FARMACOLOGIA

TITULO: El Modelo de Decisin de Markov Permite la Seleccin Optima de Tratamientos para cada Estado de Salud AUTOR: Bala M, Mauskopf J TITULO ORIGINAL: Optimal Assignment of Treatments to Health State Using a Markov Decision Model: An Introduction to Basic Concepts CITA: Pharmacoeconomics 24(4):345-354, 2006 MICRO: La variacin del modelo original permite identificar la terapia ptima segn el estado de salud del paciente pero, al igual que el modelo de Markov estndar, tiene una utilidad ms limitada cuando la probabilidad de eventos futuros depende en parte de los antecedentes de la enfermedad y del individuo.

Introduccin

El anlisis de costo y eficacia se utiliza cada vez ms para mejorar la asignacin de los recursos y para determinar las ventajas verdaderas de los frmacos nuevos. Aunque todava no se defini con precisin cul es la mejor metodologa para realizar un estudio de este tipo, un panel de expertos de los National Institutes of Health de los EE.UU. estableci algunas recomendaciones al respecto. Por ejemplo, segn este grupo, cualquier anlisis de costo y eficacia acerca de una determinada intervencin clnica debe contemplar su costo y su efecto sobre la calidad de vida. En este sentido, los trabajos clnicos controlados suelen ser la principal fuente de informacin para los estudios de costo y eficacia pero no debe olvidarse que, en el caso de las enfermedades crnicas, estas investigaciones se asocian con una limitacin esencial: escaso tiempo de seguimiento en relacin con lo que sucede en la realidad. Por este motivo, la determinacin del efecto de un nuevo tratamiento sobre la evolucin de la enfermedad se complica; as, los datos que se obtienen en trabajos clnicos controlados deben extrapolarse mediante modelos adecuados que permitan establecer

la influencia a largo plazo de una determinada intervencin sobre los costos y la calidad de vida, tarea que por lo general es compleja. El modelo de Markov es un proceso que se utiliza para estimar los costos y la evolucin a largo plazo de enfermedades crnicas. Se basa en conceptos preestablecidos de cmo un paciente con cierta enfermedad crnica se "mueve" de un estado de salud a otro y determina la influencia de la intervencin sobre estos "pasajes". El modelo de Markov estndar evala el efecto de cierto nmero de estrategias teraputicas. La primera intervencin suele ser esencialmente distinta, mientras que las siguientes y sus consecuencias se captan a travs de las probabilidades de transicin y de los costos y las utilidades en relacin con los estados de salud aplicados en el modelo. No obstante, este proceso puede no ser adecuado cuando el objetivo no es establecer la terapia ptima para la fase inicial de la enfermedad sino tambin para los estados posteriores, en la medida que la enfermedad se modifica. Para este propsito, los autores describieron una modificacin del modelo inicial, el modelo de decisin de Markov, con el cual se pueden seleccionar ptimamente las terapias para cada estado de salud diferente. A diferencia del modelo tradicional, en el cual deben analizarse diversos escenarios posibles para captar todas las probabilidades diferentes, el modelo de decisin permite un anlisis ms flexible en relacin con los cambios de salud del paciente. Esta estrategia surge, en la medicina actual, como un aspecto de fundamental importancia para seleccionar la mejor terapia para pacientes con enfermedades crnicas, en especial debido a los mltiples frmacos que se introducen cada da en el mercado. No obstante, las opciones teraputicas nuevas no son siempre beneficiosas en trminos de costo y eficacia y una pregunta permanente en el mbito de la poltica sanitaria es si es adecuado tratar a los pacientes en forma intensiva -con drogas ms eficaces y ms caras- desde las primeras etapas de la enfermedad o dejar estas opciones para sujetos que no respondieron satisfactoriamente a las opciones convencionales de tratamiento. En este sentido, el modelo de decisin de Markov puede ser una herramienta muy til para responder este interrogante.

Modelos de Markov

El objetivo principal de cualquier anlisis de costo y eficacia consiste en comparar 2 tratamientos o ms para seleccionar el mejor, desde una perspectiva econmica en salud. Como se mencion, cuando se disean estos modelos muchas veces es necesario asumir cierto tipo de evolucin de la enfermedad ms all del tiempo habitual de observacin en los trabajos clnicos. Los modelos de Markov son aptos en este sentido, dado que permiten estimar los beneficios y los costos a largo plazo. El proceso del modelo incluye un diagrama de transicin en el cual cada estado de enfermedad se considera mutuamente excluyente, de manera tal que un paciente puede estar en un nico estado en un momento determinado. La probabilidad de transicin es la posibilidad que tiene el sujeto de pasar a otro estado. Un requisito fundamental en los modelos de Markov tradicionales es asumir que la probabilidad de eventos futuros depende exclusivamente del estado actual de la enfermedad y no de los antecedentes de la misma (propiedad markoviana). En el proceso normal se representa la historia natural de la enfermedad y los pacientes se mueven de un estado a otro. Para realizar un anlisis econmico es necesario estimar el costo y la utilidad promedios por ciclo para un paciente en cada estado; tambin se puede calcular el parmetro de aos de vida ajustados por calidad (QALY [quality adjusted life year]). En el modelo de Markov se analiza cmo un determinado tratamiento modifica este proceso, dado que algunas terapias nuevas pueden inducir el pasaje de un estado a otro de la enfermedad y otras -aunque no se asocian con beneficios a corto plazo- pueden modificar las probabilidades de transicin, con lo cual puede favorecerse la evolucin final. Mediante la estimacin del costo y de la eficacia de la nueva estrategia de tratamiento se determina el costo y la QALY promedios, con el nuevo tratamiento y sin l. Sin embargo, en ocasiones tambin es necesario establecer cules son los estados de salud ms apropiados para la nueva intervencin y las modificaciones en las decisiones en trminos de cambios en la enfermedad. De nuevo, el modelo de decisin de Markov permite contemplar estas posibilidades.

