Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Una introducción
para i, j, ik ∈ S, k = 0, 1, 2, . . . n − 1.
La probabilidad condicional
P(Xn+1 = j |Xn = i)
Definición 1.2
Si estas probabilidades de transición en un paso, pi j (n, n + 1), no dependen de n entonces
diremos que la cadena es estacionaria u homogénea y se escribirán simplemente pi j .
♣
p
11 p12 . . . p1j . . .
p22 . . . p2j . . .
p21
. .. .. ..
P := [pi j ] = .. . . .
. . . pi j . . .
pi1 pi2
. .. .. ..
.. . . .
La matriz de probalidades de transición [pi j ] satisface
X
pi j ≥ 0, ∀(i, j) ∈ S × S; pi j = 1, ∀i ∈ S
j ∈S
Ejemplo 1.1 Consideremos la cadena de markov (Xn ) con espacio de estados S = {1, 2, 3} y
matriz de probabilidades de transición de un paso
1 1 1
4 2 4
P = 0 14 34
0 3 1
4 4
Una representación gráfica de esta cadena finita es mediante un grafo dirigido, como el siguiente:
1 2
En el caso de las cadenas de markov discretas, los grafos son dirigidos y ponderados, los
pesos corresponden a las probabilidades de transición.
Teorema 1.1. Caracterización de una cadena de markov
Sea (Xn ) una cadena de markov. (Xn ) es especificada completamente mediante su matriz
de probabilidades de transición P = [pi j ]s×s y su distribución de probabilidades iniciales
(p j (0)) j ∈S
♥
1.1 Definición y propiedades –3/33–
En efecto:
a) Consideremos la función masa de probabilidad conjunta de las primeras realizaciones de
la cadena de Markov:
P(X0 = i0, X1 = i1, . . . , Xn = in )
entonces
P(X0 = i0, X1 = i1, . . . , Xn = in ) =P(Xn |X0 = i0, X1 = i1, . . . , Xn−1 = in−1 )P(X0 = i0, X1 = i1, . . . , Xn−1 = in−1 )
=P(Xn = in |Xn−1 = in−1 )P(X0 = i0, X1 = i1, . . . , Xn−1 = in−1 )
.. ..
. =.
P(X0 = i0, X1 = i1, . . . , Xn = in ) =P(X0 = i0 )pi0 ,i1 pi1 ,i2 . . . pin−1 ,in
p j (n) := P(Xn = j)
X
p j (n) = P(Xn = j |Xn−1 = k)P(Xn−1 = k)
k ∈S
X
p j (n) = pk (n − 1)pk, j
k ∈S
es decir
(p j (n)) = (p j (n − 1))P
(p j (n)) = (p j (0))P n
1 0 0
P = 2 0 12
1
2 0 1
3 3
que corresponde a la entrada (1, 3) de la matriz P2 , entrada que podemos obtener haciendo el
producto punto entre la fila 1 de la matriz P y la columna 3 de la matriz P, luego
p13 = 0
Definición 1.4
La probabilidad de transición en n pasos, denotada por p(n)
i j , es la probabilidad condi-
cional de que la cadena partiendo del estado i visite el estado j, n pasos adelante.
pi(n)
j := P(Xn = j |X0 = i)
1 i = j
p(n) = δi j =
ij
0 i , j
♣
esta relación entre las probabilidades de transición, de más de un paso, entre cualquier par de
estados de la cadena se llama ecuaciones de Chapman-Kolomogorov y se resumen en el siguiente
teorema.
Teorema 1.2. Ecuaciones de Chapman-Kolomogorov
Sea (Xn )n una CMHTD con mpt P = [pi j ], entonces para todo par de estados i, j se
cumple la siguiente relación convolutiva de las probabilidades de transiciones
p(n)
X (r) (n−r)
ij = pik pk j
k ∈S
Como P(1) = P entonces se sigue que P(2) = P2 e inductivamente se puede establecer que
para todo n ≥ 1, P(n) = P n , por tanto la probabilidad de transición del estado i al estado j en
n pasos, pi(n) n n
j , corresponde a la entrada i,j-ésima de la matriz P , mientras que pi j denota la
potencia n-ésima de la probabilidad de transición en un paso de i a j.
Existen dos casos particulares de especial interés en las ecuaciones de Chapman-Kolmogorov
pi(n+1) (n)
X
j = pik pk j ; Ecuaciones hacia adelante
k ∈S
Definición 1.5
Sea (Xn )n una CMHTD con mpt P.
i) El estado j es accesible desde el estado i si y solamente si existe n ∈ N tal que
p(n)
i j > 0.
ii) Los estados i y j se comunican si y solamente si, el estado j es accesible desde el
estado i y el estado i es accesible desde el estado j.
