Resumen

El curso se organiza en cuatro módulos principales y lecturas complementarias. El Módulo 1 introduce conceptos básicos como distribuciones de probabilidad y procesos estocásticos. El Módulo 2 (Semanas 2-8) aborda la construcción de modelos a partir de sistemas reales, incluyendo procesos de Poisson, cadenas de Markov, análisis transitorio, clasificación de estados, probabilidades en estado estable y cadenas absorbentes. El Módulo 3 (Semanas 9-12) se centra en medir el sistema mediante el modelo, incorporando la Ley de Little, procesos de nacimiento y muerte, teoría de colas, redes de Jackson y costos en cadenas de Markov. El Módulo 4 (Semanas 13-16) trata la toma de decisiones para mejorar el sistema, explorando procesos de decisión markovianos, programación dinámica y ecuaciones de Bellman. Además, se incluyen tutoriales para instalar Python y Visual Studio Code, crear ambientes virtuales y aplicar conceptos mediante ejercicios prácticos como simulación de Montecarlo y MDP en Python.