Propiedades Asintóticas

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

Download "Propiedades Asintóticas"

Transcripción

1 Capítulo 3 Propedades Asntótcas 3.. Dstrbucones Estaconaras Defncón 3. Sea X n, n, una cadena de Markov con espaco de estados E y matrz de transcón P. Sea π(), E, una dstrbucón de probabldad, es decr, π() 0, para todo E, π() =. S E π()p (, j) = π(j), j E, (3.) decmos que π es una dstrbucón estaconara o una medda nvarante para la cadena X n. Para una cadena con espaco de estados fnto, observamos que s P es la matrz de transcón y π es el vector que representa la dstrbucón estaconara, podemos escrbr matrcalmente la relacón (3.) como π P = π, donde π es un vector columna y π es su traspuesto. Dada una cadena de Markov, no sempre es posble encontrar una dstrbucón estaconara, como veremos más adelante. Sea π una dstrbucón estaconara, entonces, usando las ecuacones de Chapman-Kolmogorov, π()p (2) j = π() k P k P kj = k ( π()p k )P kj = k π(k)p kj = π(j). De manera smlar, por nduccón obtenemos que para todo n, π()p (n) j = π(j), j E. (3.2) Por lo tanto, s la dstrbucón del estado ncal X 0 es π, (3.2) mplca que para todo n, P (X n = j) = π(j), j E, y en consecuenca la dstrbucón de X n es ndependente de n. Esto quere decr que la dstrbucón estaconara representa una dstrbucón de equlbro del proceso: s el proceso se nca con una dstrbucón estaconara entonces es estrctamente estaconaro.

2 88 CAPÍTULO 3. PROPIEDADES ASINTÓTICAS Supongamos ahora que la dstrbucón de X n es ndependente de n, entonces la dstrbucón ncal π 0 debe satsfacer π 0 (j) = P (X 0 = j) = P (X = j) = π 0 ()P j y en consecuenca π 0 satsface la condcón (3.) de una dstrbucón estaconara. Resumendo, la dstrbucón de X n es ndependente de n s y sólo s la dstrbucón ncal es una dstrbucón estaconara. Ejemplo 3. Consderemos una cadena de Markov con espaco de estados E = {0,, 2} y matrz de transcón /3 /3 /3 P = /4 /2 /4 /6 /3 /2 Veamos que esta cadena tene una únca dstrbucón estaconara π. La relacón que debe satsfacer esta dstrbucón es πp = π, es decr, /3 /3 /3 (π 0, π, π 2 ) /4 /2 /4 = π 0 π /6 /3 /2 y obtenemos las tres ecuacones sguentes, π π 4 + π 2 6 = π 0, π π 2 + π 2 3 = π, π π 4 + π 2 2 = π 2, junto con la condcón adconal de que el vector π represente una dstrbucón de probabldad, es decr Resolvendo este sstema obtenemos π 0 + π + π 2 =. π 0 = 6 25, π = 2 5, π 2 = 9 25, que son postvos y satsfacen las cuatro ecuacones, de modo que representan la únca dstrbucón estaconara para la cadena. Dada una cadena de Markov, supongamos ahora que exste una dstrbucón ν que π 2 lm P (n) j = ν(j), j E. (3.3) Entonces, como veremos, la dstrbucón de X n se aproxma a ν cuando n, sn mportar cual sea la dstrbucón ncal de la cadena. En este caso decmos que la cadena tene una dstrbucón asntótca. Supongamos que (3.3) vale y sea π 0 la dstrbucón ncal de la cadena, entonces P (X n = j) = π 0 ()P (n) j. Suponendo que podemos ntercambar límtes con sumas nfntas, hacendo n y usando (3.3) obtenemos lm P (X n = j) = π 0 ()ν(j),

3 3.. DISTRIBUCIONES ESTACIONARIAS 89 y como π 0() =, conclumos que lm P (X n = j) = ν(j), j E. (3.4) Esta fórmula ndca que, sn mportar cual sea la dstrbucón ncal, para valores grandes de n la dstrbucón de X n es aproxmadamente gual a la dstrbucón asntótca ν. S la cadena tene una dstrbucón estaconara π entonces, necesaramente, π = ν, porque podemos ncar la cadena con la dstrbucón π y entonces P (X n = j) = π()p (n) j = π(j), j S. Comparando con (3.4) vemos que ambas dstrbucones tenen que concdr. Esto mplca que π es la únca dstrbucón estaconara, porque s hubera otra, podríamos usarla como dstrbucón ncal π 0, y a partr de (3.3) y (3.4) concluríamos que π 0 (j) = π(j) para todo j E. Por lo tanto, de acuerdo a este argumento, s una cadena de Markov tene una dstrbucón estaconara y una dstrbucón asntótca, ambas deben concdr. Teorema 3. Sea X = {X n, n 0} una cadena de Markov con espaco de estados fnto y matrz de transcón P. Supongamos que para algún E se cumple que lím P (n),j := π(j), j E, Entonces, el vector (π(j), j E) es un vector de probabldad nvarante. Demostracón. Es nmedato que 0 π(j), para todo j E pues esto se vale para las potencas de la matrz de transcón P, 0 P (n),j, para todo n y, j E. Veamos que en efecto es un vector de probabldad, puesto que E es fnto los sguentes ntercambos de suma y límte los podemos hacer sn correr resgo a equvocacón π(j) = lím P (n),j = lím j E j E j E P (n),j =. Para fnalzar veamos que π es un vector de probabldad nvarante. Por las ecuacones de Chapman- Kolmogorov tenemos que para todo j E. π(j) = lím P (n+),j = lím k E P (n),k P k,j = lím P (n),k P k,j = π(k)p k,j k E k E Observemos que en el teorema anteror se tene que π(k) > 0 para algún k E pues π es un vector de probabldad. En el caso en que E es nfnto esto no se puede garantzar. Por ejemplo tomemos una cadena de Markov con espaco de estados E nfnto y tal que todos sus estados son transtoros, como la camnata aleatora no smétrca. Puesto que todos los estados son transtoros se tene que lím P (n),j = 0 : π(j), j E. El vector π es sn duda nvarante, 0P = 0, pero no es un vector de probabldad pues la suma de sus entradas es 0.

4 90 CAPÍTULO 3. PROPIEDADES ASINTÓTICAS 3.2. Vstas a un Estado Recurrente Veamos qué cosas pueden ocurrr para que una cadena no tenga dstrbucón asntótca. Consderemos una cadena de Ehrenfest con tres bolas. En este caso la matrz de transcón es P = /3 0 2/ /3 0 / S calculamos la matrz de transcón en dos pasos, la dsposcón de los ceros en la matrz camba, /3 0 2/3 0 P 2 = 0 7/9 0 2/9 2/9 0 7/ /3 0 /3 Para ver que esta stuacón se mantene para valores mayores de n, observamos que s ncalmente tenemos un número mpar de bolas en la caja de la zquerda, no mporta s añadmos o qutamos una, el resultado será un número par. De manera smlar, s hay un número par de bolas ncalmente, en el próxmo paso habrá un número mpar. Esta stuacón de alternanca entre números pares e mpares ndca que es mposble regresar al estado ncal después de un número mpar de pasos, es decr, s n es mpar, P n = 0 para todo. Hay una manera de manejar esta stuacón en la cual no exste el límte de Pj n cuando n. Sea a n, n 0, una sucesón de números. S para algún L fnto, entonces lm n lm a n = L (3.5) n a m = L. (3.6) m= S (3.6) es certo decmos que (a n ) converge a L en el sentdo de Cesáro. Este tpo de convergenca es más general que la convergenca usual: es posble que (3.6) sea certa sn que lo sea (3.5). Por ejemplo, s a n = 0 para n par y a n = para n mpar, entonces la sucesón no tene límte cuando n pero exste. lm n n a m = 2. m= Veremos a contnuacón que para cualquer par de estados, j de cualquer cadena de Markov, el límte lm n n m= Recordemos que N n (j) = n m= j(x m ) representa el número de vstas de la cadena al estado j durante m =,..., n. El valor esperado del número de vstas para una cadena que comenza en está dado por E [N n (j)] = G n (, j) = P (m) j n m= P (m) j.

