CADENAS DE MARKOV PARA EL MODELAMIENTO DE NEGOCIOS, INDUSTRIAS,

PREDICCIONES, DISTRIBUCIONES Y DEMAS.

INTEGRANTES:

MAURICIO GONZÁLEZ MARULANDA

MABEL CRISTINA MOLINA LOAIZA
JULIAN OCAMPO PINO

PROFESOR:

LILIANA MARÍA TRUJILLO MESTRA

INSTITUCIÓN UNIVERSITARIA DE ENVIGADO

JEFATURA DE CIENCIAS BÁSICAS
ENVIGADO
2021
 PLANTEAMIENTO DEL PROBLEMA

El método utilizado por los meteorólogos para predecir un día lluvioso o seco, además del
sistema de satélites, son las cadenas de Markov y el hallar la matriz de transición. Las cadenas de
Markov tienen como misión hallar la probabilidad de que ocurra un evento luego de haber
ocurrido un evento anterior. Esto significa que los meteorólogos buscan hallar la probabilidad de
que un día este lluvioso o seco, dejándose llevar de lo sucedido en el día anterior. Este es el
mejor y más sencillo ejemplo para aplicarse en las cadenas de Markov, ya que todo se puede
hacer utilizando una matriz 2x2 e intervalos de tiempos cortos.  Las cadenas de Markov se
pueden aplicar también en casos de mercadeo, demografía, agricultura y en muchas otras áreas
de estudios. Teniendo en cuenta todo lo que las cadenas de Markov nos puede ofrecer respecto a
su funcionalidad y enfocándonos tanto en el modelamiento de negocios, como en la realización
de pronósticos, distribuciones y demás, en este proyecto se van a mostrar y ejemplificar algunas
situaciones en que las cadenas de Markov fueron de utilidad para resolver los problemas en
cuestión.
MARCO TEÓRICO

Hoy en día los modelos matemáticos probabilísticos de Markov constituyen procesos

estocásticos más utilizados para modelar problemas reales y situaciones generales, basadas en las
probabilidades de eventos de etapas exactamente bien definidas dentro del comportamiento de
tales procesos y en observaciones indirectas de estos. Las utilizaremos en la segmentación,
análisis y evaluación de la matriz de transición, en espacios de disimilaridad como alternativas
para la selección de prototipos, para modelar la dinámica de poblaciones, valores esperados,
control de inventarios, data base, y como apoyo a tomar las mejores decisiones en los negocios,
entre otras aplicaciones.
Los modelos matemáticos probabilísticos permiten otra forma de cálculo de la probabilidad de
ventas de los productos, los cuales pueden encontrarse en un número finito de estados durante
determinados períodos de tiempo, denominados ciclos; que pueden ser representados en días,
meses, años, entre otros. El campo de las ventas es una de las áreas que constantemente tienen
que estar reorientando sus recursos para garantizar la disponibilidad técnica de las ventas del
producto. La tecnología industrial es utilizada ampliamente para la previsión, análisis y de los
clientes compradores, teniendo en cuenta que no está excepta de algún riesgo o falla humana, por
ejemplo, un cliente no compra periódicamente la misma cantidad todos los meses o años.

Proceso estocástico

En la teoría de la probabilidad, un proceso estocástico es un concepto

matemático que sirve para usar magnitudes aleatorias que varían con el
tiempo o para caracterizar una sucesión de variables aleatorias (estocásticas)
que evolucionan en función de otra variable, generalmente el tiempo. Cada
una de las variables aleatorias del proceso tiene su propia función
de distribución de probabilidad y pueden o no estar correlacionadas entre sí.
Cada variable o conjunto de variables sometidas a influencias o
efectos aleatorios constituye un proceso estocástico. Un proceso estocástico 
❑❑ X  puede entenderse como una familia uniparamétrica de variables
i

aleatorias indexadas mediante el tiempo t. Los procesos estocásticos

permiten tratar procesos dinámicos en los que hay cierta aleatoriedad.
Cadenas de Markov

Una cadena o modelo de Markov es una herramienta para analizar procesos en que la sucesión de
variables aleatorias evoluciona en función de otra variable. Dichas variables o conjunto de
variables que tienen efectos aleatorios reciben el nombre de proceso estocástico. La inserción de
este método a las matemáticas se le atribuye a Andrei Andreyevich Markov.
Una cadena de Markov es una secuencia X 1 , X 2 , X 3 ,… de variables aleatorias. El valor de Xn es
el estado del proceso en el tiempo n. De esta manera se obtiene la propiedad markoviana:

Donde xi es el estado del proceso en el instante i.

