Problema 1: El caso de MOVE-U TRUCK RENTAL COMPANY

Modelos cuantitativos para la administracin, Davis & MCKeown

La Move-U Truck Rental Company se especializa en el arrendamiento de camiones a personas
que sean realizare sus propias mudanzas.
El gerente de distribucin de la compaa, G I Miller, est considerando aplicar un cargo por
traslado para cubrir el costo de enviar camiones desde las reas en las que hay sobrantes a otros
lugares en los que se necesitan.
Antes de decidir si debe aplicar el cargo por traslado al costo de arrendamiento de los camiones
que se dirigen a reas en las que hay sobrantes, desea determinar la proporcin del nmero total
de camiones que, a largo plazo, acabaran en cada una de las reas de renta.
Si las proporciones son aproximadamente las mismas, el cargo por traslado ser innecesario; si
no es as, el cargo depender de la proporcin del total que termine en cada regin
G I ha dividido la parte del pas que atiende la compaa en tres regiones: norte, central y sur.
De registros previos se ha determinado que de los camiones que se rentan cada mes en el norte,
20% van a una ciudad del norte, 30% terminan en la regin central y 50% se devuelven a la
compaa en la regin sur.
De manera similar, la compaa ha determinado que, cada mes, 40% de los camiones que se
rentan en la regin central se devuelven en la misma, 30% se devuelven en el norte y el 30%
restante se devuelve en el sur.
Por ltimo, de los camiones que se rentan cada mes en la regin sur, 20% se devuelven en el
norte y 40% en la regin central.
En este momento, 40% de los camiones se encuentran en el norte, 30% en la parte central y 30%
estn en la regin sur.
Dado el patrn de movimientos de los camiones, la Move-U Company est interesada en saber lo
siguiente:
1. Qu proporcin de los camiones se encontrar en cada regin despus de un mes?,
Despus de dos meses?
2. Qu proporcin de los camiones estar en cada regin despus de un periodo largo?
Anlisis del caso
Puede construirse una tabla para resumir la informacin referente a la proporcin de camiones
que tienen en una regin de origen y llegan a otra de destino.
Regin donde Regin donde se devuelve
se renta
Norte
Central
Sur
Norte
0.2
0.3
0.5
Central
0.3
0.4
0.3
Sur
0.2
0.4
0.4
Proporcin de camiones que se regresan a cada regin
En esta tabla, la regin donde se renta el camin se lista en el extremo izquierdo y la regin en
donde se devuelve el camin aparece en la parte superior.
Por ejemplo, observando el primer rengln de la tabla y la primera columna, puede verse que 20%
de los camiones que se rentan en el norte se devuelven el mismo norte.
1

Otra forma de plantear esta relacin, es que existe una probabilidad de 0.2 de que un camin
rentado en el norte sea regresado en la misma regin (norte).
Obsrvese que para cualquier regin, la suma de las probabilidades es uno, lo que significa que
un camin rentado debe ir a algn lado.
Norte Central Sur
Suma
Norte
0.2
0.3
0.5 = 1.0
Central 0.3
0.4
0.3 = 1.0
Sur
0.2
0.4
0.4 = 1.0
Ntese tambin que la regin en la que se regresa un camin depende solamente de la regin en
la que se rent; es decir, el estado final del camin depende slo de su estado ms reciente.
Si un camin fue rentado alguna vez en la regin central, no afecta el lugar en que se le regrese si
ahora se renta en el norte.
El hecho de que haya una probabilidad asociada con el lugar en el que se devolvern los
camiones y que esta regin en la que se devuelven dependa solo de la regin en la que se rente,
significa que esta situacin satisface las consideraciones bsicas de los proceso de Markov
(propiedad markoviana).
Una consideracin adicional para los problemas de este tipo es que habr ocurrencias repetidas
del evento bajo estudio.
Abreviando, las principales consideraciones de las cadenas de Markov aplicadas al ejemplo son
1. Hay incertidumbre con respecto a la regin en la que se devolvern los camiones y es
posible medir esta incertidumbre a travs de probabilidades.
2. La regin en la que se devuelve un camin depende slo de la regin en que fue rentado
3. Habr ocurrencias repetidas, o ensayos; es decir, se rentan camiones en las mismas
circunstancias.
Presentacin de cadenas de Mrakov a travs de un rbol
Un mtodo ilustrativo para responder las primeras preguntas referentes a la flotilla de camiones
consiste en utilizar un enfoque de rbol; en la siguiente figura, se muestra el diagrama de rbol
para un camin que se renta en la regin NORTE en el mes 0.
Ubicacin Probabilidad de cada
en el
ubicacin en el
mes 2
mes 2

