Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTRODUCCIÓN
Cadenas de Markov es un modelo matemático que se basa en dos conceptos: estado y
transición. El sistema ocupa un estado i con probabilidad pi y, después de un periodo,
procede a una transición para el estado j con probabilidad de transición t ij. Sean N los
estados del sistema, entonces, para cualquier estado i:
Algunas veces nos interesa saber cómo cambia una variable aleatoria a través del
tiempo. Por ejemplo, desearíamos conocer cómo evoluciona el precio de las acciones de
una empresa en el mercado a través del tiempo. El estudio de cómo evoluciona una
variable aleatoria incluye el concepto de procesos estocásticos. En este capítulo
explicaremos esos procesos, en especial uno que se conoce como cadena de Markov. Las
cadenas de Markov se han aplicado en áreas tales como educación, mercadotecnia,
servicios de salud, contabilidad y producción.
Con frecuencia se llaman probabilidades de transición a las pij en una cadena de Markov.
Indica que la ley de probabilidad que relaciona el estado del siguiente período con el
estado actual no cambia, o que permanece estacionaria en el tiempo.
Toda cadena de Markov que cumple con esta condición se llama cadena estacionaria de
Markov.
Se necesita saber las probabilidades de encontrar la cadena en el estado i en el tiempo
“0”, es decir, P(X0=i) = qi
Σ q=1
j=1,n j
Dado que el estado es i en el tiempo t, el proceso debe estar en algún lugar en el tiempo
t+1. Esto significa que para cada i:
IMPORTANCIA:
APLICACIONES
Ejemplo
Xt = Condiciones de tiempo en una ciudad
Ejemplo
En los casos de la condición del clima y del precio de venta de la carne de aves, su estado
en un tiempo determinado no es aleatorio por completo, sino que es afectado en cierto
grado por el tiempo de días previos. No obstante la sucesión es tan compleja que dicho
comportamiento cambia día a día de una manera que en apariencia es algo aleatorio.
En el caso del lanzamiento de una moneda, el resultado en cualquier etapa es
independiente de todos los resultados previos. Por lo mencionado, decimos que un proceso
estocástico discreto en el tiempo es la relación entre variables aleatorias.
Ejemplo
Xt = Temperatura registrada en cada día del año en la ciudad de Arequipa.
Ejemplo
Xt = Cantidad de alumnos que egresan semestralmente en la especialidad de ingeniería
industrial.
Ejemplo
Gráfico:
Matriz de transición:
Ejemplo
Supongamos que el estado de ánimo de Enzo puede ser, alegre, triste o molesto. Si está
alegre, habrá una probabilidad de 80% de que siga alegre al día siguiente y 15% de que
esté triste. Si está triste, 30% de que siga triste y 50% de que esté molesto. Y, si está
molesto, 80% de que no siga molesto y 50% de que esté alegre al día siguiente. Hallar la
Matriz de Transición.
Gráfico:
Matriz de transición:
Ejemplo:
Considere el siguiente modelo para el valor de una acción. Si la acción sube o no mañana
depende de si subió o no hoy y ayer. Si la acción subió hoy y ayer , mañana subirá con
probabilidad “a”. Si la acción subió hoy y ayer bajó, mañana subirá con probabilidad “b”. Si
la acción bajó hoy y ayer subió, la probabilidad de que suba mañana es “c”. Por último, si
la acción bajó hoy y ayer, la probabilidad de que suba mañana es “d”. Determine la matriz
de transición de un paso para la cadena de Markov.
Gráfico:
Matriz de transición:
Ejemplo:
Línea telefónica
Gráfico:
Matriz de transición:
Se lanza un dado repetidas veces. Cada vez que sale menor que 5 se pierde 1 €, y
cada vez que sale 5 o 6 se gana 2 €. El juego acaba cuando se tienen 0 € o 100 €.
Sea Xt=estado de cuentas en el instante t. Tenemos que { Xt } es una
CM S={0, 1, 2, …, 100}
Gráfico:
Lanzamos una moneda al aire 6 veces. El jugador gana 1 € cada vez que sale cara (C),
y pierde 1 € cada vez que sale cruz (F).
