PROCESOS ESTOCÁSTICOS CADENAS DE MARKOV
|
|
- Juan Franco Moya
- hace 5 años
- Vistas:
Transcripción
1 PROCESOS ESTOCÁSTICOS CADENAS DE MARKOV Monserrat Aranzazu Castro Coria Matrícula: X Profesor: Dr. José Antonio Camarena Ibarrola 7 de agosto de
2 Índice 1. Cadenas de Markov Cadenas Absorbentes Ejemplo Código Cadenas Regulares Código Cadenas Ergódicas Código Objetivo del algoritmo Generacón de Texto con Cadenas de Markov Código
3 1. Cadenas de Markov Un proceso estocástico es una suceción de observaciones X 1, X 2,... donde X 1 dene el estado inicial del proceso y X n dene el estado del proceso en el instante de tiempo n, donde para cada posible valor del estado inicial s 1 y para cada uno de los valores sucesivos s n de los estados X n, n = 2, 3,... es dado por: P (X n+1 = s n+1 X 1 = s 1, X 2 = s 2,..., X n = s n ) (1) Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que ocurra un evento depende del evento inmediato anterior. Es un proceso estocástico en el que si el estado actual X n y los estados previos X 1,..., X n 1 son conocidos, entonces la probabilidad del estado futuro S n+1 no depende de los estados anteriores y solamente depende del estado actual X n. Esto es que para n = 1, 2,... y para cualquier sucesión de estados s 1,..., s n+1 es: P (X n+1 = s n+1 X 1 = s 1, X 2 = s 2,..., X n = s n ) = P (X n+1=sn+1 X n=s n ) (2) 1.1. Cadenas Absorbentes Un estado j se denomina absorbente si P ij = 1, también llamados estados trampa. Una cadena de Markov es absorbente si tiene al menos un estado absorbente Ejemplo En el ejemplo del paseo del borracho tenemos 5 estados posibles (0,1,2,3,4) donde los estados 0 y 4 son absorbentes. La Matriz de transición es: /2 0 1/2 0 0 P = 2 0 1/2 0 1/ /2 0 1/ donde la probabilidad de ir del estado 0 al estado 0 es 1(estado absorbente). Si existen r estados absorbentes y t transiciones entre estados, la matriz de transición se representa en la siguiente forma canónica: Figura 1: Paseo del borracho 3
4 La matriz de transición está de la forma: ( Q R P = O I ) (3) donde P es la matriz de probabilidad de transiciones de una cadena, I es la matriz identidad, O es la matriz de ceros, R es una matriz de no ceros, y Q es una matriz. Los tiempos de absorción de una cadena de Markov absorbente P se pueden determinar de la siguiente manera: donde N es llamada matriz fundamental de P. N = (I Q) 1 (4) Dado que t i es el numero esperado de pasos antes que la cadena se absorba, dado por el estado s i y siento t la columna vector de la i-th entrada es t i, se tiene que: t = Nc (5) donde c es la columna vector donde cada columna suma 1. Se denota por b i j la probabilidad de que la cadena de Markov sea absorbida al estado j si empezó en el estado i. La probabilidad de absorción de la matriz B cuyos elementos son los b i j: B = NR (6) Para el ejemplo del borracho, que es una cadena absorbente, determinar: 1. Si tiene estados absorbentes. 2. Matriz fundamental. 3. Tiempos de absorción por estado. 4. Probabilidades de absorción por estado Código Se encuentra elaborado en Python 2.7 usando la librería numpy para operaciones de vectores y matrices. 1 import numpy 2 3 def absorbing ( matriz ): 4 P = matriz 5 Q = P [1: -1,1: -1] # [1:,1:] 6 R1 = P [1: len (P) -1] 7 R = R1 [:,[0, len ( R1 ) +1]] 8 I = numpy. identity (Q. shape [0]) 4
5 9 N = numpy. linalg. inv (I - Q) 10 o = numpy. ones (( len (N),1) ) 11 M = numpy. dot (N,o) 12 B = numpy. dot (N,R) 13 print ' Matriz Fundamental =\ n ', N, 14 ' Tiempo de absorcion =\ n ', M, 15 ' Probabilidad de absorcion =\ n ', B Con el ejemplo anterior nos va a imprimir en pantalla la Matriz fundamental, los tiempos de absorción y la probabilidad de absorción: Matriz Fundamental = [[ ] [ ] [ ]] Tiempo de absorcion = [[ 3.] [ 4.] [ 3.]] Probabilidad de absorcion = [[ ] [ ] [ ]] 1.2. Cadenas Regulares Una cadena de Markov es una cadena regular si en algún determinado número de elevado a n potencia de la matriz de transición esta solo tiene elementos positivos. Sea P la matriz de transición de una cadena regular, entonces n, elevado a la potencia P n se aproxima al límite de la matriz W con todas las las del mismo vector w. El vector w es estrictamente positivo y todos sus componentes son positivos y suman uno. Sea P una matriz regular: W = lím n P n (7) donde w es la columna común de W, y c es la columna vector donde todos sus componentes suman 1. Entonces: wp = w (8) donde cualquier la del vector v tal que vp = v es una contante multiple de w. P c = c (9) donde cualquier columna del vector x tal que P x = x es un múltiplo de c. 5