Modelo de decisin de Markov

Al igual que en el modelo estndar, se inicia con un grupo de estados de salud y con diversas opciones de tratamiento. Tambin incluye probabilidades de transicin de un estado a otro, dependientes en parte de la terapia que se utiliza. De esta forma, se puede evaluar una muestra para cada perodo de inters y para determinada opcin de tratamiento. As, a partir de los costos y de los beneficios globales se podr identificar cul es la mejor intervencin para la enfermedad. En cambio, el modelo de decisin identifica la mejor intervencin para cada estado de salud. Mediante este modelo es posible comprobar que una determinada droga puede ser ideal para tratar una enfermedad en estadio leve, mientras que otra puede serlo para el estadio moderado y una tercera puede ser la mejor alternativa para la enfermedad grave. En enfermedades progresivas, esta "poltica" se asocia con la mejor estrategia de terapia en relacin con la evolucin de la enfermedad. El modelo puede contemplar la estimacin de costos y beneficios para todas las combinaciones posibles de estados de enfermedad y de tratamiento (un camino bastante largo y difcil) o puede incluir una metodologa dinmica de programacin, habitualmente empleada cuando se requiere optimizar la secuencia de decisiones relacionadas. Sin embargo, para aplicar este ltimo recurso es necesario que se cumplan algunas propiedades.
Ejemplo ilustrativo del modelo de decisin de Markov

Los autores consideraron un paciente con infeccin por el virus de la inmunodeficiencia humana (VIH) para el cual se aceptaron 3 estados caractersticos de enfermedad: leve (recuento de clulas CD4+ de 200 a 500 cl/uL), moderado (CD4+ por debajo de 200 cl/L) y grave (equivalente al sndrome de inmunodeficiencia adquirida). Estimaron la posibilidad de tratamiento con una droga convencional y con otros 2 frmacos posibles, ms nuevos, y trabajaron con probabilidades de transicin anual preestablecidas. Con estos datos, al aplicar el modelo de decisin consideraron cul fue la mejor opcin farmacolgica para cada etapa de la enfermedad y cules fueron los costos y la QALY estimados a los 2 aos o a ms largo

plazo. As, es posible demostrar que una droga puede ser la ideal para tratar pacientes con enfermedad leve o moderada, mientras que otros frmacos representan la terapia inicial de eleccin para sujetos con enfermedad grave. En otras palabras, cuando el paciente se encuentra en las primeras etapas de la enfermedad estara justificado el tratamiento con drogas ms eficaces aunque sean ms costosas, dado que se asocian con la posibilidad de retrasar la progresin de la enfermedad; en cambio, en pacientes con enfermedad avanzada, los tratamientos ms costosos tal vez no brinden beneficios adicionales y su indicacin no parece estar justificada. Por ejemplo, en el caso de individuos con infeccin por VIH y sida, las nuevas estrategias de tratamiento no son favorables en trminos de costo y eficacia, dado que no evitan la progresin de la enfermedad. El modelo de decisin tambin revela que los tratamientos ptimos pueden variar segn el plazo que se analiza; de hecho, el beneficio de algunos frmacos con capacidad de demorar la progresin de la enfermedad puede no ser detectado si el "horizonte de tiempo" que se evala es demasiado corto y no permite captar la influencia de la enfermedad sobre el costo y la QALY. El tipo de enfermedad y la edad del paciente son factores esenciales en el momento de establecer el "tiempo de anlisis".
Antecedentes de tratamiento en los modelos de decisin de Markov

No existen dudas de que la consideracin de los antecedentes del paciente, en especial en relacin con su respuesta a terapias previas, es de gran utilidad para predecir la probabilidad de eficacia de tratamientos futuros. En este contexto y al tomar como ejemplo una enfermedad que puede encontrarse en actividad y remisin, se establecen numerosas situaciones al combinar el estado con la posibilidad de resistencia o de sensibilidad al tratamiento. Sin duda, la estrategia de un paciente que nunca fue tratado no es igual al de un sujeto que ha sido refractario a una determinada terapia.
Discusin

En sujetos con enfermedades crnicas, es frecuente que deban transcurrir muchos aos de tratamiento para que se manifiesten sus

beneficios. Por lo general, los modelos tradicionales de economa en salud predicen la evolucin a largo plazo segn marcadores obtenidos en trabajos de intervalos ms cortos. El modelo de decisin, una extensin del proceso original, permite determinar la mejor estrategia de terapia para cada estado de salud para pacientes con enfermedades crnicas. Estos modelos son cada vez ms tiles, en especial en el mbito de la oncologa y de la infectologa, porque permanentemente se introducen drogas nuevas, en teora ms eficaces pero tambin ms costosas. Entonces, vale la pena el tratamiento con estas drogas nuevas en todos los casos? Este proceso metodolgico nuevo parece de gran ayuda para contestar este interrogante en trminos de economa de la salud, aunque cabe mencionar que las decisiones definitivas deben contemplar otros mltiples aspectos, concluyen los autores. Ref: FARMA Resumen objetivo elaborado por el Comit de Redaccin Cientfica de SIIC en base al artculo original completo publicado por la fuente editorial. Sociedad Iberoamericana de Informacin Cientfica (SIIC) 2002

