Cadenas de Markov

Alumno:
Investigacion de operaciones 2

 Magaña López Cristopher Jonathan

Unidad 4

1
ÍÍ NDÍCE
INTRODUCCIÓN…………………………………………………………………….3

4.1. INTRODUCCIÓN A LAS CADENAS DE MARKOV………………………...6

4.2. PROBABILIDAD DE TRANSICIONES ESTACIONARIAS DE N PASOS…8

4.3. ESTADO ESTABLE……………………………………………………………10

4.4. ESTADOS ABSORBENTES…………………………………………………..12

4.5. USO DE SOFTWARE

CONCLUSIÓN………………………………………………………………………..14

BIBLIOGRAFIA……………………………………………………………………….14

2
ÍNTRODUCCÍOÍ N

En las cadenas de Markov considera ciertos puntos discretos en el tiempo , para toma
valores de 1, 2, 3,…. Y la variable aleatoria que caracteriza al sistema . Y la familia de las
variables aleatorias forma un proceso llamado proceso estocástico. Entonces las cadenas de
Markov se usan para estudiar ciertos comportamientos de largo y cortos plazos de sistemas
estocásticos.

Para un proceso de Markov es un sistema estocástico siempre que cumpla con la propiedad
Markoviana.

Los estados en el tiempo representan situación exhaustiva y mutuamente excluyentes del

sistema en un tiempo específico. Además el número de estado puede ser finito o infinito. Un
ejemplo es el juego delanzar la moneda.
Por lo general una cadena de Markov describe el comportamiento de transición de un
sistema en intervalos de tiempo igualmente espaciados. Sin embargo, existen situaciones
donde los espaciamientos temporales dependen de las características del sistema y por ello,
pueden no ser iguales entre sí. Estos casos se denominan cadenas de Markov incrustadas.
Con las probabilidades absolutas y de transición podremos hacer predicciones de
comportamientos futuros como las que se observaron en las situaciones anteriores. Así, si
llamamos estados a cada una de estas posibilidades que se pueden presentar en un
experimento o situación específica, entonces podemos visualizar en las Cadenas de Markov
una herramienta que nos permitiría conocer a corto y largo plazo los estados en que se
encontrarían en periodos o tiempos futuros y tomar decisiones que afectarán o favorecerán
nuestros intereses. Las probabilidades absolutas y de transición son exhaustivas y
mutuamente excluyentes de un experimento aleatorio en cualquier tiempo.

Las cadenas de Markov son modelos probabilísticos que se usan para predecir la evolución y
el comportamiento a corto y a largo plazo de determinados sistemas. Ejemplos: reparto del
mercado entre marcas; dinámica de las averías de máquinas para decidir política de
mantenimiento; evolución de una enfermedad.
Las cadenas de Markov se pueden aplicar en áreas como la educación, comercialización,
servicios

3
Formulación de las cadenas de Markov.

En la figura 4.1 se muestra el proceso para formular una cadena de Markov. El

generador de Markov produce uno de n eventos posibles, Ej , donde j = 1, 2, . . . , n, a
intervalos discretos de tiempo (que no tienen que ser iguales ). Las probabilidades de
ocurrencia para cada uno de estos eventos depende del estado del generador. Este
estado se describe por el último evento generado. En la figura 4.1, el último evento
generado fue Ej , de manera que el generador se encuentra en el estado M j .

La probabilidad de que E k sea el siguiente evento generado es una probabilidad

condicional : P ( Ek / Mj ). Esto se llama probabilidad de transición del estado M j al estado
Ek. Para describir completamente una cadena de Markov es necesario saber el estado
actual y todas las probabilidades de transición.

Probabilidades de transición.

Una forma de describir una cadena de Markov es con un diagrama de estados,

como el que se muestra en la figura 4.2. En ésta se ilustra un sistema de Markov con
cuatro estados posibles : M1, M2 , M3 y M4 . La probabilidad condicional o de transición de
moverse de un estado a otro se indica en el diagrama.

4
 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 4.1 .

Otra forma de exhibir las probabilidades de transición es, para n = 0, 1, 2, .... ,:

El superíndice n no se escribe cuando n = 1.

Procesos estocásticos.