6 De acuerdo al ejemplo de la Tierra de Oz donde hay muchas cosas pero no buen clima, nunca hay dos días buenos en la misma la, existen tres estados de clima, lluvioso, bonito ó helado. De acuerdo a esto se forma la siguiente matriz: Código R N S R 1/2 1/4 1/4 P = N 1/2 0 1/2 S 1/4 1/4 1/2 Se encuentra elaborado en Python 2.7 usando la librería numpy para operaciones de vectores y matrices. 1 import numpy 2 3 def regular_ vector ( matriz ): 4 P = matriz 5 x = numpy. zeros ( len ( matriz )) 6 for i in range ( len ( matriz )): 7 x[i] = sum (P [:, i ]) 8 w = numpy. zeros ( len ( matriz )) 9 for i in range ( len ( matriz )): 10 w[i] = x[i ]/( sum (x)) 11 return w # Vector Fijo def regular ( matriz ): 14 P = matriz 15 mn = [] 16 w = regular_ vector ( P) 17 want = numpy. zeros ( len (w)) 18 for i in range (1000) : 19 m = P ** i 20 w = regular_ vector ( m) 21 if list (w) == list ( want ): 22 break 23 want = w 24 print ' Vector Fijo : ', want, 'en ', (i /2) -1, ' Transiciones ' Con el ejemplo anterior nos va a imprimir en pantalla el vector jo en n transiciones: Vector Fijo : [ ] en 13 Transiciones 6
7 1.3. Cadenas Ergódicas Una cadena de Markov es llamada cadena ergódica si es posible moverse de cualquier estado a cualquier estado, no necesariamente en un movimiento. En otras palabras, para cualquier estado n, es posible ir de cualquier estado a cualquier estado en exactamente n pasos. Un ejemplo muy claro es el que se muestra en la Figura 1.3, donde en un laberinto se pone un ratón blanco y existen nueve compartimentos con conexiones entre estos. El ratón se puede mover entre estos compartimentos aleatoriamente. Esto es que existen k maneras de moverse en los compartimentos. Figura 2: Problema del laberinto Para este ejemplo, la matriz de transición se muestra a continuación: P = / / /3 0 1/3 0 1/ /2 0 1/ /3 0 1/ / /4 0 1/4 0 1/4 0 1/ / /3 0 1/ /2 0 1/ /3 0 1/3 0 1/ / /2 0 Para este ejemplo obtenemos el tiempo promedio de primera pasada y los tiempos de recurrencia media, el cual es dado por: Z = (I P + W ) 1 (10) 7
8 Código Se encuentra elaborado en Python 2.7 usando la librería numpy para operaciones de vectores y matrices. 1 import numpy 2 3 def ergodic ( matriz ): 4 P = lab 5 A = P ** n, k = A. shape 7 I = numpy. identity (k) 8 Z = numpy. linalg. inv (I - P + A) 9 E = numpy. ones_like (Z) 10 D = numpy. diag (1. / numpy. diag (A)) 11 Zdg = numpy. diag ( numpy. diag (Z)) 12 M = ( I - Z + E * Zdg ) * D 13 ZM = Z * M 14 ZMdg = numpy. diag ( numpy. diag ( ZM )) 15 W = M * (2 * Zdg * D - I) + 2 * ( ZM - E * ZMdg ) 16 PE = W - numpy. multiply (M, M) 17 print ' Probabilidad de estado =\ n ', PE def ergodic_ state ( matriz ): 20 P = lab 21 v, d = numpy. linalg. eig ( numpy. transpose (P)) 22 mv = max ( v) 23 i = v. tolist (). index ( mv ) 24 EE = d [:, i] / sum (d [:, i ]) 25 print ' Estado Ergodico :\ n ', EE def ergodica ( matriz ): 28 P = matriz 29 x = numpy. zeros ( len ( matriz )) 30 for i in range ( len ( matriz )): 31 x[i] = sum (P [:, i ]) 32 w = numpy. zeros ( len ( matriz )) 33 for i in range ( len ( matriz )): 34 w[i] = x[i ]/( sum (x)) 35 print " Vector Fijo :",w Con el ejemplo anterior nos va a imprimir en pantalla la probabilidad de estado, vector jo en n transiciones: Probabilidad de estado = [[ ] [ ] [ ] [ ] 8
9 [ ] [ ] [ ] [ ] [ ]] Estado Ergodico : [[ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ]] Vector Fijo : [ ] 1.4. Objetivo del algoritmo Dada una matriz el algoritmo nos tiene que regresar si es una cadena de Markov absorbente, regular ó ergódica, para ello el siguiente código: 1 for i in range ( len ( matriz )): 2 nmatriz = numpy. squeeze ( numpy. asarray ( matriz )) 3 if nmatriz [i ][ i] == 1: 4 absorbing ( matriz ) 5 break 6 nnmatriz = matriz **500 7 nmatriz = numpy. squeeze ( numpy. asarray ( nmatriz )) 8 for j in range ( len ( matriz [i ]) ): 9 if nmatriz [i ][ j] > 0: 10 regular ( matriz ) 11 break 12 else : 13 ergodic ( matriz ) 14 ergodic_ state ( matriz ) 15 ergodica ( matriz ) 16 break 1.5. Generacón de Texto con Cadenas de Markov De un texto se va a obtener la probabilidad de que una letra aparezca después de x letra. Se tiene una matriz de todo el abecedario, no distingue entre mayúsculas o minúsculas, y se va a obtener la probabilidad de cada letra, como ejemplo, para el texto En una casa de se formaría la siguiente matriz: 9