5 3.2. VISITAS A UN ESTADO RECURRENTE 9 Sea j un estado transtoro, entonces hemos vsto que lm N n (j) = N(j) < con probabldad, y lm G n (, j) = G(, j) < para todo E. En consecuenca y tambén N n (j) lm = 0 con probabldad, n G n (, j) lm = 0 para todo E. (3.7) n Observamos que N n (j)/n es la proporcón de las prmeras n undades de tempo que la cadena está en el estado j y que G n (, j)/n es el valor esperado de esta proporcón para una cadena que comenza en. Sea ahora j un estado recurrente y llamemos m j = E j [T j ] al tempo medo de regreso a j para una cadena que comenza en j, s este tempo de regreso tene esperanza fnta, y ponemos m j = s no. Para probar el próxmo teorema, necestamos la Ley Fuerte de los Grandes Números y el Teorema de Convergenca Acotada: Teorema 3.2 (Ley Fuerte de los Grandes Números) Sea ξ, una sucesón de v.a...d. S estas varables tenen meda fnta µ, entonces lm n n ξ = µ = con probabldad. S ξ µ = +. 0 y las varables no tenen esperanza fnta, el resultado vale s ponemos Teorema 3.3 (Teorema de Convergenca Acotada) Sea ξ,, una sucesón de v.a. S exste una constante K tal que ξ < K para todo, y s ξ ξ cuando, entonces E(ξ ) E(ξ). Sea X n, n una cadena de Markov con probabldades de transcón estaconaras que comenza en un estado recurrente j. Con probabldad la cadena regresa a j nfntas veces. Para r sea Tj r el nstante de la r-ésma vsta a j: = mn{n : N n (j) = r}. T r j Ponemos Wj = T j = T j y para r 2 sea Wj r = T j r T r j, el tempo de espera entre la (r )-ésma vsta a j y la r-ésma vsta. Claramente, Lema 3. Las varables Wj r, r, son..d. Demostracón. Veamos en prmer lugar que T r j = W j + + W r j. P (W r+ j = z r+ W j = z,..., W r j = z r ) = P j (W j = z r+ ). (3.8) Defnmos t = z, t = t + z = q= z q para r + y sea A r = {t, t 2,..., t r } el conjunto de los nstantes en los cuales el proceso realza las prmeras r vstas al estado j. Por lo tanto, para s t r, X s = j s s A r, X s j s s / A r. Usando esta notacón vemos que el evento {W j = z, W 2 j = z 2,..., W r j = z r }

6 92 CAPÍTULO 3. PROPIEDADES ASINTÓTICAS se puede escrbr como Por lo tanto el lado zquerdo de (3.8) es ahora {X s = j para s A r, X s j para s / A r, s t r }. P (X tr+ = j, X s j para t r + s < t r+ X s = j para s A r, por la propedad de Markov esto es X s j para s / A r, s t r ), P (X tr+ = j, X s j para t r + s < t r+ X tr = j) y tenendo en cuenta la defncón de los t y la homogenedad de la cadena, esto es gual a de modo que hemos probado (3.8). Ahora, por nduccón, se prueba fáclmente que P j (W j = z r+ ) P j (W j = z,..., W r j = z r ) = P j (W j = z ) P j (W r j = z r ), y esto muestra que las varables W k j son..d. Teorema 3.4 Sea j un estado recurrente, entonces y N n (j) lm = {T j < } con probabldad, (3.9) n m j G n (, j) lm = lm n n n m= P (m) j = ρ j m j para todo E. (3.0) Demostracón. Consderemos una cadena de Markov que comenza en un estado recurrente j. Con probabldad regresa a j nfntas veces. Por el lema 3., las varables Wj, W j 2,... son..d. y tenen meda común E j (Wj ) = E j(t j ) = m j. Por la LFGN tenemos es decr, que lm k k (W j + Wj Wj k ) = m j c. p., Tj k lm k k = m j c. p.. (3.) Sea N n (j) = k, entonces, al nstante n la cadena ha hecho exactamente k vstas a j. Por lo tanto, la vsta k ocurre en o antes del nstante n, mentras que la vsta k + ocurre después de n. Esto lo expresamos en la sguente desgualdad y por lo tanto, T N n(j) j T Nn(j) j N n (j) n < T N n(j)+ j, N n(j)+ j n N n (j) < T N n (j),

7 3.2. VISITAS A UN ESTADO RECURRENTE 93 sempre que N n (j). Como N n (j) con probabldad cuando n, estas desgualdades y (3.) mplcan que n lm N n (j) = m j c. p.. Sea, de nuevo, j un estado recurrente pero supongamos ahora que X 0 tene dstrbucón arbtrara, entonces es posble que la cadena nunca llegue a j. S llega, el argumento anteror es váldo y (3.9) es certa. Por lo tanto N n (j) lm = {T j < } c.p.. n m j Por defncón 0 N n (j) n, y en consecuenca 0 N n(j) n. Usando el Teorema de Convergenca Acotada tenemos [ lm E Nn (j) ] [ {Tj< } ] = E = P (T j < ) = ρ j n m j m j m j y por lo tanto (3.0) vale. El teorema anteror tene la sguente nterpretacón. Supongamos que estamos consderando una cadena de Markov rreducble y fnta, de modo que todos los estados son recurrentes y se comuncan. Entonces, con probabldad todos los estados serán vstados y ρ j = P (T j < ) = para cualesquera, j. Por lo tanto, el tempo promedo que la cadena pasa en el estado j cuando n es grande es, aproxmadamente, /m j = / E j (T j ), es decr, el nverso del tempo medo de retorno. Ejemplo 3.2 (Cadena con dos estados) Consderemos una cadena de Markov con dos estados posbles y matrz de transcón ( ) α α P =. β β Supongamos que 0 < α, β, entonces tenemos una fórmula explícta para las potencas de la matrz de transcón P n = [( ) ( )] β α + ( α β) n α α. α + β β α β β S α + β < 2, hacendo n el factor ( α β) n 0 y por lo tanto ) lm P n = ( β α+β β α+β α α+β α α+β En este ejemplo tenemos convergenca de las potencas de las probabldades de transcón Pj n cuando n y como consecuenca tambén hay convergenca en el sentdo de Cesáro. En el caso límte α = β =, la cadena sgue sendo recurrente, pero ahora no hay convergenca de Pj n cuando n ya que Sn embargo, es fácl ver que P 2n = ( ) 0, P 2n+ = 0 lm n n Pj m = 2, m=. ( ) 0. 0 que es consstente con el resultado anteror (s α = β =, α/(α + β) = /2 para =, 2). Una nterpretacón de este resultado es que, a largo plazo, la cadena estará en el estado una fraccón de tempo β/(α + β) y en el otro estado la fraccón complementara α/(α + β).

8 94 CAPÍTULO 3. PROPIEDADES ASINTÓTICAS 3.3. Estados Recurrentes Defncón 3.2 Un estado recurrente j es recurrente nulo s m j =. Por el teorema 3.4 vemos que s j es recurrente nulo, G n (, j) lm = lm n n n m= P (m) j = 0, E. (3.2) Es posble mostrar un resultado más fuerte: S j es recurrente nulo entonces lm P (n) j = 0 para E. Defncón 3.3 Un estado recurrente j es recurrente postvo s m j <. Por el teorema 3.4 vemos que s j es recurrente postvo, G n (j, j) lm = > 0. n m j Consderemos una cadena que comenza en un estado recurrente j. A partr del teorema 3.4 vemos que s j es recurrente nulo entonces, con probabldad, la proporcón del tempo que la cadena está en el estado j durante las prmeras n undades de tempo tende a cero cuando n, mentras que s j es recurrente postvo, con probabldad esta proporcón tende al límte postvo /m j cuando n. Teorema 3.5 Sea un estado recurrente postvo y supongamos que desde podemos acceder a j. Entonces j es recurrente postvo. Demostracón. Ya vmos que en este caso desde j tambén se accede a. Por lo tanto exsten enteros postvos n y n 2 tales que P (n ) j > 0 y P (n 2) j > 0. Tenemos P (n+m+n2) jj P (n) j P (m) P (n2) j, sumando sobre m =, 2,..., n y dvdendo por n conclumos que n (G n +n+n 2 (j, j) G n+n 2 (j, j)) P (n ) j P (n 2) j n G n(, ). Hacendo n, el lado zquerdo de la desgualdad converge a /m j y el lado derecho converge a Por lo tanto P m j P (n) j P (n2) j. m (n ) j P (n2) j m > 0, y en consecuenca m j <. Esto muestra que j es recurrente postvo. A partr de este teorema y los resultados que vmos anterormente, sabemos ahora que s C E es un conjunto cerrado e rreducble, entonces o ben todos los estados de C son transtoros o todos son recurrentes nulos o todos son recurrentes postvos. S C E es fnto y cerrado, entonces tene al menos un estado recurrente postvo: Como j C P (m) j =, C,

