Fuentes de información
|
|
- María Pilar Rodríguez Blanco
- hace 5 años
- Vistas:
Transcripción
1 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 (96-00)
2 FUENTES DE INFORMACIÓN Fuente de información s s s s s 3 s en cada instante t genera un símbolo s i elegido dentro del conunto de símbolos posibles, según su probabilidades de emisión (modelo) Clasificación: Según el rango de valores que pueden generar F continua F discreta Según la relación entre sus símbolos F sin memoria (o de memoria nula) F con memoria (de orden k) FUENTES SIN MEMORIA Los símbolos son estadísticamente independientes La fuente se describe mediante el conunto de símbolos posibles s i y la probabilidad de ocurrencia p(s i ) asociada a cada uno Las probabilidades de emisión son constantes en el tiempo Una fuente S emite símbolos de un conunto {s 0, s, s } con probabilidades: 03, 05, 0, respectivamente P(S=s 0 ) = 03 P(S=s ) = 05 P(S=s ) = 0 X= {s 0, s, s } p(x) = {03, 05, 0}
3 FUENTES CON MEMORIA Los símbolos son estadísticamente dependientes La probabilidad de emitir un símbolo en t+ está condicionada por la ocurrencia de los símbolos anteriores (en t, t-, ) S (0) S () S () S (t-) S (t) S (t+) cadena de Markov Hipótesis de Markov: la probabilidad de emitir un símbolo depende SÓLO del símbolo emitido en el instante anterior P S( t ) S i p /i PS( t ) (0) s0, S() s,, S( t) i S ( t) i PROCESOS ESTOCÁSTICOS Una fuente con memoria se puede modelar como un proceso estocástico markoviano de random walk Proceso estocástico fenómeno que evoluciona en el tiempo de manera impredecible, desde el punto de vista del observador Señales (sonido, imágenes, video, ) clima (viento, humedad, temperatura, ) Procesos económicos (acciones, stocks, PBI, ) evolución de poblaciones, superficies, 3
4 FUENTES CON MEMORIA (ORDEN ) En una fuente markoviana (memoria de orden ) la probabilidad de emitir un símbolo en t+ depende sólo del símbolo emitido en t Si las probabilidades de transición son constantes en el tiempo proceso markoviano homogéneo una fuente markoviana emite 3 símbolos 0,, con las siguientes probabilidades de transición: Grafo de transición de estados: Nodos: estados (símbolos) Arcos: transiciones posibles FUENTES CON MEMORIA (ORDEN ) Las probabilidades de transición de estados (condicionales) se pueden disponer en una matriz de pasae o de transición: M / i M s s s i s p/ p/ p/ i s p/ p/ p/ i s p / p / p / i probabilidades condicionales P S( t ) s / S( t) s ) p ( i / i 4
5 Para una fuente markoviana: VECTORES DE ESTADO V t Vector de estado en t o distribución de prob de emisión en t Conocido V t, se puede obtener V t+ = M /i V t (M /i constante) Dada la condición inicial V 0 : V = M V 0 V = M V = M (MV 0 ) = M V 0 V t+ = M V t = M t+ V p 0 (t) P (t) p (t) V0 V V V3 / 3/8 /3 0 /4 5/6 /64 0 /4 5/6 /64 VECTORES DE ESTADO Generar la emisión de un símbolo por muestreo o simulación computacional: Para el eemplo anterior: condiciones iniciales (según el problema): V 0 = /3 /3 /3 V0 acum = /3 / PrimerSimb () { r=rand() for(i=0 to ) if (r < V0 acum [i]) return i; } M acum = 0 ½ ¼ ¼ ¾ ¾ ½ Sig_dado_Ant (col) { r=rand() for(i=0 to ) if ( r < Macum[i, col] ) return i } 5
6 VECTORES DE ESTADO Una secuencia de símbolos (trayectoria) representa un posible mensae emitido por la fuente estocástica s s s i t P(S t ) = s i #si en t #trayectorias Para el eemplo anterior: PrimerSimb () { r=rand() for(i=0 to ) if (r<v0 acum [i]) return i; } Sig_dado_Ant (col) {r=rand() for(i=0 to ) if ( r < Macum[i, col] ) return i } converge (A[ ], B[] ) { for (i=0 to ) { if (abs(a[i]-b[i]) > ) return FALSE } return TRUE } VECTORES DE ESTADO Calcular_Vector_Estado (int t) { emisiones= [0,0,0] // cantidad de cada s i Vt= [0,0,0] // Vector de estado actual Vt_ant= [-,0,0] // Vector de estado anterior tray=0 //cant trayectorias pasos //cant transiciones o pasos while ( not converge (Vt, Vt_ant) and (tray > T_MIN) ) { s=primersimb (); for (pasos= 0 to t) s=sig_dado_ant (s) emisiones[s]++ tray++ Vt_ant Vt Vt emisiones/tray } return Vt } 6
