Modulo Cadena de Markov A PDF 05.07.12

UNIVERSIDAD NACIONAL DEL SANTA
Escuela Académico Profesional de Ingeniería de

Sistemas e Informática
CURSO:
INVESTIGACIÓN DE ÓPERACIONES II
TERCERA UNIDAD
M0DULO:
CADENAS DE MARKOV
Dr. Juan Pablo Sánchez Chávez
NVO.CHIMBOTE - 2012
Modulo Cadenas de Markov – Tercera Unidad UNS
OBJETIVOS DE APRENDIZAJE
1. Cómo reconocer una cadena de Harkov
2. Cómo describir una cadena de Harkov usando una matriz de transición o un
diagrama de estados
3. Cómo calcular las probabilidades de estado transitorio
4. Cómo calcular la probabilidades de estado estable usando el método de la suma de
flujos o el método de las ecuaciones matriciales
5. Cómo aplicar análisis de Harkov a comercialización, a contabilidad y a planeación
de personal
SEMANA 12
INTRODUCCIÓN, CADENAS DE MARKOV, PROBABILIDADES DE TRANSICIÓN,
DIAGRAMA DE ESTADOS
Introducción
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, se podría decir que, las cadenas
de este tipo tienen memoria, es decir “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, es decir, el resultado del último evento no influye en el resultado de un nuevo
evento.
El juego de blackjack es un ejemplo en el que el pasado condiciona al futuro. Conforme se

van jugando las cartas, las probabilidades en las siguientes manos se van modificando. Las
posibilidades en el juego dependen del estado o las condiciones en que se encuentre el
Ing° Juan Pablo Sánchez Chávez Pag. 2

manojo de cartas. Lo mismo es cierto para el pócker, cuando se juegan abiertas algunas
cartas. Nadie apostaría a una carta cuando otro jugador la tiene.
En los negocios, las cadenas de Markov se han utilizado para analizar los patrones de
compra de los consumidores, para pronosticar las concesiones por deudores morosos, para
planear las necesidades de personal y para analizar el reemplazo de equipo. Aunque no es
una herramienta que se use mucho, el análisis de Markov puede proporcionar información
importante cuando es aplicable a una de las situaciones antes mencionada..
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. Más importante aún, 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.
Es importante indicar que se analizara por separado la teoría y las aplicaciones, pues estas
últimas son muy variadas. En este sentido, el análisis de Markov es similar a la
programación lineal (PL), aunque no se usa tanto. La tarea más difícil es reconocer cuándo
puede aplicarse. La característica más importante que hay que buscar es la memoria de un
evento a otro.
DESCRIPCIÓN DE UNA CADENA DE MARKOV
Estado Movimiento
Generador:
Si
Evento generado
E7 E1 E4 E6 Ei
t1 t2 t3 t4 t5 Tiempo
Figura 1
Generador de Markov

En la figura 1 se muestra el proceso para generar una cadena de Markov. El generador de
Markov produce uno de n eventos posibles, Ei, donde i = 1, 2, . . . , n, a intervalos

discretos de tiempo (que no tienen que ser iguales). Las probabilidades de ocurrencia para
cada uno de estos eventos dependen del estado del generador. Este estado se describe por el
último evento generado. En la figura 1, el último evento generado fue Ei, de manera que el
generador se encuentra en el estado Si.
La probabilidad de que Ek sea el siguiente evento generado es una probabilidad

condicional: P(Ek / Si). Esto se llama probabilidad de transición del estado Si al estado Ek.
Para describir completamente una cadena de Markov es necesario saber el estado actual y
todas las probabilidades de transición.
En esta sección se presentan dos formas fáciles de exponer las probabilidades de transición.
DIAGRAMA DE ESTADOS: PROBABILIDADES DE TRANSICION
p31
p33
S1 S3
p13
p12 p21 p43 p34
p42
P44
S2 S4
p24
Figura 2
Un diagrama de estados
Una forma para describir una cadena de Markov es con un diagrama de estados, como el
que se muestra en la figura 2. En ésta se ilustra un sistema de Markov con cuatro estados
posibles: S1, S2, S3 y S4. La probabilidad condicional o de transición de moverse de un