♣
Proposición 1.1
La relación de comunicación es una relación de equivalencia sobre S, el espacio de
estados de la CMHTD (Xn )n
♠
En efecto
a) Reflexiva: Para todo estado i se verifica p(0)
ii = 1.
b) Simétrica: Supongamos que i se comunica con j, entonces j es accesible desde i e i es
accesible desde j, por tanto j se comunica con i.
c) Transitiva: Supongamos que i se comunica con j y que j se comunica con k, entonces
(1) j es accesible desde i ⇒ existe n1 ∈ N tal que p(n 1)
ij > 0
(2) i es accesible desde j ⇒ existe n2 ∈ N tal que p(n2)
ji > 0
(3) k es accesible desde j ⇒ existe m1 ∈ N tal que p(m
jk
1)
>0
(4) j es accesible desde k ⇒ existe m2 ∈ N tal que p(m kj
2)
>0
De (1) y (3) podemos establecer por las ecuaciones de Chapman-Kolmogorov:
1 +m1 )
p(n
X (n ) (m )
ik
= pir 1 pr k 1 ≥ p(n 1 ) (m1 )
i j p jk > 0
r ∈S
por tanto k es accesible desde i
De (2) y (4) podemos establecer por las ecuaciones de Chapman-Kolmogorov:
2 +n2 )
p(m
X (m ) (n )
ki
= pkr 2 pri 2 ≥ p(m
kj
2 ) (n2 )
p ji > 0
r ∈S
por tanto i es accesible desde k
En consecuencia i y k se comunican.
1.1 Definición y propiedades –6/33–
Definición 1.8
Sea (an ) una sucesión de números reales. Si existe un número real S tal que
lim Sn = S
n→∞
entonces la sucesión (an ) se dice sumable, con suma S. Si no existe tal número S o si este
limite es infinito, diremos que la sucesión (an ) no es sumable.
♣
Ejemplo 1.3 Consideremos una CMTDH (Xn ) con espacio de estados S = {1, 2, 3, 4} y matriz
de probabilidades de transición de un paso:
1 3
4 4 0 0
1 1 0 0
P = 2 2
0 1 2 0
3 3
1
4 0 34 0
1.1 Definición y propiedades –7/33–
1 4
2 3
entonces
1 +n2 )
p(n
ii >0
d(i) divide a n1 + n2
por tanto
d(i) divide a n1 + m + n2 ⇒ d(i) divide a m
esto significa que d(i) es un divisor de todos los elementos del conjunto
{m ≥ 1 : p(m)
j j > 0}
1.2 Tiempo de primer paso. Clasificación de estados –8/33–
d(i) ≤ d( j)
d( j) ≤ d(i)
f j(n)
j = P(τj j = n)
en este contexto tiene sentido calcular el valor esperado y la varianza de la variable aleatoria τj j :
∞ ∞
n f j(n) n2 f j(n)
X X
E(τj j ) ≡ µ j j := j ; Var(τ jj ) ≡ σ 2
jj = j − µj j
2
n=1 n=1
Teorema 1.4
Las sucesiones de probabilidad fi(n)
j
(n)
, pi j satisfacen la siguiente relacion
n
p(n) fi(k) (n−k)
X
ij = j pj j
k=0
♥
La colección de eventos (Bn ) son disyuntos dos a dos, y los eventos An y Bn son indepen-
dientes. Entonces
(n) (n) (0) (n−1) (1) (1) (n−1) (0) (n)
Ai j = Bi j ∩ A j j ∪ Bi j ∩ A j j ∪ . . . ∪ Bi j ∩ A j j ∪ Bi j ∩ A j j
es decir
n
p(n) fi(k) (n−k)
X
ij = j pj j
k=0
o equivalentemente:
n−1
fi(n) (n)
fi(k) (n−k)
X
j = pi j − j pj j
k=1
si n = 0
0
si n = 1
pi j
fi(n) =
j
p(2) − fi j p j j si n = 2
ij
pi(n)
Pn−1 (k) (n−k)
j − k=1 fi j p j j si n ≥ 3
Ejemplo 1.4 Consideremos la cadena de markov homogénea, (Xn ), con espacio de estados
S = {1, 2, 3, 4} y matriz de probabilidad de transición
1 2
3 3 0 0
1 0 0 0
P=
1 0 1 0
2 2
0 0 12 21
a) Trazar el digrafo asociado.
b) Determinar las clases de comunicación.
c) Clasificar las clases de comunicación de acuerdo con su periodo, y transitoria o recurrente.
