1.1 Máquinas secuenciales Modelo de Moore y de Mealy Lenguaje de una máquina secuencial Equivalencia de modelos
|
|
- Francisco Javier Cabrera Acuña
- hace 6 años
- Vistas:
Transcripción
1 Guión 1.1 Máquinas secuenciales Modelo de Moore y de Mealy Lenguaje de una máquina secuencial Equivalencia de modelos
2 Modelo de Moore y de Mealy: Definición Una máquina secuencial (MS) es una tupla: M = (Σ E, Σ S, Q, δ, γ) Σ E alfabeto de la cinta de entrada Σ S alfabeto de la cinta de salida Q conjunto finito de estados δ función de transición (de lectura, de entrada) δ : Q Σ E Q γ función de emisión (de escritura, de salida) Modelo de Moore (Emisión en el estado) γ : Q Σ S Modelo de Mealy (Emisión en la transición) γ : Q Σ E Σ S
3 Modelo de Moore y de Mealy: Ejemplos Máquina secuencial que genera como salida una p si hasta el momento se ha recibido un número par de unos, y genere una i si se ha recibido un número impar de unos. Máquina de Mealy ME = ({0, 1}, {i, p}, {q 0, q 1 }, δ, γ) ME 0 1 q 0 q 0 /p q 1 /i q 1 q 1 /i q 0 /p q 0 0/p q 0 1/i q 1 0/i q 1 0/i q 1 Máquina de Moore MO = ({0, 1}, {i, p}, {q 0, q 1 }, δ, γ) MO 0 1 q 0 /p q 0 q 1 q 1 /i q 1 q 0 q 0 /p 0 q 0 /p 1 q 1 /i 0 q 1 /i 0 q 1 /i
4 Modelo de Moore y de Mealy: Comportamiento Una configuración es una tupla (q, u, v) donde q Q, u Σ E y v Σ S. Un movimiento provoca un cambio de configuración (q, au, v) (q, u, vb) donde 1. se verifica que δ(q, a) = q y 2. se verifica que si la máquina es de Mealy γ(q, a) = b si la máquina es de Moore γ(q) = b Denotamos mediante c d una secuencia de n 0 movimientos. Es decir: 1. o bien c = d 2. o bien existen c i con 1 i n tales que c = c 1 c 2... c n = d
5 Modelo de Moore y de Mealy: Extensiones Se añade un estado inicial q 0 Q Se distingue entre estados finales F Q y no finales Se admite la lectura o escritura de la cadena nula Se admite la lectura o escritura de cadenas Se admite indeterminismo en la lectura o escritura
6 Lenguaje de una MS: Funciones δ y γ Extensión de δ a cadenas δ : Q Σ E Q δ (q, λ) = q δ (q, aw) = δ (δ(q, a), w) Extensión de γ a cadenas γ : Q Σ E Σ S : Máquina de Mealy: γ (q, λ) = λ γ (q, aw) = γ(q, a)γ (δ(q, a), w) Máquina de Moore: γ (q, λ) = λ γ (q, aw) = γ(q)γ (δ(q, a), w)
7 Lenguaje de una MS: Definición Dada una máquina secuencial M = (Σ E, Σ S, Q, δ, γ) con estado inicial q 0 finales F Q, el lenguaje L(M) se define mediante: y estados L(M) = {(u, v) Σ E Σ S (q 0, u, λ) (q f, λ, v) y q f F } Dos máquinas secuenciales M y M definidas M = (Σ E, Σ S, Q, δ, γ) M = (Σ E, Σ S, Q, δ, γ ) son equivalentes si y sólo si : 1. q Q q Q w Σ E γ (q, w) = γ (q, w) 2. q Q q Q w Σ E γ (q, w) = γ (q, w)
8 Equivalencia de modelos: De Moore a Mealy Dada una máquina de Moore MO = (Σ E, Σ S, Q, δ, γ) existe una máquina de Mealy equivalente ME = (Σ E, Σ S, Q, δ, γ ) Idea: q/? a p/b es similar a q a/b p Basta con definir para cada q Q y a Σ E γ (q, a) = γ(δ(q, a))
9 Equivalencia de modelos: De Mealy a Moore Dada una máquina de Mealy ME = (Σ E, Σ S, Q, δ, γ) existe una máquina de Moore equivalente MO = (Σ E, Σ S, Q, δ, γ ) Idea: q a/b p es similar a [q,?]/? a [p, b]/b El conjunto Q estará constituido por pares Las funciones de entrada y salida serán: Q = {[q, b] q Q y b Σ S } [q, c] Q a Σ E si δ(q, a) = p y γ(q, a) = b entonces δ ([q, c], a) = [p, b] [q, c] Q γ ([q, c]) = c
10 Equivalencia de modelos: Ejemplos de transformación De Moore a Mealy MO 0 1 q 0 /a q 0 q 1 q 1 /b q 2 q 0 q 2 /a q 1 q 0 ME 0 1 q 0 q 0 /a q 1 /b q 1 q 2 /a q 0 /a q 2 q 1 /b q 0 /a De Mealy a Moore ME 0 1 c 0 c 0 /a c 2 /b c 1 c 0 /a c 1 /b c 2 c 0 /b c 1 /a MO 0 1 [c 0, a]/a [c 0, a] [c 2, b] [c 0, b]/b [c 0, a] [c 2, b] [c 1, a]/a [c 0, a] [c 1, b] [c 1, b]/b [c 0, a] [c 1, b] [c 2, a]/a [c 0, b] [c 1, a] [c 2, b]/b [c 0, b] [c 1, a]
11 Guión 1.2 Autómatas Probabilísticos Autómatas Finitos Probabilísticos (AFP) Cadenas de Markov (visibles) Cadenas de Markov ocultas
12 Autómatas Finitos Probabilísticos: Definición Un Autómata Finito Probabilístico (AFP) es una tupla: Σ alfabeto de la cinta de entrada Q conjunto finito de estados ( Q = N) π vector inicial de N componentes M = (Σ, Q, π, A) A = {A(a) a Σ} es un conjunto de matrices N N de transición π = ( A(a) = π 1... π N ) a a 1N..... a N1... a NN con con 0 π j 1 Σ 1 j N : π j = 1 0 a ij 1 1 i N Σ 1 j N : a ij = 1
13 Autómatas Finitos Probabilísticos: Ejemplo M = ({a, b}, {q 1, q 2 }, π, A) donde π = ( 1/2 1/2 ) A(a) = 1/2 1/2 0 1 A(b) = 1/3 2/3 1 0 Una notación alternativa sería: M A Q π A(a) A(b) q 1 1/2 1/2 1/2 1/3 2/3 q 2 1/
14 Autómatas Finitos Probabilísticos: Vector de estados Dado un AFP M = (Σ, Q, π, A) y una cadena w Σ con w = a 1... a n, denominamos vector de estados P (w) para w al vector: Para el ejemplo anterior: P (w) = πa(a 1 )A(a 2 )... A(a n ) = π 1 i n : A(a i ) P (ab) = πa(a)a(b) ( ) = 1/2 1/2 ( ) = 1/2 1/2 ( ) = 1/2 1/2 1/2 1/ /3 2/ /2 1/3 + 1/2 1 1/2 2/3 + 1/ / / /3 1/3 ( ) = 5/6 1/6 1 0
