Modelos Matematicos Discretos

C M Y CM MY CY CMY K
El propósito principal de este libro, que consta de siete capítulos, es motivar a

los estudiantes suministrándoles información sobre aplicaciones de algunos modelos
matemáticos discretos en las ciencias de la naturaleza, mediante un estudio teórico-
práctico.
El primer capítulo es una breve presentación general de aportaciones de las
matemáticas a las ciencias naturales. En los Capítulos 2 y 3 se dan unas nociones
de combinatoria y probabilidad en espacios discretos y una pequeña introducción
de la teoría de grafos. Ambos capítulos que tienen interés por sí mismos, presentan
conceptos necesarios para estudiar las cadenas de Markov, Capítulos 4, 5 y 6, y el
modelo de Leslie, Capítulo 7, dos modelos estocásticos discretos de gran utilidad
para el estudio de la evolución temporal de poblaciones en las ciencias de la
naturaleza, en particular en genética, zoología y ecología.
Las cadenas de Markov son fruto de la investigación en matemática pura que
han encontrado, entre otras muchas aplicaciones, utilidad en genética para el estudio
de la recombinación de los genes en la teoría de la evolución de poblaciones y
también en economía, sociología, etc. El modelo de Leslie es un ejemplo claro de
matemática aplicada en el campo de la zoología. En el estudio de estos dos modelos
se utilizan matrices de números reales, autovalores y autovectores.
A partir del segundo, cada capítulo consta de una exposición teórica ilustrada con
ejemplos, gráficas y ejercicios resueltos que ayudan a la comprensión de los conceptos
teóricos e incluyen una serie de problemas propuestos cuyas soluciones se recogen
en el Apéndice II.
Se espera que este libro pueda resultar de interés tanto para alumnos de ciencias
experimentales, como para matemáticos, estudiantes de humanidades, de ciencias
de la salud, de economía, etc. y también para profesores de primeros cursos de
licenciatura, de cursos de preparación para la Universidad y en general para todos
los que sientan curiosidad por aplicaciones de las matemáticas.
M.a Teresa González Manteiga nació en 1951 y es doctora en

Ciencias Matemáticas por la Universidad Complutense de Madrid
(UCM) donde cursó la carrera de Ciencias, Sección Matemáticas,
comenzando en dicha Universidad a impartir clases como alumna
monitor en prácticas en el curso 1972-1973. En la actualidad es
Profesora Titular de Matemática Aplicada en la Facultad de
Ciencias Biológicas de la UCM desde 1990. Con anterioridad fue
Profesora del Colegio Universitario San Pablo-CEU, adscrito a
la UCM, Profesora Titular de Escuela Universitaria de Álgebra,
Cálculo y Estadística en la Escuela Universitaria de Ingeniería Técnica Forestal de
la Universidad Politécnica de Madrid (UPM) y Profesora Titular de Álgebra en la
Escuela Universitaria de Ingeniería Técnica Industrial de la UPM.
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
MODELOS MATEMÁTICOS DISCRETOS

EN LAS
CIENCIAS DE LA NATURALEZA
Teoría y Problemas
00 Principios 14/3/03 08:01 Página IV
00 Principios 14/3/03 08:01 Página V
Mª Teresa González Manteiga

Profesora Titular de Matemática Aplicada
en la Facultad de CC. Biológicas de la
Universidad Complutense de Madrid
MODELOS MATEMÁTICOS DISCRETOS

EN LAS
CIENCIAS DE LA NATURALEZA
Teoría y Problemas
DIAZ DE SANTOS
00 Principios 14/3/03 08:01 Página VI
© María Teresa González Manteiga, 2003
Reservados todos los derechos.
«No está permitida la reproducción total o parcial de este libro,

ni su tratamiento informático, ni la transmisión de ninguna
forma o por cualquier medio, ya sea electrónico, mecánico
por fotocopia, por registro u otros métodos, sin el permiso
previo y por escrito de los titulares del Copyright.»
Ediciones Díaz de Santos, S. A.

D.a Juana I de Castilla, 22
28027 MADRID
Internet: http://www.diazdesantos.es/ediciones
E-Mail: ediciones@diazdesantos.es
ISBN: 84-7978-550-0
Depósito legal: M. 47.641-2002
Diseño de cubierta: Ángel Calvete

Fotografía cubierta: Eduardo de Juana Aranzana
Fotocomposición: FER, S. A.
Impresión: Edigrafos, S. A.
Encuadernación: Rústica-Hilo, S. L.
Impreso en España
00 Principios 14/3/03 08:01 Página VII
A mis padres y hermana

00 Principios 14/3/03 08:01 Página VIII
01 INDICE 14/3/03 08:02 Página IX
Índice
Prólogo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XV
Capítulo 1. Las Matemáticas de la Naturaleza . . . . . . . . . . . . . . . . . . . . . 1

1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Un primer paso, el proceso de abstracción . . . . . . . . . . . . . . . . . . . . 1
1.3. Las matemáticas en las ciencias de la naturaleza . . . . . . . . . . . . . . . 2
1.4. Modelos matemáticos en las ciencias de la naturaleza. Clasificación . 9
Capítulo 2. Combinatoria y Probabilidad en espacios discretos . . . . . . . 13

2.1. Introducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2. Combinatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1.Técnicas básicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.1.1. Principio de adición . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.1.2. Principio de multiplicación . . . . . . . . . . . . . . . . . . . . 17
2.2.1.3. Principio de distribución . . . . . . . . . . . . . . . . . . . . . . 17
2.2.2. Organigrama de combinatoria . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.3. Fórmulas básicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.3.1. Variaciones con repetición . . . . . . . . . . . . . . . . . . . . . 20
2.2.3.2. Variaciones ordinarias . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.3.3. Permutaciones ordinarias . . . . . . . . . . . . . . . . . . . . . . 23
2.2.3.4. Permutaciones con repetición . . . . . . . . . . . . . . . . . . 24
2.2.3.5. Combinaciones ordinarias . . . . . . . . . . . . . . . . . . . . . 25
2.2.3.6. Combinaciones con repetición . . . . . . . . . . . . . . . . . . 27
2.2.4. Algunas identidades combinatorias . . . . . . . . . . . . . . . . . . . . 31
2.3. Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.1. Experimentos aleatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.2. Álgebra de sucesos de un experimento aleatorio . . . . . . . . . . 34
01 INDICE 14/3/03 08:02 Página X
X MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
2.3.3. Frecuencia absoluta y relativa de un suceso. Propiedades . . . 36

2.3.4. Medida de probabilidad en espacios muestrales discretos . . . 37
2.3.5. La probabilidad condicionada. Sucesos dependientes e inde-
pendientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3.6. El teorema de la probabilidad total . . . . . . . . . . . . . . . . . . . . . 43
2.3.7. El teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.4. DERIVE y las fórmulas de combinatoria . . . . . . . . . . . . . . . . . . . . 47
Problemas propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Capítulo 3. La Teoría de Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2. Definiciones y nomenclatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.3. Subgrafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.4. Operaciones con grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.5. Conexión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.6. Árboles. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.7. Grafos eulerianos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.8. Grafos hamiltonianos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.9. Grafos planos. Planaridad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.10. Matriz de adyacencia de un grafo . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.11. DERIVE™ 5 y grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Capítulo 4. Cadenas de Markov finitas . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.2. Conceptos básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.3. Evolución de una cadena de Markov . . . . . . . . . . . . . . . . . . . . . . . . 91
Capítulo 5. Clasificación de los estados de una cadena de Markov . . . . 107

5.1. Comunicación entre los estados de una cadena . . . . . . . . . . . . . . . . 107
5.2. Distintos tipos de clases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.3. Clases de estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Capítulo 6. Comportamiento asintótico de las cadenas de Markov . . . . 119

6.1. Semejanza de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
6.2. Autovalores y autovectores de una matriz . . . . . . . . . . . . . . . . . . . . . 121
6.3. Particularidades de los autovalores de una matriz estocástica . . . . . 125
6.4. Autovectores de una matriz estocástica M. Vector de probabilidades
de equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
6.5. Comportamiento asintótico de la ley de probabilidad P(n) . . . . . . . . 127
6.5.1. Cadenas completamente ergódicas o cadenas regulares . . . . . 131
6.5.2. Cadenas simplemente ergódicas . . . . . . . . . . . . . . . . . . . . . . . 134
01 INDICE 14/3/03 08:02 Página XI
ÍNDICE XI
6.5.3. Cadenas periódicas o cíclicas . . . . . . . . . . . . . . . . . . . . . . . . . 137

6.5.4. Cadenas múltiples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
Capítulo 7. Un modelo de Ecología de poblaciones. Modelo de Leslie . . 153

7.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
7.2. Definiciones y nomenclatura. Matriz de Leslie . . . . . . . . . . . . . . . . 155
7.3. Evolución del modelo de Leslie. Distribución de edad en la pobla-
ción pasadas n etapas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
7.4. Autovalores de la matriz de Leslie . . . . . . . . . . . . . . . . . . . . . . . . . . 162
7.5. Particularidades de los autovalores de la matriz de Leslie . . . . . . . . 164
7.6. Autovectores de la matriz de Leslie. . . . . . . . . . . . . . . . . . . . . . . . . 166
7.7. Autovalor dominante y distribución de edad estable . . . . . . . . . . . . 168
7.8. Tasa neta de reproducción por unidad de tiempo . . . . . . . . . . . . . . . 170
7.9. Una aplicación en la zoología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
7.10. Comportamiento asintótico de la distribución de edad N (n) . . . . . 174
7.11. Aplicaciones a la ecología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
7.12. Algunas analogías entre cadenas de Markov y el modelo de Leslie 183
7.13. Generalizaciones del modelo de Leslie . . . . . . . . . . . . . . . . . . . . . 183
Apéndice I. Cálculo de los autovalores, autovectores y matriz de Jordan

de una matriz dada utilizando el programa DERIVE . . . . . 189
A.1. Reconocimiento de matrices diagonalizables . . . . . . . . . . . . . . . . . 190
A.2. Diagonalizar una matriz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
A.3. Hallar una matriz de Jordan semejante a A3×3 . . . . . . . . . . . . . . . . . 193
Apéndice II. Solución a los problemas propuestos. . . . . . . . . . . . . . . . . . . 203
Bibliografía utilizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221

01 INDICE 14/3/03 08:02 Página XII
01 INDICE 14/3/03 08:02 Página XIII
¿Por qué he escrito este libro? ¿A quién le puede interesar?
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
El propósito principal de este libro, que consta de siete capítulos, es el estudio

teórico-práctico de algunos modelos matemáticos discretos en las ciencias de la
naturaleza.
Se dedica un primer capítulo a una breve presentación general de aportaciones
de las matemáticas a las ciencias naturales, señalando algunos modelos matemáti-
cos generados por problemas de la biología, así como aplicaciones a las ciencias de
la naturaleza de modelos matemáticos que no han tenido su origen en problemas
de la Ciencia. Los modelos matemáticos se clasifican atendiendo a su variación con
el tiempo, variable independiente en los modelos de evolución de poblaciones, o por
el conjunto de resultados que proporciona el modelo, centrando la atención en los
modelos matemáticos discretos objeto de este libro.
Se estudian modelos matemáticos discretos, aunque algunas herramientas utili-
zadas son también necesarias para el estudio de los modelos continuos. La elección
de los capítulos, así como el orden en que se presentan, no es aleatorio. Se ha trata-
do de conseguir un libro de contenidos autosuficientes en su mayor parte. Por tanto,
es conveniente estudiar los capítulos siguiendo el orden de presentación.
Los seis capítulos restantes constan de una exposición teórica ilustrada con
ejemplos, gráficas y ejercicios resueltos que ayudan a la comprensión de los con-
ceptos teóricos. Incluyen una serie de problemas propuestos cuyas soluciones se
recogen al final del libro.
Los Capítulos 2 y 3 se dedican a dar unas nociones de combinatoria y probabi-
lidad en espacios discretos y a una pequeña introducción de la teoría de grafos.
Ambos capítulos, que tienen interés por sí mismos, presentan conceptos necesarios
para introducir y estudiar las cadenas de Markov, Capítulos 4, 5 y 6, y el modelo de
Leslie, Capítulo 7, los dos de gran utilidad para el estudio de la evolución temporal
de poblaciones en las ciencias de la naturaleza, en particular en genética, zoología
y ecología.
Las cadenas de Markov son fruto de la investigación en matemática pura. El
matemático A.A. Markov (1856-1922) estudió entre 1907 y 1912 sucesiones de
pruebas aleatorias ligadas en probabilidad que publicó con el título: Casos desta-
cables de pruebas dependientes. Su estudio fue completado por Poincaré,
Hadamard, y Frechet, entre otros. Hasta el año 1925 sólo tuvo importancia teórica,
pero posteriormente ha encontrado aplicaciones en campos muy diversos: movi-
miento browniano, ruleta, en genética para el estudio de la recombinación de los
genes en la teoría de la evolución de poblaciones, mecánica estadística, física nu-
clear, psicología de la educación, modelos de evolución de epidemias, aplicaciones
económicas del cálculo de probabilidades, etc.
02 prologo 14/3/03 08:03 Página XVI
XVI MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
El modelo de Leslie es un ejemplo claro de matemática aplicada en el campo de

la zoología. El investigador P.H. Leslie (1900-1974) publicó en 1945 un artículo en
Biométrica titulado Sobre el uso de las matrices en algunas poblaciones matemáti-
cas y, con posterioridad, en 1948, otro titulado Algunos comentarios nuevos sobre
el uso de matrices en poblaciones matemáticas en los que estudia algunas propie-
dades de una matriz que representa un sistema de tasas de mortalidad y fertilidad
específicas de la edad, como fruto de su investigación en el campo de la zoología,
dirigida por C. Elton. Este modelo permite predecir la estructura de edad de una
población teniendo en cuenta las tasas de fertilidad y de supervivencia de las dife-
rentes clases de edad a partir de su estructura de edad en un instante dado. Los tra-
bajos de Leslie, antes que los de sus predecesores Bernardelli y Lewis, son los más
citados en la extensa literatura de aplicaciones de las matrices.
Las cadenas de Markov y el modelo de Leslie son dos modelos dinámicos y
estocásticos que permiten proyectar en el tiempo, por medio de un proceso iterati-
vo, cualquier situación inicial.
Con las posibilidades de cálculo de los ordenadores ha aumentado el interés por
este tipo de modelos que permiten simular situaciones concretas y estudiar su evo-
lución temporal.
En el Apéndice I se explica cómo utilizar el programa DERIVE para calcular en
modo exacto los autovalores, el autoespacio correspondiente a cada autovalor, los
autovectores asociados a cada autovalor y cómo hallar la matriz de Jordan seme-
jante a una matriz dada. El disponer de los autovalores y de los autovectores corres-
pondientes, en modo exacto, es fundamental para poder estudiar el comportamien-
to asintótico de los modelos presentados.
El Apéndice II contiene las soluciones de todos los problemas propuestos
siguiendo el orden de los capítulos.
He de expresar mi agradecimiento en especial a The Zoology Department
Library, University of Oxford por facilitarme una fotografía del Dr. P. H. Leslie para
ilustrar el capítulo dedicado al Modelo de Leslie y concederme el permiso para
reproducirla en el texto.
No quisiera terminar el prólogo sin agradecer a mis profesores sus enseñanzas,
así como las de quienes me han ayudado a descubrir estos temas a través de sus
publicaciones, citados en la bibliografía, a mis alumnos que me han motivado y esti-
mulado para desarrollar estos temas, sin cuyo interés y sus intervenciones en clase
no los habría redactado, también a todos mis amigos por la ayuda prestada, en espe-
cial al Catedrático de la Universidad Politécnica de Madrid y de la Universidad
Pontificia de Comillas, Agustín de la Villa Cuenca, con el que tuve la suerte de tra-
bajar en la Cátedra de Álgebra de la E.U.I.T. Industrial, quien ha tenido la atención
de leer el original y cuyas observaciones y correcciones le agradezco, así como su
amistad y el haber confiado siempre en mí; al Profesor Titular del Departamento de
Biología Animal I de la Facultad de CC. Biológicas de la U.C.M. Eduardo de Juana
Aranzana, que me ha facilitado de su archivo la fotografía de la naturaleza que ilus-
tra la portada de este libro; a la Editorial Díaz de Santos la confianza puesta en esta
obra; y a mi familia por su cariño, su paciencia y su inestimable ayuda.
Madrid, mayo de 2002
03 tema 1 14/3/03 08:05 Página 1
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.
1.2. Un primer paso, el proceso de abstracción.

Como afirma el filósofo Mindán Manero (42), nacido en el año 1902: «El hombre
aprehende el ser de las cosas, lo que las cosas son, su esencia, y la esencia perma-
nece oculta para el conocimiento sensible que se detiene en lo fenoménico. Sólo el
entendimiento, facultad del ser, llega a descubrir las esencias. Para llegar al conoci-
miento de las esencias el entendimiento pone en ejercicio una de sus principales
funciones activas: la abstracción. Abstrae lo universal de lo singular, la forma pura
del sujeto concreto, lo inteligible de lo sensible, lo común de lo individual, lo uno
de lo múltiple, lo permanente de lo temporal, en fin, prescinde del aquí y del ahora
para llegar a un conocimiento de lo necesario y universal que late en el fondo de lo
contingente y particular».
El descubrimiento de la forma común, la abstracción, es su matematización. La
primera abstracción es el concepto de número. La física, la química, la zoología, la
geología, la botánica, la astronomía, todas las ramas de la Ciencia precisan las
matemáticas.
03 tema 1 14/3/03 08:05 Página 2
2 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
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».
1.3. Las matemáticas en las ciencias de la naturaleza.

Las matemáticas son el único instrumento que nos permite formular con preci-
sión los fenómenos naturales.
Según Paul A. M. Dirac (1902-1984), premio Nobel de física en 1933, uno de
los rasgos fundamentales de la naturaleza es que las leyes físicas fundamentales
están descritas mediante teorías matemáticas de gran potencia y belleza, cuya com-
prensión exige un elevado nivel de formación matemática.
03 tema 1 14/3/03 08:05 Página 3
LAS MATEMÁTICAS DE LA NATURALEZA 3
Si se observa con atención la Naturaleza, se pueden reconocer las mismas for-

mas con diferentes presentaciones. Por ejemplo, tienen forma espiral la Vía Láctea,
un fósil de Nautilus de concha arrollada del Paleozoico, como el que se ve en la
figura, una molécula de proteínas que contiene un huevo, un ciclón, la concha de un
caracol, una huella dactilar de un recién nacido o de un anciano, la cadena de ADN,

la flor del girasol, la colocación de las semillas en las flores, entre otras. Las plan-
tas presentan muchas formas espirales en su estructura y forma de crecimiento.
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:
0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, …

03 tema 1 14/3/03 08:05 Página 4
Si se cuenta el número de veces que se da la vuelta al tallo, en el sentido de las

agujas del reloj, o en el sentido contrario, hasta encontrar la primera hoja situada
encima de una dada, se obtienen dos términos sucesivos de la sucesión de
Fibonacci. Si se divide el mayor entre el menor se obtiene una aproximación de la
razón áurea, número que también aparece en algunos organismos marinos como
la estrella de mar que tiene simetría pentagonal.
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
qué es más importante la matemática pura o la matemática aplicada. Pero ¿cómo

distinguir si una teoría es de matemática pura o aplicada?
Como afirma el profesor F. Bombal (7): «Se trata de una falsa polémica ... Estoy
mucho más de acuerdo con la clasificación que hace el reciente ganador de la meda-
lla Field, W.T. Gowers, distinguiendo entre los matemáticos que conciben su
Ciencia como una enorme colección de problemas fascinantes que resolver, y los
que prefieren construir y desarrollar teorías amplias y generales (que permitan, a su
vez, resolver mejor los problemas que se planteen) ... Creo que esta es una diferen-
cia mucho más profunda y real entre los matemáticos que la vieja dicotomía entre
puros y aplicados».
El profesor Rotini, del Instituto de Química Agraria de Pisa, dice: «La teoría de
la relatividad, la mecánica ondulatoria y la radioactividad artificial han nacido en
hojas de papel sobre las que hombres de ingenio como Einstein y Fermi han traza-
do unas fórmulas. Los modernos descubrimientos y avances de la Ciencia y de la
Técnica, desde la liberación de la energía nuclear a los proyectiles dirigidos y los
satélites artificiales, son el fruto de este trabajo y demuestran que solamente bebien-
do en las fuentes de la Ciencia pura se puede llegar a las aplicaciones prácticas y al
progreso de la civilización».
Afirmaba John von Neumann (1901-1957): «A medida que una disciplina mate-
mática se separa más y más de su fuente empírica, o aún más, si está inspirada en
ideas que provienen de la realidad de un modo sólo indirecto, como de segunda o
tercera mano, está más cercada por graves peligros. Se va haciendo más, y más
escepticismo puro, se convierte más y más en un puro arte por el arte… A gran dis-
tancia de su fuente empírica, o bien después de mucha incubación abstracta, un
campo matemático está en peligro de degeneración».
Pero dice Halmos, nacido en 1916, que a John von Neumann le encantaba citar
este ejemplo: A principios del siglo XIX la ciencia aplicada tenía planteado un serio
problema, el de salvar vidas en el mar. Las estadísticas eran preocupantes, se derro-
chaba dinero y no se escatimaban esfuerzos para intentar resolverlo, se probaban
incluso transatlánticos equipados con estabilizadores, pero todo parecía inútil.
Mientras que los dirigentes de los gobiernos y los ingenieros fomentaban casi
con desesperación todo tipo de experimentos, los matemáticos, trabajando sobre el
conjunto de los números complejos, estaban desarrollando una herramienta, que iba
a salvar más vidas que las que todos los inventores esperaban salvar, la Teoría de las
funciones de variable compleja, comenzada por Cauchy (1789-1857) por el año
1825. Entre sus muchas aplicaciones, una de las más valiosas ha sido la comunica-
ción por radio. Marconi (1874-1937) patentó en 1896 un sistema de telegrafía sin
hilos y en 1898 estableció la primera comunicación a través del Canal de la
Mancha. El descubrimiento de Marconi fue posible gracias a la contribución de dos
grandes físicos Maxwell y Hertz. A Maxwell (1831-1879) se le debe la teoría según
la cual la electricidad y la energía magnética se propagan en forma de ondas trans-
versas. A Hertz (1857-1894) le debemos importantes descubrimientos en la electri-
cidad, entre ellos el de las ondas que llevan su nombre en el que se basó el invento
de Marconi.
03 tema 1 14/3/03 08:05 Página 9
No es de extrañar que Hertz afirmase: «No se puede evitar el sentimiento de que

estas fórmulas matemáticas tienen una existencia independiente y una inteligencia
propia; de que ellas son más sabias de lo que somos nosotros, más sabias aún que
sus descubridores; de que les sacamos más de lo que originariamente se puso en
ellas».
Sin intentar entrar en esta polémica, creo que son compatibles ambos avances en
las matemáticas, hasta cierto punto son complementarios. Una teoría matemática
motivada por un problema concreto de la realidad física puede encontrar otras apli-
caciones distintas, pero también teorías que han surgido sin tener como motivación
la resolución de un problema concreto de la ciencia o de la técnica pueden encon-
trar posteriormente aplicaciones interesantes.
En este libro se presentan dos modelos matemáticos de interés en las Ciencias de
la Naturaleza, uno de ellos, fruto de la investigación en matemática pura, Las Cadenas
de Markov, el otro, el Modelo de Leslie, un claro ejemplo de matemática aplicada,
como se dijo en el prólogo. En ambos se utilizarán la probabilidad, las matrices, sus
autovalores y sus autovectores para estudiar la evolución de poblaciones.
1.4. Modelos matemáticos en las ciencias de la naturaleza.

Clasificación.
El catedrático de Física Sánchez Ron (50) sostiene que para cumplir con su obje-
tivo de describir los fenómenos que tienen lugar en la naturaleza –tarea que inclu-
ye predecir las condiciones en que se volverán a producir–, la ciencia y a su cabeza
en este sentido, la física, intenta recurrir a leyes que se expresan matemáticamente,
hasta el punto de que se podría decir que no hay física, tal y como la entendemos en
la actualidad, sin matemática.
La matemática es para Borel (1871-1956) «La ciencia que estudia relaciones
entre entes abstractos definidos con la condición de que no lleven a contradicción.
Las definiciones nacen por analogías con objetos reales, o por creaciones del espí-
ritu humano para resolver problemas planteados».
Afirma E. P. Wigner, Premio Nobel de Física, en su artículo La irrazonable efec-
tividad de la matemática en las ciencias naturales: «El milagro de la adecuación del
lenguaje de la matemática para la formulación de las leyes físicas es un don mara-
villoso que ni entendemos ni merecemos. Deberíamos mostrarnos agradecidos por
él y esperar que permanecerá siendo válido en la investigación futura y que se
extenderá para bien o para mal, para placer nuestro aunque también tal vez para
nuestra perplejidad, a ramas más amplias del saber».
Los modelos matemáticos consisten en ecuaciones o conjuntos de ecuaciones
que representan cuantitativamente las hipótesis realizadas sobre el caso real. Se uti-
lizan modelos matemáticos en diferentes campos de la actividad humana: física,
química, biología, geología, medicina, astronomía, demografía, pedagogía, econo-
mía, etc. El conocimiento asimilado nos enriquece y amplía nuestro horizonte y las
posibilidades de aplicación a otros campos del saber.
03 tema 1 14/3/03 08:05 Página 10
En palabras del profesor Mindán (42): «El entendimiento humano, gracias a su

capacidad abstractiva y a su función universalizadora, no sólo conoce las esencias,
sino también las relaciones entre ellas. Y gracias al conocimiento de lo universal y
de las relaciones esenciales, el hombre es capaz de realizar la función lógica del jui-
cio, puesto que dispone de un gran caudal de predicados que puede aplicar a los
sujetos y puede conocer las múltiples relaciones que existen entre los conceptos
para formular correctamente los juicios.
En virtud de esa posesión de esencias, propiedades y relaciones universales
puede trascender la experiencia y pasar con seguridad de unas verdades verificadas
a otras que no lo están, en sus razonamientos discursivos. El distinto grado de uni-
versalidad de géneros y especies hace que pueda atribuir a lo menos universal lo que
ha descubierto en otro universal de más extensión que contiene a aquél».
Las ecuaciones matemáticas de un modelo en biología, por ejemplo, no propor-
cionan su contenido biológico, sino solamente expresan las hipótesis de un modo
cuantitativo y las interpretan permitiéndonos deducir consecuencias para su verifi-
cación o refutación.
Los modelos matemáticos pueden ser útiles para hacer predicciones sobre
aspectos cuantitativos del comportamiento del sistema. La simulación mediante un
modelo y la posibilidad de estudiar su evolución con distintas condiciones iniciales
es una gran ayuda para el científico.
Un modelo se dice que es dinámico si la variación con el tiempo es en él una
característica esencial. Se distinguen dos tipos de modelos dinámicos: continuos y
discretos. Un modelo dinámico se dice que es continuo si el tiempo puede tomar valo-
res en el conjunto de los números reales o en un subconjunto de él con la potencia del
continuo, como puede ser un intervalo o una semirrecta. Y se dice que es discreto si
la variable tiempo está definida en un conjunto discreto, como el de los números natu-
rales o una parte de él. Un modelo dinámico continuo es, por ejemplo, una ecuación
diferencial y una ecuación en diferencias es un modelo dinámico discreto.
Atendiendo al conjunto de resultados que proporciona un modelo se pueden dis-
tinguir otros dos tipos: deterministas y estocásticos. Los modelos estocásticos jue-
gan un papel importante en la explicación de algunas áreas de las Ciencias
Naturales y de la Técnica. Son muy útiles para analizar la variabilidad inherente en
procesos biológicos, médicos, para abordar decisiones sujetas a incertidumbre, para
tratar la complejidad de influencias sociales o psicológicas.
La palabra estocástico procede del verbo griego stokasomai (apuntar, tender a,
conjeturar, suponer) y significa: aleatorio, debido al azar. Aleatorio procede del
latín alea (que significa azar, casualidad, probabilidad, suerte, incertidumbre). El
antónimo es determinista del latín determinare que significa señalar, determinar,
fijar los términos de una cosa, precisar, decidir.
Un modelo se dice que es determinista si conocidos los datos el resultado es
totalmente previsible. Por ejemplo, el modelo de Malthus de crecimiento de una
población, y (t) = y0 · ert, siendo r su tasa instantánea de crecimiento, es un modelo
dinámico determinista porque proporciona un único resultado para un conjunto
dado de datos.
03 tema 1 14/3/03 08:05 Página 11
Un modelo estocástico o aleatorio proporciona un conjunto de posibles resultados

ponderados por sus probabilidades. Los modelos estocásticos son esquemas abstrac-
tos capaces de representar aquellos fenómenos cuya evolución está sometida a leyes
aleatorias y contienen probabilidades de sucesos como parte integral del modelo.
Los modelos estocásticos permiten predecir resultados con una distribución de
probabilidad asociada, en contraste con los modelos determinísticos. Un ejemplo
de modelo estocástico nos lo proporciona la segunda ley de Mendel (1822-1884):
Al cruzar dos individuos híbridos Aa de una misma especie respecto de un
carácter con dominancia completa, la generación filial correspondiente ofrecerá
los tres genotipos AA, Aa, aa, en las proporciones 1:2:1
Generación Paterna Aa x Aa
Gametogénesis A a A a
F1 AA Aa Aa aa
Es decir, en la generación filial resultante aparecen individuos dominantes, AA,

con probabilidad 1/4, híbridos, Aa, con probabilidad 1/2 y recesivos, aa, con proba-
bilidad 1/4.
Los fenómenos no son en sí mismos estocásticos o deterministas. Considerar un
fenómeno como determinista o aleatorio es a veces elección del investigador, y esta
elección depende del objetivo que se ha planteado observar.
Y para concluir este capítulo dedicado a las matemáticas de la Naturaleza se
recoge la respuesta dada, en 1994, por el matemático húngaro Peter Lax a la pre-
gunta: ¿Cuáles son los retos para las matemáticas en el próximo futuro? «La física
ha sido la fuente principal de problemas durante los últimos trescientos años, y
seguramente lo continuará siendo, así como la ingeniería, que ha suministrado
muchos problemas prácticos. No obstante, los problemas más excitantes, que aún
no sabemos identificar bien, creo que vendrán de la biología».
Ahora, a comienzos del siglo XXI, vivimos una revolución en la comprensión de
la vida y la reproducción. En el siglo XIX dio un gran avance la fisiología, en el siglo
XX la genética y en el siglo que acabamos de comenzar quizá se avanzará en el cono-
cimiento de la biología molecular, el estudio del cerebro y las ciencias biomédicas
moleculares.
Convencida, como Peter Lax, de la revolución que nos espera en la biología,
pienso que todo científico y en particular cada biólogo debe tener una buena forma-
ción matemática. Las matemáticas son muy importantes en muchos procesos, sobre
todo a la hora de sustituir los experimentos por modelos cuando los experimentos son
o muy caros o muy difíciles de realizar o muy delicados o muy aventurados. Aquí la
aportación de las matemáticas es establecer cómo va a evolucionar el modelo antes
de realizar la experiencia, fundamental para el avance en las ciencias naturales.
03 tema 1 14/3/03 08:05 Página 12
04 tema 2 14/3/03 08:25 Página 13
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
El primer intento de dar rigor matemático a la teoría de la probabilidad se debe

