2 Seccin

FORMAS CUADRTICAS

EL SIGNO DE LAS FORMAS CUADRTICAS

Gustavo Vzquez
Sea la forma cuadrtica:
a)

q1 = 4u 2 + 4uv + 3v 2

1) En primera instancia, obtenemos la matriz asociada a la forma cuadrtica

propuesta, que en este caso refiere a una forma de dos variables.
La expresin matricial de la forma es:

4 2 u
v]

2 3 v

[u

Definimos, entonces, a la matriz A como la matriz asociada a la forma

cuadrtica propuesta:

4 2
A=

2 3
La matriz asociada a una forma cuadrtica se obtiene en este caso,
posicionando los coeficientes correspondientes a los trminos cuadrticos,
siempre, en la diagonal principal, mientras que, los coeficientes de trminos de
productos cruzados se dividen en partes iguales y se ubican fuera de la
diagonal (similar razonamiento se realiza al tratar con matrices de mayor
dimensin).
Luego, debemos obtener el signo de la forma cuadrtica, para lo cual
distinguimos tres tipos de procedimientos:
1) algoritmo de completar cuadrados
2) determinacin del signo por medio del estudio del signo de los autovalores
3) por determinantes
En nuestro ejemplo, tomamos la matriz asociada a q1 y obtenemos los
menores principales,

A1 = 4 > 0
A2 =

4 2
=8>0
2 3

Por lo tanto, al ser ambos determinantes positivos, la forma cuadrtica q1 es

definida positiva.

Es de notar, entonces, que para el ejercicio planteado al comienzo, todo lo que

debe hacerse es calcular los autovalores de la matriz asociada a la forma
cuadrtica. Para ello, partimos de la ecuacin matricial:

A (2 x 2 ) u (2 x1 ) = u (2 x1 ) ,
donde, A es, en este caso la matriz asociada a la forma cuadrtica, u es el
vector que llamamos caracterstico y es el escalar, denominado raz
caracterstica o autovalor. Replanteando la ecuacin anterior, tenemos:

( A I )u = 0 (2 x1)
Presentado el sistema de ecuaciones, pretendemos encontrar una solucin no
trivial para el vector u, de manera que debemos exigirle a la matriz ( A I ) que
sea singular, o lo que es lo mismo, que su determinante sea igual a cero:

A I =

4
2
=0
2
3

Desarrollamos el determinante y obtenemos la ecuacin caracterstica:

(4 )(3 ) 4 = 0
12 4 3 + 2 = 0
2 7 + 8 = 0
Calculamos las races del polinomio caracterstico, obteniendo:

7 17
1,44 > 0
2
7 + 17
2 =
5,56 > 0
2

1 =

Por lo tanto, corroboramos por este procedimiento, tambin, que la forma

cuadrtica q1 es definida positiva.

b)

q 2 = 4 x1 5 x 2 2 x3 + 4 x1 x 2
2

1) En primer lugar, expresamos la forma cuadrtica, al igual que en el ejemplo

anterior, en trminos matriciales, para luego obtener la matriz asociada,

[x1

x2

0
4 2

x3 ] 2 5 0
0
0 2

x1
x
2
x3

Donde la matriz asociada denotada con la letra A ser, en este caso,

 4
A = 2
0

2
5
0

0
0
2

2) Para utilizar el criterio del algoritmo de completar cuadrados, debemos

tener en cuenta cules son las condiciones que definen el signo para el caso
de formas cuadrticas de tres o ms variables.
Teniendo en cuenta tales condiciones, procedemos entonces a hallar los
menores principales (recuerde que los menores principales son los
subdeterminantes de A ; as, A1 es el subdeterminante a11 , y A2 es el
subdeterminante

a11

a12

a12

a 22

).

Calculamos a partir de la
correspondientes a nuestro
continuacin:

matriz asociada, los menores principales

ejercicio. Los resultados se exponen a

A1 = 4 < 0
4

A3 = 2

0 = 32 < 0

A2 =

= 16 > 0

Finalmente, la forma cuadrtica q 2 es definida negativa, pues:

( 1)1 ( 4) = 4 > 0 ; ( 1)2 (16) = 16 > 0 ; y ( 1)3 ( 32) = 32 > 0.