15 Autómatas Finitos Probabilísticos: Lenguaje Dado un vector de estado P (w) la probabilidad de estar en el estado q tras reconocer w es la componente del vector asociada con el estado q Q (denotada mediante P q (w)). Dado un AFP M = (Σ, Q, π, A), un conjunto F Q de estados finales y un umbral 0 θ 1 definimos el lenguaje L(M) como: L(M) = {w Σ P F (w) θ} donde P F (w) = Σ q F : P q (w) es la probabilidad de alcanzar un estado final al leer w. ( ) Siguiendo con el ejemplo anterior, sabemos que P (ab) = 5/6 1/6 y, de aquí, si F = {q2} tenemos P F (w) = P q2 (w) = 1/6, y de aquí w L(M) siempre que θ 1/6.
16 Sea una secuencia de eventos discretos Cadenas de Markov: Introducción X = (X 1, X 2,..., X T ) donde X t con 1 t T son variables aleatorias que puede tomar N valores. Decimos que X es una cadena de Markov si cumple las siguientes dos propiedades: Ley del horizonte limitado: La probabilidad de que ocurra un evento p en un determinado instante t depende tan sólo del evento q anterior P (X t = p X 1 = s, X 2 = s,..., X t 1 = q) = P (X t = p X t 1 = q) Ley del tiempo estacionario: La probabilidad de que ocurra un evento p tras un evento q es independiente del tiempo en que suceda: P (X t = p X t 1 = q) = P (X t+l = p X t 1+l = q) = P (p q)
17 Cadenas de Markov: Definición Una cadena de Markov (visible) puede representarse mediante un autómata finito probabilístico sin cinta de entrada (Q, π, A) donde: Los N valores que puede tomar X i son los estados de Q Los componentes a ij de la matriz de transición A denotan la probabilidad P (X t = q j X t 1 = q i ) de pasar del estado q i al estado q j. Los componentes π i del vector inicial π denotan la probabilidad P (X 1 comenzar en el estado q i. = q i ) de Dada una secuencia de estados (q 1,..., q T ), (aplicando la Ley de la Cadena y la Ley de Horizonte limitado) tenemos que : P (q 1,..., q T ) = P (q 1 )P (q 2 q 1 )P (q 3 q 1 q 2 )... P (q T q 1 q 2... q T 1 ) = P (q 1 )P (q 2 q 1 )P (q 3 q 2 )... P (q T q T 1 ) = π q1 a q1 q 2 a q2 q 3... a qt 1 q T
18 Cadenas de Markov: Ejemplo Podemos catalogar un día con tres tipos (estados): lluvioso (L), nublado (N) y soleado (S). Supongamos que la probabilidad de cambio de tiempo de un día para otro, recogidas en la matriz A, son las siguientes: A = a LL a LN a LS a NL a NN a NS a SL a SN a SS = 0,4 0,3 0,3 0,2 0,6 0,2 0,1 0,1 0,8 Considerando que hoy hace sol, la probabilidad de que el tiempo sea (S, S, N, L) sería: P (S, S, N, L) = π S a SS a SN a NL = 1 0,8 0,1 0,2 = 0,016
19 Cadenas de Markov ocultas: Definición Una cadenas de Markov oculta M = (Σ, Q, π, A, B) es aquella donde en cada instante de tiempo t conocemos un símbolo a Σ emitido probabilísticamente por el estado en el que se encuentra el autómata en el instate t. En este modelo tenemos dos secuencias: una secuencia desconocida (oculta) de variables aleatorias X = (X 1,..., X T ) donde cada X t puede ser un estado q Q una secuencia conocida (visible) de variables aleatorias O = (O 1,..., O T ) donde cada O t puede ser un símbolo (observación) a Σ emitido por el estado en X t. Los componentes b jk de la matriz B, denominada de emisión, indican la probabilidad de que el estado q j emita el símbolo a k en cualquier instante t: b jk = P (O t = a k X t = q j )
20 Cadenas de Markov ocultas: Ejemplo Disponemos de 2 urnas Q = {u 1, u 2 } que contienen bolas de 3 colores: Σ = {c 1, c 2, c 3 }. Se procede iterativamente de la siguiente forma: se escoge arbitrariamente una de las urnas, se extrae al azar una bola, y tras anotar su color, se devuelve a su urna. Supongamos las siguientes matrices para el modelo: Probabilidad de empezar por cada urna ( ) π = π u1 π u2 = ( 0,5 0,5 ) Probabilidad de cambiar de urna: A = a u 1 u 1 a u1 u 2 a u2 u 1 a u2 u 2 = 0,6 0,4 0,2 0,8 Probabilidad de extraer una bola de una urna B = b u 1 c 1 b u1 c 2 b u1 c 3 b u2 c 1 b u2 c 2 b u2 c 3 = 0,2 0,5 0,3 0,1 0 0,9
21 Cadenas de Markov ocultas: Cálculo de P (o) En un modelo de Markov oculto no conocemos la secuencia de estados que emite una observación o = (o 1,..., o T ), por tanto para calcular P (o) consideramos cualquier posible secuencia de estados q = (q 1,... q T ): P (o) = q P (o q)p (q) = q (b q 1 o 1 b q2 o 2... b qt o T )(π q1 a q1 q 2 a q2 q 3... a qt 1 q T ) = q π q 1 b q1 o 1 a q1 q 2 b q2 o 2... a qt 1 q T b qt o T En el problema de las urnas, para la observación (c1, c3) tendríamos: Para (u 1, u 1 ) tenemos π u1 b u1 c 1 a u1 u 1 b u1 c 3 = 0,5 0,2 0,6 0,3 = 0,018 Para (u 1, u 2 ) tenemos π u1 b u1 c 1 a u1 u 2 b u2 c 3 = 0,5 0,2 0,4 0,9 = 0,036 Para (u 2, u 1 ) tenemos π u2 b u2 c 1 a u2 u 1 b u1 c 3 = 0,5 0,1 0,2 0,3 = 0,003 Para (u 2, u 2 ) tenemos π u2 b u2 c 1 a u2 u 2 b u2 c 3 = 0,5 0,1 0,8 0,9 = 0,036 Sumando quedaría P (c 1, c 3 ) = 0, , , ,036 = 0,093