La Cadena de Markov Muchas de las ms poderosas tcnicas analticas aplicadas en negocios, estn basadas en la teora de la cadena de Markov. La cadena de Markov es un caso especial del proceso de Markov, el cual en si mismo es un caso especial del proceso aleatorio o estocstico. En trminos mas generales, un proceso aleatorio es una familia, o grupo ordenado de variables relacionadas X(t) donde t es un parmetro de indexacin, usualmente tiempo cuando se habla de realizar evaluaciones. Existen diferentes tipos de procesos aleatorios. Dos de las caractersticas ms distinguidas de los procesos son: (1) su estado espacial o el conjunto de valores del proceso que las variables aleatorias pueden tener, y (2) la naturaleza de los parmetros de indexacin. Podemos clasificar procesos aleatorios en cada una de estas dimensiones. 1. Estado Espacial: o estado- continuo: X(t) puede tomar cualquier valor sobre el intervalo continuo o conjunto de dichos intervalos o estado- discreto: X(t) tiene solo valores posibles contables o finitos. {x0, x1 ,xi,..} Un proceso aleatorio de estado- discreto es llamado comnmente una cadena. 2. Parmetro de Indexacin (normalmente es el tiempo t): o tiempo- discreto: los tiempos permitidos a los cuales los cambios en valores que puedan ocurrir son finitos o contables X(t) que pueden ser representados como conjunto {X i} o estado- continuo: los cambios pueden ocurrir en cualquier lugar dentro del intervalo finito o del conjunto de dichos intervalos
Cambios en los Estados del Sistema Continuas Continuo Tiempo Discreto Nivel de agua contenido en una represa Rango de temperaturas diarias Discretas Nmero de clientes en un banco Ventas al final del da

Una Clasificacin de Procesos Estocsticos

El estado de un proceso aleatorio de tiempo-continuo al tiempo t tiene un valor de X(t); el estado de un proceso de tiempo-discreto al tiempo n es el

valor de X p. Una cadena de Markov es un proceso aleatorio de estadodiscreto que comienza en el tiempo t (cadena de tiempo- continuo) o n (cadena de tiempo- discreto) que solo depende del estado actual X(t) o Xp, y ni de cmo la cadena alcanzo su estado corriente o de cuanto tiempo ha permanecido en ese estado. Consideramos una cadena de Markov de estadofinito de tiempo {Xt, t= 0, 1, 2, } con probabilidades de transicin estacionarias (condicionales): P [Xt+1 = j | Xt = i ] donde i, y j pertenecen al conjunto S. Supongamos que P = pij denota la matriz de probabilidades de transicin. Las probabilidades de transicin entre t y t + 1 son indicadas por pn ij y por la matriz de transicin Pn = Pn

Una Cadena Tpica de Markov con tres Estados y Sus Probabilidades Tradicionales Estimadas Elementos de una Cadena de Markov: Una cadena de Markov consiste de

Un nmero de estados finito Un estado recurrente al cual la cadena retorna con probabilidad Un estado el cual es no recurrente llamado estado transitorio. Un conjunto posible de estados cerrados y absorbidos. Una funcin de transicin probabilstica de estado a estado El estado inicial S0 con distribucin de probabilidad 0.

Representacin Esquemtica Pasajera, Estados Cerrados y Absorbidos En la figura anterior, el estado A es un estado absorbente. Una vez que el proceso entra en este estado, no lo abandona. Similarmente, los estados Dl, D2, y D3 representan un conjunto cerrado. Despus de haber introducido D1, el proceso se puede mover a D2 o D3, pero no puede hacer otra transicin a ningn otro estado. En contraste, los estados Bl, B2 y B3 representan un conjunto pasajero, conectando el estado absorbente A con el conjunto cerrado D. Dos Cadenas de Markov Especiales:

Cadena de Ruina de Gambler: Esta cadena es un camino aleatorio sobre S con barreras adsorbentes. La Cadena de Camino Aleatorio: Esta cadena es un camino aleatorio sobre S con barreras reflexivas.

El Resultado Principal: Si el lmite de pn ij = j existe con n aproximaciones, la distribucin limitante o estacionaria de la cadena = {j puede ser encontrada mediante la resolucin del siguiente sistema de ecuaciones lineales: P = Ejemplo Numrico: La siguiente matriz representa una cadena de Markov de cuatro estados con la matriz de probabilidad pasajera:
|0,25 0,20 0,25 0,30| |0,20 0,30 0,25 0,30| P= |0,25 0,20 0,40 0,10| |0,30 0,30 0,10 0,30|

Note que la suma de cada columna en esta matriz es uno. Cualquier matriz con estas propiedades es llamada matriz de probabilidad o matriz de Markov. Estamos interesados en la pregunta siguiente:

Cul es la probabilidad de que el sistema este en el isimo estado, al n-simo perodo de transicin? Para responder esta pregunta, primero definimos el vector estado. Para una cadena de Markov, la cual tiene k estados, el vector estado para un periodo de observacin n, es el vector columna definido por

x1 x2 x(n) =
. .