1.2 Tiempo de primer paso. Clasificación de estados –11/33–
a) Grafo:
1 4
2 3
b) Clases de comunicación
c) De acuerdo al grafo dirigido las siguientes clases de comunicación tienen las siguientes
características:
X C1 : recurrente, aperiódica.
X C2 : transitoria, aperiódica.
X C3 : transitoria, aperiódica.
Análisis de la clase C1 , a través del estado 1:
i) Periodicidad: como p(1)
11 =
1
3 > 0 entonces d(1) = 1.
ii) Recurrencia. Realizamos el algoritmo convolutivo dado en el teorema anterior.
(1) 1
f11 =
3
(2) 7 11 6 2
f11 = − = =
9 33 9 3
(1) (2)
De estos dos valores deducimos que f11 + f11 = 1
3 + 2
3 = 1, entonces el estado 1 es
recurrente, además µ11 = 1 13 + 2 23 = 5
3, es decir el tiempo medio de retorno al estado 1 es
5
3.
Análisis de la clase C2 :
i) Periodicidad: como p(1)
33 =
1
2 > 0 entonces d(3) = 1, es decir 3 y en consecuencia C2
es aperiódica.
ii) Recurrencia.
(1) 1
f33 =
2
(2) 1 11
f33 = − =0
4 22
(n)
f33 = 0 ∀n ≥ 2
de transición.
Consideremos las siguientes funciones generadoras de probabilidad:
∞
p(n)
X
i j z , |z| < 1
n
Pi j (z) :=
n=0
∞
fi(n)
X
j z , |z| < 1
n
Fi j (z) :=
n=0
ii)
Pii (z) = 1 + Pii (z)Fii (z)
♥
En efecto, como
n
p(n) fi(k) (n−k)
X
ij = j pj j
k=1
zn
entonces multiplicando por y entonces sumando, sobre n, tendremos:
∞ ∞ Xn
(n) n (k) (n−k) n
X X
pi j z = fi j p j j z
n=1 n=1 k=1
∞ X
∞
fi(k) (n−k)
X
= j pj j z k z n−k
k=1 n=k
∞ X∞
k (k) (n−k) n−k
X
= z fi j pj j z
k=1 n=k
X∞ X ∞
= p(n−k)
jj z n−k
z k (k)
fij
n=k k=1
X∞ X∞
(n) n k (k)
= pj j z z fi j
n=0 k=1
En consecuencia tendremos:
Pi j (z) − δi j = P j j (z)Fi j (z)
y para el caso i = j:
Pii (z) − 1 = Pii (z)Fii (z)
Proposición 1.2
Sea (Xn ) una cadena de markov en tiempo discreto y homogénea, con espacio de estados
S, i, j ∈ S.
p(n)
P∞
a) El estado j es recurrente si y solo si n=0 j j = ∞.
En este caso tendremos que
∞
p(n)
X
i j = ∞ ∀i tal que fi j > 0
n=0
p(n)
P∞
b) El estado j es transitorio si y solo si n=0 j j < ∞.
En este caso tendremos que
∞
p(n)
X
i j < ∞ ∀i
n=0
♠
entonces
∞ ∞
p(n) f j(n)
X X
lim− P j j = j j ; lim− Fj j = j = fj j
z→1 z→1
n=0 n=0
P∞ (k)
Es claro que para k=2 f j j < 1, para j recurrente, y que bajo la condición fi j > 0, tendremos
1.2 Tiempo de primer paso. Clasificación de estados –14/33–
que
∞
p(n)
X
ij = ∞
n=0
Sea Xn la variable aleatoria que denota el conjunto de tanques aún en acción luego del n-ésimo
cruce de disparos.
a) Determine el espacio de estados de la sucesión (Xn ).
b) Argumente por qué esta sucesión es una cadena de Markov.
c) Determine la matriz de probabilidad de transición de un paso de esta cadena.
d) Calcular la probabilidad de que luego del segundo cruce de disparos no quede en combate
ninguno de los tres tanques.
e) Suponga que en un momento dado del combate han sobrevivido los tanques A y C,
determine la probabilidad de que luego de dos cruces de disparos el tanque sobreviviente
sea el A.
