Secuencias Aleatorias
|
|
- José Miguel Agüero Salinas
- hace 7 años
- Vistas:
Transcripción
1 Caminantes aleatorios. Secuencias Aleatorias Contenidos. Secuencias aleatorias. Caminantes aleatorios. Movimiento Browniano. La hipótesis de eficiencia de los mercados implica que la cotización de un título en el mercado bursátil se comporta como un caminante aleatorio. Por ello, vamos a estudiar desde un punto de vista numérico las propiedades de este caminante random walk. Supongamos una partícula cuya dinámica se desarrolla en Tiempo discreto t =0,,,... Espacio discreto n =0, ±, ±,... Nota: En finanzas la variable espacio corresponde al precio o al rendimiento del subyacente. La dinámicadelapartícula es estocástica, y puede ser expresada con la siguiente ecuación I n (t +)= m ξ n m (t)i m (t), donde I n (t) es un indicador igual a si la partícula se encuentra en el nodo n en tiempo t, y cero en caso contrario. La variable ξ n m (t) es una variable estocástica que indica si en el tiempo t hay un salto de la partícula del nodo m al nodo n.
2 Dado que la dinámica es estocástica, tiene más sentido estudiar la evolución de un conjunto de caminantes aleatorios: Sea la configuración de nuestro sistema de caminantes aleatorios {P n (t); n =0, ±, ±,...}, donde P n (t) es la fracción de partículas en el nodo n atiempot. La ecuación de evolución en promedio de esta distribución es P n (t +) = P n (t)+ m n W n m P m (t) m n W m n P n (t), donde W m n es la probabilidad de transición del nodo n al nodo m. Utilizando la propiedad W m n =, la ecuación se puede reescribir como m Consideremos el caso que el camino aleatorio sea de la forma t Z t = Z 0 + donde X τ = τ= X τ { + con probabilidad p con probabilidad ( p) La ecuación de evolución es P n (t +)=pp n (t)+( p)p n+ (t) La solución con la condición inicial P n (0) = δ n0 es P (Z t = n Z 0 =0)= t (t + n) p (t+n)/ ( p) (t n)/, si n y t tienen la misma paridad, 0 en caso contrario. Propiedades: Para p = / la distribución de probabilidad es el triángulo de Tartaglia, con un factor de normalización. P n (t +)= m W n m P m (t). Homogeneidad en el espacio y en el tiempo P (Z t = n Z τ = m) =P (Z t τ = n m Z 0 =0) 3
3 La solución para una condición inicial distinta es P n (t) = m Probabilidad de vuelta al origen P (Z t =0 Z 0 =0)= 8 < : P m (0)P (Z t = n Z 0 = m) τ τ 0 si t =τ + p τ ( p) τ si t =τ Número de visitas medias al punto de partida N 0 = P (Z t =0 Z 0 =0)= t=0 Nota: Se ha utilizado la igualdad X m m m=0 x m = 4x p Probabilidad de regreso al punto de partida P (Z t =0para algún t>0 Z 0 =0)= p El tiempo medio de regreso al origen diverge. Barreras. Consideremos las propiedades del caminante aleatorio en presencia de barreras Cual es la probabilidad que un caminante aleatorio que comienza en a alcance N>aantes que 0? P (Z t = N antes que Z t =0 Z 0 = a) = { (( p)/p) a (( p)/p) N si p a/n si p = Considerar un sistema con la siguiente ecuación dinámica P n (t +)=pp n+ (t)+qp n (t), con p + q =, y las condiciones de contorno La solución estacionaria es P n = P 0 (t) =0; P N (t) =. { (q/p) n (q/p) N si p / n/n si p =/ 4 5
4 Considerar un problema donde cada partícula puede encontrarse en los nodos n =0,,, 3, 4 de una cuerda. La evolución es del tipo P n (t +)= 4 W n m P m (t), m=0 con la matriz de probabilidades de transición W = , correspondiente a dos barreras reflectantes en n =0, 4. La distribución estacionaria viene dada por la ecuación de autovalores WP = P. Para una distribución original la distribución de equilibrio es 0 = 5.63 = 3.58 = = = En MATLAB: La instrucción de MATLAB sobre la matriz cuadrada M devuelve en [V,D] = eig(m) V = Matriz de autovectores normalizados D = Vector con los autovalores correspondientes 0 = 0 = 0 = 0 3 = 0 4 = 0 6 7