xk

donde xi = probabilidad de que el sistema es en el isimo estado al momento de la observacin. Note que la suma de las entradas del vector estado tiene que ser uno. Cualquier vector columna x,
x1 x2 x=
. .

xk

donde x1+ x2+ . +xk = 1 [x1,x2,. ,xk] es llamado un vector probabilidad. Considere nuestro ejemplo - suponga que el vector de estado inicial x0 es:
1 0 0 0

x(0) =

En el prximo periodo de observacin digamos, al final de la primera semana, el vector estado ser

0,25 0,20 x(1)= Px(0)= 0,25 0,30

Al final de la 2da semana el vector estado es Px1

|0,2550 | |0,2625 |0,20 0,30 0,25 0,30| |0,20| = | x(2) = Px(1) = |0,2325 |0,25 0,20 0,40 0,10| |0,25| = | |0,2500 |0,30 0,30 0,10 0,30| |0,30| = | |0,25 0,20 0,25 0,30| |0,25| =

Note que podemos calcular x2 directamente utilizando x0 como x(2) = Px(1) = P(Px(0)) = P2 x(0) Similarmente, podemos encontrar el vector estado para 5to, 10mo, 20avo, 30avo, y 50avo perodos de observacin.
0,2495 0,2634 0,2339 0,2532 0,2495 0,2634 0,2339 0,2532 0,2495 .2634 0,2339 0,2532

x(5)= P5x(0) =

x(10)= P10x(0) =

x(20)= P20x(0) =

0,2495 0,2634 x(30) = 0,2339 0,2532

0,2495 0,2634 x(50) = 0,2339 0,2532

Los mismos resultados limitantes pueden ser obtenidos resolviendo el sistema de ecuaciones lineales P = utilizando este JavaScript, el cual sugiere que el vector estado se aproxima a algunos vectores fijos, mientras el nmero de perodos observaciones incrementa. Este no es el caso para cada cadena de Markov. Por ejemplo, si
P= 0 1 1 0

,y
x(0) = 1 0

Podemos calcular el vector estado para diferentes perodos de observacion:

x(1) = |0| (2) |1| (3) |0| (4) |1| |1| ,x = ,x = ,x = ,......., x(2n) = , y x(2n+1) = |1| |0| |1| |0| |0| |0| |1|

Estos clculos indican que el sistema oscila y que no se aproxima a ningn a ningn vector fijo. A usted podra gustarle utilizar el JavaScript de Multiplicacin de Matrices y Calculador-I de la Cadenas de Markov para comprobar sus clculos y realizar algunas experimentaciones numricas para una comprensin mas profunda de estos conceptos.

1. Que es un Sistema? Los sistemas estn formados por diferentes partes reunidas de una manera particular a fin de conseguir un objetivo. La relacin entre las partes determina lo que el sistema hace y como funciona en general. Por lo tanto, habitualmente las relaciones entre un sistema son ms importantes que las de cada una de las partes individualmente. En general, los sistemas son bloques de componentes bsicos para otros sistemas llamados subsistemas. La Dinmica de un Sistema: Un sistema que no cambia es un sistema esttico. Muchos de los sistemas econmicos son sistemas dinmicos, lo cual significa que cambian a travs del tiempo. Nos referimos al modo que un sistema cambia en el tiempo como el comportamiento del sistema. Cuando el desarrollo del sistema sigue un patrn de conducta tpico, decimos que el sistema tiene un modelo de comportamiento. Sea cual sea el tipo de sistema esttico o dinmico, esto depender del horizonte temporal y de las variables que sean usadas. El horizonte temporal es el perodo de tiempo dentro del cual se estudia el sistema. Las variables son valores cambiables sobre el sistema. 2. Recursos: Los recursos son los elementos constantes que no se cambian durante el horizonte de tiempo del pronstico. Los recursos son los factores que definen el problema de decisin. Las decisiones estratgicas tienen por lo general horizontes temporales ms largos que las decisiones tcticas y operacionale. 3. Pronsticos: Los valores de entrada del pronstico estn definidos por el entorno del que toma las decisiones. Los valores de entradas no controlables deben ser pronosticados o predichos. 4. Decisiones: Los valores de decisin abarcan toda la coleccin de vas de accin que se puedan tomar. 5. Interaccin: Las Interacciones entre todos los componentes de decisin incluyen las funciones lgicas y matemticas que representan las relaciones de causa-efecto entre los valores de entrada (insumos), recursos, pronsticos, y el resultado (outputs). Las interacciones son el tipo de relacin ms importante que se encuentran envueltas en el proceso de toma de decisiones. Cuando el resultado de una decisin depende del curso de accin, cambiamos uno o ms factores del problema situacional con el objetivo de causar un cambio deseable en algn otro factor del mismo. Tendremos xito si logramos conocer el comporamiento sobre la interacciones entre los componentes del problema. Adicionalmente, podra existir algn grupo de restricciones que se aplican a cada uno de estos componentes. Por lo tanto, no necesitan ser tratados separadamente.

