Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIDAD 1
GUISELA GAITÁN GARAVITO
Descripción
Se presentan las aplicaciones de la teoría de probabilidades, para modelar el comportamiento
de sistemas que sufren variaciones aleatorias en el tiempo, en el análisis de procesos
estocásticos.
Al finalizar la unidad se espera que los participantes: definan que son los procesos estocásticos,
modelen por medio de Cadenas de Markov, de tiempo discreto o continuo, los sistemas
estocásticos que cumplen con la propiedad Markoviana. Calculen, para los diferentes estados
las probabilidades de transición, absolutas y de absorción. Evalúen alternativas de decisión
aplicando el proceso de decisión Markoviano.
Definiciones
Proceso: conjunto de fases sucesivas de un fenómeno.
Estocástico: ligado al azar.
Proceso estocástico: sucesiones de eventos gobernados por leyes de
probabilidad.
Sistema: conjunto estructurado de unidades relacionadas entre sí que
contribuyen a determinado objetivo.
Sistema estocástico es aquel que sufre cambios en el tiempo debido al azar.
Proceso estocástico ( conceptualización
matemática)
Un modelo matemático que se ajusta a un sistema estocástico donde una o
varias magnitudes (variables) se modifican en forma aleatoria en función del
tiempo.
Se entiende como una familia de variables aleatorias X(t) donde t es un punto en
el espacio T llamado espacio parametral, donde para cada t, xt es un punto en el
llamado espacios de estados S.
Los valores que puede tomar X(t) , x1, x2, ….,xk… se conoce como estados y el
cambio de estados se describen como transiciones entre estados, transición de
x i a xj .
Estados y transiciones
Ejemplo
En una biblioteca un lector la visita el mismo día de la semana, si ha terminado
de leer un libro solicita otro , de lo contrario lo vuelve a prestar haciendo una
renovación.
Se modelará el proceso de préstamos y renovaciones que hace el lector
La variable que se interesa medir en un día cualquiera es le número de
renovaciones que tiene el libro, asignando 0 cuando es un préstamo nuevo
Estados y transiciones
Los valores que puede tomar X y definen los estados son X(t) = 0, 1, 2, …..k…
El espacio de estados esta formado por: E0= solicita un libro nuevo
E1 solicita la primera renovación
Ek solicita la k ésima renovación
S = {Eo, E1 ….}
Las transiciones cuando X(t) = k solo pueden ser X(t+1) = 0 o X(t+1) = k +1
Para el espacio parametral se asigna el número de semana que se ha observado
el proceso
Semana 0 (el inicio), semana1, semana 2….. T = t0, t1, t2 , t.
Tipos de procesos
Serie discreta: S discreto y T discreto
Serie continua : S continuo y T discreto
Proceso discreto: S discreto y T continuo
Proceso continuo: S y T continuo
Los estados del sistema son un número finito o infinito numerable y mutuamente
excluyentes, los cambios de estado o transiciones no pueden producirse más que en
un instante definido de tiempo.
S = {E0, E1, E2……}
T = {0, 1, 2, 3, ….}
Propiedad Makoviana
Un proceso estocástico X(t), para todo t perteneciente a T, tiene la propiedad
Markoviana si cumple:
Dado el valor xt, la distribución de X(s) (s>t) no depende en forma alguna de un
conocimiento de x(u) ( u <t) .
El conocimiento futuro cuando se conoce el estado presente del proceso, no se altera
por el conocimiento adicional acerca del conocimiento pasado.
La probabilidad condicional de cualquier evento futuro dado cualquier evento pasado y
el estado actual ( tiempo t) es independiente del pasado y solo depende del estado
actual
P(X (t+1) = xj / X0= xo , X1= x1….Xt = xi ) = P (X (t+1)= xj / X(t )= xi) =pij
Para todo t y para toda pareja (i, j)
Cadenas de Markov de tiempo discreto
Es un proceso estocástico con un espacio parametral discreto y un espacio de
estados discretos, generalmente formando un conjunto finito, que cumple con la
propiedad Markoviana
Así, una cadena de Markov de tiempo discreto tiene las siguientes propiedades
1. Un número finito de estados.
2. Cumple con la propiedad Markoviana.
3. Probabilidades de transición estacionarias.
4. Un conjunto de probabilidades iniciales.
Probabilidad estacionaria
P( X(t+1) =E j / X(t) = E i) se conoce como probabilidad de transición
identificándola como pij, la probabilidad de que el sistema se encuentre en el
estado j dado que está en el estado i en la fecha t.
Estas probabilidades se dicen estacionarias ya que son independientes del
tiempo
Pij= P( X(m+n) = j / X(m) = i ) = P ( X(n) = j / X(0) = i )
t = |pij|
𝐸0 𝐸1 𝐸2
Un hombre maneja su carro o toma el taxi para ir a su trabajo cada día, de martes a sábado.
Suponga que nunca toma el taxi en día seguidos pero si maneja su auto, entonces, al día
siguiente es tan probable que maneje de nuevo o tome el taxi.
Presente el modelo de la cadena de Markov para estudiar el comportamiento del proceso a
partir de mañana martes.
Estados E0= maneja el auto E1= toma el taxi
t E0 E1
E0 0.5 0.5
E1 1 0
Pi(t+1) = Pi(t) * t
Pi (t=k) = Pi(0) tk
Ecuaciones de Chapnam Kolmogorov
Probabilidad de estar en el estado j en la fecha n partiendo del estado i
,pij (n) = S pik(m)* pkj(n-m) = S pik * pkj (n-1) = = S pik(n-1) * pkj
y se localiza en el elemento ij en t n
P(X(n) = xj / X(0) = xi )
Clasificación de estados
Accesibilidad: el estado Ej es accesible del estado Ei si pij (n) >0 para alguna n en el
espacio parametral.
◦ Probabilidad condicional de llegar a Ej después de n transiciones si se parte del estado Ei es
mayor que cero
Si el estado Ej es accesible de estado Ei y además el estado Ei es accesible del Ej,
entonces Ei y Ej se comunican.
Dos estados que se comunican se dice que son de la misma clase.
Si todos los estados son de la misma clase la cadena es irreducible
Condición suficiente para que todos los estados sean accesibles es que existe un valor n
para el cual pij (n) > 0 para todo j, se dice entonces que es una matriz regular.
Estado periódico
Un estado Ej es periódico de tiempo t si su regreso solo es posible en t, 2t,
3t…..pasos
,pij(n) = 0 cuando n no es divisible entre t
El periodo de un estado se define como el intervalo t
,p1’*p11+p2’*p21*p3’*p31 = p1’
P1’+p2’+p3’= 1
Despejando las ecuaciones se obtienen los valores de las probabilidades de estado estable para cada uno de lose
estados.
Tiempos de primera pasada
¿Cuántas transiciones hará el proceso para ir del estado Ei al estado Ej por primera vez?
Es el número de transiciones que hace el sistema para, que partiendo de un estado Ei,
se llegue al estado Ej por primera vez, y no es un número completamente determinado.
Es variable aleatoria (Y) toma los valores de 1, 2, 3, ………. Por lo que es importante
asignar la distribución de probabilidades
,fij(1) = pij