Академический Документы
Профессиональный Документы
Культура Документы
ndice general
1 Clases de conjuntos 1
1.1 -lgebra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3 Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3 Medida de Lebesgue-Stieltjes en R 8
3.1 Medida de Lebesgue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.1.1 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.1.2 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.1.3 Conjuntos de medida nula . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.1.4 Construccin de la medida de Lebesgue . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.1.5 Relacin con otras medidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.1.6 Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4 Funciones medibles 11
4.1 Funcin medible . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.1.1 Funciones medibles especiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.1.2 Propiedades de las funciones medibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.1.3 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
i
ii NDICE GENERAL
5 Integracin 12
5.1 Integral de Lebesgue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.1.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.1.2 Construccin de la integral de Lebesgue . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.1.3 Propiedades bsicas de la integral de Lebesgue . . . . . . . . . . . . . . . . . . . . . . . 16
5.1.4 Notas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.1.5 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Clases de conjuntos
1.1 -lgebra
En matemtica, una -lgebra (lase sigma-lgebra) sobre un conjunto X es una familia no vaca de subconjuntos
de X, cerrada bajo complementos, uniones e intersecciones contables. Las -lgebras se usan principalmente para
denir medidas en X. El concepto es muy importante en anlisis matemtico y en teora de la probabilidad.
1.1.1 Denicin
Una -lgebra debe contener tambin al conjunto total X, ya que la segunda propiedad aplicada a E = tiene como
consecuencia que X \ E = X \ = X pertenece a la -lgebra.
La aplicacin de las leyes de De Morgan
iI Ai = iI Ai , iI Ai = iI Ai
establecen que las intersecciones contables de sucesiones de conjuntos en la -lgebra tambin pertenecen a la -
lgebra.
Los elementos de una -lgebra se denominan conjuntos -medibles (o simplemente conjuntos medibles, cuando no
hay ambigedad sobre ). Un par ordenado (X, ), donde X es un conjunto y una -lgebra sobre ste, se denomina
espacio medible. Una funcin entre dos espacios medibles se denomina medible si la preimagen de todo conjunto
medible es tambin medible; esto es, si (X, ) y (Y, ) son dos espacios medibles, una funcin f:XY es medible si
para todo E , f 1 (E) .
Una medida es una cierta clase de funcin medible de una -lgebra en el intervalo [0,].
Ejemplos:
Si P(X) es el conjunto potencia del conjunto X entonces P(X) es una -lgebra sobre X (la mayor -lgebra
posible sobre X).
Para cualquier conjunto X, el conjunto {, X} es una -lgebra sobre X (la menor -lgebra posible sobre X).
Si A es una coleccin de subconjuntos de X, la interseccin de todas las -lgebras que contienen a A es tambin
una -lgebra, denotada por A o por (A) y denominada -lgebra generada por A. Esta es por construccin
la menor -lgebra posible que contiene a la coleccin A.
La familia de subconjuntos de X que son contables o de conjunto complementario contable (esta familia es
distinta del conjunto potencia de X si y slo si X es incontable). Esta es la -lgebra generada por los conjuntos
unitarios de X.
Cuando X = R , la -lgebra generada por la coleccin de todos los intervalos abiertos nitos se denomina
lgebra de Borel (sobre R ).
1
2 CAPTULO 1. CLASES DE CONJUNTOS
El ejemplo anterior se puede generalizar a espacios topolgicos arbitrarios: la -lgebra generada por todos los
conjuntos abiertos de un espacio topolgico X es el lgebra de Borel asociada al espacio X.
En el espacio euclidiano Rn , cabe destacar otra -lgebra: la formada por los conjuntos Lebesgue-medibles.
sta contiene ms conjuntos que el lgebra de Borel en Rn , y es la que se preere en teora de integracin.
2. Anillo de conjuntos
1.1.3 Bibliografa
Robert G. Bartle (1995) [1966]. The Elements of Integration and Measure Theory. Wiley. ISBN 0471042226.
2.1.1 Deniciones
Formalmente, una medida es una funcin denida en una -lgebra sobre un conjunto X con valores en el intervalo
real extendido [0, ], que verica:
La terna (X, , ) se denomina espacio de medida, y los elementos de se denominan conjuntos medibles.
2.1.2 Propiedades
Varias propiedades pueden deducirse directamente de la denicin.
Monotona
Uniones contables
Si E 1 , E 2 , E 3 , ... es una sucesin contable de conjuntos medibles, su unin ser tambin medible (por la denicin
de -lgebra), y
3
4 CAPTULO 2. MEDIDA Y MEDIDA EXTERIOR
( )
Ei (Ei ).
i=1 i=1
( )
Ei = lim (Ei ).
i
i=1
Intersecciones contables
Si E 1 , E 2 , E 3 , ...es una sucesin contable de conjuntos medibles, y En En para todo n, entonces la interseccin
de los conjuntos En es medible (de nuevo, por la denicin de -lgebra); ms an, si al menos uno de los En tiene
medida nita, entonces
( )
Ei = lim (Ei ).
i
i=1
Esta igualdad no es necesariamente cierta si ninguno de los En no tiene medida nita; por ejemplo, para cada n N,
tmese
En = [n, ) R.
Todos estos conjuntos tienen medida innita, de modo que el lmite al lado derecho de la igualdad es ; sin embargo,
su interseccin es vaca y por lo tanto tiene medida 0.
2.1.4 Completitud
Un conjunto medible S es llamado un conjunto nulo si (S) = 0, y conjunto despreciable si est propiamente
contenido en uno nulo. La medida se dice completa si todo conjunto despreciable es medible (y por lo tanto, nulo
tambin).
Una medida puede extenderse a una completa considerando la -lgebra de conjuntos T X que dieren de un
conjunto medible S en un conjunto despreciable; esto es, tal que la diferencia simtrica T S est contenida en un
conjunto nulo. En tal caso se dene (T) = (S).
2.1.5 Ejemplos
A continuacin se listan algunos ejemplos importantes de medidas.
2.1. TEORA DE LA MEDIDA 5
La medida de conteo se dene por (S) = nmero de elementos en S, si S es nito; o en caso contrario.
La medida de Lebesgue es la nica medida completa, invariante por translaciones, sobre una -lgebra sobre
R que contenga a los intervalos, y tal que ([0,1]) = 1.
La medida de Haar para un grupo topolgico localmente compacto es una generalizacin de la medida de
Lebesgue y tiene una propiedad de unicidad similar.
Todo espacio de probabilidad da lugar a una medida que toma el valor 1 sobre todo el espacio (y por tanto
toma todos sus valores en el intervalo unitario [0,1]). Tal medida es denominada medida de probabilidad.
2.1.6 Contraejemplos
Contrariamente a lo que podra esperarse, no todos los conjuntos del espacio eucldeo son medibles; algunos ejemplos
de estos conjuntos contraintuitivos son el conjunto de Vitali, y los que aparecen en las paradojas de Hausdor y
Banach-Tarski.
2.1.7 Generalizaciones
Para ciertos propsitos, es til tener una medida cuyos valores no se restrinjan a los reales no negativos y el innito.
Por ejemplo, una funcin de conjunto numerable aditiva con valores en los nmeros reales (con signo) se llama
medida con signo, mientras que tal tipo de funcin con valores en los nmeros complejos se llama medida compleja.
Una medida que tome valores en un espacio de Banach se llama medida espectral; son usadas a menudo en anlisis
funcional en el teorema espectral. Para distinguir las medidas usuales, con valores positivos, de las generalizaciones,
se habla de medidas positivas.