Xi = estado de cuentas del jugador después de la i-ésima jugada
La familia de variables aleatorias {X1, X2,…, X6} constituye un proceso
estocástico ={CCCCCC,CCCCCF,…}
Combinaciones ( ) = 26 = 64
P( )=1/64
T={1, 2, 3, 4, 5, 6}
S={–6, –5, …, –1, 0, 1, 2, …, 5, 6}
⚫
Si fijo ω, por ejemplo 0=CCFFFC, obtengo una secuencia de valores completamente
determinista:
⚫
X1( 0)=1, X2( 0)=2, X3( 0)=1, X4( 0)=0, X5( 0)= –1, X6( 0)=0
⚫
Puedo dibujar con estos valores la trayectoria del proceso:
Si fijo t, por ejemplo t0=3, obtengo una de las variables aleatorias del proceso:
X :
3
X3
Los posibles valores que puede tomar el proceso en :X3( )={–3, –1, 1, 3}
Podemos hallar la probabilidad de que el proceso tome uno de estos valores:
APLICACIONES
Aplicación 1:
Participaciones de mercado
Una investigación de mercados sobre el consumo de 3 marcas de cerveza: A, B y C por
1000 personas dará al inicio (n=0) y después de un periodo (n=1) los siguientes resultados:
Se desea saber:
Gráficamente se tiene:
además de:
A+ B+ C=1
El sistema de ecuaciones sería:
A+ B+ C=1
0,7 A+0,1 B+0,24 C= A
ANÁLISIS ECONOMICO: Si la marca A, por cada cliente ganado aumenta sus ventas en
$40 ¿por cuántos períodos se debe realizar la campaña publicitaria, sabiendo que esta
cuesta $500 por semana?
Para dar respuesta a esta inquietud realizamos el siguiente cuadro:
NOTA.- Para que exista un único vector de distribución estacionaria , se requiere que T sea
regular.
1/2 1/2
a) T= es regular ya que tij> 0
1/3 2/3 2
1/2 1/2 1/4 3/4,
b) T= ,T=
0
3 0 1 1
1/8 7/8
T= ,
0 1
entonces cualquier Tm no cumplirá la condición tij> 0 ya que siempre existirá el elemento
t21= 0, por lo tanto T no es regular.
Las compras de los consumidores están influidas por la publicidad, el precio y muchos
otros factores. Un factor clave en las compras de los consumidores es la última compra.
Según datos recolectados en el cafetín de ingeniería industrial (2 semanas):
Si alguien compra una bebida Coca-Cola, y se le agrada el sabor, quedará dispuesto a
comprar otra Coca-Cola (lealtad a la marca). Coca-Cola es la marca de interés.
[A B]= [A B] P
= [0.74 A + 0.38 B 0.26 A + 0.62 B ]
A =0.74 A+0.38 B
B =0.26 A+0.62 B
A + B =1
De donde: A= 0.59375
B= 0.40625
Coca-Cola esperará recibir el 59.375% del mercado en el largo plazo
Ejemplo – solución (elevando Pn para estabilizarlo en el largo plazo)
P(13) = P(14) = P(15) = ...... = P(n)
A = 0.59375
B = 0.40625
Podemos observar que las probabilidades se han estabilizado, es decir, cada fila poseen
valores iguales.
Aplicación 3: Pronóstico del clima
Las probabilidades del estado del tiempo para la ciudad de Arequipa el mes de enero del
presente año fueron extraídas de la base de datos de SENAMHI Arequipa. Dichos valores
han sido tomados de un día anterior al día que irían a ser puestos a conocimiento de la
población arequipeña. Estos datos se pueden expresar mediante la siguiente matriz de
transición:
Gráficamente:
La matriz P representa el modelo del clima, en donde dice que un día es soleado es 90%
posible de que sea seguido por otro día soleado y un día lluvioso es 50% posible de que
sea seguido por otro día lluvioso. Las columnas pueden ser nombradas como “soleado” y
“lluvioso” respectivamente y las filas pueden ser nombradas en el mismo orden.
(P) es la probabilidad que, dado un día de tipo j, sea seguido por un día i.
Nótese que las columnas de P suman 1, es así porque P es una matriz estocástica.