6. Acciones: La Accin es la decisin final y por lo tanto necesita la mejor estrategia para conseguir el objetivo deseable. La toma de decisiones implica la seleccin de un conjunto de accin (medios) para lograr los objetivos de los encargados de tomar decisiones (resultados.) La manera en la cual nuestro conjunto de acciones afecta el resultado de las decisiones depender de como de cmo el pronstico y las otras variables de entrada se encuentren interrelacionadas y de la manera como las mismas se relacionan con el resultado. Controlando el Problema de Decisin (Oportunidad): Pocos problemas en vida, una vez solucionados, permanecen de la misma manera. El cambiar condiciones tiende a deteriorar soluciones previamente encontradas, y sus soluciones crean nuevos problemas. Se necesita identificar y anticipar estos nuevos problemas. Recuerde: Si no puede controlar algo, mdalo a fin de pronosticarlo o predecirlo.. El pronstico es una prediccin de lo que ocurrir en el futuro, y esto es un proceso incierto. A causa de la incertidumbre, la exactitud del pronstico es tan importante como el resultado predicho por el mismo. Este sitio web presenta una descripcin general de las tcnicas de pronstico para negocios, las cuales se encuentran clasificadas en la figura siguiente:

Acercamiento Progresivo al Modelado: El Modelo para la toma de decisiones implica dos partes diferentes: Una es el ente encargado y con poder de toma de decisiones y el otro es el analista, el cual es el constructor del modelo. El analista debe asistir al tomador de decisiones en dicho proceso. Por lo tanto, el analista debe estar capacitado con ms que un conjunto de mtodos analticos. Toma de Decisiones Cuantitativa: Las Escuelas de Direccin y Gerencia de Negocios son cada vez ms exitosas en la incorporacin de mas y ms estudiantes tomando programas de estudio a todo el nivel. En particular, existe un mercado creciente para cursos de conversin o cambios como Master en Direccin y Gerencia de Negocios, as como tambin en programas de post

grado en Administracin de Empresas (MBA.) En general, una fuerte base matemtica no es un requisito imprescindible para la admisin a estos programas. Las percepciones del contenido se encuentran frecuentemente enfocadas en reas de una buena comprensin funcional del negocio tales como en Mercadeo, Recursos Humanos, Contabilidad, Estrategia, Produccin y Operaciones. La toma de decisiones cuantitativas, como pretende este curso, es un concepto desconocido, el cual es a menudo considerado como demasiado difcil y demasiado matemtico. Obviamente, este curso puede jugar un papel importante para la formacin de personas cursando estudios en programas de especializacin en Direccin y Gerencia de Negocios, como por ejemplo en el rea de Finanza. A menudo, especialistas en la construccin de modelos tienden a estudiar un problema, y luego desarrollar de manera aislada un modelo matemtico complicado para que sea usado por el gerente (es decir, el ente con poder de decisin.) Lamentablemente, el gerente podra no entender este modelo, por lo cual podra confiar y usar ciegamente en el o simplemente rechazarlo. El especialista podra pensar que el gerente es demasiado ignorante y poco sofisticado para apreciar el modelo, mientras que el gerente puede creer que el especialista vive en un mundo de ensueo de asunciones poco realistas y con un lenguaje matemtico irrelevante. Dicha falta de comunicacin puede ser evitada si el gerente trabaja en conjunto con el especialista para desarrollar un modelo simple que proporcione un anlisis ordinario pero comprensible. Despus de que el gerente le ha tomado confianza al modelo, se podran agregar detalles adicionales y un mayor grado de sofisticacin, quizs de manera gradual. Este proceso requiere inversin de tiempo por parte del gerente y un inters sincero por resolver los problemas del gerente por parte del especialista, ms que en la creacin y explicacin de modelos sofisticados. La construccin progresiva de este tipo de modelos es comnmente referido al acercamiento de bootstrapping , el cual es el factor ms importante para la determinacin de una implementacin exitosa de un modelo de decisin. Adicionalmente el acercamiento de bootstrapping simplifica la difcil tarea de validacin y verificacin de los procesos del modelo.

Modelos Efectivos para una Buena Toma de Decisiones Qu es un modelo? Un Modelo es una representacin externa y explcita de una parte de la realidad, el cual es visto por individuos que desean usarle para entender, cambiar, manejar y controlar esa parte de la realidad.

"Por qu se han diseado tantos modelos y solo se usan unos pocos?" Esta es una pregunta discutida a menudo dentro de la comunidad del Modelamiento Cuantitativo (MC.) La formulacin de la pregunta parece simple, pero los conceptos y teoras que deben ser manejados para darle una respuesta son mucho ms sofisticados. Existe un proceso de seleccin de "entre los muchos modelos diseados"a "los pocos modelos utilizados?" Y de ser as, cuales son las propiedades particulares que estos "pocos agraciados" tienen? Este sitio primero analiza varias definiciones de "modelos" presentados en la literatura de MC, y propone una sntesis de las funciones que un modelo puede manejar. Luego procede a definir el concepto de "realizacin", y progresivamente cambiamos de un modelo tradicional "de diseo a realizacin" como punto de partida a la teora general de un modelo de diseo/ implementacin, visto como un proceso de construccin cruzada entre el modelo y la organizacin en la cual es puesto en prctica. Por lo tanto, la organizacin no es considerada como un simple entorno, sino como un componente activo en el diseo de los modelos. Esto lgicamente conduce a seis modelos de implementacin: el modelo tecncrata, el modelo poltico, el modelo directivo, el modelo autodidacta, el modelo de conquista y el modelo experimental. Obteniendo xito en la Implementacin de un Modelo: A fin de que el analista tenga xito en la realizacin de un modelo, el mismo debe tener tanto validez como ser legtimo, aqu estn algunas pautas: 1. Debe estar listo para trabajar en cooperacin cercana con los diferentes agentes estratgicos con el objetivo de adquirir un entendimiento armonioso en el contexto organizacional. Adicionalmente, el MC debera tratar constantemente de discernir el grano de los valores de la organizacin desde sus partes ms circunstanciales. 2. El MC deber intentar lograr un equilibrio entre el nivel de sofisticacin y complejidad del modelo, as como tambin el nivel de competencia de los agentes participantes. El modelo debe ser adaptado tanto para la disponibilidad y para la capacidad cognoscitiva de los agentes participantes. 3. El MC debera intentar hacerse familiar con las diversas preferencias prevalecientes en la organizacin. Esto es importante porque la interpretacin y el uso del modelo variarn segn las preferencias dominantes de los varios agentes dentro de la organizacin. 4. El MC deber asegurarse de que los posibles usos instrumentales del modelo estn bien documentados y que los agentes estratgicos en el proceso de toma de decisiones tengan suficiente conocimiento al respecto, as como tambin que se sientan confiados del contenido y funcionamiento del modelo. 5. El MC debera estar preparado para modificar o desarrollar una nueva versin del modelo, y de ser necesario, hasta preparar un modelo