a Laplace, que en 1812 publicó un tratado Teoría analítica de las probabilidades en
el que se recoge su definición clásica de probabilidad de un suceso como el cocien-
te entre el número de casos favorables y el número de casos posibles, supuesto que
todos los resultados posibles son igualmente probables. En estos casos para el cál-
culo de la probabilidad es una buena ayuda la combinatoria, pues no se necesita
escribir todos los casos favorables y los posibles sino únicamente contarlos. Decía
Laplace: «Es notable que una ciencia que comenzó con la consideración de juegos
de azar habría de llegar a ser el objeto más importante del conocimiento humano...
Las cuestiones más importantes de la vida constituyen en su mayor parte, en reali-
dad, solamente problemas de probabilidad».
En efecto, mientras tengamos que vivir con incertidumbres y queramos tomar
decisiones racionales tendremos que aprender a valorar el riesgo de tomar una deci-
sión frente a la incertidumbre, y para ello el instrumento necesario es la probabili-
dad.
Dice Borel: «Al igual que el precio no es el único elemento de nuestra decisión
cuando se trata de comprar algo, así la probabilidad no debe ser absolutamente el
único elemento de nuestra decisión cuando se trata de correr un peligro. Uno de los
motivos por los cuales algunos espíritus desprecian la precisión de las matemáticas
es porque imaginan que esta precisión pone en peligro su libre albedrío. Una per-
sona suficientemente rica puede, evidentemente, elegir los objetos que compra sin
preocuparse por el precio, basándose sólo en sus gustos. Pero, cuando se trata de
correr un peligro, sobre todo estando en juego la salud o la vida misma, nadie es
bastante rico para poder despreciar ciertas probabilidades... En la vida ordinaria, el
conocimiento de la probabilidad es un elemento útil en nuestra decisión, del mismo
modo que lo es el conocimiento del precio cuando se trata de una compra, sin que
este conocimiento nos impida tener en cuenta otras consideraciones antes de deci-
dirnos».
En los comienzos del siglo XX destacan los avances en la teoría de la probabili-
dad de Chebichev y de su discípulo A. A. Markov. También surgieron espectacula-
res aplicaciones de la teoría de la probabilidad a la física realizadas, entre otros, por
Einstein y por Maxwell. La teoría matemática de la probabilidad como hoy la cono-
cemos se basa en la definición axiomática de Kolmogoroff, que se recoge en su libro
Fundamentos de la Teoría de la Probabilidad, publicado en 1933; en este libro los
sucesos se representan por conjuntos y la probabilidad es una aplicación del álge-
bra de los sucesos en [0,1] que da una medida de la verosimilitud de cada suceso.
La combinatoria desempeña un papel importante no sólo en las matemáticas, en
la teoría de la probabilidad y en la estadística, sino también, entre otras, en la infor-
mática, en las ciencias de la computación, en el análisis de algoritmos, en la biolo-
gía, en la química, en la física, en el estudio de los grafos y en la teoría algebraica
de la codificación, que surgió a mediados del siglo XX, inspirada en un artículo de
Claude Shannon y en los resultados de Marcel Golay y Richard Hamming.
En los últimos años la genética molecular ha dado un gran avance utilizando la
probabilidad, y como consecuencia de ello ha surgido la genética forense, que
04 tema 2 14/3/03 08:25 Página 15
COMBINATORIA Y PROBABILIDAD EN ESPACIOS DISCRETOS 15
posibilita la resolución de hechos delictivos. En los laboratorios forenses se estu-

dian muestras biológicas relacionadas con todo tipo de delitos: homicidios y ase-
sinatos, reyertas, robos y delitos contra la libertad sexual, principalmente. También
los análisis de identificación genética se emplean en otros campos no necesaria-
mente ligados al ámbito criminal, como la identificación de cadáveres, por ejem-
plo, en grandes catástrofes, o para resolver conflictos en el esclarecimiento de la
paternidad.
Como es bien sabido, los fenómenos de la herencia están relacionados con la
existencia, en cada individuo, de cierto número de parejas de cromosomas, en la es-
pecie humana 23 pares. En cada niño, cada par de cromosomas está formado por un
cromosoma de ese par de su padre y otro de su madre elegidos al azar y, por tanto,
el número de elecciones posibles para cada individuo de la especie humana es de 246
aproximadamente 7.036874417 1013, es decir, más de 70 billones. La probabilidad
de que dos hermanos, que no sean gemelos nacidos del mismo óvulo, tengan exac-
1
tamente los mismos cromosomas es 46
, es decir, 0.1421 10–13, prácticamente nula.
2
Parece claro, pues, que la presencia en dos individuos de ciertos grupos de cromo-
somas idénticos es suficiente para determinar ciertas analogías entre ellos. En oca-
siones, la colocación de un solo cromosoma, locus, determina un carácter tan
importante como pueden ser algunas anomalías hereditarias; aquí es interesante la
aplicación de las probabilidades para el estudio de la presencia simultánea de un
cromosoma en individuos que tienen uno o varios antepasados comunes, hermanos,
tíos y sobrinos, primos hermanos, etc.
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
6° Una empresa de trabajo temporal tiene once puestos de trabajo no cualifi-

cado y 14 empleados disponibles ¿de cuántas formas puede repartir el tra-
bajo?
7° ¿De cuántas formas se puede seleccionar un equipo de once jugadores para
un partido de fútbol, si hay quince jugadores disponibles?
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?
9° Una empresa fabricante de cerraduras de combinación elabora cerraduras
con clave formada por cuatro números elegidos entre el 00 y el 99.
a)¿Cuántas cerraduras distintas se pueden fabricar? b)¿Y si nunca se repi-
ten números en una cerradura?
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?
11° Con las cifras 0, 1, 2 ¿cuántas secuencias de n cifras se pueden formar?
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.
2.2.1. Técnicas básicas.
2.2.1.1. Principio de adición
Si A1, A2, …, Ak son conjuntos disjuntos, se verifica que el cardinal de la unión

es la suma de los cardinales, esto es:
k
A1 A2 … Ak = Ai.
i=1
Esta igualdad también se puede interpretar del siguiente modo:

Sabemos que si Ai, conjunto de cardinal ni, representa un suceso, se dice que se
verifica el suceso Ai si como resultado de la experiencia se obtiene alguno de sus
elementos. Si A1, A2, …, Ak son k sucesos incompatibles dos a dos, entonces el suce-
k k
so U Ai se puede verificar de ni formas distintas.
i=1 i=1
Ejemplo: En una biblioteca pública hay 13 libros de matemáticas, 10 de histo-

ria, 30 de informática, 100 novelas, 15 obras de teatro y 10 libros de poesía. ¿De
cuántas formas distintas se puede elegir un libro?
M H I N T P = 13 + 10 + 30 + 100 + 15 + 10 = 178 formas distintas.
04 tema 2 14/3/03 08:25 Página 17
2.2.1.2. Principio de multiplicación
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
Esta regla en los sucesos se puede interpretar así:

Si un suceso se puede descomponer en k etapas sucesivas y cada una de ellas se
puede verificar de Ai= ni maneras distintas, independientemente de cuál sea el
resultado de las otras etapas, entonces el suceso S = A1 A2 … Ak se podrá
k
realizar de n formas distintas.
i=1
i
Ejemplo: Se dispone de 10 clases de moluscos, 17 de artrópodos y 13 clases de

vertebrados ¿de cuántas formas se puede elegir un animal de cada especie?
M A V = 10 · 17·13 = 2210 formas distintas.
2.2.1.3. Principio de distribución
Si se reparten m objetos en n casilleros, siendo m>n, entonces un casillero tiene

dos o más objetos.
Es una consecuencia del principio de adición, pues si ningún casillero tiene
más de un objeto, el número total de los objetos repartidos será como máximo
1 + 1 + .n).. + 1 = n.
Análogamente, si se distribuyen m objetos en n casilleros, siendo m>nr, enton-
ces al menos uno de los casilleros tiene como mínimo r+1 objetos.
Este principio se conoce como principio de distribución de Dirichlet o principio
del palomar, nombre que le dio Dirichlet, que fue el primero que lo formuló.
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.
2.2.2. Organigrama de combinatoria1.
Antes de dar las fórmulas básicas de las combinaciones, variaciones y permuta-

ciones con y sin repetición, analizaremos los ejemplos presentados en el párrafo 2.2.
Para intentar resolverlos es necesario tener bien claro:
1
Véase (21).
04 tema 2 14/3/03 08:25 Página 18
1° ¿Cuál es el alfabeto, conjunto A, con el que se van a escribir los resultados?

2° ¿Cuántos elementos del alfabeto necesitamos para formar uno de los resul-
tados de nuestro ejercicio?
3° En los resultados que buscamos ¿es importante el orden?
4° En cada uno de los resultados ¿han de estar necesariamente todos los ele-
mentos de A?
5° En los resultados que buscamos ¿puede haber algún elemento de A repeti-
do?
De este modo se pueden resolver fácilmente utilizando el siguiente organigrama

y se puede calcular el resultado, si se conocen las fórmulas básicas que se darán a
continuación.
A = {a1, a2, …, an}
Buscamos k elementos pertenecientes al conjunto A.
¿Importa el orden de
estos k elementos?
No SÍ
¿Tienen que estar

todos los elementos
No de A?
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.
- ¿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.
- ¿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.
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.
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 .
2.2.3. Fórmulas básicas.
2.2.3.1. Variaciones con repetición.
Si A = {a1, a2, …, an}, el conjunto de las variaciones con repetición de orden k

formadas con los elementos de A es el producto cartesiano
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.
Ejemplo: Si A = {a,b,c}, los conjuntos de las variaciones con repetición de orden

1, 2 y 3 son:
04 tema 2 14/3/03 08:25 Página 21
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
2° ¿Cuántas aplicaciones distintas de C1 = {1,2,3,4,5} en C2 = {a,b,c,d} se

pueden establecer?
La imagen de 1 puede ser uno cualquiera de los elementos de C2, análoga-
mente la imagen de 2 y la de los restantes elementos de C1. Para definir una
aplicación basta con dar las imágenes de los elementos de C1, por ejemplo:
aabcc significa que 1 y 2 tienen por imagen a, 3 tiene por imagen b, y c es la
imagen de 4 y de 5. Otra aplicación distinta sería acbca, otra aaabb. El alfa-
beto es C2 = {a,b,c,d}, n = C2= 4 y k = 5. El número de aplicaciones dis-
tintas de C1 en C2 es VR4,5 = 45 = 1024.
2.2.3.2. Variaciones ordinarias.
El conjunto de las variaciones, o variaciones ordinarias, de orden k formadas

con los n elementos del conjunto A es el subconjunto de Ak formado por aquellas
variaciones en las que no aparece ningún elemento de A repetido.
Las variaciones ordinarias de orden 1 son cada uno de los elementos de A; las
variaciones ordinarias de orden 2 se obtienen a partir de las de orden 1 añadien-
do a su derecha los elementos de A salvo el que está escrito; las de orden 3, aña-
diendo a la derecha de las de orden 2 cada uno de los elementos de A, salvo los
que forman esa variación, y así sucesivamente, hasta llegar a las variaciones de
orden n = A.
Ejemplo: Si A = {a,b,c}, las variaciones de orden 1, 2 y 3 son:
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.
Si A= n, del diagrama del árbol se obtiene que el número de variaciones, o

variaciones ordinarias, de orden k formadas con los n elementos del conjunto A es:
Vn,k = n (n – 1)(n – 2) … (n – k + 1) siendo 0 < k ≤ n, k .
No existen variaciones ordinarias de orden superior al número de elementos de

A; sin embargo, sí existen variaciones con repetición de orden k, siendo k > n.
04 tema 2 14/3/03 08:25 Página 23
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.
2° ¿Cuántas aplicaciones inyectivas se pueden formar de C = {1,2,3,4} en

D = {m,n,o,p,q,r}?
El alfabeto es ahora D = {m,n,o,p,q,r}, n = D= 6 y k = 4, pues buscamos
la imagen para los cuatro elementos de C y no se pueden repetir las imáge-
nes porque se piden aplicaciones inyectivas. Por tanto, se pueden construir
V6,4 = 6 · 5 · 4 · 3 = 360 aplicaciones inyectivas de C en D.
2.2.3.3. Permutaciones ordinarias.
Las permutaciones ordinarias de los elementos de A son las variaciones ordina-

rias de orden n formadas con los n elementos de A. Para obtener las permutaciones
de los n elementos del conjunto A basta con formar las variaciones ordinarias de
orden n.
El número de permutaciones ordinarias de los n elementos de un conjunto A, es:
Pn = Vn,n = n (n – 1) …3.2.1
Dos permutaciones de los n elementos del conjunto A se distinguen por tener los
elementos colocados en distinto orden.
Usando la notación n! = n (n – 1) ...3.2.1 para el producto de los primeros n
números enteros para n > 1 y definiendo 0! = 1 podemos escribir:
Pn = n!
Y el número de variaciones ordinarias de los n elementos de orden k:
n!
Vn,k = , siendo 0 < k ≤ n, k .
(n – k) !
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.
2° ¿Cuántas aplicaciones biyectivas se pueden formar de M1 = {1,2,3,4} en

M2 = {a,b,c,d}? ¿y de C = {1,2,3, …, n} en A = {a1,a2,a3, …, an}.
El número de aplicaciones biyectivas de M1 en M2 es V4,4 = P4 = 4! = 24.
Análogamente, el número de aplicaciones biyectivas de C en A es n!
04 tema 2 14/3/03 08:25 Página 24
2.2.3.4. Permutaciones con repetición.
Empezaremos con un ejemplo: En una carrera participan cinco corredores, tres

del equipo B y dos del equipo N. ¿Cuántas clasificaciones por equipos distintas se
pueden dar?
Suponemos que los corredores del equipo B llevan dorsales 1, 2, 3, y que los del
equipo N llevan dorsales 4 y 5. Las distintas clasificaciones por equipos son:
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
Hay diez clasificaciones por equipos.

En este caso, el diagrama de árbol no sirve para calcular el número de permuta-
ciones con repetición. El número de clasificaciones por equipos de estos cinco
corredores, tres del equipo B y dos del equipo N, lo indicaremos por PR3,2 5 .
Por cada una de estas clasificaciones por equipos, si observamos el número del
dorsal de cada corredor, obtenemos P3 · P2 = 3!2! = 12 clasificaciones individuales
diferentes. En efecto, las 12 clasificaciones individuales siguientes corresponden a
la misma clasificación por equipos: BBBNN,
B1 B2 B3 N4 N5 B1 B2 B3 N5 N4
B1 B3 B2 N4 N5 B1 B3 B2 N5 N4
B2 B1 B3 N4 N5 B2 B1 B3 N5 N4
B2 B3 B1 N4 N5 B2 B3 B1 N5 N4
B3 B1 B2 N4 N5 B3 B1 B2 N5 N4
B3 B2 B1 N4 N5 B3 B2 B1 N5 N4
Como el número total de clasificaciones individuales es: P5 = 5! = 120, el núme-

ro de clasificaciones por equipos, PR3,2
5 , multiplicado por P3 · P2 = 12 clasificacio-
04 tema 2 14/3/03 08:25 Página 25
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!
2° ¿Cuántas aplicaciones diferentes de C1 = {1,2,3,4,5,6} en C2 = {a,b,c} se

pueden formar que sean suprayectivas y en las que dos elementos tengan por
imagen a, tres tengan por imagen b y uno tenga por imagen c?
Si escribimos las imágenes de 1,2,3,4,5,6 en este orden una de estas
aplicaciones posibles es aabbbc y otra distinta es baacbb. El número de las
6!
aplicaciones pedidas es PR2,3,1
6 = = 60.
2!3!1!
2.2.3.5. Combinaciones ordinarias.
Si A = {a1, a2, …, an} las combinaciones ordinarias de orden k formadas a par-

tir de los n elementos de A son los subconjuntos de A de cardinal k.
Así, si A = {a,b,c,d} las combinaciones de orden 1, 2 y 3 son:
ab abc
abd
a ac acd
ad
b bc bcd
bd
c cd
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

Así, el número de combinaciones ordinarias de orden 3 multiplicadas por el

número de permutaciones de los tres elementos da el número de variaciones ordi-
Vn,3 n!
narias de orden 3, es decir: Cn,3 · P3 = Vn,3 ⇒ Cn,3 = =
P3 3! (n – 3)!
De mismo modo:
Vn,k n!
Cn,k · Pk = Vn,k ⇒ Cn,k = =
Pk k! (n – k)!

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
2° ¿Cuántas aplicaciones diferentes de A = {a1,a2,a3,a4,a5,a6,a7} en B = {0,1}

que sean suprayectivas se pueden formar en las que cuatro elementos de A
tengan por imagen 1 y el resto tengan por imagen 0?
Si 1111000 significa que a1,a2,a3,a4 tienen por imagen 1 y los otros tres tie-
nen por imagen 0, cada una de estas aplicaciones está determinada si se
conocen las posiciones de los unos. El alfabeto es el conjunto de los lugares
en los que se pueden colocar los unos, por tanto
A = {1o,2o,3o,4o,5o,6o,7o}, n =A= 7
y como vamos a colocar cuatro unos es k = 4. El número de estas aplicacio-
nes es

7 7!
C7,4 = = = 35.
4 4!3!
El mismo resultado se obtiene si se colocan los ceros porque
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.
2.2.3.6. Combinaciones con repetición.
Empezaremos con el ejemplo de las fichas del dominó.

¿De cuántas fichas consta el juego del dominó?
Convenimos en que 0 representa blanca, 1 representa un punto, 2 representa
dos puntos, etc. Por tanto, el alfabeto es: A = {0,1,2,3,4,5,6} y las fichas de domi-
nó son:
[0-0], [0-1], [0-2], [0-3], [0-4], [0-5], [0-6],
[1-1], [1-2], [1-3], [1-4], [1-5], [1-6],
[2-2], [2-3], [2-4], [2-5], [2-6],
[3-3], [3-4], [3-5], [3-6],
[4-4], [4-5], [4-6],
[5-5], [5-6],
[6-6].
Las combinaciones con repetición de orden 1 son cada uno de los elementos de
A, para formar las combinaciones con repetición de orden 2 se escriben a la derecha
de cada elemento de A, este elemento y los que le siguen en el conjunto A. Para for-
mar las de orden 3, se escribe a la derecha de cada una de las de orden 2 el último
04 tema 2 14/3/03 08:25 Página 28
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
El diagrama de árbol tampoco sirve para contar el número de combinaciones

con repetición.
El número de combinaciones con repetición de orden k formadas con los n ele-
mentos del conjunto A es: CRn.k.
Para calcularlo se observa que una forma sencilla de contar el número de com-
binaciones con repetición de orden 3 formadas con los elementos de A = {a,b,c} es
la siguiente: se sustituye cada elemento repetido por x1 o por x2, según que el ele-
mento que aparece repetido sea el primero o el segundo, cuando estos están colo-
cados en orden alfabético si son letras, o en el orden natural si son cifras.
Así, las combinaciones con repetición de orden 3 formadas con los elementos de
A = {a,b,c} las sustituimos por:
aaa → ax1x2 acc → acx2
aab → ax1b bbb → bx1x2
aac → ax1c bbc → bx1c
abb → abx2 bcc → bcx2
abc → abc ccc → cx1x2
El número de combinaciones con repetición de orden 3 formadas con los ele-

mentos del conjunto A = {a,b,c} es igual al número de combinaciones ordinarias de
orden 3 formadas con los elementos del conjunto B = {a,b,c,x1,x2}. Es decir:

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
Podemos ya dar respuesta a diez de los ejercicios que se han presentado al

comienzo del párrafo 2.2 al introducir la combinatoria:
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
2° ¿Cuántos símbolos distintos se pueden formar en el código Braille teniendo

en cuenta que el signo generador tiene seis posiciones y se pueden marcar o
no cada una de las posiciones?
VR2,6 = 26 = 64 símbolos distintos,
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
3° ¿De cuántas fichas consta el juego del dominó?

8
CR7,2 = = 28
2
4° ¿De cuántas formas distintas se pueden colocar diez libros diferentes en una
estantería?
P10 = 10! = 3.628.800
5° a) ¿Cuántas secuencias nucleótidas distintas de veinte bases se pueden for-

mar con las bases constituyentes del ácido nucleico ARN: adenina (A), gua-
nina(G), citosina (C) y uracilo (U)? b) ¿Cuántas secuencias tienen cinco
veces adenina, tres guanina, ocho citosina y cuatro uracilo?
a) VR4,20 = 1.099.511.627.776 secuencias diferentes.
5,3,8,4
b) PR20 = 3.491.888.400 secuencias
6° Una empresa de trabajo temporal tiene once puestos de trabajo no cualifica-

do y 14 empleados disponibles ¿de cuántas formas puede repartir el trabajo?
14!
V14,11 = = 14.529.715.200 formas de repartir el trabajo.
3!
7° ¿De cuántas formas se puede seleccionar un equipo de once jugadores para

un partido de fútbol, si hay quince jugadores disponibles?
15!
V15,11 = = 54.486.432.000 equipos,
4!
pues cada uno de los once jugadores podría jugar el partido de portero,
defensa izquierda, defensa derecha, medio izquierda, medio centro, medio
derecha, delantero izquierda, delantero centro izquierda, delantero centro,
delantero centro derecha o delantero derecha.
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.
9° Una empresa fabricante de cerraduras de combinación elabora cerraduras

con clave formada por cuatro números elegidos entre el 00 y el 99.
a) ¿Cuántas cerraduras distintas se pueden fabricar? b) ¿Y si nunca se repi-
ten números en una cerradura?
a) VR100,4 = 108 cerraduras.
b) V100,4 = 94.109.400 cerraduras.
04 tema 2 14/3/03 08:25 Página 31
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.
11° Con las cifras 0, 1, 2 ¿cuántas secuencias de n cifras se pueden formar?

VR3,n = 3n cadenas diferentes.
2.2.4. Algunas identidades combinatorias.

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.
2.3.1. Experimentos aleatorios.
Un experimento es un proceso por medio del cual se obtiene una observación.

Atendiendo al conjunto de resultados del experimento se pueden clasificar en deter-
ministas y aleatorios.
Un experimento es determinista si el resultado es totalmente previsible, así, en
el experimento de observación de la caída libre de un cuerpo en el vacío se puede
calcular el tiempo que tarda en caer un objeto desde una altura dada. Muchos de los
experimentos de las ciencias son deterministas, pero no todos. Si el resultado no
está unívocamente establecido, son experimentos aleatorios.
Un experimento aleatorio es un proceso de observación en el cual se conocen
con antelación todos los resultados posibles del experimento (al menos dos dife-
rentes), el resultado de cualquier realización del experimento no se puede asegurar
de antemano y el experimento se puede repetir en idénticas condiciones.
El conjunto formado por todos los resultados posibles de un experimento alea-
torio se denomina su espacio muestral, y lo representaremos por E.
04 tema 2 14/3/03 08:25 Página 33
Ejemplos:
1° Lanzamos una moneda y anotamos el resultado que aparece al reposar sobre

una mesa. E = {C,X}.
2° Se cruzan dos individuos heterocigóticos respecto de un carácter con domi-

nancia completa y se observa el genotipo de los hijos. El espacio muestral es:
E = {AA,Aa,aa}.
3° Si en el cruce anterior se observa el fenotipo, el espacio muestral es:

E = {A (dominante), a (recesivo)}.
4° Se lanzan dos dados de distinto color y se observan los números obtenidos

en cada uno de ellos. El espacio muestral está formado por todos los pares
(a,b), siendo a,b {1,2,3,4,5,6}, es decir, es el conjunto de las variacio-
nes con repetición de orden dos formadas con los elementos del conjunto
A = {1,2,3,4,5,6}.
El espacio muestral, como es un conjunto, se puede determinar por exten-
sión, enumerando todos sus elementos, o por comprensión, dando una pro-
piedad que los caracteriza.
5° Se lanza un dado y se observa el número de veces que es preciso lan-

zarlo hasta obtener por primera vez el as. El espacio muestral es:
E = {1,2,3,4,5,…,n,…}.
6° Cierto comercio dispone de un equipo que comprueba la validez de las

tarjetas de crédito. Si una tarjeta es válida, se enciende una luz verde, y si
no lo es, la luz es roja. Se comprueban tres tarjetas, el espacio muestral es:
E = {vvv,vvr,vrv,rvv,vrr,rvr,rrv,rrr}.
7° En un laboratorio hay 100 ratas a las que se administra una dosis de un

medicamento y se observa el número de ratas que sobreviven al cabo de siete
días. El espacio muestral es: E = {0,1,2,3,…, 99,100}.
8° Una ruleta tiene marcada en su circunferencia el 0, origen de los ángulos que

forma la aguja al detenerse, se hace girar y se mide, en radianes, el ángulo
que forma la aguja al parar. El espacio muestral es:E = {x / 0 ≤ x < 2π}.
9° Se elige al azar un número del segmento [0,1].

E = [0,1] = {x / 0 ≤ x ≤ 1}.
En los ejemplos anteriores se presentan distintos tipos de espacios muestrales.

Atendiendo al número de resultados posibles del experimento aleatorio, los espa-
cios muestrales se clasifican en:
04 tema 2 14/3/03 08:25 Página 34
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.
Sólo se estudiará la probabilidad en espacios muestrales discretos, finitos o infi-

nito-numerables.
2.3.2. Álgebra de sucesos de un experimento aleatorio.
Dado un espacio muestral E, un subconjunto S de E, desde el punto de vista pro-

babilístico, se denomina un suceso, y un elemento e del conjunto E se llama un
punto muestral.
Se dice que se verifica un suceso S si como resultado del experimento se obtie-
ne alguno de los elementos de S.
Suceso seguro es el que se verifica cualquiera que sea el resultado de la expe-
riencia. Corresponde al subconjunto S = E , todo el espacio muestral.
Suceso imposible es el que no se verifica nunca. Corresponde al subconjunto
del espacio muestral.
Se llama suceso contrario a S al suceso S = CE (S) que se verifica siempre que
no se verifica S.
Dos sucesos A y B correspondientes al mismo experimento aleatorio son igua-
les, y se escribe A = B, si siempre que se verifica A se verifica B y siempre que se
verifica B se verifica también A.
Suceso elemental es todo subconjunto unitario del espacio muestral E.
Si A y B son dos sucesos correspondientes a un mismo experimento aleatorio, se
llama suceso unión de A y B, y se escribe A B, al suceso que se verifica si se veri-
fica A o se verifica B o se verifican ambos a la vez.
El suceso intersección de A y B, se escribe A B, y es el suceso que se verifica
si se verifican simultáneamente A y B.
Dos sucesos A y B son incompatibles si no se pueden verificar a la vez. En caso
contrario se dice que son compatibles.
Consideramos un espacio muestral E, conjunto no vacío ni unitario, una clase

de subconjuntos de E es un álgebra si se verifica que:
1. E
2. S ⇒ S
3. S1, S2 ⇒ S1 S2
04 tema 2 14/3/03 08:25 Página 35
Es decir, es un álgebra si uno de sus elementos es E y es cerrada respecto a

la formación de complementarios y de uniones finitas.
Por verificar 1 y 2 también , y como consecuencia de las leyes de De
–– ––
Morgan se tiene S1 S2 = S1 S2 y S1 S2 = S1 S2, y al verificar 2 y 3 tam-
bién es cerrada respecto de la formación de intersecciones finitas.
Si E es un espacio muestral, una clase de subconjuntos de E es una σ-álge-

bra si se verifica que:
1. E
2. S ⇒ S ∞
3. S1, S2, …, Sn, … ⇒ Si
i=1
Una σ-álgebra es cerrada respecto a la formación de complementarios y de

uniones de una cantidad numerable de elementos de , y como consecuencia de la
∞ ––
∞
forma infinita de las leyes de De Morgan, Si = Si , es decir, también es
i=1 i=1
cerrada respecto de la formación de intersecciones de una cantidad numerable de
elementos de .
La menor σ-álgebra de E está formada por y E, y la mayor es la formada por
todos los subconjuntos de E.
Dada una familia F de subconjuntos de E, existe una σ-álgebra mínima, σ(F),
que contiene F, es la intersección de todas las σ-álgebras que contienen F y se
denomina la σ-álgebra generada por F.
Si E= n finito, la σ-álgebra generada por los n sucesos elementales tiene 2n
elementos y coincide con el conjunto = (E) formado por todos los subconjun-
tos de E. En este caso, la σ-álgebra es también un álgebra de sucesos.
Si E es un conjunto infinito y no numerable, la familia formada por E y
todos los subconjuntos de E que son numerables y con complementario numerable
es una σ-álgebra. Esta σ-álgebra no contiene todos los subconjuntos de E, ya que
si S es un subconjunto no numerable de E, será unión no numerable de elementos
de . Una σ-álgebra no es cerrada respecto a la formación de un número arbitra-
rio de uniones de los sucesos que la forman.
La clase formada por todos los intervalos abiertos, semiabiertos y cerrados, los
intervalos degenerados (a,a) = , [a,a] = {a}, y las semirrectas (– ∞,a], (– ∞,a),
[a.∞), (a,∞) no forman una σ-álgebra para el espacio muestral , pues la unión de
dos intervalos, por ejemplo (1,2) (3,5) no es un elemento de la clase. La míni-
ma σ-álgebra de subconjuntos de está formada por , todos los intervalos de la
forma (a,b), [a,b), (a,b], [a,b], el complementario de cada uno de ellos, las semi-
rrectas, y la unión e intersección de un número finito o infinito numerable de esos
conjuntos.
Como se dijo anteriormente, el resto del tema se referirá a la probabilidad en
espacios muestrales discretos.
04 tema 2 14/3/03 08:25 Página 36
2.3.3. Frecuencia absoluta y relativa de un suceso. Propiedades.
Si se repite n veces un experimento aleatorio cuyo espacio muestral es E, finito

o infinito numerable, y el suceso A E se verifica nA veces, se dice que nA es la fre-
cuencia absoluta de A.
La frecuencia relativa de A es el cociente entre la frecuencia absoluta de A y el
número total de pruebas, es decir,
nA
fr (A) = .
n
Propiedades de las frecuencias relativas:
1. La frecuencia relativa de un suceso es un número racional del [0,1]

0 ≤ fr (A) ≤ 1
2. La frecuencia relativa del suceso seguro es 1.
3. La frecuencia relativa del suceso contrario de A es:

–
fr (A)= 1 – fr (A)
4. Si A y B son dos sucesos incompatibles, entonces:

fr (A B) = fr (A) + fr (B)
5. Si A y B son dos sucesos compatibles entonces

fr (A B) = fr (A) + fr (B) – fr (A B)
6. Frecuencia relativa de la intersección de dos sucesos compatibles:

Si A y B son dos sucesos compatibles que se verifican a la vez n1 veces, el
suceso A se verifica n2 veces sin que se verifique B, y el suceso B se verifica
n1 + n2
n3 veces sin verificarse A, la frecuencia relativa de A es fr (A) = . Se
n
llama suceso B condicionado a A, y se representa por B/A, al suceso B dado
A, es decir, al suceso que se verifica si se verifica B habiendo sucedido A. La
frecuencia relativa del suceso B/A es:
n1
fr (B / A) =
n1 + n2
de donde se deduce que:
n1 n1 + n2 n1
fr (A B) = = · = fr (A) · fr (B / A)
n n n1 + n2
Del mismo modo:
n1 n1 + n3 n1
fr (A B) = = · = fr (B) · fr (A / B)
n n n1 + n3
04 tema 2 14/3/03 08:25 Página 37
Las frecuencias relativas varían con el número de pruebas. La observación de

numerosos experimentos aleatorios aumentando el número de pruebas ha dado el
siguiente resultado práctico, conocido con el nombre de Ley del azar: La frecuen-
cia relativa de un suceso tiende a estabilizarse para valores grandes de n. Es decir,
los fenómenos aleatorios de manera aislada son imprevisibles pero presentan regu-
laridades estadísticas cuando se repiten un número elevado de veces.
Admitiendo como hipótesis la Ley del azar, von Mises definió

nA
P (A) = n→∞ lim
lim fr (A) = n→∞
n
Para salvar los inconvenientes que surgen al intentar fundamentar el concepto de
probabilidad en esta definición, se dará a continuación la definición axiomática
de probabilidad basada en la propuesta por Kolmogorov en el año 1933.
2.3.4. Medida de probabilidad en espacios muestrales discretos.
Sea E el espacio muestral de un experimento aleatorio y una σ-álgebra de

sucesos de E, una probabilidad es una aplicación de en que cumple los
siguientes axiomas:
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
Esta propiedad se denomina de aditividad contable, y si se verifica, también

se cumple que:

n n
P U Ai = P (Ai).
i=1 i=1
propiedad de aditividad finita para espacios muestrales finitos.
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
Si p representa la probabilidad de obtener una cifra impar, la probabilidad de

obtener una cifra par es 2p
1
3p + 3.2p = 1 ⇒ p =
9
La probabilidad de obtener cifra impar es:
1 1
P ({1,3,5}) = 3 · =
9 3
mientras que si el dado no estuviera cargado la probabilidad de obtener cifra impar
sería:
1 1
P ({1,3,5}) = 3 · =
6 2
Propiedades de la probabilidad.
Como consecuencia de los tres axiomas se verifican las siguientes propiedades:
1. Probabilidad del suceso contrario:

P (S) = 1 – P (S)
2. Probabilidad del suceso imposible:

P () = 0
3. Si S1 S2 entonces P (S1) ≤ P (S2).
4. Probabilidad de la unión de sucesos compatibles:

Para dos sucesos compatibles:
P (S1 S2) = P (S1) + P (S2) – P (S1 S2)
Para tres sucesos compatibles:
P (S1 S2 S3) = P (S1) + P (S2) + P (S3) –
– P (S1 S2) – P (S1 S3 ) – P (S2 S3) + P (S1 S2 S3)
Para n sucesos compatibles:

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
La definición axiomática de probabilidad sólo expresa las propiedades que ha de

cumplir una probabilidad, pero no indica cómo asignar probabilidades específicas
a los sucesos.
5. Si Si son sucesos cualesquiera, como consecuencia de las propiedades 3 y 4

se tiene:

n n
P U Si ≤ P (Si).
i=1 i=1
04 tema 2 14/3/03 08:25 Página 39
Regla de Laplace.
De todas las aplicaciones de probabilidad que se pueden construir sobre espa-

cios muestrales finitos, una de las más sencillas y prácticas es la que toma un valor
constante en todos los sucesos elementales. Esta aplicación probabilidad se llama
Regla de Laplace y sólo se puede utilizar en aquellos casos en los que admite la
experiencia que los números hacia los cuales tienden a estabilizarse las frecuencias
relativas de los sucesos elementales, al aumentar el número de pruebas, son iguales.
Se dice entonces que los sucesos elementales son equiprobables.
Supongamos que el espacio muestral E de un cierto experimento aleatorio sea la
unión de n sucesos incompatibles dos a dos y equiprobables, y el suceso S se pueda
obtener como unión de m de los sucesos elementales,
n m
E = U Si y S = U Si
i=1 i=1
m
entonces P (S) = como consecuencia del tercer axioma de la probabilidad.
n
Se suele decir que la probabilidad del suceso S es el cociente entre el número de
casos favorables a S y el número de casos posibles.
Ejemplos:
1° ¿Cuál es la probabilidad de que al lanzar tres monedas se obtenga al menos

una cara? 3
Si consideramos el espacio muestral E = U Si siendo Si el suceso «obtener
i=0 3
exactamente i caras» el suceso S = «obtener al menos una cara» = U Si , pero
i=1
3
no es cierto que P (S) = porque los sucesos Si no son equiprobables pues-
4
to que S0 = {XXX}, S1 = {CXX,XCX,XXC}, S2 = {CCX,CXC,XCC}, S3 = {CCC}
La probabilidad de que se verifique S1 es mayor que la de que se verifique S3.
Sin embargo, considerando el espacio muestral:

E = {CCC,CCX,CXC,XCC,CXX,XCX,XXC,XXX}
sus sucesos elementales sí son equiprobables, y aplicando aquí la Regla de

Laplace:

3 3 3 1 7
P (S) = P U Si = + + = .
i=1 8 8 8 8
2° ¿Cuál es la probabilidad de que al lanzar un dado dos veces la suma de las

puntuaciones obtenidas sea cinco?
04 tema 2 14/3/03 08:25 Página 40
El espacio muestral E es el conjunto de las variaciones con repetición de orden

2 formadas con los elementos de C = {1,2,3,4,5,6}
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
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
3° De un club cultural formado por 50 matrimonios se eligen dos representan-

tes para un jurado. Calcular la probabilidad de que los elegidos sean:
a) Dos hombres
b) Un hombre y una mujer.
c) Un matrimonio.
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
2.3.5. La probabilidad condicionada. Sucesos dependientes e independientes.
Recordando la fórmula de la frecuencia relativa de la intersección de dos suce-

sos compatibles:
fr (A B) = fr (A) · fr (B/A) y fr (A B) = fr (B) · fr (A/B)
04 tema 2 14/3/03 08:25 Página 41
se obtienen las fórmulas de las frecuencias relativas de los sucesos A condicionado

a B y de B condicionado a A:
fr (A B) fr (A B)
fr (B/A) = y fr (A/B) =
fr (A) fr (B)
Estas fórmulas sugieren la siguiente definición:
• Probabilidad del suceso B condicionado a A.