Un proceso estocástico se define sencillamente como una colección indexada de

variables aleatorias { Xt }, donde el subíndice t toma valores de un conjunto T dado. Con
frecuencia T se toma como el conjunto de enteros no negativos, y X representa una
característica de interés medible en el tiempo t. Por ejemplo, el proceso estocástico, X1 ,
X2 , X3, .., puede representar la colección de niveles de inventario semanales (o
mensuales) de un producto dado, o puede representar la colección de demandas
semanales (o mensuales) de este producto.
 Un estudio del comportamiento de un sistema de operación durante algún periodo
suele llevar al análisis de un proceso estocástico con la siguiente estructura. En puntos
específicos del tiempo t , el sistema se encuentra exactamente en una de un número finito
de estados mutuamente excluyentes y exhaustivos, etiquetados 0, 1, . . , s. Los periodos
en el tiempo pueden encontrarse a intervalos iguales o su esparcimiento puede depender
del comportamiento general del sistema en el que se encuentra sumergido el proceso
estocástico. Aunque los estados pueden constituir una caracterización tanto cualitativa
como cuantitativa del sistema, no hay pérdida de generalidad con las etiquetas numéricas
0, 1, . . , M , que se usarán en adelante para denotar los estados posibles del sistema. De
esta forma, la representación matemática del sistema físico es la de un proceso
estocástico {Xi}, en donde las variables aleatorias se observan en t = 0, 1, 2,. . ., y en
donde cada variable aleatoria puede tomar el valor de cualquiera de los M + 1 enteros 0,
1, .. , M . Estos enteros son una caracterización de los M + 1 estados del proceso.

Propiedad Markoviana de primer orden.

Se dice que un proceso estocástico tiene la propiedad markoviana si

P { Xt+1 = j | X0 = K0 , X1 = K1 , . ., Xt-1 = Kt-1 , = Kt-1, Xt = 1} = P { X t+1 | X1 = i }, para toda t =

0, 1, . . y toda sucesión i, j , K0 , K1 , . . , Ki-1 .

Se puede demostrar que esta propiedad markoviana es equivalente a establecer

una probabilidad condicional de cualquier "evento" futuro dados cualquier "evento "
pasado y el estado actual X i = i , es independiente del evento pasado y sólo depende del
estado actual del proceso. Las probabilidades condicionales P{ X t+1 = j | Xt = i } se llaman
probabilidades de transición. Si para cada i y j, P{ X t+1 = j | | Xt = i } = p{ X1 = j | X0 = i },
para toda t = 0, 1, ....

Entonces se dice que las probabilidades de transición (de un paso) son

estacionarias y por lo general se denotan por p ij . Así, tener probabilidades de transición
estacionarias implican que las probabilidades de transición no cambian con el tiempo. La
existencia de probabilidades de transición (de un paso) estacionarias también implica que,
para cada i, j y n (n = 0, 1, 2,...),

P{ Xt+n = j | | Xt = i } = p{Xn = j | X0 = i }, Para toda t = 0, 1, . . .

Estas probabilidades condicionales casi siempre se denotan por y se

llaman probabilidades de transición de n pasos. De esta manera, es

simplemente la probabilidad condicional de que la variable aleatoria X, comenzando
en el estado i, se encuentre en el estado j después de n pasos ( unidades de tiempo ).
 Como las son probabilidades condicionales, deben satisfacer las propiedades:

Probabilidad de transición de un solo paso.

Ejemplo :

