Professional Documents
Culture Documents
Cadenas de Markov
UNI-NORTE
CARRERAS ING. DE SISTEMAS E
INDUSTRIAL
I semestre 2008
Maestro
Ing. Julio Rito Vargas Avils.
Sumario
Procesos
estocsticos
Concepto de cadena de Markov
Ecuaciones de Chapman-Kolmogorov
Clasificacin de estados
Cadenas absorbentes
Distribucin estacionaria
Procesos estocsticos
Procesos estocsticos
Un
Procesos estocsticos
Un
X t : ,
t T
X t X , t
Procesos estocsticos
Tendremos
X , 0 : T
t X t , 0
Procesos estocsticos
Asimismo,
X t0 , :
X t0 ,
Procesos estocsticos
El
S X t | t T
Ejemplo de proceso
estocstico
Lanzamos
Ejemplo de proceso
estocstico
={CCCCCC,CCCCCF,}
card()
P(
= 26 = 64
)=1/64
T={1,
2, 3, 4, 5, 6}
S={6, 5, , 1, 0, 1, 2, , 5, 6}
X1()={1, 1}
X2()={2,
0, 2}
X3()={3,-1
1, 3}
Ejemplo de proceso
estocstico
fijo , por ejemplo 0=CCFFFC, obtengo
una secuencia de valores completamente
determinista:
Si
Puedo
Ejemplo de proceso
estocstico
Ejemplo de proceso
estocstico
Si
X3 :
X 3
Los
Ejemplo de proceso
estocstico
Podemos
1 1 1 3
P X 3 ( ) 1 P CFC P CCF P FCC 3
2 2 2 8
1 1 1 1
P X 3 ( ) 3 P CCC
2 2 2 8
1 1 1 3
P X 3 ( ) 1 P FCF P FFC P CFF 3
2 2 2 8
1 1 1 1
P X 3 ( ) 3 P FFF
2 2 2 8
T discreto
T continuo
S discreto
S continuo
Cadena
Sucesin de
variables
aleatorias
continuas
Ejemplo anterior
Sucesin de variables aleatorias continuas:
cantidad de lluvia cada cada mes
Proceso puntual: Nmero de clientes
esperando en la cola de un supermercado
Proceso continuo: velocidad del viento
Concepto de
cadena de Markov
En honor al matemtico ruso
Andrei Andreyevich Markov,
Cadenas de Markov
Cadenas de Markov
X t 1 j
P X t 1 j
X 0 , X 1 ,..., X t
X t
Probabilidades de transicin
X t 1 j
, i, j S , t T
X t i
X t 1 j
q
ij
X t i
Matriz de transicin
Los
q00
q10
Q
q20
...
q01
q11
q21
...
q02 ...
q12 ...
q
ij
i , jS
q22 ...
... ...
Propiedades de la matriz de
transicin
i, j S , qij 0,1
i S ,
q
jS
ij
Diagrama de transicin de
estados
El
qij
0,1
0,7
0,1
0,9
1
0,3
0,7
1+
(1)
1+
(1)
(1)
(1)
1+
Ejemplo: Lanzamiento de un
dado
Se
1, 2, , 100}
Ejemplo: Lanzamiento de un
dado
1
2/3
2/3
2/3
2/3
2/3
2/3
1/3
1/3
1/3
1/3
1
2/3
97
1/3
1/3
2/3
98
1/3
2/3
99
1/3
1/3
100
Ejemplo: organismos
unicelulares
Se
Ejemplo: organismos
unicelulares
Mediante
k 0,1,2,..., i , qi , 2 k
i
k i k
1 p p
k
Ecuaciones de
Chapman-Kolmogorov
Ecuaciones de ChapmanKolmogorov
Teorema:
Las probabilidades de
transicin en n pasos vienen dadas por la
matriz p(n):
i, j S , P
X t n j
p (n)
ij
X t i
pik( m ) pkj( n m )
k 0
Ecuaciones de ChapmanKolmogorov
X t n 1 j
P
kS
P X t n k X t n 1 j
X t i
X t i
kS
X t n k
qik n P
kS
P X t n 1 j
H .I .