7 ESTADO ESTACIONARIO Los vectores de estado van variando con la evolución del proceso de emisión de símbolos, hasta estabilizarse o estacionarse estado estacionario (V*) p 0 (t) P (t) p (t) V0 V V V3 V* V* / 3/8 /3 0, , /4 5/6 /64 0, , /4 5/6 /64 0, , P(si,t) estado estacionario t est t Comprobación: V* = MV* El estado estacionario es independiente de las condiciones iniciales (V 0 ) ESTADO ESTACIONARIO Analíticamente: V* = M V* (M I) V* = 0 () v i * = () Sistema de ecuaciones () eliminar una de las ecuaciones () Incorporar necesariamente Condiciones de existencia de V*: Conunto finito de estados (F discreta) Fuente ergódica (todos los estados son alcanzables desde otro estado - no hay estados o clases absorbentes) F ergódica: F no ergódica: estado absorbente clase de estados absorbentes 7
8 0 0 (M I) V* = 0 v i * = (3 ) 0 0 () () (3) () - ½ v0* + ¼ v* + ¼ v* = 0 () ¼ v0* - ½ v* + ¼ v* = 0 (3) Se puede descartar (3 ) v0* + v* + v* = Resolviendo el sistema de ecuaciones en este caso se obtiene : / 3 V* / 3 / 3 ESTADO ESTACIONARIO Cuando un proceso se encuentra en estado estacionario es suficiente con simular una única trayectoria: S s s s i t P(S*= s i ) #s i #transiciones 8
9 Para el eemplo anterior: PrimerSimb () { r=rand() for(i=0 to ) if (r<v0 acum [i]) return i; } Sig_dado_Ant (col) {r=rand() for(i=0 to ) if ( r < Macum[i, col] ) return i } converge (A[ ], B[] ) { for (i=0 to ) { if (abs(a[i]-b[i]) > ) return FALSE } return TRUE } VECTORES DE ESTADO Calcular_Vector_Estacionario { emisiones= [0,0,0] // cantidad de cada s i V*= [0,0,0] // Vector estac actual V_ant= [-,0,0] // Vector estac anterior pasos=0 //cant transiciones o pasos s=primersimb (); while ( not converge (Vt, Vt_ant) and (pasos >P_MIN) ) { s=sig_dado_ant (s) emisiones[s]++ pasos++ V*_ant V* V* emisiones/pasos } return V* } BIBLIOGRAFÍA Abramson N, Teoría de la Información y Codificación, Ed Paraninfo, 98 Papoulis A, Pillai U, Probability Random Variables and Stochastic Processes, 4thed, McGraw-Hill, 00 Shannon C, Weaver W, Teoría Matemática de la Comunicación, EdFora, 98 9
Procesos 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 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 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 detallesProcesos Estocásticos I
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Ciencias Plan de estudios de la Licenciatura en Actuaría Procesos Estocásticos I Clave 0630 Modalidad Semestre 5 Créditos 10 Área Campo de conocimiento
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 detallesPROCESOS ESTOCÁSTICOS
CURSO: PROCESOS ESTOCÁSTICOS 1 SEMESTRE: VIII 2 CODIGO: 602804 3 COMPONENTE: 4 CICLO: 5 AREA: Profesional 6 FECHA DE APROBACIÓN: 7 NATURALEZA: Teórica 8 CARÁCTER: Obligatorio 9 CREDITOS (RELACIÓN): 3 (1-1)
Más detallesPlan 394 Código Periodo de impartición. Nivel/Ciclo Grado Curso Cuarto Créditos ECTS 6 Lengua en que se imparte Profesor/es responsable/s
Guía docente de la asignatura Asignatura Materia Curso 2014-2015 Procesos Estocásticos Procesos Estocásticos Plan 394 Código 40028 Periodo de impartición 2º Cuatrimestre Tipo Optativa Nivel/Ciclo Grado
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 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 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 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 detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO ANÁLISIS DE SEÑALES ALEATORIAS 1560 5 06 Asignatura Clave Semestre Créditos Ingeniería Eléctrica Ingeniería en Telecomunicaciones
