CADENAS DE MARKVOo

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 11

cadenas de Markov

Contexto económico
INVESTIGACIÓN DE OPERACIONES II
cadenas de Markov
Son un modelo matemático que se utiliza para describir un sistema en
el que un objeto o proceso se mueve de un estado a otro con cierta
probabilidad. Este modelo es aplicado en diversos campos, incluyendo
la economía, para el estudio de variables económicas que cambian de
estado a lo largo del tiempo.
cadenas de Markov

Características y Aplicaciones de las Cadenas de Markov en Economía:

1.Estados y Transiciones: Los estados pueden representar diferentes condiciones o


estados de la economía, como recesión, crecimiento o estabilidad. Las transiciones
entre estos estados se modelan con probabilidades asociadas.
2.Modelo de Transición de Estado: Una cadena de Markov permite modelar cómo las
variables económicas evolucionan de un período a otro. Por ejemplo, se podría
modelar cómo la tasa de crecimiento económico cambia de un año a otro.
3.Probabilidades de Transición: Las probabilidades de transición entre estados
representan las posibilidades de que una variable económica pase de un estado a otro
en un período dado. Estas probabilidades pueden ser estimadas a partir de datos
históricos.
4.Estacionariedad: Las cadenas de Markov pueden asumir la propiedad de
estacionariedad, lo que significa que las probabilidades de transición no dependen del
tiempo. Esto puede simplificar el modelado y análisis.
cadenas de Markov

Características y Aplicaciones de las Cadenas de Markov en


Economía:

1.Análisis de Regímenes: Las cadenas de Markov pueden ser utilizadas para


identificar diferentes regímenes o estados en la economía, lo que ayuda a
comprender las fluctuaciones y cambios estructurales.
2.Predicciones de Corto Plazo: Al modelar las transiciones entre estados, las cadenas
de Markov pueden utilizarse para hacer predicciones de corto plazo sobre el
comportamiento de variables económicas.
3.Aplicación en Finanzas: En finanzas, las cadenas de Markov se han utilizado para
modelar los cambios en las condiciones del mercado, las tasas de interés y otros
indicadores financieros.
cadenas de Markov

Supongamos que queremos modelar el comportamiento de un usuario en un sitio


web que puede estar en tres estados: "Inicio", "Página A" y "Página B". Vamos a
definir una matriz de transición basada en datos ficticios y simular el
comportamiento del usuario a lo largo del tiempo.

Instalación de paquete: Asegúrate de tener instalado el paquete markovchain.


Si no lo tienes instalado, puedes hacerlo con el siguiente comando:

Cargar el paquete:
Definir la matriz de transición: Supongamos que hemos observado el
comportamiento de usuarios y hemos recopilado datos históricos.
Basándonos en esos datos, definimos la matriz de transición.

# Matriz de transición (probabilidades de cambio de estado)


matriz_transicion <- matrix(c(0.7, 0.2, 0.1,
0.3, 0.4, 0.3,
0.2, 0.1, 0.7), nrow = 3, byrow = TRUE)

# Definir estados
estados <- c("Inicio", "Página A", "Página B")

# Crear la cadena de Markov


cadena_usuario <- new("markovchain", states = estados,
transitionMatrix = matriz_transicion)
Visualizar la matriz de transición:

Simulación de comportamiento futuro: Simularemos el comportamiento del


usuario para los próximos 5 períodos.

simulacion <- as.character(markovchainSequence(n = 5, markovchain =


cadena_usuario, t0 = "Inicio"))
print(simulacion)

Este ejercicio simula el comportamiento de un usuario en un sitio web utilizando


una cadena de Markov. La matriz de transición define las probabilidades de
transición entre estados, y la simulación nos da una secuencia de estados
pronosticados para los próximos 5 períodos, comenzando desde el estado "Inicio".
Supongamos que estamos analizando las clases sociales de una determinada
nación y obtenemos que tenemos una matriz que nos dice si los padres de una
persona a la edad de 40 años eran de una determinada clase, cuál es la
probabilidad de que su hijo pertenezca a una determinada clase a la edad de
40 años.
Imaginemos que esas probabilidades son las que nos aparecen en la imagen

Lo que tenemos que hacer es analizar estos datos para ver todos los
conocimientos que podemos sacar desde el punto de vista sociológico.
Veamos cómo nos ayuda nuestro amigo R.
library(markovchain)
transiccion <-
matrix(c(0.7,0.21,0.09,0.12,0.7,0.18,0.01,0.5,0.49), nrow=3,
byrow=TRUE)
cadena <- new("markovchain",states=c("Alta",
"Media","Baja"),transitionMatrix=transiccion,name="cadena")

Imaginemos que actualmente tenemos una distribución de (5%,60%,35%)


para las 3 clases y nos preguntamos cuál será la distribución dentro de 3
generaciones. Lo podemos resolver de esta manera:

Inicial <- c(0.05,0.6,0.35)


round(Inicial*cadena^3,2)
Lo que significa que de cada 100
personas de clases baja, en 3
generaciones, sólo 28 de sus bisnietos
serán todavía de clase baja.

Y lo mismo podemos hacer para la clase alta y la clase media.


Inicial <- c(1,0,0)
round(Inicial*cadena^3,2)

Inicial <- c(0,1,0)


round(Inicial*cadena^3,2)

De aquí podemos extraer el llamado concepto “steady”, que es los valores en


torno a los cuales la sociedad se estabiliza dinámicamente, y que coincide
con los autovalores de la matriz.
De aquí podemos extraer el llamado concepto “steady”, que es los valores en
torno a los cuales la sociedad se estabiliza dinámicamente, y que coincide
con los autovalores de la matriz.

Con R podemos obtener esos valores de esta manera.

steadyStates(cadena)

Lo que sucede con estos valores concretos y esta matriz de transición, es que
ya no tendríamos evolución, llegando a un equilibrio dinámico. Es decir
aunque hubiera personas que cambiaran de una clase a otra, el total del
sistema no cambiaría, porque todos los cambios serían compensados.
Matemáticamente se puede expresar así:

steadyStates(cadena)*cadena^{3}

También podría gustarte