Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelos Matematicos Discretos
Modelos Matematicos Discretos
ISBN 84-7978-550-0
9 788479 785505
Compuesta
00 Principios 14/3/03 08:01 Página I
00 Principios 14/3/03 08:01 Página II
00 Principios 14/3/03 08:01 Página III
DIAZ DE SANTOS
00 Principios 14/3/03 08:01 Página VI
Internet: http://www.diazdesantos.es/ediciones
E-Mail: ediciones@diazdesantos.es
ISBN: 84-7978-550-0
Depósito legal: M. 47.641-2002
Índice
Prólogo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XV
ÍNDICE XI
Debido a los recortes en el número de horas que se asignan en los actuales pla-
nes de estudio a las asignaturas de matemáticas, cada vez es más difícil que el
alumno pueda disfrutar con aplicaciones de éstas en las horas lectivas de las asig-
naturas troncales, lo que contribuye a que aumente el fracaso, el desinterés por las
matemáticas y hasta el abandono de la carrera por no poder salvar una asignatura
que es, o debería ser, una herramienta imprescindible y que consideran que es un
obstáculo a salvar.
El alumno demanda información, de manera especial en el nivel universitario,
sobre aplicaciones de los temas que se les explican y se motiva para estudiarlos con
sólo indicarles alguna aplicación práctica.
Espero que este libro pueda ser de interés tanto para alumnos de ciencias expe-
rimentales como para matemáticos, estudiantes de humanidades, de ciencias de la
salud, de economía, etc., pues es asequible y el orden de presentación de los temas
ayuda a comprender más fácilmente los contenidos. Desde el Capítulo 2 se va cons-
truyendo la base de los siguientes.
Confío que también sea de utilidad para compañeros profesores de primeros cur-
sos de licenciatura, de cursos de preparación para la Universidad y, en general, para
todos los que sientan curiosidad por aplicaciones de las matemáticas.
01 INDICE 14/3/03 08:02 Página XIV
02 prologo 14/3/03 08:03 Página XV
Prólogo
1
Las Matemáticas de
la Naturaleza
1.1. Introducción.
El objetivo primordial de la Ciencia es el conocimiento de los fenómenos natu-
rales. Cuando el biólogo reduce el metabolismo y la reproducción de los organismos
vivos a reacciones químicas, cuando el químico describe mediante fórmulas las
cualidades de las sustancias, cuando el físico expresa las leyes naturales con ecua-
ciones, están haciendo uso de modelos matemáticos. Se podría decir que en la
Naturaleza se esconden fórmulas y figuras matemáticas que el hombre es capaz de
descifrar.
En palabras de Raymond Queneau: «Así, sea cual fuere la forma en que se con-
ciba la matematización de las diferentes ciencias, no se puede dudar del punto ter-
minal de este devenir, a saber, esta matematización misma. La matemática se busca
a través de las diferentes «ciencias» así como las ciencias –la Ciencia se busca por
la matemática– se hacen por la matemática, que es a la vez el órgano de acción y el
modo de percepción».
El término griego mathema significa: estudio, ciencia, conocimiento adquirido
o conocimiento que se puede aprender. Originariamente designaba el estudio del
conocimiento en general.
Galileo (1564-1642) afirmaba: «La Naturaleza está descrita en lenguaje mate-
mático».
Newton (1643-1727) aseguraba: «Para resolver un problema basta traducirlo al
lenguaje algebraico».
Kant (1724-1804): «Sostengo que solamente se encuentra verdadera ciencia
en una teoría natural específica en la medida en que se encuentre matemática en
ella».
Fourier (1768-1830) decía sobre el lenguaje matemático: «No puede haber len-
guaje más universal ni más simple, más exento de errores y de oscuridades, es decir,
más digno de expresar las relaciones invariables entre los seres naturales». Y tam-
bién: «Esta difícil ciencia se forma lentamente, pero conserva todos los principios
una vez adquiridos. Crece y se consolida constantemente».
El astrónomo Zech (1821-1864) manifestaba: «Creo que no se puede rechazar
al menos la posibilidad de que todo lo que es aprehendido por nuestros sentidos,
puede calcularse matemáticamente ... la extensión con que se hayan aplicado las
matemáticas a una rama de las ciencias naturales, puede servir como criterio gene-
ral sobre su grado de utilidad ...».
Decía el poeta Paul Valéry (1871-1945): «Yo no soy en absoluto un especialista
en Matemáticas; a lo sumo un admirador y un amante desdichado de la más bella de
las ciencias».
El catedrático e historiador de la Ciencia José Manuel Sánchez Ron(50) afirma:
«Aunque no todos los sistemas científicos se expresan en términos matemáticos es
indudable que la matemática juega un papel importante en la ciencia ... No hay duda
de que la matemática desempeña un lugar central en las ciencias de la naturaleza,
especialmente en la física».
Examinando la disposición de las hojas, las flores o las ramas en el tallo de una
planta se observa una cierta regularidad. En una planta en la que las hojas salen del
tallo de una en una, si se asigna el número cero a la hoja que se encuentre más cerca
del nacimiento del tallo y se cuentan las hojas en la dirección del crecimiento, el
número que le corresponde a las que queden colocadas en la vertical de aquélla es
uno de los términos de la sucesión de Fibonacci. Esta sucesión, que recibe el nom-
bre del matemático italiano del siglo XIII Leonardo de Pisa (1170-1240), que firma-
ba con el seudónimo de Fibonacci, tiene por primer término 0, por segundo 1 y cada
uno de los restantes se obtienen sumando los dos anteriores:
1 + 5
El número áureo es el número irracional algebraico ø = aproximada-
2
mente igual a 1.618033989..., es el límite de la sucesión de Fibonacci, su cuadrado
es aproximadamente 2.618033989... y su inverso 0.618033989..., como se puede
observar las cifras decimales de ø, de su cuadrado y de su inverso coinciden.
C
D
AB 1 + 5
=
E AD 2
El número áureo fue introducido por los pitagóricos como la razón entre la lon-
gitud de la diagonal y el lado del pentágono regular.
Resulta curioso observar que en el polígono estrellado de cinco puntas que se
forma al trazar las diagonales del pentágono regular se determinan unos segmentos
en los que está presente el número áureo, pues:
AB BC BC AC CD 1 + 5
= = = = =
BC AC CD CE CE 2
03 tema 1 14/3/03 08:05 Página 5
Los antiguos geómetras griegos definieron la razón áurea del siguiente modo:
El punto C divide el segmento AB en una «división áurea» A C B
si la razón del segmento más largo al más corto es igual a la del segmento comple-
CB AB 1 + 5
to al más largo: = . Esta razón, o cociente, el número áureo Ø = ,
AC CB 2
es la partición de un segmento AB en dos, uno de los cuales, CB, es media propor-
cional entre el otro, AC, y el segmento total.
Este número también se encuentra en la arquitectura y en ornamentación, se dice
que es la proporción estética más bella. Alrededor de 1850, Zeysing comprobó en
Alemania que, como promedio para un cierto número de cuerpos humanos, el
ombligo divide la altura del cuerpo humano en la proporción de la razón áurea.
Arquitectos, escultores y pintores de todos los tiempos han utilizado esta razón
como método de composición en sus obras. En arquitectura se ha comprobado su
utilización en las tumbas egipcias, en los templos griegos y en las catedrales góti-
cas. Por ejemplo, en el Partenón, construido en doce años del 448 al 437 a.C, de
mármol rosado y veteado de hierro que produce reflejos áureos, la razón entre la
anchura de la fachada y la altura, o entre la altura total y la de las columnas es
la razón áurea. Quizás haya influido en su utilización en el arte el que esa razón sea
una constante tan universal en la naturaleza.
En 1638 René Descartes (1596-1650) descubrió que las formas de las conchas
de los moluscos eran espirales logarítmicas: r = a · e.
En 1874 F. Galton (1822-1911) en colaboración con H.W. Watson, presentó un
trabajo conjunto titulado Sobre la probabilidad de extinción de familias, que se
publicó en 1889 como apéndice en un libro de Galton.
Entre los años 1926 y 1938, V. Volterra (1860-1940) desarrolla un modelo mate-
mático que describe la lucha constante por la supervivencia entre dos especies que
conviven en el mismo hábitat siendo una de ellas el alimento de la otra. Como es
bien conocido, este modelo es un sistema de ecuaciones diferenciales no lineales,
cuyas soluciones son funciones implícitas que relacionan el número de individuos
de la especie depredadora con los de la especie presa.
Estos ejemplos no son más que algunas muestras de una gran cantidad de mode-
los matemáticos generados por problemas de la biología, que es, de todas las
Ciencias de la Naturaleza, la que más tarde ha comenzado su abstracción.
El matemático Gauss (1777-1855) afirmaba: «Tú, naturaleza, eres mi diosa. A
tus leyes están sujetos mis servicios».
El estudio de los fenómenos de la Naturaleza es sin duda una gran fuente de
avances matemáticos, pero también es muy frecuente encontrar aplicaciones, en las
distintas ramas de la Ciencia, de modelos matemáticos que no han tenido estas
motivaciones.
A la hora de decidir qué conceptos matemáticos son de más utilidad para las
Ciencias de la Naturaleza puede pensarse que los de estadística tienen más interés
que los de álgebra, que los de análisis son más importantes que los de matemática
03 tema 1 14/3/03 08:05 Página 6
discreta, todas estas ramas, y por supuesto la geometría, son fundamentales para su
comprensión y estudio.
Un claro ejemplo de la importancia del conocimiento matemático en la investi-
gación científica lo encontramos en la invención del oftalmoscopio en 1850. Su
inventor, el médico Hermann von Helmholtz (1821-1894), preparando una de sus
clases de fisiología, se dio cuenta de que las leyes de la óptica geométrica y el estu-
dio de las trayectorias de los rayos de luz reflejados le permitían inventar un instru-
mento de gran importancia para la medicina, en concreto para la oftalmología. Él
mismo lo explica así: «Conocía bien, de mis estudios médicos, las dificultades que
tenían los oftalmólogos con los problemas entonces agrupados bajo el nombre de
amaurosis, e inmediatamente me puse a construir el instrumento utilizando lentes de
gafas y láminas de vidrio de las empleadas como portamuestras en los trabajos con
microscopio. Al principio era difícil de usar, y si no hubiese tenido la firme convic-
ción teórica de que tenía que funcionar, no habría perseverado. Al cabo de una
semana, sin embargo, tuve el gran placer de ser el primer hombre en contemplar cla-
ramente una retina humana en un ser vivo.
La construcción del oftalmoscopio tuvo un efecto decisivo en mi posición a los
ojos del mundo. Desde aquel momento conté con el reconocimiento inmediato de
las autoridades y de mis colegas, así como con la disposición por satisfacer mis
deseos. Fui de esta manera capaz de seguir mucho más libremente los impulsos de
mis ansias de conocimiento. Debo decir, no obstante, que yo atribuyo mi éxito en
gran medida al hecho de que, poseyendo algún entendimiento geométrico y equi-
pado con un conocimiento de física, tuve la buena fortuna de ser lanzado a la medi-
cina, en donde encontré en la fisiología un territorio virgen de gran fertilidad.
Además, mi conocimiento de los procesos vitales me llevó a preguntas y puntos de
vista que habitualmente son extraños a los matemáticos puros y a los físicos ...» (50)
Esta reflexión nos confirma que en la ciencia no hay parcelas aisladas del saber
y que precisamente los avances más interesantes surgen de la interrelación de las
diferentes disciplinas.
La biología molecular trata de entender el proceso histórico de la vida, desde los
genes a las células, a los distintos organismos y a las especies. El estudio de la vida
tiene dos aspectos científicos: la vida en acción, aspecto bioquímico, y la vida en el
tiempo, es decir, la evolución.
La biología molecular necesita el apoyo de la química, de la bioquímica, pero
también de las técnicas físicas procedentes de la física atómica, como la difracción
de rayos X, sin las que hubiera sido imposible la primera fotografía de rayos X de
una proteína y la primera teoría de la estructura de una proteína que facilitaron el
descubrimiento de la doble hélice del ADN.
La forma de una célula refleja la estructura molecular de sustancias que están
presentes en ella. Los bioquímicos James Watson, nacido en 1928, y Francis Crick,
nacido en 1916, descubrieron que el ADN presente en las células tiene una estruc-
tura de doble hélice, cada una formada por cuatro bases nitrogenadas: adenina (A),
guanina (G), citosina (C) y timina (T). Las bases son las portadoras de la informa-
ción genética, mientras que el resto de la molécula desempeña un papel estructural.
03 tema 1 14/3/03 08:05 Página 7
El ADN surge cuando se unen dos cadenas de este tipo. Una timina de una de ellas
se une a una adenina de la otra y una guanina a una citosina.
Los cromosomas, que contienen ADN y proteínas, tienen formas y figuras que
reflejan la cantidad de ADN que contienen. Cada proteína tiene una estructura pro-
pia. Dos o más cadenas de aminoácidos presentes en una molécula de proteína se
atraen y juntan por sí mismas gracias a la exacta adecuación de sus superficies de
contacto.
La razón de que todas las moléculas de un proteína como la hemoglobina ten-
gan exactamente el mismo aspecto y todas se plieguen del mismo modo es que los
grupos químicos de una cadena proteínica desplegada obedecen a la ley física de
que los cuerpos tienden a alcanzar un estado de energía mínima.
El premio Nobel de Física Paul Dirac explica así la conexión de la matemáti-
ca con la Naturaleza: «El matemático practica un juego en que él mismo inventa
las reglas, mientras que el físico practica un juego en que la naturaleza propor-
ciona las reglas, pero que según transcurre el tiempo se hace cada vez más evi-
dente que las reglas que el matemático encuentra interesantes son las mismas que
las que ha escogido la Naturaleza... Posiblemente las dos materias se unificarán en
última instancia, teniendo entonces su aplicación física toda rama de la matemá-
tica pura, cuya importancia en la física será, por otra parte, proporcional al inte-
rés que tenga en la matemática». (50)
En el siglo XIX se discutió mucho sobre la creación matemática y las aplicacio-
nes en las otras ciencias. Por ejemplo, según Fourier (1768-1830): «El estudio pro-
fundo de la naturaleza es la fuente más fértil de descubrimientos matemáticos …
Las ideas fundamentales son aquéllas que representan los fenómenos naturales».
Opinión que fue criticada por Jacobi (1804-1851) diciendo: «El objeto único de la
ciencia es el honor del espíritu humano y con esta premisa un científico como
Fourier debería reconocer que una cuestión sobre la teoría de números vale tanto la
pena como una cuestión acerca del sistema planetario». Es la vieja polémica sobre
03 tema 1 14/3/03 08:05 Página 8
Generación Paterna Aa x Aa
Gametogénesis A a A a
F1 AA Aa Aa aa
2
Combinatoria
y Probabilidad
en espacios discretos
2.1. Introducción.
La teoría de la probabilidad tiene sus comienzos en el deseo de lograr superio-
ridad y capacidad de decisión en los juegos de azar, pero hoy la probabilidad y la
estadística intervienen en todas las actividades humanas y sus aplicaciones son muy
diversas en genética, ecología, química, medicina, astronomía, la teoría cuántica, la
mecánica estadística, economía, meteorología, psicología, pedagogía, y en la téc-
nica.
Cardano, matemático, médico y jugador de renombre del siglo XVI, se cree que
fue el primero que calculó correctamente una probabilidad teórica.
En el siglo XVII preguntaron a Galileo unos jugadores habituales cómo podría
explicar que en una tirada de tres dados resultase más veces suma diez que suma
nueve. Galileo dio la solución aplicando la combinatoria.
Entre 1650 y 1660 Pascal publicó Traité du Triangle Arithmétique, en el que
explica las relaciones entre los coeficientes binomiales. En 1666 Leibniz dio la pri-
mera construcción sistemática de combinatoria en el libro Razonamiento sobre el
arte combinatorio con la intención de proporcionar un lenguaje simbólico al que se
pudiesen trasladar todos los procesos del razonamiento para garantizar la corrección
en la argumentación.
El comienzo de la teoría de la probabilidad tuvo lugar en el intercambio de
correspondencia entre los matemáticos Pascal y Fermat, a mediados del siglo XVII,
y empezó con un problema propuesto a Pascal en 1654 por el Caballero de Méré,
jugador profesional.
En el año 1713 Jakob Bernoulli publica Ars Conjectandi (Arte de la Suposi-
ción), el primer libro de texto en el que se estudia la probabilidad. En este libro
construye la combinatoria como el principal instrumento, o ingenio, para resolver
los problemas de probabilidad.
04 tema 2 14/3/03 08:25 Página 14
2.2 Combinatoria.
Uno de los objetivos fundamentales de la combinatoria es contar y desarrollar
técnicas para contar elementos de un conjunto finito.
Ejemplos:
1° ¿De cuántas formas se puede elegir una comisión de tres personas, para rea-
lizar un trabajo en equipo, de un grupo de 46?
2° ¿Cuántos símbolos distintos se pueden formar en el código Braille tenien-
do en cuenta que el signo generador tiene seis posiciones y se pueden mar-
car o no cada una de las posiciones?
3° ¿De cuántas fichas consta el juego del dominó?
4° ¿De cuántas formas distintas se pueden colocar diez libros diferentes en una
estantería?
5° a) ¿Cuántas secuencias nucleótidas distintas de veinte bases se pueden for-
mar con las bases constituyentes del ácido nucleico ARN: adenina (A),
guanina(G), citosina (C) y uracilo (U)? b) ¿Cuántas secuencias tienen cinco
veces adenina, tres guanina, ocho citosina y cuatro uracilo?
04 tema 2 14/3/03 08:25 Página 16
Para contestar a estas preguntas y muchas más se necesita conocer las fórmulas
y técnicas básicas, pero cada problema de combinatoria hay que analizarlo deteni-
damente para poderlo resolver, y como es frecuente que un problema de combina-
toria se pueda resolver de varias formas, el mejor modo de aprender este tema es
intentar dar una respuesta a los ejercicios antes de leer la solución.
Si A1, A2, …, Ak son conjuntos finitos no vacíos, el cardinal del producto carte-
siano A1 A2 … Ak es el producto de los cardinales, es decir:
k
A1 A2 … Ak = A .
i=1
i
Ejemplo: ¿Cuántos alumnos debe tener una clase para que al menos dos de ellos ten-
gan las mismas iniciales del nombre y de su primer apellido con un alfabeto de 28 letras?
El número de iniciales distintas del nombre y primer apellido es 282, por tanto,
si hay 282 + 1 = 785 alumnos, al menos dos de ellos tienen que tener las mismas ini-
ciales del nombre y del primer apellido.
¿Importa el orden de
estos k elementos?
No SÍ
¿Puede haber
algún elemento
de A repetido?
¿Puede haber
No ¿Puede haber algún elemento
SÍ de A repetido?
algún elemento No
de A repetido?
El nº de resultados SÍ
es Cn,k No SÍ El nº de resultados
es Pn = Vn,n
El nº de resultados El nº de resultados
es CRn,k es Vn,k Si hi es el nº de veces que
n
se repite ai y hi = N
i=1
El nº de resultados el nº de resultados es
es VRn,k PRNh1, h2, …, hn
04 tema 2 14/3/03 08:25 Página 19
• Así, en el ejemplo 1º
- ¿Cuál es el alfabeto? El conjunto A está formado por la lista de las 46 per-
sonas, n = A= 46.
- ¿Cuántos elementos buscamos de A? Buscamos tres, k = 3.
- ¿Importa el orden de estos tres elementos? No, porque no se les da cargos
diferentes.
- ¿Puede haber algún elemento de A repetido entre los tres buscados? No,
pues el equipo no sería de tres personas.
Según esto, el número de resultados es C46,3.
• En el ejemplo 2º
- ¿Cuál es el alfabeto? Como en cada una de las posiciones tenemos dos posi-
bilidades: marcar o no marcar, el conjunto A = {SI, NO}, y n = A= 2.
- ¿Cuántos elementos buscamos de A? Buscamos k = 6.
- ¿Importa el orden de estos seis elementos? Sí, pues los resultados SI SI NO
NO SI NO y NO SI NO SI NO SI dan símbolos distintos.
- ¿Tienen que estar necesariamente todos los elementos de A en cada resulta-
do? No, por ejemplo, un resultado puede tener todas las posiciones marca-
das y para formarlo no se utiliza el elemento NO.
- ¿Puede haber algún elemento de A repetido entre los seis buscados? Sí. En
este caso siempre aparecerá al menos un elemento de A repetido, pues k>n.
El número de símbolos distintos que se pueden formar es VR2,6.
• En el ejemplo 3º
- ¿Cuál es el alfabeto? A = {0,1,2,3,4,5,6} y n = A= 7, pues para formar las
fichas del dominó se necesitan los símbolos:
0 (blanca), 1, 2, 3, 4, 5 y 6.
- ¿Cuántos elementos buscamos de A? Buscamos k = 2.
- ¿Importa el orden de estos dos elementos? No, pues [3,5] y [5,3] son la
misma ficha.
- ¿Puede haber algún elemento de A repetido entre los dos buscados? Sí, por-
que, por ejemplo, existe la ficha [5,5].
El número de fichas del dominó es CR7,2.
• En el ejemplo 4º
- ¿Cuál es el alfabeto? El conjunto de los diez libros.
A = {l1,l2,l3,l4,l5,l6,l7,l8,l9,l10} y n = A= 10.
- ¿Cuántos elementos buscamos de A? Buscamos k = 10, pues los vamos a
colocar todos.
- ¿Importa el orden de estos diez elementos? Sí.
- ¿Tienen que estar necesariamente todos los elementos de A en cada resultado? Sí.
- ¿Puede haber algún elemento de A repetido entre los buscados? No, pues los
libros son diferentes.
Las ordenaciones distintas son P10.
04 tema 2 14/3/03 08:25 Página 20
• En el ejemplo 5º a)
- ¿Cuál es el alfabeto? A = {A,G,C,U} y n = A= 4.
- ¿Cuántos elementos buscamos de A? Buscamos k = 20
- ¿Importa el orden de estos veinte elementos? Sí.
- ¿Tienen que estar necesariamente todos los elementos de A en cada resulta-
do? No, una secuencia podría ser:
AAAAAAGGGGGGCCCCCCCC.
- ¿Puede haber algún elemento de A repetido entre los buscados? Sí, en este
caso en toda secuencia hay al menos un elemento repetido porque k>n.
El número de secuencias es VR4,20.