2) Para utilizar el criterio de los autovalores, partimos de la ecuacin matricial
siguiente:

A(3 x3) x(3 x1) = x(3 x1)

Comparando con el ejercicio anterior, observamos que al agregarse una
tercera variable, las dimensiones de las matrices y vectores de la expresin
cambian tambin. Reordenando la expresin, obtenemos el sistema de
ecuaciones:

( A I )x = 0 (3 x1)
Planteamos, como paso siguiente, la condicin de singularidad de la matriz
( A I ) que nos garantiza la bsqueda de soluciones no triviales.

4
2
0
A I = 2
5
0 =0
0
0
2
Luego, mediante la resolucin del determinante, obtenemos el polinomio
caracterstico.

( 4 )( 5 )( 2 ) [4( 2 )] = 0

(20 + 9 + )( 2 ) + 8 + 4 = 0
2

40 38 112 3 + 8 + 4 = 0

3 + 112 + 34 + 32 = 0
Obtenemos, entonces, las races caractersticas:

1 2,44 < 0;

2 6,56 < 0; 3 = 2 < 0.

Por lo tanto, al ser todas las races caractersticas de signo negativo, podemos
afirmar tambin, que la forma cuadrtica q 2 resulta ser definida negativa.

c)

q3 = x1 + 2 x1 x 2 4 x 2 6 x 2 x3 3 x3
2

1) En primer lugar, expresamos la forma cuadrtica en forma matricial y

destacamos, seguidamente, la matriz asociada a la forma:

[x1

x2

0 x1
1 1

x3 ] 1 4 3 x 2 ,
0 3 3 x3

Donde,

0
1 1

A = 1 4 3
0 3 3
es la matriz asociada a la forma cuadrtica q3 .
2) Pasamos, entonces, a determinar el signo de q3 , de acuerdo con el
algoritmo de completar cuadrados, segn el cual definimos ya, las condiciones

correspondientes en trminos de los menores principales de la matriz A . A

continuacin calculamos los mismos, para el ejercicio propuesto,

A1 = 1 < 0
A2 =

1 1
=3>0
1 4

1 1 0
A3 = A = 1 4 3 = 0
0 3 3
Si se observan las condiciones presentadas en el ejercicio anterior, en el que
se abord una forma cuadrtica de tres variables, observamos que

( 1)1 ( 1) = 1 > 0 ; ( 1)2 (3) = 3 > 0 ; y ( 1)3 (0) = 0 , corresponden a las condiciones

suficientes para clasificar a la forma cuadrtica

negativa.

q3 como semidefinida

3) El procedimiento para hallar el signo de la forma cuadrtica, basado en el

clculo de los autovalores de la matriz asociada a q3 , permitir verificar el
resultado anterior, slo que en este caso, de verificarse el signo, estaramos
tratando con condiciones necesarias y suficientes.
Partimos de la ecuacin matricial:

A(3 x 3 ) x(3 x1) = x(3 x1) ,

y reordenamos la expresin de la misma forma que en la forma cuadrtica
propuesta anteriormente, es decir:

( A I )x = 0 (3 x1)
Expresamos la condicin que garantiza una solucin no trivial del sistema
planteado,

1
1
0
A I = 1
4
3 = 0
0
3
3
Desarrollamos, luego, el determinante para obtener la expresin polinmica
caracterstica. Tenemos entonces:

( 1 )( 4 )( 3 ) [9 ( 1 ) + ( 3 )] = 0

(4 + 5 + )( 3 ) [ 9 9 3 ] = 0
2

 12 19 82 3 + 12 + 10 = 0

3 + 8 2 + 9 = 0
Las races caractersticas, resultan ser

1 = 0; 2 1,35 < 0; 3 6,64 < 0.

Las i

races (i = 1,.2,3) 0 , expresan las condiciones necesarias y

suficientes para que la forma cuadrtica q3 sea semidefinida negativa.

d)

q 4 = u 2 + 2uv + 2v 2 + 6vz + 5 z 2 + 4uz

1) Comenzamos, al igual que lo hicimos en los ejercicios anteriores,

planteando la forma cuadrtica en trminos matriciales, expresin que
permite visualizar la matriz asociada a la forma:

[u

1 1 2 u
z ] 1 2 3 v
2 3 5 z

De donde tomamos la matriz asociada:

1 1 2
A = 1 2 3
2 3 5
2) A partir de la matriz obtenida, y teniendo en cuenta el primero de los
criterios examinados al comienzo, calculamos los menores principales
correspondientes a la matriz A , asociada a la forma cuadrtica q 4 .