Solución
a) Espacio de estados. Como cada tanque apunta y abre fuego contra su contrictante más
fuerte, entonces podemos concluir que en un cruce de disparos no habrá disparos contra
el tanque A, a menos que uno de los tanques B o C hayan quedado fuera de combate, por
tanto no es posible que un momento dado sobrevivan los tanques B y C pero no el tanque
1.2 Tiempo de primer paso. Clasificación de estados –15/33–
es decir, p(2)
17 , que se obtiene como el producto de la primera fila de P y la columna siete
de P:
229
p(2)
17 = ≈ 0.1272
1800
e) Debemos calcular:
P(X2 = 4|X2 = 2)
es decir, p(2)
24 , que se obtiene como el producto de la segunda fila de P y la columna cuatro
1.3 Distribuciones límite y estacionarias –18/33–
de P:
32
p(2)
24 = ≈ 0.1422
225
Ejemplo 1.6 Tres de cada cuatro camiones en la carretera son seguidos por un automóvil,
mientras que solo uno de cada cinco automóviles es seguido por un camión. ¿Qué fracción de
vehículos en la carretera son camiones?
e) Limite cuando n → ∞:
n
1 3 − 15 1 0 0 − 4 4 4 15
4 4
= 4
19 19 19 19
=
lim
n→∞ 1 4
1 1 0 1
4 15
4 15
5 5 19 19 19 19
4 15
Observemos que 19 ≈ 0.2105, 31 ≈ 0.7895; es decir, para el observador ubicado a un lado de la
carretera el porcentaje de camiones que él observará es aproximadamente de 21.05%.
Sea (Xn ) una CMTDH con espacio de estados S = {1, 2, 3, . . . , r } en esta sección analizare-
mos el comportamiento asintótico limn→∞ Xn de la cadena. En este orden de ideas se busca
responder los siguientes interrogantes:
i) La función masa de probabilidad de Xn , es decir ρ j := P(Xn = j), existe cuando n → ∞?
ii) Bajo que condiciones de la cadena de markov existe este vector (p j ) j ∈S ?
iii) De existir el vector (p j ) j ∈S , este es único?
iv) Como calcular (p j ) j ∈S cuando este existe?
Ejemplo 1.7 En el caso dado en el ejemplo 1.6, al inicio de esta sección, la cadena es aperiódica e
irreducible por cuanto tiene una sola de clase de comunicación. Por tanto esta cadena de markov
de dos estados tiene una única distribución estacionaria, denotémosla mediante π := (π1, π2 ),
entonces
1 3
π = 1 π + 1 π
⇒ 1 4 1 5 2
4 4
(π1, π2 ) = (π1, π2 )
1 4 π2 = 3 π1 + 4 π2
5 5 4 5
1.4 Ejercicios –20/33–
π1 + π2 = 1
por tanto
15 4 15
π1 + π1 = 1 → π1 = ⇒ π2 =
4 19 19
Resultados que coinciden con las ya obtenidos en el ejemplo 1.6.
1.4 Ejercicios
1. Se realiza una sucesión de ensayos Bernoulli, cada uno tiene probabilidad de éxito p y de
falla 1 − p. Para la siguiente sucesión de variables aleatorias:
(Xn )∞
n=0 , donde Xn es el número total de éxitos en los primeros n ensayos.
a) Determine si la sucesión es Markoviana o no (explique). En caso de que no sea
Markoviana modifique el espacio de estados para que sea Markoviana.
b) Halle su matriz de probabilidades de transición.
c) Determine el espacio de estados y clasifique los estados.
d) Determine una distribución estacionaria de la cadena.
2. Se realiza una sucesión de ensayos Bernoulli, cada uno tiene probabilidad de éxito p y de
falla 1 − p. Para la siguiente sucesión de variables aleatorias:
(Yn )∞
n=0 , donde Yn es igual a 0, 1a, 1b o 2, dependiendo de si el n-1-ésimo y el n-ésimo son
EE, EF, FE o FF respectivamente. Donde E denota éxito y F denota fracaso.
a) Determine si la sucesión es Markoviana o no (explique). En caso de que no sea
Markoviana modifique el espacio de estados para que sea Markoviana.
b) Halle su matriz de probabilidades de transición.
c) Determine el espacio de estados y clasifique los estados.
d) Determine una distribución estacionaria de la cadena.
3. Se realiza una sucesión de ensayos Bernoulli, cada uno tiene probabilidad de éxito p y de
falla 1 − p. Para la siguiente sucesión de variables aleatorias:
(Zn )∞
n=0 , donde Z n es el número total de fracasos en el n-1-ésimo y el n-ésimo ensayo.
a) Determine si la sucesión es Markoviana o no (explique). En caso de que no sea
Markoviana modifique el espacio de estados para que sea Markoviana.
b) Halle su matriz de probabilidades de transición.
c) Determine el espacio de estados y clasifique los estados.
d) Determine una distribución estacionaria de la cadena.
