Introducción a las Cadenas o Procesos de Markov

Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que

ocurra un evento depende del evento inmediato anterior.

En efecto, las cadenas de este tipo tienen memoria, "Recuerdan" el último evento y
esto condiciona las posibilidades de los eventos futuros.
Esta dependencia del evento anterior distingue a las cadenas de Markov de las series
de eventos independientes, como tirar una moneda al aire o un dado.
En los negocios, las cadenas de Markov se han utilizado para analizar los patrones de
compra, los deudores morosos, para planear las necesidades de personal y para
analizar el reemplazo de equipo.
El análisis de Markov, llamado así en honor de un matemático ruso que desarrollo el
método en 1907, permite encontrar la probabilidad de que un sistema se encuentre en
un estado en particular en un momento dado.
Algo más importante aún, es que permite encontrar el promedio a la larga o las
probabilidades de estado estable para cada estado. Con esta información se puede
predecir el comportamiento del sistema a través del tiempo. La tarea más difícil es
reconocer cuándo puede aplicarse. La característica más importante que hay que
buscar en la memoria de un evento a otro.

CONSIDEREMOS EL SIGUIENTE PROBLEMA: LA COMPAÑÍA K:

El fabricante de un cereal para el desayuno, tiene un 25% del mercado actualmente. Datos
del año anterior indican que el 88% de los clientes de K permanecían fieles ese año, pero un
12% cambiaron a la competencia. Además, el 85% de los clientes de la competencia le
permanecían fieles a ella, pero 15% de los clientes de la competencia cambiaron a K.
Asumiendo que estas tendencias continúen. Determine ¿Cuál es la parte que K
aprovecha del mercado?:

a. En 2 años; y
b. En el largo plazo.

Esta situación es un ejemplo de un problema de cambio de marcas que sucede muy a menudo
que se presenta en la venta de bienes de consumo.

Para resolver este problema hacemos uso de cadenas de Markov o procesos de Markov (qué
es un tipo especial de proceso estocástico). El procedimiento es:
PROCEDIMIENTO DE SOLUCIÓN

Observe que, cada año, un cliente puede estar comprando cereal de K o de la competencia.
Podemos construir un diagrama como el mostrado abajo donde los DOS CÍRCULOS REPRESENTAN A
LOS DOS ESTADOS en que un cliente puede estar y LOS ARCOS REPRESENTAN LA PROBABILIDAD
DE QUE UN CLIENTE HAGA UN CAMBIO CADA AÑO ENTRE LOS ESTADOS. Nótese que los arcos
curvos indican una "transición" de un estado al mismo estado. Este diagrama es conocido como
el DIAGRAMA DE ESTADO DE TRANSICIÓN (notar que todos los arcos en ese diagrama son arcos.
dirigidos).

DATOS: EXPLICACION DEL GRAFO DE MARKOV

El 88% de los clientes permanecen fieles, decir se quedan en el estado 1

El12% cambiaron a la competencia es decir van al estado 2

El 85% del estado 2 se quedan fieles al estado 2

El15% de los clientes del estado 2 se cambiaron al estado 1

E1 E2
2

Dado ese diagrama nosotros podemos construir la matriz de la transición

(normalmente denotada por el símbolo P) la qué nos dice la probabilidad de1
hacer una transición de un estado a otro estado. Sea:

Estado 1 = cliente que compra cereal de K y

Estado 2 = cliente que compra cereal de la competencia

Tenemos así la matriz de transición P para este problema, dada por

1 2

Para estado 1 2 1 a11 b12

Del estado 1 0.88 0.12 2 a21 b22

2 0.15 0.85
 Note aquí que la suma de los elementos en cada fila de la matriz de la transición es uno.
Por datos de este año sabemos que actualmente K tiene un 25% del mercado. Tenemos que
la fila de la matriz que representa el estado inicial del sistema dado por:

Estado
12

[0.25, 0.75]

Normalmente denotamos esta fila de la matriz por s1 indicando el estado del sistema en el
primer periodo (años en este ejemplo en particular). Ahora la teoría de Markov nos dice que, en
periodo (año) t, el estado del sistema está dado por el st de la fila de la matriz, donde:
st = st-1(P) =st-2(P)(P) = ... = s1(P)t-1

Tenemos que tener cuidado aquí al hacer la multiplicación de la matriz ya que el orden de
cálculo es importante (i.e. st-1(P) no es igual a (P) st-1 en general). Para encontrar st
nosotros podríamos intentar hallar P directamente para la potencia t-1 pero, en la práctica, es
mucho más fácil de calcular el estado del sistema en cada sucesivo año 1,2,3, ..., t.

