Académique Documents
Professionnel Documents
Culture Documents
ISBN 84-7978-550-0
9 788479 785505
Compuesta
00 Principios 14/3/03 08:01 Pgina I
00 Principios 14/3/03 08:01 Pgina II
00 Principios 14/3/03 08:01 Pgina III
DIAZ DE SANTOS
00 Principios 14/3/03 08:01 Pgina VI
Internet: http://www.diazdesantos.es/ediciones
E-Mail: ediciones@diazdesantos.es
ISBN: 84-7978-550-0
Depsito legal: M. 47.641-2002
ndice
Prlogo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XV
NDICE XI
Debido a los recortes en el nmero de horas que se asignan en los actuales pla-
nes de estudio a las asignaturas de matemticas, cada vez es ms difcil que el
alumno pueda disfrutar con aplicaciones de stas en las horas lectivas de las asig-
naturas troncales, lo que contribuye a que aumente el fracaso, el desinters por las
matemticas y hasta el abandono de la carrera por no poder salvar una asignatura
que es, o debera ser, una herramienta imprescindible y que consideran que es un
obstculo a salvar.
El alumno demanda informacin, de manera especial en el nivel universitario,
sobre aplicaciones de los temas que se les explican y se motiva para estudiarlos con
slo indicarles alguna aplicacin prctica.
Espero que este libro pueda ser de inters tanto para alumnos de ciencias expe-
rimentales como para matemticos, estudiantes de humanidades, de ciencias de la
salud, de economa, etc., pues es asequible y el orden de presentacin de los temas
ayuda a comprender ms fcilmente los contenidos. Desde el Captulo 2 se va cons-
truyendo la base de los siguientes.
Confo que tambin sea de utilidad para compaeros profesores de primeros cur-
sos de licenciatura, de cursos de preparacin para la Universidad y, en general, para
todos los que sientan curiosidad por aplicaciones de las matemticas.
01 INDICE 14/3/03 08:02 Pgina XIV
02 prologo 14/3/03 08:03 Pgina XV
Prlogo
1
Las Matemticas de
la Naturaleza
1.1. Introduccin.
El objetivo primordial de la Ciencia es el conocimiento de los fenmenos natu-
rales. Cuando el bilogo reduce el metabolismo y la reproduccin de los organismos
vivos a reacciones qumicas, cuando el qumico describe mediante frmulas las
cualidades de las sustancias, cuando el fsico expresa las leyes naturales con ecua-
ciones, estn haciendo uso de modelos matemticos. Se podra decir que en la
Naturaleza se esconden frmulas y figuras matemticas que el hombre es capaz de
descifrar.
En palabras de Raymond Queneau: As, sea cual fuere la forma en que se con-
ciba la matematizacin de las diferentes ciencias, no se puede dudar del punto ter-
minal de este devenir, a saber, esta matematizacin misma. La matemtica se busca
a travs de las diferentes ciencias as como las ciencias la Ciencia se busca por
la matemtica se hacen por la matemtica, que es a la vez el rgano de accin y el
modo de percepcin.
El trmino griego mathema significa: estudio, ciencia, conocimiento adquirido
o conocimiento que se puede aprender. Originariamente designaba el estudio del
conocimiento en general.
Galileo (1564-1642) afirmaba: La Naturaleza est descrita en lenguaje mate-
mtico.
Newton (1643-1727) aseguraba: Para resolver un problema basta traducirlo al
lenguaje algebraico.
Kant (1724-1804): Sostengo que solamente se encuentra verdadera ciencia
en una teora natural especfica en la medida en que se encuentre matemtica en
ella.
Fourier (1768-1830) deca sobre el lenguaje matemtico: No puede haber len-
guaje ms universal ni ms simple, ms exento de errores y de oscuridades, es decir,
ms digno de expresar las relaciones invariables entre los seres naturales. Y tam-
bin: Esta difcil ciencia se forma lentamente, pero conserva todos los principios
una vez adquiridos. Crece y se consolida constantemente.
El astrnomo Zech (1821-1864) manifestaba: Creo que no se puede rechazar
al menos la posibilidad de que todo lo que es aprehendido por nuestros sentidos,
puede calcularse matemticamente ... la extensin con que se hayan aplicado las
matemticas a una rama de las ciencias naturales, puede servir como criterio gene-
ral sobre su grado de utilidad ....
Deca el poeta Paul Valry (1871-1945): Yo no soy en absoluto un especialista
en Matemticas; a lo sumo un admirador y un amante desdichado de la ms bella de
las ciencias.
El catedrtico e historiador de la Ciencia Jos Manuel Snchez Ron(50) afirma:
Aunque no todos los sistemas cientficos se expresan en trminos matemticos es
indudable que la matemtica juega un papel importante en la ciencia ... No hay duda
de que la matemtica desempea un lugar central en las ciencias de la naturaleza,
especialmente en la fsica.
Examinando la disposicin de las hojas, las flores o las ramas en el tallo de una
planta se observa una cierta regularidad. En una planta en la que las hojas salen del
tallo de una en una, si se asigna el nmero cero a la hoja que se encuentre ms cerca
del nacimiento del tallo y se cuentan las hojas en la direccin del crecimiento, el
nmero que le corresponde a las que queden colocadas en la vertical de aqulla es
uno de los trminos de la sucesin de Fibonacci. Esta sucesin, que recibe el nom-
bre del matemtico italiano del siglo XIII Leonardo de Pisa (1170-1240), que firma-
ba con el seudnimo de Fibonacci, tiene por primer trmino 0, por segundo 1 y cada
uno de los restantes se obtienen sumando los dos anteriores:
1 + 5
El nmero ureo es el nmero irracional algebraico = aproximada-
2
mente igual a 1.618033989..., es el lmite de la sucesin de Fibonacci, su cuadrado
es aproximadamente 2.618033989... y su inverso 0.618033989..., como se puede
observar las cifras decimales de , de su cuadrado y de su inverso coinciden.
C
D
AB 1 + 5
=
E AD 2
El nmero ureo fue introducido por los pitagricos como la razn entre la lon-
gitud de la diagonal y el lado del pentgono regular.
Resulta curioso observar que en el polgono estrellado de cinco puntas que se
forma al trazar las diagonales del pentgono regular se determinan unos segmentos
en los que est presente el nmero ureo, pues:
AB BC BC AC CD 1 + 5
= = = = =
BC AC CD CE CE 2
03 tema 1 14/3/03 08:05 Pgina 5
Los antiguos gemetras griegos definieron la razn urea del siguiente modo:
El punto C divide el segmento AB en una divisin urea A C B
discreta, todas estas ramas, y por supuesto la geometra, son fundamentales para su
comprensin y estudio.
Un claro ejemplo de la importancia del conocimiento matemtico en la investi-
gacin cientfica lo encontramos en la invencin del oftalmoscopio en 1850. Su
inventor, el mdico Hermann von Helmholtz (1821-1894), preparando una de sus
clases de fisiologa, se dio cuenta de que las leyes de la ptica geomtrica y el estu-
dio de las trayectorias de los rayos de luz reflejados le permitan inventar un instru-
mento de gran importancia para la medicina, en concreto para la oftalmologa. l
mismo lo explica as: Conoca bien, de mis estudios mdicos, las dificultades que
tenan los oftalmlogos con los problemas entonces agrupados bajo el nombre de
amaurosis, e inmediatamente me puse a construir el instrumento utilizando lentes de
gafas y lminas de vidrio de las empleadas como portamuestras en los trabajos con
microscopio. Al principio era difcil de usar, y si no hubiese tenido la firme convic-
cin terica de que tena que funcionar, no habra perseverado. Al cabo de una
semana, sin embargo, tuve el gran placer de ser el primer hombre en contemplar cla-
ramente una retina humana en un ser vivo.
La construccin del oftalmoscopio tuvo un efecto decisivo en mi posicin a los
ojos del mundo. Desde aquel momento cont con el reconocimiento inmediato de
las autoridades y de mis colegas, as como con la disposicin por satisfacer mis
deseos. Fui de esta manera capaz de seguir mucho ms libremente los impulsos de
mis ansias de conocimiento. Debo decir, no obstante, que yo atribuyo mi xito en
gran medida al hecho de que, poseyendo algn entendimiento geomtrico y equi-
pado con un conocimiento de fsica, tuve la buena fortuna de ser lanzado a la medi-
cina, en donde encontr en la fisiologa un territorio virgen de gran fertilidad.
Adems, mi conocimiento de los procesos vitales me llev a preguntas y puntos de
vista que habitualmente son extraos a los matemticos puros y a los fsicos ... (50)
Esta reflexin nos confirma que en la ciencia no hay parcelas aisladas del saber
y que precisamente los avances ms interesantes surgen de la interrelacin de las
diferentes disciplinas.
La biologa molecular trata de entender el proceso histrico de la vida, desde los
genes a las clulas, a los distintos organismos y a las especies. El estudio de la vida
tiene dos aspectos cientficos: la vida en accin, aspecto bioqumico, y la vida en el
tiempo, es decir, la evolucin.
La biologa molecular necesita el apoyo de la qumica, de la bioqumica, pero
tambin de las tcnicas fsicas procedentes de la fsica atmica, como la difraccin
de rayos X, sin las que hubiera sido imposible la primera fotografa de rayos X de
una protena y la primera teora de la estructura de una protena que facilitaron el
descubrimiento de la doble hlice del ADN.
La forma de una clula refleja la estructura molecular de sustancias que estn
presentes en ella. Los bioqumicos James Watson, nacido en 1928, y Francis Crick,
nacido en 1916, descubrieron que el ADN presente en las clulas tiene una estruc-
tura de doble hlice, cada una formada por cuatro bases nitrogenadas: adenina (A),
guanina (G), citosina (C) y timina (T). Las bases son las portadoras de la informa-
cin gentica, mientras que el resto de la molcula desempea un papel estructural.
03 tema 1 14/3/03 08:05 Pgina 7
El ADN surge cuando se unen dos cadenas de este tipo. Una timina de una de ellas
se une a una adenina de la otra y una guanina a una citosina.
Los cromosomas, que contienen ADN y protenas, tienen formas y figuras que
reflejan la cantidad de ADN que contienen. Cada protena tiene una estructura pro-
pia. Dos o ms cadenas de aminocidos presentes en una molcula de protena se
atraen y juntan por s mismas gracias a la exacta adecuacin de sus superficies de
contacto.
La razn de que todas las molculas de un protena como la hemoglobina ten-
gan exactamente el mismo aspecto y todas se plieguen del mismo modo es que los
grupos qumicos de una cadena protenica desplegada obedecen a la ley fsica de
que los cuerpos tienden a alcanzar un estado de energa mnima.
El premio Nobel de Fsica Paul Dirac explica as la conexin de la matemti-
ca con la Naturaleza: El matemtico practica un juego en que l mismo inventa
las reglas, mientras que el fsico practica un juego en que la naturaleza propor-
ciona las reglas, pero que segn transcurre el tiempo se hace cada vez ms evi-
dente que las reglas que el matemtico encuentra interesantes son las mismas que
las que ha escogido la Naturaleza... Posiblemente las dos materias se unificarn en
ltima instancia, teniendo entonces su aplicacin fsica toda rama de la matem-
tica pura, cuya importancia en la fsica ser, por otra parte, proporcional al inte-
rs que tenga en la matemtica. (50)
En el siglo XIX se discuti mucho sobre la creacin matemtica y las aplicacio-
nes en las otras ciencias. Por ejemplo, segn Fourier (1768-1830): El estudio pro-
fundo de la naturaleza es la fuente ms frtil de descubrimientos matemticos
Las ideas fundamentales son aqullas que representan los fenmenos naturales.
Opinin que fue criticada por Jacobi (1804-1851) diciendo: El objeto nico de la
ciencia es el honor del espritu humano y con esta premisa un cientfico como
Fourier debera reconocer que una cuestin sobre la teora de nmeros vale tanto la
pena como una cuestin acerca del sistema planetario. Es la vieja polmica sobre
03 tema 1 14/3/03 08:05 Pgina 8
Generacin Paterna Aa x Aa
Gametognesis A a A a
F1 AA Aa Aa aa
2
Combinatoria
y Probabilidad
en espacios discretos
2.1. Introduccin.
La teora de la probabilidad tiene sus comienzos en el deseo de lograr superio-
ridad y capacidad de decisin en los juegos de azar, pero hoy la probabilidad y la
estadstica intervienen en todas las actividades humanas y sus aplicaciones son muy
diversas en gentica, ecologa, qumica, medicina, astronoma, la teora cuntica, la
mecnica estadstica, economa, meteorologa, psicologa, pedagoga, y en la tc-
nica.
Cardano, matemtico, mdico y jugador de renombre del siglo XVI, se cree que
fue el primero que calcul correctamente una probabilidad terica.
En el siglo XVII preguntaron a Galileo unos jugadores habituales cmo podra
explicar que en una tirada de tres dados resultase ms veces suma diez que suma
nueve. Galileo dio la solucin aplicando la combinatoria.
Entre 1650 y 1660 Pascal public Trait du Triangle Arithmtique, en el que
explica las relaciones entre los coeficientes binomiales. En 1666 Leibniz dio la pri-
mera construccin sistemtica de combinatoria en el libro Razonamiento sobre el
arte combinatorio con la intencin de proporcionar un lenguaje simblico al que se
pudiesen trasladar todos los procesos del razonamiento para garantizar la correccin
en la argumentacin.
El comienzo de la teora de la probabilidad tuvo lugar en el intercambio de
correspondencia entre los matemticos Pascal y Fermat, a mediados del siglo XVII,
y empez con un problema propuesto a Pascal en 1654 por el Caballero de Mr,
jugador profesional.
En el ao 1713 Jakob Bernoulli publica Ars Conjectandi (Arte de la Suposi-
cin), el primer libro de texto en el que se estudia la probabilidad. En este libro
construye la combinatoria como el principal instrumento, o ingenio, para resolver
los problemas de probabilidad.
04 tema 2 14/3/03 08:25 Pgina 14
2.2 Combinatoria.
Uno de los objetivos fundamentales de la combinatoria es contar y desarrollar
tcnicas para contar elementos de un conjunto finito.
Ejemplos:
1 De cuntas formas se puede elegir una comisin de tres personas, para rea-
lizar un trabajo en equipo, de un grupo de 46?
2 Cuntos smbolos distintos se pueden formar en el cdigo Braille tenien-
do en cuenta que el signo generador tiene seis posiciones y se pueden mar-
car o no cada una de las posiciones?
3 De cuntas fichas consta el juego del domin?
4 De cuntas formas distintas se pueden colocar diez libros diferentes en una
estantera?
5 a) Cuntas secuencias nucletidas distintas de veinte bases se pueden for-
mar con las bases constituyentes del cido nucleico ARN: adenina (A),
guanina(G), citosina (C) y uracilo (U)? b) Cuntas secuencias tienen cinco
veces adenina, tres guanina, ocho citosina y cuatro uracilo?
04 tema 2 14/3/03 08:25 Pgina 16
Si A1, A2, , Ak son conjuntos finitos no vacos, el cardinal del producto carte-
siano A1 A2 Ak es el producto de los cardinales, es decir:
k
A1 A2 Ak = A .
i=1
i
Ejemplo: Cuntos alumnos debe tener una clase para que al menos dos de ellos ten-
gan las mismas iniciales del nombre y de su primer apellido con un alfabeto de 28 letras?
El nmero de iniciales distintas del nombre y primer apellido es 282, por tanto,
si hay 282 + 1 = 785 alumnos, al menos dos de ellos tienen que tener las mismas ini-
ciales del nombre y del primer apellido.
Importa el orden de
estos k elementos?
No S
Puede haber
algn elemento
de A repetido?
Puede haber
No Puede haber algn elemento
S de A repetido?
algn elemento No
de A repetido?
El n de resultados S
es Cn,k No S El n de resultados
es Pn = Vn,n
El n de resultados El n de resultados
es CRn,k es Vn,k Si hi es el n de veces que
n
se repite ai y hi = N
i=1
El n de resultados el n de resultados es
es VRn,k PRNh1, h2, , hn
04 tema 2 14/3/03 08:25 Pgina 19
As, en el ejemplo 1
- Cul es el alfabeto? El conjunto A est formado por la lista de las 46 per-
sonas, n = A= 46.
- Cuntos elementos buscamos de A? Buscamos tres, k = 3.
- Importa el orden de estos tres elementos? No, porque no se les da cargos
diferentes.
- Puede haber algn elemento de A repetido entre los tres buscados? No,
pues el equipo no sera de tres personas.
Segn esto, el nmero de resultados es C46,3.
En el ejemplo 2
- Cul es el alfabeto? Como en cada una de las posiciones tenemos dos posi-
bilidades: marcar o no marcar, el conjunto A = {SI, NO}, y n = A= 2.
- Cuntos elementos buscamos de A? Buscamos k = 6.
- Importa el orden de estos seis elementos? S, pues los resultados SI SI NO
NO SI NO y NO SI NO SI NO SI dan smbolos distintos.
- Tienen que estar necesariamente todos los elementos de A en cada resulta-
do? No, por ejemplo, un resultado puede tener todas las posiciones marca-
das y para formarlo no se utiliza el elemento NO.
- Puede haber algn elemento de A repetido entre los seis buscados? S. En
este caso siempre aparecer al menos un elemento de A repetido, pues k>n.
El nmero de smbolos distintos que se pueden formar es VR2,6.
En el ejemplo 3
- Cul es el alfabeto? A = {0,1,2,3,4,5,6} y n = A= 7, pues para formar las
fichas del domin se necesitan los smbolos:
0 (blanca), 1, 2, 3, 4, 5 y 6.
- Cuntos elementos buscamos de A? Buscamos k = 2.
- Importa el orden de estos dos elementos? No, pues [3,5] y [5,3] son la
misma ficha.
- Puede haber algn elemento de A repetido entre los dos buscados? S, por-
que, por ejemplo, existe la ficha [5,5].
El nmero de fichas del domin es CR7,2.
En el ejemplo 4
- Cul es el alfabeto? El conjunto de los diez libros.
A = {l1,l2,l3,l4,l5,l6,l7,l8,l9,l10} y n = A= 10.
- Cuntos elementos buscamos de A? Buscamos k = 10, pues los vamos a
colocar todos.
- Importa el orden de estos diez elementos? S.
- Tienen que estar necesariamente todos los elementos de A en cada resultado? S.
- Puede haber algn elemento de A repetido entre los buscados? No, pues los
libros son diferentes.
Las ordenaciones distintas son P10.
04 tema 2 14/3/03 08:25 Pgina 20
En el ejemplo 5 a)
- Cul es el alfabeto? A = {A,G,C,U} y n = A= 4.
- Cuntos elementos buscamos de A? Buscamos k = 20
- Importa el orden de estos veinte elementos? S.
- Tienen que estar necesariamente todos los elementos de A en cada resulta-
do? No, una secuencia podra ser:
AAAAAAGGGGGGCCCCCCCC.
- Puede haber algn elemento de A repetido entre los buscados? S, en este
caso en toda secuencia hay al menos un elemento repetido porque k>n.
El nmero de secuencias es VR4,20.
En el ejemplo 5 b)
- Cul es el alfabeto? A = {A,G,C,U} y n = A= 4.
- Cuntos elementos buscamos de A? Buscamos k = 20
- Importa el orden de estos veinte elementos? S.
- Tienen que estar necesariamente todos los elementos de A en cada resulta-
do? S, en cada secuencia tiene que aparecer cinco veces adenina, tres gua-
nina, ocho citosina y cuatro uracilo.
- Puede haber algn elemento de A repetido entre los buscados? S.
- Cuntas veces aparece A? h1 = 5, y G? h2 = 3, y C? h3 = 8, y U? h4 = 4.
El nmero de secuencias que tienen cinco veces adenina, tres guanina, ocho cito-
5,3,8,4
sina y cuatro uracilo es PR20 .
AA
k)
A = Ak.
El conjunto de las variaciones con repeticin de orden 1 son cada uno de los ele-
mentos de A; el de las variaciones con repeticin de orden 2 se forma aadiendo a
la derecha de cada variacin de orden 1 cada uno de los elementos de A; las de
orden 3 se forman a partir de las de orden 2 aadiendo a su derecha cada uno de los
elementos de A, y as sucesivamente.
Cada uno de los elementos de Ak se llama una variacin con repeticin de orden
k formada con los elementos de A.
aaa
aa aab
aac
aba
a ab abb
abc
aca
ac acb
acc
baa
ba bab
bac
bba
b bb bbb
bbc
bca
bc bcb
bcc
caa
ca cab
cac
cba
c cb cbb
cbc
cca
cc ccb
ccc
Esta representacin se conoce con el nombre de diagrama de rbol.
Dos variaciones con repeticin del mismo orden son diferentes si tienen los
mismos elementos en distinta colocacin, como abb y bab, o por tener un elemen-
to que figura distinto nmero de veces, como abb y aab, o por tener al menos un ele-
mento diferente, como baa y bac.
