Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Renato Álvarez-Nodarse
p p p p p p
⋯ -2 -1 0 1 2 ⋯
q q q q q q
p p p p p p
⋯ -2 -1 0 1 2 ⋯
q q q q q q
p p p p
0 1 2 3 ⋯
q q q q
p p p p
0 1 2 3 ⋯
q q q q
p0 p1 p2 p3
0 1 2 3 ⋯
q1 q2 q3 q4
r0 r1 r2 r3
1−p
p
1 2
q
1−q
1−p
p
1 2
q
1−q
Teorema
Sea (Xn )n≥0 una cadena de Markov con distribución inicial λ.
Entonces la cadena (Xm+n )n≥0 condicionada a que Xm = i es una
cadena de Markov con distribución inicial δi = {δij , j ∈ I}, donde
δkl = 1 si k = l y 0 en otro caso.
Sea (Xn )n≥0 una cadena de Markov con distribución inicial λ y P una
matriz de probabilidades de transición. Entonces, para todos n, m ≥ 0
(i) P(Xn = j) = (λ Pn )j
(n)
(ii) P(Xn+m = j∣Xm = i) = pij .
Sea (Xn )n≥0 una cadena de Markov con distribución inicial λ y P una
matriz de probabilidades de transición. Entonces, para todos n, m ≥ 0
(i) P(Xn = j) = (λ Pn )j
(n)
(ii) P(Xn+m = j∣Xm = i) = pij .
1−α
α
A B
β
1−β
(n)
Calculemos, por ejemplo, pAA . De la ecuación matricial se sigue que
(n+1) (n) (n)
pAA = (1 − α)pAA + βpAB .
tenemos
(n+1) (n) (0)
pAA = (1 − α − β)pAA + β, pAA = pAA = 1 − α.
(n)
Calculemos, por ejemplo, pAA . De la ecuación matricial se sigue que
(n+1) (n) (n)
pAA = (1 − α)pAA + βpAB .
tenemos
(n+1) (n) (0)
pAA = (1 − α − β)pAA + β, pAA = pAA = 1 − α.
Ejemplo: Ir de A → A en 4 pasos. A → B → A → B → A
1−α
α
A B
β
1−β
Ejemplo: Ir de A → A en 4 pasos. A → B → A → B → A
1−α
α
A B
β
1−β
(n)
Sea qAA la probabilidad de regresar al estado A por primera vez en n
pasos. Entonces:
(1)
qAA = 1 − α,
(n)
Sea qAA la probabilidad de regresar al estado A por primera vez en n
pasos. Entonces:
(1) (2)
qAA = 1 − α, qAA = αβ,
(n)
Sea qAA la probabilidad de regresar al estado A por primera vez en n
pasos. Entonces:
(1) (2) (3)
qAA = 1 − α, qAA = αβ, qAA = α(1 − β)β,
(n)
Sea qAA la probabilidad de regresar al estado A por primera vez en n
pasos. Entonces:
(n)
Sea qAA la probabilidad de regresar al estado A por primera vez en n
pasos. Entonces:
n=1
(n)
Sea qAA la probabilidad de regresar al estado A por primera vez en n
pasos. Entonces:
n=1
Definición
Un estado i se llama recurrente si la probabilidad de regresar a dicho
estado (en algún momento) es igual a 1. En caso contrario se llama
transitorio.
=0
∞
(n)
³¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ·¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ µ
τAA = ∑ nqAA + ∞ (1 − qAA ),
n=1
∞
τAA = ∑ nqAA = (1 − α) + 2αβ + 3α(1 − β)β + 4α(1 − β)2 β + ⋯
(n)
n=1
=0
∞
(n)
³¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ·¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ µ
τAA = ∑ nqAA + ∞ (1 − qAA ),
n=1
∞
α
τAA = ∑ nqAA = (1 − α) + 2αβ + 3α(1 − β)β + 4α(1 − β)2 β + ⋯ = 1 +
(n)
n=1 β
=0
∞
(n)
³¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ·¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ µ
τAA = ∑ nqAA + ∞ (1 − qAA ),
n=1
∞
α
τAA = ∑ nqAA = (1 − α) + 2αβ + 3α(1 − β)β + 4α(1 − β)2 β + ⋯ = 1 +
(n)
n=1 β
Definición
n estado recurrente con tiempo medio de retorno finito se denomina
positivamente recurrente.