estado a otro se indica en el diagrama. Para simplificar la notación se usan subíndices para
el estado actual y el siguiente. Es decir, p14 = P( S4 / S1). Las flechas muestran las
trayectorias de transición que son posibles. Nótese que no aparecen algunas trayectorias
como la de S2 a S3. Su ausencia significa que esas trayectorias tienen probabilidad de
ocurrencia igual a cero.
Otro método para exhibir las probabilidades de transición es usar una matriz de transición.
La matriz de transición para el ejemplo del diagrama de estados se muestra en la tabla 1.
Nótese que, como existen cuatro estados posibles, se necesitan 4 x 4 = 16 probabilidades.
También nótese que cada renglón de la matriz suma 1. Esto se debe a que el sistema debe
hacer una transición.
A:
S1 S2 S3 S4 Total
De: S1 0 p12 p13 0 1
S2 p21 0 0 p24 1
S3 p31 0 p33 p34 1
S4 0 p42 p43 p44 1
Tabla 1
Una matriz de Transición
Las probabilidades de transición son datos para el análisis. Se deben conocer, no existe
manera de derivarlas. En algunas aplicaciones esto puede ser una limitación.

CALCULO DE LAS PROBABILIDADES DE TRANSICIÓN

Ahora que se sabe cómo presentar los datos, ¿qué puede hacerse? Un análisis útil es
pronosticar el estado del sistema después de 1, 2, 3 o más periodos. Esto se llama análisis
de transición, debido a que es a corto plazo y está enfocado a periodos cortos.
0.75
A:
S1 S2
S1
De: S1 0.75 0.25
0.25 0.25
S2 0.25 0.75
S2
Figura 3
0.75
Un ejemplo de dos estados
Considérese la cadena de Markov que se describe en la figura 3. Esta podría representar el

sistema de una copiadora de oficina, poco segura. Si está funcionando un día, existe un 75
% de posibilidades de que al día siguiente funcione y un 25% de posibilidades de que no
funcione. Pero si no está funcionando, hay 75% de posibilidades de que tampoco funcione
al día siguiente y sólo un 25 % de que si lo haga (se lleva mucho tiempo la reparación).
Para comenzar un análisis de transición, se deben conocer el estado actual. Supóngase que
se está comenzando y que hay 75 % de posibilidades de estar en el estado 1 y 25 % de estar
en el estado 2. Esto define el estado actual en forma probabilista. ¿Cuál es la probabilidad
de estar en el estado 1 al día siguiente? Si se comienza en el estado 1 hay 75 % de
posibilidades de seguir ahí. Si se comienza en el estado 2, sólo hay 25 % de cambiar el
estado 1. Así:
P ( S1) = P ( comiencese S1) p11 + P ( comiencese S2)p21 ……… Significa P(S1/S2)

= (0.75) (0.75) + (0.25) (0.25)

= 0.625
Como solo hay dos estados, entonces P ( S2) = 0.375 o sea 1-P(S1)  1-0625 = 0.375
Después de dos días:
P ( S1) = 0.625 p11 + 0.375 p21

= 0.625 (0.75) + 0.375 (0.25)
= 0.5625
Este método para hacer cálculos puede representarse por un diagrama de árbol, como se
muestra en la figura 4. Como puede observarse, la copiadora no es muy segura. Los
resultados de los primeros cuatro días son:
P( S1) P( S2 )
Inicio 0.75 0.25
1 0.625 0.375
2 0.5625 0.4375
3 0.53125 0.46875
4 0.515625 0.484375
Tabla Nº 02

Figura 4
Diagrama de árbol
En los sistemas con más estados, los cálculos se vuelven mas largos, pero el procedimiento
es el mismo. Considérese el sistema de tres estados que se muestra en la figura 5.
Supóngase que el sistema se encuentra en el estado S1. En el diagrama puede observarse
que para el siguiente ciclo:
P(S1) = p11 = 0.4

P(S2) = p12 = 0.3
P(S3) = p13 = 0.3

Figura 5
Un ejemplo de tres estados
Para el segundo ciclo:
P ( S1) = 0.4 p11 + 0.3 p21 + 0.3 p31

= 0.4 (0.4) + 0.3 (0.1) + 0.3 (0.1)
= 0.22
P ( S2) = 0.4 p12 + 0.3 p22 + 0.3 p32

= 0.4 (0.3) + 0.3 (0.8) + 0.3 (0.3)
= 0.45
P ( S3) = 0.4 p13 + 0.3 p23 + 0.3 p33

= 0.4 (0.3) + 0.3 (0.1) + 0.3 (0.6)
= 0.33

Por supuesto, como el sistema se debe encontrar en algún estado, solo es necesario calcular
dos de estas probabilidades y la tercera puede encontrarse con la siguiente relación:
P( S1) + P( S2) + P( S3) = 1