Ubicacin
en el
mes 1

Ubicacin
en el
mes 0
0.2

Norte

0.2 Norte
0.3
Central
0.5
Sur
0.3

Norte

0.3

Central

Norte
0.4 Central
0.3 Sur
0.2

0.5

Sur

Norte
0.4 Central
0.4 Sur

0.04
0.06
0.10
0.09
0.12
0.09
0.10
0.20
0.20

Los nodos del rbol son las ubicaciones en los meses 0, 1 y 2, y en las ramas del rbol aparecen
las probabilidades de cada transicin.
Las probabilidades de encontrarse en cada uno de los estados en el mes 2 se calculan
multiplicando las probabilidades individuales de transicin.
Por ejemplo, la probabilidad de estar en el norte en cada uno de los tres meses est dada por:
(0.2)* (0.2) = 0.04
Para determinar la probabilidad de que un camin se encuentre en el norte despus de dos
meses, se suman las tres probabilidades de encontrarlo en el norte:
P(estar en el norte en el mes 2 dado que se encontraba en el norte en el mes 0) = 0.04 + 0.09 + 0.10 = 0.23
De manera similar:
P(estar en el centro en el mes 2 dado que estaba en el norte en el mes 0) = 0.06 + 0.12 + 0.20 = 0.38
P(estar en el sur en el mes 2 dado que se estaba en el norte en el mes 0) = 0.10 + 0.09 + 0.20 = 0.39
Utilizando la notacin matricial, estos clculos para el mes 1 aparecern de la siguiente manera:
N C

0.2
0.3

0.2

0.3
0.4
0.4

0.5
0.3
0.4

Vector de probabilidad
para comenzar en el norte

Matriz de transicin
de un mes

0.2

0.3

0.5

Vector de probabilidad
despus de un mes

Para el segundo mes (empezando en el norte) se repiten los clculos:

N

0.2

C
0.3

0.5

0.2
0.3

0.2

0.3
0.4
0.4

0.5
0.3
0.4

Vector de probabilidad
despus de un mes

Matriz de transicin
de un mes

0.23

0.38

S
0.39

Vector de probabilidad
despus de dos meses

Obsrvese que estas series de clculos puede combinarse en una solo de la siguiente manera:
N

C
0

S
0

0.2
0.3

0.2

0.3
0.4
0.4

0.5
0.3
0.4

Vector de probabilidad Matriz de transicin

probabilidad para
de un mes
comenzar en el norte

N
0.2
0.3

0.2

C
0.3
0 .4
0 .4

S
0.5
0.3
0.4

Matriz de transicin
de un mes

0.23

0.38

0.39

Vector de
despus de dos meses

El clculo del vector de probabilidad despus de dos meses depende del vector de probabilidad en
el mes 0 y de la matriz de transicin de un mes.
En los clculos anteriores, se utiliz un vector de probabilidad inicial que representaba un camin
que haba comenzado en el norte.
3

Para calcular la proporcin de camiones que se encontrarn en cada regin despus de dos
meses, simplemente se sustituye la proporcin original de camiones que se encuentra en cada
regin y se considera como el vector inicial de probabilidad; es decir, [0.4 0.3 0.3].
Por ello, los clculos se convierten en:
N

0 .4

S
0 .3

N
0 .2
0 .3

0.2

0 .3

Proporcin de
camiones en el
mes 0

0 .3
0 .4
0 .4

0 .5
0.3
0.4

Matriz de transicin
de un mes

N
0 .2
0 .3

0.2

C
0 .3
0 .4
0 .4

0 .5
0.3
0.4

Matriz de transicin
de un mes

0.236

C
0.377

Proporcin de camiones
en el mes 2

De estos clculos, puede verse despus de dos meses que el 23.6% de todos los camiones se
encontrarn en el norte; el m37.7% estarn en la regin central y 38.7% en el sur.
La segunda pregunta que interesa responder es la proporcin de camiones que se encontrara en
cada regin despus de un periodo largo.
Para contestarla, pueden repetirse los clculos mes con mes, o programar una computadora.
Mes
0
1
2
3
4
5
6
7
8
Norte 0.4000 0.2300 0.2360 0.2377 0.2376 0.2376 0.2376 0.2376 0.2376
Central 0.3000 0.3600 0.3770 0.3764 0.3763 0.3763 0.3763 0.3763 0.3763
Sur 0.3000 0.4100 0.3870 0.3859 0.3862 0.3862 0.3862 0.3862 0.3862
En la tabla anterior se observa que el vector de probabilidad cambia de su valor inicial de:
[0.4 0.3 0.3] a [0.238 0.376 0.386]

en 8 meses

Observe tambin que el cambio entre vectores subsiguientes disminuye al aumentar el nmero de
meses.
Este patrn de vectores de probabilidad prcticamente iguales indica que se ha alcanzado una
condicin de estado estable (o estado estacionario) cuando la proporcin de camiones en cada
regin permanece igual.
Esta proporcin de estado estable de camiones es 23.8% en el norte; 37.6% en la regin central y
38.6% en el sur.
Desarrollo matemtico
El anlisis anterior puede resumirse utilizando la siguiente notacin:
Pij

