Modelos Matemáticos Discretos en Las Ciencias de La Naturaleza - Teresa González Manteiga PDF

C M Y CM MY CY CMY K
El propsito principal de este libro, que consta de siete captulos, es motivar a

los estudiantes suministrndoles informacin sobre aplicaciones de algunos modelos
matemticos discretos en las ciencias de la naturaleza, mediante un estudio terico-
prctico.
El primer captulo es una breve presentacin general de aportaciones de las
matemticas a las ciencias naturales. En los Captulos 2 y 3 se dan unas nociones
de combinatoria y probabilidad en espacios discretos y una pequea introduccin
de la teora de grafos. Ambos captulos que tienen inters por s mismos, presentan
conceptos necesarios para estudiar las cadenas de Markov, Captulos 4, 5 y 6, y el
modelo de Leslie, Captulo 7, dos modelos estocsticos discretos de gran utilidad
para el estudio de la evolucin temporal de poblaciones en las ciencias de la
naturaleza, en particular en gentica, zoologa y ecologa.
Las cadenas de Markov son fruto de la investigacin en matemtica pura que
han encontrado, entre otras muchas aplicaciones, utilidad en gentica para el estudio
de la recombinacin de los genes en la teora de la evolucin de poblaciones y
tambin en economa, sociologa, etc. El modelo de Leslie es un ejemplo claro de
matemtica aplicada en el campo de la zoologa. En el estudio de estos dos modelos
se utilizan matrices de nmeros reales, autovalores y autovectores.
A partir del segundo, cada captulo consta de una exposicin terica ilustrada con
ejemplos, grficas y ejercicios resueltos que ayudan a la comprensin de los conceptos
tericos e incluyen una serie de problemas propuestos cuyas soluciones se recogen
en el Apndice II.
Se espera que este libro pueda resultar de inters tanto para alumnos de ciencias
experimentales, como para matemticos, estudiantes de humanidades, de ciencias
de la salud, de economa, etc. y tambin para profesores de primeros cursos de
licenciatura, de cursos de preparacin para la Universidad y en general para todos
los que sientan curiosidad por aplicaciones de las matemticas.
M.a Teresa Gonzlez Manteiga naci en 1951 y es doctora en

Ciencias Matemticas por la Universidad Complutense de Madrid
(UCM) donde curs la carrera de Ciencias, Seccin Matemticas,
comenzando en dicha Universidad a impartir clases como alumna
monitor en prcticas en el curso 1972-1973. En la actualidad es
Profesora Titular de Matemtica Aplicada en la Facultad de
Ciencias Biolgicas de la UCM desde 1990. Con anterioridad fue
Profesora del Colegio Universitario San Pablo-CEU, adscrito a
la UCM, Profesora Titular de Escuela Universitaria de lgebra,
Clculo y Estadstica en la Escuela Universitaria de Ingeniera Tcnica Forestal de
la Universidad Politcnica de Madrid (UPM) y Profesora Titular de lgebra en la
Escuela Universitaria de Ingeniera Tcnica Industrial de la UPM.
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
MODELOS MATEMTICOS DISCRETOS

EN LAS
CIENCIAS DE LA NATURALEZA
Teora y Problemas
00 Principios 14/3/03 08:01 Pgina IV
00 Principios 14/3/03 08:01 Pgina V
M Teresa Gonzlez Manteiga

Profesora Titular de Matemtica Aplicada
en la Facultad de CC. Biolgicas de la
Universidad Complutense de Madrid
MODELOS MATEMTICOS DISCRETOS

EN LAS
CIENCIAS DE LA NATURALEZA
Teora y Problemas
DIAZ DE SANTOS
00 Principios 14/3/03 08:01 Pgina VI
Mara Teresa Gonzlez Manteiga, 2003
Reservados todos los derechos.
No est permitida la reproduccin total o parcial de este libro,

ni su tratamiento informtico, ni la transmisin de ninguna
forma o por cualquier medio, ya sea electrnico, mecnico
por fotocopia, por registro u otros mtodos, sin el permiso
previo y por escrito de los titulares del Copyright.
Ediciones Daz de Santos, S. A.

D.a Juana I de Castilla, 22
28027 MADRID
Internet: http://www.diazdesantos.es/ediciones
E-Mail: ediciones@diazdesantos.es
ISBN: 84-7978-550-0
Depsito legal: M. 47.641-2002
Diseo de cubierta: ngel Calvete

Fotografa cubierta: Eduardo de Juana Aranzana
Fotocomposicin: FER, S. A.
Impresin: Edigrafos, S. A.
Encuadernacin: Rstica-Hilo, S. L.
Impreso en Espaa
00 Principios 14/3/03 08:01 Pgina VII
A mis padres y hermana

00 Principios 14/3/03 08:01 Pgina VIII
01 INDICE 14/3/03 08:02 Pgina IX
ndice
Prlogo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XV
Captulo 1. Las Matemticas de la Naturaleza . . . . . . . . . . . . . . . . . . . . . 1

1.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Un primer paso, el proceso de abstraccin . . . . . . . . . . . . . . . . . . . . 1
1.3. Las matemticas en las ciencias de la naturaleza . . . . . . . . . . . . . . . 2
1.4. Modelos matemticos en las ciencias de la naturaleza. Clasificacin . 9
Captulo 2. Combinatoria y Probabilidad en espacios discretos . . . . . . . 13

2.1. Introduccin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2. Combinatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1.Tcnicas bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.1.1. Principio de adicin . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.1.2. Principio de multiplicacin . . . . . . . . . . . . . . . . . . . . 17
2.2.1.3. Principio de distribucin . . . . . . . . . . . . . . . . . . . . . . 17
2.2.2. Organigrama de combinatoria . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.3. Frmulas bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.3.1. Variaciones con repeticin . . . . . . . . . . . . . . . . . . . . . 20
2.2.3.2. Variaciones ordinarias . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.3.3. Permutaciones ordinarias . . . . . . . . . . . . . . . . . . . . . . 23
2.2.3.4. Permutaciones con repeticin . . . . . . . . . . . . . . . . . . 24
2.2.3.5. Combinaciones ordinarias . . . . . . . . . . . . . . . . . . . . . 25
2.2.3.6. Combinaciones con repeticin . . . . . . . . . . . . . . . . . . 27
2.2.4. Algunas identidades combinatorias . . . . . . . . . . . . . . . . . . . . 31
2.3. Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.1. Experimentos aleatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.2. lgebra de sucesos de un experimento aleatorio . . . . . . . . . . 34
01 INDICE 14/3/03 08:02 Pgina X
X MODELOS MATEMTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
2.3.3. Frecuencia absoluta y relativa de un suceso. Propiedades . . . 36

2.3.4. Medida de probabilidad en espacios muestrales discretos . . . 37
2.3.5. La probabilidad condicionada. Sucesos dependientes e inde-
pendientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3.6. El teorema de la probabilidad total . . . . . . . . . . . . . . . . . . . . . 43
2.3.7. El teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.4. DERIVE y las frmulas de combinatoria . . . . . . . . . . . . . . . . . . . . 47
Problemas propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Captulo 3. La Teora de Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2. Definiciones y nomenclatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.3. Subgrafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.4. Operaciones con grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.5. Conexin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.6. rboles. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.7. Grafos eulerianos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.8. Grafos hamiltonianos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.9. Grafos planos. Planaridad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.10. Matriz de adyacencia de un grafo . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.11. DERIVE 5 y grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Captulo 4. Cadenas de Markov finitas . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

4.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.2. Conceptos bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.3. Evolucin de una cadena de Markov . . . . . . . . . . . . . . . . . . . . . . . . 91
Captulo 5. Clasificacin de los estados de una cadena de Markov . . . . 107

5.1. Comunicacin entre los estados de una cadena . . . . . . . . . . . . . . . . 107
5.2. Distintos tipos de clases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.3. Clases de estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Captulo 6. Comportamiento asinttico de las cadenas de Markov . . . . 119

6.1. Semejanza de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
6.2. Autovalores y autovectores de una matriz . . . . . . . . . . . . . . . . . . . . . 121
6.3. Particularidades de los autovalores de una matriz estocstica . . . . . 125
6.4. Autovectores de una matriz estocstica M. Vector de probabilidades
de equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
6.5. Comportamiento asinttico de la ley de probabilidad P(n) . . . . . . . . 127
6.5.1. Cadenas completamente ergdicas o cadenas regulares . . . . . 131
6.5.2. Cadenas simplemente ergdicas . . . . . . . . . . . . . . . . . . . . . . . 134
01 INDICE 14/3/03 08:02 Pgina XI
NDICE XI
6.5.3. Cadenas peridicas o cclicas . . . . . . . . . . . . . . . . . . . . . . . . . 137

6.5.4. Cadenas mltiples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
Captulo 7. Un modelo de Ecologa de poblaciones. Modelo de Leslie . . 153

7.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
7.2. Definiciones y nomenclatura. Matriz de Leslie . . . . . . . . . . . . . . . . 155
7.3. Evolucin del modelo de Leslie. Distribucin de edad en la pobla-
cin pasadas n etapas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
7.4. Autovalores de la matriz de Leslie . . . . . . . . . . . . . . . . . . . . . . . . . . 162
7.5. Particularidades de los autovalores de la matriz de Leslie . . . . . . . . 164
7.6. Autovectores de la matriz de Leslie. . . . . . . . . . . . . . . . . . . . . . . . . 166
7.7. Autovalor dominante y distribucin de edad estable . . . . . . . . . . . . 168
7.8. Tasa neta de reproduccin por unidad de tiempo . . . . . . . . . . . . . . . 170
7.9. Una aplicacin en la zoologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
7.10. Comportamiento asinttico de la distribucin de edad N (n) . . . . . 174
7.11. Aplicaciones a la ecologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
7.12. Algunas analogas entre cadenas de Markov y el modelo de Leslie 183
7.13. Generalizaciones del modelo de Leslie . . . . . . . . . . . . . . . . . . . . . 183
Apndice I. Clculo de los autovalores, autovectores y matriz de Jordan

de una matriz dada utilizando el programa DERIVE . . . . . 189
A.1. Reconocimiento de matrices diagonalizables . . . . . . . . . . . . . . . . . 190
A.2. Diagonalizar una matriz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
A.3. Hallar una matriz de Jordan semejante a A33 . . . . . . . . . . . . . . . . . 193
Apndice II. Solucin a los problemas propuestos. . . . . . . . . . . . . . . . . . . 203
Bibliografa utilizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221

01 INDICE 14/3/03 08:02 Pgina XII
01 INDICE 14/3/03 08:02 Pgina XIII
Por qu he escrito este libro? A quin le puede interesar?
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
El propsito principal de este libro, que consta de siete captulos, es el estudio

terico-prctico de algunos modelos matemticos discretos en las ciencias de la
naturaleza.
Se dedica un primer captulo a una breve presentacin general de aportaciones
de las matemticas a las ciencias naturales, sealando algunos modelos matemti-
cos generados por problemas de la biologa, as como aplicaciones a las ciencias de
la naturaleza de modelos matemticos que no han tenido su origen en problemas
de la Ciencia. Los modelos matemticos se clasifican atendiendo a su variacin con
el tiempo, variable independiente en los modelos de evolucin de poblaciones, o por
el conjunto de resultados que proporciona el modelo, centrando la atencin en los
modelos matemticos discretos objeto de este libro.
Se estudian modelos matemticos discretos, aunque algunas herramientas utili-
zadas son tambin necesarias para el estudio de los modelos continuos. La eleccin
de los captulos, as como el orden en que se presentan, no es aleatorio. Se ha trata-
do de conseguir un libro de contenidos autosuficientes en su mayor parte. Por tanto,
es conveniente estudiar los captulos siguiendo el orden de presentacin.
Los seis captulos restantes constan de una exposicin terica ilustrada con
ejemplos, grficas y ejercicios resueltos que ayudan a la comprensin de los con-
ceptos tericos. Incluyen una serie de problemas propuestos cuyas soluciones se
recogen al final del libro.
Los Captulos 2 y 3 se dedican a dar unas nociones de combinatoria y probabi-
lidad en espacios discretos y a una pequea introduccin de la teora de grafos.
Ambos captulos, que tienen inters por s mismos, presentan conceptos necesarios
para introducir y estudiar las cadenas de Markov, Captulos 4, 5 y 6, y el modelo de
Leslie, Captulo 7, los dos de gran utilidad para el estudio de la evolucin temporal
de poblaciones en las ciencias de la naturaleza, en particular en gentica, zoologa
y ecologa.
Las cadenas de Markov son fruto de la investigacin en matemtica pura. El
matemtico A.A. Markov (1856-1922) estudi entre 1907 y 1912 sucesiones de
pruebas aleatorias ligadas en probabilidad que public con el ttulo: Casos desta-
cables de pruebas dependientes. Su estudio fue completado por Poincar,
Hadamard, y Frechet, entre otros. Hasta el ao 1925 slo tuvo importancia terica,
pero posteriormente ha encontrado aplicaciones en campos muy diversos: movi-
miento browniano, ruleta, en gentica para el estudio de la recombinacin de los
genes en la teora de la evolucin de poblaciones, mecnica estadstica, fsica nu-
clear, psicologa de la educacin, modelos de evolucin de epidemias, aplicaciones
econmicas del clculo de probabilidades, etc.
02 prologo 14/3/03 08:03 Pgina XVI
XVI MODELOS MATEMTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
El modelo de Leslie es un ejemplo claro de matemtica aplicada en el campo de

la zoologa. El investigador P.H. Leslie (1900-1974) public en 1945 un artculo en
Biomtrica titulado Sobre el uso de las matrices en algunas poblaciones matemti-
cas y, con posterioridad, en 1948, otro titulado Algunos comentarios nuevos sobre
el uso de matrices en poblaciones matemticas en los que estudia algunas propie-
dades de una matriz que representa un sistema de tasas de mortalidad y fertilidad
especficas de la edad, como fruto de su investigacin en el campo de la zoologa,
dirigida por C. Elton. Este modelo permite predecir la estructura de edad de una
poblacin teniendo en cuenta las tasas de fertilidad y de supervivencia de las dife-
rentes clases de edad a partir de su estructura de edad en un instante dado. Los tra-
bajos de Leslie, antes que los de sus predecesores Bernardelli y Lewis, son los ms
citados en la extensa literatura de aplicaciones de las matrices.
Las cadenas de Markov y el modelo de Leslie son dos modelos dinmicos y
estocsticos que permiten proyectar en el tiempo, por medio de un proceso iterati-
vo, cualquier situacin inicial.
Con las posibilidades de clculo de los ordenadores ha aumentado el inters por
este tipo de modelos que permiten simular situaciones concretas y estudiar su evo-
lucin temporal.
En el Apndice I se explica cmo utilizar el programa DERIVE para calcular en
modo exacto los autovalores, el autoespacio correspondiente a cada autovalor, los
autovectores asociados a cada autovalor y cmo hallar la matriz de Jordan seme-
jante a una matriz dada. El disponer de los autovalores y de los autovectores corres-
pondientes, en modo exacto, es fundamental para poder estudiar el comportamien-
to asinttico de los modelos presentados.
El Apndice II contiene las soluciones de todos los problemas propuestos
siguiendo el orden de los captulos.
He de expresar mi agradecimiento en especial a The Zoology Department
Library, University of Oxford por facilitarme una fotografa del Dr. P. H. Leslie para
ilustrar el captulo dedicado al Modelo de Leslie y concederme el permiso para
reproducirla en el texto.
No quisiera terminar el prlogo sin agradecer a mis profesores sus enseanzas,
as como las de quienes me han ayudado a descubrir estos temas a travs de sus
publicaciones, citados en la bibliografa, a mis alumnos que me han motivado y esti-
mulado para desarrollar estos temas, sin cuyo inters y sus intervenciones en clase
no los habra redactado, tambin a todos mis amigos por la ayuda prestada, en espe-
cial al Catedrtico de la Universidad Politcnica de Madrid y de la Universidad
Pontificia de Comillas, Agustn de la Villa Cuenca, con el que tuve la suerte de tra-
bajar en la Ctedra de lgebra de la E.U.I.T. Industrial, quien ha tenido la atencin
de leer el original y cuyas observaciones y correcciones le agradezco, as como su
amistad y el haber confiado siempre en m; al Profesor Titular del Departamento de
Biologa Animal I de la Facultad de CC. Biolgicas de la U.C.M. Eduardo de Juana
Aranzana, que me ha facilitado de su archivo la fotografa de la naturaleza que ilus-
tra la portada de este libro; a la Editorial Daz de Santos la confianza puesta en esta
obra; y a mi familia por su cario, su paciencia y su inestimable ayuda.
Madrid, mayo de 2002
03 tema 1 14/3/03 08:05 Pgina 1
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.
1.2. Un primer paso, el proceso de abstraccin.

Como afirma el filsofo Mindn Manero (42), nacido en el ao 1902: El hombre
aprehende el ser de las cosas, lo que las cosas son, su esencia, y la esencia perma-
nece oculta para el conocimiento sensible que se detiene en lo fenomnico. Slo el
entendimiento, facultad del ser, llega a descubrir las esencias. Para llegar al conoci-
miento de las esencias el entendimiento pone en ejercicio una de sus principales
funciones activas: la abstraccin. Abstrae lo universal de lo singular, la forma pura
del sujeto concreto, lo inteligible de lo sensible, lo comn de lo individual, lo uno
de lo mltiple, lo permanente de lo temporal, en fin, prescinde del aqu y del ahora
para llegar a un conocimiento de lo necesario y universal que late en el fondo de lo
contingente y particular.
El descubrimiento de la forma comn, la abstraccin, es su matematizacin. La
primera abstraccin es el concepto de nmero. La fsica, la qumica, la zoologa, la
geologa, la botnica, la astronoma, todas las ramas de la Ciencia precisan las
matemticas.
03 tema 1 14/3/03 08:05 Pgina 2
2 MODELOS MATEMTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
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.
1.3. Las matemticas en las ciencias de la naturaleza.

Las matemticas son el nico instrumento que nos permite formular con preci-
sin los fenmenos naturales.
Segn Paul A. M. Dirac (1902-1984), premio Nobel de fsica en 1933, uno de
los rasgos fundamentales de la naturaleza es que las leyes fsicas fundamentales
estn descritas mediante teoras matemticas de gran potencia y belleza, cuya com-
prensin exige un elevado nivel de formacin matemtica.
03 tema 1 14/3/03 08:05 Pgina 3
LAS MATEMTICAS DE LA NATURALEZA 3
Si se observa con atencin la Naturaleza, se pueden reconocer las mismas for-

mas con diferentes presentaciones. Por ejemplo, tienen forma espiral la Va Lctea,
un fsil de Nautilus de concha arrollada del Paleozoico, como el que se ve en la
figura, una molcula de protenas que contiene un huevo, un cicln, la concha de un
caracol, una huella dactilar de un recin nacido o de un anciano, la cadena de ADN,

la flor del girasol, la colocacin de las semillas en las flores, entre otras. Las plan-
tas presentan muchas formas espirales en su estructura y forma de crecimiento.
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:
0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144,

03 tema 1 14/3/03 08:05 Pgina 4
Si se cuenta el nmero de veces que se da la vuelta al tallo, en el sentido de las

agujas del reloj, o en el sentido contrario, hasta encontrar la primera hoja situada
encima de una dada, se obtienen dos trminos sucesivos de la sucesin de
Fibonacci. Si se divide el mayor entre el menor se obtiene una aproximacin de la
razn urea, nmero que tambin aparece en algunos organismos marinos como
la estrella de mar que tiene simetra pentagonal.
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
si la razn del segmento ms largo al ms corto es igual a la del segmento comple-

CB AB 1 + 5
to al ms largo: = . Esta razn, o cociente, el nmero ureo = ,
AC CB 2
es la particin de un segmento AB en dos, uno de los cuales, CB, es media propor-
cional entre el otro, AC, y el segmento total.
Este nmero tambin se encuentra en la arquitectura y en ornamentacin, se dice
que es la proporcin esttica ms bella. Alrededor de 1850, Zeysing comprob en
Alemania que, como promedio para un cierto nmero de cuerpos humanos, el
ombligo divide la altura del cuerpo humano en la proporcin de la razn urea.
Arquitectos, escultores y pintores de todos los tiempos han utilizado esta razn
como mtodo de composicin en sus obras. En arquitectura se ha comprobado su
utilizacin en las tumbas egipcias, en los templos griegos y en las catedrales gti-
cas. Por ejemplo, en el Partenn, construido en doce aos del 448 al 437 a.C, de
mrmol rosado y veteado de hierro que produce reflejos ureos, la razn entre la
anchura de la fachada y la altura, o entre la altura total y la de las columnas es
la razn urea. Quizs haya influido en su utilizacin en el arte el que esa razn sea
una constante tan universal en la naturaleza.
En 1638 Ren Descartes (1596-1650) descubri que las formas de las conchas
de los moluscos eran espirales logartmicas: r = a e.
En 1874 F. Galton (1822-1911) en colaboracin con H.W. Watson, present un
trabajo conjunto titulado Sobre la probabilidad de extincin de familias, que se
public en 1889 como apndice en un libro de Galton.
Entre los aos 1926 y 1938, V. Volterra (1860-1940) desarrolla un modelo mate-
mtico que describe la lucha constante por la supervivencia entre dos especies que
conviven en el mismo hbitat siendo una de ellas el alimento de la otra. Como es
bien conocido, este modelo es un sistema de ecuaciones diferenciales no lineales,
cuyas soluciones son funciones implcitas que relacionan el nmero de individuos
de la especie depredadora con los de la especie presa.
Estos ejemplos no son ms que algunas muestras de una gran cantidad de mode-
los matemticos generados por problemas de la biologa, que es, de todas las
Ciencias de la Naturaleza, la que ms tarde ha comenzado su abstraccin.
El matemtico Gauss (1777-1855) afirmaba: T, naturaleza, eres mi diosa. A
tus leyes estn sujetos mis servicios.
El estudio de los fenmenos de la Naturaleza es sin duda una gran fuente de
avances matemticos, pero tambin es muy frecuente encontrar aplicaciones, en las
distintas ramas de la Ciencia, de modelos matemticos que no han tenido estas
motivaciones.
A la hora de decidir qu conceptos matemticos son de ms utilidad para las
Ciencias de la Naturaleza puede pensarse que los de estadstica tienen ms inters
que los de lgebra, que los de anlisis son ms importantes que los de matemtica
03 tema 1 14/3/03 08:05 Pgina 6
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
qu es ms importante la matemtica pura o la matemtica aplicada. Pero cmo

distinguir si una teora es de matemtica pura o aplicada?
Como afirma el profesor F. Bombal (7): Se trata de una falsa polmica ... Estoy
mucho ms de acuerdo con la clasificacin que hace el reciente ganador de la meda-
lla Field, W.T. Gowers, distinguiendo entre los matemticos que conciben su
Ciencia como una enorme coleccin de problemas fascinantes que resolver, y los
que prefieren construir y desarrollar teoras amplias y generales (que permitan, a su
vez, resolver mejor los problemas que se planteen) ... Creo que esta es una diferen-
cia mucho ms profunda y real entre los matemticos que la vieja dicotoma entre
puros y aplicados.
El profesor Rotini, del Instituto de Qumica Agraria de Pisa, dice: La teora de
la relatividad, la mecnica ondulatoria y la radioactividad artificial han nacido en
hojas de papel sobre las que hombres de ingenio como Einstein y Fermi han traza-
do unas frmulas. Los modernos descubrimientos y avances de la Ciencia y de la
Tcnica, desde la liberacin de la energa nuclear a los proyectiles dirigidos y los
satlites artificiales, son el fruto de este trabajo y demuestran que solamente bebien-
do en las fuentes de la Ciencia pura se puede llegar a las aplicaciones prcticas y al
progreso de la civilizacin.
Afirmaba John von Neumann (1901-1957): A medida que una disciplina mate-
mtica se separa ms y ms de su fuente emprica, o an ms, si est inspirada en
ideas que provienen de la realidad de un modo slo indirecto, como de segunda o
tercera mano, est ms cercada por graves peligros. Se va haciendo ms, y ms
escepticismo puro, se convierte ms y ms en un puro arte por el arte A gran dis-
tancia de su fuente emprica, o bien despus de mucha incubacin abstracta, un
campo matemtico est en peligro de degeneracin.
Pero dice Halmos, nacido en 1916, que a John von Neumann le encantaba citar
este ejemplo: A principios del siglo XIX la ciencia aplicada tena planteado un serio
problema, el de salvar vidas en el mar. Las estadsticas eran preocupantes, se derro-
chaba dinero y no se escatimaban esfuerzos para intentar resolverlo, se probaban
incluso transatlnticos equipados con estabilizadores, pero todo pareca intil.
Mientras que los dirigentes de los gobiernos y los ingenieros fomentaban casi
con desesperacin todo tipo de experimentos, los matemticos, trabajando sobre el
conjunto de los nmeros complejos, estaban desarrollando una herramienta, que iba
a salvar ms vidas que las que todos los inventores esperaban salvar, la Teora de las
funciones de variable compleja, comenzada por Cauchy (1789-1857) por el ao
1825. Entre sus muchas aplicaciones, una de las ms valiosas ha sido la comunica-
cin por radio. Marconi (1874-1937) patent en 1896 un sistema de telegrafa sin
hilos y en 1898 estableci la primera comunicacin a travs del Canal de la
Mancha. El descubrimiento de Marconi fue posible gracias a la contribucin de dos
grandes fsicos Maxwell y Hertz. A Maxwell (1831-1879) se le debe la teora segn
la cual la electricidad y la energa magntica se propagan en forma de ondas trans-
versas. A Hertz (1857-1894) le debemos importantes descubrimientos en la electri-
cidad, entre ellos el de las ondas que llevan su nombre en el que se bas el invento
de Marconi.
03 tema 1 14/3/03 08:05 Pgina 9
No es de extraar que Hertz afirmase: No se puede evitar el sentimiento de que

estas frmulas matemticas tienen una existencia independiente y una inteligencia
propia; de que ellas son ms sabias de lo que somos nosotros, ms sabias an que
sus descubridores; de que les sacamos ms de lo que originariamente se puso en
ellas.
Sin intentar entrar en esta polmica, creo que son compatibles ambos avances en
las matemticas, hasta cierto punto son complementarios. Una teora matemtica
motivada por un problema concreto de la realidad fsica puede encontrar otras apli-
caciones distintas, pero tambin teoras que han surgido sin tener como motivacin
la resolucin de un problema concreto de la ciencia o de la tcnica pueden encon-
trar posteriormente aplicaciones interesantes.
En este libro se presentan dos modelos matemticos de inters en las Ciencias de
la Naturaleza, uno de ellos, fruto de la investigacin en matemtica pura, Las Cadenas
de Markov, el otro, el Modelo de Leslie, un claro ejemplo de matemtica aplicada,
como se dijo en el prlogo. En ambos se utilizarn la probabilidad, las matrices, sus
autovalores y sus autovectores para estudiar la evolucin de poblaciones.
1.4. Modelos matemticos en las ciencias de la naturaleza.

Clasificacin.
El catedrtico de Fsica Snchez Ron (50) sostiene que para cumplir con su obje-
tivo de describir los fenmenos que tienen lugar en la naturaleza tarea que inclu-
ye predecir las condiciones en que se volvern a producir, la ciencia y a su cabeza
en este sentido, la fsica, intenta recurrir a leyes que se expresan matemticamente,
hasta el punto de que se podra decir que no hay fsica, tal y como la entendemos en
la actualidad, sin matemtica.
La matemtica es para Borel (1871-1956) La ciencia que estudia relaciones
entre entes abstractos definidos con la condicin de que no lleven a contradiccin.
Las definiciones nacen por analogas con objetos reales, o por creaciones del esp-
ritu humano para resolver problemas planteados.
Afirma E. P. Wigner, Premio Nobel de Fsica, en su artculo La irrazonable efec-
tividad de la matemtica en las ciencias naturales: El milagro de la adecuacin del
lenguaje de la matemtica para la formulacin de las leyes fsicas es un don mara-
villoso que ni entendemos ni merecemos. Deberamos mostrarnos agradecidos por
l y esperar que permanecer siendo vlido en la investigacin futura y que se
extender para bien o para mal, para placer nuestro aunque tambin tal vez para
nuestra perplejidad, a ramas ms amplias del saber.
Los modelos matemticos consisten en ecuaciones o conjuntos de ecuaciones
que representan cuantitativamente las hiptesis realizadas sobre el caso real. Se uti-
lizan modelos matemticos en diferentes campos de la actividad humana: fsica,
qumica, biologa, geologa, medicina, astronoma, demografa, pedagoga, econo-
ma, etc. El conocimiento asimilado nos enriquece y ampla nuestro horizonte y las
posibilidades de aplicacin a otros campos del saber.
03 tema 1 14/3/03 08:05 Pgina 10
En palabras del profesor Mindn (42): El entendimiento humano, gracias a su

capacidad abstractiva y a su funcin universalizadora, no slo conoce las esencias,
sino tambin las relaciones entre ellas. Y gracias al conocimiento de lo universal y
de las relaciones esenciales, el hombre es capaz de realizar la funcin lgica del jui-
cio, puesto que dispone de un gran caudal de predicados que puede aplicar a los
sujetos y puede conocer las mltiples relaciones que existen entre los conceptos
para formular correctamente los juicios.
En virtud de esa posesin de esencias, propiedades y relaciones universales
puede trascender la experiencia y pasar con seguridad de unas verdades verificadas
a otras que no lo estn, en sus razonamientos discursivos. El distinto grado de uni-
versalidad de gneros y especies hace que pueda atribuir a lo menos universal lo que
ha descubierto en otro universal de ms extensin que contiene a aqul.
Las ecuaciones matemticas de un modelo en biologa, por ejemplo, no propor-
cionan su contenido biolgico, sino solamente expresan las hiptesis de un modo
cuantitativo y las interpretan permitindonos deducir consecuencias para su verifi-
cacin o refutacin.
Los modelos matemticos pueden ser tiles para hacer predicciones sobre
aspectos cuantitativos del comportamiento del sistema. La simulacin mediante un
modelo y la posibilidad de estudiar su evolucin con distintas condiciones iniciales
es una gran ayuda para el cientfico.
Un modelo se dice que es dinmico si la variacin con el tiempo es en l una
caracterstica esencial. Se distinguen dos tipos de modelos dinmicos: continuos y
discretos. Un modelo dinmico se dice que es continuo si el tiempo puede tomar valo-
res en el conjunto de los nmeros reales o en un subconjunto de l con la potencia del
continuo, como puede ser un intervalo o una semirrecta. Y se dice que es discreto si
la variable tiempo est definida en un conjunto discreto, como el de los nmeros natu-
rales o una parte de l. Un modelo dinmico continuo es, por ejemplo, una ecuacin
diferencial y una ecuacin en diferencias es un modelo dinmico discreto.
Atendiendo al conjunto de resultados que proporciona un modelo se pueden dis-
tinguir otros dos tipos: deterministas y estocsticos. Los modelos estocsticos jue-
gan un papel importante en la explicacin de algunas reas de las Ciencias
Naturales y de la Tcnica. Son muy tiles para analizar la variabilidad inherente en
procesos biolgicos, mdicos, para abordar decisiones sujetas a incertidumbre, para
tratar la complejidad de influencias sociales o psicolgicas.
La palabra estocstico procede del verbo griego stokasomai (apuntar, tender a,
conjeturar, suponer) y significa: aleatorio, debido al azar. Aleatorio procede del
latn alea (que significa azar, casualidad, probabilidad, suerte, incertidumbre). El
antnimo es determinista del latn determinare que significa sealar, determinar,
fijar los trminos de una cosa, precisar, decidir.
Un modelo se dice que es determinista si conocidos los datos el resultado es
totalmente previsible. Por ejemplo, el modelo de Malthus de crecimiento de una
poblacin, y (t) = y0 ert, siendo r su tasa instantnea de crecimiento, es un modelo
dinmico determinista porque proporciona un nico resultado para un conjunto
dado de datos.
03 tema 1 14/3/03 08:05 Pgina 11
Un modelo estocstico o aleatorio proporciona un conjunto de posibles resultados

ponderados por sus probabilidades. Los modelos estocsticos son esquemas abstrac-
tos capaces de representar aquellos fenmenos cuya evolucin est sometida a leyes
aleatorias y contienen probabilidades de sucesos como parte integral del modelo.
Los modelos estocsticos permiten predecir resultados con una distribucin de
probabilidad asociada, en contraste con los modelos determinsticos. Un ejemplo
de modelo estocstico nos lo proporciona la segunda ley de Mendel (1822-1884):
Al cruzar dos individuos hbridos Aa de una misma especie respecto de un
carcter con dominancia completa, la generacin filial correspondiente ofrecer
los tres genotipos AA, Aa, aa, en las proporciones 1:2:1
Generacin Paterna Aa x Aa
Gametognesis A a A a
F1 AA Aa Aa aa
Es decir, en la generacin filial resultante aparecen individuos dominantes, AA,

