Clima con dos días- Cadena

Markov
(4.4) ​Pronostico del clima con dos días

Suponga que si llueve o no hoy depende de las condiciones del clima de los
dos últimos días.

Si ha llovido en los dos últimos días, entonces que llueva mañana tiene
probabilidad de 0.7;

si llovió hoy pero no ayer, entonces que llueva mañana tiene probabilidad de
0.5;

si llovio ayer pero no hoy, entonces que llueva mañana tiene probabilidad de
0.4;

si no ha llovido ni ayer ni hoy, entonces que llueva mañana tiene

probabilidad de 0.2

Solución:
Se puede hacer un modelo de cadena de Markov haciendo que el estado del
clima mañana sea determinado por las condiciones de hoy y ayer:

Estado 0: si ha llovido hoy y ayer

Estado 1: si ha llovido hoy pero no ayer
Estado 2: Si ha llovido ayer pero no hoy
Estado 3: si no ha llovido ayer y tampoco hoy
Para considerar los posibles estados añadiendo los valores cuando está
soleado, dado que el problema enuncia solo cuando lloverá.

con lo que se puede construir el diagrama de transición de estados:

y la matriz de transición es entonces:

p= \begin{pmatrix} 0.7 & 0 & 0.3 & 0 \\ 0.5 & 0 & 0.5 & 0 \\ 0
& 0.4 & 0 & 0.6 \\ 0 & 0.2 & 0 & 0.8 \end{pmatrix}

p​=
 ⎝

⎛
​

0.7

0.5

0
​

0.4

0.2
​

0.3

0.5

0
​
 0

0.6

0.8
​

⎞
​

(4.9) ​Pronóstico para pasado mañana

Siguiendo con el ejemplo anterior.

Dado que llovió el Lunes y Martes, ¿Cuál es la probabilidad que lloverá el

Jueves?

Solución:
La matriz de transición permite hacer el pronóstico hasta el miércoles, para el
día jueves es necesario hacer una matriz de dos pasos dada por p​(2)

p^{(2)}= \begin{pmatrix} 0.7 & 0 & 0.3 & 0 \\ 0.5 & 0 & 0.5 &
0 \\ 0 & 0.4 & 0 & 0.6 \\ 0 & 0.2 & 0 & 0.8 \end{pmatrix}
\text{.} \begin{pmatrix} 0.7 & 0 & 0.3 & 0 \\ 0.5 & 0 & 0.5 & 0
\\ 0 & 0.4 & 0 & 0.6 \\ 0 & 0.2 & 0 & 0.8 \end{pmatrix}
p

(2)

⎛
​

0.7

0.5

0
​

0.4

0.2
​

0.3

0.5
0

0
​

0.6

0.8
​

⎞
​

⎛
​

0.7
0.5

0
​

0.4

0.2
​

0.3

0.5

0
​

0.6

0.8
​

⎠
 ⎟

⎞
​

= \begin{pmatrix} 0.49 & 0.12 & 0.21 & 0.18 \\ 0.35 & 0.20 &
0.15 & 0.30 \\ 0.20 & 0.12 & 0.20 & 0.48 \\ 0.10 & 0.16 & 0.10
& 0.64 \end{pmatrix}

0.49

0.35
0.20

0.10

0.12

0.20

0.12

0.16

0.21

0.15

0.20

0.10
 ​

0.18

0.30

0.48

0.64

​
Que llueva el jueves es equivalente no importa si llovió o nó el miércoles, por
lo que para la probabilidad del jueves se usa la probabilidad de la fila para
estado 0, sumando si llovió o no el miércoles.

p(lloverá jueves|llovió lunes y martes)= p​(2)00​+p​(2)01​= = 0.49 + 0.12 = 0.61.

Usando python para determinar p​(2)

import numpy as np
p=np.array([
[0.7, 0, 0.3, 0 ],
[0.5, 0, 0.5, 0 ],
[ 0, 0.4, 0, 0.6],
[ 0, 0.2, 0, 0.8]
])
p2=np.linalg.matrix_power(p,2)
print(p2)
print('Para el jueves:', p2[0,0]+p2[0,1])

[[ 0.49 0.12 0.21 0.18]

[ 0.35 0.2 0.15 0.3 ]
[ 0.2 0.12 0.2 0.48]
[ 0.1 0.16 0.1 0.64]]
Para el jueves: 0.61