574 CAPÍTULO 15 • ANÁLISIS DE MARKOV

15.1 Introducción
El análisis de Markov es una técnica que maneja las probabilidades de ocurrencias futuras median-
te el análisis de las probabilidad conocidas en el presente.1 La técnica tiene diversas aplicaciones en
los negocios, incluyendo análisis de la participación en el mercado, predicción de deudas incobrables,
predicción de la matrícula universitaria y determinación de si una máquina se descompondrá en el
futuro.
El análisis de Markov hace la suposición de que el sistema comienza en un estado o una condi-
ción inicial. Por ejemplo, dos fabricantes competidores pueden tener respectivamente 40% y 60% de
las ventas del mercado. Tal vez en dos meses las participaciones del mercado de las dos empresas
cambiarían a 45% y 55% del mercado, respectivamente. Predecir los estados futuros implica conocer
las posibilidades o probabilidades de cambio del sistema de un estado a otro. Para un problema en
La matriz de probabilidad de particular, tales probabilidades se pueden recolectar y colocar en una matriz o tabla. Esta matriz de
transición muestra la probabilidad probabilidades de transición muestra la probabilidad de que el sistema cambie de un periodo
de un cambio. al siguiente. Este es el proceso de Markov que nos permite predecir los estados o las condiciones
futuras.
Al igual que muchas otras técnicas cuantitativas, el análisis de Markov se puede estudiar con
cualquier nivel de profundidad y complejidad. Por fortuna, los requisitos matemáticos más impor-
tantes son tan solo saber cómo realizar operaciones y manipulaciones básicas con matrices, y resolver
conjuntos de ecuaciones con varias incógnitas. Si usted no está familiarizado con esas técnicas, po-
dría consultar el módulo 5 (en el sitio de Internet que acompaña a este libro) que cubre matrices y
otras herramientas matemáticas útiles, antes de comenzar con este capítulo.
Hay cuatro suposiciones en el Como el nivel de este curso no permite un estudio detallado de las matemáticas en las que se
análisis de Markov. basa el análisis de Markov, enfocamos nuestra presentación a los procesos de Markov que cumplen
con cuatro suposiciones:
1. Existe un número limitado o finito de estados posibles.
2. La probabilidad de cambiar de estados permanece igual con el paso del tiempo.
3. Podemos predecir cualquier estado futuro a partir de los estados anteriores y de la matriz de
probabilidades de transición.
4. El tamaño y la composición del sistema (es decir, el número total de fabricantes y clientes) no
cambia durante el análisis.

15.2 Estados y probabilidades de los estados

Los estados sirven para identificar todas las condiciones posibles de un proceso o sistema. Por ejem-
plo, una máquina puede estar en uno de dos estados en cualquier momento: funcionar correctamente
o no funcionar correctamente. Podemos llamar a la operación adecuada de la máquina el primer es-
tado, y llamar al funcionamiento incorrecto el segundo estado. Sin duda, es posible identificar los
estados específicos para muchos procesos o sistemas. Si hay solamente tres tiendas de abarrotes en un
pueblo pequeño, un residente puede ser cliente de cualquiera de las tres tiendas en cierto momento.
Por lo tanto, hay tres estados correspondientes a las tres tiendas. Si los estudiantes puede tomar una de
tres especialidades en el área de administración (digamos, ciencias de la administración, sistemas
de información gerencial o administración general), cada una de las tres se considera un estado.
Dos suposiciones adicionales En un análisis de Markov también suponemos que los estados son tanto colectivamente exhaus-
del análisis de Markov tivos como mutuamente excluyentes. Colectivamente exhaustivos significa que podemos numerar to-
son que los estados son dos los estados posibles de un sistema o proceso. Nuestro estudio del análisis de Markov supone que
colectivamente exhaustivos hay un número finito de estados para cualquier sistema. Mutuamente excluyentes significa que un
y mutuamente excluyentes. sistema puede estar tan solo en un estado en cualquier momento. Un estudiante puede estar única-
mente en una de las tres áreas de especialidad en administración, y no en dos o más áreas al mismo
tiempo. También significa que una persona únicamente puede ser cliente de una de las tres tiendas de
abarrotes en un punto en el tiempo.