5 Relación entre el caminante aleatorio y un proceso de difusión. El caminante aleatorio es la versión discreta de un proceso de difusión Caso simétrico Consideremos un caminante aleatorio simétrico, en un espacio y tiempo discretos P (x, t + t) = [P (x + x, t)+p (x x, t)]. La ecuación se puede reformular de la siguiente forma P (x, t + t) P (x, t) = (P (x + x, t)+p (x x, t) P (x, t)). En el ĺımite continuo ( x 0, t 0), la ecuación en diferencias finitas se convierte en la ecuación de difusión con una constante de difusión Caso asimétrico D = ( x) lim x 0, t 0 t P (x, t + t) =[pp (x + x, t)+qp(x x, t)], con p + q = La ecuación se puede reformular de la siguiente forma P (x, t + t) P (x, t) = (p q)[p (x + x, t) P (x x, t)] + (P (x + x, t)+p (x x, t) P (x, t)) En el ĺımite continuo ( x 0, t 0), la ecuación en diferencias finitas se convierte en la ecuación de difusión con un término de advección P(x, t) t P(x, t) =(p q) x con una constante de difusión + ( x) P (x, t) t x, P(x, t) t = ( x) P (x, t) t x, D = ( x) t 8 9
6 En -D Movimiento Browniano. P (x, y, t + t) = [P (x x, y, t)+p (x, y y, t) 4 + P (x + x, y, t)+p (x, y + y, t)], En el ĺımite continuo ( x 0, y 0, t 0), la ecuación en diferencias finitas se convierte en la ecuación de difusión en dimensiones P(x, y, t) t = D xx P (x, y, t) x + D yy P (x, y, t) y, Consideremos la ecuación diferencial estocástica dz t = µdt + σdw t, con ruido blanco y Gaussiano. Ecuación de Langevin con coeficientes de difusión constantes D xx = ( x) t, D yy = ( y) t dz t dt con las propiedades Ż(t) =µ + σξ(t) ξ(t) = 0 ξ(t)ξ(s) = δ(t s) Formalmente, la solución de la dinámica puede escribirse como Z(t) =Z 0 + µt + σ t 0 dτ ξ(τ) 0
7 El promedio evoluciona según la ecuación Z(t) = Z 0 + µt Definiendo Ẑ(t) =Z(t) Z(t), el segundo momento central evoluciona según la ecuación Ẑ(t)Ẑ(t) = σ t Autocovarianza Ẑ(t)Ẑ(t0 ) = σ min(t, t 0 ) Ver demobrownianoaritmetico.m Ecuación de Fokker-Planck Definimos la densidad de probabilidad que satisface la ecuación P (x, t) P (Z t = x, t), t P (x, t) = µ x P (x, t)+ σ xp (x, t). Esta ecuación recibe el nombre de ecuación de Fokker-Planck. Para la condición inicial P (x, 0) = δ(x Z 0 ) tiene la solución K(x, t) = con z = x Z 0. { } πσ t exp (z µt), σ t 3
8 Para una condición inicial arbitraria P (x, 0) = P 0 (x) la ecuación de Fokker-Planck tiene la solución Propiedades del movimiento Browniano En este apartado estudiaremos de manera numérica alguna de las propiedades del movimiento Browniano con µ =0, σ =. P (x, t) = dx K(x x,t)p 0 (x ) Tiempo de primer paso la evolución del promedio sigue la ecuación x t xp (x, t) d dt x t = µ = x t = x t + µt El momento central de orden sigue la ecuación ˆx t x P (x, t) x t T (x) =inf {t >0: W t = x} La distribución de probabilidad es P (T (x) =t) = Máximoenunintervalo x { } exp x, t 0 πt 3 t M(t) =max {W s : 0 s t} La distribución de probabilidad es P (M(t) =u) = πt exp } { u, t 0 t d ˆx dt = t σ = ˆx t = ˆx 0 + σ t 4 5
9 Nota: Las distribuciones de probabilidad acumulada de T (x) ydem(t) están relacionadas P (T (x) t) =P (M(t) x) = du exp πt Probabilidad de regreso a 0 x { u t }, t,x 0 Dado un proceo Browniano que comienza en 0 para t =0la probabilidad de encontrar un cero en el intervalo (t 0,t ) es P ( cero en (t 0,t )) = π arccos t0 t Puente Browniano Objetivo: Simular un proceso de Wiener que tome los valores W 0,W,...,W N en los instantes t 0 <t <...<t N. Consideremos el instante t, t n t t n+ P [W (t) =B W (t n )=W n,w(t n+ )=W n+ ] = P [W (t) =B, W(t n+ )=W n+ W (t n )=W n ] P [W (t n+ )=W n+ W (t n )=W n ] Usando las expresiones P [W (t) =B, W(t n+ )=W n+ W (tn) =Wn] = s fifififi (t tn) (t tn) π (t tn) (t n+ tn) fi fi fi ( exp (t t (B Wn)(W n+ Wn) n) (t tn) (t tn) (t n+ tn) Z Wn W n+ Wn fi ) P [W (t n+ )=W n+ W (tn) =Wn] = q π(t n+ tn) exp ( (W n+ W n) ) (t n+ tn) 6 7
