Grupo #3:

• Moisés Ricardo Zabala Bueno 20200927

• Enmanuel Sánchez Abarúa 2020-0757
• Cristopher Payano 2021-0358
• Jose Junior Guzman 2021-0348
Introducción

• Los procesos estocásticos y el análisis de

Markov son herramientas fundamentales
para modelar y entender sistemas que
evolucionan en el tiempo con
componentes aleatorios.
 Los procesos
estocásticos.
Los procesos estocásticos son modelos matemáticos
que se utilizan para describir y analizar fenómenos
aleatorios o inciertos que evolucionan en el tiempo.
Estos procesos se caracterizan por tener una
componente de aleatoriedad, lo que significa que los
resultados futuros no pueden predecirse con certeza.
En un proceso estocástico, se asume que las variables
que describen el sistema bajo estudio son aleatorias y
siguen ciertas distribuciones de probabilidad. A
medida que el tiempo avanza, estas variables cambian
y evolucionan, y el comportamiento del proceso se
describe mediante probabilidades y estadísticas.
Aplicaciones:
Los procesos estocásticos tienen una amplia variedad de
aplicaciones en diversas disciplinas, como la
economía, las finanzas, la ingeniería, la biología, la
física, entre otras. Algunos ejemplos comunes de
procesos estocásticos incluyen el movimiento
browniano, las Cadenas de Markov, los procesos de
Poisson y los procesos de Wiener.
Descripción de la
cadena de Markov

La cadena de Markov, también conocida

como modelo de Markov o proceso de
Markov, es un concepto desarrollado dentro
de la teoría de la probabilidad y la estadística
que establece una fuerte dependencia entre
un evento y otro suceso anterior. Su principal
utilidad es el análisis del comportamiento de
procesos estocásticos.
¿Dónde se utiliza
la cadena de
Markov?
Las cadenas de Markov han experimentado
una importante aplicación real en el ámbito
de los negocios y las finanzas. Esto, al
permitir, como se ha señalado, analizar y
estimar futuros patrones de conducta de los
individuos atendiendo a la experiencia y los
resultados anteriores.
Calcular las
probabilidades de
transición
 Estimación de máxima
Observación Empírica
verosimilitud
Observación
Empírica

• Este método implica observar el proceso

estocástico y registrar los resultados en un
conjunto de datos. A partir de estos datos, se
pueden estimar las probabilidades de
transición. Por ejemplo, en el caso del clima,
se podrían llevar registros diarios de las
condiciones climáticas y contar cuántas veces
el clima pasó de soleado a nublado, de
soleado a lluvioso, etc. y usar estos recuentos
para estimar las probabilidades de transición.
Estimación de
máxima
verosimilitud
1. Se utiliza cuando no se dispone de datos
empíricos y se basa en la teoría estadística. La
idea es encontrar la matriz de transición que
mejor se ajuste a los datos observados o al
conocimiento experto. Esto se logra mediante
la maximización de la función de verosimilitud,
que es una medida de la probabilidad de que
los datos observados se hayan producido a
partir de una matriz de transición dada.
Conclusión

• En conclusión, los procesos

estocásticos y el análisis de Markov
brindan una base sólida para el
estudio de sistemas que evolucionan
en el tiempo de manera aleatoria,
permitiendo un análisis riguroso y una
comprensión profunda de su
comportamiento probabilístico.