Si el conjunto A tiene n elementos, a partir del diagrama de rbol se deduce que
el nmero de variaciones con repeticin de orden k formadas con los n elementos
del conjunto A es:
VRn,k = nk siendo k
Ejemplos:
1 Cuntos cdigos distintos de siete cifras se pueden formar con las cifras del
0 al 9?
El alfabeto es A = {0,1,2,3,4,5,6,7,8,9} y por tanto n = 10, y k = 7; VR10,7 = 107
es el nmero de cdigos de siete cifras.
04 tema 2 14/3/03 08:25 Pgina 22
ab abc
a ac acb
ba bac
b bc bca
ca cab
c cb cba
Dos variaciones ordinarias del mismo orden se distinguen por tener los mismos
elementos en distinta disposicin, como ac y ca, o por tener al menos un elemento
diferente, como ca y cb.
Ejemplos:
1 Se presentan 150 candidatos a un concurso para cubrir cinco plazas por orden
de puntuacin. De cuntas formas distintas se podran cubrir las plazas?
El conjunto A, alfabeto, en este caso ser la lista de los candidatos, n = 150
y como las plazas a cubrir son cinco, ser k = 5 y no puede aparecer ningn
candidato repetido. Se podrn cubrir de
V150,5 = 150 149 148 147 146 = 70.992.003.600 formas distintas.
Ejemplos:
1 De cuntas formas se pueden ordenar las letras de la palabra permutando?
El alfabeto es el conjunto A = {p,e,r,m,u,t,a,n,d,o} y el nmero de ordena-
ciones es 10! = 3628800.
1 1 2 1 2 3 1 2 3 4 1 2 3 4 5
B B B B B B N B B B N N
B B
B B N B B N B B B N B N
B B N N B B N N B
B
B N B B N B B B N B B N
B N B N B N B N B N B
B N N B N N B B N N B B
N B B N B B B N B B B N
N B N B B N N B B N B
N N B N N B N B N B N B B
N N N N B N N B B N N B B B
nes individuales, que corresponden a la misma clasificacin por equipos, da 120 cla-
sificaciones individuales. Es decir,
PR3,2
5 P3 P2 = P5
por tanto
5!
5 =
PR3,2
3!2!
En general, el nmero de permutaciones con repeticin de n elementos de los que
n
h1 son iguales a a1, h2 son iguales a a2, , hn son iguales a an, y siendo hi = N
i=1
N!
viene dado por: PRNh , h ,, h = .
1 2 n
h1!h2!hn!
Dos de estas permutaciones se distinguen por tener los elementos colocados en
distinto orden.
Ejemplos:
1 De cuntas formas se pueden ordenar las letras de la palabra albahaca?
Como se repite la a cuatro veces y las restantes letras slo aparecen una vez,
8!
el nmero de ordenaciones es PR4,1,1,1,1
8 = = 1680.
4!1!1!1!1!
d
04 tema 2 14/3/03 08:25 Pgina 26
Por comodidad no se han escrito las llaves de los subconjuntos ni las comas
entre los elementos.
Las combinaciones de orden 1 son los subconjuntos unitarios; para formar las
combinaciones de orden 2, a partir de las de orden 1, se escribe a la derecha de cada
uno de los elementos de A todos los que le siguen en el conjunto A, con el objeto de
contar cada subconjunto slo una vez. Dos combinaciones ordinarias del mismo
orden se distinguen por tener al menos un elemento diferente, como abc y abd.
Como ocurra en el caso de las permutaciones con repeticin, el diagrama de
rbol no sirve para contar el nmero de combinaciones.
El nmero de combinaciones de orden k formadas con los n elementos de un
conjunto A es: Cn,k.
Para calcularlo se observa que por cada combinacin de orden 3 se obtienen 3!
variaciones ordinarias. Ejemplo:
abc
acb
bac
{a,b,c}
bca
cab
cba
n
Utilizando el smbolo para los nmeros combinatorios, , introducido por
Euler: k
n n!
Cn,k = = siendo 0 k n, k
k k! (n k)!
Slo existen combinaciones ordinarias de orden k, siendo k n.
Ejemplos:
1 Cuntos subconjuntos de cuatro elementos tiene el conjunto
A = {a1,a2,a3,a4,a5,a6,a7}? El nmero de subconjuntos de cuatro elementos es
7 7!
C7,4 = = = 35
4 4!3!
04 tema 2 14/3/03 08:25 Pgina 27
3 = 4 =
7 7 7!
= 35.
4!3!
Otra manera de obtener este resultado es ordenar 1111000 de todas las for-
mas posibles. En este caso el alfabeto es A = {0,1}, y en cada resultado apa-
rece cuatro veces el 1 y tres veces el 0, hay por tanto
7!
7 = = 35.
PR4,3
4!3!
Obsrvese pues lo importante que es tener bien claro el alfabeto o conjunto
de smbolos con los que se escriben los resultados.
elemento de esa combinacin de segundo orden y todos los que le siguen en el con-
junto A, y as sucesivamente.
Por ejemplo, si A = {a,b,c} las combinaciones con repeticin de orden 1 , 2 y 3
son:
aaa
aa aab
aac
a ab abb
abc
ac acc
bb bbb
b bbc
bc bcc
c cc ccc
5
CR3,3 = C3+2,3 = = 10.
3
Para las combinaciones con repeticin de orden k necesitaremos (k-1) letras
auxiliares distintas, y as:
n+k1
CRn,k = Cn + k 1, k =
k
04 tema 2 14/3/03 08:25 Pgina 29
Ejemplos:
1 De cuntas formas se puede pintar un tetraedro si se dispone de siete colo-
res distintos y no se mezclan colores en la misma cara?
Disponemos de siete colores, A = {c1,c2,c3,c4,c5,c6,c7} y n=7.
Como el tetraedro tiene cuatro caras k = 4, y como son las cuatro caras igua-
les, dos formas se diferenciarn por tener al menos un color diferente o repe-
tido distinto nmero de veces. Por tanto habr
10
CR7,4 = = 210 formas distintas de pintarlo.
4
10
CR6,5 = C10,5 = = 252.
5
1 De cuntas formas se puede elegir una comisin de tres personas, para rea-
lizar un trabajo en equipo, de un grupo de 46?
46
C46,3 = = 15.180 formas distintas.
3
por tanto, suficientes para representar las letras del alfabeto y las cifras del 0
al 9, para poder escribir en ese cdigo.
04 tema 2 14/3/03 08:25 Pgina 30
8
CR7,2 = = 28
2
8 Cul es el nmero mnimo de veces que es necesario lanzar dos dados para
que la probabilidad de sacar un seis doble sea mayor que la de no sacarlo?
Se resolver despus de dar la probabilidad en espacios muestrales finitos.
12
C12,8 = = 495 formas de obtener qurum mnimo.
8
12 12 12 12 12
C12,8 + C12,9 + C12,10 + C12,11 + C12,12 = + + + + = 794
8 9 10 11 12
formas diferentes de conseguir qurum.
n n
1 = para 0 k n, n
k nk
Pues al elegir un subconjunto de k elementos de un conjunto de cardinal n,
los elementos que no se han elegido forman otro subconjunto de (n-k) ele-
mentos del mismo conjunto. Por tanto, hay tantos subconjuntos de k ele-
mentos como subconjuntos de (n-k) elementos.
n n1 n1
2 Si 1 k n y n,k se verifica que = +
k k1 k
Ya que los subconjuntos de k elementos de un conjunto de cardinal n pueden
tener un elemento dado, por ejemplo, el primero o no tenerlo. El nmero de
n1
subconjuntos de k elementos que lo contienen es y el de los que no
k1
n1
lo contienen es .
k
n n
3 = 2n, siendo n 0
k=0 k
El sumatorio representa el nmero de subconjuntos de un conjunto de n ele-
mentos, y este nmero tambin se puede contar del siguiente modo:
Escribimos los n elementos del conjunto en el orden lexicogrfico y forma-
mos todas las n-uplas posibles con 0 y 1, si en el lugar i-simo aparece un 1
significa que el elemento i-simo del conjunto forma parte del subconjunto,
y si aparece un 0 ese elemento no pertenece. Por tanto, el nmero de sub-
conjuntos coincide con el nmero de variaciones con repeticin de orden n
formadas con los elementos de A = {0,1}, es decir, VR2,n = 2n.
Es tambin una consecuencia inmediata de la frmula del binomio de
n n
Newton (a + b)n = ak bn k para a = b = 1.
k=0 k
04 tema 2 14/3/03 08:25 Pgina 32
kr
n n nm m
4 =
k r=0 r
El nmero de subconjuntos de k elementos de un conjunto A de cardinal n es
n nm m
. El nmero representa el nmero de subconjuntos de
k r kr
k elementos de los que (k r) pertenecen a un subconjunto de A de cardinal
m y los r restantes al subconjunto complementario de este y al sumar desde
r = 0 hasta n se obtienen todos los subconjuntos de k elementos de A.
2.3. Probabilidad.
Decamos en la introduccin del tema que la probabilidad tiene su origen a
mediados del siglo XVII con un problema propuesto a Pascal por el Caballero de
Mr, caballero francs, jugador profesional que intentaba lograr superioridad en el
juego con dados. El problema propuesto es el siguiente: Qu es ms favorable,
obtener al menos un as al lanzar cuatro dados o por lo menos un par de ases en vein-
ticuatro lanzamientos de un par de dados?
En la actualidad es frecuente usar la nocin de probabilidad en la vida diaria.
La probabilidad facilita el estudio de una clase de sucesos, los aleatorios, con el
objeto de obtener una capacidad de decisin; permite valorar el riesgo de tomar
una decisin frente a la incertidumbre as como estudiar los modelos estocsticos
o aleatorios tan importantes para analizar la variabilidad inherente en los proce-
sos biolgicos. Pero antes de juzgar qu es probable hay que conocer qu es
posible.
Ejemplos:
a) Espacios muestrales finitos. Son los que tienen un nmero finito de elemen-
tos. En los ejemplos precedentes: 1, 2, 3, 4, 6 y 7.
b) Espacios muestrales infinito-numerables. Son los que tienen un nmero infi-
nito de elementos pero se puede establecer una aplicacin biyectiva de E en
, conjunto de los nmeros naturales, como en el ejemplo 5 anterior.
c) Espacios muestrales infinitos y no numerables. Son los que tienen un nme-
ro infinito de elementos y no se puede establecer una aplicacin biyectiva
entre E y . Los espacios muestrales de los ejemplos 8 y 9 son infinitos y
no numerables.
1. E
2. S S
3. S1, S2 S1 S2
04 tema 2 14/3/03 08:25 Pgina 35
1. E
2. S S
3. S1, S2, , Sn, Si
i=1
1. 0 P (A) 1, A
2. P (E) = 1
3. Si A1, A2, , An, es una sucesin de sucesos incompatibles dos a dos, se ve-
rifica que P U Ai = P (Ai).
i=1 i=1
Los axiomas elegidos establecen a nivel formal los aspectos ms esenciales con-
templados en la ley del azar, no son proposiciones elegidas arbitrariamente, sino que
hay un paralelismo completo con las propiedades de las frecuencias relativas.
Tambin es conveniente observar que sobre un mismo espacio muestral se pue-
den definir varias aplicaciones de probabilidad. Basta con que cada aplicacin defi-
nida cumpla los axiomas anteriores.
Ejemplo: Se carga un dado de tal manera que los nmeros pares tienen doble
probabilidad de salir que los impares. Hallar la probabilidad de que al lanzar el dado
se obtenga cifra impar.
04 tema 2 14/3/03 08:25 Pgina 38
n n
P Si = P (Si) P (Si Sj) + P (Si Sj Sk)
i=1 i=1 ij ijk
n
+ ( 1)n + 1 P Si .
i=1
Regla de Laplace.
Ejemplos:
3 3 3 1 7
P (S) = P U Si = + + = .
i=1 8 8 8 8
Los 36 sucesos elementales son equiprobables. De ellos, slo son favorables los
del subconjunto S = {(1,4),(2,3),(3,2),(4,1)}
4 1
Por tanto, P (S) = = .
36 9
Solucin:
a) Designando por S1 el suceso elegir dos hombres
C50,2 49
P (S1) = = .
C100,2 198
b) Siendo S2 el suceso elegir un hombre y una mujer
C50,1 C50,1 50
P (S2) = = .
C100,2 99
c) Si S3 representa el suceso elegir un matrimonio
50 1
P (S3) = = .
C100,2 99
Ejemplo: Al extraer una carta de una baraja espaola (40 cartas), cul es
la probabilidad de obtener un rey sabiendo que es una figura?
Llamando F al suceso obtener figura y R al suceso obtener un rey
P (R F) 4/40 1 4 1
P (R/F) = = = P (R) = = , por tanto, los
P (F) 12/40 3 40 10
sucesos sacar rey y sacar figura son dos sucesos dependientes.
04 tema 2 14/3/03 08:25 Pgina 42
P (A B)
Si P (A/B) = = P (A) entonces P (A B) = P (A).P (B) y, por
P (B)
P (A B)
tanto, P (B/A) = = P (B) y se dice que los sucesos A y B son
P (A)
independientes.
n n
tas = 2n n 1 igualdades.
j=2 j
Si S1, S2,, Sn es una coleccin de sucesos independientes, toda subcoleccin
de estos sern sucesos independientes.
04 tema 2 14/3/03 08:25 Pgina 43
En general:
P (S1 S2 Sn) = P (S1).P (S2/S1).P (S3/S1 S2). .P (Sn/S1 S2 Sn1)
Se considera una coleccin de sucesos B1, B2,, Bn que forman una particin del
n
espacio muestral E de un experimento aleatorio, es decir U Bi = E y adems
i=1
Bi Bj = , para i j. Si S es un suceso cualquiera de la misma -lgebra de suce-
sos de dicho experimento aleatorio, entonces
n
P (S) = P (Bi).P (S/Bi).
i=1
Ejemplo: En una urna hay diez bolas blancas y ocho bolas negras, en otra urna
hay cinco bolas blancas y cuatro negras. Se saca una bola de la primera urna y sin
mirarla se introduce en la segunda. Hallar la probabilidad de sacar bola blanca de la
segunda urna.
Si llamamos S al suceso sacar bola blanca de la segunda urna, B1 sacar bola
1 sacar bola negra de la primera urna
blanca de la primera urna y B2 = B
10 6 8 5 5
P (S) = P (B1).P (S/B1) + P (B2).P (S/B2) = + = .
18 10 18 10 9
Ya se puede dar respuesta al ejemplo 8 que qued pendiente de resolver en la
pgina 30.
Si M1 representa sacar exactamente un seis doble al lanzar dos dados n veces,
n1
1 35
es P(M1) = n y si M2 representa no sacar seis doble en las n tira-
36 36
n
35
das de dos dados, es P(M2) = . El nmero mnimo de veces que hay que lan-
36
zar dos dados para que P(M1) > p(M2) es n = 36.
04 tema 2 14/3/03 08:25 Pgina 44
(0.15)(0.95)
= = 0.6264.
(0.15)(0.95) + (1 0.15)(1 0.90)
04 tema 2 14/3/03 08:25 Pgina 45
(0.15)(1 0.95)
= = 0.0097.
(0.15)(1 0.95) + (1 0.15)(0.90)
Ejemplos de probabilidades en espacios infinito-numerables.
Solucin:
a) E = {1,2,3,4,,n,} es infinito-numerable.
5 1 5
( )
P ({2}) = P S1 S2 = =
6 6 62
2
52
5 1
( )
P ({3}) = P S1 S2 S3 = =
6 6 63
n1
5n 1
5 1
( )
P ({n}) = P S1 S2 Sn1 Sn =
6
=
6 6n
1
2
1 5 5 6
Se comprueba que P ({n}) = + 2
+ 3
+ = = 1
n=1 6 6 6 5
1
6
04 tema 2 14/3/03 08:25 Pgina 46
59 5 1
1
10 5n 1 60 6 6 10
10 5
b) P ({1,2,,10}) = P ({n}) = n
= = 1 = 0.8385
n=1 n=1 6 5 6
1
6
1 53 56 53k
c) P (A) = P ({1,4,7,,3k + 1,}) = + + + + +=
6 64 67 63k+1
1
6 36
= 3
= = 0.3956
91
5
1
6
50 53 55 52k1
P (B) = P ({2,4,6,,2k,}) = + + + + +=
62 64 66 62k
5
2
6 5
= 2 = = 0.1613
5 31
1
6
53 59 515 56k+3
= + + + + +=
64 610 616 66k+4
53
64 4500
= 6 = = 0.1450
5 31031
1
6
Solucin:
P (A) = P ({n / n = 3k + 1}, k {0}) =
1 53 56 53k 36
=+ 4
+ 7
+ + 3k+1
+=
6 6 6 6 91
54 54 53k+1 30
= 2
+ 5
+ + 3k+2
+=
6 6 6 91
52 55 53k1 25
= 3
+ 6
++ 3k
+=
6 6 6 91
2
DERIVE es una marca registrada por Soft Warehouse, Inc.
04 tema 2 14/3/03 08:25 Pgina 48
n
tos a1, a2,, an con ndices de repeticin h1, h2,, hn, siendo N = hi , se define el
i=1
vector v = [h1,h2,,hn],
DIMENSION (v)
SUMA (v): = ELEMENT (v, i)
i=1
y, por ltimo,
SUMA (v)!
PR (v): =
PRODUCTO (v)
PROBLEMAS PROPUESTOS
2. Una combinacin ganadora de la lotera primitiva est formada por seis nme-
ros diferentes elegidos entre el 1 y el 49. Cuntas combinaciones ganadoras se
pueden dar?
4. Para enviar una carta se necesita poner 90 cntimos de euro (0.9 ). Si se dis-
pone de sellos de 0.5 , 0.2 y 0.1 de valor, a) de cuntas maneras se puede
franquear teniendo en cuenta slo el valor de los sellos que se utilizan? b) De
cuntas formas si adems se consideran distintas por el orden de colocacin de
los sellos?
6. Cuntas palabras de seis letras distintas, tengan sentido o no, se pueden formar
con las letras A, B, C, D, E, I de modo que no estn juntas ni dos vocales ni dos
consonantes?
7. En una planta de una clnica estn tres ATS, cuyas iniciales son: E, F y G y cada
paciente dispone de un dispositivo de llamada con tres timbres, uno para cada con-
trol en el que se encuentra un ATS. Si hay ingresados seis enfermos y cada enfer-
mo slo utiliza un timbre, a) cuntas llamadas distintas pueden hacer? b) En
cuntas de estas llamadas tres reclaman la atencin de E, dos de F y uno de G?
11. En una rifa cada papeleta tiene un nmero de seis cifras. a) Cuntas papeletas
tienen seis cifras distintas? b) Cuntas tienen cinco cifras distintas? c) Y cua-
tro cifras distintas? d) Cuntas con slo tres cifras diferentes? e) Cuntas
contienen el 7 tres veces?
12. Si en la rifa anterior slo hay un premio, qu es ms probable que tenga slo
dos pares de cifras repetidas o slo tres cifras iguales?
13. Cuntas pirmides de base triangular se pueden construir con ocho puntos del
espacio, de los cuales no hay cuatro coplanarios?
16. Se colocan por orden alfabtico todas las permutaciones de las letras a, b, c, d,
e, f, g. Qu lugar ocupa la permutacin cgadbef?
17. Cuntos automviles se pueden matricular si cada matrcula est formada por un
nmero de cuatro cifras seguido de tres letras y slo se usan 25 letras del alfabeto?
18. Calcular la suma de todos los nmeros de cuatro cifras significativas que se
pueden formar con las cifras 0, 2, 4, 6, 8.
19. La suma de todos los nmeros de cinco cifras que se pueden formar con cinco
cifras significativas dadas de las que tres son distintas y dos iguales es 5066616,
hallar el menor de ellos.
20. a) Cuntos genotipos distintos se pueden formar con n alelos? b) Si hay n loci
cada uno con tres alelos, cul es el nmero de genotipos diploides correspon-
dientes a esos n loci?
21. Un examen consta de diez pruebas, tres de las cuales son de matemticas. De
cuntas maneras se pueden ordenar las diez pruebas de forma que dos de mate-
mticas no vayan seguidas?
24. En una parcela hay plantados 80 pinos y 40 abetos. Han sido afectados por llu-
via cida 64 pinos y 32 abetos. Se seleccionan al azar tres pinos y dos abetos,
a) cul es la probabilidad de que los cinco estn afectados por la lluvia cida?
b) cul es la probabilidad de que cuatro estn afectados?
25. En un club deportivo formado por 26 matrimonios se han elegido dos repre-
sentantes para un jurado. Calcular la probabilidad de que los elegidos sean: a)
los dos hombres, b) un hombre y una mujer, c) un matrimonio.
27. Un cartero lleva seis cartas para una casa determinada, una para cada uno de
los seis vecinos, y las introduce en los buzones sin fijarse en el nombre, cul
es la probabilidad de que al menos una de ellas no est en el buzn corres-
pondiente?