Renato Álvarez-Nodarse Una introducción a las caminatas aleatorias
El caso de dos estados: Usando sólo matrices
Cambiemos A por 1 y B 2. Calculamos la probabilidad de retorno:
(n)
p11 = ∑ p1i1 pi1 i2 ⋯pin−1 1
i1 ,i2 ,...,in−1 =1,2
P ⋅ Q ⋅ P ⋅ Q⋯P ⋅ Q ⋅P = ̃ Pn−1 ⋅ P, ̃ = P ⋅ Q.
P
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
n − 1 veces
Renato Álvarez-Nodarse Una introducción a las caminatas aleatorias
El caso de dos estados
p p p p p p
⋯ -2 -1 0 1 2 ⋯
q q q q q q
p p p p p p
⋯ -2 -1 0 1 2 ⋯
q q q q q q
⎡⋱ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋰ ⎤⎥
⎢
⎢. . . 0 p 0 0 0 0 ... 0 ⋯⎥⎥
⎢
⎢ ⎥
⎢. . . q 0 p 0 0 0 ... 0 ⋯⎥⎥
⎢
P = ⎢⎢. . . 0 q 0 p 0 0 ... 0 ⋯⎥⎥ , p + q = 1.
⎢. . . 0 0 q 0 p 0 ... 0 ⋯⎥⎥
⎢
⎢ ⎥
⎢. . . 0 0 0 q 0 p ... 0 ⋯⎥⎥
⎢
⎢⋰ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋱ ⎥⎦
⎣
p p p p p p
⋯ -2 -1 0 1 2 ⋯
q q q q q q
⎡⋱ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋰ ⎤⎥
⎢
⎢. . . 0 p 0 0 0 0 ... 0 ⋯⎥⎥
⎢
⎢ ⎥
⎢. . . q 0 p 0 0 0 ... 0 ⋯⎥⎥
⎢
P = ⎢⎢. . . 0 q 0 p 0 0 ... 0 ⋯⎥⎥ , p + q = 1.
⎢. . . 0 0 q 0 p 0 ... 0 ⋯⎥⎥
⎢
⎢ ⎥
⎢. . . 0 0 0 q 0 p ... 0 ⋯⎥⎥
⎢
⎢⋰ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋱ ⎥⎦
⎣
¿Como trabajar con estas matrices?
Renato Álvarez-Nodarse Una introducción a las caminatas aleatorias
Caminata del borracho
Probabilidad de retorno:
2n
= ( )p n q n .
(2n)
p00
n
Probabilidad de retorno:
2n
= ( )p n q n .
(2n)
p00
n
Probabilidad de retorno:
2n
= ( )p n q n .
(2n)
p00
n
P ⋅ Q ⋅ P ⋅ Q⋯P ⋅ Q ⋅P = ̃ Pn−1 ⋅ P, ̃ = P ⋅ Q.
P
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
n − 1 veces
NO!
p1 = q1 p0 + q0 p1 = q1 ,
® ®
=1 =0
p1 = q1 p0 + q0 p1 = q1 , p2 = q2 p0 +q1 p1 + q0 p2 = q2 + q1 p1 , ...
® ® ® ®
=1 =0 =1 =0
p1 = q1 p0 + q0 p1 = q1 , p2 = q2 p0 +q1 p1 + q0 p2 = q2 + q1 p1 , ...
® ® ® ®
=1 =0 =1 =0
p(z) = 1 + p1 z + p2 z 2 + ⋯ = ∑ pn z n , q(z) = q1 z + q2 z 2 + ⋯ = ∑ qn z n ,
n≥0 n≥1
p(z)q(z) = (1 + p1 z + p2 z 2 + ⋯)(q1 z + q2 z 2 + ⋯)
p(z) = 1 + p1 z + p2 z 2 + ⋯ = ∑ pn z n , q(z) = q1 z + q2 z 2 + ⋯ = ∑ qn z n ,
n≥0 n≥1
p(z)q(z) = (1 + p1 z + p2 z 2 + ⋯)(q1 z + q2 z 2 + ⋯)
Definición
Las funciones p(z) y q(z) anteriores se denominan funcines
generatrices de los retornos y de los primeros retornos,
respectivamente. La ecuación p(z)q(z) = p(z) − 1 se denomina
ecuación de renuevo.
Está claro que la probabilidad qii de retorno al estado inicial será
qii = q1 + q2 + ⋯ + qn + ⋯ = q(1).
