Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema4pe PDF
Tema4pe PDF
P (Xn = j | Xn1 = i)
se denomina cadena homognea, esto es, las probabilidades son las mismas en cada paso.
Probabilidades de Transicin
donde i, j = 1, 2, . . . , m. Si pij > 0 entonces se dice que el estado Ei puede comunicar con
Ej . La comunicacin puede ser mutua si tambin pji > 0.
Para cada i fijo, la serie de valores {pij } es una distribucin de probabilidad, ya que
en cualquier paso puede ocurrir alguno de los sucesos E1 , E2 , . . . , Em y son mutuamente
excluyentes. Los valores pij se denominan probabilidades de transicin que satisfacen la
1
condicin
pij > 0,
Xm
pij = 1,
j=1
Se puede observar que cada fila de la matriz es una distribucin de probabilidad, es decir,
Pm
j=1 pij = 1.
Observacin.
Si las matrices A = [aij ] y B = [bij ] son matrices estocsticas, entonces C = A B es
tambin estocstica.
Por la regla de multiplicacin de matrices,
"m #
X
C = [cij ] = [aij ] [bij ] = aik bkj
k=1
De este modo
X
m X
m X
m X
m X
m X
m
cij = aik bkj = aik bkj = aik 1 = 1.
j=1 j=1 k=1 k=1 j=1 k=1
Una consecuencia es que cualquier potencia de la matriz T es tambin una matriz estocs-
tica: T n .
(n)
Probabilidad pj
2
n o
(0)
Se observa que pi es la probabilidad de que el sistema ocupe inicialmente el estado
Ei , de modo que
X
m
(0)
pi = 1.
i=1
(1)
Si se denomina pj a la probabilidad de alcanzar Ej en un solo paso, entonces, por el
teorema de probabilidad total
(1)
X
m
(0)
pj = pi pij .
i=1
Esto se puede expresar de forma vectorial: sean p(0) y p(1) los vectores fila de probabilidad
dados por
(0)
p(0) = p1 , . . . , p(0)
m
y
(1)
p(1) = p1 , . . . , p(1)
m ,
y en n pasos,
p(n) = p(n1) T = p(0) T n
donde
(n)
p(n) = p1 , . . . , p(n)
m
y de manera general,
p(n+r) = p(r) T n
3
(n)
NOTA: pj es la probabilidad incondicional de estar en el estado Ej en el n-simo paso,
dado que la probabilidad inicial es p(0) , esto es,
(n)
P (Xn = j) = pj ,
(n)
Probabilidad de transicin en n pasos pij
(n)
Se define pij como la probabilidad de que la cadena est en el estado Ej despus de
n pasos, dado que la cadena empez en el estado Ei . Se tiene que
(n)
pij = P (Xn = j | X0 = i)
(n)
X
m
pij = P (Xn = j, Xn1 = k | X0 = i) ,
k=1
para n 2, ya que la cadena debe haber pasado por uno de los m posibles estados en la
etapa n 1.
P (A B | C) = P (A | B C) P (B | C)
Si se sustituye
A (Xn = j)
B (Xn1 = k)
C (X0 = i)
4
entonces
(n)
X
m
pij = P (Xn = j, Xn1 = k | X0 = i) =
k=1
X
m
= P (Xn = j | Xn1 = k, X0 = i) P (Xn1 = k | X0 = i) =
k=1
Xm
= P (Xn = j | Xn1 = k) P (Xn1 = k | X0 = i) =
k=1
Xm
(1) (n1)
X
m
(n1) (1)
= pkj pik = pik pkj
k=1 k=1
(2)
ya que pik son los elementos de T 2 y as sucesivamente. As,
h i
(n)
pij = T n .
Ejemplo.
En una cierta regin el tiempo atmosfrico sigue la siguiente secuencia: Un da se
denomina soleado (S) si el sol luce ms de la mitad del da, y se denomina nublado (N ),
si lo hace menos. Por experiencia, se sabe que si hay un da nublado, es igual de probable
que el da siguiente sea tambin nublado. Si el da es soleado hay una probabilidad de 2/3
de que sea tambin soleado.
2. Si hoy est nublado, cul es la probabilidad de que dentro de tres das est tambin
nublado? y de que est soleado?
5
3. Calcula T 5 y T 10 . Cul es el comportamiento de T n cuando n ? Cmo se
comporta p(n) cuando n ? Depende el lmite de p(0) ?
(1) Asumimos que el proceso es markoviamo y que el tiempo slo depende del da anterior.
Se tiene una cadena de Markov con dos estados: E1 Da nublado N, E2 Da soleado
S. La matriz de transicin es:
N S
1 1
N 2 2
1 2
S 3 3
es decir,
1 1
T = 2 2 .