Una tienda de cámaras tiene en almacén un modelo especial de cámara que se

puede ordenar cada semana. Sean D1, D2, ...Dn las demandas de esta cámara durante la
primera semana, segunda semana, n-ésima semana, respectivamente. Se supone que las
Di son variables aleatorias independientes e idénticamente distribuidas que tienen una
distribución de probabilidad conocida. Sea X 0 el número de cámaras que se tiene en el
momento de iniciar el proceso, X1 el número de cámaras que se tienen al final de la
semana uno, X2 el número de cámaras al final de la semana dos, etc. Suponga que X0 = 3.
El sábado en la tarde la tienda hace un pedido que le entregan el lunes al momento
de abrir. La tienda usa la siguiente política ( s, S) para ordenar : si el número de cámaras
en inventario al final de la semana es menor que s = 1 (no hay cámaras en la tienda),
ordenar S = 3. De otra manera, no coloca la orden (si se cuenta con una o más cámaras
en el almacén, no se hace el pedido). Se supone que las ventas se pierden cuando la
demanda excede el inventario. Entonces, { X t } para t = 0, 1, ..n es un proceso estocástico
de la forma que se acaba de describir. Los estados posibles del proceso son los enteros 0,
1, 2, 3, que representan el número posible de cámaras en inventario al final de la semana.
Se observa que {Xi } ( en donde Xi es el número de cámaras en el almacén al final
de la semana i antes de recibir el pedido ), es una cadena de Markov. Se ve ahora cómo
obtener las probabilidades de transición (de un paso), es decir, los elementos de la matriz
de transición ( de un paso), Suponiendo que cada D t tiene una distribución Poisson con
parámetro  = 1.
P0 P P0 P0
P1
0 P0 P1
2 P1
3
p 0 1 2 3
= P2 P P2 P2
0 2 2 3
P3 P P3 P3

Las probabilidades de Poisson para  = 1 y diferentes valores de demanda son:

D 0 1 2 3 4 5 6
p( 0.3 0.7 0.9 0.9 0.9 0.9 1.0
D) 68 36 20 81 96 99 00
 Para obtener P00 es necesario evaluar P Xt = 0  Xt-1 = 0 . Si Xt-1 = 0, entonces
Xt = máx.  (3  Dt , 0 .
Por lo tanto Xt = 0 significa que la demanda durante la semana fue de tres o más
cámaras. Así, P00 = P Dt ≥ 3  = 1  P Dt ≤ 2  = 1  0.920 = 0.080, es la probabilidad de
que una variable aleatoria Poisson con parámetro  = 1 tome el valor de 3 o más.
De manera similar se obtiene P10 como P10 = P Xt = 0  Xt-1 = 1  . Si Xt-1 = 1,
entonces Xt = máx.  (1  Dt , 0 . Para obtener Xt = 0, la demanda durante la semana
debe ser 1 o más. Por esto, P10 = P Dt ≥ 1  = 1  P Dt = 0  = 1  0.368 = 0.632.
Para encontrar P21 = P Xt = 1  Xt-1 = 2 . Si Xt-1 = 2 y Xt = máx.  (2  Dt , 0 , en
consecuencia Xt = 1; entonces la demanda durante la semana tiene que ser exactamente
1, y la probabilidad debe ser de menos de 1.
Esto significa que P21 = P Dt ≤ 1  = P Dt = 0 = 0.368.
Los elementos restantes se obtienen en forma similar, lo que lleva a la siguiente
matriz de transición (de un paso):
0 1 2 3
0 1 – p(2) = . (1 – p(1)) – (1 – p(2)) = (1 – p(0)) – (1 – p(1)) = p(0) =
1 1 – 080
p(0) = . 0.184
p(0) = 0.368 0.368
0 0.368 0
2 632
1 – p(1) = . (1 – p(0)) – (1 – p(1)) = p(0) = 0.368 0
3 1 – 264
p(2) = . 0.368
(1 – p(1)) – (1 – p(2)) = (1 – p(0)) – (1 – p(1)) = p(0) =
080 0.184 0.368 0.368
Probabilidad de transición estacionaria de 1 paso.
p
0 1 2 3
0 . . . .
1 08 . 18
. 36
0 36
0
2 63 . 36
. . 0
3 26 . 36
. 36
. .
08 18 36 36
Las ecuaciones de Chapman-Kolmogorov proporcionan un método para calcular
estas probabilidades de transición de n pasos:

( ) ( ) ( )
∑

Estas ecuaciones simplemente señalan que al ir de un estado i al estado j en n

pasos, el proceso estará en algún estado k después de exactamente m ( menor que n)
pasos. Así, es solo la probabilidad condicional de que, si se comienza en el estado i, el
proceso vaya al estado k después de m pasos y después al estado j en n- m pasos
Los casos especiales de m=1 y m= n-1 conducen a las expresiones:
( )
∑ ( ) ( ) ( ) ( )
y ∑
para toda i, j, y n, de lo cual resulta que las probabilidades de transición de n pasos se
pueden obtener a partir de las probabilidades de transición de un paso de manera
recursiva. Para n=2, estas expresiones se vuelven :
 ( )
∑