Definición
Las funciones p(z) y q(z) anteriores se denominan funcines
generatrices de los retornos y de los primeros retornos,
respectivamente. La ecuación p(z)q(z) = p(z) − 1 se denomina
ecuación de renuevo.
Está claro que la probabilidad qii de retorno al estado inicial será
qii = q1 + q2 + ⋯ + qn + ⋯ = q(1).
∞
β + α(1 − α − β)n n
pAA (z) = ∑ z ⇒ pAA (1) = ∞ ⇒ qAA (1) = 1.
n=0 α+β
La serie anterior se puede sumar
α β
pAA (z) = + ,
(α + β) (αz + βz − z + 1) (α + β) (1 − z)
luego
1 (α + β − 1) z 2 + (1 − α) z
qAA (z) = 1 − = ,
pAA (z) (β − 1) z + 1
de donde se sigue, nuevamente, que qAA (1) = 1 y además, para el
tiempo esperado de retorno tenemos
′ 2αβz α (β − 1) βz 2 α
τAA = qAA (1−) = lı́m [1 − α + − 2
] = 1+ .
z→1− 1 − (1 − β) z (1 − (1 − β) z) β
∞
2n 1
p00 (z) = ∑ ( )p n q n z 2n , q(z) = 1 − .
n=0 n p(z)
Tenemos la identidad
∞
2n z 2n
(1 − z 2 )−1/2 = ∑ ( ) 2n ⇒
n=0 n 2
∞
2n 1
p00 (z) = ∑ ( )p n q n z 2n , q(z) = 1 − .
n=0 n p(z)
Tenemos la identidad
∞
2n z 2n
(1 − z 2 )−1/2 = ∑ ( ) 2n ⇒
n=0 n 2
1
p00 (z) = √ √ ⇒
1− 4pqz 2
∞
2n 1
p00 (z) = ∑ ( )p n q n z 2n , q(z) = 1 − .
n=0 n p(z)
Tenemos la identidad
∞
2n z 2n
(1 − z 2 )−1/2 = ∑ ( ) 2n ⇒
n=0 n 2
1 √ √
p00 (z) = √ √ ⇒ q00 (z) = 1 − 1 − 2 p qz 2 ⇒
1− 4pqz 2
1 √ √
p00 (1) = √ √ ⇒ q00 (1) = 1 − 1−2 p q.
1 − 4pq
Por tanto q(1) = 1 si y sólo si p = q = 1/2.
∞
2n 1
p00 (z) = ∑ ( )p n q n z 2n , q(z) = 1 − .
n=0 n p(z)
Tenemos la identidad
∞
2n z 2n
(1 − z 2 )−1/2 = ∑ ( ) 2n ⇒
n=0 n 2
1 √ √
p00 (z) = √ √ ⇒ q00 (z) = 1 − 1 − 2 p qz 2 ⇒
1− 4pqz 2
1 √ √
p00 (1) = √ √ ⇒ q00 (1) = 1 − 1−2 p q.
1 − 4pq
Por tanto q(1) = 1 si y sólo si p = q = 1/2.
′ z
τ00 = lı́m q00 (z) = lı́m √ = ∞,
z→1− z→1− 1 − z2
0 1 2 3 ⋯
q1 q2 q3 q4
r0 r1 r2 r3
⎡ r0 p0 0 0 0 0 . . .⎤⎥
⎢
⎢q1 r1 p1 0 0 0 . . .⎥⎥
⎢
⎢ ⎥
P = ⎢ 0 q2 r2 p2 0 0 . . .⎥ , r0 +q0 = 1, pi +qi +ri = 1, ∀i ≥ 1,
⎢ ⎥
⎢ 0 0 q3 r3 p3 0 . . .⎥⎥
⎢
⎢⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋱ ⎥⎦
⎣
x n p(x) = Jn p(x),
x n p(x) = Jn p(x),
x n p(x) = Jn p(x),
Sea i = j.
