UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE INGENIERÍA INDUSTRIAL

ESCUELA PROFESIONAL DE INGENIERÍA INFORMÁTICA

TEMA: APLICACIÓN DE CADENAS DE MARKOV PARA

DETERMINAR LA COMPETENCIA ENTRE LA
PREFERENCIA DE 3 MARCAS DE GASEOSA.

CURSO: INVESTIGACIÓN DE OPERACIONES.

DOCENTE: ING. CARLOS ENRIQUE COELLO OBALLE.

ALUMNOS:

ANCAJIMA SOCOLA EUNICE FIORELLA.

CULUPU AQUINO CARLOS EDUARDO.

FABIAN CASTILLO FERNANDO JESUS.

HUANCAS HERRERA CESAR ANDRES.

QUISPE MONTERO YOMAR GABRIEL.

PIURA – PERU

2018

1
Tabla de contenido
RESUMEN ...................................................................................................................................... 3
CAPITULO I: MARCO TEÓRICO ...................................................................................................... 4
LA CADENA DE MARKOV ........................................................................................................... 4
MATRIZ DE TRANSICIÓN............................................................................................................ 5
ESTADOS DE LAS CADENAS DE MARKOV .................................................................................. 6
CLASIFICACION DE CADENAS .................................................................................................... 7
CADENAS IRREDUCIBLES: ...................................................................................................... 7
CONJUNTOS CERRADOS: ....................................................................................................... 9
CADENAS ERGÓDICAS: ........................................................................................................ 10
PRODUCTOS DE GASEOSAS EN ESTUDIO ................................................................................ 14
GASEOSA COCA-COLA ............................................................................................................. 14
GASEOSA INKA COLA ............................................................................................................... 14
GASEOSA KOLA REAL ............................................................................................................... 14
CAPITULO II: MARCO METODOLÓGICO ...................................................................................... 15
FORMULACIÓN DEL PROBLEMA: ............................................................................................ 15
OBJETIVO GENERAL: ................................................................................................................ 15
OBJETIVOS ESPECÍFICOS: ......................................................................................................... 15
MATRIZ DE TRANSICIÓN.......................................................................................................... 16
DIAGRAMA DE ESTADOS ......................................................................................................... 16
RESULTADOS E INTERPRETACIÓN ............................................................................................... 20
LINKOGRAFÍA............................................................................................................................... 22

2
RESUMEN

Las cadenas de Markov se utilizan para hallar la probabilidad de un evento

luego de que ocurra un evento inmediato. En este trabajo aplicará las cadenas
de Markov para determinar la competencia entre 3 marcas de gaseosas, lo que
significa que se hallará la probabilidad de que una persona cambie de
preferencia por una marca de gaseosa a otra al transcurrir el tiempo, cambia la
preferencia por mes. Los diferentes estados son: Coca Cola, Inca Kola y KR. Se
entiende que los estados cambian de acuerdo al comportamiento de las
preferencias de gaseosas por cada mes.

Se aplicó la cadena de Markov para determinar el cambio de preferencia

de gaseosa para el año 2018 de tres diferentes marcas de gaseosa, con un
determinado nivel de probabilidad en dichos estados transitorios.

3
CAPITULO I: MARCO TEÓRICO

LA CADENA DE MARKOV

La cadena de Markov fue implantada por el matemático Andrei Andreyevich

Markov quien nació en San Petersburgo, Rusia, el 14 de Junio de 1856 y desarrollo

el método en [Link]ó matemáticas en la Universidad de San Petersburgo y se

graduó en el año 1878. En el año 1886 se inició como docente.

Markov es conocido por su estudio de cadenas secuenciales, que consisten en

variables al azar, en las que la variable futura es predeterminada por la anterior, pero

independiente de la manera que ésta se generó de sus antecesores. Es decir, se trata

de un sistema que sufre a lo largo del tiempo cambios de estado o transiciones

aleatorias y las probabilidades que describen la forma en que el proceso evolucionará

en el futuro, son independientes de los eventos ocurridos en el pasado. El sistema no

está carente de memoria en su totalidad, sólo guarda información del recuerdo más

reciente de su pasado.

Es muy importante comentar que su estudio no estuvo basado en un simple

análisis estadístico, sino que intentó aplicarlo a la generación de textos literarios.

Por lo tanto la cadena de Markov es una serie de eventos, en la cual la

probabilidad de que ocurra un evento depende del evento inmediato anterior. Esta

dependencia del evento anterior distingue a las cadenas de Markov de las series de

eventos independientes, como tirar una moneda al aire o un dado.

