Captulo 2

Cadenas de Markov

2.1. Introduccion
Sea T R y (, F , P ) un espacio de probabilidad. Un proceso aleatorio es una funcion

X :T R

tal que para cada t T , X (t, ) es una variable aleatoria.

Si fijamos obtenemos una funcion X (, ) : T R que se conoce como una trayectoria del
proceso.
En general interpretamos el parametro t como el tiempo aunque tambien se pueden considerar procesos
con ndices en espacios mas generales. En lo que estudiaremos en este curso T sera un subconjunto de R.
Los casos mas comunes seran

T discreto (Procesos a tiempo discreto): T = N, T = {0, 1, 2, . . . }, T = Z.

T continuo (Procesos a tiempo continuo): T = [0, 1], T = [0, ), T = R.

En cuanto a los valores del proceso llamaremos E al espacio de estados y consideraremos tambien dos
casos:

Valores discretos, por ejemplo E = {0, 1, 2, . . . }, E = N o E = Z

Valores continuos, por ejemplo E = [0, ), E = R, etc.

2.2. Definiciones
Hablando informalmente, un proceso de Markov es un proceso aleatorio con la propiedad de que dado
el valor actual del proceso Xt , los valores futuros Xs para s > t son independientes de los valores pasados
Xu para u < t. Es decir, que si tenemos la informacion presente del proceso, saber como llego al estado
actual no afecta las probabilidades de pasar a otro estado en el futuro. En el caso discreto la definicion
precisa es la siguiente.

Definicion 2.1 Una Cadena de Markov a tiempo discreto es una sucesion de variables aleatorias Xn ,
n 1 que toman valores en un conjunto finito o numerable E , conocido como espacio de estados, y que
satisface la siguiente propiedad

P (Xn+1 = j |X0 = i0 , . . . , Xn 1 = in 1 , Xn = in ) = P (Xn+1 = j |Xn = in ) (2.1)

para todo n y cualesquiera estados i0 , i1 , . . . , in , j en E . La propiedad (2.1) se conoce como la propiedad

de Markov.
2.2.
46 DEFINICIONES 46
CAPITULO 2. CADENAS DE MARKOV

En general, es comodo designar los estados de la cadena usando los enteros no-negativos {0, 1, 2, . . . }
y diremos que Xn esta en el estado i si Xn = i.
La probabilidad de que Xn+1 este en el estado j dado que Xn esta en el estado i es la probabilidad de
nn+1
transicion en un paso de i a j y la denotaremos P ij :

P nn+1 = P (Xn+1 = j |Xn = i) (2.2)

ij

En general, las probabilidades de transicion dependen no solo de los estados sino tambien del instante
en el cual se efectua la transicion. Cuando estas probabilidades son independientes del tiempo (o sea, de
n) decimos que la cadena tiene probabilidades de transicion estacionarias u homogeneas en el tiempo.
En este caso Pijnn+1 = Pij no depende de n y Pij es la probabilidad de que la cadena pase del estado
i al estado j en un paso. A continuacion solo consideraremos cadenas con probabilidades de transicion
estacionarias.

Podemos colocar las probabilidades de transicion en una matriz

P00 P01 P02 P03

P10 P11 P12 P13
P20 P21 P22 P23
P =
. . . .
Pi0 Pi1 Pi2 Pi3
. . . .

que sera finita o infinita segun el tamano de E . P se conoce como la matriz de transicion o la matriz
de probabilidades de transicion de la cadena. La i-esima fila de P para i = 0, 1, . . . es la distribucion
condicional de Xn+1 dado que Xn = i. Si el numero de estados es finito, digamos k entonces P es una
matriz cuadrada cuya dimension es k k. Es inmediato que

Pij = P (Xn+1 = j |Xn = i) 0, para i, j = 0, 1, 2, . . . (2.3)

X
X
Pij = P (Xn+1 = j |Xn = i) = 1, para i = 0, 1, 2, . . . (2.4)
j=0 j=0

de modo que cada fila de la matriz representa una distribucion de probabilidad. Una matriz con esta
propiedad se llama una matriz estocastica o de Markov.

Ejemplo 2.1 (Lnea telefonica)

Consideremos una lnea telefonica que puede tener dos estados, libre (0) u ocupada (1), y para simplificar
vamos a considerar su comportamiento en los intervalos de tiempo de la forma [n, n + 1). Para cualquiera
de estos perodos la probabilidad de que llegue una llamada es [0, 1]. Si una nueva llamada llega
cuando la lnea esta ocupada, esta no se registra, mientras que si la lnea esta libre, se toma la llamada y
la lnea pasa a estar ocupada. La probabilidad de que la lnea se desocupe es [0, 1]. En cada intervalo
de tiempo puede llegar una llamada o se puede desocupar la lnea, pero no ambas cosas.
Esta situacion se puede modelar por una cadena de Markov con espacio de estados E = {0, 1}. Las
probabilidades de transicion estan dadas por

P (Xn+1 = 0|Xn = 0) = 1 = P00

P (Xn+1 = 1|Xn = 0) = = P01
P (Xn+1 = 1|Xn = 1) = 1 = P11
P (Xn+1 = 0|Xn = 1) = = P10
2.2.
47 DEFINICIONES 47
CAPITULO 2. CADENAS DE MARKOV

Por lo tanto la matriz de transicion es

1
P =
1
Un caso un poco mas complicado es el siguiente. Supongamos ahora que si la linea esta ocupada y
llega una llamada, esta se guarda y permanece en espera hasta que la linea se desocupa. Pero si hay una
llamada en espera no se registran las siguientes llamadas. En cada perodo entra a lo sumo una llamada
a la cola. Cuando en un perodo se desocupa la linea, se identifica el fin del perodo con el momento
de colgar, de modo tal que despues de haber colgado ya no se registran mas llamadas en ese perodo.
Como en el ejemplo anterior [0, 1] denota la probabilidad de que llegue una llamada y [0, 1] la
probabilidad de que la linea se desocupe. Suponemos ademas que en un mismo perodo no puede ocurrir
que el telefono este ocupado con llamada en espera, cuelgue, entre la llamada que estaba en espera y
entre otra llamada en espera.
Para este caso consideramos un espacio de estados con tres elementos: 0 denota que la linea esta libre,
1 cuando la linea esta ocupada y no hay llamada en espera y 2 cuando la linea esta libre y hay una
llamada en espera. Para simplificar las expresiones vamos a usar la notacion 0 = 1 , 0 = 1 . Las
probabilidad de transicion para n N son
P (Xn+1 = 0|Xn = 0) = 0 , P (Xn+1 = 1|Xn = 0) = , P (Xn+1 = 2|Xn = 0) = 0,
0 0 0
P (Xn+1 = 0|Xn = 1) = , P (Xn+1 = 1|Xn = 1) = + , P (Xn+1 = 2|Xn = 1) = 0 , P
(Xn+1 = 0|Xn = 2) = 0, P (Xn+1 = 1|Xn = 2) = , P (Xn+1 = 2|Xn = 2) = 0 .
N
Ejemplo 2.2 (Paseo al Azar o Caminata Aleatoria)
Sean {Yi , i N} una sucesion de variables aleatorias independientes e identicamente distribuidas, definidas
sobre un espacio de probabilidad (, F ; P ) y que toman valores en los enteros E = Z; denotaremos por
pY la distribucion de Yi , es decir pY (x) = P (Yi = x), x Z. Consideremos la sucesion
n
X
Xn = Yi , n N,
i=0

y veamos que esta sucesion es una cadena de Markov con espacio de estados Z y determinemos sus
probabilidades de transicion.
Es evidente que el espacio de estados del proceso X es Z ya que la suma de dos enteros es un entero.
Para demostrar la propiedad de Markov bastara con probar que para todo n N y para cualesquiera
x0 , . . . , xn , xn+1 se tiene que
P (Xn+1 = xn+1 |Xn = xn , . . . , X0 = x0 ) = P (Xn+1 = xn+1 |Xn = xn ) (2.5)

Para ver esto comenzamos por calcular

P (Xk = xk , . . . , X1 = x1 , X0 = x0 ), x0 , x1 , . . . , xk Z y k N
Pn
Teniendo en cuenta que Xn = i=0 Yi , n N se obtiene que

P (Xk = xk , . . . , X1 = x1 , X0 = x0 ) = P (Y0 = x0 , Y1 = x1 x0 , . . . , Yk = xk xk 1 )
= pY (x0 )pY (x1 x0 ) pY (xk xk 1 ).
Usando este calculo es inmediato que
P (Xn+1 = xn+1 |Xn = xn , . . . , X0 = x0 ) = pY (xn+1 xn ).
Un calculo similar muestra que
P (Yn+1 = xn+1 xn , Xn = xn )
P (Xn+1 = xn+1 |Xn = xn ) = = pY (xn+1 xn ) (2.6)
P (Xn = xn )

y por lo tanto (2.5) se satisface. Las probabilidades de transicion estan dadas por la ecuacion (2.6). N
2.2.
48 DEFINICIONES 48
CAPITULO 2. CADENAS DE MARKOV

Una cadena de Markov esta completamente determinada si se especifican su matriz de transicion y la

distribucion de probabilidad del estado inicial X0 . Veamos esto: Sea P (X0 = x) = (xi) para i 1. Es
suficiente mostrar como se calculan las probabilidades

P (X0 = x0 , X1 = x1 , . . . , Xn = xn ) (2.7)

ya que cualquier probabilidad que involucre a Xj1 , . . . , Xjk , j1 < j2 < < jk se puede obtener usando
la Ley de la Probabilidad Total y sumando terminos como (2.7). Tenemos

P (X0 = x0 , . . . , Xn = xn ) =P (Xn = xn |X0 = x0 , . . . , Xn 1 = xn 1 )

P (X0 = x0 , . . . , Xn 1 = xn 1 ),
pero

P (Xn = xn |X0 = x0 , . . . , Xn 1 = xn 1 ) = P (Xn = xn |Xn 1 = xn 1 )

= Pxn1 xn

y sustituyendo en la ecuacion anterior

P (X0 = x0 , . . . , Xn = xn ) = Pxn 1 xn P (X0 = x0 , . . . , Xn 1 = xn 1 )

= P xn 1 xn P xn 2 xn 1 P (X0 = x0 , . . . , Xn 2 = xn 2 )

= P xn 1 xn P xn 2 xn 1
Px0 x1 (x0 ). (2.8)

Un calculo similar muestra que (2.1) es equivalente a

P (Xn+1 = y1 , . . . Xn+m = ym |X0 = x0 , . . . , Xn 1 = xn 1 , X n = x n )

= P (Xn+1 = y1 , . . . Xn+m = ym |Xn = xn ).

2.2.1. Consecuencias de la Propiedad de Markov

En esta seccion veremos algunas consecuencias de la propiedad de Markov (2.1).

Proposicion 2.1 La propiedad de Markov es equivalente a la siguiente condicion: Para todo n N y

x E , condicionalmente a Xn = x, la distribucion de Xn+1 es (Pxy , y E ) y es independiente de
X0 , . . . , Xn 1 .

Demostracion. Comenzamos por suponer cierta la propiedad de Markov. Para probar que la propiedad
de Markov implica esta propiedad basta demostrar que para todo n N y x0 , x1 , . . . , xn , xn+1 se tiene
que
P (X0 = x0 , . . . , Xn 1 = xn 1 , Xn+1 = xn+1 |Xn = xn )
(2.9)
= P (X0 = x0 , . . . , Xn 1 = xn 1 |Xn = xn ) Pxn ,xn+1 .

En efecto, el lado izquierdo de la ecuacion (2.9) se puede escribir como

P (X0 = x0 , . . . , Xn 1 = xn 1 , Xn+1 = xn+1 , Xn = xn )

LI =
P (Xn = xn )
= P (Xn+1 = xn+1 |X0 = x0 , . . . , Xn 1 = xn 1 , X n = xn )
P (X0 = x0 , . . . , Xn 1 = x n 1 , X n = xn )

P (Xn = xn )
= Pxn ,xn+1 P (X0 = x0 , . . . , Xn 1 = xn 1 , Xn+1 = xn+1 |Xn = xn ) ,
2.2.
49 DEFINICIONES 49
CAPITULO 2. CADENAS DE MARKOV

la ultima igualdad es consecuencia de la propiedad de Markov y de la homogeneidad de la cadena.

Ahora demostremos que la afirmacion en la proposicion implica la propiedad de Markov. Para ello basta
demostrar que la probabilidad
P (Xn+1 = xn+1 |X0 = x0 , . . . , Xn 1 = xn 1 , X n = xn ) ,
no depende de x0 , . . . , xn 1 . En efecto, el resultado se deduce de la siguiente serie de igualdades:

P (Xn+1 = xn+1 |Xn = xn , Xn 1 = xn 1 , . . . , X0 = x0 )

P (Xn+1 = xn+1 , Xn = xn , Xn 1 = xn 1 , . . . , X0 = x0 )
=
P (X0 = x0 , . . . , Xn 1 = xn 1 , Xn = xn )
P (Xn+1 = xn+1 , Xn 1 = xn 1 , . . . , X0 = x0 |Xn = xn )
=
P (X0 = x0 , . . . , Xn 1 = xn 1 |Xn = xn )
P (X0 = x0 , . . . , Xn 1 = xn 1 | Xn = xn ) Pxn
,xn+1
=
P (X0 = x0 , . . . , Xn 1 = xn 1 | X n = xn )
= Pxn ,xn+1 .

