Beruflich Dokumente
Kultur Dokumente
Los modelos de procesos de Markov son tiles para estudiar la evolucin de sistemas
a lo largo de ensayos repetidos los que, a menudo, son perodos sucesivos donde el
estado del sistema en cualquier perodo en particular no puede determinarse con
certeza. Por ello, para describir la forma en que el sistema cambia de un perodo a
otro consecutivo se emplean probabilidades de transicin. Por tanto se est interesado
en la probabilidad de que el sistema est en un estado particular en un perodo dado.
Estos modelos tienen mltiples aplicaciones, puede usarse para describir la
probabilidad de que una mquina que est funcionando en un perodo
continuar funcionando en el siguiente. Tambin pueden usarse los modelos para
describir la probabilidad de que un consumidor que compra la marca A en
un perodo la siga comprando en el siguiente o se pase a una marca B.
Andri Mrkov (1856 - 1922) matemtico ruso conocido por sus trabajos en la teora de los
nmeros y de probabilidades.
del
suceso
Descripcin
El cliente compra un Renault
El cliente compra un Chevrolet
El cliente compra un Mazda
Compra actual
(n=0)
Renault
Chevrolet
Mazda
% que compra
Renault
40
20
25
% que compra
Mazda
30
30
50
Una matriz de transicin P est compuesta por filas de vectores de probabilidad Vi.
Anlisis de probabilidad por medio de cadenas de Markov de primer orden
Para determinar la probabilidad de un evento despus de n pasos, dado algn estado
inicial especfico Si, se utiliza la matriz de transicin.
Ejemplo 3: Si un cliente acaba de comprar un auto Renault, Si= S1 en n= 0, Cul es
la probabilidad de que l pueda comprar un Chevrolet en la siguiente ocasin, Sj=
S2 en n= 2?
La matriz de transicin es:
Para el estado S1, V1= 0.4, 0.3, 0.3. Esto quiere decir que si el estado presente es S1,
la probabilidad de que el siguiente estado sea S1 es p11=0.4, S2 es p12=0.3
y S3 es p13= 0.3, por tanto el vector da las pribabilidades de los sucesos para el
siguiente paso, a partir de un estado presente. Sea Vi^n el vector de probabilidades
que describe las probabilidades de los posibles sucesos en n pasos si el estado
presente es Si. Para responder la pregunta en consideracin, se hace entonces V1^2.
Esta expresin da las probabilidades de todas las compras dos pasos a partir de
ahora, ya que el cliente en el presente posee un Renault, S1 en n=0. Esto se obtiene a
partir del producto de V1^2 y P.
Por lo tanto, las probabilidades de los sucesos despus de n pasos a partir de ahora
pueden obtenerse utilizando el vector de probabilidad Vi y alguna potencia de la
matriz P.
Cadenas de Markov ergdicas
Si el sistema o proceso que se modela con Markov tiene ciertas propiedades, es
posible determinar las probabilidades de los sucesos despus de alcanzar condiciones
de estado estable. Luego de un largo tiempo de funcionamiento del proceso, un evento
dado puede presentarse durante un porcentaje x del tiempo. Se desea estar en
capacidad de determinar estos porcentajes. Lo que los detractores sealan en este
punto es la condicin de que la matriz de transicin contenga probabilidades que
permanezcan constantes con el tiempo.
Para asegurar la condicin de estado estable, la cadena debe ser ergdica (algunas
veces denominada cadena irreductible).
Una cadena ergdica describe de forma matemtica un proceso en el cual es posible
avanzar desde un estado hasta cualquier otro estado, no es necesario que esto se
d en un slo paso, pero debe ser posible para que cualquier resultado sea logrado
independientemente del estado presente.
Ejemplo 4: Jazmn conduce una moto por un sector cuyas calles estn trazadas como
se indica a continuacin:
Cada vez que Jazmn llega a un esquina puede dar vuelta o seguir derecho con igual
probabilidad. es decir, que si ella est en la esquina 2, ella puede avanzar a 1, 3, o 5
con una probabilidad de 1/3, y de igual modo partiendo de las otras esquinas.
Un estado describe la esquina en la cual est Jazmn cuando toma su decisin. Por
tanto hay 9 estados posibles. La matriz de transicin es:
1
2
3
4
5
6
7
8
9
1
0
1/3
0
1/3
0
0
0
0
0
2
1/2
0
1/2
0
1/4
0
0
0
0
3
0
1/3
0
0
0
1/3
0
0
0
4
1/2
0
0
0
1/4
0
1/2
0
0
5
0
1/3
0
1/3
0
1/3
0
1/3
0
6
0
0
1/2
0
1/4
0
0
0
1/2
7
0
0
0
1/3
0
0
0
1/3
0
8
0
0
0
0
1/4
0
1/2
0
1/2
9
0
0
0
0
0
1/3
0
1/3
0
1
2
3
4
5
1
X
0
0
X
X
2
X
X
0
0
X
3
0
X
0
X
0
4
X
0
X
0
0
5
X
X
X
X
0
Estado
2:
ir
hasta
5,
luego
desde
5
hacia
1.
E
3=
ir hasta 5,
luego
de
5
hacia
1.
E
4=
ir
hasta
1.