1El fundador del concepto fue A. A. Markov, cuyos estudios, en 1905, sobre la secuencia de experimentos conectados
en una cadena se utilizaron para describir el principio del movimiento browniano.
 15.2 ESTADOS Y PROBABILIDADES DE LOS ESTADOS 575

Después de identificar los estados, el siguiente paso consiste en determinar la probabilidad de

que el sistema esté en dicho estado, cuya información se coloca entonces en un vector de probabili-
dades de estado.
␲(i) ⫽ vector de probabilidades de estado para el periodo i (15-1)
= 1p1, p2, p3, Á , pn2
donde
n ⫽ número de estados
␲1, ␲2,…␲n ⫽ probabilidad de estar en el estado 1, estado 2,…, estado n
En algunos casos donde solo manejamos un artículo, como una máquina, es posible saber con total
certidumbre en qué estado se encuentra el artículo. Por ejemplo, si investigamos tan solo una
máquina, sabríamos que en este momento funciona correctamente. Entonces, el vector de estado se
representa como:
p112 = 11, 02
donde
␲(1) ⫽ vector de estado para la máquina en el periodo 1
␲1 ⫽ 1 ⫽ probabilidad de estar en el primer estado
␲2 ⫽ 0 ⫽ probabilidad de estar en el segundo estado
Esto muestra que la probabilidad de que la máquina funcione correctamente, estado 1, es 1; y que la
probabilidad de que la máquina funcione de manera incorrecta, estado 2, es 0 para el primer periodo.
Sin embargo, en la mayoría de los casos, tenemos que estudiar más de un artículo.

Vector de probabilidades de estado para el ejemplo de las tres tiendas de

abarrotes
Veamos el vector de estados para los clientes en el pequeño pueblo con tres tiendas de abarrotes.
Puede haber un total de 100,000 personas que compran en las tres tiendas durante un mes dado. Unas
40,000 personas compran en American Food Store, que se llamará estado 1. Por otro lado, 30,000
pueden compraren Food Mart, que se llamará estado 2; y 30,000 pueden comprar en Atlas Foods, que
será el estado 3. La probabilidad de que una persona compre en una de las tres tiendas es la siguiente:
Estado 1: American Food Store 40,000/100,000 ⫽ 0.40 ⫽ 40%
Estado 2: Food Mart 30,000/100,000 ⫽ 0.30 ⫽ 30%
Estado 3: Atlas Foods 30,000/100,000 ⫽ 0.30 ⫽ 30%
Estas probabilidades se colocan en el vector de probabilidades de estado como:
p112 = 10.4, 0.3, 0.32
donde
␲(1) ⫽ vector de probabilidades de estado para tres tiendas en el periodo 1
␲1 ⫽ 0.4 ⫽ probabilidad de que una persona compre en American Food, estado 1
␲2 ⫽ 0.3 ⫽ probabilidad de que una persona compre en Food Mart, estado 2
El vector de probabilidades de ␲3 ⫽ 0.3 ⫽ probabilidad de que una persona compre en Atlas Foods, estado 3
estado representa la participación También debería observarse que las probabilidades en el vector de estado para las tres tiendas de
en el mercado. abarrotes representan la participación en el mercado para las mismas en el primer periodo. Así, en
el periodo 1 Amercan Food tiene 40% el mercado; Food Mart, 30%; y Atlas Foods, 30%. Cuando se
trata de participación en el mercado, estos se pueden utilizar en vez de los valores de probabilidad.
La gerencia de las tres tiendas debería estar interesada en la manera en que cambian sus partici-
paciones de mercado con el paso del tiempo. Los clientes no siempre compran en una tienda, sino
que quizá vayan a una tienda diferente para su siguiente compra. En este ejemplo, se realizó un estu-
dio para determinar la lealtad de los clientes. Se determinó que 80% de los clientes que compran en
American Food un mes regresarán a esa tienda el siguiente. Del otro 20% de sus clientes, 10% cam-
bia a Food Mart y 10% a Atlas Foods en su siguiente compra. Para los clientes que compran este mes
576 CAPÍTULO 15 • ANÁLISIS DE MARKOV

