Cadenas de Markov

El anlisis de Markov es un mtodo de analizar la conducta actual

de alguna variable en un esfuerzo de predecir la conducta futura
de esa misma variable. Este procedimiento fue desarrollado por el
matemtico ruso, Andrei A. Markov a principios del siglo anterior.
Primero lo us para describir y pronosticar el comportamiento de
partculas de gas en un recipiente cerrado. Como una arma
gerencial, el anlisis de Markov ha sido aplicado exitosamente a
una amplia variedad de situaciones de decisin. Quiz su uso ms
amplio est en examinar y pronosticar la conducta de
consumidores en trminos de su lealtad a la marca y su cambio de
una marca a otra. Otra aplicacin interesante del anlisis de
Markov, ha sido el estudio de la vida de las suscripciones a los
peridicos. Una aplicacin ms reciente de esta tcnica ha sido el
estudio del comportamiento de las cuentas por cobrar, esto es, al
estudio de los clientes conforme cambian de cuenta corriente, a
travs de vencido a ms de 30 das, a vencido a ms de 60
das y despus a cliente moroso. En cada una de estas
aplicaciones, la gerencia est interesada en pronosticar lo que el
futuro traer (nmero de clientes morosos, por ejemplo, en la
aplicacin a cuentas por cobrar) al analizar lo que es el
comportamiento actual (la tendencia de los clientes de moverse
de cuentas corrientes a diversas categoras de vencido).

1- Introduccin al Anlisis de Cambio

de Marcas
Los principios del anlisis de Markov se demuestran mejor con un
problema de cambio de marcas. Hay tres lecheras en una comunidad
que abastecen toda la leche consumida: Lechera Abbot, Compaa de
productos lecheros Branch y Productos de Leche Carter, S.A.
Por sencillez, de ahora en adelante refirmonos a ellas como A, B y C.
Cada una de las lecheras sabe que los consumidores cambian de una
lechera a otra a causa de los anuncios, insatisfaccin con el servicio y
otras razones. Si las tres lecheras mantienen registros del nmero de
sus clientes y de la lechera de la cual obtuvieron cada cliente nuevo,
tenemos todos los ingredientes necesarios para la aplicacin de esta
herramienta gerencial.
Adicionalmente supongamos que la tabla 1 ilustra el movimiento de
clientes de una lechera a otra sobre un perodo de observacin de 1
mes. Para simplificar an ms las matemticas necesarias,
supongamos que ningn cliente nuevo entr al mercado y ningn
cliente viejo dej el mercado durante este perodo.

Lecher
a

Nmero de
clientes
Junio
1

Julio 15

200

220

500

490

300

290

Tabla 1

una observacin casual podra sugerir que un total de 20 clientes

cambiaron durante el mes: 10 de B a A y 10 de C a A. Sin embargo, una
inspeccin ms detallada puede no soportar esta inferencia inicial.
Supongamos por ejemplo, que la tabla 2 es la verdadera explicacin del
intercambio de clientes entre las tres lecheras. De ella podemos ver que
los 20 clientes fueron ganados por la lechera A en movimiento algo
complejo de clientes que involucr a las tres lecheras, un movimiento
que algunas veces se conoce en mercadeo como cambio de marcas.
Cada lechera necesita detalles sobre el cambio de marcas si es que va a
hacer el mejor trabajo posible de mercadeo. Si, por ejemplo, diseamos
una campaa promocional bajo la impresin de que la lechera B es la
nica lechera que pierde clientes y que los est perdiendo slo en bien
de la lechera A, B est operando bajo una suposicin falsa.

Lechera

Clientes
de Junio
1

Cambios en junio
Gananci
a

Prdida

Clientes
de julio 1

200

60

40

220

500

40

50

490

300

35

45

290

Tabla 2

De hecho, la lechera B no slo est perdiendo 10 clientes al mes;

ms bien cada mes est ganando 40 clientes nuevos de las otras dos
lecheras y perdiendo 50 clientes viejos con las otras dos lecheras.
En forma similar, supongamos que la lechera A, al notar que est
ganando 20 clientes nuevos cada mes, se concentra exclusivamente
en sus esfuerzos de atraer adicionales, quitndoselos a sus
competidores. Lo que la lechera A est dejando de ver es su propia
prdida de 40 clientes al mes. Quiz algn intento de reducir su
prdida de 40 clientes por mes sera tan efectiva monetariamente
como esfuerzos de capturar clientes adicionales de B y C.
El resultado de todo este asunto es que el simple anlisis en
trminos de ganancias netas o prdidas netas de clientes, es
inadecuado para una administracin inteligente.

Lo que la gerencia necesita es un anlisis ms detallado respecto a las

tasas de ganancia y prdida con todos los competidores. Con tales
datos la gerencia puede hacer esfuerzos para:
1. Pronosticar la participacin de mercado que los vendedores tendrn en algn
tiempo futuro.
2. Pronosticar la velocidad a la que los vendedores ganarn o perdern las
participaciones en el mercado en el futuro.
3. Analizar los esfuerzos promocionales de un vendedor en trminos de
exactamente qu efectos estn teniendo sobre la ganancia o prdida de
participacin de mercado.

El anlisis de Markov nos ofrece exactamente tal herramienta para el

anlisis de mercado. Al emplear esta herramienta de administracin
podemos sacar conclusiones ms precisas sobre nuestra posicin en el
mercado, tanto para el presente como para el futuro. Sin ella,
tendemos a estar en la posicin de la lechera A cuando A saba que
ganaba 20 clientes al mes pero no saba que esta ganancia era el
resultado neto de un intercambio de clientes entre lecheras.
Para movernos ms all de este anlisis simple y al uso de anlisis de
Markov, tendremos que calcular las probabilidades de transicin para
nuestras tres lecheras. Las probabilidades de transicin no es nada
ms que las probabilidades de un cierto vendedor (en este ejemplo,
una lechera) retendr, ganar o perder clientes.

En otras palabras, la lechera B observa de la tabla 3, que pierde 50

clientes este mes; esto es lo mismo que decir que tiene una
probabilidad de 0.90 de retener a sus clientes; similarmente la lechera
A tiene una probabilidad de 0.80 de retener a sus clientes; la lechera C
tiene una probabilidad de 0.85 de retener a sus clientes. Estas
probabilidades de transicin para la retencin de clientes se calculan en
la tabla 3.

