Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cadenas de Markov
Lección 1
25 de marzo de 2020
Lección 1
Distribuciones estacionarias y vectores propios
Distribuciones estacionarias
Recordemos que dada una C.M. (cadena de Markov) con matriz de transición P, el
vector (renglón) aleatorio π = (π0 , π1 , . . .) es una distribución estacionaria si
πP = π
Por otro lado, ustedes ya probaron (examen parcial 1), que para toda matriz estocástia
1
1
P el valor uno es un valor propio, pues el vector columna λ = satisface que
..
.
Pλ=λ
Lección 1
Distribuciones estacionarias y vectores propios
Distribuciones estacionarias
Recordemos que dada una C.M. (cadena de Markov) con matriz de transición P, el
vector (renglón) aleatorio π = (π0 , π1 , . . .) es una distribución estacionaria si
πP = π
Por otro lado, ustedes ya probaron (examen parcial 1), que para toda matriz estocástia
1
1
P el valor uno es un valor propio, pues el vector columna λ = satisface que
..
.
Pλ=λ
Lección 1
Distribuciones estacionarias y vectores propios
Como la matriz P y P t tienen los mismos valores propios, resulta entonces que el valor
uno es también siempre un valor propio de P t
Pt u = u
Tomando transpuesta de ambos lados, tenemos que la ecuación anterior es equivalente
a
ut P = ut
Si sucede que
I el vector u tiene todas sus entradas no negativas
I la suma de las entradas de u es finita (esto sucede en particular cuando el espacio
de estados es finito)
Lección 1
Distribuciones estacionarias y vectores propios
Como la matriz P y P t tienen los mismos valores propios, resulta entonces que el valor
uno es también siempre un valor propio de P t
Pt u = u
Tomando transpuesta de ambos lados, tenemos que la ecuación anterior es equivalente
a
ut P = ut
Si sucede que
I el vector u tiene todas sus entradas no negativas
I la suma de las entradas de u es finita (esto sucede en particular cuando el espacio
de estados es finito)
Lección 1
Distribuciones estacionarias y vectores propios
Como la matriz P y P t tienen los mismos valores propios, resulta entonces que el valor
uno es también siempre un valor propio de P t
Pt u = u
Tomando transpuesta de ambos lados, tenemos que la ecuación anterior es equivalente
a
ut P = ut
Si sucede que
I el vector u tiene todas sus entradas no negativas
I la suma de las entradas de u es finita (esto sucede en particular cuando el espacio
de estados es finito)
Lección 1
Distribuciones estacionarias y vectores propios
Como la matriz P y P t tienen los mismos valores propios, resulta entonces que el valor
uno es también siempre un valor propio de P t
Pt u = u
Tomando transpuesta de ambos lados, tenemos que la ecuación anterior es equivalente
a
ut P = ut
Si sucede que
I el vector u tiene todas sus entradas no negativas
I la suma de las entradas de u es finita (esto sucede en particular cuando el espacio
de estados es finito)
Lección 1
Distribuciones estacionarias y vectores propios
Como la matriz P y P t tienen los mismos valores propios, resulta entonces que el valor
uno es también siempre un valor propio de P t
Pt u = u
Tomando transpuesta de ambos lados, tenemos que la ecuación anterior es equivalente
a
ut P = ut
Si sucede que
I el vector u tiene todas sus entradas no negativas
I la suma de las entradas de u es finita (esto sucede en particular cuando el espacio
de estados es finito)
Lección 1
Distribuciones estacionarias y vectores propios
Como la matriz P y P t tienen los mismos valores propios, resulta entonces que el valor
uno es también siempre un valor propio de P t
Pt u = u
Tomando transpuesta de ambos lados, tenemos que la ecuación anterior es equivalente
a
ut P = ut
Si sucede que
I el vector u tiene todas sus entradas no negativas
I la suma de las entradas de u es finita (esto sucede en particular cuando el espacio
de estados es finito)
Lección 1
Distribuciones estacionarias y vectores propios
Como la matriz P y P t tienen los mismos valores propios, resulta entonces que el valor
uno es también siempre un valor propio de P t
Pt u = u
Tomando transpuesta de ambos lados, tenemos que la ecuación anterior es equivalente
a
ut P = ut
Si sucede que
I el vector u tiene todas sus entradas no negativas