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 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 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 detallesCadenas de Markov Horacio Rojo y Miguel Miranda
@ 71.07 Investigación Operativa > Cadenas de Markov Horacio Rojo y Miguel Miranda c 2009 Facultad de Ingeniería, Universidad de Buenos Aires Digitalizado por Virginia Guala $September 12, 2009 Cadenas
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 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 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 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 detallesProcesos estocásticos Sesión 4. Cadenas de Markov
Procesos estocásticos Sesión 4. Cadenas de Markov Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos 1. Probabilidades de retorno
Más detallesSYLLABUS. NÚMERO DE ESTUDIANTES: NÚMERO DE CRÉDITOS: Tres (3) TIPO DE CURSO: TEÓRICO (X) PRACTICO ( ) TEO-PRAC: ( ) HORARIO: DÍA HORAS SALON
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS FACULTAD DE INGENIERÍA SYLLABUS PROYECTO CURRICULAR: INGENIERÍA DE SISTEMAS NOMBRE DEL DOCENTE: ESPACIO ACADÉMICO (Asignatura): REDES DE COMUNICACIÓNES 2
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 detallesProcesos Estocásticos
Programa de la Asignatura: Código: 768 Procesos Estocásticos Carrera: Ingeniería en Computación Plan: 2008 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Cuarto Año Primer cuatrimestre
Más detallesUNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA ELÉCTRICA DEPARTAMENTO DE ELECTRÓNICA
508 515 SEMANA: PROPÓSITO Esta asignatura ofrece al alumno los conocimientos básicos para analizar sistemas estocásticos que se encuentran descritos mediante variables aleatorias proporcionándole las herramientas
Más detallesPROGRAMA DE CURSO. Nombre en Inglés. Horas de Trabajo Personal Horas de Cátedra
Código MA3401 PROBABILITY SCT PROBABILIDADES Unidades Docentes PROGRAMA DE CURSO Nombre Nombre en Inglés Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3 2 5 Requisitos Carácter
Más detallesUniversidad Autónoma del Estado de México Licenciatura en Matemáticas Programa de Estudios: Procesos Estocásticos
Universidad Autónoma del Estado de México Licenciatura en Matemáticas 2003 Programa de Estudios: Procesos Estocásticos I. Datos de identificación Licenciatura Matemáticas 2003 Unidad de aprendizaje Procesos
Más detallesFACULTAD DE CIENCIAS EXACTAS, INGENIERIA Y AGRIMENSURA U.N.R.
FACULTAD DE CIENCIAS EXACTAS, INGENIERIA Y AGRIMENSURA U.N.R. PROGRAMA ANALITICO DE LA ASIGNATURA: PROBABILIDAD Y ESTADÍSTICA Código R-311 PLAN DE ESTUDIOS: 2010 CARRERA: Licenciatura en Ciencias de la
Más detallesEjercicios sobre probabilidades y entropías
Ejercicios sobre probabilidades y entropías CTI: Lección 1, Primer teorema de Shannon (SCT) Ramiro Moreno Chiral Dpt. Matemàtica (UdL) 10 de febrero de 2010 CTI, lección 1 (Problemas) Ejercicios sobre
Más detallesScientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia
Scientia Et Technica ISSN: 0122-1701 scientia@utpeduco Colombia VALENCIA ANGULO, EDGAR ALIRIO; MESA, FERNANDO PROPIEDADES DE LA MATRIZ Pn EN UNA CADENA DE MARKOV Scientia Et Technica, vol XIV, núm 39,
Más detallesUNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: MODELOS ESTOCÁSTICOS FECHA DE ELABORACIÓN: MARZO 2005 ÁREA DEL PLAN DE ESTUDIOS: AS ( ) AC (
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 detallesProbabilidad y Estadística
Programa de la Asignatura: Código: 23 Probabilidad y Estadística Carrera: Ingeniería en Computación Plan: 2013 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Tercer año Primer cuatrimestre
Más detallesI Conceptos Generales 1
Índice I Conceptos Generales 1 1. Procesos Estocásticos 3 1.1. Introducción............................ 3 1.2. Definición de proceso estocástico................ 4 1.3. Distribución de un proceso estocástico.............
