una noción de proceso puntual en tiempo discreto
|
|
- María Luz Castilla Calderón
- hace 6 años
- Vistas:
Transcripción
1 Revista de Matemática: Teoría y Aplicaciones 2(1): (1995) una noción de proceso puntual en tiempo discreto Jaime Lobo Segura 1 Resumen Luego de señalar las dificultades de la teoría clásica en el tratamiento de los procesos puntuales sobre la recta, se da una noción de proceso puntual en tiempo discreto cuya definición reposa sobre conceptos del análisis no standard. Este proceso se asemeja al de una sucesión finita de variables de Bernoulli indexadas por el tiempo. Se expone una breve teoría sobre estos procesos, y se establece el nexo con los procesos puntuales del tipo clásico. El marco de referencia es la versión de la Internal Set Theory. 1 Introducción En gran variedad de campos de la ciencia es usual la introducción de modelos estocásticos donde los datos observables los constituyen una sucesión de tiempos aleatorios, cada tiempo correspondiendo a la ocurrencia de un evento. Algunos ejemplos pueden ser la detección de fotones en la teoría de telecomunicaciones, el comportamiento de las colas en redes de computadoras o inventarios, o la emisión de partículas en los fenómenos radioactivos. Estos modelos reciben el nombre de procesos estocásticos puntuales sobre la recta o también de procesos de conteo, denominaciones que se justifican ya que la sucesión de eventos puede verse ya sea como una sucesión de puntos sobre la recta del tiempo o bien como una colección de variables indexadas por el tiempo que cuentan el número de eventos ocurridos en cada intervalo de tiempo. Podemos precisar mejor estas ideas, y suponiendo que las observaciones se realizan a partir del tiempo 0, un proceso puntual sobre la recta se puede ver como una sucesión creciente (T n, n N) de variables positivas (tiempos de ocurrencia de los eventos) o como el proceso estocástico N = (N t,t [0, )) en tiempo continuo, donde N t sería card{n : 0 T n t}. Es claro que la sucesión (T n, n N) determina el proceso N y recíprocamente. Las teorías matemáticas que sustentan el estudio de estos procesos pueden clasificarse en dos tipos: las que se centran en el estudio de los momentos, y las que se sirven del método de martingalas (método dinámico). De ellas, la más clásica es la primera, mientras que la segunda echa mano de la llamada intensidad estocástica, que resume en un instante dado el potencial para generar un evento en el futuro próximo. El método de martingalas 1 Escuela de Matemática, Universidad de Costa Rica 17
2 18 j. lobo permite en particular el empleo de las técnicas del cálculo estocástico. El examen atento de estas teorías nos muestra que dificultades muy delicadas de orden conceptual no tardan en presentarse a medida que profundizamos en ellas. Así por ejemplo, la fundamentación rigurosa de la intensidad estocástica se establece en el marco de la llamada Teoría general de procesos, cuya primera asimilación no es nada inmediata. Los procesos puntuales siendo de una estructura muy sencilla, cabe preguntarse si no existe un modo de representarlos que simplifique de alguna manera su estudio. En este trabajo, se busca una representación de tipo binario para procesos puntuales clásicos que satisfacen ciertas condiciones, usando para ello los razonamientos del análisis no standard (ANS), y se deriva de esta representación la noción de proceso puntual en tiempo discreto. En la última sección se discute el interés que tendría la teoría de procesos puntuales en tiempo discreto para el estudio de los procesos clásicos. El marco formal adoptado para el análisis no standard es el de la Internal Set Theory (IST), cuya exposición general puede hallarse en [2]. Se usará la terminología y notación standard siguientes: un número real x es infinitesimal si x a para todo a > 0 standard. Es llamado ilimitado si x > a para todo real a standard. Si x,y son reales denotamos: x y si x y es infinitesimal, x si x es ilimitado, x si x no es ilimitado positivo. 2 Representación binaria de un proceso puntual standard Una idea simplificadora para el estudio de dichos procesos es la siguiente: supongamos que el proceso puntual es no explosivo, es decir que para todo t IR + se tiene N t < c.s. (lo que equivale a que la sucesión (T n,n N) diverja al infinito). Entonces bajo esta hipótesis es fácil ver que para cada realización ω del proceso puntual y cada t IR + existe una partición Π(ω), no única, del intervalo [0,t], tal que en cada intervalo [t i,t i+1 [ de Π(ω) solo uno de los eventos T n ocurre. Esto equivale a que los incrementos N ti+1 N ti (que denotamos por dn i ) valgan todos 0 ó 1 para la realización ω considerada. Como esta propiedad es preservada si se refina la partición Π(ω), se deduce que para un proceso con un número finito de realizaciones existe una partición Π de [0, t] con la siguiente propiedad: para todas las realizaciones del proceso puntual los incrementos dn i valen todos 0 ó 1. De esto se obtiene que el proceso puntual se puede representar como una sucesión finita de variables de Bernoulli indexadas por el tiempo, que llamaremos representación binaria del proceso puntual. Desgraciadamente con el razonamiento anterior es imposible en la mayoría de los casos asegurar una representación binaria dado que el número de realizaciones de un proceso puntual es en general infinito (por ejemplo el de Poisson). Podemos sin embargo rescatar esta idea recurriendo al razonamiento no standard. Llamaremos una partición Π de [0, t] un casi intervalo si cualesquiera puntos t i, t i+1 de Π adyacentes son infinitamente cercanos. Un casi intervalo es pues un conjunto no standard y su cardinalidad es ilimitada si el intervalo [0, t] es standard. Se recuerda que en la IST todo objeto definido mediante una fórmula interna con todas las constantes standard es standard. Teorema 1 (Representación binaria no standard): Sea un proceso puntual N standard no explosivo definido en un espacio standard, y un intervalo standard [0, t]. Existe entonces
