“PREDICCIÓN DE SUCESOS POR EL MÉTODO DE MARKOV”

Estrella Lucía Salado Gil, Alexa Montserrat Gutiérrez Lozano, Ana Lizeth Herrera salcedo.
Universidad de Guadalajara, Centro Universitario de Ciencias Exactas e Ingenierías, Ingeniería
Industrial, Álgebra Lineal.

Introducción
El Álgebra Lineal es una parte esencial en la formación matemática de un ingeniero y sus
aplicaciones son numerosas, entre ellas encontramos la optimización de procesos,
procesamiento de imágenes, etc.
El Ingeniero Industrial es el agente gestor del mejoramiento de la productividad. Sus
esfuerzos se dirigen a implementar el mejor proceso de producción, a través del diseño de
sistemas integrados y métodos matemáticos.
Los modelos probabilísticos son utilizados para la evolución y comportamiento a corto y
largo plazo de determinados sistemas, dando con esto el resultado de un mejoramiento de
productividad.
Las cadenas de Markov son una serie de eventos, en la cual la probabilidad de que ocurra
un evento depende del evento inmediato anterior. El análisis de Markov permite encontrar
la probabilidad de que un sistema se encuentre en un estado en particular en un momento
dado.
Marco teórico
Andréi Andréyevich Márkov (14 de junio de 1856 - 20 de julio de1922) fue un matemático
ruso conocido por sus trabajos en la teoría de los números y la teoría de probabilidades.
El análisis de Markov (llamado así en su honor) fue desarrollado en 1907 y resume toda la
información relevante para describir en probabilidad su estado futuro.
“Dado el presente, el futuro es independiente del pasado.”
Cadena de Markov:
Una cadena es un proceso en tiempo discreto en el que una variable aleatoria 𝑋𝑛 va
cambiando con el paso del tiempo.
Las cadenas de Markov tienen la propiedad de especificar la probabilidad de que 𝑋𝑛 = 𝑗
sólo depende del estado inmediatamente anterior del sistema 𝑋𝑛−1 (recuerdan el último
evento). Cuando en una cadena dichas probabilidades no dependen del tiempo en que se
considere 𝑛 𝑷(𝑿𝒏 = 𝒋 | 𝑿𝒏−𝟏 = 𝒊) se denomina cadena homogénea, esto es, las
probabilidades son las mismas en cada paso. Esta se conoce como la propiedad de Markov.
Matriz de transición:
La matriz de transición o matriz estocástica es aquella que contiene todas las probabilidades
de transición, estas indican la probabilidad de que partiendo de un estado 𝑖 se llegue al
estado 𝑗 en 𝑛 períodos.
Probabilidad de transición:
En una cadena homogénea finita con 𝑚 posibles estados 𝐸1 , 𝐸2 , … , 𝐸𝑚 se puede introducir
la notación 𝑷𝒊𝒋 = 𝑷(𝑿𝒏 = 𝒋 | 𝑿𝒏−𝟏 = 𝒊) , donde:

𝑷𝒊𝒋 = 𝑷(𝑿𝒏−𝟏 = 𝒊| 𝑿𝒏 = 𝒋) ≥ 𝟎 para 𝑖, 𝑗 = 0,1,2 …

∑∞ ∞
𝒋=𝟎 𝑷𝒊𝒋 = ∑𝒋=𝟎 𝑷( 𝑿𝒏−𝟏 = 𝒊 | 𝑿𝒏 = 𝒋) = 𝟏 para 𝑖 = 0,1,2 …

Cada fila de la matriz representa una distribución de probabilidad.

Todos estos valores se combinan formando una matriz de transición 𝑻 de tamaño
𝒎∗𝒎.
𝒑𝟏𝟏 𝑷𝟏𝟐 … 𝑷𝟏𝒎
𝑷 𝑷𝟐𝟐 ⋯ 𝑷𝟐𝒎
𝑻 = (𝑷𝒊𝒋 ) = [ 𝟐𝟏 ]
⋮ ⋮ ⋱ ⋮
𝑷𝒎𝟏 𝑷𝒎𝟐 ⋯ 𝑷𝒎𝒎
*Si las matrices A= 𝐴𝑖𝑗 y B=𝐵𝑖𝑗 son matrices de transición, entonces C = A · B es también
transición (por la regla de multiplicación de matrices).

Diagrama de Probabilidad de estados:

Es un dígrafo dirigido cuyos nodos son los estados de la cadena de Markov y cuyos arcos
se etiquetan con la probabilidad de transición entre los estados que unen. Si dicha
probabilidad es nula, no se pone arco.

Probabilidad de transición en 𝒏 pasos:

Se define 𝑃𝑖𝑗 𝑛 como la probabilidad de que la cadena este en el estado 𝐸𝑗 después de 𝑛
pasos, dado que la cadena empezó en el estado 𝐸𝑖 (saltar de un estado al otro desde
cualquier etapa). Se tiene que 𝑷𝒊𝒋 (𝒏) = 𝑷( 𝑿𝒏 = 𝒋 | 𝑿𝟎 = i), así 𝑷𝒊𝒋𝒏 = 𝑻𝒏 .
Ventajas:
• Ayuda en la toma de decisiones.
• Simple de aplicar y entender.
• Cálculos de sensibilidad (se llevan a cabo fácilmente).
• Proporciona una perspectiva de los cambios en el sistema.

