PROBABILIDADES A

LARGO PLAZO DE LA
CADENA DE MARKOV
Allan Montecer, Johan Oyoque ,Nadys
Mosquera Diana Nelson , Arleen Pérez
 Probabilidades de estado
estable
Mientras se calculaban las matrices de transición de n pasos de los ejemplos del
clima y de inventarios en la sección 16.3, se observó una característica interesante
de estas matrices. Si n es lo suficientemente grande (n=5 en el ejemplo del clima y
n=8 en el ejemplo de inventarios), todos los renglones de la matriz tienen
elementos idénticos, lo que significa que la probabilidad de que el sistema esté en
cada estado j ya no depende del estado inicial del sistema.
● Si se desea trabajar con un sistema de ecuaciones en forma
matricial, este sistema (excluyendo la ecuación sum=1) también
puede expresarse como

● Por ejemplo j, después de un número grande de transiciones tiende al

valor πj, y es independiente de la distribución de probabilidad inicial
definida para los estados.
● en cualquier paso n la probabilidad de transición del estado i al
estado j es todavía pij.
 ● Si la probabilidad inicial de encontrarse en estado j está dada
por πj (esto es, P{X0= j} =πj) para toda j, entonces la
probabilidad de encontrar el proceso en el estado j en el
tiempo n=1, 2, . . . también está dada por πj (es decir, P{Xn }
=πj).
M+2 ecuaciones con M+1 incógnitas

● Como πj= 0 para toda j satisfaría las otras M+1 ecuaciones. Aún más, las
soluciones de las otras M+1 ecuaciones de estado estable tienen una solución
única con una constante multiplicativa y es la ecuación final la que fuerza la
solución a ser una distribución de probabilidad.
APLICACIÓN𝝅 𝟎=¿𝝅
 
AL 𝟎 𝑷𝟎𝟎 +¿𝝅 𝟏 𝑷𝟏𝟎
EJEMPLO DEL CLIMA
𝝅𝟏=¿𝝅𝟎 𝑷𝟎𝟏+¿𝝅 𝟏 𝑷𝟏𝟏
𝟏=¿𝝅𝟎+¿𝝅 𝟏

     
 Proceso
𝝅 𝟎=¿𝟎.𝟖𝝅𝟎+¿𝟎.𝟔𝝅𝟏
 

 𝟎 . 𝟐 𝝅 𝟎 =𝟎 . 𝟔 𝝅 𝟏
𝝅 𝟏=¿𝟎.𝟐𝝅𝟎+¿𝟎.𝟒𝝅𝟏
𝟏=¿𝝅𝟎+¿𝝅𝟏 𝟎 . 𝟔 𝝅 𝟏 =𝟎 . 𝟐 𝝅 𝟎
 

 
𝝅 𝟎 =𝟑 𝝅 𝟏

𝝅 𝟎=𝟎 . 𝟐𝟓  𝝅 𝟏=𝟎 . 𝟕𝟓
 
Aplicación al ejemplo de Inventarios
La tienda de fotografía de Dave
tiene el siguiente problema de
inventario. El negocio tiene en
almacén un modelo especial de
cámara que se puede solicitar
cada semana. Sean D1, D2, . . .
representan las demandas
respectivas de esta.
 Costo
promedio
esperado por
unidad de
tiempo
 ¿Qué sucede?

Costo
promedio Unidad de Tiempo
Estados Posibles
 Variable
aleatoria

Identicamente distribuida

Función de costo esperado

Cado estado
 Función

H: Variable aleatoria de la cual depende la función de

costos
Costo promedio esperado
por unidad de tiempo de
funciones de costo
complejas
 Formulas
• El costo puede depender de más variables aleatorias, además de t  C(Xo:Xt-1, Dt)
• • Dt, Dt+1, Dt+2, …V.A.I.&Iden.Dist X0, X1, X2,…, Xt-1, Dt VAI. 
• Costo Promedio esperado a largo plazo por unidad de tiempo:

• Dt, Dt+1, Dt+2, …V.A.I.&Iden.Dist X0, X1, X2,…, Xt-1, Dt VAI. 

• Costo promedio Real a largo plazo por unidad de tiempo
Distribucion de Poisson
• Variable aleatoria discreta: y =0,1,2…
• Distribución de probabilidad para un numero Y de eventos poco comunes,
que se presentan en el espacio, TIEMPO, o volumen donde es el valor
promedio de y.:
Costo promedio esperado para funciones de costo complejas

k(j) es el valor esperado respecto a la distribución de

probabilidad de demanda dado el estado.
Requisitos

◂ { Xt}, Una cadena de markov irreducible cuyos estados son recurrentes positivos.
◂ Asociada a esta cadena se tiene una sucesión de variables aleatorias { Dt}, cada una
de las cuales es independiente e idénticamente distribuida. 
◂ Para m fija {m=0,1,2,3,…, se incurre en un costo C(Xp, Dt+m) en el tiempo t, para
t=0,1,2 • La sucesión {X0, X1, X2, Xt} debe ser independiente de Dt+m
Muchas
gracias!
¿Alguna duda?