10 con el resultado P [W (t) =B W (t n )=W n,w(t n+ )=W n+ ] = ( πσ B n (t) exp (B ) µb n (t)) [σn B(t)] µ B n (t) =W n + t t n t n+ t n W n+ [σ B n (t)] = (t t n)(t n+ t) t n+ t n Esta fórmula sugiere dos maneras de realizar una simulación de un puente Browniano para valores t n t t n+ Método B(t) = donde X N(0, ). Método B(t) =W (t)» W n + t t n (W n+ W n ) + t n+ t n s (t t n )(t n+ t) X, t n+ t n t t n t n+ t n (W (t n+ ) W n+ ) donde W (t) es un Browniano tal que W (t n )=W n. Movimiento Browniano como ĺımite contínuo del caminante aleatorio Consideremos el problema de lanzar una moneda N veces. El objetivo es encontrar la distribución del número de caras n obtenidas a lo largo de N lanzamientos P n (t +)=( p)p n (t)+pp n (t) La evolución para el promedo de caras obtenidas es cuya solución en <n(n +)>=< n(n) > +p, <n(n) >= pn La distribución de probabilidad buscada es w N (m) = N! m!(n m)! ( p)n m p m. Antes de buscar el ĺımite asintótico de esta distribución, es necesario derivar el ĺımite asintótico del factorial es necesario 8 9
11 Fórmula de Stirling Vamos a derivar la fórmula de Stirling mediante la evaluación asintótica de una cuadratura n! = 0 dt t n e t Realizamos el cambio de variable t = sn I = n n+ ds exp { n(s log s)} 0 Buscamoselvalorparaelcualelexponentey(s) = s log s es mínimo y (s) /s =0= s =. Utilizando la fórmula de Stirling para m, N = w N (m) = N πn(n m)m N! (N m)!m! ( p)n m p m N N (N m) N m m m ( p)n m p m ( ) m N / ( ) m / (N m) m πnp( p) N( p) Np Definiendo la nueva variable podemos escribir x m Np Hacemos un desarrollo cuadrático del exponente en torno al mínimo w N (m) πnp( p) y(s) =+ (s ) +... Evaluamos la integral gaussiana resultante (extendiendo el ĺımite inferior a ) I n(n/e) n Z ds e n(s ) = πn(n/e) n, n ( ) (x N( p) /) ( x + x ) (x+np+/). N( p) Np Anticipando que la variable x O( N), N 0
12 y utilizando el desarrollo ( + x) =exp(ln( + x)) = exp(x x +...) obtenemos w N (m) ( exp πnp( p) x Np( p) ), que corresponde a un movimiento Browniano para x con N = t t µ = 0 σ = p( p) t
Distribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detallesEl Movimiento Browniano en la modelización del par EUR/USD
MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés
Más detallesCONTENIDOS. 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 detallesKolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona
Kolmogorov y la teoría de la la probabilidad David Nualart Academia de Ciencias y Universidad de Barcelona 1 La axiomatización del cálculo de probabilidades A. N. Kolmogorov: Grundbegriffe des Wahrscheinlichkeitsrechnung
Más detallesModelos 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 detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detallesIntroducción a los Procesos de Poisson *
Introducción a los Procesos de Poisson * Victor M. Pérez Abreu C. Departamento de Probabilidad y Estadística, CIMAT David Reynoso Valle Licenciatura en Matemáticas, DEMAT, Universidad de Guanajuato 22
Más detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesDeducción de las fórmulas de Black-Scholes mediante valor esperado del pago futuro
Deducción de las fórmulas de Black-Scholes mediante valor esperado del pago futuro Alexis Sánchez Tello de Meneses 4 Septiembre 04 Abstract Se desarrollará a partir del modelo de evolución log-normal para
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesTema 4: Leyes de la desintegración
Tema 4: Leyes de la desintegración 1. Ley exponencial 1.1. Constante de desintegración y ley exponencial El proceso de la desintegración es de naturaleza estadística: Imposible predecir el momento de la
Más detallesPolinomios de Legendre.