• En el ejemplo 5º b)
- ¿Cuál es el alfabeto? A = {A,G,C,U} y n = A= 4.
- ¿Cuántos elementos buscamos de A? Buscamos k = 20
- ¿Importa el orden de estos veinte elementos? Sí.
- ¿Tienen que estar necesariamente todos los elementos de A en cada resulta-
do? Sí, en cada secuencia tiene que aparecer cinco veces adenina, tres gua-
nina, ocho citosina y cuatro uracilo.
- ¿Puede haber algún elemento de A repetido entre los buscados? Sí.
- ¿Cuántas veces aparece A? h1 = 5, ¿y G? h2 = 3, ¿y C? h3 = 8, ¿y U? h4 = 4.
El número de secuencias que tienen cinco veces adenina, tres guanina, ocho cito-
5,3,8,4
sina y cuatro uracilo es PR20 .
AA…
k)
A = Ak.
El conjunto de las variaciones con repetición de orden 1 son cada uno de los ele-
mentos de A; el de las variaciones con repetición de orden 2 se forma añadiendo a
la derecha de cada variación de orden 1 cada uno de los elementos de A; las de
orden 3 se forman a partir de las de orden 2 añadiendo a su derecha cada uno de los
elementos de A, y así sucesivamente.
Cada uno de los elementos de Ak se llama una variación con repetición de orden
k formada con los elementos de A.
aaa
aa aab
aac
aba
a ab abb
abc
aca
ac acb
acc
baa
ba bab
bac
bba
b bb bbb
bbc
bca
bc bcb
bcc
caa
ca cab
cac
cba
c cb cbb
cbc
cca
cc ccb
ccc
Esta representación se conoce con el nombre de diagrama de árbol.
Dos variaciones con repetición del mismo orden son diferentes si tienen los
mismos elementos en distinta colocación, como abb y bab, o por tener un elemen-
to que figura distinto número de veces, como abb y aab, o por tener al menos un ele-
mento diferente, como baa y bac.
Si el conjunto A tiene n elementos, a partir del diagrama de árbol se deduce que
el número de variaciones con repetición de orden k formadas con los n elementos
del conjunto A es:
VRn,k = nk siendo k
Ejemplos:
1° ¿Cuántos códigos distintos de siete cifras se pueden formar con las cifras del
0 al 9?
El alfabeto es A = {0,1,2,3,4,5,6,7,8,9} y por tanto n = 10, y k = 7; VR10,7 = 107
es el número de códigos de siete cifras.
04 tema 2 14/3/03 08:25 Página 22
ab abc
a ac acb
ba bac
b bc bca
ca cab
c cb cba
Dos variaciones ordinarias del mismo orden se distinguen por tener los mismos
elementos en distinta disposición, como ac y ca, o por tener al menos un elemento
diferente, como ca y cb.
Ejemplos:
1° Se presentan 150 candidatos a un concurso para cubrir cinco plazas por orden
de puntuación. ¿De cuántas formas distintas se podrían cubrir las plazas?
El conjunto A, alfabeto, en este caso será la lista de los candidatos, n = 150
y como las plazas a cubrir son cinco, será k = 5 y no puede aparecer ningún
candidato repetido. Se podrán cubrir de
V150,5 = 150 · 149 · 148 · 147 · 146 = 70.992.003.600 formas distintas.
Ejemplos:
1° ¿De cuántas formas se pueden ordenar las letras de la palabra permutando?
El alfabeto es el conjunto A = {p,e,r,m,u,t,a,n,d,o} y el número de ordena-
ciones es 10! = 3628800.
1° 1° 2° 1° 2° 3° 1° 2° 3° 4° 1° 2° 3° 4° 5°
B B B B B B N B B B N N
B B
B B N B B N B B B N B N
B B N N B B N N B
B
B N B B N B B B N B B N
B N B N B N B N B N B
B N N B N N B B N N B B
N B B N B B B N B B B N
N B N B B N N B B N B
N N B N N B N B N B N B B
N N N N B N N B B N N B B B
nes individuales, que corresponden a la misma clasificación por equipos, da 120 cla-
sificaciones individuales. Es decir,
PR3,2
5 · P3 · P2 = P5
por tanto
5!
5 =
PR3,2
3!2!
En general, el número de permutaciones con repetición de n elementos de los que
n
h1 son iguales a a1, h2 son iguales a a2, …, hn son iguales a an, y siendo hi = N
i=1
N!
viene dado por: PRNh , h ,…, h = .
1 2 n
h1!h2!…hn!
Dos de estas permutaciones se distinguen por tener los elementos colocados en
distinto orden.
Ejemplos:
1° ¿De cuántas formas se pueden ordenar las letras de la palabra albahaca?
Como se repite la a cuatro veces y las restantes letras sólo aparecen una vez,
8!
el número de ordenaciones es PR4,1,1,1,1
8 = = 1680.
4!1!1!1!1!
d
04 tema 2 14/3/03 08:25 Página 26
Por comodidad no se han escrito las llaves de los subconjuntos ni las comas
entre los elementos.
Las combinaciones de orden 1 son los subconjuntos unitarios; para formar las
combinaciones de orden 2, a partir de las de orden 1, se escribe a la derecha de cada
uno de los elementos de A todos los que le siguen en el conjunto A, con el objeto de
contar cada subconjunto sólo una vez. Dos combinaciones ordinarias del mismo
orden se distinguen por tener al menos un elemento diferente, como abc y abd.
Como ocurría en el caso de las permutaciones con repetición, el diagrama de
árbol no sirve para contar el número de combinaciones.
El número de combinaciones de orden k formadas con los n elementos de un
conjunto A es: Cn,k.
Para calcularlo se observa que por cada combinación de orden 3 se obtienen 3!
variaciones ordinarias. Ejemplo:
abc
acb
bac
{a,b,c}
bca
cab
cba
n
Utilizando el símbolo para los números combinatorios, , introducido por
Euler: k
n n!
Cn,k = = siendo 0 ≤ k ≤ n, k
k k! (n – k)!
Sólo existen combinaciones ordinarias de orden k, siendo k ≤ n.
Ejemplos:
1° ¿Cuántos subconjuntos de cuatro elementos tiene el conjunto
A = {a1,a2,a3,a4,a5,a6,a7}? El número de subconjuntos de cuatro elementos es
7 7!
C7,4 = = = 35
4 4!3!
04 tema 2 14/3/03 08:25 Página 27
3 = 4 =
7 7 7!
= 35.
4!3!
Otra manera de obtener este resultado es ordenar 1111000 de todas las for-
mas posibles. En este caso el alfabeto es A = {0,1}, y en cada resultado apa-
rece cuatro veces el 1 y tres veces el 0, hay por tanto
7!
7 = = 35.
PR4,3
4!3!
Obsérvese pues lo importante que es tener bien claro el alfabeto o conjunto
de símbolos con los que se escriben los resultados.
elemento de esa combinación de segundo orden y todos los que le siguen en el con-
junto A, y así sucesivamente.
Por ejemplo, si A = {a,b,c} las combinaciones con repetición de orden 1 , 2 y 3
son:
aaa
aa aab
aac
a ab abb
abc
ac acc
bb bbb
b bbc
bc bcc
c cc ccc
5
CR3,3 = C3+2,3 = = 10.
3
Para las combinaciones con repetición de orden k necesitaremos (k-1) letras
auxiliares distintas, y así:
n+k–1
CRn,k = Cn + k – 1, k =
k
04 tema 2 14/3/03 08:25 Página 29
Ejemplos:
1° ¿De cuántas formas se puede pintar un tetraedro si se dispone de siete colo-
res distintos y no se mezclan colores en la misma cara?
Disponemos de siete colores, A = {c1,c2,c3,c4,c5,c6,c7} y n=7.
Como el tetraedro tiene cuatro caras k = 4, y como son las cuatro caras igua-
les, dos formas se diferenciarán por tener al menos un color diferente o repe-
tido distinto número de veces. Por tanto habrá
10
CR7,4 = = 210 formas distintas de pintarlo.
4
2° En una estantería hay seis frascos de cristal diferentes. ¿De cuántas formas
se pueden colocar 11 bolas idénticas en los frascos de tal modo que no quede
ninguno vacío?
A cada uno de los seis frascos le colocamos una etiqueta diferente A, B, C,
D, E, F . Colocamos en cada uno una de las bolas y así no quedará ninguno
vacío, quedan ahora otras cinco bolas para repartir en los seis frascos. Como
las bolas son indistinguibles se eligen frascos sin importar el orden y pudien-
do repetir. El alfabeto es pues Z = {A,B,C,D,E,F} y n =Z= 6.
Por ejemplo: AAAAA significa que las cinco restantes se colocan en el fras-
co primero, AAAAB que cuatro se colocan en el primero y la última en el
segundo, etc. Por tanto k = 5.
El número de formas distintas de colocar las bolas dadas es:
10
CR6,5 = C10,5 = = 252.
5
1° ¿De cuántas formas se puede elegir una comisión de tres personas, para rea-
lizar un trabajo en equipo, de un grupo de 46?
46
C46,3 = = 15.180 formas distintas.
3
por tanto, suficientes para representar las letras del alfabeto y las cifras del 0
al 9, para poder escribir en ese código.
04 tema 2 14/3/03 08:25 Página 30
8
CR7,2 = = 28
2
4° ¿De cuántas formas distintas se pueden colocar diez libros diferentes en una
estantería?
P10 = 10! = 3.628.800
8° ¿Cuál es el número mínimo de veces que es necesario lanzar dos dados para
que la probabilidad de sacar un seis doble sea mayor que la de no sacarlo?
Se resolverá después de dar la probabilidad en espacios muestrales finitos.
10° Una comisión que consta de dieciséis personas necesita quórum para
comenzar una reunión, ¿de cuántas formas pueden tener quórum mínimo?,
¿de cuántas formas pueden tener quórum?
12
C12,8 = = 495 formas de obtener quórum mínimo.
8
12 12 12 12 12
C12,8 + C12,9 + C12,10 + C12,11 + C12,12 = + + + + = 794
8 9 10 11 12
formas diferentes de conseguir quórum.
n n
1° = para 0 ≤ k ≤ n, n
k n–k
Pues al elegir un subconjunto de k elementos de un conjunto de cardinal n,
los elementos que no se han elegido forman otro subconjunto de (n-k) ele-
mentos del mismo conjunto. Por tanto, hay tantos subconjuntos de k ele-
mentos como subconjuntos de (n-k) elementos.
n n–1 n–1
2° Si 1 ≤ k ≤ n y n,k se verifica que = +
k k–1 k
Ya que los subconjuntos de k elementos de un conjunto de cardinal n pueden
tener un elemento dado, por ejemplo, el primero o no tenerlo. El número de
n–1
subconjuntos de k elementos que lo contienen es y el de los que no
k–1
n–1
lo contienen es .
k
n n
3° = 2n, siendo n ≥ 0
k=0 k
El sumatorio representa el número de subconjuntos de un conjunto de n ele-
mentos, y este número también se puede contar del siguiente modo:
Escribimos los n elementos del conjunto en el orden lexicográfico y forma-
mos todas las n-uplas posibles con 0 y 1, si en el lugar i-ésimo aparece un 1
significa que el elemento i-ésimo del conjunto forma parte del subconjunto,
y si aparece un 0 ese elemento no pertenece. Por tanto, el número de sub-
conjuntos coincide con el número de variaciones con repetición de orden n
formadas con los elementos de A = {0,1}, es decir, VR2,n = 2n.
Es también una consecuencia inmediata de la fórmula del binomio de
n n
Newton (a + b)n = ak · bn – k para a = b = 1.
k=0 k
04 tema 2 14/3/03 08:25 Página 32
k–r
n n n–m m
4° =
k r=0 r
El número de subconjuntos de k elementos de un conjunto A de cardinal n es
n n–m m
. El número representa el número de subconjuntos de
k r k–r
k elementos de los que (k – r) pertenecen a un subconjunto de A de cardinal
m y los r restantes al subconjunto complementario de este y al sumar desde
r = 0 hasta n se obtienen todos los subconjuntos de k elementos de A.
2.3. Probabilidad.
Decíamos en la introducción del tema que la probabilidad tiene su origen a
mediados del siglo XVII con un problema propuesto a Pascal por el Caballero de
Méré, caballero francés, jugador profesional que intentaba lograr superioridad en el
juego con dados. El problema propuesto es el siguiente: ¿Qué es más favorable,
obtener al menos un as al lanzar cuatro dados o por lo menos un par de ases en vein-
ticuatro lanzamientos de un par de dados?
En la actualidad es frecuente usar la noción de probabilidad en la vida diaria.
La probabilidad facilita el estudio de una clase de sucesos, los aleatorios, con el
objeto de obtener una capacidad de decisión; permite valorar el riesgo de tomar
una decisión frente a la incertidumbre así como estudiar los modelos estocásticos
o aleatorios tan importantes para analizar la variabilidad inherente en los proce-
sos biológicos. Pero antes de juzgar qué es probable hay que conocer qué es
posible.
Ejemplos:
a) Espacios muestrales finitos. Son los que tienen un número finito de elemen-
tos. En los ejemplos precedentes: 1°, 2°, 3°, 4°, 6° y 7°.
b) Espacios muestrales infinito-numerables. Son los que tienen un número infi-
nito de elementos pero se puede establecer una aplicación biyectiva de E en
, conjunto de los números naturales, como en el ejemplo 5° anterior.
c) Espacios muestrales infinitos y no numerables. Son los que tienen un núme-
ro infinito de elementos y no se puede establecer una aplicación biyectiva
entre E y . Los espacios muestrales de los ejemplos 8° y 9° son infinitos y
no numerables.
1. E
2. S ⇒ S
3. S1, S2 ⇒ S1 S2
04 tema 2 14/3/03 08:25 Página 35
1. E
2. S ⇒ S ∞
3. S1, S2, …, Sn, … ⇒ Si
i=1
1. 0 ≤ P (A) ≤ 1, ∀ A
2. P (E) = 1
3. Si A1, A2, …, An, … es una sucesión de sucesos incompatibles dos a dos, se ve-
∞ ∞
rifica que P U Ai = P (Ai).
i=1 i=1
Los axiomas elegidos establecen a nivel formal los aspectos más esenciales con-
templados en la ley del azar, no son proposiciones elegidas arbitrariamente, sino que
hay un paralelismo completo con las propiedades de las frecuencias relativas.
También es conveniente observar que sobre un mismo espacio muestral se pue-
den definir varias aplicaciones de probabilidad. Basta con que cada aplicación defi-
nida cumpla los axiomas anteriores.
Ejemplo: Se carga un dado de tal manera que los números pares tienen doble
probabilidad de salir que los impares. Hallar la probabilidad de que al lanzar el dado
se obtenga cifra impar.
04 tema 2 14/3/03 08:25 Página 38
n n
P Si = P (Si) – P (Si Sj) + P (Si Sj Sk) –
i=1 i=1 i≠j i≠j≠k
n
– … + (– 1)n + 1 P Si .
i=1
Regla de Laplace.
Ejemplos:
3 3 3 1 7
P (S) = P U Si = + + = .
i=1 8 8 8 8
Los 36 sucesos elementales son equiprobables. De ellos, sólo son favorables los
del subconjunto S = {(1,4),(2,3),(3,2),(4,1)}
4 1
Por tanto, P (S) = = .
36 9
Solución:
a) Designando por S1 el suceso «elegir dos hombres»
C50,2 49
P (S1) = = .
C100,2 198
b) Siendo S2 el suceso «elegir un hombre y una mujer»
C50,1 · C50,1 50
P (S2) = = .
C100,2 99
c) Si S3 representa el suceso «elegir un matrimonio»
50 1
P (S3) = = .
C100,2 99
Ejemplo: Al extraer una carta de una baraja española (40 cartas), ¿cuál es
la probabilidad de obtener un rey sabiendo que es una figura?
Llamando F al suceso «obtener figura» y R al suceso «obtener un rey»
P (R F) 4/40 1 4 1
P (R/F) = = = ≠ P (R) = = , por tanto, los
P (F) 12/40 3 40 10
sucesos sacar rey y sacar figura son dos sucesos dependientes.
04 tema 2 14/3/03 08:25 Página 42
P (A B)
• Si P (A/B) = = P (A) entonces P (A B) = P (A).P (B) y, por
P (B)
P (A B)
tanto, P (B/A) = = P (B) y se dice que los sucesos A y B son
P (A)
independientes.
n n
tas = 2n – n – 1 igualdades.
j=2 j
Si S1, S2,…, Sn es una colección de sucesos independientes, toda subcolección
de estos serán sucesos independientes.
04 tema 2 14/3/03 08:25 Página 43
En general:
P (S1 S2 … Sn) = P (S1).P (S2/S1).P (S3/S1 S2). … .P (Sn/S1 S2 … Sn–1)
Se considera una colección de sucesos B1, B2,…, Bn que forman una partición del
n
espacio muestral E de un experimento aleatorio, es decir U Bi = E y además
i=1
Bi Bj = , para i ≠ j. Si S es un suceso cualquiera de la misma σ-álgebra de suce-
sos de dicho experimento aleatorio, entonces
n
P (S) = P (Bi).P (S/Bi).
i=1
Ejemplo: En una urna hay diez bolas blancas y ocho bolas negras, en otra urna
hay cinco bolas blancas y cuatro negras. Se saca una bola de la primera urna y sin
mirarla se introduce en la segunda. Hallar la probabilidad de sacar bola blanca de la
segunda urna.
Si llamamos S al suceso «sacar bola blanca de la segunda urna», B1 «sacar bola
1 «sacar bola negra de la primera urna»
blanca de la primera urna» y B2 = B
10 6 8 5 5
P (S) = P (B1).P (S/B1) + P (B2).P (S/B2) = · + · = .
18 10 18 10 9
Ya se puede dar respuesta al ejemplo 8° que quedó pendiente de resolver en la
página 30.
Si M1 representa «sacar exactamente un seis doble al lanzar dos dados n veces»,
n–1
1 35
es P(M1) = n · · y si M2 representa «no sacar seis doble en las n tira-
36 36
n
35
das de dos dados», es P(M2) = . El número mínimo de veces que hay que lan-
36
zar dos dados para que P(M1) > p(M2) es n = 36.
04 tema 2 14/3/03 08:25 Página 44
(0.15)(0.95)
= = 0.6264.
(0.15)(0.95) + (1 – 0.15)(1 – 0.90)
04 tema 2 14/3/03 08:25 Página 45
(0.15)(1 – 0.95)
= = 0.0097.
(0.15)(1 – 0.95) + (1 – 0.15)(0.90)
Ejemplos de probabilidades en espacios infinito-numerables.
Solución:
a) E = {1,2,3,4,…,n,…} es infinito-numerable.
5 1 5
( )
P ({2}) = P S1 S2 = · =
6 6 62
2
52
5 1
( )
P ({3}) = P S1 S2 S3 = · =
6 6 63
…
n–1
5n – 1
5 1
( )
P ({n}) = P S1 S2 … Sn–1 Sn =
6
· =
6 6n
… 1
∞
2
1 5 5 6
Se comprueba que P ({n}) = + 2
+ 3
+… = = 1
n=1 6 6 6 5
1–
6
04 tema 2 14/3/03 08:25 Página 46
59 5 1
1 · –
10 5n – 1 60 6 6 10
10 5
b) P ({1,2,…,10}) = P ({n}) = n
= = 1– = 0.8385
n=1 n=1 6 5 6
– 1
6
1 53 56 53k
c) P (A) = P ({1,4,7,…,3k + 1,…}) = + + + … + +…=
6 64 67 63k+1
1
6 36
= 3
= = 0.3956
91
5
1 –
6
50 53 55 52k–1
P (B) = P ({2,4,6,…,2k,…}) = + + + … + +…=
62 64 66 62k
5
2
6 5
= 2 = = 0.1613
5 31
1 –
6
53 59 515 56k+3
= + + + … + +…=
64 610 616 66k+4
53
64 4500
= 6 = = 0.1450
5 31031
1 –
6
Solución:
P (A) = P ({n / n = 3k + 1}, k {0}) =
1 53 56 53k 36
=+ 4
+ 7
+ … + 3k+1
+…=
6 6 6 6 91
54 54 53k+1 30
= 2
+ 5
+ … + 3k+2
+…=
6 6 6 91
52 55 53k–1 25
= 3
+ 6
+…+ 3k
+…=
6 6 6 91
2
DERIVE © es una marca registrada por Soft Warehouse, Inc.
04 tema 2 14/3/03 08:25 Página 48
n
tos a1, a2,…, an con índices de repetición h1, h2,…, hn, siendo N = hi , se define el
i=1
vector v = [h1,h2,…,hn],
DIMENSION (v)
SUMA (v): = ELEMENT (v, i)
i=1
y, por último,
SUMA (v)!
PR (v): =
PRODUCTO (v)
Con las fórmulas anteriores se calculan más rápida y fácilmente los resultados
de los ejercicios de combinatoria.
04 tema 2 14/3/03 08:25 Página 49
PROBLEMAS PROPUESTOS
2. Una combinación ganadora de la lotería primitiva está formada por seis núme-
ros diferentes elegidos entre el 1 y el 49. ¿Cuántas combinaciones ganadoras se
pueden dar?
4. Para enviar una carta se necesita poner 90 céntimos de euro (0.9 € ). Si se dis-
pone de sellos de 0.5 €, 0.2 € y 0.1€ de valor, a) ¿de cuántas maneras se puede
franquear teniendo en cuenta sólo el valor de los sellos que se utilizan? b) ¿De
cuántas formas si además se consideran distintas por el orden de colocación de
los sellos?
6. ¿Cuántas palabras de seis letras distintas, tengan sentido o no, se pueden formar
con las letras A, B, C, D, E, I de modo que no estén juntas ni dos vocales ni dos
consonantes?
7. En una planta de una clínica están tres ATS, cuyas iniciales son: E, F y G y cada
paciente dispone de un dispositivo de llamada con tres timbres, uno para cada con-
trol en el que se encuentra un ATS. Si hay ingresados seis enfermos y cada enfer-
mo sólo utiliza un timbre, a) ¿cuántas llamadas distintas pueden hacer? b) ¿En
cuántas de estas llamadas tres reclaman la atención de E, dos de F y uno de G?
11. En una rifa cada papeleta tiene un número de seis cifras. a) ¿Cuántas papeletas
tienen seis cifras distintas? b) ¿Cuántas tienen cinco cifras distintas? c) ¿Y cua-
tro cifras distintas? d) ¿Cuántas con sólo tres cifras diferentes? e) ¿Cuántas
contienen el 7 tres veces?
