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:
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
3 = 0.3 = probabilidad de que una persona compre en Atlas Foods, estado 3
También debería observarse que las probabilidades en el vector de estado para las tres tiendas
de 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
participaciones 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 estudio 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% cambia a Food Mart y 10% a Atlas Foods en su siguiente compra.
Para los clientes que compran este mes 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 FoodMart.
Análisis de Markov desde el punto de vista socioeconómico
Los modelos de Markov son modelos estocásticos que ayudan a modelizar eventos
complejos, que pueden simplificarse en exceso con los modelos determinísticos.
Con la modelización de Markov se intenta simular de una manera más realista lo que ocurre
en el proceso de la enfermedad. Los procesos de Markov son especialmente útiles para
modelizar aspectos economicos. Sin embargo, en algunas ocasiones este tipo de modelo
puede ser inviable debido a la insuficiencia de los datos disponibles.
Su validez depende de lo razonables que sean las suposiciones tomadas y de su grado de
aproximación a la realidad.
La forma de resolución de los procesos de Markov es similar a la de las cadenas de Markov.
Sin embargo, las probabilidades de transición variables complican considerablemente los
cálculos, por lo que es conveniente efectuarlos mediante el manejo de programas estadísticos.
Este diagrama de árbol ilustra la situación. Observe que de la participación de mercado de
40% para American Food este mes, 32% (0.40 X 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
encontrar 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 transición, la cual se utiliza con las probabilidades de estado actuales
para predecir las condiciones futuras.
Conclusiones.
En ocasiones resulta complicado determinar cual va a ser la evolución de ciertos aspectos
empresariales sujetos a variaciones constantes. Esto puede dificultar la adecuación de
esfuerzos económicos y de personal, entre otros.
Una manera diferente de controlar ciertos factores de la gestión de un negocio es realizar
aproximaciones o previsiones en base a la utilización de cadenas de Markov. No es un
método totalmente exacto pero si útil para previsiones a largo o muy largo plazo.
A diferencia del método clásico de utilizar el año inmediatamente anterior como guía, la
cadena de Markov utiliza todos los estados anteriores para determinar una evolución más
realista de lo que cabe esperar de los próximos ejercicios. Es una técnica curiosa aunque algo
complicada para quien no domine la materia.
Toda consecución numérica cuando se repite tiende a descubrir cifras relevantes y patrones.
Esto descubre más posibilidades pues también podemos utilizar métodos que cuantifican
valores cualitativos y miden factores humanos.
Más allá de los patrones lo complicado está en descubrir cual va a ser el siguiente estado que
va a producirse en el proceso estudiado. Es decir, tenemos que adivinar el siguiente paso, que
no tiene por qué ser parte del patrón aunque esté influenciado por el mismo.
Es posible aplicar este principio a campos tan diferentes como la meteorología, astrología,
biología... o a las empresas (entre otras muchas áreas, por supuesto).
