Mapa mental
Cadena de Markov

Mapa mental: Cadena de Markov
Conteúdo do mapa
Cadena de Markov
Es una serie de eventos, en la cual la probabilidad de que ocurra un evento depende del evento inmediato anterior.
- Las cadenas de este tipo tienen memoria, "Recuerdan" el último evento y esto condiciona las posibilidades de los eventos futuros.
- Llamado así en honor de un matemático ruso que desarrollo el método en 1907, permite encontrar la probabilidad de que un sistema se encuentre en un estado en particular en un momento dado.
- Las cadenas de este tipo tienen memoria, "Recuerdan" el último evento y esto condiciona las posibilidades de los eventos futuros.
Probabilidades de Transición
- En una cadena homogénea finita con m posibles estados E1, E2,...,Em se puede introducir la notación
- 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.
- Probabilidad de transición en n pasos
- Se define p (n) ij como la probabilidad de que la cadena esté en el estado Ej después de n pasos, dado que la cadena empezó en el estado Ei.
- En una cadena homogénea finita con m posibles estados E1, E2,...,Em se puede introducir la notación
Estados de las cadenas de Markov
- Clasificación
- Estado absorbente
- Un estado es absorbente cuando una vez que se entra en él no se puede salir del mismo.
- Estado periódico
- La probabilidad de que se regrese al estado Ei en el paso n es p (n) ii . Sea t un número entero mayor que 1.
- Estado recurrente
- Denominamos como f(n) j la probabilidad de que la primera visita al estado Ej ocurra en la etapa n. Esta probabilidad no es la misma que p (n) jj , que es la probabilidad de que se produzca un retorno en el n-ésimo paso y esto incluye a los posibles retornos en los pasos 1, 2, 3,...,n − 1 también
- Probabilidad de primera pasada en general
- Se puede generalizar el concepto de probabilidad de primera pasada, calculando la probabilidad de pasar de un estado i a otro estado j en n etapas por primera vez: f(n) ij sin que en las etapas intermedias se haya pasado antes por j
- Estado transitorio
- En un estado recurrente, la probabilidad de que se regrese por primera vez a ese estado en algún paso es 1, pero para otros estados sucede que fj = X∞ n=1 f(n) j < 1 lo que significa es que no se regresa al estado Ej de modo seguro. Un estado así se denomina transitorio.
- Estado absorbente
- Estado ergódico
- Un estado bastante importante es aquel que es recurrente, no nulo y aperiódico. Recibe el nombre de ergódico. Los estados ergódicos son importantes en la clasificación de cadenas y para probar la existencia de distribuciones de probabilidad límite.
- Clasificación
Clasificación de cadenas
- Cadenas irreducibles
- Una cadena irreducible es aquella en la que todos los estados son alcanzables desde cualquier otro estado de la cadena en un número finito de pasos. Eso implica que se puede llegar a cualquier estado Ej desde otro estado Ei esto es p (n) ij > 0, para algún número entero n.
- Conjuntos cerrados
- Una cadena de Markov puede contener algunos estados que sean recurrentes, otros que sean transitorios y otros que sean absorbentes. Los estados recurrentes pueden ser parte de subcadenas cerradas.
- Cadenas ergódicas
- Se tenía que todos los estados en una cadena irreducible pertenecen a la misma clase. Si todos los estados son ergódicos, esto es, recurrentes, no nulos y aperiódicos entonces se define la cadena como ergódica.
- Cadenas irreducibles
Probabilidades de estado estable
- Un par de estados i y j se comunican si existen tiempos t1 y t2 tales que Pij(t1)> 0 y Pij(t2)>0 . Todos los estados que se comunican forman una clase. Si todos los estados forman una sola clase
Informações
- Descrição
- Mapa Mental sobre Cadena de Markov, criado por Hector Chacón em 21-10-2020.
- Criado por
- Hector Chacón
- Visualizações
- 1
- Avaliação
Mais sobre Cadenas y procesos de Markov