El siguiente resultado refuerza la idea de que el pasado no tiene ninguna influencia en el compor-
tamiento futuro de una cadena de Markov.

Proposicion 2.2 Sean X una cadena de Markov (, P ), con espacio de estados E , x, y, z E y 0 m

n 1, n, m N . Se tiene que
P (Xn+1 = y |Xn = x, Xm = z) = P (Xn+1 = y |Xn = x) = Px,y .
Demostracion. Para simplificar la notacion haremos la prueba solamente en el caso en que m = 0, la
prueba del caso general es muy similar. Usaremos el hecho que el conjunto se puede escribir como la
union disjunta de los siguientes conjuntos:
[
= { X 1 = x 1 , . . . , X n 1 = xn 1 } ,
x1 ,...,xn1 E

y en particular = {Xi E }, para calcular la probabilidad P (Xn+1 = y |Xn = x, X0 = z). Se tienen las
siguientes igualdades:
P (Xn+1 = y, Xn = x, Xn 1 E , . . . , X1 E , X0 = z)
P (Xn+1 = y |Xn = x, Xm = z) =
P (Xn = x, X0 = z)
X P (Xn+1 = y, Xn = x, Xn 1 = xn 1 , . . . , X1 = x1 , X0 = z)
=
x1 ,...,xn1 E
P (Xn = x, X0 = z)
X
= P (Xn+1 = y |Xn = x, Xn 1 = xn 1 , . . . , X1 = x1 , X0 = z)
x1 ,...,xn1 E

P (Xn = x, Xn 1 = xn 1 , . . . , X1 = x1 , X0 = z)

P (Xn = x, X0 = z)
X
= P (Xn+1 = y |Xn = x)
x1 ,...,xn1 E

P (Xn = x, Xn 1 = xn 1 , . . . , X1 = x1 , X0 = z)

P (Xn = x, X0 = z)
= P (Xn+1 = y |Xn = x)
X P (Xn = x, Xn 1 = xn 1 , . . . , X1 = x1 , X0 = z)

P (Xn = x, X0 = z)
x1 ,...,xn1 E

P (Xn = x, Xn 1 E , . . . , X1 E , X0 = z)
= P (Xn+1 = y |Xn = x)
P (Xn = x, X0 = z)
2.2.
50 DEFINICIONES 50
CAPITULO 2. CADENAS DE MARKOV

= P (Xn+1 = y |Xn = x)
= Px,y ,

para justificar estas igualdades utilizamos el hecho de que la probabilidad de la union numerable de
conjuntos disjuntos es igual a la suma de las probabilidades de dichos conjuntos y la propiedad de
Markov.

De manera analoga se puede demostrar que al condicionar con respecto a cualquier evento del pasado
la propiedad de Markov sigue siendo valida en el sentido siguiente.

Proposicion 2.3 Sean y, z E , n N y A0 , A1 , . . . , An 1 E . Se tiene que

P (Xn+1 = y |Xn = z, Xn 1 A, . . . , X0 A0 ) = P (Xn+1 = y |Xn = x).

Otra forma de probar este resultado es utilizando la forma equivalente de la propiedad de Markov que fue
enunciada en la Proposicion 2.1. En efecto, basta con darse cuenta que el lado izquierdo de la identidad
de la Proposicion 2.3 puede ser escrita como sigue
P (Xn+1 = y, Xn 1 A, . . . , X0 A0 | Xn = z)
P (Xn+1 = y |Xn = z, Xn 1 A, . . . , X0 A0 ) =
P (Xn 1 A, . . . , X0 A0 |Xn = z)

= P (Xn+1 = y |Xn = z),

donde la ultima igualdad es consecuencia de la ecuacion (2.9).

Finalmente, la idea de que una cadena es homogenea en el tiempo sera reforzada por el siguiente
resultado que la ley de la cadena observada a partir del instante m es la misma que la de aquella
observada al tiempo n = 0.

Proposicion 2.4 Sean m, k N y x0 , x1 , . . . , xm , . . . , xm+k E , se tiene que

P (Xm+1 = xm+1 , . . . , Xm+k = xm+k |Xm = xm , . . . , X0 = x0 )

= P (X1 = xm+1 , . . . , Xk = xm+k |X0 = xm )

Demostracion. Usando la ecuacion (2.8) se tiene que

P (Xm+1 = xm+1 , . . . , Xm+k = xm+k |Xm = xm , . . . , X0 = x0 )

P (Xm+1 = xm+1 , . . . , Xm+k = xm+k , Xm = xm , . . . , X0 = x0 )
=
P (Xm = xm , . . . , X0 = x0 )
Px0 ,x1 Pxm1 ,xm Pxm ,xm+1 Pxm+k1
,xm+k
=
Px0 ,x1 Pxm1 ,xm
= Pxm ,xm+1 Pxm+k1 ,xm+k
= P (X1 = xm+1 , . . . , Xk = xm+k |X0 = xm )

2.2.2. Ejemplos
Ejemplo 2.3
Sea i , i 1 v.a.i.i.d. con valores sobre los enteros positivos: P (i = j) = pj para j 0. Construiremos
varios ejemplos con base en esta sucesion.
a) El primer ejemplo es la sucesion (i ) con 0 fijo. La matriz de transicion es

p0 p 1 p 2 p3
p0 p 1 p 2 p3
P = p0 p 1 p2 p3
. . . .
2.2.
51 DEFINICIONES 51
CAPITULO 2. CADENAS DE MARKOV

El hecho de que todas las filas sea identicas refleja la independencia de las variables.
b) Sea Sn = 1 + + n , n = 1, 2, . . . y S0 = 0 por definicion. Este proceso es una cadena de Markov:

P (Sn+1 = k |S1 = i1 , . . . , Sn = in ) = P (Sn + n+1 = k |S1 = i1 , . . . , Sn = in )

= P (in + n+1 = k |S1 = i1 , . . . , Sn = in )
= P (in + n+1 = k |Sn = in )
= P (Sn+1 = k |Sn = in ).
Por otro lado tenemos

P (Sn+1 = j |Sn = i) = P (Sn + n+1 = j |Sn = i)

= P (n+1 = j i|Sn = i)
(
pj i , para j i,
=
0, para j < i,
y la matriz de transicion es
p0 p1 p2 p3
0 p0 p1 p2
P = 0 0 p0 p1
. . . .
c) Si las variables i pueden tomar valores positivos y negativos entonces las sumas Sn toman valores en
Z y la matriz de transicion es

. . . . . .

p 1 p0 p1 p2 p3 p4
P = p 2 p 1 p0 p1 p2 p3
p 3 p 2 p 1 p0 p1 p2
. . . . . .

(d) Maximos Sucesivos.

Sea Mn = max{1 , . . . , n }, para n = 1, 2, . . . con M0 = 0. El proceso Mn es una cadena de Markov y
la relacion
Mn+1 = max{Mn , n+1 }

nos permite obtener la matriz de transicion

Q0 p1 p2 p3
0 Q1 p2 p3
P = 0 0 Q2 p3
0 0 0 Q3
. . . .

donde Qk = p0 + p1 + + pk para k 0.
N

Ejemplo 2.4 (El Paseo al Azar Unidimensional)

Consideremos una sucesion de juegos de azar en los que en cada juego ganamos $1 con probabilidad
p = 0.4 y perdemos $1 con probabilidad 1 p = 0.6. Supongamos que decidimos dejar de jugar si nuestro
2.2.
52 DEFINICIONES 52
CAPITULO 2. CADENAS DE MARKOV

capital llega a N o si nos arruinamos. El capital inicial es X0 y Xn es nuestro capital al cabo de n juegos.
Sea i el resultado del i-esimo juego:
(
+1, con probabilidad p,
i =
1, con probabilidad q,
entonces
Xn = X 0 + 1 + + n
y estamos en la situacion del ejemplo anterior,

P (Xn+1 = j |Xn = i, Xn 1 = in 1 , . . . , X1 = i1 )
= P (Xn + n+1 = j |Xn = i, Xn 1 = in 1 , . . . , X1 = i1 )
= P (Xn + n+1 = j |Xn = i) = P (n+1 = j i|Xn = i)
0.4, si j = i + 1,
= P (n+1 = j i) = 0.6, si j = i 1,
0, en otro caso.

La matriz de transicion en este caso es

1 0 0 0 0 0 0
0.6 0 0.4 0 0 0 0
0 0.6 0 0.4 0 0 0
P =
. . . . . . . .
0 0 0 0 0.6 0 0.4
0 0 0 0 0 0 1

Con mayor generalidad podemos pensar que una partcula describe el paseo al azar cuyos estados son
un conjunto de enteros finito o infinito, por ejemplo a, a + 1, . . . , b 1, b. Si la partcula se encuentra en
el estado i, en una transicion puede quedarse en i o pasar a los estados i + 1 o i 1. Supongamos que las
probabilidades de transicion son estacionarias y llamemoslas r, p y q, respectivamente, con r + p + q = 1.
Hay dos casos especiales en los extremos de la cadena. Si ponemos a = 0 y b = N entonces

P (Xn = 0|Xn 1 = 0) = r0 , P (Xn = N |Xn 1 = N ) = rN ,

P (Xn = 1|Xn 1 = 0) = p0 , P (Xn = N 1|Xn 1 = N ) = qN ,
P (Xn = 1|Xn 1 = 0) = 0, P (Xn = N + 1|Xn 1 = N ) = 0,

y la matriz de transicion es
r0 p0 0 0 0 0 0
q r p 0 0 0 0
0 q r p 0 0 0
P = 0 0 q r 0 0 0
. . . . . . . .
0 0 0 0 q r p
0 0 0 0 0 qN rN

El paseo al azar simetrico corresponde al caso r = 0, p = q = 1/2 y representa una aproximacion

discreta de un Movimiento Browniano. Si p0 = 0, r0 = 1 decimos que el estado 0 es absorbente o que
0 es una barrera absorbente. Si en cambio p0 = 1, r0 = 0, al llegar al estado 0 la partcula regresa
inmediatamente al estado 1. Decimos en este caso que 0 es un estado reflector o que es una barrera
reflectora. Algo similar ocurre para el estado N . Si 0 < p0 , q0 < 1 el estado 0 es un reflector parcial o una
barrera parcialmente reflectora. N
2.2.
53 DEFINICIONES 53
CAPITULO 2. CADENAS DE MARKOV

Ejemplo 2.5 (El Modelo de Ehrenfest)

Este modelo, propuesto inicialmente por Paul y Tatiana Ehrenfest, representa una descripcion matematica
simplificada del proceso de difusion de gases o lquidos a traves de una membrana. El modelo consiste
de dos cajas A y B que contienen un total de N bolas. Seleccionamos al azar una de las N bolas y la
colocamos en la otra caja. Sea Xn el numero de bolas en la caja A despues de la n-esima transicion; Xn
es una cadena de Markov:
N i
P (Xn+1 = i + 1|Xn = i, Xn 1 = in 1 , . . . , X0 = i0 ) = N
,
ya que para aumentar el numero de bolas en A hay que escoger una de las bolas en B. Similarmente,
i
P (Xn+1 = i 1|Xn = i, Xn 1 = in 1 , . . . , X0 = i0 ) = .
N
Resumiendo, las probabilidades de transicion son

N i i
Pii+1 = , Pii 1 = .
N N

Para el caso N = 5, por ejemplo, la matriz de transicion es

0 1 0 0 0 0
1/5 0 4/5 0 0 0
0 2/5 0 3/5 0 0
P =
0 0 3/5 0 2/5 0
0 0 0 4/5 0 1/5
0 0 0 0 1 0
N

Ejemplo 2.6 (Modelo de Inventario)

Una tienda de aparatos electronicos vende un sistema de juegos de video y opera bajo el siguiente esquema:
Si al final del da el numero de unidades disponibles es 1 o 0, se ordenan nuevas unidades para llevar
el total a 5. Para simplificar supondremos que la nueva mercanca llega antes de que la tienda abra al
da siguiente. Sea Xn el numero de unidades disponibles al final del n-esimo da y supongamos que el
numero de clientes que quieren comprar un juego es 0, 1, 2, o 3 con probabilidades 0.3; 0.4; 0.2 y 0.1
respectivamente. Tenemos entonces la siguiente matrix de transicion

0 0 0.1 0.2 0.4 0.3

0 0 0.1 0.2 0.4 0.3
0.3 0.4 0.3 0 0 0
P = 0.1 0.2 0.4 0.3 0 0
0 0.1 0.2 0.4 0.3 0
0 0 0.1 0.2 0.4 0.3

Esta cadena es un ejemplo de una poltica de control de inventarios (s, S) con s = 1 y S = 5: cuando el
stock disponible cae a s o por debajo de s, se ordena suficiente mercanca para llevar el stock a S = 5.
Sea Dn la demanda en el n-esimo da. Tenemos
(
(Xn Dn+1 )+ si Xn > s,
Xn+1 = (2.10)
(S Dn+1 )+ si Xn s.