Otra generalizacin es la medida nitamente aditiva. Es igual que una medida, salvo que en lugar de requerir aditividad
contable, slo se necesita aditividad nita. Histricamente, esta denicin se us inicialmente, pero no result ser tan
til. En general, las medidas nitamente aditivas estn conectadas con nociones como los lmites de Banach, el dual
de L , y la compacticacin de Stone-ech. Todas stas estn conectadas de alguna forma con el axioma de eleccin.
El interesante resultado en geometra integral conocido como teorema de Hadwiger establece que el espacio de fun-
ciones de conjunto invariantes por translaciones, nitamente aditivas, no necesariamente no negativas denidas sobre
las uniones nitas de conjuntos compactos y convexos en Rn consiste (salvo mltiplos escalares) en una medida que
es homognea de grado k para cada k = 0, 1, 2, ..., n, y combinaciones lineales de esas medidas. Homognea de
grado k signica que re-escalar cualquier conjunto por un factor c > 0 multiplica la medida del conjunto por un
factor ck . La que es homognea de grado n es el volumen ordinario n-dimensional. La homognea de grado n1 es
el volumen de supercie. La homognea de grado 1 es una funcin misteriosa llamada anchura media (en ingls,
mean width), un mal nombre. La homognea de grado 0 es la caracterstica de Euler.
Estadstica
Integracin de Lebesgue
Medida de Lebesgue
Espacio funcional
6 CAPTULO 2. MEDIDA Y MEDIDA EXTERIOR
2. 0 no-negativa es
5. () = 0
Si hacemos Ej = para j n en la propiedad 4, podemos notar que una medida exterior es nitamente subadditiva.
El inters de las medidas exteriores estriba en que son fciles de construir y en que se puede aplicar el teorema de
Carathodory para construir, a partir de ellas, una medida en X.
2.2.1 Referencias
Folland, Gerald B. (1984): Real analysis. Jhon Wiley & Sons. ISBN 0-471-80958-6 p. 28
2.2. MEDIDA EXTERIOR 7
Una medida aplica ciertos subconjuntos (pertenecientes a una -lgebra) en valores del intervalo [0, ].
Captulo 3
Medida de Lebesgue-Stieltjes en R
3.1.1 Ejemplos
Si A es un intervalo cerrado [a, b], su medida de Lebesgue es la longitud ba. El intervalo abierto ]a, b[ tiene
la misma medida, pues la diferencia entre los dos conjuntos tiene medida cero.
Si A es el producto cartesiano de dos intervalos [a, b] y [c, d], es un rectngulo cuya medida de Lebesgue es el
rea (ba)(dc).
3.1.2 Propiedades
La medida de Lebesgue en Rn tiene las siguientes propiedades:
La medida de Lebesgue es localmente nita e interna regular, y por lo tanto una medida de Radon.
8
3.1. MEDIDA DE LEBESGUE 9
Los conjuntos Lebesgue-medibles forman una -lgebra que incluye todos los productos de intervalos,
y es la nica medida completa invariante por translacin en esa -lgebra que cumple ([0,1] [0,1]
... [0,1]) = 1.
(B) = inf{vol(M )|M B y M = Ci cada y Ci nitos reales intervalos n de cartesiano producto un es }
i=1
Aqu, vol(M) es la suma de los productos de las longitudes de los intervalos que forman cada Ci . Se dene entonces
que un conjunto A es Lebesgue-medible si
(B) = (A B) + (B A)
para todo conjunto B. Estos conjuntos Lebesgue-medibles forman una -lgebra, y la medida de Lebesgue se dene
como (A) = * (A) para todo conjunto medible A.
Existen, sin embargo, subconjuntos de R que no son Lebesgue-medibles, por ejemplo el conjunto de Vitali.
3.1.6 Historia
Henri Lon Lebesgue describi su medida en 1901, siguindole al ao siguiente su descripcin de la integracin de
Lebesgue. Ambas fueron publicadas como parte de su tesis en 1902.
Captulo 4
Funciones medibles
Una funcin Lebesgue-medible es una funcin f : (R, L) (C, BC ) , donde L es la sigma-lgebra de los
conjuntos Lebesgue-medibles y BC es el lgebra de Borel en los nmeros complejos C . stas funciones son
de inters en el anlisis matemtico debido a que siempre pueden ser integradas.
Las variables aleatorias son por denicin funciones medibles cuyo dominio es un espacio muestral donde se
ha denido una sigma-lgebra y contradominio en R, con la medida de Lebesgue.
4.1.3 Referencias
1. Strichartz, Robert (2000). The Way of Analysis. Jones and Bartlett. ISBN 0-7637-1497-6.
2. Folland, Gerald B. (1999). Real Analysis: Modern Techniques and their Applications. Wiley. ISBN 0471317160.
3. Billingsley, Patrick (1995). Probability and Measure. Wiley. ISBN 0-471-00710-2.
4. Royden, H. L. (1988). Real Analysis. Prentice Hall. ISBN 0-02-404151-3.
11
Captulo 5
Integracin
La integral de una funcin no negativa puede ser interpretada como el rea bajo la curva.
En matemtica, la integracin de una funcin no negativa (por considerar el caso ms simple) puede considerarse
como el rea entre la grca de una curva y el eje x. La integral de Lebesgue es una construccin matemtica
que extiende el concepto de integracin covencional de Riemann a una clase mucho ms amplia de funciones, as
como extiende los posibles dominios en los cuales estas integrales pueden denirse. Haca mucho que se saba que
para funciones no negativas con una curva sucientemente suave (como una funcin continua en intervalos cerrados)
el rea bajo la curva poda denirse como la integral y calcularse usando tcnicas de aproximacin de la regin
mediante rectngulos o polgonos. Pero como se necesitaba considerar funciones ms irregulares, se hizo evidente
que una aproximacin ms cuidadosa era necesaria para denir una integral que se ajustara a dichos problemas.
La integral de Lebesgue desempea un papel muy importante en el Anlisis Real y en muchas otras ramas de la
Matemtica. Su nombre es en honor a su descubridor, Henri Lebesgue (1875-1941).
12
5.1. INTEGRAL DE LEBESGUE 13
5.1.1 Introduccin
La integral de una funcin f entre los lmites de integracin a y b puede interpretarse como el rea bajo la grca de
f. Esto es fcil de entender para funciones que nos son familiares como los polinomios, la exponencial o logartmica,
pero... qu quiere decir para funciones un poco ms exticas o con comportamiento errtico? En general, cul es la
clase de funciones para las cuales el concepto de "rea bajo la curva tiene sentido? La respuesta a esta interrogante
tiene importancia terica y prctica fundamental.
Como parte del gran avance de las matemticas en el siglo XIX, se hicieron varios intentos de poner sobre bases
slidas el clculo integral. La integral de Riemann, propuesta por Bernhard Riemann (1826-1866), sent la primera
base slida sobre la cual se desarroll la integral. La denicin de Riemann empieza con la construccin de una
sucesin de reas rectangulares fcilmente calculables que convergen a la integral de una funcin dada. Esta denicin
es buena en el sentido que provee las repuestas adecuadas y esperadas para muchos problemas ya resueltos, as como
importantes y tiles resultados para muchos otros problemas.
Sin embargo, la integracin de Riemann no funciona bien al tomar lmites de sucesiones de funciones, dicultando
su anlisis. Esto es de vital importancia, por ejemplo, en el estudio de la serie de Fourier, la transformada de Fourier
y otros temas. La integral de Lebesgue permite saber cmo y cundo es posible tomar lmites bajo el signo de la
integral.
