,25, 0, 0), 4, 4) Se imprime la matriz >P
> P 100 = power(P, 100) > P 100 Por lo que se calcula la matriz de transicin de P
Asi tenemos el vector de P que es = 0,33333330,33333330,16666670,1666667 > x[1, ] [1]0,33333330,33333330,16666670,1666667 Finalmente vericamos si la matriz es simetrica para conocer si es reversible con el siguiente codigo: > t(P 100) P Lo que genera una matriz simetrica que comprueba si es reversible
Conclusin
Hasta el momento, se ha propuesto un mtodo para vericar la reversibilidad de una matriz de transicin, crear la matriz de transicion y el vector jo T con ayuda del programa R. A pesar de que se trata principalmente de matrices de probabilidad de reversibilidad de Markov en tiempo discreto de transicin, la mayor parte de los resultados se mantienen para procesos de Markov continuos y matrices de cambio (generadores innitesimales).
Referencias
[1] Aldous, D. and Fill, J. (2002).Reversible Markov Chains and Random Walks on Graphs. http://www.stat.berkeley.edu/?aldous/RWG/book.html [2] Allen, L.J.S., (2003)..An Introduction to Stochastic Processes with Applications to Biology. Pearson.