Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cadenas de Markov
Cadenas de Markov
EJEMPLO 1.a.
Un profesor de ingeniería adquiere una computadora nueva cada dos años. El profesor puede elegir de entre tres modelos: M1,M2 y M3. Si el
modelo actual es M1, la siguiente computadora puede ser M2 con probabilidad .2, o M3 con probabilidad .15. Si el modelo actual es M2, las
probabilidades de cambiar a M1 y M3 son .6 y .25, respectivamente. Pero si el modelo actual es M3, entonces las probabilidades de comprar los
modelos M1 y M2 son .5 y .1, respectivamente.
EJEMPLO 1.b.
Partiendo de los datos presentados en el ejemplo anterior, elabore la matriz de transición de un paso.
FUTURO
M1 M2 M3 Note como las probabilidades de transición de un paso en cada
M1 0.65 0.2 0.15 fila suman 1.
INICIAL
EJEMPLO 2
Una patrulla policiaca vigila un vecindario conocido por sus actividades delictivas. Durante un patrullaje hay 60% de probabilidades de responder
oportunamente una llamada de ayuda; si no sucede algo, continuará el patrullaje regular. Después de recibir una llamada, hay 10% de
probabilidades de cancelación (en cuyo caso el patrullaje normal se reanuda), y 30% de probabilidad de que la unidad ya esté respondiendo a la
llamada anterior. Cuando la patrulla llega a la escena del suceso, hay 10% de probabilidades de que los instigadores hayan desaparecido (en cuyo
caso reanuda su patrullaje), y 40% de probabilidades de que se haga una aprehensión de inmediato. De otro modo, los oficiales rastrearán el área.
Si ocurre una aprehensión, hay 60% de probabilidades de trasladar a los sospechosos a la estación de policía, de lo contrario son liberados y la
unidad regresa a patrullar. Exprese las actividades probabilísticas de la patrulla en la forma de una matriz de transición o cadena de Markov.
Lo primero que se debe hacer es reconocer los estados que involucra el proceso, los cuales se resaltaron en el texto:
E1: Patrullaje regular
E2: Responder llamada de ayuda
E3: Llegar a la escena del suceso
E4: Aprehensión de los sospechosos
E5: Traslado de los sospechosos
Cuando el problema es muy complejo o no se tiene una idea clara de la transición entre los estados, se recomienda elaborar el diagrama de
transición de estados:
Con el diagrama anterior se puede construir la matriz de transición de un paso que corresponde a la Cadena de Markov:
FUTURO
E1 E2 E3 E4 E5
E1 0.4 0.6 0 0 0
INICIAL
E2 0.1 0.3 0.6 0 0
INICIAL
E3 0.1 0 0.5 0.4 0
E4 0.4 0 0 0 0.6
E5 1 0 0 0 0
dos, representados
ón de un paso en cada
abilidades de responder
, hay 10% de
esté respondiendo a la
n desaparecido (en cuyo
ficiales rastrearán el área.
ario son liberados y la
cadena de Markov.
rar el diagrama de
PROBABILIDADES DE TRANSICIÓN ABSOLUTA Y N PASOS
Dada la matriz de transición P de una cadena de Markov y el vector de probabilidades iniciales a(0) , las probabilidades absolutas a(n)
después de n transiciones se calculan como sigue:
La matriz Pn se conoce como la matriz de transición de n pasos. A partir de los cálculo se puede ver que:
EJEMPLO 3
Datos
Se cuenta con una cuadrícula de cuatro casillas, como se muestra a continuación. La ficha se encuentra en el lugar A y se lanza un dado para determinar
a cuál casilla se moverá, siguiendo la siguiente secuencia: A-B-C-D-A y repite.