¿Quién fue Andrei Markov Andreyevich?

Andrei Markov Andreyevich nació el 2 de junio de 1856 en Riazán, Rusia. Markov fue uno de
los más famosos discípulos de Chebyshev y sus ideas se basaban en representar la probabilidad
como una ciencia matemática exacta y práctica.
La introducción de la cadena de Markov como un modelo para el estudio de variables aleatorias
fue uno de los aportes más representativos a las matemáticas. Markov también escribió un libro
de texto de estadística y probabilidad. Su obra influyó en muchos otros famosos matemáticos y
estadísticos, incluyendo SN Bernstein, Romanovsky VI, y Jerzy Neyman.
Después de contribuir en gran medida a la teoría de números, análisis, cálculo de diferencias
finitas, teoría de la probabilidad (con las cadenas de Markov) y las estadísticas, murió en
Petrogrado (San Petersburgo antes, ahora Leningrado), el 20 de julio de 1922.
Reseña histórica
Márkov nació en Riazán, Rusia. Antes de los 10 años su padre, un funcionario estatal, fue
trasladado a San Petersburgo donde Andréi entró a estudiar en un instituto de la ciudad. Desde el
principio mostró cierto talento para las matemáticas y cuando se graduó en 1874 ya conocía a
varios matemáticos de la Universidad de San Petersburgo, donde ingresó tras su graduación. El
nombre de cadenas de Markov se definió por primera vez en un artículo de 1906 que trataba la
ley de los grandes números y posteriormente demostró muchos resultados estándar sobre ellas.
Su interés en estás sucesiones se originó en las necesidades de la teoría de la probabilidad;
Markov nunca trató sus aplicaciones a las ciencias. Los únicos ejemplos reales que utilizó eran
de textos literarios, donde los dos estados posibles eran vocales y consonantes. Para ilustrar sus
resultados, hizo un estudio estadístico de la alternancia de las vocales y las consonantes en el
libro de Pushkin Eugene Onegin. Andrei Markov dio clase en la universidad de San Petersburgo
de 1880 a 1905, y se retiró para dar paso a matemáticos más jóvenes.

Cadenas homogéneas y no homogéneas

Una cadena de Markov es homogénea si la probabilidad de ir del estado i al estado j en un paso

no depende del tiempo en el que se encuentra la cadena, es decir:

Para todo n y para cualquier i, j.

Si para alguna pareja de estados y para determinado tiempo n, la propiedad antes mencionada no
se cumple se puede decir que la cadena de Markov es no homogénea.

TIPOS DE CADENAS DE MARKOV

Cadenas irreducibles:

Una cadena de Markov es irreducible si cumple con cualquiera de las siguientes condiciones
(equivalentes entre sí):
1. Desde cualquier estado de E se puede acceder a cualquier otro.
2. Todos los estados se comunican entre sí.
3. C(x)=E para algún x∈E.
4. C(x)=E para todo x∈E.
5. El único conjunto cerrado es el total.
Cadenas positivo-recurrentes
Una cadena de Markov es positivo-recurrente si todos sus estados son positivo-recurrentes. Si la
cadena es irreducible existe un único vector de probabilidad invariante y está dado por:

Cadenas regulares:

Una cadena de Markov es regular (también primitiva o ergódica) si existe alguna potencia
positiva de la matriz de transición cuyas entradas sean todas estrictamente mayores que cero.
Cuando el espacio de estados E es finito, si P denota la matriz de transición de la cadena se tiene
que:

Donde W es una matriz con todos sus renglones iguales a un mismo vector de probabilidad w,
que resulta ser el vector de probabilidad invariante de la cadena. En el caso de cadenas regulares,
este vector invariante es único.