10 A B C D E F U N S A B C D M = E F U N S Despuà c s se normalizan las columnas sumando cada uno y dividiendo por el total de la suma de la columna para sacar las probabilidades de cada uno. Y nalmente, de acuerdo a la probabilidad de que aparezca una letra después de otra se genera un nuevo texto Código Se encuentra elaborado en Python 2.7 usando la librería numpy para operaciones de vectores y matrices y random para buscar aleatoriamente entre las mayores probabilidades de que aparezca una letra después de otra. 1 import numpy as np 2 import random 3 4 archivo = open ( ' Archivo_de_texto ', 'r ') 5 texto = archivo. read () 6 7 mayus = (" ABCDEFGHIJKLMNOPQRSTUVWXYZ.,\ n ") 8 minus = (" abcdefghijklmnopqrstuvwxyz.,\ n ") 9 10 matriz = np. zeros (( len ( mayus ),( len ( mayus )))) # construye la matriz 13 for i in range ( len ( texto ) -1) : 14 letra = texto [ i] 15 letrasig = texto [ i +1] 16 for m in range ( len ( mayus )): 17 if letra == mayus [ m] or letra == minus [ m ]: 18 for j in range ( len ( mayus )): 19 if letrasig == mayus [ j ]: 20 matriz [m ][ j] += 1 21 elif letrasig == minus [ j ]: 22 matriz [m ][ j] += x = np. zeros ( len ( matriz )) 25 for i in range ( len ( matriz )): 26 x[i] = sum ( matriz [:, i ]) 10
11 27 28 nwmatriz = np. zeros (( len ( mayus ),( len ( mayus )))) # normaliza las probabilidades de cada una de las columnas 31 for i in range ( len ( matriz )): 32 for j in range ( len ( matriz [i ]) ): 33 if matriz [i ][ j]!= 0: 34 nwmatriz [i ][ j] = matriz [i ][ j] / x[i] 35 nwmatriz [i ][ j] = float ( ' %.4f ' % nwmatriz [i ][ j ]) def genera_letra ( letra, fila ): 38 busca = list ( nwmatriz [ fila ]) 39 mayr = max ( busca ) 40 indice = list ( nwmatriz [ fila ]). index ( mayr ) 41 mayor = minus [ indice ] 42 return mayor for i in range ( len ( nwmatriz )): 45 texto = '' 46 for j in range ( len ( nwmatriz [i ]) ): 47 seed = genera_letra ( nwmatriz [i ][ j], i) 48 let_sig = genera_ letra ( seed, minus. index ( seed )) 49 texto = texto + let_sig 50 print texto 11
PROCESOS 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 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 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 detallesEstadística Bayesiana
Procesos Estocásticos Universidad Nacional Agraria La Molina 2016-1 Un proceso estocástico {X (t), t T } es una colección de variables aleatorias. Es decir que para cada t T, X (t) es una variable aleatoria.
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 4
Maestría en Bioinformática Probabilidad y Estadística: Clase 4 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Procesos aleatorios
Más 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 detallesCLASIFICACIÓN DE ESTADOS (Parte 2) Dr. José Dionicio Zacarias Flores
CLASIFICACIÓN DE ESTADOS (Parte 2) Dr. José Dionicio Zacarias Flores Definiciones Se dice que un estado i es esencial si y sólo si se comunica con cada estado al que conduce; de lo contrario, se denomina
Más detallesUNIVERSIDAD DE ALCALÁ
UNIVERSIDAD DE ALCALÁ DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN LABORATORIO FUNDAMENTOS DE LA PROGRAMACIÓN 1ª PARTE TEMA 3 1 TEMA 3: TIPOS DE DATOS DEFINIDOS POR EL USUARIO 3. TIPO ENUMERADO Lista ordenada
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 detallesFuentes de información
TEORÍA DE LA INFORMACIÓN Tratamiento probabilístico de la Información Fuentes de información INGENIERÍA DE SISTEMAS 07 TRANSMISIÓN DE INFORMACIÓN decodificación automática capacidad del canal Claude Shannon
Más detallesUna pregunta pendiente
Una pregunta pendiente Cómo podemos construir un generador (casi) uniforme para una relación? Recuerde el problema KS definido en la sección anterior y la relación: R KS = {((~a, b), ~x) ~a 2 N n y ~x
Más detallesUNIVERSIDAD NACIONAL EXPERIMENTAL DEL TACHIRA VICERRECTORADO ACADEMICO COMISION CENTRAL DE CURRÌCULUM PROGRAMA ANALITICO
ASIGNATURA: INVESTIGACION DE OPERACIONES II Código: 0135802T Elaborado por: Bethy Pinto Vigencia: 2008-1 JEFE DE DEPARTAMENTO JEFE DE NUCLEO Modulo I: Cadenas de Markov Objetivo General: Reconocer las
Más detalles2 CADENAS DE MARKOV HOMOGÉNEAS DE PARÁMETRO DISCRETO
2 CADENAS DE MARKOV HOMOGÉNEAS DE PARÁMETRO DISCRETO Cadenas de Markov 10 En la primera parte del capítulo se estudian las probabilidades condicionales de transición -definidas en (l5) y (16) - e incondicionales
Más detallesAlgebra de Matrices 1
Algebra de Matrices Definición Una matriz es un arreglo rectangular de valores llamados elementos, organizados por filas y columnas. Ejemplo: Notas: A 6. Las matrices son denotadas con letras mayúsculas..