. Introducción. Polinomios de Legendre. Los polinomios de Legendre constituyen una base ortogonal en el espacio de funciones definidas entre [, ]. Son soluciones de la familia de ecuaciones diferenciales
Más detallesCAPÍTULO 6: VARIABLES ALEATORIAS
Página 1 de 11 CAPÍTULO 6: VARIABLES ALEATORIAS En el capítulo 4, de estadística descriptiva, se estudiaron las distribuciones de frecuencias de conjuntos de datos y en el capítulo 5 se trataron los fundamentos
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesBajo estas hipótesis la ley de Newton permite escribir las ecuaciones del cohete (ver Figura 1.1) como. = m(t) g + T (t), = g + dx dt (0) = v 0.
CAPÍTULO 1 INTRODUCCIÓN Ejercicios resueltos Problema 1. Desarrolle un modelo simplificado de un coete como un cuerpo sujeto a la gravedad que se mueve en vertical por el empuje de una fuerza de propulsión
Más detallesLa función, definida para toda, es periódica si existe un número positivo tal que
Métodos con series de Fourier Definición: Función periódica La función, definida para toda, es periódica si existe un número positivo tal que para toda. El número en un periodo de la función. Si existe
Más detallesINSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA FÍSICA ESTADÍSTICA
INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA DIPLOMA DE ESPECIALIZACIÓN EN FÍSICA (ANEP UDELAR) FÍSICA ESTADÍSTICA Curso 013 Práctico II Fundamentos de Probabilidad y Estadística. Fecha de Entrega: 13 de
Más detallesEL4005 Principios de Comunicaciones Clase No.24: Demodulación Binaria
EL4005 Principios de Comunicaciones Clase No.24: Demodulación Binaria Patricio Parada Departamento de Ingeniería Eléctrica Universidad de Chile 5 de Noviembre de 2010 1 of 34 Contenidos de la Clase (1)
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detallesCAPITULO 1 INTRODUCCION AL ANALISIS DE TENSIONES Y DEFORMACIONES DE UNA ESTRUCTURA
CAPITULO 1 INTRODUCCION AL ANALISIS DE TENSIONES Y DEFORMACIONES DE UNA ESTRUCTURA Con el propósito de seleccionar los materiales y establecer las dimensiones de los elementos que forman una estructura
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesPROBLEMAS RESUELTOS MOVIMIENTO ONDULATORIO
PROBLEMAS RESUELTOS MOVIMIENTO ONDULATORIO 1. Una onda transversal se propaga en una cuerda según la ecuación (unidades en el S.I.) Calcular la velocidad de propagación de la onda y el estado de vibración
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesMogens Bladt 14/04/2010
14/04/2010 1 2 3 4 5 6 Problemas básicos en finanzas y actuaría Opciones, derivados, cobertura y manejo de riesgo Cálculo de primas, riesgos y de solvencia. Relación entre los dos enfoques diferentes:
Más detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Más detallesPRÁCTICA I. Ejercicios Teóricos
PRÁCTICA I TEORÍA DE LA DECISIÓN BAYESIANA Ejercicios Teóricos Ejercicio. En el caso de dos categorías, en la regla de decisión de Bayes el error condicional está dado por la ecuación (7). Incluso si las
Más detallesGRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales y telemática)
GRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales y telemática) ESTADISTICA 2008-2009 PRACTICA 2. VARIABLES ALEATORIAS OBJETIVOS: Introducción a las variables aleatorias:
Más detallesProcesos polinomiales y sus aplicaciones en matemáticas financieras 1/22
Procesos polinomiales y sus aplicaciones en matemáticas financieras II-ConMate-P Sergio Pulido LaMME ENSIIE/ Université d Evry Val d Essonne 15 de abril, 2016 Procesos polinomiales y sus aplicaciones en
Más detallesPRACTICAS SEÑALES Y SISTEMAS
SEÑALES Y SISTEMAS. PRÁCTICAS 3/4 PRACTICAS SEÑALES Y SISTEMAS INTRODUCCIÓN.- Realización y presentación de las prácticas Para entregar las prácticas correctamente deberá seguirse el siguiente criterio
Más detallesDesarrollo multipolar del potencial.