Nosotros ya sabemos el estado del sistema en el año 1 (s1) tal que el estado del sistema en
el año dos (s2) está dado por:

s2 = s1P
= 0.25, 0.75 0.88 0.12

........ 0.15 0.85

= [(0.25) (0.88) + (0.75) (0.15), (0.25) (0.12) + (0.75) (0.85)]

= [0.3325, 0.6675]

Note que este resultado tiene sentido intuitivo, e.g. del 25% comprando actualmente al cereal
de K, 88% continúan haciéndolo, aunque del 75% comprando el cereal del competidor 15%
cambia a comprar cereal de K - dando un (fracción) total de (0.25) (0.88) + (0.75) (0.15) = 0.3325
comprando cereal de K.

De lo anterior, en el año dos 33.25% de las personas están en estado 1 - esto es, está
comprando cereal de K. Note aquí que, como un chequeo numérico, los elementos de st
deben sumar siempre uno. Es decir 0,3325 + 0,6675 = 1
En el año tres el estado del sistema se da por:

s3 = s2P
= 0.3325, 0.6675 0.88 0.12

0.15 0.85

= [0.392725, 0.607275]

Por lo tanto, en el año tres 39.2725% de las personas están comprando al cereal de K.

Recalcar que está pendiente la cuestión hecha sobre la porción que K comparte del mercado
en el largo plazo. Esto implica que necesitamos calcular st cuando t se hace muy grande (se
acerca al infinito).

La idea del largo plazo es basada en la suposición de que, en el futuro, el sistema alcance un
"equilibrio" (a menudo llamado el " estado sustentable") en el sentido de que el st = st-1.
Esto no quiere decir que las transiciones entre estados no tengan lugar, suceden, pero ellos
tienden "al equilibrio global" tal que el número en cada estado permanece el mismo.

HAY DOS ENFOQUES BÁSICOS PARA CALCULAR EL ESTADO SUSTENTABLE:

Computacional: - encontrar el estado sustentable calculando st para t=1,2,3, ... y se detiene cuando
st-1 y st son aproximadamente el mismo. Esto es obviamente muy fácil para una computadora y este es
el enfoque usado por un paquete computacional. Excel Solver,

Algebraico: - para evitar cálculos aritméticos largos necesarios para calcular st para t=1,2, 3, ...
tenemos un atajo algebraico que puede usarse. Recalcar que en el estado sustentable
st = st-1 (= [x1, x2] para el ejemplo considerado anteriormente). Entonces como st = st-1P tenemos eso

[X1, x2] = [x1, x2] | 0.88 0.12 |

| 0.15 0.85 |

(y también notar que x1 + x2 = 1). De esto tenemos tres ecuaciones que podemos resolver.

Note aquí que hemos usado la palabra suposición anteriormente. Esto es porque no todos los sistemas
alcanzan un equilibrio, esto es, no cualquier sistema tiene matriz de transición.

|01|

|1 0 |

Nunca alcanza un estado sustentable.

Adoptando el enfoque algebraico anteriormente para el ejemplo del cereal K tenemos las tres
ecuaciones siguientes:

x1 = 0.88x1 + 0.15x2

x2 = 0.12x1 + 0.85x2
x1 + x2 = 1

0.12x1 - 0.15x2 = 0

0.12x1 - 0.15x2 = 0

x1 + x2 = 1

Note que la ecuación x1 + x2 = 1 es esencial. Sin ella no podríamos obtener una única solución para x1
y x2. Resolviendo conseguimos x1 = 0.5556 y x2 = 0.4444

Por lo tanto, en el largo plazo, K comercializa una porción del mercado del 55.56%.

Un chequeo numérico útil (particularmente para problemas más grandes) es sustituir el examen final
calculando los valores en las ecuaciones originales para verificar que ellos son consistentes con esas
ecuaciones.

PAQUETE DE CÓMPUTO PARA LA SOLUCIÓN

El problema anterior se resolvió usando un paquete, la entrada se muestra abajo.

Datos de entrada del Problema del cereal de K (Iniciales Probabilidades de Estado)

1: 0.2500 2: 0.7500

Datos de entrada del Problema del cereal de K (Matriz de Probabilidades de Transición) Pg. 1

.......De...........A

1 1: 0.8800 2: 0.1200

2 1: 0.1500 2: 0.8500

El rendimiento se muestra debajo. Aunque el paquete puede usarse para calcular y desplegar st (para
cualquier valor de t) no hemos querido mostrar esto.

En el rendimiento mostrado abajo de la nota:

Las probabilidades de estado sustentables (se necesitaron 38 iteraciones antes de que st-1 y st
fueran aproximadamente el mismo). Estas figuras son como se calcularon antes.

