Professional Documents
Culture Documents
PROCESOS DE MARKOV.
19
2.6.4.
Es conveniente saber cmo se comporta el sistema, despus de cierto tiempo. Para el caso discreto, se utiliza el vector la de probabilidades
(2.20)
(m + n) = (n) [P ]m
(2.21)
El cual dene una relacin de recurrencia, la cual permite conocer la evolucin del vector de probabilidad de estado en el instante m, conociendo el vector de probabilidad inicial, haciendo n = 0 de la siguiente forma:
m = (0) [P ]m = = (m 2) [P ]2 = (m 1) [P ]
(2.22)
A medida que aumenta el nmero de instantes m, las matrices convergern a un valor estable (Problema 2.1), independiente del vector de probabilidad inicial. Por lo tanto, cuando el sistema llega a un estado estable j, la probabilidad en estado estable llega a ser:
j = l m [Pij ]m
m
(2.23)
= |1 , 2 , 3 , ...
Usando 2.22:
(2.24) (2.25)
(m) (m 1) = (m 1) {[P ] [I ]}
Con m , m 1 m, (m) , con lo que la ecuacin 2.25 queda:
= [P ]
Ntese que se debe cumplir la condicin de probabilidad:
(2.26)
j = 1
j
(2.27)
Ejemplo 2.6 Determinar las probabilidades de estado, en estado estable, de un sistema Markoviano descrito por su matriz de transicin de estados:
0,25 0 0,25 0,25 0,25 0,5 0 0,25 0,5 0,25 0,25 0,25 0,25 0,25 0 0,5
20
CAPTULO 2.
Ntese que la ecuacin 2.27 reemplaza una componente del sistema descrito por la ecuacin 2.26. Luego, reemplazando la componente 4 , el sistema que dene las probabilidades en estado estacionario son:
1 = 0,251 +0,253 +0,254 2 = 0,251 +0,252 +0,253 0,254 3 = 0,51 +0,52 +0,253 1= 1 +2 +3 +4
Ejemplo 2.7 Se considera una seal con amplitud entre 2A y 2A, el cual solo puede tomar valores mltiplos de A. En cualquier instante n, la seal puede, ya sea quedarse en el mismo valor, aumentar A o disminuir A. Al asumir que los cambios tienen igual probabilidad, determine:
La cadena de Markov que describe el proceso. La matriz de transicin de estados. La probabilidad de que en el segundo instante, la seal pase el estado A al estado A. La probabilidad de estado de la seal en estado estable.
2.6.
PROCESOS DE MARKOV.
21
El diagrama de trancisin de estados que se ilustra en la gura 2.3, determina el proceso de Markov donde: 1 otro caso Luego, la matriz de transicin de estados es igual a:
[P ] = Pij =
2 1 3
i = 2A, 2A
1/2 1/2 0 0 0 1/3 1/3 1/3 0 0 0 1/3 1/3 1/3 0 0 0 1/3 1/3 1/3 0 0 0 1/2 1/2
Para denir las probabilidades de transicin para el segundo instante, usando 2.6 se tiene:
[Pij (2)] = [P ] =
2
1 /6 0 0 2/9 1/9 0 1/3 2/9 1/9 2/9 7/18 5/18 1/6 5/12 5/12
Luego PA,A (2) = 1/9 = 0.111. Ntese que dicha probabilidad puede hallarse usando la matriz de transicin de estado inicial PA,A (2) = PA,0 P0,A = 1/3*1/3 = 0.111. En estado estable se debe satisfacer el sistema de ecuaciones, dado por 2.26, y eliminando el trmino 5 mediante la ecuacin 2.27:
1 = 2 = 3 = 4 = 1=
1 2 1 1 2 1 1 +3 2 1 +3 2 + 1 3 3 1 1 + 3 2 + 1 3 3 + 3 4 1 1 +3 3 + 1 3 4 + 2 5 +2 +3 +4 +5
Resolviendo el sistema, las probabilidades de estado en estado estable son: 1 = 2/13 = 0.1538, 2 = 3/13 = 0.2307, 3 = 3/13 = 0.2307, 4 = 3/13 = 0.2307, 5 = 2/13 = 0.1538.
Ejemplo 2.8 Un proceso que describe la ocurrencia de un da lluvioso, cuyos eventos son "lluvia"(R) y "no lluvia"(N), dependen nicamente si el da anterior llovi o no. Determine la matriz de transicin de estados y las probabilidades de estado. Sea PRN la probabilidad de que el primer da llueva y el segundo NO llueva, y PN R la probabilidad de que el primer da NO llueva y el segundo llueva. La matriz de la transicin de estado es:
[P ] = PN R 1 PRN 1 PN R PRN
La cadena de Markov de la gura 2.4 ilustra el proceso. La probabilidades de estado se hallan, eliminando el trmino R mediante la ecuacin 2.27 mediante el sistema de ecuaciones:
N = N PN R + R (1 PRN ) R = 1 N
22
CAPTULO 2.
Luego:
N = R =
Ejemplo 2.9 Un proceso que describe la ocurrencia de un da lluvioso, dependiendo de lo que ocurri en los dos das anteriores. En efecto, se tienen las siguientes probabilidades de transicin de estado:
PRRR : PN RR : PRN R : PN N R :
Probabilidad de que llueva maana, dado que llovi ayer y llovi hoy. Probabilidad de que llueva maana, dado que llovi ayer y NO llovi hoy. Probabilidad de que llueva maana, dado que NO llovi ayer y llovi hoy. Probabilidad de que llueva maana, dado que ni llovi ayer ni llovi hoy.
Determine la matriz de transicin de estados del proceso, tomando como estados los siguientes: Estado 0: Llueve ayer, llueve hoy. Estado 1: NO llueve ayer, llueve hoy. Estado 2: Llueve ayer, NO llueve hoy.
2.6.
PROCESOS DE MARKOV.
23
(2.28)
Por lo tanto, en estado estable, Pij (t) tiende a un valor, su derivada tiende a cero y de la ecuacin 2.19:
t0
l m
k =j
vj p(j ) =
k =j
qkj p(k )
j,
j
p(j ) = 1
(2.29)
Las probabilidades p(j ) se pueden interpretar como la fraccin de tiempo que el sistema permanece en el estado j cuando se considera un tiempo sucientemente largo. Adems se tienen las siguientes variables: Tasa a la cual el sistema deja el estado j: vs (j )p(j ) Tasa a la cual el sistema llega al estado j:
vkj p(k )
k =j
(2.30)
Ntese que, al tomar dichas tasas como ujos, el ujo de entrada es igual al ujo de salida.
Ejemplo 2.10 Determinar las probabilidades de estado en rgimen estable de un sistema Markoviano descrito por sus tasas de transicin de estado 12 , 21 y sus tasas de despacho 1 , 2 , como se ve en la gura 2.6.
Utilizando la ecuacin 2.29:
v (1)p(1; t) = 1 p(1; t) v (2)p(2; t) = 2 p(2; t) vk1 p(k ; t) = 21 p(2; t)
k=1
24
CAPTULO 2.
Resolviendo el sistema:
p(1; t) = 12 21 21 , p(2; t) = 1 + 21 2 (1 + 21 )