cadenas de Markov tienen la propiedad de que la probabilidad de que X n = j sólo depende

Tamaño: px
Comenzar la demostración a partir de la página:

Download "cadenas de Markov tienen la propiedad de que la probabilidad de que X n = j sólo depende"

Transcripción

1 Cadenas de Markov Los procesos de paseo aleatorio en realidad son un caso particular de procesos más generales que son las cadenas de Markov. En esencia, una cadena es un proceso en tiempo discreto en el que una variable aleatoria X n va cambiando con el paso del tiempo. Las cadenas de Markov tienen la propiedad de que la probabilidad de que X n j sólo depende del estado inmediatamente anterior del sistema: X n. Cuando en una cadena dichas probabilidades no dependen del tiempo en que se considere, n, P (X n j X n i) se denomina cadena homogénea, esto es, las probabilidades son las mismas en cada paso. Probabilidades de Transición En una cadena homogénea finita con m posibles estados E,E,...,E m se puede introducir la notación p ij P (X n j X n i), donde i, j,,...,m. Si p ij > 0 entonces se dice que el estado E i puede comunicar con E j. La comunicación puede ser mutua si también p ji > 0. Para cada i fijo, la serie de valores {p ij } es una distribución de probabilidad, ya que en cualquier paso puede ocurrir alguno de los sucesos E,E,...,E m y son mutuamente excluyentes. Los valores p ij se denominan probabilidades de transición que satisfacen la

2 condición p ij > 0, mx p ij, j para cada i,,..., m. Todos estos valores se combinan formando una matriz de transición T de tamaño m m, donde T [p ij ] p p p m p p p m p m p m p mm Se puede observar que cada fila de la matriz es una distribución de probabilidad, es decir, P m j p ij. Observación. Si las matrices A [a ij ] y B [b ij ] son matrices estocásticas, entonces C A B es también estocástica. Por la regla de multiplicación de matrices, " m # X C [c ij ][a ij ] [b ij ] a ik b kj De este modo k mx c ij j mx mx a ik b kj j k mx a ik m X k j b kj mx a ik. k Una consecuencia es que cualquier potencia de la matriz T es también una matriz estocástica: T n. Probabilidad p (n) j Una probabilidad de bastante interés es la probabilidad de llegar a E j después de n n o pasos, dada una distribución de probabilidad. p (0) i

3 n Se observa que E i, de modo que p (0) i Si se denomina p () j teorema de probabilidad total o es la probabilidad de que el sistema ocupe inicialmente el estado mx i p (0) i. a la probabilidad de alcanzar E j en un solo paso, entonces, por el p () j mx i p (0) i p ij. Esto se puede expresar de forma vectorial: sean p (0) y p () los vectores fila de probabilidad dados por y p (0) p () ³ p (0),...,p (0) m ³ p (),...,p () m, donde p (0) es la distribución de probabilidad inicial y p () es la probabilidad de que se alcance cada uno de los estados E,...,E m después de un paso. Con esta notación, se puede expresar h p () donde T es la matriz de transición. Del mismo modo, yenn pasos, p () j " i X m i p (0) i p ij # p (0) T p () p () T p (0) T p (n) p (n ) T p (0) T n donde p (n) ³ p (n),...,p (n) m y de manera general, p (n+r) p (r) T n

4 NOTA: p (n) j es la probabilidad incondicional de estar en el estado E j en el n-ésimo paso, dado que la probabilidad inicial es p (0), esto es, P (X n j) p (n) j, queestalque mx j p (n) j. Probabilidad de transición en n pasos p (n) ij Se define p (n) ij como la probabilidad de que la cadena esté en el estado E j después de n pasos, dado que la cadena empezó en el estado E i. Se tiene que p (n) ij P (X n j X 0 i) por la propiedad markoviana se tiene que p (n) ij mx P (X n j, X n k X 0 i), k para n, ya que la cadena debe haber pasado por uno de los m posibles estados en la etapa n. NOTA: Se tiene la siguiente igualdad, para tres posibles sucesos A, B y C : P (A B C) P (A B C) P (B C) Si se sustituye A (X n j) B (X n k) C (X 0 i)

5 entonces p (n) ij mx P (X n j, X n k X 0 i) k mx P (X n j X n k, X 0 i) P (X n k X 0 i) k mx P (X n j X n k) P (X n k X 0 i) k mx k p () kj p(n ) ik mx k p (n ) ik p () kj usando la propiedad markoviana nuevamente. La ecuación anterior se denomina de Chapman-Kolmogorov. Haciendo n igual a,,... se obtiene que las matrices con esos elementos son h h p () ij p () ij i i h p () ik p() kj h p () ik p() kj i T i T ya que p () ik son los elementos de T y así sucesivamente. Así, h p (n) ij i T n. Ejemplo. En una cierta región el tiempo atmosférico sigue la siguiente secuencia: Un día se denomina soleado (S) si el sol luce más de la mitad del día, y se denomina nublado (N ), si lo hace menos. Por experiencia, se sabe que si hay un día nublado, es igual de probable que el día siguiente sea también nublado. Si el día es soleado hay una probabilidad de / de que sea también soleado.. Construye la matriz de transición T de este proceso.. Si hoy está nublado, cuál es la probabilidad de que dentro de tres días esté también nublado? y de que esté soleado? 5

6 . Calcula T 5 y T 0. CuáleselcomportamientodeT n cuando n? Cómose comporta p (n) cuando n? Dependeellímitedep (0)? () Asumimos que el proceso es markoviamo y que el tiempo sólo depende del día anterior. Se tiene una cadena de Markov con dos estados: E Día nublado N, E Día soleado S. Lamatrizdetransiciónes: N N S S es decir, T µ. () Empezando los pasos a partir del día actual, se tiene que ³ p (0) p (0) p (0) 0 De este modo, si hoy está nublado, dentro de tres días, se tiene que p () p (0) T 0 µ 0 µ ,0 0,597 Así, la probabilidad de que haya un día nublado en el tercer día es p () 9 yquesea 7 soleado es p (). 7 () T 5 µ 5 µ 0,0008 0,5999 0,9995 0,60005 T 0 µ 0 µ 0, 0, ,0000 0,6. 6

7 Cálculos así se facilitan bastante usando programas tipo MatLab, de modo que T n µ 0, 0,6 0, 0,6 Q de este modo, ³ p (n) p (0) T n ³³ p (0) + p (0) p (0) p (0) 0, µ 0, 0,6 0, 0,6 ³ p (0) + p (0) 0,6 0, 0,6, ya que p (0) + p (0). Se observa que cuando n p (n) no depende de dónde se parte: p (0). Potencias de una matriz de transición Es obvio que resulta necesario definir un método para calcular potencias de una matriz. Esto se hace en términos de diagonalización de matrices en términos de autovalores y autovectores. Sea T una matriz de transición de orden m m, los autovalores de T se encuentran a partir de la ecuación característica T λi m 0, donde I m es la matriz identidad de orden m m. Supongamos que los autovalores son distintos y los denotamos por λ,...,λ m. Los correspondientes autovectores cumplen las siguientes ecuaciones (T λ i I m ) r i 0 para i,...,m. Construyo la matriz C r r r m, 7

8 donde los autovectores están colocados por columnas. Multiplicando las matrices, TC T r r r m Tr Tr Tr m λ r λ r λ m r m λ λ 0 r r r m CD 0 0 λ m donde D es la matriz diagonal con los autovalores situados en la diagonal principal. Como se deduce que TC CD T CDC Se puede calcular T CDC CDC CD C y del mismo modo, en general, T n CD n C, donde λ n 0 0 D n 0 λ n λ n m Aunque este método es bastante útil resulta un poco pesado a la hora de hacer los cálculos, incluso para cadenas a partir de m ó 5. En MatLab la sentencia para calcular autovectores y autovalores es [C,D]eig(T); Ejemplo. Calcularlosautovectoresyautovaloresdelamatrizestocástica T 8

9 ydeterminart n y el límite lím n T n. si se calcula T λi m 0, se obtiene λ λ λ µ ( λ) µ λ λ 0 0 luego los autovalores son λ, λ λ Del mismo modo, los autovectores se calculan a partir de (T λ i I m ) r i 0 y se obtiene y de este modo r r r 0 C r r r. 0 T n CD n C n Cuando n, se tiene que T n 0 Q n

10 Supongamos que T es la matriz de transición de una cadena de Markov con estados y que la probabilidad inicial es p (0), entonces, después de n etapas p (n) p (0) T n y la distribución límite es p lím p (n) lím p (0) T n p (0) Q n n El vector p da las probabilidades de los estados a largo plazo, y esta distribución es independiente del estado inicial p (0). Ejemplo. Se pueden representar las transiciones entre los estados mediante grafos, donde los arcos representan las transiciones entre los estados. Por ejemplo, sea el siguiente diagrama de transición: cuya matriz de transición es: / E / / / E E / / T 0 0 0

11 Se puede observar, que una vez se entra en el estado E ya no se puede volver a salir de él. Es lo que se denomina un estado absorbente. Los autovalores son λ, λ λ ylamatrizdeautovectoreses T T n CD n C n n 0 0. Cuando n, se tiene que T n Q. 0 0 esto implica que p lím n p (n) lím n p (0) T n p (0) Q 0 0 es decir, el sistema termina yendo a E con probabilidad. Ejemplo. Modelo de enfermedad. Este modelo se puede representar por estados: E donde las personas no tienen enfermedad, E donde las personas tienen la enfermedad, E estado muerte como consecuencia de la enfermedad y E estado muerte por otras causas Suipongamos la siguiente matriz de transición T