3 una noción de proceso puntual en tiempo discreto 19 una representación binaria de N definida por un casi intervalo Π de [0,t], salvo en un evento de probabilidad infinitesimal. Π contiene además todos los reales standard de [0,t]. Demostración: Basta suponer que N no es casi siempre igual al proceso constante 0. Para cada entero n consideremos la partición regular Π n de [0,t] constituida por los puntos t i,n = i t/n, i = 0,...,n. De la hipótesis de no explosión se obtiene: M n = max dn i,n n 1 ó 0, casi siempre. i=0,...,n 1 Si la sucesión de estos máximos tiende a 0, es constante e igual a 0. En el evento H donde ésta converge a 1, de probabilidad no nula, hay convergencia en probabilidad (con respecto a la probabilidad condicional P( H)). Pero siendo además una sucesión de enteros se tiene : P(M n > 1 H) P( M n 1 1/2 H) n 0. En resumen obtenemos: P(M n > 1) n 0. Sea ahora la sucesión standard (b n ) n IN : b n = P(M n > 1). De la interpretación no standard de la convergencia a 0 de una sucesión standard se tiene: b n 0 para n ilimitado. Sea n ilimitado y consideremos el evento F = {M n > 1}. Entonces P(F) 0, y fuera de F todos los incrementos dn i,n son menores o iguales a 1, es decir 0 ó 1. Basta tomar entonces Π como el casi intervalo de [0,t] definido por una partición regular Π n no standard cualquiera. Como todos los reales standard de [0, t] están contenidos en un conjunto finito C (principio de idealización), el último resultado del teorema se obtiene con el refinamiento de Π n y C, que no altera la representación binaria. Una de las consecuencias importantes del teorema anterior es la siguiente: sea F el evento de probabilidad infinitesimal mencionado en el teorema 1 y Π el casi intervalo asociado a la representación binaria de N. Entonces definimos un proceso N, indexado por los puntos de Π, por: N t = N t para t Π,ω F; N = 0 en F. El proceso N solo posee un número finito de realizaciones puesto que los incrementos de N en Π, dn i, pertenecen a {0,1} y que Π es finito. Por lo tanto puede verse como definido en un espacio finito de probabilidades. Llamamos a N proceso aledaño a N. (La definición adoptada aquí para proceso aledaño es un poco más fuerte que la presentada en [3] bajo el nombre de nearby process). Este proceso es un ejemplo de lo que llamaremos en lo sucesivo procesos puntuales en tiempo discreto, que es una clase de procesos finitamente indexados y definidos en un espacio de probabilidad finito. El interés de la teoría de los espacios de probabilidad finitos ha sido objeto de estudio en la literatura no standard y uno de nuestros objetivos es buscar una teoría en espacios finitos para procesos puntuales con una noción adecuada para dichos procesos. 3 Esbozo de una teoría de procesos puntuales en tiempo discreto Nos situamos en un espacio finito de probabilidades (Ω, P) provisto de una filtración F = (F t T ), donde Π es un casi intervalo con punto inicial 0 y final b. Para cada t Π {b}
4 20 j. lobo denotamos por t + dt el punto de Π más próximo superior a t. De la discusión hecha en la sección podemos desprender una noción sobre una clase de procesos en (Ω,P). Llamaremos proceso puntual en tiempo discreto sobre (Π,Ω), indexado por Π, un proceso N tal que para t Π {b} : dn t = N t+dt N t {0,1} y N 0 = 0. Se supondrá además que N es un proceso adaptado a la filtración F, es decir N t es elemento de F t para todo t en Π. Siendo N t la suma de incrementos de la forma dn s, los valores que toma N son siempre enteros. El interés por desarrollar una teoría (o más bien un esbozo) para esta clase de procesos se justifica en gran parte por no hallar mención de esta nueva noción en la literatura de la matemática no standard, a no ser por ciertos intentos de sistematizar en términos finitistas el llamado proceso de Poisson (a este proceso me referiré posteriormente) y que pueden hallarse en el libro de Stroyan y Bayod, [4]. Presento entonces aquí un esbozo de una teoría general, para lo cual me apoyaré en los resultados obtenidos por Nelson sobre procesos estocásticos en espacios finitos, y que pueden hallarse en [3]. Es de aclarar también que esta sección puede leerse independientemente de la sección 1. Si definimos un proceso Y por: dy t = E[dN t F t ], Y 0 = 0, deducimos una descomposición aditiva de N de la forma: N = Y + Z, siendo Z una F-martingala. Llamamos Y F-compensador previsible de N y lo denotamos N p. Si la filtración F está sobreentendida se dirá simplemente compensador de N. De la misma manera el proceso cuyo incremento en t se escribe dn p (t)/dt, se denominará intensidad (o F-intensidad) de N. Es de observar que todos estos conceptos dependen de la filtración F. Propiedades del compensador previsible: a) dn p t 1, para todo t Π {b}, b) si X es un proceso F-adaptado, el proceso denotado X (N N p ) y definido por: X (N N p ) 0 = 0 y d(x (N N p )) t = X t (dn t dn p t ), es una F-martingala nula en 0. La propiedad a) se deduce de que dn t 1, y de que la esperanza condicional preserva el orden. La propiedad b) es una consecuencia inmediata de las propiedades de una integral estocástica ([3][cáp 9]), con respecto a una martingala en un casi intervalo. En efecto, por definición N N p es una F-martingala nula en 0, y la definición de X (N N p ), como anteriormente, corresponde a la definición de integral estocástica con respecto a la martingala N N p. Sean dos filtraciones F,F definidas por un casi intervalo Π y un proceso puntual en tiempo discreto N adaptado a ambas. Supongamos que F t F t para todo t Π. Sea h (resp. h ) la F-intensidad de N, (resp. la F -intensidad de N). Es una consecuencia del doble condicionamiento con respecto a álgebras que : h(t)dt = E[dN(t) F t ] = E[E[dN(t) F t ] F t] = E[h (t)dt F t ] = E[h (t) F t ]dt y dividiendo entre dt obtenemos la igualdad: E[h (t) Ft] = h(t). Obtenemos : Proposición 1 Si h (resp. h ) es la F-intensidad de N, (resp. la F -intensidad de N) entonces: E[h (t) F t ] = h(t).