29. Para realizar un experimento con tres tipos de semillas de cebada: C1, C2, C3 se
siembran en una parcela y se desarrollaron el 50 % de C1, el 30 % de las del tipo
C2 y el 7 % de las del tipo C3. La probabilidad de que una espiga pese ms de
5 gramos es de 0.30 para las de tipo C1, 0.80 para las del tipo C2 y 0.90 para las
del tipo C3. a) Se elige una espiga al azar, cul es la probabilidad de que pese
ms de 5 gramos? b) Sabiendo que una espiga pesa ms de cinco gramos cul
es la probabilidad de que sea del tipo C1?
30. En una parcela hay N rboles de tres especies distintas A, B y C. Se sabe que r
son de la especie A, y s son de la especie B. Se talan al azar n rboles de esta
parcela, cul es la probabilidad de que: a) m de los n sean de la especie A;
b) sean m de la especie A y p de la especie B?
04 tema 2 14/3/03 08:25 Pgina 52
31. Para explicar un tema de estadstica se han probado tres mtodos: T (tradicio-
nal), I (con programas estadsticos en aula de informtica) y M (mixto, usando
a la vez los dos mtodos anteriores). Se ha elegido un grupo uniforme de 100
alumnos sin conocimiento del tema y se ha dividido en tres subgrupos: el pri-
mero de 50 alumnos a los que se les explic por el mtodo tradicional, otro de
20 alumnos que estudiaron slo en aula de informtica, y a los restantes se les
aplic el mtodo mixto. Se ha obtenido un 20 % de fracaso con el mtodo T, un
35 % con el mtodo I y un 15 % con el mtodo M.
Se elige un alumno al azar del grupo sin saber con qu mtodo ha estudiado.
a) Cul es la probabilidad de que no haya logrado aprender el tema? b) Si el
alumno elegido no sabe el tema, cul es la probabilidad de que haya estudia-
do por el mtodo mixto?
33. Un ordenador puede estar construido con componentes de alta calidad o con
componentes de calidad corriente. El 40 % de los ordenadores que se venden
estn constituidos por slo componentes de alta calidad y la probabilidad de
que un aparato funcione sin fallos durante t horas es 0.95 si est constituido por
componentes de alta calidad, y 0.7, si lo est por componentes de calidad
corriente. Si un aparato ha funcionado t horas sin fallo, cul es la probabilidad
de que est construido por componentes de alta calidad?
3
La Teora de Grafos
3.1. Introduccin.
El origen de la Teora de Grafos se encuentra en el intento de resolver un pro-
blema prctico que casi parece un juego, es el siguiente:
En el siglo XVIII muchos habitantes de Knigsberg se plantearon el reto de
encontrar un camino que recorriera los siete puentes, que all se haban construido
para atravesar el ro Pregel, pasando slo una vez por cada uno y regresando al
punto de partida.
1 2 3
B 4
D
5 6 7
C
Todos los intentos eran fallidos y comenzaron a pensar que no era posible hacer
un recorrido as.
Leonhard Euler (1707-1783) estudi matemticamente el problema dibujando
un esquema del plano como se muestra en la siguiente figura
05 tema 3 14/3/03 08:33 Pgina 54
A
1
2 3
B 4 D
5 6
7
C
Las zonas de tierra las representa por puntos y los puentes por lneas (aristas)
que conectan esos puntos. El problema se reduce as a hallar una sucesin finita de
puntos y aristas de tal modo que no se repita ninguna arista y se regrese al punto
de partida.
En 1736 public Euler un artculo en el que demuestra que un recorrido as es
imposible encontrarlo. Este artculo no slo resuelve el problema planteado sino que
sienta las bases de lo que se conoce hoy por Teora de Grafos y adems da una
caracterizacin de los grafos que hoy, en honor a l, llamamos grafos eulerianos, es
decir, los que verifican la propiedad de que se puede encontrar en l un camino que
parte de un vrtice, recorre todas las aristas pasando slo una vez por cada una de
ellas y termina en ese vrtice.
En 1752 Euler enuncia un teorema para grafos planos. Desde entonces, muchos
matemticos han realizado contribuciones a la teora de grafos. Se pueden citar
entre otros: Vandermonde (1735-1796), Cauchy (1789-1857), Tait (1831-1901).
Gustav Kirchoff (1824-1887) quien analiz, en 1847, un tipo especial de grafo, el
rbol, y utiliz los grafos en ciertas aplicaciones de redes elctricas, al formular su
extensin de las leyes de Ohm para flujos elctricos.
En 1850 Francis Guthrie (1831-1899) investiga la conjetura de los cuatro colo-
res. El 23 de octubre de 1852 Augusto De Morgan enva una carta a Sir William R.
Hamilton refirindole el mismo problema: En un mapa se dice que dos regiones
distintas son adyacentes si en los caminos cerrados que definen sus bordes hay
alguna arista en comn. Se puede colorear cualquier mapa plano con cuatro colo-
res diferentes de modo que no haya dos regiones adyacentes con el mismo color?
(Teorema de los cuatro colores). Durante ms de cien aos se han hecho muchos
intentos para resolver este problema, algunos de stos originaron ideas tiles e inte-
resantes.
William Rowan Hamilton (1805-1865) introduce la idea de ciclo hamiltoniano
para formular un juego sobre las aristas de un dodecaedro regular, que fue propues-
to por Euler. Los vrtices del dodecaedro representan 20 ciudades importantes del
mundo. Hamilton represent este slido platnico mediante el grafo plano de la
siguiente figura en el que los puntos representan las 20 ciudades y el juego consis-
05 tema 3 14/3/03 08:33 Pgina 55
LA TEORA DE GRAFOS 55
te en encontrar un camino que las recorra todas pasando por cada una de ellas una
sola vez.
5 2
4 3
LA TEORA DE GRAFOS 57
5 2
4 3
5 2
4 3
5 2
4 3
es un grafo dirigido.
05 tema 3 14/3/03 08:33 Pgina 58
5 2
4 3
Un digrafo G = (V, A) en el que una arista al menos tiene el mismo origen que
extremo se dice que es un pseudodigrafo. Por tanto, un pseudodigrafo es un digra-
fo con al menos un bucle.
Un ejemplo de pseudografo es el siguiente:
1
5
2
4 3
Un vrtice de un grafo dirigido que no tiene arcos con extremo en l sino slo
con origen en l se dice que es una fuente.
Se llama sumidero a todo vrtice de un grafo dirigido del que no sale ningn
arco sino que los arcos que lo tienen por extremo todos acaban en l.
En un grafo dirigido puede haber vrtices que no son ni fuentes ni sumideros.
Una red es un grafo dirigido que tiene exactamente una sola fuente y un solo
sumidero. Los vrtices de una red se llaman nodos.
Ejemplo:
1
6 2
5 3
4
es una red, la fuente es el vrtice 1 y el sumidero es el 4.
05 tema 3 14/3/03 08:33 Pgina 59
LA TEORA DE GRAFOS 59
Un grafo orientado es un grafo dirigido G = (V, A) tal que para todo par de vr-
tices vi y vj en el conjunto A est al menos uno de los pares (vi,vj) o (vj,vi).
Ejemplo, un grafo orientado es el siguiente:
5
2
4 3
Un grafo cuyos vrtices son distinguibles unos de otros se dice que es un grafo
etiquetado.
Un grafo se dice que es ponderado si las aristas llevan asociado un nmero que
puede representar un coste, peso o capacidad de la arista.
En un grafo G = (V, A) no dirigido se llama grado del vrtice vi, gr (vi), al nme-
ro de aristas incidentes con este vrtice.
05 tema 3 14/3/03 08:33 Pgina 60
n
En todo grafo G = (V, A), si V= n, se verifica que gr (Vi) = 2 A.
i=1
LA TEORA DE GRAFOS 61
Dos grafos G1 (V1, A1) y G2 (V2, A2) se dice que son isomorfos, y se escribe
G1 G2, si existe una aplicacin biyectiva f: V1 V2 que conserva la adyacencia, es
decir, tal que si {u,v} A1 {f (u), f (v)} A2.
En dos grafos isomorfos dos vrtices son adyacentes en G1 si y slo si sus im-
genes son adyacentes en G2.
1 2 3 a b
4 5 6 e d c
son isomorfos?
No son isomorfos porque el vrtice d es adyacente a los vrtices b, c, e y r
y en el primer grafo no hay ningn vrtice de grado 4, por tanto, es imposible esta-
blecer una aplicacin biyectiva entre los dos conjuntos de vrtices que conserve la
adyacencia.
Si G1 y G2 son isomorfos, tienen el mismo nmero de vrtices, el mismo nme-
ro de aristas e igual nmero de vrtices para cualquier grado.
Un grafo G =(V, A), de orden n, se dice que es un grafo completo Kn si todo par
n
de vrtices son extremos de una arista. El grafo Kn tiene aristas y es k-regular
2
de grado k = n1.
5
2
4 3
Dos grafos completos con el mismo nmero de vrtices son siempre isomorfos.
05 tema 3 14/3/03 08:33 Pgina 62
3.3. Subgrafos.
Se dice que G = (V, A) es un subgrafo de G =(V, A) si V V y A es un sub-
conjunto de A que contiene aristas que unen elementos de V.
El subgrafo G = (V, A) de G = (V, A) es un subgrafo generador de G si V con-
junto de vrtices de G coincide con V.
Si G = (V, A) es un grafo, el subgrafo generado por V V es G = (V, A), sien-
do A el subconjunto de A formado por todas las aristas cuyos extremos son de V.
El subgrafo de G = (V, A) generado por A A es G = (V, A) siendo V el sub-
conjunto de V formado por todos los vrtices que son extremos de las aristas de A.
Todo grafo G = (V, A) de orden n es subgrafo del grafo completo Kn.
Si G = (V, A) es un grafo de orden n el grafo complementario de G = (V, A) es
G = (V, A) siendo V = V y A = AKn A, donde AKn el conjunto de las aristas del
grafo completo Kn.
Si v es un vrtice del grafo G = (V, A) el grafo G {v} es el subgrafo de G que
se obtiene eliminando el vrtice v y todas las aristas incidentes con l.
Del mismo modo, si G = (V, A) es un subgrafo de G = (V, A), el grafo G G
es el subgrafo de G que se obtiene eliminando los vrtices de V y todas las aristas
de A.
Si a es una arista del grafo G = (V, A), el grafo G {a} es el subgrafo de G que
se obtiene eliminando slo la arista a.
Ejemplo:
Si G1 es y G2 es el grafo G1 G2 es:
05 tema 3 14/3/03 08:33 Pgina 63
LA TEORA DE GRAFOS 63
y el grafo G1 + G2 es:
Zeus
Afrodita Ares
Jpiter
Venus Marte
Neptuno Diana
Poseidn Artemisa
Saturno Minerva
Crono Atenea
Los grafos bipartidos completos Kn1,n2 son isomorfos a los bipartidos completos
Kn2,n1.
Un grafo G = (V, A) se dice que es k-partido completo si V = V1 V2 Vk ,
Vi Vj = si i j y dos vrtices son adyacentes si y slo si pertenecen a dis-
tinto Vi.
05 tema 3 14/3/03 08:33 Pgina 65
LA TEORA DE GRAFOS 65
3.5. Conexin.
Los grafos son un modelo habitual en la prctica para representar rutas, redes de
comunicacin o de transporte; en este caso los vrtices pueden representar neuro-
nas, ciudades o cruces y las aristas sinapsis entre neuronas, carreteras o cualquier
otro tipo de va de comunicacin. Por ejemplo, con frecuencia interesa saber si exis-
ten caminos que recorran todas las aristas, o todos los vrtices, o encontrar la ruta
ms corta, o la ms econmica. En algunas situaciones prcticas es necesario utili-
zar digrafos, por ejemplo, si se trata de estudiar rutas en ciudades con calles de un
solo sentido de recorrido.
Un grafo G =(V, A) se dice que es conexo si para todo par de vrtices vi vj exis-
te en el grafo un camino que los une.
05 tema 3 14/3/03 08:33 Pgina 66
5
Los vrtices 2 y 3 son puntos de corte.
Se llama istmo de un grafo conexo G =(V, A) a la arista a A, tal que el subgrafo
de G cuyas aristas son todas las de G menos a, es decir, G = (V, A {a}) no es conexo.
a b c d e
j i h g
Las aristas {b,c}, {c,h}, {d,h}, {d,e} son istmos de este grafo.
Dado un grafo conexo G =(V, A) el conjunto X V se dice que es un conjunto
de articulacin de G si el subgrafo de G que se obtiene al suprimir los vrtices del
conjunto X no es conexo.
En el grafo anterior un conjunto de articulacin es {c,h,d}, pues, al suprimir
estos tres vrtices y las aristas que los tienen por extremo, se obtiene un subgrafo
con dos componentes conexas.
Un punto de corte es un conjunto de articulacin unitario.
05 tema 3 14/3/03 08:33 Pgina 67
LA TEORA DE GRAFOS 67
El primero tiene dos vrtices de grado 1. El segundo tiene tres y el tercero cua-
tro vrtices de grado 1.
05 tema 3 14/3/03 08:33 Pgina 68
Se deca en la introduccin que Cayley utiliz los rboles para contar los is-
meros de hidrocarburos saturados. En la siguiente figura se representan dos rboles,
de catorce vrtices, con nombres C (carbono) y H (hidrgeno), y trece aristas, que
representan los enlaces entre los tomos. El primero representa el n-butano (antes
llamado butano) y el segundo el 2-metil propano (antes llamado isobutano). Son
isomorfos estos rboles?
H H H H
H C C C C H
H H H H
H C H
H H
H C C C H
H H H
LA TEORA DE GRAFOS 69
B 4 D
5 6
7
C
l c g
j
b h
i
a d f
LA TEORA DE GRAFOS 71
d e i
q r
g
f m n
c b p
a j l o
k
Es imposible dibujar un circuito euleriano porque sin repetir aristas es imposi-
ble pasar un nmero par de veces por un vrtice de grado impar.
Teorema de caracterizacin de los multigrafos eulerianos.
Un s-grafo conexo no dirigido es euleriano si y slo si todos sus vrtices son de
grado par.
Como consecuencia de este teorema el problema de los siete puentes de
Knigsberg no tiene solucin porque el 2-grafo que lo esquematiza tiene todos los
vrtices de grado impar.
Todos los resultados enunciados para los s-grafos son tambin vlidos para los
grafos que no sean multigrafos pues todo grafo es un 1-grafo.
8 9
Un circuito hamiltoniano es un camino hamiltoniano que termina en el vrtice
de partida. Este camino pasa una y slo una vez por todos los vrtices del grafo
excepto por el vrtice que se elige como origen.
Un circuito hamiltoniano en el grafo anterior es:
3
2
15 1
4 14 20 8 7
16 19
13 17 9
18
12
11 10
5 6
LA TEORA DE GRAFOS 73
El problema de dar una condicin necesaria y suficiente para que un grafo tenga
un camino hamiltoniano o para que sea un grafo hamiltoniano es uno de los pro-
blemas an no resueltos en la teora de grafos.
Se pueden enunciar condiciones necesarias o suficientes para que un grafo tenga
un camino o un circuito hamiltoniano.
Condiciones necesarias:
1. Si G es un grafo hamiltoniano, entonces ser un grafo conexo.
2. Si G =(V, A) es un grafo no dirigido de orden n > 2 que es hamiltoniano,
entonces todos sus vrtices tienen grado mayor o igual a 2.
3. Si G =(V, A) es un grafo no dirigido de orden n > 2 que es hamiltoniano, y un
vrtice tiene grado 2, entonces las dos aristas incidentes con ese vrtice tie-
nen que aparecer en el circuito hamiltoniano.
4. Si G =(V, A) es un grafo no dirigido de orden n > 2 que es hamiltoniano, y
vi V tiene grado mayor que 2, al tratar de construir un ciclo hamiltoniano
despus de pasar por vi se dejan de tener en cuenta las aristas incidentes con
vi que no han sido utilizadas.
5. Si G =(V, A) es un grafo no dirigido de orden n > 2 que es hamiltoniano, entonces
V1 V, el subgrafo de G cuyos vrtices son los de V V1 y cuyas aristas son las
de A que tienen extremos en V V1, tienen a lo sumoV1componentes conexas.
Ejemplo: Es hamiltoniano el grafo de la figura siguiente?
Condiciones suficientes:
1. Teorema de Dirac (1952): Si G =(V, A) no dirigido, de orden n > 2 y tal que
n
para todo vrtice v de G es gr (v) , entonces G es hamiltoniano.
2
2. Teorema de Ore (1960): Si G =(V, A) no dirigido, de orden n > 2 y tal que
para todo par de vrtices no adyacentes v y w es
gr (v) + gr (w) n
entonces G es hamiltoniano.
3. Teorema de Psa (1962): Si G =(V, A) no dirigido, de orden n > 2 y tal que
n
para todo entero k que verifique 1 k el nmero de vrtices de grado
2
menor o igual a k es menor que k, entonces G es hamiltoniano.
4. Teorema de Nash-Williams (1971): Todo grafo k-regular, siendo k 2, de
orden 2k + 1 es hamiltoniano.
5. Teorema de Chvtal (1972): Si G =(V, A) no dirigido, de orden n > 2 con vr-
tices de grados
g1 g2 gn
n
si gi i gn i n i, entonces G es hamiltoniano.
2
LA TEORA DE GRAFOS 75
2 e
c
3
b d
4
f a
5 1
g
7 5
1 6 4
2 3
7 k 5 7 5
l c g
j
1 b 6 h 4 1 6 4
i
a d f
2 e 3 2 3
05 tema 3 14/3/03 08:33 Pgina 76
5 6
4 7
1 3 9
2 8
5 h 6
d e i
q r
g
4f m 7n
1 c 9
b 3
p
a j l o
2 k 8
LA TEORA DE GRAFOS 77
4 1 2 6
LA TEORA DE GRAFOS 79
{
Mnxn = [mij] siendo mij = 1 si vi y vj son adyacentes en G
0 si vi y vj no son adyacentes en G
v5 v2
v4 v3
05 tema 3 14/3/03 08:33 Pgina 80
0 1 0 0 1
1 0 1 0 0
M5 x 5 = 0 1 0 1 0
0 0 1 0 1
1 0 0 1 0
Si G = (V, A) es un digrafo de orden n, y conjunto de vrtices V = {v1, v2, , vn},
se llama matriz de adyacencia de G a la matriz:
v5 v2
v4 v3
0 0 0 0 0
1 0 0 0 0
M5 x 5 = 0 1 0 0 0
0 0 1 0 1
1 0 0 0 0
La matriz de adyacencia de un grafo de orden n es una matriz Mnxn simtrica con
todos los elementos de la diagonal principal iguales a cero. La de un digrafo no es
simtrica y los elementos de la diagonal principal son todos cero. Si en la matriz de
adyacencia de un grafo G = (V, A) hay al menos un elemento de la diagonal princi-
pal igual a 1 y es simtrica, G es un pseudografo, y si no es simtrica es la matriz
de un pseudodigrafo. La matriz de adyacencia define completamente la estructura
del grafo correspondiente.
En la matriz de adyacencia de un grafo la suma de los elementos de la i-sima
fila o de la columna i-sima es el grado del vrtice vi. En la de un digrafo, la suma
de los elementos de la i-sima fila da el grado de salida del vrtice vi, y la suma de
los elementos de la j-sima columna da el grado de entrada del vrtice vj.
Si dos grafos tienen la misma matriz de adyacencia son isomorfos, pero dos gra-
fos isomorfos G1 y G2 pueden tener distintas matrices de adyacencia M1 y M2, pero
existe una matriz permutacin P, tal que M2 = P1. M1. P.
05 tema 3 14/3/03 08:33 Pgina 81
LA TEORA DE GRAFOS 81
Las potencias de matrices son tiles para contar los caminos en un grafo, as, en
el Ejemplo 3.10.1, el cuadrado y la cuarta potencia de la matriz de adyacencia son:
2 0 1 1 0 6 1 4 4 1
0 2 0 1 1 1 6 1 4 4
M2 = 1 0 2 0 1 y M4 = 4 1 6 1 4
1 1 0 2 0 4 4 1 6 1
0 1 1 0 2 1 4 4 1 6
que indican que existe, por ejemplo, un camino de longitud dos entre los vrtices v1 y
v3, (v1, v2, v3); un camino entre v2 y v5, el que pasa por v1 y dos caminos de longitud dos
de vi a s mismo, i {1,2,3,4,5}, y, por tener todos los elementos distintos de cero
la matriz M4, entre dos vrtices cualesquiera existe siempre un camino de longitud 4.
El elemento aij de la matriz Mr proporciona el nmero de caminos de longitud r
del vrtice vi al vj en el grafo G cuya matriz de adyacencia es M.