El análisis de Markov, permite encontrar la probabilidad de que un sistema se

encuentre en un estado en particular en un momento dado. Algo más importante aún,

es que permite encontrar el promedio a la larga o las probabilidades de estado estable

para cada estado. Con esta información se puede predecir el comportamiento del

4
 sistema a través del tiempo. La tarea más difícil es reconocer cuándo puede aplicarse.

La característica más importante que hay que buscar en la memoria de un evento a

otro.

Las cadenas de Markov se han aplicado en áreas diversas, como educación,

Comercialización, servicios de salud, finanzas, contabilidad y producción, tras los

aportes de Norbert Wiener (1923) y Andrei Kolmogorov (1930).

MATRIZ DE TRANSICIÓN

Cada estado Xi que pertenece a nuestro espacio de estados S tiene una

probabilidad de saltar a otro estado Xj. Si la suma de todas las probabilidades de salto del

estado Xi es 1, entonces se tiene una distribución.

En una Cadena de Markov las probabilidades de salto son parte de una

distribución. Para poder representar esta característica de manera adecuada, estas

probabilidades se agrupan dentro de una matriz, llamada Matriz de Transición.

Para una Cadena de Markov, cuyo espacio de estados consta de “k” estados, su

matriz de transición es:

Ya que las probabilidades se representan de la forma pij, se interpreta a i como

el estado actual y a j como el estado siguiente. Es decir, pij es la probabilidad de que

del estado i vaya al estado j. Además se cumple que la suma de cada fila en la matriz

es una representación gráfica de las transiciones de las Cadenas de Markov es a través

5
 de arcos y nudos, donde los nodos representan los estados y los arcos la transición

misma. Si la probabilidad de un estado es 0, no se dibuja arco alguno. Un ejemplo se

muestra en Figura 6, un diagrama de transición que consta de 03 estados.

Figura: Diagrama de
transición de una
cadena de Markov
de 03 estados

Y su respectiva Matriz de transición, en la tabla:

ESTADOS DE LAS CADENAS DE MARKOV

A partir de las probabilidades de transición que se dan en una cadena de Markov

se pueden clasificar los siguientes estados:

a) Estado accesible

Un estado j es accesible desde un estado i, si se puede llegar a él en un número

finito de “n” de pasos.

6
 a) Estado absorbente

Un estado i es absorbente cuando no se puede alcanzar otro estado, excepto a sí

mismo.

b) Estado recurrente

Un estado i es recurrente cuando se tiene la certeza que retornará a ese estado.

c) Estado transitorio

A diferencia del estado recurrente un estado i es transitorio cuando existe la

probabilidad de que no regrese a ese estado.

CLASIFICACION DE CADENAS

En esta sección se definen propiedades de las cadenas que, en realidad, son

propiedades comunes de los estados de la cadena.

CADENAS IRREDUCIBLES:

Una cadena irreducible es aquella en la que todos los estados son alcanzables

desde cualquier otro estado de la cadena en un número finito de pasos.

Eso implica que se puede llegar a cualquier estado Ej desde otro estado Ei esto

es p (n) ij > 0, para algún número entero n.

Una matriz A = [aij ] se dice que es positiva si a(n) ij > 0 para todos los i, j.

Una matriz de transición T se dice que es regular si existe un número entero N tal que

T N es positivo.

Una cadena regular obviamente es irreducible, sin embargo, lo contrario no

tiene por qué ser necesariamente cierto.

7
 Ejemplo.

Suponemos la siguiente matriz de transición de una cadena irreducible

Para n = 1, 2, 3,... entonces ninguna potencia de T es una matriz positiva y

por tanto no es una cadena regular.

Ejemplo.

Se puede ver que una cadena en la tercera etapa, con matriz de

transición

Define una cadena regular y, así, una cadena irreducible también.

8
 Así, T3 es una matriz positiva, lo que significa que la cadena es regular.

Una propiedad muy importante de las cadenas irreducibles es que todos

sus estados son del mismo tipo, esto es, o bien todos son transitorios o bien todos

son recurrentes (nulos o no nulos) y todos tienen el mismo periodo. Esto significa

que la clasificación de todos los estados de una cadena se puede deducir a partir

de la clasificación conocida de uno de los estados.

También es obvio que todos los estados de una cadena finita irreducible

no pueden ser transitorios, ya que eso significaría que el regreso a alguno de los

estados no sería seguro, aunque todos los estados fueran accesibles desde

cualquiera de ellos en un número finito de pasos.

