INVESTIGACIN OPERATIVA

TEMA 3
Introduccin a las cadenas de Markov de primer orden

1. Definicin de cadenas de Markov

2. Tipos de estados y de cadenas de Markov.
Propiedades
3. Comportamiento a largo plazo de cadenas de Markov.
Aplicaciones
4. Comportamiento a corto plazo de cadenas de Markov.
Tiempos y probabilidades del primer paso
5. El caso particular de las cadenas absorbentes.
Aplicaciones
6. Estudio de casos reales de aplicacin. Los procesos de
markov en los anlisis coste-efectividad
Beatriz Gonzalez Lopez-Valcarcel

Introduccin

Las cadenas de markov son modelos probabilsticos que

se usan para predecir la evolucin y el
comportamiento a corto y a largo plazo de
determinados sistemas.
Ejemplos: reparto del mercado entre marcas; dinmica
de las averas de mquinas para decidir poltica de
mantenimiento; evolucin de una enfermedad,

Beatriz Gonzalez Lopez-Valcarcel

1. Definicin de Cadena de Markov

Una Cadena de Markov (CM) es:

Un proceso estocstico
Con un nmero finito de estados (M)
Con probabilidades de transicin estacionarias
Que tiene la propiedad markoviana

Beatriz Gonzalez Lopez-Valcarcel

Proceso estocstico:

Es un conjunto o sucesin de variables aleatorias: {X(t)CG

} definidas en un mismo espacio de probabilidad.
Normalmente el ndice t representa un tiempo y X(t) el
estado del proceso estocstico en el instante t.
El proceso puede ser de tiempo discreto o continuo si G es
discreto o continuo.
Si el proceso es de tiempo discreto, usamos enteros para
representar el ndice: {X1, X2, ...}

Beatriz Gonzalez Lopez-Valcarcel

Ejemplos de procesos estocsticos:

1. Serie mensual de ventas de un producto

2. Estado de una mquina al final de cada semana
(funciona/averiada)
3. N de clientes esperando en una cola cada 30 segundos
4. Marca de detergente que compra un consumidor cada vez
que hace la compra. Se supone que existen 7 marcas
diferentes
5. N de unidades en almacn al finalizar la semana

Beatriz Gonzalez Lopez-Valcarcel

ELEMENTOS DE UNA CADENA

DE MARKOV

Un conjunto finito de M estados, exhaustivos y mutuamente

excluyentes (ejemplo: estados de la enfermedad)

Ciclo de markov (paso) : periodo de tiempo que sirve de

base para examinar las transiciones entre estados (ejemplo, un
mes)

Probabilidades de transicin entre estados, en un ciclo (matriz

P)

Distribucin inicial del sistema entre los M estados posibles

PROPIEDAD MARKOVIANA

Un proceso estocstico tiene la propiedad markoviana si las

probabilidades de transicin en un paso slo dependen del estado
del sistema en el perodo anterior (memoria limitada)

PROPIEDAD MARKOVIANA

P(n) es la matriz de transicin en n pasos, de orden (M+1)x(M+1)

PROPIEDAD MARKOVIANA

PROPIEDAD MARKOVIANA

LAS CADENAS DE MARKOV

SON UN CASO PARTICULAR
DE MODELOS DE MARKOV
Tipos de modelos de Markov:

Procesos de Markov (Modelos semimarkovianos): Las probabilidades de transicin

entre estados pueden variar a medida que
transcurren ms ciclos

Ejemplo: para modelizar la esperanza de vida, el riesgo

de muerte aumenta con la edad

Cadenas de Markov: Las probabilidades de

transicin se suponen constantes a lo largo del
tiempo

PROPIEDAD MARKOVIANA

Ejemplos:
Comportamiento (sube/baja) del precio de las
acciones hoy depende de lo ocurrido ayer

Problema de la ruina de un jugador de casino

Eleccin de marca: Con qu lnea area volar a

Madrid?