La denicin de Lebesgue tambin hace posible calcular integrales para una clase ms amplia de funciones. Por
ejemplo, la funcin de Dirichlet, que es 0 cuando su argumento es irracional y 1 en otro caso (racional), tiene integral
de Lebesgue, pero no de Riemann.
Teora de la medida
La teora de la medida se cre para disponer de un anlisis detallado de la nocin de longitud de los subconjuntos de
puntos de la recta real y, de forma ms general, rea y volumen de subconjuntos de espacios euclideos. En particular,
esta teora nos brinda una respuesta sistemtica a la pregunta: a qu subconjuntos de R se les puede asociar una
longitud?. Como se comprob al desarrollar la teora de conjuntos, es imposible asociar una longitud a cualquier
subconjunto de R de tal manera que se cumplan las propiedades de invariancia por traslacin y de aditividad con
respecto a la unin conjuntos. Estos conjuntos se llaman no medibles.
Naturalmente, la integral de Riemann usa implcitamente el concepto de longitud. Un elemento bsico de este tipo
de integral son los rectngulos de base [a, b] y altura [c, d] cuya longitud es (b - a) y cuya rea es (b-a)(d-c).
En el desarrollo de la teora los libros ms modernos (posteriores a 1950) se usa el mtodo axiomtico para denir la
medida, es decir, que una medida es una funcin denida sobre ciertos subconjuntos de un conjunto E que satisface
una lista de propiedades.
Integracin de Lebesgue
Consideremos una medida no negativa sobre -lgebra X de subconjuntos de E. Por ejemplo, E puede ser un espacio
eucldeo n dimensional Rn o algn subconjunto medible de l, X puede ser el -lgebra de todos los subconjuntos
medibles de E, y puede ser la medida de Lebesgue. En la teora de la probabilidad puede ser una funcin de
probabilidad sobre un espacio de probabilidad E.
En la teora de Lebesgue, el clculo de integrales se restringe a un tipo de funciones llamadas funciones medibles. Una
funcin es medible si la preimagen de cualquier intervalo cerrado pertenece a X, es decir, es un conjunto medible:
El conjunto de funciones medibles es cerrado bajo operaciones algebraicas, aunque ms importante es el hecho de
que esta clase tambin es cerrada al tomar lmites de sucesiones de funciones:
es medible si las funciones que forman los trminos de la sucesin {fk}, k N, son tambin medibles.
Vamos a construir la integral de Lebesgue : E f d para funciones reales medibles f construidas sobre E en varias
etapas calculando las integrales de funciones sencillas:
Funcin caracterstica o indicadora: Dado un subconjunto S medible contenido en E, la funcin caracterstica 1S
toma valor 1 para los elementos pertenecientes a S y 0 para el resto.
{
1 si x S
1S (x) =
0 si x
/S
La integral de esta funcin ha de ser la medida del conjunto S.
1S d = (S)
Funcin simple: Una funcin simple es de la forma = k ak 1Sk , donde ak son nmeros reales y la suma es
nita.
A partir del caso anterior ms sencillo se puede asumir que el resultado de integrar una funcin simple sea:
( )
d = ak 1Sk d = ak 1Sk d = ak (Sk )
k k k
A pesar de que una funcin simple se pueda expresar como distintas sumas, el resultado de la integral no vara.
Funcin no negativa: Sea f una funcin no negativa medible sobre E. Se dene
{ }
f d = sup d : f, simple
E E
Funciones con signo: Una funcin con signo denida sobre E se puede escribir como suma de dos funciones no
negativas:
f = f + f ,
donde
{
f (x) si f (x) > 0
f + (x) =
0 en otro caso
{
f (x) si f (x) < 0
f (x) =
0 en otro caso
Si ambas integrales verican
f d < ,
+
f d < ,
f d = f + d f d
5.1. INTEGRAL DE LEBESGUE 15
Interpretacin intuitiva
Folland[1] resumi los dos distintos modos de aproximarse al concepto de integral de la siguiente forma: para calcular
la integral de Riemann se particiona (divide) el dominio [a, b] en subintervalos, mientras que en la integral de
Lebesgue se particiona el rango de f".
Imaginemos que queremos calcular el rea de una curva (ver gura). Tenemos dos mtodos distintos para encontrar
una aproximacin a esta rea:
Mtodo de Riemann-Darboux, en el cual dividimos la curva en columnas con la misma base y altura la
correspondiente a la curva en el centro de la columna. El rea de cada columna es igual a su altura por su base,
y el rea total de la curva viene dado aproximadamente por la suma de los reas de todas las columnas. Este
caso es equivalente a particionar el intervalo horizontal [a, b].
Mtodo de Lebesgue, en el cual dividimos la curva en capas horizontales de igual altura aunque de distinto
rea, debido a las diferentes longitudes de la base ((Sk)). El rea total de la curva ser aproximado por la suma
de los reas de todas las capas (ak (Sk)). Este caso es equivalente a particionar el rango de f (intervalo vertical
de la funcin).
Consideremos la funcin caracterstica de los racionales 1Q denida sobre el intervalo [0, 1] . Esta funcin no es
continua en ningn punto de su dominio, ser integrable?
1Q no es integrable Riemann sobre [0, 1] : no importa cun na sea una particin del intervalo [0, 1] ,
cualquier subintervalo contendr al menos un nmero racional y otro nmero irracional, ya que ambos conjuntos
son densos en los reales. Por tanto, cualquier suma superior ser 1, as como el nmo de todas las sumas
superiores (suma superior de Riemann-Darboux) y cualquier suma inferior ser 0, igual que el supremo de
todas las sumas inferiores (suma inferior de Riemann-Darboux). Si el supremo y el nmo son distintos la
integral de Riemann no existe.
1Q s es integrable Lebesgue sobre [0, 1] : dado que es la funcin indicadora de los nmeros racionales, por
denicin
16 CAPTULO 5. INTEGRACIN
1Q d = (Q [0, 1]) = 0,
[0,1]
ya que Q es numerable.
Linealidad: Si f y g son funciones integrables Lebesgue y a y b son nmeros reales jos, entonces
(af + bg) d = a f d + b g d
5.1.4 Notas
[1] Gerald B. Folland, Real Analysis: Modern Techniques and Their Applications, 1984, p. 56.
5.1.5 Referencias
Dudley, R. M., 1989. Real Analysis and Probability. Wadsworth & Brookes/Cole. Very thorough treatment,
particularly for probabilists with good notes and historical references.
Folland, G. B., 1999. Real Analysis: Modern Techniques and Their Applications. John Wiley & Sons.
Paul Halmos, Measure Theory, D. van Nostrand Company, Inc. 1950. A classic, though somewhat dated pre-
sentation.
Loomis, L. H., 1953. An Introduction to Abstract Harmonic Analysis. Van Nostrand Company, Inc. Includes a
presentation of the Daniell integral.
Walter Rudin, 1976. Principles of Mathematical Analysis, 3rd. ed. McGraw-Hill. Known as Little Rudin, con-
tains the basics of the Lebesgue theory, but does not treat material such as Fubinis theorem.
------, 1966. Real and Complex Analysis. McGraw-Hill. Known as Big Rudin. A complete and careful presen-
tation of the theory. Good presentation of the Riesz extension theorems. However, there is a minor aw (in
the rst edition) in the proof of one of the extension theorems, the discovery of which constitutes exercise 21
of Chapter 2.
Shilov, G. E., and Gurevich, B. L., 1978. Integral, Measure, and Derivative: A Unied Approach, Richard A.
Silverman, trans. Dover Publications. ISBN 0-486-63519-8. Emphasizes the Daniell integral.