con probabilidad 1/4, hbridos, Aa, con probabilidad 1/2 y recesivos, aa, con proba-
bilidad 1/4.
Los fenmenos no son en s mismos estocsticos o deterministas. Considerar un
fenmeno como determinista o aleatorio es a veces eleccin del investigador, y esta
eleccin depende del objetivo que se ha planteado observar.
Y para concluir este captulo dedicado a las matemticas de la Naturaleza se
recoge la respuesta dada, en 1994, por el matemtico hngaro Peter Lax a la pre-
gunta: Cules son los retos para las matemticas en el prximo futuro? La fsica
ha sido la fuente principal de problemas durante los ltimos trescientos aos, y
seguramente lo continuar siendo, as como la ingeniera, que ha suministrado
muchos problemas prcticos. No obstante, los problemas ms excitantes, que an
no sabemos identificar bien, creo que vendrn de la biologa.
Ahora, a comienzos del siglo XXI, vivimos una revolucin en la comprensin de
la vida y la reproduccin. En el siglo XIX dio un gran avance la fisiologa, en el siglo
XX la gentica y en el siglo que acabamos de comenzar quiz se avanzar en el cono-
cimiento de la biologa molecular, el estudio del cerebro y las ciencias biomdicas
moleculares.
Convencida, como Peter Lax, de la revolucin que nos espera en la biologa,
pienso que todo cientfico y en particular cada bilogo debe tener una buena forma-
cin matemtica. Las matemticas son muy importantes en muchos procesos, sobre
todo a la hora de sustituir los experimentos por modelos cuando los experimentos son
o muy caros o muy difciles de realizar o muy delicados o muy aventurados. Aqu la
aportacin de las matemticas es establecer cmo va a evolucionar el modelo antes
de realizar la experiencia, fundamental para el avance en las ciencias naturales.
03 tema 1 14/3/03 08:05 Pgina 12
04 tema 2 14/3/03 08:25 Pgina 13
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
El primer intento de dar rigor matemtico a la teora de la probabilidad se debe

a Laplace, que en 1812 public un tratado Teora analtica de las probabilidades en
el que se recoge su definicin clsica de probabilidad de un suceso como el cocien-
te entre el nmero de casos favorables y el nmero de casos posibles, supuesto que
todos los resultados posibles son igualmente probables. En estos casos para el cl-
culo de la probabilidad es una buena ayuda la combinatoria, pues no se necesita
escribir todos los casos favorables y los posibles sino nicamente contarlos. Deca
Laplace: Es notable que una ciencia que comenz con la consideracin de juegos
de azar habra de llegar a ser el objeto ms importante del conocimiento humano...
Las cuestiones ms importantes de la vida constituyen en su mayor parte, en reali-
dad, solamente problemas de probabilidad.
En efecto, mientras tengamos que vivir con incertidumbres y queramos tomar
decisiones racionales tendremos que aprender a valorar el riesgo de tomar una deci-
sin frente a la incertidumbre, y para ello el instrumento necesario es la probabili-
dad.
Dice Borel: Al igual que el precio no es el nico elemento de nuestra decisin
cuando se trata de comprar algo, as la probabilidad no debe ser absolutamente el
nico elemento de nuestra decisin cuando se trata de correr un peligro. Uno de los
motivos por los cuales algunos espritus desprecian la precisin de las matemticas
es porque imaginan que esta precisin pone en peligro su libre albedro. Una per-
sona suficientemente rica puede, evidentemente, elegir los objetos que compra sin
preocuparse por el precio, basndose slo en sus gustos. Pero, cuando se trata de
correr un peligro, sobre todo estando en juego la salud o la vida misma, nadie es
bastante rico para poder despreciar ciertas probabilidades... En la vida ordinaria, el
conocimiento de la probabilidad es un elemento til en nuestra decisin, del mismo
modo que lo es el conocimiento del precio cuando se trata de una compra, sin que
este conocimiento nos impida tener en cuenta otras consideraciones antes de deci-
dirnos.
En los comienzos del siglo XX destacan los avances en la teora de la probabili-
dad de Chebichev y de su discpulo A. A. Markov. Tambin surgieron espectacula-
res aplicaciones de la teora de la probabilidad a la fsica realizadas, entre otros, por
Einstein y por Maxwell. La teora matemtica de la probabilidad como hoy la cono-
cemos se basa en la definicin axiomtica de Kolmogoroff, que se recoge en su libro
Fundamentos de la Teora de la Probabilidad, publicado en 1933; en este libro los
sucesos se representan por conjuntos y la probabilidad es una aplicacin del lge-
bra de los sucesos en [0,1] que da una medida de la verosimilitud de cada suceso.
La combinatoria desempea un papel importante no slo en las matemticas, en
la teora de la probabilidad y en la estadstica, sino tambin, entre otras, en la infor-
mtica, en las ciencias de la computacin, en el anlisis de algoritmos, en la biolo-
ga, en la qumica, en la fsica, en el estudio de los grafos y en la teora algebraica
de la codificacin, que surgi a mediados del siglo XX, inspirada en un artculo de
Claude Shannon y en los resultados de Marcel Golay y Richard Hamming.
En los ltimos aos la gentica molecular ha dado un gran avance utilizando la
probabilidad, y como consecuencia de ello ha surgido la gentica forense, que
04 tema 2 14/3/03 08:25 Pgina 15
COMBINATORIA Y PROBABILIDAD EN ESPACIOS DISCRETOS 15
posibilita la resolucin de hechos delictivos. En los laboratorios forenses se estu-

dian muestras biolgicas relacionadas con todo tipo de delitos: homicidios y ase-
sinatos, reyertas, robos y delitos contra la libertad sexual, principalmente. Tambin
los anlisis de identificacin gentica se emplean en otros campos no necesaria-
mente ligados al mbito criminal, como la identificacin de cadveres, por ejem-
plo, en grandes catstrofes, o para resolver conflictos en el esclarecimiento de la
paternidad.
Como es bien sabido, los fenmenos de la herencia estn relacionados con la
existencia, en cada individuo, de cierto nmero de parejas de cromosomas, en la es-
pecie humana 23 pares. En cada nio, cada par de cromosomas est formado por un
cromosoma de ese par de su padre y otro de su madre elegidos al azar y, por tanto,
el nmero de elecciones posibles para cada individuo de la especie humana es de 246
aproximadamente 7.036874417 1013, es decir, ms de 70 billones. La probabilidad
de que dos hermanos, que no sean gemelos nacidos del mismo vulo, tengan exac-
1
tamente los mismos cromosomas es 46
, es decir, 0.1421 1013, prcticamente nula.
2
Parece claro, pues, que la presencia en dos individuos de ciertos grupos de cromo-
somas idnticos es suficiente para determinar ciertas analogas entre ellos. En oca-
siones, la colocacin de un solo cromosoma, locus, determina un carcter tan
importante como pueden ser algunas anomalas hereditarias; aqu es interesante la
aplicacin de las probabilidades para el estudio de la presencia simultnea de un
cromosoma en individuos que tienen uno o varios antepasados comunes, hermanos,
tos y sobrinos, primos hermanos, etc.
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
6 Una empresa de trabajo temporal tiene once puestos de trabajo no cualifi-

cado y 14 empleados disponibles de cuntas formas puede repartir el tra-
bajo?
7 De cuntas formas se puede seleccionar un equipo de once jugadores para
un partido de ftbol, si hay quince jugadores disponibles?
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?
9 Una empresa fabricante de cerraduras de combinacin elabora cerraduras
con clave formada por cuatro nmeros elegidos entre el 00 y el 99.
a)Cuntas cerraduras distintas se pueden fabricar? b)Y si nunca se repi-
ten nmeros en una cerradura?
10 Una comisin que consta de diecisis personas necesita qurum para
comenzar una reunin, de cuntas formas pueden tener qurum mnimo?,
de cuntas formas pueden tener qurum?
11 Con las cifras 0, 1, 2 cuntas secuencias de n cifras se pueden formar?
Para contestar a estas preguntas y muchas ms se necesita conocer las frmulas

y tcnicas bsicas, pero cada problema de combinatoria hay que analizarlo deteni-
damente para poderlo resolver, y como es frecuente que un problema de combina-
toria se pueda resolver de varias formas, el mejor modo de aprender este tema es
intentar dar una respuesta a los ejercicios antes de leer la solucin.
2.2.1. Tcnicas bsicas.
2.2.1.1. Principio de adicin
Si A1, A2, , Ak son conjuntos disjuntos, se verifica que el cardinal de la unin

es la suma de los cardinales, esto es:
k
A1 A2 Ak = Ai.
i=1
Esta igualdad tambin se puede interpretar del siguiente modo:

Sabemos que si Ai, conjunto de cardinal ni, representa un suceso, se dice que se
verifica el suceso Ai si como resultado de la experiencia se obtiene alguno de sus
elementos. Si A1, A2, , Ak son k sucesos incompatibles dos a dos, entonces el suce-
k k
so U Ai se puede verificar de ni formas distintas.
i=1 i=1
Ejemplo: En una biblioteca pblica hay 13 libros de matemticas, 10 de histo-

ria, 30 de informtica, 100 novelas, 15 obras de teatro y 10 libros de poesa. De
cuntas formas distintas se puede elegir un libro?
M H I N T P = 13 + 10 + 30 + 100 + 15 + 10 = 178 formas distintas.
04 tema 2 14/3/03 08:25 Pgina 17
2.2.1.2. Principio de multiplicacin
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
Esta regla en los sucesos se puede interpretar as:

Si un suceso se puede descomponer en k etapas sucesivas y cada una de ellas se
puede verificar de Ai= ni maneras distintas, independientemente de cul sea el
resultado de las otras etapas, entonces el suceso S = A1 A2 Ak se podr
k
realizar de n formas distintas.
i=1
i
Ejemplo: Se dispone de 10 clases de moluscos, 17 de artrpodos y 13 clases de

vertebrados de cuntas formas se puede elegir un animal de cada especie?
M A V = 10 1713 = 2210 formas distintas.
2.2.1.3. Principio de distribucin
Si se reparten m objetos en n casilleros, siendo m>n, entonces un casillero tiene

dos o ms objetos.
Es una consecuencia del principio de adicin, pues si ningn casillero tiene
ms de un objeto, el nmero total de los objetos repartidos ser como mximo
1 + 1 + .n).. + 1 = n.
Anlogamente, si se distribuyen m objetos en n casilleros, siendo m>nr, enton-
ces al menos uno de los casilleros tiene como mnimo r+1 objetos.
Este principio se conoce como principio de distribucin de Dirichlet o principio
del palomar, nombre que le dio Dirichlet, que fue el primero que lo formul.
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.
2.2.2. Organigrama de combinatoria1.
Antes de dar las frmulas bsicas de las combinaciones, variaciones y permuta-

ciones con y sin repeticin, analizaremos los ejemplos presentados en el prrafo 2.2.
Para intentar resolverlos es necesario tener bien claro:
1
Vase (21).
04 tema 2 14/3/03 08:25 Pgina 18
1 Cul es el alfabeto, conjunto A, con el que se van a escribir los resultados?

2 Cuntos elementos del alfabeto necesitamos para formar uno de los resul-
tados de nuestro ejercicio?
3 En los resultados que buscamos es importante el orden?
4 En cada uno de los resultados han de estar necesariamente todos los ele-
mentos de A?
5 En los resultados que buscamos puede haber algn elemento de A repeti-
do?
De este modo se pueden resolver fcilmente utilizando el siguiente organigrama

y se puede calcular el resultado, si se conocen las frmulas bsicas que se darn a
continuacin.
A = {a1, a2, , an}
Buscamos k elementos pertenecientes al conjunto A.
Importa el orden de
estos k elementos?
No S
Tienen que estar

todos los elementos
No de A?
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.
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.
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 .
2.2.3. Frmulas bsicas.
2.2.3.1. Variaciones con repeticin.
Si A = {a1, a2, , an}, el conjunto de las variaciones con repeticin de orden k

formadas con los elementos de A es el producto cartesiano
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.
Ejemplo: Si A = {a,b,c}, los conjuntos de las variaciones con repeticin de orden

1, 2 y 3 son:
04 tema 2 14/3/03 08:25 Pgina 21
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
2 Cuntas aplicaciones distintas de C1 = {1,2,3,4,5} en C2 = {a,b,c,d} se

pueden establecer?
La imagen de 1 puede ser uno cualquiera de los elementos de C2, anloga-
mente la imagen de 2 y la de los restantes elementos de C1. Para definir una
aplicacin basta con dar las imgenes de los elementos de C1, por ejemplo:
aabcc significa que 1 y 2 tienen por imagen a, 3 tiene por imagen b, y c es la
imagen de 4 y de 5. Otra aplicacin distinta sera acbca, otra aaabb. El alfa-
beto es C2 = {a,b,c,d}, n = C2= 4 y k = 5. El nmero de aplicaciones dis-
tintas de C1 en C2 es VR4,5 = 45 = 1024.
2.2.3.2. Variaciones ordinarias.
El conjunto de las variaciones, o variaciones ordinarias, de orden k formadas

con los n elementos del conjunto A es el subconjunto de Ak formado por aquellas
variaciones en las que no aparece ningn elemento de A repetido.
Las variaciones ordinarias de orden 1 son cada uno de los elementos de A; las
variaciones ordinarias de orden 2 se obtienen a partir de las de orden 1 aadien-
do a su derecha los elementos de A salvo el que est escrito; las de orden 3, aa-
diendo a la derecha de las de orden 2 cada uno de los elementos de A, salvo los
que forman esa variacin, y as sucesivamente, hasta llegar a las variaciones de
orden n = A.
Ejemplo: Si A = {a,b,c}, las variaciones de orden 1, 2 y 3 son:
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.
Si A= n, del diagrama del rbol se obtiene que el nmero de variaciones, o

variaciones ordinarias, de orden k formadas con los n elementos del conjunto A es:
Vn,k = n (n 1)(n 2) (n k + 1) siendo 0 < k n, k .
No existen variaciones ordinarias de orden superior al nmero de elementos de

A; sin embargo, s existen variaciones con repeticin de orden k, siendo k > n.
04 tema 2 14/3/03 08:25 Pgina 23
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.
2 Cuntas aplicaciones inyectivas se pueden formar de C = {1,2,3,4} en

D = {m,n,o,p,q,r}?
El alfabeto es ahora D = {m,n,o,p,q,r}, n = D= 6 y k = 4, pues buscamos
la imagen para los cuatro elementos de C y no se pueden repetir las imge-
nes porque se piden aplicaciones inyectivas. Por tanto, se pueden construir
V6,4 = 6 5 4 3 = 360 aplicaciones inyectivas de C en D.
2.2.3.3. Permutaciones ordinarias.
Las permutaciones ordinarias de los elementos de A son las variaciones ordina-

rias de orden n formadas con los n elementos de A. Para obtener las permutaciones
de los n elementos del conjunto A basta con formar las variaciones ordinarias de
orden n.
El nmero de permutaciones ordinarias de los n elementos de un conjunto A, es:
Pn = Vn,n = n (n 1) 3.2.1
Dos permutaciones de los n elementos del conjunto A se distinguen por tener los
elementos colocados en distinto orden.
Usando la notacin n! = n (n 1) ...3.2.1 para el producto de los primeros n
nmeros enteros para n > 1 y definiendo 0! = 1 podemos escribir:
Pn = n!
Y el nmero de variaciones ordinarias de los n elementos de orden k:
n!
Vn,k = , siendo 0 < k n, k .
(n k) !
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.
2 Cuntas aplicaciones biyectivas se pueden formar de M1 = {1,2,3,4} en

M2 = {a,b,c,d}? y de C = {1,2,3, , n} en A = {a1,a2,a3, , an}.
El nmero de aplicaciones biyectivas de M1 en M2 es V4,4 = P4 = 4! = 24.
Anlogamente, el nmero de aplicaciones biyectivas de C en A es n!
04 tema 2 14/3/03 08:25 Pgina 24
2.2.3.4. Permutaciones con repeticin.
Empezaremos con un ejemplo: En una carrera participan cinco corredores, tres

del equipo B y dos del equipo N. Cuntas clasificaciones por equipos distintas se
pueden dar?
Suponemos que los corredores del equipo B llevan dorsales 1, 2, 3, y que los del
equipo N llevan dorsales 4 y 5. Las distintas clasificaciones por equipos son:
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
Hay diez clasificaciones por equipos.

En este caso, el diagrama de rbol no sirve para calcular el nmero de permuta-
ciones con repeticin. El nmero de clasificaciones por equipos de estos cinco
corredores, tres del equipo B y dos del equipo N, lo indicaremos por PR3,2 5 .
Por cada una de estas clasificaciones por equipos, si observamos el nmero del
dorsal de cada corredor, obtenemos P3 P2 = 3!2! = 12 clasificaciones individuales
diferentes. En efecto, las 12 clasificaciones individuales siguientes corresponden a
la misma clasificacin por equipos: BBBNN,
B1 B2 B3 N4 N5 B1 B2 B3 N5 N4
B1 B3 B2 N4 N5 B1 B3 B2 N5 N4
B2 B1 B3 N4 N5 B2 B1 B3 N5 N4
B2 B3 B1 N4 N5 B2 B3 B1 N5 N4
B3 B1 B2 N4 N5 B3 B1 B2 N5 N4
B3 B2 B1 N4 N5 B3 B2 B1 N5 N4
Como el nmero total de clasificaciones individuales es: P5 = 5! = 120, el nme-

ro de clasificaciones por equipos, PR3,2
5 , multiplicado por P3 P2 = 12 clasificacio-
04 tema 2 14/3/03 08:25 Pgina 25
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!
2 Cuntas aplicaciones diferentes de C1 = {1,2,3,4,5,6} en C2 = {a,b,c} se

pueden formar que sean suprayectivas y en las que dos elementos tengan por
imagen a, tres tengan por imagen b y uno tenga por imagen c?
Si escribimos las imgenes de 1,2,3,4,5,6 en este orden una de estas
aplicaciones posibles es aabbbc y otra distinta es baacbb. El nmero de las
6!
aplicaciones pedidas es PR2,3,1
6 = = 60.
2!3!1!
2.2.3.5. Combinaciones ordinarias.
Si A = {a1, a2, , an} las combinaciones ordinarias de orden k formadas a par-

tir de los n elementos de A son los subconjuntos de A de cardinal k.
As, si A = {a,b,c,d} las combinaciones de orden 1, 2 y 3 son:
ab abc
abd
a ac acd
ad
b bc bcd
bd
c cd
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

As, el nmero de combinaciones ordinarias de orden 3 multiplicadas por el

nmero de permutaciones de los tres elementos da el nmero de variaciones ordi-
Vn,3 n!
narias de orden 3, es decir: Cn,3 P3 = Vn,3 Cn,3 = =
P3 3! (n 3)!
De mismo modo:
Vn,k n!
Cn,k Pk = Vn,k Cn,k = =
Pk k! (n k)!

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
2 Cuntas aplicaciones diferentes de A = {a1,a2,a3,a4,a5,a6,a7} en B = {0,1}

que sean suprayectivas se pueden formar en las que cuatro elementos de A
tengan por imagen 1 y el resto tengan por imagen 0?
Si 1111000 significa que a1,a2,a3,a4 tienen por imagen 1 y los otros tres tie-
nen por imagen 0, cada una de estas aplicaciones est determinada si se
conocen las posiciones de los unos. El alfabeto es el conjunto de los lugares
en los que se pueden colocar los unos, por tanto
A = {1o,2o,3o,4o,5o,6o,7o}, n =A= 7
y como vamos a colocar cuatro unos es k = 4. El nmero de estas aplicacio-
nes es

7 7!
C7,4 = = = 35.
4 4!3!
El mismo resultado se obtiene si se colocan los ceros porque
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.
2.2.3.6. Combinaciones con repeticin.
Empezaremos con el ejemplo de las fichas del domin.

De cuntas fichas consta el juego del domin?
Convenimos en que 0 representa blanca, 1 representa un punto, 2 representa
dos puntos, etc. Por tanto, el alfabeto es: A = {0,1,2,3,4,5,6} y las fichas de domi-
n son:
[0-0], [0-1], [0-2], [0-3], [0-4], [0-5], [0-6],
[1-1], [1-2], [1-3], [1-4], [1-5], [1-6],
[2-2], [2-3], [2-4], [2-5], [2-6],
[3-3], [3-4], [3-5], [3-6],
[4-4], [4-5], [4-6],
[5-5], [5-6],
[6-6].
Las combinaciones con repeticin de orden 1 son cada uno de los elementos de
A, para formar las combinaciones con repeticin de orden 2 se escriben a la derecha
de cada elemento de A, este elemento y los que le siguen en el conjunto A. Para for-
mar las de orden 3, se escribe a la derecha de cada una de las de orden 2 el ltimo
04 tema 2 14/3/03 08:25 Pgina 28
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
El diagrama de rbol tampoco sirve para contar el nmero de combinaciones

con repeticin.
El nmero de combinaciones con repeticin de orden k formadas con los n ele-
mentos del conjunto A es: CRn.k.
Para calcularlo se observa que una forma sencilla de contar el nmero de com-
binaciones con repeticin de orden 3 formadas con los elementos de A = {a,b,c} es
la siguiente: se sustituye cada elemento repetido por x1 o por x2, segn que el ele-
mento que aparece repetido sea el primero o el segundo, cuando estos estn colo-
cados en orden alfabtico si son letras, o en el orden natural si son cifras.
As, las combinaciones con repeticin de orden 3 formadas con los elementos de
A = {a,b,c} las sustituimos por:
aaa ax1x2 acc acx2
aab ax1b bbb bx1x2
aac ax1c bbc bx1c
abb abx2 bcc bcx2
abc abc ccc cx1x2
El nmero de combinaciones con repeticin de orden 3 formadas con los ele-

mentos del conjunto A = {a,b,c} es igual al nmero de combinaciones ordinarias de
orden 3 formadas con los elementos del conjunto B = {a,b,c,x1,x2}. Es decir:

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
2 En una estantera hay seis frascos de cristal diferentes. De cuntas formas

se pueden colocar 11 bolas idnticas en los frascos de tal modo que no quede
ninguno vaco?
A cada uno de los seis frascos le colocamos una etiqueta diferente A, B, C,
D, E, F . Colocamos en cada uno una de las bolas y as no quedar ninguno
vaco, quedan ahora otras cinco bolas para repartir en los seis frascos. Como
las bolas son indistinguibles se eligen frascos sin importar el orden y pudien-
do repetir. El alfabeto es pues Z = {A,B,C,D,E,F} y n =Z= 6.
Por ejemplo: AAAAA significa que las cinco restantes se colocan en el fras-
co primero, AAAAB que cuatro se colocan en el primero y la ltima en el
segundo, etc. Por tanto k = 5.
El nmero de formas distintas de colocar las bolas dadas es:

10
CR6,5 = C10,5 = = 252.
5
Podemos ya dar respuesta a diez de los ejercicios que se han presentado al

comienzo del prrafo 2.2 al introducir la combinatoria:
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
2 Cuntos smbolos distintos se pueden formar en el cdigo Braille teniendo

en cuenta que el signo generador tiene seis posiciones y se pueden marcar o
no cada una de las posiciones?
VR2,6 = 26 = 64 smbolos distintos,
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
3 De cuntas fichas consta el juego del domin?

8
CR7,2 = = 28
2
4 De cuntas formas distintas se pueden colocar diez libros diferentes en una

estantera?
P10 = 10! = 3.628.800
5 a) Cuntas secuencias nucletidas distintas de veinte bases se pueden for-

mar con las bases constituyentes del cido nucleico ARN: adenina (A), gua-
nina(G), citosina (C) y uracilo (U)? b) Cuntas secuencias tienen cinco
veces adenina, tres guanina, ocho citosina y cuatro uracilo?
a) VR4,20 = 1.099.511.627.776 secuencias diferentes.
5,3,8,4
b) PR20 = 3.491.888.400 secuencias
6 Una empresa de trabajo temporal tiene once puestos de trabajo no cualifica-

do y 14 empleados disponibles de cuntas formas puede repartir el trabajo?
14!
V14,11 = = 14.529.715.200 formas de repartir el trabajo.
3!
7 De cuntas formas se puede seleccionar un equipo de once jugadores para

un partido de ftbol, si hay quince jugadores disponibles?
15!
V15,11 = = 54.486.432.000 equipos,
4!
pues cada uno de los once jugadores podra jugar el partido de portero,
defensa izquierda, defensa derecha, medio izquierda, medio centro, medio
derecha, delantero izquierda, delantero centro izquierda, delantero centro,
delantero centro derecha o delantero derecha.
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.
9 Una empresa fabricante de cerraduras de combinacin elabora cerraduras

con clave formada por cuatro nmeros elegidos entre el 00 y el 99.
a) Cuntas cerraduras distintas se pueden fabricar? b) Y si nunca se repi-
ten nmeros en una cerradura?
a) VR100,4 = 108 cerraduras.
b) V100,4 = 94.109.400 cerraduras.
04 tema 2 14/3/03 08:25 Pgina 31
10 Una comisin que consta de diecisis personas necesita qurum para

comenzar una reunin, de cuntas formas pueden tener qurum mnimo?,
de cuntas formas pueden tener qurum?

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.
11 Con las cifras 0, 1, 2 cuntas secuencias de n cifras se pueden formar?

VR3,n = 3n cadenas diferentes.
2.2.4. Algunas identidades combinatorias.

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.
2.3.1. Experimentos aleatorios.
Un experimento es un proceso por medio del cual se obtiene una observacin.

Atendiendo al conjunto de resultados del experimento se pueden clasificar en deter-
ministas y aleatorios.
Un experimento es determinista si el resultado es totalmente previsible, as, en
el experimento de observacin de la cada libre de un cuerpo en el vaco se puede
calcular el tiempo que tarda en caer un objeto desde una altura dada. Muchos de los
experimentos de las ciencias son deterministas, pero no todos. Si el resultado no
est unvocamente establecido, son experimentos aleatorios.
Un experimento aleatorio es un proceso de observacin en el cual se conocen
con antelacin todos los resultados posibles del experimento (al menos dos dife-
rentes), el resultado de cualquier realizacin del experimento no se puede asegurar
de antemano y el experimento se puede repetir en idnticas condiciones.
El conjunto formado por todos los resultados posibles de un experimento alea-
torio se denomina su espacio muestral, y lo representaremos por E.
04 tema 2 14/3/03 08:25 Pgina 33
Ejemplos:
1 Lanzamos una moneda y anotamos el resultado que aparece al reposar sobre

una mesa. E = {C,X}.
2 Se cruzan dos individuos heterocigticos respecto de un carcter con domi-

nancia completa y se observa el genotipo de los hijos. El espacio muestral es:
E = {AA,Aa,aa}.
3 Si en el cruce anterior se observa el fenotipo, el espacio muestral es:

E = {A (dominante), a (recesivo)}.
4 Se lanzan dos dados de distinto color y se observan los nmeros obtenidos

en cada uno de ellos. El espacio muestral est formado por todos los pares
(a,b), siendo a,b {1,2,3,4,5,6}, es decir, es el conjunto de las variacio-
nes con repeticin de orden dos formadas con los elementos del conjunto
A = {1,2,3,4,5,6}.
El espacio muestral, como es un conjunto, se puede determinar por exten-
sin, enumerando todos sus elementos, o por comprensin, dando una pro-
piedad que los caracteriza.
5 Se lanza un dado y se observa el nmero de veces que es preciso lan-

zarlo hasta obtener por primera vez el as. El espacio muestral es:
E = {1,2,3,4,5,,n,}.
6 Cierto comercio dispone de un equipo que comprueba la validez de las

tarjetas de crdito. Si una tarjeta es vlida, se enciende una luz verde, y si
no lo es, la luz es roja. Se comprueban tres tarjetas, el espacio muestral es:
E = {vvv,vvr,vrv,rvv,vrr,rvr,rrv,rrr}.
7 En un laboratorio hay 100 ratas a las que se administra una dosis de un

medicamento y se observa el nmero de ratas que sobreviven al cabo de siete
das. El espacio muestral es: E = {0,1,2,3,, 99,100}.
8 Una ruleta tiene marcada en su circunferencia el 0, origen de los ngulos que

forma la aguja al detenerse, se hace girar y se mide, en radianes, el ngulo
que forma la aguja al parar. El espacio muestral es:E = {x / 0 x < 2}.
9 Se elige al azar un nmero del segmento [0,1].

E = [0,1] = {x / 0 x 1}.
En los ejemplos anteriores se presentan distintos tipos de espacios muestrales.