4. Se realiza una sucesión de ensayos Bernoulli, cada uno tiene probabilidad de éxito p y de
falla 1 − p. Para la siguiente sucesión de variables aleatorias:
1.4 Ejercicios –21/33–
(Tn )∞
n=0 , donde Tn es igual a 0 si el n-1-ésimo y el n-ésimo ensayo son éxito y es igual a 1
en el resto de casos.
a) Determine si la sucesión es Markoviana o no (explique). En caso de que no sea
Markoviana modifique el espacio de estados para que sea Markoviana.
b) Halle su matriz de probabilidades de transición.
c) Determine el espacio de estados y clasifique los estados.
d) Determine una distribución estacionaria de la cadena.
5. Se realiza una sucesión de ensayos Bernoulli, cada uno tiene probabilidad de éxito p y de
falla 1 − p. Para la siguiente sucesión de variables aleatorias:
tomadas en forma aleatoria. Si este par tiene una bola roja y una bola azul entonces dos
bolas verdes son colocadas en la urna a cambio de éstas, de otra manera estas dos bolas
son retornadas a la urna. Sea Rn la variable aleatoria “número de bolas rojas” en la urna
después de la n-ésima extracción.
a) Demuestre que (Rn )∞
n=0 es una Cadena de Markov.
b) Encuentre la matriz de probabilidad de transición de esta Cadena de Markov.
c) Determine el espacio de estados y clasifique los estados.
d) Determine una distribución estacionaria de la cadena.
13. Se lanzan bolas una a la vez y deben caer en una de k celdas con igual probabilidad. Sea
Xn la variable aleatoria “Número de celdas ocupadas” después del n-ésimo lanzamiento.
a) Demuestre que (Xn )∞
n=0 es una Cadena de Markov.
b) Encuentre la matriz de probabilidad de transición de esta Cadena de Markov.
c) Determine el espacio de estados y clasifique los estados.
d) Determine una distribución estacionaria de la cadena.
14. Suponga que cada animal es clasificado de acuerdo al par de genes que este lleva en una
posición en los cromosomas, y que el gen es a o b. Asi cada animal debe tener uno de
los siguientes pares de genes, que son llamados genotipos: aa, ab o bb (ab es los mismo
que ba). Si dos animales son apareados entonces existirán seis posibles combinaciones
de genotipos: (aa, aa), (aa, ab), (ab, ab), (ab, bb), (aa, bb) y (bb, bb). Supongamos que el
genotipo de la descendencia es una combinación de un gen seleccionado aleatoriamente
del padre y de uno de la madre.
a) Halle la probabilidad de que el genotipo de la descendencia sea aa, ab o bb
b) Considere el caso de máxima consanguinidad, que consiste en que dos animales son
apareados, y de su descendencia dos animales de diferente sexo escogidos aleatori-
amente son apareados., Este proceso continúa indefinidamente. Halle la matriz de
probabilidad de transición para los pares de genotipos de una generación a otra.
c) Especifique con precisión la Cadena de Markov que da lugar a la matriz de proba-
bilidad de transición hallada en el numeral anterior.
15. Sea (Xn )∞
n=0 una sucesión de variables aleatorias discretas, independientes e idénticamente
distribuidas, con función masa de probabilidad:
n
X
n=0,
(Sn )∞ donde Sn := Xi
i=1
16. La peatonal de un pueblo tiene 6 cuadras de largo, que van de norte a sur. Un individuo
está con ganas de deambular y pasar el tiempo, y como tiene una moneda legal, se le ocurre
1.4 Ejercicios –24/33–
lanzarla y caminar una cuadra hacia el norte si sale cara o una cuadra hacia el sur si sale
sello. Y continúa este juego hasta salir de la peatonal, ya sea hacia el norte o hacia el
sur. En este caso, se puede pensar que los estados son S = {0, 1, 2, 3, 4, 5, 6}, donde 0 es la
esquina sur donde empieza la peatonal y 6 es la esquina norte, y las esquinas intermedias
se numeran del 1 al 5.
a) Determine la matriz de probabilidades de transición de esta cadena.
b) Si el individuo inicia su recorrido en toda la mitad de la peatonal, cuanto tiempo en
promedio le toma llegar a la esquina sur o a la esquina norte?
c) Cuántas veces pasará por la esquina 4?
d) Supongamos que el individuo decide no terminar el juego, y en cambio seguir
paseando por la peatonal, volviendo una cuadra para atrás cada vez que llega a la
esquina norte o a la esquina sur. Determine la nueva matriz de probabilidad de
transición.