= probabilidad de cambiar del estado i al estado j en un paso

= matriz formada por los valores Pij (matriz de transicin)

si(t)

= probabilidad de encontrase en el estado i en el periodo j

S(t)

= vector de probabilidades de estado en el periodo t

Por ejemplo:
Pij
P11 = 0.2

si(t)
s1(0
= 0.4
)
4

S(0)
[0.4 0.3
0.3]

0.387

s2(0
= 0.3
)
s3(0
= 0.3
)

P12 = 0.3
P13 = 0.5
P21
P22
P23
P31
P32
P33

=
=
=
=
=
=

0.3
0.4
0.3
0.2
0.4
0.4

Utilizando esta notacin, es posible plantear varios resultados clave.

En primer lugar, se tiene que la suma de las probabilidades de estado debe ser igual a 1:
s1(t) = + s2(t) + s3(t) + + sn(t) = 1

para un caso con n estados

De manera similar, para cada rengln de la matriz de transicin P, se tiene la suma:

pi1 + pi2 + pi3 + ... + pin = 1

para i = 1, 2, , n

Recurdese que esto implica que debe hacerse alguna transicin hacia un estado en cada paso.
La transicin de un periodo al siguiente se encuentra incluida en la ecuacin:
S(t + 1) = S(t) P
Para el primer periodo (t = 0) se convierte en:
S(1) = S(0) P
Y para el segundo periodo (t = 1), se tiene:
S(2) = S(1) P = S(0) P P = S(0) P2
En general, este resultado se convierte en:
S(t) = S(0) P t
Ahora, para la condicin de estado estable, se tiene:
S = S(t + 1) = S(t)
Donde S es el vector de probabilidad de estado estable, que es el mismo sin importar el periodo,
lo que implica que:
S=SP
Es decir, el vector de estado estable sigue siendo igual despus de una transicin de una etapa.
Para el ejemplo, esto da como resultado:
S

s s

s .
.

Terminando los clculos, se llega al sistema de ecuaciones:

s1 = 0.2s1 + 0.3s2 + 0.2s3
s2 = 0.3s1 + 0.4s2 + 0.4s3
s3 = 0.5s1 + 0.3s2 + 0.4s3
5

.
.
.

.
.

Se sabe tambin que la suma de estas probabilidades es igual a 1; por lo tanto:

1 = s 1 + s2 + s3
Se encuentran los valores de s1 , s2 , s3 utilizando las 4 ecuaciones anteriores, llegando a las
probabilidades de estado estable siguientes:
s1 = 0.238

s2 = 0.376

s3 = 0.386

Estos valores son las mismas proporciones de estado estable que se obtuvieron usando el
programa de computadora; sin embargo, fue posible determinar estos valores resolviendo yn
sistema de ecuaciones lineales, en vez de repetir el procedimiento hasta que la diferencia entre
los valores de dos meses se volviera pequea.
Un detalle que resulta importante tomar en cuenta con respecto a esta condicin de estado
estable es que no depende del estado inicial.
Si se comenzara con un vector de probabilidades [0.5 0.25 0.25] o uno de [0.33 0.33 0.34], a
largo plazo siempre se terminara con el mismo vector de proporciones de estado estable
[0.238 0.376 0.386].
Para resumir el desarrollo de las cadenas de Markov, si existe una matriz de transicin de una
etapa P = [Pij] y un vector de estado para el periodo t, S(t), entonces se tiene que:
S(t + 1) = S(t) P
Pero dado que:
S(t + 1) = S(t) P = S(t 1)P2 = = S(1) P t-1 = S(0) P t
Puede decirse que:
S(t) = S(0) P t
Tambin puede obtenerse el vector de probabilidades de equilibrio o de estado estable, S,
resolviendo el sistema de ecuaciones definido por:
n

S=SP

s
i

para determinar los valores apropiados de si que forman S, el vector de equilibrio.