A B
4$ -2$
D C
9$ -6$
D C
9$ -6$
Iniciando en A:
Número del Dado 1 2 3 4 5 6
Casilla resultante B C D A B C
Iniciando en B:
Número del Dado 1 2 3 4 5 6
Casilla resultante C D A B C D
De igual manera se calculan las probabilidades iniciando en las casillas C y D. Entonces la cadena de Markov que representa el proceso
es la matriz P:
FUTURO
A B C D
A 0.167 0.333 0.333 0.167
INICIAL
Ya que se conoce que la ficha inició en A, la probabilidad absoluta (a(5)) se calcula así:
Donde a(0) es el vector de probabilidades iniciales (1,0,0,0). El valor 1 indica que la ficha inicia en la posición A de la cuadrícula.
P5: es la matriz de transición después de haber lanzado 5 veces el dado; es decir, después de 5 pasos.
Para calcular la matriz de transición después de 5 pasos, se utilizarán las ecuaciones de Chapman-Kolomogorov:
Entonces, iniciando en la casilla A, la probabilidad de que el dado culmine en A, B, C, D, luego de 5 lanzamientos es:
A B C D
0.2503 0.2497 0.2497 0.2503
Para calcular la ganancia esperada se multiplica la probabilidad de cada casilla por su valor monetario y se totaliza:
A B C D
Probabilidad 0.2503 0.2497 0.2497 0.2503
Valor ($) 4 -2 -6 9
Valor Esperado ($) 1.0010 -0.4995 -1.4985 2.2523
Análisis: Iniciando en la casilla A, la ganancia esperada luego de 5 lanzamientos del dado es de 1,2554 $.
esenta el proceso
da casilla: A, B, C, D; después
Los estados de una cadena de Markov se clasifican con base en la probabilidad de transición pij de P.
a) Un estado j es absorbente si está seguro de regresar a sí mismo en una transición; es decir, pij= 1.
b) Un estado j es transitorio si puede llegar a otro estado pero no puede regresar desde otro estado. Desde una perspectiva
matemática la probabilidad de regreso a este estado después de infinitos pasos es 0.
c) Un estado j es recurrente si la probabilidad de ser revisitado desde otros estados es 1. Esto puede suceder si, y sólo si,
el estado no es transitorio.
d) Un estado j es periódico con periodo de t >1 si es posible un retorno sólo en t, 2t, 3t,… pasos. Esto significa que la probabilidad
de ocurrencia pjj en el estado n es cero, cuando n no es divisible entre t.
Se dice que una cadena de Markov es ergódica si todos los estados son recurrentes y aperiódica (no periódica). En este caso las probabilidades
absolutas después de n transiciones, a(n)=a(0)*Pn, siempre convergen de forma única a una distribución limitante (estado estable) que es
independiente de las probabilidades iniciales a(0).
EJEMPLO 4
E1 E2 E3 E4
E1 0.50 0.25 0.25 0.00
E2 0.00 0.00 1 0.00
E3 0.33 0.00 0.33 0.33
E4 0.00 0.00 0.00 1
EJEMPLO 5
E1 E2 E3 E4
E1 1 0 0 0
E2 0 0.5 0.5 0
E3 0 0.5 0.5 0
E4 0.5 0 0 0.5
E4 TRANSITORIO Es un estado de paso, el proceso llega allí pero se mueven a un estado siguiente, para
culminar en el estado absorbente.
EJEMPLO 6
Demuestre que la siguiente cadena de Markov posee estados periódicos e indique cuáles son y su periodo.
E1 E2 E3
E1 0.00 0.60 0.40
E2 0.00 1.00 0.00
E3 0.60 0.40 0.00
Se puede comprobar la periodicidad de los estados calculando la matriz de transición de n pasos y observar los pasos en la que
las pjj sean positivas, porque solo serán positivas en los periodos correspondientes:
Note como p11 y p33 son positivas solo en los tiempos pares; entonces, los estados 1 y 3 son estados periódicos con t=2.
