Mindmap
Procesos Estocásticos

Inhalt der Mindmap
Procesos Estocásticos
Qué es?
- Concepto matemático que sirve para usar magnitudes aleatorias que varían con el tiempo o para caracterizar una sucesión de variables aleatorias
- Un estudio estocástico común es el electrocardiograma
- Concepto matemático que sirve para usar magnitudes aleatorias que varían con el tiempo o para caracterizar una sucesión de variables aleatorias
Cadena de Markov
- Concepto desarrollado que establece una fuerte dependencia entre un evento y otro suceso anterior. Su principal utilidad es el análisis del comportamiento de procesos estocásticos.
- Según señaló Markov, en sistemas o procesos estocásticoque presentan un estado presente es posible conocer sus antecedentes o desarrollo histórico. Por lo tanto, es factible establecer una descripción de la probabilidad futura de los mismos.
Clasificación de Cadenas de Markov
- Cadena de Markov Finita
- Es una cadena de Markov para la que existe sólo un número finito k de estados posibles s1,...,sk y en cualquier instante de tiempo la cadena está en uno de estos k estados.
- Probabilidad de Transación
- Es la probabilidad condicionada
- P.T Estacionaria
- Una cadena de Markov tiene probabilidades de transición estacionarias si para cualquier par de estados si y sj existe una probabilidad de transición pij tal que
- Cadena de Markov Finita
Matriz de Transición
- Matriz Estocástica
- Es una matriz cuadrada cuyos elementos son no negativos y tal que la suma de los elementos de cada fila es igual a 1.
- Matriz de Transición en un solo paso
- Dada una cadena de Markov con k estados posibles s1,...,sk y probabilidades de transición estacionarias.
- Matriz de Transición en varios pasos
- Dada una cadena de Markov con k estados posibles s1,...,sk y probabilidades de transición estacionarias.
- Matriz de Transición en un solo paso
- Es una matriz cuadrada cuyos elementos son no negativos y tal que la suma de los elementos de cada fila es igual a 1.
- Matriz Estocástica
Probabilidades de Transición
- En una cadena homogénea finita con m posibles estados E1, E2,...,Em se puede introducir la notación
- Donde i, j = 1, 2, . . . , m. Si pij > 0 entonces se dice que el estado Ei puede comunicar con Ej . La comunicación puede ser mutua si también pji > 0. Para cada i fijo, la serie de valores {pij} es una distribución de probabilidad, ya que en cualquier paso puede ocurrir alguno de los sucesos E1, E2,...,Em y son mutuamente excluyentes. Los valores pij se denominan probabilidades de transición que satisfacen la 1 condición
- Para cada i = 1, 2, . . . , m. Todos estos valores se combinan formando una matriz de transición T de tamaño m × m, donde
- Se puede observar que cada fila de la matriz es una distribución de probabilidad, es decir,
- Para cada i = 1, 2, . . . , m. Todos estos valores se combinan formando una matriz de transición T de tamaño m × m, donde
- Donde i, j = 1, 2, . . . , m. Si pij > 0 entonces se dice que el estado Ei puede comunicar con Ej . La comunicación puede ser mutua si también pji > 0. Para cada i fijo, la serie de valores {pij} es una distribución de probabilidad, ya que en cualquier paso puede ocurrir alguno de los sucesos E1, E2,...,Em y son mutuamente excluyentes. Los valores pij se denominan probabilidades de transición que satisfacen la 1 condición
- En una cadena homogénea finita con m posibles estados E1, E2,...,Em se puede introducir la notación
Probabilidades de las cadenas de Markov
- Irreduccibilidad
- En una cadena de Markov un estado ej se dice que es accesible desde otro estado ei si la probabilidad de ir desde el estado e i al ej en algún momento futuro es distinta de cero. · Un estado ei está comunicado con otro ej si ej es accesible desde ei y ei lo es desde ej. · Una cadena de Markov se dice que es irreducible si todos los estados están comunicados entre sí.
- Absorbencia
- Un estado ej se dice absorbente si es imposible abandonar dicho estado, es decir P(Xk= ej½Xk-1= ej) = 1. · Una cadena de Markov es absorbente si tiene algún estado absorbente. · Si una cadena de Markov es irreducible y absorbente entonces la probabilidad de caer en alguno de los estados absorbentes tiende a uno cuando el número de etapas tiende a infinito.
- Regularidad
- Una cadena de Markov se dice que es regular si alguna potencia de la matriz de transición tiene todos sus elementos positivos (no hay ceros) · Si una cadena es regular entonces es irreducible y no absorbente.
- Irreduccibilidad
Bilder und Dateien der Mindmap
Informationen
- Beschreibung
- Mindmap am Procesos Estocásticos, erstellt von Angel Pacheco am 14/07/2020.
- Erstellt von
- Angel Pacheco
- Aufrufe
- 4
- Bewertung
Mehr zu Cadenas y procesos de Markov