Si G es un grafo conexo, la distancia entre dos de sus vrtices vi y vj distintos,
es decir, la longitud del camino mnimo que une vi con vj, es el menor nmero ente-
ro r, tal que el elemento aij de la matriz Mr es distinto de cero.
En el Ejemplo 3.10.1 la distancia entre v1 y v3 es dos.
Ejemplo 3.10.3: para el grafo de la figura siguiente:
1
7
5 6 2
8
10 9
4 3
se comprueba con facilidad que la suma de su matriz de adyacencia y el cuadrado
de esta es una matriz con todos los elementos distintos de cero; por tanto, entre dos
vrtices cualesquiera existe siempre un camino de longitud 2 como mximo.
PROBLEMAS PROPUESTOS
1 0 0 0 1 0
1 1 1 0 1 0
M= 1 0 0 0 0 1
0 1 0 1 0 0
1 0 0 0 0 0
0 0 1 1 1 0
2. Dibujar el grafo complementario de los siguientes grafos:
a) b)
1
4
2
c) d) e)
0 1 0 1
1 0 1 1
a)
0 1 0 1
1 1 1 0
05 tema 3 14/3/03 08:33 Pgina 83
LA TEORA DE GRAFOS 83
0 1 0 0 0 0 0 1
0 0 0 0 0 0 0 0
1 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0
b)
0 0 0 0 0 1 0 0
0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 1
0 0 0 0 0 1 0 0
5. Dibujar los grafos completos de n vrtices para 1 n 6.
6. Dibujar los grafos cuyas matrices de adyacencia son:
0 1 0 1 0 0 1 1
1 0 1 1 0 0 1 1
a) y b)
0 1 0 1 1 1 0 1
1 1 1 0 1 1 1 0
Son isomorfos?
7. Escribir la matriz de adyacencia de un grafo completo Kr, para 3 r 5.
8. Para el grafo de la figura, indicar si las siguientes sucesiones de vrtices son
caminos, caminos simples, caminos elementales, circuitos o ciclos:
1 2 3
8 7 6 4
9 10 11 5
a) (1,2,7,11,5,11,6); b) (1,2,3,7,11,6,4); c) (11,6,5,11); d) (11,6,5,11,5);
e) (8,3,7,11,5,11).
9. Cules de los siguientes grafos se pueden dibujar sin levantar el lpiz del papel
y sin dibujar dos veces la misma arista?
05 tema 3 14/3/03 08:33 Pgina 84
11. a) En el grafo que tiene por vrtices los vrtices de un tetraedro y por aristas las
aristas de esa figura en el espacio se puede dibujar un camino hamiltoniano?,
y un camino euleriano? Explicar si es un grafo hamiltoniano.
b) Idem si el grafo tiene por vrtices y por aristas las de un hexaedro o cubo.
a)
b) Y el siguiente?
a) b)
05 tema 3 14/3/03 08:33 Pgina 85
LA TEORA DE GRAFOS 85
14. Hallar los puntos de corte y los istmos del grafo siguiente:
5
3
4
0 1 1 0
1 0 1 1
1 1 0 0
0 1 0 0
0 1 1 0 0 1
1 1 1 1 0 1
0 0 0 1 0 1
0 0 0 0 1 0
0 0 0 1 1 1
0 0 0 0 0 0
Indicar el nmero de caminos de longitud 1, 2, 3 y 4 existentes en el grafo.
Es este grafo fuertemente conexo?
19. Son isomorfos los siguientes grafos? En caso afirmativo hallar un isomorfis-
mo entre ellos.
j e 1
7
d b 5 6 2
a
i f 8
c 10 9
h g 4 3
20. La estructura de la molcula de pentano normal es:
H H H H H
H C C C C C H
H H H H H
H C H
H H
H C C C H
H H
H C H
H
los grafos correspondientes son isomorfos?
06 tema 4 14/3/03 08:35 Pgina 87
4
Cadenas de
Markov finitas
4.1. Introduccin.
Como se deca en el prlogo, se va a estudiar a continuacin un modelo mate-
mtico: las cadenas de Markov finitas, que es el resultado de los trabajos de inves-
tigacin en matemtica pura realizados por Andrei A. Markov (1856-1922) entre los
aos 1907 y 1912, y que posteriormente ha encontrado muy numerosas aplicacio-
nes en diversos campos. Por ejemplo, se vern algunas de ellas en gentica para el
estudio de la evolucin de poblaciones.
Andrei A. Markov
v1
v2
Un vector columna v = ... es un vector de probabilidad si vi 0 i = 1,2,,r
vr
r
y adems vi = 1. Anlogamente, el vector fila v = [v1 v2 vr] es tambin un
i=1
vector de probabilidad si todas las vi son positivas o cero y suman 1. Un vector de
probabilidad de r componentes est determinado conociendo (r-1) de ellas.
Se considera que el sistema slo cambia de estado en instantes de tiempo dados:
t = 0, t = 1, t = 2, , t = n,
que son a lo sumo una infinidad numerable, es decir, la variable tiempo es dis-
creta.
En cada instante n se considera una variable aleatoria Xn = X (t = n) cuyo con-
junto de valores si es cuantitativa, o atributos si es cualitativa, es E, espacio de esta-
dos del sistema.
Se tiene as una sucesin de variables aleatorias X0, X1, X2, , Xn, discretas y
con conjunto de valores E.
Se dice que el sistema S en el instante n est en el estado i si Xn Ei = {i}. Se
escribe P (Xn Ei) = P (Xn = i) para indicar la probabilidad de que el proceso se
encuentre en el estado i en el instante n.
Se define el vector de probabilidad en la etapa n-sima, o ley de probabilidad
en el paso n-simo, al vector columna:
p1 (n)
p2 (n)
P (n) = siendo pj (n) = P (Xn = j)
pj (n)
pr (n)
06 tema 4 14/3/03 08:35 Pgina 89
Este vector est formado por probabilidades que suman la unidad porque el sis-
tema en cada etapa est en uno de los estados E1, E2, , Ej,, Er que forman una
particin del conjunto de estados E.
Dado el conjunto finito de estados E, a cada par (i, j) E E se le asigna un
nmero pij no negativo definido del siguiente modo:
pij = P (X1 = j / X0 = i)
que representa la probabilidad de que el sistema que est inicialmente en el estado
i pase al estado j en el siguiente instante.
El proceso en cada paso hace una transicin de un estado a otro. El estado en que
se encuentra est incluido entre todos los posibles en el paso siguiente, pues el pro-
ceso en cada transicin puede quedarse
.
en el mismo estado. Por tanto, se verifica que
pij = 1, i E.
jE
E1 p11 p21 pi1 pr 1
E2 p12 p22 pi2 pr2
Estado en el instante (n + 1) = Mrxr
Ej p1j p2j pij prj
Er p1r p2r pir prr
06 tema 4 14/3/03 08:35 Pgina 90
1. 0 pij 1
r
2. pij = 1, i = 1, 2, , r. Es decir, la suma de los elementos de cada
j=1
columna es 1. Por tanto, sus columnas son vectores de probabilidad.
Se dice que la matriz de transicin M es una matriz estocstica por colum-
nas.
v1
v2
5. Si v = ... es un vector de probabilidad, esto es, si 0 vi 1, i = 1, 2, , r
vr
r
y vi = 1 y Mrxr es una matriz estocstica por columnas, Mrxr v es otro vec-
i=1
tor de probabilidad de la misma dimensin, rx1.
Una matriz se dice que es estocstica por filas si sus filas son vectores de pro-
babilidad. La matriz transpuesta de M, Mt es estocstica por filas.
Una matriz que es estocstica por filas y por columnas a la vez se dice que es
biestocstica.
Ecuaciones de Chapman-Kolmogorov:
r
pij(n) = pik(m) pkj(n m), i, j {1, 2, 3, , r} y n , siendo 0 m n.
k=1
r
En particular, si m = 1: pij(n) = pik pkj(n 1)
k=1
r
Y si m = 1 y n = 2: pij(2) = pik pkj, i, j {1, 2, 3, , r}
k=1
Por tanto: M = [p
2
ij
(2)
]. Los elementos de la matriz M 2
dan la funcin de proba-
bilidad en dos etapas.
Anlogamente, M n = [pij(n)], n . Es decir, la potencia n-sima de la matriz,
M, de transicin en una etapa da la funcin de probabilidad en n etapas.
Por ser un proceso homogneo en el tiempo, la matriz de transicin en dos eta-
pas es el cuadrado de la matriz de transicin de la cadena y, en general, la matriz de
transicin en n etapas es la potencia n-sima de la matriz M de transicin en una
etapa.
p1 (0)
p2 (0)
3. El vector de probabilidad inicial P (0) = siendo pi (0) = P (X0 = i)
pr (0)
probabilidad de que el proceso se encuentre en el estado i , para i = 1, 2, ,
r, en el instante inicial.
Con los datos anteriores se puede deducir la ley de probabilidad para cualquier
etapa n. As, la ley de probabilidad pasada una etapa, teniendo en cuenta el teorema
de la probabilidad total, es:
pj (1) = P (X1 = j) =
= P (X0 = 1) P (X1 = j /X0 = 1) + P (X0 = 2) P (X1 = j/ X0 = 2) + +
+ P (X0 = r) P (X1 = j /X0 = r) = p1 (0) p1j + p2 (0) p2j + + pr (0) prj
j = 1, 2, , r.
06 tema 4 14/3/03 08:35 Pgina 92
p1 (1) p11 p21 pi1 pr 1 p1 (0)
p2 (1) p12 p22 pi2 pr2 p2 (0)
=
pj (1) p1j p2j pij prj pi (0)
pr (1) p1r p2r pir prr pr (0)
p1 (n) P (Xn = 1)
p2 (n) P (Xn = 2)
P (n) = =
pr (n) P (Xn = r)
Si n = 1: P (1) = M P (0)
Si n = 2: P (2) = M P (1) = M 2 P (0)
P (n) = M n P (0), n
1
3
2 4
5 7
6
Se observa que en cada movimiento se desplaza a una celda contigua con igual
probabilidad, salvo si est en la 8 que se va a la 6, o si est en la 1 que se queda all
porque est el queso.
06 tema 4 14/3/03 08:35 Pgina 93
1 0 1/3 0 0 0 0 0
0 0 1/3 0 1/2 0 0 0
0 1/2 0 1/2 0 0 0 0
0 0 1/3 0 0 0 1/2 0
M =
0 1/2 0 0 0 1/3 0 0
0 0 0 0 1/2 0 1/2 1
0 0 0 1/2 0 1/3 0 0
0 0 0 0 0 1/3 0 0
1/ 1/ 1/ 1/
2 3 3 2
1/
1 3
1 1/ 3 6 1
8
3
1/ 1/ 1/ 1/
3 2 2 3
1/
2
4 7
1/
2
0
0
0
0
P (0) = y despus de cuatro desplazamienos la ley de probabilidad es:
0
0
0
1
06 tema 4 14/3/03 08:35 Pgina 94
4
1 0 1/3 0 0 0 0 0 0 0
0 0 1/3 0 1/2 0 0 0 0 0
0 1/2 0 1/2 0 0 0 0 0 1/6
0 0 1/3 0 0 0 1/2 0 0 0
P (4) = M4 P (0) = =
0 1/2 0 0 0 1/3 0 0 0 11/36
0 0 0 0 1/2 0 1/2 1 0 0
0 0 0 1/2 0 1/3 0 0 0 11/36
0 0 0 0 0 1/3 0 0 1 2/9
Se considera un carcter en individuos diploides que est gobernado por los ale-
los A (dominante) y a (recesivo). Un individuo, desde el punto de vista de este
carcter, puede presentar los genotipos AA (raza pura dominante), Aa (hbrido) o aa
(raza pura recesiva). Se dispone de una poblacin con la misma proporcin de indi-
viduos de cada genotipo que es suficientemente extensa y se producen cruces al
azar entre individuos de esta poblacin.
Si se llama estado del sistema en la etapa n-sima al genotipo de un individuo resul-
tante del n-simo cruce, se obtiene una cadena de Markov con espacio de estados:
E = {AA, Aa, aa}.
Se pueden calcular fcilmente las probabilidades de transicin. Por ejemplo, si
la madre es raza pura dominante, la probabilidad de que el hijo sea tambin AA es:
1 1 1 1 1
P (X1 = AA / X0 = AA) = 1 + + 0 =
3 3 2 3 2
pues hay que tener en cuenta el genotipo del otro progenitor, que puede ser AA, Aa
o aa con igual probabilidad.
Si la madre es hbrido, la probabilidad de que el hijo sea dominante es:
1 1 1 1 1 1
P (X1 = AA / X0 = Aa) = + + 0 =
3 2 3 4 3 4
06 tema 4 14/3/03 08:35 Pgina 95
Del mismo modo, se calculan las restantes probabilidades que forman la matriz
de transicin de esta cadena:
1/2 1/4 0
M = 1/2 1/2 1/2 .
0 1/4 1/2
AA 1/
4
1/
1/ 2
2
Aa
1/
2
1/
aa 4
1/
2
17/64 1/4 15/64 1/3 1/4
P (5) = M5 P (0) = 1/2 1/2 1/2 1/3 = 1/2 .
15/64 1/4 17/64 1/3 1/4
17/64 1/4 15/64 1 17/64
P (5) = M5 P (0) = 1/2 1/2 1/2 0 = 1/2 .
15/64 1/4 17/64 0 15/64
2 3
4 5
0 1/2 1/2 0 0
1/2 0 0 1/2 0
M= 1/2 0 0 0 1/2 .
0 1/2 0 0 1/2
0 0 1/2 1/2 0
1
0
Por partir del puesto 1 el vector de probabilidad inicial es: P (0) = 0 .
0
0
El vector de probabilidad en la cuarta etapa es:
3/8
1/16
P (4) = M 4 P (0) = 1/16 .
1/4
1/4
1/16
5/16
P (5) = M 5 P (0) = 5/16 .
5/32
5/32
1
Como P (X5 = 1) = 0, s es posible que llegue al puesto 1 en el quinto
16
cambio, aunque es el puesto menos probable en la quinta etapa.
Para el viga que tiene que hacer la guardia en cada una de las cuatro esquinas
de la Torre del Homenaje del castillo construido en Ciudad Rodrigo en 1372, el
espacio de estados ser:
E = {1,2,3,4}
1 4
2 3
06 tema 4 14/3/03 08:35 Pgina 98
0 1/2 0 1/2
1/2 0 1/2 0 .
La matriz de transicin: M =
0 1/2 0 1/2
1/2 0 1/2 0
1/2 0 1/2 0 1 1/2
0 1/2 0 1/2 0 0 .
P (4) = M 4 P (0) = =
1/2 0 1/2 0 0 1/2
0 1/2 0 1/2 0 0
0 1/2 0 1/2 1 0
5 1/2 0 1/2 0 0 = 1/2 ,
Como P (5) = M P (0) =
0 1/2 0 1/2 0 0
1/2 0 1/2 0 0 1/2
Tres amigos Pedro, Antonio y ngel, han conseguido una butaca para la prime-
ra de abono para el Teatro Real y deciden compartirlo para no perderlo. Pedro siem-
pre que asiste a una funcin se lo pasa a Antonio y Antonio, despus de asistir a una
funcin, se lo pasa a ngel, pero ngel despus de usarlo una vez se lo pasa a uno
de sus dos amigos con la misma probabilidad.
0 0 1/2
M= 1 0 1/2
0 1 0
1
a) Si lo estrena Pedro ser P (1) = 0 .
0
El vector de probabilidad en la etapa cuarta nos dar la probabilidad de que
cada uno de ellos asista a la cuarta representacin.
06 tema 4 14/3/03 08:35 Pgina 100
1/2 0 1/4 1 1/2
P (4) = M 3 P (1) = 1/2 1/2 1/4 0 = 1/2 . La probabili-
0 1/2 1/2 0 0
dad de que asista Pedro a la cuarta representacin es 1/2.
b) Del modo que se elige quien asiste a la primera representacin se deduce que
1/3
P (1) = 1/3
1/3
0 0 1/2 1/3 1/6
P (2) = M P (1) = 1 0 1/2 1/3 = 1/2
0 1 0 1/3 1/3
0 0 1/2 1/6 1/6
P (3) = M P (2) = 1 0 1/2 1/2 = 1/3
0 1 0 1/3 1/2
0 1/4 1/4 1/3 1/6
P (5) = M 4 P (1) = 1/2 1/4 1/2 1/3 = 5/12
1/2 1/2 1/4 1/3 5/12
1 1/2 0 0 0 0 0
0 0 1/2 0 0 0 0
0 1/2 0 1/2 0 0 0
M = 0 0 1/2 0 1/2 0 0
0 0 0 1/2 0 1/2 0
0 0 0 0 1/2 0 0
0 0 0 0 0 1/2 1
0
0
0
El vector de probabilidad inicial es P (0) = 1 .
0
0
0
0
1/4
0
Y despus de dos enfrentamientos es: P (2) = M 2 P (0) = 1/2 .
0
1/4
0
1/8
0
3/8
P (3) = M P (2) = 0 .
3/8
0
1/8
0 1/9 1/27 1/81
1 4/9 6/27 8/81 .
M=
0 4/9 12/27 8/27
0 0 8/27 48/81
0.039
Al cabo de tres das como P (3) = M P (0) = 0.231 , lo ms probable es que
3
0.366
0.364
0.050
alquile tres cmaras. Como P (15) = M P (0) = 0.292 , sigue siendo ms pro-
15
0.381
bable que alquile tres. 0.277
Y la probabilidad de que pueda alquilar las cuatro al cabo de tres das es 0.364
y al cabo de quince das es 0.277.
Este jugador no sale del club y cada hora, o bien va a otra sala contigua o se
queda en la que estaba, salvo si est en la mquina tragaperras, en cuyo caso se
queda all y manda que le traigan un sandwich.
El estado del sistema pasadas n horas es la sala en la que se encuentra el juga-
dor en ese instante y, por tanto, el espacio de estados del sistema es: E = {1,2,3,4,5}.
La matriz de transicin de esta cadena de Markov ser:
1 1/3 0 0 0
0 1/3 1/3 0 0
M= 0 1/3 1/3 1/3 0 .
0 0 1/3 1/3 1/2
0 0 0 1/3 1/2
0 0
0 0.056
P (3) = M 3 P (0) = M 3 0 = 0.194 .
0 0.403
1 0.347
0 0.116
0 0.111
P (7) = M 7 P (0) = M 7 0 = 0.222 .
0 0.313
1 0.238
Las respuestas anteriores seran las mismas si las salas del club estuvieran dis-
puestas en torno a un jardn central y comenzase tambin en la sala 5?
En este caso la matriz de transicin sera:
1 1/3 0 0 1/3
0 1/3 1/3 0 0
M= 0 1/3 1/3 1/3 0 .
0 0 1/3 1/3 1/3
0 0 0 1/3 1/3
06 tema 4 14/3/03 08:35 Pgina 104
0 0.519
0 0.037
P (3) = M 3 0 = 0.111 ,
0 0.185
1 0.148
0 0.721
0 0.049
P (7) = M 7 P (0) = M7 0 = 0.083
0 0.089
1 0.058
y es muy poco probable que se encuentre en la sala del bingo, por ser
P (X7 = 4) = 0.089
06 tema 4 14/3/03 08:35 Pgina 105
PROBLEMAS PROPUESTOS
2. Un jugador se apuesta un euro a que al lanzar una vez un dado obtiene puntua-
cin impar, si la obtiene gana un euro y en caso contrario lo pierde. Slo deja de
jugar si pierde todo o si tiene cinco euros. a) Describir el espacio de estados.
b) Dar la matriz de transicin. c) Si comienza con un euro, calcular la probabilidad
de que se retire en la cuarta tirada. d) En el mismo supuesto de que comience con
un euro cul ser la distribucin de probabilidades al finalizar la quinta tirada?
3. Un chimpanc debe repetir una prueba hasta obtener dos aciertos consecutivos.
La probabilidad de que acierte en cada prueba es 1/3. a) Escribir el espacio de
estados del proceso de Markov correspondiente a esa experiencia del chimpan-
c. b) Determinar la matriz de transicin. c) Cul es la distribucin inicial de la
cadena? d) Calcular la probabilidad de que finalice el experimento con xito en
la tercera etapa.
5. En cada prueba se saca una bola de una bolsa que tiene cinco bolas numeradas:
1, 2, 3, 4 y 5 y se devuelve la bola extrada. El resultado de la ensima prueba es
el mayor de los nmeros obtenidos en las n primeras extracciones.
a) Cul es el espacio de estados? b) Hallar la matriz de transicin. c) Cul es
el vector de probabilidad de la primera prueba? d) Calcular P (2) y P (3). e) Se
saca una bola y se ha obtenido un tres y a continuacin se realizan las pruebas,
06 tema 4 14/3/03 08:35 Pgina 106
p p 0 0
q 0 p 0
6. La matriz M = es una matriz estocstica por columnas.
0 q 0 p
0 0 q q
a) Qu valores pueden tomar p y q? b) Calcular las matrices M2 y M3, son tam-
bin estocsticas por columnas?