( )
Note que las son los elementos de la matriz P(2) ,pero también debe observarse
que estos elementos ∑ se obtienen multiplicando la matriz de transición de un
(2) 2
paso por sí misma; esto es , p = p * p = p .
En términos más generales se concluye que la matriz de probabilidades de transi-
(n) n n-1 n-1
ción de n pasos se puede obtener de la expresión : p = p * p .... p = p = pp = p p.
Entonces, la matriz de probabilidades de transición de n pasos se puede obtener
calculando la n-ésima potencia de la matriz de transición de un paso. Para valores no muy
grandes de n, la matriz de transición de n pasos se puede calcular en la forma que se
acaba de describir, pero cuando n es grande, tales cálculos resultan tediosos y, más aún,
los errores de redondeo pueden causar inexactitudes.

Ejemplo :
(2) 2
Retomando el ejemplo de las cámaras, para p = p , se tiene:
2
p * p = p
0 1 2 3 0 1 2 3 0 1 2 3
0 . . . . . . . . . . . .
1 08
. 18
. 36
0 36
0 08
. 18
. 36
0 36
0 24
. 28
. 300
. 16
.
2 63 36 * 63 36 = 28 25 233 23
. . . 0 . . . 0 . . . .
3 26
. 36
. 36
. . 26
. 36
. 36
. . 35
. 31
. .233 09
.

Así, dado que se tiene una cámara al final de una semana, la probabilidad de que
( )
no haya cámaras en inventario dos semanas después es 0.283; es decir, .
De igual manera, dado que se tienen dos cámaras al final de una semana, la
probabilidad de que haya tres cámaras en el almacén dos semanas después es 0.097;
( )
esto es,
La matriz de transición de cuatro pasos también puede obtenerse como:

p(4) = p4 = p(2) * p(2)

p(2) * p(2) = p(4)

0 1 2 3 0 1 2 3 0 1 2 3
0 . . . . . . . . . . . .
1 24
. 28
. 30
. 16
. 24
. 28
. 30
. 16
. 29
. 28
. 261
. 16
.
28 25 23 23
* 28 25 23 23
=
28 28
2 . . . . . . . . . . .267 16
.
3 35
. 31
. 23
. 09
. 35
. 31
. 23
. 09
. 28
. 28
. .263 17
.

Así, dado que queda una cámara al final de una semana, 0.282 es la probabilidad
( )
de que no haya cámaras en inventario 4 semanas más tarde; es decir,
 De igual manera, dado que quedan dos cámaras en el almacén final de una
semana, se tiene una probabilidad
( )
de 0.171 de que haya tres cámaras en el almacén 4
semanas después; esto es,

Probabilidades de transición estacionaria de estados estables.

Teorema

Sea P la matriz de transición de una cadena de M estados . Existe entonces un

vector tal que

Se establece que para cualquier estado inicial i , .

El vector a menudo se llama distribución de estado estable, o también
distribución de equilibrio para la cadena de Markov. Para encontrar la distribución de
probabilidades de estacionario para una cadena dada cuya matriz de transición es P,

según el teorema, para n grande y para toda i , (1)

n
Como Pij (n + 1) = ( renglón i de P )(columna j de P), podemos escribir

(2)

Ejemplo :
Suponga que toda la industria de refrescos produce dos refrescos , A y B. Cuando
una persona ha comprado el refresco A, hay una probabilidad de 90 % de que su siguiente
compra sea de refresco A. Si una persona compró refresco B, hay un 80 % de
probabilidades que su próxima compra sea de refresco B.
Compra 2
Compra 1 Refresco Refresco pAA pAB .90 .10
p= =
Refresco A A
90% B
10% pBA pBB .20 .80
Refresco B 20% 80%
 Entonces :

1 = 1 2 . .90 1 .90 1 + .20

* 1. .20 =
2 2
.10 1 + .80
8 = 2
De la condición 1 + 2 = 1,  1 = 1 - 2. Al reemplazar esta expresión en la
segunda ecuación, se tiene:
2 = .10(1  2) + .80 2
2 = .10  .10 2 + .80 2
2 = .10 + .70 2
2  .70 2 = .10
.30 2 = .10
 2 = ⅓
De la primera ecuación:
1 = .90 1 + .20 2
1 = .90 1 + .20 (⅓)
1  .90 1 = .20 (⅓)
.10 1 = .20 (⅓)
1 = .20 (⅓)
.10
 1 = ⅔
Esto significa que, después de largo tiempo, hay ⅔ de probabilidad de que una
persona compre refresco A y ⅓ de probabilidad de que una persona compre refresco B.