12. Si en la rifa anterior sólo hay un premio, ¿qué es más probable que tenga sólo
dos pares de cifras repetidas o sólo tres cifras iguales?
13. ¿Cuántas pirámides de base triangular se pueden construir con ocho puntos del
espacio, de los cuales no hay cuatro coplanarios?
15. Un estudiante tiene que resolver ocho cuestiones de doce en un examen, a) ¿de
cuántas maneras puede elegirlas? b) ¿Y si las tres primeras son obligatorias?
c) ¿Y si tiene que contestar sólo a tres de las cinco primeras?
16. Se colocan por orden alfabético todas las permutaciones de las letras a, b, c, d,
e, f, g. ¿Qué lugar ocupa la permutación cgadbef?
17. ¿Cuántos automóviles se pueden matricular si cada matrícula está formada por un
número de cuatro cifras seguido de tres letras y sólo se usan 25 letras del alfabeto?
18. Calcular la suma de todos los números de cuatro cifras significativas que se
pueden formar con las cifras 0, 2, 4, 6, 8.
19. La suma de todos los números de cinco cifras que se pueden formar con cinco
cifras significativas dadas de las que tres son distintas y dos iguales es 5066616,
hallar el menor de ellos.
20. a) ¿Cuántos genotipos distintos se pueden formar con n alelos? b) Si hay n loci
cada uno con tres alelos, ¿cuál es el número de genotipos diploides correspon-
dientes a esos n loci?
21. Un examen consta de diez pruebas, tres de las cuales son de matemáticas. ¿De
cuántas maneras se pueden ordenar las diez pruebas de forma que dos de mate-
máticas no vayan seguidas?
24. En una parcela hay plantados 80 pinos y 40 abetos. Han sido afectados por llu-
via ácida 64 pinos y 32 abetos. Se seleccionan al azar tres pinos y dos abetos,
a) ¿cuál es la probabilidad de que los cinco estén afectados por la lluvia ácida?
b) ¿cuál es la probabilidad de que cuatro estén afectados?
25. En un club deportivo formado por 26 matrimonios se han elegido dos repre-
sentantes para un jurado. Calcular la probabilidad de que los elegidos sean: a)
los dos hombres, b) un hombre y una mujer, c) un matrimonio.
27. Un cartero lleva seis cartas para una casa determinada, una para cada uno de
los seis vecinos, y las introduce en los buzones sin fijarse en el nombre, ¿cuál
es la probabilidad de que al menos una de ellas no esté en el buzón corres-
pondiente?
29. Para realizar un experimento con tres tipos de semillas de cebada: C1, C2, C3 se
siembran en una parcela y se desarrollaron el 50 % de C1, el 30 % de las del tipo
C2 y el 7 % de las del tipo C3. La probabilidad de que una espiga pese más de
5 gramos es de 0.30 para las de tipo C1, 0.80 para las del tipo C2 y 0.90 para las
del tipo C3. a) Se elige una espiga al azar, ¿cuál es la probabilidad de que pese
más de 5 gramos? b) Sabiendo que una espiga pesa más de cinco gramos ¿cuál
es la probabilidad de que sea del tipo C1?
30. En una parcela hay N árboles de tres especies distintas A, B y C. Se sabe que r
son de la especie A, y s son de la especie B. Se talan al azar n árboles de esta
parcela, ¿cuál es la probabilidad de que: a) m de los n sean de la especie A;
b) sean m de la especie A y p de la especie B?
04 tema 2 14/3/03 08:25 Página 52
31. Para explicar un tema de estadística se han probado tres métodos: T (tradicio-
nal), I (con programas estadísticos en aula de informática) y M (mixto, usando
a la vez los dos métodos anteriores). Se ha elegido un grupo uniforme de 100
alumnos sin conocimiento del tema y se ha dividido en tres subgrupos: el pri-
mero de 50 alumnos a los que se les explicó por el método tradicional, otro de
20 alumnos que estudiaron sólo en aula de informática, y a los restantes se les
aplicó el método mixto. Se ha obtenido un 20 % de fracaso con el método T, un
35 % con el método I y un 15 % con el método M.
Se elige un alumno al azar del grupo sin saber con qué método ha estudiado.
a) ¿Cuál es la probabilidad de que no haya logrado aprender el tema? b) Si el
alumno elegido no sabe el tema, ¿cuál es la probabilidad de que haya estudia-
do por el método mixto?
33. Un ordenador puede estar construido con componentes de alta calidad o con
componentes de calidad corriente. El 40 % de los ordenadores que se venden
están constituidos por sólo componentes de alta calidad y la probabilidad de
que un aparato funcione sin fallos durante t horas es 0.95 si está constituido por
componentes de alta calidad, y 0.7, si lo está por componentes de calidad
corriente. Si un aparato ha funcionado t horas sin fallo, ¿cuál es la probabilidad
de que esté construido por componentes de alta calidad?
3
La Teoría de Grafos
3.1. Introducción.
El origen de la Teoría de Grafos se encuentra en el intento de resolver un pro-
blema práctico que casi parece un juego, es el siguiente:
En el siglo XVIII muchos habitantes de Königsberg se plantearon el reto de
encontrar un camino que recorriera los siete puentes, que allí se habían construido
para atravesar el río Pregel, pasando sólo una vez por cada uno y regresando al
punto de partida.
1 2 3
B 4
D
5 6 7
C
Todos los intentos eran fallidos y comenzaron a pensar que no era posible hacer
un recorrido así.
Leonhard Euler (1707-1783) estudió matemáticamente el problema dibujando
un esquema del plano como se muestra en la siguiente figura
05 tema 3 14/3/03 08:33 Página 54
A
1
2 3
B 4 D
5 6
7
C
Las zonas de tierra las representa por puntos y los puentes por líneas (aristas)
que conectan esos puntos. El problema se reduce así a hallar una sucesión finita de
puntos y aristas de tal modo que no se repita ninguna arista y se regrese al punto
de partida.
En 1736 publicó Euler un artículo en el que demuestra que un recorrido así es
imposible encontrarlo. Este artículo no sólo resuelve el problema planteado sino que
sienta las bases de lo que se conoce hoy por Teoría de Grafos y además da una
caracterización de los grafos que hoy, en honor a él, llamamos grafos eulerianos, es
decir, los que verifican la propiedad de que se puede encontrar en él un camino que
parte de un vértice, recorre todas las aristas pasando sólo una vez por cada una de
ellas y termina en ese vértice.
En 1752 Euler enuncia un teorema para grafos planos. Desde entonces, muchos
matemáticos han realizado contribuciones a la teoría de grafos. Se pueden citar
entre otros: Vandermonde (1735-1796), Cauchy (1789-1857), Tait (1831-1901).
Gustav Kirchoff (1824-1887) quien analizó, en 1847, un tipo especial de grafo, el
árbol, y utilizó los grafos en ciertas aplicaciones de redes eléctricas, al formular su
extensión de las leyes de Ohm para flujos eléctricos.
En 1850 Francis Guthrie (1831-1899) investiga la conjetura de los cuatro colo-
res. El 23 de octubre de 1852 Augusto De Morgan envía una carta a Sir William R.
Hamilton refiriéndole el mismo problema: «En un mapa se dice que dos regiones
distintas son adyacentes si en los caminos cerrados que definen sus bordes hay
alguna arista en común. ¿Se puede colorear cualquier mapa plano con cuatro colo-
res diferentes de modo que no haya dos regiones adyacentes con el mismo color?»
(Teorema de los cuatro colores). Durante más de cien años se han hecho muchos
intentos para resolver este problema, algunos de éstos originaron ideas útiles e inte-
resantes.
William Rowan Hamilton (1805-1865) introduce la idea de ciclo hamiltoniano
para formular un juego sobre las aristas de un dodecaedro regular, que fue propues-
to por Euler. Los vértices del dodecaedro representan 20 ciudades importantes del
mundo. Hamilton representó este sólido platónico mediante el grafo plano de la
siguiente figura en el que los puntos representan las 20 ciudades y el juego consis-
05 tema 3 14/3/03 08:33 Página 55
LA TEORÍA DE GRAFOS 55
te en encontrar un camino que las recorra todas pasando por cada una de ellas una
sola vez.
5 2
4 3
LA TEORÍA DE GRAFOS 57
5 2
4 3
5 2
4 3
5 2
4 3
es un grafo dirigido.
05 tema 3 14/3/03 08:33 Página 58
5 2
4 3
Un digrafo G = (V, A) en el que una arista al menos tiene el mismo origen que
extremo se dice que es un pseudodigrafo. Por tanto, un pseudodigrafo es un digra-
fo con al menos un bucle.
Un ejemplo de pseudografo es el siguiente:
1
5
2
4 3
Un vértice de un grafo dirigido que no tiene arcos con extremo en él sino sólo
con origen en él se dice que es una fuente.
Se llama sumidero a todo vértice de un grafo dirigido del que no sale ningún
arco sino que los arcos que lo tienen por extremo todos acaban en él.
En un grafo dirigido puede haber vértices que no son ni fuentes ni sumideros.
Una red es un grafo dirigido que tiene exactamente una sola fuente y un solo
sumidero. Los vértices de una red se llaman nodos.
Ejemplo:
1
6 2
5 3
4
es una red, la fuente es el vértice 1 y el sumidero es el 4.
05 tema 3 14/3/03 08:33 Página 59
LA TEORÍA DE GRAFOS 59
Un grafo orientado es un grafo dirigido G = (V, A) tal que para todo par de vér-
tices vi y vj en el conjunto A está al menos uno de los pares (vi,vj) o (vj,vi).
Ejemplo, un grafo orientado es el siguiente:
5
2
4 3
Un grafo cuyos vértices son distinguibles unos de otros se dice que es un grafo
etiquetado.
Un grafo se dice que es ponderado si las aristas llevan asociado un número que
puede representar un coste, peso o capacidad de la arista.
En un grafo G = (V, A) no dirigido se llama grado del vértice vi, gr (vi), al núme-
ro de aristas incidentes con este vértice.
05 tema 3 14/3/03 08:33 Página 60
n
En todo grafo G = (V, A), si V= n, se verifica que gr (Vi) = 2 A.
i=1
LA TEORÍA DE GRAFOS 61
Dos grafos G1 (V1, A1) y G2 (V2, A2) se dice que son isomorfos, y se escribe
G1 ≈ G2, si existe una aplicación biyectiva f: V1→ V2 que conserva la adyacencia, es
decir, tal que si {u,v} A1 ⇒ {f (u), f (v)} A2.
En dos grafos isomorfos dos vértices son adyacentes en G1 si y sólo si sus imá-
genes son adyacentes en G2.
1 2 3 a b
4 5 6 e d c
¿son isomorfos?
No son isomorfos porque el vértice d es adyacente a los vértices b, c, e y r
y en el primer grafo no hay ningún vértice de grado 4, por tanto, es imposible esta-
blecer una aplicación biyectiva entre los dos conjuntos de vértices que conserve la
adyacencia.
Si G1 y G2 son isomorfos, tienen el mismo número de vértices, el mismo núme-
ro de aristas e igual número de vértices para cualquier grado.
Un grafo G =(V, A), de orden n, se dice que es un grafo completo Kn si todo par
n
de vértices son extremos de una arista. El grafo Kn tiene aristas y es k-regular
2
de grado k = n–1.
5
2
4 3
Dos grafos completos con el mismo número de vértices son siempre isomorfos.
05 tema 3 14/3/03 08:33 Página 62
3.3. Subgrafos.
Se dice que G′ = (V′, A′) es un subgrafo de G =(V, A) si V′ V y A′ es un sub-
conjunto de A que contiene aristas que unen elementos de V′.
El subgrafo G′ = (V′, A′) de G = (V, A) es un subgrafo generador de G si V′ con-
junto de vértices de G′ coincide con V.
Si G = (V, A) es un grafo, el subgrafo generado por V′ V es G′ = (V′, A′), sien-
do A′ el subconjunto de A formado por todas las aristas cuyos extremos son de V′.
El subgrafo de G = (V, A) generado por A′ A es G′ = (V′, A′) siendo V′ el sub-
conjunto de V formado por todos los vértices que son extremos de las aristas de A′.
Todo grafo G = (V, A) de orden n es subgrafo del grafo completo Kn.
Si G = (V, A) es un grafo de orden n el grafo complementario de G = (V, A) es
G′ = (V′, A′) siendo V′ = V y A′ = AKn – A, donde AKn el conjunto de las aristas del
grafo completo Kn.
Si v es un vértice del grafo G = (V, A) el grafo G – {v} es el subgrafo de G que
se obtiene eliminando el vértice v y todas las aristas incidentes con él.
Del mismo modo, si G′ = (V′, A′) es un subgrafo de G = (V, A), el grafo G – G′
es el subgrafo de G que se obtiene eliminando los vértices de V′ y todas las aristas
de A′.
Si a es una arista del grafo G = (V, A), el grafo G – {a} es el subgrafo de G que
se obtiene eliminando sólo la arista a.
Ejemplo:
Si G1 es y G2 es el grafo G1 G2 es:
05 tema 3 14/3/03 08:33 Página 63
LA TEORÍA DE GRAFOS 63
y el grafo G1 + G2 es:
Zeus
Afrodita Ares
Júpiter
Venus Marte
Neptuno Diana
Poseidón Artemisa
Saturno Minerva
Crono Atenea
Los grafos bipartidos completos Kn1,n2 son isomorfos a los bipartidos completos
Kn2,n1.
Un grafo G = (V, A) se dice que es k-partido completo si V = V1 V2 … Vk ,
Vi Vj = si i ≠ j y dos vértices son adyacentes si y sólo si pertenecen a dis-
tinto Vi.
05 tema 3 14/3/03 08:33 Página 65
LA TEORÍA DE GRAFOS 65
3.5. Conexión.
Los grafos son un modelo habitual en la práctica para representar rutas, redes de
comunicación o de transporte; en este caso los vértices pueden representar neuro-
nas, ciudades o cruces y las aristas sinapsis entre neuronas, carreteras o cualquier
otro tipo de vía de comunicación. Por ejemplo, con frecuencia interesa saber si exis-
ten caminos que recorran todas las aristas, o todos los vértices, o encontrar la ruta
más corta, o la más económica. En algunas situaciones prácticas es necesario utili-
zar digrafos, por ejemplo, si se trata de estudiar rutas en ciudades con calles de un
solo sentido de recorrido.
Un grafo G =(V, A) se dice que es conexo si para todo par de vértices vi ≠ vj exis-
te en el grafo un camino que los une.
05 tema 3 14/3/03 08:33 Página 66
5
Los vértices 2 y 3 son puntos de corte.
Se llama istmo de un grafo conexo G =(V, A) a la arista a A, tal que el subgrafo
de G cuyas aristas son todas las de G menos a, es decir, G′ = (V, A – {a}) no es conexo.
a b c d e
j i h g
Las aristas {b,c}, {c,h}, {d,h}, {d,e} son istmos de este grafo.
Dado un grafo conexo G =(V, A) el conjunto X V se dice que es un conjunto
de articulación de G si el subgrafo de G que se obtiene al suprimir los vértices del
conjunto X no es conexo.
En el grafo anterior un conjunto de articulación es {c,h,d}, pues, al suprimir
estos tres vértices y las aristas que los tienen por extremo, se obtiene un subgrafo
con dos componentes conexas.
Un punto de corte es un conjunto de articulación unitario.
05 tema 3 14/3/03 08:33 Página 67
LA TEORÍA DE GRAFOS 67
El primero tiene dos vértices de grado 1. El segundo tiene tres y el tercero cua-
tro vértices de grado 1.
05 tema 3 14/3/03 08:33 Página 68
Se decía en la introducción que Cayley utilizó los árboles para contar los isó-
meros de hidrocarburos saturados. En la siguiente figura se representan dos árboles,
de catorce vértices, con nombres C (carbono) y H (hidrógeno), y trece aristas, que
representan los enlaces entre los átomos. El primero representa el n-butano (antes
llamado butano) y el segundo el 2-metil propano (antes llamado isobutano). ¿Son
isomorfos estos árboles?
H H H H
H C C C C H
H H H H
H C H
H H
H C C C H
H H H
LA TEORÍA DE GRAFOS 69
B 4 D
5 6
7
C
l c g
j
b h
i
a d f
LA TEORÍA DE GRAFOS 71
d e i
q r
g
f m n
c b p
a j l o
k
Es imposible dibujar un circuito euleriano porque sin repetir aristas es imposi-
ble pasar un número par de veces por un vértice de grado impar.
Teorema de caracterización de los multigrafos eulerianos.
Un s-grafo conexo no dirigido es euleriano si y sólo si todos sus vértices son de
grado par.
Como consecuencia de este teorema el problema de los siete puentes de
Königsberg no tiene solución porque el 2-grafo que lo esquematiza tiene todos los
vértices de grado impar.
Todos los resultados enunciados para los s-grafos son también válidos para los
grafos que no sean multigrafos pues todo grafo es un 1-grafo.
8 9
Un circuito hamiltoniano es un camino hamiltoniano que termina en el vértice
de partida. Este camino pasa una y sólo una vez por todos los vértices del grafo
excepto por el vértice que se elige como origen.
Un circuito hamiltoniano en el grafo anterior es:
3
2
15 1
4 14 20 8 7
16 19
13 17 9
18
12
11 10
5 6
LA TEORÍA DE GRAFOS 73
El problema de dar una condición necesaria y suficiente para que un grafo tenga
un camino hamiltoniano o para que sea un grafo hamiltoniano es uno de los pro-
blemas aún no resueltos en la teoría de grafos.
Se pueden enunciar condiciones necesarias o suficientes para que un grafo tenga
un camino o un circuito hamiltoniano.
Condiciones necesarias:
1. Si G es un grafo hamiltoniano, entonces será un grafo conexo.
2. Si G =(V, A) es un grafo no dirigido de orden n > 2 que es hamiltoniano,
entonces todos sus vértices tienen grado mayor o igual a 2.
3. Si G =(V, A) es un grafo no dirigido de orden n > 2 que es hamiltoniano, y un
vértice tiene grado 2, entonces las dos aristas incidentes con ese vértice tie-
nen que aparecer en el circuito hamiltoniano.
4. Si G =(V, A) es un grafo no dirigido de orden n > 2 que es hamiltoniano, y
vi V tiene grado mayor que 2, al tratar de construir un ciclo hamiltoniano
después de pasar por vi se dejan de tener en cuenta las aristas incidentes con
vi que no han sido utilizadas.
5. Si G =(V, A) es un grafo no dirigido de orden n > 2 que es hamiltoniano, entonces
∀ V1 V, el subgrafo de G cuyos vértices son los de V – V1 y cuyas aristas son las
de A que tienen extremos en V – V1, tienen a lo sumoV1componentes conexas.
Ejemplo: ¿Es hamiltoniano el grafo de la figura siguiente?
Condiciones suficientes:
1. Teorema de Dirac (1952): Si G =(V, A) no dirigido, de orden n > 2 y tal que
n
para todo vértice v de G es gr (v) ≥ , entonces G es hamiltoniano.
2
2. Teorema de Ore (1960): Si G =(V, A) no dirigido, de orden n > 2 y tal que
para todo par de vértices no adyacentes v y w es
gr (v) + gr (w) ≥ n
entonces G es hamiltoniano.
3. Teorema de Pósa (1962): Si G =(V, A) no dirigido, de orden n > 2 y tal que
n
para todo entero k que verifique 1 ≤ k ≤ el número de vértices de grado
2
menor o igual a k es menor que k, entonces G es hamiltoniano.
4. Teorema de Nash-Williams (1971): Todo grafo k-regular, siendo k ≥ 2, de
orden 2k + 1 es hamiltoniano.
5. Teorema de Chvátal (1972): Si G =(V, A) no dirigido, de orden n > 2 con vér-
tices de grados
g1 ≤ g2 ≤ … ≤ gn
n
si gi ≤ i ≤ ⇒ gn – i ≥ n – i, entonces G es hamiltoniano.
2
LA TEORÍA DE GRAFOS 75
2 e
c
3
b d
4
f a
5 1
g
¿Hay algún grafo que sea euleriano y hamiltoniano? Sí, por ejemplo
7 5
1 6 4
2 3
7 k 5 7 5
l c g
j
1 b 6 h 4 1 6 4
i
a d f
2 e 3 2 3
05 tema 3 14/3/03 08:33 Página 76
¿Hay algún grafo que sea hamiltoniano y no euleriano? Sí, por ejemplo, el
siguiente:
5 6
4 7
1 3 9
2 8
5 h 6
d e i
q r
g
4f m 7n
1 c 9
b 3
p
a j l o
2 k 8
LA TEORÍA DE GRAFOS 77
4 1 2 6
LA TEORÍA DE GRAFOS 79
{
Mnxn = [mij] siendo mij = 1 si vi y vj son adyacentes en G
0 si vi y vj no son adyacentes en G
v5 v2
v4 v3
05 tema 3 14/3/03 08:33 Página 80
0 1 0 0 1
1 0 1 0 0
M5 x 5 = 0 1 0 1 0
0 0 1 0 1
1 0 0 1 0
Si G = (V, A) es un digrafo de orden n, y conjunto de vértices V = {v1, v2, …, vn},
se llama matriz de adyacencia de G a la matriz:
v5 v2
v4 v3
0 0 0 0 0
1 0 0 0 0
M5 x 5 = 0 1 0 0 0
0 0 1 0 1
1 0 0 0 0
La matriz de adyacencia de un grafo de orden n es una matriz Mnxn simétrica con
todos los elementos de la diagonal principal iguales a cero. La de un digrafo no es
simétrica y los elementos de la diagonal principal son todos cero. Si en la matriz de
adyacencia de un grafo G = (V, A) hay al menos un elemento de la diagonal princi-
pal igual a 1 y es simétrica, G es un pseudografo, y si no es simétrica es la matriz
de un pseudodigrafo. La matriz de adyacencia define completamente la estructura
del grafo correspondiente.
En la matriz de adyacencia de un grafo la suma de los elementos de la i-ésima
fila o de la columna i-ésima es el grado del vértice vi. En la de un digrafo, la suma
de los elementos de la i-ésima fila da el grado de salida del vértice vi, y la suma de
los elementos de la j-ésima columna da el grado de entrada del vértice vj.
