Maestría en Bioinformática Probabilidad y Estadística: Clase 10
|
|
- Joaquín Miranda Jiménez
- hace 5 años
- Vistas:
Transcripción
1 Maestría en Bioinformática Probabilidad y Estadística: Clase 10 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Mayo de 2010
2 Contenidos 1 Procesos aleatorios en tiempo continuo Procesos puntuales Proceso de Poisson homogéneo 1 Matrices de transición Propiedades del semigrupo de transiciones Matriz de tasas de cambio
3 Procesos aleatorios en tiempo continuo Consideraremos en estas clases procesos aleatorios en tiempo continuo. Recordemos que, en general, un proceso aleatorio en tiempo continuo, con espacio de estados E, es una familia de variables aleatorias, {X(t) : t 0}, donde X(t) E para cada t 0. Antes de introducir las cadenas de Markov en tiempo continuo veamos algunos conceptos previos.
4 Definición Un proceso puntual aleatorio es una sucesión de variables aleatorias no negativas, T 0, T 1, T 2,..., T n,..., tales que (con probabilidad 1) se cumple: i) T 0 = 0, ii) 0 < T 1 < T 2 < T 3 <..., iii) lím n T n =. A partir de un proceso puntual se construyen las siguientes cantidades de interés: Para cada n 1 se define: S n = T n T n 1 ; estas son las distancias inter-arribos.
5 Para cada intervalo (a, b] se define la variable: N(a, b] = cantidad de puntos en el intervalo (a, b]. Para cada t 0 se define: N(t) = N(0, t]. Observación: Notar que N(0) = 0 y que N(a, b] = N(b) N(a). El proceso de tiempo continuo {N(t) : t 0} es el proceso de conteo asociado al proceso puntual. De todos los procesos puntuales hay uno que se destaca por su importancia.
6 Proceso de Poisson homogéneo Definición Un proceso puntual es un proceso de Poisson homogéneo de tasa λ si: i) Las variables aleatorias N(t i, t i+1 ] son independientes, para cualquier conjunto de tiempos 0 t 1 t 2 <... t k. ii) Para cada intervalo (a, b] la variable N(a, b] es una variable de Poisson de parámetro λ(b a). Por lo tanto: P(N(a, b] = k) = [λ(b a)]k e λ(b a), para cada k 0. k!
7 Además: E(N(a, b]) = λ(b a); de manera que el parámetro λ representa el número medio de puntos del proceso por unidad de tiempo.
8 En lo que sigue consideramos un espacio de estados E finito o numerable. Un proceso en tiempo continuo queda caracterizado por la familia de probabilidades: P(X(t 1 ) = i 1, X(t 2 ) = i 2,..., X(t k ) = i k ), para cada conjunto de tiempos t 1, t 2,..., t k 0 y estados i 1, i 2,..., i k E. Una clase muy importante de procesos son aquellos que cumplen la siguiente condición:
9 Condición de Markov P(X(t + s) = j X(s) = i, X(s k ) = i k,..., X(s 1 ) = i 1 ) = P(X(t + s) = j X(s) = i), para todos los valores de i, j, i 1,..., i k E, t, s 0, 0 s 1 s 2... s k s. Los procesos que cumplen esta condición se llaman cadenas de Markov en tiempo continuo. Si las probabilidades de transición P(X(t + s) = j X(s) = i) no dependen de s decimos que la cadena es homogénea. En tal caso denotamos, para cada t 0: p ij (t) = P(X(t + s) = j X(s) = i) = P(X(t) = j X(0) = i).
10 Matrices de transición Supongamos, para simplificar, que el espacio de estados es E = {1, 2,..., r}. Agrupando las cantidades {p ij (t)} en una matriz obtenemos, para cada t 0, la matriz de transición de la cadena de Markov: Matrices de transición Para cada t 0: P(t) = p 11 (t) p 12 (t)... p 1r (t) p 21 (t) p 22 (t)... p 2r (t) p r1 (t) p r2 (t)... p rr (t) La familia de matrices {P(t) : t 0} se llama el semigrupo de transiciones.