5 una noción de proceso puntual en tiempo discreto 21 Dado un proceso puntual en tiempo discreto N, decimos que t Π es una discontinuidad fija de N si N no es c.s. continua en t. Según un resultado de la teoría de los espacios finitos la propiedad casi siempre N es continuo en t es equivalente a: para todo r 0, y h 0 : P( max s t h N s N t r) 0 ([3, cáp. 7]. Dado que N es creciente lo anterior equivale a : para todo r 0, y h 0 : P( N ant(t+h) N t r ó N suc(t h) N t r) 0 donde ant(u) (resp. suc(u)), denota el punto de Π más cercano superior a u (resp. más cercano inferior a u). En el teorema que sigue se da una condición suficiente para que N sea c.s. continua en t. Teorema 2 Sea I la función en Π definida por I(t) = E(N t ). Entonces N es continua en t c.s. si I es continua en t. Demostración: Para el primer aserto, y según la caracterización anterior, basta demostrar para r 0 y h 0 que: P( N ant(t+h) N t r) 0, P( N suc(t h) N t r) 0. Sea u = ant(t + h). Entonces u t, u Π. Como N u N t es positiva con valores enteros, el evento { N u N t r} coincide con {N u N t 1}. Pero P({N u N t 1}) E(N u N t ) 0, lo que demuestra la primera relación. De manera análoga se deduce la otra. Para las nociones que introduciremos a continuación utilizaremos algunos resultados especiales que se encuentran en el apéndice de este trabajo. Por A se denotará una subálgebra de F 0. Un proceso puntual N en tiempo discreto F-adaptado sobre Ω se dice de incrementos condicionalmente independientes con respecto a A, si para todo s Π {b} el incremento dn s es A-independiente de F s. Abreviamos diciendo que N es IIF//A. Para un tal proceso N se tiene entonces: E[dN s F s ] = E A [dn s ], para todo s Π {b}. De ésto resulta que el F-compensador previsible de N está determinado por una F- intensidad cuyos incrementos son todos variables de A. Se tiene además: N p t = E A [N t ]. Recíprocamente, si el F-compensador de N p de N es de la forma N p t = EA[N t], entonces N es un IIF//A; en efecto la variable dn t tiene valores 0 ó 1 y cumple la relación E(dN t F s ) = E(dN t A), y el resultado se deduce del lema 2 del apéndice. Si el álgebra A es la trivial, entonces en la definición anterior la esperanza con respecto a A coincide con la esperanza E no condicionada y por lo tanto: E[dN s F s ] = E[dN s ], para todo s Π {b}.
6 22 j. lobo En este caso se dice simplemente que N es de incrementos independientes con respecto a F, propiedad que se abreviará por IIF. Para un IIF, el compensador F-previsible y la F-intensidad de N son determinísticos. En este caso N p t = E[N t]. Como es sabido para una variable aleatoria positiva X la condición X c.s. implica E(X), mientras que E(X) implica X c.s.. En el caso de un proceso IIF estas condiciones resultan equivalentes como se enuncia a continuación: Teorema 3 Sea N un IIF. Entonces para u,t Π, u > t: a) E(N u N t ) si y solo si N u N t c.s. b) E(N u N t ) si y solo si N u N t c.s. Demostración: Sea Π(t,u) el conjunto finito {s Π : t s < u} y consideremos la sucesión de eventos A s = {dn s = 1}, s Π(t,u), que son independientes en conjunto. Entonces: E(N u N t ) = P(A s ). Ahora bien, las variables dn s siendo binarias, para cada ω Ω el número K(w) de s Π(t,u) tales que ω A s coincide con N u N t, y los asertos a) y b) se deducen de la versión cardinal del teorema de Borel-Cantelli (ver [3, cáp. 7], para una demostración no standard de dicho teorema). Entre los procesos puntuales con la propiedad de incrementos condicionalmente independientes se destacan los procesos de Poisson dobles: decimos que N IIF//A es doblemente de Poisson si para t Π, casi siempre N es continuo en t, o en otras palabras N no posee discontinuidades fijas. Si N es un IIF se dirá simplemente que es de Poisson si la propiedad anterior se cumple. Además entre los procesos de Poisson cabe destacar los llamados homogéneos: son aquéllos para los cuales el incremento del compensador N p se escribe: dn p (t) = λ dt, donde λ es una constante positiva. La F-intensidad de un proceso de Poisson homogéneo es pues un proceso constante en Π. En el teorema que sigue se da para el caso de un IIF una condición necesaria y suficiente para la ausencia de discontinuidad fija que completa el resultado general del teorema 2: Teorema 4 Sea N un IIF e I la función en Π definida por I(t) = E(N t ). Entonces N es continua en t c.s. si y solo si I es continua en t. Demostración: La condición necesaria resulta del teorema 2. Demostremos que es suficiente en el caso de un IIF. Sea u t, u Π, y supongamos u > t, y sea Π(t,u) como en la prueba del teorema 3. Consideremos la sucesión de eventos A s = {dn s = 1}, s Π(t,u), independientes en conjunto pues N es IIF. Entonces se tiene: ( ) : E(N u N t ) = t s<u E(dN s ) = P(A s ).