Si A y B pertenecen a la σ-álgebra de sucesos de un experimento aleato-
rio y además P (A) > 0 se define la probabilidad de B condicionado a A así:
P (A B)
P (B/A) = .
P (A)
La probabilidad condicionada al suceso A es una aplicación del álgebra de
sucesos en el conjunto que a cada suceso S le hace corresponder
P (A S)
P (S/A) = .
P (A)
y se comprueba con facilidad que esta aplicación verifica los tres axiomas de
toda probabilidad.
• Análogamente, si B es un suceso con probabilidad P (B) > 0, se define la pro-

babilidad de A condicionado a B:
P (A B)
P (A/B) = .
P (B)
• Sucesos estocásticamente dependientes e independientes.

P (A B)
• Si P (A/B) = ≠ P (A), entonces P (A B) ≠ P (A).P (B), y en
P (B)
P (A B)
consecuencia, P (B/A) = ≠ P (B). En este caso se dice que los
P (A)
sucesos A y B son dependientes.
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.
• Se puede decir que dos sucesos A y B son independientes si

P (A B) = P (A).P (B)
• Tres sucesos S1, S2 y S3 son independientes si se verifican las cuatro igualda-

des siguientes:
P (S1 S2) = P (S1).P (S2), P (S1 S3) = P (S1).P (S3)
P (S2 S3) = P (S2).P (S3) y también
P (S1 S2 S3) = P (S1).P (S2).P (S3)
Por tanto, si S1, S2 y S3 son independientes se verifica:
P (S1 S2 S3) = P (S1).P (S2) .P (S3)
pero el recíproco no es cierto.
Ejemplo: En el experimento de lanzar un dado y observar el número que apare-

ce en la cara superior al reposar sobre la mesa ¿son independientes los sucesos:
S1 = «obtener cifra menor que 5»,
S2 = «obtener cifra menor que 4» y
S3 = «obtener cifra mayor que 2 y menor que 6»?
Se verifica que P (S1 S2 S3) = P (S1).P (S2).P (S3) porque

1 2 1
P (S1 S2 S3) = P ({3}) = y P (S1) = , P (S2) = P (S3) = .
6 3 2
1
Pero P (S1 S2) = P ({1,2,3}) = ≠ P (S1).P (S2) y, en consecuencia, no son
2
independientes.
• En general, una colección finita de sucesos S1, S2,…,Sn son independientes si

se verifica:

P Sk1 … Skj = P Sk1 . … . P Skj
para 2 ≤ j ≤ n y 1 ≤ k1 < … < kj ≤ n. En total hay que verificar que son cier-

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
• Probabilidad de la intersección de dos o más sucesos.

P (A B) = P (A) · P (B/A)
P (A B C) = P (A).P (B/A).P (C / A B)
En general:
P (S1 S2 … Sn) = P (S1).P (S2/S1).P (S3/S1 S2). … .P (Sn/S1 S2 … Sn–1)
Ejemplo: Se extraen tres cartas sucesivamente y sin reemplazamiento de una

baraja española (40 cartas) ¿cuál es la probabilidad de que sean tres oros?
10 9 8 3
P (O1 O2 O3) = P (O1).P (O2/O1).P (O3/O1 O2) = · · = .
40 39 38 247
2.3.6. El teorema de la probabilidad total.
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
2.3.7. El teorema de Bayes.

En general P (A/B) ≠ P (B/A) ya que se refieren a sucesos diferentes. Por ejem-
plo, si B es algún tipo de efecto y A es una causa, a veces se tiene información sobre
P (B/A) cuando lo que se desea saber es P (A/B), en concreto en un diagnóstico
médico. Este problema es el que resuelve el teorema de Bayes, que permitirá hacer
una primera y elemental inferencia estadística. Este teorema posibilita el cálculo de
las probabilidades P (Bi/S), probabilidades a posteriori (probabilidad de la hipóte-
sis Bi sabiendo que ha sucedido S), conociendo las P (Bi), probabilidades a priori y
las P (S/Bi), probabilidades de las causas (probabilidad de que ocurra S en cada una
de las hipótesis Bi).
Teorema de Bayes:
Se considera una colección de sucesos B1, B2,…, Bn que forman una partición
n
del 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 y se conocen P (Bi) y P (S/Bi), entonces
P (Bi).P(S/Bi)
P (Bi/S) =
n
P (Bi).P (S/Bi)
i=1
Este teorema es una consecuencia inmediata de la definición de probabilidad

condicionada y del teorema de la probabilidad total.
Ejemplo: Una prueba detecta la presencia de cierta clase de bacterias en una
torre de aire acondicionado en el 95% de los casos, y si no las hay da negativo en el
90% de los casos. Si la probabilidad de que una torre de este tipo contenga esa clase
de bacterias es 0.15, calcular la probabilidad de que:
a) Haya esa clase de bacterias si la prueba ha resultado positiva.
b) Haya esa clase de bacterias cuando la prueba ha dado negativa.
Solución: Si designamos por B el suceso «la torre contiene este tipo de bacte-
rias» y por N el suceso «la prueba da resultado negativo», tenemos
/B) = 0.95, P (N/B
P (B) = 0.15, P (N ) = 0.90
a) La probabilidad de que haya esas bacterias sabiendo que la prueba ha sido

positiva es:
/B)
P (B).P(N
) = =
P (B/N
/B) + P (B
P (B).P (N ).P (N
/B
)
(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
b) La probabilidad de que la prueba no haya detectado las bacterias en caso de

haberlas es:
P (B).P(N/B)
P (B/N) = =
).P (N/B
P (B).P (N/B) + P (B )
(0.15)(1 – 0.95)
= = 0.0097.
(0.15)(1 – 0.95) + (1 – 0.15)(0.90)
Ejemplos de probabilidades en espacios infinito-numerables.
1° Se considera el experimento que consiste en lanzar un dado y anotar el

número de veces que hay que lanzarlo hasta conseguir el primer 5.
a) Dar el espacio muestral y las probabilidades de los sucesos elementales.

b) Calcular la probabilidad de obtener el primer 5 antes del undécimo lan-
zamiento.
c) Calcular P (A), P (B) y P (A B), siendo
A = {1,4,7,…,3k + 1,…}, k {0} y B = {2,4,6,…,2k,…}, k
Solución:
a) E = {1,2,3,4,…,n,…} es infinito-numerable.
Para calcular las probabilidades de los sucesos elementales se observa

que si se designa por Si al suceso «obtener un cinco en el i-ésimo lanza-
miento del dado»
1
P ({1}) = P (S1) =
6
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
P (A B) = P ({4,10,16,22,…,6k + 4,…} siendo k {0}) =
53 59 515 56k+3
= + + + … + +…=
64 610 616 66k+4
53

64 4500
= 6 = = 0.1450

5 31031
1 –
6
2° Tres personas A, B y C lanzan, por este orden, alternativamente un dado y

gana el juego la persona que obtiene el primer 5. Calcular la probabilidad de
ganar para cada uno de ellos.
04 tema 2 14/3/03 08:25 Página 47
Solución:
P (A) = P ({n / n = 3k + 1}, k {0}) =
1 53 56 53k 36
=+ 4
+ 7
+ … + 3k+1
+…=
6 6 6 6 91
P (B) = P ({n / n = 3k + 2}, k {0}) =
54 54 53k+1 30
= 2
+ 5
+ … + 3k+2
+…=
6 6 6 91
P (C) = P ({n / n = 3k}, k ) =
52 55 53k–1 25
= 3
+ 6
+…+ 3k
+…=
6 6 6 91
Como es natural, la suma de las tres probabilidades es 1, probabilidad del

suceso seguro. El jugador que tira el dado en primer lugar es el que tiene
mayor probabilidad de ganar.
2.4. DERIVE y las fórmulas de combinatoria.

En el programa DERIVE2 sólo se pueden encontrar las fórmulas para calcular el
número de combinaciones ordinarias, el de variaciones ordinarias y, como caso par-
ticular de este, el número de permutaciones ordinarias. Es fácil, sin embargo, defi-
nir las expresiones que permiten calcular también con el programa DERIVE el
número de variaciones con repetición, el de combinaciones con repetición y el de
permutaciones con repetición, como se puede ver en la pantalla que aparece en la
figura siguiente:
y que se explica a continuación:
2
DERIVE © es una marca registrada por Soft Warehouse, Inc.
04 tema 2 14/3/03 08:25 Página 48
El número Vn,k de variaciones ordinarias de n elementos de orden k es:

V (n,k): = PERM (n, k)
El número Cn,k de combinaciones ordinarias de n elementos de orden k es:

COMB (n, k)
El número de permutaciones de n elementos es:

PERM (n, n)
El número VRn,k de variaciones con repetición de n elementos de orden k es:

VR (n, k): = nk
El número CRn,k de combinaciones con repetición de n elementos de orden k es:

CR (n, k): = COMB (n + k – 1, k)
Para hallar el número PRNh ,h ,…,h de permutaciones con repetición de n elemen-

1 2 n
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
FACTORIAL (v, i): = ELEMENT (v, i)!

DIMENSION (v)
PRODUCTO (v): = ∏ FACTORIAL (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
1. Un examen tipo test consiste en quince preguntas verdadero-falso, ¿de cuántas

maneras distintas puede contestar al test un estudiante si lo hace al azar?
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?
3. a) ¿Cuántas secuencias nucleótidas distintas de 20 bases se pueden formar con

las bases constituyentes del ácido nucleico ADN: adenina (A), guanina (G), cito-
sina (C) y timina (T)? b) ¿Cuántas secuencias distintas tienen cinco veces cada
una de las bases? c) ¿Cuántas se podrían formar sólo con adenina y guanina?
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?
5. Una empresa fabricante de cerraduras de combinación produce cerraduras con

clave formada por tres números enteros del 0 al 99. Si no quiere repetir nunca un
número en una cerradura, ¿cuántas cerraduras distintas puede construir?
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?
8. a) ¿Cuántos códigos distintos de cuatro cifras se pueden asignar si sólo se pue-

den utilizar las cifras impares? b) ¿Y cuántos con sólo las cifras pares si todos
han de tener cuatro cifras significativas?
9. De cuántas formas se puede elegir una comisión de cinco alumnos de un grupo

de cuarenta y cinco en cada uno de los siguientes casos: a) Si no puede figurar
el delegado en la comité. b) Si no pueden estar ni el delegado ni el subdelegado.
c) Si el delegado ha de formar parte de la junta.
04 tema 2 14/3/03 08:25 Página 50
10. ¿De cuántas formas se pueden distribuir 12 amigos en tres habitaciones, si la

primera es de dos camas, la segunda de seis y la tercera de cuatro?
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?
14. Con las cifras 1, 2, 3, 4, 5, 6, 7, 8 se escriben todos los números posibles de

cinco cifras de modo que todos los lugares impares estén ocupados por cifras
pares, ¿cuántos números se podrán formar?
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?
22. Un determinado injerto en un frutal tiene éxito con probabilidad 0.7 a) Si se

injertan nueve árboles, determinar la probabilidad de que todos agarren. b) De
que sólo agarren dos.
04 tema 2 14/3/03 08:25 Página 51
23. Cinco personas A, B, C, D y E se sientan al azar en cinco sillas alineadas.

Calcular la probabilidad de que A y B se sienten juntas.
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.
26. a) Se cruzan dos individuos heterozigóticos Aa y se obtiene una descendencia

de seis individuos. Calcular la probabilidad de que sean cuatro raza pura rece-
siva y el resto híbridos. b) Si se cruza un individuo heterozigótico, Aa, con uno
dominante, AA, y un individuo resultante de este cruce se aparea con un indi-
viduo recesivo, aa, ¿cuál es la probabilidad de que entre los siete descendien-
tes de estos sólo haya cuatro recesivos?
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?
28. En un tren se han instalado dos dispositivos de emergencia independientes,

uno luminoso y otro acústico. Las probabilidades de que entren en funcio-
namiento en caso de emergencia son 0.90 y 0.98, respectivamente. Calcular
la probabilidad de que en un caso de emergencia funcionen: a) sólo el dis-
positivo acústico, b) ambos dispositivos, c) sólo el dispositivo luminoso.
d) Funcione al menos uno de los dos. e) No funcione ninguno de los dispo-
sitivos.
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?
32. Para investigar la eficacia de tres tipos de drogas A, B, C, idénticas en aparien-

cia, se inyectan a conejillos de indias y se observan que las probabilidades de
que se desarrollen antitoxinas son: 1/4 para la droga A, 1/8 para la B y 1/3 para
la C. Dos frascos del laboratorio contienen la droga A, tres la droga B y uno la
C. Se elige un frasco al azar y se inyecta un conejillo con la droga que contie-
ne, si se observa que no se forma antitoxina, ¿qué probabilidad hay de que fuera
la droga B?
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?
34. Se ha comprobado que la probabilidad de que nazca un descendiente albino de

dos monos es 0.2. Si en cada parto nacen seis crías, determinar la probabilidad:
a) de que no nazca ningún albino; b) de que solamente uno sea albino; c) si han
tenido diez descendientes, determinar la probabilidad de que haya más de dos
crías albinas.
35. Respecto de un cierto carácter con dominancia completa un individuo puede

presentar los genotipos AA, Aa o aa. a) Se cruzan dos híbridos, Aa, y se obtie-
ne un descendiente que no es recesivo, ¿cuál es la probabilidad de que sea
híbrido? b) El resultado del primer cruce se aparea a su vez con uno recesivo y
se obtiene otro no recesivo, ¿cuál es la probabilidad de que aquél fuera híbrido?
c) Si del cruce anterior se obtienen dos no recesivos, ¿cuál es la probabilidad de
que fuera híbrido el descendiente del primer cruce? d) ¿Cuál es la probabilidad
de que fuera híbrido el descendiente del primer cruce, si se obtuvieron tres des-
cendientes en el segundo cruce y ninguno fue recesivo?
05 tema 3 14/3/03 08:33 Página 53
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.
El problema que recuerda al de los puentes de Königsberg fue resuelto por

Hamilton en 1856.
En su honor se llaman grafos hamiltonianos a los que verifican la propiedad de
que se puede encontrar en él un camino que parte de un vértice, los recorre todos,
pasa sólo una vez por cada una de ellos y vuelve al punto de partida. La caracteri-
zación de los grafos hamiltonianos es todavía un problema abierto en la investiga-
ción matemática.
En 1857 Arthur Cayley (1821-1895) usa los árboles para contar los distintos isó-
meros de hidrocarburos saturados Cn H2n+2, n +.
Y ya en el siglo XX: Kasimir Kuratowski (1896-1980) caracteriza los grafos pla-
nos en 1930, Dénes König (1884-1944) escribe el primer libro sobre teoría de gra-
fos en 1936. Kenneth Appel y Wolfgang Haken y J. Kock, en 1976, crearon un algo-
ritmo para estudiar la conjetura de los cuatro colores (todo mapa conexo (plano,
simple y sin bucles) se puede colorear con, a lo sumo, cuatro colores). Mediante un
complejo análisis computacional redujeron el número de colores utilizados a cuatro
comprobando 1936 configuraciones distintas; el ordenador tardó más de 1200 horas
en hacerlo. Aunque se ha dado crédito a estos autores aún se espera encontrar una
prueba más directa de este teorema.
Otros matemáticos que han destacado por su contribución al desarrollo de la teo-
ría de grafos en el siglo XX son: Claude Berge (3), G. Berman, B.Bollobás, Paul
Erdös, N. Biggs (5), N. Christofides, Karl Weber, R. J. Wilson (54) y L.R. Foulds (18)
entre otros.
El objetivo de este capítulo es dar una pequeña introducción a la teoría de gra-

fos, algunos conceptos necesarios para la clasificación de los estados de una cade-
na de Markov, y a la vez presentar esta rama de las matemáticas que tiene utilidad
para resolver problemas prácticos en una gran variedad de campos. Por ejemplo:
circuitos y redes eléctricas (saber si un circuito se puede construir sobre un plano),
teoría algebraica de la codificación, investigación operativa (asignación, localiza-
ción de centros, encontrar el camino más corto), programación de ordenadores, pla-
nificación y control, asignación de recursos, árboles de decisión, informática (repre-
sentación de datos, diseño de redes), biología (genética, evolución, filogenias,
05 tema 3 14/3/03 08:33 Página 56
epidemiología), química (representación de moléculas, enumeración de isómeros),

física (estudio de propiedades de la superficie de un cristal dado, por ejemplo:
absorción de moléculas diatómicas), ciencias sociales, psicosociología (relaciones
entre varios pares de individuos), economía (optimización de recursos, relación
entre potencia consumida y potencia generada), geografía (redes de comunicación
y de transporte), arquitectura, ingeniería civil (diseños de redes de comunicación),
instalación de servicios públicos facilities: comisarías de policía, aeropuertos, hos-
pitales, supermercados, ambulatorios, etc. Así como en puzzles y juegos.
En la actualidad sigue siendo una rama de investigación muy activa.
3.2. Definiciones y nomenclatura.

Un grafo simple G = (V, A) es un par ordenado (V, A) en el que V es un conjun-
to no vacío y finito, V = {v1,v2,…,vn}, y A es un conjunto formado por subconjuntos
de dos elementos del conjunto V. Los elementos de V se llaman vértices del grafo
(también nodos o puntos del grafo). Cada elemento {vi,vj} A se llama una arista
del grafo (también línea o enlace) y une dos vértices distintos de V. Si {vi,vj} A
se dice que vi y vj son adyacentes, que vi y vj son incidentes con la arista {vi,vj}, o
que vi y vj son los extremos de la arista {vi,vj}. Dos aristas son adyacentes si tienen
al menos un vértice en común.
El número de vértices del grafo, V= n, se llama orden del grafo.

Se puede representar el grafo G = (V, A) por un dibujo en el plano por ser tanto
V como A conjuntos finitos, del siguiente modo: Se colocan tantos puntos como vér-
tices tiene V y se trazan las aristas correspondientes al conjunto A, es decir, se une
cada vértice con aquellos a los que es adyacente.
Ejemplo: G = (V, A), siendo

V = {1,2,3,4,5} y A = {{1,2},{2,3},{2,5},{3,4},{4,5}} es un grafo simple
5 2
4 3
Un grafo G = (V, A) en el que en A existen al menos dos aristas que unen el

mismo par de vértices se dice que es un multigrafo. A ya no es un conjunto sino una
familia de aristas.
05 tema 3 14/3/03 08:33 Página 57
La siguiente figura representa un multigrafo:
5 2
4 3
Un pseudografo es un grafo G = (V, A) en el que en su conjunto de aristas hay

bucles o lazos, es decir, aristas {vi,vj} cuyos extremos coinciden, vj = vi.
Un ejemplo de pseudografo es:
5 2
4 3
Un grafo dirigido o digrafo es un grafo G = (V, A) en el que V es un conjunto no

vacío y finito y A es un conjunto de pares ordenados (vi,vj) de elementos distintos de
V. En este caso los elementos de A se llaman arcos. Si (vi,vj) es un arco del digrafo
se dice que vi es el origen del arco o el predecesor de vj o bien que vj es el extremo
del arco o el sucesor de vi.
El siguiente grafo:
1
5 2
4 3
es un grafo dirigido.
05 tema 3 14/3/03 08:33 Página 58
Si no se exige la restricción en un digrafo G = (V, A), que no haya más de un arco

que conecte un par de vértices, se obtiene un multidigrafo. En este caso, A es una
familia de pares ordenados de elementos de V.
Por ejemplo:
1
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
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
Aunque en el lenguaje coloquial se hable de la red del Metro de Madrid, como

se observa en el plano, no es una red en el sentido matemático sino que es un grafo
simple.
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
En un grafo dirigido, o digrafo, se pueden distinguir los grados de entrada y de

salida de un vértice:
El grado de entrada del vértice vi, ge (vi), es el número de aristas incidentes
hacia vi.
El grado de salida del vértice vi, gs (vi), es el número de aristas incidentes
desde vi.
En todo grafo dirigido de orden n

n n
ge (Vi) = gs (Vi) =A.
i=1 i=1
Un grafo G = (V, A) no dirigido es k-regular si son de grado k todos sus vértices.

El grafo de la siguiente figura es de orden 8 y 3-regular.
Se llama grado mínimo del grafo G = (V, A) a

gm = mín {gr (vi), vi V}
y grado máximo de G = (V, A) a
gM = máx {gr (vi), vi V}
y se verifica que:
gm ≤ gr (vi) ≤ gM, ∀vi V
Si G = (V, A) es un grafo k-regular se verifica que:
g m = gM = k
Se puede considerar que todo grafo es orientado si suponemos que cada arista
{vi,vj} es un arco orientado en los dos sentidos, es decir, es equivalente a la unión
de los arcos (vi,vj) y (vj,vi). Cuando se aplica un concepto orientado a un grafo sim-
ple se entenderá que se refiere al grafo orientado que se obtiene sustituyendo cada
arista por los dos arcos correspondientes. Análogamente, si se aplica un concepto
no orientado a un digrafo, o grafo dirigido, se entiende que se aplica al grafo no diri-
gido resultante de sustituir los arcos por aristas, que se denomina su grafo subya-
cente.
05 tema 3 14/3/03 08:33 Página 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.
Ejemplo: los grafos siguientes,
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.
Por ejemplo, el grafo completo K5 es:
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.
3.4. Operaciones con grafos.

Si G1 = (V1, A1) y G2 = (V2, A2) se define la unión de G1 y G2, y se escribe
G1 G2, al grafo G = (V, A), siendo V = V1 V2 y A = A1 A2.
La suma de G1 y G2, que se escribe G1 + G2, es el grafo que tiene por vértices los
de G1 G2 y por aristas las de G1 G2 y todas las aristas que unen los vértices de
V1 con los de V2 .
Si G1 + G2 = (V, A) el número de sus vértices es V=V1+V2 y su número
de aristas esA=A1+A2+V1·V2.
Ejemplo:
Si G1 es y G2 es el grafo G1 G2 es:
05 tema 3 14/3/03 08:33 Página 63
y el grafo G1 + G2 es:
El producto cartesiano de G1 y G2, que se escribe G1 G2, si los vértices de G1

son u1 y u2 y los de G2 son w1, w2, w3, w4 , es el grafo:
(u1, w1) (u1, w2) (u1, w3) (u1, w4)
(u2, w1) (u2, w2) (u2, w3) (u2, w4)
El número de vértices de G1 G2 es V=V1·V2 y el número de aristas de

G1 G2 esA=V1·A2+V2·A1.
Caso particular: Si G = (V, A), el grafo G2 tieneV2 vértices y 2V·Aaris-

tas.
Un grafo G = (V, A) se dice que es bipartido (o bicromático) si su conjunto de

vértices se puede dividir en dos conjuntos disjuntos V1 y V2 y dos vértices de Vi no
son nunca adyacentes para i =1, 2. Por tanto, las aristas de G unen vértices de V1 con
vértices de V2.
Por ejemplo: Si V = {Zeus, Atenea, Artemisa, Ares, Crono, Poseidón, Afrodita,

Diana, Minerva, Marte, Venus, Júpiter, Saturno, Neptuno} es un conjunto de nom-
bres de dioses de las mitologías griega y romana, V = V1 V2, siendo
V1 = {Zeus, Atenea, Artemisa, Ares, Crono, Poseidón, Afrodita}
y V2 = {Diana, Minerva, Marte, Venus, Júpiter, Saturno, Neptuno}
y dos vértices son adyacentes si son nombres del mismo dios.
05 tema 3 14/3/03 08:33 Página 64
La figura siguiente representa ese grafo bipartido:
Zeus
Afrodita Ares
Júpiter
Venus Marte
Neptuno Diana
Poseidón Artemisa
Saturno Minerva
Crono Atenea
Un grafo G = (V, A) se dice que es bipartido completo si V = V1 V2, V1 V2 =

y todo vértice de V1 es adyacente a todos y cada uno de los vértices de V2, es decir,
dos vértices de G son adyacentes si y sólo si no pertenecen al mismo Vi. En este
caso, si V1= n1 yV2= n2, se escribe G = Kn1,n2.
Por ejemplo, K2,4 es:
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
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 camino en el grafo G = (V, A) no dirigido es una sucesión de aristas:

(a1 = {v0,v1}, a2 = {v1, v2}, a3 = {v2, v3}, …, ar = {vr–1, vr})
en la que cada arista tiene un extremo en común con la anterior y el otro con la
siguiente. El camino comienza en el vértice v0 de la primera arista y termina en el
vértice vr de la última.
Un camino en el grafo G = (V, A) dirigido, o digrafo, es una sucesión de arcos:

(a1 = (v0,v1), a2 = (v1, v2), a3 = (v2, v3), …, ar = (vr–1, vr))
en la que el extremo de cada arco coincide con el origen del siguiente. El camino
comienza en el vértice v0, el origen de la primera arista, y termina en el vértice vr ,
extremo de la última.
Si no hay posibilidad de confusión, o ambigüedad, también se puede indicar el
camino por una sucesión de vértices:
(v0 , v1, v2, v3, …, vr–1, vr)
tal que vi y vi +1 son adyacentes ∀i / 0 ≤ i ≤ r – 1.
El número r de aristas del camino se llama longitud del camino. La sucesión (vi)
se dice que es un camino de longitud cero.
El camino es cerrado si los vértices v0 y vr coinciden. En caso contrario se dice
que es abierto. Un camino cerrado es un circuito.
Un camino es elemental si no pasa dos veces por el mismo vértice.
Un camino que no contiene dos veces la misma arista se llama camino simple.
Todo camino elemental es simple, pero el recíproco no es cierto.
Los caminos que no son simples se denominan compuestos.
Se llama ciclo a todo camino cerrado y elemental.
Este concepto sirve para caracterizar los grafos bipartidos: Un grafo es biparti-
do si y sólo si todos sus ciclos son de orden par.
Al grafo que es un ciclo de orden n se le designa por Cn. Un triángulo es un ciclo
de orden 3 y un polígono de n lados es un ciclo de orden n.
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
Componentes conexas de un grafo.

En el conjunto de los vértices de un grafo G =(V, A) se define la siguiente rela-
ción: vi R vj si vi = vj, o si vi ≠ vj y existe un camino en G que une vi con vj.
Es fácil comprobar que esta relación verifica las propiedades reflexiva, simétri-
ca y transitiva y, por tanto, es una relación de equivalencia que produce una parti-
ción de los vértices del grafo G =(V, A) en clases de equivalencia. Cada clase de
equivalencia se llama una componente conexa de G.
Un grafo es conexo si sólo tiene una componente conexa.
La descomposición de un grafo en sus componentes conexas facilita su estudio,
pues algunas propiedades de los grafos se pueden demostrar considerando cada
componente por separado. Por ello, los teoremas sobre grafos se suelen demostrar
solamente para grafos conexos.
Un grafo de orden n y su complementario no pueden ser ambos no conexos.
Un grafo dirigido se dice que es conexo si es conexo su grafo subyacente, es
decir, el grafo no dirigido asociado que se obtiene al sustituir los arcos por aristas.
Se dice que un grafo dirigido es fuertemente conexo si para todo par de vértices
vi ≠ vj existe en el grafo un camino de vi a vj y un camino de vj a vi.
Por tanto, en un grafo dirigido fuertemente conexo desde cualquier vértice se
puede alcanzar cualquier otro vértice siguiendo un camino del grafo.
Se llama punto de corte de un grafo conexo G =(V, A) al vértice v de G, tal que
no es conexo el subgrafo de G cuyo conjunto de vértices es V – {v} y cuyas aristas
son las de G, salvo las que tienen a v como extremo.
4
1 2 3
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
3.6. Árboles. Propiedades.