Ejemplo
P( S1) + P( S2) + P( S3) = 1
0.22 + 0.45 + P( S3) = 1 despejando P( S3) = 1 – 0.22 - 0.45 = 0.33
Los resultados para los primeros cuatro ciclos son:
Inicio P( S1) P( S2 ) P( S3 )
1 0.4 0.3 0.3
2 0.22 0.45 0.33
3 0.166 0.53 0.304
4 0.15 0.565 0.285
5 0.145 0.58 0.275
Tabla Nº 03
Con este análisis puede encontrarse la probabilidad de que el sistema se encuentre en un

estado determinado en cualquier periodo futuro.
Ejercicio de Práctica 01
Dada la cadena de Harkov siguiente:
A
S1 S2
De S1 0.6 0.4
S2 0.2 0.8
a. Dibújese el diagrama de estados

b. Si el sistema se encuentra en el estado 1, encuéntrese las probabilidades de
transición para los cuatro ciclos siguientes

SEMANA 13
PREDICCION DE PORCENTAJE DE PARTICIPACION PARA PERIODOS

FUTUROS, MÉTODO MATRICIAL.
El proceso de Markov tiene varios órdenes, y el primero depende de los resultados del
último acontecimiento (selecciones de marcas por los clientes en ese período), y no de
cualquier comportamiento previo de compras para la probabilidad del acontecimiento
siguiente (selecciones de los clientes para el próximo período). Un análisis de Markov de
segundo orden supone que las selecciones de marcas específicas para el próximo período
dependerán de las selecciones de marcas hechas por los clientes durante los dos períodos
anteriores. De modo semejante, un proceso de Markov de tercer orden, estudia las
preferencias de los clientes durante los tres últimos períodos, a fin de pronosticar su
comportamiento durante el período siguiente hacia determinadas marcas.
Muchos estudios de investigación de mercados han demostrado que es válido utilizar

las suposiciones de primer orden para fines de pronóstico. Los datos indican que las
preferencias de los clientes por determinadas marcas, siguen un patrón bastante estable. En
realidad, la matriz de probabilidades de transición permanece estable o casi estable durante
cierto período. Como el análisis de Markov de primer orden no es muy difícil y ha
resultado un método confiable para pronosticar las futuras preferencias de los clientes
hacia ciertas marcas, sólo nos ocuparemos detalladamente del primer orden, y estudiaremos
brevemente el segundo y tercero.
PARTICIPACIONES DE MARCAS EN EL MERCADO PARA PERIODOS

FUTUROS ( PRIMER ORDEN)
Revisando un ejemplo cualquiera, supónga que las participaciones del mercado de las
marcas Á, B, C y D, son ahora de 22, 30, 25 y 23 por ciento, respectivamente, para el

primer período. La administración se beneficiaría si supiera cuáles serán las participaciones

de mercado en un período futuro. El cálculo de las probables participaciones de mercado
para las marcas A, B, C y D durante el segundo período es cuestión de multiplicar la matriz
de probabilidades de transición por las participaciones de mercado del primer período:
Probabilidades de Primer Periodo Segundo Periodo

Transición x Particip. De Mercado = Particip. Probables de Mercado
A B C D
A .796 .133 .000 .040 .22 .2242
B .091 .767 .109 .060 .30 = .2912
X
C .046 .017 .891 .040 .25 .2472
D .0.067 .083 .000 .860 .23 .2374
1.0 1.0 1.0 1.0 1.0 1.0
Los cálculos para la marca A (Primer Renglón x Primera Columna) son :

1. Capacidad de A para detener sus propios clientes, multiplicada por su participación
en el Mercado :
.796 X .22 = .1751
2. Capacidad de A para detener Clientes de B, multiplicada por su participación de B

en el Mercado :
.133 x .30 = .0399
3. Capacidad de A para detener Clientes de C, multiplicada por la participación de C

en el Mercado :
0 x .25 = 0

4. Capacidad de A para detener clientes de D , multiplicada por la participación de D

en el Mercado :
Marca A, participación .040 x .23 = .0092

Participación de “A” en el Mercado en el Segundo Periodo : .2242
Se efectúa los mismos cálculos con respecto a las marcas B, C y D.