0 0 1/3 1/2 0 1/4
a) M = 0 1/2 2/3 y b) M = 0 1 0
1 1/2 0 1/2 0 3/4
Qu se observa?
8. Supongamos una regin en la que nunca hay dos das seguidos de buen tiempo.
Si tienen un buen da, es tan probable que caiga nieve como que llueva al da
siguiente. Si nieva, o si llueve, hay igual probabilidad de que se mantenga el
tiempo as al da siguiente o que cambie, y si se produce un cambio en das de
nieve, o lluvia, slo la mitad de las veces es a un da de buen tiempo. Hoy hace
un buen da en esa regin. a) Escribir el espacio de estados. b) Dar la matriz de
transicin. c) Cul es la probabilidad de que llueva cada uno de los tres das
siguientes? d) Qu tiempo se podr esperar dentro de tres das?
1 2 3
4 5 6
7 8 9
de una celda a otra contigua slo siguiendo las direcciones: arriba, abajo, dere-
cha e izquierda con igual probabilidad. Describir las distintas posiciones del
robot y determinar la matriz de transicin en una etapa.
10. Un salvapantallas de un ordenador consta de un asterisco que se mueve de un
vrtice de un polgono regular a otro contiguo con probabilidad 1/2. Si est en A
inicialmente, calcular la probabilidad de que se encuentre en cada uno de los vr-
tices despus de cinco saltos y despus de veinte saltos. a) Si el polgono es un
tringulo equiltero ABC. b) Si el polgono es un pentgono regular ABCDE.
07 tema 5.qxd 14/3/03 08:40 Pgina 107
5
Clasificacin
de los estados de
una cadena de Markov
En este captulo se van a clasificar los estados de una cadena de Markov utili-
zando la teora de grafos, a partir del digrafo (o pseudodigrafo) de evolucin ele-
mental de la cadena, G (V, A), tambin llamado diagrama de transicin. Este digra-
fo tiene por conjunto de vrtices el conjunto de los estados de la cadena
E = {1, 2, , r} y por arcos (j, k), desde el estado j al estado k, si la probabilidad
de transicin Pjk es positiva, es decir, si es posible pasar del estado j al k en una
etapa. Si los estados j y k coinciden y pjj 0, el arco se transforma en un bucle en el
vrtice j.
Se comprueba con facilidad que esta relacin verifica las propiedades reflexiva,
simtrica y transitiva y es, por tanto, una relacin de equivalencia en E, y como tal
produce una particin E/ en clases de equivalencia.
Cada clase est formada por todos los estados que estn comunicados entre s.
Dos clases o son disjuntas o coinciden, pues si dos clases C1 y C2 tienen el estado k
en comn, cualquier estado de C1 est comunicado con k y k est comunicado con
todo estado de C2, por tanto, todos los estados de C1 estn comunicados con los de
C2 y, en consecuencia, forman una sola clase.
Ninguna clase es vaca, porque al menos contiene un estado que est comunica-
do consigo mismo.
Cada una de las clases de equivalencia es un subgrafo fuertemente conexo de G.
Las clases de equivalencia son las componentes fuertemente conexas del digrafo G.
1/
3
1/
4
1/ 2 2/
2 3
1/ 1/
4 1 2 1/
2
4
1
3
1
5
C1 1/
3
1/ C2
4
1/ 2 2/
2 3
1/ 1/
4 1 2 1/
C3 2
4
1
3
1
5
Una cadena de Markov se dice que es irreducible si consta de una sola compo-
nente fuertemente conexa, es decir, si todos los estados estn comunicados entre s.
07 tema 5.qxd 14/3/03 08:40 Pgina 109
1 2/
3
1/
3 1/
2 2
1/
3
1/ 1/
3 2 2
2/ 1/
3 4 4
1/
4
1/
2
1
1/ 1/
4 2
1/ 2/
2 3
1/
1/ 3
4
3 2
C2 C1
Una clase Ci es una clase ergdica si es una clase final, es decir, si sus estados
estn comunicados entre s y no hay ningn estado de G Ci que sea accesible
desde Ci. Si el sistema entra en una clase ergdica ya no sale de ella.
En la cadena del ejemplo 5.1.1. hay dos clases ergdicas y en el ejemplo 5.1.2.
hay slo una que contiene todos los estados de la cadena.
Una clase ergdica con un solo estado se dice que es una clase absorbente.
1/ C2
2
C1 1
1 2
1/ 1/
2 2
0 1/
2 1/
2
3
C3 1 1/
2
1/
2 1/ 1/
2 2
6
5 1/
4
2
En esta cadena hay dos clases ergdicas y unitarias C1 y C3, que son, por tanto,
dos clases absorbentes.
Una clase de G/ que no sea final, es decir, una clase Ci tal que exista un esta-
do j Ci y un estado k G Ci, que es accesible desde j, se dice que es una clase
transitoria o de paso. En el ejemplo anterior de la lucha de dos especies animales
por ocupar un territorio, la clase C2 es transitoria.
07 tema 5.qxd 14/3/03 08:40 Pgina 111
1
3
2 1/ 1/ 1
4 2
3/ 4
4
1/ 2/
2 3
1/
4 1/
4
1/
4 6
1 1/
4 1 1/
5 3
1/ 1/ 9
4 4 1/ 1/ 7
3 2
1/ 1/ 1/
4 3 2
1/
1 4 1/
12 3 10 2/
3
8
11 1/
3
Este digrafo tiene cuatro subgrafos fuertemente conexos, como se puede ver en
la figura siguiente:
3 C1
1
2 1/ 1/ 1
4 2
3/ 4
4
1/ 2/
2 3
1/
4 1/
4
1/
4 6
1 1/
4 1 1/
5 3
1/ 1/ 9
4 4 1/ 1/ 7
3 2
1/ 1/ 1/
4 3 2
1/
1 4
12 1/
3 10 2/
3
8
11 1/
3
C4 C3 C2
07 tema 5.qxd 14/3/03 08:40 Pgina 112
Por tanto, tiene cuatro clases, C1 y C4 son clases ergdicas, por ser clases fina-
les, como C4 es unitaria es una clase absorbente, una vez que la cadena entra en el
estado 12 ya no lo abandona. La clase C3 es transitoria porque el estado 12 es acce-
sible desde uno de sus estados, el 10. Anlogamente es transitoria la clase C2, por-
que el estado 4 se puede alcanzar desde ella.
0.819 0.182 0.182 0
0.0455 0.637 0.182 0 .
M=
0.0455 0.091 0.546 0
0.09 0.09 0.09 1
07 tema 5.qxd 14/3/03 08:40 Pgina 113
9
00
0
04
009
0091
55
0
0182
18
2
0546
009
1 S C
Que consta de dos clases:
0819 00455 0637 C1
A B
0182 00
9
0
04
009
0091
55
0
0182
18
2
0546
009
1 S C
C2
La clase C1 es transitoria y C2 absorbente.
A B
D C
Segn las normas del saln, los jugadores deben cambiar de juego cada hora, pasan-
do de la sala en la que estn, al azar, a una de las contiguas. Dibujar el diagrama de
transicin de los movimientos de un jugador.
El diagrama de transicin:
A 1/ B
2
1/
2
1/ 1/ 1/ 1/
2 2 2 2
1/
2
1/
D 2 C
consta de una sola clase ergdica.
07 tema 5.qxd 14/3/03 08:40 Pgina 114
1/ A 1/ B 1/
3 3 3
1/
3
1/ 1/ 1/ 1/
3 3 3 3
1/
3
1/ 1/ 1/
3
3 D C 3
Resumen:
PROBLEMAS PROPUESTOS
1
a 1 b 1
1/
c k 3
1
f 1/
e 2/
3 2/
3
3
1/
2
1 j
l
d 1
g 1/
1/ 1 2 1 1
2
h 1/ i m
2
1/3 0 0 0 1/2 0 0
0 0 0 0 1/2 0 0
1/3 0 1/5 0 0 0 0
M = 0 0 0 1 0 0 1 .
1/3 0 4/5 0 0 0 0
0 1/2 0 0 0 0 0
0 1/2 0 0 0 1 0
1 0 1/3 0 0 0 0 0
0 0 1/3 0 1/2 0 0 0
0 1/2 0 1/2 0 0 0 0
0 0 1/3 0 0 0 1/2 0
M = .
0 1/2 0 0 0 1/3 0 0
0 0 0 0 1/2 0 1/2 1
0 0 0 1/2 0 1/3 0 0
0 0 0 0 0 1/3 0 0
b) Dibujar un diagrama de transicin de la cadena.
c) Clasificar los estados de la cadena.
07 tema 5.qxd 14/3/03 08:40 Pgina 117
6
Comportamiento
asinttico de
las Cadenas de Markov
transitiva, y como tal produce una particin del conjunto rxr ~ en clases de equi-
valencia. Cada clase est formada por todas las matrices semejantes entre s.
La respuesta a la pregunta sobre la existencia, en la clase de equivalencia de la
matriz Mrxr, de una matriz semejante diagonal se debe a Camille Jordan (1838-1922)
Camille Jordan
1 0 0
0 2 0 .
P1 M P =
0 0 r
Esta es la forma cannica de Jordan de la matriz Mrxr, que en este caso es una
matriz diagonal.
1/
D 2 C
0 1/2 0 0 1/2
1/2 0 1/2 0 0
M= 0 1/2 0 1/2 0 .
0 0 1/2 0 1/2
1/2 0 0 1/2 0
1 5
N = =
4
1 + 5 1 + 5
2 2
1 + 5
= x 5 / x = , , , ( + ), , ,
2
1 + 5
N = =
4
1 +5
1 5 1 +5
= x 5 / x = , , , ( +), , ,
2 2 2
El autoespacio asociado al autovalor 1 tiene dimensin uno, y un autovector aso-
ciado al autovalor 1 es, por ejemplo:
1
1
P1 = 1 .
1
1
Los autoespacios asociados a los autovalores dobles tienen dimensin dos y, por
tanto, se pueden encontrar para cada uno de ellos dos autovectores linealmente
independientes, y as se puede completar una base de 5 con autovectores de la
matriz M. Dos autovectores linealmente independientes asociados al autovalor
1 0
0 1
1 1 5
1 5 . Y dos autovec-
son, por ejemplo: P2 = 1+ 5 yP =3
2
4
2 1+ 5
1 5 2
2 1
1+ 5
tores asociados al autovalor y linealmente independientes son:
4
08 tema 6 14/3/03 08:41 Pgina 124
1 0
0 1
1 1+ 5
1 5 .
P = 4
y P5 = 2
2 1 5
1+ 5 2
2 1
Llamando P a la matriz que tiene por columnas los autovectores P1, P2, P3, P4 y P5
en este orden, con DERIVE se comprueba con facilidad que:
1 0 0 0 0
1 5
0 0 0 0
4
1 5 =D
P1 M P = 0 0 0 0
4
1 + 5
0 0 0 0
4
1 + 5
0 0 0 0
4
J1 0 0
1 0 J2 0 =J
P MP=
0 0 Jr
siendo las cajas
i 0 0 0 0
1 i 0 0 0
0 1 i 0 0
Ji =
0 0 1 0 0
0 0 0 1 i
de orden s o inferior (s es el orden de multiplicidad del autovalor i), con los ele-
mentos de la diagonal principal todos iguales a i, y la paralela a la diagonal prin-
08 tema 6 14/3/03 08:41 Pgina 125
cipal por debajo de ella formada por unos, o bien Ji = [i]. En este caso, la forma
cannica de Jordan, J, es diagonal por cajas y los 0 en esta matriz representan matri-
ces nulas de la dimensin que corresponda a las Ji.
Las columnas de la matriz P en este caso no son todas autovectores de M. La
matriz J tiene tantos unos en la paralela a la diagonal principal como vectores
columna tenga la matriz P que no sean autovectores.
1
1
asociado al autovalor = 1 y P = 1
es un autovector columna asociado
1 rx1
1/r
al mismo autovalor. Por tanto, en este caso el vector P = 1/r 1
es vector
1/r rx1
de probabilidades de equilibrio para esa cadena.
0 0 0.3 0.8 0.5
0 0 0.7 0.2 0.5
M= 0.2 0.3 0 0 0
0.5 0.4 0 0 0
0.3 0.3 0 0 0
se comprueba con facilidad, por ejemplo con el programa DERIVE, que su ecua-
cin caracterstica M I = 0 es:
21
5 + 3 = 0
20 20
y los autovalores son:
5 5
1 = 1, 2 = 1, 3 = 0, 4 = , 5 =
10 10
todos de mdulo menor o igual a 1.
El autoespacio asociado al autovalor 1 = 1 es:
39
56
229
N (1 = 1) = {x 5 / (M I) x = 0} = x 5 / x = 560
109
140
57
112
08 tema 6 14/3/03 08:41 Pgina 127
190 0.2947
229 0.2053
P1 = = 0.1205
1900 0.2295
109 0.15
475
57
380
AO
1 k r 1 tal que ST M S = siendo Akxk y C(r k) x (r k) matrices
BC
cuadradas, B(r k) xk, y Okx (r k) una matriz nula.
Por tanto, una matriz cuadrada de orden mayor que 1 es reducible si cambiando
filas y columnas se puede obtener una matriz con un bloque de ceros de k filas y
08 tema 6 14/3/03 08:41 Pgina 128
Ejemplo. Esta caracterizacin permite comprobar con slo dibujar los digra-
fos correspondientes que las siguientes matrices no negativas no son irreduci-
bles:
0 0 0 0 0 1
0 1 2 0 0 1/2 0 0 1 0
M1 =
1/2 0 0 0 y M2 = 0 1/2 1 0 0 0
0 1/2 0 0 0 0 0 1 0 0
0 0 1/2 0 0 0 0 0 0 0
1 0 0 0 0 0
2 4 8 24 0 1 0 2
1/2 0 0 0 , M = 1/3 0 0 0 ,
M3 = 4
0 1/2 0 0 0 1/5 0 0
0 0 1/2 0 0 0 1/3 0
0 1/2 1/2 0
1/2 1/4 0
1/2 0 0 1/2 , M = 1/2 1/2 1/2
M5 = 6
1/2 0 0 1/2 0 1/4 1/2
0 1/2 1/2 0
Probar, utilizando el programa DERIVE, que para las matrices irreducibles del
ejemplo anterior se verifica que la potencia (r 1) de la matriz suma de la identidad
de orden r y la matriz Mrxr es una matriz con todos los elementos positivos y que en
las reducibles esto no se verifica.
08 tema 6 14/3/03 08:41 Pgina 129
Teoremas de Perron.
Se recogen a continuacin unos resultados para matrices no negativas obteni-
dos en 1907 por Oskar Perron (1880-1975)
Oskar Perron
1. Si Mrxr es una matriz con todos los elementos positivos e irreducible, con
autovalores 1, 2, , r y = 1mx
ir
i, entonces es autovalor de M
yi< para todo autovalor i . Por tanto, es el autovalor dominante
que se llama raz de Perron de la matriz M.
F. Georg Frobenius
Caso particular:
Si M es la matriz de una cadena de Markov irreducible y tiene m autova-
lores de mdulo mximo, m es divisor del nmero de autovalores distintos
de cero de M, y los autovalores de mdulo mximo son las m races ente-
ras de la unidad, como se indic en apartado 6.3.
Si Mrxr es la matriz de transicin de una cadena de Markov, es siempre una
matriz no negativa y el autovalor dominante es = 1.
08 tema 6 14/3/03 08:41 Pgina 131
1n 0 0 1 0 0
0 n2 0 = 0 0 0
lim Jn = n
n
lim
0 0 nr 0 0 0
y
1 0 0
0 0 0
lim Mn = P P1 =
n
0 0 0
1 0 0 1 1 1
0 0 0 F2
= [P1 P2 Pr]
=
0 0 0 Fr
1 1 1
1 2 0
r 0 0 1 1 1
= [P P P ] = [P P P ]
0 0 0
es una matriz con todas las columnas iguales al vector P1.
Conclusiones:
Al tener el vector P1 todas las componentes positivas, siempre se podr volver a
pasar por uno cualquiera de los estados.
Existe un vector de estado permanente o estable que coincide con la nica dis-
tribucin estacionaria P1 de la cadena. El vector de estado de la cadena cuando el
nmero de etapas tiende a infinito es un vector de probabilidad, que es autovector
asociado al autovalor = 1 y no depende del vector de estado inicial P (0), ya que:
p1 (0)
p 2 (0)
lim Mn P (0) = [P1 P1
lim P (n) = n P1] = P1
n
pr (0)
08 tema 6 14/3/03 08:41 Pgina 132
esto significa que la cadena consta de una sola clase final ergdica y no posee esta-
dos transitorios. Se dice que es completamente ergdica o que es una cadena regu-
lar. El comportamiento asinttico de la cadena es independiente del vector de esta-
do inicial.
Los caracteres hereditarios estn en los genes. Todas las clulas, salvo los game-
tos, son rplicas exactas de la misma estructura gentica.
Los genes de cada clula se agrupan por pares a lo largo de los cromosomas. Se
considera el caso sencillo en el que cada gen de un par puede tomar uno de los dos
estados: A o a, por tanto, para el carcter considerado, un individuo est caracteri-
zado por uno de los tres genotipos posibles: AA (dominante), Aa (hbrido) y aa
(recesivo).
El genotipo de un hijo resulta de la reunin de un gen del padre y de un gen de
la madre segn la siguiente ley: Cada padre transmite un gen y slo uno de los dos
que constituyen su genotipo; cada gen del padre (o de la madre) tiene probabilidad
1/2 de ser transmitido y las dos elecciones son independientes. As, si el padre es Aa
y la madre es Aa su hijo tiene probabilidad 1/4 de ser AA, probabilidad 1/2 de ser
como sus padres Aa y probabilidad 1/4 de ser recesivo aa.
1/2 1/4 0
M = 1/2 1/2 1/2
0 1/4 1/2
3
Esta matriz tiene por polinomio caracterstico: M I= 3 + 2
2 2
Los autovalores de M son: 1, 1/2 y 0. Slo hay uno de mdulo 1, y el resto tiene
mdulo menor que la unidad.
08 tema 6 14/3/03 08:41 Pgina 133
1
N = = {x 3 / x = (, 0, ), }
2
N ( = 0) = {x 3 / x = (, 2, ), }
1 1 1
C1 = 2 , C2 = 0 y C3 = 2 y se observa que los autovectores asociados
1 1 1
al autovalor =1 son los nicos que pueden tener todas las componentes positivas.
1 1 1 1 0 0 1 0 0
P MP= =JJ =
1 n n
Si P = 2 0 2 0 1/2 0 0 (1/2) 0
1 1 1 0 0 0 0 0 0
1
1 1 1 1 0 0 1 1 1 1/4 1/4 1/4
n n 1
lim M = P lim J P = 2 0 2 0 0 0 2 0 2 = 1/2 1/2 1/2
n n
1 1 1 0 0 0 11 1 1/4 1/4 1/4
1/4 1/4 1/4 p1 (0) 1/4
Y el n lim Mn P (0) = 1/2 1/2 1/2 p2 (0) = 1/2 cualquiera que
lim P (n) = n
1/4 1/4 1/4 p3 (0) 1/4
sea el vector de distribucin de probabilidad inicial P (0).
p11 p11 p11 p11
1 0 0 p12 p12 p12 p12
n 0 0 0 1 1 1 1
lim
n
M = P P = [P P P ] =
0 0 0 p1rt p1rt p1rt p1rt
0tx1 0tx1 0tx1 0tx1
y el
p1 (0) p11
p2 (0) p12
lim Mn P (0) = [P1 P1 P1 P1]
lim P (n) = n
n
= P1 =
prt (0)
p1rt
pr (0) 0tx1
Conclusiones:
Existe un vector de estado permanente o estable que coincide con la nica dis-
tribucin estacionaria P1 de la cadena, autovector asociado a = 1, autovalor domi-
nante.
El vector de estado de la cadena cuando el nmero de etapas tiende a infinito no
depende del vector de estado inicial P(0).
Pero el vector de estado permanente, a diferencia del caso anterior, tiene com-
ponentes iguales a cero, las correspondientes a los estados transitorios porque en el
momento en que se deja un estado transitorio ya no se puede volver a l.
08 tema 6 14/3/03 08:41 Pgina 135
Ejemplo:
1/5 0 1 0 1/5
4/5 0 0 0 4/5
M= 0 1 0 1 0 ?
0 0 0 0 0
0 0 0 0 0
1 4 4 4
M I = 5 + 4 2 = 2 (1 ) 2 + +
5 5 5 5
2 4i 2 + 4i
Los autovalores de M son: 1, 0 (doble), y .
5 5
Como en el ejemplo anterior, slo hay uno de mdulo 1 y el resto tiene mdu-
lo menor que la unidad.
