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 ultimo 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 cuando puede aplicarse. La
característica más importante que hay que buscar en la memoria de un evento a otro.

Considere el problema siguiente: 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 permanecen fieles ese año, pero
un 12% cambiaron a la competencia. Además, el 85% de los clientes de la competencia le permanecerán 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 (que es un tipo especial de
proceso estocástico). El procedimiento se da enseguida.

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. Note 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).

Dado ese diagrama nosotros podemos construir la matriz de la transición (normalmente denotada por el símbolo P) la
que nos dice la probabilidad de 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

Para estado 1,2

Del estado 1 | 0.88 0.12 |

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 dada por:

Estado

1 2

[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 esta
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.

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 numero 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.

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

o
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 mas grandes) es sustituir el examen final calculando los
valores en las ecuaciones originales para verificar que ellos son consistentes con esas ecuaciones.

Paquete de Computo 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 - estos son el numero esperado de periodos que pasaron para que una persona
en un estado este de nuevo en ese estado (esto es, esperábamos 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" que son registradas a través de inspecciones al mismo tiempo que un cliente hace sus compras en
la caja. Estos 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 son 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 mas detallados, al ser construidos. Por ejemplo, en
el caso del cereal, la competencia fue representado por solo un estado. Con datos mas 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 que del cambio de marca en áreas urbanas, por ejemplo. Las familias con niños constituirán 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 "que-si") se llevan a cabo fácilmente.

 La teoria de Markov nos da con el tiempo una vision 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 que yo conozco 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 aceite 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 como 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 critica es el precio del aceite - todavía nosotros no podemos prever
esto, sensiblemente con exactitud, para esta horizonte de planeación.

Para superar este problema ellos modelan el precio del aceite 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 este 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 seria 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 seria modelar el progreso clínico de un paciente en hospital como un proceso de Markov y ver como su
progreso es afectado por regímenes de droga diferentes.