1 2
3 3
De este modo, si hoy est nublado, dentro de tres das, se tiene que
3
(3) (0) 3
1 1
p =p T = 1 0 2 2 =
1 2
3 3
29
43 29 43
= 1 0 72 72 = = 0,403 0,597
43 65 72 72
108 108
(3) 29
As, la probabilidad de que haya un da nublado en el tercer da es p1 = 72
y que sea
(3) 43
soleado es p2 = 72
.
(3)
1 1
5
5 2 2
0,40008 0,59992
T = 1 2 =
3 3
0,39995 0,60005
1 1
10
10 2 2
0,4 0,60000
T = 1 2 = .
3 3
0,40000 0,6
6
Clculos as se facilitan bastante usando programas tipo MatLab, de modo que
n 0,4 0,6
T =Q
0,4 0,6
de este modo,
0,4 0,6
(n) (0) n (0) (0)
p = p T = p1 =
p2
0,4 0,6
(0) (0) (0) (0)
= p1 + p2 0,4 p1 + p2 0,6 =
= 0,4 0,6 ,
(0) (0)
ya que p1 + p2 = 1.
Se observa que cuando n p(n) no depende de dnde se parte: p(0) .
Es obvio que resulta necesario definir un mtodo para calcular potencias de una matriz.
Esto se hace en trminos de diagonalizacin de matrices en trminos de autovalores y
autovectores.
Sea T una matriz de transicin de orden m m, los autovalores de T se encuentran a
partir de la ecuacin caracterstica
|T Im | = 0,
para i = 1, . . . , m.
Construyo la matriz
C= r1 r2 rm ,
7
donde los autovectores estn colocados por columnas. Multiplicando las matrices,
T C = T r1 r2 rm =
T r1 T r2 T rm = 1 r1 2 r2 m rm =
1 0 0
0 2 0
r1 r2 rm .. .. ... .. = CD
. . .
0 0 m
T C = CD =
T = CDC 1
Se puede calcular
T 2 = CDC 1 CDC 1 = CD2 C 1
donde
n1 0 0
0 n2 0
n
D = .. .. . . . .
. . . ..
0 0 nm
Aunque este mtodo es bastante til resulta un poco pesado a la hora de hacer los clculos,
incluso para cadenas a partir de m = 4 5.
En MatLab la sentencia para calcular autovectores y autovalores es
[C,D]=eig(T);
Ejemplo.
Calcular los autovectores y autovalores de la matriz estocstica
1 1 1
4 2 4
T = 1
2
1
4
1
4
1 1 1
4 4 2
8
y determinar T n y el lmite lmn T n .
si se calcula
|T Im | = 0,
se obtiene
1
1 1
4 2 4
1 1
1 = 0 =
2 4 4
1 1 1
4 4 2
1 1
(1 ) = 0
4 4
(T i Im ) ri = 0
y se obtiene
1 1 1
r1 = 1 r1 = 1 r1 = 1
1 2 0
y de este modo
1 1 1
C= r1 r2 r2 = 1 1 1 .
1 2 0
Tn =
CDn C 1 = 1
1 1
1 1 1 1 0 0 3 3 3
1 1 1 0 1 n 1 1 1 .
4 01 n 1
6 6
1
3
1 2 0 0 0 4 2
2
0
9
Supongamos que T es la matriz de transicin de una cadena de Markov con 3 estados
y que la probabilidad inicial es p(0) , entonces, despus de n etapas
p(n) = p(0) T n
y la distribucin lmite es
p = lm p(n) = lm p(0) T n = p(0) Q = 1
3
1
3
1
3
n n
Ejemplo.
Se pueden representar las transiciones entre los estados mediante grafos, donde los
arcos representan las transiciones entre los estados. Por ejemplo, sea el siguiente diagrama
de transicin:
cuya matriz de transicin es:
1/2
E1
1/4
1/4
1/4
E2 E3
1/2
1 1/4
1 1 1
2 4 4
T = 0 1 0
1 1 1
4 4 2
10
Se puede observar, que una vez se entra en el estado E2 ya no se puede volver a salir de
l. Es lo que se denomina un estado absorbente.
Los autovalores son
1 3
1 = 1, 2 = 4
3 = 4
y la matriz de autovectores es
1 1 0
T = 1 0 0
1 1 1
Tn =
CDn C 1 =
1 1 0 1 0 0 0 1 0
n
1 0 0 0 14 1 1 0 .
30n
1 1 1 0 0 4
1 2 1
Cuando n , se tiene que
1 1 0 1 0 0 0 1 0
Tn 1 0 0 0 0 0 1 1 0 =
1 1 1 0 0 0 1 2 1
0 1 0
= 0 1 0 = Q.
