n1=231
n2=260
n3=250
n4=259
Estado 3:
n1=265
n2=229
n3=249
n4=257
Estado 4:
n1=235
n2=248
n3=261
n4=256
TERCER CASO(10000 lanzamientos):
Estado 1:
n1=2463
n2=2503
n3=2470
n4=2564
No ejecutamos los otros tres casos ya que el proceso en matlab dura bastante tiempo y con uno
es necesario para observar su comportamiento.
Como podemos observar de los resultados el proceso est en los 4 estados ms o menos el mismo
nmero de veces, cuanta mayor sea el nmero de lanzamientos mejor es esta aproximacin.
La explicacin a esto reside en que al tratarse de un proceso de Markov con una matriz de probabilidad, sabemos que la solucin es esta matriz elevada al nmero de lanzamientos por el estado
inicial, y al tratarse de una matriz de Markov converje en el innito hacia otra cuyas columnas o
las(segn hayamos denido la matriz) son iguales y adems son iguales al valor del vector asociado al subespacio generalizado del autovalor uno cuyo mdulo es uno. Esto se produce debido
a la combinacin del teorema de Grechgorin(es posible su uso debido a la positividad de todos
los elementos de la matriz inicial al cuadrado) y de calcular que el 1 es raiz simple, las otras tres
raices son de mdulo menor que uno y por lo tanto en la solucin estarn elevadas al nmero
de lanzamientos, los cuales cuando sean muy grandes harn tender esto hacia cero y slo nos
quedaremos con el trmino asociado al uno. Por lo tanto el vector al que tienden las las o las
columnas de la matriz es aquel cuyas cuatro componentes son iguales a 1/4, de lo cual podemos
deducir los resultados obtenidos experimentalmente.
Cuanto menor sea el nmero de lanzamientos mas inuencia tienen en la solucin las otras raices
y por tanto ms dispersos son los resultados, como podemos observar al comparar los resultados
del primer caso teniendo en cuenta que se trata de solamente 100 lanzamientos con los resultados
del caso 3 teniendo en cuenta que se trata de 10000 lanzamientos.