Un árbol es un grafo G =(V, A) de orden n ≥ 2 conexo y sin ciclos.
En todo árbol hay al menos dos vértices que tienen grado uno.
A partir de un árbol genealógico como el siguiente, correspondiente a la mito-

logía griega,
Zeus Europa
Paria Minos Sarpedón Radamantis
Eurimedonte Nefalión Crises Filolao

se puede obtener un grafo que es un árbol, como el que se representa a continua-
ción, que corresponde a la relación:
A < B ⇔ «A es el padre de B»
Zeus
Minos Sarpedón Radamantis
Eurimedonte Nefalión Crises Filolao
Algunos árboles de n vértices:

Para n = 2 sólo hay un árbol que tiene una arista.
Para n = 3 sólo hay un árbol que tiene dos aristas:
Si n = 5 hay tres disposiciones diferentes, todas con cuatro aristas.
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
Propiedades de los árboles:
1. Todo árbol de orden n es un grafo conexo que tiene n-1 aristas.

2. Al eliminar una arista de un árbol se obtiene un grafo que no es conexo y
tiene dos componentes conexas que son árboles.
3. Hay un solo camino entre dos vértices cualesquiera en un grafo si y sólo si
el grafo es un árbol.
4. Si se añade una arista a un árbol, se forma un ciclo y sólo uno.
5. Todo grafo conexo admite un subgrafo que es un árbol.
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
No son isomorfos, el segundo árbol tiene un carbono central que es adyacente a

cuatro vértices, uno de grado uno, el hidrógeno, y tres carbonos de grado cuatro, tres
radicales CH3, mientras que en el primero todos los carbonos centrales son adya-
centes a dos carbonos de grado cuatro y a dos hidrógenos de grado uno.
La primera molécula tiene dos radicales CH3, y la segunda tiene tres de estos
radicales. Son dos moléculas con la misma fórmula molecular C4H10, pero dos
moléculas diferentes, representan dos isómeros.
05 tema 3 14/3/03 08:33 Página 69
3.7. Grafos eulerianos.

En la introducción de este capítulo se dijo que Euler a la vez que daba respues-
ta a la pregunta del recorrido sobre los puentes de Königsberg, e introducía las
bases de la teoría de grafos, caracterizaba los grafos en los que es posible encontrar
un camino cerrado que recorra todas las aristas del grafo pasando una sola vez por
cada una de ellas.
Euler comenzó por hacer un esquema del plano en el que cada zona de tierra la
representó por un vértice del grafo y los puentes por las aristas que conectan esos
puntos.
A
1
2 3
B 4 D
5 6
7
C
Este grafo es un multigrafo.

Un multigrafo se dice que es un s-grafo si hay al menos dos de sus vértices uni-
dos por s aristas y el número de aristas que unen dos de sus vértices cualesquiera no
es mayor que s.
El grafo anterior es, por tanto, un 2-grafo.
Dado un grafo G = (V, A) no dirigido, un camino euleriano en G es un camino
que contiene todas las aristas de G y que atraviesa cada una de ellas una y sólo una
vez.
Un circuito euleriano es un camino euleriano cuyos extremos coinciden.
Ejemplo: Dibujar un circuito euleriano en el siguiente grafo:
Partiendo de un vértice, por ejemplo, el situado más a la izquierda de la figura y

siguiendo las aristas dibujadas en el orden alfabético podemos pasar por todas una
sola vez y regresar al vértice de partida.
05 tema 3 14/3/03 08:33 Página 70
El camino dibujado a continuación es un circuito euleriano.
l c g
j
b h
i
a d f
No todos los grafos tienen circuitos eulerianos, por ejemplo, en el siguiente

grafo no se puede dibujar uno de esos circuitos.
Si en un grafo existe un circuito euleriano el grafo se puede dibujar siguiendo el

circuito sin levantar el lápiz del papel.
Un s-grafo se dice que es euleriano si contiene un circuito euleriano.
Teorema de caracterización de los caminos eulerianos.

Un s-grafo G =(V, A) conexo no dirigido contiene un camino euleriano si y sólo
si el número de vértices de G que son de grado impar es 0 ó 2.
Si hay dos vértices de grado impar el camino tiene que comenzar en uno de ellos
y acabar en el otro.
Ejemplo: Para el grafo de la siguiente figura, dibujar, si es posible, un camino
euleriano y un circuito euleriano.
05 tema 3 14/3/03 08:33 Página 71
Comenzando en uno de los vértices de grado impar se puede dibujar un camino

euleriano como se observa en la siguiente figura, siguiendo el orden alfabético.
h
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.
3.8. Grafos hamiltonianos.

Al comenzar el capítulo se presentó el dodecaedro del viajero que Hamilton
diseñó para introducir la idea de ciclo hamiltoniano.
En los 20 vértices del sólido regular se representaban 20 ciudades del mundo

importantes en aquella época como: Bruselas, Cantón, Londres, París, Roma,
Atenas, Moscú, Pekín, Zanzíbar, etc. El juego consistía en encontrar un recorrido a
través de las aristas del dodecaedro, que conecta esas ciudades, pasando sólo una
vez por cada ciudad.
Dado un grafo G = (V, A) no dirigido, de orden n > 2, un camino hamiltoniano
en G es un camino elemental que contiene todos los vértices de G, es decir, un cami-
no que pasa una y sólo una vez por todos los vértices.
05 tema 3 14/3/03 08:33 Página 72
Un camino hamiltoniano es un camino elemental cuyo número de arcos es igual

al número de vértices del grafo menos uno. También es una permutación de vérti-
ces que es un camino.
Ejemplo: Un camino hamiltoniano en el grafo plano que simboliza el dodecae-
dro diseñado por Hamilton se representa en la siguiente figura:
17
18
1 3 19
2 20 15 16
4 13
6
5 12 14
7 11 10
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
Un grafo hamiltoniano es un grafo que contiene un circuito hamiltoniano.
Si en un grafo existe un circuito hamiltoniano, eliminando una de sus aris-

tas se obtiene un camino hamiltoniano. Pero no todo grafo en el que exista un cami-
no hamiltoniano es un grafo hamiltoniano, porque puede ser imposible encontrar un
circuito hamiltoniano en él.
Ejemplo: en el grafo siguiente existe un camino hamiltoniano pero no un cir-
cuito hamiltoniano.
05 tema 3 14/3/03 08:33 Página 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 sumoV1componentes conexas.
Ejemplo: ¿Es hamiltoniano el grafo de la figura siguiente?
No es hamiltoniano, porque es posible suprimir dos vértices y que queden más

de dos componentes conexas, como se observa en la siguiente figura:
05 tema 3 14/3/03 08:33 Página 74
6. Si G =(V, A) es un grafo no dirigido que es hamiltoniano, entonces no puede

tener un punto de corte o de articulación.
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
Otros resultados interesantes sobre grafos hamiltonianos son:
1. Dado un grafo G =(V, A) no dirigido, de orden n>2. Si v y w son dos vértices

no adyacentes en G tales que
gr (v) + gr (w) ≥ n
entonces el grafo G2 = G + G1, llamando G1 al grafo con conjunto de vérti-
ces V1 = {v, w} y de aristas A1 = {{v, w}}, es un grafo hamiltoniano si y sólo
si G = (V, A) es hamiltoniano.
Se llama cierre de un grafo G de orden n, y se indica por C(G), al grafo que se

obtiene a partir de G añadiendo aristas entre vértices no adyacentes cuya suma de
grados sea al menos n, hasta que no queden dos vértices cuya suma de grados sea
mayor o igual a n.
2. Un grafo es hamiltoniano si y sólo si su cierre es hamiltoniano.
3. Si G =(V, A) es un grafo no dirigido, de orden n > 2 y su cierre es un grafo

completo, entonces G es hamiltoniano.
05 tema 3 14/3/03 08:33 Página 75
¿Todo grafo euleriano es hamiltoniano? No, el grafo siguiente es euleriano, pues

contiene un circuito euleriano: por ejemplo, el dibujado a la derecha, pero no es
hamiltoniano.
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
En la siguiente figura está dibujado a la izquierda un circuito euleriano y a la

derecha un circuito hamiltoniano.
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
Un circuito hamiltoniano es (1,4,2,3,8,9,7,6,5,1).

A continuación está dibujado un camino euleriano, pero este grafo no es eule-
riano porque no todos los vértices son de grado par.
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
¿Existe algún grafo no euleriano ni hamiltoniano? Sí, por ejemplo:
No es hamiltoniano por tener vértices de grado menor que 2 y no es euleriano

por tener vértices de grado impar.
05 tema 3 14/3/03 08:33 Página 77
3.9. Grafos planos. Planaridad.

El conocer si un grafo admite una representación sobre un plano es interesante
en la práctica; por ejemplo, en el trazado de vías de comunicación o en la construc-
ción de una placa de un ordenador.
Se dice que un grafo se puede encajar en una superficie S si se puede dibujar
sobre ella de modo que sus vértices sean puntos distintos y que sus aristas (seg-
mentos o curvas simples) no tengan en común más puntos que los vértices de sus
extremos.
Se dice que un grafo es plano si está incrustado en un plano.
Se dice que un grafo G = (V, A) es topológicamente plano, que es planar, o que
tiene la condición de planaridad, si se puede encajar en un plano, es decir, si admi-
te una representación sobre un plano de forma que dos aristas no se corten salvo en
los vértices de sus extremos.
Ejemplo: El siguiente grafo, que se conoce como grafo de Petersen, no es pla-
nar:
Una representación plana de un grafo divide al plano en regiones. Una región es

una parte del plano limitada por aristas y tal que dos puntos de esta región se pue-
den unir siempre por una línea continua que no corte a las aristas ni pase por los vér-
tices. En toda representación plana de un grafo hay una y sólo una región de área
infinita, la exterior, las restantes son regiones interiores.
Por ejemplo, el siguiente grafo es una representación plana de un grafo planar,
el hexaedro o cubo, que divide al plano en seis regiones, cinco de ellas interiores.
4 1 2 6
Se llama frontera de una región al conjunto de las aristas que la limitan.

Dos regiones se dice que son adyacentes si sus fronteras tienen una arista en
común.
05 tema 3 14/3/03 08:33 Página 78
Teorema de Euler (1750): Si G = (V, A) es un grafo plano conexo o un grafo

conexo planar, en toda representación plana de G se verifica que:
V–A+R= 2
siendo R el conjunto de regiones de dicha representación plana.
Dicho de otra forma: el número de vértices más el número de regiones es igual
al número de aristas más dos.
La fórmula anterior recuerda la conocida fórmula que se refiere a los poliedros
convexos:
c+v=a+2
siendo c el número de caras del poliedro, v el número de vértices y a el número de
sus aristas.
Fórmula que incluso ha aparecido grabada en un sello de correos alemán junto
a un retrato de Euler, como se puede ver en la siguiente imagen que se encuentra en
la dirección de Internet: http://www-groups.dcs.st-andrews.ac.uk
Dado un poliedro convexo de v vértices, a aristas y c caras, se puede encajar en

una esfera, pues se pueden representar sus vértices por puntos sobre la superficie
esférica, y sus aristas por curvas sobre dicha superficie que no tienen en común más
puntos que los vértices de sus extremos. Un grafo que se pueda encajar en una esfe-
ra es planar, porque se puede proyectar sobre un plano desde el punto medio de una
de sus caras. Los poliedros convexos son planares y la fórmula para los poliedros es
otra interpretación del Teorema de Euler.
También se le ha dedicado a Hamilton un sello de correos en Irlanda en recono-

cimiento de sus méritos, que se encuentra en la dirección de Internet citada ante-
riormente, y se reproduce a continuación:
05 tema 3 14/3/03 08:33 Página 79
Algunos resultados interesantes de los grafos planos, o de las representaciones

planas de los grafos planares, son:
- Un grafo simple plano de v vértices, siendo v >2, tiene a lo sumo 3 v – 6 aristas.

- En un grafo simple plano existe un vértice de grado 5 como máximo.
Los resultados anteriores permiten comprobar que el grafo completo no planar

más pequeño es K5.
El grafo bipartido más pequeño no planar es K3,3.
Una subdivisión elemental de un grafo G = (V, A) es otro grafo

G1 = (V {u}, (A – {vi, vj}) {vi, u} {u,vj})
resultante de añadir un nuevo vértice al conjunto V y sustituir una arista por dos nue-
vas aristas que se obtienen uniendo los vértices de la arista suprimida con el nuevo
vértice.
Dos grafos se dice que son homeomorfos si uno se puede obtener a partir del
otro por subdivisiones elementales sucesivas.
Los dos grafos no planares K5 y K3,3 se llaman grafos de Kuratowski, pues fue
él quien los utilizó para la siguiente caracterización de grafos planares que enunció
en 1930:
Teorema de Kuratowski: un multigrafo es planar si y sólo si no contiene como

subgrafo ningún grafo homeomorfo a K5 ni a K3,3.
Una forma alternativa a la representación gráfica de un grafo es la representa-

ción matricial, como se explica a continuación.
3.10. Matriz de adyacencia de un grafo.

Dado un grafo G = (V, A) de orden n, y conjunto de vértices V = {v1, v2, …, vn},
se llama matriz de adyacencia de G a la matriz:
{
Mnxn = [mij] siendo mij = 1 si vi y vj son adyacentes en G
0 si vi y vj no son adyacentes en G
Ejemplo 3.10.1: si G es el siguiente grafo:

v1
v5 v2
v4 v3
05 tema 3 14/3/03 08:33 Página 80
su matriz de adyacencia es:

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:
Mnxn = [mij] siendo mij = {

1 si (vi , vj) A
0 si (vi , vj) A
Ejemplo 3.10.2: para el digrafo de la figura siguiente

v1
v5 v2
v4 v3
la matriz de adyacencia es:

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
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.
3.11. DERIVE™ 5 y grafos.

En la versión de DERIVE™ 53 se ha incluido por primera vez un archivo deno-
minado NGRAPHS.MTH que proporciona las instrucciones para dibujar grafos con
DERIVE en la ventana de dos dimensiones, que presentó su autor, Peter Schofield, en
la «Fourth International Derive TI-89/92 Conference» en Liverpool en julio de 2000.
Se pueden dibujar grafos a partir de sus vértices y sus aristas y también repre-
sentar grafos dirigidos y multigrafos utilizando las matrices de adyacencia.
Con las instrucciones de NGRAPHS.MTH en esta versión de DERIVE para
Windows, se han mejorado sensiblemente las posibilidades gráficas de este programa.
3
DERIVE™ 5 es una marca registrada de Texas Instruments, Inc.
05 tema 3 14/3/03 08:33 Página 82
1. Representar gráficamente el digrafo con conjunto de vértices {1,2,3,4,5,6} cuya

matriz de adyacencia es:

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
3. ¿Cuáles de los siguientes grafos son isomorfos?

a) b)
c) d) e)
4. Dibujar el grafo para cada una de las siguientes matrices de adyacencia:

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

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
10. ¿Cómo son las matrices de adyacencia de los grafos r-regulares?
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.
12. ¿Cuántas componentes conexas tiene el siguiente grafo?
a)
b) ¿Y el siguiente?
13. ¿Son hamiltonianos los siguientes grafos?
a) b)
05 tema 3 14/3/03 08:33 Página 85
14. Hallar los puntos de corte y los istmos del grafo siguiente:
15. Partiendo del vértice 2 y llegando al 6, ¿cuántos caminos de longitud dos se

pueden encontrar en el grafo de la figura siguiente? ¿Cuántos caminos de lon-
gitud dos se pueden trazar en ese grafo? ¿Y de longitud 3? ¿Y de longitud 5?
1
6
5
3
4
16. Razonar si el grafo de la siguiente figura es o no un árbol.
17. La matriz de adyacencia de un grafo G es:

0 1 1 0
1 0 1 1
1 1 0 0
0 1 0 0
Razonar si el grafo es conexo o no.

05 tema 3 14/3/03 08:33 Página 86
18. La siguiente matriz representa la matriz de adyacencia de un digrafo

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
y la del neopentano es:

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
4.2. Conceptos básicos.

Una cadena de Markov es un modelo matemático dinámico y estocástico, es
decir, que permite describir la evolución de un sistema a lo largo del tiempo utili-
zando la probabilidad.
06 tema 4 14/3/03 08:35 Página 88
En una cadena de Markov finita llamamos E al espacio o conjunto de estados en

los que puede estar el sistema S en cada instante.
E = {1,2,3,…,r}, siendo r ≥ 2
Para el espacio de estados E se considera una σ-álgebra de sucesos. En el caso
en que el conjunto E tiene un número finito de elementos, que es el que se va a es-
tudiar, la σ-álgebra, generada por los sucesos Ei = {i}, ∀i E, será el álgebra de
Boole de todos los subconjuntos o partes de E, que se designa con P (E).
Se define una probabilidad en P (E) asignando a cada suceso elemental Ei = {i}
el número p (Ei) = pi, 0 ≤ pi ≤ 1, ∀i = 1,2,…, r. Como los sucesos E1, E2, …, Ej, …, Er
r
forman una partición de E, se verifica que pi = 1.
i=1
Para comprender la evolución de una cadena se utilizarán matrices y vectores de
probabilidad porque facilitan su estudio.

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
CADENAS DE MARKOV FINITAS 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
Definición. Una cadena de Markov finita es una sucesión de variables aleatorias

discretas X0, X1, X2, …, Xn, …, todas con rango finito y conjunto de valores E, espa-
cio de estados del sistema, que verifican:
P (Xn + 1 = j / X0 = i0, X1 = i1, …, Xn = in) = P (Xn + 1 = j / Xn = in) = pin j ∀n ≥ 0
y ∀i0, i1, …, in E para los que P (X0 = i0, …, Xn = in) > 0.
El conjunto E es el conjunto de estados de la cadena y las probabilidades
pij = P (Xn + 1 = j / Xn = i)
que no dependen de n, se llaman probabilidades de transición o probabilidades de
transición en una etapa.
Es decir, una cadena de Markov es un proceso aleatorio homogéneo en el tiem-
po, porque las probabilidades de transición no dependen de la etapa n en la que se
encuentre el sistema, de parámetro discreto, porque la variable tiempo sólo puede
tomar una infinidad numerable de valores: 0, 1, 2, …, n, …, y es finito por ser el
conjunto de estados de la cadena E, un conjunto finito.
En una cadena de Markov la probabilidad de que el proceso esté en el instante
n + 1 en un estado determinado depende del estado en que se encuentre en el ins-
tante anterior y este último del anterior a él, y así sucesivamente. El estado en el que
se encuentra en el instante n resume para Xn + 1 todos los estados anteriores.
Se llama matriz de transición, o matriz de transición en una etapa, de una cade-
na de Markov con espacio de estados E = {1, 2, 3, …, r} siendo r ≥ 2 a la matriz M,
de orden r,
Estado en el instante n
E1 E2 … Ei … Er

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
cuyas columnas representan las probabilidades de transición del proceso de un esta-

do dado a cualquiera de los estados de la cadena en una etapa. Así, el elemento de
la columna i de la fila j representa la probabilidad de tránsito del estado i al estado
j en cualquier etapa:
pij = P (Xn + 1 = j / Xn = i) = P (X1 = j / X0 = i) ∀ n
Propiedades de la matriz de transición:
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.
De las dos propiedades anteriores se deduce la siguiente propiedad:
3. El producto de dos matrices estocásticas por columnas es otra matriz esto-

cástica por columnas.
Y como consecuencia de esta:
4. Las potencias de matrices estocásticas por columnas son también matrices

estocásticas por columnas.

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.
Definición: pij(n) = P (Xm + n = j / Xm = i), ∀m , es la función de probabilidad

en n etapas.
En particular: la función de probabilidad en una etapa se obtiene para n = 1,

pij(1) = pij.
06 tema 4 14/3/03 08:35 Página 91
Las ecuaciones siguientes relacionan las funciones de probabilidad en las dis-

tintas etapas:
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.
4.3. Evolución de una cadena de Markov.

Una cadena de Markov queda determinada si se conocen los siguientes datos:
1. Su espacio de estados, el conjunto finito E = {1, 2, …, r} (siendo r ≥ 2).

2. La matriz estocástica M = [pij]rxr, matriz de probabilidades 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
Que en forma matricial se resume en:

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)
Llamando P (n) al vector de probabilidad en la etapa n-ésima,

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
La ley de probabilidad en la etapa n-ésima es el producto de la potencia n-ésima

de M por la ley de probabilidad en el instante inicial.
Esto significa que conocida la ley de probabilidad inicial, P (0), la evolución de
la cadena sólo depende de la matriz de transición M.
Ejemplo: La siguiente figura representa un laberinto en el que se coloca un

ratón.
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
El espacio de estados correspondiente es E = {1,2,3,4,5,6,7,8}, y la matriz de

probabilidades de transición en una etapa es:

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
Estas probabilidades se pueden representar en el siguiente diagrama de transi-

ción de la cadena:
1/
2
2 5
1/
2
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
Si se coloca el ratón inicialmente en la celda 8, ¿cuál es la probabilidad de que

esté en la 3 después de cuatro desplazamientos?
Como se le coloca en la celda 8, el vector de probabilidad inicial es

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
Por tanto, la probabilidad de que haya llegado a la celda 3 es 1/6.

En el ejemplo se ha visto cómo se puede asociar fácilmente a la matriz de tran-
sición en una etapa de una cadena de Markov un grafo dirigido o digrafo, o un pseu-
dodigrafo, que recibe el nombre de diagrama de transición de la cadena.
En general, el diagrama de transición de la cadena de Markov con espacio de
estados E = {1, 2, …, r} es un digrafo que tiene por conjunto de vértices E y por
arcos (j,k) si la probabilidad de transición pjk del estado j al estado k es positiva, es
decir, si es posible pasar del estado j al k en una etapa. Si pjj ≠ 0 se dibuja en el vér-
tice j un bucle, obteniendo entonces un pseudodigrafo.
En el diagrama de transición de una cadena de Markov existe la arista (j, k) si la
probabilidad de transición del estado j al k es distinta de cero y esta probabilidad es
el peso asociado a dicha arista.
Ejemplo 4.3.1. Una aplicación a la genética.
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
Probabilidades que también se presentan en el diagrama de transición corres-

pondiente:
1/
2
AA 1/
4
1/
1/ 2
2
Aa
1/
2
1/
aa 4
1/
2
¿Cuál será la proporción de cada uno de esos genotipos en la quinta generación,

si se parte de la misma proporción de los tres genotipos?

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
¿Habría diferencia si en el instante inicial sólo hay individuos homocigóticos

dominantes que se cruzan al azar con individuos de esa población en las sucesivas
generaciones?

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
Sí varía la proporción de los tres genotipos si se parte sólo de individuos AA.

06 tema 4 14/3/03 08:35 Página 96
Ejemplo 4.3.2. El vigía de la Ciudadela de Jaca y el de la Torre del Homenaje

del castillo de Ciudad Rodrigo.
La Ciudadela de Jaca, que se terminó de construir a mediados del siglo XVII, es

una fortaleza que se conserva en perfecto estado y que ha sido declarada
Monumento Histórico Artístico el 28 de junio de 1951. Su forma es pentagonal de
260 m de lado.
Supongamos que un vigía que tiene que hacer la guardia en puestos situados en
cada una de las cinco esquinas de la Ciudadela de Jaca recibiera la siguiente orden:
Se le asignará uno de los puestos al azar y se trasladará cada cinco minutos a uno
de los dos puestos contiguos también de forma aleatoria del siguiente modo: En el
puesto hay un cajetín, que abrirá con su tarjeta magnética, y en él encontrará dos
sobres iguales y cerrados que contienen una tarjeta dentro, uno de ellos con un 1 y
el otro con un 2. Elige uno de los sobres al azar, si contiene un 1 se trasladará al
puesto más próximo situado a su derecha cuando está mirando hacia el exterior y si
es un 2 irá al más próximo a su izquierda. Allí montará la guardia otros cinco minu-
tos y transcurrido ese tiempo actuará del mismo modo, y así sucesivamente.
El estado de este sistema en la etapa n-ésima será el puesto en el que se encuen-
tre el vigía después de n cambios.
Si designamos los puestos de guardia como se indica en el siguiente dibujo:
1
2 3
4 5
El espacio de estados del sistema será:

E = {1,2,3,4,5}
Y la matriz de transición de la cadena de Markov así definida es:

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
Por tanto, 1/4 es la probabilidad de que esté en el puesto 4 al cabo de cuatro

cambios y, como la mayor de las probabilidades del vector P (4) es P (X4 = 1) = 3/8,
en el cuarto cambio el puesto más probable es el 1.
Para responder a la última pregunta se calcula:

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
De lo que se deduce que no es posible que esté en el puesto 4 al cabo de cuatro

cambios, también es imposible que esté en el 2 y en ese momento es tan probable
que esté en el puesto 1 como en el 3.

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
es imposible que llegue en el quinto cambio al puesto 1.
Ejemplo 4.3.3. El aprendizaje reforzado.
Para aprender determinada tarea se dispone de un método feedback según el cual

la probabilidad de realizar bien la tarea es 2/3, si se ha hecho bien la vez anterior, y
la probabilidad de hacerla mal es 1/4, si se ha realizado mal la vez anterior.
Los estados del sistema son B (bien hecha) o M (mal hecha). El espacio de esta-
dos del sistema es:
E = {B, M}
La matriz de transición de esta cadena es: M = 2/3

1/3
3/4
1/4
a) Si al principio hace bien la tarea, ¿cuál es la probabilidad de que la vuelva a
hacer bien a la siguiente?
P (1) = M · P (0) = 2/3

1/3
3/4
1/4
·
1
0
=
2/3
1/3
La P (X1 = B) = P (X1 = B / X0 = B) = 2/3, por ser P (X0 = B) = 1.
b) Si al principio falla, ¿cuál es la probabilidad de que acierte a la siguiente?
P (1) = M · P (0) = 2/3

1/3
3/4
1/4
·
0
1
=
3/4
1/4
La probabilidad de que acierte a la vez siguiente es 3/4.
06 tema 4 14/3/03 08:35 Página 99
c) ¿Cuál es la probabilidad de hacerla bien a la séptima si la hizo bien al prin-

cipio?
P (7) = M 7 · P (0) = M 7 ·
1
0
=
0.692
0.308
por tanto, P (X7 = B) = 0.692 si empezó haciéndolo bien.
d) ¿Cuál es la probabilidad de que realice bien la tarea la séptima vez si al prin-

cipio la hizo mal?
P (7) = M 7 · P (0) = M 7 ·
0
1
=
0.692
0.308
también, P (X7 = B) = 0.692 si empezó haciéndolo mal.
Ejemplo 4.3.4. El abono del Teatro Real compartido.
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.
a) Si lo estrena Pedro, ¿cuál es la probabilidad de que tenga de nuevo el abono

para la cuarta función que se represente?
b) Como no se ponen de acuerdo para elegir las representaciones deciden intro-
ducir en una bolsa tres papelitos del mismo tamaño en los que han escrito sus
nombres y que una mano inocente elija quién lo estrena. En este caso ¿cuál
es la probabilidad de que cada uno de ellos asista a la segunda, tercera y quin-
ta representaciones?
El estado en el paso n-ésimo es la persona que tiene el abono para asistir a la

representación n-ésima. El espacio de estados será por tanto:
E = {Pedro, Antonio, Angel},
La matriz de transición correspondiente es:

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
La probabilidad de que asista a la segunda representación Pedro, Antonio o

Ángel es 1/6, 1/2, 1/3 respectivamente.

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
La probabilidad de que asistan cada uno de ellos a la tercera representación

es 1/6, 1/3, 1/2 respectivamente.

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
Y a la quinta es 1/6, 5/12, 5/12 respectivamente.
Ejemplo 4.3.5. Lucha por el territorio.
Dos especies de animales X e Y compiten por ocupar un territorio. Este se

encuentra dividido en seis parcelas de las que inicialmente ocupan tres cada una.
Cada mañana se enfrentan y en cada enfrentamiento una especie gana o pierde una
parcela con la misma probabilidad. Cuando una de las especies ocupa todas las par-
celas la otra huye.
El estado del sistema el día n-ésimo es el número de parcelas que ocupan cada
una de las dos especies, que se puede deducir conociendo el número de las que
ocupa una de ellas, por ejemplo, la X. El espacio de estados es E = {0,1,2,3,4,5,6}
06 tema 4 14/3/03 08:35 Página 101
La matriz de transición es:

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
Después de dos enfrentamientos se puede asegurar que siguen en el territorio las

dos especies, ya que la probabilidad de que la especie X ocupe las seis parcelas, así
como la de que no ocupe ninguna, es cero.
Y después de tres enfrentamientos el vector de probabilidad es:

1/8
0
3/8
P (3) = M · P (2) = 0 .
3/8
0
1/8
El tercer día la probabilidad de que la especie X ocupe 2 parcelas es 3/8, la

misma que la de que ocupe cuatro, no es posible que este día ocupe cinco parce-
las, etc.
06 tema 4 14/3/03 08:35 Página 102
Ejemplo 4.3.6. Alquiler de cámaras de vídeo.
Un joven emprendedor decide comprar cuatro cámaras de vídeo que alquila

cada mañana para usarlas durante un día. Él mismo repara, solamente por las tardes,
las cámaras que se estropean. En una tarde repara una y sólo una cámara. Si una
mañana sólo tiene una cámara para alquilar no la alquila. En el lugar donde está ins-
talado hay siempre gente suficiente para alquilar cuantas cámaras tenga disponibles.
Se considera el estado del sistema en el día n-ésimo el número de cámaras dis-
ponibles para alquilar ese día, el espacio de estados del sistema será:
E = {1,2,3,4}.
Si la probabilidad de que se estropee cada cámara es 1/3, independientemente de
que se estropee cualquier otra, se pueden calcular las probabilidades de transición
en una etapa y así obtener la matriz de transición de la cadena de Markov corres-
pondiente, que es:

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
Si comienza alquilando las cuatro cámaras:
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.
Ejemplo 4.3.7. El jugador incontrolado.
Un jugador incontrolado es socio de un club de recreo que permanece abierto las

veinticuatro horas del día y en él hay cinco salas de juego, una a continuación de la
otra en una galería alargada. La sala 1 tiene una máquina tragaperras y en las cua-
tro restantes hay un billar, una ruleta americana, un bingo y una bolera respectiva-
mente.
06 tema 4 14/3/03 08:35 Página 103
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
Si el jugador entra en el club en la sala 5, ¿cuál es la probabilidad de que se

encuentre en la sala 1 pasadas 3 horas?

0 0
0 0.056
P (3) = M 3 · P (0) = M 3 · 0 = 0.194 .
0 0.403
1 0.347
Es imposible que se encuentre en la sala 1 pasadas tres horas.
¿Y en la sala del bingo pasadas 7 horas?

0 0.116
0 0.111
P (7) = M 7 · P (0) = M 7 · 0 = 0.222 .
0 0.313
1 0.238
Pasadas 7 horas es 0.313 la probabilidad de que se encuentre en la sala del

bingo. Es lo más probable que esté en esta sala en ese instante.
¿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
La distribución de probabilidad pasadas tres horas:

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.
Y pasadas siete horas la distribución de probabilidad es:

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
1. En la instalación eléctrica de un barrio residencial se han detectado cortes de

suministro que se manifiestan de manera intermitente. Según se viene obser-
vando, la probabilidad de que no se corte el suministro un día, si el día anterior
tampoco se cortó, es 0.8, y la probabilidad de que se detecte un corte un día, si
el día anterior también se produjo un corte, es 0.4.
a) Describir el espacio de estados. b) Escribir la matriz de transición. c) Si hoy
se ha ido la luz, ¿cuál es la probabilidad de que se vuelva a cortar dentro de tres
días? d) Calcular la probabilidad de que dentro de tres días se detecte un corte si
hoy no ha habido fallo en el suministro.
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.
4. Un laboratorio de análisis se encarga de hacer dos tipos de análisis: rutinarios, R,

y antidopaje, A. Para los de tipo A el laboratorio está ocupado dos turnos com-
pletos, mientras que para el rutinario está ocupado un solo turno. Los análisis se
presentan cada turno con probabilidades 2/3 para el rutinario y 1/5 para el A. Si
se reciben a la vez análisis de los dos tipos y el laboratorio está en condiciones
de aceptarlos, tiene preferencia el antidopaje. Para estudiar la ocupación de los
turnos del laboratorio se recurre a una cadena de Markov con cuatro estados.
a) Describir el espacio de estados. b) Dar la matriz de transición. c) Si comien-
zan con un análisis rutinario, ¿cuál es la probabilidad de que pasados cinco tur-
nos el laboratorio esté ocupado?
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
¿cuál es ahora la distribución de probabilidad inicial? Calcular, en este caso, la

distribución de probabilidad en el paso trigésimo quinto. f) Responder de nuevo
a las preguntas del apartado anterior si en lugar de haber obtenido un tres se
hubiera obtenido un cinco.

