UNIVERSIDAD ESCUELA COLOMBIANA DE INGENIERÍA JULIO GARAVITO

Maestría en Ingeniería Electrónica

Asignatura: Matemáticas Avanzadas

Sesiones Semanales: 2 sesiones de 1.5 horas semanales

Créditos: 4

Nemónico: MAAV

JUSTIFICACIÓN
En diversas ingenierías se hacen tareas de identificación y modelado de procesos o sistemas
dinámicos con el propósito de disponer de un modelo matemático que se convierta en un insumo
básico para desarrollar las diferentes tareas en ingeniería. El proceso estocástico es un concepto
matemático que sirve para caracterizar una sucesión de variables aleatorias que evolucionan en
función de otra variable, generalmente el tiempo, y permite modelar y analizar
probabilísticamente de forma integral los procesos, o sistemas dinámicos, en función de las
variables que se puedan registrar.

CONTENIDO PROGRAMÁTICO
Introducción a la probabilidad:

Modelos de probabilidad. Funciones de densidad y distribución de probabilidad. Pruebas de

bondad de ajuste. Variables y funciones aleatorias. Caracterización de variables aleatorias:
autocorrelación, valor esperado, momentos, función generadora de momentos. - Funciones de
varias variables aleatorias. Medidas de correlación, covarianza.

Procesos estocásticos:

Definición y ejemplos. Propiedades: estacionariedad, ergodicidad.

Procesos de Poisson:

Introducción. Procesos de arribo. Definición y propiedades. Procesos de Markov combinados.

Cadenas de Markov de estado finito:

Introducción. Definición y propiedades de los estados. Representación matricial. Vectores y

valores propios de la matriz. Cadena finita de Markov. Probabilidad de transición. Cadenas de
Markov regulares.

Series temporales: Especificaciones de los modelos autorregresivos. Modelos de series

temporales (AR, ARMA, ARIMA). Estimación de los parámetros de los modelos. Pruebas de
estacionariedad.

BIBLIOGRAFÍA

 Probability, Random Variables and Stochastic Processes. Athanasios Papoulis. McGraw-

Hill Europe; 4th edition (January 1, 2002)
 Stochastic Processes. Sheldon M. Ross. Wiley; 2 edition.
 Applied Stochastic Processes. Mario Lefebvre. Springer; 1 edition. 2006
 Time Series Analysis: Forecasting and Control. George E. P. Box, Gwilym M.
JenkinsGregory C. Reinsel. iley-Blackwell (an imprint of John Wiley & Sons Ltd); Edition:
4th Revised edition (18 de Julio de 2008).