(i)
donde µn son los momentos de orden n de la medida espectral
dµi (x) y µ
̂i (z) es la función generariz de los momentos.
q(z) − 1 1
τii = lı́m = lı́m .
z→1− z − 1 z→1− (1 − z)si (z)
µ({1}) 1 dµ
̃(x)
F (ζ; µ) = +∫ , ζ ∈ C ∖ [−1, 1] ⇒
ζ −1 −1 x − ζ
µ({1}) 1 dµ
̃(x)
F (ζ; µ) = +∫ , ζ ∈ C ∖ [−1, 1] ⇒
ζ −1 −1 x − ζ
1 ζ −1
(ζ − 1)F (ζ; µ) = µ({1}) + ∫ dµ
̃(x) ⇒
−1 x −ζ
µ({1}) 1 dµ
̃(x)
F (ζ; µ) = +∫ , ζ ∈ C ∖ [−1, 1] ⇒
ζ −1 −1 x − ζ
1 ζ −1
(ζ − 1)F (ζ; µ) = µ({1}) + ∫ dµ
̃(x) ⇒
−1 x −ζ
1 ζ −1 1 ζ −1 1
lı́m ∫ dµ
̃(x) = ∫ lı́m dµ
̃(x) = ∫ 0 d µ
̃(x) = 0.
ζ→1+ −1 ζ −x −1 ζ→1+ ζ − x −1
⎡ r0 a0 0 0 0 0 ... ⎤ ⎡ r0 a0 0 0 0 0 . . . ⎤
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎢
⎢ a0 r1 a1 0 0 ... ⎥ ⎢
⎥ ⎢ a0 ⎥
⎥
J = ⎢⎢ 0 a1 r2 a2 0 0 ... ⎥=⎢
⎥ ⎢ 0 J(1) ⎥
⎥
⎢ 0 0 a2 r3 a3 0 ... ⎥ ⎢ ⎥
⎢ ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋱ ⎥ ⎢ ⋮ ⎥
⎣ ⎦ ⎣ ⎦
0 1 2 3 ⋯ b + c = 1, b ∈ (0, 1).
b b b b
Renato Álvarez-Nodarse Una introducción a las caminatas aleatorias
√
Ejemplo 2. Prueba que si a = b(1 − b)
√
1 1− 1 − 4a2 z 2
q(z) = 1 − = bz +
p(z) 2
y que la función de Stieltjes es
√
−1 1 z − 2b − z 2 + 4b 2 − 4b
−1
F (z; µ) = −z p(z ) = .
2b z −1
Calculamos
√
1 − (1 − 2b)2 1, b ≥ 1/2,
q(1) = bz + ={
2 2b, b < 1/2.
Para el tiempo medio, si b ≥ 1/2,
dq(z) 2 (1 − b) bz b
τ= ∣ =b+ √ ∣ = ,
dz z=1 1 − 4 (1 − b) bz z=1 2b − 1
luego es positivamente recurrente si b > 1/2.
√
1 1− 1 − 4a2 z 2
q(z) = 1 − = bz +
p(z) 2
y que la función de Stieltjes es
√
−1 1 z − 2b − z 2 + 4b 2 − 4b
−1
F (z; µ) = −z p(z ) = .
2b z −1
Calculamos
√
1 − (1 − 2b)2 1, b ≥ 1/2,
q(1) = bz + ={
2 2b, b < 1/2.
Para el tiempo medio, si b ≥ 1/2,
dq(z) 2 (1 − b) bz b
τ= ∣ =b+ √ ∣ = ,
dz z=1 1 − 4 (1 − b) bz z=1 2b − 1
luego es positivamente recurrente si b > 1/2.
Ejercicio: Usando la función de Stieltjes recupera la medida de
ortogonalidad y comprueba que tiene una masa en el cero si b > 1/2.
Renato Álvarez-Nodarse Una introducción a las caminatas aleatorias
Un modelo de la Mecánica estadı́stica
ME = estudio del comportamiento de sistemas con muchas partı́culas
mediante el uso, entre otras cosas de la teorı́a de las probabilidades.