Pronosticando el clima.-
El clima en el día 0 es conocido como soleado. Esto es representado por el vector en donde
la entrada de “soleado” es 100% y la de “lluvioso” es 0%
Por eso, hay un 90% de posibilidad de que el día 1sea también soleado
El clima para el día 2 puede ser pronosticado de la siguiente manera:
Xn = XoPn
Xn = X(n-1)
Asi que;
0.9SO +0.5LL = SO - 0.1SO + 0.5LL = 0
0.1SO + 0.5LL = LL 0.1SO -0.5LL = 0
Además SO+LL =1
Resolviendo:
SO = 0.8333 y LL = 0.1667
Repuesta.- En conclusión, a final de cuentas, 83% de los días fueron soleados en la ciudad
de Arequipa para el mes de Enero del presente año.
Aplicación 4: La ruina del jugador
Cierto juego tiene las siguientes características:
Se dispone de $3 para jugar. Se apuesta $1 por jugada. En cada jugada se gana $1 o se
pierde $1 (no hay empate). Se gana $1 con probabilidad p y se pierde $1 con probabilidad
1 – p. La meta es tener la máxima cantidad de dinero posible. El juego termina cuando se
llega a $5 o cuando el capital se reduce a $0.
El proceso es el siguiente, en el tiempo 0 se tiene 3 dólares. En los tiempos 1,2,3, 4 y 5
participo en un juego en el que apuesto 1 dólar. Gano el juego con probabilidad p, y lo
pierdo con probabilidad 1-p. Mi meta es aumentar mi capital a 5 dólares como máximo, y
tan pronto como lo logre se suspende el juego. El juego también se suspende si mi capital
se reduce a 0 dólares. Si definimos que Xt es mi capital después del juego cuando el tiempo
es t, si es que lo hay, entonces se puede considerar que X0, X1, ..., Xt son procesos
estocásticos de tiempo discreto. Nótese que X0=3 es una constante conocida, pero que X1
y las demás Xt son aleatorias. Por ejemplo X1=4 con probabilidad p y X1=2 con probabilidad
1-p. Nótese que si Xt=5, entonces Xt+1 y todas las demás Xt también serán igual a 5.
Igualmente, si Xt=0, entonces Xt+1 y todas las demás Xt serán 0 también.
Matricialmente
Gráficamente:
Usando diagramas de árbol:
Matricialmente
Gráficamente:
b. Después de haber pintado dos bolas se inicia con dos bolas sin pintar (E0) y nos piden la
probabilidad de que pasemos al estado [0 2 0] (E4) después de pintar dos bolas (a dos
pasos). Entonces nos piden P² = P*P.
Elevamos la matriz P al cuadrado:
c. Después de haber pintado dos bolas, iniciamos en E0 y nos preguntan cuál es la
probabilidad de pasar al estado [0 1 1] (E3) después de haber pintado tres bolas (a tres
pasos). Entonces nos piden P³ = P*P*P.
Elevamos la matriz P al cubo y nos queda:
En general,
P( Xn+m=j / Xm=i ) = Pij (n)
P (n) = P*P*P*.....*P (n veces)
Ejemplo
Gráfico:
Matriz:
En una cadena Markov, sea µij el número esperado de transiciones antes de alcanzar por
primera vez el estado j, dado que estamos actualmente en el estado i. µij se llama tiempo
promedio de primera pasada del estado i al estado j.
µij = 1/πi
Solución:
La matriz será:
π1=0.87π1+0.57π2
π2=0.13π1+0.43π2
π1 + π2=1
De donde:
π1 = 57/70
π2 = 13/70
Cuando i = j
Por tanto:
µ11 = 1/π1 = 1.23 horas
µ22 = 1/π2 = 5.38 horas
Cuando i ≠ j
Hay que resolver el siguiente sistema:
Muchas aplicaciones interesantes de las cadenas de Markov incluyen cadenas en las que
algunos de los estados son absorbentes y el resto son transitorios. A esas cadenas se les
llaman cadenas absorbentes.
Un estado i de una cadena de Markov se dice que es absorbente si, una vez alcanzado el
estado i en algún intento, el sistema permanece en el estado i en todos los intentos futuros.
Una cadena de Markov es absorbente si tiene uno o más estados absorbentes y es posible
llegar a un estado absorbente a partir de cualquiera de los estados no absorbentes o
transitorios.
Nota.- Puede ser necesario pasar por varios estados transitorios para llegar a un estado
absorbente.