7 una noción de proceso puntual en tiempo discreto 23 Si N es c.s. continua en t, entonces P(N u N t = 0) 1. Pero por otro lado {N u N t = 0} = Ac s, y tomando probabilidades tendremos : ( 1 P {N u N t = 0} = P ( = Π (1 P(A s )) exp A s c ) ) P(A s ) dado que 1 x exp( x). Las desigualdades anteriores implican que P(A s ) 0 y según (*) que E(N u N t ) 0, es decir la continuidad de I en t. Del teorema 2 y el anterior se deduce el corolario: Corolario 1 a) Si N es un IIF su compensador, es continuo en Π si y solo si N es de Poisson. b) Si N es de Poisson homogéneo de intensidad λ, entonces para u,t Π, u > t, se cumple: N u N t c.s. si y solo si λ(u t), N u N t c.s. si λ(u t). 4 Objetivos de una teoría de procesos puntuales en tiempo discreto En el bosquejo de teoría de la sección anterior me he limitado a mencionar solo unos cuantos resultados que pueden dar una idea de su futuro desarrollo. Es conveniente ahora señalar algunos aspectos de interés de esta teoría en relación con el estudio de los análogos en tiempo continuo. Si se desea establecer un teorema sobre procesos puntuales, clásico análogo a uno de los de en tiempo discreto, la manera general de proceder sería la siguiente. Siendo un teorema clásico, es un enunciado interno y basta suponer que es cierto para procesos standard en espacios standard, todas las demás constantes siendo standard. Es el axioma del transfer. Para un tal proceso existe, según el teorema 1, uno en tiempo discreto que es aledaño ( nearby process ). Si para el proceso aledaño el teorema análogo en espacios finitos existe y si las hipótesis y conclusiones son equivalentes a las del teorema clásico, entonces queda demostrado el teorema clásico. Podemos ilustrar esta idea con el teorema 2 de la sección 2: se busca su análogo clásico para lo cual la noción de continuidad casi segura en un punto es la dada en la teoría clásica. Basta probarlo para un proceso standard, en intervalos standard, y el punto t standard. Se considera su proceso aledaño N, puntual en tiempo discreto. La función I (t) = E (N t) es
8 24 j. lobo aledaña a I(t) = E(N t ) en el casi intervalo Π de definición. Según el teorema A.7 en [3]: I es casi siempre continua en t si y solo si I es c.s. continua en t, N es casi siempre continua en t si y solo si N es c.s. continua en t. De acuerdo a lo antes mencionado el teorema 2 clásico queda probado. Al seguir los pasos de este procedimiento es necesario usar los teoremas de equivalencia de propiedades analíticas y de propiedades probabilísticas entre procesos standard y sus aledaños, algunas de las cuales se pueden encontrar en el apéndice de [3]. La breve teoría sobre procesos puntuales en tiempo discreto se ha presentado en la forma más autocontenida posible, pues recurre unicamente a los espacios finitos de probabilidades y a las técnicas del análisis no standard. En este sentido seguimos el planteamiento de Nelson sobre el papel del análisis no standard en matemáticas: una teoría elemental (sobre espacios finitos), posee el mismo contenido científico que la teoría convencional. Si esta tesis es válida, entonces las ideas desarrolladas en este trabajo podrían servir de teoría alternativa sobre los procesos puntuales con las ventajas que ofrece los razonamientos finitistas. Algunas discusiones sobre procesos puntuales según el enfoque no standard pueden hallarse también en [4], pero siguiendo el punto de vista de las superestructuras. Apéndice: Complementos sobre álgebras e independencia condicional Los resultados de este apéndice pueden probarse en el marco de un espacio finito de una manera mucho más sencilla que en la teoría general, y por esta razón me limito a enunciarlos dejando al lector su prueba (a excepción del lema 2). Para las pruebas clásicas puede consultarse [1], en su apéndice. La noción siguiente extiende la noción de independencia entre variables: dada una álgebra A se dice que las álgebras A 1,...,A n son independientes con respecto a A, o A- independientes, si para toda X 1 A 1,...,X n A n se tiene: E A (X 1... X n ) = E A (X 1 ) E A (X n ). Si el álgebra A es la trivial, en la definición anterior la esperanza con respecto a A coincide con E y se habla simplemente de independencia. Cuando n = 2 y A 1 es el álgebra generada por una variable X, se dice que X y A 2 son A-independientes si A 1,A 2 son A-independientes. Proposición 2 Sea una álgebra A que es subálgebra de A n. Entonces A 1,...,A n son A- independientes si y sólo si para toda X 1 A 1,...,X n 1 A n 1 : E A(n) (X 1...X n 1 ) = E A (X 1 ) E A (Xn 1). Lema 1 (asociatividad de la independencia condicional) Sean A 1,A 2,...,A n álgebras A- independientes. Sea I un conjunto de índices de {1,...,n} y J es el complementario de I. Sea C el álgebra engendrada por (A i,i I) y D el álgebra engendrada por (A j,j J). Entonces C y D son A-independientes. Lema 2 Si X es una variable binaria tal que E(X F) = E(X A), A siendo subálgebra de F, entonces X es A-independiente de F.
9 una noción de proceso puntual en tiempo discreto 25 Demostración: Si f está definida en {0,1}, podemos escribir: E(f(X) F) = f(1)e(x F) + f(0)(1 E(X F)). Siendo esta variable elemento de A, se deduce que f(x) es A-independiente de F (proposición 1 del apéndice), de donde el resultado buscado. Referencias [1] Brémaud (1981) Point processes and queues. Springer Verlag, New York. [2] Nelson (1977) Internal set theory: a new approach to nonstandard analysis, Bulletin of the American Mathematical Society, 83(6), nov. [3] Nelson (1987) Radically elementary probability theory. Princeton University Press. [4] Stroyan, Bayod (1986) Foundations of infinitesimal stochastic analysis. North Holland, Amsterdam. [5] Jacobsen (1982) Statistical Analysis of Counting Processes. Springer Verlag, Lecture Notes in Statistics.