22 Guión 1.3 Autómatas de células de McCulloch-Pitts Células de McCulloch-Pitts Autómatas de células de McCulloch-Pitts Equivalencia con autómatas finitos
23 Células de McCulloch-Pitts: Definición Una célula de McCulloch-Pitts es una tupla: c = (e, θ, r) e = {e 1,..., e n } es un conjunto de entradas (señales) que pueden estar activas (valor 1) o inactivas (valor 0). Las señales pueden ser de dos tipos: excitadoras e i inhibidoras ẽ j. θ es un entero denominado umbral r es la salida que puede estar activa (1) o inactiva (0)
24 Células de McCulloch-Pitts: Función normal y diferencial El valor de la salida r de una célula en un instante de tiempo t depende de sus entradas e en el instante anterior t mediante una función g de transición: r(t) = g(e(t 1)) = g(e(t )) Se definen fundamentalmente dos tipos de funciones de transición: Función normal: g(e) = 1 i : ei θ y j : ẽ j = 0 0 en otro caso Función (umbral) diferencial: g(e) = 1 ( i : e i j : ẽ j ) θ 0 en otro caso
25 Células de McCulloch-Pitts: Ejemplo c = ({e 1, ẽ 2, e 3 }, 1, r) Normal Diferencial e 1 + e 3 1 y e 2 = 0 e 1 e 2 + e 3 1 t t + 1 t + 1 e 1 e 2 e 3 r r
26 ACMP: Definición Un autómata de células de McCulloch-Pitts (ACMP) es un conjunto finito de células que admiten realimentación (la salida de una célula puede ser entrada en otra): E es el alfabeto de las entradas R es el alfabeto de las salidas r R es la salida del autómata. M = (E, R, r, C) C es un conjunto finito de células tales que el conjunto de entradas de cada célula es un subconjunto de E R. Podemos clasificar los ACMP en dos tipos: Activación única: en cada instante de tiempo está activa exactamente una entrada e i Activación múltiple: es posible cualquier permutación de entradas activas o inactivas
27 ACMP: Ejemplo M = ({e 1, e 2 }, {r 1, r 2 }, r 2, {c 1, c 2 }) c 1 = ({ẽ 1, r 2 }, 0, r 1 ) c 2 = ({e 2, r 1 }, 1, r 2 ) DIFERENCIAL e 1 e 2 r 1 r 2 r 1 r 2 e 1 e 2 r 1 r 2 r 1 r
28 ACMP: Comportamiento Sea la célula c = ({e, r}, 1, r) cuya tabla de transición es: e r r Supongamos que la secuencia de valores para la entrada e será Partiendo de un transitorio que comienza con r(1) = 0, y por tanto r (1) = 0, tenemos que se cumple: t = 1 t = 2 t = 3 t = 4 t = 5 t = 6 Asignación de valores e r (0) r (t + 1) := r(t) r (0) r(t + 1) := (e(t) + r (t)) 1
29 Equivalencia con AF: De ACMP a AF Para cada ACMP M = (E, R, r, C) existe un AFD M = (Σ, Q, q 0, F, δ) equivalente: El alfabeto de la cinta de entrada será las combinaciones de valores de las E = n entradas: Σ = {(e 1... e n ) e i {0, 1}} El conjunto de estados se construye a partir de las combinaciones de valores de las salidas de las C = m células: Q = {q r1...r m r i {0, 1}} El estado inicial q 0 representa al autómata cuando las m células está inactivas: q 0 = q Los estados finales son aquellos q r1...r m en los que la salida r = 1 La función de transición δ se construye a partir de la tabla de transición del autómata de células de forma que: δ(q r1 (t)...r m (t), (e 1 (t),... e n (t)) = q r1 (t+1)...r m (t+1)
30 Equivalencia con AF: Ejemplo de ACMP a AF Para el autómata de células anterior descrito por M = ({e 1, e 2 }, {r 1, r 2 }, r 2, {c 1, c 2 }) donde: c 1 = ({ẽ 1, r 2 }, 0, r 1 ) c 2 = ({e 2, r 1 }, 1, r 2 ) q 00 q 10 q 11 q 00 q 01 q 01 q 10 q 11 q 10 q 11 q 10 q 11 q 11 q 01 q 01 q 11 q 11 q 11 q 11 q 11
31 Equivalencia con AF: De AF a ACMP Para cada AFD M = (Σ, Q, q 0, F, δ) existe un ACMP con activación única M = (E, R, r, C) equivalente (y donde las señales de todas las células son excitadoras): E = Σ {, } donde, / Σ R = {r 0, r F } {r [q,a] q Q y a Σ} La salida del autómata es la salida de la célula final: r = r F C = {c 0, c F } {[q, a] q Q y a Σ} cuya composición es: Célula inicial: c 0 = ({ }, 1, r 0 ) Célula final: c F = ({ } {r [q,a] R δ(q, a) F }, 2, r F ) Células de transición: [q, a] = ({a} {r 0 q = q 0 } {r [p,b] R δ(p, b) = q}, 2, r [q,a] )
32 Equivalencia con AF: Ejemplo de AF a ACMP a b q p s p q q s p q Célula Entradas Umbral Salida c 0 1 r 0 [q, a] a r 0 r [p,a] r [p,b] r [s,b] 2 r [q,a] [q, b] b r 0 r [p,a] r [p,b] r [s,b] 2 r [q,b] [p, a] a r [q,a] r [s,a] 2 r [p,a] [p, b] b r [q,a] r [s,a] 2 r [p,b] [s, a] a r [q,b] 2 r [s,a] [s, b] b r [q,b] 2 r [s,b] c F r [q,a] r [s,a] 2 r
Equivalencia Entre PDA y CFL
Equivalencia Entre PDA y CFL El Lenguaje aceptado por un Autómata con Pila Universidad de Cantabria Esquema 1 Introducción 2 3 Lenguaje Aceptado por un Autómata Como en los autómatas finitos, se puede
Más detallesMODELOS DE COMPUTACION I Preguntas Tipo Test. 1. El lema de bombeo puede usarse para demostrar que un lenguaje determinado es regular.
