Documentos de Académico
Documentos de Profesional
Documentos de Cultura
LEykc73PQB9SO3qS - Eov2d6lCX25WmY Lectura Fundamental 4
LEykc73PQB9SO3qS - Eov2d6lCX25WmY Lectura Fundamental 4
Lectura fundamental
Contenido
4 Valores esperados
Para una CMTD con espacio de estados S={1,2,…,N}, se define el vector a=[a1,a2,…,a_N] como el
vector de condiciones iniciales, teniendo en cuenta que:
aj=P(Xo=j) ∀ j∈S
La distribución transiente de una cadena está definida por el vector a(n)=a(n)1, a(n)2,…,a(n)N], en
donde:
aj(n)=P(Xn=j) ∀ j∈S
Es decir, se deben multiplicar los componentes del vector de condiciones iniciales por probabilidades
del tipo:
Las probabilidades Pij(n) se conocen como probabilidades de transición de n pasos. Estas se pueden
organizar en una matriz definida como:
POLITÉCNICO GRANCOLOMBIANO 2
La matriz P(n), así como la matriz P , es una matriz estocástica. Teniendo en cuenta lo anterior, la
distribución transiente se puede calcular de forma matricial como:
an=a*P(n)
Por lo tanto, solo basta hallar la matriz de probabilidades de transición de n pasos, la cual se puede
calcular con la siguiente expresión:
P(n) = Pn
Es decir, la matriz de probabilidades de transición de n pasos corresponde a la -ésima potencia
de la matriz de probabilidades de transición de un paso. Además, una propiedad importante que
las matrices de probabilidades de transición satisfacen, se resume en las conocidas ecuaciones de
Chapman-Kolmogorov (Kulkami, 2011).
Ejemplo 1
Considere el modelo construido en el Ejemplo 2 de la Lectura fundamental anterior, allí se tenía que:
Xn: número de máquinas funcionando al inicio del día n. Con espacio de estado dado por S={0,1,2} y
con la matriz de probabilidades de transición de un paso:
POLITÉCNICO GRANCOLOMBIANO 3
Ahora, suponga que el lunes en la mañana se tiene una probabilidad de 0.5 de que inicien las dos
máquinas funcionando y una probabilidad de 0.5 de que una máquina se encuentre funcionando,
¿cuál es la probabilidad de que el jueves en la mañana las dos máquinas inicien el día funcionando? Es
decir, aquí se tiene que a=[0,0.5,0.5] y se requiere calcular P(X3=2). Note que desde el lunes hasta
el jueves hay 3 pasos. Por lo tanto, se debe calcular a(3),, para lo cual se requiere hallar la matriz de
probabilidades de transición de 3 pasos, es decir:
Matriz de ocupación
En una CMTD con espacio de estado S={1,2,…,N} y vector de condiciones iniciales a=[a1,a2,…,aN] se
define a Nj (n) como el número de veces que la CMTD visita al estado j en n pasos. De esta forma, se
puede definir el valor esperado del tiempo de ocupación del estado j dado que inicia en el estado i:
POLITÉCNICO GRANCOLOMBIANO 4
Una forma eficiente para calcular la matriz de tiempos de ocupación está dada por:
Ejemplo 2
Volviendo al modelo del ejemplo anterior, suponga que el lunes las dos máquinas inician funcionando,
¿cuál es el valor esperado del número de días que las dos máquinas inician fallando en toda la semana?
Considere que las máquinas se utilizan de lunes a domingo. En este caso, se debe calcular la matriz de
tiempos de ocupación con n=6, porque se requieren 6 pasos para ir desde el lunes hasta el domingo.
Para hallar la matriz de tiempos de ocupación, se requiere calcular las matrices de transición de 2, 3, 4
5 y 6 pasos; con la suma se obtiene la matriz de tiempos de ocupación.
POLITÉCNICO GRANCOLOMBIANO 5
¿Sabía que...?