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?
7. Calcular aproximadamente Mn para n = 10, n = 25 y n = 100, utilizando el pro-

grama DERIVE, siendo M las siguientes matrices 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?
9. Se ha diseñado un robot que se desplaza cada minuto en la siguiente cuadrícula
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.
5.1. Comunicación entre los estados de una cadena.

Todos los estados de una cadena de Markov están comunicados entre sí si el dia-
grama de transición G (V = E, A), con conjunto de estados E, es un grafo fuerte-
mente conexo, es decir, si desde un estado cualquiera se puede alcanzar cualquier
otro siguiendo un camino en el digrafo. No todo diagrama de transición es fuerte-
mente conexo.
Se dice que el estado k es accesible desde el estado j si ∃ n ≥ 0, tal que pjk(n) > 0.
Es decir, si se puede llegar al estado k, en n etapas, partiendo del j.
Dos estados i y j están comunicados si j es accesible desde i e i es accesible
desde j, es decir, si ∃ n ≥ 0 tal que pij(n) > 0 y ∃ m ≥ 0 tal que pji(m) > 0.
Por convenio se acepta que todo estado está comunicado consigo mismo, pues
pii(0) = P (X0 = i / X0 = i) = 1 cualquiera que sea el estado i E.
En el conjunto de estados E, de una cadena de Markov, se puede definir la si-

guiente relación:
i ℜ j si los estados i y j están comunicados.
07 tema 5.qxd 14/3/03 08:40 Página 108
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.
Ejemplo 5.1.1. En el diagrama de transición de la siguiente figura
1/
3
1/
4
1/ 2 2/
2 3
1/ 1/
4 1 2 1/
2
4
1
3
1
5
la relación de comunicación determina tres componentes fuertemente conexas:

C1 = {1}, C2 = {2,3} y C3 = {4,5}.
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
CLASIFICACIÓN DE LOS ESTADOS DE UNA CADENA DE MARKOV 109
Ejemplo 5.1.2. En la siguiente figura se representa el diagrama de transición de

una cadena de Markov irreducible:
1 2/
3
1/
3 1/
2 2
1/
3
1/ 1/
3 2 2
2/ 1/
3 4 4
1/
4
Ejemplo 5.1.3. La siguiente cadena de Markov no es irreducible:
1/
2
1
1/ 1/
4 2
1/ 2/
2 3
1/
1/ 3
4
3 2
C2 C1
pues tiene dos clases C1 = {1,2} y C2 = {3} porque el estado 3 no es accesible ni

desde el 1 ni desde el 2.
Una condición suficiente para que un estado cualquiera sea accesible desde cual-
quier otro es que ∃ n , tal que pij(n) > 0, ∀i, j = 1, 2, …, r, pues esto significa que
existe un camino de longitud n entre cualquier par de estados i y j. Condición fácil
de comprobar con las potencias de la matriz de transición de la cadena.
En el conjunto cociente E/ℜ, es decir, el conjunto de las clases de equivalencia
{C1, C2, …, Cs}, o componentes fuertemente conexas de G, se puede determinar una
relación del siguiente modo:
Cm Cn ⇔ [∃ i Cm y ∃ j Cn tales que j es accesible desde i]
Es decir, la clase Cm se dice que es anterior a la clase Cn si hay al menos un arco
en G que va de un vértice de Cm a un vértice de Cn. También se dice que Cm tiene
por siguiente a Cn.
La relación , así definida en E/ℜ, es una relación de orden porque verifica las
propiedades reflexiva, antisimétrica y transitiva, pero el orden no es total, porque
puede haber dos clases Cp y Cq, tales que ni Cp Cq ni Cq Cp, así, en el ejem-
plo 5.1.1. la clase C2 no es anterior a C3 ni la C3 es anterior a C2.
07 tema 5.qxd 14/3/03 08:40 Página 110
5.2. Distintos tipos de clases.

El grafo G/ℜ, cuyos vértices son las clases de equivalencia de E/ℜ y cuyos arcos
están determinados por la relación , se llama el grafo reducido de G. Como G es
finito, G/ℜ es finito y en este grafo no hay circuitos, por lo que habrá al menos una
clase sin siguiente. Una clase de G/ℜ que no tiene siguiente se llama clase final.
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.
Toda cadena de Markov tiene por lo menos una clase ergódica.
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.
En la siguiente figura se representa el diagrama de transición del ejemplo 4.3.5.

de la lucha de dos especies animales por ocupar un territorio.
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
Ejemplo 5.2.1. ¿Cuántas clases de equivalencia determina la relación de comu-

nicación en la cadena de Markov cuyo diagrama de transición se representa a con-
tinuación? ¿De qué tipo son?
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.
Ejemplo 5.2.2. En un estudio sociológico que se realiza en una gran ciudad

se quiere estudiar la evolución en el tipo de trabajo a través de las distintas
generaciones, utilizando un modelo de cadena de Markov. Para ello se distin-
guen tres tipos de empleo: de clase A (con estudios universitarios), de clase B
(con estudios de grado medio) y de clase C (con estudios primarios o sin estu-
dios). Se supone que el tipo de trabajo de una persona está determinado por su
ambiente familiar y que se transmite cada generación a través de los padres. La
probabilidad de que en esta ciudad una familia tenga un hijo se estima que es
0.91. Y se ha evaluado que los hijos de trabajadores de clase A consiguen un
empleo de clase A en el 90 % de los casos y de clase B en el 5 %; los hijos de
trabajadores de clase B alcanzan un empleo de clase A en el 20 % de los casos
y un empleo de clase B en el 70 %; y que el 60 % de los hijos de trabajadores de
clase C obtienen un trabajo de la misma categoría que sus padres y el 20 % un
trabajo de clase A. Dibujar el diagrama de transición y explicar cuántas clases
tiene y de qué tipo son.
En el conjunto de estados han de aparecer todas las categorías mutuamente

excluyentes y exhaustivas en las que se puede encontrar la familia en cada gene-
ración (aquí cada etapa es una generación). En una generación la familia puede
tener un hijo con empleo de clase A, de clase B o de clase C, pero también
puede ocurrir que la familia no tenga descendencia. Por tanto, el espacio de
estados es:
E = {A,B,C,S}
p11 = P (X1 = A / X0 = A) = 0.91 · 0.9 = 0.819

p12 = P (X1 = B / X0 = A) = 0.91 · 0.05 = 0.0455
p13 = P (X1 = C / X0 = A) = 0.91 · (1 – 0.9 – 0.05) = 0.0455
p14 = P (X1 = S / X0 = A) = 1 – 0.91 = 0.09
Calculando de modo análogo las restantes probabilidades de transición, se obtie-

ne la matriz de transición:

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
El diagrama correspondiente es:

0’819 0’0455 0’637
A B
0’182
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.
Ejemplo 5.2.3. En la siguiente figura se presenta el plano de un salón de juegos

dividido en cuatro salas de juegos diferentes.
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
Ejemplo 5.2.4. Si en el salón del ejemplo anterior se permitiera al cabo de una

hora elegir aleatoriamente entre permanecer en la misma o pasar a una contigua, el
diagrama de transición sería:
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
Que también consta de una sola clase ergódica.

Pero se observa una diferencia importante entre estos dos diagramas. Mientras
que en el segundo hay posibilidad en cada hora de estar en cualquiera de las
salas, en el primero, si en una etapa el jugador está en una de las salas, sólo podrá
regresar a ella pasadas 2, 4, 6, ..., 2n, ... horas. La primera clase es cíclica y la
segunda no.
Una clase ergódica puede ser regular o cíclica, para distinguirlas se define el
periodo de un estado:
Se llama periodo de un estado i al menor entero s (s >1), tal que
pii(n) = 0, ∀ n {s, 2s, 3s, …}
es decir, si se puede regresar al estado i sólo después de s etapas o un múltiplo de s.
5.3. Clases de estados.

Un estado i se dice que es periódico si ∃ s > 1, tal que:
pii(n) ≠ 0, ∀ n {s, 2s, 3s, …} y pii(n) = 0, ∀ n {s, 2s, 3s, …}
En el ejemplo 5.2.3. cualquiera de los estados es periódico de periodo 2.
El estado i se llama aperiódico en caso contrario.
En el ejemplo 5.2.4. todos los estados son aperiódicos.
Si ∃ n tal que pii(n) > 0 y pii(n+1) > 0 el estado i es aperiódico.
En particular todo estado i, tal que pii ≠ 0, es aperiódico.
Si un estado i de una clase Ci tiene periodo s, todos los estados de la clase Ci tie-
nen el mismo periodo.
Un estado de una clase ergódica que sea periódico se dice que es recurrente.
Son recurrentes todos los estados del ejemplo 5.2.3.
Un estado se dice que es ergódico si pertenece a una clase ergódica y es un esta-

do aperiódico.
El único estado de una clase absorbente se dice que es un estado absorbente.

07 tema 5.qxd 14/3/03 08:40 Página 115
Si la cadena entra en un estado absorbente ya no puede salir de él. Por ejemplo,

el estado S del ejemplo 5.2.2.
Los estados que forman una clase transitoria reciben el nombre de estados tran-
sitorios.
En el ejemplo 5.1.3. el estado 3 es transitorio.
En el ejemplo 4.3.5. de la lucha de dos especies animales por ocupar un territo-
rio, los estados 1,2,3,4 y 5 son transitorios.
En el ejemplo 5.2.1. son transitorios los estados 6,7,8,9,10 y 11.
Resumen:
Una clase de estados de una cadena de Markov que es final es ergódica y si no

es final es transitoria.
Una clase ergódica que es unitaria es absorbente.
Una clase ergódica no absorbente puede ser cíclica o no. Las clases ergódicas no
cíclicas se dice que son regulares.
Un ejemplo de cadena regular es la del ejemplo 5.1.2.
Los estados de una cadena de Markov pueden ser transitorios o no.
Un estado que no es transitorio puede ser:
- Absorbente, si pertenece a una clase absorbente.
- Recurrente, si pertenece a una clase ergódica cíclica.
- Ergódico, si pertenece a una clase ergódica regular.
07 tema 5.qxd 14/3/03 08:40 Página 116
1. a) ¿Cuántas clases determina la relación de comunicación en la cadena de

Markov cuyo diagrama de transición está representado en la siguiente figura?
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
b) Explíquese de qué tipo son cada una de las clases.

c) Clasificar los estados de la cadena.
2. Clasificar los estados de la cadena de Markov de conjunto de estados:

E = {1,2,3,4,5,6,7}
y cuya matriz de transición es la siguiente:

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
3. a) Explicar cuántas clases determina la relación de comunicación en la cadena de

Markov con conjunto de estados E = {1,2,3,4,5,6,7,8} y cuya matriz de transi-
ción es:

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
4. a) Dibujar los diagramas de transición de las cadenas de Markov correspondien-

tes a los movimientos de los vigías de la Ciudadela de Jaca y de la Torre del
Homenaje de Ciudad Rodrigo del ejemplo 4.3.2.
b) Clasificar los estados de las dos cadenas.
c) ¿Son del mismo tipo las dos cadenas?
5. En el ejemplo 4.3.7. se da la matriz de transición de una cadena de Markov

correspondiente a los movimientos de un jugador incontrolado en un club de
recreo.
a) Dibujar el diagrama de transición correspondiente.
b) Clasificar los estados de esa cadena.
c) ¿Es una cadena regular?
6. En el ejemplo 4.3.5. se explicaba la competición entre dos especies de animales

por ocupar un territorio.
a) Dibujar el diagrama de transición correspondiente.
b) ¿Hay algún estado transitorio?
c) ¿Hay estados ergódicos?
d) Indicar el significado biológico de las distintas clases de estados.
7. a) ¿Cuántas clases determina la relación de comunicación en la cadena de

Markov descrita en el ejemplo 4.3.1. que explica la evolución del genotipo en los
sucesivos cruces al azar entre individuos de una población con la misma pro-
porción de cada uno de los tres tipos AA, Aa y aa?
b) Explicar si es una cadena regular.
07 tema 5.qxd 14/3/03 08:40 Página 118
08 tema 6 14/3/03 08:41 Página 119
6
Comportamiento
asintótico de
las Cadenas de Markov
En el capítulo anterior se han clasificado los estados de una cadena de

Markov utilizando el diagrama de transición, y ahora se centra el interés en tener
información sobre el comportamiento a la larga de la cadena, es decir, sobre la
probabilidad de que el sistema esté en cada uno de los estados al aumentar el
número n de transiciones. Esta información es interesante, por ejemplo, para
conocer la evolución de poblaciones desde el punto de vista de la genética y de
la ecología.
De momento, con el estudio realizado hasta aquí, sólo se puede contestar a algu-
nos casos particulares. Por ejemplo, si una cadena de Markov consta de dos clases
y la clase final es absorbente, a la larga el sistema quedará atrapado allí. Pero ¿qué
podemos afirmar en el siguiente ejemplo?:
Se considera una población diploide en la que los individuos se clasifican en tres
tipos, según su genotipo con respecto a un cierto carácter independiente del sexo,
AA, Aa y aa. En cada generación se cruzan sistemáticamente las hembras, cual-
quiera que sea su genotipo, con machos del tipo Aa. Sin existencia de factores de
mutación, selección o esterilidad, emigración o inmigración, ¿cómo será la evolu-
ción a la larga de los posibles cruces? Se responderá en este capítulo, después de
explicar el comportamiento asintótico.
Cuando Markov (1856-1922) estudió este tipo de procesos estocásticos no uti-
lizó las matrices, pero gracias a la aportación de W. R. Hamilton (1805-1865),
A. Cayley (1821-1895) y J. J. Sylvester (1814-1897), quienes desarrollaron simul-
táneamente el cálculo matricial, el estudio de las cadenas de Markov se ha simpli-
ficado enormemente.
En el Capítulo 4, al investigar la evolución de una cadena, se dijo que una cade-
na de Markov está totalmente determinada si se conoce el conjunto de estados, la
matriz de transición y el vector de probabilidad inicial, pues la ley de probabilidad
en la n-ésima etapa es: P (n) = Mn · P (0), ∀ n .
08 tema 6 14/3/03 08:41 Página 120
En este capítulo se trata de responder a la siguiente pregunta: ¿Qué se puede

decir del n→∞ lim Mn · P (0)? Es decir, ¿cuál será el comportamiento asintó-
lim P (n) = n→∞
tico de la cadena?
El primer problema que surge es el del cálculo de la potencia n-ésima de la
matriz de transición. Este cálculo, que es inmediato si la matriz M es diagonal,
requiere la noción de semejanza de matrices.
6.1. Semejanza de matrices.

Dos matrices Mrxr y Arxr son semejantes, M ~ A, si existe una matriz Prxr regular,
es decir, con P ≠ 0, tal que:
A = P–1 · M · P
El conjunto de todas las matrices semejantes a la matriz Mrxr es:
{Arxr = P–1 · M · P, ∀ Prxr con P≠ 0}
La semejanza de matrices define una relación de equivalencia en el conjunto
rxr de las matrices de orden r, pues verifica las propiedades reflexiva, simétrica y
⁄
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
quien nos legó el siguiente teorema:

Teorema de Jordan4. Toda matriz cuadrada Mrxr sobre un cuerpo algebraica-
mente cerrado —como lo es el cuerpo de los números complejos— es semejan-
te a una matriz J diagonal o diagonal por cajas, que es la forma canónica de Jordan
asociada a la matriz Mrxr. Es decir,
∃ Prxr regular tal que J = P–1 · M · P
El cálculo de la forma canónica de Jordan asociada a una matriz Mrxr requiere el
conocimiento de los autovalores y autovectores de esa matriz.
4
Véase (53)
08 tema 6 14/3/03 08:41 Página 121
COMPORTAMIENTO ASINTÓTICO DE LAS CADENAS DE MARKOV 121
6.2. Autovalores y autovectores de una matriz.

Si Mrxr es una matriz numérica con elementos en , el número λ ( o )
es un autovalor de Mrxr ⇔ ∃x ≠ 0 / Mx = λx.
El vector x ≠ 0 es un autovector de M por la derecha asociado al autovalor
λ ⇔ Mx = λx.
Los autovalores también se llaman valores propios y los autovectores vectores
propios.
Para hallar los autovalores de Mrxr hay que determinar los vectores x ≠ 0 tales
que:
Mx = λx ⇔ Mx – λx = 0 ⇔ (M – λI) x = 0
Para que ∃ x ≠ 0 que sea solución de este sistema homogéneo ha de ser
r (M – λI) < nº incógnitas ⇒M – λI= 0
Se llama ecuación característica de la matriz Mrxr , a la ecuaciónM – λI= 0, y
polinomio característico de Mrxr al polinomioM – λI, que es de grado r.
Las raíces del polinomio característico, o lo que es lo mismo, las soluciones de
la ecuación característica, son los autovalores de Mrxr.
Si Mrxr es una matriz estocástica, es una matriz de números reales. El polinomio
característico de M es un polinomio de grado r con coeficientes reales, que tendrá a
lo sumo r raíces distintas, los autovalores λ1, λ2, …, λr, reales o complejos. Si el
polinomio característico de M tiene una raíz compleja también tiene su conjugada.
El autoespacio asociado al autovalor λj es el subespacio vectorial de r defini-

do del siguiente modo:
N (λ = λj) = {x r / Mx = λjx} = {x r / (M – λjI) x = 0}
El autoespacio también se llama subespacio propio o subespacio invariante.
El autoespacio N (λ = λj) siempre contiene al menos un vector x ≠ 0 si λj es un
autovalor de Mrxr. Cualquier vector no nulo del autoespacio asociado al autovalor λj
es un autovector asociado a λj .
Propiedades de los autovalores.
- Si λ1 y λ2 son dos autovalores diferentes de Mrxr entonces

N (λ = λ1) N (λ = λ2) = {0}
- Si λ1, λ2, …, λq son autovalores de Mrxr todos distintos entre sí, xj ≠ 0 siendo
xj N (λ = λj), ∀j = 1, 2, …, q, entonces {x1, x2, …,xq} es un conjunto de vec-
tores linealmente independientes.
- Si λj es un autovalor múltiple de orden de multiplicidad s se verifica que:
1 ≤ dim (N (λ = λj)) ≤ s
- En consecuencia, si λj es un autovalor simple será dim (N (λ = λj)) = 1.
- Si todos los autovalores de la matriz Mrxr son distintos, o en el caso en que los
tenga múltiples, los autoespacios asociados tienen dimensión igual al orden de
multiplicidad de cada una de las raíces, se pueden encontrar r autovectores
x1, x2, …, xr linealmente independientes asociados respectivamente a
08 tema 6 14/3/03 08:41 Página 122
λ1, λ2, …, λr y, por tanto, una base de r formada por autovectores. Si P es

la matriz que tiene por columnas esos autovectores se verifica que

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.
Ejemplo 6.2.1. Hallar la forma canónica de Jordan de la matriz M5x5 corres-

pondiente a la cadena de Markov cuyo diagrama de transición es el de la siguiente
figura:
A
1/ 1/
2 2
1/ 1/
2 2
E B
1/ 1/
2 2
1/ 1/ 1/
2 2 2
1/
D 2 C
La matriz de transición de esta cadena es:

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
Haciendo uso del programa DERIVE, se obtiene con facilidad: la ecuación

característica:
5 5 1
– λ5 + λ3 – λ + = 0
4 16 16
y sus soluciones, que son los autovalores de la matriz M,
– 1 – 5 – 1 + 5
λ1 = 1, λ2 = λ3 = , λ4 = λ5 =
4 4
Los autoespacios asociados a los autovalores:
N (λ1 = 1) = {x 5 / x = (α,α,α,α,α), ∀ α }
08 tema 6 14/3/03 08:41 Página 123
– 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
En este caso la matriz M es semejante a una matriz diagonal. Esta es la forma

canónica de Jordan para la matriz M.
Si no es posible encontrar r autovectores linealmente independientes para una
matriz dada Mrxr, entonces el teorema de Jordan asegura que siempre se podrá
encontrar una matriz regular P tal que

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.
6.3. Particularidades de los autovalores de una matriz estocástica.

Se demuestra fácilmente que:
- Toda matriz estocástica tiene el autovalor λ = 1.

- Si λi es un autovalor de una matriz estocástica el módulo de λi esλi≤ 1,
tanto si λi es real como si es complejo.
- Los autovalores de módulo 1 de una matriz estocástica son raíces enteras de
la unidad. Es decir, ∃m +, m ≤ r / λm = 1, siendo r el orden de la matriz
estocástica o número de estados de la cadena de Markov.
- Todos los autovalores λi de módulo 1 tienen autoespacios N (λ = λi) de dimen-
sión igual al orden de multiplicidad de la raíz λi.
- Si Mrxr es una matriz de transición de una cadena de Markov y ∃n / Mn
tiene todos sus elementos positivos, entonces es el único autovalor de M de
módulo 1 y es simple, los demás autovalores λi tienenλi< 1.
6.4. Autovectores de una matriz estocástica M. Vector de probabi-

lidades de equilibrio.
- Si Mrxr es una matriz estocástica por columnas y F es un vector fila con todas
sus componentes iguales a 1, se verifica que FM = F ⇔ F (M – I) = 0, es decir
que F = [1 1 … 1]1xr es un autovector por la izquierda de la matriz Mrxr o
autovector fila asociado a la matriz estocástica M asociado al autovalor λ = 1.
- Si C1, C2, …, Cr son autovectores columna asociados respectivamente a los
autovalores λ1 = 1, λ2, …, λr, el vector C1 verifica que MC1 = C1 y, por tanto,
C1 N (λ = 1) y, como la dimensión del autoespacio N (λ = 1) es igual al
orden de multiplicidad del autovalor 1, siempre se pueden encontrar tantos
autovectores columna asociados al autovalor 1 como veces aparezca repetido
este autovalor.
- Si P1 es un autovector columna asociado al autovalor 1, que además es un vec-
tor de probabilidad, y P (0) = P1 entonces P (1) = M · P (0) = P1 y también
P (n) = Mn · P (0) = P1, ∀n
y esto significa que si el vector de probabilidad inicial de la cadena es P (0) = P1
entonces este permanecerá invariable en todas las etapas. Por esta razón, a un
vector probabilidad P1 que sea autovector asociado al autovalor λ = 1 se le
08 tema 6 14/3/03 08:41 Página 126
llama vector de probabilidades de equilibrio o vector de probabilidades esta-

cionario, o también vector fijo.
- Si Mrxr es una matriz biestocástica F = [1 1 … 1]1xr es un autovector fila

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.
Ejemplo 6.4.1. Si la matriz de transición de una cadena de Markov es:

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
Cualquier vector de este autoespacio es un autovector asociado a λ1 = 1.

El vector de probabilidades estacionario, o invariable, es aquel cuyas compo-
nentes suman 1, pues es además un vector de probabilidad. En este caso es:
28

95
39

190 0.2947
229 0.2053
P1 = = 0.1205
1900 0.2295
109 0.15

475
57

380
Si P (0) = P1 entonces P (n) = Mn · P (0) = P1, ∀n .
6.5. Comportamiento asintótico de la ley de probabilidad P(n).

El análisis del comportamiento asintótico de P(n) requiere el estudio del
lim Mn · P (0).
lim P (n) = n→∞
n→∞
Como J = P–1 · M · P ⇒ M = P · J · P–1 ⇒ Mn = (P · J · P–1)n = P · Jn · P–1 será el

lim Mn · P (0) = n→∞
lim P (n) = n→∞
n→∞
lim (P · Jn · P–1) · P (0).
Las matrices Mrxr de las cadenas de Markov son matrices estocásticas y, por
tanto, pertenecen a una clase particular de matrices, las no negativas, es decir, las
que tienen todos sus elementos positivos o cero.
lim Mn = n→∞
Para poder analizar el n→∞ lim (P · Jn · P–1) es conveniente conocer algunos
conceptos sobre matrices:
• Una matriz Mrxr se dice que es reducible si:

a) r es 1 y M1x1 = [0]1x1
o bien
b) r ≥ 1 y existe una matriz permutación Srxr y un número entero k, siendo

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
r – k columnas en el ángulo superior derecho. Las matrices A, B y C pueden tener

algún elemento cero.
• Una matriz que no sea reducible se dice que es irreducible.

- Si una matriz tiene una fila o una columna de ceros es reducible.
- Si todos los elementos de la matriz Mrxr son distintos de cero, la matriz es
irreducible.
- Si una matriz de orden r es reducible, tiene que tener al menos r-1 ceros.
• Caracterizaciones de las matrices irreducibles:
C1.- Una matriz no negativa es irreducible si y sólo si su digrafo asociado es

fuertemente conexo.
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
y que son irreducibles las cuatro matrices siguientes:

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
C2.- Una matriz Mrxr no negativa es irreducible si y sólo si (I + M)r–1 > 0.

Esta caracterización de las matrices irreducibles es útil para el cálculo con
ordenadores, pues es fácil de comprobar.
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
Las matrices M5 y M6 del ejemplo anterior son matrices de transición de cade-

nas de Markov ambas irreducibles, pero con distinto comportamiento. Todas las
potencias de M5 tienen algún elemento nulo, pero las de M6 no, pues se puede com-
probar fácilmente que la matriz M6n para n ≥ 2 tiene todos sus elementos positivos.
La siguiente definición permite distinguir estos dos tipos de matrices irreduci-
bles y nos facilitará el estudio del comportamiento asintótico de las cadenas de
Markov.
• Una matriz M no negativa e irreducible se dice que es primitiva si ∃s / Ms

tiene todos los elementos positivos.
• El índice de primitividad de una matriz primitiva M es el menor número s ,
tal que Ms tiene todos sus elementos positivos.
• Si M es una matriz no primitiva, el número de autovalores de M de módulo
máximo se llama el índice de imprimitividad de M.
• 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
yλi< ρ para todo autovalor λi ≠ ρ. Por tanto, ρ es el autovalor dominante
que se llama raíz de Perron de la matriz M.
2. Si Mrxr tiene todos los elementos positivos o cero, entonces la raíz de

Perron ρ es un autovalor positivo de M y existe un vector v ≠ 0 con sus
componentes positivas o cero, que es autovector asociado a ρ.
3. Si Mrxr es una matriz no negativa, irreducible y primitiva, entonces el auto-

valor dominante ρ es positivo, es autovalor simple de Mrxr, y además el
08 tema 6 14/3/03 08:41 Página 130
único autovalor de módulo máximo y existe un autovector asociado a ρ

con todas las componentes positivas.
El siguiente teorema, debido a Perron y a F. Georg Frobenius (1849 -1917),
F. Georg Frobenius
es particularmente importante en el estudio del comportamiento asintótico

de las cadenas de Markov.
4. Teorema de Perron-Frobenius. Si Mrxr es una matriz irreducible y no nega-

tiva con autovalores λ1, λ2, …, λr y ρ = 1máx
≤i≤r
λi, entonces ρ es autovalor
simple de M y existe un autovector v asociado a ρ con todas las compo-
nentes positivas. Todo autovalor de módulo ρ es simple y todo autovector
con todas las componentes positivas es proporcional a v.
5. Si Mrxr es una matriz irreducible y no negativa, y tiene m > 1 autovalores de

módulo máximo, entonces todo autovalor distinto de cero de M pertenece
a una circunferencia en el plano complejo centrada en el origen que pasa
exactamente por los m autovalores de M, además, m es divisor del número
de autovalores distintos de cero de la matriz M.
Si Mrxr es una matriz no singular, no negativa e irreducible de orden r
primo, tiene o uno o r autovalores de módulo máximo y no es viable otra
posibilidad.
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
6.5.1. Cadenas completamente ergódicas o cadenas regulares.
Si M, matriz de transición de una cadena de Markov, es irreducible y primitiva,

entonces λ = 1 es el único autovalor de módulo máximo.
El autovalor dominante ρ = 1máx
≤i≤r
λi= 1, es un autovalor simple de M, existe
un autovector P1, asociado al autovalor 1, con todas las componentes positivas y
además 1 es el único autovalor que tiene asociado autovectores con todas las com-
ponentes positivas.
Si los autovalores de M son λ1, λ2, …, λr, sólo hay uno de módulo máximo:
λ1 = 1 >λ2≥λ3≥ … ≥λr. Como consecuencia:

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.
Ejemplo: Aplicación en la genética.
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.
Al comenzar este capítulo se planteaba el siguiente ejemplo:
Se considera una población diploide en la que los individuos se clasifican en

tres tipos, según su genotipo con respecto a un cierto carácter independiente del
sexo, AA, Aa y aa. En cada generación se cruzan sistemáticamente las hembras,
cualquiera que sea su genotipo, con machos del tipo Aa. Sin existencia de factores
de mutación, selección o esterilidad, emigración o inmigración, ¿cómo será la evo-
lución a la larga de los posibles cruces?
Para estudiar la evolución de los posibles cruces se considera una cadena de

Markov con conjunto de estados E = {AA, Aa, aa}. Las probabilidades de obtener
cada uno de los genotipos en cada cruce, son: 1/2, 1/2 y 0, respectivamente, si la
madre es AA; 1/4, 1/2 y 1/4 si la madre es Aa; y 0, 1/2, 1/2 si la madre es aa. Se
determina así la matriz de transición:

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
Los autoespacios asociados son:

N (λ = 1) = {x 3 / x = (α, 2α, α), ∀ α }

1
N λ = = {x 3 / x = (β, 0, – β), ∀ β }
2
N (λ = 0) = {x 3 / x = (γ, – 2γ, γ), ∀ γ }
Autovectores asociados a 1, 1/2 y 0 respectivamente son:

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).
lim P (n) es un vector de probabilidad P1 con todas las componentes estricta-

El n→∞
mente positivas, que además es autovector asociado al autovalor 1, es decir, el
lim P (n) es un vector P1 de probabilidades estacionario, independientemente del
n→∞
vector de distribución de probabilidad inicial.
En este caso el vector de probabilidades estacionario es además un vector de
estado permanente o estable y es el único vector de probabilidad que tiene esta pro-
piedad para la cadena de Markov dada. El vector P1 representa las probabilidades de
que el sistema esté en cada uno de los estados a la larga. La probabilidad de encon-
trarse en un estado después de un número n suficientemente grande de etapas es
independiente de su estado inicial.
Cualquiera que sea la proporción de los genotipos de las hembras en el instante
inicial, el vector de probabilidad estacionario P1 da las proporciones de los genoti-
pos AA, Aa y aa a la larga, y aproximadamente en el instante n después de pasadas
un número suficientemente grande de generaciones.
Y además n→∞lim Mn = [P1 P1 … P1], esto significa que a medida que aumenta el
número de transiciones la cadena se estabiliza. Por ser todos los elementos de esa
matriz distintos de cero, a la larga el sistema puede estar en cualquiera de los esta-
08 tema 6 14/3/03 08:41 Página 134
dos de la cadena. Siempre se pueden encontrar individuos de cualquiera de los tres

genotipos, y desde uno de los estados siempre se puede alcanzar cualquier otro, esto
significa que con hembras de cualquiera de los genotipos en sucesivos cruces se
pueden obtener individuos dominantes, híbridos y recesivos.
6.5.2. Cadenas simplemente ergódicas.
Si la matriz M de transición de la cadena es reducible pero tiene un solo auto-

valor de módulo máximo, λ = 1, el autovector P1, asociado a este autovalor, tiene
alguna componente nula.
Si las componentes nulas de P1 son m, la cadena consta de una clase final de
estados ergódicos y de t clases de estados transitorios, siendo 1 ≤ t ≤ m.
Se dice que es una cadena simplemente ergódica. En este caso, colocando los
estados transitorios al final:

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:
¿Cuál es el comportamiento a la larga de la cadena de Markov con matriz de

transición:

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
El polinomio característico es:

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.
N (λ = 0) = x 5 / x = β, γ, 0, – γ, – β, ∀β, γ

– 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
Si la matriz P tiene por primera columna un autovector asociado al autovalor 1,

las columnas segunda y tercera son autovectores asociados al autovalor 0, la cuarta
– 2 + 4i
es un autovector asociado al autovalor y la última el conjugado de este
5
– 2 – 4i
que es un autovector complejo asociado al autovalor , es decir,
5
08 tema 6 14/3/03 08:41 Página 136

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
cualquiera que sea el vector de distribución de probabilidad inicial P (0).