Terminaremos 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
Teoría de la Probabilidad Tema 2: Teorema de Extensión
Teoría de la Probabilidad Tema 2: Teorema de Extensión Alberto Rodríguez Casal 25 de septiembre de 2015 Definición Una clase (no vacía) A de subconjuntos de Ω se dice que es un álgebra si A es cerrada
Semana 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
Derivada de la función compuesta. Regla de la cadena
Derivada de la función compuesta. Regla de la cadena Cuando en las matemáticas de bachillerato se introduce el concepto de derivada, su significado y su interpretación geométrica, se pasa al cálculo de
ALGEBRA y ALGEBRA LINEAL. Primer Semestre CAPITULO I LOGICA Y CONJUNTOS.
ALGEBRA y ALGEBRA LINEAL 520142 Primer Semestre CAPITULO I LOGICA Y CONJUNTOS. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas Universidad de Concepción 1 La lógica es
Unidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
La 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
Teoremas de Convergencia
Capítulo 24 Teoremas de Convergencia El teorema de la convergencia monótona (Lema 21.3) establece ciertas condiciones sobre una sucesión de funciones medibles para que se puedan permutar los símbolos y
Espacios topológicos. 3.1 Espacio topológico
Capítulo 3 Espacios topológicos 3.1 Espacio topológico Definición 3.1.1. Un espacio topológico es un par (X, τ), donde X es un conjunto, y τ es una familia de subconjuntos de X que verifica las siguientes
Algebra 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)
La 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
Modelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Límite superior y límite inferior de una sucesión
Límite superior y límite inferior de una sucesión Objetivos. Definir las nociones de los límites superior e inferior de una sucesión y estudiar sus propiedades básicas. Requisitos. Supremo e ínfimo de
Estructuras 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
Funciones integrables en R n
Capítulo 1 Funciones integrables en R n Sean un subconjunto acotado de R n, y f : R una función acotada. Sea R = [a 1, b 1 ]... [a n, b n ] un rectángulo que contenga a. Siempre puede suponerse que f está
Continuidad. 5.1 Continuidad en un punto
Capítulo 5 Continuidad 5.1 Continuidad en un punto Definición 5.1.1 (Aplicación continua en un punto). Sean (X, τ) e (Y, τ ) dos espacios topológicos, y sea f : X Y una aplicación entre ellos. Diremos
1. Convergencia en medida
FACULTAD CS. FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE MA3801 Teoría de la Medida. Semestre 2009-02 Profesor: Jaime San Martín Auxiliares: Andrés Fielbaum y Cristóbal Guzmán Clase auxiliar 7 21 de Septiembre
Conjuntos, relaciones y funciones Susana Puddu
Susana Puddu 1. Repaso sobre la teoría de conjuntos. Denotaremos por IN al conjunto de los números naturales y por ZZ al de los enteros. Dados dos conjuntos A y B decimos que A está contenido en B o también
Kolmogorov 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
520142: ALGEBRA y ALGEBRA LINEAL
520142: ALGEBRA y ALGEBRA LINEAL Segundo Semestre 2008, Universidad de Concepción CAPITULO 10: Espacios Vectoriales DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición
b) Sea una relación de equivalencia en A y una operación en A. Decimos que y son compatibles si a b a c b c y c a c b para todo a, b, c A
APENDICE Relaciones y Operaciones Compatibles 1 Definición: a) Sea A un conjunto y una relación entre elementos de A. Decimos que es una relación de equivalencia si es: i Reflexiva: a A, a a. ii Simétrica:
Espacios 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
CONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Espacios compactos. Capítulo Cubiertas. En este capítulo estudiaremos el concepto de compacidad en un espacio métrico.
Capítulo 3 Espacios compactos 1. Cubiertas En este capítulo estudiaremos el concepto de compacidad en un espacio métrico. Definición 3.1. Sea (X, d) un espacio métrico y A X. Una cubierta de A es una familia
GUIA DE CATEDRA Matemática Empresarial Guía N.3 F. Elaboración 09 abril /11 F. 1 Revisión 09/04/11 Pagina 1 de 8
Plan de Estudios: Semestre 1 Área: Matemática 1 Nº Créditos: Intensidad horaria semanal: 3 Hrs T Hrs P Total horas: 6 Tema: Desigualdades 1. OBJETIVO Apropiar los conceptos de desigualdades y establecer
Inducción Matemática Conjuntos Funciones. Matemática Discreta. Agustín G. Bonifacio UNSL. Repaso de Inducción, Conjuntos y Funciones
UNSL Repaso de Inducción, y Inducción Matemática (Sección 1.7 del libro) Supongamos que queremos demostrar enunciados del siguiente tipo: P(n) : La suma de los primeros n números naturales es n(n+1)
Tema 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
Coordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 1: Lunes 11 Viernes 16 de Marzo. Contenidos
Coordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 1: Lunes 11 Viernes 16 de Marzo Complementos Contenidos Clase 1: Elementos de lógica: Conectivos, tablas de verdad, tautologías y contingencias.
Recordemos 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
Apéndice 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.
