Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cadenas de Markov
Agosto de 2020
Tabla de contenido
1 Teorı́a de Conjuntos
2 Probabilidad
3 Procesos Estocásticos
4 Cadenas de Markov
Tabla de contenidos
1 Teorı́a de Conjuntos
2 Probabilidad
3 Procesos Estocásticos
4 Cadenas de Markov
Teorı́a de conjuntos
Conjunto
Un conjunto es una colección de elementos que podrı́an tener
caracterı́sticas en común. Suelen notarse con una letra
mayúscula.
Ejemplo:
A = {a, e, i, o, u}, está forma de ver al conjunto se llama por
extensión.
A = {x|x es una vocal}, esta forma de ver al conjunto se llama
por comprensión.
Pertenencia
Se dice que un elemento pertenece a un conjunto si hace parte
de él. Se nota por ∈.
Ejemplo:
B = {x|x es un número par}, entonces 4 ∈ B y 1 ∈
/ B.
Contenencia
Se dice que el conjunto A está contenido en B si todos los
ejementos de A pertenecen a B. Se nota como A ⊆ B.
Ejemplo:
A = {x|x es una letra del alfabeto} y B = {x|x es una vocal}.
Entonces, B ⊆ A.
Sea C = {x|x es una letra griega}, entonces C * A.
Unión
Sean A y B conjuntos. Se define la unión entre A y B como:
A ∪ B = {x|x ∈ A o x ∈ B}.
Intersección
Sean A y B conjuntos. Se define la intersección entre A y B
como: A ∩ B = {x|x ∈ A y x ∈ B}.
Diferencia
Sean A y B conjuntos. Se define la diferencia entre A y B como:
A − B = {x|x ∈ A y x ∈/ B}.
Diferencia simétrica
Sean A y B conjuntos. Se define la diferencia simétrica entre A
y B como: A 4 B = (A ∪ B) − (A ∩ B).
Ejemplo
Conjunto de partes
Definición
Se define el conjunto de partes ℘(.) como el conjunto de todos
los subsonjuntos que se pueden formar con sus elementos.
Cardinalidad
Sea A un conjunto. Se define el cardinal de A como el número
de elementos que tiene ese conjunto. Se nota por |A|.
Tabla de contenidos
1 Teorı́a de Conjuntos
2 Probabilidad
3 Procesos Estocásticos
4 Cadenas de Markov
Conceptos básicos
Experimento Aleatorio
Un experimento se dice aleatorio si su resultado no se puede
determinar de antemano.
Ejemplo: El resultado de lanzar un dado.
Espacio muestral
Es el conjunto Ω de todos los posibles resultados de un
experimento aleatorio.
Ejemplo:
El lanzamiento de una moneda. Ω = {c, s}
El lanzamiento de un dado 3 veces consecutivas.
Ω = {(a, b, c) : a, b, c ∈ {1, 2, 3, 4, 5, 6}}
CAGP Fundación Universitaria Los Libertadores
Procesos Estocásticos
Teorı́a de Conjuntos Probabilidad Procesos Estocásticos Cadenas de Markov
Conceptos básicos
σ−álgebra
= es una colección de subconjuntos de Ω que cumple con:
1 Ω∈=
2 Si A ∈ = entonces Ac ∈ =
∞
[
3 Si A1 , A2 , ... ∈ = entonces Ai ∈ =
i=1
Los elementos de = se llaman eventos.
Ideas:
A Ω se le conoce como evento seguro.
A φ se le conoce como evento imposible.
Decir que un evento ocurre, significa que el resultado
obtenido al realizar un experimento aleatorio cuyo espacio
muestral el Ω, es un elemento de A.
Si A y B son eventos, entonces:
A ∪ B es un evento que ocurre sii A o B o ambos ocurren.
A ∩ B es un evento que ocurre sii A y B ocurren.
Ac es un evento que ocurre sii A no ocurre.
A − B es un evento que ocurre sii A ocurre pero B no.
Conceptos básicos
Ejemplo:
A ={Estudiantes que pasan el curso de Control de Calidad}
B ={Estudiantes que pierden el curso de Control de
Calidad}
El concepto de probabilidad
Probabilidad
La medida de probabilidad se define como una función P
definida sobre = y de valor real que satisface las siguientes
condiciones:
1 P (A) ≥ 0 para todo A ∈ =.
2 P (Ω) = 1.
3 Si A ∩ B = φ entonces P (A ∪ B) = P (A) + P (B).
Propiedades
1 P (φ) = 0
2 P (Ac ) = 1 − P (A)
3 P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
4 P (B − A) = P (B) − P (A ∩ B)
5 Si A ⊆ B entonces P (A) ≤ P (B)
Cuando dos eventos son mutuamente excluyentes, la regla de
la suma de la probabilidad establece que:
P (A ∪ B) = P (A) + P (B)
Propiedades
1 P (φ) = 0
2 P (Ac ) = 1 − P (A)
3 P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
4 P (B − A) = P (B) − P (A ∩ B)
5 Si A ⊆ B entonces P (A) ≤ P (B)
Cuando dos eventos son mutuamente excluyentes, la regla de
la suma de la probabilidad establece que:
P (A ∪ B) = P (A) + P (B)
Propiedades
1 P (φ) = 0
2 P (Ac ) = 1 − P (A)
3 P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
4 P (B − A) = P (B) − P (A ∩ B)
5 Si A ⊆ B entonces P (A) ≤ P (B)
Cuando dos eventos son mutuamente excluyentes, la regla de
la suma de la probabilidad establece que:
P (A ∪ B) = P (A) + P (B)
Propiedades
1 P (φ) = 0
2 P (Ac ) = 1 − P (A)
3 P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
4 P (B − A) = P (B) − P (A ∩ B)
5 Si A ⊆ B entonces P (A) ≤ P (B)
Cuando dos eventos son mutuamente excluyentes, la regla de
la suma de la probabilidad establece que:
P (A ∪ B) = P (A) + P (B)
Propiedades
1 P (φ) = 0
2 P (Ac ) = 1 − P (A)
3 P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
4 P (B − A) = P (B) − P (A ∩ B)
5 Si A ⊆ B entonces P (A) ≤ P (B)
Cuando dos eventos son mutuamente excluyentes, la regla de
la suma de la probabilidad establece que:
P (A ∪ B) = P (A) + P (B)
Propiedades
1 P (φ) = 0
2 P (Ac ) = 1 − P (A)
3 P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
4 P (B − A) = P (B) − P (A ∩ B)
5 Si A ⊆ B entonces P (A) ≤ P (B)
Cuando dos eventos son mutuamente excluyentes, la regla de
la suma de la probabilidad establece que:
P (A ∪ B) = P (A) + P (B)
Probabilidad Condicional
Idea
Con frecuencia estamos interesados en determinar la
probabilidad de que un evento B ocurra dado que ya se conoce
el resultado de un evento A.
La regla multiplicativa de la probabilidad establece que la
probabilidad de que dos eventos A y B ocurran es igual a la
probabilidad de A multiplicada por la probabilidad de B dado
A.
P (A ∩ B) = P (A)P (B|A)
P (A ∩ B) P (A ∩ B)
P (B|A) = P (A|B) =
P (A) P (B)
Ejemplo
Considere los siguientes eventos:
A ={Una persona saca 35 en el primer parcial}
B ={Una persona saca 45 en el segundo parcial}
Entonces A ∩ B ={Una persona que saca 35 en el primer parcial
y 45 en el segundo parcial}
Suponga que:
5 3
P (A) = = 0.3125 P (A ∩ B) = = 0.1875
16 16
Entonces:
P (A ∩ B) 0.1875
P (B|A) = = = 0.6
P (A) 0.3125
Independencia
Eventos independientes
Se dice que dos eventos A y B son independientes si:
P (A ∩ B) = P (A)P (B)
Tarea
Tabla de contenidos
1 Teorı́a de Conjuntos
2 Probabilidad
3 Procesos Estocásticos
4 Cadenas de Markov
Procesos Estocásticos
Definición 1
Los procesos que evolucionan de manera probabilı́stica en el
tiempo, se les conoce como procesos estocásticos.
Definición 2
Definición 2
Definición 2
Definición 2
Definición 2
Definición 2
Procesos estocásticos
Ejemplo
Tabla de contenidos
1 Teorı́a de Conjuntos
2 Probabilidad
3 Procesos Estocásticos
4 Cadenas de Markov
Cadenas de Markov
Definición 1
Una sucesión aleatoria (Xt )t∈N con conjuntos de estados
discretos se llama cadena de Markov con parámetro de tiempo
discreto si satisface la siguiente condición:
Cadenas de Markov
Definición 2
En otras palabras, si se conoce el presente “Xn = i”, el
conocimiento adicional del pasado “Xn−1 , Xn−2 , ..., X0 ” no tiene
ninguna influencia en la estructura probabilı́stica del futuro, es
decir, en “Xn+1 ”.
Ejemplo 1
Suponga que se lanza una moneda corriente infinidad de veces.
Sea Xn =“Número de caraas obtenidas en los primeros n
lanzamientos”. ¿Es una cadena de Markov?
Cadenas de Markov
Ejemplo 2
Tres niños: A, B y C se lanzan unos a otros un balón. A siempre
le pasa el balón a B y este siempre se lo pasa a C. C le pasa el
balón indistintamente a A o a B. Sea Xn =“n−ésima persona
que lanza el balón”. ¿Es una cadena de Markov?
Ejemplo 3
En una escuala hay 150 niñas y 250 niños. Se selecciona un
alumno tras otro para un examen oftalmológico. Sea Xn =“Sexo
del n−ésimo alumno escogido”. ¿Es una cadena de Markov?
Cadenas de Markov
Definición 3
Sea (Xn )n≥0 una cadena de Markov. Las probabilidades
Definición 4
Una cadena de Markov se llama homogénea o con
probabilidades de transición estacionarias si las probabilidades
de transición de una cadena no dependen de n.
Cadenas de Markov
Definición 5
La medida de probabilidad π = (πi )i∈S con
πi = P (X0 = i)
Ejemplo
Suponga (Xn )n una sucesión de v.a. independientes con
P (Xn = i, Xn−1 = in−1 , ..., X0 = i0 ) > 0
P (Xn+1 = j, Xn
P (Xn+1 = j | Xn = i, Xn−1 = in−1 , ..., X0 = i0 ) =
P (Xn = i,
P (Xn+1 = j)P (Xn = i)...P (X0 = i0 )
=
P (Xn = i)...P (X0 = i0 )
P (Xn+1 = j)P (Xn = i)
=
P (Xn = i)
P (Xn+1 = j, Xn = i)
=
P (Xn = i)
= P (Xn+1 = j|Xn = i)