Cadenas absorbentes:

Una cadena de Markov con espacio de estados finito se llama absorbente si se cumplen las
siguientes condiciones:
1. La cadena tiene al menos un estado absorbente.
2. De cualquier estado no absorbente se accede a algún estado absorbente.
Si se denota como A al conjunto de todos los estados absorbentes y a su complemento como D,
se obtienen los siguientes resultados:
Su matriz de transición siempre se puede llevar a una de la forma:

Donde la submatriz Q corresponde a los estados del conjunto D, I es la matriz identidad, 0 es la

matriz nula y R alguna submatriz.
 Esto quiere decir que no importa en dónde se encuentre la cadena, eventualmente terminará en
un estado absorbente

APLICACIONES DE LAS CADENAS DE MARKOV

Las cadenas de Markov tienen variadas utilidades en el mercado, por esta razón es una
herramienta importante para solucionar problemas en las empresas, como, por ejemplo, el share
de marcas, la dinámica de mantenimiento y la planeación de tareas administrativas.
Pero no sólo se emplean en las áreas de la industria, también son usadas para formular modelos
climatológicos, resolver problemas de estadística, termodinámica, realizar simulaciones como el
modelo M/M/1, para rankear las páginas web de Google, en los juegos de azar y en diversos
algoritmos de composición musical, entre otros.

Caso 1:
Supongamos que hay tres centros principales de camiones de una empresa. Cada mes, la mitad
de los que están en Boston y en Los Angeles, van a Chicago, la otra mitad permanece donde está
y los camiones de Chicago se dividen igualmente entre Boston y L.A. Lo anterior se puede
resumir con la siguiente figura:

Si inicialmente la compañía tenía 100,200100,200 y 300300 camiones en Boston, Chicago y

L.A. respectivamente, encontrar las distribuciones de camiones después de un mes y después de
dos meses en las tres ciudades.
Solución:

Podemos ver que por a k , b k y c k la cantidad de camiones en Boston, Chicago y L.A.

respectivamente, después de kmeses. Utilizando la información dada se tiene que después de un
mes, la distribución de los camiones será:

Y después de 2 meses, vemos que la distribución será:

Los cálculos de este ejemplo se pueden realizar de manera más conveniente si utilizamos
notación matricial. Para ver esto, denotemos por  X K  al vector de probabilidades en el K-ésimo
 ak

la siguiente manera:
X =
ck []
mes, es decir, denotemos  K b k . El cálculo realizado para el primer mes se puede realizar de

En otras palabras, si

Entonces la anterior ecuación se puede escribir de la forma   x 1=P x .

0

2
De manera similar,  x 2=P x =P x 0.
1

2 k
En general, después de k-meses la distribución satisface que x k =P x =P x k−2=⋯ P x 0.
k−1

En general una cadena de Markov finita es un proceso evolutivo que consiste de un número
finito de estados que usualmente se denotan como estado 1, estado 2, …, estado n. En cada paso
o punto en el tiempo el proceso puede estar en cualquiera de los estados o puede cambiar de
estado mediante unas probabilidades fijas llamadas probabilidades de transición.
Para cada tiempo k definamos el vector  x k  como el vector de probabilidades de estar en los
distintos estados en el tiempo k, es decir,
donde  x k ,i  denota la probabilidad de estar en el estado i-ésimo en el tiempo k.

Los vectores  x k  son vectores de probabilidad, esto significa que  x k ,i ≥ 0 para i=1,2 … , n y
además  x k ,1 + x k ,2 +…+ x k , n=1.

Denotemos a  pi , j la probabilidad de pasar del estado  j-ésimo al estado i-ésimo, estas

probabilidades son las entradas de una matriz P que es llamada la matriz de transición de la
cadena de Markov. La matriz P tiene la propiedad que la suma de las entradas de cada columna
es 1, es decir, los vectores columna de P son vectores de probabilidad. La regla fundamental en
un proceso de Markov nos dice que el vector de probabilidades  x k  está dado por:

x k =Pk x 0 .

Por lo tanto, si conocemos la matriz de transición P y el vector de estados iniciales  x 0, entonces

utilizando la regla anterior podemos encontrar el vector de probabilidades para cualquier tiempo.
En el ejemplo anterior

1 1

[ ]
0
2 2
100
1
2
0
0
1
1
2
1
[ ]
y x 0= 200
300
2 2

Caso 2:

Hoy día la sociedad en que vivimos nos clasifica de acuerdo con nuestro comportamiento y
forma de actuar en la vida cotidiana. En el momento en que se prepara un censo se clasifica a las
personas de acuerdo con sus ingresos económicos en tres clases, clase rica, pobre y clase media.
Pero estas clasificaciones se mantienen siempre en constante cambio ya que la economía en la
bolsa de valores de un país o en una nación tiene sus altas y bajas en sus precios. Todas estas
condiciones tienen un efecto grande en la vida económica de las personas en general y esto hace
que el mercado de valores clasifique a las personas de acuerdo con su crédito. Las clasificaciones
consisten en tres etapas: obtener un crédito excelente, bueno o deficiente. En la vida económica y
financiera se entiende por crédito, la confianza que tenemos en la capacidad de cumplir, en la
posibilidad, voluntad y solvencia de un individuo, por lo que se refiere al cumplimiento de una
obligación contraída.