0000000000000000000000000000000000000000
1111111111111111111111111111111111111111
00
11
00
11
000
111
000
111 00
11
00
11
00
11 000
111 00
11
00
11
00
11
000
111
000
111 00
11
00
11
00
11 000
111 00
11
00
11 000
111 00
11
00
11 000
111 00
11
00
11 00
11
000
111 00
11
00
11
00
11 00
11
000
111 00
11
00
11
00
11 00
11 00
11
00
11
00
11 00
11 00
11
00
11
00
11 00
11 00
11
00
11
00
11
00
11
00
11
00
11
000
111
00
11
00
11
00
11
00
11 000
111
000
111 00
11
00
11
00
11 000
111 00
11
00
11
00
11 000
111 00
11
00
11 000
111 00
11
00
11 000
111
000
111 00
11
0000000000000000000000000000000000000000
1111111111111111111111111111111111111111
00
11 000
111 00
11
0000000000000000000000000000000000000000
1111111111111111111111111111111111111111
00
11 000
111 00
11
0000000000000000000000000000000000000000
1111111111111111111111111111111111111111
00
11
00
11
000
111
000
111 00
11
00
11
00
11 000
111 00
11
00
11
00
11
000
111
000
111 00
11
00
11
00
11 000
111 00
11
00
11 000
111 00
11
00
11 000
111 00
11
00
11 000
111 00
11
00
11
00
11
000
111 00
11
00
11
00
11 00
11
00
11 00
11
00
11
00
11 00
11
00
11
00
11 00
11
00
11 000
111 00
11
00
11
00
11 000
111 00
11
00
11
00
11 000
111 00
11
00
11 000
111
000
111 00
11
00
11
00
11 000
111 00
11
00
11
00
11 000
111
000
111 00
11
0000000000000000000000000000000000000000
1111111111111111111111111111111111111111
00
11 000
111 00
11
0000000000000000000000000000000000000000
1111111111111111111111111111111111111111
00
11 000
111 00
11
0000000000000000000000000000000000000000
1111111111111111111111111111111111111111
00
11
00
11
000
111
000
111 00
11
00
11
00
11 000
111 00
11
00
11
00
11
000
111
000
111 00
11
00
11
00
11 000
111 00
11
00
11 000
111 00
11
00
11 000
111 00
11
00
11 000
111 00
11
00
11
00
11
000
111 00
11
00
11
00
11 00
11
00
11 00
11
00
11
00
11 00
11
00
11
00
11 00
11
00
11 000
111 00
11
00
11
00
11 000
111 00
11
00
11
00
11 000
111 00
11
00
11 000
111
000
111 00
11
00
11
00
11 000
111 00
11
00
11
00
11 000
111
000
111 00
11
0000000000000000000000000000000000000000
1111111111111111111111111111111111111111
00
11 000
111 00
11
0000000000000000000000000000000000000000
1111111111111111111111111111111111111111
00
11 000
111 00
11
0000000000000000000000000000000000000000
1111111111111111111111111111111111111111
00
11
00
11
000
111
000
111 00
11
00
11
00
11 000
111 00
11
00
11
00
11
000
111
000
111 00
11
00
11
00
11 000
111 00
11
00
11 000
111 00
11
00
11 000
111 00
11
00
11 000
111 00
11
00
11
00
11
000
111 00
11
00
11
00
11 00
11
00
11 00
11
00
11
00
11 00
11
00
11
00
11 00
11
00
11 000
111 00
11
00
11
00
11 000
111 00
11
00
11
00
11 000
111 00
11
00
11 000
111
000
111 00
11
00
11
00
11 000
111 00
11
00
11
00
11 000
111
000
111 00
11
0000000000000000000000000000000000000000
1111111111111111111111111111111111111111
00
11 000
111 00
11
0000000000000000000000000000000000000000
1111111111111111111111111111111111111111
00
11 000
111 00
11
1 2
3 6
4 5 7 8
1 2
3 6
4 5 7 8
Si sale el número 2
1 2
3 6
4 5 7 8
p1 p2 p3 p4
0 1 2 3 ⋯
q1 q2 q3 q4
⎛0 1 ⎞
1 2N−1
⎜ 2N
⎜ 0 2N
⎟
⎟
⎜ 2 2N−2 ⎟
⎜ 2N 0 2N ⎟
⎜ ⎟
P=⎜ ⋱ 0 ⋱ ⎟
⎜ ⎟
⎜ ⋱ ⋱ ⋱ ⎟
⎜ ⎟
⎜ 1 ⎟
⎜ ⋱ 0 2N ⎟
2N
⎝
2N 0⎠
Para este caso resulta que existe una familia muy conocida de
polinomios ortogonales (en este caso finita) que nos permite resolver
el problema de forma analı́tica.
Renato Álvarez-Nodarse Una introducción a las caminatas aleatorias
El modelo de urnas de los Ehrenfest
−i, −x
Ki (x) = 2 F̃1 ( ; 2) , x = 0, 1, . . . , 2N; i = 0, 1, . . . , 2N.
−2N
2N
( )
2N x (−1)i i!