Guillermo Grabinsky S., 2009. Teora de la medida. Servicios editoriales de la facultad de ciencias, UNAM.
Captulo 6
6.1 Text
-lgebra Fuente: http://es.wikipedia.org/wiki/%CE%A3-%C3%A1lgebra?oldid=79056141 Colaboradores: Fibonacci, Magister Mat-
hematicae, RobotQuistnix, CSTAR, FlaBot, YurikBot, Wewe, Equi, Eskimbot, Grizzly Sigma, Chlewbot, Bunder~eswiki, Thijs!bot, MS-
BOT, JAnDbot, VolkovBot, Muro Bot, BotMultichill, SieBot, Loveless, HUB, Alexbot, Jose32, MastiBot, DumZiBoT, Sardur, Luckas-
bot, Xqbot, Jkbw, Richard8933, Ricardogpn, AstaBOTh15, TjBot, Julio grillo, MetroBot, Legobot y Annimos: 19
Teora de la medida Fuente: http://es.wikipedia.org/wiki/Teor%C3%ADa%20de%20la%20medida?oldid=80500296 Colaboradores:
Fibonacci, Sabbut, Ivn, Sms, Elwikipedista, Tano4595, AlfonsoERomero, Rembiapo pohyiete (bot), Orgullobot~eswiki, RobotQuistnix,
Yrbot, YurikBot, Wewe, Eskimbot, Baneld, Chlewbot, CEM-bot, Davius, FrancoGG, Thijs!bot, JAnDbot, AlnoktaBOT, VolkovBot,
Technopat, AlleborgoBot, YonaBot, SieBot, Loveless, Zladmat, Ken123BOT, Correogsk, Gato ocioso, Farisori, Eduardosalg, Diegus-
jaimes, Daniki7, Jkbw, Ricardogpn, Botarel, Morytelov, Humbefa, Jorge c2010, EmausBot, Emiduronte, MerlIwBot, Deivis, Acratta,
Addbot, FedeBosio, Milder.q y Annimos: 40
Medida exterior Fuente: http://es.wikipedia.org/wiki/Medida%20exterior?oldid=64946846 Colaboradores: Egaida, Chzelada, Dange-
lin5, MerlIwBot, KLBot2, Elvisor y Annimos: 2
Medida de Lebesgue Fuente: http://es.wikipedia.org/wiki/Medida%20de%20Lebesgue?oldid=78526021 Colaboradores: Oblongo, Fi-
bonacci, RobotQuistnix, CEM-bot, Davius, Egaida, JAnDbot, TXiKiBoT, Snakefang, VolkovBot, AlleborgoBot, Muro Bot, Drinibot,
Farisori, UA31, Luckas-bot, Ptbotgourou, Ricardogpn, ChuispastonBot, Rezabot, JYBot, Legobot, Addbot y Annimos: 8
Funcin medible Fuente: http://es.wikipedia.org/wiki/Funci%C3%B3n%20medible?oldid=67946197 Colaboradores: CEM-bot, Juan
Mayordomo, CayoMarcio, Manuel Valadez Snchez, EmausBot, ZroBot, KLBot2 y Annimos: 1
Integral de Lebesgue Fuente: http://es.wikipedia.org/wiki/Integral%20de%20Lebesgue?oldid=71703188 Colaboradores: Vivero, Anacle-
to, Magister Mathematicae, Alfredobi, CEM-bot, Davius, Rosarinagazo, Flobo, Cratn, JAnDbot, Gerardpc, TXiKiBoT, Matdrodes,
AlleborgoBot, Muro Bot, MetsBot~eswiki, Mar del Sur, Alexbot, Lluvia, Fidelbotquegua, Raulshc, MastiBot, Amirobot, Erud, Xqbot,
Ricardogpn, NixBot, Jmsescribano, Fportales, Edslov, EmausBot, Alfredomalagon, Erick GR, MerlIwBot, KLBot2 y Annimos: 27
6.2 Images
Archivo:Integral-area-under-curve.png Fuente: http://upload.wikimedia.org/wikipedia/commons/9/98/Integral-area-under-curve.png
Licencia: CC-BY-SA-3.0 Colaboradores: ? Artista original: ?
Archivo:Measure_illustration.png Fuente: http://upload.wikimedia.org/wikipedia/commons/a/a6/Measure_illustration.png Licencia:
Public domain Colaboradores: self-made with en:Inkscape Artista original: Oleg Alexandrov
Archivo:RandLintegrals.png Fuente: http://upload.wikimedia.org/wikipedia/commons/1/1b/RandLintegrals.png Licencia: CC-BY-SA-
3.0 Colaboradores: en.wiki Artista original: ?
17
Ampliacin de Variable Compleja
ndice general
3 Transformacin conforme. 11
3.1 Transformacin conforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.1.1 Anlisis complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Fraccin continua generalizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2.1 Historia de las fracciones continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2.2 Notacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2.3 Algunas consideraciones elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.4 Transformaciones fraccionarias lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
i
ii NDICE GENERAL
4 Funciones elpticas 20
4.1 Funcin elptica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.1.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.1.2 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.1.3 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2 Funciones de Weierstrass . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2.1 Funcin sigma de Weierstrass . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2.2 Funcin zeta de Weierstrass . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2.3 Funcin eta de Weierstrass . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2.4 Funcin p de Weierstrass . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5 Supercies de Riemann 23
5.1 Supercie de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.1.1 Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.1.2 Concepto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5.1.3 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5.1.4 Funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5.1.5 Clasicacin de supercies de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5.1.6 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.1.1 Denicin
Si U es un conjunto abierto de C (ver espacio mtrico para la denicin de abierto) y f :U C es una funcin, se
dice que f es complejo-diferenciable en el punto z0 de U si existe el siguiente lmite:
f (z) f (z0 )
f (z0 ) = lim
zz0 z z0
Este lmite se toma aqu sobre todas las sucesiones de nmeros complejos que se aproximen a z0 , y para todas esas
sucesiones el cociente de diferencias tiene que dar el mismo nmero f '(z0 ).
Intuitivamente, si f es complejo-diferenciable en z0 y nos aproximamos al punto z0 desde la direccin r, entonces las
imgenes se acercarn al punto f(z0 ) desde la direccin f '(z0 ) r, donde el ltimo producto es la multiplicacin de
nmeros complejos. Este concepto de diferenciabilidad comparte varias propiedades con la diferenciabilidad en caso
real: es lineal y obedece a las reglas de derivacin del producto, del cociente y de la cadena.
Si f es complejo-diferenciable y las derivadas son continuas en cada punto z0 en U, se dice que f es holomorfa en U.
Es claro que, al igual que en el caso real, si f es holomorfa e inyectiva en U con inversa continua entonces f 1
es holomorfa y su derivada vale:
1
(f 1 ) (z) =
f (f 1 (z))
1.1.2 Ejemplos
Todas las funciones polinmicas en z con coecientes complejos son holomorfas sobre C, y tambin lo son las
funciones trigonomtricas de z y la funcin exponencial. (Las funciones trigonomtricas estn de hecho relacionadas
1
2 CAPTULO 1. FUNCIONES HOLOMORFAS Y MEROMORFAS
estrechamente con esta ltima y pueden denirse a partir de ella usando la frmula de Euler). La rama principal de
la funcin
logaritmo es holomorfa sobre el conjunto C - {z R : z 0}. La funcin raz cuadrada se puede denir
1
como : z = e 2 ln z y es por tanto all donde lo sea la funcin logaritmo ln(z). La funcin 1/z es holomorfa sobre {z
: z 0}. Las funciones trigonomtricas inversas tienen cortes y son holomorfas en todos los puntos excepto en estos
cortes.