FIGURA 15.1
Diagrama de árbol para 0.8 #1 0.32 = 0.4(0.8)
el ejemplo de las tres American Food #1 0.1
tiendas #2 0.04 = 0.4(0.1)
0.4
0.1
#3 0.04 = 0.4(0.1)

0.1 #1 0.03

Food Mart #2 0.7

#2 0.21
0.3
0.2
#3 0.06

0.2 #1 0.06

Atlas Foods #3 0.2

#2 0.06
0.3
0.6
#3 0.18

en Food Mart, 70% regresan, 10% cambia a American Food y 20% a Atlas Foods. De los clientes que
compran este mes en Atlas Foods, 60% regresan, pero 20% cambiará a American Food y 20% a Food
Mart.
La figura 15.1 presenta un diagrama de árbol que ilustra la situación. Observe que de la partici-
pación de mercado de 40% para American Food este mes, 32% (0.40 ⫻ 0.80 ⫽ 0.32) regresa, 4%
compra en Food Mart y 4% compra en Atlas Foods. Para encontrar la participación de mercado de
American el siguiente mes, sumamos este 32% de clientes que regresan al 3% de quienes vienen
de Food Mart y al 6% de quienes vienen de Atlas Foods. Entonces, American Food tendrá 41% del
mercado el próximo mes.
Aunque el diagrama de árbol y los cálculos que se acaban de ilustrar quizá sean útiles para encon-
trar las probabilidades de estado para el siguiente mes y el otro mes que sigue, pronto se volvería muy
grande. En vez de usar un diagrama de árbol, es más sencillo usar una matriz de probabilidades de tran-
sición, la cual se utiliza con las probabilidades de estado actuales para predecir las condiciones futuras.

15.3 Matriz de probabilidades de transición

El concepto que nos permite ir de un estado actual, como las participaciones en el mercado, a un
La matriz de probabilidades de estado futuro es la matriz de probabilidades de transición. Se trata de una matriz de probabilidades
transición nos permite ir de un condicionales de estar en un estado futuro dado que estamos en el estado actual. La siguiente defini-
estado a actual a un estado futuro. ción es útil:
Sea Pij ⫽ probabilidad condicional de estar en el estado j en el futuro, dado que el estado actual es i
Por ejemplo, P12 es la probabilidad de estar en el estado 2 en el futuro, dado que el evento estaba en
el estado 1 en el periodo anterior.
Definimos P ⫽ matriz de probabilidades de transición
P11 P12 P13 p P1n
P P22 P23 p P2n
P = D 21 T (15-2)
o o
Pm1 p Pmn
Los valores Pij individuales casi siempre se determinan en forma empírica. Por ejemplo, si observa-
mos al paso del tiempo que 10% de las personas que actualmente compran en la tienda 1 (o estado 1)
comprarán en la tienda 2 (estado 2) el siguiente periodo, entonces, sabemos que P12 ⫽ 0.1 o 10%.
 15.4 PREDICCIÓN DE LA PARTICIPACIÓN FUTURA EN EL MERCADO 577

