Campus San Nicolas

Alumna: Ana Teresa Cano Hernandez

Maestro: Valeria Spront
Materia: Investigacion de Operaciones
Matricula: 211043641
Grado: 7 LC

Salinas Victoria, N.L

18-oct-2023
Análisis de Markov.
¿Qué es una cadena de Markov?
Una cadena de Markov es un proceso estocástico especial. El objetivo es dar
probabilidades de sucesos futuros al aplicar esta cadena. Esta cadena de Markov
está definida de tal manera que, incluso conociendo sólo una parte de la historia
pasada, la previsión de un acontecimiento futuro es tan buena como si se
conociera toda la historia pasada de un proceso.
Las cadenas de Markov pueden distinguirse según distintos órdenes. Así, una
cadena de Markov de primer orden se define de tal manera que el estado futuro de
un proceso sólo está condicionado por el estado actual y no está influido por los
estados pasados. La formulación matemática puede requerir únicamente la noción
de una distribución discreta y una probabilidad condicional en el caso de un
conjunto finito de estados y los conceptos de una filtración y una expectativa
condicional en el caso de tiempo continuo.
Las cadenas de Markov pueden utilizarse de forma excelente para modelar
cambios de estado aleatorios en un sistema, si hay motivos para suponer que los
cambios de estado sólo se influyen mutuamente durante periodos de tiempo
limitados o que incluso carecen de memoria.
Existen cadenas de Markov finitas discretas y cadenas de Markov infinitas
discretas.
¿Para qué sirven las cadenas de Markov?
Las cadenas de Markov son modelos sencillos y descriptivos para representar
matemáticamente con precisión procesos del mundo real. Por ejemplo, dadas
unas probabilidades conocidas y supuestamente constantes, es posible predecir el
estado probable de un sistema para cualquier futuro. Las cadenas de Markov son
la base de los procesos estocásticos, que, por un lado, pueden basarse en la
aleatoriedad sin memoria y, por otro, pueden ser posibles con transiciones de
estado a probabilidades dadas en cada caso. Las cadenas de Markov pueden
modelar redes de Petri estocásticas generales y clasificaciones basadas en
recomendaciones subjetivas.
¿Cuáles son los ámbitos de aplicación?
Las cadenas de Markov se utilizan, por ejemplo, en los filtros de spam, que son
mucho más eficaces que los filtros bayesianos. Los procesos de colas y las
distribuciones de probabilidad de objetos en sistemas en movimiento también
pueden calcularse muy fácilmente. Además, es posible crear una clasificación
objetiva para todo el sistema a partir de muchas recomendaciones subjetivas.
El PageRank de Google también se basa en cadenas de Markov. Las aplicaciones
clásicas son las colas y los tipos de cambio. El comportamiento de una presa
también puede modelizarse con ayuda de una cadena de Markov. También es
posible modelizar un sistema de control de velocidad para vehículos de motor.
También es posible la evaluación analítica de algoritmos de movilidad, como el
paseo aleatorio.
La dinámica de poblaciones también puede modelizarse para predecir el
crecimiento de la población humana o animal. También puede modelizarse el
movimiento molecular browniano. La programación estadística y la simulación de
distribuciones de equilibrio con el software "Statistik Software R" son
especialmente relevantes.