9 3.4. EXISTENCIA Y UNICIDAD DE DISTRIBUCIONES ESTACIONARIAS. 95 sumando sobre m =,..., n y dvdendo por n obtenemos que j C G n (, j) n =, C. S C es fnto y todos los estados de C fuesen transtoros o recurrentes nulos, entonces (3.7) valdría y tendríamos G n (, j) = lm = G n (, j) lm = 0 n n j C j C lo cual es una contradccón. Teorema 3.6 Sea C E fnto, cerrado e rreducble. Entonces todos los estados de C son recurrentes postvos. Demostracón. Como C es fnto y cerrado, hay al menos un estado recurrente postvo. Como es rreducble, todos los estados se comuncan y por el teorema 3.5 deben ser recurrentes postvos. Corolaro 3. Una cadena de Markov rreducble con un número fnto de estados es recurrente postva. Corolaro 3.2 Una cadena de Markov con un número fnto de estados no tene estados recurrentes nulos. Demostracón. S j es un estado recurrente, está contendo en un conjunto cerrado e rreducble C de estados recurrentes. Como C es fnto, por el teorema anteror todos los estados en C, ncluyendo a j, son recurrentes postvos. Por lo tanto no hay estados recurrentes nulos Exstenca y Uncdad de Dstrbucones Estaconaras. Vamos a necestar la sguente versón del Teorema de Convergenca Acotada para seres. Teorema 3.7 (Teorema de Convergenca Acotada) Sea a 0, E, una sucesón de números con a < y sean b,n, E y n tales que b,n para E y n, y para todo E. Entonces lm lm b,n = b, a b,n = a b. Sea π una dstrbucón estaconara y sea m N. Por la ecuacón (3.2) k π(k)p (m) k = π(), E. Sumando esta ecuacón sobre m =,..., n y dvdendo por n conclumos que k π(k) G n(k, ) n = π(), E. (3.3) Teorema 3.8 Sea π una dstrbucón estaconara. S es transtoro o recurrente nulo, entonces π() = 0.

10 96 CAPÍTULO 3. PROPIEDADES ASINTÓTICAS Demostracón. S es un estado transtoro o recurrente nulo, por (3.7) y (3.2). Por las ecuacones (3.3) y (3.4) y el teorema 3.7, G n (k, ) lm = 0, k E (3.4) n π() = lm k π(k) G n(k, ) n Como consecuenca del teorema anteror vemos que una cadena sn estados recurrentes postvos no tene una dstrbucón estaconara. Teorema 3.9 Una cadena de Markov rreducble y recurrente postva tene una únca dstrbucón estaconara dada por = 0. π() = m, E. (3.5) Demostracón. Haremos la demostracón para el caso en el cual el espaco de estados E es fnto. De las hpótess del teorema y del teorema 3.4 vemos que G n (k, ) lm =,, k E. (3.6) n m Supongamos que π es una dstrbucón estaconara. A partr de la ecuacones (3.3), (3.6) y el teorema 3.7 que π() = lm π(k) G n(k, ) = π(k) =. n m m k Por lo tanto, s el proceso tene una dstrbucón estaconara, debe estar dada por (3.5). Para completar la demostracón del teorema tenemos que mostrar que la funcón π(), E defnda por (3.5) es una dstrbucón estaconara. Es claro que es no-negatva, así que sólo tenemos que verfcar que y que Observemos ncalmente que k m = (3.7) m P j = m j, j E. (3.8) P (m) k =. Sumando sobre m =,..., n y dvdendo por n, conclumos que G n (k, ) n S E es fnto, hacendo n en (3.9) y usando (3.6), obtenemos que G n (k, ) = lm = n =, k E. (3.9) m,

11 3.5. CADENAS REDUCIBLES 97 es decr, que (3.7) vale. Por otro lado, por la ecuacón de Chapman-Kolmogorov P (m) k P j = P (m+) kj. Sumando de nuevo sobre m =,... n y dvdendo por n, obtenemos que G n (k, ) P j = G n+(k, j) P kj n n n. (3.20) Hacendo n en (3.20) conclumos que (3.8) vale. Esto completa la demostracón cuando E es fnto. A partr de los dos últmos teoremas obtenemos los sguentes corolaros. Corolaro 3.3 Una cadena de Markov rreducble es recurrente postva sí y sólo sí tene una dstrbucón estaconara. Corolaro 3.4 S una cadena de Markov con espaco de estados fnto es rreducble, tene una únca dstrbucón estaconara. Corolaro 3.5 Consderemos una cadena de Markov rreducble, recurrente postva con dstrbucón estaconara π. Entonces con probabldad N n () lm = π(), E. (3.2) n Ejemplo 3.3 (Cadena con dos estados) Consderemos una cadena de Markov con dos estados posbles y matrz de transcón ( ) α α P = β β donde 0 < α, β <, =, 2. Las ecuacones para hallar la dstrbucón estaconara son ( α)π + βπ 2 = π απ + ( β)π 2 = π 2 que son la msma ecuacón. Tenemos además la condcón para que π sea una dstrbucón de probabldad: π + π 2 =. La solucón es π = β α + β, π 2 = α α + β. que concde con la dstrbucón asntótca que hallamos en el ejemplo Cadenas Reducbles Defncón 3.4 Sea π una dstrbucón de probabldad sobre E y sea C E. Decmos que π está concentrada en C s π() = 0 sempre que / C. Los resultados que hemos demostrado anterormente mplcan el sguente teorema.

12 98 CAPÍTULO 3. PROPIEDADES ASINTÓTICAS Teorema 3.0 Sea C un conjunto cerrado e rreducble de estados recurrentes postvos. Entonces la cadena de Markov tene una únca dstrbucón estaconara π concentrada en C que está dada por π() = {, m s C, 0, s no. (3.22) Supongamos ahora que C 0 y C son dos conjuntos dstntos, cerrados e rreducbles de estados recurrentes postvos. Por el teorema anteror sabemos que la cadena tene una dstrbucón estaconara π 0 concentrada en C 0 y otra dstrbucón estaconara π concentrada en C. Entonces, es posble demostrar que las dstrbucones π α, defndas para 0 α por π α () = ( α)π 0 () + απ (), E, son dstrbucones estaconaras dstntas. Por lo tanto tenemos el sguente resultado, Corolaro 3.6 Sea E P el conjunto de los estados recurrentes postvos de una cadena de Markov.. S E P es vacío, la cadena no tene nnguna dstrbucón estaconara. 2. S E P es un conjunto rreducble no vacío, la cadena tene una únca dstrbucón estaconara. 3. S E P no es vacío pero tampoco es rreducble, la cadena tene un número nfnto de dstrbucones estaconaras dstntas. Ejemplo 3.4 (Cadena con dos estados) Consderemos de nuevo la cadena de Markov con dos estados y matrz de transcón ( ) α α P = β β y supongamos ahora que α = β = 0, de modo que P es la matrz dentdad. El espaco de estados tene ahora dos conjuntos cerrados rreducbles: {0} y {} y hay una dstrbucón estaconara concentrada en cada uno de ellos: Para {0} es (, 0) mentras que para {} es (0, ). Cualquer combnacón convexa de ellas es tambén una dstrbucón estaconara de la cadena y por lo tanto hay nfntas dstrbucones estaconaras Convergenca a la Dstrbucón Estaconara Hasta ahora hemos vsto que s X n, n 0 es una cadena de Markov rreducble y recurrente postva con dstrbucón estaconara π, entonces lm n n m= P (m) j G n (, j) = lm = π(j),, j E. n Estudaremos en esta seccón cuándo vale el resultado más fuerte y qué ocurre cuando no vale. lm P (n) j = π(j),, j E Defncón 3.5 Sea un estado de la cadena con P (n) > 0 para algún n, es decr, tal que ρ = P (T < ) > 0. Llamemos C = {n : P (n) > 0}. Defnmos el período del estado, d o d() por d = m.c.d. {n : P (n) > 0} = m.c.d. C, donde m.c.d. denota al máxmo común dvsor del conjunto.