1.1.3 Propiedades
Ya que la diferenciacin compleja es lineal y cumple las reglas del producto, del cociente y de la cadena, se tendr
que las sumas, productos, composiciones son tambin holomorfas, y el cociente de dos funciones holomorfas lo ser
all donde el denominador sea distinto de cero.
Cada funcin holomorfa es innitamente diferenciable en cada punto, y coincide con su propia serie de Taylor; esta
serie converger sobre cada disco abierto que se encuentre dentro del dominio U. La serie de Taylor puede converger
en un disco ms grande; por ejemplo, la serie de Taylor para el logaritmo converge sobre cada disco que no contenga al
0, incluso en las cercanas de la lnea real negativa. Ver demostracin de que las funciones holomorfas son analticas.
Si se identica C con R, entonces las funciones holomorfas son las mismas que aquellas funciones de dos variables
reales diferenciables y que cumplan las ecuaciones de Cauchy-Riemann, que son un par de ecuaciones diferenciales
parciales.
Las funciones holomorfas son conformes cerca de los puntos con derivada distinta de cero, en el sentido de que
preservan ngulos y la forma (pero no el tamao) de las guras pequeas.
La frmula integral de Cauchy dice que los valores, dentro de un disco, de una funcin holomorfa, quedan determi-
nados por los valores de la funcin en la frontera del disco.
funcin antiholomorfa
1.1.5 Referencias
Weisstein, Eric W. Holomorphic function. En Weisstein, Eric W. MathWorld (en ingls). Wolfram Research.
1.2.1 Ejemplos
Toda funcin racional como
1.2. FUNCIN MEROMORFA 3
Las funciones
La funcin
f(z) = exp(1/z)
est denida en todo el plano complejo exceptuando el origen, z=0. Sin embargo, el punto z=0 no es
un polo de la funcin sino una singularidad esencial. Por tanto, esta funcin no es meromorfa en todo el
plano complejo. Sin embargo, es meromorfa (incluso holomorfa) en C-{0}.
La funcin f(z) = ln(z) no es meromorfa en todo el plano complejo, ya que no puede ser denida de forma
contnua en todo el plano y ni siguiera quitando un conjunto de puntos aislados.
1.2.2 Propiedades
Como los polos de una funcin meromorfa son aislados, como mucho puede haber una cantidad numerable de ellos.
El conjunto de polos puede ser innito, como se puede ver en la funcin
f(z)=1/sin(z).
Mediante la continuacin analtica para eliminar las singularidades evitables, las funciones meromorfas pueden ser
sumadas, restadas, multiplicadas, y el cociente f/g est bien denido a no ser que g(z) = 0 sobre una componente
conexa de D. Por lo que, si D es conexo, las funciones meromorfas constituyen un cuerpo, de hecho constituyen una
extensin de los complejos.
4 CAPTULO 1. FUNCIONES HOLOMORFAS Y MEROMORFAS
1.2.5 Referencias
Lars Ahlfors, Complex Analysis, McGraw-Hill Education, ISBN 0-07-085008-9
Serge Lang, Complex Analysis, Springer, 2003. ISBN 0-387-98592-1.
1.3 Productorio
El operador productorio o productoria, tambin conocido como multiplicatoria o simplemente producto (por
denotarse como una letra pi mayscula), es un operador matemtico que representa una multiplicacin de una cantidad
arbitraria (nita o innita).
n
ak = am am+1 ... an
k=m
n
m
m=n, ak = ak = am
k=m k=m
En el caso de que m sea mayor que n, m > n, se le asigna el valor del elemento neutro de la multiplicacin, el uno:
n
m>n, ak = 1
k=m
1
ak = a1
k=1
( )
n+1
n
ak = ak an+1
k=1 k=1
1.3.1 Ejemplo
Se puede usar el productorio para denir otras igualdades importantes.
Se puede tomar n=1 y aplicar la segunda igualdad para obtener:
( )
2
1
ak = ak (a2 ) = a1 a2
k=1 k=1
Denida para n=2, se puede aplicar otra vez la segunda igualdad con n=2 para luego obtener
( )
3
2
ak = ak (a3 ) = (a1 a2 )a3
k=1 k=1
As, usando la propiedad asociativa de la multiplicacin, el producto (a1 a2 )a3 es el mismo que a1 (a2 a3 ) y, por lo
tanto, podemos prescindir del uso de parntesis sin peligro de confusin y usar simplemente
3
a1 a2 a3 = ak
k=1
Se puede entonces, usar este razonamiento para cualquier n N sin que haya peligro de confusin.
Luego, se puede aplicar la denicin de Multiplicatoria, para denir n! (n factorial) como sigue:
n
k = n!
k=1
Se dene 0! = 1! = 1
1.3.2 Propiedades
Se puede usar el Mtodo de Induccin Matemtica para demostrar algunas propiedades. Para ello, nos basaremos
en la denicin formal por induccin descrita anteriormente.
Propiedad Multiplicativa
( )( )
n
n
n
(ak bk ) = ak bk
k=1 k=1 k=1
6 CAPTULO 1. FUNCIONES HOLOMORFAS Y MEROMORFAS
( )( )
1
1
1
(ak bk ) = a1 b1 = ak bk
k=1 k=1 k=1
[ ]
n+1
n
(ak bk ) = (ak bk ) (an+1 bn+1 )
k=1 k=1
( )( )
n+1
n
n
(ak bk ) = ak bk an+1 bn+1
k=1 k=1 k=1
(Denicin por induccin)
[( ) ] [( ) ]
n+1
n
n
(ak bk ) = ak (an+1 ) bk (bn+1 )
k=1 k=1 k=1
(n+1 ) (n+1 )
n+1
(ak bk ) = ak bk
k=1 k=1 k=1
Propiedad Telescpica
n
ak an
= , si cada ak = 0
ak1 a0
k=1
1
ak a1
= , con : a0 = 0 y la igualdad es cierta para : n = 1
ak1 a0
k=1
Luego,
n+1
ak an an+1
=
ak1 a0 an
k=1
n+1
ak an+1
=
ak1 a0
k=1
1.4. TEOREMA DE FACTORIZACIN DE WEIERSTRASS 7
Sumatoria
Factorial
Suma
Multiplicacin
1.4.1 Motivacin
Las consecuencias del teorema fundamental del lgebra son dobles.[1] La primera de ellas, cualquier sucesin nita
{c
n } en el plano complejo tiene asociado un polinomio que tiene ceros precisamente en los puntos de esa sucesin,
n (z cn ).
La segunda de ellas, cualquier funcin polinmica p(z) es el plano complejo tiene una factorizacin p(z) = a n (z
cn ), donde a es una constante distinta de cero y cn son los ceros de p.
Las dos formas del teorema de factorizacin de Weierstrass pueden ser pensadas como extensiones superiores
de las
funciones enteras. La necesidad de un mecanismo extra se demuestra cuando se considera el producto n (z cn )
si la sucesin {cn } no es nita. Esto nunca puede denir una funcin entera, porque el producto innito no converge.
As que, en general, no se puede denir una funcin entera de una sucesin de ceros preestablecidos o representar
una funcin entera mediante sus ceros usando las expresiones dadas mediante el teorema fundamental del algebra.
Una condicin necesaria para la convergencia de un producto innito en cuestin es que, cada factor (z cn ) debe
aproximarse a 1 cuando n . As que, parece lgico que se deba buscar una funcin que podra ser 0 en el punto
preestablecido y sin embargo, permanecer prximo a 1 cuando no se encuentre en ese punto, adems de no introducir
ms ceros de los establecidos. Esto se dene con los factores elementales de Weierstrass. Estos factores sirven para el
mismo propsito que los factores (z cn ) de arriba.
