Universidad Peruana de Ciencias Aplicadas

FACULTAD DE INGENIERÍA

Ciclo: Tercero

Curso: Matemática Discreta

Sección: 15257

Docente: Yuliana Villarreal Montenegro

Informe del tecer entregable correspondiente a la semana 9

Integrantes:

Francis Diogo Jet Loyola Felix - U20241I955

Gengis Cam Pizarro - U202517715
Miñano Peña, Gianmarco Joel - U202520711
Villacorta Herrán, David Arturo - U202518876
Link del video:
[Link]
usp=drive_link
 Índice

1. Introducción …………………………………………………………………………3
2. Objetivos ……………………………………………………………………………..4
2.1 Objetivo General ………………………………………………………………….4
2.2 Objetivos Específicos ……………………………………………………………..4
3. Marco teórico ………………………………………………………………………...5
3.1 Fundamentación del proceso estocástico ................................................................5
3.2 Espacio de estados y representación gráfica ...........................................................6
3.3 Dinámica matricial y predicción .............................................................................6
3.4 Análisis de convergencia .........................................…………………………….. 8
4. Ejercicios resueltos ………………………………………………………………....9
4.1 Ejercicio 1 ………………………………………………………………………..9
4.2 Ejercicio 2…………………………………………………………………….… 10
5. Programa …………………………………………………………………………..:11
6. Conclusiones ………………………………………………………………….…….12
7. Recomendaciones ……………………………………………………………..……13

1. Introducción

Las cadenas de Márkov son una herramienta útil para hacer estimaciones de
fenómenos que, aunque no son totalmente predecibles, como el clima, siguen
ciertos patrones. Su particularidad radica en que analizan la evolución de un sistema
a lo largo del tiempo basándose únicamente en su estado actual.
Este trabajo se centrará en aplicar el concepto de cadenas de Márkov al estudio del
clima. Se utilizarán datos históricos para identificar los distintos estados climáticos
(por ejemplo, soleado o nublado) y se creará una matriz de transición. Esta matriz
contendrá las probabilidades de cambiar de un estado climático a otro, lo que
permitirá estimar el clima de los días siguientes.
Además, se desarrollará una aplicación informática para automatizar estos cálculos.
Esto no solo facilitará la predicción, sino que también contribuirá a una mejor
comprensión práctica de cómo funcionan las cadenas de Márkov en situaciones
reales.
2. Objetivos

2.1. Objetivo general

● Desarrollar e implementar un programa ejecutable en C++ para la
construcción de una Cadena de Márkov. El programa utilizará una secuencia
de 60 días de datos climáticos empíricos para:
● Determinar la matriz de transición.
 ● Estimar con precisión las probabilidades de los estados climáticos para los 4
días siguientes.

2.2. Objetivos Específicos

● Elaborar un modelo matemático estocástico para la solución predictiva de un

problema del contexto real.
● Aplicar y demostrar la comprensión de los conceptos de vectores de estado y
multiplicación matricial del curso.
● Respaldar la teoría desarrollada con la resolución analítica de un mínimo de
dos ejercicios.
● Completar el avance inicial del 30% del código fuente, enfocándose en la
estructuración de la lógica para la recolección de frecuencias y la definición
de estados.

3. Marco teórico

3.1 Fundamentación del proceso Estocástico

● El estudio del clima se modela como un proceso estocástico de tiempo
discreto, definido por una secuencia de variables aleatorias { X n: n = 0,1,
2, ...}. En nuestro contexto, X n representa el estado meteorológico en el día n.

● Propiedad de Márkov: Esta propiedad se refiere a la "falta de memoria" del

sistema. Esto significa que la distribución condicional de cualquier estado
futuro, dado el estado presente, es independiente de los estados pasados. En
términos sencillos, como indican Sekhon y Bloom (2026), "la probabilidad de
que el sistema esté en un estado en el siguiente paso depende únicamente
del estado actual" (p. 310). La fórmula correspondiente ilustra esta
característica.
P( X n+1= j∨X n=i, X n−1 =i n−1 , . .. , X 0 =i0 )=P( X n+1 = j∨ X n=i)

3.2 Espacio de estados y representación grafica

● Para la implementación computacional, definimos un espacio de estados

finitos S={e1,e2,e3,e4},Según indica Fewster (2011), el espacio de estados
es el conjunto exhaustivo de todos los valores posibles que puede tomar la
variable aleatoria en cada instante. Cada elemento de este conjunto
corresponde a una de las categorías climáticas observadas en la realidad
meteorológica modelada:
 ● e1: Nublado (N)

● e2: Parcialmente Nublado (PN)

● e3: Parcialmente soleado (PS)

● e4: Soleado (S)

3.3 Dinámica matricial y predicción

● La probabilidad de transición se organiza en una matriz estocástica P. la

predicción para múltiples pasos se rige por las ecuaciones de Chapman-
Kolmogorov, que permiten determinar la probabilidad de transición de k
pasos mediante la potencia k-enésima de la matriz.
(k) (0 ) k
v =v . P
 Donde v(0) es el vector de probabilidad inicial, este método ofrece una
resolución determinada del problema probabilístico, permitiendo al programa
computar el clima para los días: n+1, n +2, n+4 con exactitud matemática.