Si dos grafos tienen la misma matriz de adyacencia son isomorfos, pero dos gra-
fos isomorfos G1 y G2 pueden tener distintas matrices de adyacencia M1 y M2, pero
existe una matriz permutación P, tal que M2 = P–1. M1. P.
05 tema 3 14/3/03 08:33 Página 81
LA TEORÍA DE GRAFOS 81
Las potencias de matrices son útiles para contar los caminos en un grafo, así, en
el Ejemplo 3.10.1, el cuadrado y la cuarta potencia de la matriz de adyacencia son:
2 0 1 1 0 6 1 4 4 1
0 2 0 1 1 1 6 1 4 4
M2 = 1 0 2 0 1 y M4 = 4 1 6 1 4
1 1 0 2 0 4 4 1 6 1
0 1 1 0 2 1 4 4 1 6
que indican que existe, por ejemplo, un camino de longitud dos entre los vértices v1 y
v3, (v1, v2, v3); un camino entre v2 y v5, el que pasa por v1 y dos caminos de longitud dos
de vi a sí mismo, ∀ i {1,2,3,4,5}, y, por tener todos los elementos distintos de cero
la matriz M4, entre dos vértices cualesquiera existe siempre un camino de longitud 4.
El elemento aij de la matriz Mr proporciona el número de caminos de longitud r
del vértice vi al vj en el grafo G cuya matriz de adyacencia es M.
Si G es un grafo conexo, la distancia entre dos de sus vértices vi y vj distintos,
es decir, la longitud del camino mínimo que une vi con vj, es el menor número ente-
ro r, tal que el elemento aij de la matriz Mr es distinto de cero.
En el Ejemplo 3.10.1 la distancia entre v1 y v3 es dos.
Ejemplo 3.10.3: para el grafo de la figura siguiente:
1
7
5 6 2
8
10 9
4 3
se comprueba con facilidad que la suma de su matriz de adyacencia y el cuadrado
de esta es una matriz con todos los elementos distintos de cero; por tanto, entre dos
vértices cualesquiera existe siempre un camino de longitud 2 como máximo.
PROBLEMAS PROPUESTOS
1 0 0 0 1 0
1 1 1 0 1 0
M= 1 0 0 0 0 1
0 1 0 1 0 0
1 0 0 0 0 0
0 0 1 1 1 0
2. Dibujar el grafo complementario de los siguientes grafos:
a) b)
1
4
2
c) d) e)
0 1 0 1
1 0 1 1
a)
0 1 0 1
1 1 1 0
05 tema 3 14/3/03 08:33 Página 83
LA TEORÍA DE GRAFOS 83
0 1 0 0 0 0 0 1
0 0 0 0 0 0 0 0
1 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0
b)
0 0 0 0 0 1 0 0
0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 1
0 0 0 0 0 1 0 0
5. Dibujar los grafos completos de n vértices para 1 ≤ n≤ 6.
6. Dibujar los grafos cuyas matrices de adyacencia son:
0 1 0 1 0 0 1 1
1 0 1 1 0 0 1 1
a) y b)
0 1 0 1 1 1 0 1
1 1 1 0 1 1 1 0
¿Son isomorfos?
7. Escribir la matriz de adyacencia de un grafo completo Kr, para 3 ≤ r ≤ 5.
8. Para el grafo de la figura, indicar si las siguientes sucesiones de vértices son
caminos, caminos simples, caminos elementales, circuitos o ciclos:
1 2 3
8 7 6 4
9 10 11 5
a) (1,2,7,11,5,11,6); b) (1,2,3,7,11,6,4); c) (11,6,5,11); d) (11,6,5,11,5);
e) (8,3,7,11,5,11).
9. ¿Cuáles de los siguientes grafos se pueden dibujar sin levantar el lápiz del papel
y sin dibujar dos veces la misma arista?
05 tema 3 14/3/03 08:33 Página 84
11. a) En el grafo que tiene por vértices los vértices de un tetraedro y por aristas las
aristas de esa figura en el espacio ¿se puede dibujar un camino hamiltoniano?,
¿y un camino euleriano? Explicar si es un grafo hamiltoniano.
b) Idem si el grafo tiene por vértices y por aristas las de un hexaedro o cubo.
a)
b) ¿Y el siguiente?
a) b)
05 tema 3 14/3/03 08:33 Página 85
LA TEORÍA DE GRAFOS 85
14. Hallar los puntos de corte y los istmos del grafo siguiente:
5
3
4
0 1 1 0
1 0 1 1
1 1 0 0
0 1 0 0
0 1 1 0 0 1
1 1 1 1 0 1
0 0 0 1 0 1
0 0 0 0 1 0
0 0 0 1 1 1
0 0 0 0 0 0
Indicar el número de caminos de longitud 1, 2, 3 y 4 existentes en el grafo.
¿Es este grafo fuertemente conexo?
19. ¿Son isomorfos los siguientes grafos? En caso afirmativo hallar un isomorfis-
mo entre ellos.
j e 1
7
d b 5 6 2
a
i f 8
c 10 9
h g 4 3
20. La estructura de la molécula de pentano normal es:
H H H H H
H C C C C C H
H H H H H
H C H
H H
H C C C H
H H
H C H
H
¿los grafos correspondientes son isomorfos?
06 tema 4 14/3/03 08:35 Página 87
4
Cadenas de
Markov finitas
4.1. Introducción.
Como se decía en el prólogo, se va a estudiar a continuación un modelo mate-
mático: las cadenas de Markov finitas, que es el resultado de los trabajos de inves-
tigación en matemática pura realizados por Andrei A. Markov (1856-1922) entre los
años 1907 y 1912, y que posteriormente ha encontrado muy numerosas aplicacio-
nes en diversos campos. Por ejemplo, se verán algunas de ellas en genética para el
estudio de la evolución de poblaciones.
Andrei A. Markov
v1
v2
Un vector columna v = ... es un vector de probabilidad si vi ≥ 0 ∀i = 1,2,…,r
vr
r
y además vi = 1. Análogamente, el vector fila v = [v1 v2 … vr] es también un
i=1
vector de probabilidad si todas las vi son positivas o cero y suman 1. Un vector de
probabilidad de r componentes está determinado conociendo (r-1) de ellas.
Se considera que el sistema sólo cambia de estado en instantes de tiempo dados:
t = 0, t = 1, t = 2, …, t = n, …
que son a lo sumo una infinidad numerable, es decir, la variable tiempo es dis-
creta.
En cada instante n se considera una variable aleatoria Xn = X (t = n) cuyo con-
junto de valores si es cuantitativa, o atributos si es cualitativa, es E, espacio de esta-
dos del sistema.
Se tiene así una sucesión de variables aleatorias X0, X1, X2, …, Xn, … discretas y
con conjunto de valores E.
Se dice que el sistema S en el instante n está en el estado i si Xn Ei = {i}. Se
escribe P (Xn Ei) = P (Xn = i) para indicar la probabilidad de que el proceso se
encuentre en el estado i en el instante n.
Se define el vector de probabilidad en la etapa n-ésima, o ley de probabilidad
en el paso n-ésimo, al vector columna:
p1 (n)
p2 (n)
…
P (n) = siendo pj (n) = P (Xn = j)
pj (n)
…
pr (n)
06 tema 4 14/3/03 08:35 Página 89
Este vector está formado por probabilidades que suman la unidad porque el sis-
tema en cada etapa está en uno de los estados E1, E2, …, Ej,…, Er que forman una
partición del conjunto de estados E.
Dado el conjunto finito de estados E, a cada par (i, j) E E se le asigna un
número pij no negativo definido del siguiente modo:
pij = P (X1 = j / X0 = i)
que representa la probabilidad de que el sistema que está inicialmente en el estado
i pase al estado j en el siguiente instante.
El proceso en cada paso hace una transición de un estado a otro. El estado en que
se encuentra está incluido entre todos los posibles en el paso siguiente, pues el pro-
ceso en cada transición puede quedarse
.
en el mismo estado. Por tanto, se verifica que
pij = 1, ∀i E.
jE
E1 p11 p21 … pi1 … pr 1
E2 p12 p22 … pi2 … pr2
Estado en el instante (n + 1) … … … … … … … = Mrxr
Ej p1j p2j … pij … prj
… … … … … … …
Er p1r p2r … pir … prr
06 tema 4 14/3/03 08:35 Página 90
1. 0 ≤ pij ≤ 1
r
2. pij = 1, ∀i = 1, 2, …, r. Es decir, la suma de los elementos de cada
j=1
columna es 1. Por tanto, sus columnas son vectores de probabilidad.
Se dice que la matriz de transición M es una matriz estocástica por colum-
nas.
v1
v2
5. Si v = ... es un vector de probabilidad, esto es, si 0 ≤ vi ≤ 1, ∀i = 1, 2, …, r
vr
r
y vi = 1 y Mrxr es una matriz estocástica por columnas, Mrxr · v es otro vec-
i=1
tor de probabilidad de la misma dimensión, rx1.
Una matriz se dice que es estocástica por filas si sus filas son vectores de pro-
babilidad. La matriz transpuesta de M, Mt es estocástica por filas.
Una matriz que es estocástica por filas y por columnas a la vez se dice que es
biestocástica.
Ecuaciones de Chapman-Kolmogorov:
r
pij(n) = pik(m) · pkj(n – m), ∀i, j {1, 2, 3, …, r} y ∀ n , siendo 0 ≤ m ≤ n.
k=1
r
En particular, si m = 1: pij(n) = pik · pkj(n – 1)
k=1
r
Y si m = 1 y n = 2: pij(2) = pik · pkj, ∀i, j {1, 2, 3, …, r}
k=1
Por tanto: M = [p
2
ij
(2)
]. Los elementos de la matriz M 2
dan la función de proba-
bilidad en dos etapas.
Análogamente, M n = [pij(n)], ∀ n . Es decir, la potencia n-ésima de la matriz,
M, de transición en una etapa da la función de probabilidad en n etapas.
Por ser un proceso homogéneo en el tiempo, la matriz de transición en dos eta-
pas es el cuadrado de la matriz de transición de la cadena y, en general, la matriz de
transición en n etapas es la potencia n-ésima de la matriz M de transición en una
etapa.
p1 (0)
p2 (0)
3. El vector de probabilidad inicial P (0) = … siendo pi (0) = P (X0 = i)
pr (0)
probabilidad de que el proceso se encuentre en el estado i , para i = 1, 2, …,
r, en el instante inicial.
Con los datos anteriores se puede deducir la ley de probabilidad para cualquier
etapa n. Así, la ley de probabilidad pasada una etapa, teniendo en cuenta el teorema
de la probabilidad total, es:
pj (1) = P (X1 = j) =
= P (X0 = 1) · P (X1 = j /X0 = 1) + P (X0 = 2) · P (X1 = j/ X0 = 2) + … +
+ P (X0 = r) · P (X1 = j /X0 = r) = p1 (0) · p1j + p2 (0) · p2j + … + pr (0) · prj
∀j = 1, 2, …, r.
06 tema 4 14/3/03 08:35 Página 92
p1 (1) p11 p21 … pi1 … pr 1 p1 (0)
p2 (1) p12 p22 … pi2 … pr2 p2 (0)
… = … … … … … · …
pj (1) p1j p2j … pij … prj pi (0)
… … … … … … … …
pr (1) p1r p2r … pir … prr pr (0)
p1 (n) P (Xn = 1)
p2 (n) P (Xn = 2)
P (n) = … = …
pr (n) P (Xn = r)
Si n = 1: P (1) = M · P (0)
Si n = 2: P (2) = M · P (1) = M 2 · P (0)
…
P (n) = M n · P (0), ∀ n
1
3
2 4
5 7
6
Se observa que en cada movimiento se desplaza a una celda contigua con igual
probabilidad, salvo si está en la 8 que se va a la 6, o si está en la 1 que se queda allí
porque está el queso.
06 tema 4 14/3/03 08:35 Página 93
1 0 1/3 0 0 0 0 0
0 0 1/3 0 1/2 0 0 0
0 1/2 0 1/2 0 0 0 0
0 0 1/3 0 0 0 1/2 0
M =
0 1/2 0 0 0 1/3 0 0
0 0 0 0 1/2 0 1/2 1
0 0 0 1/2 0 1/3 0 0
0 0 0 0 0 1/3 0 0
1/ 1/ 1/ 1/
2 3 3 2
1/
1 3
1 1/ 3 6 1
8
3
1/ 1/ 1/ 1/
3 2 2 3
1/
2
4 7
1/
2
0
0
0
0
P (0) = y después de cuatro desplazamienos la ley de probabilidad es:
0
0
0
1
06 tema 4 14/3/03 08:35 Página 94
4
1 0 1/3 0 0 0 0 0 0 0
0 0 1/3 0 1/2 0 0 0 0 0
0 1/2 0 1/2 0 0 0 0 0 1/6
0 0 1/3 0 0 0 1/2 0 0 0
P (4) = M4 · P (0) = · =
0 1/2 0 0 0 1/3 0 0 0 11/36
0 0 0 0 1/2 0 1/2 1 0 0
0 0 0 1/2 0 1/3 0 0 0 11/36
0 0 0 0 0 1/3 0 0 1 2/9
Se considera un carácter en individuos diploides que está gobernado por los ale-
los A (dominante) y a (recesivo). Un individuo, desde el punto de vista de este
carácter, puede presentar los genotipos AA (raza pura dominante), Aa (híbrido) o aa
(raza pura recesiva). Se dispone de una población con la misma proporción de indi-
viduos de cada genotipo que es suficientemente extensa y se producen cruces al
azar entre individuos de esta población.
Si se llama estado del sistema en la etapa n-ésima al genotipo de un individuo resul-
tante del n-ésimo cruce, se obtiene una cadena de Markov con espacio de estados:
E = {AA, Aa, aa}.
Se pueden calcular fácilmente las probabilidades de transición. Por ejemplo, si
la madre es raza pura dominante, la probabilidad de que el hijo sea también AA es:
1 1 1 1 1
P (X1 = AA / X0 = AA) = · 1 + · + · 0 =
3 3 2 3 2
pues hay que tener en cuenta el genotipo del otro progenitor, que puede ser AA, Aa
o aa con igual probabilidad.
Si la madre es híbrido, la probabilidad de que el hijo sea dominante es:
1 1 1 1 1 1
P (X1 = AA / X0 = Aa) = · + · + · 0 =
3 2 3 4 3 4
06 tema 4 14/3/03 08:35 Página 95
Del mismo modo, se calculan las restantes probabilidades que forman la matriz
de transición de esta cadena:
1/2 1/4 0
M = 1/2 1/2 1/2 .
0 1/4 1/2
AA 1/
4
1/
1/ 2
2
Aa
1/
2
1/
aa 4
1/
2
17/64 1/4 15/64 1/3 1/4
P (5) = M5 · P (0) = 1/2 1/2 1/2 · 1/3 = 1/2 .
15/64 1/4 17/64 1/3 1/4
17/64 1/4 15/64 1 17/64
P (5) = M5 · P (0) = 1/2 1/2 1/2 · 0 = 1/2 .
15/64 1/4 17/64 0 15/64
2 3
4 5
0 1/2 1/2 0 0
1/2 0 0 1/2 0
M= 1/2 0 0 0 1/2 .
0 1/2 0 0 1/2
0 0 1/2 1/2 0
Sabiendo que el vigía empezó la guardia en el puesto 1, ¿es posible que esté en
el puesto 4 al cabo de cuatro cambios? ¿En qué puesto es más probable que esté al
hacer el cuarto cambio? ¿Es posible que llegue al puesto 1 en el quinto cambio?
06 tema 4 14/3/03 08:35 Página 97
1
0
Por partir del puesto 1 el vector de probabilidad inicial es: P (0) = 0 .
0
0
El vector de probabilidad en la cuarta etapa es:
3/8
1/16
P (4) = M 4 · P (0) = 1/16 .
1/4
1/4
1/16
5/16
P (5) = M 5 · P (0) = 5/16 .
5/32
5/32
1
Como P (X5 = 1) = ≠ 0, sí es posible que llegue al puesto 1 en el quinto
16
cambio, aunque es el puesto menos probable en la quinta etapa.
Para el vigía que tiene que hacer la guardia en cada una de las cuatro esquinas
de la Torre del Homenaje del castillo construido en Ciudad Rodrigo en 1372, el
espacio de estados será:
E = {1,2,3,4}
1 4
2 3
06 tema 4 14/3/03 08:35 Página 98
0 1/2 0 1/2
1/2 0 1/2 0 .
La matriz de transición: M =
0 1/2 0 1/2
1/2 0 1/2 0
1/2 0 1/2 0 1 1/2
0 1/2 0 1/2 · 0 0 .
P (4) = M 4 · P (0) = =
1/2 0 1/2 0 0 1/2
0 1/2 0 1/2 0 0
0 1/2 0 1/2 1 0
5 1/2 0 1/2 0 · 0 = 1/2 ,
Como P (5) = M · P (0) =
0 1/2 0 1/2 0 0
1/2 0 1/2 0 0 1/2
Tres amigos Pedro, Antonio y Ángel, han conseguido una butaca para la prime-
ra de abono para el Teatro Real y deciden compartirlo para no perderlo. Pedro siem-
pre que asiste a una función se lo pasa a Antonio y Antonio, después de asistir a una
función, se lo pasa a Ángel, pero Ángel después de usarlo una vez se lo pasa a uno
de sus dos amigos con la misma probabilidad.
0 0 1/2
M= 1 0 1/2
0 1 0
1
a) Si lo estrena Pedro será P (1) = 0 .
0
El vector de probabilidad en la etapa cuarta nos dará la probabilidad de que
cada uno de ellos asista a la cuarta representación.
06 tema 4 14/3/03 08:35 Página 100
1/2 0 1/4 1 1/2
P (4) = M 3 · P (1) = 1/2 1/2 1/4 · 0 = 1/2 . La probabili-
0 1/2 1/2 0 0
dad de que asista Pedro a la cuarta representación es 1/2.
b) Del modo que se elige quien asiste a la primera representación se deduce que
1/3
P (1) = 1/3
1/3
0 0 1/2 1/3 1/6
P (2) = M · P (1) = 1 0 1/2 · 1/3 = 1/2
0 1 0 1/3 1/3
0 0 1/2 1/6 1/6
P (3) = M · P (2) = 1 0 1/2 · 1/2 = 1/3
0 1 0 1/3 1/2
0 1/4 1/4 1/3 1/6
P (5) = M 4· P (1) = 1/2 1/4 1/2 · 1/3 = 5/12
1/2 1/2 1/4 1/3 5/12
1 1/2 0 0 0 0 0
0 0 1/2 0 0 0 0
0 1/2 0 1/2 0 0 0
M = 0 0 1/2 0 1/2 0 0
0 0 0 1/2 0 1/2 0
0 0 0 0 1/2 0 0
0 0 0 0 0 1/2 1
0
0
0
El vector de probabilidad inicial es P (0) = 1 .
0
0
0
0
1/4
0
Y después de dos enfrentamientos es: P (2) = M 2 · P (0) = 1/2 .
0
1/4
0
1/8
0
3/8
P (3) = M · P (2) = 0 .
3/8
0
1/8
0 1/9 1/27 1/81
1 4/9 6/27 8/81 .
M=
0 4/9 12/27 8/27
0 0 8/27 48/81
a) ¿Qué probabilidad hay de que pueda alquilar todas al cabo de tres días?
b) ¿Y al cabo de quince días?
0.039
Al cabo de tres días como P (3) = M · P (0) = 0.231 , lo más probable es que
3
0.366
0.364
0.050
alquile tres cámaras. Como P (15) = M · P (0) = 0.292 , sigue siendo más pro-
15
0.381
bable que alquile tres. 0.277
Y la probabilidad de que pueda alquilar las cuatro al cabo de tres días es 0.364
y al cabo de quince días es 0.277.
Este jugador no sale del club y cada hora, o bien va a otra sala contigua o se
queda en la que estaba, salvo si está en la máquina tragaperras, en cuyo caso se
queda allí y manda que le traigan un sandwich.
El estado del sistema pasadas n horas es la sala en la que se encuentra el juga-
dor en ese instante y, por tanto, el espacio de estados del sistema es: E = {1,2,3,4,5}.
La matriz de transición de esta cadena de Markov será:
1 1/3 0 0 0
0 1/3 1/3 0 0
M= 0 1/3 1/3 1/3 0 .
0 0 1/3 1/3 1/2
0 0 0 1/3 1/2
0 0
0 0.056
P (3) = M 3 · P (0) = M 3 · 0 = 0.194 .
0 0.403
1 0.347
0 0.116
0 0.111
P (7) = M 7 · P (0) = M 7 · 0 = 0.222 .
0 0.313
1 0.238
¿Las respuestas anteriores serían las mismas si las salas del club estuvieran dis-
puestas en torno a un jardín central y comenzase también en la sala 5?
En este caso la matriz de transición sería:
1 1/3 0 0 1/3
0 1/3 1/3 0 0
M= 0 1/3 1/3 1/3 0 .
0 0 1/3 1/3 1/3
0 0 0 1/3 1/3
06 tema 4 14/3/03 08:35 Página 104
0 0.519
0 0.037
P (3) = M 3 · 0 = 0.111 ,
0 0.185
1 0.148
por tanto, lo más probable es que se encuentre en la sala 1, ya que P (X3 = 1) = 0.519.
0 0.721
0 0.049
P (7) = M 7 · P (0) = M7 · 0 = 0.083
0 0.089
1 0.058
y es muy poco probable que se encuentre en la sala del bingo, por ser
P (X7 = 4) = 0.089
06 tema 4 14/3/03 08:35 Página 105
PROBLEMAS PROPUESTOS
2. Un jugador se apuesta un euro a que al lanzar una vez un dado obtiene puntua-
ción impar, si la obtiene gana un euro y en caso contrario lo pierde. Sólo deja de
jugar si pierde todo o si tiene cinco euros. a) Describir el espacio de estados.
b) Dar la matriz de transición. c) Si comienza con un euro, calcular la probabilidad
de que se retire en la cuarta tirada. d) En el mismo supuesto de que comience con
un euro ¿cuál será la distribución de probabilidades al finalizar la quinta tirada?
3. Un chimpancé debe repetir una prueba hasta obtener dos aciertos consecutivos.
La probabilidad de que acierte en cada prueba es 1/3. a) Escribir el espacio de
estados del proceso de Markov correspondiente a esa experiencia del chimpan-
cé. b) Determinar la matriz de transición. c) ¿Cuál es la distribución inicial de la
cadena? d) Calcular la probabilidad de que finalice el experimento con éxito en
la tercera etapa.