{
(1 z) ( ) si n = 0,
En (z) = z1 z2 zn
(1 z) exp 1 + 2 + + n de otra forma.
|1 En (z)| |z|n+1 .
8 CAPTULO 1. FUNCIONES HOLOMORFAS Y MEROMORFAS
1+pn
(r/|an |) < ,
n=1
entonces la funcin
f (z) = Epn (z/an )
n=1
es entera con ceros nicamente en los puntos an . Si el nmero z0 se produce en la sucesin {an } exactamente m
veces, entonces la funcin f tiene un cero en z = z0 de multiplicidad m.
Ntese que la sucesin {pn } en la declaracin del teorema siempre existe. Por ejemplo siempre se podra tomar
pn = n y se obtendra convergencia. Tal sucesin no es nica: cambiando sta un nmero nito de posiciones,
o tomando otra secuencia p'n pn, no se romper la convergencia.
El teorema generaliza lo siguiente: sucesiones en conjuntos abiertos (y por lo tanto regiones) de la esfera de
Riemann tienen funciones asociadas que son holomorfas en esos subconjuntos y tienen ceros en los puntos de
la sucesin.[3]
Ntese tambin que el caso dado por el teorema fundamental del lgebra
est incorporado aqu. Si la sucesin
{an } es nita entonces se puede tomar pn = 0 y obtener: f (z) = c (z an ) .
n
( )
z [6]
f (z) = z m eg(z) n=1 E pn an .
Ejemplos de factorizacin
( ) ( z2
)
sin z = z n=0 1 z
n ez/n = z n=1 1 n2
( ) ( )
4z 2
cos z = n=0 1 2z
2n1 e2z/(2n1) = n=1 1 (2n1)2
Si es una funcin nita con un orden , entonces sta admite una factorizacin
f (z) = z m eg(z) Ep (z/an )
n=1
1.4.4 Referencias
[1] Knopp, K. (1996), Weierstrasss Factor-Theorem, Theory of Functions, Part II, New York: Dover, pp. 17.
[2] Boas, R. P. (1954), Entire Functions, New York: Academic Press Inc., ISBN 0821845055, OCLC 6487790, chapter 2.
[3] Rudin, W. (1987), Real and Complex Analysis (3rd edicin), Boston: McGraw Hill, pp. 301304, ISBN 0070542341,
OCLC 13093736.
[4] Weisstein, Eric W. Weierstrasss Theorem. En Weisstein, Eric W. MathWorld (en ingls). Wolfram Research.
[5] Weisstein, Eric W. Weierstrass Product Theorem. En Weisstein, Eric W. MathWorld (en ingls). Wolfram Research.
[6] Conway, J. B. (1995), Functions of One Complex Variable I, 2nd ed., springer.com: Springer, ISBN 0387903283
Captulo 2
10
Captulo 3
Transformacin conforme.
[ ] [ ]
(f ) (z0 ) (z0 )
arg = arg
(f ) (z0 ) (z0 )
a1
x = b0 +
a2
b1 +
a3
b2 +
a4
b3 +
.
b4 + . .
11
12 CAPTULO 3. TRANSFORMACIN CONFORME.
donde los an (n > 0) son los numeradores parciales, los bn son los denominadores parciales y el trmino principal b0
es el llamado parte entera de la fraccin continua.
Las convergentes sucesivas de la fraccin continua se forma aplicando las frmulas fundamentales de recurrencia:
A0 A1 b1 b0 + a1 A2 b2 (b1 b0 + a1 ) + a2 b0
x0 = = b0 , x1 = = , x2 = = ,
B0 B1 b1 B2 b2 b1 + a2
donde An es el numerador y Bn es el denominador (tambin llamado continuante [2][3] ) del n-simo convergente.
Si la sucesin de convergentes {xn} tiene lmite, la fraccin continua es convergente y tiene un valor denido. Si la
sucesin de convergentes no tiene lmite, la fraccin continua es divergente. La divergencia puede darse por osci-
lacin (por ejemplo, los convergentes pares e impares pueden tender a distinto lmite) o por tendencia a innito o
denominadores Bn iguales a cero.
n1 n2 n3
a0 . & & & ,
d1 . d2 . d3
donde los puntos indicaban dnde ira la siguiente fraccin y cada & representa al actual signo ms.
Ms tarde, en el siglo XVII John Wallis[7] introdujo el trmino fraccin continua en la literatura matemtica. Nuevas
tcnicas de anlisis mtematico haban sido presentadas por Newton y Leibniz y una generacin de contemporneos
de Wallis se pusieron a usar el trmino inmediatamente.
En 1748 Euler public un teorema muy importante mostrando que un tipo particular de fraccin continua es equiva-
lente a cierta serie innita muy general.[8] El teorema de fracciones continuas de Euler tiene todava una importancia
crucial en los intentos actuales de reduccin en el problema de convergencia.
Las fracciones continuas pueden aplicarse tambin a problemas de la teora de nmeros y son especialmente tiles
en el estudio de ecuaciones diofnticas. A nales del siglo XVIII Lagrange us fracciones continuas para construir
la solucin general de la ecuacin de Pell, dando as respuesta a una cuestin que haba fascinado a los matemticos
durante ms de mil aos.[9] Sorprendentemente, el descubrimiento de Lagrange implicaba que la expansin de raz
cuadrada de la fraccin continua cannica de cualquier entero no cuadrado perfecto es peridica y as, si el periodo
es de longitud p > 1, contiene una sucesin palindrmica de longitud p - 1.
En 1813 Gauss us un ingenioso truco con la funcin hipergeomtrica compleja para derivar una expresin en for-
ma de fraccin continua que ha sido denominada en su honor.[10] Esa frmula puede usarse para expresar muchas
funciones elementales (e incluso ms funciones avanzadas, como las funciones de Bessel como fracciones continuas
rpidamente convergentes vlidas casi siempre en el plano complejo.
3.2.2 Notacin
La gran expresin de fraccin continua mostrada en la introduccin es, probablemente, la forma ms intuitiva de
fraccin continua para el lector. Desafortunadamente, ocupa un montn de espacio en un libro (y tampoco es fcil su
escritura). As que los matemticos han encontrado algunas notaciones alternativas. Una forma apropiada de expresar
una fraccin continua generalizada tiene el siguiente aspecto:
a1 a2 a3
x = b0 +
b1 + b2 + b3 +
3.2. FRACCIN CONTINUA GENERALIZADA 13
a1 | a2 | a3 |
x = b0 + + + +
| b1 | b2 | b3
Karl Friedrich Gauss evocaba el ms familiar producto innito cuando ide esta notacin:
ai
x = b0 + K .
i=1 bi
Aqu K signica Kettenbrche, la palabra alemana para fraccin continua. Esta es probablemente la forma ms
compacta y conveniente para expresar fracciones continuas.
ai
b0 + K
i=1 bi
es, precisamente, una fraccin continua nita con n trminos fraccionarios y, por consiguiente, una funcin racional
de el primer n ais y el primer (n + 1) bis. Tal objeto es de poco inters desde el punto de vista adoptado en el anlisis
matemtico, as que habitualmente se asume que ninguno de los ai = 0. No hay necesidad de aplicar esta restriccin
a los denominadores parciales bi.
