Está en la página 1de 13

CADENAS OCULTAS DE MARKOV

INVESTIGACION DE OPERACIONES II

ORIGENES DE LOS MOM


Sus inicios se remontan a los aos cincuenta del siglo pasado El principal problema era caracterizar procesos estocsticos para los cuales no contaban con suficientes observaciones. Surgi entonces la idea que implicaba modelar un proceso estocstico particular como un proceso estocstico doble

DEFINICION
Un Modelo Oculto de Markov es una 5-tupla (N, M, A, B, ) donde N representa el Numero de Estados, relacionados con su conjunto S; M, el numero de Smbolos observables, representados con su conjunto O; A, las Probabilidades aij de Transicin; B, la Probabilidad bij de Observar Ok en el estado Sj; y , el Vector de Probabilidades iniciales de cada estado.
S = {S1, ..., SN } O = {O1, ..., OM } A = aij B = bj (k = i

Representacin de todos los parmetros y sus propiedades entrelazadas se la 5-tupla markoviana oculta

Las Cadenas de Markov Ocultas son modelos en los que se rastrean y encuentran algunos estados que, para la Cadena de Markov simples, eran ocultos. Esto hace que el modelo oculto tenga una gran eficiencia en la estimacin sus probabilidades y un gran alcance.

TIPOS DE MOM
ERGODICAS
Cuando un MOM tiene una matriz de probabilidad de transicin de estados completa (es decir, que no es cero para ningn aij) se dice que el MOM es ergdico.

NO ERGODICOS
En los casos en los que las matrices de transicin del MOM pueden tener algunos valores 0, se dice que no son ergdicos

AUTOREGRESIVOS
Los MOM autoregresivos, tienen casos especiales del parmetro B. Cuando los smbolos observables de un MOM son vectores continuos

Usualmente un MOM arroja un MSA bueno. Es un mtodo fundamentado por la teora de la probabilidad. No se requiere de un orden en las secuencias. Las penalidades de insercin y delecin no son necesarias. Se puede utilizar informacin experimental.

DESVENTAJAS

VENTAJAS

Se necesitan al menos 20 para poder acomodar la historia evolutiva. Para construir un modelo se debe tener una base de datos de genes antes.

Similitudes Entre Las Cadenas De Markov Finitas Y Las Cadenas De Markov Ocultas
CADENAS DE MARKOV CADENAS OCULTAS DE MARKOV

Para definir una cadena de Markov finita Elementos que componen una cadena oculta de Markov: hace falta determinar los siguientes elementos: 1. El nmero de estados en el modelo N. 2. El nmero de smbolos de observacin El nmero de estados en el modelo. distintos por estado M. La definicin de transicin. 3. La distribucin de probabilidad de Una ley de probabilidad condicional. transicin. 4. La distribucin de probabilidad de Tipos de cadenas ocultas observacin de smbolos. 5. la distribucin inicial. Ergdicas Semiergdicas No Ergdicas Cclicas Tipos de cadenas ocultas Ergdicas No Ergdicas Auto regresivas

Elementos Que Definen Y Diferencian Una Cadena Oculta De Markov


Los modelos ocultos de Markov son una funcin de densidad de probabilidad. Los modelos ocultos de Markov tienen dos mecanismos interrelacionados: Una cadena de Markov y un Conjunto de funciones aleatorias. Los modelos ocultos de Markov, siempre estn en algn estado.

Los modelos ocultos de Markov cambian de estado de acuerdo a una matriz de transiciones. El observador de un modelo oculto de Markov, slo ve el resultado de las funciones aleatorias.

Donde Se Utilizan?
Los modelos ocultos de Markov han tenido un amplio uso en la deteccin de anomalas. Las principales reas de aplicacin son: Tratamiento digital del habla Biociencias Tratamiento de imgenes Tratamiento de seales sonoras Informtica Climatologa Econometra OTROS

CONCLUSIONES
Las Cadenas Ocultas de Markov presentan una mayor precisin en la estimacin de probabilidades, pero requieren que dichos estados estn soportados por el contexto estable. Las cadenas de markov nos sirven para averiguar datos estadsticos por cada cierto tiempo, lo cual permite pronosticar y realizarnos mejor como empresa y entidad empresarial. Es importante saber el nmero de la muestra que hemos elegido y dentro de que mercado nos encontramos ya que las cadenas de markov solo puede ser eficaz segn la veracidad y claridad de los datos que propongamos.

GRACIAS
POR SU ATENCION