X t i
X t n k
X t n 1 j
X t n k
q n q q n 1
ik kj ij
kS
Ecuaciones de ChapmanKolmogorov
Por
Clasificacin
de estados
Clasificacin de estados
X n j para algn n 0
X 0 i
Subconjuntos cerrados
Sea
Estados recurrentes y
transitorios
Si
Estados recurrentes y
transitorios
Estados recurrentes y
transitorios
Cadenas
transitorias
Proposicin:
recurrentes
Cadenas recurrentes y
transitorias
1p
1p
1p
1p
1p
p
1p
p
1p
p
1p
n+1
Cadenas recurrentes y
transitorias
Esta
Periodicidad
Periodicidad
2
1
5
3
Periodicidad
Proposicin:
Periodicidad
Ejemplo
A1
A3
A2
Cadenas ergdicas
0
Q 0
14
1
3
Ejemplos
1
Dibujar el DTE:
1/3
1/4
1/2
b
1/2
3/4
d
1/4
1/4
1/2
2/3
1/3
1/3
e
1/3
Ejemplos
2
Cb={b, d, a, c, e}=Cd=S
Ejemplos
Recurrentes: a, c, e
Transitorios: b, d
Peridicos: ninguno
Absorbentes: ninguno
Movimientos entre
recurrente s
Q
Paso de transitorios
a recurren tes
Movimientos entre
transitorios
Ejemplos
En nuestro caso, la nueva ordenacin de S es
S={a, c, e, b, d}, con lo que obtenemos:
2
3
3
0
0
0
2
1
3
3
0
0
0
0
0
0
0
4
2
Ejemplos
Ejemplo:
0,8
Q 0
0
0 1
0,2 0
0
0
0
0 0
0,4 0,4 0
0,2 0 0
0
0
0
1
0
0
0 0,7
0
0
1
0
0
0
0,3 0
0
Ejemplos
1
Dibujar el DTE:
0,3
a
0,8
0,4
1
0,4
b
0,2
0,2
0,7
1
1
Ca={a, c, e}=Cc=Ce
Cf={f, d}=Cd
Cg={g}
Recurrentes: a, c, d, e, f, g
Transitorios: b
Peridicos: a, c, e (todos de periodo 2)
Absorbentes: g
Ejemplos
0
Q
...
0
Z
1
...
P2
...
P3
...
...
...
...
...
...
0
Z2
0 ... Pn
Z3
Zn
0
Z
Ejemplos
En nuestro caso, reordenamos S={a, c, e, d, f, g,
b} y obtenemos:
0 1 0
0,8 0 0,2
1
0
0
0
0
0
0
1
0
0
Q 0
0
0 0
0 0,4
0,7 0,3 0
0
0
0
0
0
0
0 1 0
0,4 0 0,2
Ejemplos
1
1p
2
1p
3
1p
Ejemplos
Ejemplo:
Ejemplos
La
Ejemplos
La
Ejemplos
La
Ejemplos
La
Ejemplos
La
Ejemplos
Ejemplos
Ejemplos
La
Ejemplos
Ejemplos
2
3
Ejemplos
Ejemplos
2
3
6
5
Cadenas absorbentes
Concepto de cadena
absorbente
Sea X una CM cuyos estados son todos transitorios
o absorbentes. En tal caso diremos que X es
absorbente.
Si X es finita y absorbente, reordenamos S poniendo
primero los estados transitorios y obtenemos:
Q' R
Q
0 I
La probabilidad de ser
absorbido por un estado absorbente jS,
suponiendo que empezamos en el estado
transitorio iS, viene dada por el elemento
(i,j) de la matriz (IQ)1 R, que se denomina
matriz fundamental de la CM
Ejemplo de CM absorbente
En
Ejemplo de CM absorbente
0
0 0,5
0 0,5 0
0
0
0,5 0 0,5 0
0 0,5 0 0,5 0
0
Q
0 0,5 0 0,5 0
0
0
0
0
0
1
0
0
0
0
0
1
0
0 0,5 0
0,5 0 0,5 0
Q'
0 0,5 0 0,5
0
0 0,5 0
0,5
0,5
0
0
Ejemplo de CM absorbente
Realizamos
I Q' 1
1
0,5
0
0
0,5
1
0,5
0
0
0,5
1
0,5
0
0
0,5
1
0,2
0,4
I Q' 1 R
0,6
0,8
1,6
1,2
0,8
0,4
0,8
0,6
0,4
0,2
1,2
2,4
1,6
0,8
0,8
1,6
2,4
1,2
0,4
0,8
1,2
1,6
Ejemplo de CM absorbente
Ejemplo de CM absorbente
Distribucin
estacionaria
Concepto de distribucin
estacionaria
j S , p j lm qij n
n
p
jS
Existencia de la distribucin
estacionaria
j S ,
p j pi qij
iS
p
jS
p q
iS
ji
pi qij
iS
Ejemplos
0,7
0,3
Ejemplos
p0 0,9 p0 0,3 p1
Nodo 1 :
p1 0,1 p0 0,7 p1
O lo que es ms fcil,
p0
T
p Q p, donde p
p
1
p0 p1 1
Ejemplos
p0 0,75;
p1 0,25
Ejemplos
p0 0,9 p0 0,3 p0 3
La solucin verdadera ser de la forma (3k,k)T.
