Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
SÁNCHEZ CARRIÓN
MODELO DE MARKOV
INTEGRANTES:
ASESOR:
Dr. Alcibiades Sosa Palomino
HUACHO – PERÚ
2014
1
ÍNDICE
INTRODUCCIÓN ............................................................................................... 3
DEDICATORIA: .................................................................................................. 4
PLANTEAMIENTO:...................................................................................... 6
PROBLEMA 1 .............................................................................................. 9
PROBLEMA 2: ........................................................................................... 13
CONCLUSIÓN ................................................................................................. 16
BIBLIOGRAFÍA ............................................................................................... 17
2
INTRODUCCIÓN
Las cadenas de markov son modelos probabilísticos que se usan para predecir
la evolución y el comportamiento a corto y a largo plazo de determinados
sistemas.
3
DEDICATORIA:
Dedicarle este trabajo a Dios que nos ha dado la
vida y fortaleza para terminar este proyecto de
investigación, a nuestros Padres por estar ahí
cuando más los necesitamos por su ayuda y
constante cooperación y a nuestro docente por su
apoyo incondicional y sus exigencias.
4
MODELO DE MARKOV
Una cadena de Márkov es una secuencia X1, X2, X3,... de variables aleatorias.
El rango de estas variables, es llamado espacio estado, el valor de Xn es el
estado del proceso en el tiempo n. Si la distribución de probabilidad condicional
de Xn+1 en estados pasados es una función de Xn por sí sola, entonces:
5
Xn-1. Cuando en una cadena dichas probabilidades no dependen del tiempo
del tiempo en que se considere n,
Modelo:
𝑺𝟏 𝑺𝟐
𝑺𝟏 𝑃11 𝑃12
𝑺𝟐 𝑃21 𝑃22
Dónde:
Planteamiento:
𝑺(𝒕 + 𝟏) = 𝑺(𝒕)𝑷
En General:
𝑺(𝟏)𝑷 = 𝑺(𝟎)𝑷𝒕
𝑺 = 𝑺(𝒕 + 𝟏) = 𝑺(𝒕)
6
Donde S: vector de probabilidad de estado estacionario que es el mismo
sin importar el periodo.
∑ 𝑺𝒊=𝟏
𝒊=𝟏
Dichas matriz es cuadrada con tantas filas y columnas como estados tiene
el sistema, y los elementos de la matriz representan la probabilidad de que
el estado próximo sea el correspondiente a la columna si el estado actual
es el correspondiente a la fila.
∑ 𝑷𝒊𝒋 = 𝟏
𝒋=𝟏
𝑷𝒊𝒋 ≥ 𝟏
Cuando los 𝑃𝑖𝑗 cumplen las propiedades, arriba indicadas, la matriz P es una
matriz estocástica: la suma de valores de las filas será siempre igual a 1 (la
suma de los valores de las columnas no tiene ninguna propiedad especial).
7
CADENA FINITA DE MARKOV:
Caracterizadas porque el número de estados del sistema es finito.
Formalmente para definir una cadena de Markov Finita hace falta determinar
por los siguientes elementos:
b. La definición de transición
Ejemplo:
8
CASOS DE APLICACIÓN
PROBLEMA 1
Soda Soda
Soda V
Field roja
Soda Field 0.5 0.2 0.3
Soda roja 0.3 0.4 0.3
Soda V 0.2 0.1 0.7
Solución:
Método Recursivo:
S (t+1) = S (t)*P
9
0.5 0.2 0.3
𝑆2 = 𝑆1 * P (0.32 0.18 0.5)* [0.3 0.4 0.3] =
0.2 0.1 0.7
(0.31 0.19 0.5)
10
𝑆9 = 𝑆8 * P (0.31249984 0.18750016 0.5) ∗
0.5 0.2 0.3
[0.3 0.4 0.3]
0.2 0.1 0.7
Matriz Estacionaria:
0.5 0.2 0.3
[𝑆1 𝑆2 𝑆3] = [𝑆1 𝑆2 𝑆3] ∗ [0.3 0.4 0.3]
0.2 0.1 0.7
11
Método del Árbol 3 niveles:
0.5 PL
0.5*0.5*0. 0.12
0.5 5 5
0.2 0.5*0.5*0. 0.05
PL P
2
0.3 0.5*0.5*0. 0.07
C
0.3 30.5*0.2*0. 50.03
PL
0.5 0.2 3
0.4 0.5*0.2*0. 0.04
PL P P
4
0.3 0.5*0.2*0. 0.03
C
3
0.2 0.5*0.3*0. 0.03
PL
0.3 2
0.1 0.5*0.3*0. 0.01
C P
1 5
0.7 C
0.5*0.3*0. 0.10
7 5
0.5 0.2*0.3*0. 0.03
PL
5
0.3 0.2 0.2*0.3*0. 0.01
PL P
2 2
0.3 0.2*0.3*0. 0.01
C
0.3 30.2*0.4*0. 80.02 PL = 0.332
PL
0.2 0.4 3 4 P = 0.2
0.4 0.2*0.4*0. 0.03
PL P P P
4 2
C = 0.468
L 0.3 0.2*0.4*0. 0.02
C
3 4
0.2 0.2*0.3*0. 0.01
PL
0.3 2 2
0.1 0.2*0.3*0. 0.00
C P
1 6
0.7 0.2*0.3*0. 0.04
C
0.5 7
0.3*0.2*0. 2
0.03
PL
5
0.2 0.2 0.3*0.2*0. 0.01
PL P
2 2
0.3 0.3*0.2*0. 0.01
C
0.3 30.3*0.1*0. 80.00
PL
0.3 3 9
0.1 0.4 0.3*0.1*0. 0.01
C P P 4 2
0.3 0.3*0.1*0. 0.00
C
3 9
0.2 0.3*0.7*0. 0.04
PL
0.7 2 2
0.1 0.3*0.7*0. 0.02
C P
1 1
0.7 0.3*0.7*0. 0.14
C
7 7
12
Método Método Estado Método del Árbol
Recursivo Estacionario 3 niveles
Soda
0.3124999936 0.3125 0.332
Field
Soda roja 0.1875000064 0.1875 0.2
Soda V 0.5 0.5 0.468
0.187500064
Conclusión:
El producto de mayor elección por los clientes es la Soda V.
Cadena Finita:
Es aquel proceso estocástico en una sucesión de pruebas que terminan
en el estado absorbente, cuyos resultados satisfacen las dos
propiedades siguientes:
PROBLEMA 2:
Por
Vendida Perdida Madura
madurar
Vendida 1 0 0 0
Perdida 0 1 0 0
Por
0.61 0 0.01 0.38
madurar
Madura 0.92 0.01 0 0.07
Se pide:
¿Qué cantidad de chirimoyas terminan vendidas?
¿Qué cantidad de chirimoyas terminan perdidas?
Las respuestas también deben de representar la
cantidad de chirimoyas madurar y por madurar se
llegaron a vender o se perdieron.
13
Solución:
I
Por
Vendida Perdida Madura
madurar
Vendida 1 0 0 0
Perdida 0 1 0 0
Por
0.61 0 0.01 0.38
madurar
Madura 0.92 0.01 0 0.07
M N
S0 = [10 8]
F = (𝐈 − 𝐍)−𝟏
A * 𝐀−𝟏 = 1
0.99 −0.38 w x 1 0
[ ] * [ y z] = [ ]
0 0.93 0 1
14
w = 1.01 x = 0.41 y = 0 z = 1.08
1.01 0.41
F=[ ]
0 1.08
0.99 0.01
[10 8] * [ ] =
0.99 0.01
[17 1]
Conclusión:
15
CONCLUSIÓN
16
BIBLIOGRAFÍA
17