Probabilidades de transición para las tres tiendas de abarrotes

Usamos los datos históricos de las tres tiendas para determinar qué porcentaje de clientes cambiaría
cada mes. Ponemos estas probabilidades de transición en la siguiente matriz:
0.8 0.1 0.1
P = C 0.1 0.7 0.2 S
0.2 0.2 0.6
Recuerde que American Foods representa el estado 1, Food Mart es el estado 2 y Atlas Foods es el esta-
do 3. El significado de sus probabilidades se expresa en términos de los diferentes estados, como sigue:
Renglón 1
0.8 ⫽ P11 ⫽ probabilidad de estar en el estado 1 después de estar en el estado 1 el periodo anterior
0.1 ⫽ P12 ⫽ probabilidad de estar en el estado 2 después de estar en el estado 1 el periodo anterior
0.1 ⫽ P13 ⫽ probabilidad de estar en el estado 3 después de estar en el estado 1 el periodo anterior
Renglón 2
0.1 ⫽ P21 ⫽ probabilidad de estar en el estado 1 después de estar en el estado 2 el periodo anterior
0.7 ⫽ P22 ⫽ probabilidad de estar en el estado 2 después de estar en el estado 2 el periodo anterior
0.2 ⫽ P23 ⫽ probabilidad de estar en el estado 3 después de estar en el estado 2 el periodo anterior
Renglón 3
0.2 ⫽ P31 ⫽ probabilidad de estar en el estado 1 después de estar en el estado 3 el periodo anterior
0.2 ⫽ P32 ⫽ probabilidad de estar en el estado 2 después de estar en el estado 3 el periodo anterior
0.6 ⫽ P33 ⫽ probabilidad de estar en el estado 3 después de estar en el estado 3 el periodo anterior
Los valores de probabilidad para Observe que las tres probabilidades en el renglón superior suman 1. Las probabilidades para
cualquier renglón deben sumar 1. cualquier renglón en una matriz de probabilidades de transición también suman 1.
Después de determinar las probabilidades de estado y la matriz de probabilidades de transición,
es posible predecir las probabilidades de estado futuras.

15.4 Predicción de la participación futura en el mercado

Uno de los propósitos del análisis de Markov es predecir el futuro. Dado el vector de probabilidades de
estado y la matriz de probabilidades de transición, no es muy difícil determinar las probabilidades
de estado en una fecha futura. Con ese tipo de análisis, podemos comparar la probabilidad de que un in-
dividuo compre en una de las tiendas en el futuro. Como tal probabilidad es equivalente a la partici-
pación en el mercado, es posible determinar participación futura en el mercado para American Food,
Food Mart y Atlas Foods. Cuando el periodo actual es 0, calcular las probabilidades de estado para el
siguiente periodo (periodo 1) se hace como sigue:

Cálculo de participaciones futuras p112 = p102P (15-3)

en el mercado. Más aún, si estamos en cualquier periodo n, calculamos las probabilidades de estado para el periodo
n ⫹ 1 como:
p1n + 12 = p1n2P (15-4)
La ecuación 15-3 sirve para contestar la pregunta de las participaciones de mercado del siguiente pe-
riodo para las tiendas. Los cálculos son:
p112 = p102P
0.8 0.1 0.1
= 10.4, 0.3, 0.32C 0.1 0.7 0.2 S
0.2 0.2 0.6
= 310.4210.82 + 10.3210.12 + 10.3210.22, 10.4210.12
+ 10.3210.72 + 10.3210.22, 10.4210.12 + 10.3210.22 + 10.3210.624
= 10.41, 0.31, 0.282
578 CAPÍTULO 15 • ANÁLISIS DE MARKOV

Como se observa, la participación de mercado para American Food y Food Mart aumenta, en tanto
que la de Atlas Food disminuye. ¿Continuará esta tendencia en el siguiente periodo y en el que le
sigue? De la ecuación 15-4, derivamos un modelo que nos dirá cuáles serán las probabilidades en
cualquier periodo futuro. Considere dos periodos a partir de ahora:
p122 = p112P
Como sabemos que
p112 = p102P
Tenemos
p122 = 3p1124P = 3p102P4P = p102PP = p102P2
En general,
p1n2 = p102Pn (15-5)
Entonces, las probabilidades de estado n periodos en el futuro se obtienen de las probabilidades de
estado actuales y la matriz de probabilidades de transición.
En el ejemplo de las tres tiendas, vimos que American Food y Food Mart incrementaron su par-
ticipación en el mercado en el siguiente periodo, mientras que para Atlas Food disminuyó. ¿Algún
día Atlas perderá todo su mercado? ¿O todas las tiendas llegarán a una condición estable? Aunque la
ecuación 15-5 ofrece cierta ayuda para determinarlo, es mejor estudiarlo en términos de condiciones
de equilibrio o de estado estable. Para introducir el concepto de equilibrio, veamos una segunda apli-
cación del análisis de Markov: las descomposturas de máquinas.

