Академический Документы
Профессиональный Документы
Культура Документы
INTRODUCCION:
En la unidad anterior suponemos que el parmetro t del tiempo es discreto (es decir, t =0,1,2,...), lo cual es apropiado para muchos situaciones, sin embargo existen otros casos (como los modelos de lneas de espera) en los cuales se requiere un parmetro t de tiempo continuo, dado que la evolucin del proceso se observa de manera continua
FORMULACION:
Al igual que antes, los estados posibles del sistema son: 0,1,2...M comenzando en el tiempo 0 y dejando que el parmetro tiempo t corra de manera continua para t>=0 La variable aleatoria X(t) representa el estado del sistema en el tiempo t y podr tomar uno de sus (M+1) los valores posibles en un intervalo o<=t<=t1, luego saltar a otro valor de estado en el intervalo t1<=t<=t2 y as sucesivamente, donde (t1,t2,..) son puntos aleatorios en el tiempo
FORMULACION:
Consideremos tres puntos en el tiempo: t = r (donde r>=0) ; es un tiempo pasado t = s (donde s>r) ; es el tiempo actual t = s + t (donde t>0) ; es t unidades hacia el futuro
Por lo tanto los estados respectivos sern: X(r) = x(r) ; X(s) = i t= s+t, es decir nos interesa determinar: P X (s+t) = j / X (s)=i y X (r) = x(r) para j = 0,1,2,....M
y nos
FORMULACION:
Un proceso estocstico de tiempo continuo X (t) ; t>=0 tiene la probabilidad markoviana si: P X (s+t) = j / X (s)=i y X (r) = x(r) = PX (s+t) = j / X (s)=i Para toda i,j = 0,1,...,M y para toda r>=0, s>r y t>0 Observe que : P X (s+t) = j / X (s)=i es una probabilidad de transicin, con la diferencia que t no es necesario que sea entero. Si las probabilidades de transicin son independientes de s; P X (s+t) = j / X (s)=i = P X (t) = j / X (0)=i Se llaman probabilidades de transicin estacionaria
5
FORMULACION:
Para simplificar la notacin denotaremos estas probabilidades como: pij(t) = P X (t) = j / X (0)=i En la cual pij(t) ser la funcin de probabilidad de transicin de tiempo continuo. Se supone que: 1 si i=j 0 si ij
Por lo tanto, un proceso estocstico de tiempo continuo X (t) ; t>=0 es una cadena de markov de tiempo continuo si tiene la propiedad markoviana. El estudio se restringir a un nmero finito de estados y probabilidades de transicin estacionarias.
6
P Ti <= t =
Con lo anterior podemos decir que la variable aleatoria Ti tiene una distribucin exponencial de media 1/qi
P Ti <= t =
1. La variable aleatoria Ti tiene una distribucin exponencial de media 1/qi 2. Cuando sale de un estado i, el proceso se mueve a otro estado j, con probabilidad pij, que satisface las siguientes condiciones: pij = 0 , para toda i, yM
pij = 1
J=0
para toda i
3. Se definen las tasas de transicin qi como la tasa de transicin hacia fuera del estado i, en el sentido que qi es el nmero esperado de veces que el proceso deja el estado i por unidad de tiempo que pasa en el estado i. 9
10
i pij (t)
i=0
11
j qj = i qij
ji
para j = 0,1,2,....M
j = 1 i=0
12