Más detallesESTADISTICA MANEJO BÁSICO DE MATLAB/Octave. OBJETIVOS: Manejo básico del entorno de trabajo de MATLAB/Octave. 2 >> 2*sin(2*pi)^2
GRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales, telemática y Técnicas de Telecomunicación) ESTADISTICA 2012-2013 MANEJO BÁSICO DE MATLAB/Octave OBJETIVOS: Manejo básico
Más detallesTrata siempre de documentar tus funciones, pues es ayuda para el usuario.
Nombre: Matricula: Problema 1. TAREA 5 Fecha: Grupo: Parte 1: Tipos de funciones Para cada una de las siguientes funciones, especifique el tipo de dato de la salida. Se puede asumir que cada función es
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Segunda clase: Matrices y derivadas Programa Técnico en Riesgo, 2017 Agenda 1 Matrices y vectores 2 Denición Reglas de diferenciación parciales 3 Sumatoria
Más detallesCadenas de Markov.
Cadenas de Markov http://humberto-r-alvarez-a.webs.com Definición Procesos estocásticos: procesos que evolucionan de forma no determinista a lo largo del tiempo en torno a un conjunto de estado. Cadenas
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Segunda clase: Matrices, derivadas e integrales Programa Técnico en Riesgo, 2014 Agenda 1 Matrices y vectores 2 Reglas de diferenciación parciales 3 indefinidas
Más detallesCAPITULO 16 Procesos de Markov
CAPITULO 16 Procesos de Markov Probabilidades de Transición Probabilidades Fijas Estados de Absorción Matriz de Transición n con Submatrices Matriz Fundamental 1 INTRODUCCIÓN N A LAS CADENAS DE MARKOV
Más detallesNombre: Tercer Parcial Algebra Lineal 29/11/2014. Profesor:
Tercer Parcial Algebra Lineal 29//204 Puntaje. (Solo para uso oficial.) -2 (/2) 3-4 (/26) 5- (/53) Total (/00) Nota Nombre: Cédula: Profesor: Grupo: Instrucciones. El examen Aconsta de 3 hojas, verifique
Más detallesMATRICES. Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
MATRICES Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento
Más detallesMATEMÁTICAS 2º BACH TECNOL. MATRICES. Profesor: Fernando Ureña Portero MATRICES
CONCEPTO DE MATRIZ Definición: Se denomina matriz A o (a ij ) a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas : Columnas Filas Elemento a ij : Cada uno
Más detallesMó duló 18: Sumatória
INTERNADO MATEMÁTICA 2016 Guía del estudiante Mó duló 18: Sumatória Objetivo: Familiarizarse con la notación matemática de sumatoria. En ocasiones es necesario escribir y calcular algunas sumas de números
Más detallescrear con python Materiales de inicio a la programacion con codigo Ejercicios practicos con soluciones
crear con python Materiales de inicio a la programacion con codigo Ejercicios practicos con soluciones Ejercicios unidad 1 Programas de robots 1. Programas de robots Determina que instrucciones se han
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 detallesFORMULARIO CADENAS DE MARKOV
FORMULARIO CADENAS DE MARKOV Fuente: F. Hillier - G. Lieberman: Introducción a la investigación de operaciones. Sexta edición. Ed. Mc-Graw Hill. Proceso estocástico. Un proceso estocástico es una colección
Más detallesUna invitación al estudio de las cadenas de Markov
Una invitación al estudio de las cadenas de Markov Víctor RIVERO Centro de Investigación en Matemáticas A. C. Taller de solución de problemas de probabilidad, 21-25 de Enero de 2008. 1/ 1 Potencias de
Más detallesCONFERENCIA TEMA: CADENAS DE MARKOV
Prof.: MSc. Julio Rito Vargas Avilés CONFERENCIA TEMA: CADENAS DE MARKOV Agenda: Proceso estocástico Concepto de Cadena de Markov Clasificación de estados de una CM y ejemplos Distribución estacionaria
Más detallesOctave. Entorno Interactivo. 13/8/2018 Computación 1 - Facultad de Ingeniería 1
Octave Entorno Interactivo 13/8/2018 Computación 1 - Facultad de Ingeniería 1 Agenda Introducción Entorno interactivo Componentes del entorno interactivo Variables Matrices Operaciones Relaciones 13/8/2018
Más detallesintroducción a la computación
introducción a la computación representaciones computacionales Bruno Lara Guzmán Departamento de Computación, Facultad de Ciencias 20 de noviembre de 2013 (UAEM) introducción a la computación 20 de noviembre
Más detallesMATRICES. Se simboliza tal matriz por y se le llamará una matriz x o matriz de orden x (que se lee por ).