Lechera

Clientes de
Junio 1

Clientes
Perdidos

Clientes
Retenido
s

Probabilidad de
retencin

200

40

160

160/200 = 0.80

500

50

450

450/500 = 0.90

300

40

255

255/300 = 0.85

Tabla 3

En este punto, tenemos alguna medida de la proporcin de

clientes antiguos que cada lechera retiene cada mes, pero no
hemos dicho nada acerca de la velocidad a la que cada una de las
lecheras gana nuevos clientes cada mes. El clculo de un juego
completo de estas probabilidades de transicin requerira datos
sobre el flujo de clientes entre todas las lecheras. Los datos de
esta naturaleza exigen un buen mantenimiento de registros y
toman la forma de la tabla 4.
En este punto, todos los datos bsicos estn agrupados en una
tabla. Podemos obtener no slo la ganancia o perdida neta para
cualquiera de las tres lecheras sino tambin las interrelaciones
entre las ganancias y las prdidas de clientes por cada una de las
lecheras. Por ejemplo, ahora es bastante claro que la lechera A
gana la mayora de sus clientes de B. Podemos razonar ms
inteligentemente
de laGanados
tabla 4 sobre estasPerdidos
relaciones de Clientes
lo que
Lechera
Clientes
de Junio
de
julio 1
podamos
cuandoDeslo
sabamos
la Para
ganancia
o prdida
neta
de
A
De
B
De
C
A
Para
B
Para
C
1
cada una de las lecheras.
A

200

35

25

20

20

220

500

20

20

35

15

490

300

20

15

25

20

290

Tabla 4

2- Ilustracin matricial de la
probabilidad de transicin
En el siguiente paso en la aplicacin del anlisis de Markov es
convertir la tabla 4 a una forma ms concisa de donde todas las
ganancias y prdidas sean convertidas en probabilidades de
transicin. Las probabilidades de transicin se despliegan en un
patrn llamado una matriz; por consiguiente en este punto es
necesario introducir algn material llamado algebra matricial que
le permitir proceder con el material del anlisis de Markov que
sigue.

Matrices

Se puede definir una matriz como un arreglo de nmeros ordenados en

renglones y columnas. Una matriz, tomada como un todo, no tiene un
valor numrico. Sin embargo, los nmeros en una matriz pueden
representar datos comerciales tiles. Cuando son vistos como una
unidad completa, tales datos pueden ser de ayuda considerable en la
solucin de ciertos problemas. He aqu una matriz con dos renglones y
tres columnas:

1 2
4
3renglones
5
6

columnas

Se conocera como una matriz 2 x 3 (el nmero de renglones siempre

precede al nmero de columnas cuando se describen las dimensiones
de una matriz).
Para ilustrar un uso gerencial de las matrices, supongamos una
condicin sencilla en comercio internacional; esto es, los pases X y Y
importan acero de los pases A, B y C. El pas X recibe 100 toneladas
anualmente de A, 200 toneladas anualmente de B y 400 toneladas
anualmente de C. Y recibe 300 toneladas anualmente de A, 500
toneladas anualmente de B y 700 toneladas anualmente de C. En esta
forma escrita, es difcil visualizar el flujo de acero de proveedores a
usuarios, pero si las condiciones se expresan en forma matricial, el flujo
de acero se indica fcilmente como sigue:

Proveedores
A
Usuarios X
Y

100 200 400

300 500 700

La primera columna en la matriz indica los embarques totales del

pas A a ambos usuarios. La segunda columna indica los
embarques totales del pas B y la tercera columna indica los
embarques totales al pas C. El primer rengln indica las fuentes
totales de los requerimientos del pas X y el segundo rengln
indica las fuentes totales de los requerimientos del pas Y. En esta
forma matricial, las condiciones son visualizadas con ms
facilidad; la situacin total se puede representar rpidamente y las
relaciones son bastante evidentes. Aunque ste no es el nico uso
que podemos hacer de las matrices, usos posteriores tendrn que
esperar hasta que hayamos tenido alguna prctica en entender y
tratar con las matrices.

He aqu algunas matrices diferentes con el tamao indicado junto

a cada una.
2
4

1
6

2x2

2
4

2x1

2
6
1
3
2
4
5

1x3

4
6

6
3

7
9

2x4

3x1

La ubicacin de un elemento individual dentro de cualquier

arreglo, se puede describir al indicar el rengln y la columna (en
ese orden) en el que aparecen los elementos. Abajo la ubicacin
de cada elemento en la matriz se describe por la ubicacin de su
rengln y su columna.
1
7
-1
6
3
8

Rengl Column
n
a

2
4
-5

1 = elemento
1,1

-1 = elemento
2, 1

3 = elemento
3,1

2 = elemento
1,2

4 = elemento
2,2

-5 = elemento
3,2

7 = elemento

Multiplicacin de Matrices

Dos matrices se pueden multiplicar entre s si el nmero de

columnas en la primera matriz es igual al nmero de renglones en
la segunda. Si no se satisface esta condicin, la multiplicacin es
imposible. He aqu dos matrices, A y B, con sus dimensiones (el
nmero de renglones y columnas) indicadas directamente debajo
de cada una de ellas:
Matriz A
Matriz B

2
4
2 x

1
3
2

3
2
2 x

1
1
2

Si los dos nmeros encerrados en crculos (el nmero de columnas

en la matriz A y el nmero de renglones en la matriz B) son iguales,
la multiplicacin es posible. Esta regla es una definicin bsica en
lgebra matricial. Su lgica se volver obvia ms adelante en la
exposicin cuando intentemos multiplicar matrices que no se
apegan a la regla. Esta regla siempre ser satisfecha cuando las
dos matrices a multiplicar son cuadradas y ambas son del mismo
tamao.

Si se colocan dos matrices una junto a la otra, como estn las

matrices A y B de ms abajo, que no satisfacen la regla, no pueden
ser multiplicadas, un cambio de posiciones puede hacer que s se
puedan multiplicar:

Matriz A

Matriz B

2
4
9
3 x

1
4

3
2

2 x

7
2

7
2

No se pueden multiplicar

Matriz A

Matriz B
1
4

3
2

2
4
9

Si se pueden multiplicar

Si comparamos los dos nmeros exteriores de sus dimensiones,

obtenemos alguna informacin til. Los dos nmeros exteriores en
las dimensiones indican el tamao de la matriz que se obtendr
como una respuesta; en el ltimo ejemplo, la respuesta sera una
matriz de 2 x 1. He ac dos matrices con sus dos dimensiones
exteriores encerradas en crculos:
Matriz B
Matriz A
2
4
2
renglones

x
x

columnas

La dimensin exterior de la matriz A indica el nmero de

renglones en la respuesta. La dimensin exterior de la matriz B
indica el nmero de columnas en la respuesta.
La multiplicacin en s, es muy simple ahora que sabemos el
tamao de la respuesta. Si resultara una matriz 2 x 2, debe
contener cuatro elementos.