MODELOS DE COMPUTACION I Preguntas Tipo Test Indicar si son verdaderas o falsas las siguientes afirmaciones: 1. El lema de bombeo puede usarse para demostrar que un lenguaje determinado es regular. 2.
Más detallesUn autómata con pila no determinista (APND) es una septupla Q A B F en la que
AUTÓMATAS CON PILA Un autómata con pila no determinista (APND) es una septupla Q A F en la que δ q 0 Q es un conjunto finito de estados A es un alfabeto de entrada es un alfabeto para la pila δ es la función
Más detallesUnidad 4. Autómatas de Pila
Unidad 4. Autómatas de Pila Una de las limitaciones de los AF es que no pueden reconocer el lenguaje {0 n 1 n } debido a que no se puede registrar para todo n con un número finito de estados. Otro lenguaje
Más detallesMáquinas de Turing IIC3242. IIC3242 Máquinas de Turing 1 / 45
Máquinas de Turing IIC3242 IIC3242 Máquinas de Turing 1 / 45 Complejidad Computacional Objetivo: Medir la complejidad computacional de un problema. Vale decir: Medir la cantidad de recursos computacionales
Más detallesAutómatas Deterministas. Ivan Olmos Pineda
Autómatas Deterministas Ivan Olmos Pineda Introducción Los autómatas son una representación formal muy útil, que permite modelar el comportamiento de diferentes dispositivos, máquinas, programas, etc.
Más detalles5 Autómatas de pila 5.1 Descripción informal. 5.2 Definiciones
1 Curso Básico de Computación 5 Autómatas de pila 5.1 Descripción informal Un autómata de pila es esencialmente un autómata finito que controla una cinta de entrada provista de una cabeza de lectura y
Más detallesAutómatas Mínimos. Encontrar el autómata mínimo. Universidad de Cantabria. Introducción Minimización de Autómatas Deterministas Resultados Algoritmo
Autómatas Mínimos Encontrar el autómata mínimo. Universidad de Cantabria Introducción Dado un lenguaje regular sabemos encontrar un autómata finito. Pero, hay autómatas más sencillos que aceptan el mismo
Más detallesAutómatas de Pila y Lenguajes Incontextuales
Autómatas de Pila y Lenguajes Incontextuales Elvira Mayordomo Universidad de Zaragoza 5 de noviembre de 2012 Contenido de este tema 1. Introducción a los autómatas de pila 2. Definiciones 3. Equivalencia
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 detallesMáquinas de Turing IIC3242. IIC3242 Máquinas de Turing 1 / 42
Máquinas de Turing IIC3242 IIC3242 Máquinas de Turing 1 / 42 Complejidad Computacional Objetivo: Medir la complejidad computacional de un problema. Vale decir: Medir la cantidad de recursos computacionales
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 detallesComputabilidad y Lenguajes Formales: Autómatas de Pila
300CIG007 Computabilidad y Lenguajes Formales: Autómatas de Pila Pontificia Universidad Javeriana Cali Ingeniería de Sistemas y Computación Prof. Gloria Inés Alvarez V. Basado en [SIPSER, Chapter 2] Autómatas
Más detallesProcesadores de Lenguaje
Procesadores de Lenguaje Repaso TALF Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Primavera de 2013 La Jerarquía de Chomsky Cuatro niveles de lenguajes formales
Más detallesEl Autómata con Pila
El Autómata con Pila Una Generalización del Autómata Finito Universidad de Cantabria Esquema 1 2 3 4 Los autómatas son abstracciones de maquinas de calcular, como hemos visto. Los más sencillos no tienen
Más detallesExpresiones regulares, gramáticas regulares
Expresiones regulares, gramáticas regulares Los LR en la jerarquía de Chomsky La clasificación de lenguajes en clases de lenguajes se debe a N. Chomsky, quien propuso una jerarquía de lenguajes, donde
Más detallesEl Autómata con Pila: Transiciones
El Autómata con Pila: Transiciones El Espacio de Configuraciones Universidad de Cantabria Esquema Introducción 1 Introducción 2 3 Transiciones Necesitamos ahora definir, paso por paso, como se comporta
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 detallesClase 17: Autómatas de pila
Solicitado: Ejercicios 14: Autómatas de pila de GLC M. en C. Edgardo Adrián Franco Martínez http://computacion.cs.cinvestav.mx/~efranco @efranco_escom edfrancom@ipn.mx 1 Contenido Autómata de pila Definición
Más detallesIntroducción a los códigos compresores
Introducción a los códigos compresores Parte I de la Lección 2, Compresores sin pérdidas, de CTI Ramiro Moreno Chiral Dpt. Matemàtica (UdL) Febrero de 2010 Ramiro Moreno (Matemàtica, UdL) Introducción
Más detallesAutómatas de Pila. Descripciones instantáneas o IDs. El Lenguaje de PDA. Equivalencia entre PDAs y CFGs INAOE (INAOE) 1 / 50
INAOE (INAOE) 1 / 50 Contenido 1 2 3 4 (INAOE) 2 / 50 Pushdown Automata Las gramáticas libres de contexto tienen un tipo de autómata que las define llamado pushdown automata. Un pushdown automata (PDA)
Más detallesMáquinas de Estados Finitos
Máquinas de Estados Finitos Breve Introducción Jorge Alejandro Gutiérrez Orozco Escuela Superior de Cómputo 22 de agosto de 2008 Resumen Hablaremos de algunas de las más comunes Máquinas de Estados Fintos,
Más detallesTema 6 Probabilidad. 0.-Introducción La probabilidad de un suceso es un número, comprendido entre 0 y
Tema 6 Probabilidad 0.-Introducción La probabilidad de un suceso es un número, comprendido entre 0 y 1, que indica las posibilidades que tiene de verificarse cuando se realiza un experimento aleatorio.