17. En una urna A se colocan dos bolas blancas, mientras que en una urna B se colocan cuatro
bolas rojas. A cada paso del proceso se selecciona al azar una bola de cada urna y se
intercambian.
a) Encuentre la matriz de probabilidades de transición.
b) Determine la diagonalización de la mpt.
c) Cuál es la probabilidad de encontrar dos bolas rojas en la urna A luego de tres pasos?
d) Cuál es la probabilidad de encontrar dos bolas rojas en la urna A luego de n pasos?
2
18. Cada segundo una bacteria tiene probabilidad 3 de reproducirse dividiéndose en dos. Si
el número de bacterias n es mayor o igual a 4, la falta de alimento produce una gran
mortalidad, solo logra sobrevivir una bacteria y la población vuelve a n = 1. Analizando
el proceso como una cadena de Markov:
a) Escribir la matriz de transición.
b) Encontrar el estado estacionario.
c) Si inicialmente tenemos 2 bacterias, cuál es el estado del sistema 2 segundos después?
d) Si se modifica el problema diciendo que cada segundo las bacterias tienen además
cierta probabilidad β de morir, cuál es el estado estacionario y qué características
tiene? (en este caso no es necesario hacer cuentas, pero si debe argumentarse
satisfactoriamente)
19. Sea (Xn )∞
n=0 una sucesión de variables aleatorias discretas, independientes e idénticamente
distribuidas, con función masa de probabilidad:
P(X = j) = p j , para j = 0, 1, 2, 3, 4
Sea (Yn )∞
n=0 la sucesión de variables aleatorias definida por:
si n = 0
0,
Yn =
(Yn−1 + Xn−1 ) mod 5, si n = 1, 2, . . .
Halle la matriz de probabilidad de transición de esta Cadena de Markov.
22. Sea (Xn )∞
n=0 una sucesión de variables aleatorias, donde Xn corresponde a la suma de
los resultados de n lanzamientos de un dado legal. Sea (Yn )∞
n=0 la sucesión de variables
aleatorias definida por:
Yn = Xn, mod 8
si Xn−1 = 1 y Xn = 1
0
si Xn−1 = 0 y Xn = 1
1
Yn =
2 si Xn−1 = 1 y Xn = 0
si Xn−1 = 0 y Xn = 0
3
Demuestre que (Yn )∞
n=0 es una cadena de markov. Determine el espacio de estados,
la matriz de probabilidades de transición y clasifique los estados.
1.4 Ejercicios –26/33–
24. Usted repetidamente lanza un dado legal. Sea Xn la variable aleatoria “resultado del
n-ésimo lanzamiento”, y se Mn el máximo valor de los primeros n lanzamientos.
a) Demuestre que (Mn )∞
n=0 es una cadena de markov.
b) Halle el espacio de estados de (Mn )∞
n=0 .
c) Determine la matriz de probabilidades de transición de (Mn )∞
n=0 .
d) Clasifique los estados de esta cadena.
e) Sea T la variable aleatoria “primera vez que 6 aparece”, es decir
c) Suponga que por cada vehículo que deja de circular el ingreso per cápita para los
habitantes de esta ciudad se reduce en $A (asociado a una caída en la producción, y
también a mayores incomodidades y costos de transporte por menor disponibilidad
de vehículos tanto para transporte público como particular). Además, por cada
día que respira el aire de la ciudad en estado de pre-emergencia o emergencia una
persona percibe un empeoramiento de su salud que se puede cuantificar en $B y $C,
respectivamente. Formule el problema que debe resolver el gobierno para escoger
los parámetros α y β.
d) Usted, como muchos ciudadanos sin conciencia ambiental, esté evaluando la posi-
bilidad de comprar un segundo auto. En caso de comprarlo, qué fracción de los
días del año podrá usar alguno de sus automóviles para desplazarse por esta ciudad?.
Asuma que agregar ese vehículo tiene un efecto despreciable sobre las probabilidades
calculadas en los puntos anteriores (el parque vehicular es muy grande).
e) Suponga ahora que muchas personas compran un segundo auto, con el insano
propósito de usar auto para desplazarse mientras uno de los dos que posee tenga
permiso para circular, y asuma que cuando usan uno de sus autos dejan el otro esta-
cionado en sus respectivas casas. Vale para cada una de estas personas el resultado
calculado en el punto anterior?. Indique dónde se deberían hacer cambios al modelo
para esta nueva situación.