En la matriz de tiempos de ocupación M(n), la suma de las filas es un
número entero igual n+1. El 1 adicional es debido a que en el estado inicial
ya hay una visita, esta se registra en la suma y cada paso de la cadena
aumenta la suma en 1.
CMTD irreducible:
Una CMTD {Xn,n≥0} con espacio de estados S={1,2,…,N} es una cadena irreducible si para todo par
de estados i,j∈S existe un número k>0 tal que:
P(Xk=j | X0=i)>0
En las dos siguientes gráficas, se muestra una cadena irreducible y una que no lo es. Note que,
gráficamente, una cadena es irreducible si existe un camino entre cada par de estados. En la segunda
gráfica, no hay un camino que una al estado 3 con el estado 2, por eso la cadena es reducible.
POLITÉCNICO GRANCOLOMBIANO 6
0 1
0 1
POLITÉCNICO GRANCOLOMBIANO 7
CMTD aperiódica
En una CMTD irreducible {Xn,n≥0} con espacio de estados S={1,2,…,N}, el periodo de la cadena es el
mayor número entero d>0, tal que:
P(Xn=i | X0=i)>0 implica que n es múltiplo de d par a todo i∈S. Cuando el entero d=1, la cadena se
dice aperiódica.
En un gráfico de la cadena, el periodo se calcula al escoger un nodo, después buscar todas las rutas
que vuelvan a visitar al estado de partida, finalmente, calcular el mínimo común múltiplo del número
de pasos de cada ruta.
Cómo mejorar...
En una CMTD {Xn,n≥0} con espacio de estados S={1,2,…,N}, un estado
es recurrente si, con probabilidad 1, la cadena vuelve a pasar por dicho
estado. La cadena es recurrente positiva si el valor esperado del número
de pasos requeridos para que la cadena vuelva a dicho estado es un
número finito, en otro caso, se dice que es una cadena recurrente nula.
Sea {Xn,n≥0} una CMTD con espacio de estados S={1,2,…,N} y matriz de probabilidades de transición
P. La distribución límite de la CMTD, cuando esta distribución existe, está dada por el vector
π=[π1,π2,…,πN], en donde:
POLITÉCNICO GRANCOLOMBIANO 8
Si la distribución límite existe, es solución del siguiente sistema de ecuaciones:
Sin embargo, el sistema anterior también define dos distribuciones adicionales de la cadena: la
distribución estacionaria y la distribución de ocupación.
Sea {Xn,n≥0} una CMTD con espacio de estados S={1,2,…,N} y matriz de probabilidades de transición
P. La distribución estacionaria de la CMTD está dada por el vector π*=[π1*,π2*,…,πN*], en donde cada
componente del vector satisface que:
Como el sistema de ecuaciones coincide con el presentado para la distribución límite, se tiene que siempre
que exista la distribución límite esta será también una distribución estacionaria. Finalmente, se debe
establecer una última distribución de estado estable, con base en el número esperado de visitas a un estado.
POLITÉCNICO GRANCOLOMBIANO 9
Distribución de ocupación de una CMTD
Sea {Xn,n≥0} una CMTD con espacio de estados S={1,2,…,N} y matriz de probabilidades de
transición P. La distribución de ocupación de la CMTD, cuando esta distribución existe, está dada por
el vector π ̂=[π ̂1,π ̂2,…,π ̂N], en donde:
Las tres distribuciones presentadas son solución del mismo sistema lineal. Sin embargo, no siempre las
tres distribuciones existen, pero cuando existen deben coincidir. Ya se estableció una relación entre
la distribución límite y la distribución estacionaria, pero se pueden establecer más si se considera la
estructura de la CMTD:
»» Una CMTD irreducible con un número finito de estados es siempre recurrente positiva.
POLITÉCNICO GRANCOLOMBIANO 10
Para cerrar el análisis de estado estable de las CMTD, se debe establecer una última propiedad de
ergodicidad de las cadenas de Markov.