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más detallescadenas de Markov tienen la propiedad de que la probabilidad de que X n = j sólo depende
Cadenas de Markov Los procesos de paseo aleatorio en realidad son un caso particular de procesos más generales que son las cadenas de Markov. En esencia, una cadena es un proceso en tiempo discreto en
Más detallesIntroducción a los Sistemas Secuenciales. Problemas estructurales en un circuito secuencial asíncrono
Definiciones básicas Autómatas De Mealy De Moore Formas de descripción de un sistema secuencial Diagrama de estado Tabla de flujo Tabla de estado-salida Tabla de transición Proceso de análisis de sistemas
Más detallesMOOC UJI: La Probabilidad en las PAU
4. Probabilidad Condicionada: Teoremas de la Probabilidad Total y de Bayes 4.1. Probabilidad Condicionada Vamos a estudiar como cambia la probabilidad de un suceso A cuando sabemos que ha ocurrido otro
Más detallesEJERCICIOS del TEMA 3: Lenguajes independientes del contexto
EJERCICIOS del TEMA 3: Lenguajes independientes del contexto Sobre GICs (gramáticas independientes del contexto) 1. Sea G una gramática con las siguientes producciones: S ASB ε A aab ε B bba ba c ) d )
Más detallesAutómatas Finitos y Lenguajes Regulares
Autómatas Finitos y Lenguajes Regulares Problema: Dado un lenguaje L definido sobre un alfabeto A y una cadena x arbitraria, determinar si x L o x L. Cadena x AUTOMATA FINITO SI NO Lenguaje Regular Autómatas
Más detallesUna cadena sobre Σ es cualquier secuencia de elementos de longitud finita sobre Σ.
Alfabetos, Cadenas y Lenguajes Definición 1 Un Alfabeto es cualquier conjunto finito, no vacío. Ejemplo 1 Sea Σ = {0, 1, 2, 3,..., 9} donde 0 Σ Definición 2 Una cadena sobre Σ es cualquier secuencia de
Más detallesModelos Computacionales
Análisis y Complejidad de Algoritmos Modelos Computacionales Arturo Díaz Pérez El circuito lógico La máquina de estados finitos La máquina de acceso aleatorio La máquina de Turing Compuertas Lógicas Compuerta
Más detallesFundamentos de Ciencias de la Computación Trabajo Práctico N 2 Lenguajes Libres del Contexto y Sensibles al Contexto Segundo Cuatrimestre de 2002
Departamento de Cs. e Ingeniería de la Computación Universidad Nacional del Sur Ejercicios Fundamentos de Ciencias de la Computación Trabajo Práctico N 2 Lenguajes Libres del Contexto y Sensibles al Contexto
Más detallesProcesadores de Lenguaje
Procesadores de Lenguaje Analizadores sintácticos descendentes: LL(1) Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Primavera de 2013 Analizadores sintácticos
Más detallesPosible solución al examen de Investigación Operativa de Sistemas de junio de 2002
Posible solución al examen de Investigación Operativa de Sistemas de junio de 00 Problema (,5 puntos): Resuelve el siguiente problema utilizando el método Simplex o variante: Una compañía fabrica impresoras
Más detallesTemas. Objetivo. Que el estudiante logre: 1) Identificar conceptos constructivos de la Teoría de la Computabilidad. 2) Definir autómatas de pila.
0 Temas Definición de autómata de pila Autómata de pila determinístico y no determinístico Objetivo Que el estudiante logre: 1) Identificar conceptos constructivos de la Teoría de la Computabilidad. 2)
Más detallesExpresiones Regulares y Derivadas Formales
y Derivadas Formales Las Derivadas Sucesivas. Universidad de Cantabria Esquema 1 2 3 Derivadas Sucesivas Recordemos que los lenguajes de los prefijos dan información sobre los lenguajes. Derivadas Sucesivas
Más detalles6. Autómatas a Pila. Grado Ingeniería InformáDca Teoría de Autómatas y Lenguajes Formales
6. Autómatas a Pila Araceli Sanchis de Miguel Agapito Ledezma Espino José A. Iglesias Mar
Más detallesLenguajes y Gramáticas
Lenguajes y Gramáticas Teoría de Lenguajes Fernando Naranjo Introduccion Se desarrollan lenguajes de programación basados en el principio de gramática formal. Se crean maquinas cada vez mas sofisticadas
Más detallesLENGUAJES FORMALES Y AUTÓMATAS
LENGUAJES FORMALES Y AUTÓMATAS Departamento de Lenguajes y Sistemas Informáticos Escuela Técnica Superior de Ingeniería Informática Universidad de Sevilla Víctor J. Díaz Madrigal José Miguel Cañete Valdeón
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 2 Nombre: Probabilidad Contextualización En la sesión anterior analizamos cómo a largo plazo un fenómeno aleatorio o probabilístico posee un
Más detallesTeoría de la Computación para Ingeniería de Sistemas: un enfoque práctico. Prof. Hilda Contreras
Teoría de la Computación para Ingeniería de Sistemas: un enfoque práctico Prof. Hilda Contreras 25 de abril de 2012 Índice general 1. Expresiones regulares 5 1.0.1. Denición de las expresiones regulares...................
Más detallesTransformaciones lineales y matrices
CAPíTULO 5 Transformaciones lineales y matrices 1 Matriz asociada a una transformación lineal Supongamos que V y W son espacios vectoriales de dimensión finita y que T : V W es una transformación lineal
Más detallesUnidad II. 2.1 Concepto de variable, función, dominio, condominio y recorrido de una función.
