Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Bea Cadenas Marko
Bea Cadenas Marko
TEMA 3
Introducción a las cadenas de Markov de primer orden
A B C
Matriz de transición en A 0,8 0,1 0,1
un paso (ciclo) B 0,15 0,82 0,03
C 0,13 0,12 0,75
¿Cómo se repartirán el mercado dentro de 1
Ciclo: Mes mes, 6 meses, 1 año?, ¿A largo plazo?
1
CON
BIEN
SECUELAS
33estados
estados(1(1absorbente,
absorbente,22transitorios)
transitorios)
Ciclo=mes
MUERTO Ciclo=mes
Utilidades==Nivel
Utilidades Nivelsalud
salud
Distribucióninicial
Distribución inicialdedelalacohorte
cohorte(N=10.000):
(N=10.000):
todosbien
todos bien
1
CON
BIEN
SECUELAS
33estados
estados(1(1absorbente,
absorbente,22transitorios)
transitorios)
Ciclo=mes
MUERTO Ciclo=mes
Utilidades==Nivel
Utilidades Nivelsalud
salud
Distribucióninicial
Distribución inicialdedelalacohorte
cohorte(N=10.000):
(N=10.000):
todosbien
todos bien
1
0.6 0.6
CON
BIEN 0.2
SECUELAS
0.2 33estados
estados(1(1absorbente,
absorbente,22transitorios)
transitorios)
Ciclo=mes
MUERTO Ciclo=mes
Utilidades==Nivel
Utilidades Nivelsalud
salud
Distribucióninicial
Distribución inicialdedelalacohorte
cohorte(N=10.000):
(N=10.000):
todosbien
todos bien
1
A B C
Matriz de A 0,8 0,1 0,1
transición en un B 0,15 0,82 0,03
ciclo (P) C 0,13 0,12 0,75
¿Cómo se repartirán el mercado dentro de 1
Ciclo: Mes mes, 6 meses, 1 año?, ¿A largo plazo?
1
55estados
estados(1(1transitorio,
transitorio,44recurrentes)
recurrentes)
Ciclo=un
Ciclo= unaño
año
Distribucióninicial
Distribución inicialde
delalacohorte
cohorte(N=1.340):
(N=1.340):
(0.580.28
(0.58 0.280.05
0.050.03
0.030.06)
0.06)
2 Tipos de estados y de cadenas de markov de primer orden
fij(1)=pij(1)=pij
fij(2)=pij(2)-fij(1)pij
.............................................
fij(n)=pij(n)-fij(1)pij(n-1)-fij(2)pij(n-2)....-fij(n-1)pij
Tiempos de primera pasada/recurrencia (Corto plazo)
2
Como generalmente es bastante engorroso calcular las fij(n) para
todas las n, se suele optar por obtener el tiempo esperado de
primera pasada del estado i al estado j
Tipos de estados y Cadenas de Markov
2
Podemos considerar fij(n) para (n=1,2,..) como la función de
probabilidad de la variable aleatoria tiempo de primera pasada
Estados 0 1 2 3 4
P 0 0.25 0.75 0 0 0
1 0.5 0.5 0 0 0
2 0 0 1 0 0
3 0 0 0.33333333 0.66666667 0
4 1 0 0 0 0
Tipos de estados y Cadenas de Markov
2
Tipos de estados y Cadenas de Markov
2
2
Tipos de estados y Cadenas de Markov.
2
Tipos de estados y Cadenas de Markov.
Comportamiento a largo plazo de las Cadenas de
3
Markov
Comportamiento a largo plazo de las Cadenas de
2 Markov
4
Comportamiento a largo plazo de las
Cadenas de Markov: el caso de las cadenas
absorbentes
• CM absorbente:
– Tiene al menos un estado absorbente
– Desde cualquier estado no absorbente se puede acceder
a algún estado absorbente
• A largo plazo, termina en absorción con
probabilidad 1
• Interesa calcular:
– Probabilidad de absorción por cada estado absorbente
– Numero esperado de pasos antes de la absorción
4
Comportamiento a largo plazo de las
Cadenas de Markov: el caso de las cadenas
absorbentes
EJEMPLOS DE APLICACIONES
CÓMO HACER EL MODELO
REALISTA
Propiedad
Propiedad
• Ingredientes de una cadena de markov: markoviana: markoviana:falta
faltade
de
– Conjunto de K estados exhaustivos y mutuamente excluyentes
memoriadefinen
memoria
las posibles situaciones (ej. Bien-discapacitado-muerto)
(¿Realista?...)
(¿Realista?...)
– Ciclo: periodo de tiempo en el que ocurren transiciones entre estados
(ej: un mes)
– Probabilidades de transición entre estados en un ciclo
• Se suponen constantes en el tiempo, e
idénticas para todos los pacientes
• Sus valores forman la matriz de transición en un paso (P)
– Distribución inicial de la cohorte de pacientes entre los K estados
EJEMPLO 1: LA EVOLUCIÓN CLÍNICA DE LOS
PACIENTES CON VÁLVULA CARDIACA
SOMETIDOS A TRATAMIENTO ANTICOAGULANTE
Complicandoelelmodelo
Complicando modelopara
parahacerlo
hacerlomás
másrealista
realista
CON
CON
BIEN
BIEN SECUELAS
SECUELAS
Seincluye
Se incluyeununestado
estadotransitorio
transitoriodedeproceso
proceso
agudo(embolia
agudo (emboliaoohemorragia
hemorragiainterna)
interna)
MUERTO
MUERTO
EJEMPLO 1: LA EVOLUCIÓN CLÍNICA DE LOS
PACIENTES CON VÁLVULA CARDIACA
SOMETIDOS A TRATAMIENTO ANTICOAGULANTE
Complicandoelelmodelo
Complicando modelopara
parahacerlo
hacerlomás
másrealista
realista
ACCIDENTE
ACCIDENTE
CEREBRAL
CEREBRAL CON
CON
BIEN
BIEN VASCULAR
VASCULAR
SECUELAS
SECUELAS
Estadotransitorio
Estado transitorioACV:
ACV:para
paraununsuceso
sucesoque
que
tienesolo
tiene soloefectos
efectosaacorto
cortoplazo
plazo
MUERTO
MUERTO Dosusos:
Dos usos:
1)1) Incorporarununvalor
Incorporar valorespecífico
específicodedelala
utilidad(o(ocoste)
utilidad coste)
2)2) Asignartemporalmente
Asignar temporalmentediferentes
diferentes
probabilidadesdedetransición
probabilidades transición
CONCEPTOS BÁSICOS
Esta limitación generalmente
Esta limitación generalmente
puederesolverse
puede resolversedefiniendo
definiendo
• Ingredientes de una cadenaestados de markov:
estados distintospara
distintos parapacientes
pacientes
– Conjunto de K estados exhaustivos con
con distintosantecedentes
y mutuamente
distintos antecedentes
excluyentes definen
las posibles situaciones (ej. Bien-discapacitado-muerto)
– Ciclo: periodo de tiempo en el que ocurren transiciones entre estados
(ej: un mes)
– Probabilidades de transición entre estados en un ciclo
• Se suponen constantes en el tiempo, e idénticas para
todos los pacientes
• Sus valores forman la matriz de transición en un paso (P)
– Distribución inicial de la cohorte de pacientes entre los K estados
Software y bibliografía
• Usaremos QSB
• Un excelente texto para este tema es el de
Hillier y Lieberman (está referenciado en el
programa)