Universidad Nacional de Colombia Departamento de Matemáticas Álgebra Lineal - Grupo 5 Resumen Unidad n 3
Universidad Nacional de Colombia Departamento de Matemáticas 1000003-5 Álgebra Lineal - Grupo 5 Resumen Unidad n 3 Vectores en R n Definición. El conjunto de las n-tuplas ordenadas de números reales se
Objetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Sucesiones Introducción
Temas Límites de sucesiones. convergentes. Sucesiones divergentes. Sucesiones Capacidades Conocer y manejar conceptos de sucesiones convergentes y divergentes. Conocer las principales propiedades de las
Unidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Espacios vectoriales
Espacios vectoriales [Versión preliminar] Prof. Isabel Arratia Z. Algebra Lineal 1 En el estudio de las matrices y, en particular, de los sistemas de ecuaciones lineales realizamos sumas y multiplicación
Semana03[1/17] Funciones. 16 de marzo de Funciones
Semana03[1/17] 16 de marzo de 2007 Introducción Semana03[2/17] Ya que conocemos el producto cartesiano A B entre dos conjuntos A y B, podemos definir entre ellos algún tipo de correspondencia. Es decir,
Maestría en Bioinformática Probabilidad y Estadística: Clase 1
Maestría en Bioinformática Probabilidad y Estadística: Clase 1 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Introducción 2 Teoría
Tema 2 Resolución de EcuacionesNo Lineales
Tema 2 Resolución de Ecuaciones No Lineales E.T.S.I. Informática Indice Introducción 1 Introducción 2 Algoritmo del método de Bisección Análisis del 3 4 5 6 Algoritmo de los métodos iterativos Interpretación
TEMA 1: NÚMEROS NATURALES. SISTEMA DE NUMERACIÓN
1 TEMA 1: NÚMEROS NATURALES. SISTEMA DE NUMERACIÓN 1. INTRODUCCIÓN Los números naturales aparecen debido a la necesidad que tiene el hombre para contar. Para poder construir este conjunto N, podemos seguir
Probabilidad 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
Caracterización de los números reales
Grado 11 Matematicas - Unidad 1 Operando en el conjunto de los números reales Tema Caracterización de los números reales Nombre: Curso: Breve historia de los reales A continuación se da una brevísima historia
Unidad 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
En matemáticas el concepto de conjunto es considerado primitivo y no se da una definición de este, por lo tanto la palabra CONJUNTO debe aceptarse
En matemáticas el concepto de conjunto es considerado primitivo y no se da una definición de este, por lo tanto la palabra CONJUNTO debe aceptarse lógicamente como un término no definido. Un conjunto se
Aplicación del orden de mayorización a un problema de producción-inventario. An aplication of majorization order on a production-inventory problem
Revista Facultad de Ingeniería N. o 39. pp. 112-117. Marzo, 2007 Aplicación del orden de mayorización a un problema de producción-inventario Henry Laniado Rodas a,*,diego Alejandro Castañeda b, Andrés
Universidad de Oriente Núcleo de Bolívar Departamento de Ciencias Área de Matemática Asignatura: Matemática ( )
Universidad de Oriente Núcleo de Bolívar Departamento de Ciencias Área de Matemática Asignatura: Matemática (00874) UNIDAD N 2 (LIMITES) Profesora: Yuar Matute Diciembre 20 0 Definición Intuitiva de Límites
PAIEP. Complemento Ortogonal
Programa de Acceso Inclusivo, Equidad y Permanencia PAIEP Universidad de Santiago de Chile Complemento Ortogonal Veamos ahora una aplicación de los vectores ortogonales a la caracterización de subespacios
Problemas de VC para EDVC elaborados por C. Mora, Tema 4
Problemas de VC para EDVC elaborados por C. Mora, Tema 4 Ejercicio Determinar las funciones enteras f para las que Solución f( + w) = f()f(w), w C. En primer lugar, f(0) = f(0 + 0) = f(0)f(0) = f(0) 2,
Es claro que es una relación de equivalencia. Para ver que tener la misma cardinalidad y la cardinalidad están bien definidas queremos ver que
Capítulo II Cardinalidad Finita II.1. Cardinalidad Definimos I n para n N como I n = {k N : 1 k n}. En particular I 0 =, puesto que 0 < 1. Esto es equivalente a la definición recursiva { si n = 0 I n =
1.1. Distribución exponencial. Definición y propiedades
CONTENIDOS 1.1. Distribución exponencial. Definición y propiedades 1.2. Procesos de conteo 1.3. Procesos de Poisson - Tiempos de espera y entre llegadas - Partición y mezcla de un proceso de Poisson -
Espacios, Funciones y Multifunciones
Apéndice A Espacios, Funciones y Multifunciones Denotaremos por B () a la -álgebra de Borel de un espacio topológico ; es decir, la mínima -álgebra de subconjuntos de que contiene a todos los abiertos.
Definición 1 Un semigrupo es un conjunto E provisto de una operación binaria asociativa sobre E, se denota por (E, ).
ALGEBRA La primera parte del presente libro está dedicada a las estructuras algebraicas. En esta parte vamos a iniciar agregándole a los conjuntos operaciones. Cuando las operaciones tienen determinadas
Espacios Topológicos 1. Punto de Acumulación. Al conjunto de puntos de acumulación de A se le denomina el conjunto derivado de A (A a Notación).
Espacios Topológicos 1 Punto de Acumulación Definición: Sea A un subconjunto arbitrario de R n, se dice que x R n es un punto de acumulación de A si toda bola abierta con centro x contiene un punto A distinto
Universidad Nacional de Colombia Departamento de Matemáticas Álgebra Lineal - Grupo 1 Resumen Unidad n 3
Universidad Nacional de Colombia Departamento de Matemáticas 1000003-5 Álgebra Lineal - Grupo 1 Resumen Unidad n 3 Vectores en R n Definición. El conjunto de las n-tuplas ordenadas de números reales se
1. Números reales. Análisis de Variable Real
1. Números reales Análisis de Variable Real 2014 2015 Índice 1. Sistemas numéricos 2 1.1. Números naturales. Principio de Inducción... 2 1.2. Números enteros... 4 1.3. Números racionales... 6 2. Los números
Funciones y Cardinalidad
Funciones y Cardinalidad Definición 1 Llamaremos función f entre dos conjuntos A y B a una relación que verifica las siguientes propiedades: i) Dom(f) = A ii) Si (a, b), (a, c) f entonces b = c Dicho de
Integración indefinida y definida. Aplicaciones de la integral: valor medio de una función continua.