5. En cada prueba se saca una bola de una bolsa que tiene cinco bolas numeradas:
1, 2, 3, 4 y 5 y se devuelve la bola extraída. El resultado de la enésima prueba es
el mayor de los números obtenidos en las n primeras extracciones.
a) ¿Cuál es el espacio de estados? b) Hallar la matriz de transición. c) ¿Cuál es
el vector de probabilidad de la primera prueba? d) Calcular P (2) y P (3). e) Se
saca una bola y se ha obtenido un tres y a continuación se realizan las pruebas,
06 tema 4 14/3/03 08:35 Página 106
p p 0 0
q 0 p 0
6. La matriz M = es una matriz estocástica por columnas.
0 q 0 p
0 0 q q
a) ¿Qué valores pueden tomar p y q? b) Calcular las matrices M2 y M3, ¿son tam-
bién estocásticas por columnas?
0 0 1/3 1/2 0 1/4
a) M = 0 1/2 2/3 y b) M = 0 1 0
1 1/2 0 1/2 0 3/4
¿Qué se observa?
8. Supongamos una región en la que nunca hay dos días seguidos de buen tiempo.
Si tienen un buen día, es tan probable que caiga nieve como que llueva al día
siguiente. Si nieva, o si llueve, hay igual probabilidad de que se mantenga el
tiempo así al día siguiente o que cambie, y si se produce un cambio en días de
nieve, o lluvia, sólo la mitad de las veces es a un día de buen tiempo. Hoy hace
un buen día en esa región. a) Escribir el espacio de estados. b) Dar la matriz de
transición. c) ¿Cuál es la probabilidad de que llueva cada uno de los tres días
siguientes? d) ¿Qué tiempo se podrá esperar dentro de tres días?
1 2 3
4 5 6
7 8 9
de una celda a otra contigua sólo siguiendo las direcciones: arriba, abajo, dere-
cha e izquierda con igual probabilidad. Describir las distintas posiciones del
robot y determinar la matriz de transición en una etapa.
10. Un salvapantallas de un ordenador consta de un asterisco que se mueve de un
vértice de un polígono regular a otro contiguo con probabilidad 1/2. Si está en A
inicialmente, calcular la probabilidad de que se encuentre en cada uno de los vér-
tices después de cinco saltos y después de veinte saltos. a) Si el polígono es un
triángulo equilátero ABC. b) Si el polígono es un pentágono regular ABCDE.
07 tema 5.qxd 14/3/03 08:40 Página 107
5
Clasificación
de los estados de
una cadena de Markov
En este capítulo se van a clasificar los estados de una cadena de Markov utili-
zando la teoría de grafos, a partir del digrafo (o pseudodigrafo) de evolución ele-
mental de la cadena, G (V, A), también llamado diagrama de transición. Este digra-
fo tiene por conjunto de vértices el conjunto de los estados de la cadena
E = {1, 2, …, r} y por arcos (j, k), desde el estado j al estado k, si la probabilidad
de transición Pjk es positiva, es decir, si es posible pasar del estado j al k en una
etapa. Si los estados j y k coinciden y pjj ≠ 0, el arco se transforma en un bucle en el
vértice j.
Se comprueba con facilidad que esta relación verifica las propiedades reflexiva,
simétrica y transitiva y es, por tanto, una relación de equivalencia en E, y como tal
produce una partición E/ℜ en clases de equivalencia.
Cada clase está formada por todos los estados que están comunicados entre sí.
Dos clases o son disjuntas o coinciden, pues si dos clases C1 y C2 tienen el estado k
en común, cualquier estado de C1 está comunicado con k y k está comunicado con
todo estado de C2, por tanto, todos los estados de C1 están comunicados con los de
C2 y, en consecuencia, forman una sola clase.
Ninguna clase es vacía, porque al menos contiene un estado que está comunica-
do consigo mismo.
Cada una de las clases de equivalencia es un subgrafo fuertemente conexo de G.
Las clases de equivalencia son las componentes fuertemente conexas del digrafo G.
1/
3
1/
4
1/ 2 2/
2 3
1/ 1/
4 1 2 1/
2
4
1
3
1
5
C1 1/
3
1/ C2
4
1/ 2 2/
2 3
1/ 1/
4 1 2 1/
C3 2
4
1
3
1
5
Una cadena de Markov se dice que es irreducible si consta de una sola compo-
nente fuertemente conexa, es decir, si todos los estados están comunicados entre sí.
07 tema 5.qxd 14/3/03 08:40 Página 109
1 2/
3
1/
3 1/
2 2
1/
3
1/ 1/
3 2 2
2/ 1/
3 4 4
1/
4
1/
2
1
1/ 1/
4 2
1/ 2/
2 3
1/
1/ 3
4
3 2
C2 C1
Una clase Ci es una clase ergódica si es una clase final, es decir, si sus estados
están comunicados entre sí y no hay ningún estado de G – Ci que sea accesible
desde Ci. Si el sistema entra en una clase ergódica ya no sale de ella.
En la cadena del ejemplo 5.1.1. hay dos clases ergódicas y en el ejemplo 5.1.2.
hay sólo una que contiene todos los estados de la cadena.
Una clase ergódica con un solo estado se dice que es una clase absorbente.
1/ C2
2
C1 1
1 2
1/ 1/
2 2
0 1/
2 1/
2
3
C3 1 1/
2
1/
2 1/ 1/
2 2
6
5 1/
4
2
En esta cadena hay dos clases ergódicas y unitarias C1 y C3, que son, por tanto,
dos clases absorbentes.
Una clase de G/ℜ que no sea final, es decir, una clase Ci tal que exista un esta-
do j Ci y un estado k G – Ci, que es accesible desde j, se dice que es una clase
transitoria o de paso. En el ejemplo anterior de la lucha de dos especies animales
por ocupar un territorio, la clase C2 es transitoria.
07 tema 5.qxd 14/3/03 08:40 Página 111
1
3
2 1/ 1/ 1
4 2
3/ 4
4
1/ 2/
2 3
1/
4 1/
4
1/
4 6
1 1/
4 1 1/
5 3
1/ 1/ 9
4 4 1/ 1/ 7
3 2
1/ 1/ 1/
4 3 2
1/
1 4 1/
12 3 10 2/
3
8
11 1/
3
Este digrafo tiene cuatro subgrafos fuertemente conexos, como se puede ver en
la figura siguiente:
3 C1
1
2 1/ 1/ 1
4 2
3/ 4
4
1/ 2/
2 3
1/
4 1/
4
1/
4 6
1 1/
4 1 1/
5 3
1/ 1/ 9
4 4 1/ 1/ 7
3 2
1/ 1/ 1/
4 3 2
1/
1 4
12 1/
3 10 2/
3
8
11 1/
3
C4 C3 C2
07 tema 5.qxd 14/3/03 08:40 Página 112
Por tanto, tiene cuatro clases, C1 y C4 son clases ergódicas, por ser clases fina-
les, como C4 es unitaria es una clase absorbente, una vez que la cadena entra en el
estado 12 ya no lo abandona. La clase C3 es transitoria porque el estado 12 es acce-
sible desde uno de sus estados, el 10. Análogamente es transitoria la clase C2, por-
que el estado 4 se puede alcanzar desde ella.
0.819 0.182 0.182 0
0.0455 0.637 0.182 0 .
M=
0.0455 0.091 0.546 0
0.09 0.09 0.09 1
07 tema 5.qxd 14/3/03 08:40 Página 113
9
0’0
0’
04
0’09
0’091
55
0’
0’182
18
2
0’546
0’09
1 S C
Que consta de dos clases:
0’819 0’0455 0’637 C1
A B
0’182 0’0
9
0’
04
0’09
0’091
55
0’
0’182
18
2
0’546
0’09
1 S C
C2
La clase C1 es transitoria y C2 absorbente.
A B
D C
Según las normas del salón, los jugadores deben cambiar de juego cada hora, pasan-
do de la sala en la que están, al azar, a una de las contiguas. Dibujar el diagrama de
transición de los movimientos de un jugador.
El diagrama de transición:
A 1/ B
2
1/
2
1/ 1/ 1/ 1/
2 2 2 2
1/
2
1/
D 2 C
consta de una sola clase ergódica.
07 tema 5.qxd 14/3/03 08:40 Página 114
1/ A 1/ B 1/
3 3 3
1/
3
1/ 1/ 1/ 1/
3 3 3 3
1/
3
1/ 1/ 1/
3
3 D C 3
Resumen:
PROBLEMAS PROPUESTOS
1
a 1 b 1
1/
c k 3
1
f 1/
e 2/
3 2/
3
3
1/
2
1 j
l
d 1
g 1/
1/ 1 2 1 1
2
h 1/ i m
2
1/3 0 0 0 1/2 0 0
0 0 0 0 1/2 0 0
1/3 0 1/5 0 0 0 0
M = 0 0 0 1 0 0 1 .
1/3 0 4/5 0 0 0 0
0 1/2 0 0 0 0 0
0 1/2 0 0 0 1 0
1 0 1/3 0 0 0 0 0
0 0 1/3 0 1/2 0 0 0
0 1/2 0 1/2 0 0 0 0
0 0 1/3 0 0 0 1/2 0
M = .
0 1/2 0 0 0 1/3 0 0
0 0 0 0 1/2 0 1/2 1
0 0 0 1/2 0 1/3 0 0
0 0 0 0 0 1/3 0 0
b) Dibujar un diagrama de transición de la cadena.
c) Clasificar los estados de la cadena.
07 tema 5.qxd 14/3/03 08:40 Página 117
6
Comportamiento
asintótico de
las Cadenas de Markov
⁄
transitiva, y como tal produce una partición del conjunto rxr ~ en clases de equi-
valencia. Cada clase está formada por todas las matrices semejantes entre sí.
La respuesta a la pregunta sobre la existencia, en la clase de equivalencia de la
matriz Mrxr, de una matriz semejante diagonal se debe a Camille Jordan (1838-1922)
Camille Jordan
λ1 0 … 0
0 λ2 … 0 .
P–1 · M · P = … … … …
0 0 … λr
Esta es la forma canónica de Jordan de la matriz Mrxr, que en este caso es una
matriz diagonal.
1/
D 2 C
0 1/2 0 0 1/2
1/2 0 1/2 0 0
M= 0 1/2 0 1/2 0 .
0 0 1/2 0 1/2
1/2 0 0 1/2 0
– 1– 5
N λ= =
4
1 + 5 1 + 5
2 2
1 + 5
= x 5 / x = δ, η, – δ – η, (δ + η), – η – δ , ∀ δ, η
2
– 1 + 5
N λ= =
4
– 1 +5
1 – 5 – 1 +5
= x 5 / x = β, γ, γ – β, (β +γ), β – γ , ∀ β, γ
2 2 2
El autoespacio asociado al autovalor 1 tiene dimensión uno, y un autovector aso-
ciado al autovalor 1 es, por ejemplo:
1
1
P1 = 1 .
1
1
Los autoespacios asociados a los autovalores dobles tienen dimensión dos y, por
tanto, se pueden encontrar para cada uno de ellos dos autovectores linealmente
independientes, y así se puede completar una base de 5 con autovectores de la
matriz M. Dos autovectores linealmente independientes asociados al autovalor
1 0
0 1
–1 – 1– 5
– 1– 5 . Y dos autovec-
son, por ejemplo: P2 = 1+ 5 yP =3
2
4
2 1+ 5
– 1– 5 2
2 –1
– 1+ 5
tores asociados al autovalor y linealmente independientes son:
4
08 tema 6 14/3/03 08:41 Página 124
1 0
0 1
–1 – 1+ 5
1– 5 .
P = 4
y P5 = 2
2 1– 5
– 1+ 5 2
2 –1
Llamando P a la matriz que tiene por columnas los autovectores P1, P2, P3, P4 y P5
en este orden, con DERIVE se comprueba con facilidad que:
1 0 0 0 0
– 1 – 5
0 0 0 0
4
– 1 – 5 =D
P–1 · M · P = 0 0 0 0
4
– 1 + 5
0 0 0 0
4
– 1 + 5
0 0 0 0
4
J1 0 … 0
–1 0 J2 … 0 =J
P ·M·P= … … … …
0 0 … Jr
siendo las cajas
λi 0 0 … 0 0
1 λi 0 … 0 0
0 1 λi … 0 0
Ji =
0 0 1 … 0 0
… … … … … …
0 0 0 … 1 λi
de orden s o inferior (s es el orden de multiplicidad del autovalor λi), con los ele-
mentos de la diagonal principal todos iguales a λi, y la paralela a la diagonal prin-
08 tema 6 14/3/03 08:41 Página 125
cipal por debajo de ella formada por unos, o bien Ji = [λi]. En este caso, la forma
canónica de Jordan, J, es diagonal por cajas y los 0 en esta matriz representan matri-
ces nulas de la dimensión que corresponda a las Ji.
Las columnas de la matriz P en este caso no son todas autovectores de M. La
matriz J tiene tantos unos en la paralela a la diagonal principal como vectores
columna tenga la matriz P que no sean autovectores.
1
1
asociado al autovalor λ = 1 y P = 1
es un autovector columna asociado
…
1 rx1
1/r
al mismo autovalor. Por tanto, en este caso el vector P = 1/r 1
es vector
…
1/r rx1
de probabilidades de equilibrio para esa cadena.
0 0 0.3 0.8 0.5
0 0 0.7 0.2 0.5
M= 0.2 0.3 0 0 0
0.5 0.4 0 0 0
0.3 0.3 0 0 0
se comprueba con facilidad, por ejemplo con el programa DERIVE, que su ecua-
ción característica M – λI = 0 es:
21 λ
– λ5 + λ3 – = 0
20 20
y los autovalores son:
5 5
λ1 = 1, λ2 = – 1, λ3 = 0, λ4 = – , λ5 =
10 10
todos de módulo menor o igual a 1.
El autoespacio asociado al autovalor λ1 = 1 es:
α
39 α
56
229 α
N (λ1 = 1) = {x 5 / (M – I) · x = 0} = x 5 / x = 560 ∀α
109 α
140
57 α
112
08 tema 6 14/3/03 08:41 Página 127
190 0.2947
229 0.2053
P1 = = 0.1205
1900 0.2295
109 0.15
475
57
380
AO
1 ≤ k ≤ r – 1 tal que ST · M · S = siendo Akxk y C(r – k) x (r – k) matrices
BC
cuadradas, B(r – k) xk, y Okx (r – k) una matriz nula.
Por tanto, una matriz cuadrada de orden mayor que 1 es reducible si cambiando
filas y columnas se puede obtener una matriz con un bloque de ceros de k filas y
08 tema 6 14/3/03 08:41 Página 128
Ejemplo. Esta caracterización permite comprobar con sólo dibujar los digra-
fos correspondientes que las siguientes matrices no negativas no son irreduci-
bles:
0 0 0 0 0 1
0 1 2 0 0 1/2 0 0 1 0
M1 =
1/2 0 0 0 y M2 = 0 1/2 1 0 0 0
0 1/2 0 0 0 0 0 1 0 0
0 0 1/2 0 0 0 0 0 0 0
1 0 0 0 0 0
2 4 8 24 0 1 0 2
1/2 0 0 0 , M = 1/3 0 0 0 ,
M3 = 4
0 1/2 0 0 0 1/5 0 0
0 0 1/2 0 0 0 1/3 0
0 1/2 1/2 0
1/2 1/4 0
1/2 0 0 1/2 , M = 1/2 1/2 1/2
M5 = 6
1/2 0 0 1/2 0 1/4 1/2
0 1/2 1/2 0
Probar, utilizando el programa DERIVE, que para las matrices irreducibles del
ejemplo anterior se verifica que la potencia (r – 1) de la matriz suma de la identidad
de orden r y la matriz Mrxr es una matriz con todos los elementos positivos y que en
las reducibles esto no se verifica.
08 tema 6 14/3/03 08:41 Página 129
• Teoremas de Perron.
Se recogen a continuación unos resultados para matrices no negativas obteni-
dos en 1907 por Oskar Perron (1880-1975)
Oskar Perron
1. Si Mrxr es una matriz con todos los elementos positivos e irreducible, con
autovalores λ1, λ2, …, λr y ρ = 1máx
≤i≤r
λi, entonces ρ es autovalor de M
yλi< ρ para todo autovalor λi ≠ ρ. Por tanto, ρ es el autovalor dominante
que se llama raíz de Perron de la matriz M.
F. Georg Frobenius
Caso particular:
Si M es la matriz de una cadena de Markov irreducible y tiene m autova-
lores de módulo máximo, m es divisor del número de autovalores distintos
de cero de M, y los autovalores de módulo máximo son las m raíces ente-
ras de la unidad, como se indicó en apartado 6.3.
Si Mrxr es la matriz de transición de una cadena de Markov, es siempre una
matriz no negativa y el autovalor dominante es λ = 1.
08 tema 6 14/3/03 08:41 Página 131
1n 0 … 0 1 0 … 0
0 λn2 … 0 = 0 0 … 0
lim Jn = n→∞
n→∞
lim … … … … … … … …
0 0 … λnr 0 0 … 0
y
1 0 … 0
0 0 … 0
lim Mn = P · … … … … · P–1 =
n→∞
0 0 … 0
1 0 … 0 1 1 … 1
0 0 … 0 F2
= [P1 P2 … Pr] · … … … …
·
…
=
0 0 … 0 Fr
1 1 … 1
1 2 0
r 0 … 0 1 1 1
= [P P … P ] · … … … … = [P P … P ]
0 0 … 0
es una matriz con todas las columnas iguales al vector P1.
Conclusiones:
Al tener el vector P1 todas las componentes positivas, siempre se podrá volver a
pasar por uno cualquiera de los estados.
Existe un vector de estado permanente o estable que coincide con la única dis-
tribución estacionaria P1 de la cadena. El vector de estado de la cadena cuando el
número de etapas tiende a infinito es un vector de probabilidad, que es autovector
asociado al autovalor λ = 1 y no depende del vector de estado inicial P (0), ya que:
p1 (0)
p 2 (0)
lim Mn · P (0) = [P1 P1
lim P (n) = n→∞ … P1] · … = P1
n→∞
pr (0)
08 tema 6 14/3/03 08:41 Página 132
esto significa que la cadena consta de una sola clase final ergódica y no posee esta-
dos transitorios. Se dice que es completamente ergódica o que es una cadena regu-
lar. El comportamiento asintótico de la cadena es independiente del vector de esta-
do inicial.
Los caracteres hereditarios están en los genes. Todas las células, salvo los game-
tos, son réplicas exactas de la misma estructura genética.
Los genes de cada célula se agrupan por pares a lo largo de los cromosomas. Se
considera el caso sencillo en el que cada gen de un par puede tomar uno de los dos
estados: A o a, por tanto, para el carácter considerado, un individuo está caracteri-
zado por uno de los tres genotipos posibles: AA (dominante), Aa (híbrido) y aa
(recesivo).
El genotipo de un hijo resulta de la reunión de un gen del padre y de un gen de
la madre según la siguiente ley: Cada padre transmite un gen y sólo uno de los dos
que constituyen su genotipo; cada gen del padre (o de la madre) tiene probabilidad
1/2 de ser transmitido y las dos elecciones son independientes. Así, si el padre es Aa
y la madre es Aa su hijo tiene probabilidad 1/4 de ser AA, probabilidad 1/2 de ser
como sus padres Aa y probabilidad 1/4 de ser recesivo aa.
1/2 1/4 0
M = 1/2 1/2 1/2
0 1/4 1/2
3 λ
Esta matriz tiene por polinomio característico: M – λI= – λ3 + λ2 –
2 2
Los autovalores de M son: 1, 1/2 y 0. Sólo hay uno de módulo 1, y el resto tiene
módulo menor que la unidad.
08 tema 6 14/3/03 08:41 Página 133
1
N λ = = {x 3 / x = (β, 0, – β), ∀ β }
2
N (λ = 0) = {x 3 / x = (γ, – 2γ, γ), ∀ γ }
1 1 1
C1 = 2 , C2 = 0 y C3 = – 2 y se observa que los autovectores asociados
1 –1 1
al autovalor λ=1 son los únicos que pueden tener todas las componentes positivas.
1 1 1 1 0 0 1 0 0
⇒P ·M·P= =J⇒J =
–1 n n
Si P = 2 0 – 2 0 1/2 0 0 (1/2) 0
1 –1 1 0 0 0 0 0 0
–1
1 1 1 1 0 0 1 1 1 1/4 1/4 1/4
n n –1
lim M = P · lim J · P = 2 0 –2 · 0 0 0 · 2 0 –2 = 1/2 1/2 1/2
n→∞ n→∞
1 –1 1 0 0 0 1–1 1 1/4 1/4 1/4
1/4 1/4 1/4 p1 (0) 1/4
Y el n→∞ lim Mn · P (0) = 1/2 1/2 1/2 · p2 (0) = 1/2 cualquiera que
lim P (n) = n→∞
1/4 1/4 1/4 p3 (0) 1/4
sea el vector de distribución de probabilidad inicial P (0).
p11 p11 … p11 p11
1 0 … 0 p12 p12 … p12 p12
n 0 0 … 0 –1 1 1 1
lim
n→∞
M = P · … … … … · P = [P P … P ] = … … … … …
0 0 … 0 p1r–t p1r–t … p1r–t p1r–t
0tx1 0tx1 … 0tx1 0tx1
y el
p1 (0) p11
p2 (0) p12
… …
lim Mn · P (0) = [P1 P1 … P1 … P1] ·
lim P (n) = n→∞
n→∞
= P1 =
pr–t (0) …
… p1r–t
pr (0) 0tx1
Conclusiones:
Existe un vector de estado permanente o estable que coincide con la única dis-
tribución estacionaria P1 de la cadena, autovector asociado a λ = 1, autovalor domi-
nante.
El vector de estado de la cadena cuando el número de etapas tiende a infinito no
depende del vector de estado inicial P(0).
Pero el vector de estado permanente, a diferencia del caso anterior, tiene com-
ponentes iguales a cero, las correspondientes a los estados transitorios porque en el
momento en que se deja un estado transitorio ya no se puede volver a él.
08 tema 6 14/3/03 08:41 Página 135
Ejemplo:
1/5 0 1 0 1/5
4/5 0 0 0 4/5
M= 0 1 0 1 0 ?