La descripcion general de este esquema de inventario es la siguiente: se tiene un inventario de cierto

producto con el fin de satisfacer la demanda. Suponemos que el inventario se repone al final de perodos
2.2.
54 DEFINICIONES 54
CAPITULO 2. CADENAS DE MARKOV

que etiquetamos n = 0, 1, 2, . . . y suponemos que la demanda total durante un perodo n es una v.a. Xn
cuya distribucion es independiente del perodo (es decir, es estacionaria):
P (Dn = k) = pk , k = 0, 1, 2, . . .
P
donde pk 0, k pk = 1.

El nivel del inventario se verifica al final de cada perodo y la poltica (s, S) de reposicion (s < S)
estipula que si el nivel de inventario no esta por encima de s, se ordena una cantidad suficiente para
llevar el inventario a S. Si, en cambio, el inventario disponible es mayor que s, no se produce una orden.
Llamemos Xn al inventario disponible al final del n-esimo perodo.
Hay dos situaciones posibles cuando la demanda excede al inventario:

1. La demanda no satisfecha se pierde.

En este caso el nivel del inventario nunca puede ser negativo y vale la relacion (2.10).

2. La demanda no satisfecha en un perodo se satisface inmediatamente despues de renovar el inven-

tario.
En este caso el nivel del inventario puede ser negativo y satisface
(
Xn Dn+1 si Xn > s,
Xn+1 =
S Dn+1 si Xn s.

La sucesion (Xn )n1 es una cadena de Markov con probabilidades de transicion

(
P (Dn+1 = i j) si s < i < S,
Pij = P (Xn+1 = j |Xn = i) =
P (Dn+1 = S j) en otro caso.

Ejemplo 2.7 (Rachas)

Realizamos una sucesion de juegos en identicas condiciones con probabilidad de exito (E) p y de fracaso
(F) q = 1 p. Decimos que ocurre una racha de longitud k en el juego n si han ocurrido k exitos sucesivos
en el instante n luego de un fracaso en el instante n k

F E E E ... E
n-k n-k+1 n-k+2 n-k+3 n

Para estudiar este proceso como una cadena de Markov definimos los siguientes estados: Si el ensayo
resulta en fracaso, el estado es 0. Si resulta en exito, el estado es el numero de exitos que han ocurrido en
sucesion. Por lo tanto, desde cualquier estado i puede haber una transicion al estado 0 (si hay un fracaso
en el proximo juego) con probabilidad p, mientras que si hay un exito la racha continua y la transicion
es de i a i + 1. La matriz de transicion es

q p 0 0 0 ...
q 0 p 0 0 ...
P = q 0 0 p 0 ...
q 0 0 0 p ...
. . . . .

N
2.3.
55 MATRICES DE TRANSICIO N CAPITULO 2. CADENAS DE MARKOV
55

Ejemplo 2.8
Sean X0 una variable aleatoria que toma valores en E , {Yn : S, n N}, una sucesion de variables
aleatorias independientes y F : E S E . En general, cualquier fenomeno descrito por una relacion en
recurrencia aleatoria de la forma

Xn+1 = F (Xn , Yn+1 ), n N,

es una cadena de Markov. Verifiquemos la propiedad de Markov

P (Xn+1 = y |X0 = x0 , . . . , Xn 1 = xn 1 , Xn = x) = P (Xn+1 = y |Xn = x)

para n N y x0 , . . . , xn 1 , x, y E . Para ello observemos que existe una sucesion de funciones deter-
ministas gn : E S n E , tal que Xn = gn (X0 , Y1 , . . . , Yn ). En efecto, estas pueden ser definidas por la
recurrencia g0 (x) = x, x E , y para z0 E y z1 , . . . , zn S

gn (z0 , z1 , . . . , zn ) = F (gn 1 (z0 , z1 , . . . , zn 1 ), zn ), n 1.

Usando esto se tiene que

P (Xn+1 = y |X0 = x0 , . . . , Xn 1 = xn 1 , Xn = x)
P (X0 = x0 , . . . , Xn 1 = xn 1 , Xn = x, Xn+1 = y)
=
P (X0 = x0 , . . . , Xn 1 = xn 1 , Xn = x)
P (X0 = x0 , g1 (x0 , Y1 ) = x1 , . . . , gn (x0 , xe1 , . . . ,xen 1 , Yn ) = x, F (x, Yn+1 ) = y)
=
P (X0 = x0 , g1 (x0 , Y1 ) = x1 , . . . , gn (x0 , ex1, . . . , e xn 1 , Yn ) = x)
P (X0 = x0 , g1 (x0 , Y1 ) = x1 , . . . , gn (x0 ,xe1 , . . . ,xen 1 , Yn ) = x)P (F (x, Yn+1 ) = y)
=
P (X0 = x0 , g1 (x0 , Y1 ) = x1 , . . . , gn (x0 , ex1, . . . , e
xn 1 , Yn ) = x)
= P (F (x, Yn+1 ) = y).

Donde e representa los valores tales que F (x , e ) = x . Por otro lado, usando la independencia se
xi i 1 xi i+1
tiene que

P (F (Xn , Yn+1 ) = y, Xn = x)
P (Xn+1 = y |Xn = x) =
P (Xn = x)
P (F (x, Yn+1 ) = y, Xn = x)
=
P (Xn = x)
P (F (x, Yn+1 ) = y)P (Xn = x)
=
P (Xn = x)
= P (F (x, Yn+1 ) = y).
N

2.3. Matrices de Transicion

Una herramienta fundamental en el estudio de las cadenas de Markov lo constituyen las matrices de
(n) (n)
transicion en n pasos: P (n) = (P ij ), donde P ij denota la probabilidad de que el proceso pase del estado
i al estado j en n pasos:
P ij = P (Xn+m = j |Xm = i).
(n)

Recordamos que estamos trabajando con procesos cuyas matrices de transicion son estacionarias.

Teorema 2.1 (Ecuaciones de Chapman-Kolmogorov) Si P = (Pij ) es la matriz de transicion (en

un paso) de una cadena de Markov, entonces
(n)
X (r) (s)
Pij = Pik Pkj (2.11)
k
2.3.
56 MATRICES DE TRANSICIO N CAPITULO 2. CADENAS DE MARKOV
56

para cualquier par fijo de enteros no-negativos r y s que satisfagan r + s = n, donde definimos
(
(0) 1, i = j,
Pij =
0, i = j

Demostracion.
(n)
Para calcular P ij hacemos una particion segun los valores posibles de la cadena en el instante r:
(n)
Pij = P (Xn = j |X0 = i)
X
= P (Xn = j, Xr = k |X0 = i)
k
X P (Xn = j, Xr = k, X0 = i)
=
k
P (X0 = i)
X P (Xn = j, Xr = k, X0 = i) P (Xr = k, X0 = i)
=
P (Xr = k, X0 = i) P (X0 = i)
k

X
= P (Xn = j |Xr = k, X0 = i)P (Xr = k |X0 = i)
k
X
= P (Xn = j |Xr = k)P (Xr = k |X0 = i)
k
X (r) (s)
= P Pkj .
ik
k

Observamos que la relacion (2.11) representa la multiplicacion de las matrices P (r) y P (s) , de modo
que P (n) es simplemente la n-esima potencia de P . Por esta razon eliminamos de ahora en adelante los
parentesis en la notacion del exponente.
Si la probabilidad de que el proceso este inicialmente en j es (j):

P (X0 = j) = (j)

entonces la probabilidad de que el proceso este en el estado k en el instante n es

(n)
X
P (Xn = k) = P k = (j)P jk
n
.
j

Notacion. Pi (A) = P (A|X0 = i) y Ei [] = E[|X0 = i].

En general no es sencillo calcular las matrices de transicion a n pasos. En el proximo ejemplo presen-
tamos un caso particular en el cual esto se puede hacer explcitamente.

Ejemplo 2.9 (Cadena con dos Estados)

Consideremos una cadena con dos estados, 0 y 1, y matriz de transicion

1
P =
1

Si = 1 las filas coinciden y se trata de v.a.i.i.d. con P (Xn = 0) = , P (Xn = 1) = .

Para una cadena de estas dimensiones podemos calcular explcitamente la matriz de transicion en n
pasos: n
1 (1 )
Pn= + (2.12)

+ +
2.3.
57 MATRICES DE TRANSICIO N CAPITULO 2. CADENAS DE MARKOV
57

Usando la notacion

A = B =

tenemos

1
Pn = (A + (1 )n B).
+
Comenzamos por calcular los siguientes productos

1
AP = =A
1

1
BP =

1

= 2 + 2 +
+ + 2 2
= (1 )B

Demostraremos (2.12) por induccion. Para n = 1 tenemos

1 (1 )
+
+ +

1 + (1 ) (1 )
=
+ (1 ) + (1 )

1 + 2 2 +
= =P
+ + 2 + 2

Para completar la prueba por induccion supongamos cierta la formula para n, entonces

1
P nP = (A + (1 )n B)P
+
1
= (A + (1 + + )n+1 B) = P n+1
+

Observamos que |1 | < 1 cuando 0 < , < 1 y, por lo tanto (1 )n 0 cuando n y

!

lim P n = + +

n + +

N
En otros casos podemos utilizar el siguiente resultado de algebra lineal, que enunciamos sin de-
mostracion.

Teorema 2.2 Sea A una matriz de transicion de n n con n valores propios distintos 1 , 2 , . . . , n .
Sean v1 , v2 , . . . , vn vectores columna de Rn tales que vi es un vector propio correspondiente a i para
i = 1, 2, . . . , n. Sea C la matriz n n que tiene a vi como i-esimo vector columna. Entonces C es
invertible y C 1 AC = D, con D la matriz cuyas entradas estan dadas por di,i = i y di,j = 0 si i = j,
i, j {1, 2, . . . , n}. Ademas, la k-esima potencia de A, esta dada por
2.3.
58 MATRICES DE TRANSICIO N A(k) = C D (k)
CAPC 1ITULO
, 2. CADENAS DE MARKOV
58
= dk para i, j {1, 2, . . . , n}.
(k)
y las entradas de D (k) estan dadas por d
i,j i,j
2.3.
59 MATRICES DE TRANSICIO N CAPITULO 2. CADENAS DE MARKOV
59

Para cualquier vector x Rn se tiene que

A(k) x = r1 1 v1 + r2 2 v2 + + rn n vn ,

donde (ri , i {1, . . . , n}) estan dados por

C 1 x = (r1 , r2 , . . . , rn )t
Ejemplo 2.10
Sea X = {Xn , n 0} una cadena con matriz de transicion
0 1 0
P = 0 1/2 1/2 .
1/2 0 1/2
El objetivo de este ejercicio es encontrar la forma general de la entrada (1, 1) de la matriz P (n) , es decir
(n)
P1,1 , para toda n 0. Usando el teorema 2.2 calculemos la ecuacion caracterstica de P.

0 = det{P xI }

= x(1/2 x)2 + 1/4

= ( 1)(x/4 x2 + x3 1/4)

= ( 1)(x 1)(x2 + 1/4)

= ( 1)(x 1)(x i/2)(x + i/2).

Los valores propios de P son todos distintos 1 = 1, 2 = i/2, 3 = i/2. Se tiene entonces que:
1 0 0 1 0 0
P =C 0 i/2 0 C 1 y Pn = C 0 (i/2)n 0 C 1 ,
0 0 i/2 0 0 ( i/2)n

y por lo tanto que para algunos a, b, c numeros complejos

(n)
P 11 = a + b(i/2)n + c( i/2)n .