Atendiendo al nmero de resultados posibles del experimento aleatorio, los espa-
cios muestrales se clasifican en:
04 tema 2 14/3/03 08:25 Pgina 34
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.
Slo se estudiar la probabilidad en espacios muestrales discretos, finitos o infi-

nito-numerables.
2.3.2. lgebra de sucesos de un experimento aleatorio.
Dado un espacio muestral E, un subconjunto S de E, desde el punto de vista pro-

babilstico, se denomina un suceso, y un elemento e del conjunto E se llama un
punto muestral.
Se dice que se verifica un suceso S si como resultado del experimento se obtie-
ne alguno de los elementos de S.
Suceso seguro es el que se verifica cualquiera que sea el resultado de la expe-
riencia. Corresponde al subconjunto S = E , todo el espacio muestral.
Suceso imposible es el que no se verifica nunca. Corresponde al subconjunto
del espacio muestral.
Se llama suceso contrario a S al suceso S = CE (S) que se verifica siempre que
no se verifica S.
Dos sucesos A y B correspondientes al mismo experimento aleatorio son igua-
les, y se escribe A = B, si siempre que se verifica A se verifica B y siempre que se
verifica B se verifica tambin A.
Suceso elemental es todo subconjunto unitario del espacio muestral E.
Si A y B son dos sucesos correspondientes a un mismo experimento aleatorio, se
llama suceso unin de A y B, y se escribe A B, al suceso que se verifica si se veri-
fica A o se verifica B o se verifican ambos a la vez.
El suceso interseccin de A y B, se escribe A B, y es el suceso que se verifica
si se verifican simultneamente A y B.
Dos sucesos A y B son incompatibles si no se pueden verificar a la vez. En caso
contrario se dice que son compatibles.
Consideramos un espacio muestral E, conjunto no vaco ni unitario, una clase

de subconjuntos de E es un lgebra si se verifica que:
1. E
2. S S
3. S1, S2 S1 S2
04 tema 2 14/3/03 08:25 Pgina 35
Es decir, es un lgebra si uno de sus elementos es E y es cerrada respecto a

la formacin de complementarios y de uniones finitas.
Por verificar 1 y 2 tambin , y como consecuencia de las leyes de De

Morgan se tiene S1 S2 = S1 S2 y S1 S2 = S1 S2, y al verificar 2 y 3 tam-
bin es cerrada respecto de la formacin de intersecciones finitas.
Si E es un espacio muestral, una clase de subconjuntos de E es una -lge-

bra si se verifica que:
1. E
2. S S
3. S1, S2, , Sn, Si
i=1
Una -lgebra es cerrada respecto a la formacin de complementarios y de

uniones de una cantidad numerable de elementos de , y como consecuencia de la

forma infinita de las leyes de De Morgan, Si = Si , es decir, tambin es
i=1 i=1
cerrada respecto de la formacin de intersecciones de una cantidad numerable de
elementos de .
La menor -lgebra de E est formada por y E, y la mayor es la formada por
todos los subconjuntos de E.
Dada una familia F de subconjuntos de E, existe una -lgebra mnima, (F),
que contiene F, es la interseccin de todas las -lgebras que contienen F y se
denomina la -lgebra generada por F.
Si E= n finito, la -lgebra generada por los n sucesos elementales tiene 2n
elementos y coincide con el conjunto = (E) formado por todos los subconjun-
tos de E. En este caso, la -lgebra es tambin un lgebra de sucesos.
Si E es un conjunto infinito y no numerable, la familia formada por E y
todos los subconjuntos de E que son numerables y con complementario numerable
es una -lgebra. Esta -lgebra no contiene todos los subconjuntos de E, ya que
si S es un subconjunto no numerable de E, ser unin no numerable de elementos
de . Una -lgebra no es cerrada respecto a la formacin de un nmero arbitra-
rio de uniones de los sucesos que la forman.
La clase formada por todos los intervalos abiertos, semiabiertos y cerrados, los
intervalos degenerados (a,a) = , [a,a] = {a}, y las semirrectas ( ,a], ( ,a),
[a.), (a,) no forman una -lgebra para el espacio muestral , pues la unin de
dos intervalos, por ejemplo (1,2) (3,5) no es un elemento de la clase. La mni-
ma -lgebra de subconjuntos de est formada por , todos los intervalos de la
forma (a,b), [a,b), (a,b], [a,b], el complementario de cada uno de ellos, las semi-
rrectas, y la unin e interseccin de un nmero finito o infinito numerable de esos
conjuntos.
Como se dijo anteriormente, el resto del tema se referir a la probabilidad en
espacios muestrales discretos.
04 tema 2 14/3/03 08:25 Pgina 36
2.3.3. Frecuencia absoluta y relativa de un suceso. Propiedades.
Si se repite n veces un experimento aleatorio cuyo espacio muestral es E, finito

o infinito numerable, y el suceso A E se verifica nA veces, se dice que nA es la fre-
cuencia absoluta de A.
La frecuencia relativa de A es el cociente entre la frecuencia absoluta de A y el
nmero total de pruebas, es decir,
nA
fr (A) = .
n
Propiedades de las frecuencias relativas:
1. La frecuencia relativa de un suceso es un nmero racional del [0,1]

0 fr (A) 1
2. La frecuencia relativa del suceso seguro es 1.
3. La frecuencia relativa del suceso contrario de A es:

fr (A)= 1 fr (A)
4. Si A y B son dos sucesos incompatibles, entonces:

fr (A B) = fr (A) + fr (B)
5. Si A y B son dos sucesos compatibles entonces

fr (A B) = fr (A) + fr (B) fr (A B)
6. Frecuencia relativa de la interseccin de dos sucesos compatibles:

Si A y B son dos sucesos compatibles que se verifican a la vez n1 veces, el
suceso A se verifica n2 veces sin que se verifique B, y el suceso B se verifica
n1 + n2
n3 veces sin verificarse A, la frecuencia relativa de A es fr (A) = . Se
n
llama suceso B condicionado a A, y se representa por B/A, al suceso B dado
A, es decir, al suceso que se verifica si se verifica B habiendo sucedido A. La
frecuencia relativa del suceso B/A es:
n1
fr (B / A) =
n1 + n2
de donde se deduce que:
n1 n1 + n2 n1
fr (A B) = = = fr (A) fr (B / A)
n n n1 + n2
Del mismo modo:
n1 n1 + n3 n1
fr (A B) = = = fr (B) fr (A / B)
n n n1 + n3
04 tema 2 14/3/03 08:25 Pgina 37
Las frecuencias relativas varan con el nmero de pruebas. La observacin de

numerosos experimentos aleatorios aumentando el nmero de pruebas ha dado el
siguiente resultado prctico, conocido con el nombre de Ley del azar: La frecuen-
cia relativa de un suceso tiende a estabilizarse para valores grandes de n. Es decir,
los fenmenos aleatorios de manera aislada son imprevisibles pero presentan regu-
laridades estadsticas cuando se repiten un nmero elevado de veces.
Admitiendo como hiptesis la Ley del azar, von Mises defini

nA
P (A) = n lim
lim fr (A) = n
n
Para salvar los inconvenientes que surgen al intentar fundamentar el concepto de
probabilidad en esta definicin, se dar a continuacin la definicin axiomtica
de probabilidad basada en la propuesta por Kolmogorov en el ao 1933.
2.3.4. Medida de probabilidad en espacios muestrales discretos.
Sea E el espacio muestral de un experimento aleatorio y una -lgebra de

sucesos de E, una probabilidad es una aplicacin de en que cumple los
siguientes axiomas:
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
Esta propiedad se denomina de aditividad contable, y si se verifica, tambin

se cumple que:

n n
P U Ai = P (Ai).
i=1 i=1
propiedad de aditividad finita para espacios muestrales finitos.
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
Si p representa la probabilidad de obtener una cifra impar, la probabilidad de

obtener una cifra par es 2p
1
3p + 3.2p = 1 p =
9
La probabilidad de obtener cifra impar es:
1 1
P ({1,3,5}) = 3 =
9 3
mientras que si el dado no estuviera cargado la probabilidad de obtener cifra impar
sera:
1 1
P ({1,3,5}) = 3 =
6 2
Propiedades de la probabilidad.
Como consecuencia de los tres axiomas se verifican las siguientes propiedades:
1. Probabilidad del suceso contrario:

P (S) = 1 P (S)
2. Probabilidad del suceso imposible:

P () = 0
3. Si S1 S2 entonces P (S1) P (S2).
4. Probabilidad de la unin de sucesos compatibles:

Para dos sucesos compatibles:
P (S1 S2) = P (S1) + P (S2) P (S1 S2)
Para tres sucesos compatibles:
P (S1 S2 S3) = P (S1) + P (S2) + P (S3)
P (S1 S2) P (S1 S3 ) P (S2 S3) + P (S1 S2 S3)
Para n sucesos compatibles:

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
La definicin axiomtica de probabilidad slo expresa las propiedades que ha de

cumplir una probabilidad, pero no indica cmo asignar probabilidades especficas
a los sucesos.
5. Si Si son sucesos cualesquiera, como consecuencia de las propiedades 3 y 4

se tiene:

n n
P U Si P (Si).
i=1 i=1
04 tema 2 14/3/03 08:25 Pgina 39
Regla de Laplace.
De todas las aplicaciones de probabilidad que se pueden construir sobre espa-

cios muestrales finitos, una de las ms sencillas y prcticas es la que toma un valor
constante en todos los sucesos elementales. Esta aplicacin probabilidad se llama
Regla de Laplace y slo se puede utilizar en aquellos casos en los que admite la
experiencia que los nmeros hacia los cuales tienden a estabilizarse las frecuencias
relativas de los sucesos elementales, al aumentar el nmero de pruebas, son iguales.
Se dice entonces que los sucesos elementales son equiprobables.
Supongamos que el espacio muestral E de un cierto experimento aleatorio sea la
unin de n sucesos incompatibles dos a dos y equiprobables, y el suceso S se pueda
obtener como unin de m de los sucesos elementales,
n m
E = U Si y S = U Si
i=1 i=1
m
entonces P (S) = como consecuencia del tercer axioma de la probabilidad.
n
Se suele decir que la probabilidad del suceso S es el cociente entre el nmero de
casos favorables a S y el nmero de casos posibles.
Ejemplos:
1 Cul es la probabilidad de que al lanzar tres monedas se obtenga al menos

una cara? 3
Si consideramos el espacio muestral E = U Si siendo Si el suceso obtener
i=0 3
exactamente i caras el suceso S = obtener al menos una cara = U Si , pero
i=1
3
no es cierto que P (S) = porque los sucesos Si no son equiprobables pues-
4
to que S0 = {XXX}, S1 = {CXX,XCX,XXC}, S2 = {CCX,CXC,XCC}, S3 = {CCC}
La probabilidad de que se verifique S1 es mayor que la de que se verifique S3.
Sin embargo, considerando el espacio muestral:

E = {CCC,CCX,CXC,XCC,CXX,XCX,XXC,XXX}
sus sucesos elementales s son equiprobables, y aplicando aqu la Regla de

Laplace:

3 3 3 1 7
P (S) = P U Si = + + = .
i=1 8 8 8 8
2 Cul es la probabilidad de que al lanzar un dado dos veces la suma de las

puntuaciones obtenidas sea cinco?
04 tema 2 14/3/03 08:25 Pgina 40
El espacio muestral E es el conjunto de las variaciones con repeticin de orden

2 formadas con los elementos de C = {1,2,3,4,5,6}
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
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
3 De un club cultural formado por 50 matrimonios se eligen dos representan-

tes para un jurado. Calcular la probabilidad de que los elegidos sean:
a) Dos hombres
b) Un hombre y una mujer.
c) Un matrimonio.
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
2.3.5. La probabilidad condicionada. Sucesos dependientes e independientes.
Recordando la frmula de la frecuencia relativa de la interseccin de dos suce-

sos compatibles:
fr (A B) = fr (A) fr (B/A) y fr (A B) = fr (B) fr (A/B)
04 tema 2 14/3/03 08:25 Pgina 41
se obtienen las frmulas de las frecuencias relativas de los sucesos A condicionado

a B y de B condicionado a A:
fr (A B) fr (A B)
fr (B/A) = y fr (A/B) =
fr (A) fr (B)
Estas frmulas sugieren la siguiente definicin:
Probabilidad del suceso B condicionado a A.

Si A y B pertenecen a la -lgebra de sucesos de un experimento aleato-
rio y adems P (A) > 0 se define la probabilidad de B condicionado a A as:
P (A B)
P (B/A) = .
P (A)
La probabilidad condicionada al suceso A es una aplicacin del lgebra de
sucesos en el conjunto que a cada suceso S le hace corresponder
P (A S)
P (S/A) = .
P (A)
y se comprueba con facilidad que esta aplicacin verifica los tres axiomas de
toda probabilidad.
Anlogamente, si B es un suceso con probabilidad P (B) > 0, se define la pro-

babilidad de A condicionado a B:
P (A B)
P (A/B) = .
P (B)
Sucesos estocsticamente dependientes e independientes.

P (A B)
Si P (A/B) = P (A), entonces P (A B) P (A).P (B), y en
P (B)
P (A B)
consecuencia, P (B/A) = P (B). En este caso se dice que los
P (A)
sucesos A y B son dependientes.
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.
Se puede decir que dos sucesos A y B son independientes si

P (A B) = P (A).P (B)
Tres sucesos S1, S2 y S3 son independientes si se verifican las cuatro igualda-

des siguientes:
P (S1 S2) = P (S1).P (S2), P (S1 S3) = P (S1).P (S3)
P (S2 S3) = P (S2).P (S3) y tambin
P (S1 S2 S3) = P (S1).P (S2).P (S3)
Por tanto, si S1, S2 y S3 son independientes se verifica:
P (S1 S2 S3) = P (S1).P (S2) .P (S3)
pero el recproco no es cierto.
Ejemplo: En el experimento de lanzar un dado y observar el nmero que apare-

ce en la cara superior al reposar sobre la mesa son independientes los sucesos:
S1 = obtener cifra menor que 5,
S2 = obtener cifra menor que 4 y
S3 = obtener cifra mayor que 2 y menor que 6?
Se verifica que P (S1 S2 S3) = P (S1).P (S2).P (S3) porque

1 2 1
P (S1 S2 S3) = P ({3}) = y P (S1) = , P (S2) = P (S3) = .
6 3 2
1
Pero P (S1 S2) = P ({1,2,3}) = P (S1).P (S2) y, en consecuencia, no son
2
independientes.
En general, una coleccin finita de sucesos S1, S2,,Sn son independientes si

se verifica:

P Sk1 Skj = P Sk1 . . P Skj
para 2 j n y 1 k1 < < kj n. En total hay que verificar que son cier-

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
Probabilidad de la interseccin de dos o ms sucesos.

P (A B) = P (A) P (B/A)
P (A B C) = P (A).P (B/A).P (C / A B)
En general:
P (S1 S2 Sn) = P (S1).P (S2/S1).P (S3/S1 S2). .P (Sn/S1 S2 Sn1)
Ejemplo: Se extraen tres cartas sucesivamente y sin reemplazamiento de una

baraja espaola (40 cartas) cul es la probabilidad de que sean tres oros?
10 9 8 3
P (O1 O2 O3) = P (O1).P (O2/O1).P (O3/O1 O2) = = .
40 39 38 247
2.3.6. El teorema de la probabilidad total.
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
2.3.7. El teorema de Bayes.

En general P (A/B) P (B/A) ya que se refieren a sucesos diferentes. Por ejem-
plo, si B es algn tipo de efecto y A es una causa, a veces se tiene informacin sobre
P (B/A) cuando lo que se desea saber es P (A/B), en concreto en un diagnstico
mdico. Este problema es el que resuelve el teorema de Bayes, que permitir hacer
una primera y elemental inferencia estadstica. Este teorema posibilita el clculo de
las probabilidades P (Bi/S), probabilidades a posteriori (probabilidad de la hipte-
sis Bi sabiendo que ha sucedido S), conociendo las P (Bi), probabilidades a priori y
las P (S/Bi), probabilidades de las causas (probabilidad de que ocurra S en cada una
de las hiptesis Bi).
Teorema de Bayes:
Se considera una coleccin de sucesos B1, B2,, Bn que forman una particin
n
del 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 y se conocen P (Bi) y P (S/Bi), entonces
P (Bi).P(S/Bi)
P (Bi/S) =
n
P (Bi).P (S/Bi)
i=1
Este teorema es una consecuencia inmediata de la definicin de probabilidad

condicionada y del teorema de la probabilidad total.
Ejemplo: Una prueba detecta la presencia de cierta clase de bacterias en una
torre de aire acondicionado en el 95% de los casos, y si no las hay da negativo en el
90% de los casos. Si la probabilidad de que una torre de este tipo contenga esa clase
de bacterias es 0.15, calcular la probabilidad de que:
a) Haya esa clase de bacterias si la prueba ha resultado positiva.
b) Haya esa clase de bacterias cuando la prueba ha dado negativa.
Solucin: Si designamos por B el suceso la torre contiene este tipo de bacte-
rias y por N el suceso la prueba da resultado negativo, tenemos
/B) = 0.95, P (N/B
P (B) = 0.15, P (N ) = 0.90
a) La probabilidad de que haya esas bacterias sabiendo que la prueba ha sido

positiva es:
/B)
P (B).P(N
) = =
P (B/N
/B) + P (B
P (B).P (N ).P (N
/B
)
(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
b) La probabilidad de que la prueba no haya detectado las bacterias en caso de

haberlas es:
P (B).P(N/B)
P (B/N) = =
).P (N/B
P (B).P (N/B) + P (B )
(0.15)(1 0.95)
= = 0.0097.
(0.15)(1 0.95) + (1 0.15)(0.90)
Ejemplos de probabilidades en espacios infinito-numerables.
1 Se considera el experimento que consiste en lanzar un dado y anotar el

nmero de veces que hay que lanzarlo hasta conseguir el primer 5.
a) Dar el espacio muestral y las probabilidades de los sucesos elementales.

b) Calcular la probabilidad de obtener el primer 5 antes del undcimo lan-
zamiento.
c) Calcular P (A), P (B) y P (A B), siendo
A = {1,4,7,,3k + 1,}, k {0} y B = {2,4,6,,2k,}, k
Solucin:
a) E = {1,2,3,4,,n,} es infinito-numerable.
Para calcular las probabilidades de los sucesos elementales se observa

que si se designa por Si al suceso obtener un cinco en el i-simo lanza-
miento del dado
1
P ({1}) = P (S1) =
6
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
P (A B) = P ({4,10,16,22,,6k + 4,} siendo k {0}) =
53 59 515 56k+3
= + + + + +=
64 610 616 66k+4
53

64 4500
= 6 = = 0.1450

5 31031
1
6
2 Tres personas A, B y C lanzan, por este orden, alternativamente un dado y

gana el juego la persona que obtiene el primer 5. Calcular la probabilidad de
ganar para cada uno de ellos.
04 tema 2 14/3/03 08:25 Pgina 47
Solucin:
P (A) = P ({n / n = 3k + 1}, k {0}) =
1 53 56 53k 36
=+ 4
+ 7
+ + 3k+1
+=
6 6 6 6 91
P (B) = P ({n / n = 3k + 2}, k {0}) =
54 54 53k+1 30
= 2
+ 5
+ + 3k+2
+=
6 6 6 91
P (C) = P ({n / n = 3k}, k ) =
52 55 53k1 25
= 3
+ 6
++ 3k
+=
6 6 6 91
Como es natural, la suma de las tres probabilidades es 1, probabilidad del

suceso seguro. El jugador que tira el dado en primer lugar es el que tiene
mayor probabilidad de ganar.
2.4. DERIVE y las frmulas de combinatoria.

En el programa DERIVE2 slo se pueden encontrar las frmulas para calcular el
nmero de combinaciones ordinarias, el de variaciones ordinarias y, como caso par-
ticular de este, el nmero de permutaciones ordinarias. Es fcil, sin embargo, defi-
nir las expresiones que permiten calcular tambin con el programa DERIVE el
nmero de variaciones con repeticin, el de combinaciones con repeticin y el de
permutaciones con repeticin, como se puede ver en la pantalla que aparece en la
figura siguiente:
y que se explica a continuacin:
2
DERIVE es una marca registrada por Soft Warehouse, Inc.
04 tema 2 14/3/03 08:25 Pgina 48
El nmero Vn,k de variaciones ordinarias de n elementos de orden k es:

V (n,k): = PERM (n, k)
El nmero Cn,k de combinaciones ordinarias de n elementos de orden k es:

COMB (n, k)
El nmero de permutaciones de n elementos es:

PERM (n, n)
El nmero VRn,k de variaciones con repeticin de n elementos de orden k es:

VR (n, k): = nk
El nmero CRn,k de combinaciones con repeticin de n elementos de orden k es:

CR (n, k): = COMB (n + k 1, k)
Para hallar el nmero PRNh ,h ,,h de permutaciones con repeticin de n elemen-

1 2 n
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
FACTORIAL (v, i): = ELEMENT (v, i)!

DIMENSION (v)
PRODUCTO (v): = FACTORIAL (v, i)
i=1
y, por ltimo,
SUMA (v)!
PR (v): =
PRODUCTO (v)
Con las frmulas anteriores se calculan ms rpida y fcilmente los resultados

de los ejercicios de combinatoria.
04 tema 2 14/3/03 08:25 Pgina 49
PROBLEMAS PROPUESTOS
1. Un examen tipo test consiste en quince preguntas verdadero-falso, de cuntas

maneras distintas puede contestar al test un estudiante si lo hace al azar?
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?
3. a) Cuntas secuencias nucletidas distintas de 20 bases se pueden formar con

las bases constituyentes del cido nucleico ADN: adenina (A), guanina (G), cito-
sina (C) y timina (T)? b) Cuntas secuencias distintas tienen cinco veces cada
una de las bases? c) Cuntas se podran formar slo con adenina y guanina?
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?
5. Una empresa fabricante de cerraduras de combinacin produce cerraduras con

clave formada por tres nmeros enteros del 0 al 99. Si no quiere repetir nunca un
nmero en una cerradura, cuntas cerraduras distintas puede construir?
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?
8. a) Cuntos cdigos distintos de cuatro cifras se pueden asignar si slo se pue-

den utilizar las cifras impares? b) Y cuntos con slo las cifras pares si todos
han de tener cuatro cifras significativas?
9. De cuntas formas se puede elegir una comisin de cinco alumnos de un grupo

de cuarenta y cinco en cada uno de los siguientes casos: a) Si no puede figurar
el delegado en la comit. b) Si no pueden estar ni el delegado ni el subdelegado.
c) Si el delegado ha de formar parte de la junta.
04 tema 2 14/3/03 08:25 Pgina 50
10. De cuntas formas se pueden distribuir 12 amigos en tres habitaciones, si la

primera es de dos camas, la segunda de seis y la tercera de cuatro?
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?
14. Con las cifras 1, 2, 3, 4, 5, 6, 7, 8 se escriben todos los nmeros posibles de

cinco cifras de modo que todos los lugares impares estn ocupados por cifras
pares, cuntos nmeros se podrn formar?
15. Un estudiante tiene que resolver ocho cuestiones de doce en un examen, a) de

cuntas maneras puede elegirlas? b) Y si las tres primeras son obligatorias?
c) Y si tiene que contestar slo a tres de las cinco primeras?
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?
22. Un determinado injerto en un frutal tiene xito con probabilidad 0.7 a) Si se

injertan nueve rboles, determinar la probabilidad de que todos agarren. b) De
que slo agarren dos.
04 tema 2 14/3/03 08:25 Pgina 51
23. Cinco personas A, B, C, D y E se sientan al azar en cinco sillas alineadas.

Calcular la probabilidad de que A y B se sienten juntas.
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.
26. a) Se cruzan dos individuos heterozigticos Aa y se obtiene una descendencia

de seis individuos. Calcular la probabilidad de que sean cuatro raza pura rece-
siva y el resto hbridos. b) Si se cruza un individuo heterozigtico, Aa, con uno
dominante, AA, y un individuo resultante de este cruce se aparea con un indi-
viduo recesivo, aa, cul es la probabilidad de que entre los siete descendien-
tes de estos slo haya cuatro recesivos?
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?
28. En un tren se han instalado dos dispositivos de emergencia independientes,

uno luminoso y otro acstico. Las probabilidades de que entren en funcio-
namiento en caso de emergencia son 0.90 y 0.98, respectivamente. Calcular
la probabilidad de que en un caso de emergencia funcionen: a) slo el dis-
positivo acstico, b) ambos dispositivos, c) slo el dispositivo luminoso.
d) Funcione al menos uno de los dos. e) No funcione ninguno de los dispo-
sitivos.
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?
32. Para investigar la eficacia de tres tipos de drogas A, B, C, idnticas en aparien-

cia, se inyectan a conejillos de indias y se observan que las probabilidades de
que se desarrollen antitoxinas son: 1/4 para la droga A, 1/8 para la B y 1/3 para
la C. Dos frascos del laboratorio contienen la droga A, tres la droga B y uno la
C. Se elige un frasco al azar y se inyecta un conejillo con la droga que contie-
ne, si se observa que no se forma antitoxina, qu probabilidad hay de que fuera
la droga B?
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?
34. Se ha comprobado que la probabilidad de que nazca un descendiente albino de

dos monos es 0.2. Si en cada parto nacen seis cras, determinar la probabilidad:
a) de que no nazca ningn albino; b) de que solamente uno sea albino; c) si han
tenido diez descendientes, determinar la probabilidad de que haya ms de dos
cras albinas.
35. Respecto de un cierto carcter con dominancia completa un individuo puede

presentar los genotipos AA, Aa o aa. a) Se cruzan dos hbridos, Aa, y se obtie-
ne un descendiente que no es recesivo, cul es la probabilidad de que sea
hbrido? b) El resultado del primer cruce se aparea a su vez con uno recesivo y
se obtiene otro no recesivo, cul es la probabilidad de que aqul fuera hbrido?
c) Si del cruce anterior se obtienen dos no recesivos, cul es la probabilidad de
que fuera hbrido el descendiente del primer cruce? d) Cul es la probabilidad
de que fuera hbrido el descendiente del primer cruce, si se obtuvieron tres des-
cendientes en el segundo cruce y ninguno fue recesivo?
05 tema 3 14/3/03 08:33 Pgina 53
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.
El problema que recuerda al de los puentes de Knigsberg fue resuelto por

Hamilton en 1856.
En su honor se llaman grafos hamiltonianos a los que verifican la propiedad de
que se puede encontrar en l un camino que parte de un vrtice, los recorre todos,
pasa slo una vez por cada una de ellos y vuelve al punto de partida. La caracteri-
zacin de los grafos hamiltonianos es todava un problema abierto en la investiga-
cin matemtica.
En 1857 Arthur Cayley (1821-1895) usa los rboles para contar los distintos is-
meros de hidrocarburos saturados Cn H2n+2, n +.
Y ya en el siglo XX: Kasimir Kuratowski (1896-1980) caracteriza los grafos pla-
nos en 1930, Dnes Knig (1884-1944) escribe el primer libro sobre teora de gra-
fos en 1936. Kenneth Appel y Wolfgang Haken y J. Kock, en 1976, crearon un algo-
ritmo para estudiar la conjetura de los cuatro colores (todo mapa conexo (plano,
simple y sin bucles) se puede colorear con, a lo sumo, cuatro colores). Mediante un
complejo anlisis computacional redujeron el nmero de colores utilizados a cuatro
comprobando 1936 configuraciones distintas; el ordenador tard ms de 1200 horas
en hacerlo. Aunque se ha dado crdito a estos autores an se espera encontrar una
prueba ms directa de este teorema.
Otros matemticos que han destacado por su contribucin al desarrollo de la teo-
ra de grafos en el siglo XX son: Claude Berge (3), G. Berman, B.Bollobs, Paul
Erds, N. Biggs (5), N. Christofides, Karl Weber, R. J. Wilson (54) y L.R. Foulds (18)
entre otros.
El objetivo de este captulo es dar una pequea introduccin a la teora de gra-

fos, algunos conceptos necesarios para la clasificacin de los estados de una cade-
na de Markov, y a la vez presentar esta rama de las matemticas que tiene utilidad
para resolver problemas prcticos en una gran variedad de campos. Por ejemplo:
circuitos y redes elctricas (saber si un circuito se puede construir sobre un plano),
teora algebraica de la codificacin, investigacin operativa (asignacin, localiza-
cin de centros, encontrar el camino ms corto), programacin de ordenadores, pla-
nificacin y control, asignacin de recursos, rboles de decisin, informtica (repre-
sentacin de datos, diseo de redes), biologa (gentica, evolucin, filogenias,
05 tema 3 14/3/03 08:33 Pgina 56
epidemiologa), qumica (representacin de molculas, enumeracin de ismeros),

fsica (estudio de propiedades de la superficie de un cristal dado, por ejemplo:
absorcin de molculas diatmicas), ciencias sociales, psicosociologa (relaciones
entre varios pares de individuos), economa (optimizacin de recursos, relacin
entre potencia consumida y potencia generada), geografa (redes de comunicacin
y de transporte), arquitectura, ingeniera civil (diseos de redes de comunicacin),
instalacin de servicios pblicos facilities: comisaras de polica, aeropuertos, hos-
pitales, supermercados, ambulatorios, etc. As como en puzzles y juegos.
En la actualidad sigue siendo una rama de investigacin muy activa.
3.2. Definiciones y nomenclatura.

Un grafo simple G = (V, A) es un par ordenado (V, A) en el que V es un conjun-
to no vaco y finito, V = {v1,v2,,vn}, y A es un conjunto formado por subconjuntos
de dos elementos del conjunto V. Los elementos de V se llaman vrtices del grafo
(tambin nodos o puntos del grafo). Cada elemento {vi,vj} A se llama una arista
del grafo (tambin lnea o enlace) y une dos vrtices distintos de V. Si {vi,vj} A
se dice que vi y vj son adyacentes, que vi y vj son incidentes con la arista {vi,vj}, o
que vi y vj son los extremos de la arista {vi,vj}. Dos aristas son adyacentes si tienen
al menos un vrtice en comn.
El nmero de vrtices del grafo, V= n, se llama orden del grafo.

Se puede representar el grafo G = (V, A) por un dibujo en el plano por ser tanto
V como A conjuntos finitos, del siguiente modo: Se colocan tantos puntos como vr-
tices tiene V y se trazan las aristas correspondientes al conjunto A, es decir, se une
cada vrtice con aquellos a los que es adyacente.
Ejemplo: G = (V, A), siendo

V = {1,2,3,4,5} y A = {{1,2},{2,3},{2,5},{3,4},{4,5}} es un grafo simple
5 2
4 3
Un grafo G = (V, A) en el que en A existen al menos dos aristas que unen el

mismo par de vrtices se dice que es un multigrafo. A ya no es un conjunto sino una
familia de aristas.
05 tema 3 14/3/03 08:33 Pgina 57
La siguiente figura representa un multigrafo:
5 2
4 3
Un pseudografo es un grafo G = (V, A) en el que en su conjunto de aristas hay

bucles o lazos, es decir, aristas {vi,vj} cuyos extremos coinciden, vj = vi.
Un ejemplo de pseudografo es:
5 2
4 3
Un grafo dirigido o digrafo es un grafo G = (V, A) en el que V es un conjunto no

vaco y finito y A es un conjunto de pares ordenados (vi,vj) de elementos distintos de
V. En este caso los elementos de A se llaman arcos. Si (vi,vj) es un arco del digrafo
se dice que vi es el origen del arco o el predecesor de vj o bien que vj es el extremo
del arco o el sucesor de vi.
El siguiente grafo:
1
5 2
4 3
es un grafo dirigido.
05 tema 3 14/3/03 08:33 Pgina 58
Si no se exige la restriccin en un digrafo G = (V, A), que no haya ms de un arco

que conecte un par de vrtices, se obtiene un multidigrafo. En este caso, A es una
familia de pares ordenados de elementos de V.
Por ejemplo:
1
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
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
Aunque en el lenguaje coloquial se hable de la red del Metro de Madrid, como

se observa en el plano, no es una red en el sentido matemtico sino que es un grafo
simple.
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
En un grafo dirigido, o digrafo, se pueden distinguir los grados de entrada y de

salida de un vrtice:
El grado de entrada del vrtice vi, ge (vi), es el nmero de aristas incidentes
hacia vi.
El grado de salida del vrtice vi, gs (vi), es el nmero de aristas incidentes
desde vi.
En todo grafo dirigido de orden n

n n
ge (Vi) = gs (Vi) =A.
i=1 i=1
Un grafo G = (V, A) no dirigido es k-regular si son de grado k todos sus vrtices.

El grafo de la siguiente figura es de orden 8 y 3-regular.
Se llama grado mnimo del grafo G = (V, A) a

gm = mn {gr (vi), vi V}
y grado mximo de G = (V, A) a
gM = mx {gr (vi), vi V}
y se verifica que:
gm gr (vi) gM, vi V
Si G = (V, A) es un grafo k-regular se verifica que:
g m = gM = k
Se puede considerar que todo grafo es orientado si suponemos que cada arista
{vi,vj} es un arco orientado en los dos sentidos, es decir, es equivalente a la unin
de los arcos (vi,vj) y (vj,vi). Cuando se aplica un concepto orientado a un grafo sim-
ple se entender que se refiere al grafo orientado que se obtiene sustituyendo cada
arista por los dos arcos correspondientes. Anlogamente, si se aplica un concepto
no orientado a un digrafo, o grafo dirigido, se entiende que se aplica al grafo no diri-
gido resultante de sustituir los arcos por aristas, que se denomina su grafo subya-
cente.
05 tema 3 14/3/03 08:33 Pgina 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.
Ejemplo: los grafos siguientes,
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.
Por ejemplo, el grafo completo K5 es:
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.
3.4. Operaciones con grafos.

Si G1 = (V1, A1) y G2 = (V2, A2) se define la unin de G1 y G2, y se escribe
G1 G2, al grafo G = (V, A), siendo V = V1 V2 y A = A1 A2.
La suma de G1 y G2, que se escribe G1 + G2, es el grafo que tiene por vrtices los
de G1 G2 y por aristas las de G1 G2 y todas las aristas que unen los vrtices de
V1 con los de V2 .
Si G1 + G2 = (V, A) el nmero de sus vrtices es V=V1+V2 y su nmero
de aristas esA=A1+A2+V1V2.
Ejemplo:
Si G1 es y G2 es el grafo G1 G2 es:
05 tema 3 14/3/03 08:33 Pgina 63
y el grafo G1 + G2 es:
El producto cartesiano de G1 y G2, que se escribe G1 G2, si los vrtices de G1

son u1 y u2 y los de G2 son w1, w2, w3, w4 , es el grafo:
(u1, w1) (u1, w2) (u1, w3) (u1, w4)
(u2, w1) (u2, w2) (u2, w3) (u2, w4)
El nmero de vrtices de G1 G2 es V=V1V2 y el nmero de aristas de

G1 G2 esA=V1A2+V2A1.
Caso particular: Si G = (V, A), el grafo G2 tieneV2 vrtices y 2VAaris-

tas.
Un grafo G = (V, A) se dice que es bipartido (o bicromtico) si su conjunto de

vrtices se puede dividir en dos conjuntos disjuntos V1 y V2 y dos vrtices de Vi no
son nunca adyacentes para i =1, 2. Por tanto, las aristas de G unen vrtices de V1 con
vrtices de V2.
Por ejemplo: Si V = {Zeus, Atenea, Artemisa, Ares, Crono, Poseidn, Afrodita,

Diana, Minerva, Marte, Venus, Jpiter, Saturno, Neptuno} es un conjunto de nom-
bres de dioses de las mitologas griega y romana, V = V1 V2, siendo
V1 = {Zeus, Atenea, Artemisa, Ares, Crono, Poseidn, Afrodita}
y V2 = {Diana, Minerva, Marte, Venus, Jpiter, Saturno, Neptuno}
y dos vrtices son adyacentes si son nombres del mismo dios.
05 tema 3 14/3/03 08:33 Pgina 64
La figura siguiente representa ese grafo bipartido:
Zeus
Afrodita Ares
Jpiter
Venus Marte
Neptuno Diana
Poseidn Artemisa
Saturno Minerva
Crono Atenea
Un grafo G = (V, A) se dice que es bipartido completo si V = V1 V2, V1 V2 =

y todo vrtice de V1 es adyacente a todos y cada uno de los vrtices de V2, es decir,
dos vrtices de G son adyacentes si y slo si no pertenecen al mismo Vi. En este
caso, si V1= n1 yV2= n2, se escribe G = Kn1,n2.
Por ejemplo, K2,4 es:
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
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 camino en el grafo G = (V, A) no dirigido es una sucesin de aristas:

(a1 = {v0,v1}, a2 = {v1, v2}, a3 = {v2, v3}, , ar = {vr1, vr})
en la que cada arista tiene un extremo en comn con la anterior y el otro con la
siguiente. El camino comienza en el vrtice v0 de la primera arista y termina en el
vrtice vr de la ltima.
Un camino en el grafo G = (V, A) dirigido, o digrafo, es una sucesin de arcos:

(a1 = (v0,v1), a2 = (v1, v2), a3 = (v2, v3), , ar = (vr1, vr))
en la que el extremo de cada arco coincide con el origen del siguiente. El camino
comienza en el vrtice v0, el origen de la primera arista, y termina en el vrtice vr ,
extremo de la ltima.
Si no hay posibilidad de confusin, o ambigedad, tambin se puede indicar el
camino por una sucesin de vrtices:
(v0 , v1, v2, v3, , vr1, vr)
tal que vi y vi +1 son adyacentes i / 0 i r 1.
El nmero r de aristas del camino se llama longitud del camino. La sucesin (vi)
se dice que es un camino de longitud cero.
El camino es cerrado si los vrtices v0 y vr coinciden. En caso contrario se dice
que es abierto. Un camino cerrado es un circuito.
Un camino es elemental si no pasa dos veces por el mismo vrtice.
Un camino que no contiene dos veces la misma arista se llama camino simple.
Todo camino elemental es simple, pero el recproco no es cierto.
Los caminos que no son simples se denominan compuestos.
Se llama ciclo a todo camino cerrado y elemental.
Este concepto sirve para caracterizar los grafos bipartidos: Un grafo es biparti-
do si y slo si todos sus ciclos son de orden par.
Al grafo que es un ciclo de orden n se le designa por Cn. Un tringulo es un ciclo
de orden 3 y un polgono de n lados es un ciclo de orden n.
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
Componentes conexas de un grafo.

