Calculadora de Estado Estacionario de Cadena de Markov

Bienvenido a la Calculadora de estado estacionario de cadena de Markov, una potente herramienta matemática para calcular la distribución estacionaria a largo plazo de cualquier cadena de Markov finita. Ingrese su matriz de transición y vea instantáneamente las probabilidades de estado estacionario, un diagrama interactivo de transición de estados, visualización de convergencia y una solución detallada paso a paso. Ideal para estudiantes, investigadores y profesionales que trabajan con procesos estocásticos.

¿Qué es una distribución de estado estacionario?

Una distribución de estado estacionario (también llamada distribución estacionaria) de una cadena de Markov es un vector de probabilidad \(\pi\) tal que:

Esto significa que si el sistema comienza en la distribución \(\pi\), permanece en \(\pi\) después de cualquier número de transiciones. Intuitivamente, \(\pi_i\) representa la proporción a largo plazo del tiempo que el sistema pasa en el estado \(i\).

Conceptos clave

Cómo resolver para el estado estacionario

El vector de estado estacionario \(\pi\) se puede encontrar resolviendo el sistema de ecuaciones lineales derivado de \(\pi P = \pi\):

1. Reescribir la ecuación: \(\pi P = \pi\) se convierte en \(\pi(P - I) = 0\), o equivalentemente \((P^T - I)\pi^T = 0\).
2. Añadir normalización: Reemplace una ecuación redundante con \(\pi_1 + \pi_2 + \cdots + \pi_n = 1\).
3. Resolver el sistema: Use la eliminación gaussiana o métodos matriciales para encontrar \(\pi\).

Para cadenas ergódicas, la multiplicación repetida converge al estado estacionario único independientemente de la distribución inicial.

Cómo usar esta calculadora

1. Ingrese la matriz de transición: Ingrese su matriz con cada fila en una línea nueva. Los valores pueden estar separados por comas o espacios. Cada fila debe sumar 1.
2. Agregue etiquetas de estado (opcional): Proporcione nombres descriptivos para sus estados (p. ej., Soleado, Lluvioso) separados por comas.
3. Establezca la precisión decimal: Elija el número de decimales (2-15) para los resultados.
4. Calcular: Haga clic en "Calcular estado estacionario" para ver el análisis completo, incluyendo la distribución estacionaria, el gráfico de convergencia, el diagrama de estados y la solución paso a paso.

Comprendiendo sus resultados

Vector de estado estacionario

El resultado principal es el vector \(\pi = (\pi_1, \pi_2, \ldots, \pi_n)\), donde cada \(\pi_i\) representa la probabilidad a largo plazo de estar en el estado \(i\). El estado con la probabilidad más alta es el estado dominante.

Gráfico de convergencia

Muestra cómo la distribución de probabilidad evoluciona desde un inicio uniforme a través de multiplicaciones sucesivas por P. Una convergencia más rápida indica una cadena con una mezcla más fuerte.

Diagrama de transición de estados

Una representación visual interactiva donde:

• El tamaño del nodo refleja la probabilidad de estado estacionario
• El grosor de la arista representa la probabilidad de transición
• Las flechas curvas muestran la dirección de las transiciones
• Los bucles automáticos indican la probabilidad de permanecer en el mismo estado

Aplicaciones en el mundo real

¿Cuándo existe un estado estacionario único?

Una cadena de Markov finita tiene una distribución estacionaria única cuando es irreducible, y cualquier distribución inicial converge a ella si además es aperiódica. Una cadena con ambas propiedades se llama ergódica:

• Irreducible: Se puede llegar a cada estado desde cualquier otro estado (sin componentes desconectados)
• Aperiódica: El MCD de todas las longitudes de ciclo a través de cualquier estado es 1 (sin periodicidad fija)

Una cadena periódica pero irreducible sigue teniendo exactamente un estado estacionario; sus potencias Pᵏ simplemente oscilan en lugar de converger. Una cadena reducible solo tiene un estado estacionario único si tiene una sola clase cerrada (más posibles estados transitorios); con dos o más clases cerradas existen infinitas distribuciones estacionarias.

Preguntas frecuentes

¿Qué es una distribución de estado estacionario de una cadena de Markov?

Una distribución de estado estacionario (o estacionaria) es un vector de probabilidad π tal que πP = π, donde P es la matriz de transición. Representa la proporción de tiempo a largo plazo que el sistema pasa en cada estado, independientemente del estado inicial. Para una cadena de Markov irreducible y aperiódica, la distribución de estado estacionario es única.

¿Cómo se calculan las probabilidades de estado estacionario?

Para encontrar el vector de estado estacionario π, se resuelve el sistema πP = π sujeto a la restricción de que todas las probabilidades sumen 1 (Σπᵢ = 1). Esto es equivalente a resolver (Pᵀ - I)π = 0 con la restricción de normalización. También se puede usar la iteración de potencia: multiplicar repetidamente una distribución inicial por P hasta la convergencia.

¿Cuándo tiene una cadena de Markov una distribución de estado estacionario única?

Una cadena de Markov finita tiene una distribución estacionaria única cuando tiene exactamente una clase comunicante cerrada; en particular, siempre que es irreducible (se puede llegar a cada estado desde cualquier otro). La aperiodicidad no es necesaria para la unicidad: la cadena periódica [[0, 1], [1, 0]] tiene el estado estacionario único (½, ½). Lo que aporta la aperiodicidad es la convergencia: una cadena irreducible y aperiódica (ergódica) se acerca a esa distribución desde cualquier punto de partida.

¿Qué es el tiempo medio de retorno en una cadena de Markov?

El tiempo medio de retorno para el estado i es el número esperado de pasos para volver al estado i comenzando desde el estado i. Para una cadena de Markov ergódica, el tiempo medio de retorno es igual a 1/πᵢ, donde πᵢ es la probabilidad de estado estacionario del estado i. Los estados con mayor probabilidad de estado estacionario tienen tiempos medios de retorno más cortos.

¿Cuál es la diferencia entre una matriz de transición y un vector de estado estacionario?

Una matriz de transición P es una matriz n×n donde P(i,j) da la probabilidad de pasar del estado i al estado j en un paso. Cada fila suma 1. El vector de estado estacionario π es un vector de probabilidad 1×n que representa la distribución a largo plazo a través de los estados. Mientras que P describe la dinámica de un solo paso, π describe el comportamiento en equilibrio.

Recursos adicionales

• Cadena de Markov - Wikipedia
• Matriz estocástica - Wikipedia