Los autoespacios asociados son:
4 4
N ( = 1) = x 5 / x = , , , 0, 0 ,
5 5
en este caso hay dos componentes de los autovectores asociados al autovalor 1 que
son nulas.
N ( = 0) = x 5 / x = , , 0, , , ,
2 + 4i 2 4i 3 + 4i
N = = x 5 / x = , , , 0, 0 ,
5 5 5
2 4i
y el autoespacio asociado a = es el conjugado del anterior, es decir:
5
2 4i 2 + 4i 3 4i
N = = x 5 / x = , , , 0, 0 ,
5 5 5
5 1 0 5 5
4 0 1 2 4i 2 + 4i
M= 4 0 0 3 + 4i 3 4i , entonces
0 0 1 0 0
0 1 0 0 0
1 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0
P1 M P = 0 0 0 0 0 = J Jn = 0 0 0 0 0
n
2 + 4i
0 0 0 0
5
0 0 0
5
2+4i
0 n
0 0 0 0
2 4i
5
0 0 0 0
2 4i
5
5 5 5 5 5
1 0 0 0 0 13 13 13 13 13
4 4 4 4 4
0 0 0 0 0
13 13 13 13 13
lim Mn = P n
n
lim Jn P1 = P 0 0 0 0 0 P1 = 4 4 4 4 4
13 13 13 13 13
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
5 5 5 5 5 5
13 13 13 13 13 p1 (0) 13
4 4 4 4 4 4
p2 (0)
13 13 13 13 13 13
Y el n lim Mn P (0) =
lim P (n) = n p3 (0) = 4
4 4 4 4 4
13 13 13 13 13 p4 (0) 13
0 0 0 0 0 0
p5 (0)
0 0 0 0 0 0
Ejemplo:
1 2
3 4
0 1/2 1/2 0
1/2 0 0 1/2
M=
1/2 0 0 1/2
0 1/2 1/2 0
Como se introduce el ratn en la pieza 4, la distribucin de probabilidad inicial
0 1/2
es: P (0) = 0 . Se comprueba fcilmente que P (2) = M P (0) = 0 , y tambin
2
0 0
1 1/2
1/2
0
que P (20) = P (30) = . En cualquiera de los casos estar en la pieza 1 o en la
0
1/2
4 con la misma probabilidad.
N ( = 0) = {x 4 / x = (, , , ), , }
N ( = 1) = {x 4 / x = (, , , ), }
1 1 0 1
1
C = 1 ,C =2 0 3
,C = 1 4
yC = 1
1 0 1 1
1 1 0 1
1 1 1 0
La matriz 1 1 0 1 que tiene por columnas esos autovectores dia-
1 1 0 1
1 1 1 0
gonaliza la matriz de transicin:
08 tema 6 14/3/03 08:41 Pgina 139
1 0 0 0 1 0 0 0
P M P = 0 1 0
1 0 = J Jn = 0 (1)n 0 0 .
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
De ah que:
1 0 0 0
lim M = n
P lim J P n
= P 1
lim 0 (1)n 0 0 P1.
n n n 0 0 0 0
0 0 0 0
1 0 0 0 1/2 0 0 1/2
lim J2k P1 = P 0
lim M2k = P k 1 0 0 P1 = 0 1/2 1/2 0
k 0 0 0 0 0 1/2 1/2 0
0 0 0 0 1/2 0 0 1/2
y si n = 2k +1:
1 0 0 0 0 1/2 1/2 0
lim M 2k + 1
= P k
lim J2k + 1
P = P 0 1 0
1 0 P1 = 1/2 0 0 1/2
k 0 0 0 0 1/2 0 0 1/2
0 0 0 0 0 1/2 1/2 0
Y en consecuencia, no existe el n
lim P (n). Esta cadena no admite un vector de
probabilidades permanente o estable. Pero posee un nico vector P1 de probabili-
1/4
dades estacionario: P1 = 1/4 , vector de probabilidad y autovector asociado al auto-
1/4
1/4
valor simple = 1. Slo si la distribucin de probabilidad en el instante inicial es P1
lim P (n) = P1, en los dems casos no existe el n
ser n lim P (n).
En este caso, si se parte de uno de los estados de la cadena, es posible volver a
l pasadas un nmero par de etapas. Los estados de esta cadena son recurrentes pero
peridicos de periodo 2.
La probabilidad de encontrarse en un estado despus de un nmero n sufi-
cientemente grande de etapas en este caso s depende del estado inicial.
na. Por verificarse esto se dice que la matriz Mn converge en el sentido de Cesaro a una
matriz con todas las columnas iguales a la distribucin estacionaria de la cadena.
Para una cadena peridica de periodo m, existen m potencias distintas de la
matriz M, la media aritmtica de esas potencias converge a una matriz con todas las
columnas iguales a la distribucin estacionaria de la cadena, es decir:
1
lim
k m
( ) [
Mmk + Mmk + 1 + Mmk + 2 + + Mmk + m 1 = P1 P1 P1]
y se dice que Mn converge en el sentido de Cesaro a la matriz que tiene todas las
columnas iguales a la distribucin estacionaria de la cadena.
Ejemplo:
0 1/2 1/2 0 0 0 2/10 1/10
1/2 1/2 0 0 0 0 2/10 1/10
1/2 0 1/2 0 0 0 0 0
0 0 0 1 0 0 3/10 0
M =
0 0 0 0 3/5 1/2 0 0
0 0 0 0 2/5 1/2 0 1/10
0 0 0 0 0 0 3/10 1/10
0 0 0 0 0 0 0 6/10
El polinomio caracterstico de M es:
+ 2 5
10
1 1 3 3 1
M I= ( 1)3
2 10
08 tema 6 14/3/03 08:41 Pgina 141
Los autovalores son, por tanto, 1 (triple), 1/10, 3/10, 1/2, 3/5, 1/2.
N ( = 1/2) = x 8 / x = , , , 0, 0, 0, 0, 0 ,
2 2
Como todos los autoespacios tienen dimensin igual al orden de multiplicidad
del autovalor correspondiente, la matriz M es diagonalizable.
Si P es la matriz que tiene por columnas ocho autovectores linealmente indepen-
dientes, por ejemplo:
1 0 0 0 6 0 30 2 1 0 0 0 0 0 0 0
1 0 0 0 41 1 70 1 0 1 0 0 0 0 0 0
1 0 0 0 15 1 150 1 0 0 1 0 0 0 0 0
0 1 0 0 24 0 33 0 0 0 0 1/10 0 0 0 0
0 P MP=
P= 1
0 0 5 1 0 0 33 0 0 0 0 3/10 0 0 0
0 0 4 1 0 0 0 0 0 0 0 0 0 1/2 0 0
0 0 0 0 56 0 44 0 0 0 0 0 0 0 3/5 0
0 0 0 0 0 0 132 0 0 0 0 0 0 0 0 1/2
1 0 0 0 0 0 0 0 1/3 1/3 1/3 0 0 0 4/21 3/14
0 1 0 0 0 0 0 0 1/3 1/3 1/3 0 0 0 4/21 3/14
0 0 1 0 0 0 0 0 1/3 1/3 1/3 0 0 0 4/21 3/14
0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 3/7 3/28
lim
n
Mn = P lim
n
Jn P1 = P 0 0 0 0 0 0 0 0 P = 0 0 0 0 5/9 5/9 0 5/36
0 0 0 0 0 0 0 0 0 0 0 0 4/9 4/9 0 1/9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
08 tema 6 14/3/03 08:41 Pgina 142
1/3 1/3 1/3 0 0 0 4/21 3/14 p1 (0)
1/3 1/3 1/3 0 0 0 4/21 3/14 p2 (0)
1/3 1/3 1/3 0 0 0 4/21 3/14 p3 (0)
0 0 0 1 0 0 3/7 3/28 p4 (0)
lim
n
P (n) = lim
n
Mn P (0) = 0 0 0 0 5/9 5/9 0 5/36 p5 (0)
0 0 0 0 4/9 4/9 0 1/9 p6 (0)
0 0 0 0 0 0 0 0 p7 (0)
0 0 0 0 0 0 0 0 p8 (0)
1
(5p1 + 5p2 + 5p3 9p4 9p5 9p6 p7 + 9)
42
1
(5p1 + 5p2 + 5p3 9p4 9p5 9p6 p7 + 9)
42
1
(5p1 + 5p2 + 5p3 9p4 9p5 9p6 p7 + 9)
42
1
lim P(n) = lim M n
P(0) = ( 3p1 3p2 3p3 + 25p4 3p5 3p6 + 9p7 + 3)
n n 28
1
( 5p1 5p2 5p3 5p4 + 15p5 + 15p6 5p7 + 5)
36
1
( p1 p2 p3 p4 + 3p5 + 3p6 p7 + 1)
9
0
0
Analizando el lim
n
M n se ve claramente que:
1/3
cin permanente, o estable, 1/3 .
1/3
5/9
permanente .
4/9
1/3 0 0
1/3 0 0
1/3 0 0
0 1 0
, y
0 0 5/9
0 0 4/9
0 0 0
0 0 0
1 0 0 0 0 0
1/4 2/4 0 1/4 0 0
A= 0 0 0 1 0 0
1/16 4/16 2/16 4/16 4/16 1/16
0 0 0 1/4 2/4 1/4
0 0 0 0 0 1
En este artculo se afirma que en las condiciones sealadas los hbridos pueden
considerarse a la larga relativamente inexistentes; y se comprueba para la distribu-
cin de probabilidades iniciales: P (0) = [1/9 2/9 2/9 1/9 2/9 1/9] que despus
de 60 generaciones la distribucin de probabilidades es:
P (60) = [0.499999 0.000001 0.000000 0.000001 0.000001 0.499999].
Aunque tambin se puede trabajar por filas, como el polinomio caracterstico de
A y el de su transpuesta coinciden y tambin los autovalores, se puede considerar la
matriz M, transpuesta de la matriz A, que es estocstica por columnas
1 1/4 0 1/16 0 0
0 2/4 0 4/16 0 0
M= 0 0 0 2/16 0 0
0 1/4 1 4/16 1/4 0
0 0 0 4/16 2/4 0
0 0 0 1/16 1/4 1
y demostrar que el
1/9 1/2
2/9 0
2/9 0
lim Mn P (0) = n
lim P (n) = n
n
lim Mn 1/9 = 0 .
2/9 0
1/9 1/2
N ( = 1) = x 6 / x = , 0, 0, 0, 0, , ,
N ( = 1/2) = x 6 / x = , 2, 0, 0, 2, ,
N ( = 1/4) = x 6 / x = , 4, 2, 4, 4, ,
08 tema 6 14/3/03 08:41 Pgina 145
1 5
N = = x 6 / x = (, 65 + 14,
4
85 + 18, 205 + 44, 6 5 + 14, ),
1 + 5
N = = x 6 / x = (, 65 14, 85 18,
4
1 0
0 0
0 0
P1 = 0 y P2 = 0 .
0 0
0 1
1 1
2 4
0 2
P3 = 0 y P4 = 4 .
2 4
1 1
1 5 1 + 5
y autovectores asociados respectivamente a los autovalores = y =
4 4
1 1
14 6 5 14 + 6 5
18 8 5 18 + 8 5 .
P5 = y P6 =
20 5 + 44 20 5 + 44
6 5 14 6 5 14
1 1
08 tema 6 14/3/03 08:41 Pgina 146
0 1 0 0 0 0
0 0 1/2 0 0 0
1
P MP= =J
0 0 0 1/4 0 0
1 5
0 0 0 0 0
4
1 + 5
0 0 0 0 0
4
y que
1 0 0 0 0 0
0 1 0 0 0 0
0 0 0 0 0 0
lim Jn =
n 0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
Por tanto:
1 3/4 1/2 1/2 1/4 0
0 0 0 0 0 0
0 0 0 0 0 0
lim Mn = n
lim (P Jn P1) = P n
lim Jn P1 = .
n 0 0 0 0 0 0
0 0 0 0 0 0
0 1/4 1/2 1/2 3/4 1
3 1 1 1
p1 p1 + p2 + p3 + p4 + p5
4 2 2 4
p2 0
p3 0
lim Mn P (0) = n
lim P (n) = n
n
lim Mn =
p4 0
p5 0
5
3 1 1 1
1
pi 1 p1 p2 p3 p4 p5
i=1 4 2 2 4
08 tema 6 14/3/03 08:41 Pgina 147
1/9 1/2
2/9 0
2/9 0
lim Mn P (0) = n
lim P (n) = n
n
lim Mn 1/9 = 0 .
2/9 0
1/9 1/2
Por tanto, a la larga slo se presentan los cruces AA AA y BB BB, slo
quedan individuos homocigticos AA y BB en la misma proporcin.
Resumen.
El conocimiento de los autovalores de la matriz de transicin de una cadena de
Markov permite averiguar el comportamiento asinttico de esa cadena:
1. Si la matriz de transicin de la cadena slo tiene un autovalor de mdulo 1,
este necesariamente es = 1, la cadena consta de una sola clase final.
Existe un nico vector de estado permanente o estable que es la distribucin
estacionaria P1. Si este vector tiene todas las componentes positivas, la cade-
na es completamente ergdica, y si hay alguna componente nula, es simple-
mente ergdica, lo que significa que adems de la clase ergdica tiene al
menos una clase de estados transitorios. En ambos casos la distribucin P1 es
la distribucin a la larga de la cadena, independientemente de la distribucin
de probabilidad inicial.
2. Si la matriz de transicin de la cadena tiene el autovalor 1 simple pero posee
otros m autovalores de mdulo 1, es una cadena peridica de periodo m.
Tiene una sola distribucin estacionaria que viene dada por el autovector P1
asociado al autovalor dominante, pero no es una distribucin de estado per-
manente porque no existe el n lim Mn P (0).
lim P (n) = n
3. Si el autovalor 1 es mltiple de orden de multiplicidad k, la cadena es ml-
tiple y consta de k clases finales, y puede tener o no alguna clase de estados
transitorios, pero a la larga quedar atrapada en una de las clases finales. Por
tanto, estas son las nicas que tienen inters en el estudio del comporta-
miento asinttico de la cadena.
Si alguna clase final es unitaria, el nico estado que la forma es absorbente.
Una cadena mltiple con k clases finales tiene k distribuciones estacionarias
que vienen dadas por k autovectores linealmente independientes asociados al
autovalor dominante = 1.
La distribucin a la larga en este tipo de cadenas depende de la distribucin
de probabilidad inicial.
En todos los casos siempre se puede dar al menos una distribucin de pro-
babilidad estacionaria, o distribucin inicial que permanece inalterable en
todas las etapas, esta es el vector de probabilidad P1, autovector asociado al
autovalor dominante = 1.
08 tema 6 14/3/03 08:41 Pgina 148
PROBLEMAS PROPUESTOS
0 1/2 0 0
0 0 1/3
a) M = 0 1/2 2/3 , b) M = 1/2 1/4 0 1/2
,
1 1/2 0 1/2 0 0 0
0 1/4 1 1/2
1/2 0 5/8 0
c) M = 1/2 0 3/8 0
.
0 1/4 0 1/2
0 3/4 0 1/2
0 0 1/3
M= 0 1/2 2/3
1 1/2 0
0 1/2 1/2 1/2
M= 1/2 0 1/2 1/2
.
1/4 1/4 0 0
1/4 1/4 0 0
Calcular:
a) Los autovalores.
b) Los autovectores por la derecha.
lim Mn P, siendo P un vector de probabilidad.
c) n
08 tema 6 14/3/03 08:41 Pgina 149
0 1/2 1/2 0
1/2 1/4 0
M1 = 1/2 1/2 1/2 , M2 = 1/2 0 0 1/2
,
0 1/4 1/2 1/2 0 0 1/2
0 1/2 1/2 0
0.64 0.16 0.20 0 0 1/2 1/2 1/2
M3 = 0.08 0.48 0.20 0
, M4 = 1/2 0 1/2 1/2
.
0.08 0.16 0.40 0 1/4 1/4 0 0
0.20 0.20 0.20 1 1/4 1/4 0 0
8. Se sabe que las caractersticas de un ser vivo vienen determinadas por su geno-
tipo. Se considera slo la parte del genotipo que contiene a los alelos de un locus
sencillo. Segn su genotipo, con respecto a un cierto carcter no ligado al sexo,
se clasifican los individuos en tres tipos: AA, Aa y aa. En una poblacin en la
que estos genotipos se presentan en la misma proporcin se cruzan las hembras
en cada generacin con machos hbridos. a) Cul ser la distribucin de los
genotipos despus de dos cruces? b) Qu ocurrir a la larga? c) Si se parte de
una poblacin que son la mitad dominantes y la otra mitad hbridos, cul ser
la proporcin de los tres genotipos despus de dos cruces? Y a la larga?
11. Una colmena se divide en cuatro C1, C2, C3 y C4. Se designa por pij a la propor-
cin de abejas de Ci que se van a Cj cada primavera. Si los movimientos de las
abejas siguen un proceso de Markov discreto con matriz de transicin:
1 0 0 1/4
M= 0 1 0 1/4
0 0 1 1/4
0 0 0 1/4
Se pide:
a) Indicar el espacio de estados.
b) Dibujar un diagrama de transicin.
c) Clasificar los estados.
d) Si inicialmente la poblacin est repartida uniformemente en las cuatro col-
menas, cul ser la distribucin de la poblacin dentro de tres primaveras?
e) Cul ser la distribucin de probabilidad a la larga?
08 tema 6 14/3/03 08:41 Pgina 151
0.586 0.070 0.079
M= 0.073 0.639 0.064
0.341 0.291 0.857
7
Un modelo de
Ecologa de poblaciones.
Modelo de Leslie
7.1. Introduccin.
En los captulos anteriores se ha podido ver cmo las cadenas de Markov per-
miten estudiar la evolucin en el tiempo de una poblacin si se conoce la matriz M
formada por las probabilidades de transicin entre los estados que se consideran
constantes en el transcurso del tiempo, y cmo se puede aplicar este modelo mate-
mtico para estudiar, por ejemplo, la evolucin de poblaciones en gentica, consi-
derando estado de un individuo el genotipo al que pertenece. Desde el punto de vista
de la gentica, como el genotipo de un individuo no cambia, interesa saber la pro-
porcin de cada uno de los genotipos en las distintas etapas, y esta informacin se
obtiene del vector de probabilidad en la etapa correspondiente.
Al estudiar la evolucin de una poblacin desde el punto de vista de la zoologa
o de la ecologa, lo primero que se observa es que los individuos nacen, crecen, pue-
den reproducirse o no y mueren. As, un mismo individuo puede pasar por distintos
estados o etapas. Para algunas especies animales, como los mamferos, una forma
sencilla de estructurar la poblacin es dividirla en clases segn la edad de los indi-
viduos y observar las tasas de nacimiento y de mortalidad de cada una de las clases.
Un modelo de estructura de edad es el modelo de Leslie.
Patrick Holt Leslie (1900-1974), investigador del Departamento de Zoologa de
la Universidad de Oxford, desde 1935 hasta su jubilacin en 1968, presenta en un
artculo (36), su modelo de estructura de edad, en 1940, como resultado de sus inves-
tigaciones dirigidas por Charles Elton quien le encarga estudiar si es posible integrar
en una sola expresin las tasas de mortalidad y de fertilidad de especies animales.
Trabajando en ese departamento con el ratn de campo (Microtus agrestis) logra
combinar en una misma ecuacin las tasas de supervivencia y de fertilidad. Formula
as un modelo de evolucin de poblaciones animales (34), (35) que expresa en forma
matricial, lo que simplifica la comprensin del modelo. Estos trabajos, en los que
09 tema 7 14/3/03 08:45 Pgina 154
tambin introduce las tablas de vida de especies animales, han tenido mucha ms
influencia en la evolucin de los estudios en ecologa que los de H. Bernardelli (4) y
E.G. Lewis (37). Leslie da los primeros pasos en la aplicacin de las matrices a la evo-
lucin de poblaciones en zoologa y en ecologa. Por el uso de matrices, este modelo
es adecuado para la utilizacin de los ordenadores, facilitando as los clculos.
Cuando un bilogo, trabajando en el campo de la zoologa o en el de la ecolo-
ga, estudia la evolucin en el tiempo de una poblacin, ya sea de animales verte-
brados, pequeos crustceos de agua dulce, poblaciones pelgicas5, insectos, etc.,
observa que no todos los individuos se comportan de la misma forma en la dinmi-
ca y evolucin de la poblacin, pues la supervivencia y reproduccin de los indivi-
duos depende de la edad.
En la evolucin temporal la variable independiente, el tiempo, habitualmente se
considera una variable continua y, por tanto, elegido un instante inicial t = 0, puede
tomar valores en la semirrecta [0, + ). Si se divide la semirrecta en un conjunto
discreto de intervalos [0, 1), [1, 2), [2, 3), [3, 4), , [n, n + 1), de la misma
amplitud y se toma como unidad de tiempo la amplitud de una clase, se puede con-
siderar la variable tiempo discreta y as describir la evolucin mediante un modelo
discreto. Este conjunto de intervalos se denomina clases de edad. Los individuos de
la clase [0, 1) se dice que tienen edad cero, los de la clase [1, 2) edad uno, , los
de la clase [n, n + 1) edad n, etc.
