IO2 Parte 2: Procesos Estocásticos

Caso de Aplicación en Cadenas de Markov en forma Discreta

Después de realizar un estudio del clima, se ha observado que, si un día
está Soleado, en el 70% de los casos el día siguiente continua soleado y
existe un 30% de posibilidad de que se presente Nublado.

En términos de probabilidad, lo que nos sirve para predecir el clima, es que

la probabilidad de que continúe soleado el día siguiente es 0.7 y de que se
presente nublado es 0.3.

También nos fijamos en que si un día está nublado, la probabilidad de que el

día siguiente esté soleado es 0.6 y la probabilidad de que se presente
nublado es de 0.4.

Preguntas:
Si hoy está nublado;
a.- ¿Cual es la probabilidad de que mañana continúe nublado?.
b.- ¿Cual es la probabilidad de que pasado mañana esté nublado?

b.- Cadenas de Markov

 IO2 Parte 2: Procesos Estocásticos
Caso de Aplicación en Cadenas de Markov en forma Discreta
Una forma de representar la situación planteada, es por medio de un
Diagrama de Árbol:
Tiempo de Hoy Tiempo de Mañana Tiempo de Pasado Mañana

0.7 Soleado
Soleado
0.6 Nublado
0.3
Nublado
0.4 0.6 Soleado
Nublado
0.4 Nublado

Respuesta a.- De la figura vemos que la probabilidad buscada es 0.4

Respuesta b.- De la figura siguiendo la secuencia, vemos que:
P(pasado mañana Nublado/hoy Nublado) =
= P(nublado,soleado,nublado) o P(nublado,nublado,nublado)
= (0.6*0.3)+(0.4*0.4) = 0.34 b.- Cadenas de Markov
 IO2 Parte 2: Procesos Estocásticos
Caso de Aplicación en Cadenas de Markov en forma Discreta
c.- Identifique los elementos de la Cadena de Markov
Respuesta c.-

En el ejemplo identificamos solo 2 estados posibles s1=nublado y s2=soleado.

La probabilidad de ir de un estado a otro depende del estado que está en el
presente.
Si X1 representa el estado del clima el día 1, X2 el estado del clima el día 2, etc.,
entonces n = 1, 2, 3…… y Xn será representado por el estado del clima el día n.
La sucesión de observaciones X1, X2,…… Xn, se denomina Proceso
Estocástico o Proceso Aleatorio; donde la observación X1 se denomina
observación inicial o Estado Inicial del Proceso.
Para describir el modelo, se debe especificar una probabilidad para cada uno de
los posibles valores del estado inicial y también todas las probabilidades
condicionales para cada uno de los estados subsiguientes Xn+1, de la forma:
P(Xn+1=sn+1/X1=s1,X2=s2,…..Xn=sn). De forma tal que P(Xn+1=sn+1/Xn=sn).

b.- Cadenas de Markov

 IO2 Parte 2: Procesos Estocásticos
Caso de Aplicación en Cadenas de Markov en forma Discreta

Cont. Respuesta c.-

En general, si consideramos una cadena de markov que en cualquier momento

estará en alguno de un número finito k de estados s1, s2, s3,……sk., entonces un
proceso aleatorio de ésta naturaleza se denomina Cadena de Markov Finita.

La probabilidad condicional P(Xn+1=sj/Xn=si), se conoce como Probabilidad de

Transición.

Si para una cadena de markov, esta probabilidad de transición tiene o tiende a

un mismo valor, se dice entonces que la cadena de markov tiene
Probabilidades de Transición Estacionarias y se denota por:

P(Xn+1 = sj/Xn = si) = pij para n=1, 2, ……

donde si y sj son cualquier estados en que existe una probabilidad pij.

b.- Cadenas de Markov

 IO2 Parte 2: Procesos Estocásticos
Caso de Aplicación en Cadenas de Markov en forma Discreta

d.- Represente el ejemplo considerado como Cadenas de Markov Finitas con

Probabilidades Estacionarias.
Respuesta d.-

La representación pedida se expresa con la matriz:

s1 s2

s1 0.7 0.3

s2 0.6 0.4

Esta matriz, que incluye las probabilidades de pasar de un estado a otro en un

paso, se denomina Matriz de Transición. Los elementos en cada una de las
filas, deben de sumar 1.
La primera fila representa: P(Xn = s1/Xn-1 = s1) = P(soleado/soleado) = 0.7 y
P(Xn = s2/Xn-1 = s1) = P(nublado/soleado) = 0.3

b.- Cadenas de Markov

 IO2 Parte 2: Procesos Estocásticos
Caso de Aplicación en Cadenas de Markov en forma Discreta
Si s1 se representa por c (nublado) y s2 por s (soleado), y Xn estado del clima
en el n-ésimo día de observación, y se pide la probabilidad de que pasado
mañana esté nublado, dado que hoy lo está. Entonces, se tiene:
Tiempo de Hoy Tiempo de Mañana Tiempo de Pasado Mañana

p11=0.7 X3 = s
X2 = s
p21=0.6
p12=0.3 X3 = c
X1 = c
p21=0.6 X3 = s
p22=0.4
X2 = c
p22=0.4 X3 = c

En términos de nuestra expresión, será: (p21*p12)+(p22*p22), esto es lo mismo que:

P(X2 = s/X1 = c)*P(X3 = c/X2 = s)+P(X2 = c/X1 = c)*P(X3 = c/X2 = c)

Se ha descompuesto el evento en todos los estados que se pueden observar mañana.
b.- Cadenas de Markov
 IO2 Parte 2: Procesos Estocásticos
Caso de Aplicación en Cadenas de Markov en forma Discreta

Si examinamos la expresión (p21*p12)+(p22*p22), ésta corresponde al elemento de

la segunda fila y segunda columna de la matriz que resulta al multiplicar P*P.

0.7 0.3 0.7 0.3 0.7*0.7+0.3*0.6 0.7*0.3+0.3*0.4 0.67 0.33

P*P = = =
0.6 0.4 0.6 0.4 0.6*0.7+0.4*0.6 0.6*0.3+0.4*0.4 0.66 0.34

Esta última matriz, nos da la posibilidad de llegar en dos pasos a cualquier

estado si comenzamos en un estado particular. Como el proceso es estacionario,
entonces lo único que nos afecta el resultado, es el número de días en el futuro
al cual queremos hacerle la predicción.

Podemos entonces extender éste argumento a cualquier número de días en que

queramos predecir la variable climatológica, así P3, P4, ….Pm, que
corresponderán a las probabilidades de transición en 3, 4, ….m pasos
respectivamente. Así la matriz Pm se conoce como Matriz de Transición de m
Pasos.
b.- Cadenas de Markov