3.4 Análisis de convergencia

● Un aspecto crítico del marco teórico es la identificación del vector

estacionario pi, si la cadena es irreducible y aperiódica, el sistema tiende a un
equilibrio de largo plazo que satisface la ecuación: (Border, 2021):
π P= π
● Este análisis es vital para comprender la tendencia climática general de la
región estudiada, más allá de la variabilidad diaria inmediata.

3.5. Matriz Estocástica de Transición de Probabilidades (P)

● La dinámica intrínseca del clima a través del tiempo se captura

mediante las probabilidades de transición de un paso, denotadas como
pij, que representan la probabilidad empírica de transitar del estado i al
estado j en exactamente 24 horas. Estos valores se estructuran en una
matriz cuadrada P de dimensiones 4 x 4. para que el modelo
matemático sea rigurosamente válido, la matriz de transición debe
cumplir con los axiomas fundamentales de Kolmogorov,
conformándose como una matriz estocástica por filas:

1. Axioma de No Negatividad: Ninguna probabilidad puede ser inferior a

cero.
pij ≥ 0 ∀ i , j∈ S

2. Axioma de certeza total: El sistema debe ineludiblemente transitar

hacia alguno de los estados definidos dentro del espacio, por lo que la
suma de las probabilidades de cada fila debe ser estrictamente igual a
la unidad.
❑
∑ ❑ Pij=1 ∀ i ∈ S
j∈ S

4. Ejercicios resueltos

Para respaldar la base teórica del proyecto, se presentan dos ejercicios resueltos
analíticamente.
 4.1. Ejercicio N°1: Probabilidad de transición a n-pasos

Enunciado: Suponga un microclima con solo dos estados: 1 (Lluvioso) y 2 (Seco).

La matriz de transición P diaria es:
P =[ 0.7 0.3 0.2 0.8 ]
Si hoy el clima es Seco (Estado 2), ¿cuál es la probabilidad de que llueva dentro de
2 días?

Solución:
Definimos el vector de estado inicial V 0 asumiendo certeza del 100% en el estado
Seco:
V 0 = [ 0 1]
Buscamos el vector V 2 = V 0x P . Primero calculamos P2.
2

P =¿ [ 0.7 0.3 0.2 0.8 ] x [ 0.7 0.3 0.2 0.8 ] = [ 0.55 0.45 0.30 0.70 ]
2

Multiplicamos por el vector inicial:

V 2 = [ 0 1 ] x [ 0.55 0.45 0.30 0.70 ] = [ 0.30 , 0.70 ]

Respuesta: Existe un 30% de probabilidad de que el clima sea lluvioso dentro de

dos días.

4.2. Ejercicio N°2: Vector de Estado Estable

Enunciado: Dado el sistema anterior, determine las probabilidades climáticas a

largo plazo (estado estable).

Solución:
Buscamos un vector π = [ π 1 , π 2 ] tal que π x P = π y π 1 + π 2 = 1.

Ecuación 1: 0.7 π 1 + 0.2 π 2 = π 1 0.2 π 2 = 0.3 π 1 π 2 = 1.5 π 1

Sustituimos en la suma probabilística:

π 1 + 1.5 π 1 = 1 2.5 π 1 = 1 π 1 = 0.4

Por lo tanto, π 2 = 0.6.

Respuesta: A largo plazo, el clima tenderá a ser lluvioso el 40% de los días y seco
el 60% de los días, independientemente del estado actual.

4.3 Ejercicio N°3:

Enunciado: Supongamos que el clima de cierta ciudad es lluvioso o despejado.
Como resultado de un amplio registro, se ha determinado que la probabilidad de que
1
se dé un día lluvioso después de un día despejado es , y la probabilidad de que se
3
1
tenga un día lluvioso después de otro día lluvioso es . Sea D el estado de un día
2
despejado y R el de un día lluvioso. Entonces, la matriz de transición de esta
cadena de Markov es

D R

T= [
2111
3232
DR ]
Suponga que comenzamos nuestra observación (día 0) en un día despejado, de
modo que el vector de estado inicial es.

x = [ 1 0]
(0)

Entonces, el vector de estado en el día 1 (el día siguiente al que comenzamos

nuestras observaciones) es

x =Tx =[ 0.67 0.5 0.33 0.5 ] [ 1 0 ] = [ 0.67 0.33 ]

(1) (0)

donde las fracciones se han aproximado a dos decimales. Así, la probabilidad de

que no llueva el día 1 es 0.67, y la probabilidad de que llueva ese día es 0.33. De
manera similar,

x =Tx =[ 0.67 0.5 0.33 0.5 ] [ 0.670 0.330 ] [ 0.614 0.386 ]

(2) (1)
=
x =Tx =[ 0.67 0.5 0.33 0.5 ] [ 0.614 0.386 ] [ 0.604 0.396 ]
(3) (2)
=
x =Tx =[ 0.67 0.5 0.33 0.5 ] [ 0.604 0.396 ] [ 0.603 0.397 ]
(4 ) (3)
=
x =Tx =[ 0.67 0.5 0.33 0.5 ] [ 0.603 0.397 ] [ 0.603 0.397 ]
(5) (4 })
=

A partir del cuarto día, el vector de estado del sistema es siempre el mismo,

[ 0.603 0.397 ]

Respuesta: Esto significa que, a partir del cuarto día, no llueve en 60% del tiempo,
y llueve 40% del tiempo.

5. Avance de implementación del Código (100%)

5.1 Pantalla en ejecución:
8. Conclusiones
● Cumplimiento de la modelación computacional: Se ha logrado diseñar e
implementar con éxito un programa ejecutable en C++ que logra automatizar
el ingreso de datos climáticos (60 días), el algoritmo procesa eficientemente
las frecuencias absolutas para construir la matriz de transición estocástica,
cumpliendo a cabalidad con el objetivo general propuesto para el proyecto.

● Validación del poder predictivo matricial: Se ha demostrado

matemáticamente y computacionalmente que el uso de las ecuaciones de
Chapman-Kolmogorov, mediante la multiplicación iterativa de vectores de
estado por potencias de la matriz P, constituye un método altamente preciso
para proyectar el clima a corto y mediano plazo (días n+1 a n + 4).

● Importancia del cálculo analítico de respaldo: la resolución manual y

teórica de los ejercicios sobre probabilidad a n-pasos y el hallazgo del vector
estacionario han servido como un estándar riguroso de control de calidad.
Estos desarrollos aseguran que la lógica implementada en el código fuente
arroja resultados coherentes, estables y libres de errores lógicos.

● Utilidad en la resolución de problemas reales: el presente trabajo

evidencia empíricamente cómo los conceptos avanzados de la matemática
discreta, específicamente el modelado mediante cadenas de Markov,
trascienden en la teoría para ofrecer soluciones tangibles a problemas de
incertidumbre. esto facilita la planificación estratégica en sectores productivos
o de transporte que dependen directamente de las condiciones atmosféricas
 9. Recomendaciones

Se recomienda ampliar la cantidad de datos utilizados para la construcción de la

matriz de transición, ya que una mayor muestra permitiría obtener probabilidades
más representativas y reducir posibles sesgos en las predicciones del modelo.
Asimismo, sería conveniente incrementar el número de estados climáticos
considerados, incorporando categorías adicionales que permitan representar con
mayor precisión la complejidad del sistema real. Esto contribuiría a mejorar la
fidelidad del modelo frente a situaciones reales.
Por otro lado, se sugiere implementar un proceso de validación del modelo,
comparando las predicciones obtenidas con datos reales posteriores. Esto permitiría
evaluar el nivel de precisión del sistema y detectar posibles mejoras en su
formulación.
En cuanto al desarrollo del programa, se recomienda optimizar su funcionalidad
permitiendo el ingreso dinámico de datos, la modificación del número de estados y
la ampliación del horizonte de predicción. Asimismo, la incorporación de
visualizaciones gráficas facilitaría la interpretación de los resultados.
Finalmente, es importante considerar como limitación que el modelo de cadenas de
Márkov asume que el estado futuro depende únicamente del estado actual, lo cual
no siempre se cumple en sistemas reales como el clima. Por ello, se sugiere
explorar modelos más complejos en futuros trabajos que contemplen dependencias de
orden superior o variables adicionales.

Bibliografía:

Border, K. C. (2021). Lecture 16: Introduction to Markov chains [Lecture notes]. The Ohio

State University. [Link]

Fewster, R. M. (2011). Chapter 5: Markov chains [Lecture notes]. University of Auckland.

[Link]

Grimaldi, R. P. (1998). Matemáticas discretas y combinatoria : una introducción con

aplicaciones. Argentina: Pearson Educación.

Sekhon, J. S., & Bloom, D. (2026). 10.1: Introducción a las cadenas de Markov. LibreTexts.

[Link]

Matematicas_Finitas_Aplicadas_(Sekhon_y_Bloom)/10%3A_Cadenas_de_Markov/

10.01%3A_Introducci%C3%B3n_a_las_cadenas_de_Markov
Álvarez Machuca, M., Arias Torres, J. P., Cayo Medina, J., Moron, G., Pomalima Rodríguez,

R., & Ramírez Flores, R. del P. (2023). Estudio Epidemiológico de Salud Mental en

Niños y Adolescentes en Lima Metropolitana en el contexto de la COVID-19, 2020:

Publicado: 30 de diciembre de 2021. Anales De Salud Mental, 37(2), Páginas: 1-113.

[Link]