Recordemos que i = ei/2 y

n n n
i in/2 1
1
= e = cos(n/2) i sin(n/2).
2 2 2

(n)
Usando esto podemos escribir a P 11 como
n n
1 1
(n)
P
11 = + cos(n/2) +
2 2
sin(n/2), n 0.

donde = a, = b + c, = i(b c). Para terminar determinemos a , , , (los cuales seran a fortiori
(n)
numeros reales dado que P 11 es un numero real). Basta con resolver el siguiente sistema de ecuaciones:
(0)
1 = P 11 = +
(1) 1
0 = P 11 = +
2
(2) 1
0 = P 11 = ,
4
para ver que = 1/5, = 4/5, = 2/5. De donde vemos que
2.3.
60 N
MATRICES DE TRANSICIO ITULO 2. CADENAS DE MARKOV
CAP 60
(n) 1 4 1 n 2 1 n
P cos(n/2) sin(n/2), n 0.
11 = +
5 5 2 5 2

El mismo metodo puede ser empleado para calcular el resto de las entradas de la matriz P (n) . N
2.4.
59 CLASIFICACIO N DE LOS ESTADOS CAPITULO 2. CADENAS DE MARKOV
59

2.4. Clasificacion de los Estados

Definicion 2.2 Sea E el espacio de estados de una cadena de Markov y A E . El tiempo de llegada a
A se define como
TA = min{n 1 : Xn A} (2.13)
si Xn A para algun n y TA = si Xn / A para todo n > 0. Es decir, es el primer instante luego del
inicio de la cadena, en el que la cadena visita al conjunto A. Si A = {a} para algun a E escribimos Ta .
Una relacion importante asociada a los tiempos de llegada es la siguiente:
X
n
n m
Pijn = Pi (Tj = m)Pjj , n 1. (2.14)
m=1

Observamos que
Pi (Tj = 1) = Pi (X1 = j) = Pij
y ademas X X
Pi (Tj = 2) = Pi (X1 = k, X2 = j) = Pik Pkj .
k=j k=j

Para valores mayores de n tenemos

X
Pi (Tj = n + 1) = Pik Pk (Tj = n), n 1. (2.15)
k=j
Definicion 2.3 Definimos
ij = Pi (Tj < ) = P (Tj < |X0 = i), (2.16)
la probabilidad de que una cadena que comienza en i visite el estado j. En particular, jj es la probabilidad
de que una cadena que comienza en j, regrese a j.
Observamos que

X
ij = Pi (Tj < ) = Pi (Tj = m). (2.17)
m=1

Definicion 2.4 Decimos que un estado j es recurrente si jj = 1 y transitorio si jj < 1.

Si j es recurrente, y la cadena comienza en j, entonces regresa a j con probabilidad 1. Si, en cambio,

j es transitorio, hay una probabilidad positiva e igual a 1 jj de que si la cadena comienza en j, nunca
regrese a ese estado. Si j es un estado absorbente, Pj (Tj = 1) = 1 y por lo tanto jj = 1, de modo que
un estado absorbente es necesariamente recurrente.
Ejemplo 2.11 (Paseo al Azar con N=4)
La matriz de transicion es
1 0 0 0 0
0.6 0 0.4 0 0
P = 0 0.6 0 0.4 0
0 0 0.6 0 0.4

0 0 0 0 1
Los estados 0 y 4 son absorbentes, y por lo tanto son recurrentes. Veamos que los otros estados, 1, 2 y 3,
son transitorios.
Si estamos en 1 y la cadena pasa a 0, nunca regresara a 1, de modo que la probabilidad de nunca
regresar a 1 es
P1 (T1 = ) = P (T1 = |X0 = 1) P10 = 0.6 > 0.
2.4.
60 CLASIFICACIO N DE LOS ESTADOS CAPITULO 2. CADENAS DE MARKOV
60

De manera similar, comenzando en 2, la cadena puede ir a 1 y luego a 0, de modo que

P2 (T2 = ) = P (T2 = |X0 = 2) P21 P10 = 0.36 > 0.

Finalmente, si comenzamos en 3 observamos que la cadena puede ir inmediatamente a 4 y no regresar

nunca con probabilidad 0.4:

P3 (T3 = ) = P (T3 = |X0 = 3) P34 = 0.4 > 0.

N
Sea 1j (x) la funcion indicadora del estado j, definida por
(
1, si x = j,
1j (x) =
0, si x = j.

Sea N (j) el numero de veces que la cadena visita el estado j:

X
N (j) = 1j (Xn ). (2.18)
n=1

Como el evento {N (j) 1} equivale al evento {Tj < }, tenemos que

Pi (N (j) 1) = Pi (Tj < ) = ij . (2.19)

Proposicion 2.5 La probabilidad de que una cadena que comienza en i visite el estado j por primera
vez en el instante m y que la proxima visita ocurra n unidades de tiempo despues es

Pi (Tj = m)Pj (Tj = n) (2.20)

Demostracion. Tenemos

P (Xn+m = j, Xn+m 1 = j, . . . , Xm+1 = j, Xm = j, Xm 1 = j, . . . X1 = j |X0 = i)

= P (Xn+m = j, Xn+m 1 = j, . . . , Xm+1 = j |Xm = j, Xm 1 = j, . . . X1 = j, X0 = i)
P (Xm = j, Xm 1 = j, . . . X1 = j, |X0 = i)
= P (Xn+m = j, Xn+m 1 = j, . . . , Xm+1 = j |Xm = j)P (Xm = j, Xm 1 = j, . . . X1 = j |X0 = i)
= Pj (Tj = n)Pi (Tj = m).

Por lo tanto usando (2.20)y (2.17)
X
X
Pi (N (j) 2) = Pi (Tj = m)Pj (Tj = n)
m=1 n=1

X
X
= Pi (Tj = m) Pj (Tj = n)
m=1 n=1
= ij jj .

De manera similar se demuestra que

Pi (N (j) m) = ij m 1
jj , m 1. (2.21)
Como
Pi (N (j) = m) = Pi (N (j) m) Pi (N (j) m + 1)
2.4.
61 CLASIFICACIO N DE LOS ESTADOS CAPITULO 2. CADENAS DE MARKOV
61

obtenemos que
Pi (N (j) = m) = ij m
jj
1
(1 jj ), m 1, (2.22)
y ademas
Pi (N (j) = 0) = 1 Pi (N (j) 1) = 1 ij . (2.23)

Recordemos que la notacion Ei [X ] indica la esperanza de la variable aleatoria X dado que la cadena
de Markov comienza en i. Entonces
(n)
Ei [1j (X (n))] = Pi (Xn = j) = P ij . (2.24)

Obtenemos a partir de (2.18) y (2.24) que

X
X X (n)
Ei [N (j)] = Ei [ 1j (Xn )] = Ei [1j (Xn )] = P ij .
n=1 n=1 n=1

En la expresion anterior podemos intercambiar la esperanza y la serie usando el Teorema de Tonelli ya

que los sumandos son todos no-negativos. Llamemos

X (n)
G(i, j) = Ei [N (j)] = P ij , (2.25)
n=1

G(i, j) denota el valor esperado del numero de visitas a j de una cadena de Markov que comienza en i.

Teorema 2.3 a) Sea j un estado transitorio, entonces Pi (N (j) < ) = 1 y

ij
G(i, j) = , i E, (2.26)
1 jj

que es finita para todo i E .

b) Sea j un estado recurrente, entonces Pj (N (j) = ) = 1 y G(j, j) = . Ademas

Pi (N (j) = ) = Pi (Tj < ) = ij , i E. (2.27)

Si ij = 0 entonces G(i, j) = 0 mientras que si ij > 0, G(i, j) = .

Demostracion. a) Sea j un estado transitorio, como 0 jj < 1, sigue de (2.21) que

Pi (N (j) = ) = lim Pi (N (j) m) = lim ij jj

m 1
= 0.
m m

Usando ahora (2.22)

X X 1
G(i, j) = Ei [N (j)] = mPi (N (j) = m) = mij m
jj (1 jj ).
m=1 m=1

Por otro lado, podemos sumar la siguiente serie de potencias

X 1
mtm 1 = , para |t| < 1,
(1 t)2
m=1

y usando este resultado obtenemos que

ij (1 jj ) ij
G(i, j) = = < .
(1 jj ) 2 1 jj
2.4.
62 CLASIFICACIO N DE LOS ESTADOS CAPITULO 2. CADENAS DE MARKOV
62

b) Supongamos que j es recurrente, entonces jj = 1 y de (2.21) sigue que

Pi (N (j) = ) = lim Pi (N (j) m) = lim ij = ij
m m

y en particular, Pj (N (j) = ) = 1. Si una v.a. no negativa tiene probabilidad positiva de ser infinita, su
valor esperado es infinito. Por lo tanto

G(j, j) = Ej [N (j)] =

Si ij = 0 entonces Pi (Tj = m) = 0 para todo m N y por (2.14) obtenemos que P nij = 0, n 1. Por
lo tanto G(i, j) = 0 en este caso. Si ij > 0 entonces Pi (N (j) = ) = ij > 0 y en consecuencia

G(i, j) = Ei [N (j)] = .

Observacion 2.1
P
1. Sea j un estado transitorio, como n=1 P ijn = G(i, j) < , i E , vemos que

lim Pij(n) = 0,
n
i E. (2.28)

2. Una cadena de Markov con espacio de estados finito debe tener al menos un estado recurrente: Si
E es finito y todos los estados son transitorios, por (2.28),
X X (n)
= lim Pi (Xn E ) = 1,
(n)
0= lim P = lim P

n ij
n
ij
n
j E j E

lo cual es una contradiccion.

2.5. Descomposicion del Espacio de Estados

Decimos que desde el estado i se llega o se accede al estado j si Pij > 0 para algun n 0. Es facil ver
(n)

que esto es cierto para i = j s y solo s ij > 0. Por lo tanto desde i se accede a j si hay una probabilidad
positiva de que en un numero finito de pasos, se pueda llegar al estado j partiendo del estado i. Notacion:
i j.
Si i j y j i decimos que los estados se comunican y escribimos i j. Si dos estados no se
n 0, o bien P ji = 0, n 0, o ambos. Esta es una relacion de
(n) (n)
comunican, o bien P ij = 0,

equivalencia:

a) i i : P ij = ij .
(0)

b) i j j i

c) Si i j y j k entonces i k.

i j n t. q. P j i m t. q. P
(n) (m)
ij > 0, j > 0,
y usando ahora las ecuaciones de Chapman-Kolmogorov
X (n) (m)
Pir Prk Pij Pjk > 0.
(n+m) (n) (m)
Pik =
r

(s)
Un argumento similar muestra que existe s tal que P ki > 0.
2.5.
63 DESCOMPOSICIO N DEL ESPACIO DE CAP
ESTADOS
ITULO 2. CADENAS DE MARKOV
63

Esta relacion de equivalencia divide el espacio de estados E en clases de equivalencia que tambien
llamaremos clases de comunicacion. Los estados de una clase de equivalencia son aquellos que se comunican
entre s.
Puede ocurrir que partiendo de una clase de equivalencia, la cadena entre en otra. Si esto ocurre,
claramente la cadena no puede regresar a la clase inicial, pues si lo hiciera las dos clases se comunicaran
y formaran una sola clase.

Definicion 2.5 Decimos que la cadena es irreducible si hay una sola clase de equivalencia, es decir, si
todos los estados se comunican entre s.

Teorema 2.4 (a) Si i j pero j 9 i entonces i es transitorio.

(b) Si i es recurrente e i j entonces j es recurrente y ij = ji = 1.

Demostracion. Supongamos que i j y sea

= min{k : P ij > 0}
(k)
(2.29)

()
el menor numero de pasos necesarios para ir de i a j. Como P ij > 0 existe una sucesion de estados
j1 , j2 , . . . , j 1 tal que
Pij1 Pj1 j2 Pj1 j > 0

Como es el mnimo, todos los jr = i, 1 r < , pues en caso contrario habra una sucesion mas corta,
y tenemos
Pi (Ti = ) Pij1 Pj1 j2 Pj1 j (1 ji ).

Si j 9 i tenemos ji = 0 y por lo tanto Pi (Ti = ) > 0, es decir ii = Pi (Ti < ) < 1, lo que implica
que i es transitorio. Esto demuestra (a).
Supongamos ahora que i es recurrente, entonces el lado izquierdo es 0, de modo que si ji < 1
tendramos una contradiccion. Por lo tanto ji = 1 y j i. Para completar la demostracion de (b) falta
ver que j es recurrente y que ij = 1.
(N )
Como ji = 1 existe un entero positivo N tal que P ji > 0 y tenemos

(N +n+)
P jj = Pj (XN +n+ = j)
Pj (XN = i, XN +n = i, XN +m+ = j)
(N ) (n) ()
=P Pii Pij .
ji

Por lo tanto

X
X
G(j, j) = Pjj
(m)
(m)
Pjj
m=1 m=N +n+

X (N +n+) (N ) ()
X (n)
= P
jj Pji Pij Pii
n=1 n=1
(N ) ()
=P
ji Pij G(i, i) =

y vemos que j tambien es recurrente.

Ahora, como j es recurrente y j i, por lo que hemos demostrado vemos que ij = 1.

Corolario 2.1 Sea C una clase de comunicacion. Entonces todos los elementos de C son recurrentes o
todos son transitorios.
2.5.
64 DESCOMPOSICIO N DEL ESPACIO DE CAP
ESTADOS
ITULO 2. CADENAS DE MARKOV
64

Ejemplo 2.12
Consideremos una cadena con matriz de transicion

0.3 0.7 0
P = 0.2 0.4 0.4
0.1 0.6 0.3
Veamos que todos los estados son recurrentes. En primer lugar observemos que no importa en cual estado
estemos, siempre hay una probabilidad positiva de ir al estado 1 en el paso siguiente. Esta probabilidad
es de, al menos, 0.1 y en consecuencia la probabilidad de no visitar el estado 1 en el paso siguiente es, a
lo sumo, 0.9. En consecuencia, la probabilidad de no visitar el estado 1 en los proximos n pasos es, a lo
sumo, (0.9)n y obtenemos

P1 (T1 > n) = P (T1 > n|X0 = 1) (0.9)n 0, (n ).