Unidad II Funciones 2.1 Concepto de variable, función, dominio, condominio y recorrido de una función. Función En matemática, una función (f) es una relación entre un conjunto dado X (llamado dominio)
Más detallesTema 4 Probabilidad condicionada: teoremas básicos. Independencia de sucesos
Tema 4 Probabilidad condicionada: teoremas básicos. Independencia de sucesos 1. Probabilidad condicionada. Espacio de probabilidad condicionado La probabilidad condicionada es uno de los conceptos clave
Más detallesEstructuras Algebraicas
Tema 1 Estructuras Algebraicas Definición 1 Sea A un conjunto no vacío Una operación binaria (u operación interna) en A es una aplicación : A A A Es decir, tenemos una regla que a cada par de elementos
Más detallesEspacios Vectoriales
Espacios Vectoriales Espacios Vectoriales Verónica Briceño V. noviembre 2013 Verónica Briceño V. () Espacios Vectoriales noviembre 2013 1 / 47 En esta Presentación... En esta Presentación veremos: Espacios
Más detallesTeoría de Lenguajes. Clase Teórica 7 Autómatas de Pila y Lenguajes Independientes del Contexto Primer cuartimestre 2014
Teoría de Lenguajes Clase Teórica 7 Autómatas de Pila y Lenguajes Independientes del Contexto Primer cuartimestre 2014 aterial compilado por el Profesor Julio Jacobo, a lo largo de distintas ediciones
Más detallesGramáticas independientes del contexto AUTÓMATAS Y LENGUAJES FORMALES LENGUAJES INDEPENDIENTES DEL CONTEXTO Y AUTÓMATAS DE PILA. Otras definiciones I
Gramáticas independientes del contexto UTÓMTS Y LENGUJES FORMLES LENGUJES INDEPENDIENTES DEL CONTEXTO Y UTÓMTS DE PIL Francisco Hernández Quiroz Departamento de Matemáticas Facultad de Ciencias, UNM E-mail:
Más detallesProbabilidad es una manera de indicar la posibilidad de ocurrencia de un evento futuro
Probabilidad es una manera de indicar la posibilidad de ocurrencia de un evento futuro La probabilidad nos proporciona un modelo teórico para la generación de los datos experimentales Medidas de la Posibilidad
Más detallesTEORÍA DE AUTÓMATAS Y LENGUAJES FORMALES Práctica 3
TEORÍA DE AUTÓMATAS Y LENGUAJES FORMALES Práctica 3 1. Equivalencia entre autómatas 1.1. Equivalencia entre AFD y AFN 1.1. Equivalencia entre AFD y AFλ 2. Ejercicios propuestos 1. Equivalencia entre autómatas
Más detallesCapítulo 7. Espacios vectoriales. 7.1 Definición y ejemplos
Capítulo Espacios vectoriales.1 Definición y ejemplos Un espacio vectorial sobre un cuerpo K (que supondremos conmutativo es un conjunto no vacío junto con 1. una operación interna, +, a la que llamaremos
Más detallesTEORÍA DE AUTÓMATAS Y LENGUAJES FORMALES
TEORÍA DE AUTÓMATAS Y LENGUAJES FORMALES (TALF) BLOQUE II: LENGUAJES REGULARES Tema 2: Autómatas Finitos Parte 2 (de 3). Autómatas Finitos No Deterministas (AFNDs) Grado en Ingeniería Informática URJC
Más detallesMáquinas Secuenciales, Autómatas y Lenguajes. Tema 3.1: Autómatas Finitos Deterministas
Tema 3.1: Autómatas Finitos Deterministas Luis Peña luis.pena@urjc.es http://www.ia.urjc.es/cms/es/docencia/ic-msal Sumario Tema 3.1: Autómatas Finitos Deterministas. 1. Concepto de AFD 2. Equivalencia
Más detallesTEORÍA DE AUTÓMATAS Y LENGUAJES FORMALES Grado en Ingeniería Informática Online, Curso Universidad Rey Juan Carlos
TEORÍA DE AUTÓMATAS Y LENGUAJES FORMALES Grado en Ingeniería Informática Online, Curso 202-203 Universidad Rey Juan Carlos GUÍA PARA LA REALIZACIÓN DE LA HOJA DE PROBLEMAS No 3 (Tema 3: Expresiones Regulares)
Más detallesSentido de recorrido. q i
Sentido de recorrido σ Cinta Cabeza de lectura γ Pila i Unidad de control de estados Componentes básicos de un autómata con pila. σ i 1 σ i j σ i j+1 σ i p Z (a) γ l 1 γ l 2 γ l σ i 1 σ i j σ i j+1 σ i
Más detallesHoja 2 Probabilidad. 1.- Sean Ω un espacio muestral y A P(Ω) una σ-álgebra. Para A A fijado, Además, resolver el ejercicio 3 desde (5.a) y (5.b).
Hoja 2 Probabilidad 1.- Sean Ω un espacio muestral y A P(Ω) una σ-álgebra. Para A A fijado, se define A A = {B Ω : B = A C con C A}. Demostrar que A A P(A) es σ-álgebra. 2.- Sea {A n : n 1} A una sucesión
Más detallesEspacios Vectoriales www.math.com.mx
Espacios Vectoriales Definiciones básicas de Espacios Vectoriales www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx MathCon c 007-009 Contenido. Espacios Vectoriales.. Idea Básica de Espacio Vectorial.................................
Más detallesInducción en definiciones y demostraciones AUTÓMATAS Y LENGUAJES FORMALES PRELIMINARES MATEMÁTICOS. Números naturales. Inducción matemática
Inducción en definiciones y demostraciones AUTÓMATAS Y LENGUAJES FORMALES PRELIMINARES MATEMÁTICOS Francisco Hernández Quiroz Departamento de Matemáticas Facultad de Ciencias, UNAM E-mail: fhq@ciencias.unam.mx
Más detallesDepartamento de Tecnología Electrónica Universidad de Sevilla. Circuitos Electrónicos Digitales. Análisis y diseño de circuitos secuenciales
Circuitos Electrónicos Digitales Análisis y diseño de circuitos secuenciales Contenidos 1.Introducción 2.Biestables 3.Máquinas de estados finitos y circuitos secuenciales síncronos (CSS) 4.Diseño de CSS
Más detallesCircuitos Secuenciales: concepto de estado
Lógica Secuencial Circuitos Secuenciales: concepto de estado En los sistemas secuenciales la salida Z en un determinado instante de tiempo t i depende de X en ese mismo instante de tiempo t i y en todos
Más detallesDOCENTE: JESÚS E. BARRIOS P.