11 Observación: A diferencia de lo que ocurre con las cadenas de Markov en tiempo discreto, en las que se especifican para cada problema las matrices de transición, en el contexto de cadenas de Markov en tiempo continuo hay que calcular, para cada proceso, P(t) como función de t. Ejemplo: Proceso Flip-Flop Consideremos un proceso de Poisson de tasa λ. A partir del proceso de conteo introducido anteriormente se define el proceso flip-flop, {X(t) : t 0}, con espacio de estados E = {1, 1}, de la siguiente manera: X(t) = X(0)( 1) N(t), donde X(0) es una variable aleatoria que representa el estado inicial.
12 Para calcular la matriz P(t) en este ejemplo observemos que el estado X(t + s) se obtiene a partir de X(s) y de N(s, s + t]. Se tiene: P(X(t + s) = 1 X(s) = 1) = P(X(t + s) = 1 X(s) = 1) = P(N(s, s + t] sea impar ) = 1 2 (1 e 2λt ), y, de manera análoga: P(X(t + s) = 1 X(s) = 1) = P(X(t + s) = 1 X(s) = 1) = P(N(s, s + t] sea par ) = 1 2 (1 + e 2λt ).
13 De manera que, para cada t 0: ( 1 P(t) = 2 (1 + e 2λt 1 ) 2 (1 e 2λt ) 1 2 (1 e 2λt 1 ) 2 (1 + e 2λt ) ). Propiedades La familia de matrices {P(t) : t 0} cumple las siguientes propiedades: Para cada t 0, P(t) es una matriz estocástica. P(0) = I. Para cada t, s 0 se cumple: P(t + s) = P(t)P(s).
14 Condición de continuidad: En nuestro curso consideraremos procesos continuos, esto es, que cumplen la condición: lím P(h) = P(0) = I. h 0 Puede probarse que esta condición implica la siguiente: lím p ij(t + h) = p ij (t), h 0 para cada t 0 y para cada i, j E. Veremos más adelante cómo calcular {P(t) : t 0} para cada proceso. Observación: Una vez que se conoce la familia de matrices {P(t) : t 0} y un estado inicial π(0), el proceso queda completamente especificado.
15 Si π(t) = (P(X(t) = 1), P(X(t) = 2),..., P(X(t) = r)) denota el estado del proceso al tiempo t, entonces: π(t) = π(0)p(t). Para calcular la probabilidad de cualquier trayectoria se procede de la siguiente manera: P(X(t 0 ) = i 0, X(t 1 ) = i 1, X(t 2 ) = i 2 ) = π i0 (t 0 ) p i0 i 1 (t 1 t 0 ) p i1 i 2 (t 2 t 1 ).
16 A partir de las propiedades de {P(t) : t 0} se prueba el siguiente resultado válido para procesos continuos: Teorema i) Para cada par de estados i j existe: y además q ij 0. q ij = dp ij p ij (h) (0) = lím dt h 0 h, ii) Para cada estado i E existe: y además q ii 0. q ii = dp ii (0) = lím dt h 0 p ii (h) 1, h
17 Notación: Para cada estado i E denotamos: q i = q ii. De manera que q i 0. Observación: Supongamos que el espacio de estados E es finito. Para cada t 0 se cumple: p ij (t) = 1. j E Derivando a ambos lados de esa igualdad y evaluando la derivada en t = 0 se obtiene: Esto es, para cada i E: q ij = 0. j E q i = j E:j i q ij.