En el conjunto de los vrtices de un grafo G =(V, A) se define la siguiente rela-
cin: vi R vj si vi = vj, o si vi vj y existe un camino en G que une vi con vj.
Es fcil comprobar que esta relacin verifica las propiedades reflexiva, simtri-
ca y transitiva y, por tanto, es una relacin de equivalencia que produce una parti-
cin de los vrtices del grafo G =(V, A) en clases de equivalencia. Cada clase de
equivalencia se llama una componente conexa de G.
Un grafo es conexo si slo tiene una componente conexa.
La descomposicin de un grafo en sus componentes conexas facilita su estudio,
pues algunas propiedades de los grafos se pueden demostrar considerando cada
componente por separado. Por ello, los teoremas sobre grafos se suelen demostrar
solamente para grafos conexos.
Un grafo de orden n y su complementario no pueden ser ambos no conexos.
Un grafo dirigido se dice que es conexo si es conexo su grafo subyacente, es
decir, el grafo no dirigido asociado que se obtiene al sustituir los arcos por aristas.
Se dice que un grafo dirigido es fuertemente conexo si para todo par de vrtices
vi vj existe en el grafo un camino de vi a vj y un camino de vj a vi.
Por tanto, en un grafo dirigido fuertemente conexo desde cualquier vrtice se
puede alcanzar cualquier otro vrtice siguiendo un camino del grafo.
Se llama punto de corte de un grafo conexo G =(V, A) al vrtice v de G, tal que
no es conexo el subgrafo de G cuyo conjunto de vrtices es V {v} y cuyas aristas
son las de G, salvo las que tienen a v como extremo.
4
1 2 3
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
3.6. rboles. Propiedades.

Un rbol es un grafo G =(V, A) de orden n 2 conexo y sin ciclos.
En todo rbol hay al menos dos vrtices que tienen grado uno.
A partir de un rbol genealgico como el siguiente, correspondiente a la mito-

loga griega,
Zeus Europa
Paria Minos Sarpedn Radamantis
Eurimedonte Nefalin Crises Filolao

se puede obtener un grafo que es un rbol, como el que se representa a continua-
cin, que corresponde a la relacin:
A < B A es el padre de B
Zeus
Minos Sarpedn Radamantis
Eurimedonte Nefalin Crises Filolao
Algunos rboles de n vrtices:

Para n = 2 slo hay un rbol que tiene una arista.
Para n = 3 slo hay un rbol que tiene dos aristas:
Si n = 5 hay tres disposiciones diferentes, todas con cuatro aristas.
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
Propiedades de los rboles:
1. Todo rbol de orden n es un grafo conexo que tiene n-1 aristas.

2. Al eliminar una arista de un rbol se obtiene un grafo que no es conexo y
tiene dos componentes conexas que son rboles.
3. Hay un solo camino entre dos vrtices cualesquiera en un grafo si y slo si
el grafo es un rbol.
4. Si se aade una arista a un rbol, se forma un ciclo y slo uno.
5. Todo grafo conexo admite un subgrafo que es un rbol.
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
No son isomorfos, el segundo rbol tiene un carbono central que es adyacente a

cuatro vrtices, uno de grado uno, el hidrgeno, y tres carbonos de grado cuatro, tres
radicales CH3, mientras que en el primero todos los carbonos centrales son adya-
centes a dos carbonos de grado cuatro y a dos hidrgenos de grado uno.
La primera molcula tiene dos radicales CH3, y la segunda tiene tres de estos
radicales. Son dos molculas con la misma frmula molecular C4H10, pero dos
molculas diferentes, representan dos ismeros.
05 tema 3 14/3/03 08:33 Pgina 69
3.7. Grafos eulerianos.

En la introduccin de este captulo se dijo que Euler a la vez que daba respues-
ta a la pregunta del recorrido sobre los puentes de Knigsberg, e introduca las
bases de la teora de grafos, caracterizaba los grafos en los que es posible encontrar
un camino cerrado que recorra todas las aristas del grafo pasando una sola vez por
cada una de ellas.
Euler comenz por hacer un esquema del plano en el que cada zona de tierra la
represent por un vrtice del grafo y los puentes por las aristas que conectan esos
puntos.
A
1
2 3
B 4 D
5 6
7
C
Este grafo es un multigrafo.

Un multigrafo se dice que es un s-grafo si hay al menos dos de sus vrtices uni-
dos por s aristas y el nmero de aristas que unen dos de sus vrtices cualesquiera no
es mayor que s.
El grafo anterior es, por tanto, un 2-grafo.
Dado un grafo G = (V, A) no dirigido, un camino euleriano en G es un camino
que contiene todas las aristas de G y que atraviesa cada una de ellas una y slo una
vez.
Un circuito euleriano es un camino euleriano cuyos extremos coinciden.
Ejemplo: Dibujar un circuito euleriano en el siguiente grafo:
Partiendo de un vrtice, por ejemplo, el situado ms a la izquierda de la figura y

siguiendo las aristas dibujadas en el orden alfabtico podemos pasar por todas una
sola vez y regresar al vrtice de partida.
05 tema 3 14/3/03 08:33 Pgina 70
El camino dibujado a continuacin es un circuito euleriano.
l c g
j
b h
i
a d f
No todos los grafos tienen circuitos eulerianos, por ejemplo, en el siguiente

grafo no se puede dibujar uno de esos circuitos.
Si en un grafo existe un circuito euleriano el grafo se puede dibujar siguiendo el

circuito sin levantar el lpiz del papel.
Un s-grafo se dice que es euleriano si contiene un circuito euleriano.
Teorema de caracterizacin de los caminos eulerianos.

Un s-grafo G =(V, A) conexo no dirigido contiene un camino euleriano si y slo
si el nmero de vrtices de G que son de grado impar es 0 2.
Si hay dos vrtices de grado impar el camino tiene que comenzar en uno de ellos
y acabar en el otro.
Ejemplo: Para el grafo de la siguiente figura, dibujar, si es posible, un camino
euleriano y un circuito euleriano.
05 tema 3 14/3/03 08:33 Pgina 71
Comenzando en uno de los vrtices de grado impar se puede dibujar un camino

euleriano como se observa en la siguiente figura, siguiendo el orden alfabtico.
h
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.
3.8. Grafos hamiltonianos.

Al comenzar el captulo se present el dodecaedro del viajero que Hamilton
dise para introducir la idea de ciclo hamiltoniano.
En los 20 vrtices del slido regular se representaban 20 ciudades del mundo

importantes en aquella poca como: Bruselas, Cantn, Londres, Pars, Roma,
Atenas, Mosc, Pekn, Zanzbar, etc. El juego consista en encontrar un recorrido a
travs de las aristas del dodecaedro, que conecta esas ciudades, pasando slo una
vez por cada ciudad.
Dado un grafo G = (V, A) no dirigido, de orden n > 2, un camino hamiltoniano
en G es un camino elemental que contiene todos los vrtices de G, es decir, un cami-
no que pasa una y slo una vez por todos los vrtices.
05 tema 3 14/3/03 08:33 Pgina 72
Un camino hamiltoniano es un camino elemental cuyo nmero de arcos es igual

al nmero de vrtices del grafo menos uno. Tambin es una permutacin de vrti-
ces que es un camino.
Ejemplo: Un camino hamiltoniano en el grafo plano que simboliza el dodecae-
dro diseado por Hamilton se representa en la siguiente figura:
17
18
1 3 19
2 20 15 16
4 13
6
5 12 14
7 11 10
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
Un grafo hamiltoniano es un grafo que contiene un circuito hamiltoniano.
Si en un grafo existe un circuito hamiltoniano, eliminando una de sus aris-

tas se obtiene un camino hamiltoniano. Pero no todo grafo en el que exista un cami-
no hamiltoniano es un grafo hamiltoniano, porque puede ser imposible encontrar un
circuito hamiltoniano en l.
Ejemplo: en el grafo siguiente existe un camino hamiltoniano pero no un cir-
cuito hamiltoniano.
05 tema 3 14/3/03 08:33 Pgina 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?
No es hamiltoniano, porque es posible suprimir dos vrtices y que queden ms

de dos componentes conexas, como se observa en la siguiente figura:
05 tema 3 14/3/03 08:33 Pgina 74
6. Si G =(V, A) es un grafo no dirigido que es hamiltoniano, entonces no puede

tener un punto de corte o de articulacin.
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
Otros resultados interesantes sobre grafos hamiltonianos son:
1. Dado un grafo G =(V, A) no dirigido, de orden n>2. Si v y w son dos vrtices

no adyacentes en G tales que
gr (v) + gr (w) n
entonces el grafo G2 = G + G1, llamando G1 al grafo con conjunto de vrti-
ces V1 = {v, w} y de aristas A1 = {{v, w}}, es un grafo hamiltoniano si y slo
si G = (V, A) es hamiltoniano.
Se llama cierre de un grafo G de orden n, y se indica por C(G), al grafo que se

obtiene a partir de G aadiendo aristas entre vrtices no adyacentes cuya suma de
grados sea al menos n, hasta que no queden dos vrtices cuya suma de grados sea
mayor o igual a n.
2. Un grafo es hamiltoniano si y slo si su cierre es hamiltoniano.
3. Si G =(V, A) es un grafo no dirigido, de orden n > 2 y su cierre es un grafo

completo, entonces G es hamiltoniano.
05 tema 3 14/3/03 08:33 Pgina 75
Todo grafo euleriano es hamiltoniano? No, el grafo siguiente es euleriano, pues

contiene un circuito euleriano: por ejemplo, el dibujado a la derecha, pero no es
hamiltoniano.
2 e
c
3
b d
4
f a
5 1
g
Hay algn grafo que sea euleriano y hamiltoniano? S, por ejemplo
7 5
1 6 4
2 3
En la siguiente figura est dibujado a la izquierda un circuito euleriano y a la

derecha un circuito hamiltoniano.
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
Hay algn grafo que sea hamiltoniano y no euleriano? S, por ejemplo, el

siguiente:
5 6
4 7
1 3 9
2 8
Un circuito hamiltoniano es (1,4,2,3,8,9,7,6,5,1).

A continuacin est dibujado un camino euleriano, pero este grafo no es eule-
riano porque no todos los vrtices son de grado par.
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
Existe algn grafo no euleriano ni hamiltoniano? S, por ejemplo:
No es hamiltoniano por tener vrtices de grado menor que 2 y no es euleriano

por tener vrtices de grado impar.
05 tema 3 14/3/03 08:33 Pgina 77
3.9. Grafos planos. Planaridad.

El conocer si un grafo admite una representacin sobre un plano es interesante
en la prctica; por ejemplo, en el trazado de vas de comunicacin o en la construc-
cin de una placa de un ordenador.
Se dice que un grafo se puede encajar en una superficie S si se puede dibujar
sobre ella de modo que sus vrtices sean puntos distintos y que sus aristas (seg-
mentos o curvas simples) no tengan en comn ms puntos que los vrtices de sus
extremos.
Se dice que un grafo es plano si est incrustado en un plano.
Se dice que un grafo G = (V, A) es topolgicamente plano, que es planar, o que
tiene la condicin de planaridad, si se puede encajar en un plano, es decir, si admi-
te una representacin sobre un plano de forma que dos aristas no se corten salvo en
los vrtices de sus extremos.
Ejemplo: El siguiente grafo, que se conoce como grafo de Petersen, no es pla-
nar:
Una representacin plana de un grafo divide al plano en regiones. Una regin es

una parte del plano limitada por aristas y tal que dos puntos de esta regin se pue-
den unir siempre por una lnea continua que no corte a las aristas ni pase por los vr-
tices. En toda representacin plana de un grafo hay una y slo una regin de rea
infinita, la exterior, las restantes son regiones interiores.
Por ejemplo, el siguiente grafo es una representacin plana de un grafo planar,
el hexaedro o cubo, que divide al plano en seis regiones, cinco de ellas interiores.
4 1 2 6
Se llama frontera de una regin al conjunto de las aristas que la limitan.

Dos regiones se dice que son adyacentes si sus fronteras tienen una arista en
comn.
05 tema 3 14/3/03 08:33 Pgina 78
Teorema de Euler (1750): Si G = (V, A) es un grafo plano conexo o un grafo

conexo planar, en toda representacin plana de G se verifica que:
VA+R= 2
siendo R el conjunto de regiones de dicha representacin plana.
Dicho de otra forma: el nmero de vrtices ms el nmero de regiones es igual
al nmero de aristas ms dos.
La frmula anterior recuerda la conocida frmula que se refiere a los poliedros
convexos:
c+v=a+2
siendo c el nmero de caras del poliedro, v el nmero de vrtices y a el nmero de
sus aristas.
Frmula que incluso ha aparecido grabada en un sello de correos alemn junto
a un retrato de Euler, como se puede ver en la siguiente imagen que se encuentra en
la direccin de Internet: http://www-groups.dcs.st-andrews.ac.uk
Dado un poliedro convexo de v vrtices, a aristas y c caras, se puede encajar en

una esfera, pues se pueden representar sus vrtices por puntos sobre la superficie
esfrica, y sus aristas por curvas sobre dicha superficie que no tienen en comn ms
puntos que los vrtices de sus extremos. Un grafo que se pueda encajar en una esfe-
ra es planar, porque se puede proyectar sobre un plano desde el punto medio de una
de sus caras. Los poliedros convexos son planares y la frmula para los poliedros es
otra interpretacin del Teorema de Euler.
Tambin se le ha dedicado a Hamilton un sello de correos en Irlanda en recono-

cimiento de sus mritos, que se encuentra en la direccin de Internet citada ante-
riormente, y se reproduce a continuacin:
05 tema 3 14/3/03 08:33 Pgina 79
Algunos resultados interesantes de los grafos planos, o de las representaciones

planas de los grafos planares, son:
- Un grafo simple plano de v vrtices, siendo v >2, tiene a lo sumo 3 v 6 aristas.

- En un grafo simple plano existe un vrtice de grado 5 como mximo.
Los resultados anteriores permiten comprobar que el grafo completo no planar

ms pequeo es K5.
El grafo bipartido ms pequeo no planar es K3,3.
Una subdivisin elemental de un grafo G = (V, A) es otro grafo

G1 = (V {u}, (A {vi, vj}) {vi, u} {u,vj})
resultante de aadir un nuevo vrtice al conjunto V y sustituir una arista por dos nue-
vas aristas que se obtienen uniendo los vrtices de la arista suprimida con el nuevo
vrtice.
Dos grafos se dice que son homeomorfos si uno se puede obtener a partir del
otro por subdivisiones elementales sucesivas.
Los dos grafos no planares K5 y K3,3 se llaman grafos de Kuratowski, pues fue
l quien los utiliz para la siguiente caracterizacin de grafos planares que enunci
en 1930:
Teorema de Kuratowski: un multigrafo es planar si y slo si no contiene como

subgrafo ningn grafo homeomorfo a K5 ni a K3,3.
Una forma alternativa a la representacin grfica de un grafo es la representa-

cin matricial, como se explica a continuacin.
3.10. Matriz de adyacencia de un grafo.

Dado un grafo G = (V, A) de orden n, y conjunto de vrtices V = {v1, v2, , vn},
se llama matriz de adyacencia de G a la matriz:
{
Mnxn = [mij] siendo mij = 1 si vi y vj son adyacentes en G
0 si vi y vj no son adyacentes en G
Ejemplo 3.10.1: si G es el siguiente grafo:

v1
v5 v2
v4 v3
05 tema 3 14/3/03 08:33 Pgina 80
su matriz de adyacencia es:

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:
Mnxn = [mij] siendo mij = {

1 si (vi , vj) A
0 si (vi , vj) A
Ejemplo 3.10.2: para el digrafo de la figura siguiente

v1
v5 v2
v4 v3
la matriz de adyacencia es:

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
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.
3.11. DERIVE 5 y grafos.

En la versin de DERIVE 53 se ha incluido por primera vez un archivo deno-
minado NGRAPHS.MTH que proporciona las instrucciones para dibujar grafos con
DERIVE en la ventana de dos dimensiones, que present su autor, Peter Schofield, en
la Fourth International Derive TI-89/92 Conference en Liverpool en julio de 2000.
Se pueden dibujar grafos a partir de sus vrtices y sus aristas y tambin repre-
sentar grafos dirigidos y multigrafos utilizando las matrices de adyacencia.
Con las instrucciones de NGRAPHS.MTH en esta versin de DERIVE para
Windows, se han mejorado sensiblemente las posibilidades grficas de este programa.
3
DERIVE 5 es una marca registrada de Texas Instruments, Inc.
05 tema 3 14/3/03 08:33 Pgina 82
1. Representar grficamente el digrafo con conjunto de vrtices {1,2,3,4,5,6} cuya

matriz de adyacencia es:

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
3. Cules de los siguientes grafos son isomorfos?

a) b)
c) d) e)
4. Dibujar el grafo para cada una de las siguientes matrices de adyacencia:

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

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
10. Cmo son las matrices de adyacencia de los grafos r-regulares?
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.
12. Cuntas componentes conexas tiene el siguiente grafo?
a)
b) Y el siguiente?
13. Son hamiltonianos los siguientes grafos?
a) b)
05 tema 3 14/3/03 08:33 Pgina 85
14. Hallar los puntos de corte y los istmos del grafo siguiente:
15. Partiendo del vrtice 2 y llegando al 6, cuntos caminos de longitud dos se

pueden encontrar en el grafo de la figura siguiente? Cuntos caminos de lon-
gitud dos se pueden trazar en ese grafo? Y de longitud 3? Y de longitud 5?
1
6
5
3
4
16. Razonar si el grafo de la siguiente figura es o no un rbol.
17. La matriz de adyacencia de un grafo G es:

0 1 1 0
1 0 1 1
1 1 0 0
0 1 0 0
Razonar si el grafo es conexo o no.

05 tema 3 14/3/03 08:33 Pgina 86
18. La siguiente matriz representa la matriz de adyacencia de un digrafo

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
y la del neopentano es:

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
4.2. Conceptos bsicos.

Una cadena de Markov es un modelo matemtico dinmico y estocstico, es
decir, que permite describir la evolucin de un sistema a lo largo del tiempo utili-
zando la probabilidad.
06 tema 4 14/3/03 08:35 Pgina 88
En una cadena de Markov finita llamamos E al espacio o conjunto de estados en

los que puede estar el sistema S en cada instante.
E = {1,2,3,,r}, siendo r 2
Para el espacio de estados E se considera una -lgebra de sucesos. En el caso
en que el conjunto E tiene un nmero finito de elementos, que es el que se va a es-
tudiar, la -lgebra, generada por los sucesos Ei = {i}, i E, ser el lgebra de
Boole de todos los subconjuntos o partes de E, que se designa con P (E).
Se define una probabilidad en P (E) asignando a cada suceso elemental Ei = {i}
el nmero p (Ei) = pi, 0 pi 1, i = 1,2,, r. Como los sucesos E1, E2, , Ej, , Er
r
forman una particin de E, se verifica que pi = 1.
i=1
Para comprender la evolucin de una cadena se utilizarn matrices y vectores de
probabilidad porque facilitan su estudio.

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
CADENAS DE MARKOV FINITAS 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
Definicin. Una cadena de Markov finita es una sucesin de variables aleatorias

discretas X0, X1, X2, , Xn, , todas con rango finito y conjunto de valores E, espa-
cio de estados del sistema, que verifican:
P (Xn + 1 = j / X0 = i0, X1 = i1, , Xn = in) = P (Xn + 1 = j / Xn = in) = pin j n 0
y i0, i1, , in E para los que P (X0 = i0, , Xn = in) > 0.
El conjunto E es el conjunto de estados de la cadena y las probabilidades
pij = P (Xn + 1 = j / Xn = i)
que no dependen de n, se llaman probabilidades de transicin o probabilidades de
transicin en una etapa.
Es decir, una cadena de Markov es un proceso aleatorio homogneo en el tiem-
po, porque las probabilidades de transicin no dependen de la etapa n en la que se
encuentre el sistema, de parmetro discreto, porque la variable tiempo slo puede
tomar una infinidad numerable de valores: 0, 1, 2, , n, , y es finito por ser el
conjunto de estados de la cadena E, un conjunto finito.
En una cadena de Markov la probabilidad de que el proceso est en el instante
n + 1 en un estado determinado depende del estado en que se encuentre en el ins-
tante anterior y este ltimo del anterior a l, y as sucesivamente. El estado en el que
se encuentra en el instante n resume para Xn + 1 todos los estados anteriores.
Se llama matriz de transicin, o matriz de transicin en una etapa, de una cade-
na de Markov con espacio de estados E = {1, 2, 3, , r} siendo r 2 a la matriz M,
de orden r,
Estado en el instante n
E1 E2 Ei Er

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
cuyas columnas representan las probabilidades de transicin del proceso de un esta-

do dado a cualquiera de los estados de la cadena en una etapa. As, el elemento de
la columna i de la fila j representa la probabilidad de trnsito del estado i al estado
j en cualquier etapa:
pij = P (Xn + 1 = j / Xn = i) = P (X1 = j / X0 = i) n
Propiedades de la matriz de transicin:
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.
De las dos propiedades anteriores se deduce la siguiente propiedad:
3. El producto de dos matrices estocsticas por columnas es otra matriz esto-

cstica por columnas.
Y como consecuencia de esta:
4. Las potencias de matrices estocsticas por columnas son tambin matrices

estocsticas por columnas.

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.
Definicin: pij(n) = P (Xm + n = j / Xm = i), m , es la funcin de probabilidad

en n etapas.
En particular: la funcin de probabilidad en una etapa se obtiene para n = 1,

pij(1) = pij.
06 tema 4 14/3/03 08:35 Pgina 91
Las ecuaciones siguientes relacionan las funciones de probabilidad en las dis-

tintas etapas:
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.
4.3. Evolucin de una cadena de Markov.

Una cadena de Markov queda determinada si se conocen los siguientes datos:
1. Su espacio de estados, el conjunto finito E = {1, 2, , r} (siendo r 2).

2. La matriz estocstica M = [pij]rxr, matriz de probabilidades 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
Que en forma matricial se resume en:

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)
Llamando P (n) al vector de probabilidad en la etapa n-sima,

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
La ley de probabilidad en la etapa n-sima es el producto de la potencia n-sima

de M por la ley de probabilidad en el instante inicial.
Esto significa que conocida la ley de probabilidad inicial, P (0), la evolucin de
la cadena slo depende de la matriz de transicin M.
Ejemplo: La siguiente figura representa un laberinto en el que se coloca un

ratn.
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
El espacio de estados correspondiente es E = {1,2,3,4,5,6,7,8}, y la matriz de

probabilidades de transicin en una etapa es:

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
Estas probabilidades se pueden representar en el siguiente diagrama de transi-

cin de la cadena:
1/
2
2 5
1/
2
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
Si se coloca el ratn inicialmente en la celda 8, cul es la probabilidad de que

est en la 3 despus de cuatro desplazamientos?
Como se le coloca en la celda 8, el vector de probabilidad inicial es

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
Por tanto, la probabilidad de que haya llegado a la celda 3 es 1/6.

En el ejemplo se ha visto cmo se puede asociar fcilmente a la matriz de tran-
sicin en una etapa de una cadena de Markov un grafo dirigido o digrafo, o un pseu-
dodigrafo, que recibe el nombre de diagrama de transicin de la cadena.
En general, el diagrama de transicin de la cadena de Markov con espacio de
estados E = {1, 2, , r} es un digrafo que tiene por conjunto de vrtices E y por
arcos (j,k) si la probabilidad de transicin pjk del estado j al estado k es positiva, es
decir, si es posible pasar del estado j al k en una etapa. Si pjj 0 se dibuja en el vr-
tice j un bucle, obteniendo entonces un pseudodigrafo.
En el diagrama de transicin de una cadena de Markov existe la arista (j, k) si la
probabilidad de transicin del estado j al k es distinta de cero y esta probabilidad es
el peso asociado a dicha arista.
Ejemplo 4.3.1. Una aplicacin a la gentica.
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
Probabilidades que tambin se presentan en el diagrama de transicin corres-

pondiente:
1/
2
AA 1/
4
1/
1/ 2
2
Aa
1/
2
1/
aa 4
1/
2
Cul ser la proporcin de cada uno de esos genotipos en la quinta generacin,

si se parte de la misma proporcin de los tres genotipos?

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
Habra diferencia si en el instante inicial slo hay individuos homocigticos

dominantes que se cruzan al azar con individuos de esa poblacin en las sucesivas
generaciones?

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
S vara la proporcin de los tres genotipos si se parte slo de individuos AA.

06 tema 4 14/3/03 08:35 Pgina 96
Ejemplo 4.3.2. El viga de la Ciudadela de Jaca y el de la Torre del Homenaje

del castillo de Ciudad Rodrigo.
La Ciudadela de Jaca, que se termin de construir a mediados del siglo XVII, es

una fortaleza que se conserva en perfecto estado y que ha sido declarada
Monumento Histrico Artstico el 28 de junio de 1951. Su forma es pentagonal de
260 m de lado.
Supongamos que un viga que tiene que hacer la guardia en puestos situados en
cada una de las cinco esquinas de la Ciudadela de Jaca recibiera la siguiente orden:
Se le asignar uno de los puestos al azar y se trasladar cada cinco minutos a uno
de los dos puestos contiguos tambin de forma aleatoria del siguiente modo: En el
puesto hay un cajetn, que abrir con su tarjeta magntica, y en l encontrar dos
sobres iguales y cerrados que contienen una tarjeta dentro, uno de ellos con un 1 y
el otro con un 2. Elige uno de los sobres al azar, si contiene un 1 se trasladar al
puesto ms prximo situado a su derecha cuando est mirando hacia el exterior y si
es un 2 ir al ms prximo a su izquierda. All montar la guardia otros cinco minu-
tos y transcurrido ese tiempo actuar del mismo modo, y as sucesivamente.
El estado de este sistema en la etapa n-sima ser el puesto en el que se encuen-
tre el viga despus de n cambios.
Si designamos los puestos de guardia como se indica en el siguiente dibujo:
1
2 3
4 5
El espacio de estados del sistema ser:

E = {1,2,3,4,5}
Y la matriz de transicin de la cadena de Markov as definida es:

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
Sabiendo que el viga empez la guardia en el puesto 1, es posible que est en

el puesto 4 al cabo de cuatro cambios? En qu puesto es ms probable que est al
hacer el cuarto cambio? Es posible que llegue al puesto 1 en el quinto cambio?
06 tema 4 14/3/03 08:35 Pgina 97

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
Por tanto, 1/4 es la probabilidad de que est en el puesto 4 al cabo de cuatro

cambios y, como la mayor de las probabilidades del vector P (4) es P (X4 = 1) = 3/8,
en el cuarto cambio el puesto ms probable es el 1.
Para responder a la ltima pregunta se calcula:

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
De lo que se deduce que no es posible que est en el puesto 4 al cabo de cuatro

cambios, tambin es imposible que est en el 2 y en ese momento es tan probable
que est en el puesto 1 como en el 3.

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
es imposible que llegue en el quinto cambio al puesto 1.
Ejemplo 4.3.3. El aprendizaje reforzado.
Para aprender determinada tarea se dispone de un mtodo feedback segn el cual

la probabilidad de realizar bien la tarea es 2/3, si se ha hecho bien la vez anterior, y
la probabilidad de hacerla mal es 1/4, si se ha realizado mal la vez anterior.
Los estados del sistema son B (bien hecha) o M (mal hecha). El espacio de esta-
dos del sistema es:
E = {B, M}
La matriz de transicin de esta cadena es: M = 2/3

1/3
3/4
1/4
a) Si al principio hace bien la tarea, cul es la probabilidad de que la vuelva a
hacer bien a la siguiente?
P (1) = M P (0) = 2/3

1/3
3/4
1/4

1
0
=
2/3
1/3
La P (X1 = B) = P (X1 = B / X0 = B) = 2/3, por ser P (X0 = B) = 1.
b) Si al principio falla, cul es la probabilidad de que acierte a la siguiente?
P (1) = M P (0) = 2/3

1/3
3/4
1/4

0
1
=
3/4
1/4
La probabilidad de que acierte a la vez siguiente es 3/4.
06 tema 4 14/3/03 08:35 Pgina 99
c) Cul es la probabilidad de hacerla bien a la sptima si la hizo bien al prin-

cipio?
P (7) = M 7 P (0) = M 7
1
0
=
0.692
0.308
por tanto, P (X7 = B) = 0.692 si empez hacindolo bien.
d) Cul es la probabilidad de que realice bien la tarea la sptima vez si al prin-

cipio la hizo mal?
P (7) = M 7 P (0) = M 7
0
1
=
0.692
0.308
tambin, P (X7 = B) = 0.692 si empez hacindolo mal.
Ejemplo 4.3.4. El abono del Teatro Real compartido.
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.
a) Si lo estrena Pedro, cul es la probabilidad de que tenga de nuevo el abono

para la cuarta funcin que se represente?
b) Como no se ponen de acuerdo para elegir las representaciones deciden intro-
ducir en una bolsa tres papelitos del mismo tamao en los que han escrito sus
nombres y que una mano inocente elija quin lo estrena. En este caso cul
es la probabilidad de que cada uno de ellos asista a la segunda, tercera y quin-
ta representaciones?
El estado en el paso n-simo es la persona que tiene el abono para asistir a la

representacin n-sima. El espacio de estados ser por tanto:
E = {Pedro, Antonio, Angel},
La matriz de transicin correspondiente es:

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
La probabilidad de que asista a la segunda representacin Pedro, Antonio o

ngel es 1/6, 1/2, 1/3 respectivamente.

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
La probabilidad de que asistan cada uno de ellos a la tercera representacin

es 1/6, 1/3, 1/2 respectivamente.