c Rafael R. Boix y Francisco Medina Desarrollo multipolar del potencial. Consideremos un cuerpo cargado que ocupa una región volumétrica. Sea ρ(r ) la densidad volumétrica de carga del cuerpo cargado.
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesTema 2: Variables Aleatorias Unidimensionales
Tema 2: Variables Aleatorias Unidimensionales Teorı a de la Comunicacio n Curso 27-28 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función
Más detallesEjercicios de ECUACIONES DIFERENCIALES ORDINARIAS
Ejercicios de ECUACIONES DIFERENCIALES ORDINARIAS Grado en Matemáticas Curso 203-204 . Ecuaciones lineales con coeficientes constantes Ecuaciones de primer orden. Encontrar la solución de los siguientes
Más detallesPráctica 3. Nombre del curso: Teoría Moderna de la Detección y Estimación. Autores: Emilio Parrado Hernández
Práctica 3 Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Emilio Parrado Hernández Práctica 3: Cancelación de ruido mediante filtrado. Teoría Moderna de la Detección y la Estimación
Más detallesUnidad II: Fundamentos de la teoría de probabilidad
Unidad II: Fundamentos de la teoría de probabilidad 2.1 Teoría elemental de probabilidad El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos que se denominan aleatorios, cuya característica
Más detallesCIMPA Summer School on Inverse Problems on its Application ECUACIÓN DIFERENCIAL PARCIAL QUE ORIGINA EL MODELO DE BLACK - SCHOLES
CIMPA Summer School on Inverse Problems on its Applications ECUACIÓN DIFERENCIAL PARCIAL QUE ORIGINA EL MODELO DE BLACK - SCHOLES 11 de enero de 2010 El modelo de Black -Scholes, permite la valoración
Más detallesVariables Aleatorias. Introducción
Variables Aleatorias Introducción Concepto de variable aleatoria Es conveniente que los resultados de un experimento aleatorio estén expresados numéricamente. Se prueban tres componentes electrónicos,
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesIntegral de Fourier y espectros continuos
9 2 2 2 Esta expresión se denomina forma de Angulo fase (o forma armónica) de la serie de Fourier. Integral de Fourier y espectros continuos Las series de Fourier son una herramienta útil para representar
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesResumen sobre mecánica analítica
Resumen sobre mecánica analítica Ecuaciones de Lagrange. Supongamos una partícula, cuyo movimiento se puede describir mediante una sóla coordenada x, de modo que en el instante t la posición de la partícula
Más detallesTEMA 5: INTERPOLACION NUMERICA
Lino Alvarez - Aurea Martinez METODOS NUMERICOS TEMA 5: INTERPOLACION NUMERICA 1 EL PROBLEMA GENERAL DE INTER- POLACION En ocasiones se plantea el problema de que se conoce una tabla de valores de una
Más detallesNúmeros aleatorios. Contenidos
Números aleatorios. Contenidos 1. Descripción estadística de datos. 2. Generación de números aleatorios Números aleatorios con distribución uniforme. Números aleatorios con otras distribuciones. Método
Más detallesTema 7: Procesos Estoca sticos
Tema 7: Procesos Estoca sticos Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Definición 2 Caracterización Estadística 3 Estadísticos 4 Estacionariedad 5 Ergodicidad 6 Densidad Espectral de Potencia
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesLa reordenación aleatoria de un conjunto finito
La reordenación aleatoria de un conjunto finito Pérez Cadenas J. I. 0.06.2003 Resumen Al desordenar y, a continuación, reordenar aleatoriamente un conjunto finito es posible que algunos de sus elementos