26. En un pequeño centro hospitalario se tiene la urgencia de instalar equipos nuevos. Estos
equipos son muy costosos y se deben manejar con mucho cuidado por lo que se necesita que
el establecimiento esté vacío al momento de la instalación. Actualmente hay M pacientes
en el centro, y con el fin de poder proceder a la instalación no se recibirán más pacientes
hasta que ésta se realice. Cada mañana un doctor evalúa la condición de los pacientes
para ver si son dados de alta. Se ha determinado que cada paciente tiene una probabilidad
p de estar rehabilitado y salir del centro y una probabilidad 1 − p de seguir internado,
independiente de lo que ocurra con los demás pacientes. Nadie puede ingresar al centro
hasta después de instalados los equipos.
a) Muestre que el sistema descrito puede ser modelado como una cadena de Markov en
tiempo discreto, dibuje el grafo correspondiente, identifique las clases y clasifique
sus estados.
b) Si el sistema tiene inicialmente M pacientes, cuál es la probabilidad que algún día
tenga M − 1?
c) Cuál es la probabilidad que algun día se puedan instalar los equipos?
27. Un hotel opera en una pequeña ciudad llamada Barichara,un lugar de gran atractivo
turístico. Cada tarde puede llegar un nuevo cliente solicitando una habitación, lo cual
ocurre con probabilidad p, o bien puede no llegar ninguno, con probabilidad q = 1 − p.
Una fracción α de los clientes se queda en el hotel solo una noche (llegan una tarde y se van
1.4 Ejercicios –28/33–
en la mañana siguiente), mientras que una fracción β = 1 − α, decide quedarse una noche
más disfrutando del hermoso paisaje (es decir, llegan una tarde y se van en la mañana del
día subsiguiente). Nadie pasa más de dos noches en el hotel.
a) Cuál es el máximo número de habitaciones que pueden estar ocupadas simultánea-
mente?
b) Modele el estado de ocupación del hotel para cada noche (cuántas habitaciones están
ocupadas) como una cadena de Markov. Defina adecuadamente los estados, e indique
las probabilidades de transición entre ellos. Justifique la existencia de probabilidades
estacionarias y calcúlelas.
c) Suponga que el hotel le cobra a sus clientes $A por la primera noche de estadía y $B
por noche adicional (B < A). Cuál es el valor esperado del ingreso por noche, en el
largo plazo?; Cuál es el número promedio de habitaciones ocupadas?.
d) Suponga que el día que un cliente llega al hotel se le regala un mapa de la zona y un
pequeño objeto de artesanía típica del lugar (con el logo del hotel), y se le ofrece una
bebida por cuenta de la casa. Todo lo anterior tiene un costo de $C. Qué relación
deben cumplir A, B y C para que el hotel pueda financiarse en el largo plazo?.
28. Un individuo posee r paraguas, que usa para ir caminando de su casa a la oficina y
viceversa. Si él está en su casa al comienzo del día y está lloviendo, entonces, si al menos
hay un paragua en la casa, él tomará uno para ir a su oficina. Análogamente, si él está en
su oficina, tomará uno para ir a su casa (en caso de que haya algún paraguas en su oficina).
Si no está lloviendo no toma ningún paraguas. Suponga, que independiente del pasado,
llueve al comienzo (final) del día con probabilidad p.
a) Defina una cadena de Markov que permita determinar que proporción del tiempo el
individuo se moja.
b) Determine el espacio de estados
c) Suponga que existe una transición cada vez que el individuo cambia de lugar (de la
casa a la oficina o viceversa), determine la matriz de probabilidades de transición.
d) Determine una distribución de probabilidades estacionarias, ¿es única?
e) Qué fracción del tiempo (porcentaje de caminatas) el individuo se moja?
29. Un virus puede existir en N cepas diferentes, numeradas de 1 a N. En cada generación, el
virus muta con probabilidad α, 0 < α < 1, a otra cepa que se elige al azar con la misma
probabilidad.
a) Calcule el número promedio de generaciones que se requieren para hallar el virus,
nuevamente, en la misma cepa.
Para los dos siguientes numerales, asuma que N = 4 y que α = 32 .
b) Calcule la probabilidad que la cepa en la sexta generación del virus sea la misma que
en la primera.
c) Asumiendo que el virus se encuentra, inicialmente, o bien en la cepa 1 o bien en
1.4 Ejercicios –29/33–
la cepa 4, calcule la probabilidad que el virus nunca exista en las cepas dos y tres,
curante las primeras seis generaciones.