08 tema 6 14/3/03 08:41 Página 137
lim P (n) es un vector de probabilidad P1 con dos componentes nulas, que es

El n→∞
autovector asociado al autovalor 1.
lim P (n) es un vector P1 de probabilidades estacionario, independientemente
El n→∞
del vector de distribución de probabilidad inicial. También en este caso el vector de
probabilidades estacionario es el único vector de estado permanente o estable para
esta cadena de Markov. La probabilidad de encontrarse en un estado después de un
número n suficientemente grande de etapas no depende del estado inicial, como en
el caso anterior.
El vector P1 representa las probabilidades de que el sistema esté en cada uno de
los estados a la larga y, por tanto, a la larga la cadena no puede estar en el estado 4
ni en el 5, que son los estados transitorios. A la larga estará en uno de los estados
recurrentes y con mayor probabilidad en el 1.
6.5.3. Cadenas periódicas o cíclicas.
Si Mrxr es una matriz irreducible pero no primitiva, tiene m > 1 autovalores de

módulo 1, estos son las m raíces enteras de la unidad, siendo m divisor del número
de autovalores distintos de cero de la matriz M.
Si Mrxr es una matriz de una cadena de Markov que es no singular e irreducible
de orden r primo, sólo puede tener uno o r autovalores de módulo 1, porque r tiene
que ser divisor del número de autovalores distintos de cero de la matriz M que, por
ser no singular, es r.
En este caso la cadena es periódica de periodo m. La cadena tiene sólo una clase
final, que es cíclica de orden m.
No existe n→∞ lim Mn · P (0) por no existir el n→∞
lim P (n) = n→∞ lim Mn.
La evolución a la larga depende de las condiciones iniciales.
Ejemplo:
La siguiente figura representa un laberinto con cuatro compartimientos nume-

rados 1, 2, 3 y 4.
1 2
3 4
Se introduce un ratón en el laberinto en el compartimiento 4, si el ratón se des-

plaza a través de las piezas al azar ¿dónde se puede esperar que se encuentre des-
pués de dos desplazamientos?¿Y después de veinte y de treinta? ¿Qué se puede
decir del vector de distribución de probabilidad a la larga?
08 tema 6 14/3/03 08:41 Página 138
El conjunto de estados de la cadena es E = {1,2,3,4} y la matriz de transición es:

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.
Para hallar el vector de distribución de probabilidad a la larga, calculamos los

autovalores y autovectores de la matriz de transición.
El polinomio característico de la matriz M es:M – λI= λ4 – λ2 = λ2 · (λ2 – 1) .
Los autovalores de M son pues: λ = 1, λ = 0 (doble) y λ = –1.
Los autoespacios correspondientes son:
N (λ = 1) = {x 4 / x = (α, α, α, α), ∀ α }
N (λ = 0) = {x 4 / x = (β, γ, – γ, – β), ∀ β, γ }
N (λ = – 1) = {x 4 / x = (δ, – δ, – δ, δ), ∀ δ }
Se pueden encontrar cuatro autovectores linealmente independientes:

1 1 0 1
1
C = 1 ,C =2 0 3
,C = 1 4
yC = – 1
1 0 –1 –1
1 –1 0 1
el primero asociado a λ = 1, el segundo y el tercero asociados a λ = 0 y el cuarto aso-

ciado a λ = – 1. El único que tiene todas las componentes positivas es el asociado a
λ = 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
lim Mn ya que si n = 2k:

Por tanto, no existe el n→∞

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
Y en consecuencia, no existe el n→∞

lim P (n). Esta cadena no admite un vector de
probabilidades permanente o estable. Pero posee un único vector P1 de probabili-

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.
• Convergencia en el sentido de Cesaro a la distribución estacionaria.

1
lim M2k + M2k + 1 que es
lim Mn pero sí el k→∞
En el ejemplo anterior no existe n→∞
2
( )
1
una matriz con todas las columnas iguales a P , distribución estacionaria de la cade-
08 tema 6 14/3/03 08:41 Página 140
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.
6.5.4. Cadenas múltiples.
Se considera ahora el caso en que la matriz de transición de la cadena de Markov

M es una matriz reducible con k > 1 autovalores de módulo máximo.
En una cadena de Markov cuya matriz de transición tenga el autovalor domi-
nante λ = 1 múltiple de orden de multiplicidad k existen k clases finales.
La evolución en el interior de una de estas clases finales se puede hacer utili-
zando la submatriz de la matriz de transición correspondiente a los estados de esa
clase final. A esta submatriz le corresponde un autovalor λ = 1 simple.
Una clase final será ergódica si λ = 1 es el único autovalor de módulo 1 de la
submatriz correspondiente y será periódica de periodo m si existen m > 1 autova-
lores de módulo 1.
Si una de las clases finales consta de un solo elemento, esa clase es absorbente.
La evolución a la larga de la cadena depende de la distribución de probabilidad
inicial. Una vez que la cadena entra en una de las clases finales ya es imposible que
salga de ella.
Ejemplo:
Estudiar el comportamiento a la larga de la cadena de Markov con matriz de

transición:

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.

4γ

N (λ = 1) = x 8 / x = α, α, α, β, γ, , 0, 0 , ∀α, β, γ
5

N (λ = 1/10) = x 8 / x = 0, 0, 0, 0, δ, – δ, 0, 0 , ∀δ
41 η – 5 η 28 η

N (λ = 3/10) = x 8 / x = η, , , 4η, 0, 0, – , 0 , ∀η
6 2 3

N (λ = 1/2) = x 8 / x = 0, κ, – κ, 0, 0, 0, 0, 0 , ∀κ

7 11 11 22 22
N (λ = 3/5) = x 8 / x = µ, – µ, 5µ, µ, µ, 0, – µ, – µ , ∀µ
3 10 10 15 5
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)
Este límite depende de la distribución de probabilidad inicial.

Teniendo en cuenta que P(0) es un vector de probabilidad y que, por tanto, sus
componentes suman 1, se puede escribir:
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
En este resultado se advierte que el lim

n→∞
P (n) depende de la distribución de pro-
babilidad inicial, y además, que los estados 7 y 8 son transitorios, pues a la larga
el sistema no puede estar en ninguno de los dos.
Analizando el lim
n→∞
M n se ve claramente que:
- Los estados 1, 2 y 3 forman una clase completamente ergódica, con distribu-

1/3
ción permanente, o estable, 1/3 .
1/3
- El estado 4 es un estado absorbente, forma una clase unitaria y ergódica.

08 tema 6 14/3/03 08:41 Página 143
- Los estados 5 y 6 forman otra clase completamente ergódica, con distribución

5/9
permanente .
4/9
- Los estados 7 y 8 son transitorios.
Hay tantas clases ergódicas como el orden de multiplicidad del autovalor 1.

Hay tres distribuciones de probabilidad estacionarias, las correspondientes a
tres autovectores asociados al autovalor λ = 1. Estas son:

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
si la distribución de probabilidad en el instante inicial es una cualquiera de las tres,

el sistema en cualquier instante tiene la misma distribución de probabilidad que en
el instante de partida.
Ejemplo: Dominancia a la larga del carácter homocigótico.
En el artículo titulado: Diagrama de red. Dominancia equilibrada a la larga del

carácter homocigótico (39) se presenta un diagrama de red, como variante del dia-
grama de árbol, para modelizar el planteamiento y descripción de los seis tipos bási-
cos de apareamiento teniendo en cuenta un solo locus con dos alelos A y B, los tres
genotipos posibles son AA, AB y BB. Los tipos básicos de apareamiento son seis:
AA AA, AA AB, AA BB, AB AB, AB BB y BB BB.
en el caso de cruzamientos libres, sometidos exclusivamente a las leyes de azar, sin
existencia de factores de mutación, selección o esterilidad, emigración o inmigra-
ción, y construye la matriz de transición del proceso de Markov correspondiente:

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
matriz estocástica por filas.

08 tema 6 14/3/03 08:41 Página 144
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
En efecto, se puede comprobar con DERIVE que el polinomio característico de

M es:
13 15 13 1 3 1
λ6 – λ5 + λ4 – λ3 – λ2 + λ – .
4 4 8 32 16 32
Los autovalores de M son:
1 – 5 1 + 5
λ1 = λ2 = 1, λ3 = 1/2, λ4 = 1/4, λ5 = , λ6 = .
4 4
Los autoespacios asociados a los autovalores son:

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
κ –205 + 44, κ 6 5 – 14, κ), ∀κ

El autoespacio asociado a λ = 1, autovalor doble, tiene dimensión dos y, por
tanto, la matriz M es semejante a una matriz diagonal.
Tomando como autovectores asociados al autovalor λ = 1 los vectores:

1 0
0 0
0 0
P1 = 0 y P2 = 0 .
0 0
0 1
como autovectores asociados a los autovalores λ =1/2 y λ = 1/4 respectivamente los

vectores:

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
Si P es la matriz cuyas columnas son los autovectores anteriores colocados en

el orden en que aparecen, se comprueba fácilmente con DERIVE que:
1 0 0 0 0 0
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
En particular para la P(0) dada en el artículo será:

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
1. Calcular, si es posible, el vector de probabilidades estacionario, o distribución de

probabilidad estacionaria, para las siguientes matrices de transición de cadenas
de Markov:

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
2. a) Calcular los autovalores de la siguiente matriz de una cadena de Markov:

0 0 1/3
M= 0 1/2 2/3
1 1/2 0
b) Diagonalizar esa matriz.

lim Mn y n→∞
c) Calcular el n→∞ lim Mn · P, siendo P un vector de probabilidad.
3. La matriz de transición de una cadena de Markov es:

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
4. Calcular los autovalores de las siguientes matrices estocásticas y, si es posible,

diagonalizarlas:

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
5. a) Dibujar el diagrama de transición de las cadenas de Markov correspondien-

tes a las matrices del ejercicio anterior.
b) Clasificar los estados de estas cadenas.
c) ¿Qué se puede decir del comportamiento asintótico de cada una de ellas?
6. En un animalario se alimentan las cobayas con tres alimentos diferentes A, B y

C. La persona encargada de alimentarlas ha observado, después de varios años,
que si se les deja elegir cada mañana el alimento, la probabilidad de que elija
cada una de ellas el mismo al día siguiente es 1/2, y elige cualquiera de los otros
dos tipos de alimento con la misma probabilidad.
a) Dar el conjunto de estados de la cadena y la matriz de transición.
b) Si el primer día se le presentan tres recipientes: uno con el alimento A y dos
con el B, y se le deja elegir al azar, calcular el vector de distribución de pro-
babilidad a los tres días.
c) ¿Qué se observa en el trigésimo ensayo?
d) ¿Cuál es la distribución de probabilidad a la larga? ¿Depende del vector de
probabilidad inicial? ¿Por qué?
7. El jefe de recursos humanos de una empresa ha observado que un trabajador va

a trabajar de forma «intermitente». La probabilidad de que no vaya a trabajar un
día si el anterior día laborable sí fue es 0.4 y la de que no vaya a trabajar dos días
laborables seguidos es 0.7. Si se le permite seguir así indefinidamente y no cam-
bia de costumbres:
a) Escribir la matriz de transición de la cadena de Markov que describe este com-
portamiento.
b) Si hoy no ha ido a trabajar, calcular la probabilidad de que vaya dentro de dos
días laborables.
c) Si hoy sí ha ido, ¿cuál es la probabilidad de que vuelva a trabajar dentro de tres
días laborables?
d) Si la probabilidad de que vaya hoy a trabajar es 3/4, ¿cuál es la probabilidad de
que vaya cinco días después?
e) ¿Qué ocurrirá a la larga?
08 tema 6 14/3/03 08:41 Página 150
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?
9. Responder a las preguntas formuladas en el ejercicio anterior si se cruzan las

hembras en cada generación con machos dominantes.
10. De un estudio sociológico de los habitantes de una nación se quiere averiguar la

proporción de personas que trabajan como profesionales, las que tienen un oficio
cualificado y las que realizan un trabajo no cualificado. En esta nación la probabi-
lidad de que una pareja tenga un hijo es 0.7, y en la hipótesis de que la influencia
de los antepasados para determinar el trabajo de una persona se transmite íntegra-
mente a través de los padres, y teniendo en cuenta que los estudios sociológicos
reflejan que: los hijos de profesionales son el 80 % profesionales, el 10 % tienen
oficios cualificados y el resto no cualificados; los hijos de trabajadores cualificados
son el 60 % trabajadores cualificados, el 20 % profesionales y el resto trabajadores
no cualificados; los hijos de trabajadores no cualificados son el 50 % trabajadores
no cualificados, el 25 % profesionales y el resto trabajadores cualificados.
a) Escribir los estados de la cadena de Markov correspondiente.
b) Determinar la matriz de transición de esta cadena.
c) Si cada familia tiene como máximo un hijo, ¿cuál es la probabilidad de que
un trabajador no cualificado tenga un nieto profesional?
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
12. Para analizar los movimientos de la cotización de las acciones de compañías

eléctricas se utiliza una cadena de Markov. Se clasifican los valores en uno de
los tres estados: Sube (S), baja (B) o se mantiene igual (I) según que la cotiza-
ción ha subido, bajado o permanecido igual respecto al día anterior. Se quiere
estudiar el movimiento a largo plazo de las acciones a través de estos estados y
para ello se han estimado las probabilidades de la matriz de transición del
modelo, usando los datos del comportamiento de la cotización de los valores
durante los tres últimos años, obteniéndose la siguiente matriz:

0.586 0.070 0.079
M= 0.073 0.639 0.064
0.341 0.291 0.857
a) Calcular la distribución de probabilidad estacionaria o vector fijo de proba-

bilidad.
b) Suponiendo que la matriz de transición se mantuviera constante, ¿cuál sería
la distribución de probabilidad a la larga?
08 tema 6 14/3/03 08:41 Página 152
09 tema 7 14/3/03 08:45 Página 153
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
Patrick Holt Leslie
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
UN MODELO DE ECOLOGÍA DE POBLACIONES. MODELO DE LESLIE 155
clases de edad no varían con el tamaño de la población ni con las condiciones

ambientales.
Realizaciones naturales de este modelo pueden ocurrir en una colonización de
un territorio por una población inmigrante de una determinada distribución de edad.
Leslie construyó las tablas de vida de las especies bisexuales sólo para las hem-
bras por ser más fácil poder situar los nacimientos en la duración de la vida. Se
supone que se mantiene constante la proporción de machos a hembras y que en
todas las edades las tasas de mortalidad son las mismas para ambos sexos. Esta
suposición no es necesaria para poblaciones formadas exclusivamente por hembras
partenogenéticas6.
7.2. Definiciones y nomenclatura. Matriz de Leslie.

Se considera una población estructurada en clases de edad de amplitud cons-
tante:
[L0, L1), [L1, L2), …, [Lx, Lx + 1), …, [Lm, Lm + 1)
La amplitud de estas clases depende de la población en estudio, pueden ser
periodos semanales, mensuales, anuales, lustros, décadas, etc. Supone el tiempo
como variable discreta, t = 0, 1, 2, …, n, … Las observaciones que se recogen en el
instante n son las (m + 1) componentes de un vector que representan el número de
hembras en cada una de las clases en ese instante:
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
Designando por Nxn el número de hembras de edad x que viven en el instante n,

el vector columna:
N0n
N1n
N2n
Nn = …
Nxn
…
Nmn
09 tema 7 14/3/03 08:45 Página 157
representa la distribución de edad de la población en el instante n. Sus (m + 1) ele-

mentos corresponden a los (m +1) grupos de edad considerados. El primer índice
indica la edad y el segundo el instante en que se observa.
Si en el instante inicial la distribución de edad de la población viene dada por el
vector N0, al cabo de un periodo el número de individuos de la primera clase, N01 se
obtiene sumando los productos obtenidos al multiplicar el número de los que había
en cada clase de edad en el instante t = 0 por la tasa de fertilidad de la clase corres-
pondiente. Y todas las clases menos la primera estarán formadas por los individuos
supervivientes de los que estaban en la clase precedente en el instante t = 0, es decir,
el número de los de la clase x en el instante 1, Nx1 será el producto de los que esta-
ban en la clase de edad anterior en el instante inicial, N(x – 1)0 por la probabilidad,
px – 1, de supervivencia de los individuos de esa clase.
N00
N10
N20
Por tanto, como N0 = … la distribución de edad pasado el primer periodo
Nx0
…
Nm0
de tiempo será:
N01 = f0 · N00 + f1 · N10 + f2 · N20 + … + fx · Nx0 + … + fm · Nm0

N11 = p0 · N00
N21 = p1 · N10
N31 = p2 · N20
·
·
·
Nm1 = pm–1 · N(m-1)0
En forma matricial:
N01 f0 f1 f2 … fm–1 fm N00

N11 p0 0 0 … 0 0 N10
N21 = 0 p1 0 … 0 0 · N20
… … … … … … … …
Nm1 0 0 0 … pm–1 0 Nm0
09 tema 7 14/3/03 08:45 Página 158
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.
En esta matriz M los elementos px son probabilidades, por tanto:

0 < px < 1, ∀x = 0, 1, 2, …, m – 1
y los elementos de la primera fila representan las tasas de fertilidad de las hembras
de las distintas clases de edad y son
fx ≥ 0, ∀x = 0, 1, 2, …, m.
A esta matriz de proyección M, de orden m + 1, se le puede asociar un digrafo
cuyos vértices son las m+1 clases de edad consideradas y cuyas aristas, que tienen
origen en una clase y extremo en otra clase a la que se incorporan individuos o espe-
címenes procedentes de aquella, están ponderadas.
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
Este digrafo es fuertemente conexo y su matriz de proyección es:

f0 f1 f2 f3 f4 f5
p0 0 0 0 0 0
0 p1 0 0 0 0
M=
0 0 p2 0 0 0
0 0 0 p3 0 0
0 0 0 0 p4 0
Ejemplo 7.2.2. ¿Cómo es el digrafo correspondiente a la matriz

0 1 1
M = 3/4 0 0 ?
0 1/2 0
Consta de tres vértices, o nodos, y cuatro aristas, como se puede observar en el
gráfico siguiente con sus ponderaciones respectivas.
1 1
C0 C1 C2
3/ 1/
4 2
Este digrafo también es fuertemente conexo. En este caso la clase C0 es una

clase pre-reproductora, su tasa de fertilidad es cero.
Ejemplo 7.2.3. Dibujar el digrafo correspondiente a la matriz

0 1 3 0
M= 1/3 0 0 0
0 2/3 0 0
0 0 1/3 0
El digrafo correspondiente a esta matriz, como se observa en la siguiente
figura,
1 3
C0 C1 C2 C3
1/ 2/ 1/
3 3 3
no es fuertemente conexo, ya que de la clase C3 no se puede salir. C3 representa la

única clase de edad post-reproductora y, como en el ejemplo anterior la clase C0, es
de edad pre-reproductora.
09 tema 7 14/3/03 08:45 Página 160
7.3. Evolución del modelo de Leslie. Distribución de edad en la

población pasadas n etapas.
En el modelo de Leslie, como se conocen las tasas de fertilidad fx y las probabi-
lidades de supervivencia px de cada una de las clases, es posible proyectar en el
tiempo, por medio de un proceso iterativo, cualquier distribución de edad de la
población, pues la matriz M de proyección poblacional multiplicada por la distri-
bución de edad al inicio de un periodo da la distribución de edad al final del mismo.
Si N (n) = Nn representa la distribución de edad de la población en el instante n:
N1 = M · N0
N2 = M · N1 = M2 · N0
N3 = M · N2 = M3 · N0
…
Nn = Mn · N0
Es decir, conocida la distribución de edad en el instante inicial N0, se puede
conocer la distribución de edad pasados n periodos, o etapas, simplemente multi-
plicando la matriz Mn por el vector N0.
Estas expresiones, aunque parecidas a las que se obtuvieron al determinar la ley
de probabilidad en la etapa n-ésima en las cadenas de Markov, son bien distintas de
aquéllas.
En primer lugar, la matriz de Leslie M no es una matriz estocástica ni por filas
ni por columnas y las distribuciones de edad N0 y Nn no son vectores de probabili-
dad pues sus elementos no suman la unidad.
Si la siguiente matriz representa la potencia n-ésima de la matriz de proyección:
x00 x01 … x0m
x10 x11 … x1m
Mn = será
… … … …
xm0 xm1 … xmm
x00 x01 … x0j … x0m N00
N0n x10 x11 … x1j … x1m N10
N1n … … … … … … …
… = … … … … … …
·
Nj0
Nmn … … … … … … …
xm0 xm1 … xmj … xmm Nm0
Por tanto:
N0n x00 · N00 + x01 · N10 + … + x0j · Nj0 + … + x0m · Nm0
N1n x10 · N00 + x11 · N10 + … + x1j · Nj0 + … + x1m · Nm0
=
… …………………………………………………
Nmn xm0 · N00 + xm1 · N10 + … + xmj · Nj0 + … + xmm · Nm0
09 tema 7 14/3/03 08:45 Página 161
En esta última expresión se observa que la columna (j + 1)-ésima de la matriz Mn

permite predecir la contribución en la población futura, transcurridas n unidades de
tiempo, del número de hembras del grupo de edad j en el instante inicial, pues en el
instante n el número total de hembras supervivientes de las Nj0, que tenían edad j en
m
el instante inicial, o descendientes de ellas, es Nj0 · xij, es decir, el producto de Nj0
i=0
por la suma de todos los elementos de la columna j de la matriz Mn.
Si en la población a estudiar las hembras son estériles en las últimas (m – k) cla-
ses de edad, como ocurre en muchas poblaciones animales, por ejemplo, en mamí-
feros, la matriz M tendrá la forma:
f0 f1 f2 … fk–1 fk 0 0 … 0 0
p0 0 0 … 0 0 0 0 … 0 0
0 p1 0 … 0 0 0 0 … 0 0
0 0 p2 … 0 0 0 0 … 0 0
M= … … … … … … … … … … … siendo fk ≠ 0,
0 0 0 … pk–1 0 0 0 … 0 0
0 0 0 … 0 pk 0 0 … 0 0
0 0 0 … 0 0 pk+1 0 … 0 0
… … … … … … … … … … …
0 0 0 … 0 0 0 0 … pm–1 0
matriz en la que se pueden considerar cuatro cajas
M= A(k+1) (k+1) O(k+1) (m–k)

.
B(m–k) (k+1) C(m–k) (m–k)
La matriz de Leslie correspondiente a este tipo de poblaciones es una matriz

reducible y la expresión de Mn es:
An(k+1) (k+1) O(k+1) (m–k) n–1
Mn = siendo Sn (A, B, C) = Cj · B · An–1–j.
Sn (A, B, C) Cn(m–k) (m–k) j=0
Pero como C es una matriz nihilpotente, pues Cn = 0 si n ≥ m – k, entonces la

matriz Mn tendrá las últimas (m - k) columnas de ceros a partir de la etapa n = m – k.
Esto significa que las hembras que en el instante t = 0 tengan edad mayor que k, es
decir, que estén en época post-reproductora, no están representadas en la distribu-
ción de edad en el instante n para n ≥ m – k, pues no tienen descendientes y ellas ya
han muerto.
En consecuencia, para estudiar la evolución de la población pasadas n ≥ m – k
etapas será suficiente con considerar las (k + 1) primeras clases de edad, o lo que
es lo mismo, reducir la matriz M a la submatriz A que se obtiene al eliminar las cla-
ses de edad post-reproductora.
09 tema 7 14/3/03 08:45 Página 162
La matriz de Leslie puede ser reducible, en el caso en que se consideren todas

las clases de edad y estas incluyan edades post-reproductoras, pero la submatriz A
de M siempre es una matriz irreducible, pues fk ≠ 0.7
Recordando que una matriz no negativa es irreducible si y sólo si su digrafo aso-
ciado es fuertemente conexo, las matrices de los ejemplos 7.2.1. y 7.2.2. son irre-
ducibles, en cambio las de ejemplo 7.2.3. es reducible.
Para estudiar la evolución a la larga de un modelo de Leslie sólo se considera-
rán las (k + 1) primeras clases de edad, eliminando las correspondientes a las cla-
ses de edad post-reproductora. Así :
f0 f1 f2 … fk–1 fk
p0 0 0 … 0 0
0 p1 0 … 0 0
M=
0 0 p2 … 0 0
… … … … … …
0 0 0 … pk–1 0
Esta matriz de orden (k + 1) irreducible es además siempre no singular, por ser
fk ≠ 0 y todas las probabilidades positivas. Y la matriz M será reducible si se consi-
deran todas las clases de edad y estas incluyen etapas post-reproductoras.
Para poder determinar la distribución de edad estable, hay que calcular los vec-
tores Nx, tales que Nx+1 = λNx, siendo λ constante, es decir,
M · Nx = λNx ⇔ (M – λI) Nx = 0
Hay que hallar, por tanto, los autovalores y autovectores de la matriz de pro-
yección M.
7.4. Autovalores de la matriz de Leslie.

Aunque para hallar los autovalores de M se puede resolver la ecuación caracte-
rística M – λI= 0, este cálculo se facilita haciendo el siguiente cambio de coor-
denadas:
vx = H · Nx
siendo H la matriz regular diagonal
k–1
pi 0 … 0 0
i=0
k–1
0 pi … 0 0
i=1
H=
… … … … …
0 0 … pk–1 0
0 0 … 0 1
7
Si fk ≠ 0, y se reemplazan por 1 todos los elementos positivos se obtendría una matriz de adyacencia de un grafo
que es una matriz permutación y toda matriz de este tipo es irreducible.
09 tema 7 14/3/03 08:45 Página 163
cuyos elementos se obtienen inmediatamente a partir de las tablas de vida, o a par-

tir de la matriz de proyección M y representa la matriz de un cambio de base por-
que su determinante es distinto de cero, ya que 0 < px < 1, ∀x = 0, 1, 2, …, k – 1.
En este nuevo sistema de coordenadas el vector correspondiente a la distribución
de edad Nn del instante t = n es:
v n = H · Nn
y para el instante t = n + 1 es:
vn+1 = H · Nn+1 = H · M · Nn = H · M · H–1 · vn = B · vn
siendo B = H · M · H–1, una matriz semejante a M.
Efectuando el producto:
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
Comparando la matriz B con la original M se puede ver que los elementos px de

la subdiagonal principal de la matriz M se han transformado en 1 en la matriz B. La
matriz B se denomina la forma racional canónica de M.
Como las matrices M y B son semejantes tienen los mismos autovalores y, por
tanto, para hallar los autovalores de M con más facilidad, se calculan las soluciones
de la ecuación característica de B, que es: B – λI= 0. Desarrollando el determi-
nante se obtiene:
(– 1)k+1 λk+1 + (– 1)k f0 λk + (– 1)k p0 f1 λk–1 + (– 1)k p0 p1 f2 λk–2 +
2 k–2 k–1
+ (– 1)k f3 pi λk–3 + … + (– 1)k fk–1 pi λ + (– 1)k fk pi = 0
i=0 i=0 i=0
Dividiendo esta ecuación entre (– 1)k+1 queda la ecuación polinómica:

2 k–2 k–1
λk+1 – f0 λk – p0 f1 λk–1– p0 p1 f2 λk–2 – f3 pi λk–3 – … – fk–1 pi λ – fk pi = 0
i=0 i=0 i=0
cuyo coeficiente principal es 1 y los coeficientes de λk, λk–1, … λ, λ0 son, respecti-

vamente, los opuestos de los elementos de la primera fila de la matriz B en el mismo
orden. Por tanto, esta ecuación se puede escribir directamente a partir de la matriz
B sin repetir todos los cálculos anteriores.
09 tema 7 14/3/03 08:45 Página 164
7.5. Particularidades de los autovalores de la matriz de Leslie.

• Como se ha explicado anteriormente, los autovalores de M son las soluciones
de la ecuación característica:
2 k–2 k–1
λk+1 – f0 λk – p0 f1 λk–1– p0 p1 f2 λk–2 – f3 pi λk–3 – … – fk–1 pi λ – fk pi = 0
i=0 i=0 i=0
y, por el teorema de Harriot-Descartes8, al tener la ecuación característica

coeficientes reales y sólo haber un cambio de signo en los coeficientes de esa
ecuación, sólo tiene una raíz real y positiva, que se representará a partir de
ahora por λ1.
k–1
Como el término independiente de esa ecuación es: – fk pi ≠ 0, entre los
i=0
autovalores de M no está el cero. Por tanto, los autovalores de M distintos de
λ1 son o bien reales negativos o complejos9.
Como la matriz de Leslie

f0 f1 f2 … fk–1 fk
p0 0 0 … 0 0
0 p1 0 … 0 0
M= siendo fk ≠ 0
0 0 p2 … 0 0
… … … … … …
0 0 0 … pk–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
Puede ocurrir que otro u otros autovalores de M, necesariamente negativos o

complejos, tengan módulo igual a ρ = λ1 = λ1 pero según el teorema de
Perron-Frobenius todos ellos tendrán que ser autovalores simples y no existe
ningún autovector con todas las componentes positivas asociado a ninguno de
ellos.
Teniendo en cuenta el teorema 3 de Perron11, si existe una potencia de la
matriz M con todos los elementos positivos, entonces el autovalor dominante
ρ = λ1 es el único autovalor de módulo máximo. En este caso M es una matriz
primitiva.
• Caracterización de las matrices de Leslie primitivas (Rosenblatt, 1957):

Una matriz de Leslie M = [mij] irreducible es primitiva si y sólo si el máximo
común divisor de los índices j de columna de los elementos positivos de la pri-
mera fila de la matriz M es 1.
El digrafo correspondiente a una matriz no primitiva es cíclico y el índice de
imprimitividad coincide con el máximo común divisor de las longitudes de
sus ciclos.
0 2 0 8
Por ejemplo, la matriz M = 1/2 0 0 0 es imprimitiva. En efecto,
0 3/4 0 0
0 0 1/4 0
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
donde x indica un elemento distinto de cero, que además es positivo y, por

tanto, ninguna potencia de M tiene todos sus elementos distintos de cero.
En este caso M no es primitiva, pero sí irreducible por ser f3 = 8 ≠ 0.
El digrafo correspondiente se representa a continuación:
2 8
C0 C1 C2 C3
1/ 3/ 1/
2 4 4
Este grafo tiene ciclos de longitudes 2 y 4 y su índice de imprimitividad es

2 = m. c. d. {2, 4}. Por tanto, tendrá dos autovalores de módulo máximo.
11
Véase Capítulo 6, Apartado 6.5.
09 tema 7 14/3/03 08:45 Página 166
Se puede comprobar fácilmente que los autovalores de esta matriz M son:

6 – 6 2 i – 2 i
λ1 = , λ2 = , λ3 = , λ4 =
2 2 2 2
y los dos autovalores de módulo máximo son λ1 y λ2.
Utilizando la caracterización de matrices primitivas de Rosenblatt:
0 1 2
Si M = 1/2 0 0 , es m11 = 0, m12 = 1, m13 = 2.
0 1/4 0
El m. c. d. {2, 3} = 1, por tanto, la matriz M es primitiva y como la primera

potencia de M que tiene todos los elementos distintos de cero es M5, su índi-
ce de primitividad es 5. Esto significa que desde cualquier vértice del digrafo
1 2
C0 C1 C2
1/ 1/
2 4
se puede alcanzar cualquier otro con seguridad en cinco etapas. La matriz M

de este ejemplo es primitiva e irreducible.
• Consecuencia de la caracterización de Rosenblatt: toda matriz de Leslie M de

orden (k + 1) que tiene todos los fi > 0, ∀i = 0, 1, 2, …, k es primitiva y (k + 1)
es su índice de primitividad.
Si hay algún elemento de la primera fila de M que sea cero, puede ser que M
no sea primitiva.
0 2 0 8
Por ejemplo, si M = 1/2 0 0 0 , el m. c. d. {2, 4} = 2 ≠ 1 y M no es
0 3/4 0 0
0 0 1/4 0
primitiva, como se ha explicado anteriormente.
7.6. Autovectores de la matriz de Leslie.