15.5 Análisis de Markov en operación de maquinaria

Paul Tolsky, dueño de Tolsky Works, registró durante varios años la operación de sus fresadoras. En
los dos últimos años, 80% de las veces la fresadora funcionaba correctamente en el mes actual, si
había funcionado correctamente el mes anterior. Esto también significa que tan solo 20% del tiempo
el funcionamiento de la máquina era incorrecto para cualquier mes, cuando estaba funcionando co-
rrectamente el mes anterior. Además, se observó que el 90% de las veces la máquina estaba mal ajus-
tada en cualquier mes dado, si estaba mal ajustada el mes anterior. Solamente el 10% del tiempo
operó bien en un mes en que el mes anterior no operaba correctamente. En otras palabras, esta
máquina puede corregirse cuando no ha funcionado bien en el pasado y esto ocurre 10% de las veces.
Estos valores ahora se utilizan para construir la matriz de probabilidades de transición. De nuevo, el
estado 1 es una situación donde la máquina funciona correctamente; y el estado 2, donde la máquina
no lo hace. La matriz de transición para esta máquina es
0.8 0.2
P = B R
0.1 0.9
donde
P11 ⫽ 0.8 ⫽ probabilidad de que la máquina funcione correctamente este mes, dado que
funcionaba correctamente el mes pasado
P12 ⫽ 0.2 ⫽ probabilidad de que la máquina no funcione correctamente este mes, dado
que funcionaba correctamente el mes pasado
P21 ⫽ 0.1 ⫽ probabilidad de que la máquina funcione correctamente este mes, dado que no
funcionaba correctamente el mes pasado
P22 ⫽ 0.9 ⫽ probabilidad de que la máquina no funcione correctamente este mes, dado
que no funcionaba correctamente el mes pasado
Las probabilidades en el renglón Observe esta matriz para la máquina. Las dos probabilidades del renglón superior son las probabili-
deben sumar 1 porque los eventos dades de funcionamiento correcto y funcionamiento incorrecto, dado que la máquina funcionaba co-
son mutuamente excluyentes y rrectamente el periodo anterior. Como son mutuamente excluyentes y colectivamente exhaustivas,
colectivamente exhaustivos. el renglón de probabilidades de nuevo suma 1.
 15.6 CONDICIONES DE EQUILIBRIO 579

¿Cuál es la probabilidad de que la máquina de Tolsky funcione correctamente dentro de un

mes? ¿Cuál es la probabilidad de que la máquina funcione correctamente dentro de dos meses? Para
responder las preguntas, de nuevo aplicamos la ecuación 15-3:
p112 = p102P

= 11, 02 B
0.8 0.2
R
0.1 0.9
= 311210.82 + 10210.12, 11210.22 + 10210.924
= 10.8, 0.22
Por consiguiente, la probabilidad de que la máquina funcione correctamente dentro de un mes, dado
que ahora funciona correctamente, es de 0.80. La probabilidad de que no funcione correctamente en
un mes es de 0.20. Ahora utilizamos estos resultados para determinar la probabilidad de que la
máquina funcione correctamente dentro de dos meses. El análisis es exactamente el mismo:
p122 = p112P

= 10.8, 0.22 B
0.8 0.2
R
0.1 0.9
= 310.8210.82 + 10.2210.12, 10.8210.22 + 10.2210.924
= 10.66, 0.342
lo cual significa que dentro de dos meses hay una probabilidad de 0.66 de que la máquina todavía
funcione correctamente. La probabilidad de que la máquina no funcione correctamente es de 0.34.
Desde luego, podríamos continuar este análisis cuantas veces queramos, calculando las probabili-
dades de estado para los meses futuros.

