CADENAS DE MARKOV

Se conoce como modelo de Markov a un tipo especial de procesos estocstico

discreto en el que la probabilidad de que ocurra un evento depende del evento
inmediato anterior. Podemos decir que esta tcnica posee numerosas
aplicaciones en los negocios entre ellos el anlisis de participacin de mercado,
pronstico de deudas incobrables o tambin para determinar si una maquina
se descompondr en el futuro.
Nomenclatura:

i=Fila y columna
Pij es la posibilidad de que el sistema pase al estado j despus de
cualquier ensay en donde su estado era i antes del ensayo.
Pij se denomina posibilidades de transicin de una matriz.
P(Pij) se conoce por matriz de transicin del sistema.
ANLISIS DE MARKOV
El anlisis de Markov es una forma de analizar el movimiento actual de
alguna variable al fin de pronosticar el movimiento futuro de la misma.
Este mtodo se ha usado en los ltimos aos (100) como instrumento de
investigaciones de mercadotecnia, para examinar y pronosticar el
comportamiento de los clientes desde el punto de vista de su lealtad a
una marca y de sus formas de cambio a otras marcas.
Ms adelante se demostrar que las aplicaciones denominadas anlisis
de Markov no se limitan a la mercadotecnia.
LAS MARCAS COMO CADENAS
Al fin de ilustrar el proceso de Markov presentamos un problema que en
el estado de actividades son marcas y probabilidades de transicin,
expresan la probabilidad de que los consumidores vayan de una marca a
otra.
Supongamos que la muestra inicial de consumidores se compone de 100
participantes distribuidos en cuatro marcas (A, B, C, D). una suposicin
adicional es que la muestra es representativa de todo el grupo desde el
punto de vista de su lealtad a las marcas y de sus formas de cambio de
una marca a otra debido a la publicidad, promociones especiales,
precios, descuentos, etc.
En la tabla 1 la mayor parte de los clientes compraron inicialmente la
marca A, siguieron con ella en el segundo periodo, no obstante, la marca
A gano 50 y perdi 45 clientes con las otras marcas. La tabla 1 no

muestra la historia completa, si no que se necesitan un anlisis

detallado respecto a la proporcin de ganancias y prdidas netas entre
los entre las cuatro marcas. Sin esas clases de anlisis, no sabemos
cuntos clientes perdi cada marca para explicar la ganancia de 50
clientes de la marca A y cuantos de los 45 clientes que perdi A se
ganaron por cada uno de los dems.
Tabla 1: Cambio de clientes durante un mes

MARC
AS

PERIODO 1
NMERO DE
CLIENTES

CAMBIO
DURANTE
GANANCIAS

A
B
C
D
TOTAL

220
300
230
250
1000

50
60
25
40
175

EL
PROCESO
DE
PERDIDA
S
45
70
25
35
175

PERIODO 2
NMERO
DE
CLIENTES
225
290
230
255
1000

Antes de tratar la componente de intercambio estudiaremos la

componente permanente o el grupo que no ha cambiado de marca. Es
necesario calcular las probabilidades de transicin para las cuatro
marcas. Las probabilidades de transicin se definen como la
probabilidad de que determinada marca o vendedor, conservan sus
clientes. Refirindonos a nuestro ejemplo de la marca A perdi 45
clientes y retuvo 175 (220-45).
Para determinar el factor de probabilidades los clientes retenidos en el
periodo que se examina, se divide entre, el nmero de clientes que
haba al principio del periodo, lo que da una probabilidad de retencin de
0.796 para la marca A. Las probabilidades de transicin para las marcas
B, C y D son de:
175
A=0.796 ( 220 ) 175(220-45)
230
B=0.767 ( 300 ) 175 (300-20)
205
C=0.891 ( 230 ) 175 (230-25)

215
D=0.860 ( 250 ) 175 (250-35)

CAMBIO DE MARCAS Y PERDIDAS DE GANANCIAS

Tabla 1:

MARCA

PERIODO 1
NMERO DE
CLIENTES

GANANCIAS
DE
A

220

300

230

250

1000

0
2
0
1
0
1
5

B
4
0

C
0

2
5

2
5

D
1
0
1
5
1
0
0

PERDIDAS DE
A
0
4
0
0
1
0

B
2
0

C
1
0

0
2
5
1
5

PERIODO 2
NMERO DE
CLIENTES

D
15

225

25

290

230

1
0

255

1000

0.091
A

0.79
6

0.04
5

APUNTE

0.89
1

0.08
3

FALTANTE

0.86
0

De manera semejante un proceso de Markov de tercer orden estudia la

preferencia de los clientes durante los ltimos periodos a fin de pronosticar su
comportamiento durante el periodo siguiente hacia determinadas marcas.
Muchos estudios de investigacin de mercado han demostrado que es vlido
utilizar las suposiciones de primer orden para fines de pronstico, los datos
indican que las preferencias de los clientes por determinadas marcas siguen un
patrn bastante estable. En realidad, la matriz de probabilidades de transicin
permanece estable o casi estable durante cierto periodo. Como el anlisis de
Markov de primer orden no es muy difcil y ha resultado un mtodo confiable
para pronosticar las futuras preferencias de los clientes hacia ciertas marcas,
en este curso nos ocuparemos detalladamente del primer orden y
estudiaremos brevemente el segundo y tercer orden.

PARTICIPACIONES DE MARCAS
FUTUROS (PRIMER ORDEN)

EN EL

MERCADO

PARA

PERIODOS

Revisando nuestro ejemplo los participantes de mercado de las marcas A, B, C

y D son ahora de 22%, 30%, 23% y 25% respectivamente para el primer
periodo. La empresa se beneficiar si supiera cules sern las participaciones
de mercado en un periodo futuro (probabilidades de transicin).

A
.
79
6
.
09
1
.
04
6
.
00
7
A
B
C
D

A
.
79
6
.
09
1
.
04
6
.
00
7
A
B
C
D

.
2
.
.
.
.

2
13 00 04
2
=
.
3
0
0
2
3
.
.
.
5
0
76 10 06
0
.
7
9
0
.
2
.
.
.
2 (0.133) (0.30)
(0.796) (0.22)
(0.000) (0.40) (0.25)
3
01 89 04
9
.
7
1
0
0
2
.
.
.
1
5
08 00 86
.
3
0
0
2
3
0
1
.
2
5
4
6
.
9
9
9
8
.
Segundo periodo de
Probabilidades de2
Participantes Proba. de
Transicin
2

Segundo periodo
participantes probables
de mercado.

7
8
.
.
2
2
B
C
D
8
2
3
5
.
.
.
1
0
Tercer periodo de

13 00 04
=
.
.
Participantes Proba. de
3
0
0
2
2
.
.
.
3
9
76
06 + .133 (.2901) + .000
0.07610
(.2250)
0
0 (.2301) + .040 (.2546) = .091 (.2250)
7
9
0
+ .767 (.2901) + .109
(.2546) = .046 (.2250) + .0176
4 (.23019) + .060
1
.
.
.
(.2901) + .891 (.2301)
+
.040
(.2546)
=
.067 (.2250) + .000 (.2301) + .
.
.
01 89 04
860 (.2546) =
2
2
7
1
0
5
3
.
.
.
8
0
08 00 86
1
1
3
0
0
.
.
9
2
9
5
9
4
6
6

Segundo Mtodo
A

.
.
0
. A
.
.
.
.
B
79 13
04

79 13 00 04
6
3
0 C
6
3
0
0
.
.
.
. D
.
.
.
. Primera
09 76 10 06 Columna
09 76 10 06
1
7
9
0
1(.796)
7 (.796)
9
0
+
(.133) (.091) + (0) (.046) + (.040)
.
.
.
.
.(.067). = .6484
.
.
04 01 89 04
04 01 89 04
6
7
1
0
+
(.767) (.091) + (.109) (.046) + (.060)
6(.091)
7 (.796)
1
0
.
.
.
.(.067). = .1513
.
.
00 08
0
86
00
08
00
86
(.046) (.796) +
(.017) (.091) + (.891) (.046) + (.040)
7
3
0
7(.067)
3 = .0818
0
0
A
(.067)
(.796) + (.083) (.091) + (0) (.046) + (.860) (.067) = .1185
B
C
D

