Cadenas de Markov.

Estudio de
casos en la industria y otras
áreas de conocimiento.
1. Biografía de Andrèi Markov.

• Andrei Markov nació el 14 de junio de 1856 en Ryazan, Rusia y murió el 20 de julio de

1922 en San Petersburgo.

• En el año 1874 accede a la facultad de Físicas y Matemáticas de San Petersburgo.

• Después de su graduación, Markov comienza a impartir clase en la Universidad de San

Petersburgo, como ayudante.

• En 1886, Chebyshev propone a Markov para la Academia Rusa de ciencias, siendo

aceptado como miembro ordinario desde 1896.

• Además del uso de su apellido en terminología matemática, en su honor están

nombrados el cráter lunar Markov y el asteroide Markov.
2. Cadenas de Markov.

• Una cadena de Markov es un proceso estocástico que cumple la propiedad markoviana.

• La propiedad markoviana establece que para todo entero n ≥ 0 y todos j, in, . . . , i0 ∈ E,
se cumple:

P (Xn+1 = j | Xn = in, . . . , X0 = i0) = P (Xn+1 = j | Xn = in)

• Es decir, en una cadena de Markov el conocimiento de los valores de X0, . . . , Xn−1 no

agrega información a lo que puede esperarse como valor de Xn+1 si se sabe el valor de
Xn.

• Por tanto, en una cadena de Markov la probabilidad del estado futuro no depende de los
estados anteriores si no que depende únicamente del estado presente.
2.1. Matriz de transición.

• Una matriz de transición para una cadena de Markov de n estado es una matriz de orden
n × n con todos los registros no negativos, en la que las probabilidades de transición
deben estar entre 0 y 1, y que tiene la propiedad adicional de que la suma de los
registros de cada columna o fila es 1. La siguiente es una matriz de transición:
0.4 0.3 0.3
0.2 0.7 0.1
0.3 0.2 0.5
• Las matrices de transición se pueden representar gráficamente de manera sencilla para
facilitar su comprensión. En la imagen deben quedar claras las relaciones que se
establecen entre los distintos fenómenos y la probabilidad de que se produzcan los
diferentes fenómenos.
2.2. Vector de probabilidades iniciales.

• El vector de probabilidades, v = (v1,...,vn), se llama vector de probabilidades iniciales de

la cadena. El vector de probabilidades iniciales y la matriz de transición determinan la
probabilidad para el estado de la cadena en el segundo instante de tiempo.
2.3. Estados.
Los estados que pueden ocurrir, pueden ser de diferentes tipos, algunos son los siguientes:
• Estado Absorbente: Una vez el proceso entra en este estado, permanecerá allí
indefinidamente, es decir, la probabilidad de hacer una transición fuera de ese estado es
igual a cero.
• Estado de transición: Es el que no llega nunca a ser absorbente, o sea, sus
probabilidades cambian constantemente con respecto al periodo anterior.
De una cadena de Markov que consta de estados transitorios y absorbentes se dice que es
una Cadena de Markov absorbente.
• Estado recurrente: Es el estado en el que comenzando en él se tiene la certeza de que
va a volver en algún momento del tiempo.
Si tenemos una Cadena de Markov que tiene una cantidad finita de estados e identificamos
un estado recurrente, este será recurrente positivo. Si la cantidad de estados es infinita
entonces un estado recurrente será recurrente nulo.
3. Aplicaciones.

• El análisis por cadenas de Markov ha sido empleado desde hace mucho tiempo para el
estudio de sucesiones de facies.

• Tienen aplicación en internet donde hay diversos sistemas como el WebWatcher o el

Letzia se basan predecir la probabilidad de que se produzca una búsqueda y mediante el
conocimiento de esa probabilidad generar recomendaciones.

• Otros casos muy interesantes de uso de cadenas de Markov son el de alineamiento de secuencias
de ADN, que permite buscar patrones en largas secuencias o en el diseño de turbinas de viento.
3. Aplicaciones.

• Vamos a estudiar el caso concreto de las operadoras de telefonía móvil. Tras realizar un
estudio se determina que en España, Vodafone tiene el 40% de cuota de mercado,
Orange el 25% y Movistar el 35%.

• Se determinó también en el estudio que 6 de cada 10 clientes de Vodafone quieren

permanecer en la compañía mientras que 2 de cada 10 quieren marcharse a Orange y el
mismo número a Movistar.

• En el caso de Orange, la mitad desean permanecer, un 30% marcharse a Vodafone y un

20% a Movistar. Y por último de entre los clientes de Movistar el 40% desea permanecer,
el 30% marcharse a Vodafone y el mismo porcentaje a Orange.

• Con estos datos tenemos que elaborar tanto nuestra matriz de transición como nuestro
estado inicial.
3. Aplicaciones.
• El estado inicial sería el siguiente: (0.4, 0.25, 0.35) y la matriz de transición quedaría
definida:

Vodafone Orange Movistar

Vodafone

Orange

Movistar

• Si nombramos P = matriz de transición y 𝑓 𝑛 como los diferentes estados obtenemos la

siguiente expresión para calcular los diferentes estados:

• 𝑓 𝑛 = 𝑓 𝑛−1 × P

• También podemos utilizar la siguiente expresión:

• 𝑓 𝑛 = f0 × 𝑃 𝑛
3. Aplicaciones.

• Vamos a calcular el 𝑓 1 que hace referencia a la situación del mercado transcurrido un

periodo de tiempo.

0.6 0.2 0.2

• 𝑓 1 = 𝑓 0 × 𝑃 = (0.4, 0.25, 0.35) × 0.3 0.5 0.2 = (0.42, 0.31, 0.27)
0.3 0.3 0.4
• Gracias a este cálculo ya tenemos determinado el estado de las cuotas de mercado de
las principales empresas de telefonía móvil en España.

• Como vemos la nueva cuota de mercado de Vodafone es del 42%, la de Orange del 31%
y la de Movistar del 27%.