Las cadenas de Markov surgen de manera natural en biología, psicología, economía, demografía
y en muchas otras áreas de estudio, por lo que son una aplicación importante del álgebra lineal y
de la probabilidad. El registro ij t en una matriz de transición T se conoce como la probabilidad
de pasar del estado j al estado i en un período de tiempo. Haciendo uso de las cadenas de Markov
se podrá hallar la probabilidad de que el estado crediticio de una persona cambie para bien o para
mal en un tiempo determinado, basado en su comportamiento en años anteriores.

Supongamos que tenemos una población distribuida en partes iguales en tres estados distintos,
los cuales están clasificados de acuerdo con los niveles de crédito existentes:

Estado 1: Excelente
Estado 2: Bueno
Estado 3: Deficiente

Supongamos que en 6 meses la población cambia de diferentes estados crediticios de acuerdo

con su trasiego económico:

De la gente que tiene el crédito excelente, el 19% paso al crédito bueno y el 1% paso a crédito
deficiente. De la gente con el crédito bueno, el 15% paso al crédito excelente y el 10% paso al
crédito deficiente. De la gente con el crédito deficiente, el 5% paso al crédito excelente y el 30%
al crédito bueno.

En el momento de crear la matriz de transición se debe identificar cuáles de los estados estarían
representados en cada columna. La columna 1 de la matriz de transición estará representada por
el estado excelente, la columna 2 estará representada por el estado bueno y la columna 3 estará
representada por el estado deficiente. El 19% de las personas que tienen el crédito excelente
(estado 1) pasará a un crédito bueno (estado 2), del mismo modo el 1% de la gente del estado 1
(excelente) pasa al estado 3 (deficiente). Esto significa que el 80% no tiene ningún cambio en su
vida económica o estado crediticio y después de 6 meses lo que tiene como resultado que se
mantiene en el mismo estado excelente. Asimismo, el proceso de repartición de por ciento se
repite para las personas que tiene el crédito bueno, en donde el 15% logra superar su crédito y
pasar a su vez al estado excelente, mientras que el 10% llevó su estado hasta uno deficiente. Lo
mismo ocurre entre la población que tiene su estado crediticio categorizado como deficiente, en
donde luego de transcurrir 6 meses se dice que el 5% logra llevar su estado hasta excelente y el
30% logra superar su estado hasta uno bueno.

De esta forma la matriz de transición, al transcurrir 6 meses, es la siguiente:

En esta matriz se puede observar lo siguiente:

 1) Los datos o por cientos que se encuentran en la diagonal representan la población que
no sufrió ningún cambio entre los tres estados, luego de transcurrir un periodo de 6
meses.

2) La suma de las columnas de la matriz de transición suman a 1, esto representa el

100% de la población.

Supongamos que la población está de igual forma distribuida en cada uno de los estados
crediticios, esto explica que de una población desconocida la misma cantidad de personas que
tiene el crédito excelente, es la misma cantidad que tiene el crédito bueno o deficiente; no las
mismas personas, pero si la misma cantidad en tamaño. Haciendo uso de la matriz de transición y
de la forma en que está distribuida la población podemos hallar la distribución de la población
por estados crediticios:

 Estos nuevos datos que se han hallado nos explican el cómo se encuentra la población
distribuida luego de transcurrir 6 meses. Si se compara la proporción de la población al comenzar
el estudio, con la nueva proporción de la población, obtenemos que la distribución en sus estados
crediticios ha cambiado. La proporción de la población que permanece en el estado 1 (estados
excelentes), luego de 6 meses, es 1/3; es decir no hubo cambio en este estado. El estado
crediticio bueno aumentó de un 33,3% a un 41,3% en un periodo de 6 meses. El estado crediticio
deficiente disminuyó de un 33,3% a un 25,3%.