12 el correspondiente diagrama de transición es E / / E / / / /8 /8 E E Se tienen dos estados absorbentes E y E, y la interpretación que de las probabilidades individuales son las siguientes: p significa que una persona dado que no está enferma en un periodo tiene una probabilidad de / de no estarlo en el siguiente periodo, p 8 significa que una persona dado que no está enferma en un periodo tiene una probabilidad de /8 de morir en el siguiente periodo por otras causas y así sucesivamente. En este ejemplo la matriz de transición tiene la siguiente forma típica: µ A B T O I donde, en este caso, A µ µ 0 B 8 8 O µ Se puede observar que tanto A como B no son matrices estocásticas. Se obtiene que µ µ µ A B A B A T (I + A) B. O I O I O I T µ A (I + A + A ) B O I

13 y, en general, T n µ A n (I + A + A + + A n ) B O I Si se denomina S n I + A + A + + A n entonces, AS n A + A + + A n de modo que (I A) S n I + A + A + + A n A + A + + A n I A n luego S n (I A) (I A n ) quedando µ T n A n (I A) (I A n ) B. O I Los cálculos, a continuación, son semejantes al caso anterior. Los autovalores de A son λ, λ, la matriz de autovectores es µ C quedando A n µ Cuando n,a n O, de modo que T n µ n 0 µ 0 n µ O (I A) B O I

14 En este caso, la distribución límite es ³ p p(0) + p(0) + p (0) 5 6 p(0) + p(0) + p (0) luego la distribución límite depende de las condiciones iniciales. Por ejemplo, la probabilidad de que un individuo sano muera por enfermedad es, dado que la condición inicial es p (0) p es decir, 6. Caso de autovalores complejos. En el caso de que los autovalores de la matriz de transición sean complejos, el procedimiento es igual: Sealamatriz los autovalores son 8 8 T 0 0 λ i λ 8 8 i λ y la matriz de autovectores se obtiene como antes (con un poco más de esfuerzo, o bien usando MatLab) mediante (T λ i I m ) r i 0 y se obtiene y su inversa es C i 8 8 i i + i 8 i + i + i C i i i

15 D n ya que i + i n i n q 0 <. Finalmente, 8 T n n Clasificación de los estados n Q En una cadena homogénea con m estados E,E,...,E m ymatrizdetransiciónt [p ij ], ( i, j m) el valor de p ij es la probabilidad de que haya una transición entre E i y E j en un momento dado. Según lo anterior se pueden clasificar los estados de una cadena. Estado absorbente Un estado es absorbente cuando una vez que se entra en él no se puede salir del mismo. Un estado E i es absorbente si p ii p ij 0 (i 6 j, j,...,m) en la i-ésima fila de T. Estado periódico La probabilidad de que se regrese al estado E i en el paso n es p (n) ii. Sea t un número entero mayor que. Supongamos que p (n) ii 0 para n 6 t, t, t,... p (n) ii 6 0 para n t, t, t,... 5

16 En este caso se dice que el estado E i es periódico de periodo t. Si para un estado no existe dicho valor de t entonces se dice que el estado es aperiódico. Alternativamente, se puede definir n o d(i) mcd n p (n) ii > 0, es decir, el máximo común divisor de (mcd) del conjunto de los enteros n para los que p (n) ii > 0. Entonces,elestadoE i es periódico si d(i) > 0 yaperiódicosid(i) Ejemplo. Sea una cadena de Markov con la siguiente matriz de transición: 0 0 T cuyo diagrama de estados es / E E / E E Observando este grafo, se ve que todos los estados tienen periodo. Por ejemplo, si se empieza en E, entonces los regresos a ese estado sólo se producen en los pasos, 6, 9,... Se puede comprobar la periodicidad en términos de la matriz de transición. Sea S T

17 En este ejemplo, resulta que S T 6 SS S, de modo que S r T r S para r,,... ysiempretieneelementosdistintosde0enladiagonal. Por otro lado T r+ S r T T r+ S r T ,, y ambas matrices tienen elementos igual a 0 en la diagonal para r,,... Así, para i,,, p (n) ii 0 n 6, 6, 9,... p (n) ii 6 0 n, 6, 9,... lo que implica que los estados tienen periodo. Estado recurrente Denominamos como f (n) j la probabilidad de que la primera visita al estado E j ocurra en la etapa n. Esta probabilidad no es la misma que p (n) jj, que es la probabilidad de que se produzca un retorno en el n-ésimo paso y esto incluye a los posibles retornos en los pasos,,,...,n también. Se deduce que p () jj f () j p () jj f () j + f () j p () jj p () jj f () j + f () j p () jj + f () j p () jj, 7

18 es decir, la probabilidad de un retorno en el paso es igual a la probabilidad de un primer retornoenelpasoólaprobabilidad de un primer retorno en el primer paso y un retorno dos pasos después ó la probabilidad de un retornoenelsegundopasoyunretornoun paso después. Así, en general p (n) jj Se puede expresar en términos de f (n) j Xn f (n) j + r r f (r) j p (n r) jj. f () j p () jj Xn f (n) j p (n) jj f (r) j p (n r) jj. La probabilidad de regresar en algún paso al estado E j es f j f (n) j, si f j, entonces seguro que se regresa a E j ysedenominaae j estado recurrente. n Ejemplo. Una cadena de Markov con tres estados tiene como matriz de transición T p p 0 0 0, q 0 q donde 0 <p< y 0 <q<. Se puede comprobar que E es recurrente. Si se considera el grafo asociado 8

19 p E -p -q E E q se observa que si se empieza en E el primer regreso a este estado se puede hacer en todos los pasos excepto para n, ya que después de dos pasos la cadena debe estar en E. A partir de la figura se puede observar que f () p f () 0 f () ( p) ( q) y, en general (n ), Para n, la secuencia que da f (n) es f (n) ( p) q n ( q). (n ) veces E E z } { E E E E La probabilidad f de que el sistema regrese al menos una vez al estado E es f f (n) p + ( p)( q)q n n n 9

20 si se hace el cambio s n, entonces f p +( p)( q) q s s0 p +( p)( q) q donde se ha usado la fórmula de la suma de los elementos de una serie geométrica. Así, f yelestadoe es recurrente. En los estados recurrentes se puede estudiar, también, el tiempo medio de recurrencia µ de un estado recurrente E j, el cual, cuando f j f (n) j, se expresa como por µ j n n nf (n) j. En el ejemplo, el estado E es recurrente con un tiempo medio de recurrencia dado µ n nf (n) p +( p)( q) q p + pq q nq n n ya que NOTA: P n nqn P s0 (s +)qs + P q s0 sqs (por ser P s0 qs ) q Derivando ambos términos de P s0 qs,seobtiene, q P s sqs, es decir, P ( q) s0 sqs q, luego ( q) P n nqn P s0 (s +)qs q s0 sqs q Sustituyendo en la expresión general, p +( p)( q) P ³ n nqn p +( p)( q) 0 + q q ( q). q ( q)

21 p pq+( p)( q)+q pq q Simplificando términos, esto es igual a p pq+ q p+pq+q q p q+pq q. La expresión anterior es finita en este caso, aunque no tiene por qué ser siempre así. Un estado recurrente se dice que es nulo, siµ j yesnonuloencasocontrario. Para obtener una cadena con estados recurrentes nulos basta hacer que las probabilidades de transición dependan del número de pasos n. En el caso de probabilidades de transición constantes no aparecen estados recurrentes nulos. Ejemplo. Supongamos una cadena con la siguiente matriz de transición cuyo diagrama es T n 0 n+ n+ /, E / /(n+) E E n/(n+)

22 Se tiene que f () f () 0 f () en general, para n, Así, Se tiene que como n f (n) n 5 n n + n(n +). n(n +) lím N f n n n(n +). n(n +) n n + NX µ n n + lím N entonces f + 8 +, lo que significa que E es un estado recurrente. µ N +, Por otro lado, el tiempo medio de recurrencia µ nf (n) n n(n +) n n (n +) n µ n, n5 pero P n5 es la llamada serie armónica (menos los cuatro primeros términos) que es n divergente. Así µ, con lo cual E es recurrente y nulo. Los estados pueden ser a la vez recurrentes y periódicos.

23 Probabilidad de primera pasada en general Se puede generalizar el concepto de probabilidad de primera pasada, calculando la probabilidad de pasar de un estado i a otro estado j en n etapas por primera vez: f (n) ij que en las etapas intermedias se haya pasado antes por j : sin r,,...,n donde n,,,... f (n) ij P (X n j, X r 6 j X 0 i), Para n, f () ij P (X j X 0 i) p ij. Para n, f () ij P (X j, X 6 j X 0 i) X P (X k X 0 i) P (X j X k) X p ik p kj k6j k6j X k6j p ik f () kj. Para n>, f (n) ij X k6j P (X k X 0 i) f (n ) kj X k6j p ik f (n ) kj. Se puede observar que para calcular f (n) ij se necesita calcular de modo iterativo f (s) kj con s<npara todo k 6 j, ysepuedeexpresarlaúltimaigualdadcomoelproductode la j-ésima coordenada de la matriz T por el vector de los f (n ) j : ij p i... p i,j 0 p i,j+... f (n) f j. (n ) f (n ) j j f (n ) jj f (n ) j+,j.

