Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cadenas de Markov
Cadenas de Markov
Introducción
Andrei Markov fue un matemático ruso que desarrolló la moderna teoría de procesos
estocástico en el campo de la teoría de la probabilidad, profundizó en las consecuencias
del teorema central del límite y en la ley de los grandes números. Una cadena de Markov,
es una serie de eventos, en la cual la probabilidad de que ocurra un evento depende del
evento inmediato anterior. En efecto, las cadenas de este tipo tienen memoria,
"Recuerdan" el último evento y esto condiciona las posibilidades de los eventos futuros,
estas poseen ciertos estados que la definen tal como los estados estado transitorio,
estado absorbente, estado recurrente, estado alcanzable, estado periódico y estado
ergódico. En la investigación de operaciones son de gran relevancia el uso de los
pronósticos, los cuales permitirán hacer predicciones de lo que puede suceder o esperar,
son premisas o suposiciones básicas en que se basan la planeación y la toma de
decisiones. Muchos métodos de pronósticos se apoyan en técnicas matemáticas
complejas; el pronóstico se necesita como elemento de otros modelos y algunos
pronósticos son una ayuda esencial en la planeación y solución de problemas. Hay dos
métodos fundamentales que se utilizan en esta área: Pronóstico cualitativo: este método
es apropiado cuando los datos confiables son escasos o difíciles de emplear; y los
Pronóstico cuantitativo: este hace una extrapolación del pasado o se utiliza cuando se
cuenta con suficientes datos estadísticos o confiables para especificar las relaciones
existentes entre variables fundamentales. En el trabajo presentado a continuación se
abordaran de manera completa tópicos de interés en el área de la investigación de
operación tales como las cadenas de Markov y la clasificación de los estados de estas,
los procesos estocásticos, cadenas absorbentes y los diferentes modelos de pronósticos
que representan una herramienta fundamental para el éxito de cualquier empresa.
Andrei Markov (Riazán, 1856 - San Petersburgo, 1922) Matemático ruso que desarrolló la
moderna teoría de procesos estocásticos. Trabajó en la casi totalidad de los campos de la
matemática. En el campo de la teoría de la probabilidad, profundizó en las consecuencias
del teorema central del límite y en la ley de los grandes números. En su honor, lleva su
nombre un tipo muy especial de procesos estocásticos. Markov, graduado en la
Universidad de San Petersburgo en 1878, fue alumno de Pafutny Chebyshev, quien
ejerció una gran influencia en sus investigaciones. Impartió clases de matemáticas en
esta Universidad desde 1886. Sus primeras investigaciones versaron sobre análisis y
teoría de números, en particular sobre las fracciones continuas, límites de integrales,
teoría de aproximaciones y convergencia de series. En 1900 estudió la teoría de
probabilidades. Demostró a partir de supuestos muy generales el llamado teorema central
del límite, que establece que la suma de un número grande de variables aleatorias
independientes se aproxima a una distribución gaussiana. Tras este trabajo, estudió las
variables dependientes e introdujo el concepto de sucesos encadenados. Markov extendió
los resultados clásicos de sucesos independientes a cierto tipo de sucesos encadenados,
conocidos como sucesos markovianos, que son aquellos cuyo estado en un instante de
tiempo depende de uno o varios estados cronológicamente anteriores.
Este estudio, desarrollado por su discípulo Andrei Kolmogorov y por Norbert Wiener, se
convirtió en una teoría general de procesos estocásticos y se ha aplicado con éxito en
campos tan dispares como la biología, la sociología y la lingüística. Fue miembro de la
Academia rusa de Ciencias desde 1896. Proceso estocástico Un proceso estocástico se
define sencillamente como una colección indexada de variables aleatorias {X1}, donde el
subíndice t toma valores de un conjunto T dado. Con frecuencia T se toma como el
conjunto de enteros no negativos y X, representa una característica de interés medible en
el tiempo t. Por ejemplo, el proceso estocástico, X1, X2, X3,.., Puede representar la
colección de niveles de inventario semanales (o mensuales) de un producto dado, o
puede representar la colección de demandas semanales (o mensuales) de este producto.