0 1 0
esto implica que
p = lm p(n) = lm p(0) T n = p(0) Q = 0 1 0
n n
Ejemplo.
Modelo de enfermedad. Este modelo se puede representar por 4 estados: E1 donde
las personas no tienen enfermedad, E2 donde las personas tienen la enfermedad, E3 es-
tado muerte como consecuencia de la enfermedad y E4 estado muerte por otras causas
Suipongamos la siguiente matriz de transicin
1 1 1
2 4
0 4
1 1 1 1
T = 4 2 8
0 0 1 0
8
0 0 0 1
11
el correspondiente diagrama de transicin es
1/4
1/2 E2
E1
1/2
1/4
1/4
1/8
1/8
1
1
E4 E3
significa que una persona dado que no est enferma en un periodo tiene una probabilidad
de 1/8 de morir en el siguiente periodo por otras causas y as sucesivamente.
En este ejemplo la matriz de transicin tiene la siguiente forma tpica:
A B
T =
O22 I2
Se puede observar que tanto A como B no son matrices estocsticas. Se obtiene que
2
2 A B A B A (I2 + A) B
T = = .
O22 I2 O22 I2 O22 I2
2 A3 (I2 + A + A2 ) B
T =
O22 I2
12
y, en general,
n An (I2 + A + A2 + + An1 ) B
T =
O22 I2
Si se denomina
Sn = I2 + A + A2 + + An1
entonces,
ASn = A + A2 + + An
de modo que
(I2 A) Sn = I2 + A + A2 + + An1 A + A2 + + An = I2 An
luego
Sn = (I2 A)1 (I2 An )
quedando
n An (I2 A)1 (I2 An ) B
T = .
O22 I2
Los clculos, a continuacin, son semejantes al caso anterior.
Los autovalores de A son 1 = 14 , 2 = 34 , la matriz de autovectores es
1 1
C=
1 1
quedando
1 n
n 1 1 4 30n 12 1
2
A = 1 1
1 1 0 4 2 2
13
En este caso, la distribucin lmite es
1 (0) (0) (0) 5 (0) (0) (0)
p= 0 0 p
6 1
+ 13 p2 + p3 p
6 1
+ 23 p2 + p4
luego la distribucin lmite depende de las condiciones iniciales. Por ejemplo, la proba-
bilidad de que un individuo sano muera por enfermedad es, dado que la condicin inicial
es
p(0) = 1 0 0 0
1 5
p= 0 0 6 6
es decir, 16 .
y se obtiene
18 + 38 i 18 38 i 1
C= 1 1 1
1 3 1 3
2 4i 2 + 4i 1
y su inversa es
4 8 2 2 2
15 15
i 5
+ 15
i 15 + 25 i
C 1 = 15
4
+ 8
15
i 2
5
2
15
i 2
15 25 i
8 1 4
15 5 15
14
1 3 n
8 + 8i 0 0 0 0 0
n
Dn = 0 18 38 i 0 0 0 0
n
0 0 1 0 0 1
q
ya que 18 + 38 i = 10
8
< 1. Finalmente,
8 1 4
15 5 15
T n 8
15
1
5
4
15
=Q
n 8 1 4
15 5 15
Estado absorbente
Un estado es absorbente cuando una vez que se entra en l no se puede salir del mismo.
Un estado Ei es absorbente si
pii = 1
pij = 0 (i 6= j, j = 1, . . . , m)
en la i-sima fila de T.
Estado peridico
(n)
La probabilidad de que se regrese al estado Ei en el paso n es pii . Sea t un nmero
entero mayor que 1. Supongamos que
(n)
pii = 0 para n 6= t, 2t, 3t, . . .
(n)
pii 6= 0 para n = t, 2t, 3t, . . .
15
En este caso se dice que el estado Ei es peridico de periodo t. Si para un estado no existe
dicho valor de t entonces se dice que el estado es aperidico.
Alternativamente, se puede definir
n o
(n)
d(i) = mcd n | pii > 0 ,
es decir, el mximo comn divisor de (mcd) del conjunto de los enteros n para los que
(n)
pii > 0. Entonces, el estado Ei es peridico si d(i) > 0 y aperidico si d(i) = 1
Ejemplo.
Sea una cadena de Markov con la siguiente matriz de transicin:
0 12 0 12
0 0 1 0
T = 1 0
0 0
0 0 1 0
cuyo diagrama de estados es
1/2
E1 E2
1/2 1
1
E3
E4
1
Observando este grafo, se ve que todos los estados tienen periodo 3. Por ejemplo, si se
empieza en E1 , entonces los regresos a ese estado slo se producen en los pasos 3, 6, 9, . . .
