Vous êtes sur la page 1sur 5

26/3/2019 Algebra Lineal

Álgebra Lineal Semestre 01­2018
Inicio Clases Talleres y Asesorias Ticademia Parciales

Álgebra Lineal  
Universidad Nacional de Colombia, sede Medellín
Clase 23. Aplicaciones. Cadenas de Markov. Grafos y dígrafos
1. Cadenas de Markov
Una cadena de Marvok es un proceso evolutivo que consiste de un número finito de estados en cual la probabilidad de que ocurra
un evento depende solamente del evento inmediatamente anterior con unas probabilidades que están fijas. Para motivar este
concepto exploremos el siguiente ejemplo:  

Ejemplo: Supongamos que hay tres centros principales de camiones de una empresa. Cada mes, la mitad de los que están en
Boston y en Los Angeles, van a Chicago, la otra mitad permanece donde está y los camiones de Chicago se dividen igualmente
entre Boston y L.A. Lo anterior se puede resumir con la siguiente figura:

Si inicialmente la compañía tenía 100, 200 y 300 camiones en Boston, Chicago y L.A. respectivamente, encontrar la distribuciones de
camiones después de un mes y después de dos meses en las tres ciudades.  

Solución: Denotemos por a k, b k y c k la cantidad de camiones en Boston, Chicago y L.A. respectivamente, después de k­meses.


Utilizando la información dada se tiene que después de un mes, la distribución de los camiones será:

1 1
a1 = a + b = 50 + 100 = 150,
2 0 2 0
1 1
b1 = a0 + c = 50 + 150 = 200,
2 2 0
1 1
c1 = b0 + c = 100 + 150 = 250.
2 2 0

Y después de 2 meses, vemos que la distribución será:

1 1
a2 = a + b = 75 + 100 = 175,
2 1 2 1
1 1
b2 = a1 + c = 75 + 125 = 200,
2 2 1
1 1
c1 = b1 + c = 100 + 125 = 225.
2 2 1

http://www.medellin.unal.edu.co/~algebralineal/Clase23.html 1/5
26/3/2019 Algebra Lineal
Los cálculos de este ejemplo se pueden realizar de manera más conveniente si utilizamos notación matricial. Para ver esto,

[]
ak

denotemos por x k al vector de probabilidades en el k­ésimo mes, es decir, denotemos x k = b k . El cálculo realizado para el primer


ck

mes se puede realizar de la siguiente manera:

[][ ][ ]
a1 1/2 1/2 0 a0

x1 = b1 = 1/2 0 1/2 b0
c1 0 1/2 1/2 c0

En otras palabras, si

[ ]
1/2 1/2 0
P= 1/2 0 1/2 ,
0 1/2 1/2

entonces la anterior ecuación se puede escribir de la forma x 1 = Px 0. De manera similar, x 2 = Px 1 = P 2x 0. En general, después de k­


meses la distribución satisface que x k = Px k − 1 = P 2x k − 2 = ⋯P kx 0. 

En general una cadena de Markov finita es un proceso evolutivo que consiste de un número finito de estados que usualmente se
denotan como estado 1, estado 2, ..., estado n. En cada paso o punto en el tiempo el proceso puede estar en cualquiera de los
estados o puede cambiar de estado mediante unas probabilidades fijas llamadas probabilidades de transición. 
Para cada tiempo k definamos el vector x k como el vector de probabilidades de estar en los distintos estados en el tiempo k, es
decir,

[]
xk , 1
xk , 2
xk = ,

xk , n

donde x k , i  denota la probabilidad de estar en el estado i­ésimo en el tiempo k. Los vectores x k son vectores de probabilidad, esto


significa que x k , i ≥ 0 para i = 1, 2, . . . , n y además x k , 1 + x k , 2 + ⋯ + x k , n = 1. Denotemos a p ij la probabilidad de pasar del estado j­
ésimo al estado i­ésimo, ests probabilidades son las entradas de una matriz P que es llamada la matriz de transición de la cadena
de Markov. La matriz P tiene la propiedad que la suma de las entradas de cada columna es 1, es decir, los vectores columna de P
son vectores de probabilidad. La regla fundamental en un proceso de Markov nos dice que el vector de probabilidades x k está dado
por:

x k = P kx 0.

Por lo tanto si conocemos la matriz de transición P y el vector de estados iniciales x 0, entonces utilizando la regla anterior podemos
encontrar el vector de probabilidades para cualquier tiempo.  
En el ejemplo anterior

[ ] []
1/2 1/2 0 100
P= 1/2 0 1 / 2  y x 0 = 200 .
0 1/2 1/2 300

http://www.medellin.unal.edu.co/~algebralineal/Clase23.html 2/5
26/3/2019 Algebra Lineal

Cadenas de Markov

Comportamiento a largo plazo
Un aspecto interesante en una cadena de Markov es su compartamiento a largo plazo. Intuitivamente, el comportamiento a largo
plazo en una cadena de Markov (en caso que este exista), es un vector de probabilidades x que nos indica las probabilidades de
estar en cada uno de los estados después un número grande de repeticiones. De manera formal, el comportamiento a largo plazo
en una cadena de Markov (en caso que este exista) se define como

x = Lim k → ∞x k.