CONJUNTOS CERRADOS:

Una cadena de Markov puede contener algunos estados que sean

recurrentes, otros que sean transitorios y otros que sean absorbentes. Los estados

recurrentes pueden ser parte de subcadenas cerradas. Un conjunto de estados C en

una cadena de Markov se dice que es cerrado si cualquier estado dentro de C puede

alcanzarse desde cualquier otro estado de C y ningún otro estado fuera de C puede

ser alcanzado desde cualquier estado dentro de C. Así una condición necesaria

para que esto ocurra es que

Los estados absorbentes son cerrados con sólo un elemento. Se puede ver
que un 28 subconjunto cerrado es él mismo una subcadena irreducible de una
cadena de Markov completa.

9
Ejemplo.

Supongamos la siguiente cadena cuyo diagrama es

y la matriz de transición asociada es:

Observando el diagrama se tiene que el conjunto {E1, E2} forman una sub-

cadena cerrada e irreducible ya que ningún estado fuera de E1 y E2 se puede

alcanzar desde ellos. De modo similar {E5, E6} forman una sub-cadena cerrada e

irreducible. Los estados E3 y E4 son transitorios. Todos los estados son

aperiódicos, lo que significa que E1, E2, E5 y E6 son ergódicos.

CADENAS ERGÓDICAS:

Se tenía que todos los estados en una cadena irreducible pertenecen a la

misma clase. Si todos los estados son ergódicos, esto es, recurrentes, no nulos y

aperiódicos entonces se define la cadena como ergódica.

10
Ejemplo.

Supongamos la siguiente cadena cuya matriz de transición es

Los auto-valores de la matriz son

y la matriz de auto-vectores es

y su inversa es

Para calcular la distribución límite

Entonces como

11
la distribución límite es

El vector p da las probabilidades de los estados a largo plazo, y esta

distribución es independiente del estado inicial p(0). Si consideramos, a

continuación, el diagrama de estados

La probabilidad de primer retorno para cada uno de los estados f(n) i se

puede calcular observando el diagrama de estados previo

Así,

12
Del mismo modo

Para calcular los tiempos de recurrencia medios, en cada caso,

(*) donde se ha empleado la misma relación que en los ejemplos anteriores:

Se observa que el vector de recíprocos

Es igual que el vector p calculado mediante los autovalores y autovectores.

Para cadenas ergódicas se obtiene siempre que la distribución invariante es el

recíproco del vector de tiempos medios de recurrencia.

13
PRODUCTOS DE GASEOSAS EN ESTUDIO
Las gaseosas son unas bebidas saborizada0073, efervescente (carbonatada) y

sin alcohol. Estas bebidas suelen consumirse frías, para ser más refrescantes y para evitar

la pérdida de dióxido de carbono, que le otorga la efervescencia. Se ofrecen diversos

sabores de gaseosas, entre otros cola, naranja, lima limón, uva, cereza y ponche.

GASEOSA COCA-COLA
Es una bebida gaseosa y refrescante, vendida a nivel mundial,

en tiendas, restaurantes y máquinas expendedoras en más de doscientos países o

territorios. Es un producto de The Coca-Cola Company. En un principio, cuando la

inventó el farmacéutico John Pemberton, fue concebida como una

bebida medicinal patentada, aunque fue adquirida posteriormente por el empresario Asa

Griggs Candler, que hizo de la bebida una de las más consumidas del siglo XX, y del XXI.

GASEOSA INKA COLA

Es una bebida gaseosa originaria del Perú. Aunque es consumida, principalmente

en el Perú, también es comercializada en los Estados Unidos, Ecuador, Chile y otras

partes del mundo. Tiene un sabor dulce y un color amarillo-dorado. El contenido principal

es el aroma de la planta hierba luisa (Cymbopogon citratus), una hierba originaria de

Sudamérica, aunque su fórmula se guarda en absoluta reserva industrial.

GASEOSA KOLA REAL

Es una marca denominativa de bebidas gaseosas perteneciente al grupo

peruano Ajegroup. Se comenzó a vender en 1988 por la familia Añaños en la ciudad

de Ayacucho, Perú. Se comercializa en su país de origen (Perú), Canadá, República

Dominicana, Venezuela, ElSalvador, Guatemala, Tailandia, Colombia, Ecuador, Méxic

o, Brasil, Nicaragua, Panamá, Costa Rica, India y Honduras; siendo conocida por el

nombre de Big Cola en los últimos diez países.

14
CAPITULO II: MARCO METODOLÓGICO

FORMULACIÓN DEL PROBLEMA:

¿De qué manera el Modelo de Cadenas de Markov influye en la mejora

del análisis de los productos de las marcas de gaseosa para determinar
porcentualmente la cantidad de dichos productos?