18 Observación: Notar que para i j y h 0 se tiene: P(X(t + h) = j X(t) = i) = q ij h + o(h); de manera que el parámetro q ij puede interpretarse como la tasa (o la velocidad) de cambio del estado i al j. Estos parámetros se agrupan en una matriz formando la matriz de tasas de cambio o generador infinitesimal del proceso. Matriz de tasas de cambio Consideremos E = {1, 2,..., r}. La matriz de tasas de cambio se define de la siguiente manera: A = q 11 q q 1r q 21 q q 2r q r1 q r2... q rr
19 Observemos que las filas de esta matriz suman 0. Cada proceso queda caracterizado por la matriz de tasas de cambio. Más adelante veremos cómo calcular P(t) a partir de A. Ejemplo: Usando la igualdad A = P (0) se obtiene la matriz de tasas de cambio para el proceso Flip-Flop: ( ) λ λ A =. λ λ
Maestría en Bioinformática Probabilidad y Estadística: Clase 7
Maestría en Bioinformática Probabilidad y Estadística: Clase 7 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Condiciones de ergodicidad
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 detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 13
Maestría en Bioinformática Probabilidad y Estadística: Clase 13 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Mayo de 2010 Contenidos 1 Hidden Markov Models
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 detallesCONTENIDOS. 1. Definición de Cadena de Markov en Tiempo Continuo. 2. Comportamiento de transición. 3. Comportamiento estacionario
CONTENIDOS 1. Definición de Cadena de Markov en Tiempo Continuo 2. Comportamiento de transición 3. Comportamiento estacionario 4. Procesos de nacimiento y muerte 1. Definición de Cadena de Markov en Tiempo
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 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 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 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 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 detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesIntroducción a los Procesos de Poisson *
Introducción a los Procesos de Poisson * Victor M. Pérez Abreu C. Departamento de Probabilidad y Estadística, CIMAT David Reynoso Valle Licenciatura en Matemáticas, DEMAT, Universidad de Guanajuato 22
Más 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 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 detallesU3: Procesos Poisson. Probabilidad e Introducción a los Procesos Estocásticos. Mgs. Nora Arnesi
U3: Procesos Poisson Probabilidad e Introducción a los Procesos Estocásticos. Mgs. Nora Arnesi Analizar el siguiente proceso estocástico: Una fuente radioactiva emite partículas y sea X t : número de partículas
Más detallesProcesos de Poisson. 21 de marzo, FaMAF 1 / 25
Procesos de Poisson FaMAF 21 de marzo, 2013 1 / 25 Distribución exponencial Definición Una v.a. X con función de densidad dada por f λ (x) = λ e λx, x > 0, para cierto λ > 0 se dice una v.a. exponencial
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 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. 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 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 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 detalles1.1. 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 -
Más detallesFunciones generadoras de probabilidad
Funciones generadoras de probabilidad por Ramón Espinosa Armenta En este artículo veremos cómo utilizar funciones generadoras en teoría de la probabilidad. Sea Ω un conjunto finito o numerable de resultados
Más detallesLa reordenación aleatoria de un conjunto finito
La reordenación aleatoria de un conjunto finito Pérez Cadenas J. I. 0.06.2003 Resumen Al desordenar y, a continuación, reordenar aleatoriamente un conjunto finito es posible que algunos de sus elementos
Más 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 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 detallesMatrices Inversas. Rango Matrices Elementales
Matrices Inversas. Rango Matrices Elementales Araceli Guzmán y Guillermo Garro Facultad de Ciencias UNAM Semestre 2018-1 doyouwantmektalwar.wordpress.com Matrices Matrices identidad La matriz identidad
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 detallesTeoría de colas. Modelado y Análisis de Redes de Telecomunicaciones. IIE - Facultad de Ingeniería
Teoría de colas Modelado y Análisis de Redes de Telecomunicaciones IIE - Facultad de Ingeniería Contenido 1 Proceso de Poisson 2 Teoría de colas 3 El proceso M/M/1 4 Los procesos M/M/* 5 El proceso M/G/1
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 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 de LLegadas. Jhon Jairo Padilla A., PhD.