completamente nuevo que permite una exploracin adecuada de formulacin de problema que fue imprevista, proporcionando nuevas alternativas de solucin. 6. El MC deber asegurarse de que el modelo desarrollado proporciona una proteccin o holgura suficiente en el modelo para que los agentes participantes puedan ajustarse y reajustarse a las situaciones creadas por el modelo. 7. El MC debera ser consciente con las ideas y conceptos preconcebidos por los agentes en cuanto a la definicin del problema y las soluciones posibles; muchas decisiones al respecto podran haber sido tomadas implcitamente mucho antes de que se hayan hecho explcitas. En los modelos en los cuales se basan las tomas de decisiones, se esta particularmente interesado en la idea del diseo para la aplicabilidad de acciones. Modelos descriptivos y prescritos: Un modelo descriptivo es a menudo una funcin de figuracin y abstraccin basada en la realidad. Sin embargo, un modelo prescrito lleva desde la realidad a un modelo una funcin del plan de desarrollo, los medios de acciones, y luego lo lleva desde el modelo devuelta a la realidad. Es importante distinguir entre los modelos descriptivos y prescritos desde el punto de vista de la distincin del anlisis tradicional entre el conocimiento y la accin. De hecho, los modelos prescritos son los puntos ms lejanos en una cadena cognoscitiva, de prediccin y de toma de decisiones. Por qu el modelado? El objetivo de los modelos es ayudar a disear soluciones. Los mismos deben asistir al entendimiento del problema y ayudar a la deliberacin y opcin para permitirnos evaluar las consecuencias de nuestras acciones antes de ponerlos en prctica. El principio de racionalidad asume que el tomador de decisiones es capaz de optimizar, pero slo dentro de los lmites de su representacin del problema de decisin. Tal exigencia es absolutamente compatible con muchos resultados de la sicologa de la memoria: Un experto usa estrategias recopiladas en su memoria a largo plazo y soluciona problemas de decisin especficos con la ayuda de su memoria de trabajo a corto plazo. La solucin de problemas es la toma de decisiones que envuelve heursticas tales como el principio de satisfaccin y disponibilidad. Esto implica evaluaciones generales de alternativas que podran ser respaldadas por la memoria de trabajo a corto plazo, y la misma debera ser compatible con varias escalas de inters. La toma de decisiones podra ser vista como el logro de un proceso de informacin ms o menos complejo, en el anclaje de la

bsqueda de una estructura dominante: El tomador de decisiones actualiza su representacin del problema con el objetivo de encontrar una alternativa que domine el resto de ellas, por ejemplo; en una aproximacin matemtica que se basa en sistemas dinmicos con tres principios bsicos: 1. Mezquindad: El tomador de decisiones usa cantidades pequeas de la informacin. 2. Confiabilidad: La informacin procesada es suficientemente relevante para justificar - personalmente o socialmente - resultados de decisin. 3. Flexibilidad: La informacin procesada puede cambiar una decisin en otra. La Ciencia Cognoscitiva nos proporciona un acercamiento a un sistema cognoscitivo, el cual en general es una asociacin de un dispositivo fsico en funcionamiento que es sensible a los cambios en el ambiente mediante la percepcin y accin, con una visin que genera actividades mentales diseadas tales como operaciones, representaciones, clasificaciones y/ o programas que conducen a estrategias eficientes para la resolucin de problemas. Las actividades mentales actan sobre el ambiente, el cual reacciona en contra del sistema mediante la percepcin producida por representaciones. El diseo y realizacin de sistemas humanos centrados en la planificacin, control, decisin y razonamiento requiere el estudio de las esferas operacionales de un sistema cognoscitivo en tres dimensiones:

En una dimensin ambiental, donde primero las acciones realizadas por un sistema cognoscitivo pueden ser observadas mediante los cambios en el ambiente; y segundo, la comunicacin es un modo observable de los cambios entre diferentes sistemas cognoscitivos. Una dimensin interna, donde actividades mentales; es decir, la memorizacin y el procesamiento de la informtica generan cambios de los estados internos del sistema. Estas actividades son influenciadas sin embargo por factorizaciones parciales a travs del medio ambiente tales como planificacin, decisin, y razonamiento. Una dimensin autnoma, donde la adquisicin del aprendizaje y el conocimiento realzan actividades mentales conduciendo a las nociones de autoreflexin y conciencia.