Sea {Xn,n≥0} una CMTD con espacio de estados S={1,2,…,N} y matriz de probabilidades de transición
P. Si la cadena es ergódica, entonces:
Ejemplo 3
Piense en el sistema de una máquina considerado en el Ejemplo 1 del Escenario anterior. Allí se tenía que:
Xn: Estado de la máquina al inicio del día n (1 si inicia funcionando, 0 si inicia fallando) con S={0,1}.
Como se puede observar en la figura, la CMTD es irreducible, aperiódica y como tiene un número
finito de estados, es recurrente positiva, es decir, la CMTD es ergódica. Por lo tanto, las tres
distribuciones de estado estable existen y coinciden.
0,95
0,05 0,98
0 1
0,02
POLITÉCNICO GRANCOLOMBIANO 11
Para calcular las distribuciones, se plantea el siguiente sistema lineal:
De las tres ecuaciones, una de las dos primeras es redundante, por lo tanto, se puede eliminar, así que
las dos ecuaciones resultantes serían:
Ejemplo 4
Ahora, se retoma el problema del clima de Bogotá discutido en el Escenario anterior. Allí se tenía
según Ross (2014) la situación que se expone enseguida.
POLITÉCNICO GRANCOLOMBIANO 12
Xn: estado del clima de Bogotá en el día n con S={0,1,2,3} y con la matriz de probabilidades de
transición dada por:
Esta CMTD también es ergódica (¡compruébelo!), por lo tanto, se puede plantear un sistema de
ecuaciones para hallar las tres distribuciones de estado estable.
Nuevamente, una de las primeras cuatro ecuaciones es redundante y se puede eliminar. Al resolver
el sistema se obtiene que π0=0.25, π1=0.15, π2=0.15 y π3=0.45. Es decir, en el largo plazo, la
probabilidad de tener dos días seguidos de lluvia es de tan sólo el 25%, mientras que la probabilidad de
tener dos días seguidos de sol es del 45%.
4. Valores esperados
Finalmente, una vez se tienen las distribuciones de estado estable, se pueden calcular las medidas
de desempeño del sistema estableciendo un vector de costos adecuado y multiplicándolo por la
distribución de estado estable.
Para el vector de costos, suponga que se tiene una {Xn,n≥0}, una CMTD con espacio de estados
S={1,2,…,N}, y matriz de probabilidades de transición P. Por cada vista que el sistema haga al estado i,
se incurre en un costo de C(i), si se define a c(i)=E[C(i)]. Entonces, si la CMTD es irreducible, en el
largo plazo el costo esperado del sistema estará dado por:
POLITÉCNICO GRANCOLOMBIANO 13
Ejemplo 5
Xn: estado de la máquina al inicio del día n (1 si inicia funcionando, 0 si inicia fallando) con S={0,1}.
Ahora, suponga que cada vez que la máquina inicia el día fallando, se incurre en un costo de $1 500
por su reparación, mientras que, si inicia funcionando, no se incurre en ningún costo. En el largo plazo,
¿cuál es el costo diario de operación de la máquina?
En síntesis...
En el análisis de estado estable, una cadena de Markov es ergódica si es
irreducible, aperiódica y recurrente positiva. En este caso, la distribución
límite y la distribución de ocupación existen y son únicas, iguales entre sí e
iguales a la distribución estacionaria.
POLITÉCNICO GRANCOLOMBIANO 14
Referencias
Kulkami, V. (2011). Introduction to Modeling and Analysis of Stochastic Systems. Nueva York: Springer-
Verlag.
Ross, S. (2014). Introduction to Probability Models. San Diego, CA.: Academic Press.
POLITÉCNICO GRANCOLOMBIANO 15
INFORMACIÓN TÉCNICA
POLITÉCNICO GRANCOLOMBIANO 16