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesTermodinámica. 2 o curso de la Licenciatura de Físicas. Introducción Propiedades Matemáticas de la Entropía Un ejemplo: el Gas ideal
Termodinámica 2 o curso de la Licenciatura de Físicas Lección 2 Introducción Propiedades Matemáticas de la Entropía Un ejemplo: el Gas ideal 1 1. Introducción Hemos postulado que conociendo S(U, V, N)
Más detallesAlgunos 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 detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detallesNº Hermanos 30 Alumnos X i f i P(X i ) 0 8 0, , , , , ,00
U.D.3: Distribuciones Discretas. La Distribución Binomial 3.1 Variable Aleatoria Discreta. Función o Distribución de Probabilidad. Variable Aleatoria: - En un experimento aleatorio, se llama variable aleatoria
Más detallesMétodos Numéricos con Diferencias Finitas para EDPs de evolución
Práctica 6 Métodos Numéricos con Diferencias Finitas para EDPs de evolución En esta práctica resolveremos algunas ecuaciones en derivadas parciales mediante métodos numéricos que discretizan tanto el espacio
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesUNIDAD II. INTEGRAL DEFINIDA Y LOS MÉTODOS DE INTEGRACIÓN. Tema: TÉCNICAS DE INTEGRACIÓN
UNIDAD II. INTEGRAL DEFINIDA Y LOS MÉTODOS DE INTEGRACIÓN Tema: TÉCNICAS DE INTEGRACIÓN TÉCNICAS DE INTEGRACIÓN En matemáticas, cada tipo de problema sugiere un tipo de solución. Para calcular la derivada
Más detallesModelos elección discreta y variable dependiente limitada
Modelos elección discreta y variable dependiente limitada Profesor: Graciela Sanroman Facultad de Ciencias Económicas y Administración Año 2010 Modelos multinomiales Los modelos multinomiales son aquellos
Más detallesFactorización de Polinomios con Coeficientes Enteros
Para comenzar la presentación mantenga presionado Ctrl y marque L Factorización de Polinomios con Coeficientes Enteros Mate 141: Álgebra y Trigonometría I Preparado por: Departamento de Matemáticas Pontificia
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesTeoría de colas I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Teoría de colas I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Teoría de colas Ejemplo: un centro de atención telefónica (call center) Tasa de llegada y
Más detallesEstimación de Máxima Verosimilitud Utilizando la Función optim en R
Estimación de Máxima Verosimilitud Utilizando la Función optim en R Juan F. Olivares-Pacheco * 15 de diciembre de 2006 Resumen En este trabajo se muestra el método de verosimilitud para la estimación de
Más detallesSeñales y Sistemas. Señales y Clasificación Sistemas y Clasificación Respuesta al impulso de los sistemas. 5º Curso-Tratamiento Digital de Señal
Señales y Sistemas Señales y Clasificación Sistemas y Clasificación Respuesta al impulso de los sistemas Señales El procesamiento de señales es el objeto de la asignatura, así que no vendría mal comentar
Más detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
Más detallesSeries de Polinomios Ortogonales, continuación
Semana 3 - Clase 7 9// Tema : Series Series de Polinomios Ortogonales, continuación. Polinomios de Hermite Los polinomios de Hermite a diferencia de los de Legendre (y Tchevychev), vienen definidos en
Más detallesEstimación de homografías
Estimación de homografías Visión en Robótica 1er cuatrimestre de 2013 1 Introducción del problema Una homografía es una transformación proyectiva que determina una correspondencia entre puntos El problema
Más detallesMartingalas. Es decir, condicionando al pasado, la ganancia neta esperada luego del turno siguiente es cero. Esto es, el juego es justo.