1 MATRICES 1 Una matriz es una disposición rectangular de números (Reales); la forma general de una matriz con filas y columnas es Se simboliza tal matriz por y se le llamará una matriz x o matriz de orden
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 detallesUna aplicación de la Teoría Ergódica en la búsqueda de Google
Ergódica Una aplicación de la Ergódica en la búsqueda de Google 10 de octubre de 2009 Una aplicación de la Ergódica en la búsqueda de Google Google Ergódica Una aplicación de la Ergódica en la búsqueda
Más detallesCadenas de Markov. Mogens Bladt 16 de septiembre de 2017 IIMAS-UNAM
Cadenas de Markov Mogens Bladt 16 de septiembre de 2017 IIMAS-UNAM Cadena de Markov Considere variable aleratorio X 0, X 1,... tomando valores en un conjunto finito o discreto, E. Entonces {X n } n 0 es
Más detallesMATEMÁTICA LIC. Y PROF. EN CS. BIOLÓGICAS
Definición: se llama matriz de m filas y n columnas sobre un cuerpo K (R ó C), a una ordenación rectangular de la forma Notación: a11 a...... a1n a21 a...... a2n A = M M M donde cada elemento a ij Є K
Más detallesPROCESOS ESTOCÁSTICOS. Primera Prueba. 1
08513. PROCESOS ESTOCÁSTICOS. Primera Prueba. 1 Problema 1. Sea {Y n } una sucesión de variables aleatorias independientes e idénticamente distribuidas con distribución P {Y n = k} = 1 N + 1 Sea X 1 =
Más detallesMATRICES OPERACIONES BÁSICAS CON MATRICES
MATRICES OPERACIONES BÁSICAS CON MATRICES ANTECEDENTES En el año 1850, fueron introducidas por J.J. Sylvester El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A.
Más detallesIntroducción a Python. Cecilia Manzino
Características del lenguaje Es un lenguaje de programación multiparadigma, soporta la programación orientada a objetos, imperativa y, en menor medida, funcional. Es un lenguaje multiplataforma, puede
Más detallesConcepto de matriz Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
Matrices Concepto de matriz Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se denomina
Más detallesClase 2: El Lenguaje Python
Agosto 2012 Clase 2 Temario Consideraciones generales Operadores y expresiones Variables y Tipos Funciones Las Estructuras de Control Guía práctica Primer curso de programación usando robots y Python Objetivos
Más detallesMaribel Martínez y Ginés Ciudad-Real Fichas para mejorar la atención MATRIZ DE LETRAS
MATRIZ DE LETRAS p q d b p p b n g b n w n w n n w b p q d b p q d n w n g b n p q p q p q d b p n g n g n g b n w n d b d b b p q d b b n b n n w n g b n p q p q p q d b p n g n g n g b n w n d b d b
Más detallesPráctico 2 - parte 1
1. ([2], p.8) Práctico 2 - parte 1 Cadenas de Markov en tiempo discreto: propiedad de Markov, matriz de transición. Fecha de entrega: viernes 2 de septiembre Sea {X n } n 0 una cadena de Markov homogénea
Más detallesTécnicas de diseño de algoritmos Divide y Vencerás
Técnicas de diseño de algoritmos Divide y Vencerás Luis Javier Rodríguez Fuentes Amparo Varona Fernández Departamento de Electricidad y Electrónica Facultad de Ciencia y Tecnología, UPV/EHU luisjavier.rodriguez@ehu.es
Más detallesDefinición de matriz Una matriz A es un conjunto de números dispuestos en filas y en columnas.
1.- CONCEPTO DE MATRIZ. TIPOS DE MATRICES Definición de matriz Una matriz A es un conjunto de números dispuestos en filas y en columnas. 1 3 4 Por ejemplo, A = es una matriz de 2 filas y 3 columnas 0 5
Más detallesUna aplicación de la Teoría Ergódica en la búsqueda de Google
Dónde entra la Una aplicación de la en la búsqueda de 14 de octubre de 2009 Una aplicación de la en la búsqueda de Dónde entra la Una aplicación de la en la búsqueda de Dónde entra la Qué es el PageRank?
Más detallesUn canal de comunicación puede ser definido como el medio a través del cual la señal del mensaje se propaga desde la fuente hasta el destino.