Mostremos (primero en forma simblica, despus con nmeros)

cmo se lleva acabo la multiplicacin. Para obtener cualquier
elemento en la respuesta, primero determine la ubicacin del
rengln y columna de ese elemento en la respuesta. Por ejemplo,
he aqu cmo se calcula el elemento 24 en la respuesta. Este
elemento est en el segundo rengln y primera columna. Para
calcularlo, simplemente multiplicamos el segundo rengln de la
matriz A Matriz
por la primera
columna
B; esto
Matriz
B de la matriz
Matriz
C es 6 x 4 = 24
A

a
b

Matriz A

Matriz B

Matriz A
5
6

Matriz B

Clcul
os

Ubicacin de la cifra en la
respuesta

Rengln 1
(5)

Columna 1
(4)

5x4=
20

Rengln 1, Columna 1

Rengln 1
(5)

Columna 2
(3)

5x3=
15

Rengln 1, Columna 2

Rengln 2

Columna 1

6x4=

Rengln 2, Columna 1

ax
b
bx
c

ax
d
bx
d
Matriz C

20

15

24

18

Qu hay de la multiplicacin de dos matrices A y B donde el

producto contiene un solo elemento? Su ubicacin es 1, 1 (rengln
1 y columna 1). El proceso de multiplicacin involucra la
multiplicacin del primer (y nico) rengln de la matriz A por la
primera (y nica) columna de la matriz B. En sta y todas las
multiplicaciones de matrices en cada paso, siempre estamos
multiplicando algn rengln de la primera matriz por alguna
Matriz B
Matriz matriz:
A
columna de la segunda
4
3
2
= respuesta
x 5
6
6

En este caso el rengln y la columna involucradas contienen

d
ambas, tres elementos. La multiplicacin se ilustra primero con
e
a
b
c
smbolos, despus por nmeros x
f
ad + be + cf=
respuesta
(3 x 4) + (2 x 5) + (1 x 6) =
28

He aqu tres ejemplos finales de la multiplicacin de matrices:

Ejemplo 1:
Matriz A
2
-1

3
4

Matriz B
x

5
7

Matriz A

6
-2

Matriz C
=

Matriz
B

6
31
23 -14

Clculos

Ubicacin de la
cifra en la
respuesta

(2x5) + (3x7) =
31

Rengln 1, Columna 1

Rengln 1

(2

3)

Column
a1

5
7

Rengln 1

(2

3)

Column
a2

6
-2

(2x6) + (3x(-2)) =
6

Rengln 1, Columna 2

Rengln 2

(-1

4)

Column
a1

5
7

((-1)x4) + (4x7) =
23

Rengln 2, Columna 1

Rengln 2

(-1

4)

Column
a2

6
-2

((-1)x6) + (4x(-2))
= -14

Rengln 2, Columna 2

Ejemplo 2:
Matriz A
2
-1
6

1
4
1

Matriz B
-6
3
-5

Matriz A

3
-5
7

Matriz C
=

Matriz
B

-41
-2
-22

Clculos

Ubicacin de la
cifra en la
respuesta

Rengln 1

(2 1
-6)

Column
a1

3
-5
7

(2)(3) + (1)(-5) + (-6)

(7) = -41

Rengln 1, Columna 1

Rengln 2

(-1
3)

Column
a1

3
-5
7

(-1)(3) + (4)(-5) + (3)

(7) = -2

Rengln 2, Columna 1

Rengln 3

(6 1
-5)

Column
a1

3
-5
7

(6)(3) + (1)(-5) + (-5)

(7) = -22

Rengln 3, Columna 1

Ejemplo 3:
Matriz A
1
3
6

4
2
5

-2
0
7

Matriz B
x

Matriz A

-3
0
-1

8 -5
9 -4
10 11

Matriz
B

Rengln 1

(1 4
-2)

Column
a1

-3
0
1

Rengln 1

(1 4
-2)

Column
a2

8
9
1
0

Rengln 1

(1 4
-2)

Column
a3

-5
-4
1
1

Matriz C
-1 24 -43
-9 42 -23
=
-25 163 27

Clculos

Ubicacin de la
cifra en la
respuesta

(1)(-3) + (4)(0) + (-2)(1) = -1

Rengln 1, Columna 1

(1)(8) + (4)(9) + (-2)(10)

= 24

Rengln 1, Columna 2

(1)(-5) + (4)(-4) + (-2)

(11) = -43

Rengln 1, Columna 3

Matriz A

Matriz
B

Clculos

Ubicacin de la
cifra en la
respuesta

Rengln 2

(3

0)

Column
a1

-3
0
1

(3)(-3) + (2)(0) + (0)(-1)

= -9

Rengln 2, Columna 1

Rengln 2

(3

0)

Column
a2

8
9
1
0

(3)(8) + (2)(9) + (0)(10)

= 42

Rengln 2, Columna 2

Rengln 2

(3

0)

Column
a3

-5
-4
1
1

(3)(-5) + (2)(-4) + (0)

(11) = -23

Rengln 2, Columna 3

Rengln 3

(6
7)

Column
a1

-3
0
1

(6)(-3) + (5)(0) + (7)(-1)

= -9

Rengln 3, Columna 1

Rengln 3

(6
7)

Column
a2

8
9
1
0

(6)(8) + (5)(9) + (7)(10)

= 163

Rengln 3, Columna 1

Rengln 3

(6
7)

Column
a3

-5
-4
1
1

(6)(-5) + (5)(-4) + (7)

(11) = 27

Rengln 3, Columna 3

Forma estndar para ilustrar la matriz

de probabilidades de transicin
Ahora que hemos terminado nuestra muy breve introduccin a matrices
y a la multiplicacin de matrices regresemos al ejemplo de cambios de
marcas que presentamos anteriormente. En la matriz de probabilidades
de transicin dems adelante, hemos incluido para cada lechera la
probabilidad de retencin y la probabilidad de su prdida de clientes
con sus dos competidores. Los renglones en esta matriz muestran la
retencin de los clientes y la prdida de los clientes; las columnas
representan la retencin de los clientes y la ganancia de los clientes.
Estas probabilidades han sido calculadas hasta el tercer decimal.

0.800

0.100

0.100

0.070

0.900

0.030

0.083

0.067

0.850

Retencin y prdida

Retencin y
ganancia

A continuacin est una matriz con las mismas dimensiones que la

anterior que ilustra cmo se determina cada probabilidad:

A160/200 = 0.800

20/200=0.100

20/200=0.100

B 35/500= 0.070 450/500=0.900

15/500=0.030

C 25/300 = 0.083

20/300=0.067 255/300=0.850

Los renglones de la matriz de probabilidades de transicin, se pueden

leer de la siguiente manera:

El rengln 1 indica que la lechera A retiene 0.8 de sus clientes (160),

pierde 0.1 de sus clientes (20) a la lechera 20 y pierde 0.1 de sus clientes
(20) a la lechera C.
El rengln 2 indica que la lechera B retiene 0.9 de sus clientes (450),
pierde 0.07 de sus clientes (35) a la lechera A y pierde 0.3 de sus clientes
(15) a la lechera C
El rengln 3 indica que la lechera C retiene 0.85 de sus clientes (255),
pierde 0.083 de sus clientes (25) a la lechera A y pierde 0.067 de sus
clientes (20) a la lechera B.

El leer las columnas nos da la informacin que sigue:

La columna 1 indica que la lechera A retiene 0.8 de sus clientes (160),
gana 0.7 de los clientes de B (35) y gana 0.83 de los clientes de C (25)
La columna 2 indica que la lechera B retiene 0.9 de sus clientes (450)
gana 0.1 de los clientes de A (20) y gana 0.067 de los clientes de C
(20).
La columna 3 indica que la lechera C retiene 0.85 de sus clientes
(255), gana 0.1 de los clientes de A (20) y gana 0.03 de los clientes de
B (15)

Con la informacin en esta forma, se pueden observar ms

fcilmente las relaciones. Adems, mediante el uso del lgebra
matricial, podremos hacer los cuatro trabajos gerenciales listados
anteriormente.