Segunda Columna

(.796) (.133) + (.133) (.767) + (0) (.017) + (.040) (.083) = .2112

(.091) (.133) + (.767) (.767) + (.109) (.017) + (.060) (.083) = .6013
(.046) (.133) + (.017) (.767) + (.891) (.017) + (.040) (.083) = .0375
(.067) (.133) + (.083) (.767) + (0) (.017) + (.860) (.083) = .1440

Tercera Columna

(.796) (0) + (.133) (.109) + (0) (.891) + (.040) (0) = .0145

(.091) (0) + (.767) (.109) + (.109) (.891) + (.046) (0) = .1808
(.046) (0) + (.017) (.109) + (.891) (.891) + (.040) (0) = .7957
(.067) (0) + (.083) (.109) + (0) (.891) + (.860) (0) = .0090

Cuarta Columna

(.796) (.040) + (.133) (.109) + (0) (.040) + (.040) (0) = .0742

(.091) (.040) + (.767) (.109) + (.109) (.040) + (.046) (0) = .1056
(.046) (.040) + (.017) (.109) + (.891) (.040) + (.040) (0) = .0729
(.067) (.040) + (.083) (.109) + (0) (.040) + (.860) (0) = .0090

A
.
64
84
.
15
13
.
08
18
.
11
85
A
B
C
D

.
.
.
21 01 07
12 45 42
.
.
.
60 18 10
73 08 56
(.6484)
.
. (.22)
. +
03 79 07
(.1513) (.22) +
75 57 29
.
. (.22)
. +
(.0818)
14 00 74
(.1185)
40
90 (.22)
73 +

.
2
2
.
3
0
.
2
(.0145)
3
(.1808)
.
2
(.7957)
5
(.0090)

.
2
=
2
7
8
.
(.2112)
(.30) +
(.23) + (.0742) (.25) = .2278
2
8
(.6073) (.30) +
(.23) + (.1056) (.25) = .2834
3
4
(.0375)
(.30) +
(.23) + (.0729) (.25) = .2304
.
(.1440)
(.30) +
(.23) + (.7473) (.25) = .2581
2
3
0
4
.
ESTRUCTURA DE
2 UN SISTEMA DE LNEA DE ESPERA
5
8
Lnea de espera de un solo
1 canal:
.
9
SISTEMA
9
9
7
Empleado
Llegadas de
Clientes

Lnea de Espera

Tomar y surtir
pedido

El cliente se va
despus de que fue
surtido el pedido.

Cada cliente debe pasar por un canal, una estacin para tomar y surtir el
pedido, para colocar el pedido pagar la cuenta y recibir producto o como se
muestra en el diagrama anterior.
Distribucin de llegadas:
Para determinar la cantidad de llegadas en un periodo dado se puede utilizar la
distribucin de Poisson:
= media
e = 2.17828
x = cantidad de ocurrencias en el intervalo.

x e
(
)
f x=
x!
Para x = 0,1, 2, .

EJERCICIOS
1. El nmero de tarros de cerveza pedidos en el bar Buen Rato sigue una
distribucin de Poisson con promedio de 30 cervezas por hora.

Calcule la probabilidad de que se pidan exactamente 60 cervezas entre

las 10 p.m. y las 12 de la noche.
Determine el promedio y la desviacin estndar del nmero de cervezas
pedidas entre las 9 p.m. y la 1 a.m.
Calcule la probabilidad de que el tiempo entre dos pedidos consecutivos
sea entre 1 y 3 minutos.