Se puede comprobar la periodicidad en trminos de la matriz de transicin. Sea
1 0 0 0
0 1 0 1
S = T3 = 2
0 0 1 0
2
0 12 0 12
16
En este ejemplo, resulta que
S 2 = T 6 = SS = S,
de modo que
S r = T 3r = S
0 0 1 0
0 0 1 0
1 0 0 0
T 3r+2 = S r T 2 =
1 1 0 1 ,
2 2
1 0 0 0
y ambas matrices tienen elementos igual a 0 en la diagonal para r = 1, 2, . . .
As, para i = 1, 2, 3, 4
(n)
pii = 0 n 6= 3, 6, 9, . . .
(n)
pii 6= 0 n = 3, 6, 9, . . .
Estado recurrente
(n)
Denominamos como fj la probabilidad de que la primera visita al estado Ej ocurra
(n)
en la etapa n. Esta probabilidad no es la misma que pjj , que es la probabilidad de que se
produzca un retorno en el n-simo paso y esto incluye a los posibles retornos en los pasos
1, 2, 3, . . . , n 1 tambin. Se deduce que
(1) (1)
pjj = fj
(2) (2) (1) (1)
pjj = fj + fj pjj
(3) (3) (1) (2) (2) (1)
pjj = fj + fj pjj + fj pjj ,
17
es decir, la probabilidad de un retorno en el paso 3 es igual a la probabilidad de un primer
retorno en el paso 3 la probabilidad de un primer retorno en el primer paso y un retorno
dos pasos despus la probabilidad de un retorno en el segundo paso y un retorno un
paso despus.
As, en general
(n) (n)
X
n1
(r) (nr)
pjj = fj + fj pjj .
r=1
(n)
Se puede expresar en trminos de fj
(1) (1)
fj = pjj
(n) (n)
X
n1
(r) (nr)
fj = pjj fj pjj .
r=1
X
(n)
fj = fj ,
n=1
Ejemplo.
Una cadena de Markov con tres estados tiene como matriz de transicin
p 1p 0
T = 0 0 1 ,
1q 0 q
18
p
E1
1-p
1-q
E2 E3
1
q
se observa que si se empieza en E1 el primer regreso a este estado se puede hacer en todos
los pasos excepto para n = 2, ya que despus de dos pasos la cadena debe estar en E3 . A
partir de la figura se puede observar que
(1)
f1 = p
(2)
f1 = 0
(3)
f1 = (1 p) 1 (1 q)
y, en general (n 3),
(n)
f1 = (1 p) 1 q n3 (1 q).
(n)
Para n 3, la secuencia que da f1 es
(n 3) veces
z }| {
E1 E2 E3 E3 E3 E1
X
(n)
X
f1 = f1 =p+ (1 p)(1 q)q n3
n=1 n=3
19
si se hace el cambio s = n 3, entonces
X
f1 = p + (1 p)(1 q) qs =
s=0
1
= p + (1 p)(1 q) =1
1q
X
(n)
fj = fj = 1,
n=1
se expresa como
X
(n)
j = nfj .
n=1
X
(n)
X
1 = nf1 = p + (1 p)(1 q) nqn3 =
n=1 n=3
3 2q 2p + pq
=
1q
ya que
NOTA:
P P P P s
n=3 nq
n3
= s 3
s=0 (s + 3)q = 1q +
s
s=0 sq (por ser s=0 q =
1
1q
)
P
Derivando ambos trminos de s 1
s=0 q = 1q , se obtiene,
P s1 1
P s q
s=1 sq = (1q)2 , es decir, s=0 sq = (1q)2 , luego
P P P
n=3 nq
n3
= s 3
s=0 (s + 3)q = 1q +
s 3 q
s=0 sq = 1q + (1q)2 .
20
= ppq+3(1p)(1q)+qpq
1q
p2pq+33q3p+3pq+q 32p2q+pq
Simplificando trminos, esto es igual a 1q
= 1q
.
La expresin anterior es finita en este caso, aunque no tiene por qu ser siempre as.
Un estado recurrente se dice que es nulo, si j = y es no nulo en caso contrario.
Para obtener una cadena con estados recurrentes nulos basta hacer que las probabilidades
de transicin dependan del nmero de pasos n. En el caso de probabilidades de transicin
constantes no aparecen estados recurrentes nulos.
Ejemplo.
Supongamos una cadena con la siguiente matriz de transicin
1 1
2 2
0
T = 0 0 1 ,
1 n
n+1
0 n+1
cuyo diagrama es
1/2
E1
1/2
1/(n+1)
E2 E3
1
n/(n+1)
21
Se tiene que
(1) 1
f1 =
2
(2)
f1 = 0
(3) 1 1
f1 = 1
2 4
en general, para n 4,
(n) 1 3 4 n1 1 3
f1 = 1 = .