0 0 0 0 0
0 0 0 0 0
1 4 4 4
M – λI = – λ5 + λ4 – λ2 = λ2 · (1 – λ) · λ2 + λ +
5 5 5 5
– 2 – 4i – 2 + 4i
Los autovalores de M son: 1, 0 (doble), y .
5 5
Como en el ejemplo anterior, sólo hay uno de módulo 1 y el resto tiene módu-
lo menor que la unidad.
Los autoespacios asociados son:
4α 4α
N (λ = 1) = x 5 / x = α, , , 0, 0 , ∀α
5 5
en este caso hay dos componentes de los autovectores asociados al autovalor 1 que
son nulas.
– 2 + 4i – 2 – 4i – 3 + 4i
N λ = = x 5 / x = η, η, η, 0, 0 , ∀η
5 5 5
– 2 – 4i
y el autoespacio asociado a λ = es el conjugado del anterior, es decir:
5
– 2 – 4i – 2 + 4i – 3 – 4i
N λ = = x 5 / x = δ, δ, δ, 0, 0 , ∀δ
5 5 5
5 1 0 5 5
4 0 1 – 2 – 4i – 2 + 4i
M= 4 0 0 – 3 + 4i – 3 – 4i , entonces
0 0 –1 0 0
0 –1 0 0 0
1 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0
P–1 · M · P = 0 0 0 0 0 = J ⇒ Jn = 0 0 0 0 0
n
– 2 + 4i
0 0 0 0
5
0 0 0
5
–2+4i
0 n
0 0 0 0
– 2 – 4i
5
0 0 0 0
– 2 – 4i
5
5 5 5 5 5
1 0 0 0 0 13 13 13 13 13
4 4 4 4 4
0 0 0 0 0
13 13 13 13 13
lim Mn = P · n→∞
n→∞
lim Jn · P–1 = P · 0 0 0 0 0 · P–1 = 4 4 4 4 4
13 13 13 13 13
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
5 5 5 5 5 5
13 13 13 13 13 p1 (0) 13
4 4 4 4 4 4
p2 (0)
13 13 13 13 13 13
Y el n→∞ lim Mn · P (0) =
lim P (n) = n→∞ · p3 (0) = 4
4 4 4 4 4
13 13 13 13 13 p4 (0) 13
0 0 0 0 0 0
p5 (0)
0 0 0 0 0 0
Ejemplo:
1 2
3 4
0 1/2 1/2 0
1/2 0 0 1/2
M=
1/2 0 0 1/2
0 1/2 1/2 0
Como se introduce el ratón en la pieza 4, la distribución de probabilidad inicial
0 1/2
es: P (0) = 0 . Se comprueba fácilmente que P (2) = M · P (0) = 0 , y también
2
0 0
1 1/2
1/2
0
que P (20) = P (30) = . En cualquiera de los casos estará en la pieza 1 o en la
0
1/2
4 con la misma probabilidad.
N (λ = 0) = {x 4 / x = (β, γ, – γ, – β), ∀ β, γ }
N (λ = – 1) = {x 4 / x = (δ, – δ, – δ, δ), ∀ δ }
1 1 0 1
1
C = 1 ,C =2 0 3
,C = 1 4
yC = – 1
1 0 –1 –1
1 –1 0 1
1 1 1 0
La matriz 1 – 1 0 1 que tiene por columnas esos autovectores dia-
1 –1 0 –1
1 1 –1 0
gonaliza la matriz de transición:
08 tema 6 14/3/03 08:41 Página 139
1 0 0 0 1 0 0 0
P · M · P = 0 –1 0
–1 0 = J ⇒ Jn = 0 (–1)n 0 0 .
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
De ahí que:
1 0 0 0
lim M = n
P · lim J · P n
= P · –1
lim 0 (–1)n 0 0 · P–1.
n→∞ n→∞ n→∞ 0 0 0 0
0 0 0 0
1 0 0 0 1/2 0 0 1/2
lim J2k · P–1 = P · 0
lim M2k = P · k→∞ 1 0 0 · P–1 = 0 1/2 1/2 0
k→∞ 0 0 0 0 0 1/2 1/2 0
0 0 0 0 1/2 0 0 1/2
y si n = 2k +1:
1 0 0 0 0 1/2 1/2 0
lim M 2k + 1
= P · k→∞
lim J2k + 1
· P = P · 0 –1 0
–1 0 · P–1 = 1/2 0 0 1/2
k→∞ 0 0 0 0 1/2 0 0 1/2
0 0 0 0 0 1/2 1/2 0
1/4
dades estacionario: P1 = 1/4 , vector de probabilidad y autovector asociado al auto-
1/4
1/4
valor simple λ = 1. Sólo si la distribución de probabilidad en el instante inicial es P1
lim P (n) = P1, en los demás casos no existe el n→∞
será n→∞ lim P (n).
En este caso, si se parte de uno de los estados de la cadena, es posible volver a
él pasadas un número par de etapas. Los estados de esta cadena son recurrentes pero
periódicos de periodo 2.
La probabilidad de encontrarse en un estado después de un número n sufi-
cientemente grande de etapas en este caso sí depende del estado inicial.
na. Por verificarse esto se dice que la matriz Mn converge en el sentido de Cesaro a una
matriz con todas las columnas iguales a la distribución estacionaria de la cadena.
Para una cadena periódica de periodo m, existen m potencias distintas de la
matriz M, la media aritmética de esas potencias converge a una matriz con todas las
columnas iguales a la distribución estacionaria de la cadena, es decir:
1
lim
k→∞ m
( ) [
Mmk + Mmk + 1 + Mmk + 2 + … + Mmk + m – 1 = P1 P1 … P1]
y se dice que Mn converge en el sentido de Cesaro a la matriz que tiene todas las
columnas iguales a la distribución estacionaria de la cadena.
Ejemplo:
0 1/2 1/2 0 0 0 2/10 1/10
1/2 1/2 0 0 0 0 2/10 1/10
1/2 0 1/2 0 0 0 0 0
0 0 0 1 0 0 3/10 0
M =
0 0 0 0 3/5 1/2 0 0
0 0 0 0 2/5 1/2 0 1/10
0 0 0 0 0 0 3/10 1/10
0 0 0 0 0 0 0 6/10
El polinomio característico de M es:
λ + 2 λ – 5 λ –
10
λ –
1 1 3 3 1
M – λI= (λ – 1)3 λ –
2 10
08 tema 6 14/3/03 08:41 Página 141
Los autovalores son, por tanto, 1 (triple), 1/10, 3/10, 1/2, 3/5, –1/2.
ν ν
N (λ = – 1/2) = x 8 / x = ν, – , – , 0, 0, 0, 0, 0 , ∀ν
2 2
Como todos los autoespacios tienen dimensión igual al orden de multiplicidad
del autovalor correspondiente, la matriz M es diagonalizable.
Si P es la matriz que tiene por columnas ocho autovectores linealmente indepen-
dientes, por ejemplo:
1 0 0 0 6 0 30 2 1 0 0 0 0 0 0 0
1 0 0 0 41 1 – 70 –1 0 1 0 0 0 0 0 0
1 0 0 0 – 15 –1 150 –1 0 0 1 0 0 0 0 0
0 1 0 0 24 0 33 0 0 0 0 1/10 0 0 0 0
0 ⇒P ·M·P=
P= –1
0 0 5 1 0 0 33 0 0 0 0 3/10 0 0 0
0 0 4 –1 0 0 0 0 0 0 0 0 0 1/2 0 0
0 0 0 0 – 56 0 – 44 0 0 0 0 0 0 0 3/5 0
0 0 0 0 0 0 – 132 0 0 0 0 0 0 0 0 –1/2
1 0 0 0 0 0 0 0 1/3 1/3 1/3 0 0 0 4/21 3/14
0 1 0 0 0 0 0 0 1/3 1/3 1/3 0 0 0 4/21 3/14
0 0 1 0 0 0 0 0 1/3 1/3 1/3 0 0 0 4/21 3/14
0 0 0 0 0 0 0 0 –1 0 0 0 1 0 0 3/7 3/28
lim
n→∞
Mn = P· lim
n→∞
Jn ·P–1 = P· 0 0 0 0 0 0 0 0 ·P = 0 0 0 0 5/9 5/9 0 5/36
0 0 0 0 0 0 0 0 0 0 0 0 4/9 4/9 0 1/9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
08 tema 6 14/3/03 08:41 Página 142
1/3 1/3 1/3 0 0 0 4/21 3/14 p1 (0)
1/3 1/3 1/3 0 0 0 4/21 3/14 p2 (0)
1/3 1/3 1/3 0 0 0 4/21 3/14 p3 (0)
0 0 0 1 0 0 3/7 3/28 p4 (0)
lim
n→∞
P (n) = lim
n→∞
Mn ·P (0) = 0 0 0 0 5/9 5/9 0 5/36 · p5 (0)
0 0 0 0 4/9 4/9 0 1/9 p6 (0)
0 0 0 0 0 0 0 0 p7 (0)
0 0 0 0 0 0 0 0 p8 (0)
1
(5p1 + 5p2 + 5p3 – 9p4 – 9p5 – 9p6 – p7 + 9)
42
1
(5p1 + 5p2 + 5p3 – 9p4 – 9p5 – 9p6 – p7 + 9)
42
1
(5p1 + 5p2 + 5p3 – 9p4 – 9p5 – 9p6 – p7 + 9)
42
1
lim P(n) = lim M n
·P(0) = (– 3p1 – 3p2 – 3p3 + 25p4 – 3p5 – 3p6 + 9p7 + 3)
n→∞ n→∞ 28
1
(– 5p1 – 5p2 – 5p3 – 5p4 + 15p5 + 15p6 – 5p7 + 5)
36
1
(– p1 – p2 – p3 – p4 + 3p5 + 3p6 – p7 + 1)
9
0
0
Analizando el lim
n→∞
M n se ve claramente que:
1/3
ción permanente, o estable, 1/3 .
1/3
5/9
permanente .
4/9
1/3 0 0
1/3 0 0
1/3 0 0
0 1 0
, y
0 0 5/9
0 0 4/9
0 0 0
0 0 0
1 0 0 0 0 0
1/4 2/4 0 1/4 0 0
A= 0 0 0 1 0 0
1/16 4/16 2/16 4/16 4/16 1/16
0 0 0 1/4 2/4 1/4
0 0 0 0 0 1
En este artículo se afirma que en las condiciones señaladas los híbridos pueden
considerarse a la larga relativamente inexistentes; y se comprueba para la distribu-
ción de probabilidades iniciales: P (0) = [1/9 2/9 2/9 1/9 2/9 1/9] que después
de 60 generaciones la distribución de probabilidades es:
P (60) = [0.499999 0.000001 0.000000 0.000001 0.000001 0.499999].
Aunque también se puede trabajar por filas, como el polinomio característico de
A y el de su transpuesta coinciden y también los autovalores, se puede considerar la
matriz M, transpuesta de la matriz A, que es estocástica por columnas
1 1/4 0 1/16 0 0
0 2/4 0 4/16 0 0
M= 0 0 0 2/16 0 0
0 1/4 1 4/16 1/4 0
0 0 0 4/16 2/4 0
0 0 0 1/16 1/4 1
y demostrar que el
1/9 1/2
2/9 0
2/9 0
lim Mn · P (0) = n→∞
lim P (n) = n→∞
n→∞
lim Mn · 1/9 = 0 .
2/9 0
1/9 1/2
N (λ = 1) = x 6 / x = α, 0, 0, 0, 0, β, ∀α, β
N (λ = 1/2) = x 6 / x = γ, – 2γ, 0, 0, 2γ, – γ, ∀γ
N (λ = 1/4) = x 6 / x = δ, – 4δ, 2δ, 4δ, – 4δ, δ, ∀δ
08 tema 6 14/3/03 08:41 Página 145
1 – 5
N λ = = x 6 / x = (θ, – θ 65 + 14,
4
– θ 85 + 18, θ 205 + 44, – θ 6 5 + 14, θ), ∀θ
1 + 5
N λ = = x 6 / x = (κ, κ 65 –14, κ 85 – 18,
4
1 0
0 0
0 0
P1 = 0 y P2 = 0 .
0 0
0 1
1 1
–2 –4
0 2
P3 = 0 y P4 = 4 .
2 –4
–1 1
1 – 5 1 + 5
y autovectores asociados respectivamente a los autovalores λ = y λ =
4 4
1 1
– 14 – 6 5 – 14 + 6 5
– 18 – 8 5 – 18 + 8 5 .
P5 = y P6 =
20 5 + 44 – 20 5 + 44
– 6 5 – 14 6 5 – 14
1 1
08 tema 6 14/3/03 08:41 Página 146
0 1 0 0 0 0
0 0 1/2 0 0 0
–1
P ·M·P= =J
0 0 0 1/4 0 0
1 – 5
0 0 0 0 0
4
1 + 5
0 0 0 0 0
4
y que
1 0 0 0 0 0
0 1 0 0 0 0
0 0 0 0 0 0
lim Jn =
n→∞ 0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
Por tanto:
1 3/4 1/2 1/2 1/4 0
0 0 0 0 0 0
0 0 0 0 0 0
lim Mn = n→∞
lim (P · Jn · P–1) = P · n→∞
lim Jn · P–1 = .
n→∞ 0 0 0 0 0 0
0 0 0 0 0 0
0 1/4 1/2 1/2 3/4 1
3 1 1 1
p1 p1 + p2 + p3 + p4 + p5
4 2 2 4
p2 0
p3 0
lim Mn · P (0) = n→∞
lim P (n) = n→∞
n→∞
lim Mn · =
p4 0
p5 0
5
3 1 1 1
1–
pi 1– p1 – p2 – p3 – p4 – p5
i=1 4 2 2 4
08 tema 6 14/3/03 08:41 Página 147
1/9 1/2
2/9 0
2/9 0
lim Mn · P (0) = n→∞
lim P (n) = n→∞
n→∞
lim Mn · 1/9 = 0 .
2/9 0
1/9 1/2
Por tanto, a la larga sólo se presentan los cruces AA AA y BB BB, sólo
quedan individuos homocigóticos AA y BB en la misma proporción.
Resumen.
El conocimiento de los autovalores de la matriz de transición de una cadena de
Markov permite averiguar el comportamiento asintótico de esa cadena:
1. Si la matriz de transición de la cadena sólo tiene un autovalor de módulo 1,
este necesariamente es λ = 1, la cadena consta de una sola clase final.
Existe un único vector de estado permanente o estable que es la distribución
estacionaria P1. Si este vector tiene todas las componentes positivas, la cade-
na es completamente ergódica, y si hay alguna componente nula, es simple-
mente ergódica, lo que significa que además de la clase ergódica tiene al
menos una clase de estados transitorios. En ambos casos la distribución P1 es
la distribución a la larga de la cadena, independientemente de la distribución
de probabilidad inicial.
2. Si la matriz de transición de la cadena tiene el autovalor 1 simple pero posee
otros m autovalores de módulo 1, es una cadena periódica de periodo m.
Tiene una sola distribución estacionaria que viene dada por el autovector P1
asociado al autovalor dominante, pero no es una distribución de estado per-
manente porque no existe el n→∞ lim Mn · P (0).
lim P (n) = n→∞
3. Si el autovalor 1 es múltiple de orden de multiplicidad k, la cadena es múl-
tiple y consta de k clases finales, y puede tener o no alguna clase de estados
transitorios, pero a la larga quedará atrapada en una de las clases finales. Por
tanto, estas son las únicas que tienen interés en el estudio del comporta-
miento asintótico de la cadena.
Si alguna clase final es unitaria, el único estado que la forma es absorbente.
Una cadena múltiple con k clases finales tiene k distribuciones estacionarias
que vienen dadas por k autovectores linealmente independientes asociados al
autovalor dominante λ = 1.
La distribución a la larga en este tipo de cadenas depende de la distribución
de probabilidad inicial.
En todos los casos siempre se puede dar al menos una distribución de pro-
babilidad estacionaria, o distribución inicial que permanece inalterable en
todas las etapas, esta es el vector de probabilidad P1, autovector asociado al
autovalor dominante λ = 1.
08 tema 6 14/3/03 08:41 Página 148
PROBLEMAS PROPUESTOS
0 1/2 0 0
0 0 1/3
a) M = 0 1/2 2/3 , b) M = 1/2 1/4 0 1/2
,
1 1/2 0 1/2 0 0 0
0 1/4 1 1/2
1/2 0 5/8 0
c) M = 1/2 0 3/8 0
.
0 1/4 0 1/2
0 3/4 0 1/2
0 0 1/3
M= 0 1/2 2/3
1 1/2 0
0 1/2 1/2 1/2
M= 1/2 0 1/2 1/2
.
1/4 1/4 0 0
1/4 1/4 0 0
Calcular:
a) Los autovalores.
b) Los autovectores por la derecha.
lim Mn · P, siendo P un vector de probabilidad.
c) n→∞
08 tema 6 14/3/03 08:41 Página 149
0 1/2 1/2 0
1/2 1/4 0
M1 = 1/2 1/2 1/2 , M2 = 1/2 0 0 1/2
,
0 1/4 1/2 1/2 0 0 1/2
0 1/2 1/2 0
0.64 0.16 0.20 0 0 1/2 1/2 1/2
M3 = 0.08 0.48 0.20 0
, M4 = 1/2 0 1/2 1/2
.
0.08 0.16 0.40 0 1/4 1/4 0 0
0.20 0.20 0.20 1 1/4 1/4 0 0
8. Se sabe que las características de un ser vivo vienen determinadas por su geno-
tipo. Se considera sólo la parte del genotipo que contiene a los alelos de un locus
sencillo. Según su genotipo, con respecto a un cierto carácter no ligado al sexo,
se clasifican los individuos en tres tipos: AA, Aa y aa. En una población en la
que estos genotipos se presentan en la misma proporción se cruzan las hembras
en cada generación con machos híbridos. a) ¿Cuál será la distribución de los
genotipos después de dos cruces? b) ¿Qué ocurrirá a la larga? c) Si se parte de
una población que son la mitad dominantes y la otra mitad híbridos, ¿cuál será
la proporción de los tres genotipos después de dos cruces? ¿Y a la larga?
11. Una colmena se divide en cuatro C1, C2, C3 y C4. Se designa por pij a la propor-
ción de abejas de Ci que se van a Cj cada primavera. Si los movimientos de las
abejas siguen un proceso de Markov discreto con matriz de transición:
1 0 0 1/4
M= 0 1 0 1/4
0 0 1 1/4
0 0 0 1/4
Se pide:
a) Indicar el espacio de estados.
b) Dibujar un diagrama de transición.
c) Clasificar los estados.
d) Si inicialmente la población está repartida uniformemente en las cuatro col-
menas, ¿cuál será la distribución de la población dentro de tres primaveras?
e) ¿Cuál será la distribución de probabilidad a la larga?
08 tema 6 14/3/03 08:41 Página 151
0.586 0.070 0.079
M= 0.073 0.639 0.064
0.341 0.291 0.857
7
Un modelo de
Ecología de poblaciones.
Modelo de Leslie
7.1. Introducción.
En los capítulos anteriores se ha podido ver cómo las cadenas de Markov per-
miten estudiar la evolución en el tiempo de una población si se conoce la matriz M
formada por las probabilidades de transición entre los estados que se consideran
constantes en el transcurso del tiempo, y cómo se puede aplicar este modelo mate-
mático para estudiar, por ejemplo, la evolución de poblaciones en genética, consi-
derando estado de un individuo el genotipo al que pertenece. Desde el punto de vista
de la genética, como el genotipo de un individuo no cambia, interesa saber la pro-
porción de cada uno de los genotipos en las distintas etapas, y esta información se
obtiene del vector de probabilidad en la etapa correspondiente.
Al estudiar la evolución de una población desde el punto de vista de la zoología
o de la ecología, lo primero que se observa es que los individuos nacen, crecen, pue-
den reproducirse o no y mueren. Así, un mismo individuo puede pasar por distintos
estados o etapas. Para algunas especies animales, como los mamíferos, una forma
sencilla de estructurar la población es dividirla en clases según la edad de los indi-
viduos y observar las tasas de nacimiento y de mortalidad de cada una de las clases.
Un modelo de estructura de edad es el modelo de Leslie.
Patrick Holt Leslie (1900-1974), investigador del Departamento de Zoología de
la Universidad de Oxford, desde 1935 hasta su jubilación en 1968, presenta en un
artículo (36), su modelo de estructura de edad, en 1940, como resultado de sus inves-
tigaciones dirigidas por Charles Elton quien le encarga estudiar si es posible integrar
en una sola expresión las tasas de mortalidad y de fertilidad de especies animales.
Trabajando en ese departamento con el ratón de campo (Microtus agrestis) logra
combinar en una misma ecuación las tasas de supervivencia y de fertilidad. Formula
así un modelo de evolución de poblaciones animales (34), (35) que expresa en forma
matricial, lo que simplifica la comprensión del modelo. Estos trabajos, en los que
09 tema 7 14/3/03 08:45 Página 154
también introduce las tablas de vida de especies animales, han tenido mucha más
influencia en la evolución de los estudios en ecología que los de H. Bernardelli (4) y
E.G. Lewis (37). Leslie da los primeros pasos en la aplicación de las matrices a la evo-
lución de poblaciones en zoología y en ecología. Por el uso de matrices, este modelo
es adecuado para la utilización de los ordenadores, facilitando así los cálculos.
Cuando un biólogo, trabajando en el campo de la zoología o en el de la ecolo-
gía, estudia la evolución en el tiempo de una población, ya sea de animales verte-
brados, pequeños crustáceos de agua dulce, poblaciones pelágicas5, insectos, etc.,
observa que no todos los individuos se comportan de la misma forma en la dinámi-
ca y evolución de la población, pues la supervivencia y reproducción de los indivi-
duos depende de la edad.
En la evolución temporal la variable independiente, el tiempo, habitualmente se
considera una variable continua y, por tanto, elegido un instante inicial t = 0, puede
tomar valores en la semirrecta [0, + ∞). Si se divide la semirrecta en un conjunto
discreto de intervalos [0, 1), [1, 2), [2, 3), [3, 4), …, [n, n + 1), … de la misma
amplitud y se toma como unidad de tiempo la amplitud de una clase, se puede con-
siderar la variable tiempo discreta y así describir la evolución mediante un modelo
discreto. Este conjunto de intervalos se denomina clases de edad. Los individuos de
la clase [0, 1) se dice que tienen edad cero, los de la clase [1, 2) edad uno, …, los
de la clase [n, n + 1) edad n, etc.