Integración indefinida y definida. Aplicaciones de la integral: valor medio de una función continua. 1 1 Departamento de Matemáticas. Universidad de Alcalá de Henares. Contenidos 1 Introducción 2 3 4 5
Objetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
Axiomas de separación
CAPíTULO 6 Axiomas de separación Tema 1. Axiomas de separación: conceptos básicos El objetivo de este capítulo es considerar ciertas propiedades topológicas que comparten algunos espacios topológicos y
1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Notas sobre el teorema minimax
Notas sobre el teorema mini Antonio Martinón Abril de 2012 1 Teoremas mini Sean X e Y dos conjuntos no vacíos y consideremos una función Se verifica sup inf efectivamente, dado x X resulta claro que f
CÁLCULO II. Grado M+I. Sucesiones y series de funciones. Sucesiones y series de funciones 1 / 27. Grado M+I () CÁLCULO II
CÁLCULO II Grado M+I Sucesiones y series de funciones Sucesiones y series de funciones 1 / Sucesiones funciones. Convergencia puntual Sucesión de funciones Definición Una sucesión de funciones será cualquier
Tema 3: Cálculo de Probabilidades. Métodos Estadísticos
Tema 3: Cálculo de Probabilidades Métodos Estadísticos 2 INTRODUCCIÓN Qué es la probabilidad? Es la creencia en la ocurrencia de un evento o suceso. Ejemplos de sucesos probables: Sacar cara en una moneda.
Teoría de Números. Divisibilidad. Olimpiada de Matemáticas en Tamaulipas
Teoría de Números Divisibilidad Olimpiada de Matemáticas en Tamaulipas 1. Introducción Divisibilidad es una herramienta de la aritmética que nos permite conocer un poco más la naturaleza de un número,
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
LÍMITES Y CONTINUIDAD
LÍMITES Y CONTINUIDAD Tema 4: LÍMITES Y CONTINUIDAD. Índice:. Límite de una función en un punto. Límites laterales.. Límites en el infinito.. Cálculo de límites... Propiedades de los límites... Límites
4. Complementos sobre Problemas de Contorno para S.D.O. Lineales. 4. Complementos sobre Problemas de Contorno
para S.D.O. Lineales 4.1. Problemas de contorno para s.d.o. lineales. Teorema de alternativa 4.1. Problemas de contorno. Teorema de alternativa Fijemos A C 0 ([α, β]; L(R N )) y b C 0 ([α, β]; R N ), dos
CAPÍTULO 2 NOCIONES BÁSICAS DE TEORÍA DE CONJUNTOS
CAPÍTULO 2 NOCIONES BÁSICAS DE TEORÍA DE CONJUNTOS 2.1. NOCIONES PRIMITIVAS Consideraremos tres nociones primitivas: Conjunto, Elemento y Pertenencia. Conjunto Podemos entender al conjunto como, colección,
Carlos A. Rivera-Morales. Precálculo 2
y Carlos A. Rivera-Morales Precálculo 2 Introducción a y Notación d Tabla de Contenido 1 Definición Sumas Parciales Introducción a y Notación d Tabla de Contenido 1 Definición Sumas Parciales 2 Introducción
Capítulo 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
Semana05[1/14] Relaciones. 28 de marzo de Relaciones
Semana05[1/14] 28 de marzo de 2007 Introducción Semana05[2/14] Ya en los capítulos anteriores nos acercamos al concepto de relación. Relación Dados un par de conjuntos no vacíos A y B, llamaremos relación
Receptor de Correlación. Sistemas de Comunicación
Receptor de Correlación Sistemas de Comunicación Facundo Mémoli * -Versión 2.- mayo, 22 * memoli@iie.edu.uy Índice. Introducción 3 2. Hipótesis y Planteo del Problema 3 3. Procedimiento 4 3.. Hipótesis
Las particiones y el Teorema de Bolzano
Miscelánea Matemática 41 (005) 1 7 SMM Las particiones y el Teorema de Bolzano Carlos Bosch Giral Departamento de Matemáticas ITAM Río Hondo # 1 Tizapán San Angel 01000 México D.F. México bosch@itam.mx
LOS AXIOMAS DE PEANO Y EL PRINCIPIO DE INDUCCIÓN MATEMÁTICA
LOS AXIOMAS DE PEANO Y EL PRINCIPIO DE INDUCCIÓN MATEMÁTICA OMAR HERNÁNDEZ RODRÍGUEZ Y JORGE M. LÓPEZ FERNÁNDEZ Resumen. En este escrito N representa el conjunto de los números naturales y para cada n
Semana02[1/23] Conjuntos. 9 de marzo de Conjuntos
Semana02[1/23] 9 de marzo de 2007 Introducción Semana02[2/23] La teoría de conjuntos gira en torno a la función proposicional x A. Los valores que hacen verdadera la función proposicional x A son aquellos
PROBLEMAS RESUELTOS DE PREPARACIÓN PARA OPOSICIONES. Problemas 02
PROBLEMAS RESUELTOS DE PREPARACIÓN PARA OPOSICIONES Problemas 0 Salvador Pérez Gómez pies3coma14@hotmail.com 4 de abril de 007 PROBLEMA 1 Sea n un número natural. Sea A n = n + n + 3n. a) Demostrar que
Tema 2. Grupos. 3. El conjunto de matrices de orden 2 con coeficientes enteros (o reales) con la suma es un grupo conmutativo.