A1 = 1 > 0;
A2 =

1 1
= 1 > 0;
1 2

1 1 2
A3 = A = 1 2 3 = 0
2 3 5

Luego, la forma cuadrtica q 4 es semidefinida positiva, pues los Ai menores

principales (i =1,2,3), resultan ser todos mayores a cero, excepto el ltimo de
los determinantes calculados, que tal como lo requieren las condiciones
planteadas, es igual a cero.
3) Nuevamente, si empleamos el criterio relacionado con las races
caractersticas provenientes de la matriz asociada a la forma cuadrtica,
estaremos clasificando la misma de acuerdo a condiciones necesarias y
suficientes. Para ello, procedemos expresando, en primera instancia, la
ecuacin matricial:

A(3 x 3 ) u (3 x1) = u (3 x1) ,

de la cual, previo reordenamiento, obtendremos el sistema de ecuaciones que
sigue,

( A I )u = 0 (3 x1)
Repetimos la imposicin de singularidad a la matriz
permite definir la expresin:

( A I ) ,

lo cual nos

1
1
2
A I = 1
2
3 =0,
2
3
5
De la cual obtenemos la ecuacin caracterstica, desarrollando previamente el
determinante. Este procedimiento se expone a continuacin:

(1 )(2 )(5 ) + 6 + 6 [4(2 ) + 9(1 ) + (5 )] = 0

(10 17 + 2

3 + 12 [22 14 ] = 0

3 82 + 3 = 0
Calculamos las races caractersticas y obtenemos los siguientes autovalores:

1 = 0;
2 0,39 > 0;
3 7,6 > 0.

Al ser los i autovalores (i:1,2,3) mayores o iguales que cero, verificamos que
efectivamente la forma cuadrtica q 4 es semidefinida positiva.

q5 = 2uv 2uz v 2 4vz z 2 + 6w 2

e)

1) En este caso, la expresin matricial de la forma cuadrtica enunciada es la

siguiente:

[u

0 1 1 0 u
1 1 2 0 v
;
w]
1 2 1 0 z

0
0 6 w
0

por lo tanto, la matriz asociada es:

0 1 1 0
1 1 2 0

A=
1 2 1 0

0
0 6
0
2) De la matriz obtenida en el paso anterior, hallamos los menores principales,
necesarios para el anlisis de las condiciones que darn el signo de la forma,
de acuerdo con el procedimiento de completar cuadrados.

A1 = 0;
A2 =

0 1
= 1 < 0;
1 1

0 1 1
A3 = 1 1 2 = 2 < 0;
1 2 1
0 1 1
1 1 2
A4 =
1 2 1
0 0 0

0
0
= 12 < 0.
0
6

De acuerdo con el criterio enunciado en el ejercicio 2, acerca de las

condiciones que deben darse para que la forma cuadrtica, de ms de tres

variables, sea semidefinida negativa, observamos que en este caso no se

verifican, puesto que el primer menor principal es nulo, y para ser clasificada
de esta manera deba de ser nulo el cuarto de los menores principales, el cual,
para el ejercicio que llevamos adelante, resulta ser negativo. No verificndose
ninguna de las dems condiciones enunciadas, de acuerdo con el criterio que
intentamos aplicar, la forma cuadrtica es entonces, indefinida.
2) Nos valemos, an, del segundo criterio para evaluar la definicin de la
forma cuadrtica, lo que nos permitir corroborar la indefinicin de q3 .
Partimos, como en los casos anteriores, de la ecuacin matricial:

A (4 x 4 ) u (4 x1 ) = u (4 x1 )
De la misma y reordenando obtenemos la expresin del sistema de ecuaciones:

( A I )u = 0 (4 x1)
Fijamos, entonces, la condicin que nos permitir obtener una solucin no
trivial,

1
1
0
1 1
2
0
A I =
=0
1
2
1
0
0
0
0
6
De aquella, desarrollamos el determinante de acuerdo con la regla de Laplace,
obteniendo el polinomio caracterstico:

1
( 1)

+ (1) ( 1)

[18 15

0 + (1) ( 1) 1 1
6

0
0 +
6

1 1
0
1
2
0 +0 = 0
0
0
6

] [

] [

+ 4 3 + 4 + 12 + 7 2 + 6 + 7 2 = 0

4 + 43 172 + 32 12 = 0

Calculamos las races caractersticas

resultado, los siguientes autovalores:

del

polinomio,

obteniendo

como

1 = 0;
2 0,27 < 0;
3 3,73 < 0;
4 = 6 > 0.
Observamos que los signos de los autovalores obtenidos varan, lo cual indica
que q5 es una forma cuadrtica indefinida.