Un canal de comunicación puede ser definido como el medio a través del cual la señal del mensaje se propaga desde la fuente hasta el destino. Se dice que un canal es ruidoso si la lectura de los datos
Más detallesCadenas de Markov. Distribuciones estacionarias. El algoritmo PageRank.
Sesión 5 Cadenas de Markov. Distribuciones estacionarias. El algoritmo PageRank. Recordemos que una secuencia {X n } n de variables aleatorias con valores en un espacio finito Ω se denomina cadena de Markov
Más detallesCadenas de Markov. Su importancia obedece a dos razones: descritos con ellas. Cadenas de Markov
Cadenas de Markov Hace más de un siglo se escribió el primer trabajo seminal sobre Cadenas de Markov y aún siguen siendo un instrumento tremendamente útil de modelación estocástica. Su importancia obedece
Más detallesCadenas de Markov Tiempo Continuo. Modelado y Análisis de Redes de Telecomunicaciones
Tiempo Continuo Modelado y Análisis de Redes de Telecomunicaciones 1 Agenda en tiempo continuo Ergodicidad de la cadena Ejemplo: Líneas Telefónicas página 2 CMTC Consideremos ahora los procesos de Markov
Más 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 detallesRevisión - soluciones. lunes 9 de octubre de 2017
Introducción a los Procesos Estocásticos Curso 7 Revisión - soluciones lunes 9 de octubre de 7. Ejercicio (5 puntos) Considere una cadena de Markov homogénea {X n } n con espacio de S = {,,, } y matriz
Más detallesUNIDAD 3 FUNCIONES, MATRICES Y DETERMINANTES. Matrices. Dr. Daniel Tapia Sánchez
UNIDD FUNCIONES, MTRICES Y DETERMINNTES Matrices Dr. Daniel Tapia Sánchez Estos son los temas que estudiaremos:.7. Concepto de matriz e igualdad de matrices.7. Clasificación de matrices según sus elementos.7.
Más detallesCONFERENCIA TEMA: CADENAS DE MARKOV
Prof.: MSc. Julio Rito Vargas Avilés CONFERENCIA TEMA: CADENAS DE MARKOV Agenda: Proceso estocástico Concepto de Cadena de Markov Clasificación de estados de una CM y ejemplos Distribución estacionaria
Más detallesSemana 14 [1/28] Matrices. 22 de julio de Matrices
Semana 14 [1/28] 22 de julio de 2007 Definiciones básicas Semana 14 [2/28] Definiciones básicas Matriz Una matriz A, de m filas y n columnas con coeficientes en el cuerpo à (en este apunte à será Ê ó C)
Más detallesMatrices 1. Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
Matrices 1 Concepto de matriz Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se
Más detallesFUNDAMENTOS DE PROGRAMACIÓN TALLER No. 1 Profesor: Alvaro Ospina Sanjuan
FUNDAMENTOS DE PROGRAMACIÓN TALLER No. 1 Profesor: Alvaro Ospina Sanjuan 1. Escriba un programa que cambie cualquier suma de dinero hasta de 99 ctvs usando las monedas de denominación de 1 ctvs, 5 ctvs,
Más detallesINTRODUCCIÓN AL ALGEBRA LINEAL
INTRODUCCIÓN AL ALGEBRA LINEAL MATLAB y álgebra lineal. Introducción. Comandos y programas en MATLAB. Diseño de aplicaciones. Vectores, Matrices y funciones especiales en Matlab. Los siguientes ejercicios
Más detallesIntroducción a la Programación
Cali Cali Introducción a la Programación Noviembre 27 de 2006 Nombre: Pregunta 1 2 3 Total Puntos 30 30 50 110 Cal. 1 (30 Puntos) Un pirata necesita encontrar un tesoro en una isla, para hacerlo cuenta
Más detallesSISTEMAS DE ECUACIONES LINEALES Y MATRICES
y SISTEMAS DE ECUACIONES ES Y MATRICES Sergio Stive Solano 1 Febrero de 2015 1 Visita http://sergiosolanosabie.wikispaces.com y SISTEMAS DE ECUACIONES ES Y MATRICES Sergio Stive Solano 1 Febrero de 2015
Más detallesCurso de nivelacioón Estadiística y Matemaática Matrices Derivadas. Universidad de Costa Rica Programa Técnico en Riesgo
Curso de nivelacioón Estadiística y Matemaática Matrices Derivadas Universidad de Costa Rica Programa Técnico en Riesgo 6 de Mayo 2017 1 / 51 1 Matrices y vectores Suma y resta Producto Inversa 2 Repaso
Más detallesMatrices, determinantes y sistemas de ecuaciones lineales
Matrices, determinantes y sistemas de ecuaciones lineales David Ariza-Ruiz 10 de octubre de 2012 1 Matrices Una matriz es una tabla numérica rectangular de m filas y n columnas dispuesta de la siguiente
Más detallesCADENAS DE MARKOV. Una sucesión de observaciones X1, X2, Se denomina proceso estocástico
PROCESOS ESTOCÁSTICOS CADENAS DE MARKOV Una sucesión de observaciones X1, X2, Se denomina proceso estocástico Si los valores de estas observaciones no se pueden predecir exactamente Pero se pueden especificar