Para calcular más fácilmente los autovectores asociados a cada autovalor λ,
en el sistema de coordenadas original, se determinan estos en el nuevo sistema
de coordenadas, y deshaciendo el cambio, se tendrán respecto del sistema pri-
mitivo.
09 tema 7 14/3/03 08:45 Página 167
Un autovector asociado al autovalor λ en el nuevo sistema de coordenadas es v

si se verifica que B · v = λv, es decir,
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
que en el sistema primitivo tendrá por coordenadas:
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
7.7. Autovalor dominante y distribución de edad estable.

La matriz de proyección poblacional del modelo de Leslie con (k + 1) clases de
edad, o etapas, es una matriz no negativa. Por el teorema de Perron-Frobenius,
según sea esta matriz, se puede asegurar que:
a) Si M es irreducible y primitiva, existe un autovalor λ1 real, positivo y simple,

que es el autovalor dominante,
λi < λ1, ∀i = 2, 3, …, k + 1
y existe un autovector N1 asociado a λ1 que tiene todas sus componentes
positivas.
0 14 24
Ejemplo 7.7.1. Si M = 1/2 0 0 , es M – λI= λ3 – 7λ – 6.
0 1/2 0
Los autovalores de M son: λ1 = 3, λ2 = – 1, λ3 = – 2. El autovalor dominante
es λ1 = 3.
N (λ = 3) = {x 3 / x = (36α, 6α, α), ∀ α }
N (λ = – 1) = {x 3 / x = (4β, – 2β, β), ∀ β }
N (λ = – 2) = {x 3 / x = (16γ, – 4γ, γ), ∀ γ }
Se ve claramente que sólo existen autovectores con todas las componentes
positivas en el autoespacio asociado al autovalor dominante. Por ejemplo:
36
N = 1 6 .
1
09 tema 7 14/3/03 08:45 Página 169
b) Si M es irreducible pero no es primitiva, existe un autovalor λ1 real, positivo

y simple, tal que
λi ≤ λ1, ∀i = 2, 3, …, k + 1
El número de autovalores de módulo máximo coincide con el índice de
imprimitividad de la matriz M. Y existe un autovector N1 asociado al auto-
valor dominante λ1 que tiene todas sus componentes positivas.
2πi
Los autovalores λi que tienen módulo máximo son λi = λ1 · e
r ·n siendo r
el índice de imprimitividad de M y n = 1, 2, ..., r – 1.
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
Los autovalores de M son: λ1 = 1, λ2 = – 1, λ3 = i, λ4 = – i. Los cuatro auto-

2πi
valores se pueden escribir en forma exponencial λi = λ1 · e
4 ·n , es decir,
πi
λi = e
2 ·n para n = 0,1,2,3 y todos tienen módulo máximo. El autovalor
dominante es λ1 = 1. El índice de imprimitividad de esta matriz es 4.
Los autoespacios son:
N (λ = 1) = {x 4 / x = (45α, 30α, 10α, α), ∀ α }
N (λ = – 1) = {x 4 / x = (– 45β, 30β, – 10β, β), ∀ β }
N (λ = i) = {x 4 / x = (– 45iγ, – 30γ, 10iγ, γ), ∀ γ }
N (λ = – i) = {x 4 / x = (45iδ, – 30δ, – 10iδ, δ), ∀ δ }
Como en el ejemplo anterior sólo existen autovectores con todas las compo-
nentes positivas en el autoespacio asociado al autovalor dominante
45
30 .
λ1 = 1. Por ejemplo, N1 =
10
1
El vector estable N1, autovector asociado al autovalor dominante o raíz de

Perron λ1, la raíz positiva de la ecuación característica, representa la única
distribución de edad estable asociada a las tasas de fertilidad y supervivencia
dadas para cada uno de los grupos de edad, pues por el teorema de Perron-
Frobenius es el único autovector de M que puede tener todas sus componen-
tes positivas. Este es el único autovector que tiene interés en la evolución de
la población y recibe el nombre de distribución de edad estable.
09 tema 7 14/3/03 08:45 Página 170
c) En el caso en que la matriz M es reducible, existe un autovalor λ1 real y posi-

tivo, tal que
λi≤ λ1, ∀i = 2, 3, …, k + 1
Y existe un autovector N1 asociado al autovalor dominante λ1 que tiene todas
sus componentes positivas. Puede haber autovectores asociados a otro auto-
valor con componentes positivas o cero.
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

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
7.8. Tasa neta de reproducción por unidad de tiempo.

Si la distribución de edad en el instante inicial es N0 = N1 se verifica que:
N 1 = M · N 0 = M · N 1 = λ1 N 1
N2 = M · N1 = M · (λ1 N1) = λ12 N1
…
Nn = λ1n N1, ∀n
esto significa que la distribución de edad de la población en el instante t = n es pro-
porcional a N0 = N1, ∀n .
El autovector N1 da las proporciones de las diferentes clases de edad en una
población estable de cualquier tamaño. Además, la raíz positiva λ1 de la ecuación
09 tema 7 14/3/03 08:45 Página 171
característica representa la tasa neta de reproducción por unidad de tiempo cuan-

do se parte de la distribución de edad estable N0 = N1.
Si se parte de la distribución de edad estable, N0 = N1, el crecimiento de la
población es proporcional al tamaño de esta. Llamando r a la tasa de crecimiento
per capita de la población o tasa de crecimiento instantáneo será:
dy
=r·y
dt
siendo r una constante, es decir, se trata de un crecimiento malthusiano. Si en el ins-
tante inicial hay y (0) = y0 individuos, la integral de esa ecuación diferencial es:
y (t) = y0 · er·t
Para t = n se tendrá: Nn = N0 · er · n para cada una de las clases de edad. Para una
determinada clase de edad, por ejemplo la edad x, por ser N0 = N1 y Nn = λ1n N1 se
tiene: Nxn = λ1n Nx0, siendo Nx0 la componente (x + 1)-ésima de N0 = N1, y también
Nxn = Nx0 · er · n , de donde se deduce que:
er · n = λ1n ⇒ r = Ln λ1.
La tasa de crecimiento per capita de una población estable es el logaritmo nepe-
riano de λ1 raíz de Perron de la matriz de proyección poblacional, o matriz de
Leslie.
Ejemplo 7.8.1. La siguiente matriz representa la matriz de proyección de una

población dividida en cuatro grupos de edad:
0 0 3 6
M= 1/2 0 0 0
0 1/3 0 0
0 0 1/2 0
a) Dar la ecuación característica y el autovalor dominante.

b) Hallar los autovectores asociados al autovalor dominante.
c) ¿Cuál es la distribución de edad estable?
d) ¿Cuál es la tasa neta de reproducción por unidad de tiempo cuando se parte
de la distribución de edad estable?
e) Si el crecimiento de la población es proporcional a su tamaño, hallar la tasa
de crecimiento per capita.
1 1
a) El polinomio característico es M – λI= λ4 – λ – y, por tanto, la ecua-
2 2
1 1
ción característica es λ4 – λ – = 0, cuyas soluciones son:λ1 =1, otra
2 2
real negativa que es aproximadamente – 0.647798 y un par de complejas
conjugadas de módulo 0.878546 que son aproximadamente – 0.176100 ±
± 0.860716 i. Así, el autovalor dominante es λ1 = 1.
09 tema 7 14/3/03 08:45 Página 172
b) Los autovectores asociados al autovalor dominante son las soluciones de la

α α α

ecuación: (M – I) X = 0 que son X = α, , , ∀ α o bien
2 6 12
X= (12α, 6α, 2α, α) ∀ α
c) Por tanto la distribución de edad estable es:
12n
6n
N1 = ∀ n .
2n
n
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.
7.9. Una aplicación en la zoología.

Bernardelli (4) describe la matriz de proyección poblacional para una especie de
escarabajo que vive sólo tres meses y que se reproduce únicamente en el tercer mes
de vida. Por cada hembra de dos meses de edad observó que nacían, por término
medio, seis nuevas hembras vivas, y estimó las probabilidades de supervivencia de
las clases: p0 = 1/2 y p1 = 1/3.
La matriz de Leslie correspondiente es:
0 0 6
M = 1/2 0 0
0 1/3 0
Efectuando el cambio de base dado por la matriz:
1
pi 0 0 1/6 0 0
i=0
H= = 0 1/3 0
0 p1 0 0 0 1
0 0 1
09 tema 7 14/3/03 08:45 Página 173
se obtiene la matriz B semejante a M :

0 0 1
–1
B=H·M·H = 1 0 0
0 1 0
cuya ecuación característica es:
B –λI= 0 ⇔ – λ3 + 1 = 0
que tiene por soluciones las raíces cúbicas de la unidad:
– 1 + 3 i – 1 – 3 i
λ1 = 1, λ2 = y λ3 =
2 2
Los tres autovalores tienen módulo máximo λ1 = 1, entonces M no puede ser pri-
mitiva. En efecto, el m. c. d. de los índices de los elementos positivos de la primera
fila de la matriz M es 3 ≠ 1. También se puede comprobar que todas las potencias
de la matriz M tienen algún elemento cero, pues
0 2 0
2
M = 0 0 3 , M3 = I3x3
1/6 0 0
por tanto, M3k + 1 = M, M3k + 2 = M2, M3k = I, ∀ k .
En consecuencia, cualquier distribución de edad inicial se repetirá idénticamen-
te cada tres meses.
Por ejemplo, si la población inicial es de 3000 hembras distribuidas en cantida-
des iguales en los tres grupos de edad, se tiene:
6000 2000 1000
N1 = M · N0 = 2 3
500 , N2 = M · N0 = 3000 y N3 = M · N0 = 1000
333 166 1000
Si N0 = N1, autovector asociado al autovalor dominante λ1 = 1, esta se manten-
drá estable y estacionaria a la larga.
Una población estable y estacionaria a la vez es la que se mantiene con la misma
distribución de sus individuos en las clases de edad en cualquier etapa y conser-
vando también en cada una de las clases el número de individuos de la distribución
inicial.
Si se parte de la distribución:
12
6
(1/2) · (1/3)
1
N0 = N = = 3
1
1
1/3
1
o cualquiera proporcional a ella, Nn = Mn · N0 = Mn · N1 = N1, ∀n ≥ 1, n . En este
caso la población será estable y estacionaria.
09 tema 7 14/3/03 08:45 Página 174
Pero si se parte de cualquier distribución de edad que no sea un autovector aso-

ciado al autovalor λ1 = 1, la distribución de edad presenta continuas oscilaciones.
Por ejemplo:
0 1080 0 0
Si N0 = 0 ⇒ N1 = 0 ⇒ N2 = 540 ⇒ N3 = 0
180 0 0 180
y estas distribuciones se irán repitiendo cíclicamente.
En este tipo de matrices con sólo un elemento distinto de cero en la primera fila,
fk ≠ 0, que corresponde a la reproducción de muchos insectos en los que los indivi-
duos pasan la mayor parte de su vida en varias fases inmaduras y al final de su vida
tienen un corto intervalo de reproducción, puede ocurrir que cualquier estabilidad
de la distribución de edades sea excepcional y aunque la matriz M permanece cons-
tante se presenten oscilaciones continuas en las distribuciones de edad. La excep-
ción, como ya se ha visto, es que la distribución inicial sea un autovector asociado
al autovalor dominante λ1.
7.10. Comportamiento asintótico de la distribución de edad N(n).

Para estudiar el comportamiento asintótico de la distribución de edad N(n) hay
que examinar el
lim Mn · N (0)
lim N (n) = n→∞
n→∞
lim Mn se facilita utilizando la matriz de Jordan J semejante a M. Así:
El cálculo del n→∞
lim Mn · N (0) = n→∞
lim N (n) = n→∞
n→∞
lim P · Jn · P–1 N0.
Como ya se explicó antes, sólo se considerarán, caso de existir clases de edad post-
reproductora, las (k + 1) primeras clases de edad, eliminando las (m + 1) – (k + 1)
clases de edad post-reproductora, pues estas últimas no influyen pasadas n = m – k
etapas. Por tanto, se trabajará con una matriz de Leslie irreducible. En consecuen-
cia, el autovalor dominante es un autovalor simple de la matriz M, que es no singu-
lar, por lo que 0 no es autovalor de M.
Se pueden presentar dos casos:

• Si M no es primitiva, la estabilidad de la distribución de edades será excep-
cional. Sólo si N0 es un autovector asociado al autovalor dominante λ1 > 0, la
distribución de edad se mantendrá proporcional a N0 a la larga.
• Si la matriz de Leslie es primitiva, el autovalor dominante λ1 es el único auto-
valor de M de módulo máximo. Este autovalor dominante λ1 será 1 según
que la suma de los elementos de la primera fila de la matriz B sea 1, pues el
valor del polinomio característico de la matriz B para λ = 1 es:
2 k–2 k–1
1 – f0 – p0 f1– p0 p1 f2 – f3 pi – … – fk–1 pi – fk pi = 1 – S
i=0 i=0 i=0
siendo S la suma de los elementos de la primera fila de la matriz B.
09 tema 7 14/3/03 08:45 Página 175
- Si S < 1, entonces 1 – S > 0. Por tanto, el valor del polinomio característico

k–1
para λ = 1 es positivo, y como – fk pi < 0 es el valor de ese polinomio para
i=0
λ = 0, la única raíz positiva estará entre 0 y 1. De ahí que λ1 < 1.
- Si S = 1, entonces 1 – S = 0. En este caso λ1 = 1 es la raíz buscada.
- Si S > 1, entonces 1 – S < 0, el valor del polinomio característico para λ = 1

es todavía negativo, del mismo signo que el valor para λ = 0, por lo que
λ1 > 1.
Por tanto un simple cálculo de la suma de los elementos de la primera fila de
la matriz B nos permite saber si el autovalor dominante es λ1 = 1, menor que
la unidad o mayor que la unidad.
Las componentes de la distribución de edad estable:
λ1k
k–1
pi
i=0
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
que es un autovector asociado al autovalor λ1 = 1. Cualquiera que sea la

distribución de edad inicial tiende a la distribución estable dada por N1,
autovector asociado a λ1 = 1. La población alcanza asintóticamente, si se
mantienen constantes las tasas de supervivencia y de fertilidad, una distri-
bución por edades fija, determinada por la distribución N1. La población es
estable.
Si se parte de N0 = N1 entonces N (n) = N1, ∀n ⇒ n→∞
lim N (n) = N1. La dis-
tribución de edad N1 es, por tanto, estable y estacionaria. No sólo se conser-
van las proporciones de las distintas clases de edad sino también el número de
individuos de cada una de las clases en la población.
• Si λ1 > 1, la tasa de crecimiento per capita es r = Ln λ1 > 0.

Partiendo de N0 = N1 se tiene N (n) = λ1n · N0. En cada periodo la población
aumenta con una tasa de reproducción λ1 y tasa neta de crecimiento ( λ1 – 1).
• 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.
Una población puede tener representación por edades estable, la proporción de

individuos de cada una de las clases de edad constante, pero no ser estacionaria, es
decir, puede aumentar o disminuir su tamaño.
Una población estacionaria y estable a la vez es la que conserva el mismo núme-
ro de individuos con la misma distribución de estos en las clases de edad.
Ejemplo 7.10.1. ¿Qué se puede afirmar del comportamiento asintótico de la

distribución de edad N (n) para la población del ejemplo 7.8.1.?
Como la matriz M es primitiva, por ser m. c. d. {3, 4} = 1, e irreducible, por ser
f4 = 6 ≠ 0, se sabe que el
12n
6n
lim N (n) = N1 =
n→∞ 2n
n
independientemente de la distribución de edad en el instante inicial N0.

09 tema 7 14/3/03 08:45 Página 177
7.11. Aplicaciones a la ecología.

El modelo de Leslie tiene particular interés en el estudio de la evolución de
poblaciones que se tratan de mantener estables, como pueden ser las explotadas por
el hombre, poblaciones de animales que son objeto de caza o pesca. Así, se ha apli-
cado, por ejemplo, al estudio de poblaciones de Cervus elaphus, ciervo común de
los bosques europeos, símbolo de la caza mayor de todos los tiempos, investigando
cuál debe ser la porción máxima que se puede cazar para mantener la población
estacionaria.
Si para una de estas poblaciones el autovalor dominante λ1 de la matriz de Leslie
correspondiente es mayor que la unidad, partiendo de una distribución de edad esta-
ble, determinada por un autovector N1 asociado al autovalor dominante, una explo-
tación equilibrada de la población podría permitir una extracción aproximada de un
porcentaje (λ1 – 1)·100 de cada una de las clases de la población al final de cada
periodo. Con esto la población se mantendría estacionaria.
Ejemplo 7.11.1. Aplicación a la evolución de una población de truchas.

Jensen, en 1971, aplicó el modelo de Leslie para hacer un estudio teórico de la
evolución de una población de truchas. Para ello dividió la población en cinco cla-
ses de amplitud un año. Las probabilidades de supervivencia y las tasas de fertili-
dad de cada una de las clases se recogen en la siguiente tabla:
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
La matriz de proyección para esta población es, por tanto:
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
1887 3264 8364

Su ecuación característica es: – λ5 + λ2 + λ + = 0
2500 15625 390625
09 tema 7 14/3/03 08:45 Página 178
La matriz M es primitiva y, por tanto, el único autovalor de módulo máximo es

el autovalor dominante, que es la única raíz real y positiva, λ1, aproximadamente
igual a 1.
En la siguiente gráfica se ha representado con DERIVE el polinomio caracte-
rístico de la matriz M. En ella se puede observar que corta al eje de abscisas apro-
ximadamente para λ1 = 1.
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
Un autovector asociado al autovalor dominante, λ1 = 1, es aproximadamente:
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.
Ejemplo 7.11.2. ¿Qué ocurrirá en la población de truchas del ejemplo anterior

si la probabilidad de supervivencia de la clase C0 aumenta en un 20 %?
Entonces, la probabilidad del primer grupo de edad será:
p0 = (1.2) (0.06) = 0.072.

09 tema 7 14/3/03 08:45 Página 179
Y la nueva matriz de proyección:
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
El polinomio característico de M1 es:

5661 19584 50184
M1 – λI= – λ5 + λ2 + λ +
6250 78125 1953125
Para esta matriz es aproximadamente λ1 = 1.05284 > 1 el autovalor de módulo
máximo.
En la gráfica siguiente, la curva «a» representa el polinomio característico de M
y la curva «b» el polinomio característico de M1.
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
Si se parte ahora de la distribución de edad estable asociada al nuevo autovalor,

la tasa de crecimiento anual es: (λ1 – 1)·100 = 5.284 %, y en el caso anterior era 0,
ya que se mantenía constante.
Ejemplo 7.11.3. ¿Cuál sería el comportamiento a la larga de la población del

ejercicio 7.11.1. si se capturaran todas las truchas de las dos últimas clases de la
población?
09 tema 7 14/3/03 08:45 Página 180
En este caso la matriz de Leslie será:
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
Ejemplo 7.11.4. Crecimiento de una población de Microtus agrestis, ratón de

campo.
Leslie y Ranson (36) publicaron sus estudios sobre el crecimiento de una pobla-
ción del roedor Microtus agrestis observada en laboratorio. Las hembras se apa-
rean a partir de la edad de 32 días y el periodo de gestación es de 3 semanas, por ello
suponen clases de edad de 56 días, esto es, de ocho semanas. La última clase con-
siderada es de 64 a 72 semanas. Determinaron los valores de las tasas de fertilidad
para cada uno de los periodos de ocho semanas y las probabilidades de superviven-
cia de cada una de las clases de edad. Los resultados que obtuvieron están ordena-
dos en la siguiente Tabla:
09 tema 7 14/3/03 08:45 Página 181

[0, 8) p0 = 0.833 f0 = 0.650
[8, 16) p1 = 0.877 f1 = 2.393
[16, 24) p2 = 0.804 f2 = 2.972
[24, 32) p3 = 0.736 f3 = 2.466
[32, 40) p4 = 0.675 f4 = 1.704
[40, 48) p5 = 0.619 f5 = 1.081
[48, 56) p6 = 0.567 f6 = 0.668
[56, 64) p7 = 0.519 f7 = 0.428
[64, 72) p8 = 0.0 f8 = 0.300
La matriz de Leslie correspondiente es:
0.650 2.393 2.972 2.466 1.704 1.081 0.668 0.428 0.300

0.833 0 0 0 0 0 0 0 0
0 0.877 0 0 0 0 0 0 0
0 0 0.804 0 0 0 0 0 0
M= 0 0 0 0.736 0 0 0 0 0
0 0 0 0 0.675 0 0 0 0
0 0 0 0 0 0.619 0 0 0
0 0 0 0 0 0 0.567 0 0
0 0 0 0 0 0 0 0.519 0
y su ecuación característica es:

λ9 – 0.650λ8 – 1.993λ7 – 2.171λ6 – 1.448λ5 – 0.737λ4 – 0.315λ3 – 0.121λ2 – 0.044λ – 0.016 = 0
Como la matriz es primitiva, sólo hay un autovalor de módulo máximo, que es
aproximadamente:
λ1 = 2.1902
Los restantes autovalores de M son cuatro pares de complejos conjugados apro-
ximadamente:
0.2305 ± 0.3651 i, – 0.0691 ± 0.5429 i, – 0.3767 ± 0.4878 i, – 0.5548 ± 0.1882 i,
cuyos módulos son respectivamente: 0.431773 para el primer par de complejos
conjugados, 0.547279 para el segundo par, 0.616321 para el tercer par y 0.585851
para el cuarto.
09 tema 7 14/3/03 08:45 Página 182
Un autovector asociado al autovalor dominante λ1 = 2.1902 es aproximada-

mente:
9961
3789
1517
567
N1 = 187
58
16
4
1
Este vector representa la única distribución de edad estable en el supuesto de

que se mantengan constantes las tasas de fertilidad y las probabilidades de supervi-
vencia dadas para cada uno de los grupos de edad. Da las proporciones de las dife-
rentes clases de edad en una población estable de cualquier tamaño.
Esto quiere decir que si la distribución de edad en un instante dado es
9961
3789
1517
567
Nn = 187 = N1
58
16
4
1
tomando como unidad de medida el número de ratones de la última clase de edad

considerada, esta distribución mantendrá las proporciones en las diferentes clases de
edad a lo largo del tiempo.
Pasada una etapa la distribución de las edades será:
Nn+1 = M · Nn = (2.1902) Nn
El autovalor λ1 = 2.1902 es la tasa neta de reproducción por unidad de tiempo.
La tasa de crecimiento per capita, o tasa de crecimiento instantánea es:
r = Lnλ1 = Ln (2.1902) = 0.784
esta población no se extingue sino que evoluciona favorablemente creciendo apro-
ximadamente 100 (λ1 –1) = 119.02 % cada ocho semanas, si se parte de la distribu-
ción de edad estable.
09 tema 7 14/3/03 08:45 Página 183
7.12. Algunas analogías entre las cadenas de Markov y el modelo

de Leslie.
Para estudiar el comportamiento asintótico de los dos modelos, se han utilizado
matrices, que en ambos casos eran no negativas, la matriz de transición estocástica
por columnas en las cadenas de Markov y la matriz de proyección en el modelo de
Leslie.
En las cadenas de Markov se considera el vector columna P (n) = Mn · P (0) que
representa la distribución de probabilidad en el instante n. Cada uno de sus ele-
mentos simboliza la probabilidad que el sistema se encuentre en el instante n en
cada uno de los estados de la cadena.
En el modelo de Leslie se considera la distribución de edades de la población en
el instante n: Nn = Mn · N0. Cada uno de los elementos indican el número de indivi-
duos de la población de cada una de las clases en ese instante.
Si la matriz de transición de una cadena de Markov es irreducible y primitiva,
entonces tiene un único autovalor de módulo 1, que además es simple, λ1 = 1, y los
restantes autovalores λi tienen módulo menor que 1.
Si la matriz de proyección del modelo de Leslie es irreducible y primitiva,
entonces tiene un único autovalor λ1 real y positivo que también es autovalor sim-
ple de la matriz, es la raíz de Perron. Y además se cumple que todos los restantes
autovalores tienen módulo menor que λ1.
El autovalor λ1 = 1 es el autovalor dominante en las cadenas de Markov y en el
modelo de Leslie el autovalor dominante es λ1, la raíz de Perron.
Si en una cadena de Markov existen m > 1 autovalores de módulo 1, estos son
las raíces enteras de la unidad y son todos simples. Por tanto, pertenecen a una cir-
cunferencia de centro en el origen del plano complejo y de radio 1.
Puede ocurrir que la matriz de proyección de algún modelo de Leslie tenga otro
u otros autovalores, necesariamente negativos o complejos de módulo λ1 pero todos
ellos son simples y pertenecen a una circunferencia de centro en el origen del plano
complejo y con radio λ1.
En las cadenas de Markov los únicos autovectores que pueden tener todas las
componentes positivas son los asociados al autovalor λ1 = 1, que son los vectores de
probabilidades de equilibrio.
Un autovector asociado al autovalor dominante en el modelo de Leslie es el
único que puede tener todas las componentes positivas y representa la única distri-
bución de edad estable en ese modelo.
7.13. Generalizaciones del modelo de Leslie.

Una primera extensión del modelo de Leslie se debe a Lefkovitch, que conside-
ra la población dividida en grupos de distinta duración, por ejemplo, etapas de desa-
rrollo, más fácil de observar en el estudio de algunos animales en los que resulta
más difícil conocer su edad que la etapa en la que se encuentran.
09 tema 7 14/3/03 08:45 Página 184
También se ha generalizado el modelo de Leslie para la evolución de poblacio-

nes en botánica, a partir de 1970. En botánica, es el tamaño mejor predictor de la
evolución que la edad.
Estas y otras generalizaciones del modelo de Leslie, en las que la matriz M ya
no es una matriz de constantes sino que varía con el tiempo, se pueden encontrar en
la obra de Caswell (12).
09 tema 7 14/3/03 08:45 Página 185
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.
2. Razónese si es posible determinar una distribución de edades estable y estacionaria

para una población animal cuya matriz de proyección poblacional es la siguiente:
0 1 3
M= 1/2 0 0
0 1/3 0
3. La evolución de una población dividida en tres clases de edad sigue un modelo
de Leslie de matriz asociada:
1/12 8 10
M = 1/48 0 0
0 1/10 0
a) Calcular los autovalores de esta matriz.
b) Hallar los autovectores asociados a todos los autovalores.
c) lim Mn
Utilizando la matriz de Jordan, calcular el n→∞
d) ¿Cuál es la distribución de edad estable?
e) ¿Cuál es la tasa de reproducción por unidad de tiempo cuando se parte de la
distribución de edad estable?
f) ¿Qué se puede afirmar del comportamiento asintótico de la distribución de
edad N (n) para esta población?
g) Si el crecimiento es proporcional a su tamaño, calcular la tasa de crecimien-
to per capita.
4. Construir la matriz de proyección poblacional para una población estructurada en

cuatro clases de edad sabiendo que las tres primeras etapas son inmaduras y, por
tanto, sólo se reproducen los individuos de mayor edad, que las tres cuartas par-
tes de los de la primera clase sobreviven después de una etapa y la mitad de los de
las clases segunda y tercera consiguen llegar a la clase de edad siguiente y que,
partiendo de la siguiente proporción de individuos de cada clase 18:9:3:1, la
población se mantiene estable y crece con una tasa de crecimiento per capita 1/2.
09 tema 7 14/3/03 08:45 Página 186
5. Para estudiar una clase de insectos holometábolos se considera dividida la pobla-

ción en cuatro etapas o clases: huevo, larva, pupa y adulto. Las tres primeras eta-
pas son inmaduras y sólo se reproducen en la etapa adulta. Se ha estimado que
una hembra adulta produce en media quince descendientes, y una vez que se
reproducen mueren. Las tasas de supervivencia de las primeras etapas son:
p0 = 0.6, p1 = 0.9 y p2 = 0.3.
a) Dar la matriz de proyección correspondiente a la evolución de esta pobla-
ción.
b) ¿Es una matriz primitiva?
c) Calcular los autovalores de esa matriz y dar el autovalor dominante.
d) ¿Qué se puede asegurar sobre la evolución de esta población?
6. Se ha observado la evolución de una población animal, estructurada en cinco cla-

ses de edad, en cautividad y en libertad, estimando las probabilidades de transi-
ción y las tasas de supervivencia de cada una de las clases de edad en ambos
casos. Las matrices de transición son respectivamente:
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
8. En una piscifactoría se reproduce una especie con interés comercial. Se tiene

repartida la población en cuatro clases de edad de amplitud un año: larvas, ale-
vines, adultos de dos años y adultos de tres años. Todos los adultos de tres años
se venden. Se sabe que cada hembra adulta de dos años produce por año un tér-
mino medio 1200 larvas que logran sobrevivir y cada hembra de tres años pro-
duce 1600 larvas viables al año, que la proporción de machos a hembras se man-
tiene constante y que con la siguiente distribución de edades se ha logrado
mantener la población estable y estacionaria:
106400
1400
70
14
Se pide calcular la proporción de individuos de cada una de las clases de edad

que pasan a la siguiente etapa al cabo de un año.
9. La evolución de una planta se representa mediante un modelo de Leslie con tres

clases de edad de amplitud un año. Se divide la población en tres clases: semi-
llas, planta joven y planta adulta. Se ha observado que logran germinar una cuar-
ta parte de las semillas y llegan a ser plantas jóvenes, de estas se pierden la
mitad que no llegan al estado adulto y las de tres años se renuevan. Cada planta
joven produce una media de 76 semillas al año y una adulta una media de 240.
Se pide:
a) Escribir las tablas de vida de esta población.
b) Dar la matriz de Leslie correspondiente.
c) Calcular el autovalor dominante.
d) ¿Se puede dar una distribución de edades estacionaria? ¿Y estable?
e) Explicar cómo influye en la población el que se eliminen las semillas de
todas las plantas jóvenes.
09 tema 7 14/3/03 08:45 Página 188
10 apendice 1 14/3/03 08:47 Página 189
Apéndice I
Cálculo de los autovalores,
autovectores y matriz de
Jordan de una matriz dada
utilizando el programa
DERIVE 12-13
En los Capítulos 6 y 7 se ha visto la utilidad de los autovalores y autovectores

para estudiar el comportamiento asintótico de dos modelos discretos, pero también
son muy importantes en estadística, por ejemplo, para el análisis de componentes
principales, para el análisis discriminante, el análisis factorial, el análisis de corres-
pondencias, y necesarios para el estudio de modelos continuos como son los siste-
mas de ecuaciones diferenciales, útiles en el estudio de la evolución de dos o más
especies que conviven en el mismo hábitat, entre otras muchas aplicaciones.
A continuación se explica con detalle cómo se puede utilizar el programa DERI-
VE para hallar una matriz de Jordan semejante a una matriz dada Anxn, distinguien-
do las matrices diagonalizables de las que no lo son y hallando también en el caso
en que Anxn no sea diagonalizable una matriz semejante a la matriz A diagonal por
cajas, forma canónica de Jordan de A, del mismo modo que se podría hacer a mano
pero con la ventaja de la rapidez y seguridad en los cálculos.
Dada una matriz cuadrada A, se trata de hallar una matriz regular P, tal que
J = P–1 · A · P sea una matriz diagonal o diagonal por cajas. Para ello se utilizarán
funciones de DERIVE como:
DIMENSION (A) que calcula la dimensión de una matriz.