15.6 Condiciones de equilibrio

Al considerar el ejemplo de la máquina de Tolsky, es fácil pensar que con el paso del tiempo todas las
participaciones de mercado o las probabilidades de estado serán 0 o 1. En general no ocurre así. Es
normal encontrar el porcentaje de equilibrio de los valores o las probabilidades de mercado. Las
probabilidades se llaman probabilidades de estado estable o probabilidades de equilibrio.
Una manera de calcular el estado estable del mercado es utilizar el análisis de Markov para un
número grande de periodos. Es posible ver si los valores futuros se acercan a un valor estable. Por
ejemplo, es posible repetir el análisis de Markov para la máquina de Tolsky durante 15 periodos. No
es difícil hacerlo a mano. Los resultados del cálculo se muestran en la tabla 15.1.
La máquina comienza con un funcionamiento correcto (en el estado 1) en el primer periodo. En
el periodo 5, hay una probabilidad de tan solo 0.4934 de que la máquina todavía funcione correcta-
mente y, para el periodo 10, esta probabilidad es solamente de 0.360235. En el periodo 15, la proba-
bilidad de que la máquina todavía tenga un funcionamiento correcto es cercana a 0.34. La
probabilidad de que la máquina todavía funcione bien en un periodo futuro disminuye, pero lo hace a
una tasa determinada. ¿Qué se esperaría a la larga? Si hacemos los cálculos para 100 periodos, ¿qué
pasaría? ¿Habrá un equilibrio en este caso? Si la respuesta es sí, ¿cuál sería? Viendo la tabla 15.1,
parece que habrá un equilibrio en 0.333333, o bien, 1/3. Pero, ¿cómo estaríamos seguros?
Las condiciones de estado estable Por definición, una condición de equilibrio existe si las probabilidades de estado o las partici-
existen si las probabilidades de paciones de mercado no cambian después de muchos periodos. Entonces, el equilibrio, en este caso
estado no cambian después de un las probabilidades de estado para un periodo futuro, debe ser igual que las probabilidades de estado
número grande de periodos. para el periodo actual. Este hecho es la clave para obtener las probabilidades de estado estable, cuya
relación se expresa como:
De la ecuación 15-4 siempre es cierto que
␲(siguiente periodo) ⫽ ␲(este periodo)P
o bien,
p1n + 12 = p1n2P
580 CAPÍTULO 15 • ANÁLISIS DE MARKOV

TABLA 15.1
PERIODO ESTADO 1 ESTADO 2
Probabilidades
de estado para el 1 1.000000 0.000000
ejemplo de la 2 0.800000 0.200000
máquina para 3 0.660000 0.340000
15 periodos
4 0.562000 0.438000
5 0.493400 0.506600
6 0.445380 0.554620
7 0.411766 0.588234
8 0.388236 0.611763
9 0.371765 0.628234
10 0.360235 0.639754
11 0.352165 0.647834
12 0.346515 0.653484
13 0.342560 0.657439
14 0.339792 0.660207
15 0.337854 0.662145

En el equilibrio, vemos que

p1n + 12 = p1n2
Por lo tanto, en el equilibrio,
p1n + 12 = p1n2P = p1n2
De manera que
p1n2 = p1n2P
o, eliminando el término en n,
p1n2 = pP (15-6)
En el equilibrio, las probabilidades La ecuación 15-6 establece que, en el equilibrio, las probabilidades de estado para el siguiente periodo
de estado para el siguiente periodo son las mismas que las probabilidades de estado para el periodo actual. Para la máquina de Tolsky,
son iguales a las probabilidades de esto se expresa como sigue:
estado para este periodo.
p = pP