24 En general, se tiene que f (n) j p... p,j 0 p,j p i... p i,j 0 p i,j f j. (n ) f (n ) j j f (n ) jj f (n ) j+,j es decir, con la columna j -ésima de la matriz de transición sustituida por una columna de ceros. También, se puede generalizar f j cuando se accede a j desde un estado i cualquiera: f ij f (n) ij. Estado transitorio n0 En un estado recurrente, la probabilidad de que se regrese por primera vez a ese estado en algún paso es, pero para otros estados sucede que f j f (n) j < n lo que significa es que no se regresa al estado E j de modo seguro. Un estado así se denomina transitorio.. Ejemplo. Supongamos una cadena con la siguiente matriz de transición cuyo diagrama es T

25 / E / E / / / / E / E El estado E es transitorio ya que, así, f n f (n) f () 0 f () f () f (n) n µ µ n, µ n µ < luego E es un estado transitorio. De hecho no se puede acceder a E desde E ó E. Estado ergódico Un estado bastante importante es aquel que es recurrente, no nulo y aperiódico. Recibe el nombre de ergódico. Los estados ergódicos son importantes en la clasificación de cadenas y para probar la existencia de distribuciones de probabilidad límite. 5

26 Ejemplo. En la cadena de Markov ya estudiada con tres estados y matriz de transición T p p 0 0 0, q 0 q donde 0 <p< y 0 <q<. Se puede comprobar que E es ergódico. Se tenía que y, en general (n ), de modo que E era recurrente. f () p f () 0 f () ( p) ( q) f (n) ( p) ( q) q n. Se tiene que el tiempo de recurrencia medio es µ nf (n) p +( p) ( q) n Como P n nqn q + q ( q) n nq n como se vio antes, y sustituyendo µ µ p +( p) ( q) q + q ( q) q( p) p +( p)+ < q La convergencia de µ implica que E es no nula, además se demuestra fácilmente que los elementos diagonales p (n) ii > 0 para n e i,,, lo que significa que E es aperiódico. De este modo por la definición establecida antes E es ergódica. Clasificación de cadenas En esta sección se definen propiedades de las cadenas que, en realidad, son propiedades comunes de los estados de la cadena. 6

27 Cadenas irreducibles Una cadena irreducible es aquella en la que todos los estados son alcanzables desde cualquier otro estado de la cadena en un número finito de pasos. Eso implica que se puede llegar a cualquier estado E j desde otro estado E i esto es p (n) ij entero n. > 0, para algún número Una matriz A [a ij ] se dice que es positiva si a (n) ij > 0 para todos los i, j. UnamatrizdetransiciónT se dice que es regular si existe un número entero N tal que T N es positivo. Una cadena regular obviamente es irreducible, sin embargo, lo contrario no tiene por qué ser necesariamente cierto. Ejemplo. Suponemos la siguiente matriz de transición de una cadena irreducible T µ 0 0. Como y T n T n+ µ 0 0 µ 0 0 I T para n,,,... entonces ninguna potencia de T es una matriz positiva y por tanto no esunacadenaregular. Ejemplo. Se puede ver que una cadena en la tercera etapa, con matriz de transición T define una cadena regular y, así, una cadena irreducible también. 7

28 y T 0 0 T Así, T es una matriz positiva, lo que significaquelacadenaesregular Una propiedad muy importante de las cadenasirreduciblesesquetodossusestados son del mismo tipo, esto es, o bien todos son transitorios o bien todos son recurrentes (nulos o no nulos) y todos tienen el mismo periodo. Esto significa que la clasificación de todos los estados de una cadena se puede deducir a partir de la clasificación conocida de uno de los estados. También es obvio que todos los estados de una cadena finita irreducible no pueden ser transitorios, ya que eso significaría que el regreso a alguno de los estados no sería seguro, aunque todos los estados fueran accesibles desde cualquiera de ellos en un número finito de pasos. Conjuntos cerrados Una cadena de Markov puede contener algunos estados que sean recurrentes, otros que sean transitorios y otros que sean absorbentes. Los estados recurrentes pueden ser parte de subcadenas cerradas. Un conjunto de estados C en una cadena de Markov se dice que es cerrado si cualquier estado dentro de C puede alcanzarse desde cualquier otro estado de C y ningún otro estado fuera de C puede ser alcanzado desde cualquier estado dentro de C. Así una condición necesaria para que esto ocurra es que p ij 0 E i C, E j / C Los estados absorbentes son cerrados con sólo un elemento. Se puede ver que un 8

29 subconjunto cerrado es él mismo una subcadena irreducible de una cadena de Markov completa. Ejemplo. Supongamos la siguiente cadena cuyo diagrama es / / / E / E / / / / E6 / E / / / / / E5 E / / ylamatrizdetransiciónasociadaes T Observando el diagrama se tiene que el conjunto {E,E } forman una subcadena cerrada e irreducible ya que ningún estado fuera de E y E se puede alcanzar desde ellos. De modo similar {E 5,E 6 } forman una subcadena cerrada e irreducible. Los estados E y 9

30 E son transitorios. Todos los estados son aperiódicos, lo que significa que E,E,E 5 y E 6 son ergódicos. Cadenas ergódicas Se tenía que todos los estados en una cadena irreducible pertenecen a la misma clase. Si todos los estados son ergódicos, esto es, recurrentes, no nulos y aperiódicos entonces se define la cadena como ergódica. Ejemplo. Supongamos la siguiente cadena cuya matriz de transición es Los autovalores de la matriz son T λ λ i λ 5 5 i ylamatrizdeautovectoreses C + 6i i + i i y su inversa es C i i i 7 i i i 6 5 Para calcular la distribución límite Q lím n T n C C 0

31 entonces como p (n) p (0) T n, la distribución límite es p lím n p (n) lím ³ 5 p (0) p (0) p (0) p (0) T n p (0) Q n El vector p da las probabilidades de los estados a largo plazo, y esta distribución es independiente del estado inicial p (0). Si consideramos, a continuación, el diagrama de estados /5 E /5 E E La probabilidad de primer retorno para cada uno de los estados f (n) i observando el diagrama de estados previo. se puede calcular

32 Así, f () 5 f () 0 f () 5 5 f (n) 0, n Del mismo modo, f () f () 0 f () f () 0 f (n) f (n) µ n µ n, n. 5 Para calcular los tiempos de recurrencia medios, en cada caso, µ nf (n) µ µ n n nf (n) 5 µ n ( ) n (*) donde se ha empleado la misma relación que en los ejemplos anteriores: nq n q + q ( q) n Se observa que el vector de recíprocos n 5 + ³ µ µ µ es igual que el vector p calculado mediante los autovalores y autovectores. Para cadenas ergódicas se obtiene siempre que la distribución invariante es el recíproco del vector de tiempos medios de recurrencia.

33 Representación Canónica de una matriz de transición Se trata de reordenar la matriz de transición separando los estados recurrentes de los transitorios. A su vez, los estados recurrentes se tienen que reordenar juntando aquellos que se comunican entre sí. Los estados de una cadena se puede dividir en dos subconjuntos disjuntos (alguno puede ser ): uno está formado por los estados transitorios y el otro por los recurrentes, de modo que los estados transitorios son inaccesibles desde los estados recurrentes. Los estados recurrentes se pueden subdividir de manera única en conjuntos cerrados e irreducibles. Dentro de cada conjunto cerrado todos los estados se comunican y son del mismo tipo (recurrentes positivos o recurrentes nulos) y con el mismo periodo en su caso. Si dos estados están en distintos conjuntos cerrados, no se pueden comunicar. Además, si dos estados i y j pertenecen al mismo conjunto cerrado e irreducible entonces f ij f ji y si están en conjuntos distintos entonces f ij f ji 0. De acuerdo con este resultado se puede hacer una reordenación de los estados, y así de las filas y columnas de la matriz de transición, colocando los estados transitorios en último lugar. P P P P r 0 Q Q Q r Q donde las submatrices P i (i,...,r) están asociadas a subcadenas recurrentes cerradas, Q i (i,...,r) dan la probabilidad de pasar a los estados recurrentes desde los transitorios y Q da la probabilidad de pasar de transitorios a transitorios.

34 Cadenas Infinitas Consideramos quelacadenanoesfinita y que el proceso continua de manera indefinida. Se entiende por visita a un estado j como la etapa o momento en el que la cadena se encuentra en el estado j, y se denota por N j el número de visitas que se hacen al estado j en el proceso. Distribución de N j (i) Los posibles valores que puede tomar N j son 0,,,,... Así, se tienen dos casos: donde f ij P n f (n) ij. P (N j m X 0 i) ½ fij f m jj ( f jj ) si m,,... f ij si m 0 Equivale a la probabilidad de ir de i a j una vez, y de ir a j (m ) veces, y la de no volver nunca a j. (ii) P (N j m X 0 j) ½ f m jj ( f jj ) si m,,... 0 si m 0 dado que se parte ya de una visita al estado j. Si j es un estado recurrente, entonces f jj y f ij si m 0 P (N j m X 0 i) 0 si m,,... f ij si m ½ 0 si m 0,,,... P (N j m X 0 j) si m es decir, si j es recurrente la probabilidad de que partiendo de i se visite j es f ij yel número de veces que se visita es infinito, pues una vez en j se vuelve a ese estado infinitas veces.