DOCENTE: JESÚS E. BARRIOS P. DEFINICIONES Es larga la historia del uso de las matrices para resolver ecuaciones lineales. Un texto matemático chino que proviene del año 300 A. C. a 200 A. C., Nueve capítulos
Más detallesAUTÓMATAS DE PILA Y LENGUAJES INDEPENDIENTES DEL CONTEXTO
Autómatas de pila y lenguajes independientes del contexto -1- AUTÓMATAS DE PILA Y LENGUAJES INDEPENDIENTES DEL CONTEXTO AUTÓMATAS DE PILA - Son autómatas finitos con una memoria en forma de pila. - Símbolos
Más detallesTransformadas de Laplace
Semana 7 - Clase 9 9// Tema 3: E D O de orden > Algunas definiciones previas Transformadas de Laplace En general vamos a definir una transformación integral, F (s), de una función, f(t) como F (s) = b
Más detallesPROBLEMAS DE PROBABILIDAD. 3. Calcula la probabilidad de que al lanzar dos dados la suma de sus puntos sea: a) igual a 5 b) mayor que 10
1. Se lanza un dado. Halla la probabilidad: a) de salir el 3 b) de salir un número par c) de salir un número mayor que 2 PROBLEMAS DE PROBABILIDAD 2. Calcula la probabilidad de que al lanzar dos monedas:
Más detalles4.12 Ciertos teoremas fundamentales del cálculo de probabilidades
1 de 9 15/10/2006 05:57 a.m. Nodo Raíz: 4. Cálculo de probabilidades y variables Siguiente: 4.14 Tests diagnósticos Previo: 4.10 Probabilidad condicionada e independencia de 4.12 Ciertos teoremas fundamentales
Más detallesConceptos. Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado.
Teresa Pérez P DíazD Profesora de matemática tica Conceptos Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado. Ejemplos: E : Lanzar un dado,
Más detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más detallesPROGRAMACION CONCURRENTE Y DISTRIBUIDA
PROGRAMACION CONCURRENTE Y DISTRIBUIDA V.2 Redes de Petri: Análisis y validación. J.M. Drake 1 Capacidad de modelado y capacidad de análisis El éxito de un método de modelado es consecuencia de su capacidad
Más detallesProbabilidad. Si lanzamos una moneda no sabemos de antemano si saldrá cara o cruz. Teoría de probabilidades
Experimentos deterministas Probabilidad Son los experimentos de los que podemos predecir el resultado antes de que se realicen. Si dejamos caer una piedra desde una ventana sabemos, sin lugar a dudas,
Más detallesTema 4: Matrices y Determinantes. Algunas Notas sobre Matrices y Determinantes. Álgebra Lineal. Curso
Tema 4: Matrices y Determinantes Algunas Notas sobre Matrices y Determinantes Álgebra Lineal Curso 2004-2005 Prof. Manu Vega Índice 1. Determinantes 3 2. Regla de Sarrus 3 3. Propiedades de los determinantes
Más detallesInterrogación 2. Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ciencia de la Computación. Segundo Semestre, 2003
Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ciencia de la Computación Interrogación 2 IIC 2222 Teoría de Autómatas y Lenguajes Formales Segundo Semestre, 2003 Esta interrogación
Más detallesTema 5: Sistemas de ecuaciones lineales.
TEORÍA DE ÁLGEBRA: Tema 5 DIPLOMATURA DE ESTADÍSTICA 1 Tema 5: Sistemas de ecuaciones lineales 1 Definiciones generales Definición 11 Una ecuación lineal con n incognitas es una expresión del tipo a 1
Más detallesMATEMÁTICAS BÁSICAS. Autora: Jeanneth Galeano Peñaloza Edición: Oscar Guillermo Riaño
MATEMÁTICAS BÁSICAS Autora: Jeanneth Galeano Peñaloza Edición: Oscar Guillermo Riaño Universidad Nacional de Colombia Departamento de Matemáticas Sede Bogotá Enero de 2014 Universidad Nacional de Colombia
Más detallesTema 2. Fundamentos de la Teoría de Lenguajes Formales
Departamento de Tecnologías de la Información Tema 2. Fundamentos de la Teoría de Lenguajes Formales Ciencias de la Computación e Inteligencia Artificial Índice 2.1. Alfabeto 2.2. Palabra 2.3. Operaciones
Más detallesEscribir la expresión regular de un número entero que no acepte que el primer dígito sea cero salvo el número 0. Solución: 0 [1-9][0-9]*
Procesadores de lenguaje Ejercicios del Tema 2 Ejercicio 2.1 Sean L = {a, aa, b} y M = {ab, b }. Describe LM y M 3 por enumercaión LM = { aab, ab, aaab, bab, bb } M 3 = { ababab, ababb, abbab, abbb, babab,
Más detallesMuestreo probabilístico. Estimadores
Capítulo 1 Muestreo probabilístico. Estimadores Como hemos definido anteriormente, el muestreo es el proceso que nos permite la extracción de una muestra a partir de una población. Dentro de este muestreo
Más detallesSemana 09 [1/28] Sucesiones. 29 de abril de Sucesiones
Semana 09 [1/28] 29 de abril de 2007 Semana 09 [2/28] Definición Sucesión Una sucesión real es una función: f : N R n f (n) Observaciones Para distinguir a una sucesión de las demás funciones, se ocupará
Más detallesLección 2: Funciones vectoriales: límite y. continuidad. Diferenciabilidad de campos
Lección 2: Funciones vectoriales: límite y continuidad. Diferenciabilidad de campos vectoriales 1.1 Introducción En economía, frecuentemente, nos interesa explicar la variación de unas magnitudes respecto
Más detallesRelaciones. Estructuras Discretas. Relaciones. Relaciones en un Conjunto. Propiedades de Relaciones en A Reflexividad
Estructuras Discretas Relaciones Definición: relación Relaciones Claudio Lobos, Jocelyn Simmonds clobos,jsimmond@inf.utfsm.cl Universidad Técnica Federico Santa María Estructuras Discretas INF 152 Sean
Más detallesEspacios vectoriales reales.