Estabilidad de la matriz de
probabilidades de transicin
El anlisis de Markov estudia las decisiones de patrocinio de los
consumidores; involucra la cantidad de consumidores que compran de
cada lechera. Una suposicin bsica es que los consumidores no
cambian su patrocinio de lechera a lechera a lechera aleatoriamente;
en vez de ello, suponemos que las elecciones de lecheras de las
cuales comprar en el futuro reflejan elecciones hechas en el pasado.
Un proceso Markov del primer orden se basa en la suposicin de que
la probabilidad del siguiente evento (en este caso, la eleccin de los
clientes sobre los proveedores del prximo mes) depende de los
resultados del ltimo evento (las elecciones de los clientes este mes) y
para nada sobre su conducta previa de compras. Un proceso de
Markov de segundo orden supone que las elecciones de los clientes
para el siguiente mes puede depender de sus elecciones durante los
dos meses inmediatos anteriores (u otro perodo de compra, si no se
usan meses). A su vez, un proceso de tercer orden se basa sobre la
suposicin de que la conducta de los clientes se pronostica mejor al
tomar en consideracin su conducta durante los 3 ltimos meses (u
otro perodo apropiado de compras).

Las matemticas de los procesos de primer orden no es difcil. Sin

embargo, en los procesos de segundo y tercer orden los clculos
se vuelven ms complicados y difciles. Los estudios sugieren que
el usar las suposiciones del primer orden para fines de pronstico,
no son invalidados, particularmente si los datos parecen indicar
que las elecciones de los clientes siguen un patrn
suficientemente estable, esto es, si la matriz de probabilidades de
transicin permanece estable. Ya que han demostrado ser
pronosticadores confiables de la conducta futura, limitaremos
nuestro tratamiento a procesos del primer orden.

3- Prediccin del porcentaje de

participacin en el mercado para
perodos futuros
Regresemos a nuestras tres lecheras y supongamos que la matriz
de probabilidades de transicin permanece bastante estable y que
las participaciones del mercado al primero de julio son stas: A =
22%, B= 49%, C=29%. Los gerentes de las tres lecheras se
beneficiarn, por supuesto, al conocer las participaciones de
mercado que ocurriran en algn perodo futuro.
Para calcular la participacin probable del mercado total que
probablemente tendr cada una de las lecheras en agosto 1 (el
mes es nuestro perodo bsico de recopilacin de datos),
simplemente armaramos nuestros porcentajes de participacin
como una matriz y multiplicaramos esta matriz por la matriz de
probabilidades de transicin como sigue:

Participacin de
mercado de julio
1

0.22

0.49

Total = 1.00

Probabilidades de
transicin

0.800

0.100

0.100

0.070
x
0.29

0.900

0.030

0.083

0.067

0.850

Participacin
probable de
mercado de
agosto 1

= 0.234

0.483

Total = 1.00

0.2

La participacin probable de mercado el primero de septiembre,

tambin se puede calcular elevando al cuadrado la matriz de
probabilidades de transicin y multiplicando la matriz al cuadrado
por las participaciones de mercado del 1 de julio:
2
0.800 0.100
0.100
Mtodo 1
0.22

0.49

x
0.29
0.070

0.900

0.030

0.083

0.067

0.850

o al multiplicar la matriz de probabilidad de transicin por las

participaciones del mercado el 1 de agosto:
Mtodo 2

0.234

0.483

0.800

0.100

0.100

x
0.283
0.070

0.900

0.030

0.083

0.067

0.850

Se puede explicar la lgica detrs del primer mtodo en esta

forma. Al elevar al cuadrado la matriz original de probabilidades
de transicin, de hecho hemos calculado las probabilidades de
retencin, prdida y ganancia que se pueden multiplicar por las
participaciones originales del mercado (22, 49 y 29%) para que
nos d las participaciones de mercado que se obtendrn el 1 de
septiembre.
El mtodo 2 da el mismo resultado que el mtodo 1. Este ltimo
tiene algunas ventajas naturales sobre el mtodo 2. Si queremos ir
del perodo inicial al tercer perodo, por ejemplo, no tenemos que
Participacin de
Probabilidades de
pasar
por
los
pasos
intermedios
si usamos el mtodo 1.
mercado de julio
transicin
1
elevada
al cubo
Simplemente
procedemos como
sigue:
0.800
0.22

0.49

0.100

0.100

0.070
x
0.29

0.900

0.030

0.083

0.067

0.850

Participaciones
probables de
mercado al 1
octubre

Y, por supuesto, si queremos las participaciones de mercado que ocurrirn

despus de seis perodos, armaramos el problema como sigue:
Participaciones de mercado despus de seis perodos:

Por supuesto, elevar una matriz a la sexta potencia a an a una potencia

ms alta, no es un trabajo fcil si el clculo se debe hacer manualmente.
Sin embargo, estn disponibles programas de computadora que efectuarn
sta, de otra manera, tarea onerosa en unos cuantos segundos.
Para resumir los usos de los dos mtodos alternos de calcular
participaciones de mercado para perodos futuros, obviamente
emplearamos el mtodo 1 si simplemente quisiramos las participaciones
de mercado para el perodo futuro especfico, mientras que escogeramos
el mtodo 2 si quisiramos observar los cambios que ocurren en las
participaciones de mercado durante los perodos intermedios.

4- Condiciones de equilibrio
Es bastante razonable suponer en nuestros problemas de lechera,
que se podra llegar a un estado de equilibrio en el futuro con
respecto a participaciones de mercado; esto es, el intercambio de
clientes bajo condiciones de equilibrio sera tal que de continuar,
congelara las tres participaciones de mercado que se obtendran
al momento que se alcanzara el equilibrio. Por supuesto, el
equilibrio, slo puede resultar si ninguna lechera toma acciones
que alteran la matriz de probabilidades de transicin. Desde el
punto de vista de mercadeo, queremos responder a la pregunta:
cules seran las tres participaciones finales o de equilibrio?

Un equilibrio de una lechera

Para ilustrar el equilibrio,
probabilidades de transicin:
A

0.900

suponga

una

0.050

0.050

0.150

0.750

0.100

0.000

0.000

1.000

nueva

matriz

de

Retencin y
ganancia

Retencin y prdida

debido a que C nunca pierde cliente alguno y debido a que las otras
lecheras s pierden clientes con C, es slo una cuestin de tiempo
hasta que C tenga todos los clientes. En la terminologa de Markov,
esto se llamara un sumidero o recolector de un estado, lo que
significa que una de nuestras lecheras (C) eventualmente adquirira
todos los clientes. C tambin se llama un estado absorbente.

Un equilibrio de dos lecheras

Puede ocurrir un segundo tipo de equilibrio. Para ilustrar esto, he aqu
una nueva matriz de probabilidades de transicin:

0.900

0.050

0.050

0.000

0.500

0.500

0.000

0.500

0.500

Se puede ver fcilmente qu, con el tiempo, las lecheras C y B

capturan todos los clientes de A. Por qu es verdad esto? Porque A
pierde 0.05 de sus clientes con B y pierde 0.05 de sus clientes con C.
Como B y C tienen ambos las mismas probabilidades de retener
clientes (0.50), deben finalmente dividir el mercado. Esto se conocera
como un sumidero o recolector de dos estados. Esto es, las dos
lecheras, B y C, finalmente compartirn todos los clientes en el
mercado completo.

Un equilibrio de tres lecheras

Por supuesto, podramos tener un tipo de equilibrio en que no
existiera sumidero o recolector. En este caso ninguna lechera
obtendra todos
los clientes ni dos lecheras cualquiera
capturaran todo el mercado. Pero se desarrolla alguna condicin
final o de equilibrio y contina, en la que las participaciones en el
mercado no cambiarn en tanto la matriz de probabilidades de
transicin permanezca igual. Nuestro problema original de tres
lecheras ilustra este tercer tipo de equilibrio. Para encontrar si las
participaciones finales o de equilibrio del mercado estarn con
nuestro problema original,
de
A procedamos
B
C la siguiente manera:
0.800

0.100

0.100

0.070

0.900

0.030

0.083

0.067

0.850

Matriz original de probabilidades de transicin

Ahora, la participacin de A en el mercado en equilibrio

(identifiquemos este perodo futuro como el perodo eq.) es igual a
0.800 por la participacin que A tena en el perodo (eq. 1) (el
perodo inmediatamente precedente al equilibrio).
+0.070 por la participacin que B tena en el perodo (eq. 1)
+0.830 por la participacin que C tena en el perodo (eq. 1)
Podemos escribir esta relacin como una ecuacin:
Aeq = 0.800 Aeq-1 + 0.070Beq-1 + 0.083Ceq-1

(Ec 1)

Y por supuesto, podemos escribir dos ecuaciones ms que ilustran

las participaciones de mercado que B y C tendrn en el perodo de
equilibrio
Beq = 0.100 Aeq-1 + 0.900Beq-1 + 0.067Ceq-1

(Ec 2)

Ceq = 0.100 Aeq-1 + 0.030Beq-1 + 0.850Ceq-1

(Ec 3)

En los perodos iniciales, las ganancias y prdidas de la lechera eran

usualmente de magnitud bastante alta. Pero conforme se aproxima el
equilibrio, las ganancias y las prdidas se vuelven ms y ms pequeas
hasta que inmediatamente antes del equilibrio son infinitesimalmente ms
pequeas. Este concepto no es nico, muchos fenmenos se comportan de
esta manera. Por ejemplo, la siguiente figura muestra la grfica de un
nmero (100) que se divide por etapas de un nmero en mitades. En el
caso de nuestro proceso Markov, los cambios en las particiones de
mercado entre el perodo de equilibrio y el perodo que lo precede
inmediatamente, son tan pequeas que para propsitos matemticos se
pueden tratar como iguales; esto es Aeq = Aeq.-1. Esto nos permite reescribir
las tres ecuaciones como sigue:
A = 0.800 A + 0.070 B + 0.083 C
B = 0.100 A + 0.900 B + 0.067 C
C = 0.100 A + 0.030 B + 0.850 C

Figura 1. Divisin por etapas de un nmero en mitades. Conforme se aproxima el

equilibrio los cambios se vuelven ms y ms pequeos

Ya que la suma de las tres participaciones de mercado es igual a 1.0

podemos aadir otra ecuacin
1.0 = A + B + C

(Ec-4)

En las ecuaciones 1 a 3 tenemos trminos semejantes en ambos lados

del signo de igualdad, as que podemos reducir estas ecuaciones a
0
0
0
1

=
=
=
=

-0.200 A + 0.070 B + 0.083 C (Ec-1)

0.100 A - 0.100 B + 0.067 C (Ec-2)
0.100 A + 0.030 B - 0.150 C (Ec-3)
A+B+C
(Ec-4)

Como tenemos cuatro ecuaciones y slo tres incgnitas, podemos

ignorar cualquiera de las primeras tres ecuaciones (ignoramos la Ec-3)
y resolvemos las tres ecuaciones remanentes simultneamente para
encontrar las participaciones de mercado en el equilibrio.

0 = -0.200 A + 0.070 B + 0.083 C

0 = 0.100 A - 0.100 B + 0.067 C
1=A+B+C

Ec-1
Ec-2
Ec-4

Paso 1. Multiplicar la Ecuacin 2 por 0.7 y sumar a la ecuacin 1

0 = -0.200 A + 0.070 B + 0.083 C
0 = 0.070 A 0.070 B + 0.047 C
0 = -0.130 A + 0.130 C
0.130 A = 0.130 C
A=C

x 0.70

Paso 2. Multiplicar la Ecuacin 2 por 2 y sumar a la ecuacin 1

0 = -0.200 A + 0.070 B + 0.083 C
0 = 0.200 A 0.200 B + 0.134 C
0 = -0.130 B + 0.217 C
0.130 B = 0.217 C
B = 1.67 C

x2

Paso 3. Repita la Ecuacin 4

1=A+B+C
Cmo A = C
1=C+B+C
y, B = 1.67 C
1 = C + 1.67 C + C
1 = 3.67 C
C = 0.273

(participacin de C en el mercado en equilibrio)

ya que A = C
A = 0.273

(participacin de A en el mercado en equilibrio)

1 = 0.273 + B + 0.273
B = 0.454

(participacin de B en el mercado en equilibrio)

Duda usted que se haya alcanzado en realidad un equilibrio? Si

es as, probmoslo. Multiplique las participaciones de mercado en
el equilibrio (A=0.273; B= 0.454; C=0.273) por la matriz de
probabilidades de transicin:

Slo una palabra sobre las participaciones de mercado en el

equilibrio que hemos calculado. Se basan sobre la suposicin de
que la matriz de probabilidades de transicin permanece fija, que
la propensin de todas las tres lecheras a rentar, perder y ganar
clientes no cambia con el tiempo. En algunos casos esto puede ser
en cierto modo invalidado, pero ni an as se causa dao. Para el
perodo durante el cual las probabilidades de transicin son
estables, podemos calcular un equilibrio que resultar. Despus, si
tenemos buenas razones para creer que las probabilidades de
transicin ciertamente han cambiado, debido a alguna accin de
la gerencia, podemos usar las nuevas probabilidades de transicin
y calcular las participaciones de mercado que resultarn en el
equilibrio. De esta forma, estamos usando esencialmente, el
anlisis de Markov como herramienta a corto plazo y a plazo
intermedio.

Relacin entre participacin de

mercado y equilibrio
Un hecho interesante sobre el anlisis de Markov es que el
equilibrio final ser el mismo (siempre y cuando las probabilidades
de transicin permanezcan fijas) sin importar las participaciones
iniciales de mercado que tengan los diversos proveedores o
productores. Es decir que, siempre terminaremos con la misma
proporcin final de clientes, sin importar cules sean las
participaciones originales. Por ejemplo, si tres proveedores tienen
como sus participaciones actuales de mercado.
A = 30%
B = 60%
C = 10%

0.90

0.10

0.05
y la matriz de probabilidades de transicin es

0.80

0.15

0.20

0.20

0.60

entonces, al usar la tcnica para determinar las participaciones de

mercado en el equilibrio presentadas en la seccin previa,
podemos determinar que las participaciones de mercado en el
equilibrio seran A= 0.476; B=0.381; C=0.143
Si, por otra parte, las participaciones iniciales de mercado fueran
A= 20%
B = 45%
C = 35%
las participaciones de mercado en el equilibrio para las tres firmas,
an seran las mismas (A=0.476; B=0.381; C=0.143), en tanto la
matriz de probabilidades de transicin no cambie. Usted puede
convencerse que esto es verdad al notar que las participaciones
de mercado no se usaron para explicar el proceso de equilibrio;
slo la matriz de probabilidades de transicin entra en la
determinacin del equilibrio.

Por supuesto, mientras ms cerca estn las participaciones iniciales

de mercado a las participaciones finales o de equilibrio, ms rpido se
acercarn al equilibrio. Si las participaciones iniciales de las tres
firmas fueran:
A = 35%
B = 40%
C = 25%
y las participaciones finales o de equilibrio fueran
A = 30%
B = 35%
C = 35%
podemos ver que el proceso se aproximar al equilibrio mucho ms
rpido que si las participaciones iniciales de mercado fueran
A = 10%
B = 75%
C = 15%

Simplemente, porque en el primer caso, es necesario que ocurra

un cambio menor para aproximarse al equilibrio final. En el ltimo
caso, la firma A necesita adquirir suficientes clientes para llevar su
participacin de mercado de 10% a su participacin de equilibrio
de 30%, mientras que en el primer caso, A se movera tan slo de
35 a 30% antes de aproximarse al equilibrio.
Si este concepto de que las participaciones inciales de mercado
nada tienen que ver con las participaciones finales de equilibrio,
an parece algo difcil de aceptar, considere los siguientes
ejemplos:
A

1.0

0.0

0.0

0.3

0.6

0.1

0.1

0.2

0.7

Uno puede ver inmediatamente que sin importar la participacin

inicial tenida por cada una de estas tres firmas, la firma A
finalmente tendr todos los clientes: A no pierde ninguno de sus
clientes que gana de B o C. As, aunque empiece slo con 5% de
los clientes, A finalmente tendr 100% de los clientes. Por
supuesto, mientras ms alto sea el porcentaje inicial de clientes
que tiene la firma A, ms rpido se aproximar al equilibrio.

5- Uso del anlisis de Markov en la

estrategia de mercadeo. Evaluacin de
estrategias alternas
Para ilustrar cmo ayuda el anlisis de Markov en determinar la
estrategia de mercadeo, considere la siguiente situacin. Para tres
vendedores competitivos, la matriz de probabilidades de
transicin es como sigue:
A

0.2

0.6

0.2

0.1

0.5

0.4

0.2

0.3

0.5

Retencin y prdida

Retencin y ganancia

Si la estrategia de mercado de estas tres firmas no cambiara para

afectar la matriz de probabilidades de transicin, podramos
esperar razonablemente participaciones de mercado en el
equilibrio de A= 0.156; B=0.434; C=0.410
En un esfuerzo para mejorar su ms bien pobre demostracin, el
vendedor A podra considerar dos nuevas estrategias de mercado.

Estrategia 1
El vendedor A podra intentar retener ms de sus propios clientes.
Supongamos que la estrategia 1 aumenta la retencin de 20 a
40% y supongamos que este cambio consiste en reducir las
prdidas de clientes de A a B
La nueva matriz de probabilidades de transicin es
A

0.4

0.4

0.2

0.1

0.5

0.4

0.2

0.3

0.5

Las nuevas participaciones de mercado en el equilibrio resultan

ser A= 0.2; B=0.4; C=0.4. La demostracin de A es ahora mejor,
pero an cuando la campaa de A estaba especficamente dirigida
contra B, note que la firma C sufri algo. Por qu? C gana nuevos
clientes de A y B pero ms de B que de A. Ahora que B obtiene
menos clientes de A como un resultado de la estrategia de A, la
ganancia de C de B (0.4) representar un nmero ms pequeo.
No debemos estar demasiado sorprendidos de que las fortunas de
C no estn afectadas ms drsticamente como un resultado de la
accin de A; C no obtiene de A algunos de los clientes que A toma
de B.

Estrategia 2
Como una alternativa, el vendedor A podra dirigir sus esfuerzos
de mercado a capturar una participacin mayor de los
compradores que cambian de C. Supongamos que la campaa de
A est dirigida a inducir que 0.4 de aquellos que cambian de C se
mueven a A en vez de 0.2 que lo hacen ahora.
La matriz de probabilidades de transicin se convierte ahora en
A
B
C
A

0.2

0.6

0.2

0.1

0.5

0.4

0.4

0.1

0.5

Si calculamos las participaciones de mercado en equilibrio que

resultaran de este tipo de estrategia, encontramos que son
A=0.233; B=0.391 y C=0.376
De este ejemplo concluimos que si los costos de las dos
estrategias fueran los mismos, la estrategia 2 es claramente la
mejor. Una vez ms en el caso de la estrategia 2, note que an
cuando los esfuerzos de usurpacin no estaban dirigidos contra B
para nada, B sufre una prdida de clientes como un resultado del
programa de mercadeo de A dirigido contra C. Por qu? B
acostumbra obtener 0.3 de sus clientes cada mes de C. Ahora que
los esfuerzos de A han tenido xito en obtener 0.4 de los clientes
de C, la participacin de los que cambian de B se reduce a 0.1
Otra vez, no debemos sorprendernos tanto al ver que la
participacin de C no se reduce drsticamente; con el tiempo, B
obtendr de A algunos de los nuevos clientes que A tuvo xito en
quitarle a C.

Suposiciones que hemos

hecho
Al armar nuestro problema de lecheras al principio de este tema,
supusimos, para simplificar las matemticas, que ningn cliente viejo sala
del mercado y que ningn nuevo cliente entraba al mercado durante el
perodo de tiempo involucrado. Sabemos que esto rara vez durante el
perodo de tiempo involucrado. Sabemos que esto rara vez sucede. Qu
hay entonces de la experiencia ms realista, en la que los nuevos clientes
entran y comienzan a favorecer alguna lechera y los antiguos
desaparecen del mercado o se salen? En estas circunstancias, los efectivos
de las adiciones y de las prdidas sobre (1) las participaciones de mercado
obtenidas en perodos futuros inmediatos y (2) las participaciones de
mercado en el equilibrio, dependeran de tres variables:
1.
2.
3.

La lechera de la cual empieza a comprar el recin llegado

La lechera de la cual dada consumidor estaba comprando en el momento que
l o ella dej de ser un cliente
El grado en el cual la lealtad a la marca de cada recin llegado difiera del
patrn de lealtad a la marca obtenida en el momento de su entrada al
mercado como un cliente.

Fuentes de informacin
Quiz se ha estado preguntando cmo las firmas a las que nos
hemos estado refiriendo pueden obtener los datos necesarios para
la aplicacin del anlisis de Markov a sus problemas de mercadeo.
Una solucin es que la firma contrate los servicios de una
organizacin de investigacin de mercados. Algunas de estas
organizaciones renen informacin acerca de la lealtad a la marca y
cambio de marcas de sus clientes. Por ejemplo, la Market Research
Corporation of America ha establecido una muestra de las familias
de los Estados Unidos que registran y reportan todas las compras de
ciertos productos con marca MRCA. Ya que las unidades de compra
que constituyen este panel de consumidores revela qu marcas
compran, los datos de MRCA se pueden usar en el anlisis de
Markov. Algunos vendedores individuales deberan estar en una
posicin de reunir informacin sobre preferencia de marca que cada
uno necesitara para hacer uso del anlisis de Markov.

Otros usos del anlisis de

Markov
Nuestra presentacin del anlisis de Markov ha estado limitada a
su uso en el anlisis de participacin de marcas y prediccin.
Concedido, que este es un uso principal de la tcnica; hay, sin
embargo, otras reas en las que la aplicacin del anlisis de
Markov ha producido contribuciones importantes. Examinaremos
algunas de stas.

Aplicacin del anlisis de

Markov a la reparacin de
equipos

Kenan Rand es el distribuidor de Coca-Cola en Hillborough, Virginia. Su

gerente de almacn inspecciona las cajas de gaseosas (stos son los
recipientes de plstico que almacenan 24 botellas) cada semana y los
clasifica as recin reconstruido esta semana, en buenas condiciones,
en condicin aceptable o imposibles de usar por daos. Si no es
posible usar una caja por dao, se enva al rea de reparacin, donde
usualmente est fuera de uso por una semana. Los registros de la bodega
de Kenan indican que sta es la matriz apropiada de probabilidades de
transicin para sus cajas de gaseosas:
Reconstruido

Bueno

Aceptable

Daado

0.8

0.2

Bueno

0.6

0.4

Aceptable

0.5

0.5

Daado

1.0

Reconstruido

El contador de Kenan le dice que le cuesta $2.50 reconstruir una caja,

y la compaa incurre un costo de $1.85 en eficiencias de produccin,
cada vez que una caja se encuentra que est daada. Esta prdida de
eficiencia es porque la cajas rotas hacen lento el proceso de cargar los
camiones.
Para calcular el costo semanal esperado tanto de la reconstruccin
como de la prdida de eficiencia de produccin, necesitamos las
probabilidades de equilibrios de la Matriz de Kenan. Usando el mtodo
ilustrado previamente, se encontr que stas eran:
Reconstruidas
1/6 = 0.167
Buenas 1/3 = 0.333
Aceptables 1/3 = 0.333
Daadas 1/6 = 0.167
El costo semanal promedio de reconstruir y de prdida de eficiencia de
produccin resulta ser:
Costo de reconstruccin
Prdida por dao (fuera de uso)
1/6 x $2.50 +
1/6 x $1.85 = $0.725 por caja por semana

Supongamos que ahora Kenan desea considerar el reconstruir cajas

siempre que se inspeccione y se encuentre que estn en condicin
aceptable. Esto elimina la posibilidad de que una caja se dae. En
este ejemplo, la nueva matriz de probabilidades de transicin sera:
Reconstruido

Bueno

Aceptable

0.8

0.2

Bueno

0.6

0.4

Aceptable

1.0

Reconstruido

Se ha encontrado que las probabilidades de equilibrio para esta

matriz son:
Reconstruida
= 0.25
Buena
= 0.50
Aceptable = 0.25
El costo semanal promedio de reconstruir y de prdidas de eficiencia
de produccin bajo estas circunstancias es:

Costo de reconstruccin
uso)
1/4 x $2.50
+
semana

Prdida por dao (fuera de

0

= $0.625 por caja por

La reconstruccin de cajas tan pronto se encuentre que estn en

condiciones aceptables le ahorrar algo ms de 10 centavos pro
unidad cada semana a Kenan. Puesto que Kenan es dueo de ms
de 6 000 cajas, ste es un ahorro importante para l.
Probablemente ya reconoci que usamos el anlisis de Markov
para resolver un problema del tipo de reemplazo

Aplicacin del anlisis de

Markov a la productividad
de empleados

United Industries, un fabricante de ropa de dormir para mujer, clasifica a sus operadores de
mquinas de coser en cuatro categoras, dependiendo de su productividad durante el mes
precedente; 1 es la categora ms baja y 4 es la categora ms alta. Histricamente, la fuerza
de trabajo de cosido se ha distribuido entre las cuatro categoras como sigue: 1 = 30%;
2=35%; 3=25%; 4=10%. Hace siete meses, United introdujo un nuevo sistema organizacional
en su planta en Mt.Gilead, una de sus unidades ms grandes, con 450 operadores. El nuevo
sistema agrupa a los operadores en unidades voluntarias de trabajo que no slo eligen a sus
propios supervisores sino que tambin determinan sus propios horarios de trabajo. Los registros
de produccin mantenidos desde que se adopt el nuevo plan le han permitido a Bill Haywood,
Gerente de la Planta, construir esta matriz de probabilidades de transicin que ilustra los
cambios mes a mes de la productividad de los empleados.

Ms baja

Ms baja

Ms alta

Ms alta

0.5

0.3

0.2

0.3

0.4

0.3

0.1

0.2

0.2

0.5

0.1

0.1

0.1

0.7

A Bill le gustara saber que esperar en el rea de distribucin de productividad de la

fuerza de trabajo como resultado del nuevo sistema organizacional. Adems, le
gustara conocer el beneficio mensual a largo plazo de este sistema, considerando
que los operadores ganan un promedio de $700 al mes y las prdidas de
productividad para las cuatro categoras de empleados son 40%, 25%, 15% y 5%
respectivamente para las categoras 1, 2, 3 y 4.
Utilizando el mtodo que primero presentamos anteriormente, podemos determinar
que las probabilidades de equilibrio de la matriz de Bill Haywood son stas
Ms
2
3
Ms

alta
0.241
0.192
baja

0.247

0.320

Bill ahora arma la tabla siguiente para calcular las prdidas mensuales de
productividad bajo el sistema nuevo y el anterior; parece que el nuevo
sistema organizacional tiene el potencial de ahorrar a United ms de $14
000 por mes en prdidas de productividad en su planta de Mt. Gilead.

Categor
a de
emplead
o

Sistema
organizacio
nal anterior

Porcentaj
e de
empleado
s

Prdida de
productividad

30

x 40% =

12.00 %

35

x 25% =

8.75 %

25

x 15% =

3.75 %

10

x 5% =

0.50 %
25.00 %

25% x $700 /mes x 450 empleados = $78 750

Categor
a de
emplead
o

Sistema
organizacio
nal nuevo

Porcentaj
e de
empleado
s

Prdida de
productividad

24.7

x 40% =

9.88 %

24.1

x 25% =

6.03 %

19.2

x 15% =

2.88 %

32.0

x 5% =

1.60 %
20.39 %

20.39% x $700 /mes x 450 empleados = $64 229

Aplicacin del anlisis de

Markov a las cuentas por
cobrar

El anlisis de Markov se ha aplicado exitosamente al anlisis de cuentas por cobrar,

especficamente a la estimacin de esa porcin de las cuentas por cobrar que finalmente se
volvern incobrables (sern ms los deudores). Podemos ilustrar esta aplicacin al
considerar a Miltons Clothing Cupboard, un almacn de ropa que atiende estudiantes
universitarios. Milton divide sus cuentas por cobrar en dos clasificaciones: 0-60 y 61-180 das
de antigedad. Las cuentas que tienen ms de 180 das de antigedad son canceladas por
Milton (al considerarlas como malos deudores), Milton sigue la prctica general de clasificar
una cuenta por cobrar de un cliente, de acuerdo a la factura pendiente de cobrar ms
antigua en la cuenta (esto se conoce en contabilidad como el mtodo del saldo total de
mostrar antigedad de las cuentas porque la totalidad del saldo del cliente se clasifica en la
categora de antigedad que corresponde a la factura ms antigua sin pagar por el cliente).

Este mtodo de mostrar la antigedad de las cuentas permite que

una cuenta que ahora est en la categora 61-180 das aparezca el
prximo mes en la categora 0-60 das si el cliente paga una
factura antigua en su cuenta durante el mes. Milton actualmente
tiene $6 500 en cuentas por cobrar; del anlisis de sus registros
previos, l nos ha podido proporcionar esta matriz de
probabilidades de transicin (la matriz podra pensarse en
trminos de lo que le sucede a una unidad de dinero de cuentas
por cobrar).
Pagado Mal deudor
0-60 das 61-180 das
1

Mal deudor

0-60 das

0.5

0.3

0.2

61-180 das

0.4

0.3

0.2

0.1

Pagado

Se necesitan comentar tres caractersticas de la matriz de probabilidades de

transicin. Primero, note el elemento encerrado en un crculo negro, 0. Esto
indica que $1 en la categora de 0-60 no se puede volver un mal deudor en 1
mes. Ahora vea a los dos elementos encerrados en crculos amarillos; cada uno
de stos es un 1, lo que indica que, con el tiempo todo el dinero de cuentas por
cobrar ser pagado o se convertir en malas deudas. Pero en nuestras
presentaciones previas de las condiciones de equilibrio en el Anlisis de Markov,
nunca calculamos las probabilidades de equilibrio cuando cualquiera de las
probabilidades de retencin fuera igual a 1, porque sabamos que el proceso
terminara con esa compaa o categora adquiriendo todo el mercado (o en este
caso todo el dinero). Es verdad que todo el dinero con el tiempo termina ya sea
como pagado o mala cuenta, pero Milton se beneficiara de saber la probabilidad
de que un dlar de 0-60 das o de 61-180 das por cobrar finalmetne terminar
ya sea en las cuentas pagadas o en las cuentas malas. La determinacin de
estas cuatro probabilidades de inters a Milton se hace en cuatro pasos:

Paso 1: Primero, dividamos la matriz original de Milton de

probabilidades de transicin en cuatro matrices, cada una
identificada con una letra:

0.5

0.3

0.2

0.4

0.3

0.2

0.1

I=

O=
0
0,5

1
0

K=

0,3 0,2
M=

0,4

0,3

0,2 0,1

Paso 2: Restamos la matriz M de la matriz I para obtener una nueva

matriz llamada R. Las matrices con las mismas dimensiones (el mismo
nmero de renglones y columnas se pueden restar de la otra al restar
los elementos que aparecen en la misma localizacin en cada matriz. En
este caso la resta es:

I
1

M
0

0,3 0,2
-

R
0,7

-0,2

-0,2

0,9

=
0,2 0,1

Paso 3: Encontramos la inversa de R

Procedimiento para clculo de la matriz inversa

a) agregar matriz adjunta identidad
0,7

-0,2

-0,2

0,9

b) Dividir primer rengln entre 0,7

1 -0.2857
-0,2

0,9

1.4286

c) Multiplicar primer rengln por 0,2 y sumar a rengln 2

1 -0.2857

1.4286

0 0.8429

0.2857

d) Dividir segundo rengln entre 0,8429

1 -0.2857

1.4286

0.3390

1.1864

e) Multiplicar segundo rengln por 0,2857 y sumar a rengln 1

1

1,5254

0.3390

0.3390

1.1864

inversa
1.5254

0.3390

0.3390

1.1864

Paso 4: Multiplicamos esta inversa por la matriz K del paso 1. Esta

multiplicacin es

1.5254

0.3390

0,5

0.8983

0.1017

0.6441

0.3559

=
0.3390

1.1864

0.4

0.3

Ahora interpretemos la respuesta del paso 4 para Milton. El

rengln de arriba en la respuesta es la probabilidad de que $1 de
sus cuentas por cobrar en la categora de 0-60 das, terminar en
las categoras de pagada y cuenta mala. Especficamente, hay
una probabilidad de 0.8983 de que $1 actualmente en la categora
de 0-60 das sea pagada y una probabilidad de 0.1017 de que con
el tiempo se convertir en una cuenta mala. Ahora el segundo
rengln. Estos dos elementos representan la probabilidad de que
$1 ahora en la categora de 61-180 das finalizar en las
categoras de pagado y cuenta mala. De este rengln se
puede ver que hay una probabilidad de 0.6441 de que $1
actualmente en la categora de 61-180 das ser pagado y una
probabilidad de 0.3559 de que con el tiempo se convertir en una
cuenta mala.

Si Milton desea pronosticar el futuro de sus $6 500 de cuentas por

cobrar, el primero determina cunto del total est en cada
categora, 0-60 das y 61-180 das. En este ejemplo su contador le
dice que $4 500 estn en la categora de 0-60 das y $2 000 estn
en la categora de 61-180 das. A continuacin Milton plantea esta
multiplicacin de matrices:
0.8983
$4500

0.1017

$2000

=
0.6441

$5 330,55

$1 169,45

0.3559

Milton debe interpretar que esta respuesta significa que $5

330,55 de sus cuentas por cobrar es probable que terminen siendo
pagadas y $ 1 169,45 es probable que terminen como cuentas
malas. Si l sigue la prctica normal de establecer una reserva
para cuentas dudosas, su contador debe establecer $1 169,45
como el mejor estimado de esta categora.