13 3.6. CONVERGENCIA A LA DISTRIBUCIÓN ESTACIONARIA 99 Como consecuenca de la defncón tenemos que y s P > 0, entonces d =. d mn C. Lema 3.2 S y j son dos estados que se comuncan, entonces d = d j. Demostracón. Para ver esto sean n y n 2 enteros postvos tales que Entonces P (n) j > 0 y P (n2) j > 0. P (n+n2) P (n) j P (n2) j > 0, y por lo tanto d dvde a n + n 2. S n C j tenemos que Pjj n > 0 y en consecuenca P (n +n+n 2 ) P (n ) j P (n) jj P (n 2) j > 0, de modo que d es dvsor de n + n + n 2. Como d es dvsor de n + n 2 tambén debe ser dvsor de n. Por lo tanto d es dvsor de todos los números en el conjunto C j. Como d j es el mayor de todos esos dvsores, conclumos que d d j. De manera smlar se muestra que d j d y en consecuenca d = d j. Hemos mostrado que los estados en una cadena de Markov rreducble tenen período común d. Defncón 3.6 Decmos que una cadena rreducble es peródca con período d s d > y aperódca s d =. Una condcón sufcente senclla para que una cadena rreducble sea aperódca es que P > 0 para algún E. Ejemplo 3.5 Consderemos una cadena con matrz de transcón Veamos el dagrama de transcones para esta cadena Fgura 3.

14 00 CAPÍTULO 3. PROPIEDADES ASINTÓTICAS Consderando el estado 0, hay dos maneras de regresar a él: 0 2 0, que requere tres pasos, y , que requere 4. Por lo tanto 3 y 4 están en C 0 y el m.c.d. de este conjunto es. En consecuenca esta cadena es aperódca. Ejemplo 3.6 (Paseo al azar smple con barreras reflectoras) Consderemos un paseo al azar smple con barreras reflectoras en los extremos 0 y N = 4. La matrz de transcón es P = Vemos que todos los estados de esta cadena se comuncan y que P 00 > 0, de modo que 0 tene período y, en consecuenca, todos los otros estados tambén. Teorema 3. Sea X n, n 0, una cadena de Markov rreducble y recurrente postva con dstrbucón estaconara π. S la cadena es aperódca, lm P (n) j = π(j),, j E. (3.23) S la cadena es peródca con período d, entonces para cada par de estados, j en E exste un entero r, 0 r < d, tal que P (n) j = 0 a menos que n = md + r para algún m N y lm P (md+r) m j = dπ(j),, j E. (3.24) Demostracón. Ver Hoel, Port & Stone, pags Ejemplo 3.7 En el problema 7 de la lsta de problemas 7 se pedía calcular las potencas 2, 4, 8, 6, 7, 32 y 33 de la matrz P = La últma de estas potencas es P 33 = Calculemos ahora la dstrbucón estaconara para esta matrz, resolvendo el sstema de ecuacones πp = π: 0.6π + 0.2π π 3 = 0 y la ecuacón adconal π + π 2 + π 3 =, obtenemos 0.6π 0.5π π 3 = 0 0.3π 2 0.8π 3 = 0 π = 9 85 = ; π 2 = = ; π 3 = 8 85 = Vemos que en este ejemplo no sólo hay convergenca a la dstrbucón estaconara, sno que esta convergenca ocurre rápdamente.

15 3.7. TEOREMA ERGÓDICO Teorema Ergódco Una versón más general de la ley fuerte para cadenas de Markov es el Teorema Ergódco, que presentamos a contnuacón. Teorema 3.2 (Teorema Ergódco) Sea {X n, n 0} una cadena de Markov rreducble y con matrz de transcón P. Supongamos además que P tene una dstrbucón estaconara π. Sea f : E R, tal que π f = E π() f() <. Entonces, n lím f(x j ) = πf = π()f(), con probabldad. (3.25) n E Demostracón. Sea E un estado fjo, consderemos los tempos de regreso al estado, defndos por recurrenca medante la formula T n+ = ínf{k > T n : X k = }, T 0 = 0, n 0; y denotemos por N n () el numero de retornos al estado en n-transcones, Observemos que se tenen las desgualdades N n () = # {k (0, n] : X k = }, n 0. T N n() n < T N n()+, n 0. Supongamos que f es una funcón postva. Las relacones anterores mplcan que T Nn() k= f(x k ) n f(x k ) k= T Nn()+ k= f(x k ), n 0. En vsta de la ley fuerte de la ley fuerte para cadenas de Markov podemos afrmar que N n () n 3.8. Ejemplos π(), N n () + n π(), cas seguramente. Defncón 3.7 Una matrz de transcón P es doblemente estocástca s sus columnas suman, es decr, s P j =, para todo j E. Para una matrz de transcón doblemente estocástca, la dstrbucón estaconara es senclla. Teorema 3.3 S la matrz de transcón P de una cadena de Markov con N estados es doblemente estocástca, entonces la dstrbucón unforme π() = /N para todo, es una dstrbucón estaconara. Demostracón. Observamos que π()p j = P j = N N de modo que la dstrbucón unforme satsface la condcón πp = π que defne una dstrbucón unforme. Vemos además, que s la dstrbucón estaconara es unforme, necesaramente la matrz P es doblemente estocástca.

16 02 CAPÍTULO 3. PROPIEDADES ASINTÓTICAS Ejemplo 3.8 (Paseo al azar smple con barreras reflectoras) Consderemos de nuevo el paseo al azar smple smétrco con barreras reflectoras (ver ejemplo 3.6). Es nmedato en el caso partcular N = 4 consderado antes que la matrz es doblemente estocástca, y en consecuenca π() = /5 es una dstrbucón estaconara. En general, s consderamos un paseo de este tpo con espaco de estados E = {0,,..., N}, la dstrbucón estaconara será π() = /(N + ). Ejemplo 3.9 (Paseo al azar en la crcunferenca) Colocamos N + puntos, que llamamos 0,,..., N sobre la crcunferenca. En cada paso la cadena se mueve a la derecha o a la zquerda un paso, con probabldades respectvas p y p, ncluyendo los extremos 0 y N, es decr, la cadena pasa de N a 0 con probabldad p y de 0 a N con probabldad p. Para el caso partcular N = 4 la matrz de transcón es 0 p 0 0 p p 0 p 0 0 P = 0 p 0 p p 0 p p 0 0 p 0 Vemos que todas las columnas suman, y lo msmo es certo en el caso general, de modo que la dstrbucón estaconara es unforme π() = /(N + ) Cadenas de Nacmento y Muerte En el capítulo anteror consderamos las cadenas de Nacmento y Muerte. A contnuacón queremos obtener una condcón que nos permta determnar, en el caso de una cadena rreducble con espaco de estados nfnto, cuándo la cadena es transtora y cuándo es recurrente. Consderaremos cadenas de nacmento y muerte rreducbles sobre los enteros no-negatvos, por lo tanto Hemos vsto que p > 0 para 0, q > 0 para. P (T 0 < ) = γ, n >. (3.26) j Supongamos ahora que la cadena es recurrente, entonces P (T 0 < ) = y necesaramente γ j =. (3.27) Para ver que esta condcón tambén es sufcente, observemos que P 0j = 0 para j 2 y en consecuenca Supongamos que (3.27) vale, por (3.26) y usando esto en (3.28) conclumos que P 0 (T 0 < ) = P 00 + P 0 P (T 0 < ). (3.28) P (T 0 < ) =, P 0 (T 0 < ) = P 00 + P 0 =, de modo que 0 es un estado recurrente. Como la cadena es rreducble, debe ser una cadena recurrente. Resumendo, hemos mostrado que una cadena de nacmento y muerte rreducble sobre {0,, 2,... } es recurrente sí y sólo sí q q j γ j = =. p p j