Los cálculos de la marca B ( Segundo Renglón x Primera Columna) son :
.091 x .22 = .0200

.767 x .30 = .2301
.109 x .25 = .0273
Marca B, participación .060 x .23 = .0138
en el Mercado en el 2do. Periodo : .2912
Los cálculos de la marca C ( Tercer Renglón x Primera Columna) son :
.046 x .22 = .0101

.017 x .30 = .0051
.891 x .25 = .2228
Marca C, participación .040 x .23 = .0092
Los cálculos de la marca D ( Primer Renglón x Primera Columna) son :
.067 x .22 = .0147

.083 x .30 = .0249
0 x .25 = 0
Marca D, participación .860 x .23 = .1978

Después de obtener la solución para el segundo período, lo que requiere que se tengan en
cuenta las participaciones iniciales del mercado y las probabilidades de transición, la
determinación del tercer período puede hacerse de dos modos. El primer método es una
continuación del enfoque que ya hemos expresado, o sea la multiplicación de la matriz
original de probabilidades de transición por las participaciones de las marcas en el segundo
período, lo que da los resultados del tercer período. Esas dos matrices, y la de las
participaciones de mercado para el tercer período, son las siguientes:
Probabilidades de Segundo Periodo Tercer Periodo

Transición x Particip. De Mercado = Particip. Probables de Mercado
A B C D
A .796 .133 .000 .040 .2224 .2267
B .091 .767 .109 .060 .2912 = .2849
X
C .046 .017 .891 .040 .2472 .2450
D .0.067 .083 .000 .860 .2374 .2434
1.0 1.0 1.0 1.0 1.0 1.0
Primer método
De nuevo se emplea la multiplicación de matrices para obtener la solución de las

participaciones de mercado de cada marca. Sólo se muestran los cálculos detallados del
primer renglón y de la primera columna.
Cálculos de la marca A (Primer Rrenglón x Primera Columna):

.796 x .2242 = 0.1785
.133 x .2912 = 0.0387
0 x .2472 = 0.0
.040 x .2374 = 0.0095
0.2267
Cálculos de la marca B (segundo renglón X primera columna): 0.2849

Cálculos de la marca C (tercer renglón x primera columna) : 0.2450

Cálculos de la marca D (cuarto renglón x primera columna) : 0.2434
Este método tiene la ventaja de que pueden observarse los cambios que ocurren de un
período a otro. Sin embargo, la administración puede necesitar las participaciones de
mercado de su propia marca para ciertos períodos específicos en el futuro, y en ese caso
será preferible el segundo método. Básicamente este método eleva la matriz de
probabilidades de transición a una potencia que representa el número de períodos futuros.
Por ejemplo, en el problema, las participaciones probables de mercado para el tercer
período, se calculan como sigue:
Probabilidades de Primer Periodo Tercer Periodo

Transición al cuadrado x Particip. De Mercado = Particip. Probables de Mercado
A B C D 2
A .796 .133 .000 .040 .22 .2267
B .091 .767 .109 .060 .30 = .2850
X
C .046 .017 .891 .040 .25 .2449
D .0.067 .083 .000 .860 .23 .2434
1.0 1.0 1.0 1.0 1.0 1.0
Segundo método
Se utiliza de nuevo la multiplicación de matrices. La elevación al cuadrado de la matriz

de probabilidades de transición significa que habrá que calcular nuevas probabilidades de
retención, ganancia y pérdida. La matriz de probabilidades de transición elevada al
cuadrado se multiplica por las participaciones originales de mercado. Como explicación,
los diversos renglones de la matriz de probabilidades de transición, se multiplican por sus
columnas correspondientes para formar una matriz de probabilidades de transición
elevada al cuadrado:

A B C D A B C D
A .796 .133 .000 .040 .796 .133 .000 .040
B .091 .767 .109 .060 .091 .767 .109 .060
X
C .046 .017 .891 .040 .046 .017 .891 .040
D .067 .083 .000 .860 .067 .083 .000 .860
A B C D
A .6484 .2112 .0145 .0742
= B .1513 .6072 .1808 .1056
C .0818 .0376 .7957 .0729
D .1185 .1440 .0090 .7473
Para calcular la participaciones de mercado de su propia marca para ciertos períodos

específicos en el futuro
Calculo de la Marca A (Primer Renglón x Primera Columna):
Capacidad de A para Capacidad de A para Capacidad de A para conservar sus

conservar sus propios conservar sus propios = propios clientes originales después
X
clientes clientes de 2 periodos
. 796 .796 .6336
Capacidad de A para Capacidad de B para ganar Capacidad de A para reconquistar

ganar clientes a B X clientes a A = sus propios clientes de B
.0121
. 133 .091
Capacidad de A para Capacidad de C para ganar Capacidad de A para reconquistar

ganar clientes a C X clientes a A = sus propios clientes de C
0
0 .046

Capacidad de A para Capacidad de D para ganar Capacidad de A para reconquistar

ganar clientes a D X clientes a A = sus propios clientes de D
.0027
. 040 .067
La porción de los clientes originales de A que ésta retiene (la suma de los cálculos
originales de la marca A) = .6484
Los 15 términos restantes se calculan en forma semejante. La matriz de probabilidades de

transición elevada al cuadrado que resulta se multiplica luego por las participaciones
originales de mercado. Los resultados son los siguientes:
Matriz de Probabilidades de Participaciones Tercer Periodo,