35 Número medio de visitas la estado j Se demuestra que calculando la esperanza de la variable N j se obtiene, por estar relacionada con la distribución geométrica, que y del mismo modo Se denota como E [N j X 0 i] E [N j X 0 j] f ij f jj f jj f ij R ij f jj al número medio de visitas a j partiendo de i y R jj f jj al número medio de visitas a j partiendo de j. Así, si j es recurrente, f jj de manera que R jj Si j es transitorio entonces f jj < y R jj <, es decir, en algún momento dado ya no se vuelve a j. Así, en realidad, el cálculo de R jj tiene interés para un estado transitorio. Proposición Se cumple que Demostración R ij n0 T (n) ij Fijado el estado j, se define un contador de visitas como ½ si Nj n Xn j 0 si X n 6 j de este modo, N j Nj n n0 5

36 entonces E N n j X 0 i P (X n j X 0 i) T (n) ij con lo que " X E [N j X 0 i] E n0 N n j # X 0 i E Nj n X 0 i n0 n0 T (n) ij. Si se denomina R alamatriz(r ij ) i,j E entonces se tiene que R I + T + T + T n. Comportamiento en el límite de una cadena de Markov Se trata de calcular la probabilidad de visitar un estado j desde un estado i (f ij ) teniendo en cuenta cómo sean los estados. (i) Sii y j son ambos recurrentes entonces f ij cuando ambos pertenecen al mismo conjunto cerrado, ó f ij 0cuando pertenecen a conjuntos cerrados diferentes. (ii) Sii es recurrente y j es transitorio entonces f ij 0, ya que no se puede acceder a ningún estado transitorio desde uno recurrente. (iii)sii y j son ambos transitorios, entonces, como se tenía que R ij despejando se obtiene que n0 f ij f jj y R jj f jj, f ij R ij R jj f jj R jj Cálculo de R ij Se parte de la descomposición canónica de la matriz de transición µ K 0 P L Q 6

37 como R I + P + P + P n0 P n, entonces donde L n 6 L n, entonces R P n P n n0 µ K n 0 L n Q n µ P Pn0 Kn 0 n0 L P n n0 Qn es la matriz que proporciona el número medio de visitas a cada estado desde otro estado. Si sólo interesa considerar estados i, j transitorios, basta tomar la matriz S Q n n0 (I Q). De este modo, se enuncia la siguiente proposición. Proposición Dados i, j E transitorios, la probabilidad de pasar de i a j es f ij S ij S jj f jj S jj donde S (I Q), siendo Q la submatriz correspondiente a los estados transitorios en la representación canónica Caso en que i es transitorio y j recurrente Se tiene que todo estado recurrente j se encuentra en un conjunto cerrado e irreducible. De este modo, si i es transitorio y j pertenece a un conjunto cerrado e irreducible de estados recurrentes, entonces j, k C f ij f ik ya que j, k C f jk f kj Debido a esto, se puede considerar la siguiente definición: 7

38 Definición Se llama probabilidad de absorción de un estado transitorio i por un conjunto cerrado eirreduciblec, a la probabilidad f ij, j C. En realidad, sólo es necesario calcular las probabilidades de absorción, y los conjuntos cerrados e irreducibles presentes en una cadena se toman como estados absorbentes. Así de la matriz canónica P con r conjuntos cerrados irreducibles y m estados transitorios se pasa a otra matriz reducida P P P P P r 0 Q Q Q r Q b b b r Q B Q de modo que se considera cada conjunto cerrado irreducible como un único estado absorbente y las matrices Q i pasan a ser vectores columna b i que dan las probabilidades de transición de los estados transitorios al conjunto cerrado correspondiente i (y así a todos sus correspondientes estados recurrentes). Deestemodosedefine siendo, en cada caso, b b r B..... b m b mr b ij X k C j P ik i E transitorio. Así se suman las probabilidades de transición en una etapa, del estado transitorio i a todos los estados recurrentes que están contenidos en el conjunto cerrado correspondiente C j. 8

39 Proposición Sea Q la matriz obtenida a partir de la representación de la matriz canónica P, eliminando las filas y columnas pertenecientes a los estados recurrentes, y sea B la matriz construida a partir de los vectores columna b j, donde j,...,r, entonces la matriz G (I Q) B S B recoge las probabilidades de absorción de los estados transitorios por los conjuntos cerrados e irreducibles. Se demuestra calculando P n y haciendo n. Así, G ij f ik k C j, donde i es transitorio. El siguiente concepto que es interesante de considerar, es el tiempo que se tarda en ser absorbido. Definición Se define el tiempo medio de absorción desde un estado transitorio i, comoelnúmero medio de etapas que, comenzando en i, la cadena recorrerá antes de pasar a cualquier conjunto cerrado e irreducible. Este número de etapas es la suma de las visitas que se hacen a todos los estados transitorios, es decir A i X R ij j D donde D es el conjunto de los estados transitorios. Como la matriz fundamental de la representación canónica S recoge el número medio de visitas a estados transitorios desde estados transitorios, basta fijar la fila i ysumaren j los elementos S ij cuando j D. Así, A i se calcula sumando los elementos de la fila i ésimadelamatrizfundamentals. Se puede generalizar esta idea, y plantearse calcular el número medio de etapas que hay que recorrer antes de visitar un estado transitorio j por primera vez. En este caso 9

40 bastará con sumar sólo aquellos R ik donde k 6 j, es decir si se impone la visita a j por primera vez, el número medio de etapas será donde k D. Cadenas periódicas X k6j Si un estado j es periódico con periodo δ y otro estado i comunica con él, entonces el estado i también es periódico con el mismo periodo. De este modo, el periodo es una característica común del conjunto irreducible y cerrado y se puede hablar del periodo de una subcadena irreducible. Proposición Si una subcadena cerrada e irreducible de estados C E tiene periodo δ, entonces C puede subdividirse de manera única en δ subconjuntos D 0,D,...,D δ, tal que δ S D i C, de manera que la evolución de la cadena se produce cíclicamente pasando en cada etapa de D r a D r+ yded δ a D 0. R ik i0 Ejemplo. En una carrera que dura años, una persona tiene cada año una probabilidad p de pasar al siguiente curso, una probabilidad q de repetir curso y una probabilidad p q de abandonar los estudios. Consideramos, así el espacio de estados E {,,,A,T} donde A es abandonar, y T es terminar los estudios. El grafo correspondiente es 0

41 q p -p-q q -p-q A p -p-q q p T Entonces la matriz de transición es q p 0 p q 0 0 q p p q 0 T 0 0 q p q p A T donde los estados absorbentes son {A, T } y los estados transitorios son {,, }. Se reordena la matriz y se obtiene la matriz en forma canónica, poniendo primero los estados recurrentes y luego los transitorios: P A T p q 0 q p 0 p q 0 0 q p p q p 0 0 q Se puede preguntar alguien por cosas como: cuál es la probabilidad de acabar los estudios? cuál es el número medio de años que pasa una persona estudiando en el centro? Así, nos planteamos: (i) cuál es el número medio de años que pasa una persona estudiando en el primer curso?

42 luego En este caso, S (I Q) Se pide calcular R. Como el estado es transitorio Q q p 0 0 q p 0 0 q ( q) p( q) p 0 ( q) p( q) ( q) 0 0 ( q) R S ( q) ( q) q. Así, si suponemos que la probabilidad de pasar de curso es p 0,, la de repetir curso es q 0,55 y la probabilidad de abandonar es p q 0,05, entonces R q, años 0,55 Si aumenta el valor de q, entonces aumenta también el número medio de años: R q 0,75 años. (ii) cuál es la probabilidad de que se llegue a tercer curso? La probabilidad de pasar a tercer curso es f. Como y son transitorios, entonces donde S (I Q). Entonces Si p 0,, y q 0,55 f f f S S p ( q) ( q) ( q) p ( q). p ( q) 0,6 0,05 0,790

43 Si se toma p 0,, y q 0,75 esta probabilidad disminuye f p ( q) 0,0 0,065 0,6 (iii) cuál es la probabilidad de que no se llegue a segundo curso? luego Se pide ( f ). Como f S S En el caso de tomar p 0,, y q 0,75 p( q) ( q) ( q) p q, ( q) ( f ) p q ( f ) 0,05 0,5 0,. (iv) Si se empieza en primero, cuál es la probabilidad de acabar la carrera? Los estados {A, T } son recurrentes, de modo que se busca f T donde es un estado transitorio y T es recurrente. Como T es absorbente (sólo él forma un conjunto cerrado e irreducible) entonces basta calcular la probabilidad de absorción del por el conjunto absorbente T. Así, Se calcula entonces G (I Q) B donde B p q 0 p q 0. p q p G (I Q) B p ( q) p ( q) p ( q) p p q ( q) p( q) p 0 ( q) p( q) ( q) 0 0 ( q) ( q) p q. p q 0 p q 0 p q p

44 Por lo tanto, la probabilidad de acabar la carrera (pasar de a T )es Así, si p 0,, y q 0,55, p ( q). f T 0, 0,5 0,70 De aquí se deduce que la probabilidad de abandonar la carrera (pasar de a A) es f A 0,70 0,977 (v) Cuál es el número medio de años que se pasa en la carrera? Se trata de calcular, en realidad, el número medio de etapas que se pasa en los estados transitorios, cuando se parte del estado transitorio. Esto es equivalente a calcular el tiempo medio de absorción desde i,esdecir,a. Se calcula el número medio de visitas (etapas) que se hacen a, a y a. Se considera S (I Q), entonces Si p 0,, y q 0,55, A A R + R + R ( q) ( q) + p( q)+p A 0,5 +0, 0,5 + 0, 5,95 años 0,5 Si p 0,, y q 0,75, A 0,5 +0, 0,75 + 0, 6,6 años 0,5 (vi) Cuál es el número medio de años que se tarda en llegar a tercero? Se tiene que calcular el número medio de etapas que se tienen que hacer desde primero antes de llegar a tercero. Si p 0,, y q 0,55, τ R + R τ 0,05 + 0, 0,5 0,095 ( q) p( q) + ( q) ( q),975 años.