Por lo tanto

P1 (T1 < ) = P1 (
n=1 {T1 = n}) = 1 P1 (( n=1 {T1 = n}) )
c

= 1 P1 (n=1 {T1 = n}c )
k c
= 1 lim P1 (n=1 {T1 = n} )
k
= 1 lim P1 (T1 > k) = 1.
k

Un argumento similar funciona para el estado 2, solo que ahora la probabilidad de hacer una transicion
desde cualquier estado al 2 es, al menos, 0.4.
Este argumento no funciona para el estado 3 ya que P13 = 0. Sin embargo, si efectuamos el producto
de P por si misma, P 2 , obtenemos las probabilidades de transicion a dos pasos:

0.23 0.49 0.28

P2 = 0.18 0.54 0.28
0.18 0.49 0.33
y vemos que para cualquier j, la probabilidad de pasar de j a 3 en dos pasos es mayor o igual a 0.28:

Pj (T3 = 2) = P (Xn+2 = 3|Xn = j) 0.28.

Si consideramos la cadena en los instantes pares 2, 4, . . . , 2k, . . . obtenemos que la probabilidad de no

visitar el estado 3 antes del instante 2k es

P3 (T3 > 2k) (0.72)k 0 (k )

de modo que el estado 3 tambien es recurrente. N

Ejemplo 2.13
Consideremos una cadena de Markov con E = {1, 2, 3, 4, 5, 6, 7} y la siguiente matriz de transicion

0.3 0 0 0 0.7 0 0
0.1 0.2 0.3 0.4 0 0 0
0 0 0.5 0.5 0 0 0
0 0 0 0.5 0 0.5 0
0.6 0 0 0 0.4 0 0
0 0 0 0 0 0.2 0.8
0 0 0 1 0 0 0
Las transiciones posibles entre estados diferentes se presentan en la figura 2.1. Una grafica de este tipo
se conoce como la grafica de transiciones de la cadena.
2.5.
65 DESCOMPOSICIO N DEL ESPACIO DE CAP
ESTADOS
ITULO 2. CADENAS DE MARKOV
65

1 2 4 6






5 3 7

Figura 2.1

Observamos que 2 4 pero 4 9 2 y algo similar ocurre con 3, de modo que 2 y 3 son estados
transitorios. El resto de los estados se separan en dos clases de equivalencia, {1, 5} y {4, 6, 7}. Veremos
luego que ambas son recurrentes. N

Definicion 2.6 Un conjunto no vaco C E es cerrado si desde ningun estado de C se se tiene acceso a
ningun estado fuera de C , es decir,

ij = 0 si i C, j
/ C.

Equivalentemente, C es cerrado s y solo s

i C, j
/ C y n 1.
n
P ij = 0,

Si C es cerrado y la cadena comienza en C entonces, con probabilidad 1 se queda en C todo el tiempo.

Si a es un estado absorbente entonces {a} es cerrado.

Definicion 2.7 Un conjunto cerrado es irreducible si todos sus estados se comunican.

Ejemplo 2.14
En el ejemplo 2.13 los conjuntos {1, 5}, {1, 4, 5, 6, 7} y {1, 3, 4, 5, 6, 7} son cerrados, pero solo el primero es
irreducible.

De los resultados anteriores vemos que si C es cerrado e irreducible entonces todos los estados de C
son recurrentes o todos son transitorios. El siguiente resultado es consecuencia del teorema 2.4.

Corolario 2.2 Sea C un conjunto cerrado e irreducible de estados recurrentes. Entonces ij = 1, Pi (N (j) =
) = 1 y G(i, j) = para cualesquiera i, j C .

Una cadena de Markov irreducible es una cadena en la cual cada estado se comunica consigo mismo
y con cualquier otro estado. Una cadena de este tipo es necesariamente transitoria o recurrente.
Vimos anteriormente que si E es finito, tiene al menos un estado recurrente. El mismo argumento
muestra que cualquier conjunto cerrado finito C tiene al menos un estado recurrente. Por lo tanto, todos
los estados de C lo son:

Teorema 2.5 Sea C un conjunto finito, irreducible y cerrado. Entonces todos los estados de C son
recurrentes.

Consideremos una cadena de Markov con espacio de estados finito. Por el teorema 2.5 si la cadena es
irreducible entonces debe ser recurrente. Si la cadena no es irreducible, podemos usar el teorema 2.4 para
determinar cuales estados son recurrentes y cuales transitorios.
2.5.
66 DESCOMPOSICIO N DEL ESPACIO DE CAP
ESTADOS
ITULO 2. CADENAS DE MARKOV
66

Ejemplo 2.15
Determine cuales estados son recurrentes y cuales transitorios para la cadena de Markov con la siguiente
matriz de transicion.
1 0 0 0 0 0
1/4 1/2 1/4 0 0 0
0 1/5 2/5 1/5 0 1/5
0 0 0 1/6 1/3 1/2
0 0 0 1/2 0 1/2
0 0 0 1/4 0 3/4

La siguiente grafica presenta las transiciones posibles (en un paso) entre estados diferentes para esta
cadena

3




0 1 2 4


5

Figura 2.2

Vemos que hay tres clases de equivalencia {0}; {1, 2} y {3, 4, 5}. La primera clase es recurrente porque
0 es un estado absorbente. La clase {1, 2} es transitoria porque es posible salir de ella y no regresar nunca,
por ejemplo, pasando de 1 a 0. Finalmente, la tercera clase es recurrente. N

Llamemos ET a la coleccion de los estados transitorios de E y ER a la coleccion de estados recurrentes.

En el ejemplo anterior ET = {1, 2} y ER = {0, 3, 4, 5}. Esta ultima clase puede descomponerse en dos
conjuntos cerrados irreducibles, C1 = {0} y C2 = {3, 4, 5}.

Teorema 2.6 Supongamos que el conjunto ER de estados recurrentes no es vaco. Entonces es la union
de una coleccion finita o numerable de conjuntos cerrados, disjuntos e irreducibles C1 , C2 , . . . .

Demostracion. Escogemos i ER y sea C el conjunto de todos los estados j ER tales que i j. Como
i es recurrente, ii = 1 y por lo tanto i C . Veamos ahora que C es un conjunto cerrado e irreducible.
Supongamos que j C y j k. Como j es recurrente, por el teorema 2.4 sabemos que k tambien es
recurrente. Por transitividad i k y por lo tanto k C . Esto muestra que C es cerrado.
Supongamos ahora que j y k estan en C . Como i es recurrente y i j, por el teorema 2.4 vemos que
j i. Como j i k vemos que j k, de modo que C es irreducible.
Para completar la demostracion necesitamos ver que si C y D son dos conjuntos cerrados irreducibles
de ER , o bien son disjuntos o bien son identicos. Supongamos que no son disjuntos y sea i C D.
Escojamos j C entonces i j porque i C y C es irreducible. Como D es cerrado, i D, i j
entonces j D. Por lo tanto, todo estado de C tambien esta en D. El recproco tambien es cierto, de
modo que C y D son identicos.

2.6. Estudio de las Transiciones Iniciales

Comenzamos esta seccion con un ejemplo para presentar las ideas basicas de esta tecnica.
2.6.
67 ESTUDIO DE LAS TRANSICIONES INICIALES 67
CAPITULO 2. CADENAS DE MARKOV

Ejemplo 2.16
Consideremos la cadena de Markov con la siguiente matriz de transicion

1 0 0

0 0 1
con > 0, > 0, > 0, + + = 1. Si la cadena comienza en 1, permanece en este estado por un
tiempo aleatorio y luego pasa al estado 0 o al estado 2, donde se queda para siempre. Nos hacemos las
siguientes preguntas:
1. En cual de los dos estados, 0 o 2, se queda la cadena?
2. Cuanto tiempo toma, en promedio, alcanzar uno de estos estados?
Sea A = {0, 2} el conjunto de los estados absorbentes y llamemos HA el tiempo que transcurre hasta
que la cadena es absorbida por 0 o por 2:

HA = min{n 0 : Xn = 0 o Xn = 2}.

La diferencia entre HA y TA , que definimos anteriormente esta en que H incluye al estado inicial.
Para responder las preguntas anteriores debemos hallar

u = P (XHA = 0|X0 = 1),

= E[HA |X0 = 1].

Para hacer el analisis de la primera transicion consideramos por separado lo que puede ocurrir en el
primer paso:
X1 = 0, X1 = 1 o X1 = 2,
con probabilidades respectivas , y . Consideremos u,
Si X1 = 0 entonces HA = 1 y XHA = 0. Esto ocurre con probabilidad .
Si X1 = 2 entonces HA = 1 y XHA = 2. Esto ocurre con probabilidad .
Si X1 = 1, el problema se repite y esto ocurre con probabilidad .
Tenemos, por lo tanto,

P (XHA = 0|X1 = 0) = 1; P (XHA = 0|X1 = 2) = 0; P (XHA = 0|X1 = 1) = u,

en consecuencia

u = P (XHA = 0|X0 = 1)
2
X
= P (XHA = 0|X0 = 1, X1 = k)P (X1 = k |X0 = 1)

k=0
X2
= P (XHA = 0|X1 = k)P (X1 = k |X0 = 1)

k=0

= 1 + u + 0 = + u
y obtenemos

u= =
1 +

que es la probabilidad condicional de ir a 0 dado que el proceso comienza en 1 y termina en A.

Regresemos a la determinacion del tiempo medio hasta absorcion HA 1. Si X1 = 0 o X1 = 2, no
hacen falta mas pasos. Si, en cambio, X1 = 1, el proceso se encuentra en la misma situacion del comienzo
y necesita en promedio, = E[HA |X0 = 1] pasos adicionales para ser absorbido. Tenemos entonces

= 1 + 0 + + 0 = 1 +
2.6.
68 ESTUDIO DE LAS TRANSICIONES INICIALES 68
CAPITULO 2. CADENAS DE MARKOV

de donde
1
= .
1
En el ejemplo que estamos estudiando es posible hacer un calculo directo. Observemos que

P (HA > k |X0 = 1) = k para k = 0, 1, . . .

y por lo tanto

X 1
E[HA |X0 = 1] = P (HA > k |X0 = 1) = .
k=0
1
N

Observacion 2.2 Para calcular el valor esperado hemos usado la relacion

X
E[X ] = P (X > k)
k=0

que puede demostrarse como sigue,

X
E[X ] = kpk
k0

= p1 + 2p2 + 3p3 + 4p4 +

= p1 + p2 + p3 + p4 +
+ p2 + p3 + p4 +
+ p3 + p4 +
+ p4 +

.
= P (X 1) + P (X 2) + P (X 3) +

X X
= P (X k) = P (X > k).
k=1 k=0

Ejemplo 2.17
Consideremos ahora una cadena con 4 estados y matriz de transicion

1 0 0 0
P10 P11 P12 P13
P = P20 P21 P22 P23
0 0 0 1

Vemos que 0 y 3 son absorbentes mientras que 1 y 2 son transitorios. La probabilidad de que la cadena
sea absorbida en el estado 0, por ejemplo, depende ahora del estado transitorio en el cual comenzo la
cadena.
Modificamos las definiciones del ejemplo anterior de la siguiente manera

HA = min{n 0 : Xn = 0 o Xn = 3}
ui = P (XHA = 0|X0 = i) i = 1, 2,
i = E[HA |X0 = i], i = 1, 2.

Podemos extender las definiciones de ui y i poniendo u0 = 1, u3 = 0, 0 = 3 = 0.

2.6.
69 ESTUDIO DE LAS TRANSICIONES INICIALES 69
CAPITULO 2. CADENAS DE MARKOV

Para el analisis de la primera transicion tenemos que considerar los dos posibles estados iniciales
X0 = 1 y X0 = 2 separadamente. Si X0 = 1, en el primer paso podemos tener

u1 = P (XHA = 0|X0 = 1)
3
X
= P (XHA = 0|X0 = 1, X1 = k)P (X1 = k |X0 = 1)
k=0
X3
= P (XHA
= 0|X1 = k)P (X1 = k |X0 = 1)
k=0

= P10 + u1 P11 + u2 P12 .

De manera similar
u2 = P20 + u1 P21 + u2 P22
y hay que resolver este sistema de ecuaciones. Veamos un ejemplo concreto, supongamos que
1 0 0 0
0.4 0.3 0.2 0.1
P =
0.1 0.3 0.3 0.3
0 0 0 1
Las ecuaciones son

u1 = 0.4 + 0.3u1 + 0.2u2
u2 = 0.1 + 0.3u1 + 0.3u2
con soluciones
30 19
u1 =
, u2 = .
43 43
As, si comenzamos en 2 hay probabilidad 19/43 de ser absorbido por 0 y 1-19/43=24/43 de ser absorbido
por 3.
El tiempo promedio hasta la absorcion tambien depende del estado de inicio. Las ecuaciones son

1 = 1 + P11 1 + P12 2
2 = 1 + P21 1 + P22 2
En el ejemplo concreto que estudiamos tenemos

1 = 1 + 0.31 + 0.22
2 = 1 + 0.31 + 0.32
con soluciones 1 = 90/43 y 2 = 100/43. N

En general sea C un conjunto cerrado e irreducible de estados recurrentes y sea

C (i) = Pi (HC < )

la probabilidad de que una cadena de Markov que comienza en i llegue en algun momento a C . Decimos
que C (i) es la probabilidad de que una cadena que comienza en i sea absorbida por el conjunto C .
Es claro que C (i) = 1 si i C y C (i) = 0 si i es recurrente y no esta en C . Queremos calcular esta
probabilidad cuando i es un estado transitorio.
Si solo hay un numero finito de estados transitorios, y en particular si E es finito, siempre es posible
calcular C (i), i ET , resolviendo un sistema de ecuaciones lineales con tantas ecuaciones como incogni-
tas. Observemos que si i ET , la cadena que comienza en i puede entrar a C solo si entra en el instante
1 o si permanece en ET en 1 y entra a C en algun instante futuro:
X X
C (i) = Pij + Pik C (k), i ET .
j C kET
2.6.
70 ESTUDIO DE LAS TRANSICIONES INICIALES 70
CAPITULO 2. CADENAS DE MARKOV

Teorema 2.7 Supongamos que el conjunto de estados transitorios ET es finito y sea C un conjunto
cerrado e irreducible de estados recurrentes. Entonces el sistema de ecuaciones
X X
f (i) = Pij + Pij f (j), i ET , (2.30)
j C j ET

tiene una unica solucion f (i) = C (i), i ET .

Demostracion
Si (2.30) vale entonces
X X
f (j) = Pjk + Pjk f (k), j ET . (2.31)
kC kET

Sustituyendo (2.31) en (2.30) obtenemos

X X X X X
f (i) = Pij + Pij Pjk + Pij Pjk f (k).

j C j ET kC j ET kET

La suma de los dos primeros terminos es Pi (HC 2) y el tercero es

X (2)
P X (2)
ik f (k) = Pij f (j),
kET j ET

de modo que
X
f (i) = Pi (HC 2) +
(2)
P ij f (j).
j ET

Repitiendo este argumento concluimos que para todo n,

X (n)
f (i) = Pi (HC n) + P ij f (j), i ET . (2.32)
j ET

Como los estados j ET son transitorios,

lim Pij(n) = 0,
n
i E , j ET . (2.33)

Por hipotesis, ET es finito y por lo tanto de (2.33) se sigue que la suma de (2.32) tiende a 0 cuando
n . En consecuencia, para i ET
f (i) = lim Pi (HC n) = Pi (HC < ) = C (i).
n

2.7. Paseo al Azar

Consideramos de nuevo la situacion del ejemplo 2.4. Tenemos una sucesion i , i 1 de v.a.i.i.d.
Pnque
toman valor 1 con probabilidad p y valor 1 con probabilidad q = 1 p y ponemos Sn = S0 + 1 i .
Sn es un paseo al azar simple. Vamos a estudiar en esta seccion algunas propiedades importantes de este
proceso.

Lema 2.1 Un paseo al azar simple tiene las siguientes propiedades

Propiedad de Markov
2.6.
72 ESTUDIO DE LAS TRANSICIONES INICIALES 72
CAPITULO 2. CADENAS DE MARKOV
P (Sn+m = j |S0 , S1 , . . . , Sn ) = P (Sn+m = j |Sn ).
2.7.
71 PASEO AL AZAR 71
CAPITULO 2. CADENAS DE MARKOV

Homogeneidad espacial

P (Sn = j |S0 = a) = P (Sn = j + b|S0 = a + b).

Homogeneidad Temporal

P (Sn = j |S0 = a) = P (Sn+m = j |Sm = a).

Demostracion. La propiedad de Markov ya fue demostrada.

Homogeneidad espacial.
Pn
Se tiene que el lado izquierdo es igual a P ( i=1 i = j a) mientras que el lado derecho es igual a
Pn
P ( i=1 i = j + b (a + b)) .

Homogeneidad temporal.

Es una consecuencia facil de la independencia y del hecho que las v. a. i son identicamente distribuidas
que el lado derecho es igual a:
Pn+m Pm
P S0 + i=1 i = j, S0 + i=1 i = a m+n n
X X
Pm =P i = j a = P i = j a ;
P (S0 + i=1 i = a) i=m+1 i=1

un calculo elemental prueba que el lado izquierdo es identico a esta cantidad.

Proposicion 2.6 Se tiene que para a, b enteros, n 0 y b a n

( (n+b a)/2 (n b+a)/2
n
p q si (n + b a)/2 Z
P (Sn = b|S0 = a) = (n+b a)/2

0 en otro caso.

Demostracion. Se tiene que una trayectoria que lleva del punto (0, a) al punto (n, b) tiene r pasos
para arriba (+1) y l pasos hacia abajo ( 1). Estos son tales que r + l = n y r l = b a (pues
Sn = r(+1) + l( 1) = b a). Estas ecuaciones determinan a l y r, lo que implica que r = (n +b a)/2 y
l = (n b + a)/2. Cada trayectoria que lleva de a a b en n pasos tiene probabilidad pr q l , y hay (n+bn a)/2
trayectorias posibles. El resultado sigue.

Ahora vamos a considerar el problema de la ruina de un jugador que apuesta 1 peso en cada juego y
tiene probabilidad p de ganar y q = 1 p de perder. Definamos

Hj = min{n 0 : Xn = j }, h(i) = Pi (HN < H0 ).

La diferencia entre Hj y Tj que definimos anteriormente esta en que H incluye el estado inicial; h(i) es
la probabilidad de que el jugador con capital inicial i alcance una fortuna N antes de arruinarse.

Proposicion 2.7 Sea h(i) la probabilidad de que un paseo al azar que parte del estado i llegue al nivel
N antes que al nivel 0. Entonces
( i
1 si p = q
h(i) = i 1
N

N
si p = q = 0.5,

donde = q/p.
2.7.
72 PASEO AL AZAR 72
CAPITULO 2. CADENAS DE MARKOV

Demostracion. Por la definicion de Hi tenemos h(0) = 0 y h(N ) = 1. Para calcular h(i) para 1 < i < N
estudiamos la primera transicion y obtenemos

h(i) = ph(i + 1) + (1 p)h(i 1),

y rearreglando
p(h(i + 1) h(i)) = (1 p)(h(i) h(i 1));
concluimos que
1 p
h(i + 1) h(i) = (h(i) h(i 1)). (2.34)
p
Si p = 1/2 obtenemos

h(i + 1) h(i) = h(i) h(i 1) = C para 1 i N.

Entonces
N
X
1 = h(N ) h(0) = (h(i) h(i 1)) = N C
i=1

de modo que C = 1/N . Usando esto y el hecho de que h(0) = 0, tenemos

Xi
h(i) = h(i) h(0) = (h(j) h(j 1)) = ,
i j=1
N
es decir, si p = 1/2,
i
P (HN < H0 ) = para 0 i N.
N
Como consecuencia la probabilidad de ruina es

i N i
P (H0 < HN ) = 1 = .
N N

Si p = 1/2 los detalles son un poco mas difciles. Poniendo C = h(i) h(0), (2.34) implica que para
i 1,

1 pi 1
h(i) h(i 1) = C = C i 1 ,
p
con = q/p. Sumando de i = 1 a N obtenemos

N
X N
X
1 = h(N ) h(0) = h(i) h(i 1) = C i 1
i=1 i=1

Recordemos que si = 1,
N 1 N
X 1
j = ,
j=0
1
y vemos que
1
C= .
1 N
Usando de nuevo que h(0) = 0 y sumando
j
1j 1 j

X
h(j) = h(j) h(0) = C i 1 = C =
1 1 N
i=1
2.7.
73 PASEO AL AZAR 73
CAPITULO 2. CADENAS DE MARKOV

Recordando la definicion de h(i) obtenemos que cuando p = 1/2,

i 1 N i
Pi (HN < H0 ) = , Pi (H0 < HN ) =
N 1 N 1

1 p
con = p .

Ejemplo 2.18
En la siguiente tabla presentamos algunos valores de la probabilidad de ruina en diferentes circunstancias.
p es la probabilidad de exito en cada juego, i es el capital inicial, N el objetivo y PR la probabilidad
de ruina. Las probabilidades 0.4865 y 0.4737 representan la probabilidad de ganar en ruleta cuando se
apuesta al color o a par-impar. En el primer caso la ruleta solo tiene un 0 (ruleta europea) mientras
que en el segundo tiene 0 y 00 (ruleta americana). La probabilidad 0.493 corresponde al juego de dados
(craps).

p = 0.474 p = 0.486 p = 0.493

i N PR i N PR i N PR
1 10 0.94 1 10 0.92 1 10 0.91
10 100 0.99995 10 100 0.997 10 100 0.98
100 1000 1 100 1000 1 100 1000 1
5 10 0.63 5 10 0.569 5 10 0.535
50 100 0.995 50 100 0.942 50 100 0.8
500 1000 1 500 1000 1 500 1000 0.9999992
9 10 0.153 9 10 0.127 9 10 0.113
90 100 0.647 90 100 0.43 90 100 0.26
900 1000 0.99997 900 1000 0.996 900 1000 0.939
N

Corolario 2.3 Se tiene que para todo j N

1 si q p
j
P (H0 < |S0 = j) = q
, si q < p.
p

Demostracion. Para n 1 sea An el evento An = {H0 < Hn }. Observemos que si n > j, An An+1
puesto que Hn Hn+1 , para todo n. Es decir que la sucesion An es una sucesion creciente de eventos y
ademas
{H0 < } = n1 {H0 < Hn },
y por la continuidad por debajo de la probabilidad se tiene que
lim P (An |S0 = j) = P (H0 < |S0 = j).
n

Sean a, b Z y n N . Denotaremos por Nn (a, b) al numero de trayectorias que van de a a b en
n pasos y a N n0 (a, b) a aquellas que van de a a b en n pasos pasando por 0 por lo menos una vez. Un
resultado fundamental sobre el paseo al azar simple es el principio de reflexion.

Teorema 2.8 (Principio de Reflexion) Para a, b > 0 se tiene que

N n0 (a, b) = Nn ( a, b).
2.7.
74 PASEO AL AZAR 74
CAPITULO 2. CADENAS DE MARKOV

Demostracion. En la figura 2.3 vemos que cada trayectoria que lleva de (0, a) a (n, b) cruza el eje x
por lo menos una vez; denotemos por (k, 0) el punto en el cual esto ocurre por la primera vez. Reflejando
el segmento de la trayectoria anterior a (k, 0) respecto al eje x se obtiene una trayectoria lleva de (0, a)
a (b, n) y que intercepta al eje x al menos una vez.
Podemos hacer algo similar en sentido contrario para las trayectorias que inician en (0, a) y pasan por
0.

Sm
s
r r r
b
a r r r

r r r
r r
r r r r r
r
r



k r r r r

a r n m

Figura 2.3

Lema 2.2 Para todo a, b Z se tiene que

n
Nn (a, b) = 1 (n + b a) .
2

Demostracion. La prueba de este resultado es similar a la prueba de la proposicion 2.6.

Como consecuencia importante del lema anterior y el principio de reflexion tenemos el siguiente
teorema.

Teorema 2.9 (Teorema del Escrutinio (Ballot Theorem)) Si b > 0, entonces el numero de trayec-
torias que llevan de (0, 0) a (n, b) y que no visitan el eje x despues del primer paso es igual a
b
Nn (0, b).
n
Demostracion Observemos que el primer paso de dichas trayectorias lleva a (1, 1), por lo tanto el numero
que buscamos calcular est dado por

Nn 1 (1, b) N 0n 1(1, b) = Nn 1 (1, b) N ( 1, b)

n 1
(n 1)! (n 1)!
= n n+b 2 n b 2 n+b
b
2 ! 2 ! 2 ! 2 !

(n 1)! n +b n b

= n b
! n+b ! 2 2
2 2
b
= N n (0, b).
n

Por que se llama este resultado el teorema del escrutinio? Supongamos que tenemos dos candidatos
A y B, y que A gana votos, B gana votos, y > . Cual es la probabilidad de que A lleve la ventaja
durante todo el escrutinio? Supongamos que Xi = 1 si el i-esimo individuo vota por A y vale 1 si vota
por B. Supongamos que cualquier combinacion de votos es igualmente probable, es decir que cada una
2.7.
75 PASEO AL AZAR 75
CAPITULO 2. CADENAS DE MARKOV

tiene probabilidad 1/ +
. La trayectoria que deben seguir los escrutinios para que A tenga la mayora
durante toda la jornada de votaciones va del punto (0, 0) al punto ( + , ) y no regresa al origen.
Por lo tanto la probabilidad buscada esta dada por
1
N+ (0, ) + = .
+
+
Veamos ahora una aplicacion del teorema de las votaciones a las caminatas aleatorias.

Teorema 2.10 Supongamos que S0 = 0, entonces para n 1

| b|
P (S1 S2 Sn = 0, Sn = b) = P (Sn = b),
n
y por lo tanto

E(|Sn | )
P (S1 S2 Sn = 0) = n
.

Demostracion. Supongamos que S0 = 0 y que b > 0. Queremos calcular la probabilidad de que la

caminata aleatoria parta de (0, 0) y no visite el eje x en el intervalo [1, n]. Una trayectoria de este tipo
tiene r pasos hacia arriba y l hacia abajo, y en consecuencia r = (n + b)/2 y l = (n b)/2. Cada una
de estas trayectoria tiene probabilidad p(n+b)/2 q (n b)/2 y por el teorema del escrutinio hay bnNn (0, b)
trayectorias de este tipo. La probabilidad que queremos calcular es igual a

b n (n+b)/2 (n b)/2 b
P (S1 S2 Sn = 0, Sn = b) = n+b p q = P (Sn = b).
n 2 n

Un argumento similar vale para b < 0.

Otro resultado particularmente interesante concierne el valor maximo que alcanza la caminata aleato-
ria. Sea Mn = max{Sj , 1 j n}, para n 0 y supongamos que S0 = 0. En particular se tiene que
Mn 0. Tenemos el siguiente teorema

Teorema 2.11 Supongamos que S0 = 0. Entonces para r 1,

P (Sn = b) si b r
P (Mn r, Sn = b) = r b
q
P (S = 2r b) si b < r.
p n
Demostracion. Supongamos que r 1 y que b < r. Sea N nr (0, b) el numero de trayectorias que van de
(0, 0) a (n, b) pasando por r en n pasos. Cualquiera de estas trayectorias visita el nivel r por lo menos
una vez, denotemos por Tr el menor de estos instantes (ver figura 2.4). Reflejando la trayectoria entre Tr
y n respecto a la recta r se obtiene una trayectoria que va de (0, 0) a (n, 2r b). Recprocamente, a una
trayectoria de esta forma le aplicamos la transformacion inversa y obtenemos una trayectoria que va de
(0, 0) a (n, b) pasando por el nivel r, de longitud n. Por lo tanto podemos afirmar que
N nr (0, b) = Nn (0, 2r b).

Ademas cada una de estas trayectorias tiene probabilidad

p(n+b)/2 q (n b)/2 ,
por lo que podemos concluir que
P (Mn r, Sn = b) = N rn(0, b)p(n+b)/2 q (n b)/2
= Nn (0, 2r b)p(n+b)/2 q (n b)/2
r b
q p
=
p
r b
q
=
N76
n (0, 2r
2.7. PASEO AL b)/2
b)p(n+2r AZARq (n 2r+b)/2 76
CAPITULO 2. CADENAS DE MARKOV

P (Sn = 2r b).
2.7.
77 PASEO AL AZAR 77
CAPITULO 2. CADENAS DE MARKOV

Sm

2r b r
r
r r r r r r
r r
r r r r r r r
r r r r
r r

r r
r r r r r rr
b r r r s
rr r r
r
r
r r r
r r

s
Tr n m
Figura 2.4

Observacion 2.3 1. Una consecuencia del teorema anterior es la formula

r 1 r b
q
X
P (Mn r) = P (Sn r) + P (Sn = 2r b)
p
b=

X
l r
= P (Sn = r) + P (Sn = l) 1 + (q/p)
l=r+1

2. Observemos que en particular si la caminata aleatoria es simetrica

P (Mn r, Sn = b) = P (Sn = 2r b).

Cual es la probabilidad de que una caminata aleatoria alcance un maximo en un instante n dado?
Mas precisamente, cual es la probabilidad de que una caminata aleatoria que parte de 0 alcance un
nivel b por la primera vez al tiempo n? Denotemos por fb (n) a esta probabilidad. Tenemos el siguiente
teorema.

Teorema 2.12 La probabilidad de que una caminata aleatoria simple alcance el nivel b por la primera
vez al tiempo n habiendo empezado de 0 esta dada por

| b|
fb (n) =
n P (Sn = b), n 1.

Demostracion.

fb (n) = P (Mn 1 = Sn 1 = b 1, Sn = b)
= P (Sn = b|Mn 1 = Sn 1 = b 1)P (Mn 1 = Sn 1 = b 1)
= p (P (Mn 1 b 1, Sn 1 = b 1) P (Mn 1 b, = Sn 1 = b 1))

q
= p P (Sn 1 = b 1) P (Sn 1 = b + 1)
p
b
= P (S = b).
n
n
El
2.7.mismo
78 razonamiento
PASEO AL AZAR es valido si b < 0.
78
CAPITULO 2. CADENAS DE MARKOV
2.8.
77 PROCESOS DE RAMIFICACIO N CAPITULO 2. CADENAS DE MARKOV
77

2.8. Procesos de Ramificacion

Consideremos una partcula (neutrones, bacterias, virus informatico, etc.) que pueden generar nuevas
partculas del mismo tipo. El grupo inicial de individuos pertenece a la generacion 0 y suponemos que
cada individuo produce una cantidad aleatoria de descendientes con distribucion de probabilidad
P ( = k) = pk , k = 0, 1, 2, . . . (2.35)
P
donde pk 0, k pk = 1. Suponemos que todos los individuos actuan de manera independiente, que

todos viven el mismo perodo de tiempo y todos siguen la misma ley (2.35) para generar su descendencia.
El proceso (Xn )n1 donde Xn representa el tamano de la n-esima generacion, es una cadena de Markov
y se conoce como un proceso de ramificacion.
El espacio de estados de esta cadena es {0, 1, 2, . . . }. 0 es un estado absorbente. Por otro lado, si
Xn = k, los k miembros de esta generacion producen
(n) (n) (n)
+ 2 + + k = Xn+1 (2.36)
1

descendientes, que forman la siguiente generacion, de modo que

+ + k = j |Xn = k).
(n) (n) (n)
Pkj = P (1 + 2 (2.37)

Si una partcula produce = 0 descendientes, lo interpretamos como que la partcula muere o desa-
parece. Puede ocurrir que luego de varias generaciones todos los descendientes de la partcula inicial
hayan muerto o desaparecido. Decimos entonces que todos los descendientes de la partcula inicial se
extinguieron. Un problema interesante es calcular la probabilidad de extincion U de un proceso de
ramificacion que comienza con una sola partcula. Una vez que resolvamos este problema, podemos hallar
la probabilidad de que una cadena que comienza con k partculas se extinga, pues como las partculas
actuan independientemente, esta probabilidad es (U )k .

X0 = 1

0




1

Figura 2.5

Media y Varianza de un Proceso de Ramificacion.

La ecuacion (2.36) caracteriza la evolucion del proceso de ramificacion y se puede escribir como una
suma aleatoria:
(n) (n) (n)
Xn+1 = 1 + 2 + + X
n
2.8.
78 PROCESOS DE RAMIFICACIO N CAPITULO 2. CADENAS DE MARKOV
78

Supongamos que E[] = , Var[] = 2 y sean M (n) y V (n) la media y varianza de la n-esima generacion
Xn bajo la condicion inicial X0 = 1, M (n) = E1 [Xn ], V (n) = Var1 [Xn ]. Usando las propiedades de sumas
aleatorias tenemos

M (n + 1) = M (n), (2.38)
V (n + 1) = M (n) + V (n).
2 2
(2.39)

La condicion inicial X0 = 1 hace que las relaciones recursivas (2.38) y (2.39) comiencen con M (0) = 1 y
V (0) = 0. A partir de (2.38) obtenemos M (1) = 1 = , M (2) = M (1) = 2 , y en general

M (n) = n para n = 0, 1, . . . (2.40)

Por lo tanto, el tamano medio de la poblacion crece geometricamente si > 1, decrece geometricamente
si < 1 y es constante si = 1.
Sustituyendo M (n) = n en (2.39) obtenemos V (n + 1) = 2 n + 2 V (n), y con V (0) = 0 se tiene

V (1) = 2
V (2) = 2 + 2 V (1) = 2 + 2 2
V (3) = 2 2 + 2 V (2) = 2 2 + 2 3 + 2 4

y en general

V (n) = 2 (n 1 + n + + 2n 2 )
= 2 n 1 (1 + + + n 1 )
(
n si = 1,
= 2 n 1
1 n (2.41)
1 si = 1.

Probabilidades de Extincion.

La poblacion se extingue cuando el tamano de la poblacion es 0. El instante (aleatorio) de extincion

N es el primer ndice n para el cual Xn = 0 y luego, obviamente, Xk = 0 para todo k N . 0 es un
estado absorbente y podemos calcular la probabilidad de extincion haciendo un analisis de la primera
transicion. Llamemos
Un = P1 (N n) = P1 (Xn = 0) (2.42)
(0)
la probabilidad de extincion antes de n o en n. El unico miembro inicial de la poblacion produce 1 = k
descendientes. Por su parte, cada uno de estos descendientes generara una poblacion de descendientes y
cada una de estas lneas de descendencias debe desaparecer en n 1 generaciones o antes.
Las k poblaciones generadas por el miembro inicial son independientes entre s y tienen las mismas
propiedades estadsticas que la poblacion inicial. Por lo tanto, la probabilidad de que una cualquiera de
ellas desaparezca en n 1 generaciones es Un 1 por definicion, y la probabilidad de que las k subpobla-
ciones mueran en n 1 generaciones es (Un 1 ) k por independencia.
Por la ley de la probabilidad total

X
Un = pk (Un 1 )k , n = 1, 2, . . . (2.43)
k=0

con U0 = 0 y U1 = p0 .
2.8.
79 PROCESOS DE RAMIFICACIO N CAPITULO 2. CADENAS DE MARKOV
79

Funciones Generadoras de Probabilidad

Consideremos una v.a. con valores enteros positivos y distribucion de probabilidad

P ( = k) = pk , k = 0, 1, . . .

La funcion generadora de probabilidad (f.g.p.) (s) asociada a la v.a. (o equivalentemente a su distribu-

cion (pk )) se define por
X
(s) = E[s ] = sk p k , 0 s 1. (2.44)
k=0

Tenemos los siguientes resultados fundamentales, algunos de los cuales estudiamos en el captulo 1.
Supondremos que p0 + p1 < 1, para evitar trivialidades:

1. La relacion entre funciones de probabilidad y funciones generadoras es 1-1. Es posible obtener las
probabilidades (pk ) a partir de usando la siguiente formula

1 dk (s)
pk = . (2.45)
k! dsk s=0

2. Si 1 , . . . , n son v.a.i. con funciones generadoras 1 (s), 2 (s), . . . , n (s) respectivamente, la f. g. p.

de su suma X = 1 + 2 + + n es el producto de las funciones generadoras respectivas

X (s) = 1 (s)2 (s) n (s). (2.46)

3. Los momentos de una variable que toma valores en los enteros no-negativos se pueden obtener
derivando la funcion generadora y evaluando en 1:

d(s)
= p1 + 2p2 + 3p3 + = E[]. (2.47)
ds s=1

Para la segunda derivada tenemos

d2 (s) X
= k(k 1)pk
ds2 s=1 k=2

= E[( 1)] = E[ 2 ] E[] (2.48)

de modo que

2 d 2(s) d2 (s) d(s)
E[ ] = + E[] = + ,
ds2 s=1 ds2 s=1 ds s=1

y en consecuencia

d
2 (s)
d(s) d2 (s) 2
Var[] = E[ ] (E[]) =
2 2
+ .
ds2 s=1 ds s=1 ds2
s=1

4. es estrictamente convexa y creciente en [0, 1]. Esto es una consecuencia inmediata del hecho que
es una serie de potencias.

5. Si V ar() = 0, entonces (s) = s.

2.8.
80 PROCESOS DE RAMIFICACIO N CAPITULO 2. CADENAS DE MARKOV
80

Funciones Generadoras y Probabilidades de Extincion.

Regresamos ahora a la consideracion de los procesos de ramificacion. La funcion generadora de pro-
babilidad para el numero de descendientes de cada individuo es

X
(s) = E[s ] = pk s k .
k=0

Podemos ahora escribir la relacion (2.43) en terminos de la funcion generadora:

X
Un = pk (Un 1)
k
= (U ) (2.49)
n 1
k=0

es decir, si conocemos la funcion generadora de probabilidades (s), podemos calcular iterativamente las
probabilidades de extincion Un comenzando con U0 = 0: U1 = (U0 ) = (0), U2 = (U1 ), etc.

Ejemplo 2.19
Un individuo no tiene descendientes con probabilidad 1/4 o tiene dos descendientes con probabilidad 3/4.
La relacion recursiva (2.43) es en este caso
1 + 3(Un 1 )2
Un = .
4

(s)

1






U2 = (U1 )

U1 = (0)


s
U0 = 0 U1 U2 1
Figura 2.6
La funcion generadora es
1 3 1 + 3s2

(s) = E[s ] = 1

+s 2
=
4 4 4
y vemos que Un = (Un 1 ).