Se puede describir as la composicin de una poblacin en un instante n por un
vector cuyos elementos son el nmero de individuos de cada una de las clases de
edad en ese instante. Si se conoce la distribucin de edad de una poblacin en un
instante dado, interesa averiguar la distribucin de edad de los supervivientes y
descendientes de la poblacin original en sucesivos intervalos de tiempo.
El Modelo de Leslie es un modelo estocstico discreto que permite predecir la
estructura de edad de una poblacin, de la que se conoce su composicin en un ins-
tante dado, suponiendo que las tasas de fertilidad y de mortalidad de las diferentes
5
Son poblaciones pelgicas las que viven en alta mar, ya sea en la superficie o a cierta profundidad, por ejemplo
la sardina.
09 tema 7 14/3/03 08:45 Pgina 155
N0n
N1n
N2n
Nn =
Nxn
Nmn
Se toma como unidad de tiempo la amplitud de las clases, por ello, a partir de
ahora las designaremos del siguiente modo:
[0, 1), [1, 2), , [x, x + 1), , [m, m + 1)
Los individuos de la clase [x, x + 1) se dice que son los de edad x. La ltima
clase de edad es [m, m + 1), es decir, que no hay individuos de edad mayor que m.
Se supone que la proporcin de machos y hembras se mantiene constante y que
dentro de un intervalo de edad las tasas de nacimiento y de mortalidad no varan, pero
6
La partenognesis es un tipo de reproduccin unisexual en la que las hembras tienen descendencia sin fertiliza-
cin por los machos. Este tipo de reproduccin es frecuente en rotferos (gusanos), en fidos (pulgones), en algu-
nos pequeos crustceos de agua dulce, etc.
09 tema 7 14/3/03 08:45 Pgina 156
pueden diferir de una clase a otra. Tambin se formula la hiptesis en este modelo que
en la poblacin no tienen lugar movimientos de emigracin ni inmigracin.
Pasado un lapso de tiempo igual a la amplitud de una clase, un individuo tiene
cierta probabilidad de morir y la probabilidad complementaria de pasar a la clase
siguiente. Cuando transcurre una unidad de tiempo todos los individuos supervivien-
tes del grupo de edad x pasan al grupo (x + 1). La probabilidad de que un individuo
permanezca en la misma clase transcurrida una unidad de tiempo es cero. Si la pro-
babilidad de mortalidad en la clase de edad x es mx, entonces la probabilidad de
supervivencia es 1 mx. Se indica por px la probabilidad de que una hembra de edad
x en el instante n siga viva en el instante (n + 1) en el que pasar a la edad (x + 1). As,
px = 1 mx representa la probabilidad de supervivencia de las hembras de edad x.
Se designa por fx la media del nmero de hembras nacidas en una unidad de
tiempo de una hembra de edad x, que vivirn en el primer grupo de edad hasta la
siguiente unidad de tiempo y que, por tanto, tendrn edad cero hasta que pase un
lapso de tiempo igual a la amplitud de una clase. Esta media fx representa la tasa de
fertilidad de las hembras de edad x.
Clases Probabilidad de Tasa de
de edad supervivencia fertilidad
[0, 1) p0 f0
[1, 2) p1 f1
[2, 3) p2 f2
[x, x + 1) px = 1 mx fx
[m 1, m) pm 1 fm 1
[m, m + 1) 0 fm
de tiempo ser:
En forma matricial:
O bien:
N1 = M N0
siendo N0 y N1 los vectores que representan las distribuciones de edad en el instan-
te inicial y al cabo de una unidad de tiempo, y M una matriz cuadrada de orden
(m + 1) que se denomina matriz de proyeccin poblacional o matriz de Leslie.
f0 f1 f2 fm1 fm
p0 0 0 0 0
0 p1 0 0 0
M=
0 0 p2 0 0
0 0 0 pm1 0
La matriz de Leslie tiene todos los elementos cero menos los de la subdiagonal
inmediatamente por debajo de la diagonal principal y los de la primera fila, aunque
algunos de estos ltimos pueden ser cero. El nmero de ceros de la primera fila y
sus posiciones dependen de la biologa reproductora de la especie considerada y de
la duracin relativa de las pocas pre-reproductoras y post-reproductoras.
Ejemplo 7.2.1. Si la matriz de proyeccin es de orden 5 y para las seis clases las
tasas de fertilidad son positivas, el digrafo asociado a esa matriz es:
f1 f2 f3 f4 f5
f0
C0 C1 C2 C3 C4 C5
p0 p1 p2 p3 p4
09 tema 7 14/3/03 08:45 Pgina 159
1 1
C0 C1 C2
3/ 1/
4 2
1 3
C0 C1 C2 C3
1/ 2/ 1/
3 3 3
p f
k2 k1
f0 p0 f1 p0 p1 f2 pi fk1 i k
i=0 i=0
1 0 0 0 0
B = H M H1 = 0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
8
Teorema de Harriot-Descartes:
El nmero de races positivas de una ecuacin con coeficientes reales, contada cada una tantas veces como indi-
que su orden de multiplicidad, no supera el nmero de variaciones que presenta la sucesin de los coeficientes,
y ambos nmeros son de la misma paridad.
9
Obsrvese que 1 no puede ser raz mltiple por el teorema de Harriot-Descartes.
10
Vase Captulo 6, Apartado 6.5.
09 tema 7 14/3/03 08:45 Pgina 165
x 0 x 0 0 x 0 x
0 x 0 x x 0 x 0
M2k = y M2k+1 =
x 0 x 0 0 x 0 x
0 x 0 x x 0 x 0
2 8
C0 C1 C2 C3
1/ 3/ 1/
2 4 4
11
Vase Captulo 6, Apartado 6.5.
09 tema 7 14/3/03 08:45 Pgina 166
1 2
C0 C1 C2
1/ 1/
2 4
p f
k2 k1
f0 p0 f1 p0 p1 f2 pi fk1 i k v0 v0
i=0 i=0
1 0 0 0 0 v1 v1
0 1 0 0 0 v2 = v2
0 0 1 0 0
vk1 vk1
0 0 0 1 0 vk vk
o bien:
k2 k1
f0 v0 + p0 f1 v1 + p0 p1 f2 v2 + + fk1 pi vk1 + fk pi vk = v0
i=0 i=0
v0 = v1
v1 = v2
vk1 = vk
De donde:
v0 = k vk; v1 = k1 vk; v2 = k2 vk; ; vk1 = vk
siendo vk cualquier nmero real, ya que sustituyendo en la primera ecuacin los
valores de v0, v1, , vk1 se obtiene:
k2 k1
f0 k vk + p0 f1 k1 vk + p0 p1 f2 k2 vk + + fk1 pi vk + fk pi vk = k+1 vk
i=0 i=0
y esta igualdad es una identidad para todo valor de vk, porque es autovalor de M
y, por tanto, verifica la ecuacin caracterstica.
Por tanto, un autovector asociado a es:
k
k1
k2
v=
1
09 tema 7 14/3/03 08:45 Pgina 168
p
k1 1 k1
i 0 0 0 k pi
i=0
p
1 i=0
k1 k1
0 i 0 0 k1
i=1
k2
k1
= pi
i=1
0 0 (pk1)1 0
0 0 0 1 1 pk1
1
36
N = 1 6 .
1
09 tema 7 14/3/03 08:45 Pgina 169
0 0 0 45
Ejemplo 7.7.2. Si M = 2/3 0 0 0 es M I= 4 1.
0 1/3 0 0
0 0 1/10 0
1 2 0
Ejemplo 7.7.3. Si M = 1/2 0 0 el polinomio caracterstico es:
0 1/3 0
1 + 5 1 5
M I= 3 2 que tiene por races: 1 = , 2 = , 3 = 0,
2 2
1 + 5
el autovalor dominante es: 1 = .
2
Los autoespacios correspondientes son:
1 + 5
3+3 5
N = = x 3 / x = 3 5 + 9 , , ,
2 2
1 5
3 3 5
N = = x 3 / x = 9 3 5 , , ,
2 2
N ( = 0) = {x 3 / x = (0, 0, ), }
Un autovector asociado al autovalor dominante es por ejemplo
9 + 3 5
3 + 3 5
N1 = .
2
1
12
6
En particular N1 = 2 da la proporcin de los individuos de las distintas
1
clases tomando como unidad el nmero de los de la ltima clase.
d) La tasa neta de reproduccin por unidad de tiempo es 1 = 1, lo que signifi-
ca que si se parte de la distribucin de edad estable N0 = N1 la poblacin se
mantiene constante en el tiempo, es decir, es estable y estacionaria.
e) Si el crecimiento de la poblacin es proporcional a su tamao, la tasa de cre-
cimiento per capita es k = Ln1 = Ln1 = 0.
0 0 1
09 tema 7 14/3/03 08:45 Pgina 173
1k1
k1
N1 = pi
i=1
1
pk1
1
slo son funcin del autovalor 1 y de las probabilidades de supervivencia
para las k clases de edad consideradas en la matriz M irreducible y represen-
tan la proporcin de individuos de cada clase de edad tomando como unidad
de medida el nmero de individuos de la ltima clase reproductora.
Si 1 = 1 entonces:
lim P Jn P1 N0 =
lim N (n) = n
n
1n 0 0
0 n2 0
lim [N1 N2 Nk+1]
= n
1
P N0 =
0 0 nk+1
1 0 0
0 0 0
= [N1 N2 Nk+1]
1
P N0 =
0 0 0
= [N1 0 0] P1 N0 = d N1
09 tema 7 14/3/03 08:45 Pgina 176
Si 1 < 1, es r = Ln 1 < 0.
0
0
Partiendo de N0 = N1 se tiene N (n) = 1n N0. El n lim 1n N0 =
lim N (n) = n
0
Clases
px fx
de edad
C0 = [0, 1) 0.06 0
C1 = [1, 2) 0.34 0
C2 = [2, 3) 0.16 37
C3 = [3, 4) 0.08 64
C4 = [4, 5) 0 82
0 0 37 64 82
0.06 0 0 0 0
M= 0 0.34 0 0 0
0 0 0.16 0 0
0 0 0 0.08 0
0.8 y
0.6
0.4 a
0.2
x
2 1.5 1 0.5 0.5 1 1.5 2
0.2
0.4
0.6
0.8
9220
560
N1 = 190
30
2
Este vector da una distribucin de edades estable. Y por ser 1 = 1 esta distribu-
cin es estable y estacionaria. A la larga la poblacin alcanza asintticamente una
distribucin por edades determinada por la distribucin N1, siempre que se manten-
gan constantes las tasas de supervivencia y de fertilidad.
0 0 37 64 82
0.072 0 0 0 0
M1 = 0 0.34 0 0 0
0 0 0.16 0 0
0 0 0 0.08 0
0.8 y
0.6
b
0.4 a
0.2
x
2 1.5 1 0.5 0.5 1 1.5 2
0.2
0.4
0.6
0.8
0 0 37 0 0
0.06 0 0 0 0
M2 = 0 0.34 0 0 0
0 0 0.16 0 0
0 0 0 0 0
que ya no es primitiva.
Su ecuacin caracterstica es:
2 (3 0.7548) = 0
El autovalor dominante de M2 es aproximadamente 1 = 0.91049 < 1 y, por
tanto, la poblacin a la larga desaparecer.
En la siguiente figura, en la que se puede observar la variacin del autovalor
dominante, estn representados los polinomios caractersticos de las matrices
M, M1 y M2, la curva c corresponde a la matriz M2.
0.8 y
0.6
b
0.4 a
+
c
0.2
x
2 1.5 1 0.5 0.5 1 1.5 2
0.2
0.4
0.6
0.8
9961
3789
1517
567
Nn = 187 = N1
58
16
4
1
PROBLEMAS PROPUESTOS
1. Se considera una poblacin con dos clases de edad, o etapas, jvenes y adultos
con tasas de fertilidad 2 para los jvenes y 5 para los adultos. Slo la cuarta parte
de los jvenes llegan a la edad adulta. Determinar:
a) Cul es la distribucin de edad estable?
b) Cul es la tasa de reproduccin por unidad de tiempo cuando se parte de la
distribucin de edad estable?
c) Si el crecimiento es proporcional a su tamao, calcular la tasa de crecimien-
to per capita.
0 0 0 6 18 0 0 0 30 120
0.48 0 0 0 0 0.25 0 0 0 0
M1 = 0 0.52 0 0 0 y M2 = 0 0.2 0 0 0
0 0 0.35 0 0 0 0 0.35 0 0
0 0 0 0.4 0 0 0 0 0.56 0
7. En una granja, en la que se cra una especie de ave acutica, se quiere estudiar la
evolucin al cabo de los aos, para ello se divide la poblacin en cinco clases de
edad, de amplitud un ao. Sabiendo que se eliminan la mitad de las aves de las
cuatro primeras clases y todas las aves de cuatro aos al final de cada ao, que
las tasas de fertilidad estimadas para cada una de las clases son:
f0 = 0.05, f1 = 1.35, f2 = 1, f3 = 0.2 y f4 = 0,
que se comienza con 100 polluelos y que se mantienen constantes las tasas de
supervivencia y de fertilidad al cabo de los aos. Se pide:
a) Cul ser la distribucin de edades de la poblacin al cabo de cinco aos?
b) Calcular la distribucin de edades estable.
c) Es estacionaria la distribucin de edades estable?
d) La distribucin de edades a la larga, depende de la distribucin inicial?, por
qu?
09 tema 7 14/3/03 08:45 Pgina 187
Apndice I
Clculo de los autovalores,
autovectores y matriz de
Jordan de una matriz dada
utilizando el programa
DERIVE 12-13
12
DERIVE es una marca registrada por Soft Warehouse, Inc.
13
Vase (23).
10 apendice 1 14/3/03 08:47 Pgina 190
20 6 18
Ejemplo A.1.1. Si A = 6 5 6 su polinomio caracterstico es:
12 6 10
3 + 15 2 66 + 80 = (8 ) ( 5) ( 2)
Los autovalores son: 2, 5 y 8 simples. Por tanto, s es diagonalizable, ya que
DIMAUTOEV (A, 8) = DIMAUTOEV (A, 5) = DIMAUTOEV (A, 2) = 1, que es
el orden de multiplicidad algebraica de cada .
14 22 26 16
4 7 8 4
Ejemplo A.1.2. Si A = su polinomio caracterstico es:
9 14 17 9
3 6 6 5
10 apendice 1 14/3/03 08:47 Pgina 191
APNDICE I 191
4 + 3 3 2 + 2 = ( + 1) ( + 2) ( 1)2
Los autovalores son: 1 y 2 simples y 1 doble.
Como DIMAUTOEV (A, 1) = 1 2 que es la multiplicidad algebraica del auto-
valor 1, la matriz A no es diagonalizable.
1 0 0 0 0
0 5 6 6 0
Ejemplo A.1.3. Si A = 0 0 1 6 0 su polinomio caracterstico es:
0 0 0 5 0
1 6 6 6 1
5 + 7 4 + 2 3 46 2 65 25 = ( 5)2 ( + 1)3
Los autovalores son 5 doble y 1 triple.
DIMAUTOEV (A, 5) = 2 que es la multiplicidad algebraica del autovalor 5.
Pero DIMAUTOEV (A, 1) = 2 < 3 que es la multiplicidad algebraica del autova-
lor 1, y, en consecuencia, la matriz A no es diagonalizable.
Una vez que ya se ha reconocido si la matriz A es diagonalizable o no, para
calcular una matriz de Jordan semejante a A3x3 se pueden utilizar los archivos
siguientes que hemos desarrollado con DERIVE:
DIAGM3X3.MTH para las diagonalizables y CMJM3X3.MTH para las no
diagonalizables.
La expresin
x1
5: AUTOEV (A, , x1, x2, x3): = (A IDENTITY_MATRIX (3)) x2
x3
sirve para hallar el autoespacio correspondiente al autovalor , para cada , y ele-
gir los autovectores V1, V2, V3 que formarn la base respecto de la cual la matriz
semejante a A es diagonal.
Y la expresin
6: P: = APPEND (V`1, V`2, V`3)`
para construir la matriz de paso, o de cambio de base, que diagonaliza A.
13 6 18
Ejemplo A.2.1. Si A = 6 2 6 el polinomio caracterstico es:
12 6 17
3 + 6 2 3 10
Los autovalores son: 1, 2 y 5, reales y distintos. Por tanto A es diagonalizable
en el cuerpo .
Al calcular los autoespacios vectoriales respectivos se obtiene con DERIVE:
2@1 4@1
AUTOEV (A, = 1) = x1 = @1, x2 = , x3 =
5 5
@2
AUTOEV (A, = 2) = x1 = @2, x2 = , x3 = @2
2
AUTOEV (A, = 5) = x1 = @3, x2 = 0, x3 = @3
5 2 1
Eligiendo como autovectores V1 = 2 ,V2 = 1 ,V3 = 0 se forma una base
4 2 1
1 0 0
respecto de la cual la matriz semejante a A es J = 0 2 0 .
0 0 5
10 apendice 1 14/3/03 08:47 Pgina 193
APNDICE I 193
x3
para hallar cada uno de los subespacios de la cadena.
9: P: = APPEND (V`1, V`2, V`3)`
matriz de paso, o de cambio de base.
5 1 15
Ejemplo A.3.1. Si A = 9 1 20 el polinomio caracterstico es:
0 0 3
(3 ) ( + 2)2
los autoespacios correspondientes a los dos autovalores son:
N (A, = 2,1, x1, x2, x3) = AUTOEV(A, 2, x1, x2, x3) = [x1 = @1, x2 = 3@1, x3 = 0]
@2 @2
N (A, = 3,1, x1, x2, x3) = AUTOEV(A, 3, x1, x2, x3) = x1 = @2, x2 = , x3 =
2 2
1
V1 = 0 N (A, 2, 2) N (A, 2, 1)
0
3
Tomando V2 = (A + 2I) V1 = 9 N (A, 2, 1)
0
2
V3 = 1 N (A, 3, 1)
1
2 0 0
J= 1 2 0
0 0 3
1 3 2 2 0 0
1
pues P = 0 9 1 yP AP=J= 1 2 0 .
0 0 1 0 0 3
17 9 8
Ejemplo A.3.2. Si A = 7 5 3 el polinomio caracterstico es:
32 17 15
3 3 2 3 1 = ( + 1)3
el autoespacio vectorial correspondiente al autovalor 1 es:
2@1 9@1
N (A, = 1,1, x1, x2, x3) = AUTOEV(A, 1, x1, x2, x3) = x1 = @1, x2 = , x3 =
5 5
que tiene dimensin 1.
APNDICE I 195
1
V1 = 1 N (A, 1, 3) N (A, 1, 2)
0
9
Tomando V2 = (A + I) V1 = 3 N (A, 1, 2) N (A, 1, 1)
15
15
V3 = (A + I)2 V1 = 6 N (A, 1, 1)
27
1 0 0
J= 1 1 0
0 1 1
1 9 15 1 0 0
pues P = 1 3 6 y P1 A P = 1 1 0 .
0 15 27 0 1 1
15 9 1 1 1 0
P= 6 3 1 y P1 A P = 0 1 1 .
27 15 0 0 0 1
24 12 11 21
12 6 6 10
Ejemplo A.4.1. Si A = el polinomio caracterstico es:
22 12 9 21
10 4 5 9
4 82 + 16 = ( 2)2 ( + 2)2
Los autoespacios correspondientes a los dos autovalores son:
2@1 @1
AUTOEV (A, = 2) = x1 = @1, x2 = , x3 = @1, x4 =
3 3
10 apendice 1 14/3/03 08:47 Pgina 197
APNDICE I 197
0
V1 = 1 N (A, = 2, 2) N (A, = 2, 1)
0
1
9
V2 = (A 2I) V1 = 6 N (A, = 2, 1)
9
3
Tomando 1
0
V3 = N (A, = 2, 1)
2
0
0
1
V4 = N (A, = 2, 1)
3
1
se tiene una base respecto de la cual la matriz semejante a A es:
2 0 0 0
1 2 0 0
J=
0 0 2 0
0 0 0 2
0 2 1 0
0 1 0 0
Ejemplo A.4.2. Si A = el autoespacio vectorial corres-
1 2 2 0
1 1 1 1
pondiente al autovalor es:
AUTOEV (A, = 1) = x1 = @1, x2 = 0, x3 = @1, x4 = @2 = N (A, = 1, 1)
que tiene dimensin 2, por tanto, se calcula el subespacio:
N (A, = 1, 2) = x1 = @3, x2 = @4, x3 = @5, x4 = @6
que tiene dimensin 4 y es, por tanto, todo el espacio.