Aplicando la normalizadora,
3k k 1 k 0,25
Con lo cual la solucin verdadera es (075,025)T
Ejemplos
Q 0,6 0 0,4
0 0,4 0,6
Ejemplos
Ejemplos
p2 0,5 0 0,4
p 0,2 0,4 0,6
3
p1
p2
p
3
p1 p2 p3 1
Ejemplos
0,7
0,6
0,7
0,7 0,3 1
0,5 0,4 p3 p3
0,6
0,6 0,4 0,6
1 0,3 0,6 p2 p2
0'7
1
k
,
k
,
k
0'6 0'6
0'6 ,0'7 ,
, ,
23 23 23
0'6 0'7 1
0'6 ,0'7 , T
Ejemplos
Nodo 0 : p1 p2 ... pM 1 p0
Nodo i i 1,2,..., M 1 : 1 pi 1 pi 1 pi
Nodo M : 1 pM 1 pM
Ejemplos
4 Podemos despejar pi en la ecuacin de cada
nodo i, y as observamos que los pi forman una
progresin geomtrica, cuya razn llamaremos :
1
i 1,2,..., M 1 , pi
pi 1 pi 1
1
i 0,1,..., M 1 , pi i p0
Ejemplos
Usando la suma de los M1 primeros trminos
de una sucesin geomtrica y la ecuacin
normalizadora, llegamos a la solucin:
p0
1
i 1,..., M 1 , pi i p0
1 M 1
pM
p0
Ejemplo #1
El departamento de estudios de mercado de
una fbrica estima que el 20% de la gente que
compra un producto un mes, no lo comprar
el mes siguiente. Adems, el 30% de quienes
no lo compren un mes lo adquirir al mes
siguiente. En una poblacin de 1000
individuos, 100 compraron el producto el
primer mes. Cuntos lo comprarn al mes
prximo? Y dentro de dos meses ?.
0.80
0.20
0.30
0.70
Calculo
0.8 0.2
P (1)
0
.
3
0
.
7
Matriz inicial
0.8 0.2
(350,650)
(C , N) 100 900
0
.
3
0
.
7
P ( 2 )
0
.
3
0
.
7
0
.
3
0
.
7
0
.
45
0
.
55
0.7 0.3
(475,525)
(C , N) 100 900
0
.
45
0
.
55
Ejemplo #2:
El clima en el pueblo de Centerville puede cambiar con
rapidez de un da a otro. sin embargo, las posibilidades
de tener clima seco (sin lluvia) maana es de alguna
forma mayor si hoy est seco, es decir, no llueve. En
particular, la probabilidad de que maana est seco es
de 0.8 si hoy est seco, pero es de slo 0.6 si hoy llueve.
Estas probabilidades no cambian si se considera la
informacin acerca del clima en los das anteriores a
hoy.
La evolucin del clima da tras da en Centerville es un
proceso estocstico. Si se comienza en algn da inicial,
el clima se observa cada da t, para t=0,1,2,El estado
del sistema en el da t puede ser.
Estado 0 = El da t es seco. O
Estado 1= El da t es lluvioso
0 0.8 0.2
P
1 0.6 0.4
0 si da t es seco
1 si da t es lluvioso
Xt
(1)
0 .8
0.6
0.2
0.4
0 .8
P ( 2 ) P (1) P (1)
0.6
0 .2 0 .8
0.4 0.6
0.8
P ( 3) P (1) P ( 2 )
0 .6
0.2
0.4
0.76
0.72
0.8
P ( 4 ) P (1) P ( 3)
0 .6
0.2
0.4
0.752
0.744
0 .8
P ( 5) P (1) P ( 4 )
0 .6
0.2 0.75
0.4 0.749
0 .2
0.76
0 .4
0.72
0.24
0.28
0.24
0.752
0.28
0.744
0.248
0.75
0.256
0.749
0.25
0.75
0.251
0.75
0.248
0.256
0.25
0.251
0.25
0.25
Observe que en la
matriz de cinco
pasos, las dos filas
tienen elementos
idnticos. Esto se
denomina probabilidad del estado
estable de la cadena
de Markov.
Ejemplo #3:
Hay tres marcas nacionales de cerveza principales
(B,M,S). Piense en el volumen total (en galones) que se
consumieron el ao pasado de estas tres cervezas. En la
grfica se muestra la proporcin del total del mercado( o
sea, la participacin en el mercado) de cada marca.