Se puede describir así la composición de una población en un instante n por un
vector cuyos elementos son el número de individuos de cada una de las clases de
edad en ese instante. Si se conoce la distribución de edad de una población en un
instante dado, interesa averiguar la distribución de edad de los supervivientes y
descendientes de la población original en sucesivos intervalos de tiempo.
El Modelo de Leslie es un modelo estocástico discreto que permite predecir la
estructura de edad de una población, de la que se conoce su composición en un ins-
tante dado, suponiendo que las tasas de fertilidad y de mortalidad de las diferentes
5
Son poblaciones pelágicas las que viven en alta mar, ya sea en la superficie o a cierta profundidad, por ejemplo
la sardina.
09 tema 7 14/3/03 08:45 Página 155
N0n
N1n
N2n
Nn = …
Nxn
…
Nmn
Se toma como unidad de tiempo la amplitud de las clases, por ello, a partir de
ahora las designaremos del siguiente modo:
[0, 1), [1, 2), …, [x, x + 1), …, [m, m + 1)
Los individuos de la clase [x, x + 1) se dice que son los «de edad x». La última
clase de edad es [m, m + 1), es decir, que no hay individuos de edad mayor que m.
Se supone que la proporción de machos y hembras se mantiene constante y que
dentro de un intervalo de edad las tasas de nacimiento y de mortalidad no varían, pero
6
La partenogénesis es un tipo de reproducción unisexual en la que las hembras tienen descendencia sin fertiliza-
ción por los machos. Este tipo de reproducción es frecuente en rotíferos (gusanos), en áfidos (pulgones), en algu-
nos pequeños crustáceos de agua dulce, etc.
09 tema 7 14/3/03 08:45 Página 156
pueden diferir de una clase a otra. También se formula la hipótesis en este modelo que
en la población no tienen lugar movimientos de emigración ni inmigración.
Pasado un lapso de tiempo igual a la amplitud de una clase, un individuo tiene
cierta probabilidad de morir y la probabilidad complementaria de pasar a la clase
siguiente. Cuando transcurre una unidad de tiempo todos los individuos supervivien-
tes del grupo de edad x pasan al grupo (x + 1). La probabilidad de que un individuo
permanezca en la misma clase transcurrida una unidad de tiempo es cero. Si la pro-
babilidad de mortalidad en la clase de edad x es mx, entonces la probabilidad de
supervivencia es 1 – mx. Se indica por px la probabilidad de que una hembra de edad
x en el instante n siga viva en el instante (n + 1) en el que pasará a la edad (x + 1). Así,
px = 1 – mx representa la probabilidad de supervivencia de las hembras de edad x.
Se designa por fx la media del número de hembras nacidas en una unidad de
tiempo de una hembra de edad x, que vivirán en el primer grupo de edad hasta la
siguiente unidad de tiempo y que, por tanto, tendrán edad cero hasta que pase un
lapso de tiempo igual a la amplitud de una clase. Esta media fx representa la tasa de
fertilidad de las hembras de edad x.
Clases Probabilidad de Tasa de
de edad supervivencia fertilidad
[0, 1) p0 f0
[1, 2) p1 f1
[2, 3) p2 f2
… … …
[x, x + 1) px = 1 – mx fx
… … …
[m – 1, m) pm – 1 fm – 1
[m, m + 1) 0 fm
de tiempo será:
En forma matricial:
O bien:
N1 = M · N0
siendo N0 y N1 los vectores que representan las distribuciones de edad en el instan-
te inicial y al cabo de una unidad de tiempo, y M una matriz cuadrada de orden
(m + 1) que se denomina matriz de proyección poblacional o matriz de Leslie.
f0 f1 f2 … fm–1 fm
p0 0 0 … 0 0
0 p1 0 … 0 0
M=
0 0 p2 … 0 0
… … … … … …
0 0 0 … pm–1 0
La matriz de Leslie tiene todos los elementos cero menos los de la subdiagonal
inmediatamente por debajo de la diagonal principal y los de la primera fila, aunque
algunos de estos últimos pueden ser cero. El número de ceros de la primera fila y
sus posiciones dependen de la biología reproductora de la especie considerada y de
la duración relativa de las épocas pre-reproductoras y post-reproductoras.
Ejemplo 7.2.1. Si la matriz de proyección es de orden 5 y para las seis clases las
tasas de fertilidad son positivas, el digrafo asociado a esa matriz es:
f1 f2 f3 f4 f5
f0
C0 C1 C2 C3 C4 C5
p0 p1 p2 p3 p4
09 tema 7 14/3/03 08:45 Página 159
1 1
C0 C1 C2
3/ 1/
4 2
1 3
C0 C1 C2 C3
1/ 2/ 1/
3 3 3
p f
k–2 k–1
f0 p0 f1 p0 p1 f2 … pi fk–1 i k
i=0 i=0
1 0 0 … 0 0
B = H · M · H–1 = 0 1 0 … 0 0
0 0 1 … 0 0
… … … … … …
0 0 0 … 1 0
es una matriz irreducible y no negativa, si sus autovalores son λ1, λ2, …, λk+1,
por el teorema de Perron-Frobenius10 , si ρ = máx λi, entonces ρ es un auto-
1≤i≤k+1
valor simple de la matriz M.
En consecuencia, se puede asegurar que ρ = máx λi, que es la raíz de Perron
1≤i≤k+1
de la matriz M, es el autovalor λ1 real y positivo. Este autovalor es simple y el
módulo de cualquier otro autovalor de M es menor o igual a λ1 y además
siempre es posible encontrar un autovector N1 asociado al autovalor λ1,
M · N1 = λ1 N1, que tenga todos sus elementos estrictamente positivos.
Por ello, a partir de ahora, se llamará a λ1 el autovalor dominante de la matriz
de Leslie.
8
Teorema de Harriot-Descartes:
El número de raíces positivas de una ecuación con coeficientes reales, contada cada una tantas veces como indi-
que su orden de multiplicidad, no supera el número de variaciones que presenta la sucesión de los coeficientes,
y ambos números son de la misma paridad.
9
Obsérvese que λ1 no puede ser raíz múltiple por el teorema de Harriot-Descartes.
10
Véase Capítulo 6, Apartado 6.5.
09 tema 7 14/3/03 08:45 Página 165
x 0 x 0 0 x 0 x
0 x 0 x x 0 x 0
M2k = y M2k+1 =
x 0 x 0 0 x 0 x
0 x 0 x x 0 x 0
2 8
C0 C1 C2 C3
1/ 3/ 1/
2 4 4
11
Véase Capítulo 6, Apartado 6.5.
09 tema 7 14/3/03 08:45 Página 166
1 2
C0 C1 C2
1/ 1/
2 4
p f
k–2 k–1
f0 p0 f1 p0 p1 f2 … pi fk–1 i k v0 v0
i=0 i=0
1 0 0 … 0 0 v1 v1
0 1 0 … 0 0 · v2 =λ v2
0 0 1 … 0 0 … …
… … … … … … vk–1 vk–1
0 0 0 … 1 0 vk vk
o bien:
k–2 k–1
f0 v0 + p0 f1 v1 + p0 p1 f2 v2 + … + fk–1 pi vk–1 + fk pi vk = λv0
i=0 i=0
v0 = λv1
v1 = λv2
…………………………
vk–1 = λvk
De donde:
v0 = λk vk; v1 = λk–1 vk; v2 = λk–2 vk; …; vk–1 = λvk
siendo vk cualquier número real, ya que sustituyendo en la primera ecuación los
valores de v0, v1, …, vk–1 se obtiene:
k–2 k–1
f0 λk · vk + p0 f1 λk–1 · vk + p0 p1 f2 λk–2 · vk + … + fk–1 pi λ · vk + fk pi · vk = λk+1 · vk
i=0 i=0
y esta igualdad es una identidad para todo valor de vk, porque λ es autovalor de M
y, por tanto, verifica la ecuación característica.
Por tanto, un autovector asociado a λ es:
λk
λk–1
λk–2
v=
…
λ
1
09 tema 7 14/3/03 08:45 Página 168
λk
p
k–1 –1 k–1
i 0 … 0 0 λk pi
i=0
p
–1 i=0
λ
k–1 k–1
0 i … 0 0 λk–1
i=1
λ k–2
k–1
… … … … … · = pi
… i=1
0 0 … (pk–1)–1 0 …
λ
λ
0 0 … 0 1 1 pk–1
1
36
N = 1 6 .
1
09 tema 7 14/3/03 08:45 Página 169
0 0 0 45
Ejemplo 7.7.2. Si M = 2/3 0 0 0 es M – λI= λ4 – 1.
0 1/3 0 0
0 0 1/10 0
1 2 0
Ejemplo 7.7.3. Si M = 1/2 0 0 el polinomio característico es:
0 1/3 0
1 + 5 1 – 5
M – λI= λ3 – λ2 – λ que tiene por raíces: λ1 = , λ2 = , λ3 = 0,
2 2
1 + 5
el autovalor dominante es: λ1 = .
2
Los autoespacios correspondientes son:
1 + 5
3+3 5
N λ = = x 3 / x = 3 5 + 9 α, α, α , ∀α
2 2
1 – 5
3 – 3 5
N λ = = x 3 / x = 9 – 3 5 β, β, β , ∀β
2 2
N (λ = 0) = {x 3 / x = (0, 0, γ), ∀ γ }
Un autovector asociado al autovalor dominante es por ejemplo
9 + 3 5
3 + 3 5
N1 = .
2
1
12
6
En particular N1 = 2 da la proporción de los individuos de las distintas
1
clases tomando como unidad el número de los de la última clase.
d) La tasa neta de reproducción por unidad de tiempo es λ1 = 1, lo que signifi-
ca que si se parte de la distribución de edad estable N0 = N1 la población se
mantiene constante en el tiempo, es decir, es estable y estacionaria.
e) Si el crecimiento de la población es proporcional a su tamaño, la tasa de cre-
cimiento per capita es k = Lnλ1 = Ln1 = 0.
0 0 1
09 tema 7 14/3/03 08:45 Página 173
λ1k–1
k–1
N1 = pi
i=1
…
λ1
pk–1
1
sólo son función del autovalor λ1 y de las probabilidades de supervivencia
para las k clases de edad consideradas en la matriz M irreducible y represen-
tan la proporción de individuos de cada clase de edad tomando como unidad
de medida el número de individuos de la última clase reproductora.
• Si λ1 = 1 entonces:
lim P· Jn · P–1 N0 =
lim N (n) = n→∞
n→∞
1n 0 … 0
0 λn2 … 0
lim [N1 N2 … Nk+1]·
= n→∞ … …
–1
… … · P · N0 =
0 0 … λnk+1
1 0 … 0
0 0 … 0
= [N1 N2 … Nk+1] · … … …
–1
… · P · N0 =
0 0 … 0
= [N1 0 … 0] · P–1 · N0 = d · N1
09 tema 7 14/3/03 08:45 Página 176
• Si λ1 < 1, es r = Ln λ1 < 0.
0
0
Partiendo de N0 = N1 se tiene N (n) = λ1n· N0. El n→∞ lim λ1n · N0 =
lim N (n) = n→∞
…
0
La población decrece con una tasa neta de decrecimiento (1 – λ1) por unidad
de tiempo y se extingue a la larga.
Clases
px fx
de edad
C0 = [0, 1) 0.06 0
C1 = [1, 2) 0.34 0
C2 = [2, 3) 0.16 37
C3 = [3, 4) 0.08 64
C4 = [4, 5) 0 82
0 0 37 64 82
0.06 0 0 0 0
M= 0 0.34 0 0 0
0 0 0.16 0 0
0 0 0 0.08 0
0.8 y
0.6
0.4 a
0.2
x
–2 – 1.5 –1 – 0.5 0.5 1 1.5 2
– 0.2
– 0.4
– 0.6
– 0.8
9220
560
N1 = 190
30
2
Este vector da una distribución de edades estable. Y por ser λ1 = 1 esta distribu-
ción es estable y estacionaria. A la larga la población alcanza asintóticamente una
distribución por edades determinada por la distribución N1, siempre que se manten-
gan constantes las tasas de supervivencia y de fertilidad.
0 0 37 64 82
0.072 0 0 0 0
M1 = 0 0.34 0 0 0
0 0 0.16 0 0
0 0 0 0.08 0
0.8 y
0.6
b
0.4 a
0.2
x
–2 – 1.5 –1 – 0.5 0.5 1 1.5 2
– 0.2
– 0.4
– 0.6
– 0.8
0 0 37 0 0
0.06 0 0 0 0
M2 = 0 0.34 0 0 0
0 0 0.16 0 0
0 0 0 0 0
que ya no es primitiva.
Su ecuación característica es:
λ2 (λ3 – 0.7548) = 0
El autovalor dominante de M2 es aproximadamente λ1 = 0.91049 < 1 y, por
tanto, la población a la larga desaparecerá.
En la siguiente figura, en la que se puede observar la variación del autovalor
dominante, están representados los polinomios característicos de las matrices
M, M1 y M2, la curva «c» corresponde a la matriz M2.
0.8 y
0.6
b
0.4 a
+
c
0.2
x
–2 – 1.5 –1 – 0.5 0.5 1 1.5 2
– 0.2
– 0.4
– 0.6
– 0.8
9961
3789
1517
567
Nn = 187 = N1
58
16
4
1
PROBLEMAS PROPUESTOS
1. Se considera una población con dos clases de edad, o etapas, jóvenes y adultos
con tasas de fertilidad 2 para los jóvenes y 5 para los adultos. Sólo la cuarta parte
de los jóvenes llegan a la edad adulta. Determinar:
a) ¿Cuál es la distribución de edad estable?
b) ¿Cuál es la tasa de reproducción por unidad de tiempo cuando se parte de la
distribución de edad estable?
c) Si el crecimiento es proporcional a su tamaño, calcular la tasa de crecimien-
to per capita.
0 0 0 6 18 0 0 0 30 120
0.48 0 0 0 0 0.25 0 0 0 0
M1 = 0 0.52 0 0 0 y M2 = 0 0.2 0 0 0
0 0 0.35 0 0 0 0 0.35 0 0
0 0 0 0.4 0 0 0 0 0.56 0
¿Cuál de las dos situaciones es más favorable para la evolución de esa pobla-
ción?
7. En una granja, en la que se cría una especie de ave acuática, se quiere estudiar la
evolución al cabo de los años, para ello se divide la población en cinco clases de
edad, de amplitud un año. Sabiendo que se eliminan la mitad de las aves de las
cuatro primeras clases y todas las aves de cuatro años al final de cada año, que
las tasas de fertilidad estimadas para cada una de las clases son:
f0 = 0.05, f1 = 1.35, f2 = 1, f3 = 0.2 y f4 = 0,
que se comienza con 100 polluelos y que se mantienen constantes las tasas de
supervivencia y de fertilidad al cabo de los años. Se pide:
a) ¿Cuál será la distribución de edades de la población al cabo de cinco años?
b) Calcular la distribución de edades estable.
c) ¿Es estacionaria la distribución de edades estable?
d) La distribución de edades a la larga, ¿depende de la distribución inicial?, ¿por
qué?
09 tema 7 14/3/03 08:45 Página 187
Apéndice I
Cálculo de los autovalores,
autovectores y matriz de
Jordan de una matriz dada
utilizando el programa
DERIVE 12-13
12
DERIVE ® es una marca registrada por Soft Warehouse, Inc.
13
Véase (23).
10 apendice 1 14/3/03 08:47 Página 190
20 – 6 18
Ejemplo A.1.1. Si A = – 6 5 – 6 su polinomio característico es:
– 12 6 – 10
– µ3 + 15 µ2 – 66 µ + 80 = (8 – µ) (µ – 5) (µ – 2)
Los autovalores son: 2, 5 y 8 simples. Por tanto, sí es diagonalizable, ya que
DIMAUTOEV (A, 8) = DIMAUTOEV (A, 5) = DIMAUTOEV (A, 2) = 1, que es
el orden de multiplicidad algebraica de cada µ.
14 22 26 16
4 7 8 4
Ejemplo A.1.2. Si A = su polinomio característico es:
–9 –14 –17 –9
–3 –6 –6 –5
10 apendice 1 14/3/03 08:47 Página 191
APÉNDICE I 191
µ4 + µ3 – 3 µ2 – µ + 2 = (µ + 1) (µ + 2) (µ – 1)2
Los autovalores son: – 1 y – 2 simples y 1 doble.
Como DIMAUTOEV (A, 1) = 1 ≠ 2 que es la multiplicidad algebraica del auto-
valor 1, la matriz A no es diagonalizable.
–1 0 0 0 0
0 5 6 6 0
Ejemplo A.1.3. Si A = 0 0 – 1 – 6 0 su polinomio característico es:
0 0 0 5 0
–1 –6 –6 –6 –1
– µ5 + 7 µ4 + 2 µ3 – 46 µ2 – 65 µ – 25 = – (µ – 5)2 (µ + 1)3
Los autovalores son 5 doble y – 1 triple.
DIMAUTOEV (A, 5) = 2 que es la multiplicidad algebraica del autovalor 5.
Pero DIMAUTOEV (A, – 1) = 2 < 3 que es la multiplicidad algebraica del autova-
lor – 1, y, en consecuencia, la matriz A no es diagonalizable.
Una vez que ya se ha reconocido si la matriz A es diagonalizable o no, para
calcular una matriz de Jordan semejante a A3x3 se pueden utilizar los archivos
siguientes que hemos desarrollado con DERIVE:
DIAGM3X3.MTH para las diagonalizables y CMJM3X3.MTH para las no
diagonalizables.
La expresión
x1
5: AUTOEV (A, µ, x1, x2, x3): = (A – µ IDENTITY_MATRIX (3)) · x2
x3
sirve para hallar el autoespacio correspondiente al autovalor µ, para cada µ, y ele-
gir los autovectores V1, V2, V3 que formarán la base respecto de la cual la matriz
semejante a A es diagonal.
Y la expresión
6: P: = APPEND (V`1, V`2, V`3)`
para construir la matriz de paso, o de cambio de base, que diagonaliza A.
– 13 6 – 18
Ejemplo A.2.1. Si A = 6 2 6 el polinomio característico es:
12 – 6 17
– µ3 + 6 µ2 – 3 µ – 10
Los autovalores son: – 1, 2 y 5, reales y distintos. Por tanto A es diagonalizable
en el cuerpo .
Al calcular los autoespacios vectoriales respectivos se obtiene con DERIVE:
2@1 4@1
AUTOEV (A, µ = – 1) = x1 = @1, x2 = – , x3 = –
5 5
@2
AUTOEV (A, µ = 2) = x1 = @2, x2 = – , x3 = – @2
2
AUTOEV (A, µ = 5) = x1 = @3, x2 = 0, x3 = – @3
5 2 1
Eligiendo como autovectores V1 = – 2 ,V2 = – 1 ,V3 = 0 se forma una base
–4 –2 –1
–1 0 0
respecto de la cual la matriz semejante a A es J = 0 2 0 .
0 0 5
10 apendice 1 14/3/03 08:47 Página 193
APÉNDICE I 193
x3
para hallar cada uno de los subespacios de la cadena.
9: P: = APPEND (V`1, V`2, V`3)`
matriz de paso, o de cambio de base.
–5 1 15
Ejemplo A.3.1. Si A = –9 1 20 el polinomio característico es:
0 0 3
(3 – µ) (µ + 2)2
los autoespacios correspondientes a los dos autovalores son:
N (A, µ = –2,1, x1, x2, x3) = AUTOEV(A, –2, x1, x2, x3) = [x1 = @1, x2 = 3@1, x3 = 0]
@2 @2
N (A, µ = 3,1, x1, x2, x3) = AUTOEV(A, 3, x1, x2, x3) = x1 = @2, x2 = , x3 =
2 2
1
V1 = 0 N (A, – 2, 2) – N (A, – 2, 1)
0
–3
Tomando V2 = (A + 2I) V1 = – 9 N (A, – 2, 1)
0
2
V3 = 1 N (A, 3, 1)
1
–2 0 0
J= 1 –2 0
0 0 3
1 –3 2 –2 0 0
–1
pues P = 0 –9 1 yP ·A·P=J= 1 –2 0 .
0 0 1 0 0 3
17 – 9 8
Ejemplo A.3.2. Si A = 7 – 5 3 el polinomio característico es:
– 32 17 – 15
– µ3 – 3 µ2 – 3 µ – 1 = – (µ + 1)3
el autoespacio vectorial correspondiente al autovalor –1 es:
2@1 –9@1
N (A, µ = –1,1, x1, x2, x3) = AUTOEV(A, –1, x1, x2, x3) = x1 = @1, x2 = , x3 =
5 5
que tiene dimensión 1.
N (A, µ = – 1, 2, x1, x2, x3) = [x1 = @2, x2 = @3, x3 = –@2 – 2@3] que es un
subespacio de dimensión 2 y
N (A, µ = – 1, 3, x1, x2, x3) = [x1 = @4, x2 = @5, x3 = @6] que tiene dimensión
3 y es, por tanto, todo el espacio 3.
10 apendice 1 14/3/03 08:47 Página 195
APÉNDICE I 195
1
V1 = 1 N (A, – 1, 3) – N (A, – 1, 2)
0
9
Tomando V2 = (A + I) · V1 = 3 N (A, – 1, 2) – N (A, – 1, 1)
– 15
15
V3 = (A + I)2 · V1 = 6 N (A, – 1, 1)
– 27
–1 0 0
J= 1 –1 0
0 1 –1
1 9 15 –1 0 0
pues P = 1 3 6 y P–1 · A · P = 1 – 1 0 .
0 – 15 – 27 0 1 –1
15 9 1 –1 1 0
P= 6 3 1 y P–1 · A · P = 0 –1 1 .
