Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelos Estadisticos y Procesos Estocasticos
Modelos Estadisticos y Procesos Estocasticos
y procesos estocsticos
INTEGRANTES:
MODELACIN ESTADISTICA
INFERENCIA ESTADISTICA
Sistema :
Es una fuente de datos del comportamiento de alguna parte del
mundo real. Esta formado por elementos que interactan para lograr
un objetivo, los cuales poseen caractersticas o atributos, parmetros
y variables, que toman valores numricos o lgicos. Un sistema puede
ser natural o artificial, dinmico o esttico, estable o inestable,
adaptativo o no adaptativo, lineal o no lineal; puede tener variables
independientes o dependientes, no controlables o controlables,
continuas, discretas o mixtas, no observables u observables.
Modelos:
SIMULACIN ESTADSTICA
La simulacin es una tcnica de muestreo estadstico
controlado (experimentacin) que se emplea
conjuntamente con un modelo, para obtener respuestas
aproximadas a problemas probabilsticos complejos; debe
seguir las normas del diseo de experimentos para que los
resultados obtenidos puedan conducir a interpretaciones
significativas de las relaciones de inters.
Nmero de muestras:
Nmeros aleatorios:
PROCESOS
ESTOCSTICOS
CONCEPTO
Un proceso estocstico es una coleccin o familia de variables aleatorias
{Xt, con t T}, ordenadas segn el subndice t que en general se
suele identificar con el tiempo.
Por tanto, para cada instante t tendremos una variable aleatoria distinta
representada por Xt, con lo que un proceso estocstico puede
interpretarse como una sucesin de variables aleatorias cuyas
caractersticas pueden variar a lo largo del tiempo.
Por ejemplo, si observamos slo unos pocos valores de t, tendramos una
imagen similar a la de la figura siguiente:
X
Continua
Proceso de estado
discreto y tiempo
discreto (Cadena)
(Unidades producidas
mensualmente de un producto)
Proceso de estado
continuo y tiempo
discreto
Proceso de estado
continuo y tiempo
continuo (Proceso Continuo)
(Velocidad de un vehculo en el
instante t)
CADENA
PROCESO
CONTINUOS
PROCESO DE SALTOS
PUROS
Cadenas de Markov
Propiedad de Markov: Se dice que un proceso cumple la propiedad de
Markov cuando toda la historia pasada del proceso se puede resumir en la
posicin actual que ocupa el proceso para poder calcular la probabilidad
de cambiar a otro estado, es decir, se cumple la propiedad siguiente:
P (Xn = xn/X0 = x0, X1 = x1, ..., Xn1 = xn1) = P (Xn = xn/Xn1 = xn1)
Aquellas Cadenas que cumplen la propiedad de Markov se llaman Cadenas
de Markov.
Utilizando
Proceso de Conteo
Proceso de Poisson
Proceso de conteo
Un proceso estocstico en tiempo continuo {N(t), t 0} se
dice que es un Proceso de Conteo si representa el nmero
de veces que ocurre un suceso hasta el instante de tiempo t.
En particular, se tiene que N(t) N, y N(s) N(t) s < t.
Proceso de Poisson
Un proceso de conteo se dice que es un Proceso de Poisson homogneo
de tasa > 0, si:
1. N(0) = 0
2. N(t1) N(t0), N(t2) N(t1), ..., N(tn) N(tn1) son variables
aleatorias independientes (proceso de incrementos independientes).
3. N(t + s) N(s) (No de sucesos que ocurren entre el instante s y el
instante t + s) sigue una distribucin de Poisson de parmetro t.
El proceso de Poisson se utiliza basicamente para modelar los llamados
procesos de colas.