ue la probabilidad
as probabilidades
table) que es
0.76 0
1 0
0.76 0.24
0.904 0.096
1 0
0.856 0
0.9424 0
1 0
0.9424 0.0576
0.97696 0.02304
1 0
0.96544 0
PROBABILIDADES DE ESTADO ESTABLE Y TIEMPOS DE RETORNO MEDIO DE CADENAR ERGÓDICAS
Un subproducto directo de las probabilidades de estado estable es la determinación del número esperado de transiciones antes de que el sistema
regrese a un estado j por primera vez. Esto se conoce como tiempo medio del primer retorno o tiempo medio de recurrencia, y se calcula en una
cadena de Markov de n estados como:
EJEMPLO 7
Problema de inventario
Demanda 0 1 2 3 4
Probabilidad 0.15 0.2 0.35 0.25 0.05
Cadena de Markov:
b) Suponga que la semana se inicia con 4 PC. Determine la probabilidad de que un pedido se coloque al final de dos semanas.
La matriz de probabilidad absoluta al final de dos semanas se calcula así:
Entonces:
La matriz de probabilidad absoluta al final de dos semanas si se inicia con 4PC es:
La probabilidad de que un pedido se coloque al final de dos semanas, si se inició con 4 PC, es equivalente a la probabilidad de que al final
de dos semanas se cuente con 5 PC; es decir, 0,56.
c) Determine la probabilidad a largo plazo de que no se coloque ningún pedido en cualquier semana.
Las probabilidades a largo plazo son las probabilidades de estado estable de una cadena ergódica. La cadena de Markov del ejemplo es
ergódica ya que sus estados son recurrentes y no periódicos (lo puede comprobar).
Una de las 3 primeras ecuaciones es redundante por lo cual se puede obviar cualquiera de ellas y resolver el sistema de ecuaciones.
Entonces las probabilidades de estado estable para cada nivel de inventario es:
La probabilidad a largo plazo de que no se coloque ningún pedido en la semana equivale a la probabilidad de no iniciar la semana
siguiente con 5 PC en inventario; es decir: 1-0,5874=0,4126.
La cantidad de semanas promedio de retorno a cada nivel de inventario es el tiempo de retorno medio a cada estado y se calcula así:
Tiempo de
retorno medio
Nivel de inventario (semanas)
3 3.64 Si se inicia con 3 PC en inventario, pasarán 3,64 semanas para iniciar nuevamente la semana con 3 PC.
4 7.24 Si se inicia con 4 PC en inventario, pasarán 7,24 semanas para iniciar nuevamente la semana con 4 PC.
5 1.70 Si se inicia con 5 PC en inventario, pasarán 1,7 semanas para iniciar nuevamente la semana con 5 PC.
Análisis: El inventario se reabastece en promedio cada 1,7 semanas, alcanzando el nivel máximo deseado de 5 PC.
e) Si el costo fijo de colocar un pedido es de $200, el costo de retención por PC por semana es de $5, y el costo de penalización por computadora
faltante es de $20, determine el costo de inventario esperado por semana.
Para determinar el costo de inventario esperado por semana se deben considerar todas las situaciones posibles entre el nivel de inventario
y la demanda:
Costo de ordenar 200 $/sem *Este costo solo se activa cuando el nivel de inventario es menor a 3 PC
Costo de almacenar 5 $/sem-PC
Costo de penalizar 20 $/sem-PC
Nivel de inventario inicial Demanda semanal Costo de almacenar ($/sem) Costo de ordenar Costo penalización ($/sem)
Cantidad Probabilidad Cantidad Probabilidad Inventario final Costo ($/sem) Faltantes
0 0.15 3 15 0 0
1 0.2 2 10 200 0
3 0.2744 2 0.35 1 5 200 0
3 0.25 0 0 200 0
4 0.05 0 0 200 1
0 0.15 4 20 0 0
4 0.1382
1 0.2 3 15 0 0
4 0.1382 2 0.35 2 10 200 0
3 0.25 1 5 200 0
4 0.05 0 0 200 0
0 0.15 5 25 0 0
1 0.2 4 20 0 0
5 0.5874 2 0.35 3 15 0 0
3 0.25 2 10 200 0
4 0.05 1 5 200 0
v del ejemplo es
e ecuaciones.
se calcula así:
e la semana con 3 PC.
e la semana con 4 PC.
la semana con 5 PC.
el nivel de inventario
El tiempo medio del primer paso μij, es definido como el número esperado de transiciones para llegar por primera vez al estado j desde el estado i.
