lOMoARcPSD|33442537

1
Taller teórico 07
Características de los sistemas

Alumno:
Yesid Andres Correa

Docente
Francisco Sierra

Corporación Universitaria IBEROAMERICANA

Investigación de operaciones II
Bogotá D.C
2023
 2

1. ¿Qué características presentan los problemas estocásticos?

Un procedimiento estocástico es un vestido de variables aleatorias que dependen de

parámetros o argumentos. Para el estudio de series de temperatura, este parámetro es
la época. Debidamente, se define a la familia de variables aleatorias Y especificada por
Para cada audacia de t, tenga Y zarpa partición de expectativa dada. Más simplemente,
un procedimiento estocástico es un tratamiento absurdo. predicción. Muévete a la
circunstancia. Carente decomiso, a veremos más delante, existen diferentes tipos.
curso fortuito. Individuo de los ejemplos más clásicos de procesos estocásticos es el
mercado de valores.
Tipos de procesos estocásticos
Existen dos tipos de procesos estocásticos. La diferencia entre los mismos tiene que
ver con predictibilidad de una serie temporal:

Discreto
Proceso de estado y
tiempo discretos (Cadena)
(Unidades producidas
mensualmente de un
producto)
Proceso de estado
continuo y tiempo discreto
(Toneladas de producción
diaria de un producto)
Continuo
Proceso de estado discreto
y tiempo continuo (Proc.
Saltos Puros)
(Unidades producidas hasta
el instante t)
Proceso de estado y tiempo
continuos (Proceso
Continuo) (Velocidad de un
vehículo Enel instante t)

Características y medidas de procesos estocásticos

Para ampliar el caso de M-dimensional, se pueden calcular medidas de
representatividad estadística y medidas de probabilidad explicadas por las variables M-
dimensionales. En particular, tanto el tensor de legitimidad del programa como el tensor
de covarianza se definen en múltiples dimensiones para que las características
representativas
Ofertas aleatorias. Un proceso aleatorio estable en el primer trimestre es un proceso
aleatorio con comportamiento continuo a lo largo de la temporada.
Un proceso estocástico con un valor estable de inelasticidad requiere que esta
distribución no cambie para ninguna conductancia de unión finita bajo el mismo drenaje
para todas las variables. es una expresión:
F ( XiL ,… , XiM )=F( XiL+ j, … , XiM + j)∀ ija

En cambio, un proceso estocástico es estacionario en sentido débil requiere que se

mantengan constantes todas sus características lo largo del tiempo. Es decir, que t:
 3

⟨ Xt ⟩=⟨ X ⟩ ∀ t donde ⟨ X ⟩ denotael valor medio o de expectación

σXt =σX ∀ t donde σX denotala varianza
cov ( t , t+ j )=cov ( t∗,t∗,+ j )=Cj ∀ j=0 , ± 1, ± 2 ,… donde Cov denota la covarianza y C es una constante

Procesos de ruido blanco

Un proceso estocástico utilizado frecuentemente es el de dado por el

proceso estacionario RBt que satisface:
⟨ RB ⟩= ⟨ RB ⟩=0 ∀ t
Var ( RBt )=σ 2 COV ¿
En este entendimiento, el estampido meta puede interpretarse tal casco fila de valores
que fluctúan regularmente alrededor de carencia escaso relación alguna de ellos. En
semejante sumario, la intuición de los valores pasados no brinda ninguna información
aparte el ulterior porque el sumario es íntegramente casual y, por lo cantidad, la
memoria es desamparado.

1. Mencione qué aplicaciones y usos presentan las cadenas de Markov.

Cadenas de Markov

La continuación de Marvok es un tratamiento evolutivo que consta de un espectáculo

finito de estados.
La verosimilitud de que ocurra un evento depende solamente del evento previo
con garra posibilidad fija.
Aplicaciones
Meteorología
Si consideramos la atmósfera en una parcela en diferentes días, se puede
significar que el curso de depender solamente del trasero territorio y no de intacto el
pasado, por lo que las cadenas de Markov se pueden emplear para exponer modelos
 4

climáticos. Procedencia. Por anécdota, se están desarrollando modelos de frecuencia

de profusión basados en cadenas de Markov
Modelos epidemiológicos
Garra menester excelente de las cadenas de Markov es el procesamiento de Galton
Watson. Este es un procedimiento de desmoche que se puede dedicar para modelar la
evolución de epidemias, etc

Internet
La página de inicio de pezuña página web utilizada por Google en los buscadores está
determinada por casco leontina de Markov, en la conducta de la página en el
pesquisidor está determinada por su gravitación en la adjudicación firme de la
cadeneta.
Reproducción
Las cadenas de Markov se utilizan para facilitar soluciones analíticas a ciertos
problemas.
Para problemas de mojigatería tal la probabilidad de colas, el modelo M M 14 es en
verdad un modelo de cautiverio de Markov. retozar
Hay muchos juegos de apuestas que se pueden modelar con cadenas de Markov.
Inseparable de ellos es el modelo de fortuna del encaje, que determina la verosimilitud
de que zarpa sujeta pierda total su patrimonio en un esparcimiento de riesgo.
Aplicaciones de las cadenas de Markov en esta pradera. Escasez y Hacienda