2 4 5 n n+1 2n(n + 1)
As,
1 1 3X
1
f1 = + + .
2 8 2 n=4 n(n + 1)
Se tiene que como
1 1 1
=
n(n + 1) n n+1
X N
X
1 1 1 1 1 1
= lm = lm = ,
n=4
n(n + 1) N n=4 n n + 1 N 4 N +1 4
entonces
1 1 31
f1 = + + = 1,
2 8 24
lo que significa que E1 es un estado recurrente.
Por otro lado, el tiempo medio de recurrencia
X
(n) 1 1 3X n
1 = nf1 = 1+ 3+ =
n=1
2 8 2 n=4 n(n + 1)
7 3X
1
= +
8 2 n=4 (n + 1)
7 3 1 1 1
= + + + + =
8 2 5 6 7
7 3X1
= + ,
8 2 n=5 n
P 1
pero n=5 n es la llamada serie armnica (menos los cuatro primeros trminos) que es
divergente. As 1 = , con lo cual E1 es recurrente y nulo.
22
Probabilidad de primera pasada en general
(n)
fij = P (Xn = j, Xr 6= j | X0 = i) ,
r = 1, 2, . . . , n 1 donde n = 1, 2, 3, . . .
Para n = 1,
(1)
fij = P (X1 = j | X0 = i) = pij .
Para n = 2,
(2)
fij = P (X2 = j, X1 6= j | X0 = i) =
X X
= P (X1 = k | X0 = i) P (X2 = j | X1 = k) = pik pkj =
k6=j k6=j
X (1)
= pik fkj .
k6=j
Para n > 2,
(n)
X (n1)
X (n1)
fij = P (X1 = k | X0 = i) fkj = pik fkj .
k6=j k6=j
(n) (s)
Se puede observar que para calcular fij se necesita calcular de modo iterativo fkj
con s < n para todo k 6= j, y se puede expresar la ltima igualdad como el producto de
(n1)
la j-sima coordenada de la matriz T por el vector de los fj :
(n1)
f
1j.
..
f (n1)
(n)
fij = pi1 . . . pi,j1 0 pi,j+1 . . . j1j
(n1)
fjj
(n1)
f
j+1,j
..
.
23
En general, se tiene que
(n1)
f1j
..
p11 . . . p1,j1 0 p1,j+1 ... .
...
fj1j
(n1)
... ... ... ... ...
= (n1)
(n)
fj pi1 f
. . . pi,j1 0 pi,j+1 ...
jj
... ... ... ... ... ... f (n1)
j+1,j
..
.
es decir, con la columna j -sima de la matriz de transicin sustituida por una columna
de ceros.
Tambin, se puede generalizar fj cuando se accede a j desde un estado i cualquiera:
X
(n)
fij = fij .
n=0
Estado transitorio
En un estado recurrente, la probabilidad de que se regrese por primera vez a ese estado
en algn paso es 1, pero para otros estados sucede que
X
(n)
fj = fj <1
n=1
Ejemplo.
Supongamos una cadena con la siguiente matriz de transicin
0 12 14 41
1 1 0 0
T = 2 2
0 0 1 0
0 0 12 21
cuyo diagrama es
24
1/2
E1 E2 1/2
1/2
1/4 1/4
E4 E3 1
1/2 1/2
(1)
f1 = 0
2
(2) 1 1 1
f1 = =
2 2 2
3
(3) 1
f1 =
2
n
(n) 1
f1 = ,
2
as,
X
n
X
(n) 1 1 1 1
f1 = f1 = = 1 1= <1
n=1 n=2
2 1 2
2 2
luego E1 es un estado transitorio. De hecho no se puede acceder a E1 desde E3 E4 .
Estado ergdico
25
Ejemplo.
En la cadena de Markov ya estudiada con tres estados y matriz de transicin
p 1p 0
T = 0 0 1 ,
1q 0 q
donde 0 < p < 1 y 0 < q < 1. Se puede comprobar que E1 es ergdico.
Se tena que
(1)
f1 = p
(2)
f1 = 0
(3)
f1 = (1 p) 1 (1 q)
y, en general (n 3),
(n)
f1 = (1 p) (1 q) qn3 .
Clasificacin de cadenas
En esta seccin se definen propiedades de las cadenas que, en realidad, son propiedades
comunes de los estados de la cadena.
26
Cadenas irreducibles
Una cadena irreducible es aquella en la que todos los estados son alcanzables desde
cualquier otro estado de la cadena en un nmero finito de pasos. Eso implica que se puede
(n)
llegar a cualquier estado Ej desde otro estado Ei esto es pij > 0, para algn nmero
entero n.