Toda la información que aparece anteriormente nos demuestra lo que ocurría con una población
igual distribuida en tres estados crediticios, luego de haber transcurrido 6 meses. Pero estas
ocurrencias no solo se detienen en 6 meses, también es posible el poder hallar el comportamiento
de la población al transcurrir 1 año. Esta es la base de las cadenas de Markov el poder hallar la
ocurrencia de un evento luego de un evento inmediato ya ocurrido, esto tiene como consecuencia
el poder predecir los hechos que están por ocurrir o mejor aún la probabilidad de que ocurran
estos hechos.

Si nos proponemos encontrar el estado en que la población estuviera distribuida en los

respectivos estados crediticios, luego de transcurrir 1 año, debemos hallar la matriz de transición
consiguiente. Esto significa que el tamaño de la matriz en el primer estado, primer periodo de
tiempo será el mismo tamaño de la matriz en el segundo estado, segundo periodo de tiempo. Esto
significa que las columnas estarán clasificadas según los mismos estados crediticios que en el
primer periodo de tiempo. Esto tiene como significado que el segundo periodo de tiempo los
datos estarán clasificados de la siguiente manera:

el 80% de los (.80) en el estado 1 permanecerá en el mismo estado

el 15% de los (.19) en el estado 2 harán una transición al estado 1
el 5% de los (.01) en el estado 3 harán una transición al estado 1

Luego para hallar el número que le pertenecería al estado 1 al transcurrir 1 año debemos
multiplicar la fila con la columna de la siguiente manera:

(.80)(.80) + (.15)(.19) + (.5)(.01) = .6690

El numero .6690 es el por ciento en cantidad de personas que pertenecen al estado 1 (excelente)
luego de transcurrir dos periodos de tiempo (1 año). Esto nos da como resultado una segunda
matriz de transición:

Se puede observar que los datos de esta nueva matriz se les asignan nuevos números a las
categorías de excelente, bueno o deficiente. Si se compara la matriz hace 6 meses con la matriz
luego de 1 año, se puede notar claramente que el nivel crediticio ha mejorado mientras pasa el
tiempo. El por ciento en el estado de excelente ha ido en aumento, mientras que el por ciento en
el estado de deficiente ha ido en descenso. El significado de este resultado es que la economía va
mejorando al pasar el tiempo, ya que, si el nivel crediticio de excelencia aumenta, significa que
las personas en su vida común pueden pagar las deudas a su nombre y si pueden pagar las deudas
es porque tienen algún tipo de empleo y si hay empleos disponibles la razón es que la economía
está en un buen estado o mejorando con el tiempo.

Descripción, análisis y presentación de los datos

Al comienzo de este análisis se estuvo presentando una serie de datos que realmente no
representan la realidad económica en la que se está viviendo hoy día (2021). Según estudios
estadísticos a nivel mundial se vive una recesión económica en donde la bolsa de valores ha
estado en descenso y a perdido su valor día tras día. Esto ha tenido como resultado que la tasa de
desempleo creciera en las diferentes naciones que sufren esta recesión. El desempleo
lamentablemente afecta a la mayoría de las personas en una población, haciendo que esto a su
vez afecte a la familia en su clasificación de niveles sociales: clase rica, pobre y clase media.
Todas las naciones, a nivel mundial, se han estado ayudando para poner fin a esta recesión y
poder mejorar la calidad de vida de las personas que habitan en sus respectivos lugares.
Si repetimos el análisis de Data – Crédito que se efectuó al comienzo de este trabajo podremos
realizar un estudio a tono con lo sucedido en la vida diaria. Los datos para utilizarse deben ser
más realísticos que la vez anterior. Se utilizarán los mismos estados de niveles crediticios:
. 
Estado 1: Excelente
Estado 2: Bueno
Estado 3: Deficiente

Pero al utilizar nuevos datos, significa que el cambio e la población al transcurrir 6 meses se
obtiene que:

De la gente que tiene el crédito excelente, el 10% paso al crédito bueno y el 21% paso a
crédito deficiente. De la gente con el crédito bueno, el 5% paso al crédito excelente y el 20%
paso al crédito deficiente. De la gente con el crédito deficiente, el 1% paso al crédito
excelente y el 32% al crédito bueno.