Transición elevada al originales de Mercado Participaciones
cuadrado para cada Periodo probables de Mercado
A B C D
A .6484 .2112 .0145 .0742 .22 .2267
B .1513 .6072 .1808 .1056 .30 = .2849
X
C .0818 .0376 .7957 .0729 .25 .2450
D ..1185 .1440 .0090 .7473 .23 .2434
1.0 1.0 1.0 1.0 1.0 1.0
La elevación de una matriz a una potencia mucho más alta no es tarea fácil. Sin embargo,
hay programas de computadoras para efectuar esos cálculos con rapidez y precisión.
Trabajo: Construir un programa de computadora para elevar una matriz a una potencia n.

SEMANA 14
PROBABILIDADES DE ESTADO ESTABLE, CONDICIONES DE EQUILIBRIO

P( S1) P( S2 )
Inicio 0.75 0.25
1 0.625 0.375
2 0.5625 0.4375
3 0.53125 0.46875
4 0.515625 0.484375
Tabla Nº 02 página 07
Consideremos el resultado de la tabla Nº 02 de la pagina 07 para P(S1) y de la tabla Nº 03

página 10 para P(S2)
Se sabe que, las cadenas de Markov poseen una propiedad notable en cuanto a que tienden
a aproximarse a lo que se llama estado estable. Considérense los dos ejemplos anteriores
de análisis de transición. En el sistema de dos estados, P(S 1) resultó ser 0.75 al principio y
después 0.625, 0.567, 0.531 y 0.516. Estas probabilidades se mueven hacia un límite. En
forma análoga, en el sistema de tres estados puede observarse que P(S2), por ejemplo,
adquiere los valores 0.3, 0.45, 0.53, 0.565 y 0.58. Después de unos cuantos ciclos nada
más, las probabilidades de estado comienzan a asentarse o estabilizarse. Cuando una cadena
de Markov ha llegado lo suficientemente lejos como para estar cerca de estos límites, se
dice que ha alcanzado un estado estable. Además, estos límites son los mismos,
independientemente del punto de partida del sistema.
Es importante hacer notar que la existencia de una condición de estado estable es una
propiedad adicional de las cadenas de Markov. De ninguna manera afecta las
probabilidades de transición o la dependencia de cada estado en el estado anterior. Los

límites de estado estable se refieren sólo al porcentaje de tiempo a largo plazo que el
sistema se encontrará en cada estado particular.
En la mayoría de las aplicaciones el estado estable tiene una gran importancia, esto puede
apreciarse más adelante. En esta sección se describen dos métodos para determinar estos
límites y se presenta una aplicación a comercialización.
Método de la suma de flujos
Este método está basado en el concepto de que todo lo que entra debe salir. El diagrama de
estados se usa para presentar los flujos. En la figura 6 se muestra de nuevo el ejemplo
anterior de dos estados. Para cada estado puede escribirse una ecuación tal que para el
estado k se cumpla:
p ik P ( S )   pik P( S k )
toda _ i  k
i
toda _ i  k
Esta ecuación se ve peor de lo que en realidad es. Observando el estado S, en la figura 6,

póngase atención sólo en las flechas entre los estados. Para los flujos que llegan, se tiene
0.75
S1
Figura 6
0.25 0.25 Un ejemplo de dos estados
S2
0.75

p ik P ( S )   p21P ( S 2 )  0.25 P ( S 2 )
toda _ i  k
i
toda _ i  k
Para los flujos que salen, se suman las probabilidades de transición a todos los otros
estados. En este caso sólo hay una, 0.25. Así, la ecuación para S1 es
0.25 P(S2) = 0.25 P(S1)
De igual manera, el flujo hacia adentro para el estado S2 es 0.25 P(S1) y el flujo hacia
afuera es 0.25P(S2). Esto da para S2
0.25 P(S1) = 0.25P(S2)
El hecho de que estas dos ecuaciones sean iguales es una coincidencia. Pero no son
independientes; así, se necesita una relación más:
P(Sl) = P(S2) = 1
Esto proporciona tres ecuaciones con dos incógnitas que pueden resolverse por eliminación.
El resultado es
P(S1) = P(S2) = 0.5
El procedimiento no cambia en los sistemas con más estados. Considérese el ejemplo de

tres estados que se dio antes y que se muestra en la figura 7.