Más detallesMÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO. Probabilidad Probabilidad 3º 2º 6 Obligatoria
GUIA DOCENTE DE LA ASIGNATURA PROCESOS ESTOCÁSTICOS Curso 2014-2015 (Fecha última actualización: 09/06/14) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Probabilidad Probabilidad 3º 2º 6 Obligatoria PROFESORES*
Más detallesProcesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo
Procesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos 1. Cadenas
Más detallesSEÑALES ALEATORIAS. Guía de Aprendizaje Información al estudiante. Señales Aleatorias. M6. Señales y Comunicaciones
SEÑALES ALEATORIAS Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Asignatura Materia Departamento responsable Señales Aleatorias M6. Señales y Comunicaciones Señales, Sistemas y Radiocomunicaciones
Más detallesPROCESOS DE MARKOV DE TIEMPO CONTINUO
CHAPTER 3 PROCESOS DE MARKOV DE TIEMPO CONTINUO 3.1 Introducción En este capítulo consideramos el análogo en tiempo continuo de las Cadenas de Markov de tiempo discreto. Como en el caso de tiempo discreto,
Más detallesVIBRACIONES ALEATORIAS
Hoja 1 de 5 Programa de: VIBRACIONES ALEATORIAS Universidad Nacional de Córdoba Facultad de Ciencias Exactas, Físicas y Naturales República Argentina Carrera: Ingeniería Aeronáutica Escuela : Ingeniería
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Señales aleatorias. CURSO ACADÉMICO - SEMESTRE Primer semestre
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Señales aleatorias CURSO ACADÉMICO - SEMESTRE 2016-17 - Primer semestre GA_09TT_95000016_1S_2016-17 Datos Descriptivos Nombre de la Asignatura Titulación
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
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 detallesESCUELA SUPERIOR POLITÉCNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS CONTENIDO DE CURSO PROCESOS ESTOCÁSTICOS ESTG1003
A. IDIOMA DE ELABORACIÓN Español B. DESCRIPCIÓN DEL CURSO El curso de Procesos Estocásticos aporta con la consolidación de las competencias y conocimientos del futuro profesional de estadística para modelar
Más detallesPROGRAMA DE CURSO. Código Nombre INVESTIGACIÓN DE OPERACIONES Nombre en Inglés OPERATIONS RESEARCH SCT Auxiliar. Personal
PROGRAMA DE CURSO Código Nombre IN 3702 INVESTIGACIÓN DE OPERACIONES Nombre en Inglés OPERATIONS RESEARCH es Horas de Horas Docencia Horas de Trabajo SCT Docentes Cátedra Auxiliar Personal 6 10 3.0 2.0
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: 1410 SEMESTRE: 4 (CUARTO) MODALIDAD
Más detallesProcesos estocásticos Sesión 5. Cadenas de Markov. Comportamiento asintótico
Procesos estocásticos Sesión 5. Cadenas de Markov. Comportamiento asintótico Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos
Más detallesFuentes de información
TEORÍA DE LA INFORMACIÓN Tratamento probablístco de la Informacón Fuentes de nformacón INGENIERÍA DE SISTEMAS Cursada 6 TRANSMISIÓN DE INFORMACIÓN decodfcacón automátca PRINCIPALES TEMÁTICAS DE LA TEORÍA
Más detallesNombre de la asignatura : Investigación de operaciones II. Carrera : Ingeniería en Sistemas Computacionales. Clave de la asignatura : SCB-9307
1. D A T O S D E L A A S I G N A T U R A Nombre de la asignatura : Investigación de operaciones II Carrera : Ingeniería en Sistemas Computacionales Clave de la asignatura : SCB-307 Horas teoría-horas práctica-créditos
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 detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2007 DIURNO INGENIERÍA DE SISTEMAS ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2007 DIURNO INGENIERÍA DE SISTEMAS SEMESTRE ASIGNATURA 7mo PROCESOS ESTOCASTICOS CÓDIGO HORAS MAT-31414
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 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 detallesTechniques to Understand Computer Simulations: Markov Chain Analysis
Techniques to Understand Computer Simulations: Markov Chain Analysis Luis R. Izquierdo, Segismundo S. Izquierdo, José Manuel Galán and José Ignacio Santos (2009) Presentador: Andres Abeliuk Objetivos Ayudar
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 detallesTeoría de la Información y Codificación
SEGUNDA EDICIÓN Construcción de sistemas y servicios VoIP Yolanda Blanco Fernández Martín López Nores Dispositivos y circuitos eléctricos analógicos Alfonso Lago Ferreiro Andrés A. Nogueiras Meléndez Problemas
Más detallesGUÍA DEL EXAMEN GENERAL DE PROBABILIDAD
GUÍA DEL EXAMEN GENERAL DE PROBABILIDAD El examen general de probabilidad se basará en el material especificado en el programa de los dos cursos básicos del área: Probabilidad I y Procesos Estocásticos.