45 Distribuciones estacionarias Se trata de determinar las distribuciones sobre el conjunto de estados E tales que la distribución del proceso X n encualquierinstanteeslamismaqueenelinstanteinicial X 0. Se le denomina, también, distribución de equilibrio. El caso más interesante corresponde a cadenas irreducibles y aperiódicas. Definición (Distribución estacionaria) Sea E el conjunto de estados de una cadena de Markov con matriz de transición T. Una distribución π [π i ] donde i E se dice que es estacionaria o de equilibrio si π πt Alternativamente, se puede escribir como π j X π i T ij i E Teorema Dada la matriz de transición T de una cadena de Markov finita, aperiódica e irreducible con m estados, existe, entonces una única solución al sistema de ecuaciones mx π j π i T ij i para todo j,...,m, de modo que P m i π i. Además, la solución viene dada por para todo i, j,...,m. π j lím T (n) ij n Observaciones. Este teorema asegura que si una cadena es finita, irreducible y aperiódica (así es ergódica) existe una única distribución estacionaria que se obtiene resolviendo el correspondiente sistema de ecuaciones. 5

46 El hecho de que para todo i,...,m resulta que π j lím n T (n) ij implica que cualquiera que sea el estado de partida, la probabilidad de transición en n etapas al estado j se estabiliza y es igual a π j. Tiempos medios de recurrencia Las probabilidades estacionarias de una cadena finita, irreducible y aperiódica (formada por estados recurrentes positivos) están relacionadas con los tiempos medios de recurrencia de los estados. Proposición Sea {X n } una cadena finita, irreducible y aperiódica, entonces, j E el tiempo medio de recurrencia al estado j, µ j, se relaciona con π j así: π j lím T (n) jj. n µ j Observaciones. Esto indica que cuanto mayor es el tiempo medio de recurrencia del estado j, menor es la probabilidad de que nos encontremos en ese estado j, cuando pase un tiempo suficientemente grande. Por otro lado, µ j se puede calcular como µ j n nf (n) j En el caso de que se tenga una cadena de Markov no finita, aperiódica e irreducible se cumple el teorema anterior, aunque se requiere que todos sus estados sean recurrentes positivos. Probabilidades de transición límite En general, dada una matriz en forma canónica P se puede estudiar qué valores tomaría P lím P n n 6

47 donde P es la matriz de transición de una cadena de Markov finita, no necesariamente irreducible y aperiódica. La matriz P, en su forma canónica, tiene la siguiente expresión P P... 0 P r L Q Casos: (i) Cada una de las submatrices P i, i,...,r está asociada a r cadenas irreducibles, y para este tipo de cadenas se tiene una distribución límite que es estacionaria, esto es, i, π j lím P (n) ij. n (ii) En los estados transitorios las distribuciones límite asignan probabilidad 0, luego j transitorio. lím P (n) ij 0 n (iii) Para i transitorio y j recurrente, lím P (n) ij lím f ij P (n) jj f ij lím P (n) jj f ij π j, n n n donde f ij k0 f (k) ij. Ejemplo. Un grupo de personas elige un lugar de viaje de findefin curso entre Bahamas, Europa o Hawai utilizando las siguientes reglas: Si estuvo en Bahamas el año anterior, se elige Europa con probabilidad p yhawai con p. 7

48 Si estuvo en Europa el año anterior, se elige Bahamas con probabilidad p 8, Europa con p 8 yhawaiconp. Si estuvo en Hawai se elige Bahamas o Europa con probabilidad p. En este caso, E {B,E,H} conmatrizdetransición T Es una cadena finita, aperiódica e irreducible, por lo que se calcula su distribución estacionaria. πb π E π H πb π E π H 0 de modo que queda el sistema de ecuaciones π B 8 π E + π H π E π B + 8 π E + π H π B + π E + π H π H π B + π E dado que las tres primeras ecuaciones son linealmente dependientes. Se obtiene π B 0, π E 0, π H 0, Se puede interpretar que después de un largo periodo de tiempo se prefiere Europa con probabilidad 0,, y después Bahamas y Hawai con probabilidad 0,. 8

CONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD

CONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos

Más detalles

2 CADENAS DE MARKOV HOMOGÉNEAS DE PARÁMETRO DISCRETO

2 CADENAS DE MARKOV HOMOGÉNEAS DE PARÁMETRO DISCRETO 2 CADENAS DE MARKOV HOMOGÉNEAS DE PARÁMETRO DISCRETO Cadenas de Markov 10 En la primera parte del capítulo se estudian las probabilidades condicionales de transición -definidas en (l5) y (16) - e incondicionales

Más detalles

Cadenas de Markov. José Antonio Camarena Ibarrola

Cadenas de Markov. José Antonio Camarena Ibarrola Cadenas de Markov José Antonio Camarena Ibarrola Definiciones elementales El proceso discreto cadena de Markov si se cumple es denominado es la probabilidad de que en el tiempo k, el proceso esté en el

Más detalles

FORMULARIO CADENAS DE MARKOV

FORMULARIO CADENAS DE MARKOV FORMULARIO CADENAS DE MARKOV Fuente: F. Hillier - G. Lieberman: Introducción a la investigación de operaciones. Sexta edición. Ed. Mc-Graw Hill. Proceso estocástico. Un proceso estocástico es una colección

Más detalles

Cadenas de Markov Tiempo Discreto. Modelado y Análisis de Redes de Telecomunicaciones

Cadenas de Markov Tiempo Discreto. Modelado y Análisis de Redes de Telecomunicaciones Cadenas de Markov Tiempo Discreto Modelado y Análisis de Redes de Telecomunicaciones Motivación Ejemplo 1 Sea un enrutador al que arriban paquetes de otros (varios) routers Cuando más de un paquete llega

Más detalles

Cadenas de Markov Tiempo Continuo. Modelado y Análisis de Redes de Telecomunicaciones

Cadenas de Markov Tiempo Continuo. Modelado y Análisis de Redes de Telecomunicaciones Tiempo Continuo Modelado y Análisis de Redes de Telecomunicaciones 1 Agenda en tiempo continuo Ergodicidad de la cadena Ejemplo: Líneas Telefónicas página 2 CMTC Consideremos ahora los procesos de Markov

Más detalles

CLASIFICACIÓN DE ESTADOS (Parte 2) Dr. José Dionicio Zacarias Flores

CLASIFICACIÓN DE ESTADOS (Parte 2) Dr. José Dionicio Zacarias Flores CLASIFICACIÓN DE ESTADOS (Parte 2) Dr. José Dionicio Zacarias Flores Definiciones Se dice que un estado i es esencial si y sólo si se comunica con cada estado al que conduce; de lo contrario, se denomina

Más detalles

Matrices. José Vicente Romero Bauset. ETSIT-curso 2009/2010. José Vicente Romero Bauset Tema 1.- Matrices. 1

Matrices. José Vicente Romero Bauset. ETSIT-curso 2009/2010. José Vicente Romero Bauset Tema 1.- Matrices. 1 Matrices José Vicente Romero Bauset ETSIT-curso 2009/2010 José Vicente Romero Bauset Tema 1- Matrices 1 Introducción Por qué estudiar las matrices? Son muchas las situaciones de la vida real en las que

Más detalles

Procesos estocásticos Sesión 4. Cadenas de Markov

Procesos estocásticos Sesión 4. Cadenas de Markov Procesos estocásticos Sesión 4. Cadenas de Markov Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos 1. Probabilidades de retorno

Más detalles

Cadenas de Markov Tiempo Discreto. Modelado y Análisis de Redes de Telecomunicaciones

Cadenas de Markov Tiempo Discreto. Modelado y Análisis de Redes de Telecomunicaciones Cadenas de Markov Tiempo Discreto Modelado y Análisis de Redes de Telecomunicaciones Motivación Ejemplo 1 Sea un enrutador al que arriban paquetes de otros (varios) routers Cuando más de un paquete llega

Más detalles

CONFERENCIA TEMA: CADENAS DE MARKOV

CONFERENCIA TEMA: CADENAS DE MARKOV Prof.: MSc. Julio Rito Vargas Avilés CONFERENCIA TEMA: CADENAS DE MARKOV Agenda: Proceso estocástico Concepto de Cadena de Markov Clasificación de estados de una CM y ejemplos Distribución estacionaria

Más detalles

Cadenas de Markov. José Antonio Camarena Ibarrola

Cadenas de Markov. José Antonio Camarena Ibarrola Cadenas de Markov José Antonio Camarena Ibarrola Definiciones elementales El proceso discreto cadena de Markov si se cumple es denominado es la probabilidad de que en el tiempo k, el proceso esté en el

Más detalles

Sistemas de Ecuaciones Lineales y Matrices

Sistemas de Ecuaciones Lineales y Matrices Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una

Más detalles

Una invitación al estudio de las cadenas de Markov

Una invitación al estudio de las cadenas de Markov Una invitación al estudio de las cadenas de Markov Víctor RIVERO Centro de Investigación en Matemáticas A. C. Taller de solución de problemas de probabilidad, 21-25 de Enero de 2008. 1/ 1 Potencias de

Más detalles

CONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD

CONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos

Más detalles

Contenido. 2 Operatoria con matrices. 3 Determinantes. 4 Matrices elementales. 1 Definición y tipos de matrices

Contenido. 2 Operatoria con matrices. 3 Determinantes. 4 Matrices elementales. 1 Definición y tipos de matrices elementales Diciembre 2010 Contenido Definición y tipos de matrices elementales 1 Definición y tipos de matrices 2 3 4 elementales 5 elementales Definición 1.1 (Matriz) Una matriz de m filas y n columnas

Más detalles

Algunos Tipos de matrices. Matrices. Algunos Tipos de matrices. Algunos Tipos de matrices

Algunos Tipos de matrices. Matrices. Algunos Tipos de matrices. Algunos Tipos de matrices Matrices Una matriz de orden m n es un conjunto ordenado de m n números reales dispuestos en m filas y n columnas de la forma: A = a 11 a 12 a 1j a 1n a 21 a 22 a 2j a 2n a i1 a i2 a ij a in a m1 a m2

Más detalles

TEMA 11. Autovalores y autovectores. Diagonalización y formas canónicas.