Figura Nº 07
Ejemplo con tres estados
Para el estado S1 se tiene
0.1P(S2) + 0.1P(S3) = (0.3 + 0.3)P(S1)
Para el estado S2, se tiene
0.3P(S1) + 0.3P(S3) = (0.1 + 0.1)P(S2)
y para el estado S3 se tiene
0.3P(S1) + 0.1P(S2) = (0.1 + 0.3)P(S3)
Agregamos la ecuación general P(S1) + P(S2) + (S3) = 1
Ordenando las ecuaciones, para poner todo junto se tienen cuatro ecuaciones:

-0.6P(S1) + 0.1P(S2) + 0.1 P(S3) = 0

0.3P(S1) - 0.2P(S2) + 0.3 P(S3) = 0
0.3 P(S1) + 0.1P(S2) - 0.4 P(S3) = 0
P(S1) + P(S2) + P(S3) = 1
Cuando se resuelve un conjunto de ecuaciones como éste, la última ecuación no puede

eliminarse. Si se usan sólo las primeras tres, al final se tendrá una identidad ya que no son
independientes. Una manera de resolverlas es por eliminación. Se despeja P(S 1) en la primera
ecuación y después se sustituye el resultado en las últimas dos:
P(S1) = I/6P(S2) + 1/6P(S3)
0.3[1/6P(S2) + 1/6P(S3)] + 0.1P(S2)-0.4P(S3) = 0
[1/6P(S2) + 1/6P(S3)] + P(S2)+ P(S3) = 1
Sumando términos semejantes, resultan dos ecuaciones con dos incógnitas:
0.15P(S2) - 0.35P(S3) = 0
1.17P(S2) + 1.17P(S3) = 1
Después puede eliminarse P(S3) multiplicando la primera ecuación por 1.17/0.35 y

sumando las dos ecuaciones:
(1.17 / 0.35) (0.15)P(S2) - 1.17P(S3) = 0
1.17P(S2) - 1.17P(S3) = 1
1.67P(S2) = 1
P(S2) = 0.5988 = 0.6
Con este resultado se encuentra P(S3):

1.17(0.6) + 1.17P(S3) = 1
P(S3) = 0.26
Por último, se sustituyen los valores en la ecuación de P(S1):
P(S1) = 1/6 (0.6) + 1/6 (0.26) = 0.14
Según los resultados obtenidos en el análisis de transición, puede observarse que el sistema
estaba cerca de estos límites después de sólo cinco ciclos.
Aplicación a la administración: cambio de marca
Las compras de los consumidores están influidas por la publicidad, el precio y muchos
otros factores. Con frecuencia un factor clave es la última compra del consumidor. Si, por
ejemplo, alguien compra un refrigerador marca Y, y le da buen servicio, quedará
predispuesto a comprar otro refrigerador marca Y. De hecho, una investigación de mercado
puede determinar el grado de lealtad a la marca encuestando a los consumidores. En
términos de una cadena de Markov, los resultados de la investigación son las probabilidades
de transición de seguir con la marca o de cambiar.
En la figura 8 se muestra un ejemplo de cadenas de Markov para el cambio de marca. En

este ejemplo, la marca A es la marca de interés y la marca B representa todas las demás
marcas. Los clientes son bastante leales, el 80 % de ellos son clientes que repiten. La
oposición conserva el 70 % de sus clientes.
¿Qué información puede obtenerse con el análisis de Markov? Con el análisis de transición
puede descubrirse qué tan probable es que un cliente cambie después de cierto número de
ciclos. Pero el análisis de estado estable es el más útil. ¿Qué interpretación se daría al

promedio a largo plazo de estar en cualquiera de los estados? ¡La de porcentajes de mer-
cado! El promedio a la larga del estado A es el porcentaje de mercado que puede esperar
recibir la marca A. Así, conociendo el grado de lealtad a la marca entre los clientes puede
predecirse el porcentaje de mercado para el producto o servicio.
Las ecuaciones de estado estable para el ejemplo de la figura 8 son :
P(A) = 0.8 P(A) + 0.3 P(B)

P(B) = 0.2 P(A) + 0.7 P(B)
P(A) + P(B) = 1
La solución de este sistema es:
P(A) = 0.6
P(B) = 0.4
0.8
A:
Marca A Marca B
A
De: Marca A 0.8 0.2
0.3 0.2
Marca B 0.3 0.7
0.7
Figura 8
Cambio de Marca
La marca A capturará a la larga el 60 % del mercado y las otras marcas tendrán el 40%.