(n)
Una matriz A = [aij ] se dice que es positiva si aij > 0 para todos los i, j.
Una matriz de transicin T se dice que es regular si existe un nmero entero N tal
que T N es positivo.
Una cadena regular obviamente es irreducible, sin embargo, lo contrario no tiene por
qu ser necesariamente cierto.
Ejemplo.
Suponemos la siguiente matriz de transicin de una cadena irreducible
0 1
T = .
1 0
Como
2n 1 0
T = = I2
0 1
y
2n+1 0 1
T = =T
1 0
para n = 1, 2, 3, . . . entonces ninguna potencia de T es una matriz positiva y por tanto no
es una cadena regular.
Ejemplo.
Se puede ver que una cadena en la tercera etapa, con matriz de transicin
1 1 1
3 3 3
T = 0 0 1
1 0 0
27
4 1 4
9 9 9
T2 = 1 0 0
1 1 1
3 3 3
y
16 4 7
27 27 27
T3 = 1
3
1
3
1
3
4 1 4
9 9 9
Una propiedad muy importante de las cadenas irreducibles es que todos sus estados
son del mismo tipo, esto es, o bien todos son transitorios o bien todos son recurrentes
(nulos o no nulos) y todos tienen el mismo periodo. Esto significa que la clasificacin de
todos los estados de una cadena se puede deducir a partir de la clasificacin conocida de
uno de los estados.
Tambin es obvio que todos los estados de una cadena finita irreducible no pueden ser
transitorios, ya que eso significara que el regreso a alguno de los estados no sera seguro,
aunque todos los estados fueran accesibles desde cualquiera de ellos en un nmero finito
de pasos.
Conjuntos cerrados
Una cadena de Markov puede contener algunos estados que sean recurrentes, otros que
sean transitorios y otros que sean absorbentes. Los estados recurrentes pueden ser parte
de subcadenas cerradas.
Un conjunto de estados C en una cadena de Markov se dice que es cerrado si cualquier
estado dentro de C puede alcanzarse desde cualquier otro estado de C y ningn otro estado
fuera de C puede ser alcanzado desde cualquier estado dentro de C. As una condicin
necesaria para que esto ocurra es que
pij = 0 Ei C, Ej
/C
Los estados absorbentes son cerrados con slo un elemento. Se puede ver que un
28
subconjunto cerrado es l mismo una subcadena irreducible de una cadena de Markov
completa.
Ejemplo.
Supongamos la siguiente cadena cuyo diagrama es
E1 E2
1/2
1/4
1/4
1/2
1/4
E6 E3
1/4
1/4
1/2
1/4
1/2 1/4
E5 E4
1/2 1/4
29
E4 son transitorios. Todos los estados son aperidicos, lo que significa que E1 , E2 , E5 y
E6 son ergdicos.
Cadenas ergdicas
Se tena que todos los estados en una cadena irreducible pertenecen a la misma clase.
Si todos los estados son ergdicos, esto es, recurrentes, no nulos y aperidicos entonces se
define la cadena como ergdica.
Ejemplo.
Supongamos la siguiente cadena cuya matriz de transicin es
1 4
5 5
0
T = 0 0 1 .
1 0 0
1 = 1 2 = 25 + 45 i 3 = 25 45 i
y la matriz de autovectores es
1 12
25
+ 16
25
i 12
25
16
25
i
C = 1 25 45 i 25 + 45 i
1 1 1
y su inversa es
5 4 4
13 13 13
C 1 = 26
5
35
104
i 2
13 + 37
104
i 9
26
1
52
i
5 35 2 37 9 1
26 + 104
i 13 104
i 26
+ 52
i
30
entonces como
p(n) = p(0) T n ,
la distribucin lmite es
E1
4/5 1
1
E2 E3
(n)
La probabilidad de primer retorno para cada uno de los estados fi se puede calcular
observando el diagrama de estados previo.
31
As,
(1) 1
f1 =
5
(2)
f1 = 0
(3) 4 4
f1 = 11=
5 5
(n)
f1 = 0, n4
(1) (1)
f2 = f3 = 0
(2) (2)
f2 = f3 = 0
n3 n3
(n) (n) 1 4 4 1
f2 = f3 =11 = , n 3.
5 5 5 5
X
(n) 1 4 13
1 = nf1 = +3 = .
n=1
5 5 5
X n3
4X
(n) 1 () 4 65 13
2 = 3 = nf2 = n = =
n=1
5 n=1 5 5 16 4
(*) donde se ha empleado la misma relacin que en los ejemplos anteriores:
X
3 q
nq n3 = + =
n=3
1 q (1 q)2
1
3 65
= 1 + 5 2 = .
