Proceso de Ramificación en tiempo continuo

Teoría de la Renovación.
La teoría de la renovación es la rama de la teoría de la probabilidad que generaliza los procesos de
Poisson para tiempos de retención arbitrarios. Estudia una clase de procesos estocásticos
conocidos como procesos de conteo, es decir, procesos que registran el número de repeticiones
de cierto evento, con la característica de que los tiempos de ocurrencia entre dos eventos
consecutivos son variables aleatorias no negativas, independientes e idénticamente distribuidas.
Cada variable corresponde a un suceso, y es una variable aleatoria que cuenta el número de
Los procesos de ramificación son una parte de las matemáticas que trata de explicar el
crecimiento o decrecimiento de sistemas cuyos componentes se reproducen siguiendo leyes
estocásticas.
En teoría de la probabilidad, un proceso estocástico de tiempo continuo (o continuo en el espacio
y el tiempo) es un proceso estocástico para el cual el índice temporal t asume un rango continuo
(usualmente en los números reales), esto contrasta con los procesos estocásticos de tiempo
discreto donde la variable temporal sólo puede asumir valores no-continuos (dentro de un
conjunto numerable, usualmente los números naturales).

sucesos ocurridos en el intervalo de tiempo. Algunas aplicaciones incluyen el cálculo del tiempo de
espera en una fila de banco, el ciclo de un motor, la regulación de un reloj para la perfección en el
funcionamiento del mecanismo, la comparar los beneficios a largo plazo de las diferentes pólizas
de seguros. Lo más importante del proceso de renovación es la medición de tiempo en un ciclo.
El objetivo principal de la teoría de renovación es deducir propiedades sobre ciertas variables
asociadas al proceso a partir del conocimiento de las características de la variable.
Proceso de Ramificación Discreto en la Teoría de Colas.
En teoría de la probabilidad, un proceso estocástico de tiempo discreto es un proceso estocástico
en el que la variable temporal toma solo valores discretos (usualmente números naturales), estos
procesos pueden aproximar procesos más complejos como los procesos estocásticos de tiempo
continuo donde el tiempo admite un rango continuo (usualmente números reales). En una
terminología alternativa, se pueden denominar procesos de parámetro discreto.
Supongamos que tenemos un modelo GI/G/1 y queremos calcular el tiempo medio de espera en
cola. En una simulación tenemos una lista de tiempos entre llegadas y una lista de tiempos de
servicio generados al iniciarse la simulación de modo que los únicos instantes de tiempo
interesantes (cuándo llega un cliente determinado, cuándo entra en el servicio y cuándo se va) son
ya conocidos. Como entre dos de estos instantes consecutivos no sucede nada que afecte al
sistema, a la hora de efectuar cálculos, avanzamos en el tiempo de forma discreta saltando de uno
de estos tiempos al siguiente. Por ejemplo, el tiempo de espera del cliente k-ésimo se obtiene a
Una clase más restringida de procesos de tiempo continuo son los «procesos completamente
continuos» para los cuales tanto la variable índice es continua como las trayectorias de muestra
del proceso lo son, dado que puede existir confusión, a veces puede ser necesario distinguir
adecuadamente entre el tipo general y el subtipo.
En su versión más simple, describen la descendencia de un individuo que tiene hijos iguales a él en
cantidad aleatoria (0, l o más), siguiendo una distribución probabilística. Estos nuevos individuos
tienen a su vez hijos en número aleatorio independiente pero siguiendo la misma distribución y así
sucesivamente. La población así generada puede extinguirse en un número finito de generaciones
o extenderse a lo largo de infinitas generaciones. Todos los individuos son aquí de un mismo tipo
en el sentido que producen descendencia siguiendo la misma ley de probabilidad. En los procesos
multitipo confinitos tipos (1,2, ...,n) hay más de una distribución de probabilidad. Los individuos
son de distinto tipo, según cuál de estas distribuciones les corresponde.
Parámetros de tiempo continuo
Sea (Ω, Σ, P) un espacio de probabilidad, sea T un cierto intervalo de tiempo,
y sea X : T × Ω → S un proceso estocástico. Por simplicidad, se tomará como
espacio de estados S la recta real R (esta limitación es fácil de eliminar y
generalizar), pero las mismas definiciones funcionan mutatis mutandis si S
RN, un espacio vectorial normado o incluso un espacio métrico general.

partir del instante en que llega al servicio y el instante en que el cliente (k-1)-ésimo sale del
sistema. Si hacemos la media de los tiempos de espera de los primeros 100 clientes, tendremos
una aproximación del tiempo de espera medio en esa cola.

Las cadenas de Markov en tiempo continuo (CMTC) verifican que dado el proceso en un
conjunto de tiempos anteriores al instante t, la distribución del proceso en el instante t depende
sólo del instante de tiempo anterior más próximo a t. En los negocios, las cadenas de Markov
se han utilizado para analizar los patrones de compra, los deudores morosos, para planear las
necesidades de personal y para analizar el reemplazo de equipo.