Más detallesContenido. 2 Operatoria con matrices. 3 Determinantes. 4 Matrices elementales. 1 Definición y tipos de matrices
elementales Diciembre 2010 Contenido Definición y tipos de matrices elementales 1 Definición y tipos de matrices 2 3 4 elementales 5 elementales Definición 1.1 (Matriz) Una matriz de m filas y n columnas
Más detallesCálculo científico y técnico con HP49g/49g+/48gII/50g Módulo 3: Aplicaciones Tema 3.5 Cadenas de Markov
Cálculo científico y técnico con HP49g/49g+/48gII/5g Módulo 3: Aplicaciones Tema 3.5 Cadenas de Markov Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de
Más detallesTrabajo Práctico 5 Estructura Repetitiva
Trabajo Práctico 5 Estructura Repetitiva Los ejercicios para resolver y enviar por los alumnos son los que están con letra negrita los mismos deben ser enviados en un archivo zip por medio de la página
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 detallesTALLER 1 DE ALGEBRA LINEAL Y GEOMETRÍA INGENIERÍA AMBIENTAL - UNIVERSIDAD DE CÓRDOBA FACTORIZACIÓN LU Y CADENAS DE MARKOV
TALLER 1 DE ALGEBRA LINEAL Y GEOMETRÍA INGENIERÍA AMBIENTAL - UNIVERSIDAD DE CÓRDOBA FACTORIZACIÓN LU Y CADENAS DE MARKOV DESCRIPCIÓN: En el siguiente trabajo se mostrarán algunos métodos para encontrar
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Investigación de Operaciones Encuentro #7 Tema: Cadenas de Markov Prof.: MSc. Julio Rito Vargas A. Grupo:CCEE y ADMVA /26 Objetivos: Aplicar la teoría fundamental
Más detallesimport math # Importa la libreria math, que permite utilizar operaciones y funciones matematicas
UNIVERSIDAD DE COSTA RICA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA ELÉCTRICA PROGRAMACIÓN BAJO PLATAFORMAS ABIERTAS IE-0117 I CICLO 2012 LABORATORIO 8 FUNCIONES Y RECURSIÓN DICCIONARIOS CHRISTIAN CHAVES
Más detallesOctave. Entorno Interactivo. 19/8/2013 Computación 1 - Facultad de Ingeniería 1
Octave Entorno Interactivo 19/8/2013 Computación 1 - Facultad de Ingeniería 1 Agenda Introducción Entorno interactivo Componentes del entorno interactivo Variables Matrices Operaciones Relaciones 19/8/2013
Más detallesMatemática 2 MAT022. Clase 3 (Complementos) Departamento de Matemática Universidad Técnica Federico Santa María
Matemática 2 MAT022 Clase 3 (Complementos) Departamento de Matemática Universidad Técnica Federico Santa María Tabla de Contenidos 1 Operaciones Elementales de Fila 2 3 4 Definición Sean A M m n (K) y
Más detallesMATRICES. 2º Bachillerato. Se llama matriz a una disposición rectangular de números reales, a los cuales se les denomina elementos de la matriz.
Concepto de matriz. Igualdad de matrices MATRICES 2º Bachillerato Concepto de matriz. Igualdad de matrices Concepto de matriz. Igualdad de matrices Se llama matriz a una disposición rectangular de números
Más detallesMatrices y sistemas de ecuaciones
Matrices y sistemas de ecuaciones María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Matrices y sistemas de ecuaciones Matemáticas I 1 / 59 Definición de Matriz Matrices
Más detallesDefinición: Dos matrices A y B son iguales si tienen el mismo orden y coinciden los elementos que ocupan el mismo lugar.
UNIDAD 03: MATRICES Y DETERMINANTES. 3.1 Conceptos de Matrices. 3.1.1 Definición de matriz. Definición: Se lama matriz de orden m x n a un arreglo rectangular de números dispuestos en m renglones y n columnas.
Más detallesGuía de Estudio del Tema 3. Cadenas de Markov. Matriz de Transición de un paso.
Universidad de Los Andes Facultad de Ciencias Económicas y Sociales Escuela de Estadística Procesos Estocásticos Sección 0 - A-06 Prof. Douglas Rivas Guía de Estudio del Tema 3. Cadenas de Markov. Matriz
Más detallesMétodos directos para resolver sistemas de ecuaciones lineales
Métodos directos para resolver sistemas de ecuaciones lineales Problemas para examen Si en algún problema se pide calcular el número de flops (operaciones aritméticas con punto flotante), entonces en el
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 8
Maestría en Bioinformática Probabilidad y Estadística: Clase 8 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Mayo de 2010 Contenidos 1 Reversión temporal Cadena
Más detallesMATRICES. Se denomina matriz de dimensión m n a todo conjunto cuyos elementos están dispuestos en m filas y n columnas. o simplemente A = (a.