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
Y a la quinta es 1/6, 5/12, 5/12 respectivamente.
Ejemplo 4.3.5. Lucha por el territorio.
Dos especies de animales X e Y compiten por ocupar un territorio. Este se

encuentra dividido en seis parcelas de las que inicialmente ocupan tres cada una.
Cada maana se enfrentan y en cada enfrentamiento una especie gana o pierde una
parcela con la misma probabilidad. Cuando una de las especies ocupa todas las par-
celas la otra huye.
El estado del sistema el da n-simo es el nmero de parcelas que ocupan cada
una de las dos especies, que se puede deducir conociendo el nmero de las que
ocupa una de ellas, por ejemplo, la X. El espacio de estados es E = {0,1,2,3,4,5,6}
06 tema 4 14/3/03 08:35 Pgina 101
La matriz de transicin es:

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
Despus de dos enfrentamientos se puede asegurar que siguen en el territorio las

dos especies, ya que la probabilidad de que la especie X ocupe las seis parcelas, as
como la de que no ocupe ninguna, es cero.
Y despus de tres enfrentamientos el vector de probabilidad es:

1/8
0
3/8
P (3) = M P (2) = 0 .
3/8
0
1/8
El tercer da la probabilidad de que la especie X ocupe 2 parcelas es 3/8, la

misma que la de que ocupe cuatro, no es posible que este da ocupe cinco parce-
las, etc.
06 tema 4 14/3/03 08:35 Pgina 102
Ejemplo 4.3.6. Alquiler de cmaras de vdeo.
Un joven emprendedor decide comprar cuatro cmaras de vdeo que alquila

cada maana para usarlas durante un da. l mismo repara, solamente por las tardes,
las cmaras que se estropean. En una tarde repara una y slo una cmara. Si una
maana slo tiene una cmara para alquilar no la alquila. En el lugar donde est ins-
talado hay siempre gente suficiente para alquilar cuantas cmaras tenga disponibles.
Se considera el estado del sistema en el da n-simo el nmero de cmaras dis-
ponibles para alquilar ese da, el espacio de estados del sistema ser:
E = {1,2,3,4}.
Si la probabilidad de que se estropee cada cmara es 1/3, independientemente de
que se estropee cualquier otra, se pueden calcular las probabilidades de transicin
en una etapa y as obtener la matriz de transicin de la cadena de Markov corres-
pondiente, que es:

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
Si comienza alquilando las cuatro cmaras:
a) Qu probabilidad hay de que pueda alquilar todas al cabo de tres das?

b) Y al cabo de quince das?

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.
Ejemplo 4.3.7. El jugador incontrolado.
Un jugador incontrolado es socio de un club de recreo que permanece abierto las

veinticuatro horas del da y en l hay cinco salas de juego, una a continuacin de la
otra en una galera alargada. La sala 1 tiene una mquina tragaperras y en las cua-
tro restantes hay un billar, una ruleta americana, un bingo y una bolera respectiva-
mente.
06 tema 4 14/3/03 08:35 Pgina 103
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
Si el jugador entra en el club en la sala 5, cul es la probabilidad de que se

encuentre en la sala 1 pasadas 3 horas?

0 0
0 0.056
P (3) = M 3 P (0) = M 3 0 = 0.194 .
0 0.403
1 0.347
Es imposible que se encuentre en la sala 1 pasadas tres horas.
Y en la sala del bingo pasadas 7 horas?

0 0.116
0 0.111
P (7) = M 7 P (0) = M 7 0 = 0.222 .
0 0.313
1 0.238
Pasadas 7 horas es 0.313 la probabilidad de que se encuentre en la sala del

bingo. Es lo ms probable que est en esta sala en ese instante.
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
La distribucin de probabilidad pasadas tres horas:

0 0.519
0 0.037
P (3) = M 3 0 = 0.111 ,
0 0.185
1 0.148
por tanto, lo ms probable es que se encuentre en la sala 1, ya que P (X3 = 1) = 0.519.
Y pasadas siete horas la distribucin de probabilidad es:

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
1. En la instalacin elctrica de un barrio residencial se han detectado cortes de

suministro que se manifiestan de manera intermitente. Segn se viene obser-
vando, la probabilidad de que no se corte el suministro un da, si el da anterior
tampoco se cort, es 0.8, y la probabilidad de que se detecte un corte un da, si
el da anterior tambin se produjo un corte, es 0.4.
a) Describir el espacio de estados. b) Escribir la matriz de transicin. c) Si hoy
se ha ido la luz, cul es la probabilidad de que se vuelva a cortar dentro de tres
das? d) Calcular la probabilidad de que dentro de tres das se detecte un corte si
hoy no ha habido fallo en el suministro.
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.
4. Un laboratorio de anlisis se encarga de hacer dos tipos de anlisis: rutinarios, R,

y antidopaje, A. Para los de tipo A el laboratorio est ocupado dos turnos com-
pletos, mientras que para el rutinario est ocupado un solo turno. Los anlisis se
presentan cada turno con probabilidades 2/3 para el rutinario y 1/5 para el A. Si
se reciben a la vez anlisis de los dos tipos y el laboratorio est en condiciones
de aceptarlos, tiene preferencia el antidopaje. Para estudiar la ocupacin de los
turnos del laboratorio se recurre a una cadena de Markov con cuatro estados.
a) Describir el espacio de estados. b) Dar la matriz de transicin. c) Si comien-
zan con un anlisis rutinario, cul es la probabilidad de que pasados cinco tur-
nos el laboratorio est ocupado?
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
cul es ahora la distribucin de probabilidad inicial? Calcular, en este caso, la

distribucin de probabilidad en el paso trigsimo quinto. f) Responder de nuevo
a las preguntas del apartado anterior si en lugar de haber obtenido un tres se
hubiera obtenido un cinco.

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?
7. Calcular aproximadamente Mn para n = 10, n = 25 y n = 100, utilizando el pro-

grama DERIVE, siendo M las siguientes matrices 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?
9. Se ha diseado un robot que se desplaza cada minuto en la siguiente cuadrcula
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.
5.1. Comunicacin entre los estados de una cadena.

Todos los estados de una cadena de Markov estn comunicados entre s si el dia-
grama de transicin G (V = E, A), con conjunto de estados E, es un grafo fuerte-
mente conexo, es decir, si desde un estado cualquiera se puede alcanzar cualquier
otro siguiendo un camino en el digrafo. No todo diagrama de transicin es fuerte-
mente conexo.
Se dice que el estado k es accesible desde el estado j si n 0, tal que pjk(n) > 0.
Es decir, si se puede llegar al estado k, en n etapas, partiendo del j.
Dos estados i y j estn comunicados si j es accesible desde i e i es accesible
desde j, es decir, si n 0 tal que pij(n) > 0 y m 0 tal que pji(m) > 0.
Por convenio se acepta que todo estado est comunicado consigo mismo, pues
pii(0) = P (X0 = i / X0 = i) = 1 cualquiera que sea el estado i E.
En el conjunto de estados E, de una cadena de Markov, se puede definir la si-

guiente relacin:
i j si los estados i y j estn comunicados.
07 tema 5.qxd 14/3/03 08:40 Pgina 108
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.
Ejemplo 5.1.1. En el diagrama de transicin de la siguiente figura
1/
3
1/
4
1/ 2 2/
2 3
1/ 1/
4 1 2 1/
2
4
1
3
1
5
la relacin de comunicacin determina tres componentes fuertemente conexas:

C1 = {1}, C2 = {2,3} y C3 = {4,5}.
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
CLASIFICACIN DE LOS ESTADOS DE UNA CADENA DE MARKOV 109
Ejemplo 5.1.2. En la siguiente figura se representa el diagrama de transicin de

una cadena de Markov irreducible:
1 2/
3
1/
3 1/
2 2
1/
3
1/ 1/
3 2 2
2/ 1/
3 4 4
1/
4
Ejemplo 5.1.3. La siguiente cadena de Markov no es irreducible:
1/
2
1
1/ 1/
4 2
1/ 2/
2 3
1/
1/ 3
4
3 2
C2 C1
pues tiene dos clases C1 = {1,2} y C2 = {3} porque el estado 3 no es accesible ni

desde el 1 ni desde el 2.
Una condicin suficiente para que un estado cualquiera sea accesible desde cual-
quier otro es que n , tal que pij(n) > 0, i, j = 1, 2, , r, pues esto significa que
existe un camino de longitud n entre cualquier par de estados i y j. Condicin fcil
de comprobar con las potencias de la matriz de transicin de la cadena.
En el conjunto cociente E/, es decir, el conjunto de las clases de equivalencia
{C1, C2, , Cs}, o componentes fuertemente conexas de G, se puede determinar una
relacin del siguiente modo:
Cm Cn [ i Cm y j Cn tales que j es accesible desde i]
Es decir, la clase Cm se dice que es anterior a la clase Cn si hay al menos un arco
en G que va de un vrtice de Cm a un vrtice de Cn. Tambin se dice que Cm tiene
por siguiente a Cn.
La relacin , as definida en E/, es una relacin de orden porque verifica las
propiedades reflexiva, antisimtrica y transitiva, pero el orden no es total, porque
puede haber dos clases Cp y Cq, tales que ni Cp Cq ni Cq Cp, as, en el ejem-
plo 5.1.1. la clase C2 no es anterior a C3 ni la C3 es anterior a C2.
07 tema 5.qxd 14/3/03 08:40 Pgina 110
5.2. Distintos tipos de clases.

El grafo G/, cuyos vrtices son las clases de equivalencia de E/ y cuyos arcos
estn determinados por la relacin , se llama el grafo reducido de G. Como G es
finito, G/ es finito y en este grafo no hay circuitos, por lo que habr al menos una
clase sin siguiente. Una clase de G/ que no tiene siguiente se llama clase final.
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.
Toda cadena de Markov tiene por lo menos una clase ergdica.
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.
En la siguiente figura se representa el diagrama de transicin del ejemplo 4.3.5.

de la lucha de dos especies animales por ocupar un territorio.
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
Ejemplo 5.2.1. Cuntas clases de equivalencia determina la relacin de comu-

nicacin en la cadena de Markov cuyo diagrama de transicin se representa a con-
tinuacin? De qu tipo son?
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.
Ejemplo 5.2.2. En un estudio sociolgico que se realiza en una gran ciudad

se quiere estudiar la evolucin en el tipo de trabajo a travs de las distintas
generaciones, utilizando un modelo de cadena de Markov. Para ello se distin-
guen tres tipos de empleo: de clase A (con estudios universitarios), de clase B
(con estudios de grado medio) y de clase C (con estudios primarios o sin estu-
dios). Se supone que el tipo de trabajo de una persona est determinado por su
ambiente familiar y que se transmite cada generacin a travs de los padres. La
probabilidad de que en esta ciudad una familia tenga un hijo se estima que es
0.91. Y se ha evaluado que los hijos de trabajadores de clase A consiguen un
empleo de clase A en el 90 % de los casos y de clase B en el 5 %; los hijos de
trabajadores de clase B alcanzan un empleo de clase A en el 20 % de los casos
y un empleo de clase B en el 70 %; y que el 60 % de los hijos de trabajadores de
clase C obtienen un trabajo de la misma categora que sus padres y el 20 % un
trabajo de clase A. Dibujar el diagrama de transicin y explicar cuntas clases
tiene y de qu tipo son.
En el conjunto de estados han de aparecer todas las categoras mutuamente

excluyentes y exhaustivas en las que se puede encontrar la familia en cada gene-
racin (aqu cada etapa es una generacin). En una generacin la familia puede
tener un hijo con empleo de clase A, de clase B o de clase C, pero tambin
puede ocurrir que la familia no tenga descendencia. Por tanto, el espacio de
estados es:
E = {A,B,C,S}
p11 = P (X1 = A / X0 = A) = 0.91 0.9 = 0.819

p12 = P (X1 = B / X0 = A) = 0.91 0.05 = 0.0455
p13 = P (X1 = C / X0 = A) = 0.91 (1 0.9 0.05) = 0.0455
p14 = P (X1 = S / X0 = A) = 1 0.91 = 0.09
Calculando de modo anlogo las restantes probabilidades de transicin, se obtie-

ne la matriz de transicin:

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
El diagrama correspondiente es:

0819 00455 0637
A B
0182
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.
Ejemplo 5.2.3. En la siguiente figura se presenta el plano de un saln de juegos

dividido en cuatro salas de juegos diferentes.
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
Ejemplo 5.2.4. Si en el saln del ejemplo anterior se permitiera al cabo de una

hora elegir aleatoriamente entre permanecer en la misma o pasar a una contigua, el
diagrama de transicin sera:
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
Que tambin consta de una sola clase ergdica.

Pero se observa una diferencia importante entre estos dos diagramas. Mientras
que en el segundo hay posibilidad en cada hora de estar en cualquiera de las
salas, en el primero, si en una etapa el jugador est en una de las salas, slo podr
regresar a ella pasadas 2, 4, 6, ..., 2n, ... horas. La primera clase es cclica y la
segunda no.
Una clase ergdica puede ser regular o cclica, para distinguirlas se define el
periodo de un estado:
Se llama periodo de un estado i al menor entero s (s >1), tal que
pii(n) = 0, n {s, 2s, 3s, }
es decir, si se puede regresar al estado i slo despus de s etapas o un mltiplo de s.
5.3. Clases de estados.

Un estado i se dice que es peridico si s > 1, tal que:
pii(n) 0, n {s, 2s, 3s, } y pii(n) = 0, n {s, 2s, 3s, }
En el ejemplo 5.2.3. cualquiera de los estados es peridico de periodo 2.
El estado i se llama aperidico en caso contrario.
En el ejemplo 5.2.4. todos los estados son aperidicos.
Si n tal que pii(n) > 0 y pii(n+1) > 0 el estado i es aperidico.
En particular todo estado i, tal que pii 0, es aperidico.
Si un estado i de una clase Ci tiene periodo s, todos los estados de la clase Ci tie-
nen el mismo periodo.
Un estado de una clase ergdica que sea peridico se dice que es recurrente.
Son recurrentes todos los estados del ejemplo 5.2.3.
Un estado se dice que es ergdico si pertenece a una clase ergdica y es un esta-

do aperidico.
El nico estado de una clase absorbente se dice que es un estado absorbente.

07 tema 5.qxd 14/3/03 08:40 Pgina 115
Si la cadena entra en un estado absorbente ya no puede salir de l. Por ejemplo,

el estado S del ejemplo 5.2.2.
Los estados que forman una clase transitoria reciben el nombre de estados tran-
sitorios.
En el ejemplo 5.1.3. el estado 3 es transitorio.
En el ejemplo 4.3.5. de la lucha de dos especies animales por ocupar un territo-
rio, los estados 1,2,3,4 y 5 son transitorios.
En el ejemplo 5.2.1. son transitorios los estados 6,7,8,9,10 y 11.
Resumen:
Una clase de estados de una cadena de Markov que es final es ergdica y si no

es final es transitoria.
Una clase ergdica que es unitaria es absorbente.
Una clase ergdica no absorbente puede ser cclica o no. Las clases ergdicas no
cclicas se dice que son regulares.
Un ejemplo de cadena regular es la del ejemplo 5.1.2.
Los estados de una cadena de Markov pueden ser transitorios o no.
Un estado que no es transitorio puede ser:
- Absorbente, si pertenece a una clase absorbente.
- Recurrente, si pertenece a una clase ergdica cclica.
- Ergdico, si pertenece a una clase ergdica regular.
07 tema 5.qxd 14/3/03 08:40 Pgina 116
1. a) Cuntas clases determina la relacin de comunicacin en la cadena de

Markov cuyo diagrama de transicin est representado en la siguiente figura?
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
b) Explquese de qu tipo son cada una de las clases.

c) Clasificar los estados de la cadena.
2. Clasificar los estados de la cadena de Markov de conjunto de estados:

E = {1,2,3,4,5,6,7}
y cuya matriz de transicin es la siguiente:

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
3. a) Explicar cuntas clases determina la relacin de comunicacin en la cadena de

Markov con conjunto de estados E = {1,2,3,4,5,6,7,8} y cuya matriz de transi-
cin es:

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
4. a) Dibujar los diagramas de transicin de las cadenas de Markov correspondien-

tes a los movimientos de los vigas de la Ciudadela de Jaca y de la Torre del
Homenaje de Ciudad Rodrigo del ejemplo 4.3.2.
b) Clasificar los estados de las dos cadenas.
c) Son del mismo tipo las dos cadenas?
5. En el ejemplo 4.3.7. se da la matriz de transicin de una cadena de Markov

correspondiente a los movimientos de un jugador incontrolado en un club de
recreo.
a) Dibujar el diagrama de transicin correspondiente.
b) Clasificar los estados de esa cadena.
c) Es una cadena regular?
6. En el ejemplo 4.3.5. se explicaba la competicin entre dos especies de animales

por ocupar un territorio.
a) Dibujar el diagrama de transicin correspondiente.
b) Hay algn estado transitorio?
c) Hay estados ergdicos?
d) Indicar el significado biolgico de las distintas clases de estados.
7. a) Cuntas clases determina la relacin de comunicacin en la cadena de

Markov descrita en el ejemplo 4.3.1. que explica la evolucin del genotipo en los
sucesivos cruces al azar entre individuos de una poblacin con la misma pro-
porcin de cada uno de los tres tipos AA, Aa y aa?
b) Explicar si es una cadena regular.
07 tema 5.qxd 14/3/03 08:40 Pgina 118
08 tema 6 14/3/03 08:41 Pgina 119
6
Comportamiento
asinttico de
las Cadenas de Markov
En el captulo anterior se han clasificado los estados de una cadena de

Markov utilizando el diagrama de transicin, y ahora se centra el inters en tener
informacin sobre el comportamiento a la larga de la cadena, es decir, sobre la
probabilidad de que el sistema est en cada uno de los estados al aumentar el
nmero n de transiciones. Esta informacin es interesante, por ejemplo, para
conocer la evolucin de poblaciones desde el punto de vista de la gentica y de
la ecologa.
De momento, con el estudio realizado hasta aqu, slo se puede contestar a algu-
nos casos particulares. Por ejemplo, si una cadena de Markov consta de dos clases
y la clase final es absorbente, a la larga el sistema quedar atrapado all. Pero qu
podemos afirmar en el siguiente ejemplo?:
Se considera una poblacin diploide en la que los individuos se clasifican en tres
tipos, segn su genotipo con respecto a un cierto carcter independiente del sexo,
AA, Aa y aa. En cada generacin se cruzan sistemticamente las hembras, cual-
quiera que sea su genotipo, con machos del tipo Aa. Sin existencia de factores de
mutacin, seleccin o esterilidad, emigracin o inmigracin, cmo ser la evolu-
cin a la larga de los posibles cruces? Se responder en este captulo, despus de
explicar el comportamiento asinttico.
Cuando Markov (1856-1922) estudi este tipo de procesos estocsticos no uti-
liz las matrices, pero gracias a la aportacin de W. R. Hamilton (1805-1865),
A. Cayley (1821-1895) y J. J. Sylvester (1814-1897), quienes desarrollaron simul-
tneamente el clculo matricial, el estudio de las cadenas de Markov se ha simpli-
ficado enormemente.
En el Captulo 4, al investigar la evolucin de una cadena, se dijo que una cade-
na de Markov est totalmente determinada si se conoce el conjunto de estados, la
matriz de transicin y el vector de probabilidad inicial, pues la ley de probabilidad
en la n-sima etapa es: P (n) = Mn P (0), n .
08 tema 6 14/3/03 08:41 Pgina 120
En este captulo se trata de responder a la siguiente pregunta: Qu se puede

decir del n lim Mn P (0)? Es decir, cul ser el comportamiento asint-
lim P (n) = n
tico de la cadena?
El primer problema que surge es el del clculo de la potencia n-sima de la
matriz de transicin. Este clculo, que es inmediato si la matriz M es diagonal,
requiere la nocin de semejanza de matrices.
6.1. Semejanza de matrices.

Dos matrices Mrxr y Arxr son semejantes, M ~ A, si existe una matriz Prxr regular,
es decir, con P 0, tal que:
A = P1 M P
El conjunto de todas las matrices semejantes a la matriz Mrxr es:
{Arxr = P1 M P, Prxr con P 0}
La semejanza de matrices define una relacin de equivalencia en el conjunto
rxr de las matrices de orden r, pues verifica las propiedades reflexiva, simtrica y

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
quien nos leg el siguiente teorema:

Teorema de Jordan4. Toda matriz cuadrada Mrxr sobre un cuerpo algebraica-
mente cerrado como lo es el cuerpo de los nmeros complejos es semejan-
te a una matriz J diagonal o diagonal por cajas, que es la forma cannica de Jordan
asociada a la matriz Mrxr. Es decir,
Prxr regular tal que J = P1 M P
El clculo de la forma cannica de Jordan asociada a una matriz Mrxr requiere el
conocimiento de los autovalores y autovectores de esa matriz.
4
Vase (53)
08 tema 6 14/3/03 08:41 Pgina 121
COMPORTAMIENTO ASINTTICO DE LAS CADENAS DE MARKOV 121
6.2. Autovalores y autovectores de una matriz.

Si Mrxr es una matriz numrica con elementos en , el nmero ( o )
es un autovalor de Mrxr x 0 / Mx = x.
El vector x 0 es un autovector de M por la derecha asociado al autovalor
Mx = x.
Los autovalores tambin se llaman valores propios y los autovectores vectores
propios.
Para hallar los autovalores de Mrxr hay que determinar los vectores x 0 tales
que:
Mx = x Mx x = 0 (M I) x = 0
Para que x 0 que sea solucin de este sistema homogneo ha de ser
r (M I) < n incgnitas M I= 0
Se llama ecuacin caracterstica de la matriz Mrxr , a la ecuacinM I= 0, y
polinomio caracterstico de Mrxr al polinomioM I, que es de grado r.
Las races del polinomio caracterstico, o lo que es lo mismo, las soluciones de
la ecuacin caracterstica, son los autovalores de Mrxr.
Si Mrxr es una matriz estocstica, es una matriz de nmeros reales. El polinomio
caracterstico de M es un polinomio de grado r con coeficientes reales, que tendr a
lo sumo r races distintas, los autovalores 1, 2, , r, reales o complejos. Si el
polinomio caracterstico de M tiene una raz compleja tambin tiene su conjugada.
El autoespacio asociado al autovalor j es el subespacio vectorial de r defini-

do del siguiente modo:
N ( = j) = {x r / Mx = jx} = {x r / (M jI) x = 0}
El autoespacio tambin se llama subespacio propio o subespacio invariante.
El autoespacio N ( = j) siempre contiene al menos un vector x 0 si j es un
autovalor de Mrxr. Cualquier vector no nulo del autoespacio asociado al autovalor j
es un autovector asociado a j .
Propiedades de los autovalores.
- Si 1 y 2 son dos autovalores diferentes de Mrxr entonces

N ( = 1) N ( = 2) = {0}
- Si 1, 2, , q son autovalores de Mrxr todos distintos entre s, xj 0 siendo
xj N ( = j), j = 1, 2, , q, entonces {x1, x2, ,xq} es un conjunto de vec-
tores linealmente independientes.
- Si j es un autovalor mltiple de orden de multiplicidad s se verifica que:
1 dim (N ( = j)) s
- En consecuencia, si j es un autovalor simple ser dim (N ( = j)) = 1.
- Si todos los autovalores de la matriz Mrxr son distintos, o en el caso en que los
tenga mltiples, los autoespacios asociados tienen dimensin igual al orden de
multiplicidad de cada una de las races, se pueden encontrar r autovectores
x1, x2, , xr linealmente independientes asociados respectivamente a
08 tema 6 14/3/03 08:41 Pgina 122
1, 2, , r y, por tanto, una base de r formada por autovectores. Si P es

la matriz que tiene por columnas esos autovectores se verifica que

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.
Ejemplo 6.2.1. Hallar la forma cannica de Jordan de la matriz M5x5 corres-

pondiente a la cadena de Markov cuyo diagrama de transicin es el de la siguiente
figura:
A
1/ 1/
2 2
1/ 1/
2 2
E B
1/ 1/
2 2
1/ 1/ 1/
2 2 2
1/
D 2 C
La matriz de transicin de esta cadena es:

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
Haciendo uso del programa DERIVE, se obtiene con facilidad: la ecuacin

caracterstica:
5 5 1
5 + 3 + = 0
4 16 16
y sus soluciones, que son los autovalores de la matriz M,
1 5 1 + 5
1 = 1, 2 = 3 = , 4 = 5 =
4 4
Los autoespacios asociados a los autovalores:
N (1 = 1) = {x 5 / x = (,,,,), }
08 tema 6 14/3/03 08:41 Pgina 123
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
En este caso la matriz M es semejante a una matriz diagonal. Esta es la forma

cannica de Jordan para la matriz M.
Si no es posible encontrar r autovectores linealmente independientes para una
matriz dada Mrxr, entonces el teorema de Jordan asegura que siempre se podr
encontrar una matriz regular P tal que

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.
6.3. Particularidades de los autovalores de una matriz estocstica.

Se demuestra fcilmente que:
- Toda matriz estocstica tiene el autovalor = 1.

- Si i es un autovalor de una matriz estocstica el mdulo de i esi 1,
tanto si i es real como si es complejo.
- Los autovalores de mdulo 1 de una matriz estocstica son races enteras de
la unidad. Es decir, m +, m r / m = 1, siendo r el orden de la matriz
estocstica o nmero de estados de la cadena de Markov.
- Todos los autovalores i de mdulo 1 tienen autoespacios N ( = i) de dimen-
sin igual al orden de multiplicidad de la raz i.
- Si Mrxr es una matriz de transicin de una cadena de Markov y n / Mn
tiene todos sus elementos positivos, entonces es el nico autovalor de M de
mdulo 1 y es simple, los dems autovalores i tieneni< 1.
6.4. Autovectores de una matriz estocstica M. Vector de probabi-

lidades de equilibrio.
- Si Mrxr es una matriz estocstica por columnas y F es un vector fila con todas
sus componentes iguales a 1, se verifica que FM = F F (M I) = 0, es decir
que F = [1 1 1]1xr es un autovector por la izquierda de la matriz Mrxr o
autovector fila asociado a la matriz estocstica M asociado al autovalor = 1.
- Si C1, C2, , Cr son autovectores columna asociados respectivamente a los
autovalores 1 = 1, 2, , r, el vector C1 verifica que MC1 = C1 y, por tanto,
C1 N ( = 1) y, como la dimensin del autoespacio N ( = 1) es igual al
orden de multiplicidad del autovalor 1, siempre se pueden encontrar tantos
autovectores columna asociados al autovalor 1 como veces aparezca repetido
este autovalor.
- Si P1 es un autovector columna asociado al autovalor 1, que adems es un vec-
tor de probabilidad, y P (0) = P1 entonces P (1) = M P (0) = P1 y tambin
P (n) = Mn P (0) = P1, n
y esto significa que si el vector de probabilidad inicial de la cadena es P (0) = P1
entonces este permanecer invariable en todas las etapas. Por esta razn, a un
vector probabilidad P1 que sea autovector asociado al autovalor = 1 se le
08 tema 6 14/3/03 08:41 Pgina 126
llama vector de probabilidades de equilibrio o vector de probabilidades esta-

cionario, o tambin vector fijo.
- Si Mrxr es una matriz biestocstica F = [1 1 1]1xr es un autovector fila

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.
Ejemplo 6.4.1. Si la matriz de transicin de una cadena de Markov es:

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
Cualquier vector de este autoespacio es un autovector asociado a 1 = 1.

El vector de probabilidades estacionario, o invariable, es aquel cuyas compo-
nentes suman 1, pues es adems un vector de probabilidad. En este caso es:
28

95
39

190 0.2947
229 0.2053
P1 = = 0.1205
1900 0.2295
109 0.15

475
57

380
Si P (0) = P1 entonces P (n) = Mn P (0) = P1, n .
6.5. Comportamiento asinttico de la ley de probabilidad P(n).

El anlisis del comportamiento asinttico de P(n) requiere el estudio del
lim Mn P (0).
lim P (n) = n
n
Como J = P1 M P M = P J P1 Mn = (P J P1)n = P Jn P1 ser el

lim Mn P (0) = n
lim P (n) = n
n
lim (P Jn P1) P (0).
Las matrices Mrxr de las cadenas de Markov son matrices estocsticas y, por
tanto, pertenecen a una clase particular de matrices, las no negativas, es decir, las
que tienen todos sus elementos positivos o cero.
lim Mn = n
Para poder analizar el n lim (P Jn P1) es conveniente conocer algunos
conceptos sobre matrices:
Una matriz Mrxr se dice que es reducible si:

a) r es 1 y M1x1 = [0]1x1
o bien
b) r 1 y existe una matriz permutacin Srxr y un nmero entero k, siendo

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
r k columnas en el ngulo superior derecho. Las matrices A, B y C pueden tener

algn elemento cero.
Una matriz que no sea reducible se dice que es irreducible.

- Si una matriz tiene una fila o una columna de ceros es reducible.
- Si todos los elementos de la matriz Mrxr son distintos de cero, la matriz es
irreducible.
- Si una matriz de orden r es reducible, tiene que tener al menos r-1 ceros.
Caracterizaciones de las matrices irreducibles:
C1.- Una matriz no negativa es irreducible si y slo si su digrafo asociado es

fuertemente conexo.
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
y que son irreducibles las cuatro matrices siguientes:

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
C2.- Una matriz Mrxr no negativa es irreducible si y slo si (I + M)r1 > 0.

Esta caracterizacin de las matrices irreducibles es til para el clculo con
ordenadores, pues es fcil de comprobar.
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
Las matrices M5 y M6 del ejemplo anterior son matrices de transicin de cade-

nas de Markov ambas irreducibles, pero con distinto comportamiento. Todas las
potencias de M5 tienen algn elemento nulo, pero las de M6 no, pues se puede com-
probar fcilmente que la matriz M6n para n 2 tiene todos sus elementos positivos.
La siguiente definicin permite distinguir estos dos tipos de matrices irreduci-
bles y nos facilitar el estudio del comportamiento asinttico de las cadenas de
Markov.
Una matriz M no negativa e irreducible se dice que es primitiva si s / Ms

tiene todos los elementos positivos.
El ndice de primitividad de una matriz primitiva M es el menor nmero s ,
tal que Ms tiene todos sus elementos positivos.
Si M es una matriz no primitiva, el nmero de autovalores de M de mdulo
mximo se llama el ndice de imprimitividad de M.
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.
2. Si Mrxr tiene todos los elementos positivos o cero, entonces la raz de

Perron es un autovalor positivo de M y existe un vector v 0 con sus
componentes positivas o cero, que es autovector asociado a .
3. Si Mrxr es una matriz no negativa, irreducible y primitiva, entonces el auto-

valor dominante es positivo, es autovalor simple de Mrxr, y adems el
08 tema 6 14/3/03 08:41 Pgina 130
nico autovalor de mdulo mximo y existe un autovector asociado a

con todas las componentes positivas.
El siguiente teorema, debido a Perron y a F. Georg Frobenius (1849 -1917),
F. Georg Frobenius
es particularmente importante en el estudio del comportamiento asinttico

de las cadenas de Markov.
4. Teorema de Perron-Frobenius. Si Mrxr es una matriz irreducible y no nega-

tiva con autovalores 1, 2, , r y = 1mx
ir
i, entonces es autovalor
simple de M y existe un autovector v asociado a con todas las compo-
nentes positivas. Todo autovalor de mdulo es simple y todo autovector
con todas las componentes positivas es proporcional a v.
5. Si Mrxr es una matriz irreducible y no negativa, y tiene m > 1 autovalores de

mdulo mximo, entonces todo autovalor distinto de cero de M pertenece
a una circunferencia en el plano complejo centrada en el origen que pasa
exactamente por los m autovalores de M, adems, m es divisor del nmero
de autovalores distintos de cero de la matriz M.
Si Mrxr es una matriz no singular, no negativa e irreducible de orden r
primo, tiene o uno o r autovalores de mdulo mximo y no es viable otra
posibilidad.
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
6.5.1. Cadenas completamente ergdicas o cadenas regulares.
Si M, matriz de transicin de una cadena de Markov, es irreducible y primitiva,

entonces = 1 es el nico autovalor de mdulo mximo.
El autovalor dominante = 1mx
ir
i= 1, es un autovalor simple de M, existe
un autovector P1, asociado al autovalor 1, con todas las componentes positivas y
adems 1 es el nico autovalor que tiene asociado autovectores con todas las com-
ponentes positivas.
Si los autovalores de M son 1, 2, , r, slo hay uno de mdulo mximo:
1 = 1 >23 r. Como consecuencia:

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.
Ejemplo: Aplicacin en la gentica.
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.
Al comenzar este captulo se planteaba el siguiente ejemplo:
Se considera una poblacin diploide en la que los individuos se clasifican en

tres tipos, segn su genotipo con respecto a un cierto carcter independiente del
sexo, AA, Aa y aa. En cada generacin se cruzan sistemticamente las hembras,
cualquiera que sea su genotipo, con machos del tipo Aa. Sin existencia de factores
de mutacin, seleccin o esterilidad, emigracin o inmigracin, cmo ser la evo-
lucin a la larga de los posibles cruces?
Para estudiar la evolucin de los posibles cruces se considera una cadena de

Markov con conjunto de estados E = {AA, Aa, aa}. Las probabilidades de obtener
cada uno de los genotipos en cada cruce, son: 1/2, 1/2 y 0, respectivamente, si la
madre es AA; 1/4, 1/2 y 1/4 si la madre es Aa; y 0, 1/2, 1/2 si la madre es aa. Se
determina as la matriz de transicin:

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
Los autoespacios asociados son:

N ( = 1) = {x 3 / x = (, 2, ), }

1
N = = {x 3 / x = (, 0, ), }
2
N ( = 0) = {x 3 / x = (, 2, ), }
Autovectores asociados a 1, 1/2 y 0 respectivamente son:

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).
lim P (n) es un vector de probabilidad P1 con todas las componentes estricta-

El n
mente positivas, que adems es autovector asociado al autovalor 1, es decir, el
lim P (n) es un vector P1 de probabilidades estacionario, independientemente del
n
vector de distribucin de probabilidad inicial.
En este caso el vector de probabilidades estacionario es adems un vector de
estado permanente o estable y es el nico vector de probabilidad que tiene esta pro-
piedad para la cadena de Markov dada. El vector P1 representa las probabilidades de
que el sistema est en cada uno de los estados a la larga. La probabilidad de encon-
trarse en un estado despus de un nmero n suficientemente grande de etapas es
independiente de su estado inicial.
Cualquiera que sea la proporcin de los genotipos de las hembras en el instante
inicial, el vector de probabilidad estacionario P1 da las proporciones de los genoti-
pos AA, Aa y aa a la larga, y aproximadamente en el instante n despus de pasadas
un nmero suficientemente grande de generaciones.
Y adems nlim Mn = [P1 P1 P1], esto significa que a medida que aumenta el
nmero de transiciones la cadena se estabiliza. Por ser todos los elementos de esa
matriz distintos de cero, a la larga el sistema puede estar en cualquiera de los esta-
08 tema 6 14/3/03 08:41 Pgina 134
dos de la cadena. Siempre se pueden encontrar individuos de cualquiera de los tres

genotipos, y desde uno de los estados siempre se puede alcanzar cualquier otro, esto
significa que con hembras de cualquiera de los genotipos en sucesivos cruces se
pueden obtener individuos dominantes, hbridos y recesivos.
6.5.2. Cadenas simplemente ergdicas.
Si la matriz M de transicin de la cadena es reducible pero tiene un solo auto-

valor de mdulo mximo, = 1, el autovector P1, asociado a este autovalor, tiene
alguna componente nula.
Si las componentes nulas de P1 son m, la cadena consta de una clase final de
estados ergdicos y de t clases de estados transitorios, siendo 1 t m.
Se dice que es una cadena simplemente ergdica. En este caso, colocando los
estados transitorios al final:

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:
Cul es el comportamiento a la larga de la cadena de Markov con matriz de

transicin:

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
El polinomio caracterstico es:

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
Si la matriz P tiene por primera columna un autovector asociado al autovalor 1,

las columnas segunda y tercera son autovectores asociados al autovalor 0, la cuarta
2 + 4i
es un autovector asociado al autovalor y la ltima el conjugado de este
5
2 4i
que es un autovector complejo asociado al autovalor , es decir,
5
08 tema 6 14/3/03 08:41 Pgina 136

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
cualquiera que sea el vector de distribucin de probabilidad inicial P (0).