Determinar porcentualmente la condición estable de 3 marcas de gaseosa

consumidas a nivel nacional, tales como son: Coca Cola, Inca Kola y KR.
Tomando como estado inicial los datos obtenidos por nosotros al consultar
las diferentes bodegas de la localidad del mes de enero del año 2018. Estos
datos fueron obtenidos tras una recopilación de información de diversas
bodegas a nivel local.

OBJETIVO GENERAL:

Establecer un pronóstico porcentual de tres marcas de gaseosa

(Coca Cola, Inca Kola y KR) basándose en el análisis de las cadenas de
Markov.

OBJETIVOS ESPECÍFICOS:

 Aplicar Cadenas de Markov como herramienta estadística para la toma de

decisiones entre tres marcas de gaseosa.
 Establecer la probabilidad de la condición estable de las tres marcas de
productos de gaseosa (Coca Cola, Inca Kola y KR).
 Determinar un pronóstico de preferencia para el mes de febrero del año
2018 tomando como base datos de años anteriores.

15
MATRIZ DE TRANSICIÓN

Coca Cola Inca Kola Kola Real

Coca Cola 0,44 0,25 0,32
Inca Kola 0,21 0,43 0,36
Kola Real 0,32 0,30 0,38

Tabla Nº 01: Matriz de Transición

Fuente: Propia

DIAGRAMA DE ESTADOS

0.44

Coca Cola

0.25 0.32

0.21 0.32

0.36 Kola Real

Inca Kola

0.30

0.43 0.38

Ilustración 01: Diagrama de Estado.

Fuente: Propia.

16
PRONÓSTICO PARA EL MES DE FEBRERO DEL 2018

Tomando como estado actual la gaseosa Coca Cola:

𝑃(𝐶𝐶) = (0,44 ∗ 0,44) + (0.25 ∗ 0.21 ) + (0.32 ∗ 0.32) = 0.3485

𝑃(𝐼𝐾) = (0,44 ∗ 0,25) + (0,25 ∗ 0,43) + (0,32 ∗ 0,30) = 0.3135

𝑃(𝐾𝑅) = (0,44 ∗ 0,32) + (0,25 ∗ 0,36) + (0,32 ∗ 0,38) = 0.3524

P(CC) P(IK) P(KR)

INICIO 0,44 0,25 0,32
Ciclo 1 (febrero) 0,3485 0,3135 0,3524

Tomando como estado actual la gaseosa Inca Kola:

𝑃(𝐶𝐶) = (0,21 ∗ 0,44) + (0.43 ∗ 0.21 ) + (0.36 ∗ 0.32) = 0.2979

𝑃(𝐼𝐾) = (0,21 ∗ 0,25) + (0,43 ∗ 0,43) + (0,36 ∗ 0,30) = 0.3454

𝑃(𝐾𝑅) = (0,21 ∗ 0,32) + (0,43 ∗ 0,36) + (0,36 ∗ 0,38) = 0.3588

P(CC) P(IK) P(KR)

INICIO 0,21 0,43 0,36
Ciclo 1 (febrero) 0,2979 0,3454 0,3588

Tomando como estado actual la gaseosa Kola Real:

𝑃(𝐶𝐶) = (0,32 ∗ 0,44) + (0.30 ∗ 0.21 ) + (0.38 ∗ 0.32) = 0.3254

𝑃(𝐼𝐾) = (0,32 ∗ 0,25) + (0,30 ∗ 0,43) + (0,38 ∗ 0,30) = 0.3230

𝑃(𝐾𝑅) = (0,32 ∗ 0,32) + (0,30 ∗ 0,36) + (0,38 ∗ 0,38) = 0.3548

P(CC) P(IK) P(KR)

INICIO 0,32 0,30 0,38
Ciclo 1 (febrero) 0,3254 0,3230 0,3548

17
PROBABILIDADES DEL ESTADO ESTABLE

 Probabilidad del etado estable de la Coca Cola: 𝐏(𝐂𝐂) = 𝐗

 Probabilidad del etado estable de la Inca Kola: 𝐏(𝐈𝐊) = 𝐘
 Probabilidad del etado estable de la Kola Real: 𝐏(𝐊𝐑) = 𝐙

Ecuación General:

𝑷(𝑪𝑪) + 𝑷(𝑰𝑲) + 𝑷(𝑲𝑹) = 𝟏

𝑋 + 𝑌 + 𝑍 = 1 … (𝛼)

0,44 0,25 0,32 𝑋

(𝑋 𝑌 𝑍) ∗ (0,21 0,43 0,36) = (𝑌 )
0,32 0,30 0,38 𝑍

0,44 𝑋 + 0,21 𝑌 + 0,32 𝑍 = 𝑋

0,56 𝑋 − 0,21 𝑌 − 0,32 𝑍 = 0 … ( 𝐼 )