1p1, p22 = 1p1, p22 B

0.8 0.2
R
0.1 0.9
Aplicando la multiplicación de matrices,
1p1, p22 = 31p1210.82 + 1p2210.12, 1p1210.22 + 1p2210.924
El primer término del lado izquierdo, ␲1, es igual al primer término del lado derecho, (␲1)(0.8) ⫹
(␲2)(0.l). Además, el segundo término del lado izquierdo, ␲2, es igual al segundo término del lado
derecho, (␲1)(0.2) ⫹ (␲2)(0.9). Esto da lo siguiente:
p1 = 0.8p1 + 0.1p2 (a)
p2 = 0.2p1 + 0.9p2 (b)
También sabemos que las probabilidades de estado, ␲1 y ␲2 en este caso, deben sumar 1. (Si se ob-
serva la tabla 15.1, se nota que ␲1 y ␲2 suman 1 para los 15 periodos.) Expresamos esto como sigue:
p1 + p2 + Á + pn = 1 (c)
 15.6 CONDICIONES DE EQUILIBRIO 581

Para la máquina de Tolsky, tenemos

p1 + p2 = 1 (d)
Eliminamos una ecuación al Ahora tenemos tres ecuaciones (a, b y c) para la máquina. Sabemos que debe cumplirse la ecuación c.
despejar las condiciones de Entonces, eliminamos la ecuación a o la b, y resolvemos las dos ecuaciones que quedan para obtener
equilibrio. ␲1 y ␲2. Es necesario eliminar una de las ecuaciones, de manera que tengamos dos incógnitas y dos
ecuaciones. Si estuviéramos buscando las condiciones de equilibrio que incluyeran tres estados, ten-
dríamos cuatro ecuaciones. De nuevo, será necesario eliminar una de las ecuaciones para terminar con
tres ecuaciones y tres incógnitas. En general, cuando se encuentran las condiciones de equilibrio, siem-
pre será necesario eliminar una ecuación, con la finalidad de que el número total de ecuaciones sea el
mismo que el número total de las variables que queremos obtener. El motivo por el cual podemos eli-
minar una de las ecuaciones es que están matemáticamente interrelacionadas. En otras palabras,
una de las ecuaciones es redundante al especificar las relaciones entre las diferentes ecuaciones de
equilibrio.
Eliminemos de manera arbitraria la ecuación a. Así, resolveremos las siguientes dos ecuaciones:
p2 = 0.2p1 + 0.9p2
p1 + p2 = 1
Reordenando la primera ecuación,
0.1p2 = 0.2p1
o bien,
p2 = 2p1
Al sustituir esto en la ecuación d, obtenemos
p1 + p2 = 1
o bien,
p1 + 2p1 = 1
o bien,
3p1 = 1
p1 = 1>3 = 0.33333333
Entonces,
p2 = 2>3 = 0.66666667
Compare estos resultados con la tabla 15.1. Como se observa, la probabilidad del estado estable
para el estado 1 es 0.33333333, y la probabilidad del estado de equilibrio para el estado 2 es
Los valores iniciales de las 0.66666667, que son los valores que se esperan al ver los resultados de la tabla. El análisis indica que
probabilidades de estado no tan solo es necesario conocer la matriz de transición para determinar las participaciones en el mer-
influyen en las condiciones cado en equilibrio. Los valores iniciales para las probabilidades de estado o la participación en el
de equilibrio. mercado no influyen en las probabilidades del estado en equilibrio. El análisis para determinar las
probabilidades del estado en equilibrio o las participaciones en el mercado es el mismo cuando hay
más de tres estados. Si hay tres estados (como en el ejemplo de las tiendas de abarrotes), tenemos que
resolver tres ecuaciones para encontrar los tres estados de equilibrio; si hay cuatro estados, tenemos
que resolver cuatro ecuaciones simultáneas para los cuatro valores de las incógnitas de equilibrio, y
así sucesivamente.
Tal vez usted desee probar por sí mismo que los estados de equilibrio que acabamos de calcular
sean, de hecho, los estados de equilibrio. Esto se hace multiplicando los estados de equilibrio por la
matriz de transición original. Los resultados serán los mismos estados de equilibrio. Realizar este
análisis también es una excelente manera de verificar sus respuestas a los problemas del final del
capítulo o en las preguntas de examen.