Ejercicio 1: Tres agencias de viaje disponen de informacin respecto

de los desplazamientos en vacaciones de semana santa.
1
Estado futuro n=1
Estado actual n=0

No viajar

V. entre islas

V. fuera

No viajar

40

20

40

V. entre islas

50

10

40

V. fuera

10

70

20

a) Supuestos necesarios para considerar esta situacin como cadena

de Markov de primer orden
b) Calcular la probabilidad de que los clientes que no han viajado
estas vacaciones lo hagan fuera de las islas dentro de 2 aos.

Ejercicio 2: La carrera de diplomado en CCEE tiene 3 cursos. A

partir de los datos facilitados por el decanato del centro se sabe que el
35% y el 26% de los alumnos de primero y segundo abandonarn los
estudios. El 28% de los alumnos de primero repiten curso, siendo
este porcentaje del 20% y 30% para los alumnos de segundo y
tercero respectivamente.

1
EJEMPLO 1: EL REPARTO DEL
MERCADO A LARGO PLAZO
EN UN OLIGOPOLIO
Tres laboratorios farmacuticos (A,B y C) que compiten en un principio activo
(mismo conjunto homogneo en la orden de precios de referencia). Hoy
sus cuotas de mercado son 30%, 20% y 50% respectivamente

Las filas suman 1

Matriz de transicin en
un paso (ciclo)

Ciclo: Mes

A
A
B
C

B
0,8
0,15
0,13

C
0,1
0,82
0,12

0,1
0,03
0,75

Cmo se repartirn el mercado dentro de 1

mes, 6 meses, 1 ao?, A largo plazo?

EJEMPLO 2: LA EVOLUCIN CLNICA DE LOS

PACIENTES CON VLVULA CARDIACA
SOMETIDOS A TRATAMIENTO ANTICOAGULANTE

CON
SECUELAS

BIEN

3 estados (1 absorbente, 2 transitorios)

MUERTO

Ciclo=mes
Utilidades = Nivel salud
Distribucin inicial de la cohorte
(N=10.000): todos bien

EJEMPLO 2: LA EVOLUCIN CLNICA DE LOS

PACIENTES CON VLVULA CARDIACA
SOMETIDOS A TRATAMIENTO ANTICOAGULANTE

CON
SECUELAS

BIEN

3 estados (1 absorbente, 2 transitorios)

MUERTO

Ciclo=mes
Utilidades = Nivel salud
Distribucin inicial de la cohorte
(N=10.000): todos bien

EJEMPLO 2: LA EVOLUCIN CLNICA DE LOS

PACIENTES CON VLVULA CARDIACA
SOMETIDOS A TRATAMIENTO ANTICOAGULANTE
0.6

0.6
BIEN

0.2

0.2

CON
SECUELAS

3 estados (1 absorbente, 2 transitorios)

MUERTO

Ciclo=mes
Utilidades = Nivel salud
Distribucin inicial de la cohorte
(N=10.000): todos bien

1
EJEMPLO 1: EL REPARTO DEL
MERCADO A LARGO PLAZO
EN UN OLIGOPOLIO
Tres laboratorios farmacuticos (A,B y C) que compiten en un principio activo
(mismo conjunto homogneo en la orden de precios de referencia). Hoy
sus cuotas de mercado son 30%, 20% y 50% respectivamente

Las filas suman 1

Matriz de
transicin en un
ciclo (P)
Ciclo: Mes

A
A
B
C

B
0,8
0,15
0,13

C
0,1
0,82
0,12

0,1
0,03
0,75

Cmo se repartirn el mercado dentro de 1

mes, 6 meses, 1 ao?, A largo plazo?

1
EJEMPLO 1: EL REPARTO DEL
MERCADO A LARGO PLAZO
EN UN OLIGOPOLIO

Este es un ejemplo de cadena de Markov irreductible y ergdica.

