¿Hará sol mañana si hoy llueve? ¿Seguirá activo un cliente el mes próximo? Una cadena de Markov responde a este tipo de preguntas con una regla sencilla: la probabilidad del estado siguiente depende solo del estado presente. Esta calculadora trata el caso de dos estados. A partir de la probabilidad de pasar de A a B y de B a A, da la parte del tiempo a largo plazo en cada estado, la probabilidad tras n pasos, la velocidad de convergencia y el tiempo medio de retorno.
Cómo se hace el cálculo
Con las probabilidades de cambio p (de A a B) y q (de B a A):
- Régimen estacionario: parte en A = q ÷ (p + q); parte en B = p ÷ (p + q)
- Tras n pasos: P(A) = parte estacionaria + (inicio − parte estacionaria) × (1 − p − q)ⁿ
- Segundo valor propio = 1 − p − q, el factor por el que se reduce la diferencia en cada paso
- Tiempo medio de retorno a A = 1 ÷ parte estacionaria de A
- Tiempo medio antes de abandonar A = 1 ÷ p
Ejemplo
Un sistema arranca en el estado A (100 %) y pasa de A a B con probabilidad 0,3 y de B a A con 0,1 en cada paso. Las partes a largo plazo son del 25 % en A y del 75 % en B. Tras 5 pasos, la probabilidad de estar en A es 0,25 + 0,75 × 0,6⁵ = 30,83 %. El factor de convergencia es 0,6, y hacen falta 9 pasos para quedar a menos del 1 % de la parte a largo plazo. El sistema vuelve a A cada 4 pasos de media y permanece 3,33 pasos en A antes de salir.
Por qué es importante
Las cadenas de Markov son la base de los modelos meteorológicos, de la teoría de colas, de la clasificación de páginas web, de la fidelización de clientes y de muchos métodos de simulación. El caso de dos estados muestra las ideas sin matrices: el régimen estacionario, la velocidad con la que se olvida el punto de partida y el tiempo medio que se pasa en cada estado. Da respuestas rápidas a cuestiones de planificación, como el número de máquinas averiadas en un día medio.
Conviene saber
La cadena debe poder pasar de un estado al otro (dos probabilidades mayores que cero) para que exista un régimen estacionario. Si p + q = 1, la cadena olvida su punto de partida en un solo paso, y si p + q se acerca a 2 oscila. El modelo no tiene memoria: una racha de días de lluvia no se tiene en cuenta. Esta herramienta es didáctica.
En la práctica
Estima p y q a partir de datos: p es el número de pasos de A a B dividido entre el número de veces que el sistema estaba en A, y q igual para B. Compara las partes estacionarias con las partes observadas para ver si se sostiene la hipótesis de Markov.
Herramientas asociadas
La calculadora del tiempo de espera en una cola, la de probabilidades y la de esperanza matemática tratan ideas próximas.