LA CADENA DE MARKOV

Muchas de las ms poderosas tcnicas analticas aplicadas en negocios, estn basadas en la teora de la cadena de Markov. La cadena de Markov es un caso especial del proceso de Markov, el cual en s mismo es un caso especial del proceso aleatorio o estocstico. En trminos ms generales, un proceso aleatorio es una familia, o grupo ordenado de variables relacionadas X(t) donde t es un parmetro de indexacin, usualmente tiempo cuando se habla de realizar evaluaciones. Existen diferentes tipos de procesos aleatorios. Dos de las caractersticas ms distinguidas de los procesos son: (1) su estado espacial o el conjunto de valores del proceso que las variables aleatorias pueden tener, y (2) la naturaleza de los parmetros de indexacin. Podemos clasificar procesos aleatorios en cada una de estas dimensiones. 1. Estado Espacial: o estado- continuo: X(t) puede tomar cualquier valor sobre el intervalo continuo o conjunto de dichos intervalos o estado- discreto: X(t) tiene solo valores posibles contables o finitos. {x0, x1 ,xi,..} Un proceso aleatorio de estado- discreto es llamado comnmente una cadena. 2. Parmetro de Indexacin (normalmente es el tiempo t): o tiempo- discreto: los tiempos permitidos a los cuales los cambios en valores que puedan ocurrir son finitos o contables X(t) que pueden ser representados como conjunto {X i} o estado- continuo: los cambios pueden ocurrir en cualquier lugar dentro del intervalo finito o del conjunto de dichos intervalos Cambios en los Estados del Sistema Continuas Continuo Tiempo Discreto Discretas en de un al Nmero Nivel de agua clientes contenido en una represa banco Rango de temperaturas Ventas diarias final del da

Una Clasificacin de Procesos Estocsticos El estado de un proceso aleatorio de tiempo-continuo al tiempo t tiene un valor de X(t); el estado de un proceso de tiempo-discreto al tiempo n es el valor de X p. Una cadena de Markov es un proceso aleatorio de estado-discreto que comienza en el tiempo t (cadena de tiempo- continuo) o n (cadena de tiempodiscreto) que solo depende del estado actual X(t) o Xp, y ni de cmo la cadena

alcanzo su estado corriente o de cunto tiempo ha permanecido en ese estado. Consideramos una cadena de Markov de estado-finito de tiempo {Xt, t= 0, 1, 2, } con probabilidades de transicin estacionarias (condicionales): P [Xt+1 = j | Xt = i ] donde i, y j pertenecen al conjunto S. Supongamos que P = pij denota la matriz de probabilidades de transicin. Las probabilidades de transicin entre t y t + 1 son indicadas por pn ijy por la matriz de transicin Pn = Pn

Una Cadena Tpica de Markov con tres Estados y Sus Probabilidades Tradicionales Estimadas

Elementos de una Cadena de Markov: Una cadena de Markov consiste de

Un nmero de estados finito Un estado recurrente al cual la cadena retorna con probabilidad Un estado el cual es no recurrente llamado estado transitorio. Un conjunto posible de estados cerrados y absorbidos. Una funcin de transicin probabilstica de estado a estado El estado inicial S0 con distribucin de probabilidad P0.

Representacin Esquemtica Pasajera,Estados Cerrados y Absorbidos

En la figura anterior, el estado A es un estado absorbente. Una vez que el proceso entra en este estado, no lo abandona. Similarmente, los estados Dl, D2, y D3 representan un conjunto cerrado. Despus de haber introducido D1, el proceso se puede mover a D2 o D3, pero no puede hacer otra transicin a ningn otro estado. En contraste, los estados Bl, B2 y B3 representan un conjunto pasajero, conectando el estado absorbente A con el conjunto cerrado D. Dos Cadenas de Markov Especiales:

Cadena de Ruina de Gambler: Esta cadena es un camino aleatorio sobre S con barreras adsorbentes. La Cadena de Camino Aleatorio: Esta cadena es un camino aleatorio sobre S con barreras reflexivas.