Todos los estados son recurrentes y estn comunicados entre s,
formando una sola clase.Hay solucin de estado estable (reparto del
mercado a largo plazo, independiente de la situacin inicial)

Reparto del mercado

despus de n ciclos
= P0*Pn

1 mes.....P1= [0.3350 0.2540 0.4110]

2 meses ....p2 =[ 0.3595 0.2911 0.3494]
6 meses ...... p6 =[ 0.4030 0.3543 0.2427]
1 ao ....... p12 = [ 0.4150 0.3704 0.2146]
2 aos ...... p24 =[ 0.4165 0.3722 0.2113]

Solucin de estado estable

3 aos ....... p36 =[ 0.4165

0.3722 0.21131]

EJEMPLO 3: EL HBITO TABQUICO

DE LOS JVENES
Lo ha probado, Fuma menos de
Fuma los fines
pero ahora no
una vez por
Fuma diariamente
de semana
fuma
semana
77.7%
17.2%
3.2%
0.9%
1.0%

Nunca lo ha
probado
Nunca lo ha probado
Lo ha probado, pero ahora
no fuma
Fuma menos de una vez
por semana
Fuma los fines de semana
Fuma diariamente
Total

Total
100.0%

0.0%

75.0%

12.2%

4.7%

8.1%

100.0%

0.0%
0.0%
0.0%
50.4%

34.0%
26.5%
6.3%
31.8%

22.0%
17.6%
8.3%
6.7%

12.0%
26.5%
0.0%
3.0%

32.0%
29.4%
85.4%
8.1%

100.0%
100.0%
100.0%
100.0%

5 estados (1 transitorio, 4 recurrentes)

Ciclo= un ao
Distribucin inicial de la cohorte (N=1.340):
(0.58 0.28 0.05 0.03 0.06)

2 Tipos de estados y de cadenas de markov de primer orden

Para clasificar los estados y las CM tenemos que definir

algunos conceptos:
Tiempos del primer paso y de recurrencia
Accesibilidad y comunicacin entre estados

Tiempos del primer paso/recurrencia (Corto plazo)

2
Con lo visto hasta el momento podemos calcular la probabilidad,
dado que el proceso se encuentra en el estado i, de que el proceso se
encuentre en el estado j despus de n periodos Pij(n).

2 EJEMPLO: Un vendedor de cmaras fotogrficas lleva acabo la

siguiente poltica de inventario. Mantiene durante la semana de
trabajo hasta un mximo de 3 cmaras en el almacn para su venta. Si
al final de la semana le quedan en el almacn alguna cmara entonces
no pide ninguna al fabricante. De partida en el almacn hay 3
cmaras (x0=3).
a) Comenta el contenido de la matriz
de transicin P facilitada por el
comercio.
b) Sabiendo que hay dos cmaras al
final de la primera semana (x1=2),
(x2=1), (x3=0), (x4=3) y (x5=1).
Obtener el tiempo de primera
pasada para ir del estado 3 al 1, y
el tiempo de recurrencia del
estado 3.

Tiempos de primera pasada/recurrencia (Corto plazo)

2
En general podemos considerar a los tiempos de primera pasada
como variables aleatorias, por tanto con una distribucin de
probabilidad asociada a ellos. Dichas distribuciones de
probabilidad dependern de las probabilidades de transicin del
proceso.

fij(1)=pij(1)=pij
fij(2)=pij(2)-fij(1)pij
.............................................
fij(n)=pij(n)-fij(1)pij(n-1)-fij(2)pij(n-2)....-fij(n-1)pij

Tiempos de primera pasada/recurrencia (Corto plazo)

2
Como generalmente es bastante engorroso calcular las fij(n) para
todas las n, se suele optar por obtener el tiempo esperado de
primera pasada del estado i al estado j

Tipos de estados y Cadenas de Markov

2
Podemos considerar fij(n) para (n=1,2,..) como la funcin de
probabilidad de la variable aleatoria tiempo de primera pasada