APLICACIONES
Aplicación 1:
Planificación de Personal
La empresa de abogados “Los Justicieros” emplea a tres categorías de abogados:
principiantes, con experiencia y socios. Durante un año determinado hay una probabilidad
15% que un abogado principiante sea ascendido a abogado con experiencia y una
probabilidad 5% que deje la empresa. También hay una probabilidad 20% que un abogado
con experiencia sea ascendido a socio y una probabilidad 10% que deje la empresa.
También hay una probabilidad 5% que un socio deje la empresa. La empresa nunca
degrada a un abogado.
Surgen muchas preguntas interesantes que la empresa podría contestar. Por ejemplo:
1. ¿Cuál es la duración promedio de un abogado joven recién contratado en la empresa?
2. ¿Cuál es la probabilidad de que un abogado joven llegue a ser socio?
3. ¿Cuál es la duración promedio que pasa un socio en el bufete? entre muchas otras.
Solución:
Modelaremos la trayectoria de un abogado en “Los Justicieros” como cadena absorbente
con la siguiente matriz de probabilidad de transición:
Los dos últimos estados (a1, a2) son estados absorbentes y los demás son transitorios (t1,
t2, t3). Por ejemplo, Experimentado es estado transitorio, porque hay una trayectoria de
Experimentado a Sale sin ser socio, pero no hay trayectoria que regrese de Sale sin ser
socio ha Experimentado. Suponemos que una vez que un abogado sale de la empresa
nunca regresa.
Para dar respuesta a las preguntas formuladas anteriormente, es necesario obtener las
matrices: (I-Q)-1 y (I-Q)-1R, la información contenida en estas matrices debidamente
interpretadas, permite tomar decisiones.
Entonces s=5, m=2, y
Luego:
Interpretación:
Matriz fundamental, si en este momento estamos en el estado transitorio t i, el número
esperado de periodos que pasarán en un estado transitorio t j antes de la absorción es el ij-
ésimo elemento de la matriz (I-Q)-1.
Matriz de probabilidades, si en este momento estamos es un estado transitorio t i, la
probabilidad de ser absorbidos finalmente por un estado absorbente a j es el ij-ésimo
elemento de la matriz (I-Q)-1R.
Por lo tanto, respondemos a las preguntas
1. El tiempo esperado que un abogado principiante permanece en la empresa = (duración
esperada del abogado principiante en la empresa como principiante) + (tiempo esperado
que el abogado principiante permanece en la empresa como abogado con experiencia) +
(tiempo esperado que el abogado principiante permanece en la empresa como socio).
Entonces
- Tiempo esperado como principiante = (I-Q)-111=5
- Tiempo esperado como con experiencia = (I-Q)-112=2,5
- Tiempo esperado como socio = (I-Q)-113 =10
Por lo tanto, el tiempo total esperado que un abogado principiante permanece en la
empresa es 5 + 2,5 + 10 = 17,5 años.
2. La probabilidad de que un abogado principiante recién ingresado llegue a ser socio es
tan sólo la probabilidad de que salga de la empresa siendo socio. Como t 1 = Principiante y
a2 = Sale siendo socio, la respuesta es el elemento 12 de (I-Q)-1R = 50.
3. Como t3 = Socio, buscamos el número esperado de años que pasa en t 3, dado que
comenzamos en t3. Este es justamente el elemento 33 de (I-Q)-1 = 20 años. Es razonable,
porque durante cada año hay una probabilidad de 0,05 (1 en 20) que un socio deje el bufete
y, por lo tanto, debe tardar un promedio de 20 años en dejar la empresa.
Muchas empresas, como por ejemplo “Los Justicieros” del ejemplo de planificación de
personal, emplean varias categorías de personal. Con fines de planeación a largo plazo, a
menudo es útil poder predecir el número de empleados de cada categoría que, si las
tendencias actuales continúan, estarán disponibles en el estado estable.
Si existe censo de estado estable podemos encontrarlo al resolver un sistema de S
ecuaciones que se plantea como sigue: tan sólo nótese que para que exista ese estado,
debe ser válido, para i = 1, 2 .. S.
Número de personas que entran al grupo i durante cada periodo = Número de personas
que salen del grupo i durante cada periodo
Ejemplo: Regresemos al bufete de abogados “Los Justicieros” (Ejemplo anterior)
Supongamos que la meta a largo plazo de ese bufete es tener 50 abogados principiantes,
30 con experiencia y 10 socios. Para alcanzar este censo de estado estable, ¿cuántos
abogados de cada tipo deben contratar cada año?