Ejemplo :
Cierta compañía se especializa en el arrendamiento de camiones a personas que
desean realizar sus propias mudanzas. El gerente de distribución de la compañía está
considerando la posibilidad de aplicar un “cargo por traslado” para cubrir el costo de enviar
camiones desde áreas en las que hay sobrantes a otras en las que se necesitan. Antes de
decidir si se debe aplicar el cargo por traslado al costo de arrendamiento de los camiones
que se dirigen a áreas en las que hay sobrantes, desea determinar la proporción del
número total de camiones que, a largo plazo, acabarán en cada una de las áreas de renta.
Si las proporciones son aproximadamente las mismas, el cargo por traslado será
innecesario. Si no es así, el cargo dependerá de la proporción del total que termine en
cada región. El gerente de distribución ha dividido la parte del país que atiende la
compañía en tres regiones: norte, centro y sur. De registros previos se ha determinado la
siguiente información, referente a la proporción de camiones que se rentan en
determinada región y dónde se entregan:
Región Región donde se
donde se devuelve
Nort Centr Sur
renta
Nort e20% o30% 50%
e 30% 40% 30%
Cent 20% 40% 40%
ro
M.C. José Alberto estrada Beltrán 8
 En este momento 40% de los camiones están en el norte, 30% en el centro y 30%
en la región sur.
Dado el patrón de movimiento de los camiones, la compañía está interesada en
saber lo siguiente:
1. ¿ Qué proporción de camiones se encontrará en cada región después de un mes ?
¿ Después de dos meses ?
2. Qué proporción de los camiones estará en cada región en un período “largo” ?
DIAGRAMA DE ÁRBOL
Probabilidad
Ubicación Ubicación Ubicación de cada
en el en el en el ubicación
mes 0 mes 1 mes 2 enel mes 2

Norte 0.04
0.2
0.3
Norte Centro 0.06

0.5
Sur 0.10

0.2
Norte 0.09
Norte0.3
0.3Centro
0.4 Centro 0.12

0.3
Sur 0.09
0.5 Norte 0.10

0.2
0.4 Centro 0.20
Sur
0.4 Sur 0.20
La probabilidad de estar en el norte en cada uno de los tres meses (mes 0, 1 y 2)
está dada por:
( 0.2 ) * ( 0.2 ) = 0.04
Para determinar la probabilidad de que un camión se encuentre en el norte después
de dos meses, se suman las tres probabilidades de encontrarlo en el norte:
p ( estar en el norte dado que se encontraba en el norte en el mes 0 ) = 0.04 + 0.09 +
0.10 = 0.23
p ( estar en el centro dado que se encontraba en el norte en el mes 0 ) = 0.06 + 0.12 +
0.20 = 0.38
p ( estar en el sur dado que se encontraba en el norte en el mes 0 ) = 0.10 + 0.09 +
0.20 = 0.39
9
 Utilizando notación matricial, los cálculos para el mes 1 son:
N C S
N C S N 0 0. 0 N C S
1 0 0 * C S 0. =0.3 0. 0. 0. 0.
0. 4
0. 0. 2 3 5
Vector de probabilidad Matriz. de4 transición
. Vector de probabilidad
para comenzar en el de un mes después de un mes
norte
Para el segundo mes, los cálculos son:
N C S
N C S N 0 0. 0. N C S
0. 0. 0. * C S 0. 3
=0. 5
0. 0.2 0.3 0.3
2 3 5 0. 4
0. 3
0. 36 77 87
Vector de probabilidad Matriz
. de
4 transición
4 Vector de probabilidad
Después de un mes de un mes después de dos meses

Estos mismos cálculos se pueden obtener de la siguiente

manera: N C S N CS
N C S N 0 0. 0 N 0 0 0 N C S
1 0 0 * C S 0. 3
0. 0. * C 0. 0. 0. = 0.2 0.3 0.3
0. 4
0. 0. S 0. 0. 0. 36 77 87
. 4 . . . .
Vector de probabi- Matriz de transi- Matriz de transi- Vector de
lidad para ción de un mes ción de un mes probabili-
dad después de
comenzar
en el norte 2
meses