IDENTIFICACIN DE UNA CNICA MEDIANTE LOS AUTOVALORES DE LA

MATRIZ DE LA FORMA CUADRTICA QUE LA REPRESENTA
Juan Montalvo Bressi
La expresin ax 2 + by 2 = 1 , a, b
Condicin

, representa:

ab < 0
a b a, b > 0
a=b>0
[ a = 0 b 0] [ a 0 b = 0]

Figura
Hiprbola
Elipse
Circunferencia
Dos rectas paralelas

(Tabla 1)

Estas figuras resultan simtricas con respecto a los dos ejes de coordenadas.
Cuando las figuras estn rotadas sobre el origen, su expresin algebraica no
permite a simple vista determinar de qu tipo se trata (salvo la circunferencia,
que no vara).
Por ejemplo, las expresiones x 2 + 3 xy + y 2 = 1 y x 2 + xy + y 2 = 1 representan una
hiprbola y una elipse respectivamente.

Sea ax 2 + bxy + cy 2 = 1 , a, c 0 y vamos a suponer, sin prdida de generalidad,

a c . Reescribimos la forma cuadrtica en forma matricial:

[ x1

a b 2 x1
y1 ]
=1
b 2 c y1

o en forma compacta

X 1T AX 1 = 1
La matriz A es simtrica, y por esto diagonalizable a travs de un cambio de
base ortogonal.

A = P 1 DP X 1T P 1 DPX 1 = 1
Definiendo PX 1 = X 2

( PX 1 )T = X 2T
X 1T PT = X 2T
Por ser P una matriz ortogonal, PT = P 1

(1)

X 2T = X 1T P 1
La expresin original resulta entonces

y2 ] 1
0

X 2T DX 2 = 1 [ x2

0 x2
= 1 1 x22 + 2 y22 = 1
2 y2

Entonces podemos clasificar a la figura segn la Tabla 1.

Ejemplo 1:
Identificar la figura representada por x 2 + 3 xy + y 2 = 1

x 2 + 3xy + y 2 = 1 [ x

1 3 2 x
y]
=1
3 2 1 y

1 3 2
son:
3 2 1

Los autovalores de la matriz

1 = 5 2, 2 = 1 2 ,
y la matriz P compuesta por los vectores propios es:

2 2
2 2

2 2 2 2

5 2 1 2
u v =1
2
2

Los ejes originales son x e y, y los ejes transformados son u y v. Las

coordenadas de los versores de los ejes u y v referidas a los ejes x e y son las
componentes de los autovectores que componen la matriz P.

Ejemplo 2:
Identificar la figura representada por x 2 + xy + y 2 = 1

x 2 + xy + y 2 = 1 [ x

1 1 2 x
y]
=1
1 2 1 y

1 3 2
son
3 2 1

Los autovalores de la matriz

1 = 3 2, 2 = 1 2 ,
y la matriz P compuesta por los vectores propios es

2 2
2 2

2 2 2 2

3 2 1 2
u + v =1
2
2

Los ejes originales son x e y, y los ejes transformados son u y v. Las

coordenadas de los versores de los ejes u y v referidas a los ejes x e y son las
componentes de los autovectores que componen la matriz P.
Las transformaciones ortogonales son movimientos, y stos conservan las
longitudes de los segmentos, las amplitudes de los ngulos, en suma, la forma
de las figuras, y por lo tanto su rea.
Es por esto que para calcular el rea de la elipse del ejemplo anterior podemos
hacerlo sobre la elipse transformada.

Ejemplo 3:
El rea de una elipse ax 2 + by 2 = 1 es igual a a b . Como la elipse

x 2 + xy + y 2 = 1 , se representa en forma cannica como

3
.
resulta igual a 3 1 =
2
2 2

3 2 1 2
u + v = 1 , su rea
2
2

Si la transformacin P no fuera ortogonal, PT P 1 y la deduccin hecha

anteriormente no es vlida.

ELIMINACIN DE LA DEPENDENCIA LINEAL ENTRE LOS ACTIVOS DE

UNA CARTERA
Gonzalo Gamenara
Como la matriz de varianzas y covarianzas es una matriz simtrica hay un
teorema que asegura que es diagonalizable mediante un cambio de base
ortonormal que llamar P.
Formalmente:

V T = V P / PT * P = P * PT = I PDPT = V
Donde:

X T VX = Varianza de la cartera
X= composicin de la cartera
Llamando PT * X = X y reemplazando V por PDPT = V se puede arribar a:

X TVX = X T * P * D * PT * X =

= ( PT * X ) * D * ( P * X ) = X T *D * X
T

Luego:

X T *D * X = Varianza de la cartera

Abriendo la expresin:

X T *D * X =

= ( x1

x2

x3

1 0

0 2
....... xn ) 0 0

0 0

0
0

3
0

0 x1

...... 0 x2
..... 0 x3


.... n xn

......