08 tema 6 14/3/03 08:41 Pgina 137
lim P (n) es un vector de probabilidad P1 con dos componentes nulas, que es

El n
autovector asociado al autovalor 1.
lim P (n) es un vector P1 de probabilidades estacionario, independientemente
El n
del vector de distribucin de probabilidad inicial. Tambin en este caso el vector de
probabilidades estacionario es el nico vector de estado permanente o estable para
esta cadena de Markov. La probabilidad de encontrarse en un estado despus de un
nmero n suficientemente grande de etapas no depende del estado inicial, como en
el caso anterior.
El vector P1 representa las probabilidades de que el sistema est en cada uno de
los estados a la larga y, por tanto, a la larga la cadena no puede estar en el estado 4
ni en el 5, que son los estados transitorios. A la larga estar en uno de los estados
recurrentes y con mayor probabilidad en el 1.
6.5.3. Cadenas peridicas o cclicas.
Si Mrxr es una matriz irreducible pero no primitiva, tiene m > 1 autovalores de

mdulo 1, estos son las m races enteras de la unidad, siendo m divisor del nmero
de autovalores distintos de cero de la matriz M.
Si Mrxr es una matriz de una cadena de Markov que es no singular e irreducible
de orden r primo, slo puede tener uno o r autovalores de mdulo 1, porque r tiene
que ser divisor del nmero de autovalores distintos de cero de la matriz M que, por
ser no singular, es r.
En este caso la cadena es peridica de periodo m. La cadena tiene slo una clase
final, que es cclica de orden m.
No existe n lim Mn P (0) por no existir el n
lim P (n) = n lim Mn.
La evolucin a la larga depende de las condiciones iniciales.
Ejemplo:
La siguiente figura representa un laberinto con cuatro compartimientos nume-

rados 1, 2, 3 y 4.
1 2
3 4
Se introduce un ratn en el laberinto en el compartimiento 4, si el ratn se des-

plaza a travs de las piezas al azar dnde se puede esperar que se encuentre des-
pus de dos desplazamientos?Y despus de veinte y de treinta? Qu se puede
decir del vector de distribucin de probabilidad a la larga?
08 tema 6 14/3/03 08:41 Pgina 138
El conjunto de estados de la cadena es E = {1,2,3,4} y la matriz de transicin es:

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.
Para hallar el vector de distribucin de probabilidad a la larga, calculamos los

autovalores y autovectores de la matriz de transicin.
El polinomio caracterstico de la matriz M es:M I= 4 2 = 2 (2 1) .
Los autovalores de M son pues: = 1, = 0 (doble) y = 1.
Los autoespacios correspondientes son:
N ( = 1) = {x 4 / x = (, , , ), }
N ( = 0) = {x 4 / x = (, , , ), , }
N ( = 1) = {x 4 / x = (, , , ), }
Se pueden encontrar cuatro autovectores linealmente independientes:

1 1 0 1
1
C = 1 ,C =2 0 3
,C = 1 4
yC = 1
1 0 1 1
1 1 0 1
el primero asociado a = 1, el segundo y el tercero asociados a = 0 y el cuarto aso-

ciado a = 1. El nico que tiene todas las componentes positivas es el asociado a
= 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
lim Mn ya que si n = 2k:

Por tanto, no existe el n

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.
Convergencia en el sentido de Cesaro a la distribucin estacionaria.

1
lim M2k + M2k + 1 que es
lim Mn pero s el k
En el ejemplo anterior no existe n
2
( )
1
una matriz con todas las columnas iguales a P , distribucin estacionaria de la cade-
08 tema 6 14/3/03 08:41 Pgina 140
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.
6.5.4. Cadenas mltiples.
Se considera ahora el caso en que la matriz de transicin de la cadena de Markov

M es una matriz reducible con k > 1 autovalores de mdulo mximo.
En una cadena de Markov cuya matriz de transicin tenga el autovalor domi-
nante = 1 mltiple de orden de multiplicidad k existen k clases finales.
La evolucin en el interior de una de estas clases finales se puede hacer utili-
zando la submatriz de la matriz de transicin correspondiente a los estados de esa
clase final. A esta submatriz le corresponde un autovalor = 1 simple.
Una clase final ser ergdica si = 1 es el nico autovalor de mdulo 1 de la
submatriz correspondiente y ser peridica de periodo m si existen m > 1 autova-
lores de mdulo 1.
Si una de las clases finales consta de un solo elemento, esa clase es absorbente.
La evolucin a la larga de la cadena depende de la distribucin de probabilidad
inicial. Una vez que la cadena entra en una de las clases finales ya es imposible que
salga de ella.
Ejemplo:
Estudiar el comportamiento a la larga de la cadena de Markov con matriz de

transicin:

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.

4

N ( = 1) = x 8 / x = , , , , , , 0, 0 , , ,
5

N ( = 1/10) = x 8 / x = 0, 0, 0, 0, , , 0, 0 ,
41 5 28

N ( = 3/10) = x 8 / x = , , , 4, 0, 0, , 0 ,
6 2 3

N ( = 1/2) = x 8 / x = 0, , , 0, 0, 0, 0, 0 ,

7 11 11 22 22
N ( = 3/5) = x 8 / x = , , 5, , , 0, , ,
3 10 10 15 5

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)
Este lmite depende de la distribucin de probabilidad inicial.

Teniendo en cuenta que P(0) es un vector de probabilidad y que, por tanto, sus
componentes suman 1, se puede escribir:
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
En este resultado se advierte que el lim

n
P (n) depende de la distribucin de pro-
babilidad inicial, y adems, que los estados 7 y 8 son transitorios, pues a la larga
el sistema no puede estar en ninguno de los dos.
Analizando el lim
n
M n se ve claramente que:
- Los estados 1, 2 y 3 forman una clase completamente ergdica, con distribu-

1/3
cin permanente, o estable, 1/3 .
1/3
- El estado 4 es un estado absorbente, forma una clase unitaria y ergdica.

08 tema 6 14/3/03 08:41 Pgina 143
- Los estados 5 y 6 forman otra clase completamente ergdica, con distribucin

5/9
permanente .
4/9
- Los estados 7 y 8 son transitorios.
Hay tantas clases ergdicas como el orden de multiplicidad del autovalor 1.

Hay tres distribuciones de probabilidad estacionarias, las correspondientes a
tres autovectores asociados al autovalor = 1. Estas son:

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
si la distribucin de probabilidad en el instante inicial es una cualquiera de las tres,

el sistema en cualquier instante tiene la misma distribucin de probabilidad que en
el instante de partida.
Ejemplo: Dominancia a la larga del carcter homocigtico.
En el artculo titulado: Diagrama de red. Dominancia equilibrada a la larga del

carcter homocigtico (39) se presenta un diagrama de red, como variante del dia-
grama de rbol, para modelizar el planteamiento y descripcin de los seis tipos bsi-
cos de apareamiento teniendo en cuenta un solo locus con dos alelos A y B, los tres
genotipos posibles son AA, AB y BB. Los tipos bsicos de apareamiento son seis:
AA AA, AA AB, AA BB, AB AB, AB BB y BB BB.
en el caso de cruzamientos libres, sometidos exclusivamente a las leyes de azar, sin
existencia de factores de mutacin, seleccin o esterilidad, emigracin o inmigra-
cin, y construye la matriz de transicin del proceso de Markov correspondiente:

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
matriz estocstica por filas.

08 tema 6 14/3/03 08:41 Pgina 144
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
En efecto, se puede comprobar con DERIVE que el polinomio caracterstico de

M es:
13 15 13 1 3 1
6 5 + 4 3 2 + .
4 4 8 32 16 32
Los autovalores de M son:
1 5 1 + 5
1 = 2 = 1, 3 = 1/2, 4 = 1/4, 5 = , 6 = .
4 4
Los autoespacios asociados a los autovalores son:

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
205 + 44, 6 5 14, ),

El autoespacio asociado a = 1, autovalor doble, tiene dimensin dos y, por
tanto, la matriz M es semejante a una matriz diagonal.
Tomando como autovectores asociados al autovalor = 1 los vectores:

1 0
0 0
0 0
P1 = 0 y P2 = 0 .
0 0
0 1
como autovectores asociados a los autovalores =1/2 y = 1/4 respectivamente los

vectores:

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
Si P es la matriz cuyas columnas son los autovectores anteriores colocados en

el orden en que aparecen, se comprueba fcilmente con DERIVE que:
1 0 0 0 0 0
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
En particular para la P(0) dada en el artculo ser:

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
1. Calcular, si es posible, el vector de probabilidades estacionario, o distribucin de

probabilidad estacionaria, para las siguientes matrices de transicin de cadenas
de Markov:

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
2. a) Calcular los autovalores de la siguiente matriz de una cadena de Markov:

0 0 1/3
M= 0 1/2 2/3
1 1/2 0
b) Diagonalizar esa matriz.

lim Mn y n
c) Calcular el n lim Mn P, siendo P un vector de probabilidad.
3. La matriz de transicin de una cadena de Markov es:

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
4. Calcular los autovalores de las siguientes matrices estocsticas y, si es posible,

diagonalizarlas:

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
5. a) Dibujar el diagrama de transicin de las cadenas de Markov correspondien-

tes a las matrices del ejercicio anterior.
b) Clasificar los estados de estas cadenas.
c) Qu se puede decir del comportamiento asinttico de cada una de ellas?
6. En un animalario se alimentan las cobayas con tres alimentos diferentes A, B y

C. La persona encargada de alimentarlas ha observado, despus de varios aos,
que si se les deja elegir cada maana el alimento, la probabilidad de que elija
cada una de ellas el mismo al da siguiente es 1/2, y elige cualquiera de los otros
dos tipos de alimento con la misma probabilidad.
a) Dar el conjunto de estados de la cadena y la matriz de transicin.
b) Si el primer da se le presentan tres recipientes: uno con el alimento A y dos
con el B, y se le deja elegir al azar, calcular el vector de distribucin de pro-
babilidad a los tres das.
c) Qu se observa en el trigsimo ensayo?
d) Cul es la distribucin de probabilidad a la larga? Depende del vector de
probabilidad inicial? Por qu?
7. El jefe de recursos humanos de una empresa ha observado que un trabajador va

a trabajar de forma intermitente. La probabilidad de que no vaya a trabajar un
da si el anterior da laborable s fue es 0.4 y la de que no vaya a trabajar dos das
laborables seguidos es 0.7. Si se le permite seguir as indefinidamente y no cam-
bia de costumbres:
a) Escribir la matriz de transicin de la cadena de Markov que describe este com-
portamiento.
b) Si hoy no ha ido a trabajar, calcular la probabilidad de que vaya dentro de dos
das laborables.
c) Si hoy s ha ido, cul es la probabilidad de que vuelva a trabajar dentro de tres
das laborables?
d) Si la probabilidad de que vaya hoy a trabajar es 3/4, cul es la probabilidad de
que vaya cinco das despus?
e) Qu ocurrir a la larga?
08 tema 6 14/3/03 08:41 Pgina 150
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?
9. Responder a las preguntas formuladas en el ejercicio anterior si se cruzan las

hembras en cada generacin con machos dominantes.
10. De un estudio sociolgico de los habitantes de una nacin se quiere averiguar la

proporcin de personas que trabajan como profesionales, las que tienen un oficio
cualificado y las que realizan un trabajo no cualificado. En esta nacin la probabi-
lidad de que una pareja tenga un hijo es 0.7, y en la hiptesis de que la influencia
de los antepasados para determinar el trabajo de una persona se transmite ntegra-
mente a travs de los padres, y teniendo en cuenta que los estudios sociolgicos
reflejan que: los hijos de profesionales son el 80 % profesionales, el 10 % tienen
oficios cualificados y el resto no cualificados; los hijos de trabajadores cualificados
son el 60 % trabajadores cualificados, el 20 % profesionales y el resto trabajadores
no cualificados; los hijos de trabajadores no cualificados son el 50 % trabajadores
no cualificados, el 25 % profesionales y el resto trabajadores cualificados.
a) Escribir los estados de la cadena de Markov correspondiente.
b) Determinar la matriz de transicin de esta cadena.
c) Si cada familia tiene como mximo un hijo, cul es la probabilidad de que
un trabajador no cualificado tenga un nieto profesional?
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
12. Para analizar los movimientos de la cotizacin de las acciones de compaas

elctricas se utiliza una cadena de Markov. Se clasifican los valores en uno de
los tres estados: Sube (S), baja (B) o se mantiene igual (I) segn que la cotiza-
cin ha subido, bajado o permanecido igual respecto al da anterior. Se quiere
estudiar el movimiento a largo plazo de las acciones a travs de estos estados y
para ello se han estimado las probabilidades de la matriz de transicin del
modelo, usando los datos del comportamiento de la cotizacin de los valores
durante los tres ltimos aos, obtenindose la siguiente matriz:

0.586 0.070 0.079
M= 0.073 0.639 0.064
0.341 0.291 0.857
a) Calcular la distribucin de probabilidad estacionaria o vector fijo de proba-

bilidad.
b) Suponiendo que la matriz de transicin se mantuviera constante, cul sera
la distribucin de probabilidad a la larga?
08 tema 6 14/3/03 08:41 Pgina 152
09 tema 7 14/3/03 08:45 Pgina 153
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
Patrick Holt Leslie
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
UN MODELO DE ECOLOGA DE POBLACIONES. MODELO DE LESLIE 155
clases de edad no varan con el tamao de la poblacin ni con las condiciones

ambientales.
Realizaciones naturales de este modelo pueden ocurrir en una colonizacin de
un territorio por una poblacin inmigrante de una determinada distribucin de edad.
Leslie construy las tablas de vida de las especies bisexuales slo para las hem-
bras por ser ms fcil poder situar los nacimientos en la duracin de la vida. Se
supone que se mantiene constante la proporcin de machos a hembras y que en
todas las edades las tasas de mortalidad son las mismas para ambos sexos. Esta
suposicin no es necesaria para poblaciones formadas exclusivamente por hembras
partenogenticas6.
7.2. Definiciones y nomenclatura. Matriz de Leslie.

Se considera una poblacin estructurada en clases de edad de amplitud cons-
tante:
[L0, L1), [L1, L2), , [Lx, Lx + 1), , [Lm, Lm + 1)
La amplitud de estas clases depende de la poblacin en estudio, pueden ser
periodos semanales, mensuales, anuales, lustros, dcadas, etc. Supone el tiempo
como variable discreta, t = 0, 1, 2, , n, Las observaciones que se recogen en el
instante n son las (m + 1) componentes de un vector que representan el nmero de
hembras en cada una de las clases en ese instante:
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
Designando por Nxn el nmero de hembras de edad x que viven en el instante n,

el vector columna:
N0n
N1n
N2n
Nn =
Nxn

Nmn
09 tema 7 14/3/03 08:45 Pgina 157
representa la distribucin de edad de la poblacin en el instante n. Sus (m + 1) ele-

mentos corresponden a los (m +1) grupos de edad considerados. El primer ndice
indica la edad y el segundo el instante en que se observa.
Si en el instante inicial la distribucin de edad de la poblacin viene dada por el
vector N0, al cabo de un periodo el nmero de individuos de la primera clase, N01 se
obtiene sumando los productos obtenidos al multiplicar el nmero de los que haba
en cada clase de edad en el instante t = 0 por la tasa de fertilidad de la clase corres-
pondiente. Y todas las clases menos la primera estarn formadas por los individuos
supervivientes de los que estaban en la clase precedente en el instante t = 0, es decir,
el nmero de los de la clase x en el instante 1, Nx1 ser el producto de los que esta-
ban en la clase de edad anterior en el instante inicial, N(x 1)0 por la probabilidad,
px 1, de supervivencia de los individuos de esa clase.
N00
N10
N20
Por tanto, como N0 = la distribucin de edad pasado el primer periodo
Nx0

Nm0
de tiempo ser:
N01 = f0 N00 + f1 N10 + f2 N20 + + fx Nx0 + + fm Nm0

N11 = p0 N00
N21 = p1 N10
N31 = p2 N20

Nm1 = pm1 N(m-1)0
En forma matricial:
N01 f0 f1 f2 fm1 fm N00

N11 p0 0 0 0 0 N10
N21 = 0 p1 0 0 0 N20

Nm1 0 0 0 pm1 0 Nm0
09 tema 7 14/3/03 08:45 Pgina 158
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.
En esta matriz M los elementos px son probabilidades, por tanto:

0 < px < 1, x = 0, 1, 2, , m 1
y los elementos de la primera fila representan las tasas de fertilidad de las hembras
de las distintas clases de edad y son
fx 0, x = 0, 1, 2, , m.
A esta matriz de proyeccin M, de orden m + 1, se le puede asociar un digrafo
cuyos vrtices son las m+1 clases de edad consideradas y cuyas aristas, que tienen
origen en una clase y extremo en otra clase a la que se incorporan individuos o espe-
cmenes procedentes de aquella, estn ponderadas.
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
Este digrafo es fuertemente conexo y su matriz de proyeccin es:

f0 f1 f2 f3 f4 f5
p0 0 0 0 0 0
0 p1 0 0 0 0
M=
0 0 p2 0 0 0
0 0 0 p3 0 0
0 0 0 0 p4 0
Ejemplo 7.2.2. Cmo es el digrafo correspondiente a la matriz

0 1 1
M = 3/4 0 0 ?
0 1/2 0
Consta de tres vrtices, o nodos, y cuatro aristas, como se puede observar en el
grfico siguiente con sus ponderaciones respectivas.
1 1
C0 C1 C2
3/ 1/
4 2
Este digrafo tambin es fuertemente conexo. En este caso la clase C0 es una

clase pre-reproductora, su tasa de fertilidad es cero.
Ejemplo 7.2.3. Dibujar el digrafo correspondiente a la matriz

0 1 3 0
M= 1/3 0 0 0
0 2/3 0 0
0 0 1/3 0
El digrafo correspondiente a esta matriz, como se observa en la siguiente
figura,
1 3
C0 C1 C2 C3
1/ 2/ 1/
3 3 3
no es fuertemente conexo, ya que de la clase C3 no se puede salir. C3 representa la

nica clase de edad post-reproductora y, como en el ejemplo anterior la clase C0, es
de edad pre-reproductora.
09 tema 7 14/3/03 08:45 Pgina 160
7.3. Evolucin del modelo de Leslie. Distribucin de edad en la

poblacin pasadas n etapas.
En el modelo de Leslie, como se conocen las tasas de fertilidad fx y las probabi-
lidades de supervivencia px de cada una de las clases, es posible proyectar en el
tiempo, por medio de un proceso iterativo, cualquier distribucin de edad de la
poblacin, pues la matriz M de proyeccin poblacional multiplicada por la distri-
bucin de edad al inicio de un periodo da la distribucin de edad al final del mismo.
Si N (n) = Nn representa la distribucin de edad de la poblacin en el instante n:
N1 = M N0
N2 = M N1 = M2 N0
N3 = M N2 = M3 N0

Nn = Mn N0
Es decir, conocida la distribucin de edad en el instante inicial N0, se puede
conocer la distribucin de edad pasados n periodos, o etapas, simplemente multi-
plicando la matriz Mn por el vector N0.
Estas expresiones, aunque parecidas a las que se obtuvieron al determinar la ley
de probabilidad en la etapa n-sima en las cadenas de Markov, son bien distintas de
aqullas.
En primer lugar, la matriz de Leslie M no es una matriz estocstica ni por filas
ni por columnas y las distribuciones de edad N0 y Nn no son vectores de probabili-
dad pues sus elementos no suman la unidad.
Si la siguiente matriz representa la potencia n-sima de la matriz de proyeccin:
x00 x01 x0m
x10 x11 x1m
Mn = ser

xm0 xm1 xmm
x00 x01 x0j x0m N00
N0n x10 x11 x1j x1m N10
N1n
=

Nj0
Nmn
xm0 xm1 xmj xmm Nm0
Por tanto:
N0n x00 N00 + x01 N10 + + x0j Nj0 + + x0m Nm0
N1n x10 N00 + x11 N10 + + x1j Nj0 + + x1m Nm0
=

Nmn xm0 N00 + xm1 N10 + + xmj Nj0 + + xmm Nm0
09 tema 7 14/3/03 08:45 Pgina 161
En esta ltima expresin se observa que la columna (j + 1)-sima de la matriz Mn

permite predecir la contribucin en la poblacin futura, transcurridas n unidades de
tiempo, del nmero de hembras del grupo de edad j en el instante inicial, pues en el
instante n el nmero total de hembras supervivientes de las Nj0, que tenan edad j en
m
el instante inicial, o descendientes de ellas, es Nj0 xij, es decir, el producto de Nj0
i=0
por la suma de todos los elementos de la columna j de la matriz Mn.
Si en la poblacin a estudiar las hembras son estriles en las ltimas (m k) cla-
ses de edad, como ocurre en muchas poblaciones animales, por ejemplo, en mam-
feros, la matriz M tendr la forma:
f0 f1 f2 fk1 fk 0 0 0 0
p0 0 0 0 0 0 0 0 0
0 p1 0 0 0 0 0 0 0
0 0 p2 0 0 0 0 0 0
M= siendo fk 0,
0 0 0 pk1 0 0 0 0 0
0 0 0 0 pk 0 0 0 0
0 0 0 0 0 pk+1 0 0 0

0 0 0 0 0 0 0 pm1 0
matriz en la que se pueden considerar cuatro cajas
M= A(k+1) (k+1) O(k+1) (mk)

.
B(mk) (k+1) C(mk) (mk)
La matriz de Leslie correspondiente a este tipo de poblaciones es una matriz

reducible y la expresin de Mn es:
An(k+1) (k+1) O(k+1) (mk) n1
Mn = siendo Sn (A, B, C) = Cj B An1j.
Sn (A, B, C) Cn(mk) (mk) j=0
Pero como C es una matriz nihilpotente, pues Cn = 0 si n m k, entonces la

matriz Mn tendr las ltimas (m - k) columnas de ceros a partir de la etapa n = m k.
Esto significa que las hembras que en el instante t = 0 tengan edad mayor que k, es
decir, que estn en poca post-reproductora, no estn representadas en la distribu-
cin de edad en el instante n para n m k, pues no tienen descendientes y ellas ya
han muerto.
En consecuencia, para estudiar la evolucin de la poblacin pasadas n m k
etapas ser suficiente con considerar las (k + 1) primeras clases de edad, o lo que
es lo mismo, reducir la matriz M a la submatriz A que se obtiene al eliminar las cla-
ses de edad post-reproductora.
09 tema 7 14/3/03 08:45 Pgina 162
La matriz de Leslie puede ser reducible, en el caso en que se consideren todas

las clases de edad y estas incluyan edades post-reproductoras, pero la submatriz A
de M siempre es una matriz irreducible, pues fk 0.7
Recordando que una matriz no negativa es irreducible si y slo si su digrafo aso-
ciado es fuertemente conexo, las matrices de los ejemplos 7.2.1. y 7.2.2. son irre-
ducibles, en cambio las de ejemplo 7.2.3. es reducible.
Para estudiar la evolucin a la larga de un modelo de Leslie slo se considera-
rn las (k + 1) primeras clases de edad, eliminando las correspondientes a las cla-
ses de edad post-reproductora. As :
f0 f1 f2 fk1 fk
p0 0 0 0 0
0 p1 0 0 0
M=
0 0 p2 0 0

0 0 0 pk1 0
Esta matriz de orden (k + 1) irreducible es adems siempre no singular, por ser
fk 0 y todas las probabilidades positivas. Y la matriz M ser reducible si se consi-
deran todas las clases de edad y estas incluyen etapas post-reproductoras.
Para poder determinar la distribucin de edad estable, hay que calcular los vec-
tores Nx, tales que Nx+1 = Nx, siendo constante, es decir,
M Nx = Nx (M I) Nx = 0
Hay que hallar, por tanto, los autovalores y autovectores de la matriz de pro-
yeccin M.
7.4. Autovalores de la matriz de Leslie.

Aunque para hallar los autovalores de M se puede resolver la ecuacin caracte-
rstica M I= 0, este clculo se facilita haciendo el siguiente cambio de coor-
denadas:
vx = H Nx
siendo H la matriz regular diagonal
k1
pi 0 0 0
i=0
k1
0 pi 0 0
i=1
H=

0 0 pk1 0
0 0 0 1
7
Si fk 0, y se reemplazan por 1 todos los elementos positivos se obtendra una matriz de adyacencia de un grafo
que es una matriz permutacin y toda matriz de este tipo es irreducible.
09 tema 7 14/3/03 08:45 Pgina 163
cuyos elementos se obtienen inmediatamente a partir de las tablas de vida, o a par-

tir de la matriz de proyeccin M y representa la matriz de un cambio de base por-
que su determinante es distinto de cero, ya que 0 < px < 1, x = 0, 1, 2, , k 1.
En este nuevo sistema de coordenadas el vector correspondiente a la distribucin
de edad Nn del instante t = n es:
v n = H Nn
y para el instante t = n + 1 es:
vn+1 = H Nn+1 = H M Nn = H M H1 vn = B vn
siendo B = H M H1, una matriz semejante a M.
Efectuando el producto:
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
Comparando la matriz B con la original M se puede ver que los elementos px de

la subdiagonal principal de la matriz M se han transformado en 1 en la matriz B. La
matriz B se denomina la forma racional cannica de M.
Como las matrices M y B son semejantes tienen los mismos autovalores y, por
tanto, para hallar los autovalores de M con ms facilidad, se calculan las soluciones
de la ecuacin caracterstica de B, que es: B I= 0. Desarrollando el determi-
nante se obtiene:
( 1)k+1 k+1 + ( 1)k f0 k + ( 1)k p0 f1 k1 + ( 1)k p0 p1 f2 k2 +
2 k2 k1
+ ( 1)k f3 pi k3 + + ( 1)k fk1 pi + ( 1)k fk pi = 0
i=0 i=0 i=0
Dividiendo esta ecuacin entre ( 1)k+1 queda la ecuacin polinmica:

2 k2 k1
k+1 f0 k p0 f1 k1 p0 p1 f2 k2 f3 pi k3 fk1 pi fk pi = 0
i=0 i=0 i=0
cuyo coeficiente principal es 1 y los coeficientes de k, k1, , 0 son, respecti-

vamente, los opuestos de los elementos de la primera fila de la matriz B en el mismo
orden. Por tanto, esta ecuacin se puede escribir directamente a partir de la matriz
B sin repetir todos los clculos anteriores.
09 tema 7 14/3/03 08:45 Pgina 164
7.5. Particularidades de los autovalores de la matriz de Leslie.

Como se ha explicado anteriormente, los autovalores de M son las soluciones
de la ecuacin caracterstica:
2 k2 k1
k+1 f0 k p0 f1 k1 p0 p1 f2 k2 f3 pi k3 fk1 pi fk pi = 0
i=0 i=0 i=0
y, por el teorema de Harriot-Descartes8, al tener la ecuacin caracterstica

coeficientes reales y slo haber un cambio de signo en los coeficientes de esa
ecuacin, slo tiene una raz real y positiva, que se representar a partir de
ahora por 1.
k1
Como el trmino independiente de esa ecuacin es: fk pi 0, entre los
i=0
autovalores de M no est el cero. Por tanto, los autovalores de M distintos de
1 son o bien reales negativos o complejos9.
Como la matriz de Leslie

f0 f1 f2 fk1 fk
p0 0 0 0 0
0 p1 0 0 0
M= siendo fk 0
0 0 p2 0 0

0 0 0 pk1 0
es una matriz irreducible y no negativa, si sus autovalores son 1, 2, , k+1,

por el teorema de Perron-Frobenius10 , si = mx i, entonces es un auto-
1ik+1
valor simple de la matriz M.
En consecuencia, se puede asegurar que = mx i, que es la raz de Perron
1ik+1
de la matriz M, es el autovalor 1 real y positivo. Este autovalor es simple y el
mdulo de cualquier otro autovalor de M es menor o igual a 1 y adems
siempre es posible encontrar un autovector N1 asociado al autovalor 1,
M N1 = 1 N1, que tenga todos sus elementos estrictamente positivos.
Por ello, a partir de ahora, se llamar a 1 el autovalor dominante de la matriz
de Leslie.
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
Puede ocurrir que otro u otros autovalores de M, necesariamente negativos o

complejos, tengan mdulo igual a = 1 = 1 pero segn el teorema de
Perron-Frobenius todos ellos tendrn que ser autovalores simples y no existe
ningn autovector con todas las componentes positivas asociado a ninguno de
ellos.
Teniendo en cuenta el teorema 3 de Perron11, si existe una potencia de la
matriz M con todos los elementos positivos, entonces el autovalor dominante
= 1 es el nico autovalor de mdulo mximo. En este caso M es una matriz
primitiva.
Caracterizacin de las matrices de Leslie primitivas (Rosenblatt, 1957):

Una matriz de Leslie M = [mij] irreducible es primitiva si y slo si el mximo
comn divisor de los ndices j de columna de los elementos positivos de la pri-
mera fila de la matriz M es 1.
El digrafo correspondiente a una matriz no primitiva es cclico y el ndice de
imprimitividad coincide con el mximo comn divisor de las longitudes de
sus ciclos.
0 2 0 8
Por ejemplo, la matriz M = 1/2 0 0 0 es imprimitiva. En efecto,
0 3/4 0 0
0 0 1/4 0
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
donde x indica un elemento distinto de cero, que adems es positivo y, por

tanto, ninguna potencia de M tiene todos sus elementos distintos de cero.
En este caso M no es primitiva, pero s irreducible por ser f3 = 8 0.
El digrafo correspondiente se representa a continuacin:
2 8
C0 C1 C2 C3
1/ 3/ 1/
2 4 4
Este grafo tiene ciclos de longitudes 2 y 4 y su ndice de imprimitividad es

2 = m. c. d. {2, 4}. Por tanto, tendr dos autovalores de mdulo mximo.
11
Vase Captulo 6, Apartado 6.5.
09 tema 7 14/3/03 08:45 Pgina 166
Se puede comprobar fcilmente que los autovalores de esta matriz M son:

6 6 2 i 2 i
1 = , 2 = , 3 = , 4 =
2 2 2 2
y los dos autovalores de mdulo mximo son 1 y 2.
Utilizando la caracterizacin de matrices primitivas de Rosenblatt:
0 1 2
Si M = 1/2 0 0 , es m11 = 0, m12 = 1, m13 = 2.
0 1/4 0
El m. c. d. {2, 3} = 1, por tanto, la matriz M es primitiva y como la primera

potencia de M que tiene todos los elementos distintos de cero es M5, su ndi-
ce de primitividad es 5. Esto significa que desde cualquier vrtice del digrafo
1 2
C0 C1 C2
1/ 1/
2 4
se puede alcanzar cualquier otro con seguridad en cinco etapas. La matriz M

de este ejemplo es primitiva e irreducible.
Consecuencia de la caracterizacin de Rosenblatt: toda matriz de Leslie M de

orden (k + 1) que tiene todos los fi > 0, i = 0, 1, 2, , k es primitiva y (k + 1)
es su ndice de primitividad.
Si hay algn elemento de la primera fila de M que sea cero, puede ser que M
no sea primitiva.
0 2 0 8
Por ejemplo, si M = 1/2 0 0 0 , el m. c. d. {2, 4} = 2 1 y M no es
0 3/4 0 0
0 0 1/4 0
primitiva, como se ha explicado anteriormente.
7.6. Autovectores de la matriz de Leslie.