Un estudio del comportamiento de un sistema de operación durante algún periodo suele
llevar al análisis de un proceso estocástico con la siguiente estructura. En puntos
específicos del tiempo t , el sistema se encuentra exactamente en una de un número finito
de estados mutuamente excluyentes y exhaustivos, etiquetados 0, 1, . . , S. Los periodos
en el tiempo pueden encontrarse a intervalos iguales o su esparcimiento puede depender
del comportamiento general del sistema en el que se encuentra sumergido el proceso
estocástico. Aunque los estados pueden constituir una caracterización tanto cualitativa
como cuantitativa del sistema, no hay pérdida de generalidad con las etiquetas numéricas
0, 1, . . , M, que se usarán en adelante para denotar los estados posibles del sistema. Así
l la representación matemática del sistema físico es la de un proceso estocástico {Xi}, en
donde las variables aleatorias se observan en t = 0, 1, 2,. . ., y en donde cada variable
aleatoria puede tomar el valor de cualquiera de los M + 1 enteros 0, 1, .. , M M. Estos
enteros son una caracterización de los M + 1 estados del proceso. Definición matemática
Un proceso estocástico se puede definir equivalentemente de dos formas diferentes:
Como un conjunto de realizaciones temporales y un índice aleatorio que selecciona una
de ellas. Como un conjunto de variables aleatorias índice , dado que , con . indexadas por
un puede ser continuo si es un intervalo (el número de sus valores es ilimitado) o discreto
si es numerable (solamente puede asumir determinados valores) Las variables aleatorias
valores). toman valores en un conjunto que se denomina espacio probabilístico. Sea un
espacio probabilístico. En una muestra de tamaño n se observa un suceso compuesto E
formado por sucesos elementales ω: , de manera que El suceso compuesto es un
subconjunto contenido en el espacio muestral y es un álgebra de Boole B. A cada suceso
ω le corresponde un valor de una variable aleatoria V, de manera que V es función de , ω:
es una variable
Limk
Entonces
=1 para obtener (
2)
Estado absorbente Es aquel que una vez que se entra en él no se puede salir del mismo.
Un estado es absorbente si: Pii=1
(i ≠ j, j = 1,....,m)
Pjj=0 Si es un estado absorbente si el sistema entra al estado y permanece ahí. Y el límite
de la probabilidad de estado es 1. este estado es conocido también como estado trampa.
Estado recurrente Son aquellos estados donde después de n pasos puede volver a el
mismo; es decir estando en algún estado i puede regresar a el después de n pasos con
probabilidad una probabilidad asociada a el. El estado puede ser visitado un número
infinito de veces. Estado Alcanzable El estado j es alcanzable desde el estado i si existe n
> 0 tal que p(n)
i, j
CADENAS ABSORBENTES Son aquellas tales que algunos de sus estados son
transitorios y el resto son absorbentes. Sea X una CM cuyos estados son todos
transitorios o absorbentes. En tal caso diremos que X es absorbente. Si X es finita y
absorbente, reordenamos S poniendo primero los estados transitorios y obtenemos:
Q' R Q= 0 I
Modelos para pronósticos Los pronósticos son predicciones de lo que puede suceder o
esperar, son premisas o suposiciones básicas en que se basan la planeación y la toma de
decisiones. Algunos escritores consideran que los modelos de pronósticos son técnicas
de la ciencia administrativa por varias razones: muchos métodos de pronósticos se
apoyan en técnicas matemáticas complejas; el pronóstico se necesita como elemento de
otros modelos y algunos pronósticos son una ayuda esencial en la planeación y solución
de problemas. En realidad, los pronósticos no sólo se utilizan como elemento de los
modelos de solución de problemas mediante la ciencia administrativa, sino que
establecen además las premisas a partir de las cuales se elaboran los planes y controles.
Dada la importancia de predecir las futuras tendencias económicas y de ventas, hay dos
métodos fundamentales que se utilizan en estas áreas. (Pronóstico cualitativo y
pronóstico cuantitativo). Pronóstico cualitativo. Este método es apropiado cuando los
datos confiables son escasos o difíciles de emplear. Por ejemplo: Cuando se introduce un
nuevo producto o tecnología, la experiencia pasada no constituye un criterio seguro para
estimar cuáles serán los efectos a corto plazo. Este pronóstico implica el uso de juicios
subjetivos y esquemas de clasificación para transformar la información cualitativa en
estimaciones cuantitativas. Pronóstico cuantitativo. Este hace una extrapolación del
pasado o se utiliza cuando se cuenta con suficientes datos estadísticos o confiables para
especificar las relaciones existentes entre variables fundamentales. El pronóstico basado
en la extrapolación, como un análisis de series de tiempo, recurre a las tendencias
pasadas o presentes a fin de proyectar los acontecimientos futuros. Así, los registros de
ventas en los últimos años podrían servir para proyectar el patrón de ventas para el
próximo año. El pronóstico cualitativo no exige datos numéricos ni estadísticos en la
misma forma que el cuantitativo. Este último puede aplicarse si se cuenta con información
sobre el pasado, si se le puede especificar numéricamente y si es posible suponer que
continuará el patrón del pasado. Los elementos del pronóstico cualitativo son sobre todo,
resultado del pensamiento intuitivo, el juicio, y la acumulación de conocimientos.