Problema 2: El caso de un ejecutivo de una cadena de televisin

Modelos cuantitativos para la administracin, Davis & MCKeown
A Mark Goldman, vicepresidente de la NBS TV Network, se le encarg determinar una poltica de
programacin para la cadena.
La NBS compite por captar televidentes con las cadenas de televisin CBC y ABS.
Al principio de cada temporada (en septiembre), cada una de las cadenas intenta captar una
mayor cantidad de televidentes que sus competidores incluyendo nuevos programas y volviendo a
programar otros.
Goldman se encontraba en problemas porque la NBS haba tenido un mal desempeo en las
ltimas dos temporadas con el formato de sus programas.
Tambin haban surgido crticas porque la cadena tenda a cancelar los programas con mucha
rapidez si el nmero de televidentes (rating o tasa de audiencia) era inicialmente bajo.
Como resultado de las crticas se haba decidido no cancelar ningn programa hasta que fuera
evidente que seguira teniendo un nmero reducido de televidentes.
Dado que los televidentes normales, con bastante frecuencia, al principio de la temporada
tenderan a cambiar de cadena con el objeto de ver programas nuevos o de volver a ver
programas antiguos, Goldman ha decidido esperar a que se estabilice la proporcin de
televidentes que ven un programa determinado.
Le ha pedido a uno de sus subordinados que tiene una maestra en administracin de empresas,
Bill Washington, que estudie el periodo en el que cada cadena estar ofreciendo un programa
nuevo para que determine cules sern las proporciones de televidentes finales.
Si Bill puede predecir estos valores, Mark estar en posibilidades de tomar una decisin con
respecto a un nuevo programa de la NBS, Shampoo va a la Universidad, sin tener que esperar
hasta que las preferencias de los televidentes se vuelvan obvias a travs de los datos de los
ratings o recuentos de tasa de audiencia.
Bill supone que la seleccin de un televidente especfico se ve influenciada ms que nada por el
programa ms reciente que ha observado en ese periodo y que las proporciones finales en
realidad son valores de estado estable.
Con esta base, decide utilizar un enfoque de cadena de Markov para abordar el problema.
Considera que el problema de seleccin de los televidentes se ajusta a las consideraciones de
este modelo con suficiente cercana como para permitir aplicar el modelo al problema.
Bill ha elaborado la siguiente matriz de transicin utilizando datos recopilados en aos anteriores y
referentes a la forma en que los televidentes tienden a cambiar de una cadena a otra, semana a
semana, para el tipo de programas que se considera:
NBS
NBS 0.2
CBC 0.3
ABS 0.2

CBC
0.4
0.3
0.2

ABS
0.4
0.4
0.6

En esta matriz, los valores que se muestran son la fraccin de televidentes que vern el programa
de cada cadena durante esta semana, dada la cadena que vieron la emana anterior.
Por ejemplo, 20% de los televidentes que observaron el programa de NBS la semana pasada lo
observarn esta semana.
7

Tambin se supone que todos los televidentes que vieron la televisin la semana pasada la vern
esta semana.
Dado que esta es una cadena de Markov, la proporcin de televidentes de estado estable que
estarn viendo el programa de cada una de las cadenas (suponiendo que todos los programas
permanecen en la televisin el tiempo suficiente para que se estabilice el patrn de televidentes),
puede determinarse utilizando los mtodos de las cadenas de Markov.
En este caso, se tiene:

s s

.
.

.
.

.
.

En donde:
s1 = proporcin de estado estable de televidentes que observan la NBS
s2 = proporcin de estado estable de televidentes que observan la CBC
s3 = proporcin de estado estable de televidentes que observan la ABS
Esto conduce a:
s1 = 0.2s1 + 0.3s2 + 0.2s3
s2 = 0.4s1 + 0.3s2 + 0.2s3
s3 = 0.4s1 + 0.4s2 + 0.6s3
De donde:
0.8s1 + 0.3s2 + 0.2s3 = 0
0.4s1 0.7s2 + 0.2s3 = 0
0.4s1 + 0.4s2 0.4s3 = 0
que cuando se combinan con la ecuacin adicional:
1 = s 1 + s2 + s3
puede resolverse para determinar las proporciones del estado estable.
En este caso, se obtiene que los valores de las proporciones del estado estable son:
s1 = 0.227

s2 = 0.273

s3 = 0.500

En otras palabras, cuando los televidentes se han decidido respecto a los programas que les
gusta ver:

22.7% observarn lo que la NBS ofrece, Shampoo va a la Universidad

27.3% vern el programa que presenta la CBC, Cuatro es una multitud

50.0% estarn observando el programa de la ABS, Los demonios de Danny

Con base en estos deprimentes pronsticos, Mark Goldman puede tomar una decisin anticipada
con respecto a si debe mantener o cancelar el programa.
Si decide cancelarlo, estar en posibilidades de utilizar la proposicin de estado estable de
televidentes para justificar su decisin.

Problema 3: Ecuaciones Chapman-Kolmogorov

Investigacin de Operaciones, Hamdy Taha
Considrese la siguiente cadena de Mrakov con dos estados:
.
.

Si S(0) = [0.7 0.3], determnese: S(1), S(4), S(8), S(n) y las de ms necesarias hasta encontrar
las probabilidades de estado estable (es decir, cuando los renglones de la matriz Pn sean iguales
al vector S(n)).

.
.

.
P P P
.
.
P P P
.

.
.

. .
. .

.
.

.
.

.
.

.
.
.

Etctera (Hgalo usted)

Entonces, de acuerdo con las ecuaciones Chapman-Kolmogorov: S(t) = S(0) P t :

S S P .

.
.

S() S P .

.
.
.

S S P .