0,25 𝑋 + 0,43 𝑌 + 0,30 𝑍 = 𝑌

0,25 𝑋 − 0,57 𝑌 + 0,30 𝑍 = 0 … ( 𝐼𝐼 )

0,32 𝑋 + 0,36 𝑌 + 0,38 𝑍 = 𝑍

0,32 𝑋 + 0,36 𝑌 − 0,62 𝑍 = 0 … ( 𝐼𝐼𝐼 )

 Efectuamos ( 𝐼 ) y ( 𝐼𝐼 )

∗ (0,25) 0,56 𝑋 − 0,21 𝑌 − 0,32 𝑍 = 0

∗ (−0,56) 0,25 𝑋 − 0,57 𝑌 + 0,30 𝑍 = 0

0,14 𝑋 − 0,0525 𝑌 − 0,08 𝑍 = 0

− 0,14 𝑋 + 0,3192 𝑌 − 0,168 𝑍 = 0

0,2667 𝑌 = 0,248 𝑍

18
 0,248
𝑌 = 𝑍 …( 1 )
0,2667

 Efectuamos ( 𝐼𝐼 ) y ( 𝐼𝐼𝐼 )

∗ (0,36) 0,25 𝑋 − 0,57 𝑌 + 0,30 𝑍 = 0

∗ (0,57) 0,32 𝑋 + 0,36 𝑌 − 0,62 𝑍 = 0

0,09 𝑋 − 0,2052 𝑌 + 0,108 𝑍 = 0

0,1824 𝑋 + 0,2052 𝑌 − 0,3534 𝑍 = 0

0,2724 𝑋 = 0,2454 𝑍
0,2454
𝑋 = 𝑍 …( 2)
0,2724

 Reemplazamos ( 1 ) y ( 2 ) en (𝛼)

𝑋+𝑌+𝑍 =1

0,2454 0,248
𝑍 + 𝑍 +𝑍 =1
0,2724 0,2667

0,90 𝑍 + 0,93 𝑍 + 𝑍 = 1

2,83 𝑍 = 1

𝑍 = 0,353

 Reemplazamos el valor de Z en ( 1 )
0,248
𝑌 = 𝑍
0,2667

0,248
𝑌 = ∗ 0,353
0,2667

19
 𝑌 = 0,328

 Reemplazamos el valor de Z en ( 2 )

0,2454
𝑋 = 𝑍
0,2724

0,2454
𝑋 = ∗ 0,353
0,2724

𝑋 = 0,318

RESULTADOS E INTERPRETACIÓN

PRONÓSTICO PARA EL MES DE FEBRERO

 Si actualmente los consumidores prefieren la gaseosa Coca Cola, la

probabilidad de que al próximo mes cambien de preferencia hacia Inca
Kola y Kola Real es de 31,35% y 35,24% respectivamente y un 34,85%
de que sigan prefiriendo Coca Cola.

 Si actualmente los consumidores prefieren la gaseosa Inca Kola, la

probabilidad de que al próximo mes cambien de preferencia hacia Coca
Cola y Kola Real es de 29,79% y 35,88% respectivamente y un 34,54%
de que sigan prefiriendo Inca Kola.

 Si actualmente los consumidores prefieren la gaseosa Kola Real, la

probabilidad de que al próximo mes cambien de preferencia hacia Coca
Cola e Inca Kola es de 32,54% y 32,30% respectivamente y un 35,48%
de que sigan prefiriendo Kola Real.

20
PROBABILIDADES DEL ESTADO ESTABLE

Por lo tanto las probabilidades de los estados estables de los tres productos de
gaseosa son:

 P(CC) = 31, 8 %
 P(IK) = 32, 8 %
 P(KR) = 35, 3 %

A largo plazo la probabilidad de que los consumidores sigan eligiendo Coca Cola,
Inca Kola y Kola Real son de 31,8%, 32,8% y 35,3 % respectivamente.

21
LINKOGRAFÍA

[Link]

[Link]
[Link]

[Link]
in_y_muestra.html

[Link]
[Link]

[Link]
in_y_muestra.html

[Link]

[Link]

[Link]

[Link]

[Link]

[Link]

[Link]
graphs/introductory-concepts/data-concepts/why-collect-random-sample/

[Link]

[Link]
graphs/hypothesis-tests/basics/null-and-alternative-hypotheses/

[Link]
/doc/[Link]

[Link]

[Link]

[Link]
[Link]

[Link]
[Link]

[Link]

22