TEMA 11. Autovalores y autovectores. Diagonalización y formas canónicas. TEMA 11 F MATEMÁTICOS TEMA 11 Autovalores y autovectores Diagonalización y formas canónicas 1 Introducción Definición 1 (Matrices semejantes) Sean A y B dos matrices cuadradas de orden n Decimos que A

Más detalles

CONFERENCIA TEMA: CADENAS DE MARKOV

CONFERENCIA TEMA: CADENAS DE MARKOV Prof.: MSc. Julio Rito Vargas Avilés CONFERENCIA TEMA: CADENAS DE MARKOV Agenda: Proceso estocástico Concepto de Cadena de Markov Clasificación de estados de una CM y ejemplos Distribución estacionaria

Más detalles

Matrices y sistemas de ecuaciones

Matrices y sistemas de ecuaciones Matrices y sistemas de ecuaciones María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Matrices y sistemas de ecuaciones Matemáticas I 1 / 59 Definición de Matriz Matrices

Más detalles

Maestría en Bioinformática Probabilidad y Estadística: Clase 7

Maestría en Bioinformática Probabilidad y Estadística: Clase 7 Maestría en Bioinformática Probabilidad y Estadística: Clase 7 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Condiciones de ergodicidad

Más detalles

UNIVERSIDAD DE MANAGUA Al más alto nivel

UNIVERSIDAD DE MANAGUA Al más alto nivel UNIVERSIDAD DE MANAGUA Al más alto nivel Investigación de Operaciones Encuentro #7 Tema: Cadenas de Markov Prof.: MSc. Julio Rito Vargas A. Grupo:CCEE y ADMVA /26 Objetivos: Aplicar la teoría fundamental

Más detalles

ALGEBRA LINEAL Segundo Semestre. Parte II

ALGEBRA LINEAL Segundo Semestre. Parte II 1 Universidad Nacional de La Plata Facultad de Ciencias Astronómicas y Geofísicas ALGEBRA LINEAL 2015 Segundo Semestre Parte II 2 1. Valores y Vectores propios. Diagonalización.Forma de Jordan. 1.1. Polinomios

Más detalles

CADENAS DE MARKOV CON PARÁMETRO DISCRETO Rosario Romera Febrero 2009

CADENAS DE MARKOV CON PARÁMETRO DISCRETO Rosario Romera Febrero 2009 DENS DE MRKOV ON PRÁMETRO DISRETO Rosario Romera Febrero 9. Nociones básicas De nición: El proceso fx n g nn con espacio de estados S N es una adena de Markov si 8n; m N y 8i ; : : : i n ; j S se cumple

Más detalles

Algebra lineal y conjuntos convexos

Algebra lineal y conjuntos convexos Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar

Más detalles

Ecuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones

Ecuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones de ecuaciones e inecuaciones Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es 1 Índice 1. Definiciones 3 2. Herramientas 5 2.1. Factorización de polinomios: Regla

Más detalles

Diagonalización de matrices

Diagonalización de matrices 7 Diagonalización de matrices 7.1. Matrices diagonalizables Existen diversos procesos en los que el estado en cada uno de sus pasos se puede representar por un determinado vector y en los que, además,

Más detalles

Ecuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones

Ecuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones Ecuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Herramientas 6 1.1. Factorización

Más detalles

1. Lección 3: Matrices y Determinantes

1. Lección 3: Matrices y Determinantes Apuntes: Matemáticas Empresariales II 1. Lección 3: Matrices y Determinantes Se define matriz de orden n m a todo conjunto de n m elementos de un cuerpo K, dispuestos en n filas y m columnas: A n m = (

Más detalles

un conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades:

un conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades: CAPÍTULO 2: ESPACIOS VECTORIALES 2.1- Definición y propiedades. 2.1.1-Definición: espacio vectorial. Sea un cuerpo conmutativo a cuyos elementos denominaremos escalares o números. No es necesario preocuparse

Más detalles

Procesos estocásticos Cadenas de Márkov

Procesos estocásticos Cadenas de Márkov Procesos estocásticos Cadenas de Márkov Curso: Investigación de Operaciones Ing. Javier Villatoro PROCESOS ESTOCASTICOS Procesos estocásticos Es un proceso o sucesión de eventos que se desarrolla en el

Más detalles

Tema 1: Matrices. El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico.

Tema 1: Matrices. El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico. Tema 1: Matrices El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico. 1. Terminología Comenzamos con la definición de matriz

Más detalles

Tema 1 CÁLCULO MATRICIAL y ECUACIONES LINEALES

Tema 1 CÁLCULO MATRICIAL y ECUACIONES LINEALES Tema 1 CÁLCULO MATRICIAL y ECUACIONES LINEALES Prof. Rafael López Camino Universidad de Granada 1 Matrices Definición 1.1 Una matriz (real) de n filas y m columnas es una expresión de la forma a 11...

Más detalles

Vectores y Matrices. Tema 3: Repaso de Álgebra Lineal Parte I. Contenidos

Vectores y Matrices. Tema 3: Repaso de Álgebra Lineal Parte I. Contenidos Tema 3: Repaso de Álgebra Lineal Parte I Virginia Mazzone Contenidos Vectores y Matrices Bases y Ortonormailizaciòn Norma de Vectores Ecuaciones Lineales Algenraicas Ejercicios Vectores y Matrices Los

Más detalles

Espacios Vectoriales www.math.com.mx

Espacios Vectoriales www.math.com.mx Espacios Vectoriales Definiciones básicas de Espacios Vectoriales www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx MathCon c 007-009 Contenido. Espacios Vectoriales.. Idea Básica de Espacio Vectorial.................................

Más detalles

Cadenas de Markov. Su importancia obedece a dos razones: descritos con ellas. Cadenas de Markov

Cadenas de Markov. Su importancia obedece a dos razones: descritos con ellas. Cadenas de Markov Cadenas de Markov Hace más de un siglo se escribió el primer trabajo seminal sobre Cadenas de Markov y aún siguen siendo un instrumento tremendamente útil de modelación estocástica. Su importancia obedece

Más detalles

MATRICES. Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.

MATRICES. Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. MATRICES Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento

Más detalles

de la forma ), i =1,..., m, j =1,..., n, o simplemente por (a i j ).

de la forma ), i =1,..., m, j =1,..., n, o simplemente por (a i j ). INTRODUCCIÓN. MATRICES Y DETERMINANTES Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales.

Más detalles

Procesos estocásticos Sesión 5. Cadenas de Markov. Comportamiento asintótico

Procesos estocásticos Sesión 5. Cadenas de Markov. Comportamiento asintótico Procesos estocásticos Sesión 5. Cadenas de Markov. Comportamiento asintótico Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos

Más detalles

DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES

DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES ALGEBRA DE MATRICES DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES DEFINICIONES 2 Las matrices y los determinantes son herramientas

Más detalles

Definición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.

Definición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. Tema 1 Matrices 1.1. Conceptos básicos y ejemplos Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. NOTA:

Más detalles

MATRICES Y SISTEMAS DE ECUACIONES

MATRICES Y SISTEMAS DE ECUACIONES MATRICES Y SISTEMAS DE ECUACIONES Definición Una matriz real de orden m n es una tabla ordenada de m n números reales a 11 a 12 a 1n a A = 21 a 22 a 2n a m1 a m2 a mn en la cual las líneas horizontales

Más detalles

Podemos pues formular los dos problemas anteriores en términos de matrices.

Podemos pues formular los dos problemas anteriores en términos de matrices. Tema 5 Diagonalización 51 Introducción Valores y vectores propios 511 Planteamiento del problema Problema general de diagonalización Dado un operador lineal f sobre un espacio vectorial V de dimensión

Más detalles

Matrices, determinantes, sistemas de ecuaciones lineales.

Matrices, determinantes, sistemas de ecuaciones lineales. UNIVERSIDAD DE MURCIA Departamento de Matemáticas Óptica y Optometría Resúmenes Curso 2007-2008 Matrices, determinantes, sistemas de ecuaciones lineales. Una matriz A de orden m n es una colección de m

Más detalles

1 Clase sobre determinantes

1 Clase sobre determinantes 1 Clase sobre determinantes Una herramienta muy útil cuando trabajamos con matrices y con el producto de matrices, es su interpretación como: una colección de números, A = [a ij ] ; como una colección

Más detalles

Maestría en Bioinformática Probabilidad y Estadística: Clase 4

Maestría en Bioinformática Probabilidad y Estadística: Clase 4 Maestría en Bioinformática Probabilidad y Estadística: Clase 4 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Procesos aleatorios

Más detalles

MATRICES Y SISTEMAS DE ECUACIONES

MATRICES Y SISTEMAS DE ECUACIONES MATRICES Y SISTEMAS DE ECUACIONES Definición Una matriz real de orden m n es una tabla ordenada de m n números reales a 11 a 12 a 1n a A = 21 a 22 a 2n a m1 a m2 a mn en la cual las líneas horizontales

Más detalles

1 Aplicaciones lineales

1 Aplicaciones lineales UNIVERSIDAD POLITÉCNICA DE CARTAGENA Departamento de Matemática Aplicada y Estadística Aplicaciones lineales y diagonalización. El objetivo principal de este tema será la obtención de una matriz diagonal

Más detalles

Capítulo 2. Determinantes Introducción. Definiciones

Capítulo 2. Determinantes Introducción. Definiciones Capítulo 2 Determinantes 2.1. Introducción. Definiciones Si nos centramos en la resolución de un sistema A x = b con A una matriz n n, podemos calcular A 1 y la resolución es inmendiata. El problema es

Más detalles

Si u y v son vectores cualquiera en W, entonces u + v esta en W. Si c es cualquier numero real y u es cualquier vector en W, entonces cu esta en W.