El Resultado Principal: Si el lmite de pn ij = pj existe con n aproximaciones, la distribucin limitante o estacionaria de la cadena P = {pjpuede ser encontrada mediante la resolucin del siguiente sistema de ecuaciones lineales: P P = P Ejemplo Numrico: La siguiente matriz representa una cadena de Markov de cuatro estados con la matriz de probabilidad pasajera: |0,25 0,20 0,25 0,30| |0,20 0,30 0,25 0,30| P= |0,25 0,20 0,40 0,10| |0,30 0,30 0,10 0,30| Note que la suma de cada columna en esta matriz es uno. Cualquier matriz con estas propiedades es llamada matriz de probabilidad o matriz de Markov. Estamos interesados en la pregunta siguiente:

Cul es la probabilidad de que el sistema este en el isimo estado, al n-simo perodo de transicin? Para responder esta pregunta, primero definimos el vector estado. Para una cadena de Markov, la cual tiene k estados, el vector estado para un periodo de observacin n, es el vector columna definido por

x(n) =

x1 x2 . . xk

donde xi = probabilidad de que el sistema es en el isimo estado al momento de la observacin. Note que la suma de las entradas del vector estado tiene que ser uno. Cualquier vector columna x, x1 x2 x= . . xk donde x1+ x2+ . +xk = 1 [x1,x2,. ,xk] es llamado un vector probabilidad. Considere nuestro ejemplo - suponga que el vector de estado inicial x0 es: 1 0 0 0

x(0) =

En el prximo periodo de observacin digamos, al final de la primera semana, el vector estado ser 0,25 0,20 x(1)= Px(0)= 0,25 0,30 Al final de la 2da semana el vector estado es Px1

|0,25 0,20 0,25 0,30| |0,25| = |0,2550| |0,20 0,30 0,25 0,30| |0,20| = |0,2625| x(2) = Px(1) = |0,25 0,20 0,40 0,10| |0,25| = |0,2325| |0,30 0,30 0,10 0,30| |0,30| = |0,2500| Note que podemos calcular x2 directamente utilizando x0 como x(2) = Px(1) = P(Px(0)) = P2 x(0) Similarmente, podemos encontrar el vector estado para 5 to, 10mo, 20avo, 30avo, y 50avo perodos de observacin.

0,2495 0,2634 (5) 5 (0) x = P x = 0,2339 0,2532 0,2495 0,2634 (10) 10 (0) x = P x = 0,2339 0,2532 0,2495 0.2634 (20) 20 (0) x = P x = 0,2339 0,2532 0,2495 0,2634 x(30) = 0,2339 0,2532 0,2495 0,2634 x(50) = 0,2339 0,2532

Los mismos resultados limitantes pueden ser obtenidos resolviendo el sistema de ecuaciones lineales P = utilizando este JavaScript, el cual sugiere que el vector estado se aproxima a algunos vectores fijos, mientras el nmero de perodos observaciones incrementa. Este no es el caso para cada cadena de Markov. Por ejemplo, si P= ,y x(0) = 1 0 0 1 1 0

Podemos calcular el vector estado para diferentes perodos de observacin: x(1) = |0| (2) |1| (3) |0| (4) |1| ,......., ,x = ,x = ,x = (2n) |1| |0| |1| |0| x = |1| , y x(2n+1) = |0| |0| |1|

Estos clculos indican que el sistema oscila y que no se aproxima a ningn a ningn vector fijo.
A usted podra gustarle utilizar el JavaScript de Multiplicacin de Matrices y Calculador-I de la Cadenas de Markov para comprobar sus clculos y realizar algunas experimentaciones numricas para una comprensin ms profunda de estos conceptos.

CORRELACIN Y REGRESIN EMPLEANDO EXCEL Y GRAPH 1) ANLISIS DE CORRELACIN Dado dos variables, la correlacin permite hacer estimaciones del valor de una de ellas conociendo el valor de la otra variable. 1.1) DIAGRAMA DE DISPERSIN Los diagramas de dispersin son planos cartesianos en los que se marcan los puntos correspondientes a los pares ordenados (X,Y) de los valores de las variables. 1.2) CLASIFICACIN DE LA CORRELACIN 1.2.1) Segn la relacin entre variables - Correlacin lineal: Se representa mediante una lnea recta. - Correlacin no lineal: Se representa con una lnea curva. 1.2.2) Segn el nmero de variables - Correlacin simple: La variable dependiente acta sobre la variable independiente. - Correlacin mltiple: Cuando la variable dependiente acta sobre varias variables independientes. - Correlacin parcial: Cuando la relacin que existe entre una variable dependiente y una independiente es de tal forma que los dems factores permanezcan constantes. 1.2.3) Segn el valor cuantitativo - Correlacin perfecta: El valor del coeficiente de correlacin es 1 - Correlacin imperfecta: El coeficiente de correlacin es menor a 1 sea en sentido positivo o negativo. - Correlacin nula: El coeficiente de correlacin es 0. No existe correlacin entre las variables. Ejemplo: Nmero de calzado de una persona y su cociente intelectual. 1.2.4) Segn el signo - Correlacin positiva.- Dos variables tiene correlacin positiva cuando al aumentar o disminuir el valor de una de ellas entonces el valor correspondiente a la otra aumentar o disminuir respectivamente, es decir, cuando las dos