Más detallesHerramienta software para resolver procesos de decisión de Markov utilizando recocido simulado
Herramienta software para resolver procesos de decisión de Markov utilizando recocido simulado Cristhian D SANDOVAL Ximena GALINDO Roberto E SALAS RESUMEN Este artículo expone el diseño del prototipo de
Más detallesINGENIERO DE TELECOMUNICACION (Troncal) Escuela Técnica Superior de Ingenieros Industriales y de Telecomunicación 2543 TEORIA DE LA COMUNICACION
1. DATOS IDENTIFICATIVOS DE LA ASIGNATURA Título/s Centro Módulo / materia Código y denominación Créditos ECTS 6 Curso / Cuatrimestre Web Idioma de impartición Forma de impartición INGENIERO DE TELECOMUNICACION
Más detalles1ER TRABAJO DE ALGEBRA LINEAL Y GEOMETRÍA PEDRO JAVIER CARMONA LUNA PRESENTADO A: HUGO R. PÉREZ CARRASCAL LIC. EN MATEMÁTICAS UNIVERSIDAD DE CÓRDOBA
1ER TRABAJO DE ALGEBRA LINEAL Y GEOMETRÍA PEDRO JAVIER CARMONA LUNA PRESENTADO A: HUGO R. PÉREZ CARRASCAL LIC. EN MATEMÁTICAS UNIVERSIDAD DE CÓRDOBA FACULTAD DE INGENIERÍAS PROGRAMA DE INGENIERÍA AMBIENTAL
Más detallesAño Académico 2009 INGENIERÍA INDUSTRIAL E INGENIERÍA DE SISTEMAS
Año Académico 2009 INGENIERÍA INDUSTRIAL E INGENIERÍA DE SISTEMAS Investigación de operaciones I UNIDAD Unidad I: Programación lineal Conjuntos convexos, propiedades. Solución gráfica del problema bidimensional
Más detallesPROCESOS ESTOCÁSTICOS
ASIGNATURA DE GRADO: PROCESOS ESTOCÁSTICOS Curso 2014/2015 (Código:61024055) 1.PRESENTACIÓN DE LA ASIGNATURA El Cálculo de Probabilidades trata básicamente del estudio de una o varias variables aleatorias,
Más detallesCadenas de Markov Cálculos probabilísticos con RCommander
Sesión 3 Cadenas de Markov. En la teoría de la probabilidad, se conoce como cadena de Markov a un tipo especial de proceso estocástico discreto en el que la probabilidad de que ocurra un evento depende
Más detallesUniversidad Nacional de Ingeniería UNI NORTE Sede Estelí Ingeniería de Sistemas. Asignatura: Investigación de Operaciones II Grupo: 4M1-IS
Universidad Nacional de Ingeniería UNI NORTE Sede Estelí Ingeniería de Sistemas Asignatura: Investigación de Operaciones II Grupo: 4M1-IS Prof. Enmanuel de Jesús Fonseca Alfaro http://www.tchefonseca.wordpress.com
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 detallesOrganización. Autómatas probabilísticos (AEFP) Definición de Autómata. Modelo de Markov. Ejemplo de AEFP. Modelos basados en autómatas probabilísticos
Organización Modelos basados en autómatas probabilísticos Bioingeniería I Parte I Autómatas determinísticos Autómatas celulares. Aplicación modelos tejido excitable. Parte II Autómatas probabilísticos
Más detallesTeoría de la Información
Teoría de la Información - Clase práctica - Teoría de las Comunicaciones Departamento de Computación Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires 12.08.2015 Teoría de las Comunicaciones
Más detallesDiseño de Sistemas Estocásticos.