X T *D * X = ( x1 ) 1 + ( x2 ) 2 + ( x3 ) 3 + ....... + ( xn ) n
2

Suponiendo que xi es la cantidad adquirida de una cartera, donde i puede

ser interpretado como la varianza de dicho activo, puede observarse que para
i=1;2;3;....;n y i j se verifica que:
= 0 Diagonalizando, a partir de un
i; j

conjunto de n activos correlacionados se llega a n carteras linealmente

incorrelacionadas.
Lo que sera necesario ver ahora es cul sera la interpretacin financiera de
xi .
Partiendo de X = PT * X y siendo P una matriz ortonormal ( PT = P 1 ), luego:

 1;1

2;1
T
P * X = 3;1

n;1

1;2 1;3
2;2 2;3
3;2 3;3

1;n x1 x1
2;n x2 x2
3;n x3 = x3

n;n xn

n;2 n;3

x
n

Donde i ; j es el componente i del autovector j.

Luego:
n

xi = i ;1 * x1 + i ;2 * x2 + i ;3 * x3 + ........ + i ;n * xn = i ; j * x j
j =1

Teniendo en cuenta que la rentabilidad de una cartera puede expresarse

matricialmente de la siguiente manera:

x1

x
Rn ) 2 = RT * X


xn

R p = xi Ri = ( R1
i =1

R2

RT * P * X = ( PT * R ) X
T

y recordando que:
1;1

2;1
T
P = 3;1

n ;1

1;1

2;1
T
P * R = 3;1

n;1

1;2
2;2
3;2

1;3
2;3
3;3

n ;2

n ;3

1;2 1;3
2;2 2;3
3;2 3;3
n;2 n;3

Luego:
n

1;i * Ri
i =1

2;i * Ri

T
P * R = i =1

*R
n ;i i
i =1

1; n
2; n
3; n

n ; n

1;n R1
2;n R2
3;n R3

n;n Rn

Entonces

i =1

j ;i

* Ri representa la rentabilidad de un activo C j y x j la

proporcin a invertir en dicho activo para constituir la cartera. Los activos C j

se arman en funcin de los coeficientes de la matriz de cambio de base P. Si se
quisiera averiguar el riesgo de C j se podra armar un portafolio donde x j =1 y

xi = 0i j .Entonces, la varianza del activo ser:

1

0
1
.......
0

(
) 0

0 0

......

2
..... 0 1 = j = C
j


.... n 0

......

Por lo cual, j representa la varianza del activo C j .

Esto implica que todos los j sern no negativos.
Si un j fuera igual a cero, entonces se podra comprar un activo que tuviese
varianza nula. Es lo mismo que decir que a partir de activos riesgosos se
podr constituir una cartera libre de riesgo.
Ahora podramos demostrar que si existe un activo libre de riesgo entonces
debe existir por lo menos un j =0. En otras palabras vamos a demostrar la
relacin recproca.
Sea X / X N X T *V * X = 0 , o sea, X es el vector de las proporciones a
invertir en activos Ri que dan como resultado un portafolio libre de riesgo. Por
otro lado, X es un vector no nulo. Luego por ser P una transformacin lineal
de cambio de base, por lo tanto biyectiva, luego el transformado de X ser otro
vector no nulo. Entonces desarrollando:

X / X T *V * X = X T * ( P * D * PT ) * X =
= ( PT * X ) * D * ( PT * X ) = X T *D * X = 0
T

Es decir que se puede conformar una cartera libre de riesgo. Esta puede ser
expresada en funcin de los activos incorrelacionados. Entonces

X T *D * X = 0

( x1

x2

x3

1 0

0 2
....... xn ) 0 0

0 0

0
0

......
......

.....

....