Marca de
cerveza
Participacin
en el
mercado
0.3
0.5
0.2
0.85
(1)
P =
0.08
0.85
(2)
P = 0.13
0.08
0.13
P(3)=
0.85
0.10
0.05
0.08
0.85
0.07
0.13
0.17
0.70
0.1 0.05
0.85 0.07
0.1 0.05 0.85 0.1 0.05
0.17
0.7 0.08 0.85 0.07 =
0.85 0.07
0.651715
0.197352
0.2710469
0.23979 0.108495
0.664675 0.13797
0.34296 0.3859
P(4)=
0.23979 0.108495
0.664675 0.13797
0.34296 0.3859
(5)
P = 0.08 0.85 0.07 X
P(5)=
0.651715
0.197352
0.2710469
X
P(6)= 0.08 0.85 0.07
(6)
P = 0.2971893668 0.5364355256 0.1663751070
(7)
P =
P(8)=
0.4521127090
0.3917573551
0.1561299348
0.85
0.1 0.05 0.4404656913
0.3674443122
0.1920899955
X
P(9)= 0.08 0.85 0.07
0.3326526435 0.4973007532 0.1700466023
X
P(8)= 0.08 0.85 0.07
X
P(10)= 0.08 0.85 0.07
(10)
P =
0.3760365879
0.4457034227 0.1782599881
0.4142812820 0.4223502173
0.1633684991
P(11)=
(13)
P =
0.3813459817
0.4475543162 0.1710997004
0.3976255273 0.4360954899
0.1662789808
(14)
P = 0.3739433721 0.4564784378 0.1695781883
0.3944856049 0.4387111459
0.1668032470
0.3821913908
0.4476427160 0.1701658913
P(15)=
0.3764153058 0.4542293014 0.1693553909
0.3920940780 0.4407095866
0.1671963332
0.3827956653
0.4476436493 0.1695606834
P(16)=
0.3783075548 0.4525268533 0.1691655898
0.3920940780
0.4407095866 0.1671963332
0.3832306963
0.1691673169
0.85
0.1 0.05 0.4476019847
0.3902722565 0.4422359331
0.1674918080
0.3832306963
0.4476019847 0.1691673169
(17)
P =
0.3797550965 0.4512367311 0.1690081701
P(25)=
( B M S)
Friday
Decision
Variable
Solution
Value
B
M
S
0.3844
0.4472
0.1684
Objective
Function
(Max.) =
0.3844
Constraint
Left Hand
Side
Direction
Right Hand
Side
C1
C2
C3
C4
0.0000
0.0000
0.0000
1.0000
=
=
=
=
0
0
0
1.0000
1.0000
0
0
0.3844
0
0
0
0
0
June
06
2008
Basis
Status
Allowable
Min. c(j)
Allowable
Max. c(j)
basic
basic
basic
0
-M
-0.2174
M
0.1786
18.5000
Slack
or Surplus
0
0
0
0
Shadow
Price
4.2973
0
0.5807
0.3844
Allowable
Min. RHS
0
0
0
0
Allowable
Max. RHS
0.1100
M
0.1375
M
Ejemplo #4
En una poblacin de 10,000 habitantes, 5000 no fuman, 2500
fuman uno o menos de un paquete diario y 2500 fuman ms de
un paquete diario. En un mes hay un 5% de probabilidad de que
un no fumador comience a fumar un paquete diario, o menos, y
un 2% de que un no fumador pase a fumar ms de un paquete
diario. Para los que fuman un paquete, o menos, hay un 10% de
probabilidad de que dejen el tabaco, y un 10% de que pasen a
fumar ms de un paquete diario. Entre los que fuman ms de un
paquete, hay un 5% de probabilidad de que dejen el tabaco y un
10% de que pasen a fumar un paquete, o menos. Cuntos
individuos habr de cada clase el prximo mes? Y dentro de
dos meses?
No fuman
Poblacin
Fuman
2
Fuman
1
Ejemplo 4
Ejemplo 4
P
(1)
0.93
0.05
0.02
0.10
0.80
0.10
0.05
0.10
0.85
0.0885 0.0406
0.167 (5047,2498.75,2454.25)
0.1675 0.7335
0.655
4,000 no fumadores
3,500 fuman 1 paquete, o menos, diario
2,500 fuman ms de un paquete diario.
Problema #5:
La cervecera ms importante de la costa este (con etiqueta A) ha
contratado a un analista de IO para analizar su posicin en el mercado. En
especial, la empresa est preocupada por las actividades de su mayor
competidor (con etiqueta B). El analista piensa que el cambio de marca se
puede modelar como una cadena de Markov que incluya tres estados: Los
estados A y B representan a los clientes que beben cerveza que producen
las mencionadas cerveceras y el estado C representa todas las dems
marcas. Los datos se toman cada mes y el analista construye la siguiente
matriz de transicin (de un paso) con datos histricos.
A
0.70
0.20
0.10
0.20
0.75
0.05
0.10
0.10
0.80
0.346
0.385
0.269
0.346
0.385
0.269
0.346
0.385
0.269
P(21)=