Si la cadena de Markov es ergódica, el tiempo medio del primer paso del estado i al estado j se calcula como:
EJEMPLO 8
Un ratón entre en el laberinto por la esquina 1 y sale por la esquina 5. Las probabilidades de seleccionar una ruta son iguales.
Lo primero que se debe hacer es determinar cuáles son los estados de la cadena. En este problema cada intersección es un estado: 1,2,3,4,5.
La matriz de transición de primer paso se construye considerando las posibles rutas que se pueden seleccionar. Por ejemplo, desde la
intersección 1, el ratón se puede mover a las intersecciones 2,3,4. Cada ruta tiene la misma probabilidad.
I1 I2 I3 I4 I5
I1 0 0.33 0.33 0.33 0
I2 0.33 0 0.33 0 0.33
I3 0.33 0.33 0 0 0.33
I4 0.5 0 0 0 0.5
I5 0 0.33 0.33 0.33 0
b) Determine la probabilidad de que, comenzando en la intersección 1, el ratón llegue a la salida después de tres intentos.
I1 I2 I3 I4 I5
0.0741 0.2963 0.2963 0.2593 0.0741
La probabilidad de que iniciando en la intersección 1 el ratón llegue a la salida, la intersección 5, en 3 intentos es 0,0741.
Las probabilidades a largo plazo son las probabilidades de estado estable de una cadena ergódica. La cadena de Markov del ejemplo es
ergódica ya que sus estados son recurrentes y no periódicos (lo puede comprobar).
π1 π2 π3 π4 π5 = π1 π2 π3 π4
I1 I2 I3 I4 I5
0.2143 0.2143 0.2143 0.1429 0.2143
d) Determine el promedio de intentos necesario para llegar al punto de salida desde la intersección 1.
Se está solicitando el número esperado de intentos para llegar por primera vez al estado 5 desde el estado 1.
Si la cadena de Markov es ergódica, el tiempo medio del primer paso del estado 1 al estado 5 se calcula como:
La matriz N es una matriz que resulta de eliminar la fila y la columna correspondiente al estado donde se desea llegar, el 5:
La matriz N es:
La matriz resultante muestra el número de intentos necesarios para llegar desde los estados de intersección 1,2,3,4 al estado 5.
I1 4.66667
I2 3.83333
I3 3.83333
I4 3.33333
Se necesitan 4,67 intentos para que el ratón llegue a la intersección 5, partiendo de la intersección 1.
n estado: 1,2,3,4,5.
plo, desde la
0 0.3889 0.1111 0.1111 0.0000 0.3889
0.33 0.1111 0.3333 0.2222 0.2222 0.1111
0.33 = 0.1111 0.2222 0.3333 0.2222 0.1111
0.5 0.0000 0.3333 0.3333 0.3333 0.0000
0 0.3889 0.1111 0.1111 0.0000 0.3889
del ejemplo es
Una cadena de Markov puede tener más de un estado absorbente. Por ejemplo, un empleado puede permanecer con la misma compañía
hasta su retiro o renunciar antes (dos estados absorbentes). En estos tipos de cadenas, es importante determinar la probabilidad de llegar a la
absorción y el número esperado de transiciones para llegar a ella, dado que el sistema se inicia en un estado transitorio específico.
El análisis de las cadenas de Markov con estados absorbentes puede realizarse de forma conveniente con matrices. En primer lugar, la cadena de
Markov se particiona como sigue:
La disposición requiere que todos los estados absorbentes ocupen la esquina sureste de la nueva matriz.