Periodo recurrente para cada estado - éstos son el número esperado de periodos que
pasarán para que una persona en un estado esté de nuevo en ese estado (esto es, esperaríamos que
hubieran 1.80 periodos (en promedio) entre que una persona que compra el cereal de K y su próxima
compra de cereal de K).

Iteración final--las Iteraciones Totales = 38

1: 0.5556 2: 0.4444
Periodo recurrente para Cada Estado

1: 1.80 2: 2.25

Datos

Note aquí que los datos que pueden necesitarse para deducir las probabilidades de transición,
pueden a menudo fácilmente encontrarse, hoy en día. Por ejemplo, se colectar tales datos por
marca del consumidor que cambia, inspeccionando a los clientes individualmente. Sin
embargo, hoy día, muchos supermercados tienen sus propias "tarjetas de lealtad" qué son
registradas a través de inspecciones al mismo tiempo que un cliente hace sus compras en la
caja. Éstos proporcionan una masa de información detallada sobre el cambio de marca, así
como también otra información - por ejemplo, el efecto de campañas promocionales.

Debe estar claro que las probabilidades de transición no necesitan ser consideradas como
números fijos - más bien ellas son a menudo números que podemos influenciar/cambiar.

También note que la disponibilidad de tales datos permite modelos más detallados, al ser
construidos. Por ejemplo, en el caso del cereal, la competencia fue representado por sólo un
estado. Con datos más detallados ese estado pudiera ser desagregado en varios estados
diferentes - quizá uno para cada marca competidora del cereal. También podríamos tener
modelos diferentes para segmentos diferentes del mercado - quizá el cambio de marca es
diferente en áreas rurales del cambio de marca en áreas urbanas, por ejemplo. Las familias
con niños constituirían otro segmento importante del mercado obviamente.

Comentarios

Cualquier problema para el que puede obtenerse un diagrama de transición de estado y que
usa el enfoque dado puede analizarse.

LAS VENTAJAS Y DESVENTAJAS DE USAR TEORÍA DE MARKOV INCLUYEN:

 Teoría de Markov es simple de aplicar y entender.

 Cálculos de sensibilidad (contestar las preguntas "qué-si") se llevan a cabo fácilmente.
 La teoría de Markov nos da con el tiempo una visión de los cambios en el sistema.
 P puede ser dependiente del estado actual del sistema. Si P es dependiente tanto del
tiempo y del estado actual del sistema i.e., P es una función de t y st, entonces la
ecuación de Markov básica se vuelve st=st-1P(t-1,st-1).
 La teoría de Markov es un modelo simplificado de un proceso de toma de decisión
complejo.

APLICACIONES

Una aplicación interesante de procesos de Markov es la industria costera noruega del

petróleo/gas. En Noruega un cuerpo estatal, el Consejo de administración de Petróleo noruego,
(junto con la compañía de OIL estatal noruega (STATOIL)), tienen un papel grande en la
planeación de los medios para el desarrollo costero del petróleo/gas.

El problema esencial que el Consejo de la administración del Petróleo noruego tiene, es cómo
planear la producción para aumentar al máximo su contribución en el tiempo a la economía
noruega. Aquí los horizontes de tiempo son muy largos, típicamente 30 a 50 años. De
importancia crítica es el precio del OIL - todavía nosotros no podemos prever esto,
sensiblemente con exactitud, para este horizonte de planeación.

Para superar este problema ellos modelan el precio del OIL como un proceso de Markov con
tres niveles de precio (ESTADOS), correspondiendo a escenarios optimista, probable y
pesimista. Ellos también especifican las probabilidades de hacer una transición entre los
estados cada periodo de tiempo (AÑO). Pueden usarse matrices de transición diferentes para
horizontes de tiempo diferentes (matrices diferentes para el cercano, medio y futuro lejano).

Aunque éste, simplemente es un enfoque simple, tiene la ventaja de capturar la incertidumbre

sobre el futuro en un modelo que es relativamente fácil de entender y aplicar.

Estudios sobre el modelado de la población (donde nosotros tenemos objetos con "edad")
también son una aplicación interesante de procesos de Markov.

Un ejemplo de esto sería el modelado el mercado del automóvil como un proceso de Markov
para prever la "necesidad" de nuevos automóviles cuando los automóviles viejos puedan
extinguirse.

Otro ejemplo sería modelar el progreso clínico de un paciente con corona virus en hospital
como, un proceso de Markov y ver cómo su progreso es afectado por regímenes de droga
diferentes y tratamientos.

ACCD 2021