Para calcular ms fcilmente los autovectores asociados a cada autovalor ,
en el sistema de coordenadas original, se determinan estos en el nuevo sistema
de coordenadas, y deshaciendo el cambio, se tendrn respecto del sistema pri-
mitivo.
09 tema 7 14/3/03 08:45 Pgina 167
Un autovector asociado al autovalor en el nuevo sistema de coordenadas es v

si se verifica que B v = v, es decir,
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
que en el sistema primitivo tendr por coordenadas:
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
7.7. Autovalor dominante y distribucin de edad estable.

La matriz de proyeccin poblacional del modelo de Leslie con (k + 1) clases de
edad, o etapas, es una matriz no negativa. Por el teorema de Perron-Frobenius,
segn sea esta matriz, se puede asegurar que:
a) Si M es irreducible y primitiva, existe un autovalor 1 real, positivo y simple,

que es el autovalor dominante,
i < 1, i = 2, 3, , k + 1
y existe un autovector N1 asociado a 1 que tiene todas sus componentes
positivas.
0 14 24
Ejemplo 7.7.1. Si M = 1/2 0 0 , es M I= 3 7 6.
0 1/2 0
Los autovalores de M son: 1 = 3, 2 = 1, 3 = 2. El autovalor dominante
es 1 = 3.
N ( = 3) = {x 3 / x = (36, 6, ), }
N ( = 1) = {x 3 / x = (4, 2, ), }
N ( = 2) = {x 3 / x = (16, 4, ), }
Se ve claramente que slo existen autovectores con todas las componentes
positivas en el autoespacio asociado al autovalor dominante. Por ejemplo:
36
N = 1 6 .
1
09 tema 7 14/3/03 08:45 Pgina 169
b) Si M es irreducible pero no es primitiva, existe un autovalor 1 real, positivo

y simple, tal que
i 1, i = 2, 3, , k + 1
El nmero de autovalores de mdulo mximo coincide con el ndice de
imprimitividad de la matriz M. Y existe un autovector N1 asociado al auto-
valor dominante 1 que tiene todas sus componentes positivas.
2i
Los autovalores i que tienen mdulo mximo son i = 1 e
r n siendo r
el ndice de imprimitividad de M y n = 1, 2, ..., r 1.
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
Los autovalores de M son: 1 = 1, 2 = 1, 3 = i, 4 = i. Los cuatro auto-

2i
valores se pueden escribir en forma exponencial i = 1 e
4 n , es decir,
i
i = e
2 n para n = 0,1,2,3 y todos tienen mdulo mximo. El autovalor
dominante es 1 = 1. El ndice de imprimitividad de esta matriz es 4.
Los autoespacios son:
N ( = 1) = {x 4 / x = (45, 30, 10, ), }
N ( = 1) = {x 4 / x = ( 45, 30, 10, ), }
N ( = i) = {x 4 / x = ( 45i, 30, 10i, ), }
N ( = i) = {x 4 / x = (45i, 30, 10i, ), }
Como en el ejemplo anterior slo existen autovectores con todas las compo-
nentes positivas en el autoespacio asociado al autovalor dominante
45
30 .
1 = 1. Por ejemplo, N1 =
10
1
El vector estable N1, autovector asociado al autovalor dominante o raz de

Perron 1, la raz positiva de la ecuacin caracterstica, representa la nica
distribucin de edad estable asociada a las tasas de fertilidad y supervivencia
dadas para cada uno de los grupos de edad, pues por el teorema de Perron-
Frobenius es el nico autovector de M que puede tener todas sus componen-
tes positivas. Este es el nico autovector que tiene inters en la evolucin de
la poblacin y recibe el nombre de distribucin de edad estable.
09 tema 7 14/3/03 08:45 Pgina 170
c) En el caso en que la matriz M es reducible, existe un autovalor 1 real y posi-

tivo, tal que
i 1, i = 2, 3, , k + 1
Y existe un autovector N1 asociado al autovalor dominante 1 que tiene todas
sus componentes positivas. Puede haber autovectores asociados a otro auto-
valor con componentes positivas o cero.
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

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
7.8. Tasa neta de reproduccin por unidad de tiempo.

Si la distribucin de edad en el instante inicial es N0 = N1 se verifica que:
N 1 = M N 0 = M N 1 = 1 N 1
N2 = M N1 = M (1 N1) = 12 N1

Nn = 1n N1, n
esto significa que la distribucin de edad de la poblacin en el instante t = n es pro-
porcional a N0 = N1, n .
El autovector N1 da las proporciones de las diferentes clases de edad en una
poblacin estable de cualquier tamao. Adems, la raz positiva 1 de la ecuacin
09 tema 7 14/3/03 08:45 Pgina 171
caracterstica representa la tasa neta de reproduccin por unidad de tiempo cuan-

do se parte de la distribucin de edad estable N0 = N1.
Si se parte de la distribucin de edad estable, N0 = N1, el crecimiento de la
poblacin es proporcional al tamao de esta. Llamando r a la tasa de crecimiento
per capita de la poblacin o tasa de crecimiento instantneo ser:
dy
=ry
dt
siendo r una constante, es decir, se trata de un crecimiento malthusiano. Si en el ins-
tante inicial hay y (0) = y0 individuos, la integral de esa ecuacin diferencial es:
y (t) = y0 ert
Para t = n se tendr: Nn = N0 er n para cada una de las clases de edad. Para una
determinada clase de edad, por ejemplo la edad x, por ser N0 = N1 y Nn = 1n N1 se
tiene: Nxn = 1n Nx0, siendo Nx0 la componente (x + 1)-sima de N0 = N1, y tambin
Nxn = Nx0 er n , de donde se deduce que:
er n = 1n r = Ln 1.
La tasa de crecimiento per capita de una poblacin estable es el logaritmo nepe-
riano de 1 raz de Perron de la matriz de proyeccin poblacional, o matriz de
Leslie.
Ejemplo 7.8.1. La siguiente matriz representa la matriz de proyeccin de una

poblacin dividida en cuatro grupos de edad:
0 0 3 6
M= 1/2 0 0 0
0 1/3 0 0
0 0 1/2 0
a) Dar la ecuacin caracterstica y el autovalor dominante.

b) Hallar los autovectores asociados al autovalor dominante.
c) Cul es la distribucin de edad estable?
d) Cul es la tasa neta de reproduccin por unidad de tiempo cuando se parte
de la distribucin de edad estable?
e) Si el crecimiento de la poblacin es proporcional a su tamao, hallar la tasa
de crecimiento per capita.
1 1
a) El polinomio caracterstico es M I= 4 y, por tanto, la ecua-
2 2
1 1
cin caracterstica es 4 = 0, cuyas soluciones son:1 =1, otra
2 2
real negativa que es aproximadamente 0.647798 y un par de complejas
conjugadas de mdulo 0.878546 que son aproximadamente 0.176100
0.860716 i. As, el autovalor dominante es 1 = 1.
09 tema 7 14/3/03 08:45 Pgina 172
b) Los autovectores asociados al autovalor dominante son las soluciones de la

ecuacin: (M I) X = 0 que son X = , , , o bien
2 6 12
X= (12, 6, 2, )
c) Por tanto la distribucin de edad estable es:
12n
6n
N1 = n .
2n
n
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.
7.9. Una aplicacin en la zoologa.

Bernardelli (4) describe la matriz de proyeccin poblacional para una especie de
escarabajo que vive slo tres meses y que se reproduce nicamente en el tercer mes
de vida. Por cada hembra de dos meses de edad observ que nacan, por trmino
medio, seis nuevas hembras vivas, y estim las probabilidades de supervivencia de
las clases: p0 = 1/2 y p1 = 1/3.
La matriz de Leslie correspondiente es:
0 0 6
M = 1/2 0 0
0 1/3 0
Efectuando el cambio de base dado por la matriz:
1
pi 0 0 1/6 0 0
i=0
H= = 0 1/3 0
0 p1 0 0 0 1
0 0 1
09 tema 7 14/3/03 08:45 Pgina 173
se obtiene la matriz B semejante a M :

0 0 1
1
B=HMH = 1 0 0
0 1 0
cuya ecuacin caracterstica es:
B I= 0 3 + 1 = 0
que tiene por soluciones las races cbicas de la unidad:
1 + 3 i 1 3 i
1 = 1, 2 = y 3 =
2 2
Los tres autovalores tienen mdulo mximo 1 = 1, entonces M no puede ser pri-
mitiva. En efecto, el m. c. d. de los ndices de los elementos positivos de la primera
fila de la matriz M es 3 1. Tambin se puede comprobar que todas las potencias
de la matriz M tienen algn elemento cero, pues
0 2 0
2
M = 0 0 3 , M3 = I3x3
1/6 0 0
por tanto, M3k + 1 = M, M3k + 2 = M2, M3k = I, k .
En consecuencia, cualquier distribucin de edad inicial se repetir idnticamen-
te cada tres meses.
Por ejemplo, si la poblacin inicial es de 3000 hembras distribuidas en cantida-
des iguales en los tres grupos de edad, se tiene:
6000 2000 1000
N1 = M N0 = 2 3
500 , N2 = M N0 = 3000 y N3 = M N0 = 1000
333 166 1000
Si N0 = N1, autovector asociado al autovalor dominante 1 = 1, esta se manten-
dr estable y estacionaria a la larga.
Una poblacin estable y estacionaria a la vez es la que se mantiene con la misma
distribucin de sus individuos en las clases de edad en cualquier etapa y conser-
vando tambin en cada una de las clases el nmero de individuos de la distribucin
inicial.
Si se parte de la distribucin:
12
6
(1/2) (1/3)
1
N0 = N = = 3
1
1
1/3
1
o cualquiera proporcional a ella, Nn = Mn N0 = Mn N1 = N1, n 1, n . En este
caso la poblacin ser estable y estacionaria.
09 tema 7 14/3/03 08:45 Pgina 174
Pero si se parte de cualquier distribucin de edad que no sea un autovector aso-

ciado al autovalor 1 = 1, la distribucin de edad presenta continuas oscilaciones.
Por ejemplo:
0 1080 0 0
Si N0 = 0 N1 = 0 N2 = 540 N3 = 0
180 0 0 180
y estas distribuciones se irn repitiendo cclicamente.
En este tipo de matrices con slo un elemento distinto de cero en la primera fila,
fk 0, que corresponde a la reproduccin de muchos insectos en los que los indivi-
duos pasan la mayor parte de su vida en varias fases inmaduras y al final de su vida
tienen un corto intervalo de reproduccin, puede ocurrir que cualquier estabilidad
de la distribucin de edades sea excepcional y aunque la matriz M permanece cons-
tante se presenten oscilaciones continuas en las distribuciones de edad. La excep-
cin, como ya se ha visto, es que la distribucin inicial sea un autovector asociado
al autovalor dominante 1.
7.10. Comportamiento asinttico de la distribucin de edad N(n).

Para estudiar el comportamiento asinttico de la distribucin de edad N(n) hay
que examinar el
lim Mn N (0)
lim N (n) = n
n
lim Mn se facilita utilizando la matriz de Jordan J semejante a M. As:
El clculo del n
lim Mn N (0) = n
lim N (n) = n
n
lim P Jn P1 N0.
Como ya se explic antes, slo se considerarn, caso de existir clases de edad post-
reproductora, las (k + 1) primeras clases de edad, eliminando las (m + 1) (k + 1)
clases de edad post-reproductora, pues estas ltimas no influyen pasadas n = m k
etapas. Por tanto, se trabajar con una matriz de Leslie irreducible. En consecuen-
cia, el autovalor dominante es un autovalor simple de la matriz M, que es no singu-
lar, por lo que 0 no es autovalor de M.
Se pueden presentar dos casos:

Si M no es primitiva, la estabilidad de la distribucin de edades ser excep-
cional. Slo si N0 es un autovector asociado al autovalor dominante 1 > 0, la
distribucin de edad se mantendr proporcional a N0 a la larga.
Si la matriz de Leslie es primitiva, el autovalor dominante 1 es el nico auto-
valor de M de mdulo mximo. Este autovalor dominante 1 ser 1 segn
que la suma de los elementos de la primera fila de la matriz B sea 1, pues el
valor del polinomio caracterstico de la matriz B para = 1 es:
2 k2 k1
1 f0 p0 f1 p0 p1 f2 f3 pi fk1 pi fk pi = 1 S
i=0 i=0 i=0
siendo S la suma de los elementos de la primera fila de la matriz B.
09 tema 7 14/3/03 08:45 Pgina 175
- Si S < 1, entonces 1 S > 0. Por tanto, el valor del polinomio caracterstico

k1
para = 1 es positivo, y como fk pi < 0 es el valor de ese polinomio para
i=0
= 0, la nica raz positiva estar entre 0 y 1. De ah que 1 < 1.
- Si S = 1, entonces 1 S = 0. En este caso 1 = 1 es la raz buscada.
- Si S > 1, entonces 1 S < 0, el valor del polinomio caracterstico para = 1

es todava negativo, del mismo signo que el valor para = 0, por lo que
1 > 1.
Por tanto un simple clculo de la suma de los elementos de la primera fila de
la matriz B nos permite saber si el autovalor dominante es 1 = 1, menor que
la unidad o mayor que la unidad.
Las componentes de la distribucin de edad estable:
1k
k1
pi
i=0
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
que es un autovector asociado al autovalor 1 = 1. Cualquiera que sea la

distribucin de edad inicial tiende a la distribucin estable dada por N1,
autovector asociado a 1 = 1. La poblacin alcanza asintticamente, si se
mantienen constantes las tasas de supervivencia y de fertilidad, una distri-
bucin por edades fija, determinada por la distribucin N1. La poblacin es
estable.
Si se parte de N0 = N1 entonces N (n) = N1, n n
lim N (n) = N1. La dis-
tribucin de edad N1 es, por tanto, estable y estacionaria. No slo se conser-
van las proporciones de las distintas clases de edad sino tambin el nmero de
individuos de cada una de las clases en la poblacin.
Si 1 > 1, la tasa de crecimiento per capita es r = Ln 1 > 0.

Partiendo de N0 = N1 se tiene N (n) = 1n N0. En cada periodo la poblacin
aumenta con una tasa de reproduccin 1 y tasa neta de crecimiento ( 1 1).
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
La poblacin decrece con una tasa neta de decrecimiento (1 1) por unidad

de tiempo y se extingue a la larga.
Una poblacin puede tener representacin por edades estable, la proporcin de

individuos de cada una de las clases de edad constante, pero no ser estacionaria, es
decir, puede aumentar o disminuir su tamao.
Una poblacin estacionaria y estable a la vez es la que conserva el mismo nme-
ro de individuos con la misma distribucin de estos en las clases de edad.
Ejemplo 7.10.1. Qu se puede afirmar del comportamiento asinttico de la

distribucin de edad N (n) para la poblacin del ejemplo 7.8.1.?
Como la matriz M es primitiva, por ser m. c. d. {3, 4} = 1, e irreducible, por ser
f4 = 6 0, se sabe que el
12n
6n
lim N (n) = N1 =
n 2n
n
independientemente de la distribucin de edad en el instante inicial N0.

09 tema 7 14/3/03 08:45 Pgina 177
7.11. Aplicaciones a la ecologa.

El modelo de Leslie tiene particular inters en el estudio de la evolucin de
poblaciones que se tratan de mantener estables, como pueden ser las explotadas por
el hombre, poblaciones de animales que son objeto de caza o pesca. As, se ha apli-
cado, por ejemplo, al estudio de poblaciones de Cervus elaphus, ciervo comn de
los bosques europeos, smbolo de la caza mayor de todos los tiempos, investigando
cul debe ser la porcin mxima que se puede cazar para mantener la poblacin
estacionaria.
Si para una de estas poblaciones el autovalor dominante 1 de la matriz de Leslie
correspondiente es mayor que la unidad, partiendo de una distribucin de edad esta-
ble, determinada por un autovector N1 asociado al autovalor dominante, una explo-
tacin equilibrada de la poblacin podra permitir una extraccin aproximada de un
porcentaje (1 1)100 de cada una de las clases de la poblacin al final de cada
periodo. Con esto la poblacin se mantendra estacionaria.
Ejemplo 7.11.1. Aplicacin a la evolucin de una poblacin de truchas.

Jensen, en 1971, aplic el modelo de Leslie para hacer un estudio terico de la
evolucin de una poblacin de truchas. Para ello dividi la poblacin en cinco cla-
ses de amplitud un ao. Las probabilidades de supervivencia y las tasas de fertili-
dad de cada una de las clases se recogen en la siguiente tabla:
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
La matriz de proyeccin para esta poblacin es, por tanto:
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
1887 3264 8364

Su ecuacin caracterstica es: 5 + 2 + + = 0
2500 15625 390625
09 tema 7 14/3/03 08:45 Pgina 178
La matriz M es primitiva y, por tanto, el nico autovalor de mdulo mximo es

el autovalor dominante, que es la nica raz real y positiva, 1, aproximadamente
igual a 1.
En la siguiente grfica se ha representado con DERIVE el polinomio caracte-
rstico de la matriz M. En ella se puede observar que corta al eje de abscisas apro-
ximadamente para 1 = 1.
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
Un autovector asociado al autovalor dominante, 1 = 1, es aproximadamente:
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.
Ejemplo 7.11.2. Qu ocurrir en la poblacin de truchas del ejemplo anterior

si la probabilidad de supervivencia de la clase C0 aumenta en un 20 %?
Entonces, la probabilidad del primer grupo de edad ser:
p0 = (1.2) (0.06) = 0.072.

09 tema 7 14/3/03 08:45 Pgina 179
Y la nueva matriz de proyeccin:
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
El polinomio caracterstico de M1 es:

5661 19584 50184
M1 I= 5 + 2 + +
6250 78125 1953125
Para esta matriz es aproximadamente 1 = 1.05284 > 1 el autovalor de mdulo
mximo.
En la grfica siguiente, la curva a representa el polinomio caracterstico de M
y la curva b el polinomio caracterstico de M1.
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
Si se parte ahora de la distribucin de edad estable asociada al nuevo autovalor,

la tasa de crecimiento anual es: (1 1)100 = 5.284 %, y en el caso anterior era 0,
ya que se mantena constante.
Ejemplo 7.11.3. Cul sera el comportamiento a la larga de la poblacin del

ejercicio 7.11.1. si se capturaran todas las truchas de las dos ltimas clases de la
poblacin?
09 tema 7 14/3/03 08:45 Pgina 180
En este caso la matriz de Leslie ser:
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
Ejemplo 7.11.4. Crecimiento de una poblacin de Microtus agrestis, ratn de

campo.
Leslie y Ranson (36) publicaron sus estudios sobre el crecimiento de una pobla-
cin del roedor Microtus agrestis observada en laboratorio. Las hembras se apa-
rean a partir de la edad de 32 das y el periodo de gestacin es de 3 semanas, por ello
suponen clases de edad de 56 das, esto es, de ocho semanas. La ltima clase con-
siderada es de 64 a 72 semanas. Determinaron los valores de las tasas de fertilidad
para cada uno de los periodos de ocho semanas y las probabilidades de superviven-
cia de cada una de las clases de edad. Los resultados que obtuvieron estn ordena-
dos en la siguiente Tabla:
09 tema 7 14/3/03 08:45 Pgina 181

[0, 8) p0 = 0.833 f0 = 0.650
[8, 16) p1 = 0.877 f1 = 2.393
[16, 24) p2 = 0.804 f2 = 2.972
[24, 32) p3 = 0.736 f3 = 2.466
[32, 40) p4 = 0.675 f4 = 1.704
[40, 48) p5 = 0.619 f5 = 1.081
[48, 56) p6 = 0.567 f6 = 0.668
[56, 64) p7 = 0.519 f7 = 0.428
[64, 72) p8 = 0.0 f8 = 0.300
La matriz de Leslie correspondiente es:
0.650 2.393 2.972 2.466 1.704 1.081 0.668 0.428 0.300

0.833 0 0 0 0 0 0 0 0
0 0.877 0 0 0 0 0 0 0
0 0 0.804 0 0 0 0 0 0
M= 0 0 0 0.736 0 0 0 0 0
0 0 0 0 0.675 0 0 0 0
0 0 0 0 0 0.619 0 0 0
0 0 0 0 0 0 0.567 0 0
0 0 0 0 0 0 0 0.519 0
y su ecuacin caracterstica es:

9 0.6508 1.9937 2.1716 1.4485 0.7374 0.3153 0.1212 0.044 0.016 = 0
Como la matriz es primitiva, slo hay un autovalor de mdulo mximo, que es
aproximadamente:
1 = 2.1902
Los restantes autovalores de M son cuatro pares de complejos conjugados apro-
ximadamente:
0.2305 0.3651 i, 0.0691 0.5429 i, 0.3767 0.4878 i, 0.5548 0.1882 i,
cuyos mdulos son respectivamente: 0.431773 para el primer par de complejos
conjugados, 0.547279 para el segundo par, 0.616321 para el tercer par y 0.585851
para el cuarto.
09 tema 7 14/3/03 08:45 Pgina 182
Un autovector asociado al autovalor dominante 1 = 2.1902 es aproximada-

mente:
9961
3789
1517
567
N1 = 187
58
16
4
1
Este vector representa la nica distribucin de edad estable en el supuesto de

que se mantengan constantes las tasas de fertilidad y las probabilidades de supervi-
vencia dadas para cada uno de los grupos de edad. Da las proporciones de las dife-
rentes clases de edad en una poblacin estable de cualquier tamao.
Esto quiere decir que si la distribucin de edad en un instante dado es
9961
3789
1517
567
Nn = 187 = N1
58
16
4
1
tomando como unidad de medida el nmero de ratones de la ltima clase de edad

considerada, esta distribucin mantendr las proporciones en las diferentes clases de
edad a lo largo del tiempo.
Pasada una etapa la distribucin de las edades ser:
Nn+1 = M Nn = (2.1902) Nn
El autovalor 1 = 2.1902 es la tasa neta de reproduccin por unidad de tiempo.
La tasa de crecimiento per capita, o tasa de crecimiento instantnea es:
r = Ln1 = Ln (2.1902) = 0.784
esta poblacin no se extingue sino que evoluciona favorablemente creciendo apro-
ximadamente 100 (1 1) = 119.02 % cada ocho semanas, si se parte de la distribu-
cin de edad estable.
09 tema 7 14/3/03 08:45 Pgina 183
7.12. Algunas analogas entre las cadenas de Markov y el modelo

de Leslie.
Para estudiar el comportamiento asinttico de los dos modelos, se han utilizado
matrices, que en ambos casos eran no negativas, la matriz de transicin estocstica
por columnas en las cadenas de Markov y la matriz de proyeccin en el modelo de
Leslie.
En las cadenas de Markov se considera el vector columna P (n) = Mn P (0) que
representa la distribucin de probabilidad en el instante n. Cada uno de sus ele-
mentos simboliza la probabilidad que el sistema se encuentre en el instante n en
cada uno de los estados de la cadena.
En el modelo de Leslie se considera la distribucin de edades de la poblacin en
el instante n: Nn = Mn N0. Cada uno de los elementos indican el nmero de indivi-
duos de la poblacin de cada una de las clases en ese instante.
Si la matriz de transicin de una cadena de Markov es irreducible y primitiva,
entonces tiene un nico autovalor de mdulo 1, que adems es simple, 1 = 1, y los
restantes autovalores i tienen mdulo menor que 1.
Si la matriz de proyeccin del modelo de Leslie es irreducible y primitiva,
entonces tiene un nico autovalor 1 real y positivo que tambin es autovalor sim-
ple de la matriz, es la raz de Perron. Y adems se cumple que todos los restantes
autovalores tienen mdulo menor que 1.
El autovalor 1 = 1 es el autovalor dominante en las cadenas de Markov y en el
modelo de Leslie el autovalor dominante es 1, la raz de Perron.
Si en una cadena de Markov existen m > 1 autovalores de mdulo 1, estos son
las races enteras de la unidad y son todos simples. Por tanto, pertenecen a una cir-
cunferencia de centro en el origen del plano complejo y de radio 1.
Puede ocurrir que la matriz de proyeccin de algn modelo de Leslie tenga otro
u otros autovalores, necesariamente negativos o complejos de mdulo 1 pero todos
ellos son simples y pertenecen a una circunferencia de centro en el origen del plano
complejo y con radio 1.
En las cadenas de Markov los nicos autovectores que pueden tener todas las
componentes positivas son los asociados al autovalor 1 = 1, que son los vectores de
probabilidades de equilibrio.
Un autovector asociado al autovalor dominante en el modelo de Leslie es el
nico que puede tener todas las componentes positivas y representa la nica distri-
bucin de edad estable en ese modelo.
7.13. Generalizaciones del modelo de Leslie.

Una primera extensin del modelo de Leslie se debe a Lefkovitch, que conside-
ra la poblacin dividida en grupos de distinta duracin, por ejemplo, etapas de desa-
rrollo, ms fcil de observar en el estudio de algunos animales en los que resulta
ms difcil conocer su edad que la etapa en la que se encuentran.
09 tema 7 14/3/03 08:45 Pgina 184
Tambin se ha generalizado el modelo de Leslie para la evolucin de poblacio-

nes en botnica, a partir de 1970. En botnica, es el tamao mejor predictor de la
evolucin que la edad.
Estas y otras generalizaciones del modelo de Leslie, en las que la matriz M ya
no es una matriz de constantes sino que vara con el tiempo, se pueden encontrar en
la obra de Caswell (12).
09 tema 7 14/3/03 08:45 Pgina 185
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.
2. Raznese si es posible determinar una distribucin de edades estable y estacionaria

para una poblacin animal cuya matriz de proyeccin poblacional es la siguiente:
0 1 3
M= 1/2 0 0
0 1/3 0
3. La evolucin de una poblacin dividida en tres clases de edad sigue un modelo
de Leslie de matriz asociada:
1/12 8 10
M = 1/48 0 0
0 1/10 0
a) Calcular los autovalores de esta matriz.
b) Hallar los autovectores asociados a todos los autovalores.
c) lim Mn
Utilizando la matriz de Jordan, calcular el n
d) Cul es la distribucin de edad estable?
e) Cul es la tasa de reproduccin por unidad de tiempo cuando se parte de la
distribucin de edad estable?
f) Qu se puede afirmar del comportamiento asinttico de la distribucin de
edad N (n) para esta poblacin?
g) Si el crecimiento es proporcional a su tamao, calcular la tasa de crecimien-
to per capita.
4. Construir la matriz de proyeccin poblacional para una poblacin estructurada en

cuatro clases de edad sabiendo que las tres primeras etapas son inmaduras y, por
tanto, slo se reproducen los individuos de mayor edad, que las tres cuartas par-
tes de los de la primera clase sobreviven despus de una etapa y la mitad de los de
las clases segunda y tercera consiguen llegar a la clase de edad siguiente y que,
partiendo de la siguiente proporcin de individuos de cada clase 18:9:3:1, la
poblacin se mantiene estable y crece con una tasa de crecimiento per capita 1/2.
09 tema 7 14/3/03 08:45 Pgina 186
5. Para estudiar una clase de insectos holometbolos se considera dividida la pobla-

cin en cuatro etapas o clases: huevo, larva, pupa y adulto. Las tres primeras eta-
pas son inmaduras y slo se reproducen en la etapa adulta. Se ha estimado que
una hembra adulta produce en media quince descendientes, y una vez que se
reproducen mueren. Las tasas de supervivencia de las primeras etapas son:
p0 = 0.6, p1 = 0.9 y p2 = 0.3.
a) Dar la matriz de proyeccin correspondiente a la evolucin de esta pobla-
cin.
b) Es una matriz primitiva?
c) Calcular los autovalores de esa matriz y dar el autovalor dominante.
d) Qu se puede asegurar sobre la evolucin de esta poblacin?
6. Se ha observado la evolucin de una poblacin animal, estructurada en cinco cla-

ses de edad, en cautividad y en libertad, estimando las probabilidades de transi-
cin y las tasas de supervivencia de cada una de las clases de edad en ambos
casos. Las matrices de transicin son respectivamente:
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
Cul de las dos situaciones es ms favorable para la evolucin de esa pobla-

cin?
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
8. En una piscifactora se reproduce una especie con inters comercial. Se tiene

repartida la poblacin en cuatro clases de edad de amplitud un ao: larvas, ale-
vines, adultos de dos aos y adultos de tres aos. Todos los adultos de tres aos
se venden. Se sabe que cada hembra adulta de dos aos produce por ao un tr-
mino medio 1200 larvas que logran sobrevivir y cada hembra de tres aos pro-
duce 1600 larvas viables al ao, que la proporcin de machos a hembras se man-
tiene constante y que con la siguiente distribucin de edades se ha logrado
mantener la poblacin estable y estacionaria:
106400
1400
70
14
Se pide calcular la proporcin de individuos de cada una de las clases de edad

que pasan a la siguiente etapa al cabo de un ao.
9. La evolucin de una planta se representa mediante un modelo de Leslie con tres

clases de edad de amplitud un ao. Se divide la poblacin en tres clases: semi-
llas, planta joven y planta adulta. Se ha observado que logran germinar una cuar-
ta parte de las semillas y llegan a ser plantas jvenes, de estas se pierden la
mitad que no llegan al estado adulto y las de tres aos se renuevan. Cada planta
joven produce una media de 76 semillas al ao y una adulta una media de 240.
Se pide:
a) Escribir las tablas de vida de esta poblacin.
b) Dar la matriz de Leslie correspondiente.
c) Calcular el autovalor dominante.
d) Se puede dar una distribucin de edades estacionaria? Y estable?
e) Explicar cmo influye en la poblacin el que se eliminen las semillas de
todas las plantas jvenes.
09 tema 7 14/3/03 08:45 Pgina 188
10 apendice 1 14/3/03 08:47 Pgina 189
Apndice I
Clculo de los autovalores,
autovectores y matriz de
Jordan de una matriz dada
utilizando el programa
DERIVE 12-13
En los Captulos 6 y 7 se ha visto la utilidad de los autovalores y autovectores

para estudiar el comportamiento asinttico de dos modelos discretos, pero tambin
son muy importantes en estadstica, por ejemplo, para el anlisis de componentes
principales, para el anlisis discriminante, el anlisis factorial, el anlisis de corres-
pondencias, y necesarios para el estudio de modelos continuos como son los siste-
mas de ecuaciones diferenciales, tiles en el estudio de la evolucin de dos o ms
especies que conviven en el mismo hbitat, entre otras muchas aplicaciones.
A continuacin se explica con detalle cmo se puede utilizar el programa DERI-
VE para hallar una matriz de Jordan semejante a una matriz dada Anxn, distinguien-
do las matrices diagonalizables de las que no lo son y hallando tambin en el caso
en que Anxn no sea diagonalizable una matriz semejante a la matriz A diagonal por
cajas, forma cannica de Jordan de A, del mismo modo que se podra hacer a mano
pero con la ventaja de la rapidez y seguridad en los clculos.
Dada una matriz cuadrada A, se trata de hallar una matriz regular P, tal que
J = P1 A P sea una matriz diagonal o diagonal por cajas. Para ello se utilizarn
funciones de DERIVE como:
DIMENSION (A) que calcula la dimensin de una matriz.