E
5=
ir
hasta
1.
Se puede decir entonces que esta es la matriz de transicin de una cadena ergdica.
Un caso mas especifico de cadena ergdica, es una cadena regular. Una cadena
regular es definida como una cadena que tiene una matriz de transicin P la cual para
alguna potencia de Ptiene nicamente elementos positivos de probabilidad (diferente
de 0). La forma ms sencilla de verificar si una cadena es regular consiste en elevar
sucesivamente al cuadrado la matriz hasta que todos los valores sean mayores de 0 o
hasta que se desarrolle un patrn que demuestre que por lo menos un 0
nunca podr eliminarse. Todas las cadenas regulares pueden ser ergdicas pero lo
contrario no es necesariamente lo cierto, no todas las cadenas ergdicas son
regulares.
Ejemplo
1
2
3
4
5
5: Se
tiene
la
siguiente
matriz,
comprobar
si
es
regular:
1
X
0
0
X
X
2
X
X
0
0
X
3
0
X
0
X
0
4
X
0
X
0
0
5
X
X
X
X
0
1
X
X
X
X
X
2
X
X
X
X
X
3
X
X
X
X
X
4
X
X
0
X
X
5
X
X
X
X
X
1
X
X
X
X
X
2
X
X
X
X
X
3
X
X
X
X
X
4
X
X
X
X
X
5
X
X
X
X
X
P ^2=
1
2
3
4
5
P ^4=
1
2
3
4
5
Determinacin de
las
condiciones
de
estado
estable
A medida que aumenta el valor de n, los valores pij tienden hacia un lmite fijo y cada
vector de probabilidad Vi^n tiende a hacer igual para todos los valores de i. Esto lleva
a
que:
1) Para un valor de n suficientemente grande, el vector de probabilidad Vi^n se hace
igual para todas las i y no cambia para valores grandes de n.
2) Puesto que Vi^n+1= Vi^n P y Vi^n+1=Vi^n, existe un vector V* tal que V*=V*P.
El vector V* contiene las probabilidades que existen en condiciones de estado estable.
Sea vj el j-simo elemento del vector probabilidad V*. Puesto que V* todava es un
vector
probabilidad,
aun
debe
existir
la
siguiente condicin:
Puesto que las restantes m ecuaciones pueden satisfacerse si todas las vj=0.
Ejemplo 6: Para el ejemplo de la compra del auto, se determinan las probabilidades
de estado estable del comprador.
Se
Se
elimina
la ltima ecuacin y
puede
se
despejan
las
restantes:
interpretar as:
Cadenas
de
Markov
absorbentes
Estado
S1(0,0)
S2(1,0)
S3(2,0)
S4(3,0)
S5(4,0)
S6(5,0)
S7(0,1)
S8(1,1)
S9(2,1)
S10(3,1)
S11(4,1)
Descripcin fsica
No. de partes
No. de
buenas
defectuosas
0
0
1
0
2
0
3
0
4
0
5
0
0
1
1
1
2
1
3
1
4
1
PRECISAMENTE
AL COMENZAR
ABSORBENTE
Si se espera que el 90% de las unidades sean aceptables, la matriz de transicin es:
S1
S1
S2
S3
S4
S5
S6
S7
S8
S9
S10
S11
S2
0,9
S3
S4
S5
S6
S7
0,1
0,9
S8
S9
S10
S11
0,1
0,9
0,1
0,9
0,1
0,9
1
0,1
1
1
1
1
1
Una vez alcanzados los estados S6 hasta S11 la probabilidad de que el proceso
permanezca en el respectivo estado es 1. Por lo tanto no se puede ir desde cualquiera
de estos estados hasta cualquier otro (probabilidad 0). Esto de debe a que el
inspector podr tomar una decisin de aceptacin y/o rechazo en ese momento y con
esto
terminar
la inspeccin.
A partir del anlisis de esta clase de cadena pueden obtenerse varias informaciones,
es posible determinar el nmero esperado de pasos antes de que el proceso sea
absorbido, el nmero esperado de veces que el proceso est en cualquiera de los
estados no absorbentes y la probabilidad de ser absorbido por cualquier estado
absorbente
dado.
El primer paso es reagrupar la matriz de transicin de esta manera:
matriz
de transicin reordenada
es:
S6
S7
S8
S9
S10
S11
S1
S2
S3
S4
S5
S6
1
S7
S8
S9
S10
S11
1
1
1
1
0
0
0
0
0,1
0
0
0
0
0,1
0
0
0
0
0,1
0
0
0
0
0,1
1
0
0
0
0
0,1
S1
0
0
0
0
0
0
0
0
0
0
S2
0
0
0
0
0
0
0,9
0
0
0
S3
0
0
0
0
0
0
0
0,9
0
0
S4
0
0
0
0
0
0
0
0
0,9
0
S5
0
0
0
0
0
0
0
0
0
0,
9
0
8: Para
el
ejemplo
del
plan
de inspeccin se
tiene:
Estado inicial
S1
S2
S3
S4
S5
de
ir
desde i hasta j en
paso= A.
El nmero de ocasiones antes de que el dueo de un Renault compre por primera vez
un Mazda es 2.08+1.25=3.33.