Si u y v son vectores cualquiera en W, entonces u + v esta en W. Si c es cualquier numero real y u es cualquier vector en W, entonces cu esta en W. Unidad 4 Espacios vectoriales reales 4.1 Subespacios Si V es un espacio vectorial y W un subconjunto no vacío de V. Entonces W es un subespacio de V si se cumplen las siguientes condiciones Si u y v son

Más detalles

Conjuntos y matrices. Sistemas de ecuaciones lineales

Conjuntos y matrices. Sistemas de ecuaciones lineales 1 Conjuntos y matrices Sistemas de ecuaciones lineales 11 Matrices Nuestro objetivo consiste en estudiar sistemas de ecuaciones del tipo: a 11 x 1 ++ a 1m x m = b 1 a n1 x 1 ++ a nm x m = b n Una solución

Más detalles

Capítulo 4. Matrices Definiciones y notación

Capítulo 4. Matrices Definiciones y notación Capítulo 4 Matrices 4.1. Definiciones y notación Esta primera Sección está dedicada a la introducción de la terminología usual asociada a las matrices. En primer lugar, definimos el propio concepto de

Más detalles

Matrices y determinantes

Matrices y determinantes Matrices y determinantes Las matrices y los determinantes son herramientas del álgebra de gran utilidad en muchas disciplinas. Los campos de aplicación de la teoría de las matrices y de los determinantes

Más detalles

MATRICES Y SISTEMAS DE ECUACIONES

MATRICES Y SISTEMAS DE ECUACIONES MATRICES Y SISTEMAS DE ECUACIONES Definición Una matriz real de orden m n es una tabla ordenada de m n números reales a 11 a 12 a 1n A = a 21 a 22 a 2n a m1 a m2 a mn en la cual las líneas horizontales

Más detalles

Dos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el mismo lugar en ambas son iguales

Dos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el mismo lugar en ambas son iguales Introducción Las matrices aparecen por primera vez hacia el año 1850, introducidas por J.J. Sylvester. El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A. Cayley

Más detalles

Una matriz es una tabla ordenada (por filas y columnas) de escalares a i j de la forma: ... ... a... ...

Una matriz es una tabla ordenada (por filas y columnas) de escalares a i j de la forma: ... ... a... ... MATRICES Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales. Tienen también muchas aplicaciones

Más detalles

Análisis Factorial General.

Análisis Factorial General. Capítulo 1 Análisis Factorial General. 1.1. Análisis Factorial General (AFG). Introducción. Sea una tabla rectangular de valores numéricos, representados por una matriz X n p, con términos x ij. Nos planteamos

Más detalles

1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS

1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS 1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS 1.1 SISTEMAS DE ECUACIONES LINEALES Una ecuación lineal es una ecuación polinómica de grado 1, con una o varias incógnitas. Dos ecuaciones son equivalentes

Más detalles

Una matriz es un arreglo rectangular de números. Los números en el arreglo se llaman elementos de la matriz. ) ( + ( ) ( )

Una matriz es un arreglo rectangular de números. Los números en el arreglo se llaman elementos de la matriz. ) ( + ( ) ( ) MATRICES Una matriz es un arreglo rectangular de números. Los números en el arreglo se llaman elementos de la matriz. Ejemplo 1. Algunos ejemplos de matrices ( + ( ) ( + ( ) El tamaño o el orden de una

Más detalles

MATEMÁTICAS 2º BACH TECNOL. MATRICES. Profesor: Fernando Ureña Portero MATRICES

MATEMÁTICAS 2º BACH TECNOL. MATRICES. Profesor: Fernando Ureña Portero MATRICES CONCEPTO DE MATRIZ Definición: Se denomina matriz A o (a ij ) a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas : Columnas Filas Elemento a ij : Cada uno

Más detalles

Matrices. Álgebra de matrices.

Matrices. Álgebra de matrices. Matrices. Álgebra de matrices. 1. Definiciones generales Definición 1.1 Si m y n son dos números naturales, se llama matriz de números reales de orden m n a una aplicación A : {1, 2, 3,..., m} {1, 2, 3,...,

Más detalles

Cálculo científico y técnico con HP49g/49g+/48gII/50g Módulo 3: Aplicaciones Tema 3.5 Cadenas de Markov

Cálculo científico y técnico con HP49g/49g+/48gII/50g Módulo 3: Aplicaciones Tema 3.5 Cadenas de Markov Cálculo científico y técnico con HP49g/49g+/48gII/5g Módulo 3: Aplicaciones Tema 3.5 Cadenas de Markov Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de

Más detalles

Lección 8. Matrices y Sistemas de Ecuaciones Lineales

Lección 8. Matrices y Sistemas de Ecuaciones Lineales Lección 8 Matrices y Sistemas de Ecuaciones Lineales MIGUEL ANGEL UH ZAPATA 1 Análisis Numérico I Facultad de Matemáticas, UADY Septiembre 2014 1 Centro de Investigación en Matemáticas, Unidad Mérida En

Más detalles

TEMA 1: MATRICES. Una matriz de orden mxn es un conjunto de m n números reales dispuestos en m filas y n columnas ...

TEMA 1: MATRICES. Una matriz de orden mxn es un conjunto de m n números reales dispuestos en m filas y n columnas ... TEMA : MATRICES Una matriz de orden mxn es un conjunto de m n números reales dispuestos en m filas y n columnas a a a... a n a a a... an A... am am am... amn A los números reales a ij se les llama elementos

Más detalles

Cadenas de Markov.

Cadenas de Markov. Cadenas de Markov http://humberto-r-alvarez-a.webs.com Definición Procesos estocásticos: procesos que evolucionan de forma no determinista a lo largo del tiempo en torno a un conjunto de estado. Cadenas

Más detalles

Matrices, determinantes y sistemas de ecuaciones lineales

Matrices, determinantes y sistemas de ecuaciones lineales Matrices, determinantes y sistemas de ecuaciones lineales David Ariza-Ruiz 10 de octubre de 2012 1 Matrices Una matriz es una tabla numérica rectangular de m filas y n columnas dispuesta de la siguiente

Más detalles

Autovalores y autovectores Diagonalización y formas canónicas

Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores.propiedades Sea V un espacio vectorial sobre K y f End(V ). Fijada una base de V, existirá una matriz cuadrada A,

Más detalles

MATEMÁTICAS II: MATRICES Y DETERMINANTES

MATEMÁTICAS II: MATRICES Y DETERMINANTES MATRICES Llamaremos matriz de números reales de orden (o dimensión) m n a un conjunto ordenado de m n números reales, dispuestos en m filas y n columnas: A a 11 a 12 a 13 a 1j a 1n a 21 a 22 a 23 a 2j

Más detalles

4.3. Subespacios vectoriales

4.3. Subespacios vectoriales 4.3 Subespacios vectoriales Concepto de subespacio vectorial Un subconjunto H de un espacio vectorial V es un subespacio vectorial de V si, con las operaciones de V de suma de vectores y multiplicación

Más detalles

3. ÁLGEBRA LINEAL // 3.3. AUTOVALORES Y

3. ÁLGEBRA LINEAL // 3.3. AUTOVALORES Y 3. ÁLGEBRA LINEAL // 3.3. AUTOVALORES Y AUTOVECTORES. SISTEMAS DE EVOLUCIÓN. COMPLEMENTOS PARA LA FORMACIÓN DISCIPLINAR EN MATEMÁTICAS Curso 2011-2012 3.3.1. Ejemplos de sistemas de evolución discretos

Más detalles

Un subconjunto no vacío H de un espacio vectorial V es un subespacio de V si se cumplen las dos reglas de cerradura:

Un subconjunto no vacío H de un espacio vectorial V es un subespacio de V si se cumplen las dos reglas de cerradura: 4 Subespacios 29 b) x 5 [25;5], 5 [;24], z 5 [4;4] Use a 5 2, a 5 / a 5 2 / 2 c) Su propia elección de x,, z /o a 2 a) Elija algunos valores para n m genere tres matrices aleatorias de n m, llamadas X,

Más detalles

Matrices y determinantes. Sistemas de ecuaciones lineales

Matrices y determinantes. Sistemas de ecuaciones lineales Tema 0 Matrices y determinantes Sistemas de ecuaciones lineales 01 Introducción Definición 011 Se llama matriz a un conjunto ordenado de números, dispuestos en filas y columnas, formando un rectángulo

Más detalles

A = , B = 2 2. a 11 a 1n a 21 a 2n A = a m1 a mn

A = , B = 2 2. a 11 a 1n a 21 a 2n A = a m1 a mn Máster en Materiales y Sistemas Sensores para Tecnologías Medioambientales Erasmus Mundus NOTAS DE CÁLCULO NUMÉRICO Damián Ginestar Peiró ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA DEL DISEÑO UNIVERSIDAD POLITÉCNICA

Más detalles

Matemáticas 2ºBachillerato Aplicadas a las Ciencias Sociales

Matemáticas 2ºBachillerato Aplicadas a las Ciencias Sociales Matemáticas 2ºBachillerato Aplicadas a las Ciencias Sociales 1era evaluación. Matrices Definición: Una matriz es un conjunto de números ordenados en filas y columnas. Para definirla se utilizan letras

Más detalles

Capítulo V. Valores y vectores propios. Diagonalización de operadores lineales.