Procesos de LLegadas Jhon Jairo Padilla A., PhD. Introducción En teletráfico es importante describir los procesos de llegadas en situaciones como: Las llegadas de llamadas en una central telefónica Las
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesProcesos de Poisson. Fabián Mancilla. U. de Santiago de Chile. Fabián Mancilla (Usach) Modelos Estocásticos 1 / 44
Procesos de Poisson Fabián Mancilla U. de Santiago de Chile fabian.mancillac@usach.cl Fabián Mancilla (Usach) Modelos Estocásticos 1 / 44 Introducción En este curso estudiaremos algunos modelos probabiĺısticos
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 detallesProcesos de ramificación y árboles. aleatorios. Juan Carlos Pardo Millán. CIMAT, Guanajuato 1/ 26
Procesos de ramificación y árboles aleatorios. Juan Carlos Pardo Millán CIMAT, Guanajuato 1/ 26 Progama: Preliminares de probabilidad. Cadenas de Markov. Caminatas aleatorias. Procesos de Bienaymé-Galton-Watson.
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesMaestría 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
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 detallesTeoría de Colas Modelo G/M/1 y G/M/k
Teoría de Colas Modelo G/M/1 y G/M/k Rodrigo Salas Fuentes Universidad Técnica Federico Santa María Departamento de Informática Profesor: Héctor Allende 1 Introducción En este trabajo
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 detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más 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 detallesx (0) si f (x) = 2s 1, s > 1 d) f 3. Analizar la existencia de derivadas laterales y de derivada en a = 0, para las siguientes funciones:
FACULTAD DE CIENCIAS EXACTAS Y NATURALES UNIVERSIDAD DE BUENOS AIRES COMPLEMENTOS DE ANÁLISIS MAESTRíA EN ESTADíSTICA MATEMÁTICA SEGUNDO CUATRIMESTRE 2007 PRÁCTICA 7 1. Usando sólo la definición de derivada,
Más detallesModelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
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 detallesTeoría Estadística Elemental I Teoría (resumida) del 2 do Tema
Teoría Estadística Elemental I Teoría (resumida) del 2 do Tema Raúl Jiménez Universidad Carlos III de Madrid Noviembre 2011 Consideremos el lanzamiento de un dado, Ω = {1, 2, 3, 4, 5, 6}, y supongamos
Más detallesDepartamento de Matemáticas
MA25 Clase 5: Series de potencias. Operaciones con series de potencias. Series de potencias Elaborado por los profesores Edgar Cabello y Marcos González Cuando estudiamos las series geométricas, demostramos
Más detallesVectores Aleatorios. Definición 1.1. Diremos que el par (X,Y) es un vector aleatorio si X e Y representan variables aleatorias
Universidad de Chile Facultad De Ciencias Físicas y Matemáticas MA3403 - Probabilidades y Estadística Prof. Auxiliar: Alberto Vera Azócar. albvera@ing.uchile.cl Vectores Aleatorios 1. Vectores Aleatorios
Más detallesValidación de hipótesis de un proceso de Poisson no homogéneo
Validación de hipótesis de un proceso de Poisson no homogéneo Georgina Flesia FaMAF 9 de junio, 2011 Proceso de Poisson no homogéneo H 0 ) Las llegadas diarias a un sistema ocurren de acuerdo a un Proceso
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 detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 17 de abril, 2012 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más 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 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 detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesMovimiento Browniano o proceso de Wiener
1 Movimiento Browniano o proceso de Wiener Se dice que Z [ ] es un proceso de Wiener o movimiento Browniano si Z es una función definida en algún intervalo I = [, T ] (eventualmente puede ser T = + ),
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 detallesEl momento de orden n de una variable aleatoria X es el valor esperado de X elevado a la n, es decir,
1 CLASES DE ESTADÍSTICA II CLASE 4) MOMENTOS. FUNCIÓN GENERATRIZ DE MOMENTOS CONJUNTA. El concepto de Momentos ya se conocía en el análisis de una variable aleatoria y es bueno recordarlo ahora para generalizarlo