.
.
.

.
.

.
.
.

Etctera (Hgalo usted)

El resultado interesante es que, por ejemplo, los renglones de P8 tiende a ser iguales.
Tambin, el vector S(8) tiende a ser igual que los renglones de P8.
Este resultado tiene que ver con las propiedades a largo plazo de las cadenas de Markov, que
implica que las probabilidades absolutas a largo plazo son independientes de S(0).
En este caso, las probabilidades resultantes se denominan probabilidades de estado estable.

Problema 4: El caso de la movilidad de clases sociales

Supngase que en la sociedad slo existen los estratos socioeconmicos alto, medio y bajo.
Veremos a continuacin la matriz de transicin de un paso, es decir, las probabilidades de pasar
en una generacin una clase social a otra:

Estado 0: Clase alta

Estado 1: Clase media

Estado 2: Clase baja

A
P

Padres

M
B

.
.
A

.
.
M

.
.
B

Hijos

Por ejemplo el 1% de las personas que tuvieron padres de clase baja logran llegar a ser personas
de clase alta.
Recurdese que: = P
.

(A, M, B) = (A, M, B) .
.

.
.
.

.
.
.

Las ecuaciones de estado estable son:

A A PAA M PMA B PBA
M A PAM M PMM B PBM
B A PAB M PMB B PBB
1 A M B

Reemplazando los Pij obtenemos:

A A 0.45 M 0.05 B 0.01
M A 0.48 M 0.70 B 0.50
B A 0.07 M 0.25 B 0.49
1 A M B

Recuerde que una de estas es redundante.

Resolviendo las ecuaciones obtenemos valores:

A = 0.07

B = 0.62

M = 0.31

Despus de muchas generaciones, la probabilidad de pertenecer a la clase alta, media y baja

tiende a 0.07, 0.62, 0.31 respectivamente; es decir, as se estabiliza la sociedad.

Problema 5: El anlisis de las cuentas por cobrar

Mtodos cuantitativos para los negocios, Anderson,Sweeney,Williams
10

Una aplicacin de contabilidad en la que los proceso de Markov han producido resultados tiles
implica la estimacin de la reserva para cuentas por cobrar de dudosa recuperacin o,
simplemente, dudosas.
Esta reserva es una estimacin de la cantidad de cuentas por cobrar que al final demostrarn ser
incobrables.
Considrese la situacin de las cuentas por cobrar para la tienda departamental Heidmans la cual
emplea dos categoras para sus cuentas por cobrar:
1) Las cuentas que se clasifican con 0 30 das de antigedad, y
2) Las cuentas que se clasifican con 31 90 das de antigedad.
Si cualquier porcin del saldo de una cuenta excede de 90 das, esa porcin se clasifica como una
deuda incobrable.
Heidmans sigue el procedimiento de clasificacin de antigedad del saldo total en la cuenta de
cualquier cliente de acuerdo con la factura sin pagar ms antigua.
Por ejemplo, supngase que el saldo de la cuenta de un cliente al 30 de septiembre es como
sigue:
Fecha de
Cantidad cargada
compra
15 de agosto
$25
18 de septiembre
$10
28 de septiembre
$50
Total
$85
La clasificacin de antigedad de esta cuenta por cobrar al 30 de septiembre asignara el saldo
total de $85 a la categora de 31 90 das debido a que la factura sin pagar ms antigua del 15 de
agosto tiene 476 das de antigedad.
Supngase que una semana despus, el 7 de octubre, el cliente paga la factura de $25 del 15 de
agosto.
El saldo total restante de $60 se colocara ahora en la categora 0 30 das en vista de que la
cuenta sin pagar ms antigua, corresponde a la compra del 18de septiembre, tiene menos de 31
das de antigedad.
Este mtodo de clasificacin de las cuentas por cobrar se llama mtodo de saldo total debido a
que el saldo total de la cuenta es colocado en la categora de edad correspondiente a la cantidad
sin pagar ms antigua.
Obsrvese que, bajo el mtodo clasificacin del saldo total, los dlares que aparecen en una
categora de 31 90 das en un punto en el tiempo pueden aparecer n una categora de 0 30
das en un punto posterior del tiempo.
En el ejemplo anterior, este movimiento entre categoras fue cierto para $60 de las facturas de
septiembre, los cuales cambiaron de una categora de 31 90 das a una de 0 30 das despus
de que se pag la factura de agosto.
Supngase que el 31 de diciembre Gheidmans muestra un total de $3,000 en sus cuentas por
cobrar y que a la administracin de la firma le gustara una estimacin de cunto de los $3,000 se
recaudarn al final y cunto resultar al final de cuentas incobrables.
La cantidad estimada de cuentas incobrables aparece como una reserva para cuentas de esta
naturaleza en los estados financieros anuales.
11