I la suma de las entradas de u es finita (esto sucede en particular cuando el espacio
de estados es finito)
Lección 1
Distribuciones estacionarias y vectores propios
1
= P ut
k uk
= π
Lección 1
Distribuciones estacionarias y vectores propios
1
= P ut
k uk
= π
Lección 1
Distribuciones estacionarias y vectores propios
Algoritmo
Algoritmo
Algoritmo
Algoritmo
Algoritmo
Ejemplo
b r s
1 1
b 0 2 2
P=
1 1 1
r
4 2 4
s 1 1 1
4 4 2
Ejemplo
b r s
1 1
b 0 2 2
P=
1 1 1
r
4 2 4
s 1 1 1
4 4 2
Ejemplo
b r s
1 1
b 0 2 2
P=
1 1 1
r
4 2 4
s 1 1 1
4 4 2
Construimos la matriz P
P < −matrix(c(0, 1/2, 1/2, 1/4, 1/2, 1/4, 1/4, 1/4, 1/2), nrow = 3, byrow = T )
eigen(t(P))
Observemos que el valor uno es un valor propio, cuyo vector propio correspondiente es
1
3
2
u=
3
2
3
Lección 1
Distribuciones estacionarias y vectores propios
Construimos la matriz P
P < −matrix(c(0, 1/2, 1/2, 1/4, 1/2, 1/4, 1/4, 1/4, 1/2), nrow = 3, byrow = T )
eigen(t(P))
Observemos que el valor uno es un valor propio, cuyo vector propio correspondiente es
1
3
2
u=
3
2
3
Lección 1
Distribuciones estacionarias y vectores propios
Construimos la matriz P
P < −matrix(c(0, 1/2, 1/2, 1/4, 1/2, 1/4, 1/4, 1/4, 1/2), nrow = 3, byrow = T )
eigen(t(P))
Observemos que el valor uno es un valor propio, cuyo vector propio correspondiente es
1
3
2
u=
3
2
3
Lección 1
Distribuciones estacionarias y vectores propios
Construimos la matriz P
P < −matrix(c(0, 1/2, 1/2, 1/4, 1/2, 1/4, 1/4, 1/4, 1/2), nrow = 3, byrow = T )
eigen(t(P))
Observemos que el valor uno es un valor propio, cuyo vector propio correspondiente es
1
3
2
u=
3
2
3
Lección 1
Distribuciones estacionarias y vectores propios
Construimos la matriz P
P < −matrix(c(0, 1/2, 1/2, 1/4, 1/2, 1/4, 1/4, 1/4, 1/2), nrow = 3, byrow = T )
eigen(t(P))
Observemos que el valor uno es un valor propio, cuyo vector propio correspondiente es
1
3
2
u=
3
2
3
Lección 1
Distribuciones estacionarias y vectores propios
Construimos la matriz P
P < −matrix(c(0, 1/2, 1/2, 1/4, 1/2, 1/4, 1/4, 1/4, 1/2), nrow = 3, byrow = T )
eigen(t(P))
Observemos que el valor uno es un valor propio, cuyo vector propio correspondiente es
1
3
2
u=
3
2
3
Lección 1
Distribuciones estacionarias y vectores propios
Construimos la matriz P
P < −matrix(c(0, 1/2, 1/2, 1/4, 1/2, 1/4, 1/4, 1/4, 1/2), nrow = 3, byrow = T )
eigen(t(P))
Observemos que el valor uno es un valor propio, cuyo vector propio correspondiente es
1
3
2
u=
3
2
3
Lección 1
Distribuciones estacionarias y vectores propios
Construimos la matriz P
P < −matrix(c(0, 1/2, 1/2, 1/4, 1/2, 1/4, 1/4, 1/4, 1/2), nrow = 3, byrow = T )
eigen(t(P))
Observemos que el valor uno es un valor propio, cuyo vector propio correspondiente es
1
3
2
u=
3
2
3
Lección 1
Distribuciones estacionarias y vectores propios
O bien
1 2 2
π=
5 5 5
En R esto lo hacemos llamando u a la primer columna del objeto vectors, es decir
u < − eigen(t(P))$vectors[, 1]
O bien
1 2 2
π=
5 5 5
En R esto lo hacemos llamando u a la primer columna del objeto vectors, es decir
u < − eigen(t(P))$vectors[, 1]
O bien
1 2 2
π=
5 5 5
En R esto lo hacemos llamando u a la primer columna del objeto vectors, es decir
u < − eigen(t(P))$vectors[, 1]
O bien
1 2 2
π=
5 5 5
En R esto lo hacemos llamando u a la primer columna del objeto vectors, es decir
u < − eigen(t(P))$vectors[, 1]
O bien
1 2 2
π=
5 5 5
En R esto lo hacemos llamando u a la primer columna del objeto vectors, es decir
u < − eigen(t(P))$vectors[, 1]
O bien
1 2 2
π=
5 5 5
En R esto lo hacemos llamando u a la primer columna del objeto vectors, es decir
u < − eigen(t(P))$vectors[, 1]
O bien
1 2 2
π=
5 5 5
En R esto lo hacemos llamando u a la primer columna del objeto vectors, es decir
u < − eigen(t(P))$vectors[, 1]
Ejercicios
1. Considera la matriz de transición del ejemplo 3,7 del libro con N = 5 y determina
su distribución estacionaria usando el algoritmo visto en esta lección.
Ejercicios
1. Considera la matriz de transición del ejemplo 3,7 del libro con N = 5 y determina
su distribución estacionaria usando el algoritmo visto en esta lección.
Ejercicios
1. Considera la matriz de transición del ejemplo 3,7 del libro con N = 5 y determina
su distribución estacionaria usando el algoritmo visto en esta lección.