1 5 1 15 16
32
Representacin Cannica de una matriz de transicin
fij = fji = 1
fij = fji = 0.
De acuerdo con este resultado se puede hacer una reordenacin de los estados, y as
de las filas y columnas de la matriz de transicin, colocando los estados transitorios en
ltimo lugar.
P1 0 0 0
0 P2 0 0
P =
0 0 Pr 0
Q1 Q2 Qr Q
donde las submatrices Pi (i = 1, . . . , r) estn asociadas a subcadenas recurrentes cerra-
das, Qi (i = 1, . . . , r) dan la probabilidad de pasar a los estados recurrentes desde los
transitorios y Q da la probabilidad de pasar de transitorios a transitorios.
33
Cadenas Infinitas
Distribucin de Nj
0 si m = 0, 1, 2, 3 . . .
P (Nj = m | X0 = j) =
1 si m =
es decir, si j es recurrente la probabilidad de que partiendo de i se visite j es fij y el
nmero de veces que se visita es infinito, pues una vez en j se vuelve a ese estado infinitas
veces.
34
Nmero medio de visitas la estado j
fij
E [Nj | X0 = i] =
1 fjj
1
Rjj =
1 fjj
Proposicin
Se cumple que
X
(n)
Rij = Tij
n=0
Demostracin
Fijado el estado j, se define un contador de visitas como
1 si Xn = j
Njn =
0 si Xn 6= j
de este modo,
X
Nj = Njn
n=0
35
entonces
(n)
E Njn | X0 = i = 1 P (Xn = j | X0 = i) = Tij
con lo que
" #
X
E [Nj | X0 = i] = E Njn | X0 = i =
n=0
X
X
(n)
= E Njn | X0 = i = Tij .
n=0 n=0
X
2
R = I + T + T + = T n.
n=0
Rij
fij =
Rjj
1
fjj = 1
Rjj
Clculo de Rij
36
P
como R = I + P + P 2 + = P n , entonces
n=0
n
n K 0
P =
Ln Qn
donde Ln 6= Ln , entonces
X
P n
n P
n=0 K P0
R= P = n
n=0 n=0 Ln n=0 Q
es la matriz que proporciona el nmero medio de visitas a cada estado desde otro estado.
Si slo interesa considerar estados i, j transitorios, basta tomar la matriz
X
S = Qn =
n=0
= (I Q)1 .
Sij
fij =
Sjj
1
fjj = 1
Sjj
j, k C = fij = fik
ya que
j, k C = fjk = fkj = 1
37
Definicin
de modo que se considera cada conjunto cerrado irreducible como un nico estado ab-
sorbente y las matrices Qi pasan a ser vectores columna bi que dan las probabilidades de
transicin de los estados transitorios al conjunto cerrado correspondiente i (y as a todos
sus correspondientes estados recurrentes).
De este modo se define
b11 b1r
..
B = ... ...
.
bm1 bmr
siendo, en cada caso,
X
bij = Pik
kCj
i E transitorio.
As se suman las probabilidades de transicin en una etapa, del estado transitorio i a
todos los estados recurrentes que estn contenidos en el conjunto cerrado correspondiente
Cj .
38
Proposicin
G = (I Q)1 B = S B
recoge las probabilidades de absorcin de los estados transitorios por los conjuntos cerra-
dos e irreducibles.
Se demuestra calculando P n y haciendo n .
Definicin
Este nmero de etapas es la suma de las visitas que se hacen a todos los estados
transitorios, es decir
X
Ai = Rij
jD
39
bastar con sumar slo aquellos Rik donde k 6= j, es decir si se impone la visita a j por
primera vez, el nmero medio de etapas ser
X
Rik
k6=j
donde k D.
Cadenas peridicas
Proposicin
Ejemplo. En una carrera que dura 3 aos, una persona tiene cada ao una probabilidad
p de pasar al siguiente curso, una probabilidad q de repetir curso y una probabilidad
1 p q de abandonar los estudios.
Consideramos, as el espacio de estados E = {1, 2, 3, A, T } donde A es abandonar, y
T es terminar los estudios.
El grafo correspondiente es
40
q
1
p
1-p-q
q
2 1-p-q
A 1
p 1-p-q
T 1
3
p
q
donde los estados absorbentes son {A, T } y los estados transitorios son {1, 2, 3} . Se re-
ordena la matriz y se obtiene la matriz en forma cannica, poniendo primero los estados
recurrentes y luego los transitorios:
A 1 0 0 0 0
0 1 0 0 0
T
P = 1pq 0 q p 0
1
2
1pq 0 0 q p
3 1pq p 0 0 q
Se puede preguntar alguien por cosas como: cul es la probabilidad de acabar los
estudios? cul es el nmero medio de aos que pasa una persona estudiando en el centro?