Nota: Existen cadenas de Markov que no tienen comportamiento a largo plazo definido. Sin embargo, existen condiciones que
garantizan que una cadena de MArkov tenga comportamiento a largo plazo bien definido, por ejemplo, si la matriz de transición P
tiene todas sus entradas estrictamente positivas se puede demostrar que la cadena de Markov tiene un comportamiento a largo
plazo que está bien definido y este comportamiento a largo plazo es único.  

Definición: Supongamos que tenemoso una cadena de Markov con matriz de transición P. Decimos que un vector x es un vector
estacionario si x es un vector de probabilidad, es decir, si sus entradas son mayores o iguales a cero y suman 1 y además Px = x. 

Notemos que si x es un vector estacionario, entonces Px = x, esto significa que x es un vector propio de P asociado al valor propio 
λ = 1. En otras palabras, un vector estacionario es un vector propio de P asociado al valor propio λ = 1 que también es un vector de
probabilidad. 

Teorema: Si una cadena de Markov tiene comportamiento a largo plazo definido, entonces ese comportamiento a largo plazo es un
vector estacionario.  

Ejemplo: Consideremos el vector estacionario para el ejemplo de los camiones. Se puede demostrar que en este caso hay un
comportamiento a largo plazo bien definido y por lo tanto el comportamiento a largo plazo está dado por el vector estacionario.
Calculemos este comportamiento a largo plazo. En este ejemplo la matriz de transición está dada por

[ ] []
1/2 1/2 0 100
P= 1/2 0 1 / 2  y x 0 = 200 .
0 1/2 1/2 300

Calculemos primero el espacio propio de P asociado al valor propio λ = 1. Por definición E 1 = Nul(P − I). Reduciendo la matriz P − I

[ ] [] []
1 0 −1 x z
obtenemos  0 1 − 1  así que E 1 contiene los vectores de la forma  y = z  donde z es una variable libre. Por lo tanto
0 0 0 z z

{[ ]}
1
E 1 = gen 1 . Por definición un vector estacionario x es un vector en E 1 que además x es un vector de probabilidad y por lo tanto 
1

http://www.medellin.unal.edu.co/~algebralineal/Clase23.html 3/5
26/3/2019 Algebra Lineal

[]
1

[]
3
z
1 1
x= z  con z + z + z = 1, de donde z = . Luego, x = 3 , es decir, la probabilidad de que a largo plazo, un camión cualquiera de
3
z 1
3

1
la empresa se encuentre en una determinada ciudad es  . 
3

Vectores estacionarios

2. Grafos y dígrafos
Definición:
1. Un grafo consiste de un conjunto finito de puntos llamados vértices y un conjunto finito de aristas, cada una de las cuales conecta
dos vértices.
2. Se dice que dos vértices son adyacentes, si están conectados por una arista.
3. Si G es un grafo con n vértices, entonces su matriz de adyacencia es la matriz A(G) n × n definida por

a ij =
{ 1
0
si existe una arista entre i y j
de lo contrario.

Ejemplo: Encontremos la matriz de adyacencia del siguiente grafo:

En este ejemplo tenemos que la matriz de adyacencia es:

[ ]
0 1 1 1
1 1 1 0
A= .
1 1 0 0
1 0 0 0

http://www.medellin.unal.edu.co/~algebralineal/Clase23.html 4/5
26/3/2019 Algebra Lineal
Definición:
1. Una trayectoria en un grafo es una secuencia de aristas que permiten viajar de un vértice a otro de manera continua.
2. La longitud de una trayectoria es su número de aristas.
3. A una trayectoria de k aristas se le llama k­trayectoria.
4. A una trayectoria que comienza y termina en el mismo vértice se le llama circuito.
5. A una trayectoria que no incluye la misma arista más de una vez se le llama simple.

Nota: Si A es la matriz de adyacencia de un grafo G, entonces la entrada (i, j) de A k es igual al número de k­trayectorias entre los


vértices i y j. 

Definición:
1. Un grafo con aristas dirigidas se llama dígrafo.
2. Si G es un dígrafo con n vértices, entonces su matriz de adyacencia es la matriz A(G) n × n definida por

a ij =
{ 1
0
si existe una arista del vértice i al j
de lo contrario.

Nota: Si A es la matriz de adyacencia de un digrafo G, entonces la entrada (i, j) de A k es igual al número de k­trayectorias dirigidas


que van del vértice i al j. 

Ejemplo: Encontremos la matriz de adyacencia del siguiente dígrafo:

En este ejemplo tenemos que la matriz de adyacencia es:

[ ]
0 1 1 0
0 0 0 0
A= .
0 1 0 1
1 0 0 0

http://www.medellin.unal.edu.co/~algebralineal/Clase23.html 5/5

Vous aimerez peut-être aussi