Representamos esta funcion en la Figura 2.6. Podemos ver que las probabilidades de extincion con-
vergen de manera creciente a la menor solucion de la ecuacion u = (u).
Esto tambien ocurre en el caso general: Si U es la menor solucion de la ecuacion u = (u), entonces
U es la probabilidad de que la poblacion se extinga en algun momento finito. La alternativa es que la
poblacion crezca indefinidamente, lo que ocurre con probabilidad 1 U .
En este ejemplo la ecuacion u = (u) sera
1 3 2
u= + u ,
4 4
con soluciones 1 y 1/3, y la menor solucion es 1/3. N
2.8.
81 PROCESOS DE RAMIFICACIO N CAPITULO 2. CADENAS DE MARKOV
81

Puede ocurrir que U = 1, en cuyo caso es seguro que la poblacion desaparece en algun momento.

Ejemplo 2.20
Si las probabilidades son ahora p0 = 3/4 y p2 = 1/4, la funcion generadora es

3 1 2
(s) = + s .
4 4
La ecuacion u = (u) es ahora

3 1 2
u=
+ u
4 4
con soluciones 1 y 3. Como la menor solucion es 1, U = 1.

(s)

1

U2 = (U1 )


U1 = (0)






s
U0 = 0 U1 U2 1

Figura 2.7

Para determinar en cual caso nos encontramos hay que ver si la curva de la funcion generadora (s)
cruza la recta y = x por debajo de 1, y esto se puede determinar por la pendiente de en 1:

d(s)
0 (1) = = E() = .

ds s=1

Si 0 < 1 entonces (t) > t, para todo t [0, 1). Para probarlo, definimos una funcion g(t) =
(t) t, esta funcion satisface que g(0) = (0), g(1) = 0 y es estrictamente decreciente puesto que su
derivada g 0 (t) = 0 (t) 1 es estrictamente negativa, y esto se debe al hecho que 0 es estrictamente
creciente y 0 (1) = 1. Entonces, g(t) > 0, para 0 t < 1. En particular, la ecuacion (t) = t, no
tiene races en (0, 1).
Si > 1, entonces la ecuacion (t) = t tiene una unica solucion en [0, 1). Esto implica que lmt1 0 (t) =
(1) = > 1. Por continuidad existe un t0 < 1, tal que 0 (t) > 1 para todo t0 < t 1, por el teorema
0

del valor intermedio vemos que

(1) (t0 ) 1 (t0 )
= = 0 (t0 ) > 1, para algun (t , 1),
0
t
0
1 t0 1 t0

de donde sigue que g(t0 ) = (t0 ) t0 < 0, y puesto que g es continua y g(0) = P ( = 0) > 0, podemos
afirmar que existe un 0 < < 1 con g() = 0. Por la convexidad estricta de es claro que g no puede
tener ninguna otra raz en (, 1), ni en (0, ).
2.8.
82 PROCESOS DE RAMIFICACIO N CAPITULO 2. CADENAS DE MARKOV
82

Sea la raz mas pequena a la ecuacion (t) = t, en [0, 1]. Los hechos anteriores implican que esta
solucion existe y ademas: si 1, entonces = 1; si > 1, entonces < 1.
Tenemos entonces

0 (1) < 1 no hay cruce U = 1,

0 (1) > 1 hay cruce U < 1.
Pero hemos visto que 0 (1) = E[] y por lo tanto,
E[] < 1 U = 1,
E[] > 1 U < 1.

El caso lmite corresponde a E[] = 1. En este caso E[Xn |X0 = 1] = 1 para todo n de modo que el
tamano promedio de la poblacion es constante pero la poblacion desaparece con seguridad, a menos que
la varianza sea 0, es decir, que con probabilidad 1 todo individuo tenga exactamente un descendiente, en
cuya caso la poblacion no se extingue nunca.

Ejemplo 2.21
Supongamos que el tamano de las familias se distribuye segun una ley geometrica con parametro q,

P ( = k) = qpk , k 0, para algun p (0, 1).

Es facil de calcular la funcion generadora ,

X q
(s) = qsn pn = , |s| < p 1 .
n=0
1 ps
p
La media vale = q.
Se puede verificar usando un argumento de induccion que la n-esima composicion
de consigo misma puede ser escrita como
n (n 1)s
n + 1 ns si p = q = 1/2,
n (s) = q pn q n ps(pn 1
q n 1 )
si p = q.
pn+1 q n+1 ps(pn q n )

Cual es la probabilidad de extincion en este caso? Usaremos la forma explcita de n para responder
a esta pregunta. Recordemos que
n si p = q = 1/2,
n +1
P (Xn = 0) = n (0) = q (pn n

q )
si p = q,
n+1
p q n+1
por lo que al hacer tender n , vemos que
(
1 si p q
lm P (Xn = 0) = q
n
p,
si p > q.

Observemos que si para algun n 1 Zn = 0 entonces Zn+k = 0, para toda k 0. Es decir que la
poblacion se extingue en un tiempo anterior o igual a n. Tenemos que
P (extincion en un tiempo finito) = lm P (extincion antes del instante n)
n
= lm P (Xn+k = 0, k 0)
n
= lm P (X = 0)
n n
(
1 si p q
= q
p , si p > q.
2.9.
83 CADENAS DE NACIMIENTO Y MUERTE. 83
CAPITULO 2. CADENAS DE MARKOV

Conclusion: La extincion ocurre con probabilidad 1, solamente en el caso en que p/q = = E(X1 ) 1;
la cual es una condicion bastante natural, puesto que E(Xn ) = E(X1 )n 1, y es entonces de esperarse
que Zn = 0 tarde o temprano.
Veremos que el resultado de los ejercicios anteriores es consecuencia de un resultado mas general.

Teorema 2.13 Si X0 = 1 tenemos que

U = lm P1 (Xn = 0) = P (extincion en un tiempo finito) = ,
n

donde es la solucion mas pequena a la ecuacion, t = (t). Ademas, = 1, si < 1, (el caso subcrtico)
y < 1, si > 1 (caso super-crtico), mientras que en el caso en que = 1, (el caso crtico) = 1 si el
tamano de las familias tiene varianza estrictamente positiva.
Demostracion. Sea Un = P1 (Xn = 0). Sabemos que
Un = (Un 1 ).

Es claro que {Xn = 0} {Xn+1 = 0}, para todo n 1, entonces Un es una sucesion creciente y acotada;
por la continuidad el limite de Un existe y debe de satisfacer
= lm Un 1, = ().
n

Veamos ahora que si es otra raz positiva de la ecuacion, entonces . Dado que es una funcion
estrictamente creciente, tenemos que

U1 = (0) ( ) = ,
y se sigue que
U2 = (U1 ) ( ) = ,
y por induccion se ve que Un , para todo n 1, y por lo tanto que . En consecuencia, es la
menor solucion de la ecuacion t = (t).
Ya vimos que si > 1 entonces la ecuacion t = (t), tiene una unica solucion en [0, 1), y de hecho
otra solucion a la ecuacion es t = 1. La menor solucion es < 1. Por otro lado, en el caso en que < 1,
vimos que (t) > t para todo t [0, 1), y es claro que (1) = 1, por lo tanto la solucion positiva mas
pequena a la ecuacion (t) = t es = 1. En el caso especial en que = 1, el caso crtico, necesitamos
distinguir entre el caso en que 2 = 0, donde (s) = s y por lo tanto = 0, y el caso 2 > 0, donde
(s) > s, s [0, 1) y por lo tanto = 1.

2.9. Cadenas de Nacimiento y Muerte.

Sean E = {0, 1, 2, . . . , N } con N , y {Xn , n 0} una cadena de Markov con espacio de estados
E y matriz de transicion
qi si j = i 1
ri si j = i
Pi,j =
pi si j = i + 1
0 en otro caso,
con 0 pi , ri , qi 1 y qi + ri + pi = 1 para todo i E y q0 = 0 y pN = 0 si N < . Diremos que una
cadena de Markov con espacio de estados y matriz de transicion de esta forma pertenece a la clase de
Cadenas de Nacimiento y Muerte. Dado que se tiene mucha libertad en los valores que pueden tomar los
parametros pi , ri y qi , varias cadenas de Markov entran en esta familia, como por ejemplo la cadena de
Ehrenfest, la ruina del jugador, la caminata aleatoria con barreras absorbentes, etc..
En esta seccion daremos metodos para calcular las probabilidades de que el primer tiempo de salida
de la cadena fuera de una region [a, b] ocurra por la barrera superior o inferior.
2.9.
84 CADENAS DE NACIMIENTO Y MUERTE. 84
CAPITULO 2. CADENAS DE MARKOV

Proposicion 2.8 Sea Hj el primer tiempo de llegada al estado j

Hj = nf {n 0 : Xn = i}, i E.

Supongamos que pj > 0 y qj > 0 para todo j {1, 2, . . . , N 1} y que p0 > 0 y qN > 0 si N < . Se
tiene que la cadena es recurrente y para todo a < b, a, b E , a < k < b,
b 1
X k
X 1
j j
j=k j=a
Pk (Ha < Hb ) = , Pk (Hb < Ha ) = ,
b 1
X 1
bX
j j
j=a j=a

con
j
Y qi
j = , j > 0, y 0 = 1.
i=1
pi

Demostracion. Denotaremos por

h(j) = Pj (Ha < Hb ), para todo j [a, b].

Es claro que h(a) = 1 y h(b) = 0. Haciendo un estudio de las transiciones iniciales se demuestra que la
funcion h satisface
h(j) = qj h(j 1) + rj h(j) + pj h(j + 1), j (a, b).
En efecto,
h(j) = Pj (Ha < Hb )
X
= P (Ha < Hb |X1 = i, X0 = j)Pj,i
iE
X
= P (Ha < Hb |X1 = i)Pj,i
iE

= qj h(j 1) + rj h(j) + pj h(j + 1).

Dado que rj = 1 pj qj se tiene que h satisface el siguiente sistema de ecuaciones

h(j) = qj h(j 1) + rj h(j) + pj h(j + 1) pj (h(j + 1) h(j)) = qj (h(j) h(j 1)) ,

para todo j (a, b), multiplicando y dividiendo por j 1 se ve que el sistema anterior es equivalente a

qj
pj j 1
h(j + 1) h(j) = (h(j) h(j 1)) , j (a, b),
j 1

que es lo mismo que

j
h(j + 1) h(j) = (h(j) h(j 1)) , j (a, b).
j 1
Iterando este razonamiento se tiene que

j j 1 a+1
h(j + 1) h(j) = (h(a + 1) h(a)) , j (a, b),
j 1 j 2 a

esto implica que

j
2.9.
85 h(j + 1) h(j) =Y MUERTE.
CADENAS DE NACIMIENTO (h(a + 1)
CAP h(a)) , j2. (a,
ITULO b).
CADENAS 85
DE MARKOV
a
2.9.
86 CADENAS DE NACIMIENTO Y MUERTE. 86
CAPITULO 2. CADENAS DE MARKOV

Sumando sobre j = a + 1, . . . , b 1 se obtiene

b 1 b 1
1
X X
h(b) h(a + 1) = (h(j + 1) h(j)) = j (h(a + 1) h(a)) ,
a j=a+1
j=a+1

usando que h(b) = 0 llegamos a

Pb 1 ! Pb 1 !

j=a j

j=a+1 j
h(a + 1) = h(a)
a a
de donde se obtiene que

Pb 1
j=a+1 j a
h(a + 1) = Pb h(a) h(a + 1) h(a) = Pb 1
1
j=a j j=a j
Recordemos que

j j a j
!

h(j + 1) h(j) = (h(a + 1) h(a)) = Pb = Pb , a < j < b.

a a 1
j
1
j=a j
j=a

Finalmente, se tiene que

b 1 Pb 1
j
X j=k
Pk (H a < H b ) = h(k) = (h(j) h(j + 1)) = .
Pb 1
j=k j=a j

y la probabilidad de que Pz (Hb < Ha ) se calcula usando que Pz (Hb < Ha ) = 1 Pz (Ha < Hb ).

Corolario 2.4 Bajo la hipotesis de la proposicion anterior y si a < k < b

Pk (Ha < Hb ) = Pk (Ta < Tb ),
con la notacion usual.

Corolario 2.5 Bajo las hipotesis de la proposicion anterior y si N = ,

1
P1 (T0 < ) = 1 P .
j=0 j
Demostracion. Supongamos que X0 = 1, despues de un minuto de meditacion es facil convencerse de
que P1 (Tn n 1) = 1 y por lo tanto P1 (lmn Tn = ) = 1, ya que la medida de probabilidad P1 es
continua, es decir que si Bn es una sucesion creciente de eventos y B =
n=0 Bk entonces

P1 (B) = lm P1 (Bn ).
n

En este caso Bn = { : Tn n 1}. Ahora, sean Cn = { : T0 < Tn }, es claro que Cn Cn+1 ,

y que
n=1 Cn = { : T0 < },
y usando de nuevo la continuidad de la probabilidad P1 llegamos a
y o que
dad
 2.9.
87 CADENAS DE NACIMIENTO
P1 Y MUERTE. 87
CAPITULO 2. CADENAS DE MARKOV
lm
n
(T0
<
Tn )
= P1
(T0
<
),
Pn
j=1 j 0 1
P1 (T0 < Tn+1 ) = Pn = 1 Pn 1 P ,
j=0 j
j=0 y n j=0 j

ya que 0 = 1.