As, nos planteamos:
(i) cul es el nmero medio de aos que pasa una persona estudiando en el primer curso?
41
En este caso,
q p 0
Q= 0 q p
0 0 q
luego
(1 q)2 p(1 q) p2
1
S = (I Q)1 = 0 (1 q)2 p(1 q)
(1 q)3
0 0 (1 q)2
Se pide calcular R11 .
Como el estado 1 es transitorio
(1 q)2 1
R11 = S11 = 3
= .
(1 q) 1q
1 1
R11 = = = 2,22 aos
1q 1 0,55
1 1
R11 = = = 4 aos.
1q 1 0,75
S13
f13 =
S33
Si p = 0,4, y q = 0,55
p2 0,16
f13 = 2
= = 0,7901
(1 q) 0,2025
42
Si se toma p = 0,2, y q = 0,75 esta probabilidad disminuye
p2 0,04
f13 = 2
= = 0,64
(1 q) 0,0625
luego
p
(1 f12 ) = 1
1q
En el caso de tomar p = 0,2, y q = 0,75
0,05
(1 f12 ) = = 0,111.
0,45
As,
(1 q)2 p(1 q) p2 1pq 0
1
G = (I Q)1 B = 3
0 (1 q)2 p(1 q) 1 p q 0 =
(1 q)
0 0 (1 q)2 1pq p
p3 p3
1 (1q)3 (1q)3
p2 p2
= 1 (1q) 2 (1q)2
.
p p
1 1q 1q
43
p3
Por lo tanto, la probabilidad de acabar la carrera (pasar de 1 a T ) es (1q)3
.
As, si p = 0,4, y q = 0,55,
0,43
f1T = = 0,7023
0,453
De aqu se deduce que la probabilidad de abandonar la carrera (pasar de 1 a A) es
44
Distribuciones estacionarias
= T
Teorema
(n)
j = lm Tij
n
para todo i, j = 1, . . . , m.
Observaciones.
Este teorema asegura que si una cadena es finita, irreducible y aperidica (as es ergdica)
existe una nica distribucin estacionaria que se obtiene resolviendo el correspondiente
sistema de ecuaciones.
45
(n)
El hecho de que para todo i = 1, . . . , m resulta que j = lmn Tij implica que
cualquiera que sea el estado de partida, la probabilidad de transicin en n etapas al
estado j se estabiliza y es igual a j .
Proposicin
(n) 1
j = lm Tjj = .
n j
Observaciones.
Esto indica que cuanto mayor es el tiempo medio de recurrencia del estado j, menor es
la probabilidad de que nos encontremos en ese estado j, cuando pase un tiempo suficien-
temente grande.
Por otro lado, j se puede calcular como
X
(n)
j = nfj
n=1
En general, dada una matriz en forma cannica P se puede estudiar qu valores tomara
P = lm P n
n
46
donde P es la matriz de transicin de una cadena de Markov finita, no necesariamente
irreducible y aperidica.
La matriz P , en su forma cannica, tiene la siguiente expresin
P1
...
0
P =
Pr
L Q
Casos:
(ii ) En los estados transitorios las distribuciones lmite asignan probabilidad 0, luego
(n)
lm Pij = 0
n
j transitorio.
donde
X
(k)
fij = fij .
k=0
Ejemplo.
Un grupo de personas elige un lugar de viaje de fin de fin curso entre Bahamas, Europa
o Hawai utilizando las siguientes reglas:
2
Si estuvo en Bahamas el ao anterior, se elige Europa con probabilidad p = 3
y Hawai
con p = 13 .
47
Si estuvo en Europa el ao anterior, se elige Bahamas con probabilidad p = 38 , Europa
1
con p = 8
y Hawai con p = 12 .
Si estuvo en Hawai se elige Bahamas o Europa con probabilidad p = 12 .
En este caso, E = {B, E, H} con matriz de transicin
0 23 13
T = 38 81 12
1 1
2 2
0
Es una cadena finita, aperidica e irreducible, por lo que se calcula su distribucin esta-
cionaria.
2 1
0 3 3
B E H = B E H 3 1 1
8 8 2
1 1
2 2
0
de modo que queda el sistema de ecuaciones
3 1
B = E + H
8 2
2 1 1
E = B + E + H
3 8 2
1 1
H = B + E
3 2
B + E + H = 1
dado que las tres primeras ecuaciones son linealmente dependientes. Se obtiene
B = 0,3
E = 0,4
H = 0,3
Se puede interpretar que despus de un largo periodo de tiempo se prefiere Europa con
probabilidad 0,4, y despus Bahamas y Hawai con probabilidad 0,3.
48