Estadística, Probabilidad e

Investigación de Operaciones
JOSÉ F. NIEVES
PROF. BALBINO GARCÍA
MATEMÁTICA METHOD RESEARCH

Modelos de simulación para la obtención de información experta. Modelos Bayesianos. Modelos algebraicos de programación lineal. Modelos de inventarios probabilísticos. Modelos de toma de decisión en condiciones de incertidumbre. Redes y programación lineal para transporte. Modelos de inventarios determinísticos. Modelos de programación dinámica y teoría de juegos.Herramientas en la investigación de operaciones                Modelos gráficos de programación lineal. Modelos de toma de decisión en condiciones de certeza. Modelos heurísticos de auto aprendizaje y autocorrección. Cadenas de Markov para el reemplazo de activos fijos. Líneas de espera (Teoría de colas). . Procesos estocásticos con cadenas de Markov. Modelos de optimización con redes para la planeación. ejecución y control de proyectos.

y en concreto teoría de la probabilidad un proceso estocástico es un concepto matemático que sirve para caracterizar. generalmente.Proceso estocástico  En estadística. . el tiempo. es una sucesión de variables aleatorias (estocásticas) que evolucionan en función de otra variable.

Ejemplo: La variables aleatorias de la bolsa de valores .

de variables aleatorias. es llamado espacio estado. el valor de Xn es el estado del proceso en el tiempo n. X3... .Cadena de Markov  Una cadena de Márkov es una secuencia X1.. X2. Si la distribución de probabilidad condicional de Xn+1 en estados pasados es una función de Xn por sí sola. El rango de estas variables. entonces: Donde xi es el estado del proceso en el instante i.

Ejemplo .

para cada instante.Maquina de estados  Se denomina máquina de estados a un modelo de comportamiento de un sistema con entradas y salidas. de forma tal que la salida depende únicamente del estado y las entradas actuales. haciendo que el historial de señales de entrada determine. en donde las salidas dependen no sólo de las señales de entradas actuales sino también de las anteriores. Las máquinas de estados se definen como un conjunto de estados que sirve de intermediario en esta relación de entradas y salidas. . un estado para la máquina.

.

para modelar el desarrollo de una epidemia. es claro que el estado actual solo depende del último estado y no de toda la historia en sí. . Éste es un proceso de ramificación que se puede usar. entre otras cosas. de modo que se pueden usar cadenas de Markov para formular modelos climatológicos básicos.  Modelos epidemiológicos Una importante aplicación de las cadenas de Markov se encuentra en el proceso Galton-Watson.  Meteorología Si consideramos el clima de una región a través de distintos días.Aplicaciones de cadena de Markov  Física Las cadenas de Markov son usadas en muchos problemas de la termodinámica y la física estadística.

que establece la probabilidad de que una persona que apuesta en un juego de azar eventualmente termine sin dinero. . así como en el modelo de colapsos de una bolsa de valores o para determinar la volatilidad de precios.  Economía y Finanzas Las cadenas de Markov se pueden utilizar en modelos simples de valuación de opciones para determinar cuándo existe oportunidad de arbitraje. Juegos de azar  Son muchos los juegos de azar que se pueden modelar a través de una cadena de Markov. es una de las aplicaciones de las cadenas de Markov en este rubro. El modelo de la ruina del jugador.

edu/courses/338/coursen otes/chapter5.edu/~chance/teaching_aids       /books_articles/probability_book/Chapter11.org/wiki/Markov_chain .com/rwalks/node7.wikipedia.wolfram.edu/~chance/teaching_aids /books_articles/probability_book/Chapter11.dartmouth.html http://www.dartmouth.mat.pdf http://crypto.pdf http://www.pdf http://www.math.html http://en.at/~ste/diss/node6.Referencia  http://www.com/MarkovChain.taygeta.html Http://mathworld.rutgers.sbg.ac.