Tema 2. Grupos. 1 Grupos Definición 1 Un grupo es una estructura algebraica (G, ) tal que la operación binaria verifica: 1. * es asociativa 2. * tiene elemento neutro 3. todo elemento de G tiene simétrico.
Conjuntos Los conjuntos se emplean en muchas áreas de las matemáticas, de modo que es importante una comprensión de los conjuntos y de su notación.
NÚMEROS REALES Conjuntos Los conjuntos se emplean en muchas áreas de las matemáticas, de modo que es importante una comprensión de los conjuntos y de su notación. Un conjunto es una colección bien definida
El ente básico de la parte de la matemática conocida como ANÁLISIS, lo constituye el llamado sistema de los número reales.
EL SISTEMA DE LOS NÚMEROS REALES Introducción El ente básico de la parte de la matemática conocida como ANÁLISIS, lo constituye el llamado sistema de los número reales. Números tales como:1,3, 3 5, e,
DEPARTAMENTO DE MATEMATICAS Y FISICA Matemáticas Discreta
DEPARTAMENTO DE MATEMATICAS Y FISICA Matemáticas Discreta SUCESIONES Y RELACIONES DE RECURRENCIA Esta última sección la dedicamos a presentar el concepto de recurrencia, que esta muy ligado al axioma de
1 NOCIONES BÁSICAS SOBRE CONJUNTOS. SÍMBOLOS.
UNIDAD 1.- CONCEPTOS REQUERIDOS CONJUNTOS. AXIOMAS DE PERTENENCIA, PARALELISMO, ORDEN Y PARTICIÓN. 1 NOCIONES BÁSICAS SOBRE CONJUNTOS. SÍMBOLOS. 1.1 Determinaciones de un conjunto. Un conjunto queda determinado
1. Sucesiones y redes.
1. Sucesiones y redes. PRACTICO 7. REDES. Se ha visto que el concepto de sucesión no permite caracterizar algunas nociones topológicas, salvo en espacios métricos. Esto empieza con algunas definiciones
1. Construcción de la Integral
1. Construcción de la Integral La integral de Riemann en R n es una generalización de la integral de funciones de una variable. La definición que vamos a dar reproduce el método de Darboux para funciones
PROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la
Espacios conexos. Capítulo Conexidad
Capítulo 5 Espacios conexos 1. Conexidad En este capítulo exploraremos el concepto de conexidad en un espacio métrico, y estudiaremos algunas de sus aplicaciones. Definición 5.1. Decimos que el espacio
Coordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 7: Lunes 22 - Viernes 27 de Abril. Contenidos
Coordinación de Matemática I (MAT01) 1 er Semestre de 013 Semana 7: Lunes - Viernes 7 de Abril Cálculo Contenidos Clase 1: Álgebra de límites. Teorema del Sandwich. Cálculo de límites. Límites trigonométricos.
Capítulo 2: Inducción y recursión Clase 2: El principio de Inducción Fuerte
Capítulo 2: Inducción y recursión Clase 2: El principio de Inducción Fuerte Matemática Discreta - CC3101 Profesor: Pablo Barceló P. Barceló Matemática Discreta - Cap. 2: Inducción y Recursión 1 / 20 Motivación
Una topología de los números naturales*
Una topología de los números naturales* Divulgación Gabriel Ruiz Hernández Instituto de Matemáticas, UNAM 1 de septimebre de 1997 resumen En este trabajo vamos a describir un espacio topológico X con las
Conjuntos. () April 4, / 32
Conjuntos En general, un conjunto A se de ne seleccionando los elementos de un cierto conjunto U de referencia (o universal) que cumplen una determinada propiedad. () April 4, 2014 1 / 32 Conjuntos En
COMPLEMENTO DEL TEÓRICO
ÁLGEBRA I PRIMER CUATRIMESTRE - AÑO 2016 COMPLEMENTO DEL TEÓRICO El material de estas notas fue dictado en las clases teóricas pero no se encuentra en el texto que seguimos en las mismas ( Álgebra I -
Distribuciones 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
Espacios 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
Variables 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,
Descomposición en forma canónica de Jordan (Segunda versión)
Descomposición en forma canónica de Jordan (Segunda versión) Francisco J. Bravo S. 1 de septiembre de 211 En esta guía se presentan los resultados necesarios para poder construir la forma de Jordan sin
Cálculo I (Grado en Ingeniería Informática) Problemas adicionales resueltos
Cálculo I (Grado en Ingeniería Informática) - Problemas adicionales resueltos Calcula el ĺımite lím ( n + n + n + ) n Racionalizando el numerador, obtenemos L lím ( n + n + n (n + n + ) (n + ) + ) lím
SESIÓN N 07 III UNIDAD RELACIONES Y FUNCIONES
SESIÓN N 07 III UNIDAD RELACIONES Y FUNCIONES RELACIONES BINARIAS PAR ORDENADO Es un arreglo de dos elementos que tienen un orden determinado donde a es llamada al primera componente y b es llamada la
Derivadas Parciales (parte 2)
40 Derivadas Parciales (parte 2) Ejercicio: Si donde y. Determinar Solución: Consideraremos ahora la situación en la que, pero cada una de las variables e es función de dos variables y. En este caso tiene
Continuidad y monotonía
Tema 14 Continuidad y monotonía Generalizando lo que se hizo en su momento para sucesiones, definiremos la monotonía de una función, en forma bien fácil de adivinar. Probaremos entonces dos resultados
Tema 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
UNIDAD II. INTEGRAL DEFINIDA Y LOS MÉTODOS DE INTEGRACIÓN. Tema: LA INTEGRAL DEFINIDA
UNIDAD II. INTEGRAL DEFINIDA Y LOS MÉTODOS DE INTEGRACIÓN Tema: LA INTEGRAL DEFINIDA La integral definida Anteriormente se mencionó que la Integral Indefinida da como resultado una familia de funciones