Solución: Sean
La solución única de este sistema de ecuaciones es H1=10, H2=1,5, H3=-5,5. Esto significa
que para mantener el censo deseado de estado estable, “Los Justicieros” deben despedir
5,5 socios cada año. Esto es razonable, porque cada año hay 0,20(30) = 6 abogados con
experiencia que pasan a ser socios, y una vez que lo hacen, permanecen en ese puesto un
promedio de 20 años. Esto muestra que para mantener el número de asociados en 10,
deben despedirse algunos de ellos. Otra solución podría ser reducir, a menos de su valor
actual de 0,20, la fracción de abogados con experiencia que pasan a ser socios cada año.
Aplicación 3
El balance de cuentas por cobrar indica que se tiene $60000 en cuentas por cobrar con
retraso entre 0 y 30 días y $40000 en cuentas por cobrar con retraso entre 31 y 90 días.
Solución:
Con los datos del problema, diferenciamos cada una de las matrices
Graficamos
La concesión será:
Luego hallamos los vectores de estado estable para ambas máquinas aplicando la relación:
Dónde :
F: probabilidad de estado estable de que la máquina Funcione
NF: probabilidad de estado estable de que la máquina No Funcione
Además F + NF =1
Para la máquina 1 tenemos:
[F NF]=[F NF]*T
F+NF=1
Reemplazando los datos de matriz de Transición de estados de la máquina 1 y
resolviendo el sistema de ecuaciones tenemos:
F= 0.9375 y NF=0.0625
entonces 1= [ F NF ]= [ 0.9375 0.0625 ]
Para la máquina 2 tenemos 2 =[ F NF ]= [ 0.8889 0.1111 ]
Por lo tanto se observa que la máquina 1 tiene mayor probabilidad de funcionamiento
(93.75%) frente a 88.89% de la máquina 2, en consecuencia la empresa debe rentar la
máquina 1.
APLICACIÓN 5.- Una pequeña tienda de videos lleva un control del número de veces por
semana que es rentado un video y estima las siguientes probabilidades de transición (ver
matriz siguiente).
Gráfico:
Dónde: los estados en orden son: 5 veces, 4 veces, 3 veces, 2 veces, 1 vez y 0 veces
Por ejemplo, si un video se rentó 5 veces esta semana, entonces hay una probabilidad de
80% de que sea rentado 5 veces la siguiente semana, 10% de probabilidades de que sea
rentado 4 veces y 10% de probabilidades de que sea rentado 3 veces. Cuando un video es
rentado 0 veces, este se desecha.
Se determina la matriz fundamental y expresan el número de semanas que
serán rentados ( 5, 4, 3, 2,1) veces:
a) Suponga que un video fue rentado 5 veces esta semana. ¿Cuál es la probabilidad de
que sea rentado 4 veces durante la siguiente semana?.
Entonces se tiene que:
Xo = [ 1 0 0 0 0 0 ]
Hallamos X1
X1 = XoT
X1 = [ 0.8 0.1 0.1 0.0 0.0 0.0 ]
Entonces la probabilidad de que sea rentado 4 veces la próxima semana es 10%.
b) Suponga que un video fue rentado 3 veces esta semana. ¿Cuál es la probabilidad de
que sea rentado 2 veces durante la segunda semana?
Entonces se tiene que:
Xo = [ 0 0 1 0 0 0 ]
Hallamos X2
X1 = XoT
X1 = [ 0.0 0.0 0.6 0.3 0.1 0.0 ]
X2 = X1T
X2 = [ 0.0 0.0 0.51 0.30 0.15 0.004 ]
Entonces la probabilidad de que sea rentado 2 veces la segunda semana es 30%.
c) Suponga que un video fue rentado 5 veces esta semana. En promedio, ¿cuántas veces
más será rentado antes de que se deseche?
Para responder esta pregunta usamos la información de la matriz (I-Q)-1 (primera
fila) 5(5)+ 1.667(4) + 6.481(3) + 3.519(2) + 2.5(1) = 61 veces
d) Suponga que esta semana se rentó 5 veces. En promedio, ¿cuántas semanas será
rentado por lo menos 2 veces?.
