Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Cadenas de Markov
Hace ms de un siglo se escribi el primer trabajo seminal sobre Cadenas a o de Markov y an siguen siendo un instrumento tremendamente util de u modelacin estocstica. o a
Muchos ejemplos f sicos, biolgicos, econmicos y sociales puedes ser o o descritos con ellas. Son modelos sencillos y su teor est bien desarrollada. a a
Procesos Estocsticos a Diciembre 2008 1 / 14
Cadenas de Markov
Denicin o
El proceso {Xn } es una Cadena de Markov (CM) si para cualquier n N, j, i, in1 , . . . , i0 S (espacio de estados) P(Xn+1 = j|Xn = i, Xn1 = in1 , . . . , X0 = i0 ) = P(Xn+1 = j|Xn = i) Esta expresin es llamada propiedad de Markov y establece que dado el o presente cualquier otra informacin del pasado es irrelevante para predecir o el futuro. Nos restringiremos al caso temporalmente homogneo, en el cual la e probabilidad P(Xn+1 = j|Xn = i) = p(i, j) no depende del tiempo n. La matriz P con componente [P]i,j = p(i, j) es llamada matriz de transicin de la cadena {Xn }. o
Procesos Estocsticos a
Diciembre 2008
2 / 14
Cadenas de Markov
1
1/2
2
1/2
Procesos Estocsticos a
Diciembre 2008
3 / 14
Cadenas de Markov
Procesos Estocsticos a
Diciembre 2008
4 / 14
Cadenas de Markov
Ecuaciones de Chapman-Kolmogorov
Usando la propiedad de Markov y la homogeneidad temporal, es fcil a comprobar que la probabilidad de ir de i a j en m etapas es P(Xm = j|X0 = i) =
k
Iterando, se obtiene que P(Xm = j|X0 = i) = p m (i, j) Es decir, la probabilidad de ir de i a j en m etapas es el elemento (i, j) de P m . La esencia de las ecuaciones anteriores est recogida en las a ecuaciones de Chapman-Kolmogorov p m+n (i, j) =
k
Ral Jimnez y Rosario Romera (UC3M) u e Procesos Estocsticos a Diciembre 2008 5 / 14
Cadenas de Markov
Cadenas de Markov
Cadenas de Markov
Procesos Estocsticos a
Diciembre 2008
8 / 14
Cadenas de Markov
Procesos Estocsticos a
Diciembre 2008
9 / 14
Cadenas de Markov
Distribucin estacionaria o
La cadena {Xn } es estacionaria si la distribucin de Xn es la misma o para todo n. Si S es el espacio de estados de la cadena {Xn }, decimos que {i : i S} es una distribucin estacionaria para la cadena si o X0 implica que Xn para todo n. Ahora bien, sabemos que si Xn entonces Xn+1 P. Es decir: Una distribucin estacionaria es una solucin de la ecuacin = P. o o o O lo que es lo mismo, verica (j) =
i
Si la cadena alcanza la distribucin estacionaria, es comn decir que la o u cadena est en estado de equilibrio. a
Ral Jimnez y Rosario Romera (UC3M) u e Procesos Estocsticos a Diciembre 2008 10 / 14
Cadenas de Markov
Comportamiento asinttico o
Teorema 1. Consideremos una CM con matriz de transicin P y con o espacio de estados irreductible y aperidico. Si es una distribucin o o estacionaria entonces para todo par de estados i, j se tiene
n
Esto es, no importa de donde parta la cadena, asintticamente alcanza el o equilibrio. Los resultados que siguen tienen que ver con la unicidad y existencia de . Teorema 2. Si el espacio de estados es irreductible entonces de existir una distribucin estacionaria ser unica. o a Teorema 3. Si el espacio de estados es nito entonces existe al menos una distribucin estacionaria. o
Procesos Estocsticos a
Diciembre 2008
11 / 14
Cadenas de Markov
Por simplicidad tipogrca, denotaremos por i al tiempo esperado del a primer retorno a i, esto es i = E [Ti |X0 = i]. Decimos que i es recurrente positivo si i < . Si el estado i es recurrente pero no es positivo recurrente (i.e. si i = 1 pero i = ) entonces decimos que i es recurrente nulo .
Procesos Estocsticos a
Diciembre 2008
12 / 14
Cadenas de Markov
Al menos un estado es recurrente positivo Todos los estados son recurrentes positivos Existe una distribucin estacionaria o
La recurrencia positiva puede ser dif de demostrar en ejemplos cil concretos. En la prctica, lo que hacemos es resolver = P y aplicar que a si Xn entonces Xm para todo m n.
Procesos Estocsticos a
Diciembre 2008
13 / 14
Cadenas de Markov
lim
Nn (i) = (i) n
La formalizacin de este resultado la presentamos en una forma ms o a general y util para diversas aplicaciones: Teorema 6. Sea {Xn } una CM irreductible con matriz de transicin P y o distribucin estacionaria . Sea G (i) la ganancia obtenida cada vez que la o cadena alcanza el valor i. Supongamos que i |G (i)|(i) < . Entonces, cuando n n 1 G (Xk ) G (i)(i) n
k=1 i
Ral Jimnez y Rosario Romera (UC3M) u e Procesos Estocsticos a Diciembre 2008 14 / 14