Más detallesTEMA 4.- SISTEMAS DE ECUACIONES DIFERENCIALES ORDINARIAS
TEMA 4- SISTEMAS DE ECUACIONES DIFERENCIALES ORDINARIAS 41 - Introducción Denición: Un sistema de ecuaciones diferenciales de primer orden en el que sus derivadas estén dadas explícitamente se puede expresar
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
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 detallesCadenas de Markov Introducción Definiciones
4 Cadenas de Markov 41 Introducción Sea T R y (Ω, F, P ) un espacio de probabilidad Un proceso aleatorio es una función X : T Ω R tal que para cada t T, X(t, ) es una variable aleatoria Si fijamos ω Ω
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 detallesInstituto de Matemática Aplicada del Litoral
PROBLEMAS DE BARRERA EN PROCESOS ESTOCÁSTICOS Ernesto Mordecki http://www.cmat.edu.uy/ mordecki mordecki@cmat.edu.uy Facultad de Ciencias Montevideo, Uruguay. Instituto de Matemática Aplicada del Litoral
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 detallesSolución al Primer Parcial de Introducción a la Investigación de Operaciones Fecha: 11 de mayo de 2002
Solución al Primer Parcial de Introducción a la Investigación de Operaciones Fecha: de mayo de 22 INDICACIONES Duración del parcial: 4 hrs. Escribir las hojas de un solo lado. No se permite el uso de material
Más detallesTopología en R n. Continuidad de funciones de varias variables
. Continuidad de funciones de varias variables María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I (1 o Grado en Ingeniería Electrónica Industrial y Automática) M. Muñoz (U.P.C.T.) Continuidad
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 detallesTema 02. Análisis de prestaciones e introducción al dimensionamiento en redes de conmutación de paquetes. Rafael Estepa Alonso Universidad de Sevilla
Tema 02 Análisis de prestaciones e introducción al dimensionamiento en redes de conmutación de paquetes Rafael Estepa Alonso Universidad de Sevilla Índice del Tema 02 2.1 Introducción a las Prestaciones
Más detallesE.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 9: Sistemas de EDOs lineales
ETS Minas: Métodos Matemáticos Resumen y ejemplos Tema 9: Sistemas de EDOs lineales Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Noviembre
Más detallesSubespacios de espacios vectoriales
Subespacios de espacios vectoriales Objetivos. Estudiar la definición, el criterio y algunos ejemplos de subespacios vectoriales. Muchos espacios vectoriales importantes (por ejemplo, espacio de soluciones
Más detallesIII 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
Más detallesCurso Propedéutico de Cálculo Sesión 6: Aplicaciones de la Integración
por Curso Propedéutico de Cálculo Sesión 6: de la Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico Esquema por 1 por 2 Esquema por 1 por 2 por Al contrario
Más detallesCambio de Variables en la Integral Múltiple
Capítulo 24 Cambio de Variables en la Integral Múltiple n la demostración del teorema del cambio de variable utilizaremos con frecuencia que el carácter medible de los conjuntos es una propiedad que se
Más detallesInterrogación (25 Ptos.) Conteste verbalmente las siguientes preguntas :
. Universidad Católica de Chile Dpto. de Ingeniería de Sistemas Modelos Estocásticos rofesor Alvaro Alarcón 6 de Noviembre de 009 Interrogación 3.- (5 tos.) Conteste verbalmente las siguientes preguntas
Más detallesCADENAS DE MARKOV DE PARÁMETRO CONTINUO Rosario Romera Febrero 2009
CADENAS DE MARKOV DE PARÁMETRO CONTINUO Rosario Romera Febrero 29. Nociones básicas Para las cadenas de Markov con parámetro de tiempo discreto hemos visto qe la matriz de transición en n etapas pede ser
Más detallesConstrucción de Paul Lévy del Movimiento Browniano Estándar, según P. Morters y Y. Peres. August 31, 2016
del Movimiento Browniano Estándar, según P. Morters y Y. Peres August 31, 016 Algunos preliminares Definición Una función de distribución (de probabilidades) es una función F : R R tal que 1. F es no decreciente.
