Martha Montiel Córdova

Matricula: ES172019993
LICENCIATURA EN MÁTEMATICAS

1. Elabora un ejemplo de cadena de Markov a tiempo discreto indicando las 2 o 3 propiedades que debe cumplir.

Los estados representan si un mercado de valores hipotético está exhibiendo un mercado alcista, un mercado bajista o
una tendencia de mercado estancada durante una semana determinada, una semana alcista es seguida por otra semana
alcista el 90% del tiempo, una semana bajista el 7.5% del tiempo y una semana estancada el otro 2.5% del tiempo. Al
etiquetar el espacio de estados {1 = alcista, 2 = bajista, 3 = estancado} la matriz de transición sería:

0.9 0.075 0.025

[
P= 0.15 0.8
0.25 0.25
0.05
0.5 ]
La distribución entre estados se puede escribir como un vector de fila estocástico x con la relación x(n + 1) = x(n)P.
Entonces, si en el momento n el sistema está en el estado x(n), entonces tres periodos de tiempo después, en el
momento n + 3 la distribución es:

x(n+ 3)=x (n +2) P=( x n+1 P ) P=x n+1 P 2=( x n P ) p2=x n P 3

En particular, si en el momento n el sistema está en el estado 2 (bajista), entonces en el momento n+3 la distribución es:
3
0.9 0.075 0.025 0.7745 0.17875 0.04675
x
(n+ 3)

[
=[ 0 1 0 ] 0.15 0.8
025 0.25 ] [ ]
0.05 =[ 0 1 0 ] 0.3575 0.56825 0.07425 =[ 0.3575 0.56825 0.07425 ]
0.5 0.4675 0.37125 0.16125

Usando la matriz de transición es posible calcular, por ejemplo, la fracción de semanas a largo plazo durante las cuales el
mercado está estancado, o el número promedio de semanas que tomará para pasar de un mercado estancado a uno
alcista. Usando las probabilidades de transición, las probabilidades de estado estable indican que el 62.5% de las semanas
estarán en un mercado alcista, el 31.25% de las semanas estarán en un mercado bajista y el 6.25% de las semanas estarán
estancadas, ya que:
Martha Montiel Córdova
Matricula: ES172019993
LICENCIATURA EN MÁTEMATICAS

1 1

[ ]
00
2 2
1 1
0 N 0
lim P = 2 2
N→∞
1 1
0 0
2 2
0 0 01

Características de la cadena de Markov:

a) Es discreto en el tiempo {Xn : n = 0, 1, 2 . . . }.

b) Tiene espacio de estados discreto S que para cualquier entero n ≥ 0.

c) Para cualesquiera x0, x1, . . . , xn+1 ∈ S satisface:

P[Xn+1 = xn+1|X0 = x0, X1 = x1, . . . , Xn = xn] = P[Xn+1 = xn+1|Xn = xn]

2. Elabora un ejemplo de estado absorbente

Imaginemos que analizamos una serie de datos aleatorios con valores 0 ∧ 1, buscamos el patrón específico 101. Este
proceso está modelado por una cadena de Markov absorbente con matriz de transición.

1 1

[ ]
00
2 2
1 1
P= 0 0
2 2
1 1
0 0
2 2
0 0 01

El primer estado representa la cadena vacía, el segundo estado la cadena ”1”, el tercer estado la cadena ”10” y el cuarto
estado la cadena ”101”. Aunque en realidad, los datos cesan después de que se genera la cadena ”101”, la perspectiva de
la cadena de Markov absorbente es que el proceso ha pasado al estado absorbente que representa la cadena ”101” y, por
lo tanto, no puede salir. Para esta cadena de Markov absorbente, la matriz fundamental es:

−1 −1
1 1 1 −1

( [ ]) [ ]
0 0
2 2 2 2
1 0 0 4 4 2

0 0 1 [ ]
N= ( I −Q )−1= 0 1 0 − 0
1
1
2
0
1
2
0
= 0
−1
1
2
0
−1

1
2 [ ]
=2
2
4 2
2 2
2 2

El número esperado de pasos a partir de cada uno de los estados transitorios es

Martha Montiel Córdova
Matricula: ES172019993
LICENCIATURA EN MÁTEMATICAS

4 4 2 1 10

[ ][ ] [ ]
t=N 1= 2 4 2 1 = 8
2 2 2 1 6

Por lo tanto, el número esperado de datos antes de observar la secuencia 101 es 10, la entrada para el estado que
representa la cadena vacía.

3. Elabora un caso de cadena de Markov estacionaria a tiempo discreto explicando tu respuesta

Las cadenas de Markov estacionarias son procesos donde

Pr ( X 0=x 0 , X 1=x1 , .. , X k =x k )=Pr ( X n =x 0 , X n +1=x 1 , … , X n +k =x k )

para todo n ∧ k. Se puede probar que cada cadena estacionaria es homogénea en el tiempo según la regla de Bayes. Una
condición necesaria y suficiente para que una cadena de Markov homogénea en el tiempo sea estacionaria es que la
distribución de X0 es una distribución estacionaria de la cadena de Markov.

Ejemplo. Tres de cada cuatro camiones en la carretera son seguidos por un automóvil, mientras que solo uno de cada
cinco automóviles es seguido por un camión, ¿que fracción de vehículos en la carretera son camiones?, si pasa un camión,
el siguiente vehículo será un automóvil con probabilidad de 3/4 y será un camión con probabilidad de 1/4. Si pasa un
automóvil, el siguiente vehículo será un automóvil con probabilidad de 4/5 y será un camión con probabilidad de 1/5.
Podemos configurar esto como una cadena de Markov con dos estados 0 =camión y 1 =automóvil, y una matriz de
probabilidad de transición

0 1

1 3
P= 0 4
1 1
5
[ ] 4
4
5
1
2
1
5
3
4
4
Las ecuaciones π=πP son π 0= π 0 + π 1 ∧ π 1= π 0 + π 1
5

Resolviendo, tenemos de la primera ecuación que (3/4) π 0 = (1/5) π1, ó π0 = (4/15)π1. Conectando esto a la restricción que
π0 + π1 = 1 nos da que (4/15) π1 + π1 = 1, ó (19/15) π1 = 1, ó π1 = 15/19, por lo tanto, π0 = 4/19, es decir, la proporción de
vehículos a largo plazo que serán camiones es 4/19.

4. Elabora un ejemplo de matriz estocástica

Ejemplifiquemos con un movimiento de población entre la ciudad y los suburbios en una región metropolitana gobernada
por la matriz estocástica de migración M, donde cada columna es un vector de probabilidad:

De ciudad De suburbios
A ciudad
M = .95 .03
A suburbios
.05 ..97
Martha Montiel Córdova
Matricula: ES172019993
LICENCIATURA EN MÁTEMATICAS

Ahora vamos a suponer que en 2020, 60% de la población está en la ciudad y 40% en las zonas suburbanas y queremos
saber cómo será en 2021:

[ .95 .03 .60

][
.05 .97 .40 ]=[
.582
.418 ]

Entonces vamos a tener un 58.2% en ciudades y un 41.8% en zonas suburbanas.

Referencias
UNADM. (2021). Obtenido de
https://campus.unadmexico.mx/contenidos/DCEIT/BLOQUE2/MT/05/MPES/U2/descargables/MPES_U2_conteni
do.pdf