Diseño de Sistemas Estocásticos www.academia.utp.ac.pa/humberto-alvarez Objetivos Este curso proporciona los elementos técnicos suficientes para estudiar las estructuras probabilísticas que presenta algún
Más detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: ANALISIS DEL RIESGO ACTUARIAL Y FINANCIERO
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: ESTADÍSTICA ACTUARIAL I Código: 603375 Materia: ESTADÍSTICA ACTUARIAL Módulo: ANALISIS DEL RIESGO ACTUARIAL Y FINANCIERO Carácter:
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel INVESTIGACIÓN DE OPERACIONES Encuentro #8 TEMA: CADENAS DE MARKOV Prof.: MSc. Julio Rito Vargas Avilés IC-28 Agenda: Proceso estocástico Concepto de 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 detallesCI 41C HIDROLOGÍA HIDROLOGÍA PROBABILÍSTICA
CI 41C HIDROLOGÍA HIDROLOGÍA PROBABILÍSTICA alcantarilla Puente? Badén http://www.disasternews.net/multimedia/files/drought5_9412.jpg Fenómenos en Ingeniería (según certeza de ocurrencia) determinísticos
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 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 detallesIntroducción a Modelos de Recompensas en Sistemas semi-marko. aplicación a las Ciencias Actuariales
Introducción a Modelos de Recompensas en Sistemas semi-markovianos No Homogéneos, Una aplicación a las Ciencias Actuariales Universidad Autónoma de Chiapas, Facultad de Ciencias en Física y Matemáticas
Más detallesInvestigación de Operaciones II
1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Investigación de Operaciones II Ingeniería en Sistemas Computacionales SCB-9307
Más detallesPE - Probabilidad y Estadística
Unidad responsable: 230 - ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona Unidad que imparte: 749 - MAT - Departamento de Matemáticas Curso: Titulación: 2016 GRADO EN INGENIERÍA
Más detallesPROYECTO DOCENTE ASIGNATURA: "Comunicaciones Digitales"
PROYECTO DOCENTE ASIGNATURA: "Comunicaciones Digitales" Grupo: Grupo 1 (Intensif. Telemática + Sistemas Electrónicos)(959672) Titulacion: Grado en Ingeniería de las Tecnologías de Telecomunicación Curso:
Más detalles4 APLICACIÓN DE CADENAS DE MARKOV A SISTEMAS DE ATENCIÓN
4 APLICACIÓN DE CADENAS DE MARKOV A SISTEMAS DE ATENCIÓN 4.1 Definición del problema Cadenas de Markov 54 Dado un sistema de atención o prestación de un servicio cualquiera a clientes de cualquier naturaleza,
Más detallesTeoría de Información y Codificación Ejercicios adicionales (temas correspondientes al primer parcial)
Teoría de Información y Codificación Ejercicios adicionales (temas correspondientes al primer parcial) 1. Calcular la tasa de entropía H r de una fuente de Markov estacionaria con m símbolos, con probabilidades
Más detallesProcesamiento de voz - Reconocimiento de voz II
Procesamiento de voz - Reconocimiento de voz II Marc S. Reßl Roxana Saint-Nom 2009 Ingeniería Electrónica Instituto Tecnológico de Buenos Aires Reconocimiento de voz Las técnicas que vimos hasta ahora
Más detallesRedes de Petri Estocásticas (II)
Redes de Petri Estocásticas (II) Carlos Aguirre Universidad Autonoma de Madrid, Dpto Ingenieria Informatica Redes Estocásticas Formalmente una red de Petri estocástica es por tanto una 7 upla SPN=(P,T,I(),O(),H(),W(),Mo)
Más detallesAsignatura: Horas: Total (horas): Obligatoria X Teóricas 4.0 Semana 4.0 Optativa Prácticas 16 Semanas 64.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTADES DE ECONOMÍA E INGENIERÍA LICENCIATURA EN ECONOMÍA Y NEGOCIOS PROGRAMA DE ESTUDIO Investigación de Operaciones II P87 /P76 /P97 8 Asignatura: Clave Semestre