∑ Ki (x)Kj (x) = δij ≡ di2 δij 0 ≤ i, j ≤ 2N,
x=0 22N (−2N)i
⎛0 1 ⎞ ⎛ K0 (x) ⎞ ⎛ K0 (x) ⎞
1 2N−1
⎜ 2N
⎜ 0 2N
⎟ ⎜ K1 (x) ⎟
⎟⎜ ⎜ K1 (x) ⎟
⎜ 2
0 2N−2 ⎟ ⎜ K2 (x) ⎟
⎟
⎜ ⎟
⎜ K2 (x) ⎟
⎜ 2N 2N ⎟⎜
⎟ = (1 − x ) ⎜
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ ⋱ 0 ⋱ ⎟⎜ ⎟,
⎜ ⎟⎜ ⎟ N ⎜ ⎜ ⎟
⎜ ⋱ ⋱ ⋱ ⎟⎜ ⎟ ⎟
⎜ ⎟ ⎟ ⎜ ⎟
⎜ 1 ⎟⎜ ⎟ ⎜ ⎟
⎜ ⋱ 0 2N ⎟
⎜ ⎟ ⎜ ⎟
2N ⎝K2N (x) ⎠ ⎝K2N (x)⎠
⎝
2N 0 ⎠
⎛0 1 ⎞ ⎛ K0 (x) ⎞ ⎛ K0 (x) ⎞
1 2N−1
⎜ 2N
⎜ 0 2N
⎟ ⎜ K1 (x) ⎟
⎟⎜ ⎜ K1 (x) ⎟
⎜ 2
0 2N−2 ⎟ ⎜ K2 (x) ⎟
⎟
⎜ ⎟
⎜ K2 (x) ⎟
⎜ 2N 2N ⎟⎜
⎟ = (1 − x ) ⎜
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ ⋱ 0 ⋱ ⎟⎜ ⎟,
⎜ ⎟⎜ ⎟ N ⎜ ⎜ ⎟
⎜ ⋱ ⋱ ⋱ ⎟⎜ ⎟ ⎟
⎜ ⎟ ⎟ ⎜ ⎟
⎜ 1 ⎟⎜ ⎟ ⎜ ⎟
⎜ ⋱ 0 2N ⎟
⎜ ⎟ ⎜ ⎟
2N ⎝K2N (x) ⎠ ⎝K2N (x)⎠
⎝
2N 0 ⎠
2N
2N n
( )
x x
(Pn )00 = ∑ (1 − )
x=0 N 22N
luego la función generatrı́z p00 (z) = p(z) se convierte en
2N
2N
( )
∞
N x
p(z) ≡ ∑ Pn00 z n = ∑ 2N
.
n=0 x=0 N(1 − z) + xz 2
2N
2N n
( )
x x
(Pn )00 = ∑ (1 − )
x=0 N 22N
luego la función generatrı́z p00 (z) = p(z) se convierte en
2N
2N
( )
∞
N x
p(z) ≡ ∑ Pn00 z n = ∑ 2N
.
n=0 x=0 N(1 − z) + xz 2
p ′ (z)
Para el tiempo medio de espera τ = q ′ (z) = p 2 (z)
2N
2N
( )
N(N − x) x
q ′ (z) = ∑ 2 2N
x=0 (N(1 − z) + xz) 2
p ′ (z)
Para el tiempo medio de espera τ = q ′ (z) = p 2 (z)
2N
2N
( )
N(N − x) x
q ′ (z) = ∑ 2 2N
x=0 (N(1 − z) + xz) 2
22N
τi = .
2N
( )
i
Resumiendo:
1 Con probabilidad 1 se volvemos a cualquier estado inicial i del
que hayamos partido
Resumiendo:
1 Con probabilidad 1 se volvemos a cualquier estado inicial i del
que hayamos partido
2 Que el tiempo esperado (o medio) de retorno al estado i dado es
(en unidades de tiempo)
22N 2N (2N)!
Tii = ( )=
2N i (2N − i)!i!
( )
i
Resumiendo:
1 Con probabilidad 1 se volvemos a cualquier estado inicial i del
que hayamos partido
2 Que el tiempo esperado (o medio) de retorno al estado i dado es
(en unidades de tiempo)
22N 2N (2N)!
Tii = ( )=
2N i (2N − i)!i!
( )
i
Unas cuentas sencillas: Escojamos N = 1000 (dos mil bolas) y
repitamos nuestro experimento cada τ = 10−9 seg. (procesador de
1GHz)