Validacin, y Verificacin: Como la parte del proceso de calibracin de un modelo, el modelador debe validar y verificar el modelo. El trmino validacin es aplicado a estos procesos, el cual procura determinar si un modelo es correcto o no con respecto al sistema "real". En trminos ms comunes, la validacin se encarga de responder la pregunta Estamos

construyendo el modelo correcto? "Por otra parte la verificacin procura contestar la pregunta Estamos construyendo el modelo correctamente?"

Balanceando el xito en los Negocios Sin sistema mtrico, la actividad de gerenciar podra estar en las nebulosas, si cree que es imposible, intntelo. Cmo podemos decir que hemos logrados nuestros objetivos si no sabemos cuales son? Cmo sabemos si nuestras estrategias de negocio son eficientes si las mismas no han sido bien definidos? Por ejemplo, se necesita una metodologa para medir el xito y establecer objetivos desde la perspectiva financiera y operacional. Con este tipo de medida, cualquier negocio puede manejar su visin estratgica y ajustarla para cualquier cambio. El establecimiento de medidas de comportamiento es de perspectivas mltiples, al menos desde el punto de vista financiero, del cliente, de innovacin, de aprendizaje, y de procesos internos de la compaa.

La perspectiva financiera proporciona una visin de como los accionistas ven la compaa; es decir, la lnea de fondo de la compaa. La perspectiva del cliente proporciona una visin de como los clientes ven la compaa. Mientras la perspectiva financiera se encarga de los valores proyectados de la compaa, la innovacin y el aprendizaje preparan mediciones que ayudan a la compaa a competir en ambientes econmicos sujetos a cambios. El foco para la innovacin es la creacin de nuevos o mejores procesos y productos que los ya existentes. La perspectiva de los procesos internos de la compaa proporciona una vista de lo que es necesario mejorar para que la misma sea competitiva. Por lo tanto el foco de esta perspectiva es la traduccin de medidas basadas en clientes a mediciones que reflejan las operaciones internas de la compaa. Cada una de las cuatro perspectivas anteriores debe ser considerada con respecto a los siguientes cuatro parmetros: 1. Objetivos: Qu necesitamos para lograr convertirnos en exitosos? 2. Medidas: Qu parmetros usaremos para saber si somos exitosos? 3. Blancos: Qu valores cuantitativos usaremos para determinar el xito de la medida? 4. Iniciativas: Qu necesitamos hacer para lograr nuestros objetivos?

Obviamente, no es suficiente con producir un instrumento para documentar y monitorear el xito. Sin una implementacin y liderazgo apropiado, el crear una medida de comportamiento simplemente se mantendr como un ejercicio mas que a un sistema para manejar el cambio.

Modelamiento para Pronsticos El pronstico es un insumo necesario para la planificacin ya sea en un negocio o en el gobierno. Con frecuencia los pronsticos son generados de manera subjetiva y a un costo muy elevado para los grupos de discusin. Inclusive cuando mtodos cuantitativos son relativamente simples, estos pueden por lo menos suministrar informacin para tales discusiones. Recopilacin de Datos para la Verificacin de un Modelo: la Recopilacin de datos es a menudo considerada "muy costosa". En efecto, la tecnologa "relaja" sumente en el sentido de que cada vez nos hacemos mas dependientes de dispositivos y herramientas tecnolgicas; Sin embargo, datos confiables son necesarios para verificar un modelo cuantitativo. Los modelos matemticos, sin importar lo elegante o sofisticado que sean, algunas veces escapan de la apreciacin del tomador de decisiones. En otras palabras, algunas personas piensan algebraicamente, mientras que otros hacen de manera geomtrica. Cuando los datos son complejos o multidimensionales, existen buenas razones para trabajar con ecuaciones, aunque la apelacin al intelecto tiene una connotacin mas real: La belleza est a la vista de otros observadores - no a la vista suya, sino en udted mismo. El organigrama siguiente destaca el desarrollo sistemtico de las fases del modelado y el pronstico:

El organigrama anterior es til para:

Entender el mecanismo subyacente cuando se generan series de tiempo. Esto incluye explicar y describir cualquier variacin de estacionalidad, tendencia, etc. Predecir el futuro bajo la condicin de que el negocio se comporta de manera "usual". El sistema de control trabaja bajo los escenarios de "que pasa si."

La Estadstica para Pronstico: La seleccin de la metodologa para la implementacin de pronstico correcta siempre ha sido un asunto importante de planificacin y control para la mayora de las firmas y agencias. Con frecuencia, el bienestar financiero de toda la operacin depende de la exactitud del pronstico dado que dicha informacin ser utilizada para tomar decisiones de presupuesto y de operacin en reas tales como gerencia de personal, compras, publicidad y mercadeo, financiamiento de capitales, etc. Por ejemplo, cualquier error de ventas realizada por arriba o por debajo del valor estimado podra generar problemas de costos de acumulacin inventarios para la firma o perdidas en ingresos por desabastecimiento anticipado de inventarios. Cuando la demanda es relativamente estable, es decir, invariable o a una tasa creciente o decreciente constante, hacer un pronstico mas preciso es menos complicado. Si por lo contrario la empresa presenta