Martingalas Vamos a estudiar una clase de procesos que pueden verse como la fortuna de un jugador que juega repetidamente un juego justo. Así que pensemos que M n es la fortuna del jugador luego de jugar
Más detallesMLG Ana M. Bianco FCEyN
MLG Ana M. Bianco FCEyN 2008 44 Propiedades de los Estimadores de Máxima Verosimilitud Recordemos que si la variable aleatoria Y tiene función de densidad (f.d.)o probabilidad puntual (f.p.p.)f(y, θ),
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesEcuaciones de la recta en el espacio
Ecuaciones de la recta en el espacio Ecuación vectorial de la recta Sea P(x 1, y 1 ) es un punto de la recta r y uu su vector director, el vector PPXX tiene igual dirección que uu, luego es igual a uu
Más detallesÓrdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple
Órdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple Estos apuntes están redactados por Maria de los Angeles Isidro Pérez y Egor Maximenko.
Más detallesCÁLCULO Primer curso de Ingeniero de Telecomunicación Examen Final. 7 de Julio de 2000 Primera parte
ÁLULO Primer curso de Ingeniero de Telecomunicación Examen Final. 7 de Julio de 000 Primera parte Ejercicio 1. Entre todos los rectángulos del plano YOZ,inscritos en la parábola z = a y (siendo a>0) yconbaseenelejeoy
Más detallesDINÁMICA DE FLUIDOS 1. Propiedades de los Fluidos. 2. Cinemática de fluidos.
DINÁMICA DE FLUIDOS 1. Propiedades de los Fluidos. Concepto de fluido. Fluido ideal. Fluidos reales. Viscosidad Tensión superficial. Capilaridad Estática. Presión en un punto. Ecuación general de la estática.
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesGEOMETRÍA. que pasa por el punto P y es paralelo a π. (0,9 puntos) b) Determinar la ecuación del plano π
GEOMETRÍA 1.- Se considera la recta r : ( x, y, z) = ( t + 1, t,3 t), el plano π: x y z = 0y el punto P (1,1,1). Se pide: a) Determinar la ecuación del plano π 1 que pasa por el punto P y es paralelo a
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesBreviario de cálculo vectorial
Apéndice A Breviario de cálculo vectorial versión 16 de octubre de 2006 Este apéndice no pretende ser mas que un resumen de definiciones y fórmulas útiles acerca de la función delta de Dirac, cálculo vectorial
Más detallesPROCESOS ESTOCÁSTICOS
Capítulo 10 Cadenas de Markov PROCESOS ESTOCÁSTICOS Una sucesión de observaciones X 1,X 2,... se denomina proceso estocástico Si los valores de estas observaciones no se pueden predecir exactamente Pero
Más detallesTAREA 1 ALGEBRA ING. AMBIENTAL UNIVERSIDAD DE CÒRDOBA Vanessa Aldana, Cristian Gonzales, María De La Ossa
TAREA 1 ALGEBRA ING. AMBIENTAL UNIVERSIDAD DE CÒRDOBA Vanessa Aldana, Cristian Gonzales, María De La Ossa EJERCICIO 1 Para una matriz A nxn. En qué consiste la factorización o descomposición LU? Explique
Más detalles10. Series de potencias
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Cálculo Diferencial e Integral 7-2 Basado en el apunte del curso Cálculo (2do semestre), de Roberto Cominetti, Martín Matamala y Jorge San
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
Más detallesProcesos estocásticos
Procesos estocásticos Las cadenas de Markov estudian procesos estocásticos Los procesos estocásticos son modelos matemáticos que describen sistemas dinámicos sometidos a procesos aleatorios Parámetros:
Más detallesCapítulo 3. Polinomios
Capítulo 3 Polinomios 29 30 Polinomios de variable real 31 Polinomios de variable real 311 Evaluación de polinomios Para el cálculo eficiente de los valores de un polinomio se utiliza el algoritmo de Horner,
Más detallesMÉTODO DE LOS ELEMENTOS FINITOS.