Solucin:
El nmero de cervezas pedido entre las 10 p.m. y las 12 de la noche sigue una
distribucin de Poisson con parmetro 2(30) = 60. La probabilidad de que se
pidan 60 cervezas entre las 10 p.m. y la medianoche es: 0.0514

e60 6060
60 !
= 30 cervezas por hora; t = 4 horas. Entonces, el nmero promedio de
cervezas pedidas entre las 9 p.m. y la 1 am es 4(30) = 120 cervezas. La
desviacin estndar del nmero de cervezas pedido entre las 9 p.m. y la 1 a.m.
es (120)1/2 = 10.95.

X
1

I1

S=
Siendo X el tiempo en minutos entre pedidos sucesivos de cerveza. El tiempo
promedio de pedidos por minuto es exponencial con parmetro, o razn, 30/60
= .5 cervezas por minuto.

5 e.5 t

2. En una peluquera hay un peluquero y un total de 10 asientos. Los tiempos

de llegada tienen distribucin exponencial, y llega un promedio de 20
clientes posibles por hora. Los que llegan cuando la peluquera est llena no
entran. El peluquero larda un promedio de 12 minutos en atender a cada
cliente. Los tiempos de corte de pelo tienen distribucin exponencial.
En promedio, cuntos corles de pelo por hora har el peluquero?
En promedio, cunto tiempo pasar un cliente en la peluquera cuando
entra?
Solucin:

Una fraccin 10 de las llegadas encuentra que est llena la peluquera. Por lo
tanto, entrar a ella un promedio de (1-10) por hora. Todos los clientes que
desean que se les corle el cabello, y, por lo tanto, el peluquero har un
promedio de (1-10) cortes por hora. En nuestro problema, c = 10, =20
clientes por hora y = 5 clientes /h. Entonces = 20/5 = 4

X =

60
=5 HRS .
12

Esto significa que un promedio de 20 - 5 = 15 clientes posibles no entran cada

hora.
Para calcular W:

1 10+1

4 10 + 10 P11
4
L=

W=

9.67
3
20(1 )
4

=1.93 HRS .

3. Suponga que los nacimientos en un pas estn separados en el tiempo, de

acuerdo con una distribucin exponencial, presentndose un nacimiento
cada 7 minutos en promedio.

Solucin:
Como el tiempo promedio entre arribos (entre nacimientos) es de 7 minutos, la
tasa de nacimientos en el pas se calcula como:

24 60
=205.7 NACIMIENTOS / DIAS
7

El nmero de nacimientos en el pas por ao est dado por:

t = 205.7x365 = 75080 nacimientos/ao
4. Un banco tiene dos cajeros. Llegan al banco un promedio de 80 clientes por
hora y esperan en una sola cola para que los atiendan. El tiempo promedio
que se necesita para atender a un cliente es 1.2 minutos. Suponga que los
tiempos entre llegadas y los de servicio son exponenciales. Calcule:

Nmero esperado de clientes en el banco.

Tiempo esperado que pasa un cliente en el banco.
La fraccin del tiempo que determinado cajero est desocupado.

Solucin:
1. Tenemos un sistema M/M/2/DG//. con = 80 clientes/h y = 50
clientes/h. As

80
=.80<1
250

y, por lo tanto, existe el estado estable.

Si 100, no existira estado estable.
De la Tabla P(J 2) = .71.
Tabla para un sistema P ( j s) M/M/s/DG// :

TABLA
Entonces de la Ecuacin:

Lq =

.80(.71)
=2.84 clientes
1.80

L= 2.84+ 80/50 = 4.44 clientes.

2. Como W= /L:
W=4.44/80 = .055 horas = 3.3 minutos
3. Para calcular la fraccin del tiempo que determinado cajero est
desocupado, ntese que
est desocupado durante todo el tiempo que j = O, y la mitad del tiempo,
por simetra, que
j=1.
La probabilidad que una ventanilla est ociosa est dada por:

1
0+ 1
2
Aplicando el hecho de que P(j 2) = .71, obtenemos:
s

sp

sp s

P ( j s )=
y segn esta ecuacin da como resultado:

sp 1

1=
As, la probabilidad de que una ventanilla este vaca es:

1
0+ 1=.11+0.5 ( .176 )=.198
2