informacin histrica de alzas y bajas en los patrones de venta, la complejidad del trabajo de pronstico es mucho mas complicado. Existen dos aproximaciones bsicas de pronstico. La estimacin de un valor futuro est basada en anlisis de factores que, como se cree, influirn en valores futuros, es decir, el mtodo explicativo o de prediccin est basada en un estudio inferido de los comportamientos pasados de los datos, lo que esconocido como el mtodo de extrapolacin. Por ejemplo, la creencia que los niveles de venta corriente de ropa para muecas aumentar debido a una campaa publicitaria reciente ms bien que a la proximidad de la Navidad ilustra la diferencia entre las dos filosofas. Es posible que ambos acercamientos conduzcan a la creacin de pronsticos exactos y tiles, pero se debe recordar que, hasta para un grado modesto de exactitud deseada, el mtodo anterior es a menudo ms difcil de validar y poner en prctica que el ltimo. Autocorrelacin: la Autocorrelacin es la correlacin consecutiva de series de tiempo igualmente espaciadas entre sus miembros. Los trminos alternativos son la correlacin rezagada, y la persistencia. A diferencia de los datos estadsticos que son muestras aleatorias que nos permiten realizar anlisis estadsticos, las series de tiempo son fuertemente autocorrelacionadas, haciendo posible la prediccin y el pronstico. Existen tres instrumentos para evaluar la autocorrelacin de una serie de tiempo, estos son: la serie de tiempo de planificacin , la planificacin de rezagos, y por lo menos los primeros y segundos valores de orden de la autocorrelacin. A usted podra gustarle utilizar el Javascript Estadsticos de Series de Tiempo para realizar alguno de los clculos estadsticos necesarios para una investigacin preliminar de sus series de tiempo.

CADENAS DE MARKOV

Una cadena de markov consta de unos estados E1 E2 E3 E4..En. que inicialmente en un tiempo 0 o paso 0 se le llama estado inicial, adems de esto consta de una matriz de transicin que significa la posibilidad de que se cambie de estado en un prximo tiempo o paso.
MATRIZ DE TRANSICIN: Una matriz de transicin para una cadena de Markov de n estado es una matriz de n X n con todos los registros no negativos y con la propiedad adicional de que la suma de los registros de cada columna (o fila) es 1. Por ejemplo: las siguientes son matrices de transicin.

REPRESENTACIN GRAFICA DE UNA MATRIZ DE TRANSICIN: Es el arreglo numrico donde se condensa las probabilidades de un estado a otro. A travs de una grafica de matriz de transicin se puede observar el comportamiento estacionario representado por una cadena de Markov tal que los estados representan la categora en que se encuentre clasificado. Como se aprecia a continuacin:

PROPIEDADES: 1- la suma de las probabilidades de los estados debe ser igual a 1. 2- la matriz de transicin debe ser cuadrada. 3- las probabilidades de transicin deben estar entre 0 y 1

La mejor manera de entender que es una cadena de markov es desarrollando un ejemplo sencillo de estas mismas como el siguiente. Ej. 1. En un pas como Colombia existen 3 operadores principales de telefona mvil como lo son tigo, Comcel y movistar (estados). Los porcentajes actuales que tiene cada operador en el mercado actual son para tigo 0.4 para Comcel 0.25 y para movistar 0.35. (estado inicial) Se tiene la siguiente informacin un usuario actualmente de tigo tiene una probabilidad de permanecer en tigo de 0.60, de pasar a Comcel 0.2 y de pasarse a movistar de 0.2; si en la actualidad el usuario es cliente de Comcel tiene una probabilidad de mantenerse en Comcel del 0.5 de que esta persona se cambie a tigo 0.3 y que se pase a movistar de 0.2; si el usuario es cliente en la actualidad de movistar la probabilidad que permanezca en movistar es de 0.4 de que se cambie a tigo de 0.3 y a Comcel de 0.3.
Partiendo de esta informacin podemos elaborar la matriz de transicin.

La suma de las probabilidades de cada estado en este caso operador deben ser iguales a 1

Po= (0.4 0.25 0.35)

estado inicial

Tambin se puede mostrar la transicin por un mtodo grafico

Ahora procedemos a encontrar los estados en los siguientes pasos o tiempos, esto se realiza multiplicando la matriz de transicin por el estado inicial y asi sucesivamente pero multiplicando por el estado inmediatamente anterior.

Como podemos ver la variacin en el periodo 4 al 5 es muy mnima casi insignificante podemos decir que ya se a llegado al vector o estado estable.

Ej 2. Suponga que en el mercado se consiguen 3 tipos de gaseosas colas que son: coca cola, Pepsi cola y big cola cuando una persona a comprado coca cola existe una probabilidad de que la siga consumiendo de el 75%, un 15% de que compre Pepsi cola y un 10% de que compre big cola; cuando el comprador actualmente consume Pepsi existe una probabilidad de que la siga comprando de 60%, un 25% que compre coca cola y un 15% big cola; si en la actualidad consuma big cola la probabilidad de que la siga consumiendo es del 50%, un 30% que compre coca cola y 205 pepsi cola. En la actualidad cada marca cocacola, Pepsi y big cola tienen los siguientes porcentajes en participacin en el mercado respectivamente (60% 30% 10%)

Elaborar la matriz de transicin Hallar la probabilidad que tiene cada marca en el periodo 5

Respuesta Matriz de transicin

NOTA: estos ejercicios se pueden realizar en Excel utilizando la funcin de multiplicar matrices.

http://investigaciondeoperaciones2markov.blogspot.com/p/teoria-y-ejemplos.html http://www.youtube.com/watch?v=hEXsrZzD93E