17 3.8. EJEMPLOS 03 Ejemplo 3.0 Consderemos la cadena de nacmento y muerte sobre los enteros no negatvos con probabldades de transcón En este caso y obtenemos que p = + 2 2( + ), y q = q = p + 2, 2( + ), 0. γ = q ( q 2 = p p 3 4 ( + 2) = 2 ( + )( + 2) = 2 + ). + 2 Por lo tanto, ( γ = 2 + ) ( = ) =, = = y conclumos que la cadena es transtora. Fnalmente, veamos cual es la dstrbucón estaconara para una cadena rreducble con espaco de estados nfnto. Las ecuacones (3.) que defnen la dstrbucón estaconara, son en este caso π(0)r 0 + π()q = π(0), π( )p + π()r + π( + )q + = π(),, y tenendo en cuenta la relacón p + r + q =, las ecuacones anterores son p 0 π(0) = q π(), q + π( + ) p π() = q π() p π( ),. A partr de estas ecuacones obtenemos por nduccón que q + π( + ) = p π(), 0. (3.29) Esta ecuacón es un caso partcular de la ecuacón de balance detallado π()p j = π(j)p j para el caso de las cadenas de nacmento y muerte. La condcón de balance detallado es más fuerte que (3.), como es fácl de verfcar, y no sempre es válda. La ecuacón (3.29) tambén vale en el caso de un espaco de estados fnto. Ejemplo 3. (Cadena de Ehrenfest con tres estados) En este caso la matrz de transcón es P = /3 0 2/ /3 0 / y vemos que para todo, r = 0. Las ecuacones (3.29) son en este caso π(0) = 3 π(); 2 3 π() = 2 3 π(2); π(2) = π(3). 3

18 04 CAPÍTULO 3. PROPIEDADES ASINTÓTICAS Ponendo π(0) = λ y resolvendo obtenemos π() = π(2) = 3λ, π(3) = λ. Como la suma debe ser, obtenemos que λ = /8 y la dstrbucón estaconara en este caso es π(0) = 8, π() = 3 8, π(2) = 3 8, π(3) = 8. Veamos ahora como se obtene la dstrbucón estaconara para una cadena general de nacmento y muerte. A partr de la ecuacón (3.29) obtenemos y en consecuenca Defnamos ν 0 = y entonces podemos escrbr (3.3) como Supongamos ahora que π( + ) = p q + π(), 0 (3.30) π() = p 0 p q q π(0),. (3.3) ν = p 0 p q q,, (3.32) π() = ν π(0), 0. (3.33) ν = = p 0 p q q <, (3.34) a partr de (3.33) conclumos que la cadena tene una únca dstrbucón estaconara dada por π() = ν ν,. (3.35) j S en cambo (3.34) no vale, es decr, s la sere dverge, la relacón (3.33) dce que la solucón de (3.) es déntcamente gual a 0 (s π(0) = 0) o tene suma nfnta (s π(0) > 0) y en consecuenca no exste dstrbucón estaconara. Vemos que una cadena de nacmento y muerte tene dstrbucón estaconara sí y sólo sí (3.34) vale, y que la dstrbucón estaconara, cuando exste, está dada por (3.32) y (3.35). Observamos que como la cadena es rreducble, tene una dstrbucón estaconara sí y sólo sí es recurrente postva. Resumendo, podemos dar condcones necesaras y sufcentes para cada una de las tres posbldades en una cadena de nacmento y muerte sobre los enteros no negatvos. La cadena es transtora sí y sólo sí γ j <. La cadena es recurrente postva sí y sólo sí ν j <.

19 3.8. EJEMPLOS 05 La cadena es recurrente nula sí y sólo sí γ j =, ν j =. Ejemplo 3.2 Consderemos una cadena de nacmento y muerte sobre los enteros no negatvos con las sguentes probabldades de transcón p 0 =, p = p, q = q = p,, con 0 < p <. Para determnar en cual de las tres clases se encuentra la cadena tenemos que estudar el comportamento de las seres γ y ν. En este caso es fácl ver que γ = ( q ), ν = p p q para. En consecuenca vemos que hay tres casos: 0 < p < /2. γ =, por lo tanto la cadena es recurrente. Para ver s es nula o postva calculamos ν, que es convergente en este caso y en consecuenca la cadena es recurrente postva. p = /2. Un análss smlar muestra que ambas seres dvergen y la cadena es recurrente nula. /2 < p <. En este caso γ < y la cadena es transtora. Ejemplo 3.3 Consderemos una empresa que tene tres máqunas que se dañan de manera ndependente, con probabldad 0. cada día. Cuando hay al menos una máquna dañada, con probabldad el técnco puede reparar una de ellas para que esté funconando el próxmo día. Para smplfcar, suponemos que es mposble que dos máqunas se dañen el msmo día. El número de máqunas en funconamento en un día dado puede ser modelado como una cadena de nacmento y muerte con la sguente matrz de transcón: P = Para ver como se obtene esta matrz, consderemos la segunda fla, que corresponde a un día que se nca con una máquna en buen estado. Al día sguente estaremos en el estado 0 s una máquna se daña y el técnco no puede arreglar la máquna en la que está trabajando, lo cual ocurre con probabldad Por otro lado, pasamos al estado 2 sólo s el técnco logra reparar la máquna en la que está trabajando y la que está en uso no se daña. Esto ocurre con probabldad (0.5)(0.9). Un razonamento smlar muestra que P 2 = (0.2)(0.5) y P 23 = (0.5)(0.8). Para obtener la dstrbucón estaconara usamos la fórmula (3.30) y ponendo π(0) = λ entonces π() = π(0) p 0 q = λ = 0λ, π(2) = π() p q 2 = 0λ = 45λ, π(3) = π(2) p 2 q 3 = 45λ = 60λ. La suma de las π es 6λ, hacendo λ = /6 obtenemos π(3) = 60 6, π(2) = 45 6, π() = 0 6, π(0) = 6.

20 06 CAPÍTULO 3. PROPIEDADES ASINTÓTICAS Ejemplo 3.4 (Paseo al azar sobre grafos.) Un grafo es una estructura compuesta por dos partes: Un conjunto de vértces V, que supondremos fnto, y una matrz de estructura A = A(, j) en la cual A(, j) vale s y j están conectados por un arco (dremos que y j son vecnos) y 0 s no. Por convencón ponemos A(, ) = 0 para todo V. El grado de un vértce es gual al número de vecnos que tene: d() = j A(, j) ya que cada vecno contrbuye una undad a la suma. Por lo tanto P j = A(, j) d() defne una probabldad de transcón. S X n =, la cadena salta a alguno de los vecnos de con dstrbucón unforme. A partr de la defncón de la probabldad P vemos que que s λ es una constante postva, π() = λd() satsface la condcón de balance detallado: π()p j = λa(, j) = λa(j, ) = π(j)p j Por lo tanto, s tomamos λ = / d(), tenemos una dstrbucón estaconara. Ejemplo 3.5 (Rachas) Sea {X n, n 0} una cadena de Markov sobre {0,, 2,...} con probabldades de transcón P,+ = p, P,0 = p. Bajo que condcones la matrz de transcón de X admte alguna medda nvarante? Para responder a la pregunta planteada arrba estudaremos cuando el sstema πp = π, es decr, π 0 = 0( p )π, π = p π,, tene solucón no trval. Usando un argumento de recursón vemos que el sstema anteror es equvalente a π = π 0,, y π 0 = ( p )π 0 + p ) ( p j π 0. Esta ultma ecuacón es la que nos permtrá estudar la exstenca de vectores nvarantes. Para evtar casos no nteresantes supondremos de aquí en adelante que 0 < π 0 <. Entonces, se tene la sguente

21 3.8. EJEMPLOS 07 sucesón de gualdades: π 0 = ( p 0 )π 0 + p ) ( = ( p 0 )π 0 + lím = = ( p 0 )π 0 + π 0 lím p j π 0 n ( p ) = = ( p 0 )π 0 + π 0 lím n n p j p j p j p 0 π 0 p p j Deducmos de esto que una condcón necesara para que π 0 sea 0 < π 0 < es que π = 0. =0 Pero eso no es sufcente para garantzar la exstenca del vector de probabldad π, ya que necestamos saber cuando π <, y esto ocurre s y solamente s En este caso se tene que π 0 = =0 n=0 =0 + n=0 n p j n p <. j, π j = π 0 p, j. Podemos conclur que la cadena es postva recurrente s y solamente s ( n ) p <. n=0 =0 =0 Mentras que en el caso en que lím n p j = p (0, ], no exste vector nvarante dferente del vector 0. Ejemplo 3.6 Supongamos que en el ejercco anteror todas las {p, 0}, son guales a un valor p ]0, [. Calcular las n-ésmas potencas de la matrz de transcón P. Estudar el comportamento asntótco de estas cuando n. Observemos que la cadena de Markov que nos nteresa se puede usar para smular la fortuna de un jugador muy avarcoso, que apuesta toda su fortuna cada vez que juega en un juego que le permte ganar un peso con probabldad p o perder todo el dnero apostado con probabldad p; y en compensacón el

22 08 CAPÍTULO 3. PROPIEDADES ASINTÓTICAS casno le da crédto, en el sentdo que le da la oportundad de segur jugando aunque su fortuna sea cero. Denotaremos por X n la fortuna del jugador al tempo n; se tene que en un paso la cadena se comporta como { X n + con probabldad p X n+ = 0 con probabldad p = q. Mentras que en n-pasos, se tenen dos posbldades, sea el jugador no perde n una sola vez, o ben perde alguna vez. Esto se refleja en las probabldades de transcón como P (n),k = pn, s k = + n, esto ocurre cuando el jugador no perde, mentras que s el jugador perde en alguno de los n juegos: P (n),k = qpk, 0 k n. La prmera afrmacón es evdente, para ver la segunda veamos prmero como calcular esa probabldad en el caso en que k = 0, por la ecuacón de Chapman-Kolmogorov, P (n),0 = P (n ),z P z,0 = q P (n ),z = q, n 2, z 0 z 0 ahora ben, el evento {X n = k} dado que X 0 =, ocurre cuando hay una racha de k juegos ganados, anteceddos de una sucesón de n k juegos que se termnan por un juego perddo, (,..., 0 ). Esto se }{{} n k juegos puede ver con la ecuacón de Chapman-Kolmogorov, para n 2 y 0 k n P (n),k = z 0 P (n k),z P (k) z,k = P (n k),0 P (k) 0,k = qpk, ya que la únca manera de r al estado k en exactamente k pasos es: partr de 0 y no perder nngún juego, lo cual ocurre con probabldad p k y además vmos arrba que de cualquer estado se va a cero en j pasos con probabldad q. Ahora veamos lo que pasa con dchas probabldades cuando n tende a nfnto. Gracas al calculo anteror es fácl ver que para cualquer estado 0 y k 0 lím P (n),k = qpk. Observemos lo sguente:. Este lmte no depende del estado del cual parte la cadena, y 2. Usando el resultado del ejercco anteror podemos asegurar que la cadena es postvo recurrente y que el vector de probabldad nvarante π esta dado por π k = qp k, k 0. Dcho de otro modo las entradas de las potencas de la matrz de transcón convergen al vector nvarante.

i=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1

i=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1 CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de

Más detalles

Trabajo Especial 2: Cadenas de Markov y modelo PageRank

Trabajo Especial 2: Cadenas de Markov y modelo PageRank Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E

Más detalles

Tema 4: Variables aleatorias

Tema 4: Variables aleatorias Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son

Más detalles

1. Lección 7 - Rentas - Valoración (Continuación)

1. Lección 7 - Rentas - Valoración (Continuación) Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento

Más detalles

Métodos específicos de generación de diversas distribuciones discretas

Métodos específicos de generación de diversas distribuciones discretas Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de

Más detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

Pregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana?

Pregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana? Cadenas de Marov Después de mucho estudo sobre el clma, hemos vsto que s un día está soleado, en el 70% de los casos el día sguente contnua soleado y en el 30% se pone nublado. En térmnos de probabldad,

Más detalles

Perturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros

Perturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de

Más detalles

Variable aleatoria: definiciones básicas

Variable aleatoria: definiciones básicas Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado

Más detalles

Vectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:

Vectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales: VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes

Más detalles

Guía de Electrodinámica

Guía de Electrodinámica INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan

Más detalles

8 MECANICA Y FLUIDOS: Calorimetría

8 MECANICA Y FLUIDOS: Calorimetría 8 MECANICA Y FLUIDOS: Calormetría CONTENIDOS Dencones. Capacdad caloríca. Calor especíco. Equlbro térmco. Calormetría. Calorímetro de las mezclas. Marcha del calorímetro. Propagacón de Errores. OBJETIVOS

Más detalles

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de

Más detalles

ACTIVIDADES INICIALES

ACTIVIDADES INICIALES Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)

Más detalles

Fugacidad. Mezcla de gases ideales

Fugacidad. Mezcla de gases ideales Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar

Más detalles

LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA

LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas

Más detalles

LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION

LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas

Más detalles

Rentas o Anualidades

Rentas o Anualidades Rentas o Anualdades Patrca Ksbye Profesorado en Matemátca Facultad de Matemátca, Astronomía y Físca 10 de setembre de 2013 Patrca Ksbye (FaMAF) 10 de setembre de 2013 1 / 31 Introduccón Rentas o Anualdades

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.

VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.

Más detalles

Modelos Estocásticos I Tercer Examen Parcial Respuestas

Modelos Estocásticos I Tercer Examen Parcial Respuestas Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado

Más detalles

Colección de problemas de. Poder de Mercado y Estrategia

Colección de problemas de. Poder de Mercado y Estrategia de Poder de Mercado y Estratega Curso 3º - ECO- 0-03 Iñak Agurre Jaromr Kovark Marta San Martín Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema. Olgopolo y competenca monopolístca.

Más detalles

Tema 1.3_A La media y la desviación estándar

Tema 1.3_A La media y la desviación estándar Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.

Más detalles

CESMA BUSINESS SCHOOL

CESMA BUSINESS SCHOOL CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta

Más detalles

Aplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa

Aplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa Aplcacón de la termodnámca a las reaccones químcas Andrés Cedllo Departamento de Químca Unversdad Autónoma Metropoltana-Iztapalapa Introduccón Las leyes de la termodnámca, así como todas las ecuacones

Más detalles

Distribuciones de probabilidad

Distribuciones de probabilidad Dstrbucones de probabldad Toda dstrbucón de probabldad es generada por una varable aleatora x, la que puede ser de dos tpos: Varable aleatora dscreta (x). Se le denomna varable porque puede tomar dferentes

Más detalles

TEMA 8: PRÉSTAMOS ÍNDICE

TEMA 8: PRÉSTAMOS ÍNDICE TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE

Más detalles

4. PROBABILIDAD CONDICIONAL

4. PROBABILIDAD CONDICIONAL . ROBBILIDD CONDICIONL La probabldad de que ocurra un evento B cuando se sabe que ha ocurrdo algún otro evento se denomna robabldad Condconal, Se denota como (B/) y se lee como la probabldad de que ocurra

Más detalles

Media es la suma de todas las observaciones dividida por el tamaño de la muestra.

Media es la suma de todas las observaciones dividida por el tamaño de la muestra. Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,

Más detalles

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora

Más detalles

6.1 EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS

6.1 EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS TEMA NÚMEROS COMPLEJOS. EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS DEFINICIONES Al resolver ecuacones del tpo : x + = 0 x = ± que no tene solucón en los números reales. Los números complejos nacen del deseo

Más detalles

DELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID

DELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas

Más detalles

OSCILACIONES 1.- INTRODUCCIÓN

OSCILACIONES 1.- INTRODUCCIÓN OSCILACIONES 1.- INTRODUCCIÓN Una parte relevante de la asgnatura trata del estudo de las perturbacones, entenddas como varacones de alguna magntud mportante de un sstema respecto de su valor de equlbro.

Más detalles

ESTADÍSTICA (GRUPO 12)

ESTADÍSTICA (GRUPO 12) ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.