de MÉTODO DE LOS ELEMENTOS FINITOS. Castillo Madrid, 23 de Noviembre de 26 Índice de 2 3 4 de de El de los Elementos Finitos (M.E.F.) es un procedimiento numérico para resolver ecuaciones diferenciales
Más detallesParte I. Introducción a las ecuaciones diferenciales estocásticas
Parte I Introducción a las ecuaciones diferenciales estocásticas 5 Capítulo 2 Ecuaciones diferenciales estocásticas y su aplicación a la mecánica estadística Introducimos las ecuaciones diferenciales estocásticas
Más detallesÍndice. Tema 8: Series de Fourier. Funciones periódicas. Algunas funciones periódicas. Marisa Serrano, José Ángel Huidobro
Índice Marisa Serrano, José Ángel Huidobro 1 Universidad de Oviedo email: mlserrano@uniovi.es email: jahuidobro@uniovi.es Funciones periódicas Algunas funciones periódicas f : R R es una función periódica
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesFísica 3: Septiembre-Diciembre 2011 Clase 13,Lunes 24 de octubre de 2011
Clase 13 Potencial Eléctrico Cálculo del potencial eléctrico Ejemplo 35: Efecto punta En un conductor el campo eléctrico es mas intenso cerca de las puntas y protuberancias pues el exceso de carga tiende
Más detallesCadenas 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 detallesIntroducción a los Procesos Estocásticos
Introducción a los Procesos Estocásticos La teoría de los procesos estocásticos se centra en el estudio y modelización de sistemas que evolucionan a lo largo del tiempo, o del espacio, de acuerdo a unas
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detalles1. Ecuaciones lineales con coeficientes constantes. Ecuaciones de primer orden. 2. Encontrar la solución de los siguientes problemas de valor inicial.
. Ecuaciones lineales con coeficientes constantes Ecuaciones de primer orden. Encontrar la solución de los siguientes problemas de valor inicial. ẋ =5x, x0) =.. ẋ + x =0, x) =.. ẋ + x = te t, x0) =. si
Más detallesBenemérita Universidad Autónoma de Puebla. Facultad de Ciencias de la Computación
Benemérita Universidad Autónoma de Puebla. Facultad de Ciencias de la Computación ANALISIS COMPARATIVO DEL DESEMPEÑO DE CUATRO FILTROS PREDICTIVOS APLICADOS AL SEGUIMIENTO VISUAL DE OBJETOS Tesis Profesional
Más detallesProcesos 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 detallesCurso Propedéutico de Cálculo Sesión 3: Derivadas
Curso Propedéutico de Cálculo Sesión 3: Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico Esquema 1 2 3 4 5 6 7 Esquema 1 2 3 4 5 6 7 Introducción La derivada
Más detallesTema 3.- SISTEMAS DIFERENCIALES LINEALES Ampliación de Matemáticas. Ingeniería Técnica Industrial. Especialidad en Electrónica Industrial.
Tema 3- SISTEMAS DIFERENCIALES LINEALES Ampliación de Matemáticas Ingeniería Técnica Industrial Especialidad en Electrónica Industrial Índice General 1 Introducción 1 2 Sistemas lineales de primer orden
Más detallesCapítulo 12. Polinomios de Hermite Función generatriz. Definimos los polinomios de Hermite por: . (12.1)
Capítulo 12 Polinomios de Hermite 12.1 Definición Definimos los polinomios de Hermite por: = ( 1) n dn t2 e dt n e t2 {} n N son polinomios de grado n. Se tiene que: es decir, H n es par si n es par, e
Más detalles2. Formas cuadráticas. Expresiones diagonales. Clasificación respecto a su signo.
2. Formas cuadráticas. Expresiones diagonales. Clasificación respecto a su signo. 2.1 Formas cuadráticas. Expresión matricial y analítica. Expresiones diagonales. Definición 2.1 (Expresión matricial) Una
Más detallesUna 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 detallesEcuaciones diferenciales de Equilibrio
Ecuaciones diferenciales de Equilibrio 28 de marzo de 2006 1. Elasticidad en una dimensión 1.1. Esfuerzo σ y carga lineal b(x) Para examinar un cuerpo desde el contínuo, que es la primera hipótesis (a),
Más detalles