Esta información puede ser útil en muchas formas. Una de ellas es al evaluar las diferentes
estrategias de publicidad. Esta publicidad puede estar dirigida a los clientes actuales en un
esfuerzo para incrementar la lealtad a la marca. De otra manera, puede dirigirse a los
compradores de otras marcas con el fin de persuadirlos para cambiar. ¿Cómo debe
asignarse un presupuesto de publicidad entre estas dos alternativas? El análisis de Markov
puede proporcionar una respuesta si se dispone de cierta información adicional. Por
ejemplo, si cada incremento se un punto porcentual en el mercado aumenta las ganancias en
S/. 50 000 nuevos soles, el presupuesto de publicidad es S/. 100 000 y esto podría aumentar
la lealtad a la marca a 85% o incrementar el cambio a la marca a un 35%; el problema
puede resolverse de la siguiente manera, teniendo en cuenta la siguiente información en la
tabla Nº 04: La Publicidad altera la Matriz
a) Anuncios dirigidos a los clientes de la
A:
Marca A
De: Marca A 0.8 0.2
Marca B 0.3 0.7
b) Anuncios dirigidos a otros compradores

A:
Marca A
De:
Marca A 0.8 0.2
Marca B 0.3 0.7
Tabla Nº 04 La Publicidad altera la Matriz
Si se dirige a los clientes de la marca A (Ver tabla Nº 04 parte a)

P(A) = 0.85 P(A) + 0.3 P(B)

P(B) = 0.15 P(A) + 0.7 P(B)
P(A) + P(B) = 1
P(A) = 0.75
P(B) = 0.25
Si se dirige a los otros compradores (Ver tabla Nº 04 parte b)
P(A) = 0.8 P(A) + 0.35 P(B)

P(B) = 0.2 P(A) + 0.65 P(B)
P(A) + P(B) = 1
P(A) = 0.64
P(B) = 0.36
Respuesta: el dirigir la publicidad a los clientes actuales traerá el mayor incremento en el

porcentaje de mercado, 15 puntos (P(A) = 0.60 en el estado estable y nueva P(A) = 0.75 lo
que nos da un incremento de 15 puntos), por lo que la ganancia sería 15 x 50 000 = S/.
750000 nuevos soles con un gasto de S/. 100000.
CONDICIONES DE EQUILIBRIO

Solo puede haber una condición de equilibrio si ninguno de los competidores altera la
matriz de probabilidades de transición. Es razonable suponer que podría llegarse en el
futuro a un estado de equilibrio, con respecto a las participaciones de mercado. El
intercambio de clientes en términos de retención, ganancias o pérdidas, seria estático en el
momento en que se lograra el equilibrio. En términos de mercadotecnia, ¿cuales son las
participaciones de mercado finales o de equilibrio?
Pueden emplearse varias matrices de probabilidades de transición para demostrar las

condiciones de equilibrio. La matriz de probabilidades de transición de A no gana clientes
sino que los pierde a favor de B y de C, es
A B C
A .85 0 0
B .10 .80 .25
C .05 .20 .75
1 1 1
Es evidente que al final, B y C se apoderaran de todos los clientes de A, porque A pierde .10
a favor de B y .05 a favor de C. Sin embargo, lo que es mas importante, A no gana clientes
de B o de C. Otro tipo de equilibrio que puede ocurrir es la condición en que A nunca
pierde ninguno de sus clientes.
A B C
A 1.0 .10 .05
B 0 .80 .05
C 0 .10 .90
1 1 1
Como A no sufre perdidas de Mercado, solo es cuestión de tiempo para que tenga todos los
clientes de B y C, a lo que se llama sumidero o Cuenca de un Estado, porque al final una

empresa obtiene toda la clientela. En el primer ejemplo esto se llama sumidero o Cuenca de
dos Estados, porque al final, dos empresas comparten toda la clientela del Mercado.
El ejemplo mas común es aquel en que ninguna empresa obtiene toda la clientela, ósea que
en un total de tres empresas, ni una ni dos de ellas se apoderaría de todo el Mercado.
SEMANA 15
TEORÍA DE JUEGOS. ASIGNACION INDIVIDUAL DE TRABAJO PARA QUE

PRESENTEN Y SUSTENTEN.