CHARPOLY (A, ) para hallar el polinomio caracterstico.
DET (A) para hallar el valor del determinante de A.
Adems, para distinguir si una matriz es o no diagonalizable se necesita hallar

la dimensin del autoespacio vectorial asociado y para ello se utiliza la funcin
RANK (A) que da el rango de la matriz A. Esta funcin est incluida en el fichero
12
DERIVE es una marca registrada por Soft Warehouse, Inc.
13
Vase (23).
10 apendice 1 14/3/03 08:47 Pgina 190
de utilidades VECTOR.MTH por lo que antes de comenzar a utilizar el programa

DERIVE se carga ese fichero del siguiente modo:
Transfer Load Utility file: VECTOR.MTH
de esta forma se puede usar la funcin RANK, ahorrando espacio al no aparecer en
pantalla todas las funciones que contiene.
Dada una matriz cuadrada A, con coeficientes reales, se halla su polinomio
caracterstico:
POLCARACT (A, ): = CHARPOLY (A, )
se factoriza y se resuelve en el cuerpo , determinando as los autovalores y su
orden de multiplicidad algebraica.
Se define el rango de una matriz: RANGO (A): = RANK (A)
Para cada autovalor se calcula la dimensin del autoespacio vectorial asociado:
DIMAUTOEV (A, ): = DIMENSION (A) - RANGO(MAUTOEV (A, ))
donde MAUTOEV (A, ): = A IDENTITY_MATRIX (DIMENSION(A))
representa la matriz del autoespacio vectorial.
A. 1. Reconocimiento de matrices diagonalizables.

Si la dimensin del autoespacio vectorial asociado a coincide con el orden de
multiplicidad algebraica para cada uno de los autovalores de la matriz A, esta es
diagonalizable. En este caso, la matriz de Jordan semejante a la matriz A ser dia-
gonal y en los restantes diagonal por cajas, como asegura el teorema de Jordan, por
ser un cuerpo algebraicamente cerrado.
Se utilizar en este proceso el archivo RECMDIA.MTH que contiene las si-
guientes expresiones:
1: POLCARACT (A, ): = CHARPOLY (A, )
2: RANGO (A): = RANK (A)
3: MAUTOEV (A, ): = A . IDENTITY_MATRIX (DIMENSION (A))
4: DIMAUTOEV (A, ): = DIMENSION (A) - RANGO (MAUTOEV (A, ))
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.
A.2. Diagonalizar una matriz.

El archivo DIAGM3X3.MTH contiene las expresiones:
10 apendice 1 14/3/03 08:47 Pgina 192
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
A.3. Hallar una matriz de Jordan semejante a A3x3.

El archivo CMJM3X3.MTH contiene las cinco primeras expresiones del archi-
vo DIAGM3X3.MTH, y adems:
6: M_N (A, , k): = (A IDENTITY_MATRIX (3))k
que es la matriz correspondiente al
Ker (A I)k = {X 3 / (A I)k X = 0}
7: DIMSVNK (A, , k): = DIMENSION (A) RANGO (M_N(A, , k))
para calcular la dimensin de cada uno de los subespacios de la cadena:
0 N (A, , 1) = AUTOEV(A, ) N (A, , 2) . . . N (A, , k)
que se estabiliza cuando la dimensin del subespacio vectorial N(A, , k) coincide
con el orden de multiplicidad del autovalor .
x1
8: N (A, , k, x1, x2, x3): = (A IDENTITY_MATRIX (3)) x2
k
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
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
Como la dimensin del autoespacio correspondiente al autovalor doble es uno,

hay que calcular el subespacio:
N (A, = 2, 2, x1, x2, x3) = [x1 = @3, x2 = @4, x3 = 0]
que ya tiene dimensin 2, igual al orden de multiplicidad del autovalor 2 y con la
que se estabiliza la cadena correspondiente a dicho autovalor.
10 apendice 1 14/3/03 08:47 Pgina 194
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
se tiene una base de 3 respecto de la cual la matriz semejante a A es:
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
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.
Se calcula con DERIVE:
N (A, = 1, 2, x1, x2, x3) = [x1 = @2, x2 = @3, x3 = @2 2@3] que es un

subespacio de dimensin 2 y
N (A, = 1, 3, x1, x2, x3) = [x1 = @4, x2 = @5, x3 = @6] que tiene dimensin
3 y es, por tanto, todo el espacio 3.
10 apendice 1 14/3/03 08:47 Pgina 195
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
se tiene una base de 3 respecto de la cual la matriz semejante a A es:
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
Obsrvese que, si se colocan los vectores de la base en orden inverso, la parale-

la a la diagonal principal que contiene los unos aparece por encima de esta, pues
15 9 1 1 1 0
P= 6 3 1 y P1 A P = 0 1 1 .
27 15 0 0 0 1

Los archivos DIAGM4X4.MTH y CMJM4X4.MTH resuelven el mismo pro-
blema para matrices de orden 4.
El archivo DIAGM4X4.MTH consta de las seis expresiones que aparecen en la

siguiente figura:
10 apendice 1 14/3/03 08:47 Pgina 196
y resuelve el problema para las matrices de orden 4 que sean diagonalizables.
Si para algn autovalor es DIMAUTOEV (A, ) menor que el orden de multi-

plicidad de , se puede encontrar J usando el archivo que hemos denominado
CMJM4X4.MTH, que contiene las cinco primeras expresiones del anterior y ade-
ms:
6: M_N(A, , k): = (A IDENTITY_MATRIX (4))k
7: DIMSVNK (A, , k): = DIMENSION (A) RANGO (M_N (A, , k))
x1
x2
8: N (A, , k, x1, x2, x3, x4): = (A IDENTITY_MATRIX (4))k
x3
x4
9: P: = APPEND (V1`, V2`, V3`, V4`)`
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
AUTOEV (A, = 2) = x1 = @2, x2 = @3, x3 = 2@2 + 3@3, x4 = @3

como el autoespacio vectorial correspondiente al autovalor 2, que es doble, tiene
dimensin uno, hay que calcular el subespacio:
N (A, = 2, 2) = x1 = @4, x2 = @5, x3 = @4, x4 = @4 + @5
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
La matriz del cambio de base en 4 es:

0 9 1 0 2 0 0 0
1 6 0 1 1 2 0 0
J= y P1 A P =
0 9 2 3 0 0 2 0
1 3 0 1 0 0 0 2
En los dos ejemplos siguientes las matrices tienen el mismo polinomio

caracterstico ( + 1)4 y la dimensin del autoespacio vectorial correspondiente al
autovalor 1 es en ambos casos 2, pero no son semejantes a la misma matriz de
Jordan, como se ver a continuacin.
10 apendice 1 14/3/03 08:47 Pgina 198
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.
La cadena de subespacios para el autovalor 1 se estabiliza en N (A, = 1, 2)

0 N (A, = 1, 1) N (A, = 1, 2) = 4
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
se obtiene la base respecto de la cual la matriz semejante a A es:
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
se tiene la base respecto de la cual la matriz semejante a A es:
1 0 0 0
1 1 0 0
J=
0 1 1 0
0 0 0 1
Ya que, la matriz del cambio de base es:
1 1 1 0
0 1 0 1
P= y P1 A P = J.
0 1 0 0
0 0 1 1

Para matrices de orden 5, en las que se presenta ms variedad de formas can-
nicas de Jordan, se puede utilizar el archivo MJM5X5.MTH que contiene las expre-
siones:
1: POLCARACT (A, ): = CHARPOLY (A, )
2: RANGO (A): = RANK (A)
3: MAUTOEV (A, ): = A IDENTITY_MATRIX (DIMENSION (A))
4: DIMAUTOEV (A, ): = DIMENSION (A) RANGO (MAUTOEV (A, ))

5: AUTOEV (A, , x1, x2, x3, x4, x5): = x1
x2
= (A IDENTITY_MATRIX (DIMENSION (A))) x3
x4
x5
6: M_N (A, , k): = (A IDENTITY_MATRIX (DIMENSION (A)))k
7: DIMSVNK (A, , k): = DIMENSION (A) RANGO (M_N (A, , k))
8: N (A, , k, x1, x2, x3, x4, x5): = x1
x2
= (A IDENTITY_MATRIX (DIMENSION (A))) x3
k
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
la dimensin del AUTOEV (A1, = 1) es 2, la dimensin de N (A1, = 1, 2)

es 3 , la de N (A1, = 1, 3) es 4 y la de N (A1, = 1, 4) es 5 y su forma canni-
ca es:
1 0 0 0 0
1 1 0 0 0
J= 0 1 1 0 0
0 0 1 1 0
0 0 0 0 1
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
la del subespacio N (A3, = 1, 2) es 4 y la de N (A3, = 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 0 1
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
24. a) 0.3225, b) 0.8738

25 26 1
25. a) , b) , c) .
102 51 51
35
26. a) 0.01465, b) .
128
27. 0.9986
28. a) 0.098, b) 0.882, c) 0.018, d) 0.998, e) 0.002
29. a) 0.453, b) 0.3311

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
3. Son isomorfos a y c y tambin d y e.

11 apendice 2 14/3/03 08:50 Pgina 205
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.
7. Las matrices de adyacencia son, respectivamente:
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
8. a) Camino no elemental pero simple.

b) Camino elemental y por tanto simple.
c) Circuito.
d) Camino no elemental pero simple.
e) Camino no elemental, s simple.
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.
11. Sobre el tetraedro se puede dibujar un camino hamiltoniano (1,2,3,4), pero

no un camino euleriano porque los cuatro vrtices son de grado impar. S es
un grafo hamiltoniano, porque (1,2,3,4,1) es un ciclo hamiltoniano.
1 2
3 8 7
4 3
4
1 2 5 6
Para el hexaedro se puede tambin encontrar un camino hamiltoniano, por

ejemplo, (1,2,3,4,5,6,7,8) pero no un camino euleriano, por la misma razn
que en el caso anterior. Es tambin un grafo hamiltoniano, un circuito
hamiltoniano es (1,2,3,4,5,6,7,8,1).
12. a) seis, b) una.

11 apendice 2 14/3/03 08:50 Pgina 207
APNDICE II 207
13. Ninguno de los dos es hamiltoniano. En el primero suprimiendo dos vrti-

ces se obtienen tres componentes conexas.
En el segundo, se ve que al suprimir un vrtice quedan tres componentes

conexas.
14. Los puntos de corte son los vrtices 3, 4, 7, 9 y 10.

1 5 8 11
3 4 7 12
2 6 9 10
Son istmos las aristas d, l, m y n.
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.
19. S son isomorfos. Un isomorfismo es la aplicacin que asocia a los vrtices

del primer grafo: a, b, c, d, e, f, g, h, i, j los vrtices: 8, 2, 10, 6, 5, 4, 3, 9, 7, 1
del segundo grafo en este orden.
20. No son isomorfos, porque en el neopentano el carbono central es adyacen-

te a cuatro vrtices de grado cuatro y en el pentano ninguno de los vrtices
centrales tiene esa propiedad. Si se suprime el carbono central del neopen-
tano quedan cuatro componentes conexas y en el pentano, si se retira cual-
quiera de los carbonos centrales, quedan cuatro componentes conexas pero
dos de ellas son dos vrtices aislados.
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
3. a) E = {0, 1, 2} cada estado representa el nmero de xitos consecutivos conse-

2/3 2/3 0 1
5
guidos por el chimpanc; b) M = 1/3 0 0 ; c) P (0) = 0 ; d) .
27
0 1/3 1 0
11 apendice 2 14/3/03 08:50 Pgina 209
APNDICE II 209
4. a) Representando por: A1 que el laboratorio est ocupado realizando un pri-

mer turno de anlisis antidopaje, A2 que est ocupado en el segundo turno
de ese mismo tipo de anlisis, R que est realizando un anlisis rutinario y
L que el laboratorio est libre, E = {A1, A2, R, L};
0 1/5 1/5 1/5
1 0 0 0 7291
b) M = ; c) .
0 8/15 8/15 8/15 9375
0 4/15 4/15 4/15
5. a) El estado en la etapa n-sima representa el mayor de los nmeros obte-
nidos en las n primeras extracciones, E = {1, 2, 3, 4, 5};
1/5 0 0 0 0 1/5 1/25
1/5 2/5 0 0 0 1/5 3/25
b) M = 1/5 1/5 3/5 0 0 ; c) P (1) = 1/5 ; d) P (2) = 1/5 y
1/5 1/5 1/5 4/5 0 1/5 7/25
1/5 1/5 1/5 1/5 1 1/5 9/25
1/125 0 0 0
7/125 0 0 0
P (3) = 19/125 ; e) P (0) = 1 y P (35) g 1.72 108 ; f) P (0) = 0 y
37/125 0 4.06 104 0
61/125 0 0 0.9996 1
0
P (35) = 0 = P (n),n .
0
1
6. a) p 0, q 0 y p + q = 1
p2 + pq p2 p2 0
pq 2 pq 0 p2
b) M2 =
q2 0 2 pq pq
0 q2 q pq + q2
2
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
9. E = {1, 2, 3, 4, 5, 6, 7, 8, 9}, siendo cada estado la celda en la que se

encuentra el robot.
La matriz de transicin es:
0 1/3 0 1/3 0 0 0 0 0
1/2 0 1/2 0 1/4 0 0 0 0
0 1/3 0 0 0 1/3 0 0 0
1/2 0 0 0 1/4 0 1/2 0 0
M = 0 1/3 0 1/3 0 1/3 0 1/3 0
0 0 1/2 0 1/4 0 0 0 1/2
0 0 0 1/3 0 0 0 1/3 0
0 0 0 0 1/4 0 1/2 0 1/2
0 0 0 0 0 1/3 0 1/3 0
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.
c) Por tanto, los estados a, b, c, d, e, f, g y k son transitorios, el estado j es

absorbente, l y m son recurrentes y h e i son ergdicos.
11 apendice 2 14/3/03 08:50 Pgina 212
2. La cadena consta de dos clases: C1 transitoria, formada por los estados 1, 3

y 5 y C2 ergdica regular, formada por los estados 2, 4, 6 y 7. Por ello los
estados 2, 4, 6 y 7 son ergdicos y los estados 1, 3 y 5 son transitorios.
3. a) Slo tiene dos clases C1 absorbente y C2 transitoria.
b)
C1 1
2
5 C2
3
4
6
8
c) El estado1 es absorbente y todos los dems transitorios.
4. a) Los diagramas de transicin de las cadenas correspondientes a la

Ciudadela y a la Torre del Homenaje son respectivamente:
1
1 4
2 3
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
b) La cadena consta de dos clases una transitoria y la otra absorbente. Los

estados 2,3,4 y 5 son transitorios y el estado 1 es absorbente.
c) No es una cadena regular, porque no est formada por una sola clase
ergdica no cclica.
6. a) El correspondiente diagrama de transicin es:

1 1/ 1/ 1/ 1/ 1/ 1
2 2 2 2 2
1/ 1/ 1/ 1/ 1/
2 2 2 2 2
0 1 2 3 4 5 6
b) Son transitorios los estados 1, 2, 3, 4 y 5.
c) Son ergdicos los estados 0 y 6, que adems son ambos absorbentes.
d) El estado e E = {0, 1, 2, 3, 4, 5, 6} indica el nmero de parcelas
de territorio que ocupa la especie X. Por ejemplo, el estado 0 significa
que la especie Y ocupa todo el territorio, 6 que es X la que se ha apode-
rado de todas las parcelas, 2 que la especie X ocupa dos parcelas del
territorio y, por tanto, la especie Y las otras cuatro. En general, el estado
e E = {0, 1, 2, 3, 4, 5, 6} muestra que la especie X ocupa e unidades
del territorio y el resto la especie Y.
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
b) La matriz diagonal semejante a M es: D = 0 3 33 .

0
12
3 + 33
0 0
12
1/8 1/8 1/8 1/8
lim Mn = 1/2 1/2 1/2 . El n
c) El n lim Mn P = 1/2 cualquiera que sea el
3/8 3/8 3/8 3/8
vector de probabilidad P, es decir, la distribucin de probabilidad estable.
11 apendice 2 14/3/03 08:50 Pgina 214
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.
4. Los autovalores de: M1 son 1, 1/2 y 0; los de M2 son 1, 0 (doble) y 1; los

4 9 + 7 9 7
de M3 son 1, , y ; los de M4 son 1, 0 y 1/2 (doble).
5 25 25
Las matrices semejantes a Mi (i = 1, 2, 3, 4) y diagonales son, respectiva-
mente:
1 0 0 0
1 0 0 0 0 0 0
D1 = 0 1/2 0 ; D2 = 0 0 0 ;
0
0 0 0 0 0 0 1
11 apendice 2 14/3/03 08:50 Pgina 215
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
b) Todos los estados de la primera son ergdicos (permanentes). La cadena

es completamente ergdica.
Los estados de la segunda son peridicos de periodo dos.
Los de la tercera son: a, b y c transitorios y d absorbente.
Los de la cuarta son ergdicos (permanentes) pues la cadena es regular.
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
lim Mn v1 = v1. Para cualquier

la distribucin de probabilidad inicial ser n
lim Mn P porque el lmite para
otro vector de probabilidad, P, no existe n
las potencias pares de M no coincide con el de las potencias impares y exis-
ten oscilaciones de periodo dos. La distribucin de probabilidad a la larga
depende de la distribucin de probabilidad inicial.
0
0
En la tercera, el vector de probabilidad estable es y a la larga la cade-
0
1
na queda atrapada en el estado d, cualquiera que sea la distribucin de pro-
babilidad inicial.
1/3
1/3
En la cuarta, la distribucin de probabilidad a la larga es indepen-
1/6
1/6
dientemente de la distribucin de probabilidad inicial.
1/2 1/4 1/4 1/3

6. a) E = {A, B, C} y M = 1/4 1/2 1/4 ; b) P (3) = 17/48 ;
1/2 1/4 1/2 15/48
0.3333 1/3
c) P (30) = 0.3333 ; d) nlim P (n) = 1/3 independientemente del vec-
0.3333 1/3
tor de probabilidad inicial, por ser la cadena completamente ergdica.
7. a) E = {1, 0} designando por 1 s va a trabajar y por 0 no va a trabajar,

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.
10. a) Designando por P profesional, C cualificado, N no cualificado y

S sin descendencia el espacio de estados es: E = {P, C, N, S}.
0.56 0.14 0.175 0
b) M = 0.07 0.42 0.175 0 . c) 0.18375
0.07 0.14 0.35 0
0.3 0.3 0.3 1
11. a) E = {C1, C2, C3, C4}

b)
1 1 1
C1 C2 C3
1/ 1/ 1/
4 4 4
C4
1/
4
c) Los estados C1, C2 y C3 son absorbentes y C4 es transitorio.

0.3320 1/3
0.3320 1/3
d) P (3) = lim P (n) =
. e) n a la larga desaparecer la col-
0.3320 1/3
0.0039 0
mena C4 y las otras tendrn el mismo nmero de abejas.
12. a) La distribucin de probabilidad estacionaria es aproximadamente

0.1574
0.1539 .
0.6887
b) La distribucin de probabilidad a la larga sera la distribucin de proba-
bilidad estacionaria, por ser una cadena completamente ergdica.
11 apendice 2 14/3/03 08:50 Pgina 218
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
3. a) 1 = 1/2, 2 = 1/4 y 3 = 1/6

b) N ( = 1/2) = {x 3 / x = (120, 5, ), }
N ( = 1/4) = {x 3 / x = (60, 5, 2), }
N ( = 1/6) = {x 3 / x = (40, 5, 3), }
lim Mn = 03x3
c) n
120
1
d) La distribucin de edad estable es N = 5 autovector asociado al
autovalor dominante 1 = 1/2. 1
e) 1 = 1/2.
0
lim N (n) = 0 cualquiera que sea la distribucin de edad inicial. La
f) n
0
poblacin a la larga se extingue.
g) r = 0.6931 < 0.
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
6. Es ms favorable la evolucin en libertad, ya que el autovalor dominante

de M1 es 1 = 1.03187 menor que el autovalor dominante de M2 que es
1 = 1.12022, por tanto en cautividad crece con una tasa per capita del
0.03187 % y en libertad con una tasa 0.12022 %
41 16
26 8
1
7. a) N5 = 8 ; b) N = 4 ; c) s es estacionaria.
8 2
0 1
d) Como la matriz no es primitiva, por ser f4 = 0, la distribucin de edades
a la larga depende de la distribucin inicial.
100 44 0 9
0 22 0 4
Si N0 = 0 es n lim N (n) = 11 , pero si N0 = 0 es n lim N (n) = 2
0 6 100 1
0 3 0 1
8. p0 = 1/76, p1 = 1/20, p2 = 1/5
9. a) La tabla de vida es:

Semillas [0, 1) 1/4 0
Plantas jvenes [1, 2) 1/2 76
Plantas adultas [2, 3) 0 240
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
1. Abellanas, M., Lodares, D. Anlisis de algoritmos y teora de grafos. Ed. Ra-

Ma. Madrid. 1990.
2. Beddington, J. R., Taylor, D. B. Optimum age specific harvesting of a popula-
tion Biometrics. 1973; Vol. 29, Pgs. 801-809.
3. Berge, C. Graphes . 3 edicin. Ed. Gauthier - Villars. Paris. 1983.
4. Bernardelli, H. Population waves Journal Burma of Research Society. 1941;
Vol. 31, n 1. Pgs. 1-18.
5. Biggs, N. L. Matemtica discreta. Ed. Vicens Vives. Barcelona. 1994.
6. Billingsley, P. Probability and measure. 3 edicin. John Wiley and Sons. New
York. 1995.
7. Bombal Gordn, F. Matemticas y desarrollo cientfico. Leccin inaugural del
curso acadmico 2000-2001. U.C.M. 2000.
8. Borel, E. Les probabilits et la vie. Ed. P.U.F. Paris. 1971.
9. Braun, M. Ecuaciones diferenciales y sus aplicaciones. Ed. Grupo Editorial
Iberoamrica. Mxico. 1990.
10. Bujalance, E. et al. Elementos de matemtica discreta. Ed. Sanz y Torres. 2
edicin. Madrid. 1997.
11. Carr, B. Graphs and networks. Ed. Oxford University Press. 1979.
12. Caswell, H. Matrix population models. Construction, analysis and interpretation.
Sinauer Associates, Inc. Publishers. Sunderland, Massachusetts. 2001.
13. Chatelin, F. Eigenvalues of matrices. Editorial John Wiley and Sons.
Chichester. England. 1993.
14. Cullen, M. R. Linear models in biology. Ed. Ellis Horwood Limited.
Chichester. England. 1985.
15. Cullmann, G. Initiation aux chanes de Markov. Ed. Masson. Paris. 1975.
16. Cullmann, G. Les chanes de Markov multiples. Programmation dynamique.
Ed. Masson. Paris. 1980.
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.
BIBLIOGRAFA 223
40. Martnez Calvo, M C., Prez de Vargas, A. Mtodos matemticos en biologa.

Ed. Centro de Estudios Ramn Areces. Madrid. 1993.
41. Martnez Calvo, M C., Prez de Vargas, A. Problemas de Biomatemtica. Ed.
Centro de Estudios Ramn Areces. Madrid. 1995.
42. Mindn Manero, M. La persona humana. Ed. Anaya. Salamanca. 1962.
43. Parlett, B. Ergodic properties of population I: The one sex model. Theoretical
Population Biology. 1970; Vol. 1, Pgs. 191-207.
44. Prez de Vargas, A., Martnez Calvo, M C., Lpez Snchez, J. Elementos de
biomatemtica. Una introduccin al mtodo de la Biologa matemtica. Ed.
Fragua. Madrid. 1982.
45. Prez de Vargas, A., Abraira Santos, V. Bioestadstica. Ed. Centro de Estudios
Ramn Areces. Madrid. 1996.
46. Pielou, E. C. An introduction to mathematical ecology. Ed. Wiley-Interscience.
New York. 1969.
47. Rbnikov, K. Anlisis combinatorio. Problemas y ejercicios. Ed. Mir. Mosc.
1989.
48. Ross, S. M. Introduction to probability models. Ed. Academic Press, Inc. San
Diego. California. 1993.
49. Salazar Gonzlez, J. J. Programacin matemtica. Ed. Daz de Santos. Madrid.
2001.
50. Snchez Ron, J. M. El Jardn de Newton. La ciencia a travs de su historia. Ed.
Crtica. Barcelona. 2001.
51. Soft Warehouse User Manual Derive. Austria. 1992.
52. Turner, J. C. Matemtica moderna aplicada. Probabilidades, estadstica e
investigacin operativa. Ed. Alianza Universidad. Madrid. 1981.
53. Villa, A. de la Problemas de lgebra con esquemas tericos. 3 edicin. Ed.
Clagsa. Madrid. 1994.
54. Wilson, R. J. Introduccin a la teora de grafos. Alianza Universidad. Madrid.
1983.
DIRECCIONES DE INTERNET
A continuacin se indican algunas direcciones de Internet consultadas y otras que

pueden resultar de inters:
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
C M Y CM MY CY CMY K
El propsito principal de este libro, que consta de siete captulos, es motivar a

los estudiantes suministrndoles informacin sobre aplicaciones de algunos modelos
matemticos discretos en las ciencias de la naturaleza, mediante un estudio terico-
prctico.
El primer captulo es una breve presentacin general de aportaciones de las
matemticas a las ciencias naturales. En los Captulos 2 y 3 se dan unas nociones
de combinatoria y probabilidad en espacios discretos y una pequea introduccin
de la teora de grafos. Ambos captulos que tienen inters por s mismos, presentan
conceptos necesarios para estudiar las cadenas de Markov, Captulos 4, 5 y 6, y el
modelo de Leslie, Captulo 7, dos modelos estocsticos discretos de gran utilidad
para el estudio de la evolucin temporal de poblaciones en las ciencias de la
naturaleza, en particular en gentica, zoologa y ecologa.
Las cadenas de Markov son fruto de la investigacin en matemtica pura que
han encontrado, entre otras muchas aplicaciones, utilidad en gentica para el estudio
de la recombinacin de los genes en la teora de la evolucin de poblaciones y
tambin en economa, sociologa, etc. El modelo de Leslie es un ejemplo claro de
matemtica aplicada en el campo de la zoologa. En el estudio de estos dos modelos
se utilizan matrices de nmeros reales, autovalores y autovectores.
A partir del segundo, cada captulo consta de una exposicin terica ilustrada con
ejemplos, grficas y ejercicios resueltos que ayudan a la comprensin de los conceptos
tericos e incluyen una serie de problemas propuestos cuyas soluciones se recogen
en el Apndice II.
Se espera que este libro pueda resultar de inters tanto para alumnos de ciencias
experimentales, como para matemticos, estudiantes de humanidades, de ciencias
de la salud, de economa, etc. y tambin para profesores de primeros cursos de
licenciatura, de cursos de preparacin para la Universidad y en general para todos
los que sientan curiosidad por aplicaciones de las matemticas.
M.a Teresa Gonzlez Manteiga naci en 1951 y es doctora en

Ciencias Matemticas por la Universidad Complutense de Madrid
(UCM) donde curs la carrera de Ciencias, Seccin Matemticas,
comenzando en dicha Universidad a impartir clases como alumna
monitor en prcticas en el curso 1972-1973. En la actualidad es
Profesora Titular de Matemtica Aplicada en la Facultad de
Ciencias Biolgicas de la UCM desde 1990. Con anterioridad fue
Profesora del Colegio Universitario San Pablo-CEU, adscrito a
la UCM, Profesora Titular de Escuela Universitaria de lgebra,
Clculo y Estadstica en la Escuela Universitaria de Ingeniera Tcnica Forestal de
la Universidad Politcnica de Madrid (UPM) y Profesora Titular de lgebra en la
Escuela Universitaria de Ingeniera Tcnica Industrial de la UPM.
ISBN 84-7978-550-0
9 788479 785505
Compuesta

Modelos Matemáticos Discretos en Las Ciencias de La Naturaleza - Teresa González Manteiga PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Modelos Matemáticos Discretos en Las Ciencias de La Naturaleza - Teresa González Manteiga PDF

Transféré par

Droits d'auteur :

Formats disponibles

C M Y CM MY CY CMY K

El propsito principal de este libro, que consta de siete captulos, es motivar a

M.a Teresa Gonzlez Manteiga naci en 1951 y es doctora en

MODELOS MATEMTICOS DISCRETOS

M Teresa Gonzlez Manteiga

MODELOS MATEMTICOS DISCRETOS

Mara Teresa Gonzlez Manteiga, 2003

Reservados todos los derechos.

No est permitida la reproduccin total o parcial de este libro,

Ediciones Daz de Santos, S. A.

Diseo de cubierta: ngel Calvete

A mis padres y hermana

Captulo 1. Las Matemticas de la Naturaleza . . . . . . . . . . . . . . . . . . . . . 1

Captulo 2. Combinatoria y Probabilidad en espacios discretos . . . . . . . 13

X MODELOS MATEMTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

2.3.3. Frecuencia absoluta y relativa de un suceso. Propiedades . . . 36

Captulo 3. La Teora de Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

Captulo 4. Cadenas de Markov finitas . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

Captulo 5. Clasificacin de los estados de una cadena de Markov . . . . 107

Captulo 6. Comportamiento asinttico de las cadenas de Markov . . . . 119

6.5.3. Cadenas peridicas o cclicas . . . . . . . . . . . . . . . . . . . . . . . . . 137

Captulo 7. Un modelo de Ecologa de poblaciones. Modelo de Leslie . . 153

Apndice I. Clculo de los autovalores, autovectores y matriz de Jordan

Apndice II. Solucin a los problemas propuestos. . . . . . . . . . . . . . . . . . . 203

Bibliografa utilizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221

Por qu he escrito este libro? A quin le puede interesar?

El propsito principal de este libro, que consta de siete captulos, es el estudio

XVI MODELOS MATEMTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

El modelo de Leslie es un ejemplo claro de matemtica aplicada en el campo de

1.2. Un primer paso, el proceso de abstraccin.

2 MODELOS MATEMTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

1.3. Las matemticas en las ciencias de la naturaleza.

LAS MATEMTICAS DE LA NATURALEZA 3

Si se observa con atencin la Naturaleza, se pueden reconocer las mismas for-

caracol, una huella dactilar de un recin nacido o de un anciano, la cadena de ADN,

0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144,

4 MODELOS MATEMTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

Si se cuenta el nmero de veces que se da la vuelta al tallo, en el sentido de las

LAS MATEMTICAS DE LA NATURALEZA 5

si la razn del segmento ms largo al ms corto es igual a la del segmento comple-

6 MODELOS MATEMTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

LAS MATEMTICAS DE LA NATURALEZA 7

8 MODELOS MATEMTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

qu es ms importante la matemtica pura o la matemtica aplicada. Pero cmo

LAS MATEMTICAS DE LA NATURALEZA 9

No es de extraar que Hertz afirmase: No se puede evitar el sentimiento de que

1.4. Modelos matemticos en las ciencias de la naturaleza.

10 MODELOS MATEMTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

En palabras del profesor Mindn (42): El entendimiento humano, gracias a su

LAS MATEMTICAS DE LA NATURALEZA 11

Un modelo estocstico o aleatorio proporciona un conjunto de posibles resultados

Es decir, en la generacin filial resultante aparecen individuos dominantes, AA,

14 MODELOS MATEMTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

El primer intento de dar rigor matemtico a la teora de la probabilidad se debe

COMBINATORIA Y PROBABILIDAD EN ESPACIOS DISCRETOS 15

posibilita la resolucin de hechos delictivos. En los laboratorios forenses se estu-

16 MODELOS MATEMTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA

6 Una empresa de trabajo temporal tiene once puestos de trabajo no cualifi-

Para contestar a estas preguntas y muchas ms se necesita conocer las frmulas

2.2.1. Tcnicas bsicas.

2.2.1.1. Principio de adicin

Si A1, A2, , Ak son conjuntos disjuntos, se verifica que el cardinal de la unin

Esta igualdad tambin se puede interpretar del siguiente modo: