Métodos inferenciales sobre cadenas de Markov en tiempo discreto con espacio de estados finito

El presente ensayo explora algoritmos computacionales para la estimación de parámetros, ampliando así el entendimiento y la implementación práctica de estos métodos en la investigación y la resolución de problemas en distintos ámbitos. La simulación estocástica se presenta como una herramienta indispensable para explorar la dinámica temporal de las cadenas de Markov. Su capacidad para generar múltiples trayectorias y evaluar diversos escenarios proporciona una visión rica y detallada de los procesos subyacentes. Además, los estimadores por momentos, basados en propiedades estadísticas de las observaciones, ofrecen una perspectiva analítica sólida para la estimación de parámetros mediante el cálculo de momentos empíricos. La máxima verosimilitud, como enfoque estadístico riguroso, busca los valores de los parámetros que maximizan la probabilidad de observar datos reales, brindando estimaciones precisas y eficientes. Este conjunto de métodos, convergiendo en un enfoque integral, facilita la inferencia en cadenas de Markov, proporcionando una comprensión más profunda de su comportamiento y su aplicabilidad en diversos contextos científicos y tecnológicos.