0 x1

0 x2
0 x3 = 0


n xn

X T *D * X = ( x1 ) 1 + ( x2 ) 2 + ( x3 ) 3 + ....... + ( xn ) n = 0
2

Al ser X un vector no nulo x j 0 y como los j son no negativos por

representar las varianzas de los activos linealmente incorrelacionados, luego el
correspondiente j debe ser igual a cero para que la igualdad anterior se
verifique.
Entonces puede afirmarse que la matriz de varianzas y covarianzas ser
invertible si y slo si, cuando no sea posible conformar una cartera libre de
riesgo a partir de los n activos iniciales. Esto se verifica dado que la matriz V
y D son semejantes, con lo cual tienen el mismo determinante.
Para determinar cules son las condiciones que deben cumplir los coeficientes
de correlacin para que sea posible conformar una cartera libre de riesgo, solo
es necesario expresar la matriz de varianzas y covarianzas a partir de los
coeficientes de correlacin, e igualar su determinante a cero:

21
1;2 1 2
V = 1;3 1 3

1;2 1 2
22
2;3 2 3

1;3 1 3 ...... 1;n 1 n

2;3 2 3 ...... 2;n 2 n
23
..... 3;n 3 n = 0

1;n 1 n

2;n 2 n

3;n 3 n

2n

....

Sacando factor comn i en cada columna i y en cada columna j y

aplicando propiedades de determinantes se puede llegar a la siguiente
conclusin:

1;2
V = 1;3

1;2

1;3 ...... 1;n

2;3 ...... 2;n
1
..... 3;n

2;3

i =1

1;n

2;n

3;n

....

2
i

=0

Como todo i es distinto de cero por tratarse de activos riesgosos, luego la

condicin de no inversibilidad de la matriz de varianzas y covarianzas puede
extraerse de igualar a cero el determinante de la matriz de coeficientes de
correlacin lineal.
Ejemplificar para carteras de dos y tres activos:
n=2:

V =

1;2

1;2

2
i2 = 1 ( 1;2 ) i2 = 0

I =1

( 1;2 ) = 1 1;2 = 1
2

I =1

n=3:

1
V = 1;2

1;3

1;2
1

1;3
2;3

2;3

i =1

2
i

=
2

= 1 + 2 1;2 2;3 1;3 1;32 2;32 1;2 2 i2 = 0

i =1

1 + 2 1;2 2;3 1;3 1;3 2;3 1;2 2 = 0

2

Conclusiones:

Como la matriz V y D son matrices semejantes puede asegurarse que V

ser invertible siempre y cuando no exista un j =0. Esto implica que no ser
posible constituir una cartera libre de riesgo a partir de activos riesgosos si la
matriz de varianzas y covarianzas es invertible.

Diagonalizando apropiadamente, toda la teora de la cartera puede ser

reducida al estudio de activos incorrelacionados.

Las condiciones en las cuales la matriz V no ser invertible, y por lo

tanto no se podr generar carteras libres de riesgo, pueden extraerse
igualando a cero la matriz de coeficientes de correlacin.

Es posible que la matriz V no sea invertible, cuando pueda constituirse

una cartera libre de riesgo pero con rentabilidad negativa como en el caso de
dos activos perfectamente correlacionados. Esto se puede llegar a tomar como
un costo fijo por eliminacin de riesgo.

La diagonalizacin de la matriz de varianzas y covarianzas puede servir

de algoritmo de clculo que simplifique desarrollos posteriores ms complejos.

CADENAS DE MARKOV
Natalia Ins Montilla
En este trabajo voy a presentar un problema que se encuentra dividido en 3
partes, segn su nivel de complejidad. En la primera parte, el problema no
presenta ningn punto absorbente. En la segunda, presenta uno. Y en la
tercera, presenta dos.
1RA Parte:
Tras un exhaustivo estudio de mercado sobre el comportamiento de los
usuarios de servicio de telefona mvil, se concluy que:

El 10% de los mismos se hallaba totalmente conforme con su servicio

El 40% no estaba totalmente satisfecho y no le molestara cambiarse de

compaa

El resto estaba totalmente insatisfecho y deseoso de encontrar otra.

Asimismo, en el estudio (que consider perodos de un ao) se destac que:

De los que estaban conformes, al ao siguiente, el 50% se encontrar

conforme, un 40% no se encontrar totalmente satisfecho y un 10% se
encontrar insatisfecho.

De los que no estn totalmente satisfechos, un ao despus, el 2% se

encontrar totalmente conforme, el 18% se encontrar insatisfecho, y el 80%
restante seguir no totalmente satisfecho.

