Sunteți pe pagina 1din 14

UNIVERSIDAD NACIONAL DE CAJAMARCA

FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA HIDRAULICA

HIDROLOGIA
CADENAS DE
TEMA:
MARKOV AVANZADA

DOCENTE: Ing. Luis Vásquez Ramírez.


Es un conjunto o sucesión de variables aleatorias: X(t)
definidas en un mismo espacio de probabilidad.
• Normalmente el índice t representa un tiempo y X(t) el
estado del proceso estocástico en el instante t.
• El proceso puede ser de tiempo discreto o continuo
• Si el proceso es de tiempo discreto, usamos enteros para
representar el índice: {X1, X2, ...}
X1 : v.a. que define el estado inicial del proceso
Xn : v.a. que define el estado del proceso en el instante de tiempo n
Para cada posible valor del estado inicial s1 y para cada uno de
los sucesivos valores sn de los estados Xn, n = 2, 3,. . .,
especificamos:
P (Xn+1 = sn+1 | X1 = s1, X2 = s2, . . . , Xn = sn )
Una cadena de Markov es un proceso estocástico en el que

Si el estado actual Xn y los estados previos X1,. .. , Xn−1 son conocidos

La probabilidad del estado futuro Xn+1


No depende de los estados anteriores X1, X2, . .. , Xn−1, y
Solamente depende del estado actual Xn.
Es decir,

♣ Para n = 1, 2,.. . y

♣ Para cualquier sucesión de estados s1,. .. , sn+1


P (Xn+1 = sn+1 | X1 = s1, X2 = s2, . . . , Xn = sn )=

= P (Xn+1 = sn+1 | Xn = sn)


Una cadena de Markov es una serie de eventos o estados, en
la cual la probabilidad de que ocurra un evento depende del
evento inmediato anterior. En efecto, las cadenas de este tipo
tienen memoria, "Recuerdan" el último evento y esto
condiciona las posibilidades de los eventos futuros. Esta
dependencia del evento anterior distingue a las cadenas de
Markov de las series de eventos independientes
Una cadena de markov consta de unos estados E1 E2 E3
E4…..En. que inicialmente en un tiempo “0” se le llama estado
inicial, además de esto consta de una matriz de transición que
significa la posibilidad de que se cambie de estado en un
próximo tiempo.
MATRIZ DE TRANSICIÓN:
Una matriz de transición para una cadena de Markov de n
estados es una matriz de n * n con todos los registros no
negativos y con la propiedad adicional de que la suma de los
registros de cada columna (o fila) es 1.
Por ejemplo: las siguientes son matrices de transición.
REPRESENTACIÓN GRAFICA DE UNA MATRIZ DE TRANSICIÓN:
Es el arreglo numérico donde se condensa las probabilidades de
un estado a otro. A través de una grafica de matriz de transición
se puede observar el comportamiento estacionario representado
por una cadena de Markov tal que los estados representan la
categoría en que se encuentre clasificado. Como se aprecia a
continuación:
PROPIEDAD MARKOVIANA
Un proceso estocástico tiene la propiedad markoviana si las
probabilidades de transición en un paso sólo dependen del
estado del sistema en el período anterior (memoria limitada)
Ejemplo 01
Ejemplo 02
En cierta región el tiempo atmosférico sigue la siguiente
secuencia: Un día se denomina soleado (S) si el sol luce más de
la mitad del día, y se denomina nublado (N), si lo hace menos.
Por experiencia, se sabe que si hay un día nublado, es igual de
probable que el día siguiente sea soleado o también nublado. Si
el día es soleado hay una probabilidad de 2/3 de que sea
también soleado.
1. Construir la matriz de transición “T” de este proceso.
2. Si hoy está nublado, ¿cuál es la probabilidad de que dentro de
tres días esté también nublado ¿y de que esté soleado?
3. Calcula T^5 y T^10. ¿Cuál es el comportamiento de T^n cuando
n → ∞?
Solución:
(1) Asumimos que el proceso es markoviamo y que el tiempo
sólo depende del día anterior. Se tiene una cadena de Markov
con dos estados: E1 ≡ Día nublado N, E2 ≡ Día soleado S. La
matriz de transición es:

N S
N
1/2 1/2
T= 2/3 1/3
1/2 S
1/2 1/3
N S Para la situación actual (día de hoy)
2/3 (0)
P = ( 1 0)
(2) Empezando los pasos a partir del día actual, se tiene que:

De este modo, si hoy está nublado, dentro de tres días, se tiene


que:

Así, la probabilidad de que haya un día nublado en el tercer día es


𝑃(3) N = 29 /72 y que sea soleado es 𝑃(3) S = 43/ 72 .
(3) Empezando los pasos a partir del día actual, se tiene que:

De este modo, si hoy está nublado, dentro de “n” días, se tiene


que:
(n) (0) n n
P = P *T = (1 0)* T

Así, la probabilidad de que haya un día nublado en el día es 𝑃(𝑛) N


= 0.4 y que sea soleado es 𝑃(𝑛) S = 0.6.
Ejemplo 03
De un estudio de poblaciones en la zona selva, en meses lluviosos se
estima que el 20% de las viviendas que se inundan un mes, no se
inundan el mes siguiente. Además, el 30% de las viviendas que no se
inundan un mes se inundarán al mes siguiente. En una población de
1000 viviendas, 100 se inundaron el primer mes. ¿Cuántas viviendas se
inundarán al mes próximo? ¿Y cuántas dentro de dos meses?
Solución:
Para resolver este tipo de problemas, lo primero es hacer un esquema. A la
vista del esquema podemos pasar a construir la matriz de probabilidades
de transición: I NI
I
0.8 0.2
T= 0.3 0.7
0.8 NI
0.2 0.7
I NI Para la situación actual:
0.3 (0)
P = (100 900)
¿Cuántas viviendas se inundarán al mes próximo?

I NI
I NI I NI
(1) 0.8 0.2
P = (100 900)* =(350 650)
0.3 0.7

Lo que implica que 350 viviendas se inundan al mes próximo

¿Y cuántas dentro de dos meses?


2
(2) (0) 2 0.8 0.2 I NI
P = P *T = (100 900)* 0.3 0.7 = (475 525)

Lo que implica que 475 viviendas se inundan dentro de dos meses

S-ar putea să vă placă și