Capítulo V. Valores y vectores propios. Diagonalización de operadores lineales. Capítulo V Valores y vectores propios. Diagonalización de operadores lineales. Hemos visto que la aplicaciones lineales de en están definidas a través de una expresión de la forma ; pero esta fórmula puede

Más detalles

Ejemplo 1. Ejemplo introductorio

Ejemplo 1. Ejemplo introductorio . -Jordan. Ejemplo 1. Ejemplo introductorio. -Jordan Dos especies de insectos se crían juntas en un recipiente de laboratorio. Todos los días se les proporcionan dos tipos de alimento A y B. 1 individuo

Más detalles

Tratamiento de Señales Laboratorio 1 (2h) Cadenas de Markov

Tratamiento de Señales Laboratorio 1 (2h) Cadenas de Markov Tratamiento de Señales Laboratorio 1 (2h) Cadenas de Markov Curso 2011/2012 Materiales: (a) Ordenadores equipados con Matlab Objetivos: (a) Estudiar las cadenas de Markov como una familia de secuencias

Más detalles

Tema 1: Matrices y Determinantes

Tema 1: Matrices y Determinantes Tema 1: Matrices y Determinantes September 14, 2009 1 Matrices Definición 11 Una matriz es un arreglo rectangular de números reales a 11 a 12 a 1m a 21 a 22 a 2m A = a n1 a n2 a nm Se dice que una matriz

Más detalles

CONTENIDOS MATEMÁTICAS II SEGUNDA EVALUACIÓN CURSO 2017/2018 MATRICES

CONTENIDOS MATEMÁTICAS II SEGUNDA EVALUACIÓN CURSO 2017/2018 MATRICES CONTENIDOS MATEMÁTICAS II SEGUNDA EVALUACIÓN CURSO 2017/2018 Unidades: - Matrices (Bloque Álgebra) - Determinantes (Bloque Álgebra) - Sistemas de ecuaciones lineales (Bloque Álgebra) - Vectores (Bloque

Más detalles

a n1 a n2 a nn Es decir, una forma cuadrática es un polinomio homogéneo de grado 2 y n variables.

a n1 a n2 a nn Es decir, una forma cuadrática es un polinomio homogéneo de grado 2 y n variables. Capítulo 7 Formas cuadráticas. Aunque, pueda parecernos que vamos a estudiar un nuevo concepto, un caso particular de las formas cudráticas ya ha sido estudiado, pues el cuadrado de la norma de un vector

Más detalles

Las matrices se denotarán usualmente por letras mayúsculas, A, B,..., y los elementos de las mismas por minúsculas, a, b,...

Las matrices se denotarán usualmente por letras mayúsculas, A, B,..., y los elementos de las mismas por minúsculas, a, b,... INTRO. MATRICES Y DETERMINANTES Prof. Gustavo Sosa Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas

Más detalles

MATEMÁTICA LIC. Y PROF. EN CS. BIOLÓGICAS

MATEMÁTICA LIC. Y PROF. EN CS. BIOLÓGICAS Definición: se llama matriz de m filas y n columnas sobre un cuerpo K (R ó C), a una ordenación rectangular de la forma Notación: a11 a...... a1n a21 a...... a2n A = M M M donde cada elemento a ij Є K

Más detalles

Procesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo

Procesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo Procesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos 1. Cadenas

Más detalles

PROCESOS DE MARKOV DE TIEMPO CONTINUO

PROCESOS DE MARKOV DE TIEMPO CONTINUO CHAPTER 3 PROCESOS DE MARKOV DE TIEMPO CONTINUO 3.1 Introducción En este capítulo consideramos el análogo en tiempo continuo de las Cadenas de Markov de tiempo discreto. Como en el caso de tiempo discreto,

Más detalles

a ij x i x j = [x] t B A+At ) t = At +(A t ) t = At +A x i x j + a ij + a ji x j x i = s ij x i x j + s ji x j x i 2

a ij x i x j = [x] t B A+At ) t = At +(A t ) t = At +A x i x j + a ij + a ji x j x i = s ij x i x j + s ji x j x i 2 68 Matemáticas I : Álgebra Lineal Tema 7 Formas cuadráticas Aunque, pueda parecernos que vamos a estudiar un nuevo concepto, un caso particular de las formas cudráticas ya ha sido estudiado, pues el cuadrado

Más detalles

Tema 21. Exponencial de una matriz Formas canónicas de Jordan.

Tema 21. Exponencial de una matriz Formas canónicas de Jordan. Tema 21 Exponencial de una matriz En este tema vamos a definir y calcular la exponencial de una matriz cuadrada mediante una expresión formalmente análoga al desarrollo en serie de potencias de la exponencial

Más detalles

a n1 a n2 a nn x n a ij x i x j = [x] t B A+At ) t = At +(A t ) t = At +A x j x i = s ij x i x j + s ji x j x i 2 x i x j + a ij + a ji

a n1 a n2 a nn x n a ij x i x j = [x] t B A+At ) t = At +(A t ) t = At +A x j x i = s ij x i x j + s ji x j x i 2 x i x j + a ij + a ji 16 Fundamentos de Matemáticas : Álgebra Lineal Capítulo 1 Formas cuadráticas Aunque, pueda parecernos que vamos a estudiar un nuevo concepto, un caso particular de las formas cudráticas ya ha sido estudiado,

Más detalles

SISTEMAS DE ECUACIONES LINEALES

SISTEMAS DE ECUACIONES LINEALES SISTEMAS DE ECUACIONES LINEALES Índice: 1.Introducción--------------------------------------------------------------------------------------- 2 2. Ecuaciones lineales------------------------------------------------------------------------------

Más detalles

Sistemas de Ecuaciones Lineales. Matrices y determinantes.

Sistemas de Ecuaciones Lineales. Matrices y determinantes. Capítulo 3 Sistemas de Ecuaciones Lineales Matrices y determinantes 31 Sistemas de Ecuaciones Lineales El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación

Más detalles

Chapter 1. Matrices. 1.1 Introducción y definiciones

Chapter 1. Matrices. 1.1 Introducción y definiciones Chapter 1 Matrices 1.1 Introducción y definiciones Los conceptos de las matrices y determinantes se remonta al siglo segundo BC, incluso antes. Pero no es hasta el siglo XVII cuando las ideas reaparecen

Más detalles

Matemáticas Empresariales II

Matemáticas Empresariales II Matemáticas Empresariales II Lección 3 Manuel León Navarro Colegio Universitario Cardenal Cisneros M. León Matemáticas Empresariales II 1 / 40 Concepto de Matriz Se define matriz de orden n m a todo conjunto

Más detalles

3.7. Determinantes. Definición. El determinante de una matriz cuadrada es la suma equilibrada de todos esos posibles Definición de determinante.

3.7. Determinantes. Definición. El determinante de una matriz cuadrada es la suma equilibrada de todos esos posibles Definición de determinante. 37 Determinantes 11 Definición de determinante Para calcular el determinante de una matriz cuadrada de orden n tenemos que saber elegir n elementos de la matriz de forma que tomemos solo un elemento de

Más detalles

DETERMINANTES MATRICES EQUIVALENTES POR FILAS RANGO DE UNA MATRIZ. APLICACIONES

DETERMINANTES MATRICES EQUIVALENTES POR FILAS RANGO DE UNA MATRIZ. APLICACIONES Tema 2.- DETERMINANTES DETERMINANTES MATRICES EQUIVALENTES POR FILAS RANGO DE UNA MATRIZ. APLICACIONES 1 Un poco de historia Los determinantes es uno de los temas más útiles del Álgebra Lineal, con muchas

Más detalles

Una forma fácil de recordar esta suma (regla de Sarrus): Primero vamos a estudiar algunas propiedades de los determinantes.

Una forma fácil de recordar esta suma (regla de Sarrus): Primero vamos a estudiar algunas propiedades de los determinantes. Una forma fácil de recordar esta suma (regla de Sarrus): Ejemplos: Tarea: realizar al menos tres ejercicios de cálculo de determinantes de matrices de 2x2 y otros tres de 3x3. PARA DETERMINANTES DE MATRICES

Más detalles

4 APLICACIÓN DE CADENAS DE MARKOV A SISTEMAS DE ATENCIÓN

4 APLICACIÓN DE CADENAS DE MARKOV A SISTEMAS DE ATENCIÓN 4 APLICACIÓN DE CADENAS DE MARKOV A SISTEMAS DE ATENCIÓN 4.1 Definición del problema Cadenas de Markov 54 Dado un sistema de atención o prestación de un servicio cualquiera a clientes de cualquier naturaleza,

Más detalles

Una ecuación lineal de n-incógnitas es una igualdad de la forma:

Una ecuación lineal de n-incógnitas es una igualdad de la forma: página 1/39 Teoría Tema 6 Ecuación lineal Una ecuación lineal de n-incógnitas es una igualdad de la forma: a 1 x 1 +a 2 x 2 +a 3 x 3 +...+a n x n =c Donde a 1,a 2, a 3,..., a n,c son números reales. En

Más detalles

6 Vectores. Dependencia e independencia lineal.

6 Vectores. Dependencia e independencia lineal. 6 Vectores. Dependencia e independencia lineal. Introducción Hay fenómenos reales que se pueden representar adecuadamente mediante un número con su adecuada unidad de medida. Sin embargo para representar

Más detalles

Introducción a la Teoría de la Información

Introducción a la Teoría de la Información Introducción a la Teoría de la Información Tasa de Entropía de un Proceso Estocástico. Facultad de Ingeniería, UdelaR (Facultad de Ingeniería, UdelaR) Teoría de la Información 1 / 13 Agenda 1 Procesos

Más detalles

Geometría afín y proyectiva, 2016 SEMANA 2

Geometría afín y proyectiva, 2016 SEMANA 2 Geometría afín y proyectiva, 2016 SEMANA 2 Sonia L. Rueda ETS Arquitectura. UPM September 20, 2016 Geometría afín y proyectiva 1. Álgebra Lineal 2. Geometría afín y eucĺıdea 3. Cónicas y cuádricas Álgebra

Más detalles