Para ver cmo puede considerarse la operacin de cuentas por cobrar como un proceso de
Markov, primero concntrese en lo que le sucede en la actualidad a un dlar en las cuentas por
cobrar.
Conforme la firma contine operando en el futuro, puede considerarse cada semana como un
ensayo de un proceso de Markov, con un dlar existente en uno de los siguientes estados del
sistema:
Estado 1 Categora de pagado
Estado 2 Categora deuda incobrable
Estado 3 Categora 0 30 das
Estado 4 Categora 31 90 das
Por lo tanto, puede rastrearse el estado semana a semana de un dlar usando un anlisis de
Markov para identificar el estado del sistema en una semana o periodo particular.
Usando un modelo de proceso de Markov con los estados anteriores, se definen las
probabilidades de transicin como sigue:
Pij = probabilidad de que un dlar en el estado i en una semana se mueva a estado j en la
siguiente semana.
Con base en las transiciones histricas en el rubro de cuentas por cobrar, se elabor la siguiente
matriz de probabilidades de transicin, P, para Heidmans:

p
p
p

p
p
p

p
p
p

p
.

.
p

p
.
p

.
.
.
.

.
.
.
.

.
.

Obsrvese Que la probabilidad de que un dlar en la categora 0 30 das (estado 3) se mueva a

la categora pagado (Estado 1) en el siguiente periodo es de 0.4.
Adems, este dlar tiene una probabilidad de 0.3 de que permanecer en la categora de 0 30
das (estado 3) una semana despus, y una probabilidad de 0.3 de que estar en la categora 31
90 das (estado 4) una semana despus.
Obsrvese, adems, que un dlar en una cuenta de 0 30 das no puede hacer la transicin a una
deuda incobrable (estado 2) en una semana.
Una propiedad importante de las cadenas de Markov, para la situacin de las cuentas por cobrar
de Heidmans, es la presencia de estados absorbentes.
Por ejemplo, una vez que un dlar hace una transicin al estado 1, el estado pagado, la
probabilidad de hacer una transicin a cualquier otro estado es cero.
Del mismo modo, una vez que un dlar est en el estado 2, el estado de deuda incobrable, la
probabilidad de una transicin a cualquier estado es cero.
Por lo tanto, una vez que un dlar alcanza el estado 1 o el estado 2, el sistema permanecer en
este estado para siempre.
Puede concluirse que todos los dlares de cuentas por cobrar con el tiempo sern absorbidos, ya
sea en el estado pagado o en el de deuda incobrable, y de ah el nombre de estado absorbente.
12

Matriz fundamental y clculos asociados

Siempre que un proceso de Markov tiene estados absorbentes, no se calculan las probabilidades
de estado estable debido a que cada unidad a final de cuentas termina en uno de los estados
absorbentes.
Con estados absorbentes presentes, interesa conocer la probabilidad de que una unidad termine
en cada uno de los estados absorbentes.
Par el problema de Heidmans, se desea conocer la probabilidad de que un dlar que en la
actualidad est en la categora de 0 30 das de antigedad termine pagado (estado absorbente 1)
as como la probabilidad de que un dlar en esta categora de antigedad termine como una
deuda incobrable (estado absorbente 2).
Tambin se desea conocer estas probabilidades de estado absorbente para un dlar que en la
actualidad est en la categora de 31 90 das de antigedad.
El clculo de las probabilidades de estado absorbente requiere la determinacin y uso de lo que
se llama matriz fundamental.
La lgica matemtica que subyace en la matriz fundamental est fuera del alcance de este curso;
sin embargo, como se ver, la matriz fundamental se deriva de la matriz de probabilidades de
transicin y es relativamente fcil de calcular para los proceso de Markov con un nmero pequeo
de estados.
A continuacin se mostrar el clculo de la matriz fundamental y la determinacin de ls
probabilidades de estado absorbente para la tienda departamental Heidmans.
Los clculos comienzan dividiendo la matriz de probabilidades de transicin en las siguientes
cuatro partes:

Donde:

.
p
.

.
.
.
.

.
R
.

.
.
.
.

.
. .

.
. .

.
R

.
.

.
Q
.

.
.

.
.

.
.

Puede calcularse una matriz N, llamada matriz fundamental, usando la siguiente expresin:
N = (I Q) 1
Donde I es la matriz identidad, cuyos elementos son 1 en la diagonal principal y 0 en todo el resto
de la matriz.
El superndice 1 se usa para indicar el inverso de la matriz (I Q).
Ntese que para usar la expresin anterior, la matriz de identidad I debe elegirse de tal manera
que sea del mismo orden (es decir, con el mismo nmero de renglones y de columnas) que la
matriz Q.
En el ejemplo, Q tiene dos filas y dos columnas, as que debe elegirse:

13

Ahora, continuando con el problema del ejemplo, se calcula la matriz fundamental:

.
.

I Q

.
.

.
.

.
.

.
.