Dada la definición de las matrices N, A y el vector columna unitario:
Probabilidad de la absorción:
EJEMPLO 9
Se procesa un producto en secuencia en dos máquinas, I y II. La inspección se realiza después de que una unidad del producto se completa en
cualquiera de las máquinas. Hay 5% de probabilidades de que una unidad sea desechada antes de inspeccionarla. Después de la inspección, hay
3% de probabilidades de que la unidad sea desechada, y 7% de probabilidades de ser devuelta a la misma máquina para trabajarla de nuevo. De lo
contrario, una unidad que pasa la inspección en ambas máquinas es buena.
La descripción indica que hay una secuencia de actividades en el proceso: máquina 1, inspección 1, máquina 2, inspección 2.
En algún momento la pieza se puede desechar, ya sea porque: se daño en alguna de las máquinas o porque alguna de las inspecciones
la considera defectuosa e irrecuperable. Solo las piezas que pasan ambas inspecciones se consideran buenas.
Los estados del problema son las seis actividades que se le pueden realizar a la pieza: procesar en máquina 1 (M1), inspección 1 (I1), procesar en
máquina 2 (M2), inspección 2 (I2), desechar (D) y vender la pieza buena (B).
Por medio de las transiciones mostradas en el diagrama se puede construir la matriz de transición de un paso que representa la
Cadena de Markov del problema:
M1 I1 M2 I2 D B
M1 0 0.95 0 0 0.05 0
I1 0.07 0 0.90 0 0.03 0
M2 0 0 0 0.95 0.05 0
I2 0 0 0.07 0 0.03 0.90
D 0 0 0 0 1 0
B 0 0 0 0 0 1
Se puede observar que los estados D y B son absorbentes, una vez que se entra en ellos no se puede mover a otro estado.
Los estados M1, I1, M2, I2 son transitorios.
b) Para una pieza que se inicia en la máquina 1, determine el promedio de visitas a cada estado.
M1 I1 M2 I2 D B
M1 0 0.95 0 0 0.05 0
I1 0.07 0 0.90 0 0.03 0
M2 0 0 0 0.95 0.05 0
I2 0 0 0.07 0 0.03 0.90
D 0 0 0 0 1 0
B 0 0 0 0 0 1
Note como los estados absorbentes ocupan la esquina sureste de la matriz. De no estar en esa posición se deben reacomodar las filas
y columnas para ubicarlas allí. Recuerde que el orden de los estados en las filas y columnas debe ser el mismo.
La matriz N se muestra en azul.
La matriz A se muestra en verde.
1 0 0 0 0 0.95 0 0
0 1 0 0 - 0.07 0 0.90 0
0 0 1 0 0 0 0 0.95
0 0 0 1 0 0 0.07 0
c) Si los tiempos de procesamiento en las máquinas I y II son de 20 y 30 minutos y tiempos de inspección en I y II son de 5 y 7 minutos, determine
el tiempo que tarda una pieza en ser procesada.
Con la respuesta del inciso anterior se puede encontrar el valor esperado del tiempo de finalización de la pieza:
M1 I1 M2 I2
Nº de visitas 1.07123727906 1.0176754151 0.98115465838 0.93209693
Tiempo (min)
Tiempo 20 5 30 7
esperado (min) 21.4247455811 5.08837707552 29.4346397513 6.52467848
Tiempo
esperado
total (min) 62.4724
d) Determine el número de pasos que deben ocurrir para que una pieza sea considerada buena o desechada.
e) Si un lote de 1000 unidades se inicia en la máquina I, determine el promedio de unidades buenas completadas.
Luego de iniciar en la máquina 1, la probabilidad de que una pieza sea desechada es 0,1611 y de que salga buena es de 0,83889.
Si el lote es de 1000 unidades, entonces 838,9 saldrán buenas.
ucto se completa en
s de la inspección, hay
rabajarla de nuevo. De lo
nspecciones
ción 1 (I1), procesar en
odar las filas