Tema 3 Espacios vectoriales reales. 3.1 Espacios vectoriales. Definición 3.1 Un espacio vectorial real V es un conjunto de elementos denominados vectores, junto con dos operaciones, una que recibe el nombre
Más detallesELEMENTOS DE GEOMETRÍA. Eduardo P. Serrano
ELEMENTOS DE GEOMETRÍA Eduardo P. Serrano Este Apunte de Clase está dirigido a los alumnos de la materia Elementos de Cálculo Numérico para Biólogos. Tiene por objeto exponer algunos conceptos básicos
Más detallesMatrices y Determinantes
Capítulo 1 Matrices y Determinantes 11 Matrices Generalidades Definición 11 Sea E un conjunto cualquiera, m, n N Definimos matriz de orden m n sobre E a una expresión de la forma: a 11 a 12 a 1n a 21 a
Más detallesTema 3: Cálculo de Probabilidades Unidad 1: Introducción y Concepto
Estadística Tema 3: Cálculo de Probabilidades Unidad 1: Introducción y Concepto Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Octubre 2010 Contenidos...............................................................
Más detallesMétodos para escribir algoritmos: Diagramas de Flujo y pseudocódigo
TEMA 2: CONCEPTOS BÁSICOS DE ALGORÍTMICA 1. Definición de Algoritmo 1.1. Propiedades de los Algoritmos 2. Qué es un Programa? 2.1. Cómo se construye un Programa 3. Definición y uso de herramientas para
Más detallesRecordemos que utilizaremos, como es habitual, la siguiente notación para algunos conjuntos de números que son básicos.
Capítulo 1 Preliminares Vamos a ver en este primer capítulo de preliminares algunos conceptos, ideas y propiedades que serán muy útiles para el desarrollo de la asignatura. Se trata de resultados sobre
Más detallesAlgebra Lineal. Gustavo Rodríguez Gómez. Verano 2011 INAOE. Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano / 21
Algebra Lineal Gustavo Rodríguez Gómez INAOE Verano 2011 Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano 2011 1 / 21 Espacios Vectoriales Espacios Vectoriales INAOE Gustavo Rodríguez Gómez (INAOE)
Más detallesTema 3: Espacios vectoriales
Tema 3: Espacios vectoriales K denotará un cuerpo. Definición. Se dice que un conjunto no vacio V es un espacio vectorial sobre K o que es un K-espacio vectorial si: 1. En V está definida una operación
Más detallesClase 08: Autómatas finitos
Solicitado: Ejercicios 06: Autómatas finitos M. en C. Edgardo Adrián Franco Martínez http://computacion.cs.cinvestav.mx/~efranco @efranco_escom edfrancom@ipn.mx 1 Contenido Autómata finito Definición formal
Más detallesMATEMÁTICAS BÁSICAS. 2 de marzo de Universidad Nacional de Colombia MATEMÁTICAS BÁSICAS
2 de marzo de 2009 Parte I Conjuntos Definición intuitiva de conjunto Definición Un conjunto es una colección de objetos. Ejemplos A = {a, e, i, o, u} B = {blanco, gris, negro} C = {2, 4, 6, 8, 9} D =
Más detallesConjunto R 3 y operaciones lineales en R 3
Conjunto R 3 y operaciones lineales en R 3 Objetivos. Definir el conjunto R 3 y operaciones lineales en R 3. Requisitos. Conjunto de los números reales R, propiedades de las operaciones aritméticas en
Más detallesTEMA I: INTRODUCCIÓN A LOS CIRCUITOS SECUENCIALES
TEM I: INTROUIÓN LOS IRUITOS SEUENILES Hasta ahora, únicamente hemos visto circuitos combinacionales, es decir, circuitos en los que las salidas dependen única y exclusivamente de las combinaciones de
Más detallesGrupos libres. Presentaciones.
S _ Tema 12.- Grupos libres. Presentaciones. 12.1 Grupos libres. En el grupo Z de los enteros vimos una propiedad (cf. ejemplos.5), que lo caracteriza como grupo libre. Lo enunciamos al modo de una Propiedad
Más detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
Más detallesCadenas de Markov. http://humberto-r-alvarez-a.webs.com
Cadenas de Markov http://humberto-r-alvarez-a.webs.com Definición Procesos estocásticos: procesos que evolucionan de forma no determinista a lo largo del tiempo en torno a un conjunto de estados. Estos
Más detallesSon los experimentos de los que podemos predecir el resultado antes de que se realicen.
PROBABILIDAD La probabilidad de un suceso es un número, comprendido entre 0 y 1, que indica las posibilidades que tiene de verificarse cuando se realiza un experimento aleatorio. Experimentos deterministas
Más detallesSimulación. Problema del jardinero. Modelo de stock aleatorio. Camino crítico.
Simulación Temario de la clase Introducción. Generacion de variables aleatorias: método de la transformada inversa. Avance del tiempo de simulación. Determinación de la cantidad de iteraciones requeridas.
Más detallesCadenas de Markov. José Antonio Camarena Ibarrola
Cadenas de Markov José Antonio Camarena Ibarrola Definiciones elementales El proceso discreto cadena de Markov si se cumple es denominado es la probabilidad de que en el tiempo k, el proceso esté en el
Más detallesTerminaremos el capítulo con una breve referencia a la teoría de cardinales.
TEMA 5. CARDINALES 241 Tema 5. Cardinales Terminaremos el capítulo con una breve referencia a la teoría de cardinales. Definición A.5.1. Diremos que el conjunto X tiene el mismo cardinal que el conjunto
Más detallesCálculo en varias variables
Cálculo en varias variables Dpto. Matemática Aplicada Universidad de Málaga Resumen Límites y continuidad Funciones de varias variables Límites y continuidad en varias variables 1 Límites y continuidad
Más detallesr j ϕ j (v i ) = r i, ϕ(v i ) = v = n a ij ϕ j(v) ϕ i (v) =
ESPACIO DUAL 1. Espacio Dual En temas anteriores dados V y V espacios vectoriales sobre k, definíamos en Hom(V, V ) una suma y un producto por elementos de k que convertían este conjunto en un espacio
Más detalles