Más detallesPauta Examen Final - Ecuaciones Diferenciales
UNIVERSIDAD DIEGO PORTALES FACULTAD DE INGENIERIA Y CIENCIAS INSTITUTO DE CIENCIAS BÁSICAS ECUACIONES DIFERENCIALES Pauta Examen Final - Ecuaciones Diferenciales P1.- Indicar el tipo de EDO de las siguientes
Más detallesCurso Propedéutico de Cálculo Sesión 7:
Curso Propedéutico de Cálculo Sesión 7: Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico Esquema 1 2 3 4 Esquema 1 2 3 4 Hasta ahora nos hemos enfocado en funciones
Más detallesVECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción VECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M. Desde un punto de vista formal, los vectores aleatorios son la herramienta matemática adecuada para transportar
Más detalles4. Resolución de indeterminaciones: la regla de L Hôpital.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO. Lección. Funciones y derivada. 4. Resolución de indeterminaciones: la regla de L Hôpital. Sean f y g dos funciones derivables en un intervalo abierto I R y sea
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 detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más 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 detallesMétodo Polar para generación de variables normales Generación de eventos en Procesos de Poisson
Método Polar para generación de variables normales Generación de eventos en Procesos de Poisson Georgina Flesia FaMAF 25 de abril, 2013 Método polar Con este método se generan dos variables normales independientes.
Más detallesUnidad 3. Probabilidad
Unidad 3. Probabilidad Javier Santibáñez 17 de agosto de 2018 1. Introducción Definición 1. La probabilidad es una medida subjetiva del grado de creencia que se tiene acerca de que algo desconocido sea
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 detallesMay 4, 2012 CAPÍTULO 5: OPTIMIZACIÓN
May 4, 2012 1. Optimización Sin Restricciones En toda esta sección D denota un subconjunto abierto de R n. 1.1. Condiciones Necesarias de Primer Orden. Proposición 1.1. Sea f : D R diferenciable. Si p
Más detallesProcesos de Poisson (Borradores, Curso 23)
Procesos de Poisson (Borradores, Curso 3) Sebastian Grynberg de abril de 013 ollin tonatiuh el tiempo sólo es tardanza de lo que está por venir (Martín Fierro) 1 Índice 1. Proceso puntual de Poisson 1.1.
Más detallesf n (x), donde N N n=1 f n(x), donde x A R,
ANÁLISIS MATEMÁTICO BÁSICO. SERIES DE FUNCIONES Las series de funciones son un caso particular, especialmente importante, de sucesiones de funciones. Ya hemos estudiamos las series de Taylor. Si consideramos
Más detalles1. Es un problema largo, pero casi todos los apartados son de tipo estándar. Consideramos el sistema no lineal 2D cuadrático dado por
Fecha: 7 de enero de 24 Problemas Tiempo total: 2 horas y 3 minutos Es un problema largo, pero casi todos los apartados son de tipo estándar Consideramos el sistema no lineal 2D cuadrático dado por { x
Más detallesINTRODUCCION A LA TEORIA DE COLAS Y SU SIMULACION. Gerardo Fabian Peraza Siqueiros
INTRODUCCION A LA TEORIA DE COLAS Y SU SIMULACION Gerardo Fabian Peraza Siqueiros Licenciatura en Matemáticas Director de Tesis: Dr. Jesús Adolfo Minjárez Sosa División de Ciencias Exactas y Naturales
Más detallesTEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18
TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18 5.1. Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso. 5.2. Características de un proceso estocástico. 5.3. Ejemplos de procesos
Más detallesTeoría de Colas o Fenómenos de Espera
Teoría de Colas o Fenómenos de Espera Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Introducción 2 Introducción............................................................
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 detallesVariables aleatorias continuas
Probabilidades y stadística Computación Facultad de Ciencias actas y Naturales Universidad de uenos ires na M ianco y lena J Martínez 004 Variables aleatorias continuas jemplo: Con el in de realizar un
Más detalles