(n)

(n)

Una vez que el proceso se

encuentra en el estado i no lo
abandona

Una vez que el proceso se

encuentra en el estado i existe
una prob.>0 de no regresar

Ejemplo Identifica los distintos estados en la siguiente

matriz de transicin.
Estados

0
1
2
3
4

0
0.25
0.5
0
0
1

1
0.75
0.5
0
0
0

2
0
0
1
0.33333333
0

3
0
0
0
0.66666667
0

4
0
0
0
0
0

Tipos de estados y Cadenas de Markov

Tipos de estados y Cadenas de Markov

Tipos de estados y Cadenas de Markov.

Tipos de estados y Cadenas de Markov.

Comportamiento a largo plazo de las Cadenas de

Markov

Comportamiento a largo plazo de las Cadenas de

Markov

Comportamiento a largo plazo de las

Cadenas de Markov: el caso de las cadenas
absorbentes
CM absorbente:
Tiene al menos un estado absorbente
Desde cualquier estado no absorbente se puede acceder
a algn estado absorbente

A largo plazo, termina en absorcin con

probabilidad 1
Interesa calcular:
Probabilidad de absorcin por cada estado absorbente
Numero esperado de pasos antes de la absorcin

Comportamiento a largo plazo de las

Cadenas de Markov: el caso de las cadenas
absorbentes

EJEMPLOS DE APLICACIONES
CMO HACER EL MODELO
REALISTA

Propiedad
Ingredientes de una cadena de markov:
markoviana: falta de

Conjunto de K estados exhaustivos y mutuamente

excluyentes
memoria
definen las posibles situaciones (ej. Bien-discapacitado-muerto)
(Realista?...)

Ciclo: periodo de tiempo en el que ocurren transiciones entre

estados (ej: un mes)

Probabilidades de transicin entre estados en un ciclo

Se suponen constantes en el
tiempo, e idnticas para todos los pacientes

Sus valores forman la matriz de transicin en un paso (P)

Distribucin inicial de la cohorte de pacientes entre los K

estados

EJEMPLO 1: LA EVOLUCIN CLNICA DE LOS

PACIENTES CON VLVULA CARDIACA
SOMETIDOS A TRATAMIENTO ANTICOAGULANTE
Complicando el modelo para hacerlo ms realista
CON
SECUELAS

BIEN

MUERTO

Se incluye un estado transitorio de

proceso agudo (embolia o hemorragia
interna)

EJEMPLO 1: LA EVOLUCIN CLNICA DE LOS

PACIENTES CON VLVULA CARDIACA
SOMETIDOS A TRATAMIENTO ANTICOAGULANTE
Complicando el modelo para hacerlo ms realista
BIEN

ACCIDENTE
CEREBRAL
VASCULAR

MUERTO

CON
SECUELAS

Estado transitorio ACV: para un suceso

que tiene solo efectos a corto
plazo
Dos usos:
1)

Incorporar un valor especfico de

la utilidad (o coste)

2)

Asignar temporalmente diferentes

probabilidades de transicin

CONCEPTOS BSICOS

Esta limitacin generalmente

puede resolverse definiendo
Ingredientes de una cadenaestados
de markov:
distintos para

Conjunto de K estados exhaustivos

y mutuamente
excluyentes
pacientes
con distintos
definen las posibles situaciones (ej. antecedentes
Bien-discapacitado-muerto)

Ciclo: periodo de tiempo en el que ocurren transiciones entre

estados (ej: un mes)

Probabilidades de transicin entre estados en un ciclo

Se suponen constantes en el tiempo, e

idnticas para

todos los pacientes

Sus valores forman la matriz de transicin en un paso (P)

Distribucin inicial de la cohorte de pacientes entre los K

estados

Software y bibliografa
Usaremos QSB
Un excelente texto para este tema es el de
Hillier y Lieberman (est referenciado en el
programa)