– 27 – 15 0 0 0 –1
– 24 – 12 11 21
12 6 – 6 – 10
Ejemplo A.4.1. Si A = el polinomio característico es:
– 22 – 12 9 21
– 10 – 4 5 9
µ4 – 8µ2 + 16 = (µ – 2)2 (µ + 2)2
Los autoespacios correspondientes a los dos autovalores son:
2@1 @1
AUTOEV (A, µ = 2) = x1 = @1, x2 = – , x3 = @1, x4 =
3 3
10 apendice 1 14/3/03 08:47 Página 197
APÉNDICE I 197
0
V1 = 1 N (A, µ = 2, 2) – N (A, µ = 2, 1)
0
1
9
V2 = (A – 2I) V1 = – 6 N (A, µ = 2, 1)
9
3
Tomando 1
0
V3 = N (A, µ = – 2, 1)
2
0
0
1
V4 = N (A, µ = – 2, 1)
3
–1
se tiene una base respecto de la cual la matriz semejante a A es:
2 0 0 0
1 2 0 0
J=
0 0 –2 0
0 0 0 –2
0 2 –1 0
0 –1 0 0
Ejemplo A.4.2. Si A = el autoespacio vectorial corres-
1 2 –2 0
1 1 –1 –1
pondiente al autovalor es:
AUTOEV (A, µ = – 1) = x1 = @1, x2 = 0, x3 = @1, x4 = @2 = N (A, µ = – 1, 1)
que tiene dimensión 2, por tanto, se calcula el subespacio:
N (A, µ = – 1, 2) = x1 = @3, x2 = @4, x3 = @5, x4 = @6
que tiene dimensión 4 y es, por tanto, todo el espacio.
1
V1 = 0 N (A, µ = – 1, 2) – N (A, µ = – 1, 1)
0
0
1
V2 = (A + I) V1 = 0 N (A, µ = – 1, 1)
1
1
Tomando 0
1
V3 = N (A, µ = – 1, 2) – N (A, µ = – 1, 1) y linealmen-
0 te independiente con V1
0
2
0
V4 = (A + I) V3 = N (A, µ = – 1, 1)
2
1
–1 0 0 0
1 –1 0 0
J=
0 0 –1 0
0 0 1 –1
10 apendice 1 14/3/03 08:47 Página 199
APÉNDICE I 199
1 1 0 2
0 0 1 0
En efecto, P = y P–1 · A · P = J.
0 1 0 2
0 1 0 1
0 1 –1 1
–1 –2 0 –1
Ejemplo A.4.3. Si A = el autoespacio vectorial corres-
1 1 –1 1
0 0 1 –1
pondiente al autovalor es:
AUTOEV (A, µ = – 1) = x1 = @1, x2 = @2, x3 = 0, x4 = – @1– @2 = N (A, µ = – 1, 1)
tiene dimensión 2.
El subespacio N (A, µ = – 1, 2) = x1 = @3, x2 = @4, x3 = @5, x4 = – @3 – @4
tiene dimensión 3 que es aún menor que el orden de multiplicidad del autovalor –1.
Se calcula N (A, µ = – 1, 3) = x1 = @6, x2 = @7, x3 = @8, x4 = @9 que tiene
dimensión 4 y es, por tanto, todo el espacio.
La cadena de subespacios para el autovalor – 1 se estabiliza en N (A, µ = – 1, 3)
0 N (A, µ = – 1, 1) N (A, µ = – 1, 2) N (A, µ = – 1, 3) = 4
1
V1 = 0 N (A, µ = – 1, 3) – N (A, µ = – 1, 2)
0
0
1
V2 = (A + I) V1 = – 1 N (A, µ = – 1, 2) – N (A, µ = – 1, 1)
1
0
Tomando –1
0
V3 = (A + I)2 V1 = N (A, µ = – 1, 1)
0
1
0
1
V4 = N (A, µ = – 1, 1) y linealmente independiente con V3
0
–1
10 apendice 1 14/3/03 08:47 Página 200
–1 0 0 0
1 –1 0 0
J=
0 1 –1 0
0 0 0 –1
1 1 –1 0
0 –1 0 1
P= y P–1 · A · P = J.
0 1 0 0
0 0 1 –1
x4
x5
9: P: = APPEND (V1`,V2`,V3`,V4`,V5`)`
10 apendice 1 14/3/03 08:47 Página 201
APÉNDICE I 201
Ejemplo A.5.1.
En este ejemplo se han seleccionado cuatro matrices A1, A2, A3, A4, con el
mismo polinomio característico: – (µ + 1)5 y en las que se pueden observar distin-
tas formas canónicas de orden 5.
–1 0 0 0 0
1 2 –1 3 –2
Con la matriz A1 = –1 –1 0 –2 2
–2 –7 2 –8 5
–1 –4 1 –4 2
0 3 0 2 –2
0 –1 –1 1 0
Si A2 = 1 2 0 0 –1 la dimensión del AUTOEV (A2, µ = – 1) es 2,
0 –1 2 –4 1
0 –1 1 –2 0
la del subespacio N (A2, µ = – 1, 2) es 4 y la de N (A2, µ= – 1, 3) es 5 y su forma
canónica es:
–1 0 0 0 0
1 –1 0 0 0
J= 0 1 –1 0 0
0 0 0 –1 0
0 0 0 1 –1
–4 0 0 0 1
9 –1 0 0 –3
Para A3 = – 10 0 – 1 – 1 4 la dimensión del AUTOEV (A3, µ = –1) es 3,
–9 0 0 –1 3
–9 0 0 0 2
10 apendice 1 14/3/03 08:47 Página 202
–1 0 0 0 0
1 2 –1 3 –2
Para A4 = –1 – 4 0 – 4 3 la dimensión del AUTOEV (A4, µ = –1) es 3,
–2 –7 2 –8 5
–1 –4 1 –4 2
y la dimensión de N (A4, µ = – 1, 2) es 5 y la matriz de Jordan semejante a A4 es:
–1 0 0 0 0
1 –1 0 0 0
J= 0 0 –1 0 0 .
0 0 1 –1 0
0 0 0 0 –1
11 apendice 2 14/3/03 08:50 Página 203
Apéndice II
Solución a
los problemas
propuestos
Capítulo 2
1. 32.768 formas.
2. 13.983.816 combinaciones.
3. a) 420 = 1.099.511.627.776, b) 11.732.745.024, c) 1.048.576.
4. a) 8 formas, b) 75 formas.
5. 970.200 cerraduras.
6. 72 palabras.
7. a) 729 llamadas, b) 60.
8. a) 625 códigos, b) 500 códigos.
9. a) 1.086.008, b) 962.598, c) 135.751.
10. 13.860 formas.
11. a) 151.200 papeletas, b) 453.600, c) 327.600, d) 64.800, e) 14.580.
12. Es más probable que tenga sólo dos pares de cifras repetidas, (0.2268 > 0.144).
13. 70 pirámides.
14. 4.096 números.
15. a) 495, b) 126, c) 210.
16. El lugar 2.047.
17. 156.250.000 automóviles.
18. 2.722.000.
19. El menor es 57.899.
n2 + n
20. a) , b) 6n
2
21. 1.693.440 formas.
22. a) 0.0404, b) 0.0039.
23. 0.4
11 apendice 2 14/3/03 08:50 Página 204
m n–m
m p n–m–p
r N–r r s N–r–s
· · ·
30. a) , b)
N N
n n
31. a) 0.215, b) 0.2093
32. 0.5478
33. 0.475
34. a) 0.2621, b) 0.3932, c) 0.3222
2 1 1 1
35. a) , b) , c) , d) .
3 2 3 5
Capítulo 3
3
1.
2 4
1 5
2. a) 1 b)
2
4
APÉNDICE II 205
4. a) 1
b) 8 1
2
7
2
6 3
4 3
5 4
5.
6. a) u1 u2 b) v1 v2
u4 u3 v4 v3
u1 → v1
Sí, son isomorfos,
u2 → v4
u3 → v2
u4 → v3
es un isomorfismo. Conserva la adyacencia.
0 1 1 1 0 1 1 1 1
0 1 1 1 0 1 1 1 0 1 1 1
M3x3 = 1 0 1 , M4x4 = 1 , M5x5 = 1 1 0 1 1
1 0 1
1 1 0 1 1 1 0 1 1 1 0 1
1 1 1 1 0
11 apendice 2 14/3/03 08:50 Página 206
9.
1 1
3
2 6 2
8
2
4 3
6 4
5 3
5
1 5 4
Los tres, el primero por tener dos vértices de grado impar posee un camino
euleriano, pero no un circuito euleriano. En los otros dos se pueden encon-
trar, tanto un camino euleriano como un circuito euleriano, por lo que son
ambos grafos eulerianos.
10. Son matrices cuadradas, sus elementos son ceros y unos, son simétricas, en
cada fila hay r unos y el resto son ceros y los elementos de la diagonal prin-
cipal son ceros.
1 2
3 8 7
4 3
4
1 2 5 6
APÉNDICE II 207
3 4 7 12
2 6 9 10
b e h i
a d k m
c f g j n
l
15. Hay tres caminos de longitud dos desde el vértice 2 al 6, como se observa
en el elemento de la fila 2 columna 6 de la matriz M2, siendo M la matriz de
adyacencia del grafo:
1 1 1 1 0 1
1 2 1 2 1 3
0 0 0 0 1 0
M2 = .
0 0 0 1 1 1
0 0 0 1 2 1
0 0 0 0 0 0
El número de caminos de longitudes dos, tres y cinco es 23, 43 y 138 res-
pectivamente .
11 apendice 2 14/3/03 08:50 Página 208
16. Sí es un árbol por ser un grafo conexo y sin ciclos. Tiene 16 vértices y 15
aristas.
17. Sí es conexo, porque es no dirigido que tiene una matriz de adyacencia con
al menos un uno en cada fila.
18. Los caminos distintos de longitudes uno, dos, tres y cuatro son: 14, 26, 48
y 88 respectivamente. El grafo no es fuertemente conexo porque no existe
un camino desde f a ningún otro vértice. El vértice f es un sumidero.
Capítulo 4
1. a) E = {1, 0} siendo 0 «se ha cortado el suministro» y 1 «no hay corte de
0.8 0.6
suministro»; b) M = ; c) 0.256; d) 0.248.
0.2 0.4
2. a) E = {0, 1, 2, 3, 4, 5}, siendo cada estado los euros que tiene el jugador;
1 1/2 0 0 0 0 11/16
0 0 1/2 0 0 0 0
0 1/2 0 1/2 0 0 5/32
b) M = ; c) 0.6875; d) P (5) = .
0 0 1/2 0 1/2 0 0
0 0 0 1/2 0 0 3/32
0 0 0 0 1/2 1 1/16
APÉNDICE II 209
p3 + 2 p2q p3 + 2 p2q p3 p3
p2q + 2 pq2 p 2q 3 p2q p2q
y M3 =
pq2 3 pq2 pq2 2 p2q + pq2
q3 q3 2 pq2 + q3 2 pq2 + q3
Ambas son matrices estocásticas por columnas, porque tienen todos los
elementos positivos y la suma de cada columna de M2 es (p + q)2 = 1, y la
de cada columna de M3 es (p + q)3 = 1.
11 apendice 2 14/3/03 08:50 Página 210
7. La matriz M100 tiene todas las columnas iguales y todos los elementos posi-
tivos, en el primer caso. En el segundo M100 no tiene todas las columnas
iguales y tiene elementos iguales a cero en la fila 2 y en la columna 2, que
aproximando con seis cifras decimales coincide con M10 y M25.
0.125 0.125 0.125 0.333333 0 0.333333
100 100
a) M = 0.5 0.5 0.5 y b) M = 0 1 0 .
0.375 0.375 0.375 0.666666 0 0.666666
8. a) E = {B, LL, N} pues los estados posibles son: hace buen día, B, llueve,
LL, y nieva, N.
0 1/4 1/4
b) 1/2 1/2 1/4 ; c) 0.5 el primer día, 0.375 el segundo y 0.40625 el tercero.
1/2 1/4 1/2
3/16
d) Como P (3) = 13/32 la probabilidad de que haga buen tiempo es
13/32
3 13
la de que llueva es , la misma que la de que nieve.
16 32
10. a) 174763
524288
5/16
349525
P (5) = 11/32 y P (20) = ,
1048576
11/32
349525
1048576
11 apendice 2 14/3/03 08:50 Página 211
APÉNDICE II 211
aproximando:
0.3125 0.3333
P (5) = 0.34375 y P (20) = 0.3333
0.34375 0.3333
b)
1/16 0.0625
5/16 0.3125
P (5) = 5/32 aproximando: P (5) = 0.15625
5/32 0.15625
5/16 0.3125
0.20577
0.195331
y P (20) = 0.201783
0.201783
0.195331
Capítulo 5
1. a) La cadena es reducible, consta de cinco clases como se observa en la
siguiente figura.
1
a b 1 C1
1 1/
k 3
1 c
f 1/
3
e 2/
2/
3
3
1/
2
1 j C5
C2 d l
1
g
1/ 1 1/ 1 1
2 2
h 1/
2 i C3 m
C4
b) Tres de ellas son ergódicas, las clases C3, C4 y C5 y las clases C1 y C2 son
transitorias. La clase C3 es absorbente, C4 es ergódica regular y C5 es ergó-
dica cíclica.
3
4
6
8
c) El estado1 es absorbente y todos los demás transitorios.
2 3
4 5
b) Todos los estados son ergódicos en el primer caso y recurrentes en el
segundo.
c) Las dos cadenas son ergódicas, regular la primera y cíclica la segunda.
5. a) El diagrama de transición es:
1/
3
1/ 1/
3 2 3
1 1/
1 3 3 1/
1/ 3
5 1/ 3
2
1/ 4
2
1/
1/ 3
3 1/
3
11 apendice 2 14/3/03 08:50 Página 213
APÉNDICE II 213
7. a) Es una cadena irreducible, por tanto consta de una sola clase que es
ergódica.
b) Como la única clase de que consta la cadena es ergódica, no absorben-
te, ni cíclica es regular.
Capítulo 6
2/11 5/19
1/8
4/11 4/19
1. a) v1 = 1/2 ; b) v1 = ; c) v1 = .
1/11 4/19
3/8
4/11 6/19
– 3 – 33 –3 + 33
2. a) λ1 = 1, λ2 = , λ3 = .
12 12
1 0 0
1
3. a) Los autovalores de M son: λ = 1, λ = – (doble), λ = 0
2
2
2
b) Los autovectores por la derecha asociados a λ = 1 son y todos los
1
proporcionales a él. 1
1
Los asociados al autovalor λ = – forman un subespacio vectorial de
2
4de dimensión dos, es decir, un plano. Son vectores directores de ese
0 2
2 0
subespacio vectorial y y, por tanto, dos autovectores por la dere-
–1 –1
–1 –1
cha, que son además linealmente independientes.
Los autovectores por la derecha asociados al autovalor λ = 0 forman, como
0
0
para el caso λ = 1, una recta; un vector director de esa recta es: , que es
1
–1
por tanto uno de los autovectores asociados a λ = 0 y todos los demás son
proporcionales a él.
1/3
1/3
lim Mn · P =
c) n→∞ que es la distribución de probabilidad estable, es decir,
1/6
1/6
autovector asociado a λ =1 y vector de probabilidad.
APÉNDICE II 215
1 0 0 0
4 1 0 0 0
0 0 0
5 0 0 0 0
D3 = 9 + 7 ; D4 =
0 0 0 0 0 – 1/2 0
25 0 0 0 – 1/2
9 – 7
0 0 0
25
5. a) Los diagramas de transición correspondientes se dibujan a continuación:
D1 D2
1/ 1/
1/ 2 1 2 2
2 1/
2 1/
2 2
1/ 1/ 1/ 1/ 1/
4 2 2 2 2
1/
1/ 4
2
1 1/
2
1/ 3 3 1/
2 4
2
D3 D4
0.64 0.48
0.08 1/
4
a 0.16 b 2 1/ 3
2
1/ 1
1/ 2 /4
0.08 0.2 0.20 2 1/
0.16 0.2 1/ 1/2 2
4
0.2
d
1/
2 1
c
0.4 1 4 1/
4
0.2
1/4
c) La distribución de probabilidad a la larga es para la primera 1/2 , inde-
1/4
pendientemente de la distribución de probabilidad inicial.
1/4
1/4
En la segunda, el vector fijo de probabilidad es v1 = , si este vector es
1/4
1/4
11 apendice 2 14/3/03 08:50 Página 216
la matriz de transición es: 0.6 0.3 , b) 0.39, c) 0.444, d) 0.429352,
0.4 0.7
3
e) a la larga irá a trabajar con probabilidad = 0.428571
7
1/4 1/4
8. a) P (2) = 1/2 ; b) n→∞lim P (n) = 1/2 , distribución de probabilidad perma-
1/4 1/4
1/2
nente o vector de probabilidad estable; c) si P (0) = 1/2 entonces
0
5/16 1/4
P (2) = 1/2 y n→∞ lim P (n) = 1/2 , ya que es independiente de la distribu-
3/16 1/4
ción de probabilidad inicial.
11 apendice 2 14/3/03 08:50 Página 217
APÉNDICE II 217
3/4 1
9. P (2) = 1/4 ; b) n→∞ lim P (n) = 0 , a la larga la cadena queda atrapa-
0 0
da en el estado absorbente, que es la única clase final de la cadena;
1/2 7/8 1
c) si P (0) = 1/2 entonces P (2) = 1/8 y n→∞ lim P (n) = 0 , también
0 0 0
es independiente de la distribución de probabilidad inicial.
1/ 1/ 1/
4 4 4
C4
1/
4
Capítulo 7
10
1. a) N1 = ; b) λ1 = 5/2; c) 0.916290 > 0.
1
2. El autovalor dominante es λ1 = 1, la distribución de edad estable y estacio-
6
naria viene dada por un autovector asociado a λ1 = 1, N1 = 3 .
1
0 0 0 27
3/4 0 0 0
4. M=
0 1/2 0 0
0 0 1/2 0
0 0 0 15
0.6 0 0 0
5. a) M =
0 0.9 0 0
0 0 0.3 0
b) No es una matriz primitiva, su índice de imprimitividad es 4.
4 4 4 4
c) λ1 = 2
.43, λ2 = –2
.43, λ3 = 2
.43 i, λ4 = –2
.43 i, el autovalor domi-
nante es λ1.
d) La distribución de edad no se estabiliza sino que presenta oscilaciones
continuas que son proporcionales cada cuatro etapas.
11 apendice 2 14/3/03 08:50 Página 219
APÉNDICE II 219
0 76 240
b) M = 1/4 0 0
0 1/2 0
c) λ1 = 5.
200
1
d) N = 10 es distribución de edad estacionaria, pero no estable, pues
1
Nn+1 = 5Nn. 0 0 240
e) La nueva matriz de proyección es: M1 = 1/4 0 0 . Su autovalor do-
0 1/2 0
minante es λ1 = 3.10723 < 5 La tasa de reproducción por unidad de tiempo
ha disminuido de ser λ1 = 5 a λ1 = 3.10723.
11 apendice 2 14/3/03 08:50 Página 220
12 bibliografía 14/3/03 08:51 Página 221
Bibliografía utilizada
17. Ferrando, J. C., Gregori, V. Matemática discreta. Ed. Reverté. Barcelona. 1994.
18. Foulds, L. R. Graph theory applications. Ed. Springer-Verlag. 1992.
19. García, A. (Ed.) Prácticas de matemáticas con Derive. Ed. Clagsa. Madrid.
1994.
20. García Merayo, F. Matemática discreta. Ed. Paraninfo. Madrid. 2001.
21. González Manteiga, Mª T. Un modo asequible de iniciarse en la combinatoria.
Didáctica de las Matemáticas. Nº 7. Nueva Revista de Enseñanzas Medias.
Págs. 95 a 106. Ed. Ministerio de Educación y Ciencia. Madrid. 1985.
22. González Manteiga, Mª T. Sobre las propiedades de ciertos tipos de grafos ale-
atorios y relaciones entre ellos. Cuadernos de Bioestadística y sus aplicaciones
Informáticas. 1992; Vol. 10. Nº 1. Págs. 5 a 14.
23. González Manteiga, Mª T., Martínez Calvo, Mª C. Resolución de sistemas de
ecuaciones diferenciales lineales con coeficientes constantes con el Programa
Derive. 1996. Epsilon nº 36, págs. 387-406.
24. Gordon, P. Théorie des Chaînes de Markov finies et ses applications. Ed.
Dunod. Paris. 1965.
25. Grimaldi, R. P. Matemáticas discreta y combinatoria. Una introducción con
aplicaciones. 3ª edición. Ed. Addison-Wesley Iberoamericana. 1997.
26. Guzmán, M. Aventuras matemáticas. Ed. Pirámide. Madrid. 1996.
27. Horn, R. A., Johnson, C. R. Matrix analysis. Ed. Cambridge University Press
1985.
28. Kaufmann, A. Introducción a la combinatoria y sus aplicaciones. Compañía
Editorial Continental. México 1971.
29. Kemeny, J. G. et al. Estructuras matemáticas finitas. Ed. Eudeba. Buenos
Aires. 1967.
30. Kot, M. Elements of mathematical ecology. Cambridge University Press. 2001.
31. Kutzler, B., Kokol-Voljc, V. Introducción a Derive 5. Edición española:
Derisoft, Valencia. 2000.
32. Le Lionnais, F. y colaboradores Las grandes corrientes del pensamiento mate-
mático. Ed. Eudeba. 1962.
33. Legendre, L., Legendre, P. Ecologie numérique. Ed. Masson. Paris. 1979.
34. Leslie, P. H. On the use of matrices in certain population mathematics.
Biometrika. 1945; Vol. 33, Págs. 183-212.
35. Leslie, P. H. Some further notes on the use of matrices in population
mathematics. Biometrika. 1948 Vol. 35, Págs. 213-245.
36. Leslie, P. H., Ranson, R. M. The mortality, fertility and rate of natural increase
of the vole (Microtus agrestis) as observed in the laboratory. Journal of Animal
Ecology. 1940; Vol. 9, Págs. 27-52.
37. Lewis, E.G. On the generation and growth of a population. Sankhya. 1942; Vol.
6. Págs. 93-96.
38. Margalef, R. Ecología. Ed. Omega S.A. Barcelona. 1989.
39. Martínez Calvo, Mª C., Diagrama de red. Dominancia equilibrada a la larga del
carácter homocigótico. Gaceta Matemática. 1ª Serie. Tomo XXXI. Números 3
y 4. 1979.
12 bibliografía 14/3/03 08:51 Página 223
BIBLIOGRAFÍA 223
DIRECCIONES DE INTERNET
http://www.derive.com
http://www.derive-europe.com
http://www.upv.es/derive/
http://www-groups.dcs.st-and.ac.uk/~ history/BiogIndex.html
12 bibliografía 14/3/03 08:51 Página 224
C M Y CM MY CY CMY K
ISBN 84-7978-550-0
9 788479 785505
Compuesta