variables aumentan en el mismo sentido. Ejemplo: Peso de una persona y su talla. - Correlacin negativa.- Dos variables tiene correlacin negativa cuando al aumentar o disminuir el valor de una de ellas entonces el valor de la otra disminuir o aumentar respectivamente, es decir, una variable aumenta y otra disminuye o viceversa. Ejemplo: Nmero de partidos ganados por un equipo en una temporada y su posicin final en la tabla. 1.3) COEFICIENTES DE CORRELACIN Los coeficientes de correlacin son medidas que indican la situacin relativa de los mismos sucesos respecto a las dos variables, es decir, son la expresin numrica que nos indica el grado de relacin existente entre las 2 variables y en qu medida se relacionan. Son nmeros que varan entre los lmites +1 y -1. Su magnitud indica el grado de asociacin entre las variables; el valor r = 0 indicadores de una correlacin perfecta positiva (al crecer o decrecer X, crece o decrece Y) o negativa (Al crecer o decrecer X, decrece o crece Y).

Para interpretar el coeficiente de correlacin utilizamos la siguiente escala:

1.3.1) COEFICIENTE DE CORRELACIN DE KARL PEARSON Llamando tambin coeficiente de correlacin producto-momento. Se calcula aplicando la siguiente ecuacin:

r = Coeficiente producto-momento de correlacin lineal x=XX;y=YY

EJEMPLO ILUSTRATIVO: Con los datos sobre las temperaturas en dos das diferentes en una ciudad, determinar el tipo de correlacin que existe entre ellas mediante el coeficiente de PEARSON.

Solucin: Se calcula la media aritmtica

Se llena la siguiente tabla:

Se aplica la frmula:

Existe una correlacin moderada En Excel se calcula de la siguiente manera:

El diagrama de dispersin en Excel:

El diagrama de dispersin en el programa Graph:

TAREA DE INTERAPRENDIZAJE 1) Elabore un organizador grfico de los tipos de correlacin. 2) Con los datos de la siguiente tabla sobre las temperaturas del da X y del da Y en determinadas horas en una ciudad

2.1) Calcule el coeficiente de correlacin de Pearson empleando la frmula y mediante Excel. 2.2) Elabore el diagrama de dispersin de manera manual. 2.3) Elabore el diagrama de dispersin empleando Excel. 2.4) Elabore el diagrama de dispersin empleando el programa Graph. 3) Cree y resuelva un ejercicio similar al anterior. 4) Consulte y presente un ejemplo resuelto del coeficiente de correlacin de Pearson para datos agrupados en intervalos en http://www.monografias.com/trabajos85/coeficiente-correlacionkarlpearson/coeficiente-correlacion-karl-pearson.shtml

1.3.2) COEFICIENTE DE CORRELACIN POR RANGOS DE SPEARMAN Este coeficiente se emplea cuando una o ambas escalas de medidas de las variables son ordinales, es decir, cuando una o ambas escalas de medida son posiciones. Ejemplo: Orden de llegada en una carrera y peso de los atletas. Se calcula aplicando la siguiente ecuacin:

rs = Coeficiente de correlacin por rangos de Spearman d = Diferencia entre los rangos (X menos Y) n = Nmero de datos Nota: Los datos hay que traducirlos u ordenarlos en rangos. A los puntajes ms elevados le asignamos el rango 1 al siguiente el rango 2 y as sucesivamente. Si se repiten dos puntajes o ms se calculan las medias aritmticas. Ejemplo ilustrativo: La siguiente tabla muestra el rango u orden obtenido en la primera evaluacin (X) y el rango o puesto obtenido en la segunda evaluacin (Y) de 8 estudiantes universitarios en la asignatura de Estadstica. Realizar el diagrama de dispersin y calcular el coeficiente de correlacin por rangos de Spearman. LINKOGRAFIA. Arsham, H. (1994). Guas de consulta justas del uso para los multimedia educativos de http://home.ubalt.edu/ntsbarsh/stat-data/Forecasts.htm#rintrocomatrix