Más detalles

Medidas de centralización

Medidas de centralización 1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,

Más detalles

UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE. Dpto. de Métodos Cuantitativos e Informáticos. Universidad Politécnica de Cartagena.

UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE. Dpto. de Métodos Cuantitativos e Informáticos. Universidad Politécnica de Cartagena. UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE COURNOT. Autores: García Córdoba, José Antono; josea.garca@upct.es Ruz Marín, Manuel; manuel.ruz@upct.es Sánchez García, Juan Francsco; jf.sanchez@upct.es

Más detalles

APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES

APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral

Más detalles

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor

Más detalles

Material realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera

Material realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera Tema - MATEMÁTICAS FINANCIERAS Materal realzado por J. Davd Moreno y María Gutérrez Unversdad Carlos III de Madrd Asgnatura: Economía Fnancera Apuntes realzados por J. Davd Moreno y María Gutérrez Advertenca

Más detalles

Resumen TEMA 1: Teoremas fundamentales de la dinámica y ecuaciones de Lagrange

Resumen TEMA 1: Teoremas fundamentales de la dinámica y ecuaciones de Lagrange TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange Mecánca 2 Resumen TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange. Prncpos de dnámca clásca.. Leyes de ewton a) Ley

Más detalles

Cifrado de imágenes usando autómatas celulares con memoria

Cifrado de imágenes usando autómatas celulares con memoria Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano

Más detalles

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009 UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas

Más detalles

DEFINICIÓN DE INDICADORES

DEFINICIÓN DE INDICADORES DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.

Más detalles

TEMA 4 Variables aleatorias discretas Esperanza y varianza

TEMA 4 Variables aleatorias discretas Esperanza y varianza Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón

Más detalles

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces

Más detalles

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio. Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco

Más detalles

La variable compleja permite resolver problemas muy diferentes dentro de. áreas tan variadas como pueden ser hidráulica, aerodinámica, electricidad,

La variable compleja permite resolver problemas muy diferentes dentro de. áreas tan variadas como pueden ser hidráulica, aerodinámica, electricidad, 17 Análss matemátco para Ingenería. M. MOLERO; A. SALVADOR; T. MENARGUEZ; L. GARMENDIA CAPÍTULO 1 Los números complejos La varable compleja permte resolver problemas muy dferentes dentro de áreas tan varadas

Más detalles

Una matriz es un conjunto de elementos de cualquier naturaleza aunque, en general, son números ordenados en filas y columnas.

Una matriz es un conjunto de elementos de cualquier naturaleza aunque, en general, son números ordenados en filas y columnas. MATRICES Las matrces se utlzan en el cálculo numérco, en la resolucón de sstemas de ecuacones lneales, de las ecuacones dferencales y de las dervadas parcales. Además de su utldad para el estudo de sstemas

Más detalles

http://www.rubenprofe.com.ar biofisica@rubenprofe.com.ar RESISTENCIAS EN PARALELO

http://www.rubenprofe.com.ar biofisica@rubenprofe.com.ar RESISTENCIAS EN PARALELO bofsca@rubenprofe.com.ar El crcuto funcona así: ESISTENCIS EN PLELO.- Las cargas salen del extremo postvo de la fuente y recorren el conductor (línea negra) hasta llegar al punto, allí las cargas se dvden

Más detalles

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con

Más detalles

Solución: Se denomina malla en un circuito eléctrico a todas las trayectorias cerradas que se pueden seguir dentro del mismo.

Solución: Se denomina malla en un circuito eléctrico a todas las trayectorias cerradas que se pueden seguir dentro del mismo. 1 A qué se denomna malla en un crcuto eléctrco? Solucón: Se denomna malla en un crcuto eléctrco a todas las trayectoras cerradas que se pueden segur dentro del msmo. En un nudo de un crcuto eléctrco concurren

Más detalles

PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES

PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno

Más detalles

Efectos fijos o aleatorios: test de especificación

Efectos fijos o aleatorios: test de especificación Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto

Más detalles

DEPARTAMENTO DE INDUSTRIA Y NEGOCIO UNIVERSIDAD DE ATACAMA COPIAPO - CHILE

DEPARTAMENTO DE INDUSTRIA Y NEGOCIO UNIVERSIDAD DE ATACAMA COPIAPO - CHILE DEPATAMENTO DE NDUSTA Y NEGOCO UNESDAD DE ATACAMA COPAPO - CHLE ESSTENCA EN SEE, PAALELO, MXTO Y SUPEPOSCÓN En los sguentes 8 crcutos calcule todas las correntes y ajes presentes, para ello consdere los

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos. ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:

Más detalles

Profesor: Rafael Caballero Roldán

Profesor: Rafael Caballero Roldán Contendo: 5 Restrccones de ntegrdad 5 Restrccones de los domnos 5 Integrdad referencal 5 Conceptos báscos 5 Integrdad referencal en el modelo E-R 53 Modfcacón de la base de datos 53 Dependencas funconales

Más detalles

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,

Más detalles

XII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros.

XII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros. Uso de la Estmacón de la Dstrbucón de Probabldad para Muestras Pequeñas y de la Smulacón en la Inferenca de Carteras de Seguros. Trabajo presentado para el XII Premo de Investgacón sobre Seguros y Fanzas

Más detalles

PARÁMETROS DE UNA DISTRIBUCIÓN DE PROBABILIDAD DISCRETA Media aritmética: μ = x

PARÁMETROS DE UNA DISTRIBUCIÓN DE PROBABILIDAD DISCRETA Media aritmética: μ = x Dstrbucones de Probabldad dscretas-bn1b DISTRIBUIONES DISRETAS DE PROBABILIDAD Dstrbucones dscretas son aquellas en las que la varable sólo puede tomar valores aslados. Ejemplo: lanzar una moneda ( valores:

Más detalles

4 BALANZA DE MOHR: Contracción de mezcla alcohol/h2o

4 BALANZA DE MOHR: Contracción de mezcla alcohol/h2o 4 LNZ DE OHR: Contraccón de mezcla alcohol/h2o CONTENIDOS Defncones. Contraccón de una ezcla. olumen específco deal y real. Uso de la balanza de ohr. erfcacón de Jnetllos. Propagacón de Errores. OJETIOS

Más detalles

Leyes de tensión y de corriente

Leyes de tensión y de corriente hay6611x_ch03.qxd 1/4/07 5:07 PM Page 35 CAPÍTULO 3 Leyes de tensón y de corrente CONCEPTOS CLAVE INTRODUCCIÓN En el capítulo 2 se presentaron la resstenca así como varos tpos de fuentes. Después de defnr

Más detalles

Tema 21: Distribución muestral de un estadístico

Tema 21: Distribución muestral de un estadístico Análss de Datos I Esquema del Tema 21 Tema 21: Dstrbucón muestral de un estadístco 1. INTRODUCCIÓN 2. DISTRIBUCIÓN MUESTRAL DE LA MEDIA 3. DISTRIBUCIÓN MUESTRAL DE LA PROPORCIÓN Bblografía * : Tema 15

Más detalles

FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN

FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN 1 CÁLCULO DE LOS FLUJOS NETOS DE CAJA Y TOMA DE DECISIONES DE INVERSIÓN PRODUCTIVA Peculardades

Más detalles

TERMODINÁMICA AVANZADA

TERMODINÁMICA AVANZADA TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón

Más detalles

FIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS

FIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS FIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS Autores: Ángel A Juan Pérez (ajuanp@uocedu), Rafael García Martín (rgarcamart@uocedu) RELACIÓN CON OTROS MATH-BLOCS Este math-block forma parte

Más detalles

ELECTROSTÁTICA. CAMPO ELÉCTRICO EN EL VACÍO.

ELECTROSTÁTICA. CAMPO ELÉCTRICO EN EL VACÍO. ELECTROSTÁTICA. CAMPO ELÉCTRICO EN EL VACÍO..- PERSPECTIVA HISTÓRICA MATERIA { MOLÉCULAS } { ÁTOMOS}, sendo los átomos y/o moléculas estables por la nteraccón electromagnétca. Desde la perspectva electromagnétca

Más detalles

PROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)

PROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos) PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón

Más detalles

Circuito Monoestable

Circuito Monoestable NGENEÍA ELETÓNA ELETONA (A-0 00 rcuto Monoestable rcuto Monoestable ng. María sabel Schaon, ng. aúl Lsandro Martín Este crcuto se caracterza por presentar un únco estado estable en régmen permanente, y

Más detalles

Dicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.

Dicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c. Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una

Más detalles

Análisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp

Análisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos

Más detalles

Rentas financieras. Unidad 5

Rentas financieras. Unidad 5 Undad 5 Rentas fnanceras 5.. Concepto de renta 5.2. Clasfcacón de las rentas 5.3. Valor captal o fnancero de una renta 5.4. Renta constante, nmedata, pospagable y temporal 5.4.. Valor actual 5.4.2. Valor

Más detalles

Introducción a las Subastas de Múltiples Objetos

Introducción a las Subastas de Múltiples Objetos Introduccón a las Subastas de Múltples Objetos Alvaro J. Rascos Vllegas Unversdad de los Andes Abrl de 2010 lvaro J. Rascos Vllegas (Unversdad de losintroduccón Andes) a las Subastas de Múltples Objetos

Más detalles

FUNDAMENTOS QUIMICOS DE LA INGENIERIA

FUNDAMENTOS QUIMICOS DE LA INGENIERIA FUNDAMENTOS QUIMICOS DE LA INGENIERIA (BLOQUE DE INGENIERIA QUIMICA) GUION DE PRACTICAS DE LABORATORIO ANTONIO DURÁN SEGOVIA JOSÉ MARÍA MONTEAGUDO MARTÍNEZ INDICE PRACTICA PAGINA BALANCE MACROSCÓPICO DE

Más detalles

CAPÍTULO V ESTRUCTURAS ALGEBRAICAS

CAPÍTULO V ESTRUCTURAS ALGEBRAICAS ESTRUCTURAS ALGEBRAICAS 7 CAPÍTULO V ESTRUCTURAS ALGEBRAICAS Estructura Algebraca es todo conjunto no vacío en el cual se han defndo una o más leyes de composcón nterna, luego de cumplr certas propedades

Más detalles

Fundamentos de Física Estadística: Problema básico, Postulados

Fundamentos de Física Estadística: Problema básico, Postulados Fundamentos de Físca Estadístca: Problema básco, Postulados y Formalsmos. Problema básco de la Mecánca Estadístca del Equlbro (MEE) El problema básco de la MEE es la determnacón de la relacón termodnámca

Más detalles

5ª Lección: Sistema de fuerzas gravitatorias. Cálculo de centros de gravedad de figuras planas: teoremas de Guldin.

5ª Lección: Sistema de fuerzas gravitatorias. Cálculo de centros de gravedad de figuras planas: teoremas de Guldin. Capítulo II: MECÁNICA DEL SÓLIDO RÍGIDO 5ª Leccón: Sstema de fuerzas gravtatoras. Cálculo de centros de gravedad de fguras planas: teoremas de Guldn. Sstemas de fuerzas gravtatoras La deduccón parte de

Más detalles

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada. Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo

Más detalles

v i CIRCUITOS ELÉCTRICOS (apuntes para el curso de Electrónica)

v i CIRCUITOS ELÉCTRICOS (apuntes para el curso de Electrónica) IUITOS EÉTIOS (apuntes para el curso de Electrónca) os crcutos eléctrcos están compuestos por: fuentes de energía: generadores de tensón y generadores de corrente y elementos pasos: resstores, nductores

Más detalles

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

Oferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA

Oferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w

Más detalles

Análisis de Regresión y Correlación

Análisis de Regresión y Correlación 1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón

Más detalles

TEMA 6 AMPLIFICADORES OPERACIONALES

TEMA 6 AMPLIFICADORES OPERACIONALES Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal

Más detalles

Problemas sobre números complejos -1-

Problemas sobre números complejos -1- Problemas sobre números complejos --.- Representa gráfcamente los sguentes números complejos y d cuáles son reales, cuáles magnaros y, de estos, cuáles magnaros puros: 5-5 + 4-5 7 0 -- -7 4.- Obtén las

Más detalles

Smoothed Particle Hydrodynamics Animación Avanzada

Smoothed Particle Hydrodynamics Animación Avanzada Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla

Más detalles

Dualidad entre procesos termodinámicos y electromecánicos

Dualidad entre procesos termodinámicos y electromecánicos ENERGÍA Y COENERGÍA EN IEMA ELECROMECÁNICO REALE, DEDE PROCEDIMIENO ERMODINÁMICO CLÁICO Alfredo Álvarez García Profesor de Inenería Eléctrca de la Escuela de Inenerías Industrales de adajoz. Resumen La

Más detalles

Análisis de Sistemas Multiniveles de Inventario con demanda determinística

Análisis de Sistemas Multiniveles de Inventario con demanda determinística 7 Congreso Naconal de Estadístca e Investgacón Operatva Lleda, 8- de abrl de 00 Análss de Sstemas Multnveles de Inventaro con demanda determnístca B. Abdul-Jalbar, J. Gutérrez, J. Scla Departamento de

Más detalles

Cálculo y EstadísTICa. Primer Semestre.

Cálculo y EstadísTICa. Primer Semestre. Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd

Más detalles

Modelos dinámicos de formación de precios y colusión. Carlos S. Valquez IEF

Modelos dinámicos de formación de precios y colusión. Carlos S. Valquez IEF Modelos dnámcos de formacón de precos y colusón Carlos S. Valquez IEF Modelos dnámcos de formacón de precos y colusón Enfoques empleados en el análss de la nteraccón repetda entre empresas: Juegos repetdos.

Más detalles

Pruebas Estadísticas de Números Pseudoaleatorios

Pruebas Estadísticas de Números Pseudoaleatorios Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =

Más detalles

RESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C

RESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C RESISTENCIS EN SERIE Y LEY DE LS MLLS V V 2 V 3 C D Fgura R R 2 R 3 Nomenclatura: Suponemos que el potencal en es mayor que el potencal en, por lo tanto la ntensdad de la corrente se mueve haca la derecha.

Más detalles

Unidad II: Análisis de la combustión completa e incompleta. 2. 1. Aire

Unidad II: Análisis de la combustión completa e incompleta. 2. 1. Aire 4 Undad II: Análss de la combustón completa e ncompleta. 1. Are El are que se usa en las reaccones de combustón es el are atmosférco. Ya se djo en la Undad I que, debdo a que n el N n los gases nertes

Más detalles

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1 Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale

Más detalles

GANTT, PERT y CPM INDICE

GANTT, PERT y CPM INDICE GANTT, PERT y CPM INDICE 1 Antecedentes hstórcos...2 2 Conceptos báscos: actvdad y suceso...2 3 Prelacones entre actvdades...3 4 Cuadro de prelacones y matrz de encadenamento...3 5 Construccón del grafo...4

Más detalles

El costo de oportunidad social de la divisa ÍNDICE

El costo de oportunidad social de la divisa ÍNDICE El Costo de Oportundad Socal de la Dvsa El costo de oportundad socal de la dvsa ÍNDICE. INTRODUCCIÓN. EL MARCO TEÓRICO 3. CÁLCULO DEL COSTO DE OPORTUNIDAD SOCIAL DE LA DIVISA 3. Nvel agregado 3. Nvel desagregado

Más detalles

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología

Más detalles

Campo eléctrico. Líneas de campo. Teorema de Gauss. El campo de las cargas en reposo. Campo electrostático

Campo eléctrico. Líneas de campo. Teorema de Gauss. El campo de las cargas en reposo. Campo electrostático qco sθ qz Ez= 4 zπε0 2+ R2 = 4πε0 [z2 +R2 ]3/ 2 El campo de las cargas en reposo. Campo electrostátco ntroduccón. Propedades dferencales del campo electrostátco. Propedades ntegrales del campo electromagnétco.

Más detalles

Tema 4. Números Complejos

Tema 4. Números Complejos Tema. Números Complejos. Números complejos...... Defncón de números complejo..... Conjugado y opuesto de números complejos..... Representacón gráfca de los complejos.... Operacones con complejos..... Suma

Más detalles