La frmula determinante
n ai
xn = b0 + K
i=1 bi
se expresa como una fraccin simple xn = An/Bn podemos usar la frmula determinante
para relacionar los numeradores y denominadores de los convergentes sucesivos xn and xn entre s. Especcamente,
si ni Bn ni Bn son cero, podemos expresar la diferencia entre el n-primero y el n-simo (n > 0) convergente como
sigue:
An1 An a1 a2 an n (ai )
xn1 xn = = (1)n = i=1 .
Bn1 Bn Bn Bn1 Bn Bn1
La transformacin de equivalencia
Si {ci} = {c1 , c2 , c3 , ...} es cualquier sucesin innita de nmeros complejos no nulos, puede probarse por induccin
que
14 CAPTULO 3. TRANSFORMACIN CONFORME.
a1 c1 a1
b0 + = b0 +
a2 c1 c2 a2
b1 + c1 b1 +
a3 c2 c3 a3
b2 + c2 b2 +
a4 c3 c4 a4
b3 + c3 b3 +
.. ..
. .
donde la igualdad se entiende como una equivalencia, es decir, que los convergentes sucesivos de la fraccin continua
de la izquierda son, exactamente, los mismos que los convergentes de la fraccin de la derecha.
La transformacin de equivalencia es perfectamente general, pero dos casos particulares merecen una mencin es-
pecial. En primer lugar, si uno de los ai es cero, se puede elegir una sucesin {ci} para hacer 1 cada numerador
parcial:
ai 1
b0 + K = b0 + K
i=1 bi i=1 ci bi
ai d a
i i
b0 + K = b0 + K
i=1 bi i=1 1
ai
x = b0 + K
i=1 bi
1
x= K
i=1 bi
1
f (z) = K .
i=1 z
Para una fraccin continua como esta, la nocin de convergencia uniforme surge de forma bastante natural. Una
fraccin continua de una o ms variables complejas es uniformemente convergente en un entorno abierto si los
3.2. FRACCIN CONTINUA GENERALIZADA 15
convergentes de la fraccin convergen uniformemente en cada punto de . O, dicho de otro modo, si para cada >
0 puede encontrarse un entero M tal que el valor absoluto de la diferencia
ai (z) n ai (z)
f (z) fn (z) = K K
i=1 bi (z) i=1 bi (z)
es menor que para cada punto z en un entorno abierto cuando n > M, la fraccin continua denida por f(z) es
uniformemente convergente en . (Aqu fn(z) denota el n-simo convergente de la fraccin continua, evaluado en el
punto z del interior de , y f(z) es el valor de la fraccin continua innita en el punto z.)
Es en ocasiones necesario separar una fraccin continua en sus partes pares e impares. Por ejemplo, si la fraccin
continua diverge por oscilacin entre dos puntos lmite distintos p y q, entonces la sucesin {x0 , x2 , x4 , ...} debe
converger a uno de estos y {x1 , x3 , x5 , ...} debe converger al otro. En tal situacin puede ser conveniente expresar la
fraccin continua original como dos fracciones continuas diferentes, una de ellas convergiendo a p y la otra a q.
Las frmulas para las partes pares e impares de una fraccin continua pueden escribirse de forma ms compacta si
la fraccin ya se ha transformado, de este modo todos sus denominadores parciales son uno. Especcamente, si
ai
x= K
i=1 1
es una fraccin continua, entonces la parte par x y la parte impar x vienen dadas por
a1
xeven =
a2 a3
1 + a2
a4 a5
1 + a3 + a4
a6 a7
1 + a5 + a6
..
.
y
a1 a2
xodd = a1
a3 a4
1 + a2 + a3
a5 a6
1 + a4 + a5
a7 a8
1 + a6 + a7
..
.
respectivamente. Con ms precisin, si los sucesivos convergentes de la fraccin continua x son {x1 , x2 , x3 , ...},
entonces los sucesivos convergentes de x como se escriban ms arriba son {x2 , x4 , x6 , ...} y los convergentes
sucesivos de x son {x1 , x3 , x5 , ...}.[13]
ai
x = b0 + K
i=1 bi
a + bz
w = f (z) = ,
c + dz
donde z es una variable compleja y a, b, c, d son constantes complejas arbitrarias. Suele imponerse una restriccin
adicional que ad bc , para dejar fuera los casos en los cuales w = f(z) es una constante. La transformacin
fraccionaria lineal, tambin conocida como transformacin de Mbius, tiene muchas propiedades fascinantes. Cuatro
de ellas son de importancia primordial en el desarrollo de la teora analtica de fracciones continuas.
Si d 0, la TFL tiene uno o dos puntos jos. Esto puede verse si se considera la ecuacin
f (z) = z dz 2 + cz = a + bz
que es claramente una ecuacin cuadrtica en z. Las races de esta ecuacin son puntos jos de f(z). Si
el discriminante (c b)2 + 4ad es cero, la TFL da lugar a un punto jo; en otro caso, tiene dos puntos
jos.
Si ad bc, la TFL es una biyeccin del plano complejo extendido en s mismo . En otras palabras esta TFL
tiene funcin inversa
a + cw
z = g(w) =
b dw
tal que f(g(z)) = g(f(z)) = z para todo punto z en el plano complejo extendido y ambos, f y g preservan
ngulos y formas a escalas muy pequeas. Desde la formulacin z = g(w) se comprueba que g es tambin
una TFL.
La composicin de dos TFL diferentes para las cuales ad bc es tambin una TFL para la cual ad bc. En otras
palabras, el conjunto de todas las TFL para las cuales ad bc es cerrado para la composicin de funciones.
El conjunto de tales TFL juntas con la operacin como grupo de composicin - se conoce como un grupo
automrco del plano complejo extendido.
Si b = 0 la TFL se reduce a
a
w = f (z) = ,
c + dz
lo cual es una funcin mermrca muy simple de z con un polo simple (at c/d) y un resto igual a a/d.
(Vase tambin Serie de Laurent).
a1 a2 a3
0 (z) = b0 + z, 1 (z) = , 2 (z) = , 3 (z) = ,
b1 + z b2 + z b3 + z
3.2. FRACCIN CONTINUA GENERALIZADA 17
Aqu se usa la letra griega (tau) para representar cada TFL simple y se adopta la notacin habitual para la com-
posiccin de funciones. Tambin se introduce un nuevo smbolo n para representar la composicin de n+1 - , es
decir,
y as, sucesivamente. Por substitucin directa desde el primer conjunto de expreseiones en el segundo, se ve que
a1
T1 (z) = 0 1 (z) = b0 +
b1 + z
a1
T2 (z) = 0 1 2 (z) = b0 +
a2
b1 +
b2 + z
y, en general,
n ai
Tn (z) = 0 1 2 n (z) = b0 + K
i=1 bi
donde el ltimo denominador parcial en la fraccin continua nita K se entiende que es bn + z. Y, desde bn + 0 =
bn, la imagen del punto z = 0 bajo la iteracin de la TFL n es de hecho el valor de la fraccin continua nita con n
numeradores parciales:
n ai
Tn (0) = Tn+1 () = b0 + K .
i=1 bi
La intuicin no puede nunca reemplazar una prueba matemtica. No obstante, es una til herramienta que, a me-
nudo, sugiere nuevas lneas de ataque que nalmente resuelven problemas inicialmente intratables. Si se dene una
fraccin continua nita como la imagen de un punto bajo la iteracin de una TFL (z) se llega intuitivamente a una
interpretacin geomtrica de la fracciones continuas innitas. A continuacin se puede ver cmo funciona.