1
V1 = 0 N (A, = 1, 2) N (A, = 1, 1)
0
0
1
V2 = (A + I) V1 = 0 N (A, = 1, 1)
1
1
Tomando 0
1
V3 = N (A, = 1, 2) N (A, = 1, 1) y linealmen-
0 te independiente con V1
0
2
0
V4 = (A + I) V3 = N (A, = 1, 1)
2
1
1 0 0 0
1 1 0 0
J=
0 0 1 0
0 0 1 1
10 apendice 1 14/3/03 08:47 Pgina 199
APNDICE I 199
1 1 0 2
0 0 1 0
En efecto, P = y P1 A P = J.
0 1 0 2
0 1 0 1
0 1 1 1
1 2 0 1
Ejemplo A.4.3. Si A = el autoespacio vectorial corres-
1 1 1 1
0 0 1 1
pondiente al autovalor es:
AUTOEV (A, = 1) = x1 = @1, x2 = @2, x3 = 0, x4 = @1 @2 = N (A, = 1, 1)
tiene dimensin 2.
El subespacio N (A, = 1, 2) = x1 = @3, x2 = @4, x3 = @5, x4 = @3 @4
tiene dimensin 3 que es an menor que el orden de multiplicidad del autovalor 1.
Se calcula N (A, = 1, 3) = x1 = @6, x2 = @7, x3 = @8, x4 = @9 que tiene
dimensin 4 y es, por tanto, todo el espacio.
La cadena de subespacios para el autovalor 1 se estabiliza en N (A, = 1, 3)
0 N (A, = 1, 1) N (A, = 1, 2) N (A, = 1, 3) = 4
1
V1 = 0 N (A, = 1, 3) N (A, = 1, 2)
0
0
1
V2 = (A + I) V1 = 1 N (A, = 1, 2) N (A, = 1, 1)
1
0
Tomando 1
0
V3 = (A + I)2 V1 = N (A, = 1, 1)
0
1
0
1
V4 = N (A, = 1, 1) y linealmente independiente con V3
0
1
10 apendice 1 14/3/03 08:47 Pgina 200
1 0 0 0
1 1 0 0
J=
0 1 1 0
0 0 0 1
1 1 1 0
0 1 0 1
P= y P1 A P = J.
0 1 0 0
0 0 1 1
x4
x5
9: P: = APPEND (V1`,V2`,V3`,V4`,V5`)`
10 apendice 1 14/3/03 08:47 Pgina 201
APNDICE I 201
Ejemplo A.5.1.
En este ejemplo se han seleccionado cuatro matrices A1, A2, A3, A4, con el
mismo polinomio caracterstico: ( + 1)5 y en las que se pueden observar distin-
tas formas cannicas de orden 5.
1 0 0 0 0
1 2 1 3 2
Con la matriz A1 = 1 1 0 2 2
2 7 2 8 5
1 4 1 4 2
0 3 0 2 2
0 1 1 1 0
Si A2 = 1 2 0 0 1 la dimensin del AUTOEV (A2, = 1) es 2,
0 1 2 4 1
0 1 1 2 0
la del subespacio N (A2, = 1, 2) es 4 y la de N (A2, = 1, 3) es 5 y su forma
cannica es:
1 0 0 0 0
1 1 0 0 0
J= 0 1 1 0 0
0 0 0 1 0
0 0 0 1 1
4 0 0 0 1
9 1 0 0 3
Para A3 = 10 0 1 1 4 la dimensin del AUTOEV (A3, = 1) es 3,
9 0 0 1 3
9 0 0 0 2
10 apendice 1 14/3/03 08:47 Pgina 202
1 0 0 0 0
1 2 1 3 2
Para A4 = 1 4 0 4 3 la dimensin del AUTOEV (A4, = 1) es 3,
2 7 2 8 5
1 4 1 4 2
y la dimensin de N (A4, = 1, 2) es 5 y la matriz de Jordan semejante a A4 es:
1 0 0 0 0
1 1 0 0 0
J= 0 0 1 0 0 .
0 0 1 1 0
0 0 0 0 1
11 apendice 2 14/3/03 08:50 Pgina 203
Apndice II
Solucin a
los problemas
propuestos
Captulo 2
1. 32.768 formas.
2. 13.983.816 combinaciones.
3. a) 420 = 1.099.511.627.776, b) 11.732.745.024, c) 1.048.576.
4. a) 8 formas, b) 75 formas.
5. 970.200 cerraduras.
6. 72 palabras.
7. a) 729 llamadas, b) 60.
8. a) 625 cdigos, b) 500 cdigos.
9. a) 1.086.008, b) 962.598, c) 135.751.
10. 13.860 formas.
11. a) 151.200 papeletas, b) 453.600, c) 327.600, d) 64.800, e) 14.580.
12. Es ms probable que tenga slo dos pares de cifras repetidas, (0.2268 > 0.144).
13. 70 pirmides.
14. 4.096 nmeros.
15. a) 495, b) 126, c) 210.
16. El lugar 2.047.
17. 156.250.000 automviles.
18. 2.722.000.
19. El menor es 57.899.
n2 + n
20. a) , b) 6n
2
21. 1.693.440 formas.
22. a) 0.0404, b) 0.0039.
23. 0.4
11 apendice 2 14/3/03 08:50 Pgina 204
m nm
m p nmp
r Nr r s Nrs
30. a) , b)
N N
n n
31. a) 0.215, b) 0.2093
32. 0.5478
33. 0.475
34. a) 0.2621, b) 0.3932, c) 0.3222
2 1 1 1
35. a) , b) , c) , d) .
3 2 3 5
Captulo 3
3
1.
2 4
1 5
2. a) 1 b)
2
4
APNDICE II 205
4. a) 1
b) 8 1
2
7
2
6 3
4 3
5 4
5.
6. a) u1 u2 b) v1 v2
u4 u3 v4 v3
u1 v1
S, son isomorfos,
u2 v4
u3 v2
u4 v3
es un isomorfismo. Conserva la adyacencia.
0 1 1 1 0 1 1 1 1
0 1 1 1 0 1 1 1 0 1 1 1
M3x3 = 1 0 1 , M4x4 = 1 , M5x5 = 1 1 0 1 1
1 0 1
1 1 0 1 1 1 0 1 1 1 0 1
1 1 1 1 0
11 apendice 2 14/3/03 08:50 Pgina 206
9.
1 1
3
2 6 2
8
2
4 3
6 4
5 3
5
1 5 4
Los tres, el primero por tener dos vrtices de grado impar posee un camino
euleriano, pero no un circuito euleriano. En los otros dos se pueden encon-
trar, tanto un camino euleriano como un circuito euleriano, por lo que son
ambos grafos eulerianos.
10. Son matrices cuadradas, sus elementos son ceros y unos, son simtricas, en
cada fila hay r unos y el resto son ceros y los elementos de la diagonal prin-
cipal son ceros.
1 2
3 8 7
4 3
4
1 2 5 6
APNDICE II 207
3 4 7 12
2 6 9 10
b e h i
a d k m
c f g j n
l
15. Hay tres caminos de longitud dos desde el vrtice 2 al 6, como se observa
en el elemento de la fila 2 columna 6 de la matriz M2, siendo M la matriz de
adyacencia del grafo:
1 1 1 1 0 1
1 2 1 2 1 3
0 0 0 0 1 0
M2 = .
0 0 0 1 1 1
0 0 0 1 2 1
0 0 0 0 0 0
El nmero de caminos de longitudes dos, tres y cinco es 23, 43 y 138 res-
pectivamente .
11 apendice 2 14/3/03 08:50 Pgina 208
16. S es un rbol por ser un grafo conexo y sin ciclos. Tiene 16 vrtices y 15
aristas.
17. S es conexo, porque es no dirigido que tiene una matriz de adyacencia con
al menos un uno en cada fila.
18. Los caminos distintos de longitudes uno, dos, tres y cuatro son: 14, 26, 48
y 88 respectivamente. El grafo no es fuertemente conexo porque no existe
un camino desde f a ningn otro vrtice. El vrtice f es un sumidero.
Captulo 4
1. a) E = {1, 0} siendo 0 se ha cortado el suministro y 1 no hay corte de
0.8 0.6
suministro; b) M = ; c) 0.256; d) 0.248.
0.2 0.4
2. a) E = {0, 1, 2, 3, 4, 5}, siendo cada estado los euros que tiene el jugador;
1 1/2 0 0 0 0 11/16
0 0 1/2 0 0 0 0
0 1/2 0 1/2 0 0 5/32
b) M = ; c) 0.6875; d) P (5) = .
0 0 1/2 0 1/2 0 0
0 0 0 1/2 0 0 3/32
0 0 0 0 1/2 1 1/16
APNDICE II 209
p3 + 2 p2q p3 + 2 p2q p3 p3
p2q + 2 pq2 p 2q 3 p2q p2q
y M3 =
pq2 3 pq2 pq2 2 p2q + pq2
q3 q3 2 pq2 + q3 2 pq2 + q3
Ambas son matrices estocsticas por columnas, porque tienen todos los
elementos positivos y la suma de cada columna de M2 es (p + q)2 = 1, y la
de cada columna de M3 es (p + q)3 = 1.
11 apendice 2 14/3/03 08:50 Pgina 210
7. La matriz M100 tiene todas las columnas iguales y todos los elementos posi-
tivos, en el primer caso. En el segundo M100 no tiene todas las columnas
iguales y tiene elementos iguales a cero en la fila 2 y en la columna 2, que
aproximando con seis cifras decimales coincide con M10 y M25.
0.125 0.125 0.125 0.333333 0 0.333333
100 100
a) M = 0.5 0.5 0.5 y b) M = 0 1 0 .
0.375 0.375 0.375 0.666666 0 0.666666
8. a) E = {B, LL, N} pues los estados posibles son: hace buen da, B, llueve,
LL, y nieva, N.
0 1/4 1/4
b) 1/2 1/2 1/4 ; c) 0.5 el primer da, 0.375 el segundo y 0.40625 el tercero.
1/2 1/4 1/2
3/16
d) Como P (3) = 13/32 la probabilidad de que haga buen tiempo es
13/32
3 13
la de que llueva es , la misma que la de que nieve.
16 32
10. a) 174763
524288
5/16
349525
P (5) = 11/32 y P (20) = ,
1048576
11/32
349525
1048576
11 apendice 2 14/3/03 08:50 Pgina 211
APNDICE II 211
aproximando:
0.3125 0.3333
P (5) = 0.34375 y P (20) = 0.3333
0.34375 0.3333
b)
1/16 0.0625
5/16 0.3125
P (5) = 5/32 aproximando: P (5) = 0.15625
5/32 0.15625
5/16 0.3125
0.20577
0.195331
y P (20) = 0.201783
0.201783
0.195331
Captulo 5
1. a) La cadena es reducible, consta de cinco clases como se observa en la
siguiente figura.
1
a b 1 C1
1 1/
k 3
1 c
f 1/
3
e 2/
2/
3
3
1/
2
1 j C5
C2 d l
1
g
1/ 1 1/ 1 1
2 2
h 1/
2 i C3 m
C4
b) Tres de ellas son ergdicas, las clases C3, C4 y C5 y las clases C1 y C2 son
transitorias. La clase C3 es absorbente, C4 es ergdica regular y C5 es erg-
dica cclica.
3
4
6
8
c) El estado1 es absorbente y todos los dems transitorios.
2 3
4 5
b) Todos los estados son ergdicos en el primer caso y recurrentes en el
segundo.
c) Las dos cadenas son ergdicas, regular la primera y cclica la segunda.
5. a) El diagrama de transicin es:
1/
3
1/ 1/
3 2 3
1 1/
1 3 3 1/
1/ 3
5 1/ 3
2
1/ 4
2
1/
1/ 3
3 1/
3
11 apendice 2 14/3/03 08:50 Pgina 213
APNDICE II 213
7. a) Es una cadena irreducible, por tanto consta de una sola clase que es
ergdica.
b) Como la nica clase de que consta la cadena es ergdica, no absorben-
te, ni cclica es regular.
Captulo 6
2/11 5/19
1/8
4/11 4/19
1. a) v1 = 1/2 ; b) v1 = ; c) v1 = .
1/11 4/19
3/8
4/11 6/19
3 33 3 + 33
2. a) 1 = 1, 2 = , 3 = .
12 12
1 0 0
1
3. a) Los autovalores de M son: = 1, = (doble), = 0
2
2
2
b) Los autovectores por la derecha asociados a = 1 son y todos los
1
proporcionales a l. 1
1
Los asociados al autovalor = forman un subespacio vectorial de
2
4de dimensin dos, es decir, un plano. Son vectores directores de ese
0 2
2 0
subespacio vectorial y y, por tanto, dos autovectores por la dere-
1 1
1 1
cha, que son adems linealmente independientes.
Los autovectores por la derecha asociados al autovalor = 0 forman, como
0
0
para el caso = 1, una recta; un vector director de esa recta es: , que es
1
1
por tanto uno de los autovectores asociados a = 0 y todos los dems son
proporcionales a l.
1/3
1/3
lim Mn P =
c) n que es la distribucin de probabilidad estable, es decir,
1/6
1/6
autovector asociado a =1 y vector de probabilidad.
APNDICE II 215
1 0 0 0
4 1 0 0 0
0 0 0
5 0 0 0 0
D3 = 9 + 7 ; D4 =
0 0 0 0 0 1/2 0
25 0 0 0 1/2
9 7
0 0 0
25
5. a) Los diagramas de transicin correspondientes se dibujan a continuacin:
D1 D2
1/ 1/
1/ 2 1 2 2
2 1/
2 1/
2 2
1/ 1/ 1/ 1/ 1/
4 2 2 2 2
1/
1/ 4
2
1 1/
2
1/ 3 3 1/
2 4
2
D3 D4
0.64 0.48
0.08 1/
4
a 0.16 b 2 1/ 3
2
1/ 1
1/ 2 /4
0.08 0.2 0.20 2 1/
0.16 0.2 1/ 1/2 2
4
0.2
d
1/
2 1
c
0.4 1 4 1/
4
0.2
1/4
c) La distribucin de probabilidad a la larga es para la primera 1/2 , inde-
1/4
pendientemente de la distribucin de probabilidad inicial.
1/4
1/4
En la segunda, el vector fijo de probabilidad es v1 = , si este vector es
1/4
1/4
11 apendice 2 14/3/03 08:50 Pgina 216
la matriz de transicin es: 0.6 0.3 , b) 0.39, c) 0.444, d) 0.429352,
0.4 0.7
3
e) a la larga ir a trabajar con probabilidad = 0.428571
7
1/4 1/4
8. a) P (2) = 1/2 ; b) nlim P (n) = 1/2 , distribucin de probabilidad perma-
1/4 1/4
1/2
nente o vector de probabilidad estable; c) si P (0) = 1/2 entonces
0
5/16 1/4
P (2) = 1/2 y n lim P (n) = 1/2 , ya que es independiente de la distribu-
3/16 1/4
cin de probabilidad inicial.
11 apendice 2 14/3/03 08:50 Pgina 217
APNDICE II 217
3/4 1
9. P (2) = 1/4 ; b) n lim P (n) = 0 , a la larga la cadena queda atrapa-
0 0
da en el estado absorbente, que es la nica clase final de la cadena;
1/2 7/8 1
c) si P (0) = 1/2 entonces P (2) = 1/8 y n lim P (n) = 0 , tambin
0 0 0
es independiente de la distribucin de probabilidad inicial.
1/ 1/ 1/
4 4 4
C4
1/
4
Captulo 7
10
1. a) N1 = ; b) 1 = 5/2; c) 0.916290 > 0.
1
2. El autovalor dominante es 1 = 1, la distribucin de edad estable y estacio-
6
naria viene dada por un autovector asociado a 1 = 1, N1 = 3 .
1
0 0 0 27
3/4 0 0 0
4. M=
0 1/2 0 0
0 0 1/2 0
0 0 0 15
0.6 0 0 0
5. a) M =
0 0.9 0 0
0 0 0.3 0
b) No es una matriz primitiva, su ndice de imprimitividad es 4.
4 4 4 4
c) 1 = 2
.43, 2 = 2
.43, 3 = 2
.43 i, 4 = 2
.43 i, el autovalor domi-
nante es 1.
d) La distribucin de edad no se estabiliza sino que presenta oscilaciones
continuas que son proporcionales cada cuatro etapas.
11 apendice 2 14/3/03 08:50 Pgina 219
APNDICE II 219
0 76 240
b) M = 1/4 0 0
0 1/2 0
c) 1 = 5.
200
1
d) N = 10 es distribucin de edad estacionaria, pero no estable, pues
1
Nn+1 = 5Nn. 0 0 240
e) La nueva matriz de proyeccin es: M1 = 1/4 0 0 . Su autovalor do-
0 1/2 0
minante es 1 = 3.10723 < 5 La tasa de reproduccin por unidad de tiempo
ha disminuido de ser 1 = 5 a 1 = 3.10723.
11 apendice 2 14/3/03 08:50 Pgina 220
12 bibliografa 14/3/03 08:51 Pgina 221
Bibliografa utilizada
17. Ferrando, J. C., Gregori, V. Matemtica discreta. Ed. Revert. Barcelona. 1994.
18. Foulds, L. R. Graph theory applications. Ed. Springer-Verlag. 1992.
19. Garca, A. (Ed.) Prcticas de matemticas con Derive. Ed. Clagsa. Madrid.
1994.
20. Garca Merayo, F. Matemtica discreta. Ed. Paraninfo. Madrid. 2001.
21. Gonzlez Manteiga, M T. Un modo asequible de iniciarse en la combinatoria.
Didctica de las Matemticas. N 7. Nueva Revista de Enseanzas Medias.
Pgs. 95 a 106. Ed. Ministerio de Educacin y Ciencia. Madrid. 1985.
22. Gonzlez Manteiga, M T. Sobre las propiedades de ciertos tipos de grafos ale-
atorios y relaciones entre ellos. Cuadernos de Bioestadstica y sus aplicaciones
Informticas. 1992; Vol. 10. N 1. Pgs. 5 a 14.
23. Gonzlez Manteiga, M T., Martnez Calvo, M C. Resolucin de sistemas de
ecuaciones diferenciales lineales con coeficientes constantes con el Programa
Derive. 1996. Epsilon n 36, pgs. 387-406.
24. Gordon, P. Thorie des Chanes de Markov finies et ses applications. Ed.
Dunod. Paris. 1965.
25. Grimaldi, R. P. Matemticas discreta y combinatoria. Una introduccin con
aplicaciones. 3 edicin. Ed. Addison-Wesley Iberoamericana. 1997.
26. Guzmn, M. Aventuras matemticas. Ed. Pirmide. Madrid. 1996.
27. Horn, R. A., Johnson, C. R. Matrix analysis. Ed. Cambridge University Press
1985.
28. Kaufmann, A. Introduccin a la combinatoria y sus aplicaciones. Compaa
Editorial Continental. Mxico 1971.
29. Kemeny, J. G. et al. Estructuras matemticas finitas. Ed. Eudeba. Buenos
Aires. 1967.
30. Kot, M. Elements of mathematical ecology. Cambridge University Press. 2001.
31. Kutzler, B., Kokol-Voljc, V. Introduccin a Derive 5. Edicin espaola:
Derisoft, Valencia. 2000.
32. Le Lionnais, F. y colaboradores Las grandes corrientes del pensamiento mate-
mtico. Ed. Eudeba. 1962.
33. Legendre, L., Legendre, P. Ecologie numrique. Ed. Masson. Paris. 1979.
34. Leslie, P. H. On the use of matrices in certain population mathematics.
Biometrika. 1945; Vol. 33, Pgs. 183-212.
35. Leslie, P. H. Some further notes on the use of matrices in population
mathematics. Biometrika. 1948 Vol. 35, Pgs. 213-245.
36. Leslie, P. H., Ranson, R. M. The mortality, fertility and rate of natural increase
of the vole (Microtus agrestis) as observed in the laboratory. Journal of Animal
Ecology. 1940; Vol. 9, Pgs. 27-52.
37. Lewis, E.G. On the generation and growth of a population. Sankhya. 1942; Vol.
6. Pgs. 93-96.
38. Margalef, R. Ecologa. Ed. Omega S.A. Barcelona. 1989.
39. Martnez Calvo, M C., Diagrama de red. Dominancia equilibrada a la larga del
carcter homocigtico. Gaceta Matemtica. 1 Serie. Tomo XXXI. Nmeros 3
y 4. 1979.
12 bibliografa 14/3/03 08:51 Pgina 223
BIBLIOGRAFA 223
DIRECCIONES DE INTERNET
http://www.derive.com
http://www.derive-europe.com
http://www.upv.es/derive/
http://www-groups.dcs.st-and.ac.uk/~ history/BiogIndex.html
12 bibliografa 14/3/03 08:51 Pgina 224
C M Y CM MY CY CMY K
ISBN 84-7978-550-0
9 788479 785505
Compuesta