Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Articulo Operaciones
Articulo Operaciones
Resumen: En este trabajo dos modelos probabilísticos que complementan el estudio de las Cadenas de
Markov. Estos modelos corresponden a Cadenas de Markov de tiempo continuo donde se consideran las
variables aleatorias Xt con t que varía en un intervalo continuo del conjunto de números reales y las
Cadenas Ocultas de Markov donde en el que se asume que el sistema a modelar es un proceso de Markov de
parámetros desconocidos y cuyo objetivo es determinar los parámetros desconocidos (u ocultos, de ahí el
nombre) de dicha cadena a partir de los parámetros observables
Abstract: In this work two probabilistic models that complement the study of Markov chains. These models
correspond to Markov chains continuous time which are considered random variables Xt with t ranging over a
continuous range of the set of real numbers and the Hidden Markov chain where in which it is assumed that
the system modeling is a process Markov unknown parameters and aims to identify (or hidden, hence the
name) unknown parameters of the chain from observable parameters.
1
Cadenas de Markov: Andrei Andreivich
Markov, matemático Ruso. Citado en el libro de la universidad de buenos Aires- Argentina.12 de
investigación de operaciones, libro publicado por Sep.- 2009.
En procesos con “larga memoria” (cadenas con caracterizar procesos estocásticos para los cuales
conexiones completas) el valor que toma el
no contaban con suficientes observaciones. Surgió
proceso en cada paso depende de todo el pasado.
entonces la idea que implicaba modelar un
Para nuestro interés, en las continuas páginas se
proceso estocástico particular como un proceso
presentarán procesos de Cadenas de Markov de
Tiempo Continuo y resultados importantes de estocástico doble, en el cual las realizaciones de
este tipo de procesos. Se mostrarán ejemplos
un primer proceso (llamado el proceso oculto),
relacionados con la biología, aunque dichos
procesos tienen muchas aplicaciones en otras daban origen a un segundo proceso (llamado el
áreas como economía, sociología, física, etc.
proceso observado). Los dos procesos se lograban
caracterizar usando sólo el que se podía observar
OBJETIVOS.
(Deller et al., 1993). Del tratamiento de este
OBJETIVOS GENERALES. problema surgió el algoritmo de identificación que
• Estudiar los lineamientos que se conoce como algoritmo de Máxima Estimación,
rigen los procesos de cadenas de Markov ME (Deller et al., 1993).Luego, en los primeros
y procesos de markov ocultos a través de años de la década de mil novecientos setenta se
esta revisión bibliográfica y así realizar desarrolló un caso especial del algoritmo de ME,
un trabajo detallado sobre estos para estimar los parámetros de los MOM, el F-B
procesos. (forward-backward) también llamado algoritmo
• Hacer un análisis de los de re-estimación Baum-Welch, en honor a sus
aspectos que comprenden los procesos de creadores (Deller et al., 1993; Kanungo, 1998;
markov ocultos y sus diferentes Rabiner, 1989).
aplicaciones en la ciencia y la tecnología
OBJETIVOS ESPECÍFICOS CADENAS DE MARKOV DE TIEMPO
CONTINUO
Identificar las clases de estados
existentes con sus respectivas variables. Existen ciertos casos (como en algunos modelos
de líneas de espera) en los que se requiere un
Diferenciar claramente las características parámetro de tiempo continuo, debido a que el
de las cadenas de Markov que guardan proceso se está observando de manera continua a
través del tiempo.2
ciertas relaciones.
Determinar cuáles que son y cuáles son DESCRIPCIÓN DE “CADENAS DE
MARKOV DE TIEMPO CONTINUO”
las principales aplicaciones de las
cadenas de Markov ocultas Estados posibles del sistema: 0,1,.., M Los estados
son discretos
Parámetro continuo: Tiempo t’ para
Estado del sistema en el tiempo t’: variable
Marco teórico aleatoria
Distribución de probabilidad del estado del Con lo anterior en mente, tenemos que
sistema en el tiempo La variable aleatoria Ti tiene una distribución
exponencial con media .
Cuando abandona el estado i el proceso entra
en el estado j con probabilidad de transición
Luego, Un proceso estocástico de tiempo continuo con:
tiene la propiedad Markoviana si:
Probabilidad de transición
igual que en eventos discretos Para
No es necesario que t
sea entero.
Se supone que
Las siguientes ecuaciones de estado estable son El estado (número de máquinas descompuestas)
más útil para obtener las probabilidades de estado Aumenta en 1 cuando ocurre una
estable: descompostura
Disminuye en 1 cuando hay una
reparación
Ejemplo. q02 = 0
Ejemplo: q20 = 0
Un taller opera con 2 máquinas idénticas q
El tiempo esperado de reparación es ½ de día
La tasa a la que se terminan las reparaciones
.Figura: ecuaciones de balance (cuando hay máquinas descompuestas) es 2
máquinas por día
Esto implica
q21 = 2
q10 = 2
3. La distribución de probabilidad de
TIPOS DE MODELOS OCULTOS DE
transición o el conjunto de
probabilidades . Usualmente MARKOV
representada por una matriz donde:
Esto
es, la probabilidad de estar en el estado La siguiente clasificación de los modelos ocultos
Sj en el instante t+1, dado que en el de Markov, no se debe exclusivamente a alguna
instante t estuve en el estado Sí. Para el de sus características. Esto quiere decir, que los
caso especial en el que cada estado puede dos primeros tipos cuya clasificación depende de
llevar a cualquier otro estado en una sola los valores de las matrices de probabilidad de
transición, para todo i, j. En transición, son excluyentes entre ellos pero no con
otros tipos de MOM, se tiene que el tercer tipo. Así, podemos tener MOM que sean
para uno o más pares (i, j). no ergódicos y autoregresivos o bien ergódicos y
autoregresivos al mismo tiempo.
4. La distribución de probabilidad de
observación de símbolos B = {bj (k)}. Ergódicos:
Esta distribución de probabilidad
representa la probabilidad de observar el Cuando un modelo oculto de Markov tiene una
símbolo k estando en el estado j donde: matriz de probabilidad de transición de estados
completa (es decir, que no es cero para ningún a ij)
se dice que el modelo oculto de Markov es
ergódico. En este tipo de modelo oculto de
Markov cualquier estado puede ser visitado
5. La distribución inicial π Representa el
nuevamente con probabilidad 1 y estas visitas no
estado inicial del sistema modelado,
deben tomar necesariamente lugar en intervalos de
donde: .
tiempo periódicos. La siguiente figura muestra un
Dados valores apropiados para
ejemplo de este tipo de modelo, esta es la cadena
, el modelo oculto de
de Markov de la detección de las anomalías en la
Markov puede ser utilizado como el
carga de un procesador con N=4, siendo N el
generador de una secuencia de
número de estados.
observaciones
Autoregresivos:
Los modelos ocultos de Markov autoregresivos,
tienen casos especiales del parámetro “B”. APLICACIONES DE LAS CADENAS
Cuando los símbolos observables de un modelo OCULTAS DE MARKOV.
oculto Markoviano son vectores continuos (no son
un conjunto discreto como un alfabeto), la función Los modelos ocultos de Markov son
de distribución de probabilidad , es especialmente aplicados al reconocimiento de
remplazada por la función continua formas temporales, como el reconocimiento del
= probabilidad de que el habla, los gestos y movimientos corporales,
vector de observación O se encuentre entre reconocimiento óptico de caracteres, de escritura
manual, de gestos o bioinformática, predicción de muchas aplicaciones cotidianas llevadas al
regiones que codifican proteínas dentro de contexto de nivel ingenieril con el fin de aumentar
genomas, modelado de familias de secuencias de el nivel de asertividad en la solución de
proteína o ADN relacionado, predicción de problemas, se hizo por ejemplo, mención a la
elementos de estructura segundaria en secuencias teoría de colas donde la evolución o el
primarias de proteínas, Criptoanálisis, traducción comportamiento de dicho proceso se hace de
automática, seguimiento de partículas musicales, manera continua.
comportamiento del cliente, entre otros. Es fundamental el conocimiento de expertos para
formular probabilidades en los procesos de tiempo
continuo, ello conlleva a Identificar
En general, las aplicaciones varían en distintas adecuadamente las clases de estados existentes
ramas científicas nos dan a entender la con sus respectivas variables sin temor alguno de
flexibilidad y potencialidades de estos modelos equivocarse.
matemáticos, que da una data histórica A medida que se vuelve natural identificar
representativa, pueden estimar probabilidades y procesos de tiempo continúo, entonces también se
con estas extrapolar conclusiones a posteriori adquiere destreza en Diferenciar claramente las
dentro de un marco de alta variabilidad y poco características de las cadenas de Markov que
conocimiento de las variables cuantitativas. guardan ciertas relaciones como es el caso de
cadenas de Markov de tiempo discreto y continúo.
Reconocimiento de palabra aislada
usando cadenas ocultas de markov References
HMM
Para cada palabra de un vocabulario de palabras se Deller Jr, J. R., Proakis, J. G., &
quiere diseñar un modelo oculto de markov
(HMM) con N estados. Para cada palabra en el Hansen, J. H. (1993). Discrete time
vocabulario se tiene un conjunto de entrenamiento
con K instancias de la palabra hablada por uno o processing of speech signals
más locutores. Cada ocurrencia de la palabra
constituye una secuencia de observación. Las Prentice Hall PTR.
observaciones son alguna representación espectral
(cepstral) o temporal de la señal de voz. Maldonado, L. (2012). Los modelos
Operativa, , 102.
Ayuso, A. J. R. (2001).