CHARPOLY (A, µ) para hallar el polinomio característico.
DET (A) para hallar el valor del determinante de A.
Además, para distinguir si una matriz es o no diagonalizable se necesita hallar

la dimensión del autoespacio vectorial asociado y para ello se utiliza la función
RANK (A) que da el rango de la matriz A. Esta función está incluida en el fichero
12
DERIVE ® es una marca registrada por Soft Warehouse, Inc.
13
Véase (23).
10 apendice 1 14/3/03 08:47 Página 190
de utilidades VECTOR.MTH por lo que antes de comenzar a utilizar el programa

DERIVE se carga ese fichero del siguiente modo:
Transfer Load Utility file: VECTOR.MTH ↵
de esta forma se puede usar la función RANK, ahorrando espacio al no aparecer en
pantalla todas las funciones que contiene.
Dada una matriz cuadrada A, con coeficientes reales, se halla su polinomio
característico:
POLCARACT (A, µ): = CHARPOLY (A, µ)
se factoriza y se resuelve en el cuerpo , determinando así los autovalores y su
orden de multiplicidad algebraica.
Se define el rango de una matriz: RANGO (A): = RANK (A)
Para cada autovalor µ se calcula la dimensión del autoespacio vectorial asociado:
DIMAUTOEV (A, µ): = DIMENSION (A) - RANGO(MAUTOEV (A, µ))
donde MAUTOEV (A, µ): = A – µ IDENTITY_MATRIX (DIMENSION(A))
representa la matriz del autoespacio vectorial.
A. 1. Reconocimiento de matrices diagonalizables.

Si la dimensión del autoespacio vectorial asociado a µ coincide con el orden de
multiplicidad algebraica para cada uno de los autovalores de la matriz A, esta es
diagonalizable. En este caso, la matriz de Jordan semejante a la matriz A será dia-
gonal y en los restantes diagonal por cajas, como asegura el teorema de Jordan, por
ser un cuerpo algebraicamente cerrado.
Se utilizará en este proceso el archivo RECMDIA.MTH que contiene las si-
guientes expresiones:
1: POLCARACT (A, µ): = CHARPOLY (A, µ)
2: RANGO (A): = RANK (A)
3: MAUTOEV (A, µ): = A – µ. IDENTITY_MATRIX (DIMENSION (A))
4: DIMAUTOEV (A, µ): = DIMENSION (A) - RANGO (MAUTOEV (A, µ))
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.
A.2. Diagonalizar una matriz.

El archivo DIAGM3X3.MTH contiene las expresiones:
10 apendice 1 14/3/03 08:47 Página 192
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
A.3. Hallar una matriz de Jordan semejante a A3x3.

El archivo CMJM3X3.MTH contiene las cinco primeras expresiones del archi-
vo DIAGM3X3.MTH, y además:
6: M_N (A, µ, k): = (A – µ IDENTITY_MATRIX (3))k
que es la matriz correspondiente al
Ker (A – µI)k = {X 3 / (A – µI)k X = 0}
7: DIMSVNK (A, µ, k): = DIMENSION (A) – RANGO (M_N(A, µ, k))
para calcular la dimensión de cada uno de los subespacios de la cadena:
0 N (A, µ, 1) = AUTOEV(A, µ) N (A, µ, 2) . . . N (A, µ, k)
que se estabiliza cuando la dimensión del subespacio vectorial N(A, µ, k) coincide
con el orden de multiplicidad del autovalor µ.
x1
8: N (A, µ, k, x1, x2, x3): = (A – µ IDENTITY_MATRIX (3)) · x2
k
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
Como la dimensión del autoespacio correspondiente al autovalor doble es uno,

hay que calcular el subespacio:
N (A, µ = – 2, 2, x1, x2, x3) = [x1 = @3, x2 = @4, x3 = 0]
que ya tiene dimensión 2, igual al orden de multiplicidad del autovalor – 2 y con la
que se estabiliza la cadena correspondiente a dicho autovalor.
10 apendice 1 14/3/03 08:47 Página 194
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
se tiene una base de 3 respecto de la cual la matriz semejante a A es:
–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.
Se calcula con DERIVE:
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
se tiene una base de 3 respecto de la cual la matriz semejante a A es:
–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
Obsérvese que, si se colocan los vectores de la base en orden inverso, la parale-

la a la diagonal principal que contiene los unos aparece por encima de esta, pues
15 9 1 –1 1 0
P= 6 3 1 y P–1 · A · P = 0 –1 1 .
– 27 – 15 0 0 0 –1

Los archivos DIAGM4X4.MTH y CMJM4X4.MTH resuelven el mismo pro-
blema para matrices de orden 4.
El archivo DIAGM4X4.MTH consta de las seis expresiones que aparecen en la

siguiente figura:
10 apendice 1 14/3/03 08:47 Página 196
y resuelve el problema para las matrices de orden 4 que sean diagonalizables.
Si para algún autovalor µ es DIMAUTOEV (A, µ) menor que el orden de multi-

plicidad de µ, se puede encontrar J usando el archivo que hemos denominado
CMJM4X4.MTH, que contiene las cinco primeras expresiones del anterior y ade-
más:
6: M_N(A, µ, k): = (A – µ IDENTITY_MATRIX (4))k
7: DIMSVNK (A, µ, k): = DIMENSION (A) – RANGO (M_N (A, µ, k))
x1
x2
8: N (A, µ, k, x1, x2, x3, x4): = (A – µ IDENTITY_MATRIX (4))k ·
x3
x4
9: P: = APPEND (V1`, V2`, V3`, V4`)`
– 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
AUTOEV (A, µ = – 2) = x1 = @2, x2 = @3, x3 = 2@2 + 3@3, x4 = – @3

como el autoespacio vectorial correspondiente al autovalor 2, que es doble, tiene
dimensión uno, hay que calcular el subespacio:
N (A, µ = 2, 2) = x1 = @4, x2 = @5, x3 = @4, x4 = @4 + @5
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
La matriz del cambio de base en 4 es:

0 9 1 0 2 0 0 0
1 –6 0 1 1 2 0 0
J= y P–1 · A · P =
0 9 2 3 0 0 –2 0
1 3 0 –1 0 0 0 –2
En los dos ejemplos siguientes las matrices tienen el mismo polinomio

característico (µ + 1)4 y la dimensión del autoespacio vectorial correspondiente al
autovalor – 1 es en ambos casos 2, pero no son semejantes a la misma matriz de
Jordan, como se verá a continuación.
10 apendice 1 14/3/03 08:47 Página 198
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.
La cadena de subespacios para el autovalor – 1 se estabiliza en N (A, µ = –1, 2)

0 N (A, µ = – 1, 1) N (A, µ = –1, 2) = 4
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
se obtiene la base respecto de la cual la matriz semejante a A es:
–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
se tiene la base respecto de la cual la matriz semejante a A es:
–1 0 0 0
1 –1 0 0
J=
0 1 –1 0
0 0 0 –1
Ya que, la matriz del cambio de base es:
1 1 –1 0
0 –1 0 1
P= y P–1 · A · P = J.
0 1 0 0
0 0 1 –1

Para matrices de orden 5, en las que se presenta más variedad de formas canó-
nicas de Jordan, se puede utilizar el archivo MJM5X5.MTH que contiene las expre-
siones:
1: POLCARACT (A, µ): = CHARPOLY (A, µ)
2: RANGO (A): = RANK (A)
3: MAUTOEV (A, µ): = A – µ IDENTITY_MATRIX (DIMENSION (A))
4: DIMAUTOEV (A, µ): = DIMENSION (A) – RANGO (MAUTOEV (A, µ))

5: AUTOEV (A, µ, x1, x2, x3, x4, x5): = x1
x2
= (A – µ · IDENTITY_MATRIX (DIMENSION (A))) · x3
x4
x5
6: M_N (A, µ, k): = (A – µ IDENTITY_MATRIX (DIMENSION (A)))k
7: DIMSVNK (A, µ, k): = DIMENSION (A) – RANGO (M_N (A, µ, k))
8: N (A, µ, k, x1, x2, x3, x4, x5): = x1
x2
= (A – µ · IDENTITY_MATRIX (DIMENSION (A))) · x3
k
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
la dimensión del AUTOEV (A1, µ = – 1) es 2, la dimensión de N (A1, µ = – 1, 2)

es 3 , la de N (A1, µ = – 1, 3) es 4 y la de N (A1, µ = – 1, 4) es 5 y su forma canóni-
ca es:
–1 0 0 0 0
1 –1 0 0 0
J= 0 1 –1 0 0
0 0 1 –1 0
0 0 0 0 –1
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
la del subespacio N (A3, µ = – 1, 2) es 4 y la de N (A3, 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 0 –1
–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
24. a) 0.3225, b) 0.8738

25 26 1
25. a) , b) , c) .
102 51 51
35
26. a) 0.01465, b) .
128
27. 0.9986
28. a) 0.098, b) 0.882, c) 0.018, d) 0.998, e) 0.002
29. a) 0.453, b) 0.3311

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
3. Son isomorfos a y c y también d y e.

11 apendice 2 14/3/03 08:50 Página 205
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.
7. Las matrices de adyacencia son, respectivamente:
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
8. a) Camino no elemental pero simple.

b) Camino elemental y por tanto simple.
c) Circuito.
d) Camino no elemental pero simple.
e) Camino no elemental, sí simple.
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.
11. Sobre el tetraedro se puede dibujar un camino hamiltoniano (1,2,3,4), pero

no un camino euleriano porque los cuatro vértices son de grado impar. Sí es
un grafo hamiltoniano, porque (1,2,3,4,1) es un ciclo hamiltoniano.
1 2
3 8 7
4 3
4
1 2 5 6
Para el hexaedro se puede también encontrar un camino hamiltoniano, por

ejemplo, (1,2,3,4,5,6,7,8) pero no un camino euleriano, por la misma razón
que en el caso anterior. Es también un grafo hamiltoniano, un circuito
hamiltoniano es (1,2,3,4,5,6,7,8,1).
12. a) seis, b) una.

11 apendice 2 14/3/03 08:50 Página 207
APÉNDICE II 207
13. Ninguno de los dos es hamiltoniano. En el primero suprimiendo dos vérti-

ces se obtienen tres componentes conexas.
En el segundo, se ve que al suprimir un vértice quedan tres componentes

conexas.
14. Los puntos de corte son los vértices 3, 4, 7, 9 y 10.

1 5 8 11
3 4 7 12
2 6 9 10
Son istmos las aristas d, l, m y n.
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.
19. Sí son isomorfos. Un isomorfismo es la aplicación que asocia a los vértices

del primer grafo: a, b, c, d, e, f, g, h, i, j los vértices: 8, 2, 10, 6, 5, 4, 3, 9, 7, 1
del segundo grafo en este orden.
20. No son isomorfos, porque en el neopentano el carbono central es adyacen-

te a cuatro vértices de grado cuatro y en el pentano ninguno de los vértices
centrales tiene esa propiedad. Si se suprime el carbono central del neopen-
tano quedan cuatro componentes conexas y en el pentano, si se retira cual-
quiera de los carbonos centrales, quedan cuatro componentes conexas pero
dos de ellas son dos vértices aislados.
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
3. a) E = {0, 1, 2} cada estado representa el número de éxitos consecutivos conse-

2/3 2/3 0 1
5
guidos por el chimpancé; b) M = 1/3 0 0 ; c) P (0) = 0 ; d) .
27
0 1/3 1 0
11 apendice 2 14/3/03 08:50 Página 209
APÉNDICE II 209
4. a) Representando por: A1 que el laboratorio está ocupado realizando un pri-

mer turno de análisis antidopaje, A2 que está ocupado en el segundo turno
de ese mismo tipo de análisis, R que está realizando un análisis rutinario y
L que el laboratorio está libre, E = {A1, A2, R, L};
0 1/5 1/5 1/5
1 0 0 0 7291
b) M = ; c) .
0 8/15 8/15 8/15 9375
0 4/15 4/15 4/15
5. a) El estado en la etapa n-ésima representa el mayor de los números obte-
nidos en las n primeras extracciones, E = {1, 2, 3, 4, 5};
1/5 0 0 0 0 1/5 1/25
1/5 2/5 0 0 0 1/5 3/25
b) M = 1/5 1/5 3/5 0 0 ; c) P (1) = 1/5 ; d) P (2) = 1/5 y
1/5 1/5 1/5 4/5 0 1/5 7/25
1/5 1/5 1/5 1/5 1 1/5 9/25
1/125 0 0 0
7/125 0 0 0
P (3) = 19/125 ; e) P (0) = 1 y P (35) g 1.72 · 10–8 ; f) P (0) = 0 y
37/125 0 4.06 · 10–4 0
61/125 0 0 0.9996 1
0
P (35) = 0 = P (n),∀n .
0
1
6. a) p ≥ 0, q ≥ 0 y p + q = 1
p2 + pq p2 p2 0
pq 2 pq 0 p2
b) M2 =
q2 0 2 pq pq
0 q2 q pq + q2
2
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
9. E = {1, 2, 3, 4, 5, 6, 7, 8, 9}, siendo cada estado la celda en la que se

encuentra el robot.
La matriz de transición es:
0 1/3 0 1/3 0 0 0 0 0
1/2 0 1/2 0 1/4 0 0 0 0
0 1/3 0 0 0 1/3 0 0 0
1/2 0 0 0 1/4 0 1/2 0 0
M = 0 1/3 0 1/3 0 1/3 0 1/3 0
0 0 1/2 0 1/4 0 0 0 1/2
0 0 0 1/3 0 0 0 1/3 0
0 0 0 0 1/4 0 1/2 0 1/2
0 0 0 0 0 1/3 0 1/3 0
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.
c) Por tanto, los estados a, b, c, d, e, f, g y k son transitorios, el estado j es

absorbente, l y m son recurrentes y h e i son ergódicos.
11 apendice 2 14/3/03 08:50 Página 212
2. La cadena consta de dos clases: C1 transitoria, formada por los estados 1, 3

y 5 y C2 ergódica regular, formada por los estados 2, 4, 6 y 7. Por ello los
estados 2, 4, 6 y 7 son ergódicos y los estados 1, 3 y 5 son transitorios.
3. a) Sólo tiene dos clases C1 absorbente y C2 transitoria.
b)
C1 1
2
5 C2
3
4
6
8
c) El estado1 es absorbente y todos los demás transitorios.
4. a) Los diagramas de transición de las cadenas correspondientes a la

Ciudadela y a la Torre del Homenaje son respectivamente:
1
1 4
2 3
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
b) La cadena consta de dos clases una transitoria y la otra absorbente. Los

estados 2,3,4 y 5 son transitorios y el estado 1 es absorbente.
c) No es una cadena regular, porque no está formada por una sola clase
ergódica no cíclica.
6. a) El correspondiente diagrama de transición es:

1 1/ 1/ 1/ 1/ 1/ 1
2 2 2 2 2
1/ 1/ 1/ 1/ 1/
2 2 2 2 2
0 1 2 3 4 5 6
b) Son transitorios los estados 1, 2, 3, 4 y 5.
c) Son ergódicos los estados 0 y 6, que además son ambos absorbentes.
d) El estado e E = {0, 1, 2, 3, 4, 5, 6} indica el número de parcelas
de territorio que ocupa la especie X. Por ejemplo, el estado 0 significa
que la especie Y ocupa todo el territorio, 6 que es X la que se ha apode-
rado de todas las parcelas, 2 que la especie X ocupa dos parcelas del
territorio y, por tanto, la especie Y las otras cuatro. En general, el estado
e E = {0, 1, 2, 3, 4, 5, 6} muestra que la especie X ocupa e unidades
del territorio y el resto la especie Y.
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
b) La matriz diagonal semejante a M es: D = 0 – 3 – 33 .

0
12
– 3 + 33
0 0
12
1/8 1/8 1/8 1/8
lim Mn = 1/2 1/2 1/2 . El n→∞
c) El n→∞ lim Mn · P = 1/2 cualquiera que sea el
3/8 3/8 3/8 3/8
vector de probabilidad P, es decir, la distribución de probabilidad estable.
11 apendice 2 14/3/03 08:50 Página 214
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.
4. Los autovalores de: M1 son 1, 1/2 y 0; los de M2 son 1, 0 (doble) y – 1; los

4 9 + 7 9 – 7
de M3 son 1, , y ; los de M4 son 1, 0 y – 1/2 (doble).
5 25 25
Las matrices semejantes a Mi (i = 1, 2, 3, 4) y diagonales son, respectiva-
mente:
1 0 0 0
1 0 0 0 0 0 0
D1 = 0 1/2 0 ; D2 = 0 0 0 ;
0
0 0 0 0 0 0 –1
11 apendice 2 14/3/03 08:50 Página 215
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
b) Todos los estados de la primera son ergódicos (permanentes). La cadena

es completamente ergódica.
Los estados de la segunda son periódicos de periodo dos.
Los de la tercera son: a, b y c transitorios y d absorbente.
Los de la cuarta son ergódicos (permanentes) pues la cadena es regular.
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
lim Mn · v1 = v1. Para cualquier

la distribución de probabilidad inicial será n→∞
lim Mn · P porque el límite para
otro vector de probabilidad, P, no existe n→∞
las potencias pares de M no coincide con el de las potencias impares y exis-
ten oscilaciones de periodo dos. La distribución de probabilidad a la larga
depende de la distribución de probabilidad inicial.
0
0
En la tercera, el vector de probabilidad estable es y a la larga la cade-
0
1
na queda atrapada en el estado d, cualquiera que sea la distribución de pro-
babilidad inicial.
1/3
1/3
En la cuarta, la distribución de probabilidad a la larga es indepen-
1/6
1/6
dientemente de la distribución de probabilidad inicial.
1/2 1/4 1/4 1/3

6. a) E = {A, B, C} y M = 1/4 1/2 1/4 ; b) P (3) = 17/48 ;
1/2 1/4 1/2 15/48
0.3333 1/3
c) P (30) = 0.3333 ; d) n→∞lim P (n) = 1/3 independientemente del vec-
0.3333 1/3
tor de probabilidad inicial, por ser la cadena completamente ergódica.
7. a) E = {1, 0} designando por 1 «sí va a trabajar» y por 0 «no va a trabajar»,

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.
10. a) Designando por P «profesional», C «cualificado», N «no cualificado» y

S «sin descendencia» el espacio de estados es: E = {P, C, N, S}.
0.56 0.14 0.175 0
b) M = 0.07 0.42 0.175 0 . c) 0.18375
0.07 0.14 0.35 0
0.3 0.3 0.3 1
11. a) E = {C1, C2, C3, C4}

b)
1 1 1
C1 C2 C3
1/ 1/ 1/
4 4 4
C4
1/
4
c) Los estados C1, C2 y C3 son absorbentes y C4 es transitorio.

0.3320 1/3
0.3320 1/3
d) P (3) = lim P (n) =
. e) n→∞ a la larga desaparecerá la col-
0.3320 1/3
0.0039 0
mena C4 y las otras tendrán el mismo número de abejas.
12. a) La distribución de probabilidad estacionaria es aproximadamente

0.1574
0.1539 .
0.6887
b) La distribución de probabilidad a la larga sería la distribución de proba-
bilidad estacionaria, por ser una cadena completamente ergódica.
11 apendice 2 14/3/03 08:50 Página 218
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
3. a) λ1 = 1/2, λ2 = – 1/4 y λ3 = – 1/6

b) N (λ = 1/2) = {x 3 / x = (120α, 5α, α), ∀ α }
N (λ = – 1/4) = {x 3 / x = (60β, – 5β, 2β), ∀ β }
N (λ = – 1/6) = {x 3 / x = (40γ, – 5γ, 3γ), ∀ γ }
lim Mn = 03x3
c) n→∞
120
1
d) La distribución de edad estable es N = 5 autovector asociado al
autovalor dominante λ1 = 1/2. 1
e) λ1 = 1/2.
0
lim N (n) = 0 cualquiera que sea la distribución de edad inicial. La
f) n→∞
0
población a la larga se extingue.
g) r = – 0.6931 < 0.
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
6. Es más favorable la evolución en libertad, ya que el autovalor dominante

de M1 es λ1 = 1.03187 menor que el autovalor dominante de M2 que es
λ1 = 1.12022, por tanto en cautividad crece con una tasa per capita del
0.03187 % y en libertad con una tasa 0.12022 %
41 16
26 8
1
7. a) N5 = 8 ; b) N = 4 ; c) sí es estacionaria.
8 2
0 1
d) Como la matriz no es primitiva, por ser f4 = 0, la distribución de edades
a la larga depende de la distribución inicial.
100 44 0 9
0 22 0 4
Si N0 = 0 es n→∞ lim N (n) = 11 , pero si N0 = 0 es n→∞ lim N (n) = 2
0 6 100 1
0 3 0 1
8. p0 = 1/76, p1 = 1/20, p2 = 1/5
9. a) La tabla de vida es:

Semillas [0, 1) 1/4 0
Plantas jóvenes [1, 2) 1/2 76
Plantas adultas [2, 3) 0 240
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
1. Abellanas, M., Lodares, D. Análisis de algoritmos y teoría de grafos. Ed. Ra-

Ma. Madrid. 1990.
2. Beddington, J. R., Taylor, D. B. Optimum age specific harvesting of a popula-
tion Biometrics. 1973; Vol. 29, Págs. 801-809.
3. Berge, C. Graphes . 3ª edición. Ed. Gauthier - Villars. Paris. 1983.
4. Bernardelli, H. Population waves Journal Burma of Research Society. 1941;
Vol. 31, nº 1. Págs. 1-18.
5. Biggs, N. L. Matemática discreta. Ed. Vicens Vives. Barcelona. 1994.
6. Billingsley, P. Probability and measure. 3ª edición. John Wiley and Sons. New
York. 1995.
7. Bombal Gordón, F. Matemáticas y desarrollo científico. Lección inaugural del
curso académico 2000-2001. U.C.M. 2000.
8. Borel, E. Les probabilités et la vie. Ed. P.U.F. Paris. 1971.
9. Braun, M. Ecuaciones diferenciales y sus aplicaciones. Ed. Grupo Editorial
Iberoamérica. México. 1990.
10. Bujalance, E. et al. Elementos de matemática discreta. Ed. Sanz y Torres. 2ª
edición. Madrid. 1997.
11. Carré, B. Graphs and networks. Ed. Oxford University Press. 1979.
12. Caswell, H. Matrix population models. Construction, analysis and interpretation.
Sinauer Associates, Inc. Publishers. Sunderland, Massachusetts. 2001.
13. Chatelin, F. Eigenvalues of matrices. Editorial John Wiley and Sons.
Chichester. England. 1993.
14. Cullen, M. R. Linear models in biology. Ed. Ellis Horwood Limited.
Chichester. England. 1985.
15. Cullmann, G. Initiation aux chaînes de Markov. Ed. Masson. Paris. 1975.
16. Cullmann, G. Les chaînes de Markov multiples. Programmation dynamique.
Ed. Masson. Paris. 1980.
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.
BIBLIOGRAFÍA 223
40. Martínez Calvo, Mª C., Pérez de Vargas, A. Métodos matemáticos en biología.

Ed. Centro de Estudios Ramón Areces. Madrid. 1993.
41. Martínez Calvo, Mª C., Pérez de Vargas, A. Problemas de Biomatemática. Ed.
Centro de Estudios Ramón Areces. Madrid. 1995.
42. Mindán Manero, M. La persona humana. Ed. Anaya. Salamanca. 1962.
43. Parlett, B. Ergodic properties of population I: The one sex model. Theoretical
Population Biology. 1970; Vol. 1, Págs. 191-207.
44. Pérez de Vargas, A., Martínez Calvo, Mª C., López Sánchez, J. Elementos de
biomatemática. Una introducción al método de la Biología matemática. Ed.
Fragua. Madrid. 1982.
45. Pérez de Vargas, A., Abraira Santos, V. Bioestadística. Ed. Centro de Estudios
Ramón Areces. Madrid. 1996.
46. Pielou, E. C. An introduction to mathematical ecology. Ed. Wiley-Interscience.
New York. 1969.
47. Ríbnikov, K. Análisis combinatorio. Problemas y ejercicios. Ed. Mir. Moscú.
1989.
48. Ross, S. M. Introduction to probability models. Ed. Academic Press, Inc. San
Diego. California. 1993.
49. Salazar González, J. J. Programación matemática. Ed. Díaz de Santos. Madrid.
2001.
50. Sánchez Ron, J. M. El Jardín de Newton. La ciencia a través de su historia. Ed.
Crítica. Barcelona. 2001.
51. Soft Warehouse User Manual Derive. Austria. 1992.
52. Turner, J. C. Matemática moderna aplicada. Probabilidades, estadística e
investigación operativa. Ed. Alianza Universidad. Madrid. 1981.
53. Villa, A. de la Problemas de Álgebra con esquemas teóricos. 3ª edición. Ed.
Clagsa. Madrid. 1994.
54. Wilson, R. J. Introducción a la teoría de grafos. Alianza Universidad. Madrid.
1983.
DIRECCIONES DE INTERNET
A continuación se indican algunas direcciones de Internet consultadas y otras que

pueden resultar de interés:
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
C M Y CM MY CY CMY K
El propósito principal de este libro, que consta de siete capítulos, es motivar a

los estudiantes suministrándoles información sobre aplicaciones de algunos modelos
matemáticos discretos en las ciencias de la naturaleza, mediante un estudio teórico-
práctico.
El primer capítulo es una breve presentación general de aportaciones de las
matemáticas a las ciencias naturales. En los Capítulos 2 y 3 se dan unas nociones
de combinatoria y probabilidad en espacios discretos y una pequeña introducción
de la teoría de grafos. Ambos capítulos que tienen interés por sí mismos, presentan
conceptos necesarios para estudiar las cadenas de Markov, Capítulos 4, 5 y 6, y el
modelo de Leslie, Capítulo 7, dos modelos estocásticos discretos de gran utilidad
para el estudio de la evolución temporal de poblaciones en las ciencias de la
naturaleza, en particular en genética, zoología y ecología.
Las cadenas de Markov son fruto de la investigación en matemática pura que
han encontrado, entre otras muchas aplicaciones, utilidad en genética para el estudio
de la recombinación de los genes en la teoría de la evolución de poblaciones y
también en economía, sociología, etc. El modelo de Leslie es un ejemplo claro de
matemática aplicada en el campo de la zoología. En el estudio de estos dos modelos
se utilizan matrices de números reales, autovalores y autovectores.
A partir del segundo, cada capítulo consta de una exposición teórica ilustrada con
ejemplos, gráficas y ejercicios resueltos que ayudan a la comprensión de los conceptos
teóricos e incluyen una serie de problemas propuestos cuyas soluciones se recogen
en el Apéndice II.
Se espera que este libro pueda resultar de interés tanto para alumnos de ciencias
experimentales, como para matemáticos, estudiantes de humanidades, de ciencias
de la salud, de economía, etc. y también para profesores de primeros cursos de
licenciatura, de cursos de preparación para la Universidad y en general para todos
los que sientan curiosidad por aplicaciones de las matemáticas.
M.a Teresa González Manteiga nació en 1951 y es doctora en

Ciencias Matemáticas por la Universidad Complutense de Madrid
(UCM) donde cursó la carrera de Ciencias, Sección Matemáticas,
comenzando en dicha Universidad a impartir clases como alumna
monitor en prácticas en el curso 1972-1973. En la actualidad es
Profesora Titular de Matemática Aplicada en la Facultad de
Ciencias Biológicas de la UCM desde 1990. Con anterioridad fue
Profesora del Colegio Universitario San Pablo-CEU, adscrito a
la UCM, Profesora Titular de Escuela Universitaria de Álgebra,
Cálculo y Estadística en la Escuela Universitaria de Ingeniería Técnica Forestal de
la Universidad Politécnica de Madrid (UPM) y Profesora Titular de Álgebra en la
Escuela Universitaria de Ingeniería Técnica Industrial de la UPM.
ISBN 84-7978-550-0
9 788479 785505
Compuesta

Modelos Matematicos Discretos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelos Matematicos Discretos

Cargado por

Copyright:

Formatos disponibles

C M Y CM MY CY CMY K

El propósito principal de este libro, que consta de siete capítulos, es motivar a

M.a Teresa González Manteiga nació en 1951 y es doctora en

MODELOS MATEMÁTICOS DISCRETOS

Mª Teresa González Manteiga

MODELOS MATEMÁTICOS DISCRETOS

© María Teresa González Manteiga, 2003

Reservados todos los derechos.

«No está permitida la reproducción total o parcial de este libro,

Ediciones Díaz de Santos, S. A.

Diseño de cubierta: Ángel Calvete

A mis padres y hermana

Capítulo 1. Las Matemáticas de la Naturaleza . . . . . . . . . . . . . . . . . . . . . 1

Capítulo 2. Combinatoria y Probabilidad en espacios discretos . . . . . . . 13

X MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

2.3.3. Frecuencia absoluta y relativa de un suceso. Propiedades . . . 36

Capítulo 3. La Teoría de Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

Capítulo 4. Cadenas de Markov finitas . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

Capítulo 5. Clasificación de los estados de una cadena de Markov . . . . 107

Capítulo 6. Comportamiento asintótico de las cadenas de Markov . . . . 119

6.5.3. Cadenas periódicas o cíclicas . . . . . . . . . . . . . . . . . . . . . . . . . 137

Capítulo 7. Un modelo de Ecología de poblaciones. Modelo de Leslie . . 153

Apéndice I. Cálculo de los autovalores, autovectores y matriz de Jordan

Apéndice II. Solución a los problemas propuestos. . . . . . . . . . . . . . . . . . . 203

Bibliografía utilizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221

¿Por qué he escrito este libro? ¿A quién le puede interesar?

El propósito principal de este libro, que consta de siete capítulos, es el estudio

XVI MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

El modelo de Leslie es un ejemplo claro de matemática aplicada en el campo de

1.2. Un primer paso, el proceso de abstracción.

2 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

1.3. Las matemáticas en las ciencias de la naturaleza.

LAS MATEMÁTICAS DE LA NATURALEZA 3

Si se observa con atención la Naturaleza, se pueden reconocer las mismas for-

caracol, una huella dactilar de un recién nacido o de un anciano, la cadena de ADN,

0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, …

4 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

Si se cuenta el número de veces que se da la vuelta al tallo, en el sentido de las

LAS MATEMÁTICAS DE LA NATURALEZA 5

6 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

LAS MATEMÁTICAS DE LA NATURALEZA 7

8 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

qué es más importante la matemática pura o la matemática aplicada. Pero ¿cómo

LAS MATEMÁTICAS DE LA NATURALEZA 9

No es de extrañar que Hertz afirmase: «No se puede evitar el sentimiento de que

1.4. Modelos matemáticos en las ciencias de la naturaleza.

10 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

En palabras del profesor Mindán (42): «El entendimiento humano, gracias a su

LAS MATEMÁTICAS DE LA NATURALEZA 11

Un modelo estocástico o aleatorio proporciona un conjunto de posibles resultados

Es decir, en la generación filial resultante aparecen individuos dominantes, AA,

14 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

El primer intento de dar rigor matemático a la teoría de la probabilidad se debe

COMBINATORIA Y PROBABILIDAD EN ESPACIOS DISCRETOS 15

posibilita la resolución de hechos delictivos. En los laboratorios forenses se estu-

16 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

6° Una empresa de trabajo temporal tiene once puestos de trabajo no cualifi-

2.2.1. Técnicas básicas.

2.2.1.1. Principio de adición

Si A1, A2, …, Ak son conjuntos disjuntos, se verifica que el cardinal de la unión

Esta igualdad también se puede interpretar del siguiente modo:

Ejemplo: En una biblioteca pública hay 13 libros de matemáticas, 10 de histo-

COMBINATORIA Y PROBABILIDAD EN ESPACIOS DISCRETOS 17