La matriz que se obtiene es la siguiente:

Luego de transcurrir 1 año (segundo periodo de tiempo), la matriz que corresponde es la

siguiente:

Estos datos tienen como significado que dado a las circunstancias de lo que ocurre en la
economía tiene un efecto negativo sobre el comportamiento de las personas y a su vez sobre
como responden a sus deudas al pasar seis meses. Eso hace que sea más fácil entrar al estado de
deficiencia que al de excelencia
 RESULTADOS OBTENIDOS

De acuerdo con la investigación que se hizo de los modelos de Markov se propone modelos
markovianos para predecir los pedidos y ventas de productos de una empresa.
Siguiendo la metodología e investigación de los diferentes modelos propuestos, se permite
confrontar la incertidumbre que genera un modelo de negocios, delineando la dinámica de la
probabilidad de ventas y ganancias a futuro.
La mirada estocástica se presenta muchas veces en los negocios, porque existen variables
aleatorias, cuyos valores son resultados de estos. Las Cadenas de Markov se convierten en una
herramienta matemática eficiente para el análisis a un futuro cercano de eventos que cambian de
estado a medida del tiempo, en los que las probabilidades de que este se encuentre en un estado
determinado a partir del estado en que se encontraba.
Se ha demostrado que las cadenas de Markov tienen un gran valor en la economía, ya que
mientras nos predice lo que podría ocurrir en un segundo periodo de tiempo, los mercados lo
utilizan a su favor para mejorar sus propios intereses. Por ejemplo, este estudio que se ha
realizado anteriormente les explica a las grandes corporaciones bancarias cual sería la mejor
decisión para tomar en el momento de aprobar o rechazar un préstamo a alguna persona en
particular. Se demuestra que, si una persona tiene el crédito deficiente en un periodo de tiempo,
lo más probable es que esta misma persona siga con el crédito deficiente en el segundo periodo
de tiempo. Las entidades bancarias utilizan estos estados crediticios para tomar sus decisiones y
de esa forma no perder sus inversiones de préstamos a personas que quizás no cumplirían con sus
deudas. Este es el significado de los estados crediticios, un estado crediticio excelente
corresponde a una persona que paga sus deudas, mientras que un estado crediticio deficiente
corresponde a una persona con problemas económicos que quizás no podría pagar sus deudas a
tiempo. 
Podemos decir que las cadenas de Markov es un método importante, ya que ha comenzado a
usarse en los últimos años como instrumento de investigaciones de rutas críticas, valores
esperados, mercadotecnia, etc., para examinar y pronosticar el comportamiento de los clientes
desde el punto de vista de su lealtad a un cierto producto y de sus formas de cambio a otros
productos.
CONCLUSIÓN
 Las cadenas de Markov se pueden considerar como una de las grandes aportaciones de las
matemáticas. No necesariamente tienes que ser un experto en la materia para poder entender
sobre en qué consisten y el uso que se le puede dar en las diferentes situaciones de la vida diaria.
Las cadenas de Markov nos permite hacer análisis sobre el estudio de los comportamientos de
ciertos sistemas en ciertos periodos que pueden ser cortos o largos. Además, se tiene una relación
con las probabilidades absolutas. Pero sin embargo lo más importante es el estudio del
comportamiento sistemas a largo plazo, cuando el número de transiciones tiene al infinito Al
conocer más o menos las probabilidades de un experimento, esto a su vez nos permitirá conocer
a corto plazo los estados en que se encontrarían en periodos o tiempos futuros y tomar decisiones
que afectarán o favorecerán nuestros intereses, y tomar una decisión de manera consciente y no
se comentan muchos errores. Esto también nos proporcionara un tiempo estimado para que
identifiquemos cada estado y el periodo en que se encuentra con la implementación de un
proceso, también se establece las probabilidades como una herramienta más en las cadenas de
Markov.
REFERENCIAS

Colombia, U. N. (s.f.). ciencias.medellin.unal.edu.co. Obtenido de

https://ciencias.medellin.unal.edu.co/cursos/algebra-lineal/clases/8-clases/25-clase-23-
aplicaciones-cadenas-de-markov.html
J, P. (03 de 06 de 2011). Andrei Markov. Obtenido de http://investigacindeoperaciones.html
Morales, L. (02 de 06 de 2011). Cadenas de Markov. Obtenido de http://io2-
ingindustrial.blogspot.com/2011/06/cadenas-de-markov.html