MATRICES Se denomina matriz de dimensión m n a todo conjunto cuyos elementos están dispuestos en m filas y n columnas A= 2 1 5 0 3 8 A es de dimensión 2 3. a a a En general una matriz de dimensión 2 3
Más detallesMatrices triangulares y descomposición LU
Matrices triangulares y descomposición LU Problemas para examen Si en algún problema se pide calcular el número de flops (operaciones aritméticas con punto flotante), entonces en el examen será suficiente
Más detallesIntroducción a la Teoría de la Información
Introducción a la Teoría de la Información Tasa de Entropía de un Proceso Estocástico. Facultad de Ingeniería, UdelaR (Facultad de Ingeniería, UdelaR) Teoría de la Información 1 / 13 Agenda 1 Procesos
Más detallesFrancisco José Vera López
Álgebra y Matemática Discreta Matrices. Sistemas de ecuaciones. Francisco José Vera López Dpto. de Matemática Aplicada Facultad de Informática 2015 1 Matrices 2 Sistemas de Ecuaciones Matrices Una matriz
Más detallesSistema de Ecuaciones Lineales
Pantoja Carhuavilca Métodos Computacionales Agenda Ejemplos Ejemplos Aplicaciones de los Sistemas La solución de sistemas lineales de ecuaciones lineales es un tema clásico de las matemáticas, rico en
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 10
Maestría en Bioinformática Probabilidad y Estadística: Clase 10 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Mayo de 2010 Contenidos 1 Procesos aleatorios
Más detallesCarlos J. Zapata G Carlos A. Ramirez V
Carlos J. Zapata G Carlos A. Ramirez V Introducción Los AG provienen de la familia de modelos computacionales basados en la evolución Holland fue el primero quien le dio un formalismo y el nombre a los
Más detallesCADENAS DE MARKOV CON PARÁMETRO DISCRETO Rosario Romera Febrero 2009
DENS DE MRKOV ON PRÁMETRO DISRETO Rosario Romera Febrero 9. Nociones básicas De nición: El proceso fx n g nn con espacio de estados S N es una adena de Markov si 8n; m N y 8i ; : : : i n ; j S se cumple
Más detallesParte 3. Vectores y valores propios
Parte 3. Vectores y valores propios Gustavo Montero Escuela Universitaria Politécnica Universidad de Las Palmas de Gran Canaria Curso 2006-2007 Valores y vectores propios Valor propio Se dice que el número
Más detallesAnexo. Aplicaciones de los Determinantes
Anexo. Aplicaciones de los Determinantes 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Cálculo del rango usando determinantes... 3 1.1 Ejemplo: Estudio del Rango de la matriz
Más detallesMatrices y determinantes (Curso )
ÁLGEBRA Práctica 3 Matrices y determinantes (Curso 2008 2009) 1. En el conjunto de las matrices n n de elementos reales, demostrar que el producto de matrices triangulares inferiores es otra matriz triangular
Más detallesIntroducción a la Programación
Grupo H Semana 8 Pontificia Universidad Javeriana Cali 6 y 8 de Septiembre de 2011 Recorderis Ciclos Expresiones que se repiten hasta que una determinada condición es encontrada en el sistema. Recorderis
Más detallesEstos apuntes se han sacado de la página de internet de vitutor con pequeñas modificaciones.
TEMA 1: MATRICES Concepto de matriz Se denomina matriz a todo conjunto de números o expresiones ordenados en filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento
Más detallesVectores y matrices. Problemas para examen
Vectores y matrices Problemas para examen Operaciones lineales con vectores 1. Programación: la suma de dos vectores. Escriba una función que calcule x + y, donde x, y R n. Calcule el número de flops.
Más detallesAlgebra lineal Matrices
Algebra lineal Matrices Una matriz A un arreglo rectangular de números dispuestos en m renglones (filas) y n columnas. Fila 1 La componente o elemento ij de A, denotado por es el número que aparece en
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 detallesCadenas. Listas. Matrices.
Datos Estructurados Cadenas. Listas. Matrices. Hasta ahora: los tipos de datos Enteros (int). Punto flotante (float). Cadenas (str). Booleanos (verdadero o falso) Ahora agregamos: Sucesión de elementos.
Más detallesIntroducción a la Programación
Marzo 16 de 2013 Consideraciones Generales Esta evaluación es estrictamente individual. Cualquier violación a esta norma será considerada como fraude. Tiene 2 horas para realizar el examen. Sólo puede
Más detallesHasta ahora: los tipos de datos Enteros (int). Punto flotante (float). Cadenas (str). Booleanos (verdadero o falso)
Datos Estructurados Hasta ahora: los tipos de datos Enteros (int). Punto flotante (float). Cadenas (str). Booleanos (verdadero o falso) Ahora agregamos: Sucesión de caracteres. Sucesión de elementos. En
Más detallesDETERMINANTES Profesor: Fernando Ureña Portero
: CONCEPTO, CÁLCULO DE. Definición: A cada matriz cuadrada A=a ij, de orden n, se le asigna un número real, denominado determinante de A, denotado por A o por det (A). A =det (A)= 1.-Determinante de orden
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 detalles