Características de los Pronósticos • Primera. Todas las situaciones en que se requiere un
pronóstico, tratan con el futuro y el tiempo está directamente involucrado. Así, debe
pronosticarse para un punto específico en el tiempo y el cambio de ese punto
generalmente altera el pronóstico. • Segunda. Otro elemento siempre presente en
situaciones de pronósticos es la incertidumbre. Si el administrador tuviera certeza sobre
las circunstancias que existirán en un tiempo dado, la preparación de un pronóstico seria
trivial. • Tercera. El tercer elemento, presente en grado variable en todas las situaciones
descritas es la confianza de la persona que hace el pronóstico sobre la información
contenida en datos históricos. CLASIFICACIÓN DE LOS METODOS DE PRONÓSTICOS
Métodos Cualitativos Usos de estos métodos. Las técnicas cualitativas se usan cuando
los datos son escasos, por ejemplo cuando se introduce un producto nuevo al mercado.
Estas técnicas usan el criterio de la persona y ciertas relaciones para transformar
información cualitativa en estimados cuantitativos.
Los valores escogidos como estimadores de los parámetros, son los coeficientes de
regresión, sin que se pueda garantizar que, coinciden con parámetros reales del proceso
generador. Por tanto, en
Los valores son por su parte estimaciones de la perturbación aleatoria o errores. Tipos de
modelos de regresión lineal linea Regresión lineal simple Sólo se maneja una variable
independiente, por lo que sólo , cuenta con dos parámetros Son de la forma: parámetros.
donde es el error asociado a la medición del valor Xi y siguen (media cero, varianza con ).
Derivando respecto a
donde es el error asociado a la medición i del valor Xip y (media cero, con ).
Regresión Lineal Simple Una regresión lineal es aquella donde tu ecuación solo tiene
variables de primer grado. Es decir que están elevados a la potencia "1". Ejemplo Y= α+
βx, donde β es lineal. La regresión múltiple comprende tres o más variables, existe solo
una variable dependiente, pero hay dos o mas tipo independiente. Esta operación al
desarrollo de una ecuación que se p puede utilizar para predecir valores de y, respecto a
valores dados de la diferencia variables independientes adicionales es incrementar la
capacidad predicativa sobre la de la regresión lineal simple.
Conclusión
Markov fue sin duda alguna uno los matemáticos más prominentes del siglo 20, formuló
una teoría que explicaba de manera sencilla a los procesos estocásticos. Dicho teorema
es denominado las cadenas de Markov y los procesos de Markov, estos son un tipo
especial de procesos estocásticos que poseen la siguiente propiedad: “Conocido el
estado del proceso en un momento dado, su comportamiento futuro no depende del
pasado”; dicho de otro modo, “dado el presente, el futuro es independiente del pasado”.
Así mismo declaro que en toda cadena hay determinaos conjuntos de estados que
caracterizan el comportamiento del proceso, y su clasificación se hace teniendo en cuenta
la comunicación que existen dentro de los distintos estados del conjunto. Igualmente
definió un tipo de cadena ergódica la cual lo es, solo si todos sus estados son ergódico,
para este tipo de cadenas se obtiene siempre que la distribución invariante es el reciproco
del vector de los tiempos medios de recurrencia. Una cadena ergódica describe
matemáticamente un proceso en el cual es posible avanzar desde un estado hasta
cualquier otro estado. Por otra parte la predicción es un proceso de estimación de un
suceso futuro basándose en consideraciones subjetivas diferentes a los simples datos
provenientes del pasado; estas consideraciones subjetivas no necesariamente deben
combinarse de una manera predeterminada. Es decir, cuando no existen datos del
pasado, se requiere una predicción, y de lo contrario, se necesita un pronóstico.