Y por ltimo, de los que estn insatisfechos, el 1% estar totalmente

conforme, el 37% no se encontrar totalmente satisfechos, y el 62% seguir
insatisfecho.
aSi consideramos 3 categoras: conformes, no totalmente satisfechos e
insatisfechos Qu porcentaje de usuarios estarn en cada categora en 5
aos?
bDe los que no estn totalmente satisfechos, qu porcentaje estarn
insatisfechos en 5 aos?
cEn el largo plazo, cmo se distribuirn?
Resolucin de la primera parte:
aEn esta parte, la matriz de transicin de probabilidades es:

0.5 0.4 0.1

P = 0.02 0.8 0.18

0.01 0.37 0.62

OBSERVACIN:

La primera columna, as como tambin la primera fila, se refieren a la

categora de totalmente conformes, la segunda a la de no totalmente
satisfechos, y la tercera a la de insatisfechos


Para recordar cmo interpretar la matriz: el elemento de la primera fila
y segunda columna es la probabilidad de que los que hoy estn conformes en
el prximo perodo no estn totalmente satisfechos.

Los elementos de las filas suman 1 (por qu?)

Para conocer la distribucin en una t cantidad de perodos, debo encontrar
(t ) siendo:

(t ) = ( 0) .P t
(Siendo (0) el vector de distribucin inicial)
Esto se debe a que:

X t .P = X t +1
ya que en un proceso de Markov, por definicin, slo influye el pasado
inmediato, es decir:

P ( X t +1 = Eit +1 / X t = Eit ; X t1 = Eit 1 ;...; X 0 = Ei0 )

X 0 .P = X 1
X 1 .P = X 2

X 0 .P t = X t
Volviendo a la pregunta: para conocer la distribucin en los 5 perodos
posteriores:

(5) = (0) .P 5
(0) = [0.1;0.4, 0.5]
0.056 0.65 0.294

P = 0.032 0.656 0.312

0.03 0.64 0.33

5

(0) .P 5 = [0.0334;0.6474;0.3192] = (5)

OBSERVACIN: ver que todos los elementos del vector suman 1.

Interpretando el resultado:
En 5 aos, el 3.34% estarn conformes, el 64.74% no se encontrar
totalmente satisfechos y el 31.92% estar insatisfecho.
OBSERVACIN: Los porcentajes anteriores son probabilidades condicionadas,
tambin se pueden hallar esperanzas condicionadas. Es decir, dada la
cantidad inicial, buscar una cantidad que se espera haya en cada categora.

Para esto, habra que reemplazar en el vector inicial (0) cada porcentaje, por
la cantidad de cada categora, y posmultiplicarlo por P5 . La interpretacin del
resultado es anloga a la interpretacin del resultado anterior.
bEn este punto es necesario cambiar el vector inicial, ya que estaramos
considerando que actualmente TODOS se encuentran no del todo satisfechos.
Cambiando esto, el resto sigue la misma lgica que el punto anterior:

(0) = [0;1;0]
(5) = (0) .P 5
El nuevo (5) sera

(5)

0.056 0.65 0.294

= [0;1;0].0.032 0.656 0.312

0.03 0.64 0.33

Interpretando el resultado:
De los que actualmente no estn totalmente satisfechos con su servicio,
en 5 aos, el 3.2% se encontrar conforme, el 65.6% seguir no totalmente
satisfecho y el 31.2% estar insatisfecho.
La respuesta al ejercicio sera: de los que, actualmente, no estn del todo
satisfechos, el 31.2% se encontrar insatisfecho en 5 aos.
OBSERVACIN: Los porcentajes anteriores son probabilidades condicionadas,
tambin se pueden hallar esperanzas condicionadas. Es decir, dada la
cantidad inicial, buscar una cantidad que se espera haya en cada categora.
Para esto, habra que reemplazar el 1 de ( 0) por el nmero que hubiera
originalmente en esa categora.
El vector ( 5) es igual a la segunda columna de la matriz P 5 (por qu?)

cPara resolver este punto hay que recordar algo de teora: Toda matriz de
Markov tiene un autovalor igual a uno y los dems son en mdulo menor a la
unidad.

X 0 .P t = X t
siendo P

nxn

Resolviendo la ecuacin en diferencias:

X t = V1 .1 + V2 . 22 + ... + Vn .n n
donde 1 = 1 y j 1 | j = 2;3;...; n
Cuando hago t
X t = V1

X *t = V1
X * .P = X *

La probabilidad converge a X*, a este vector se lo llama vector punto fijo.