Para calcular la proporción de camiones que se encontrarán en cada región después

de dos meses, solo se sustituye la porción original de camiones que se encuentra en cada
región y se considera como el vector original de probabilidad, es decir, (0.4, 0.3, 0.3). Así,
los cálculos se convierten en:

N C S N C S N C S
N C S N 0 0. 0 N 0 0 0 0.2 0.3 0.3
0. 0. 0. * C S * 0. 3
0. 0. C 0. 0. 0. = 36 77 87
4 3 3 0. 4
0. 0. S 0. 0. 0.
. 4 . . . .

Proporción de Matriz de transi- Matriz de transi- Proporción de

camiones en el ción de un mes ción de un mes Camiones en el
mes 0 mes 2
Con estos datos se puede dar respuesta a la primera pregunta planteada. Esto
significa que después de dos meses, el 23.6% de todos los camiones se encontrará en el
norte, el 37.7% estarán en la región central y el 38.7% en el sur.
Prop ción cami es Prop ción cami es
or de on N C S or de 1 on
ME
N 0C S N 0 0 0 ME
N C S
0 0 0 C 0. 0. 0. 0. 0. 0.
. . . S 0. 0. 0. 23 36 41
. . .
Proporción de camiones Proporción de camiones
ME 1 N C S MES 2
S
N C S N 0 0 0 N C S
0.2 0.3 0. C 0. 0. 0. 0.23 0.37 0.3
3 6 41 S 0. 0. 0. 6 7 87
. . .
Proporción de camiones Proporción de camiones
M 2 N C S MES 3
ES
N C S N 0 0 0 N C S
0.2 0.37 0.3 C 0. 0. 0. 0.237 0.376 0.38
36 7 87 S 0. 0. 0. 7 4 59
. . .
Proporción de camiones Propo rción de camiones
MES 3 N C S MES 4
N C S N 0 0 0 N C S
0.237 0.376 0.38 C 0. 0. 0. 0.237 0.376 0.38
7 4 59 S 0. 0. 0. 6 2 61
. . .
Proporción de camiones Proporción de camiones
MES 4 N C S MES 5
N C S N 0 0 0 N C S
0.237 0.376 0.38 C 0. 0. 0. 0.237 0.376 0.38
6 2 61 S .0 .0 0. 6 2 61
. . .
A partir del mes 5 se observa estabilidad en los resultados, lo que significa que se
alcanzó el estado estable, es decir, ya se tienen definidas la tendencias a largo plazo,
pues ya no existe variabilidad en los resultados.
Con estos datos se puede dar respuesta a la segunda pregunta planteada. Esto
significa que a largo plazo, el 23.76% de todos los camiones se encontrará en el norte, el
37.62% estarán en la región central y el 38.61% en el sur.

Otro ejemplo:

A Mark Goldman, vicepresidente de la cadena televisora NBS TV Network se le

encargó determinar una política de programación para la cadena. La NBS compite por
captar televidentes con las cadenas de televisión 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 reprogramando
otros. Goldman se encontraba en problemas porque la NBS había tenido un mal
desempeño en las últimas dos temporadas con el formato de sus programas. También
habían surgido críticas porque la cadena tendía a cancelar los programas con mucha
rapidez si el número de televidentes (“rating” o “tasa de audiencia”) era inicialmente bajo.
Como resultado de las críticas se había decidido no cancelar ningún programa hasta que
fuera evidente que seguiría teniendo un número reducido de televidentes.
Dado que los televidentes normales con bastante frecuencia tenderían a cambiar de
cadena al principio de la temporada con el objeto de ver programas nuevos o de volver a
ver programas antiguos, Goldman ha decidido esperar a que se estabilice la proporción de
televidentes que ven un programa determinado. Le ha pedido a Bill Washington, uno de
sus empleados, que estudie el periodo en el que cada cadena estará ofreciendo un
programa nuevo para que determine cuales serán las proporciones de televidentes finales.
Si Bill puede predecir estos valores, Mark Goldman estará en posibilidades de tomar una
decisión con respecto a un nuevo programa de la NBS, “Investigaciones en la
Universidad”, sin tener que esperar hasta que las preferencias de los televidentes se
vuelvan obvias a través de los datos de los “ratings” o recuentos de tasa de audiencia.
Bill supone que la selección de un televidente específico se ve influenciada más
que nada por el programa más reciente que ha observado en ese periodo y que las
proporciones finales en realidad son valores de estado estacionario. Para ello ha
elaborado la siguiente matriz de transición utilizando datos recopilados en años 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. Dicha matriz es la
siguiente:
N C A
NB BS
0. B
0. B
0.
CB
S 0.
2 0.
4 0.
4
C
AB 3
0. 3
0. 4
0.
S 2 2 6
En esta matriz, los valores son la fracción de televidentes que verán el programa de
cada cadena durante esta semana, dada la cadena que vieron la semana anterior.
Si la cadena NBS pretende proyectar el programa mencionado “Investigaciones en
la Universidad”, la cadena CBC el programa “Cuatro es una multitud” y la cadena ABS el
programa “Los demonios de Danny”, ¿ qué porcentaje de televidentes se calcula que
observará cada uno de ellos ?
Solución:
Sea S1 = % de televidentes que verán la cadena NBS en el momento del estado estable.
Sea S2 = % de televidentes que verán la cadena CBC en el momento del estado estable.
Sea S3 = % de televidentes que verán la cadena ABS en el momento del estado estable.

0. 0 0 S1 = 0.2 S1 + 0.3 S2 + 0.2

S1 S2 = S1 S2 * 2
0. 0. 0.  S23 = 0.4 S1 + 0.3 S2 + 0.2
S3 S3 3
0. 0. 0. S3 = 0.4 S1 + 0.4 S2 + 0.6
2 . .
Esto nos lleva a: 0.8 S1 + 0.3 S2 + 0.2 S3 = 0
0.4 S1  0.7 S2 + 0.2 S3 = 0
 0.4 S1 + 0.4 S2  0.4 S3 = 0
Además: S1 + S2 + S3 = 1
Resolviendo este sistema de ecuaciones se tiene:

S1 = 1  S2  S3
0.8 (1  S2  S3) + 0.3 S2 + 0.2 S3 = 0
0.4 (1  S2  S3)  0.7 S2 + 0.2 S3 = 0
0.4 (1  S2  S3) + 0.4 S2  0.4 S3 = 0

0.8 S2 + 0.8 S3 + 0.3 S2 + 0.2 S3 = 0.8

0.4 S2  0.4 S3  0.7 S2 + 0.2 S3 = 0.4
0.4 S2  0.4 S3 + 0.4 S2  0.4 S3 = 0.4

1.1 S2 + 1.0 S3 = 0.8

1.1 S2 + 0.2 S3 = 0.4
0.8 S3 = 0.4

S3 = 0.4  S3 = 0.5 1.1 S2 + 1.0 (0.5) = 0.8  S2 = 0.272727

0.8
S1 = 1  (0.272727)  (0.5)  S1 = 0.227273

Esto significa que cuando se alcance el estado estable, es decir, cuando los
televidentes tengan bien definidas sus preferencias por las cadenas de televisión, el
22.72% verán la cadena NBS, el 27.27% de televidentes verán la cadena CBC y el 50%
restante verán la cadena ABS.
Estos resultados tan bajos para las expectativas de la cadena NBS hacen que Mark
Goldman pueda tomar decisiones al respecto.
CONCLUSÍOÍ N

Como conclusión las cadenas de Markov nos permite hacer análisis sobre el
estudio de los comportamientos de ciertos sistemas en ciertos periodos que pueden ser
cortos o largos. Además se tiene una relación con las probabilidades absolutas. Pero sin
embargo lo más importante es el estudio del comportamiento sistemas a largo plazo,
cuando el número de transiciones tiene al infinito.
Al conocer más o menos las probabilidades de un experimento, esto a su vez nos
permitirá conocer a corto yplazo los estados en que se encontrarían en periodos o tiempos
futuros y tomar decisiones que afectarán o favorecerán nuestros intereses, y tomar una
decisión de manera consciente y no se comentan muchos errores.

Esto también nos proporcionara un tiempo estimado para que identifiquemos cada
estado y el periodo en que se encuentra con la implementación de un proceso, también se
establece las probabilidades como una herramienta más en las cadenas de Markov.