Un mtodo para obtener la matriz inversa, es el de los determinantes de la matriz:

d = (0.7 * 0.9) ( 0.3 * 0.3) = 0.54
N I Q

. / .

. / .

. / .
.

. / .
.

.
.

Multiplicando la matriz fundamental por una porcin R de la matriz P, se obtienen las

probabilidades de que los dlares de cuentas por cobrar que estn al inicio de los estados 3 o 4
alcancen con el tiempo cada uno de los estados absorbentes.
La multiplicacin de N por R para el problema de Heidmans proporciona los resultados:
.
.

NR

.
.

.
.

El primer rengln del producto NR es la probabilidad de que un dlar en la categora de 0 30

das de antigedad termine en cada estado absorbente; por lo tanto, se observa una probabilidad
de 0.89 de que un dlar en la categora de 0 30 ser pagado y una probabilidad de 0.11 de
volverse una deuda incobrable.
Del mismo modo, el segundo rengln muestra las probabilidades asociadas con un dlar en la
categora 31 90 das; es decir, un dlar en la categora 31 90 das tiene una probabilidad de
0.74 de que al final se pague y una probabilidad de 0.26 de que resulte ser incobrable.
Establecimiento de la reserva para cuentas de dudosa recuperacin
Sea que B represente un vector de dos elementos, que contiene los saldos actuales de las
cuentas por cobrar en las categoras de 0 30 das y 31 90 das; es decir,
B = [b1

b2]

Dlares totales en la
categora 0 30 das

Dlares totales en la
categora 31 90 das

Supngase que el saldo de cuentas por cobrar al 31 de diciembre de Heidmans muestra $1,000
en la categora de 0 30 das (estado 3) y $2,000 en la categora 31 90 das (estado 4):
B = [1,000

2,000]

Puede multiplicarse B por NR para determinar cunto de los $3,000 se recaudaran y cunto se
perder; por ejemplo,
BNR ,

.
.

.
,
.

Por lo tanto, se observa que $2,370 del saldo de las cuentas por cobrar se recaudarn y $630 se
considerarn como deudas incobrables.
Con base en este anlisis, el departamento de contabilidad puede establecer una reserva para
cuentas incobrables de $630.
La multiplicacin de BNR slo es una forma conveniente de calcular las recaudaciones y las
deudas incobrables resultantes de las cuentas por cobrar.
14

Recurdese que la matriz NR mostr una probabilidad de 0.89 de cobrar en la categora de 0 30

das y una probabilidad de 0.74 de cobrar en la categora 31 90 das.
Por lo tanto, como se mostr con el clculo de BNR, se espera recaudar un total de:
(1,000)*0.89 + (2,000)*0.74 = $2,370
Supngase que con base en el anlisis anterior, a Heidmans le gustara investigar la probabilidad
de reducir la cantidad de deudas incobrables.
Recurdese que el anlisis indic que existe una probabilidad de 11% de que el saldo en la
categora de 0 30 das y una probabilidad de 26% de que el saldo en la categora de 31 90
das de antigedad sean incobrables.
Supngase que Heidmans est considerando instituir una nueva poltica de crdito que implica un
descuento por pronto pago.
La administracin cree que la poltica bajo consideracin aumentar la probabilidad de una
transicin de la categora de 0 30 das de antigedad a la categora pagado y disminuir la
probabilidad de una transicin de la categora de 0 30 das de antigedad a la de 31 9 0 das.
Supngase que un estudio minucioso de los efectos de esta nueva poltica lleva a la
administracin a concluir que sera aplicable la siguiente matriz de transicin:
.

.
p
.

.
.
.
.

.
.
.
.

.
.

Se observa que la probabilidad de que un dlar en la categora de 0 30 das de antigedad haga

una transicin a la categora pagado en el siguiente periodo, ha aumentado a 0.6 y que la
probabilidad de que un dlar en la categora de 0 30 das haga una transicin a la categora de
31 90 das, ha disminuido a 0.1.
Para determinar los efectos de estos cambios en el gasto por deudas incobrables, debe calcularse
N, NR y BNR.
Empezando por calcular la matriz fundamental N:
N I Q

N I Q

.

.

.

.
.

.

.

.
.

Al multiplicar N por R, se obtienen las nuevas probabilidades de que los dlares en cada categora
de antigedad terminen en los dos estados absorbentes:
.
.

NR

. .

. .

.
.

.
.

Se observa que con la nueva poltica de crdito se esperara que slo 3% de los fondos en la
categora de 0 30 de antigedad y 23% de los fondos en la categora de 31 90 das de
antigedad sern incobrables.

15

Si, como antes, se asume un saldo actual de $1,000 en la categora de 0 30 das de antigedad
y $2,000 en la categora de 31 90 das de antigedad, puede calcularse la cantidad total de
cuentas por cobrar que terminen en los dos estados absorbentes multiplicando B por NR,
obteniendo:
BNR ,

.
.