Para responder esta pregunta usamos la información de la matriz (I-Q)-1 (primera fila)
3.519 semanas será rentado 2 veces
6.481 semanas será rentado 3 veces
1.667 semanas será rentado 4 veces
5.000 semanas será rentado 5 veces
Entonces será rentado por lo menos 2 veces 3.519 + 6.481 + 1.667 + 5 = 16.7 semanas.
e) Suponga que un video fue rentado 3 veces esta semana. En promedio, ¿cuántas veces
más será rentado?.
Para responder esta pregunta usamos la información de la matriz (I-Q)-1 (tercera fila)
0(5)+ 0(4) + 6.667(3) + 3.333(2) + 2.5(1) = 29 veces.
f) Suponga que un video fue rentado 4 veces esta semana. ¿Cuál es la probabilidad de
que sea desechado?
APLICACIÓN 6.- Juan es propietario de un terreno con 5000 pinos. Cada año Juan permite
a los detallistas de árboles de navidad seleccionar y cortar árboles para la venta a clientes
individuales. Juan protege los árboles pequeños (por lo general de menos de 120 cm. de
alto) de manera que estén disponibles para la venta en años futuros. Actualmente están
clasificados 1500 árboles como protegidos, en tanto que los 3500 restantes están
disponibles para corte. Sin embargo, aunque en un año dado un árbol esté disponible para
corte, quizás no sea seleccionado sino hasta en años futuros. Aunque la mayoría de los
árboles que no se cortan en un año dado viven hasta el siguiente, todos los años se pierden
algunos pinos enfermos.
Al estudiar la operación de los árboles de navidad de Juan como un proceso de Markov con
periodos anuales, definimos los cuatro estados siguientes:
Estado 1. Cortado y vendido.
Estado2. Perdido por enfermedad.
Estado3. Pequeño para cortarse
Estado4. Disponible para cortar, pero no cortado ni vendido
La siguiente matriz de transición es apropiada
Gráfico:
Determinamos la matriz fundamental:
80% de probabilidad de que un árbol disponible para cortar sea cortado y vendido y 20%
de probabilidad de que un árbol disponible para cortar se pierda por enfermedad.
En un proceso de producción cada producto pasa por seis etapas, tres de fabricación y tres
de inspección. Al final de cada etapa los productos se desechan, se regresan para
rehacerlos sólo en inspección, o pasan a la siguiente etapa. En la siguiente tabla se
muestran datos del problema:
El costo de los materiales es de 25.00 UM por parte y el de los residuos 2.00 UM
por parte. Describirlo como una cadena de Markov Si se desea producir 100
productos
Gráfico:
Matriz:Si deseamos producir 100 artículos, ¿cuál es el número de partes que se
deben producir en un lote?
b. Con los sobretiempos estimados por operación que se muestra en la tabla, ¿cuáles son
los requerimientos esperados de horas hombres es cada etapa?
c. Con los datos de costos de mano de obra y de materiales, ¿cuáles son los
costos directos esperados?
Tenemos un ratón encerrado en una casa dividida en cuatro habitaciones con diversas
entradas: el salón, la cocina, una habitación y la entrada.
La probabilidad de que el ratón pase a las habitaciones adyacentes es la misma por cada
puerta.
Para calcular el tiempo que permanece el ratón en cada estancia resolvemos el siguiente
sistema de ecuaciones
Resolviendo:
PE=PH=0.2
PC=PS=0.3
tE = tH = 60 min
tC = tS = 90 min
Ahora vamos a calcular la posibilidad de que el dueño de la casa mate al ratón poniendo
queso envenenado en la cocina y abriendo una nueva puerta hacia el exterior desde la
entrada.
Este tipo de distribución es límite ya que existe una sola clase final y es aperiódica.
Debido a que ahora tenemos una nueva puerta debemos tener en cuenta la aparición de
un nuevo estado (SL), genera el gráfico siguiente:
En esta nueva situación no tenemos una distribución límite ya que existen dos posibles
estados finales que pueden acabar con el ratón. Además el estado inicial va a repercutir en
el resultado del problema ya que si el ratoncito se encuentra en un principio en la cocina es
más probable que muera envenenado en la cocina, mientras que si se encuentra en la
entrada tiene más posibilidades de salir de la casa.
Para ello nos planteamos que los estados E, S, D son estados transitorios, mientras que C
y SL son estados absorbentes o finales.
La matriz de probabilidad: