LICENCIATURA EN ADMINISTRACION DE EMPRESAS

ANALISIS DE DECISIONES

TEMA: CADENAS DE MARKOV

PROFR: ALEJANDRO DE JESUS GOVEA ARIZMENDI

ALUMNO: BERTHA ALICIA MARTINEZ QUIÑONES

QUINTO CUATRIMESTRE 09-04-2013

2

INDICE:

Índice………………………………………………………………………………………2

Introducción…………………………………………………………………………….3

Cadenas de Markov ………………………………………………………………..4

Matriz de Transición…………………………………………………………………6

Probabilidad de estar en un estado después de “t”……………………11

Aplicaciones de las cadenas de Markov…………………………………….13

Aplicaciones especificas …………………………………………………………..15

Conclusión…………………………………………………………………………..…..16

3

INTRODUCCION:Las cadenas de Markov son modelos probabilísticos que se usan para predecir la evolución y el comportamiento de determinados sistemas. En el que la probabilidad de que ocurra un evento depende del evento inmediato anterior, se puede decir que estas tienen memoria, recuerdan el último evento y esto condiciona los eventos futuros

Reciben el nombre del matemático ruso Andrei Andreevitch Markov, que las introdujo en 1907.

Han llegado a tener tal importancia que se utilizan en muchas aplicaciones, en lo que nos interesa, se ha aplicado para analizar patrones de morosidad, necesidades de personal, preveer defectos en maquinaria, etc.

Como ya lo mencionamos este tipo de proceso, recibe su nombre del matemático ruso Andrei Andreevitch Markov (1856-1922), introducido por su autor en un artículo publicado en 1907, presenta una forma de dependencia simple, pero muy útil en muchos modelos, entre las variables aleatorias que forman un proceso estocástico.

En los negocios, las cadenas de Márkov se han utilizado para analizar los patrones de compra de los deudores morosos, para planear las necesidades de personal y para analizar el reemplazo de equipo.

4

CADENAS DE MARKOV

Las cadenas de Markov son herramientas para analizar el comportamiento y gobierno de determinados tipos de procesos estocásticos, esto es, procesos que evolucionan en forma no determinista a lo largo del tiempo en torno a un conjunto de estados.

PROCESO ESTOCASTICO: En estadística, y en concreto teoría de la probabilidad, un proceso aleatorio o proceso estocástico es un concepto matemático que sirve para caracterizar y estudiar todo tipo de fenómenos aleatorios (estocásticos) que evolucionan, generalmente, con el tiempo.

Entonces podemos decir que una cadena de Markov, representa un sistema que varía su estado a lo largo del tiempo y es cada cambio una transición del sistema.

Los cambios no están predeterminados aunque sí lo está la probabilidad del próximo estado en función de los estados anteriores, a esta probabilidad es constante a lo largo del tiempo. Hablando en particular de las cadenas de Markov finitas, las cuales se caracterizan por tener un número de estados del sistema finitos.

CONJUNTO DE ESTADOS

DEFINICION DE TRANSICION

PROBABILIDAD DE TRANSICION

5

Elementos de una cadena de Markov finita:

a) Un conjunto de estados del sistemab) La definición de transiciónc) Una ley de probabilidad condicional que defina la probabilidad, del nuevo estado en

función de los anteriores.

Ahora desglosemos cada uno de los elementos

ESTADOS: Caracterización de la situación en que se encuentra el sistema en un instante dado. Formalmente el estado de un sistema en un instante “t” es una variable cuyos valores solo pueden pertenecer al conjunto del sistema.

TRANSICIÓN: El sistema modelizado por una cadena por lo tanto es una variable, que cambia de valor en el tiempo, a este cambio lo llamamos transición.

PROBABILIDAD CONDICIONAL: Por ser el sistema estocástico no se podrá conocer con certeza el estado del sistema en un determinado instante, sino solamente la probabilidad asociada a cada uno de los estados.

6

MATRIZ DE TRANSICION

En la teoría de la probabilidad, se conoce como cadena de Márkov a un tipo especial de proceso estocástico discreto en el que la probabilidad de que ocurra un evento depende del evento inmediatamente anterior. En efecto, las cadenas de este tipo tienen memoria. "Recuerdan" el último evento y esto condiciona las posibilidades de los eventos futuros. Esta dependencia del evento anterior distingue a las cadenas de Márkov de las series de eventos independientes, como tirar una moneda al aire o un dado.

Reciben su nombre del matemático ruso Andrei Andreevitch Markov (1856-1922), que las introdujo en 1907.[1]

Estos modelos muestran una estructura de dependencia simple, pero muy útil en muchas aplicaciones

En matemática se define como un proceso estocástico discreto que cumple con la propiedad de Márkov, es decir, si se conoce la historia del sistema hasta su instante actual, su estado presente resume toda la información relevante para describir en probabilidad su estado futuro.

Una cadena de Márkov es una secuencia X1, X2, X3,... de variables aleatorias. El rango de estas variables, es llamado espacio estado, el valor de Xn es el estado del proceso en el tiempo n. Si la distribución de probabilidad condicional de Xn+1 en estados pasados es una función de Xn por sí sola, entonces:

Donde xi es el estado del proceso en el instante i. La identidad mostrada es la propiedad de Márkov.

La forma más cómoda de expresar la ley de probabilidad condicional de una cadena de Markov es mediante la llamada matriz de probabilidades de transición P, o más sencillamente, matriz de la cadena.

7

La Matriz de Transición debe cumplir con las siguientes condiciones:

1. La Matriz de Transición debe ser Cuadrara, es decir debe tener el mismo número de columnas como de filas.

2. En ella deben estar contenidos tanto en las filas como en las columnas los mismos Estados o Eventos transitorios.

3. La Suma de los elementos de cada fila debe ser siempre igual a 1, cumpliendo con la teoría de Probabilidades.

4. Cada elemento de la matriz debe ser un número entre 0 y 1

Dicha matriz es cuadrada con tantas filas y columnas como estados tiene el sistema, y los elementos de la matriz representan la probabilidad de que el estado próximo sea el correspondiente a la columna si el estado actual es el correspondiente a la fila.

Como el sistema debe evolucionar de t a alguno de los n estados posibles, las probabilidades de transición cumplirán con la propiedad siguiente:

 

 Además, por definición de probabilidad, cada una de ellas ha de ser no negativa:

EJEMPLO:

Consideremos una población distribuida entre n = 3 estados, que llamaremos estado 1, estado 2 y estado 3. Se supone que conocemos la proporción tij  de la población del estado i, que  se mueve al estado j  en determinado período de tiempo fijo.  

8

La matriz T = (tij) se llama matriz de transición.

Supongamos que la población de un país, está clasificada de acuerdo con los ingresos en

 Estado 1: Pobre 

 Estado 2: Ingresos medios

Estado final: pasa a nuevo estado en 20 añosEstado inicial: Pobre Medio Rico

Pobre .80 .19 .01Medio .15 .75 .10Rico .05 .30 .65

 Estado 3: Rico

Supongamos que en cada período de 20 años tenemos los siguientes datos para la población y su descendencia:

De la gente pobre, el 19% pasó a ingresos medios, y el 1% a rica;

De la gente con ingresos medios, el 15% pasó a pobre, y el 10%  a rica;

 De la gente rica, el 5% paso a pobre, y el 30%, a ingresos medios.

Podemos armar una matriz de transición de la siguiente manera:

9

                                          Pobre                    medio                       rico

T =          Pobre                   .08                         .19                         .01

                Medio                  .15                         .75                         .10

                Rico                      .05                         .30                         .65

Obsérvese que:

1)  las entradas de la diagonal  de la matriz representa  la proporción de la población que no cambia de estado en un período de 20 años; 

2)  un registro de la matriz da la proporción de la población del estado izquierdo  del registro que pasa al estado derecho del registro en un período de 20 años.

3)  la suma de los  registros  de cada fila de la matriz T es 1, pues la suma refleja el movimiento de toda la población para el estado relacionado en la parte izquierda de la fila.

 

Otra forma de presentación de un proceso y su correspondiente matriz de transición

 

10

 

Donde la i representa el estado inicial de una transición, j representa el estado final de una transición, Pij representa la probabilidad de que el sistema estando en un estado i pase a un estado j.  

Como ya hemos mencionado anteriormente, este tipo de solución de cadenas, nos ayudaran a encontrar la respuesta a muchas interrogantes, para poder tomar así decisiones al respecto.

11

PROBABILIDAD DE ESTAR EN UN ESTADO DESPUES DE “t”:

En un país como Colombia existen 3 operadores principales de telefonía móvil como lo son Tigo, Comcel y Movistar (estados).Los porcentajes actuales que tiene cada operador en el mercado actual son para tigo 0.4 para Comcel 0.25 y para movistar 0.35. (Estado inicial)Se tiene la siguiente información un usuario actualmente de tigo tiene una probabilidad de permanecer en tigo de 0.60, de pasar a Comcel 0.2 y de pasarse a movistar de 0.2; si en la actualidad el usuario es cliente de Comcel tiene una probabilidad de mantenerse en Comcel del 0.5 de que esta persona se cambie a tigo  0.3 y que se pase a movistar de 0.2; si el usuario es cliente en la actualidad de movistar la probabilidad que permanezca en movistar es de 0.4 de que se cambie a tigo de 0.3 y a Comcel de 0.3. 

Partiendo de esta información podemos elaborar la matriz de transición.

La suma de las probabilidades de cada estado en este caso operador deben ser iguales a 1

Po= (0.4  0.25  0.35)          →                        estado inicial

12

También se puede mostrar la transición por un método grafico

Ahora procedemos a encontrar los estados en los siguientes pasos o tiempos, esto se realiza multiplicando la matriz de transición por el estado inicial y así sucesivamente pero multiplicando por el estado inmediatamente anterior.

Como podemos ver la variación en el periodo 4 al 5 es muy mínima casi insignificante

Podemos decir que ya se ha llegado al vector o estado estable.

http://www.youtube.com/watch?v=rdEVQUv4T3c

13

APLICACIONES DE LAS CADENAS DE MARKOV:

Física

Las cadenas de Markov son usadas en muchos problemas de la termodinámica y la física estadística. Ejemplos importantes se pueden encontrar en la Cadena de Ehrenfest o el modelo de difusión de Laplace.

Meteorología

Si consideramos el clima de una región a través de distintos días, es claro que el estado actual solo depende del último estado y no de toda la historia en sí, de modo que se pueden usar cadenas de Markov para formular modelos climatológicos básicos.

Modelos epidemiológicos

Una importante aplicación de las cadenas de Markov se encuentra en el proceso Galton-Watson. Éste es un proceso de ramificación que se puede usar, entre otras cosas, para modelar el desarrollo de una epidemia (véase modelaje matemático de epidemias).

Internet

El pagerank de una página web (usado por Google en sus motores de búsqueda) se define a través de una cadena de Markov, donde la posición que tendrá una página en el buscador será determinada por su peso en la distribución estacionaria de la cadena.

Simulación

Las cadenas de Markov son utilizadas para proveer una solución analítica a ciertos problemas de simulación tales como el Modelo M/M/1.

Juegos de azar

Son muchos los juegos de azar que se pueden modelar a través de una cadena de Markov. El modelo de la ruina del jugador, que establece la probabilidad de que una persona que apuesta en un juego de azar finalmente termine sin dinero, es una de las aplicaciones de las cadenas de Markov en este rubro.

14

Economía y Finanzas

Las cadenas de Markov se pueden utilizar en modelos simples de valuación de opciones para determinar cuándo existe oportunidad de arbitraje, así como en el modelo de colapsos de una bolsa de valores o para determinar la volatilidad de precios. En los negocios, las cadenas de Márkov se han utilizado para analizar los patrones de compra de los deudores morosos, para planear las necesidades de personal y para analizar el reemplazo de equipo.

15

www.itescam.edu.mx

APLICACIONES ESPECÍFICAS:

Dentro de las alternativas de modelización dinámica de las migraciones se encuentran las cadenas de Markov, metodología que, sin haber alcanzado el nivel divulgativo del discurso causal, ha tocado parcelas muy diversas. A partir del trabajo pionero de Blumen, Kogan y McCarthy (1955), precursores en la aplicación de cadenas de Markov discretas al estudio de la movilidad social, a lo largo de las décadas sesenta, setenta y ochenta se produjeron importantes aportaciones, tanto metodológicas como empíricas, en la utilización de cadenas de Markov a fenómenos muy diversos, entre ellos la movilidad ocupacional (Blumen, Kogan y McCarthy,1955; Hodge, 1966; Sorensen, 1975; Ginsberg, 1971), los cambios en las preferencias de los consumidores (Telser, 1962; Lipstein, 1965; Kesavan, 1982) y la movilidad geográfica

16

(Goodman, 1962; Rogers, 1966; Brown, 1970; Gale, 1972; Spiler-man, 1972; Rogerson, 1979; Plane y Rogerson, 1984 y 1986). Más recientemente, ha sido destacada la divulgación de cadenas de Markov en estudios sobre la distribución regional de la renta y la pobreza (Quah, 1996; Gardeazabal, 1996; Magrini, 1999; Amplatz, 2003; Domínguez, 2004) y en estudios relacionados con los mercados financieros (Betancourt, 1999; Dezzani, 2002).

www.es.scrib.com

CONCLUSION

Esta herramienta creada por el matemático ruso “Andrei Markov” en el año 1907, que es una mezcla principios algebraicos y estadísticos para analizar procesos estocásticos, es decir que evolucionan a lo largo del tiempo en un conjunto de estados, forma parte importante en la base para la toma de decisiones

Es posible aplicar este principio a campos tan diferentes como la meteorología, astrología, biología y claro está en a las empresas, entre otras muchas áreas, por supuesto.

El problema de estas cadenas radica en la dificultad de su cálculo en casos donde el

número de estados es muy grande por eso se recomienda realizarlo en base a ratios

17

relevantes y en la búsqueda de factores que respondan a las “propiedades

markovianas”.

Además, requiere de personal cualificado para crear un sistema eficiente para esos

casos. Para ello se puede hablar con un informático ya que deberá realizarse una

base de datos y este deberá estudiar las fórmulas para aplicarlas de la mejor manera

posible.