30. Supongamos que el tamaño de una población permanece constante de generación en
generación; el tamaño es igual a N. Se modela la dinámica de un gen en particular en esta
población. Supongamos que el gen tiene dos alelos, A y a. Por lo tanto, los genotipos
individuales son AA, Aa o aa. Considere la variable aleatoria Xn que denota el número de
alelos A en la población en la generación n, n = 0, 1, . . . ,. Entonces Xn ∈ {0, 1, 2, . . . , 2N }.
Supongamos un apareamiento aleatorio de individuos asi que los genes en la generación
n + 1 son hallados mediante muestreo con reemplazo de los genes en la generación n.
Entonces, la probabilidad de transición de un paso tiene una distribución de probabilidad
Xn
binomial con la probabilidad de éxito 2N , es decir si Xn = i entonces la probabilidad de
i
transición de un paso es la fmp binomial Bin(2N, 2N ).
a) Determine el espacio de estados.
b) Determine la formula para pi j . Escriba con palabras lo que esta probabilidad repre-
senta.
c) Demuestre que los estados 0 y 2N son absorbentes y que el resto de estados son
transitorios.
d) Dado que Xn = k, demuestre que el valor esperado de Xn+1 satisface
Cada uno de los padres transmite a sus descendientes un sólo gen. Además, es igualmente
probable que se transmita cualquiera de los dos genes que porta el progenitor a sus
descendientes.
a) Defina una cadena de Markov donde el estado del sistema sea la cadena genética de los
dos individuos de la población. Dibuje el grafo asociado y calcule las probabilidades
de transición.
b) Defina las clases, los tipos de estados en cada clase y su correspondiente periodo.
c) Cuál es la probabilidad que, en el largo plazo, solamente hayan individuos con genes
recesivos si originalmente se parte con dos individuos idénticos con carga genética
(X,Y )?
1.4 Ejercicios –30/33–
32. Suponga que al inicio de cada periodo, cada uno de los N individuos de una población
pueden encontrarse en 3 condiciones de salud distintas: S: Sano, I: Infeccioso, y J:
Infectado.
En cada periodo se forman N/2 parejas al azar (suponga N es par), cada una de las cuales
puede mantener un contacto peligroso con probabilidad p (independiente de lo que hagan
las demás). Al final del período todas las parejas se desarman pudiéndose formar otra vez.
Si una pareja que mantuvo un contacto peligroso está formada por un individuo que está
Sano y por uno Infeccioso, quien estaba sano contraerá la enfermedad pasando a estar
Infeccioso al inicio del siguiente periodo. Un individuo Infeccioso permanece en ese
estado durante solo un periodo después de lo cual pasa a ser un individuo Infectado.
Los individuos Infectados nunca abandonan esta condición, bajo la cual no pueden conta-
giar a nadie durante un contacto peligroso, y la que los hace inmunes a un nuevo contagio
(porque ya tiene anticuerpos en su organismo).
a) Considere a un individuo particular de esta población, que actualmente se encuentra
sano. Si hay i individuos infecciosos, cuál es la probabilidad de que este individuo
se contagie durante el siguiente período?. Llame a esta probabilidad qi .
b) Si consideramos Xt como el número de individuos infecciosos al inicio del período t,
es posible modelar la situación descrita utilizando cadenas de Markov con Xt como
variable de estado?.
c) Considere Xt , y Yt como el número de individuos infecciosos y sanos, respecti-
vamente, al inicio del período t. Modele la situación descrita como una cadena
de Markov. Clasifique los estados, caracterice las clases y encuentre la matriz de
transición de un período.
d) Existirá una distribución de probabilidades estacionaria? si es así encuentrela, de
lo contrario establezca condiciones para que dicha distribución estacionaria pueda
existir.
33. Sea (Yn )n≥0 una sucesión de variables aleatorias identicamente distribuidas con función
masa de probabilidad común:
2
si Y = 0
3
P(Y = k) =
1
6 si Y = 1
16 si Y = 2
Considere el proceso estocástico (Xn )n≥0 , definido por X0 = 0 y
si Xn = 4
Xn − Yn
Xn+1 = Xn − 1 + Yn si 1 ≤ Xn ≤ 3
si Xn = 0
Yn
para n ≥ 0.
a) Muestra que la sucesión (Xn )∞
n=0 es una cadena de markov.
1.4 Ejercicios –31/33–
(27, 10), (55, 16), (61, 14), (69, 50), (79, 5), (81, 44), (87, 31), (91, 25), (95, 49), (97, 59)
(6, 23), (8, 30), (13, 47), (20, 39), (33, 70), (37, 75), (41, 62), (57, 83), (66, 89), (77, 96)
1.4 Ejercicios –32/33–