Desventajas:
• No puede ser totalmente efectivo en procesos complejos.

Exposición de la propuesta
En una determinada fábrica, el estado de cada máquina es clasificado de acuerdo a su
funcionamiento, funcionando correctamente, sistema de alerta de daño activado o dañado.
Estas clasificaciones son actualizadas cada mañana por el ingeniero industrial encargado de
supervisar que el proceso de fabricación se lleve de la mejor manera y sin retrasos, de
acuerdo a la evaluación experimentada por las maquinas. Las probabilidades con las cuales
cada máquina se mueve de un estado a otro se resumen en la tabla que sigue:

Funcionando Alerta de dañado Dañada

Funcionando 0.6 0.3 0.1

Alerta de daño 0.4 0.4 0.2

Dañada 0.1 0.4 0.5

Sea 𝑋𝑛 la variable aleatoria que indica el estado que se encuentra una maquina cualquiera
en la fábrica en el día n. Los valores posibles para dicha variable son F, A y D,
representando los estados funcionando, alerta de daño y dañada, respectivamente. Un grafo
que representa dicho proceso estocástico dado la tabla anterior es:

Resultados
¿Cuál es la probabilidad que una maquina en funcionamiento un día jueves esté
dañada el día sábado?
La probabilidad de que una maquina esté en funcionamiento el día Jueves y que el día
2
Sábado esté dañada, está dado por: PFD , es decir, la probabilidad de pasar de funcionando a
dañada al cabo de 2 días.

2
𝑃𝐶𝐸 = (0.3 × 0.2) + (0.1 × 0.5) + (0.6 × 0.1) = 0.17

Notar que de forma equivalente se pueden utilizar las ecuaciones matriciales:

𝐹 𝑛 = 𝑃𝑛−1 × 𝑇

𝑃0 = [1 0 0]

0.6 0.3 0.1

𝐹1 = 𝑃0 𝑇 = [0.4 0.4 0.2] [1 0 0]
0.1 0.4 0.5

= [0.6 + 0+ 0][0.3 + 0+ 0][0.1 + 0+ 0] = [0.6 0.3 0.1]

𝑃1 = [0.6 0.3 0.1]

 0.6 0.3 0.1
𝐹 2 = 𝑃1 𝑇 = [0.4 0.4 0.2] [0.6 0.3 0.1]
0.1 0.4 0.5

= [0.36 + 0.12 + 0.01][0.18 + 0.12 + 0.04][0.06 + 0.06 + 0.05]

= [0.49 0.34 0.17]

Se comprueba que la probabilidad de pasar del funcionamiento a dañado al cabo de 2 días

es de un 17%.

¿Cuál es la probabilidad que una máquina dañada el lunes experimente algunas

reparaciones y no esté dañada nuevamente el miércoles?
En este caso cambia la distribución inicial respecto al escenario anterior (ahora la maquina
está dañada), no obstante, también resulta de nuestro interés analizar qué sucede al cabo de
2 días.

𝑃0 = [0 0 1]

0.6 0.3 0.1

𝐹1 = 𝑃0 𝑇 = [0.4 0.4 0.2] [0 0 1]
0.1 0.4 0.5

= [0 + 0+ 0.1][0 + 0+ 0.4][0 + 0+ 0.5] = [0.1 0.4 0.5]

𝑃1 = [0.1 0.4 0.5]

0.6 0.3 0.1

2 1
𝐹 = 𝑃 𝑇 = [0.4 0.4 0.2] [0.1 0.4 0.5]
0.1 0.4 0.5

= [0.06 0.16 0.05][0.03 0.16 0.2][0.01 0.08 0.25] = [0.27 0.39 0.34]

La probabilidad de que comenzando en un estado dañado al cabo de 2 días una maquina se

encuentre en funcionamiento o en alerta de daño. La suma de dichas probabilidades es un
66% que da respuesta a la interrogante anterior.

Conclusiones
El álgebra lineal tiene miles de aplicaciones y entre esas encontramos que las cadenas de
Markov son un método muy sencillo y fácil de aplicar en cualquier ámbito laboral y
cotidiano, estas brindan un gran apoyo en la toma de decisiones y gracias a ellas podemos
predecir los cambios futuros.
El Ingeniero industrial también las puede aplicar en los estudios de mercado, el análisis de
consumismo hacia cierto producto, entre otras muchas aplicaciones. Incluso no solo tiene
aplicación en esta rama, también se pueden realizar análisis en el clima, predecir avances de
estado de salud, entre muchas otras.

Referencias Bibliográficas
Lasantha, P.. (2011). CADENAS DE MARKOV. mayo,05,2018, de Free WordPress Sitio
web: http://investigaciondeoperaciones2markov.blogspot.mx/p/teoria-y-ejemplos.html
RMP. (2015). cadenas de markov. 05/05/2018, de GEO tutoriales Sitio web:
https://www.gestiondeoperaciones.net/cadenas-de-markov/cadenas-de-markov-ejercicios-
resueltos/
Valle, F.. (2009). Introducción a las Cadenas o Procesos de Markov. mayo,05,2018, de
unam Sitio web:
http://www.ingenieria.unam.mx/javica1/ingsistemas2/Simulacion/Cadenas_de_Markov.ht
m