Más detallesMÉTODOS PROBABILÍSTICOS DE OPTIMIZACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN DIVISIÓN DE MATEMÁTICAS E INGENIERÍA LICENCIATURA EN INGENIERÍA CIVIL ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: 1514 SEMESTRE:
Más detallesDefinición. P(X t+s = j X s = i, X sn = i n,..., X s0 = i 0 ) = P(X t+s = j X s = i)
Definición Cadenas de Markov a tiempo continuo Para extender la propiedad de Markov a tiempo continuo se requiere definir la probabilidad condicional dado que conocemos el proceso en un intervalo continuo
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE
PROCESO DE COORDINACIÓN DE LAS ENSEÑANZAS PR/CL/001 ASIGNATURA 95000016 - PLAN DE ESTUDIOS 09TT - Grado En Ingenieria De Tecnologias Y Servicios De CURSO ACADÉMICO Y SEMESTRE 2018/19 - Primer semestre
Más detallesBases Formales de la Computación: Sesión 3. Modelos Ocultos de Markov
Bases Formales de la Computación: Sesión 3. Prof. Gloria Inés Alvarez V. Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali Periodo 2008-2 Contenido 1 Introducción
Más detallesGUÍA DE APRENDIZAJE <INVESTIGACIÓN OPERATIVA> GRADUADO EN INGENIERÍA DE <COMPUTADORES>/<SOFTWARE>
GUÍA DE APRENDIZAJE GRADUADO EN INGENIERÍA DE / DATOS DESCRIPTIVOS 1 CENTRO RESPONSABLE E.U. de Informática OTROS CENTROS IMPLICADOS CICLO Grado sin atribuciones
Más detallesIngeniería Mecánica e Industrial Ingeniería Industrial Ingeniería Industrial División Departamento Carrera(s) en que se imparte
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO Aprobado por el Consejo Técnico de la Facultad de Ingeniería en su sesión ordinaria del 15 de octubre de 2008 INVESTIGACIÓN
Más detallesUNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE INGENIERIA ESCUELA DE INGENIERÍA MECÁNICA INDUSTRIAL ÁREA A LA QUE PERTENECE: AUXILIAR:
NOMBRE DEL CURSO: INVESTIGACIÓN DE OPERACIONES II CÓDIGO: 603 CRÉDITOS: 5 ESCUELA: Mecánica Industrial ÁREA A LA QUE PERTENECE: Métodos Cuantitativos y Economía CÓDIGO PRE REQUISITO: 601 CÓDIGO POST REQUISITO:
Más detalles07/10/2010. Repaso Autómata probabilísticos Modelos Ocultos de Markov
7//2 Tema 2: Autómatas finitos probabilisticos Repaso Contenido Autómata probabilísticos Modelos Ocultos de Marov Cuál es la probabilidad x L(AFP)? Qué secuencia de estados es más probable dada x para
Más detalles1. Unidad Académica: Facultad de Ciencias
UNIVERSIDAD AUTONOMA DE BAJA CALIFORNIA COORDINACIÓN DE FORMACIÓN BÁSICA COORDINACIÓN DE FORMACIÓN PROFESINAL Y VINCULACIÓN UNIVERSITARIA PROGRAMA DE UNIDADES DE APRENDIZAJE POR COMPETENCIAS 1. Unidad
Más detallesÓscar Andrés Gamboa Garay MD, Especialista en Estadística,Ms(c)
l i MODELOS DE DECISIÓN EN ESTUDIOS FÁRMACO ECONÓMICOS ISPOR-CO Óscar Andrés Gamboa Garay MD, Especialista en Estadística,Ms(c) Qué es la simulación? Conjunto de métodos y aplicaciones que busca imitar
Más detallesPROCESOS ESTOCÁSTICOS CADENAS DE MARKOV
PROCESOS ESTOCÁSTICOS CADENAS DE MARKOV Monserrat Aranzazu Castro Coria Matrícula: 96000107X Profesor: Dr. José Antonio Camarena Ibarrola 7 de agosto de 2017 1 Índice 1. Cadenas de Markov 3 1.1. Cadenas
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 detallesPROGRAMA DE CURSO Competencias a las que tributa el curso Propósito del curso
PROGRAMA DE CURSO Código Nombre IN3702 Investigación de operaciones Nombre en Inglés Operations research Créditos Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 3.0 2.0 5.0 Requisitos
Más detallesUNIVERSIDAD DE LOS LLANOS Facultad de Ciencias Básicas e Ingeniería Programa Ingeniería de Sistemas
CURSO: PROBABILIDAD Y ESTADÍSTICA 1 SEMESTRE: V 2 CÓDIGO: 602504 3 COMPONENTE: 4 CICLO: 5 ÁREA: Profesional 6 FECHA DE APROBACIÓN: 7 NATURALEZA: 8 CARÁCTER: Obligatorio 9 CRÉDITOS (RELACIÓN): 3 (1-1) 10
Más detalles