(Imponiendo la condicin de que sus componentes sumen 1, ya que es un
vector de probabilidad).
El sistema queda:

X* P= X*

x j = 1
Haciendo ( X * .P ) = ( X *)t
t

P t X *t = X *t

El vector punto fijo es el autovector de la matriz correspondiente a =1

Nuestra matriz P:

0.5 0.4 0.1

P = 0.02 0.8 0.18

0.01 0.37 0.62

El autovector correspondiente al autovalor 1:

X*= [1/3 1/3 1/3] (recordar la condicin de que los elementos del vector deben
sumar 1)
Interpretando el resultado: en el largo plazo habr por cada categora un tercio
de los usuarios.
2DA Parte:
Ahora consideremos el caso de que hubiera otra posibilidad, la de que un
usuario se cansara de la telefona mvil y no volviera nunca ms a utilizar tal
servicio. Con unas nuevas probabilidades de transicin, de tal manera que
nuestra matriz quede:

 0.4 0.4 0.1 0.1

0.02 0.7 0.08 0.2

P=
0.01 0.27 0.42 0.3

0
0
1
0
ACLARACIN: La cuarta fila/columna se refiere al abandono por parte del
usuario del servicio de telefona mvil.
En este caso la matriz presenta un estado absorbente, el cual se puede
fcilmente identificar con un 1 en la diagonal principal en la fila
correspondiente a dicho estado (en el resto de las filas tiene que haber 0, por
qu?)
Pregunta: en el largo plazo, cuntos usuarios habr en cada categora?
Respuesta: slo habrn ex usuarios que se hayan cansado del servicio de
telefona mvil (esto se puede sacar de manera intuitiva).
3RA Parte:
(La complicacin aumenta cuando hay ms de un estado absorbente).
Ahora supongamos que los usuarios que se encuentren insatisfechos nunca
dejen de estarlo, quedando la matriz:

0.2 0.6 0.1 0.1

0.3 0.4 0.2 0.1

P=
0
0
1
0

0
0
1
0
Inicialmente los usuarios se reparten de la siguiente manera:
Conformes: 30%
No totalmente satisfechos: 70%
a- En dos perodos, qu proporcin de usuarios habr en cada categora?
b-Qu proporcin de usuarios abandonarn el servicio de telefona mvil y
qu proporcin se quedar insatisfecho?(en el largo plazo)
c-Cul es el nmero promedio de perodos en que los usuarios se
encontrarn en cada uno de los estados no absorbentes?
aEste punto se resuelve exactamente igual que los anteriores. Es decir, busco
(2) , siendo (2) = (0) .P 2

( 0 ) = [ 0 .3; 0 .7; 0; 0 ]
0.22 0.36 0.24 0.18

0.18 0.34 0.31 0.17

2

P =
0
0
1
0

0
0
1
0

 (2) = [ 0.192;0.346;0.289;0.173]
OBSERVACIN: Aunque a esta altura parezca innecesario recordarlo: siempre
conviene verificar que la suma de los elementos del vector de 1.
Interpretando el resultado: En dos aos el 19.2% se encontrar conforme, el
34.6% no estar totalmente satisfecho, el 28.9% estar insatisfecho y el
restante 17.3% se habr cansado de la telefona mvil.
bParticionando la matriz P:

0.2 0.6 0.1 0.1

0.3 0.4 0.2 0.1

P=
0
0
1
0

0
0
1
0
0.2 0.6
H =

0.3 0.4
0.1 0.1
G=

0.2 0.1
0 0
N =

0 0
1 0
I =

0 1
1

Necesito hallar: ( I H ) . G = Q . G

0.6

0.4

0.63 0.37

( I H ) .G =
1

Interpretando el resultado: El 60% de los que actualmente estn conformes, se

encontrarn insatisfechos, mientras que el restante 40% se habr cansado de
la telefona mvil. El 63% de los que actualmente no se encuentran totalmente
satisfechos se encontrarn insatisfechos, mientras que el restante 37% estar
cansado de la telefona mvil.
cPara esta pregunta, utilizamos la matriz Q, denominada matriz fundamental.

2
2
1

Q = ( I H ) =
1 2.67
Interpretando el resultado: El usuario totalmente conforme pasar, en
promedio, 2 perodos conforme y 2 perodos no totalmente satisfecho, antes de
pasar a los estados absorbentes. Mientras que, el usuario que no est
totalmente satisfecho, pasar, en promedio, 1 ao estando conforme y 2.67
aos estando no totalmente satisfecho, antes de pasar a los estados
absorbentes.