Modulo Cadena de Markov A PDF 05.07.12

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Modulo Cadena de Markov A PDF 05.07.12

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDAD NACIONAL DEL SANTA

Escuela Académico Profesional de Ingeniería de

Dr. Juan Pablo Sánchez Chávez

El juego de blackjack es un ejemplo en el que el pasado condiciona al futuro. Conforme se

Ing° Juan Pablo Sánchez Chávez Pag. 2

El análisis de Markov, llamado así en honor de un matemático ruso que desarrollo el

DESCRIPCIÓN DE UNA CADENA DE MARKOV

Ing° Juan Pablo Sánchez Chávez Pag. 3

En la figura 1 se muestra el proceso para generar una cadena de Markov. El generador de

Markov produce uno de n eventos posibles, Ei, donde i = 1, 2, . . . , n, a intervalos

La probabilidad de que Ek sea el siguiente evento generado es una probabilidad

DIAGRAMA DE ESTADOS: PROBABILIDADES DE TRANSICION

p12 p21 p43 p34

Ing° Juan Pablo Sánchez Chávez Pag. 4

S3 p31 0 p33 p34 1

S4 0 p42 p43 p44 1

Ing° Juan Pablo Sánchez Chávez Pag. 5

CALCULO DE LAS PROBABILIDADES DE TRANSICIÓN

De: S1 0.75 0.25

Considérese la cadena de Markov que se describe en la figura 3. Esta podría representar el

P ( S1) = P ( comiencese S1) p11 + P ( comiencese S2)p21 ……… Significa P(S1/S2)

Ing° Juan Pablo Sánchez Chávez Pag. 6

= (0.75) (0.75) + (0.25) (0.25)

P ( S1) = 0.625 p11 + 0.375 p21

Ing° Juan Pablo Sánchez Chávez Pag. 7

P(S1) = p11 = 0.4

Ing° Juan Pablo Sánchez Chávez Pag. 8

Para el segundo ciclo:

P ( S1) = 0.4 p11 + 0.3 p21 + 0.3 p31

P ( S2) = 0.4 p12 + 0.3 p22 + 0.3 p32

P ( S3) = 0.4 p13 + 0.3 p23 + 0.3 p33

Ing° Juan Pablo Sánchez Chávez Pag. 9

P( S1) + P( S2) + P( S3) = 1

Con este análisis puede encontrarse la probabilidad de que el sistema se encuentre en un

a. Dibújese el diagrama de estados

Ing° Juan Pablo Sánchez Chávez Pag. 10

PREDICCION DE PORCENTAJE DE PARTICIPACION PARA PERIODOS

Muchos estudios de investigación de mercados han demostrado que es válido utilizar

PARTICIPACIONES DE MARCAS EN EL MERCADO PARA PERIODOS

Ing° Juan Pablo Sánchez Chávez Pag. 11

primer período. La administración se beneficiaría si supiera cuáles serán las participaciones

Probabilidades de Primer Periodo Segundo Periodo

Los cálculos para la marca A (Primer Renglón x Primera Columna) son :

.796 X .22 = .1751

2. Capacidad de A para detener Clientes de B, multiplicada por su participación de B

.133 x .30 = .0399

3. Capacidad de A para detener Clientes de C, multiplicada por la participación de C

Ing° Juan Pablo Sánchez Chávez Pag. 12

4. Capacidad de A para detener clientes de D , multiplicada por la participación de D

Marca A, participación .040 x .23 = .0092

Se efectúa los mismos cálculos con respecto a las marcas B, C y D.

.091 x .22 = .0200

Los cálculos de la marca C ( Tercer Renglón x Primera Columna) son :

.046 x .22 = .0101

Los cálculos de la marca D ( Primer Renglón x Primera Columna) son :

.067 x .22 = .0147

Ing° Juan Pablo Sánchez Chávez Pag. 13

Probabilidades de Segundo Periodo Tercer Periodo

De nuevo se emplea la multiplicación de matrices para obtener la solución de las

Cálculos de la marca A (Primer Rrenglón x Primera Columna):

Cálculos de la marca B (segundo renglón X primera columna): 0.2849

Ing° Juan Pablo Sánchez Chávez Pag. 14

Cálculos de la marca C (tercer renglón x primera columna) : 0.2450