Las cadenas de Markov se pueden disfrutar para modelos simples de asentamiento de

precios de opciones. Identifique en existen oportunidades de intervención y modele las
caídas del mercado de valores o identifique la volatilidad de los precios. En los
negocios, las cadenas de Markov se han utilizado para detallar los patrones de
transacción de prestatarios insolventes, proyectar las necesidades de subjetivo y
individualizar el cambio de equipos. legado
Las cadenas de Markov se utilizan en la conjetura de la genética de poblaciones para
explicar cambios en las frecuencias génicas en pequeñas poblaciones con diferentes
generaciones, y se utilizan para cimentar el modelo de difusión de Moto Kimura.
Música
Varios algoritmos de generación de música utilizan cadenas de Markov, a Csound o
Max. Iannis Xenakis Analoguique A et B 1958 59 fue distinto de los compositores que
utilizó este sistema en sus composiciones. letrina
 5

Las cadenas de Markov se utilizan para serie, mantenimiento y derrame de procesos.

Redes neuronales
Se utilizan en máquinas Boltzmann. ¿Qué representa el seno de verosimilitud de
mudanza?
Es pezuña molde utilizada para delinear transformaciones en garra enlace de Markov.
Tiene aplicaciones en probabilidad de hipótesis, recuento, álgebra lineal e informática.

En general, el cuño de muestreo se define tal

dada por
es estocástica Si

El ejemplo más sencillo de una matriz estocástica es la matriz identidad de tamaño nx n

pues satisface las dos condiciones.
2. ¿Qué significa que un sistema alcance el estado estable?, ¿cuándo

lo logra?
 6

Se dice de un sistema o proceso que está en estado estacionario si las variables que
definen su comportamiento, respecto del tiempo, permanecen invariantes. La expresión
matemática expondría que para aquellas propiedades p del sistema, la derivada parcial
de p respecto del tiempo es nula:

En períodos discretos de tiempo, esto implica que:

El concepto de estado estacionario cobra relevancia en campos como la termodinámica

y la ingeniería.
En particular, un sistema físico está en estado estacionario cuando sus características
novarían con el tiempo. En este fundamento se basan las teorías de la electrostática y
la magnetóptica entre otras, suele ser la situación para considerar en gran parte de los
supuestos de la termodinámica, el estado estacionario también se conoce como el
estado en el que esta naturaleza (estado en el que se encuentra).
En cinética química el estado estacionario también se puede emplear para determinar
la constante de velocidad de una reacción a través de varias experiencias en las cuales
se puede suponer que una concentración de algún producto o reactivo no varía.
También se dice que un sistema está en estado estacionario si las variaciones con el
tiempo de las cantidades físicas son periódicas y se repiten de manera idéntica a cada
periodo. Es el caso, por ejemplo:
de sistemas en los cuales hay ondas cuya amplitud y frecuencia no varía, como en un
interferómetro. de circuitos eléctricos alimentados con generadores alternativos, una
vez que los fenómenos transitorios han desaparecido.
Es el estado de referencia en termodinámica de procesos irreversibles. El estado
estacionario de un sistema abierto que está en equilibrio se define como aquel en el
que no varían las variables de estado (temperatura, volumen, presión, etc.) y, por tanto,
tampoco se modifican, con el tiempo, las funciones de estado (entropía, entalpía, etc.).
El estado estacionario es un estado de mínima producción de entropía (principio de
energía mínima).

3. ¿Cuándo una matriz es recurrente?

Un estado e E se dice persistente (o recurrente) si, con probabilidad 1, la cadena

vuelve a e habiendo empezado en e; es decir, si P (Xn = e para algún n 1 | X0 = e) =
 7

1. Esto es lo mismo que decir que P ((X1 = e X2 = e ) | X0 = e) = 1. Un estado que

no es
persistente se denomina transitorio.
Ejercicio 1
Un almacén tiene un modelo particular de nevera que es ordenado semanalmente. Se
supone que las demandas son independientes e idénticamente distribuidas por una
distribución de probabilidad conocida. Sea x0 la cantidad de neveras que se tienen
disponibles al comienzo de la semana y xf la cantidad de neveras al final de la semana.
Supóngase que x0 =3 y el almacén aplica la política de revisión periódica en donde si
el número de neveras es igual a 0 el almacén hace un pedido de 3 unidades, en caso
contrario no pide. Nótese que el estado final xf puede ser 0, 1, 2, 3 que representa el
número posible de neveras con los que puede contar al final de la semana. Además, se
ha identificado que la demanda tiene una distribución de Poisson con un promedio de
una unidad por semana. Construya la matriz de probabilidad de transición.
 8

Ejercicio 2
Una máquina si está funcionando en un día determinado existe un 60 % de
probabilidad de que al día siguiente continúe funcionando, pero si no está
funcionando en un día determinado hay un 70 % de probabilidad de que continúe
en el mismo estado. Se conoceq ue las probabilidades iniciales de estado de la
máquina son 0,75 funcionando y 0,25 que no esté funcionando. Determinar las
probabilidades de estado para el día 1, 2, 3, 4 y 5.

Ejercicio 3
 9

Referencias
Hillier, F. (2015). Investigación de operaciones. (10a. ed.) McGraw-Hill
InterAmerican. Tomado de
Barbosa Correa, R. (2016). Procesos estocásticos con aplicaciones. Universidad
del Norte.
Paegelow, M. (2009). Cadenas de Markov, evaluación multicriterio y
evaluación multiobjetivo para la modelización prospectiva del paisaje. Asociación
de Geógrafos Españoles.