.
,
.

Por lo tanto, la mueva poltica de crdito muestra un impacto por deudas incobrables de $490.
Bajo la poltica de crdito anterior, se encuentra que este impacto era de $630; por lo tanto, podra
esperarse un ahorro de $630 - $490 = $140 como resultado de la nueva poltica de crdito.
Dado el saldo total de las cuentas por cobrar de $3,000, este ahorro representa una reduccin de
4.7% en deudas incobrables.
Despus de considerar los costos implicados, la administracin puede evaluar la economa de
adoptar la nueva poltica de crdito.
Si el costo, incluyendo los descuentos, es menor que 4.7% del saldo de cuentas por cobrar, se
esperara que la nueva poltica condujera a mayores utilidades para la tienda Heidmans.

Problema 6: El dilema del ratn

Un ratn est encerrado en una tienda de quesos que tiene 4 secciones intercomunicadas
mediante puertas de acceso por las cuales el ratn puede pasar con la misma probabilidad, segn
se muestra a continuacin:

16

REA DE EXHIBICIN
BODEGA
FABRICACIN

EMPACADO

Muestre el diagrama de relaciones correspondiente:

A partir de este diagrama, construya la matriz de probabilidades de transicin:

Sala Exhibicin
0
1/2
1/2
1/3

Sala Exhibicin
Bodega
Fabricacin
Empacado

Bodega Fabricacin Empacado

1/3
1/3
1/3
0
0
1/2
0
0
1/2
1/3
1/3
0

Encuentre las probabilidades de estado estable del sistema:

PSE

PB

PF

PSE

PB

PSE

=
=
=
=
=

PB
PF
PE

PE

PF

PE

1/2PB
1/3PSE
1/3PSE
1/3PSE
PSE

0
1/2
1/2
1/3

1/3
0
0
1/3

1/3
0
0
1/3

1/3
1/2
1/2
0

PSE

PB

PF

0
1/3PSE 1/3PSE 1/3PSE
1/2PB
0
0
1/2PB
=
1/2PF
0
0
1/2PF
1/3PE
1/3PE
1/3PE
0
+ 1/2PF + 1/3PE
+ 1/3PE
+ 1/3PE
+ 1/2PB + 1/2PF
+
PB
+
PF
+ PE

Resuelva el sistema de ecuaciones utilizando la funcin SOLVER:

17

PE

Cmo interpreta estos resultados para un periodo de 8 horas laborables?

A la larga, la probabilidad de que el ratn se encuentre en:
La sala de exhibicin es de

30%; o bien, 0.30 * 8 * 60: durante 144 minutos

La zona de empacado es de

30%; o bien, 0.30 * 8 * 60: durante 144 minutos

El rea de bodega es de

20%; o bien, 0.20 * 8 * 60: durante 96 minutos

El cuarto de fabricacin es de

20%; o bien, 0.20 * 8 * 60: durante 96 minutos

TOTAL

8 horas = 480 minutos

Ahora calcule la probabilidad de que el velador de la fbrica mate al ratn poniendo queso
envenenado en la zona de empacado o que lo saque de la fbrica abriendo la puerta que da de la
bodega al patio de carga exterior.
REA DE EXHIBICIN
BODEGA
FABRICACIN

EMPACADO

Replantee el diagrama de relaciones con esta nueva informacin.

18

SALIDA

Y en consecuencia, la matriz de probabilidades de transicin cambia tambin a:

P =

Sala Exhibicin
Bodega
Salida
Fabricacin
Empacado
Muerte

PS
E

PB
PS
Pf
PE
PM

Sala Exhibicin
0
1/3
0
1/2
1/4
0

Bodega
1/3
0
0
0
1/4
0

Salida
0
1/3
1
0
0
0

PSE
0.00
0
0.33
3
0.00
0
0.50
0
0.25
0
0.00
0

PB
0.33
3
0.00
0
0.00
0
0.00
0
0.25
0
0.00
0

PS
0.00
0
0.33
3
1.00
0
0.00
0
0.00
0
0.00
0

Pf
0.33
3
0.00
0
0.00
0
0.00
0
0.25
0
0.00
0

PE
0.33
3
0.33
3
0.00
0
0.50
0
0.00
0
0.00
0

0.19

0.25

0.40

0.17

0.15

19

Fabricacin
1/3
0
0
0
1/4
0

PM
0.00
0
0.00
0
0.00
0
0.00
0
0.25
0
1.00
0

0.1
9
0.2
5
0.4
0
0.1
7
0.1
5
0.0
0
1.0
0.00
0

=
=
=
=
=
=
=

Empacado Muerte
1/3
0
1/3
0
0
0
1/2
0
0
1/4
0
1

0.1
9
0.2
5
0.4
0
0.1
7
0.1
5
0.0
0
1.0
0