La relacin
n ai An
xn = b0 + K = = Tn (0) = Tn+1 ()
i=1 bi Bn
es probablemente mejor comprendida mediante la reescritura de las TFL n(z) y n(z) en trminos de frmulas
fundamentales de recurrencia:
Y qu ocurre con los valores intermedios de z? Bien, en virtud de que los sucesivos convergentes se hacen ms
cercanos entre s, se tiene
donde k es una constante, introducida por conveniencia. Pero entonces, sustituyendo en la expresin por n(z) se
obtiene
( ) ( )
zAn1 + An An z AAn1 +1 An zk + 1 An
Tn (z) = = n
=
zBn1 + Bn Bn z BBn1
n
+1 Bn zk + 1 Bn
as que incluso los valores intermedios de z (excepto cuando z k1 ) se transforman en entornos arbitrariamente
pequeos de x, el valor de la fraccin continua, as como n se hace ms y ms grande. Intuitivamente es casi como si
el convergente de la fraccin continua transformara por completo el plano complejo extendido en un simple punto.[15]
Ntese que la sucesin {n} cae dentro del grupo de automorsmo del plano complejo extendido, en el momento en
que cada n es una transformacin lineal fraccionaria para la cual ab cd. Y cada miembro del grupo de automorsmo
se aplica desde el plano complejo extendido en s mismo no uno de los n puede posiblemente aplicar el plano en
un solo punto. Todava en el lmite de la sucesin {n} dene una fraccin continua innita la cual (si converge)
representa un solo punto en el plano complejo.
Cmo es esto posible? Pinsese del siguiente modo: cuando una fraccin continua innita converge, la sucesin
correspondiente {n} de TFL se enfoca en el plano en la direccin de x, el valor de la fraccin continua. En cada
etapa del proceso una regin ms y ms grande del plano se aplica en un entorno de x, y una regin ms y ms pequea
del plano se va achicando hasta cubrir el borde de ese entorno.[16]
Y qu hay de las fracciones continuas divergentes? Pueden tambin ser interpretadas geomtricamente? En una
palabra, s. Se distinguen tres casos:
1. Las dos sucesiones {n} y {n} podran denirse como dos fracciones continuas convergentes que tienen
dos valores diferentes, x y x . En este caso, la fraccin continua denida por la sucesin {n} diverge
por oscilacin entre dos distintos puntos lmite. Y de hecho esta idea puede generalizarse (pueden construirse
sucesiones {n} que oscilan entre tres o cuatro o incluso cualquier nmero de puntos lmite. Se llega a intere-
santes instancias de este caso cuando la sucesin {n} constituye un subgrupo de orden nico en el grupo de
automorsmos sobre el plano complejo extendido.
2. La sucesin {n} puede producir un nmero innito de denominadores cero Bi mientras que tambin produce
una subsucesin de convergentes nitos. Estos convergentes nitos podran no repetirse o caer en un patrn de
oscilacin reconocible. O podran converger a un lmite nito o incluso oscilar entre mltiples lmites nitos.
Sin importar como se comporten los convergentes nitos, la fraccin denida por la sucesin {n} diverge por
oscilacin con el punto en innito en este caso.[17]
3. La sucesin {n} podra producir no ms de un nmero nito de denominadores cero Bi, mientras que la
subsucesin de convergentes nitos baila ampliamente alrededor de el plano en un patrn que nunca se repite
y nunca alcanza un lmite nito tampoco.
Se pueden construir interesantes ejemplos de los casos 1 y 3 mediante el estudio de la fraccin simple continua
z
x=1+
z
1+
z
1+
z
1+
..
.
donde z es cualquier nmero real tal que z < .
3.3. TEOREMA DE REPRESENTACIN CONFORME DE RIEMANN 19
3.2.6 Referencias
[1] Medra \cfrac{a_3}{b_3 + \cfrac{a_4}{\ddots\,. Falta el |ttulo= (ayuda)}}</math>
[2] Thomas W. Cusick; Mary E. Flahive (1989). The Marko and Lagrange Spectra. American Mathematical Society. p. 89.
ISBN 0-8218-1531-8.
[3] George Chrystal (1999). Algebra, an Elementary Text-book for the Higher Classes of Secondary Schools and for Colleges:
Pt. 1. American Mathematical Society. p. 500. ISBN 0-8218-1649-7.
[4] 300 BC Euclides, Elements - El algoritmo de Euclides genera una fraccin continua como un producto-por
[6] 1613 Pietro Cataldi, Trattato del modo brevissimo di trovar la radice quadra delli numeri, (Tratado sobre un modo rpido
de encontrar la raz cuadrada de un nmero).
[8] 1748 Leonhard Euler, Introductio in analysin innitorum, Vol. I, Chapter 18.
[9] Brahmagupta (598 - 670) fue el primer matemtico en hacer un estudio sistemtico de la ecuacin de Pell.
[11] 1895 Helge von Koch, Bull. Soc. Math. de France, Sur un thorme de Stieltjes et sur les fractions continues.
[12] Cuando z se toma entero, esta funcin es bastante famosa, genera la razn area y la sucesin estrechamente relacionada
de medias plateadas.
[13] 1929 Oskar Perron, Die Lehre von den Kettenbrchen derives even more general extension and contraction formulas for
continued fractions.
[14] Angell, David. (2007), Irrationality and Transcendence - Lamberts Irrationality Proofs, School of Mathematics, University
of New South Wales, http://web.maths.unsw.edu.au/~{}angell/5535
[15] Esta interpretacin intuitiva no es rigurosa porque una fraccin continua no es una transformacin , sino el lmite de una su-
cesin de transformaciones. Esta construccin de una fraccin continua innita es completamente anloga a la construccin
de un nmero irracional como el lmite de una sucesin de Cauchy de nmeros racionales.
[16] Because of analogies like this one, the theory of conformal mapping is sometimes described as rubber sheet geometry.
[17] Una aproximacin al problema de la convergencia es construir fracciones continuas denidas positivas, para las cuales los
denominadores Bi nunca son cero.
Funciones elpticas
4.1.1 Denicin
Formalmente, una funcin elptica es una funcin meromorfa f denida sobre C para la que existen dos nmeros
complejos no nulos a y b tal que
En el desarrollo de la teora de las funciones elpticas, la mayora de autores modernos utilizan la notacin creada por
Karl Weierstrass: la notacin de las funciones elpticas en forma de Weierstrass basadas en la funcin es cmoda
y cualquier funcin elptica puede ser expresada a partir de estas. Weierstrass se interes en estas funciones cuando
era estudiante de Christoph Gudermann, un estudiante de Carl Friedrich Gauss. Las funciones elpticas introducidas
por Carl Jacobi, y la funcin auxiliar theta (no doble peridica), son ms complicadas pero ambas importantes para
la historia y para la teora general. La diferencia ms importante entre estas dos teoras es que las funciones de
Weierstrass tienen polos de alto orden situados en las esquinas de un retculo peridico, mientras que las funciones
de Jacobi tienen polos simples.
El estudio de las funciones elpticas est estrechamente relacionado con el estudio de las funciones modulares y las
formas modulares, relacin demostrada por el teorema de Taniyama-Shimura. Algunos ejemplos de esta relacin son
el invariante j, las series de Eisenstein y la funcin eta de Dedekind.
4.1.2 Propiedades
Cualquier nmero tal que f(z + ) = f(z) para toda z de C se le llama period de f. Si dos periodos a y b son tales
que cualquier otro periodo puede ser escrito como = ma + nb con m y n enteros , entonces a y b se les llama
periodos fundamentales. Toda funcin elptica tiene un par fundamental de perodos, aunque este par no es nico,
como se describe ms adelante.
Si a y b son periodos fundamentales que describen un retculo, entonces exactamente el mismo retculo puede ser
obtenido por los periodos fundamentales a' y b' donde a' = p a + q b y b' = r a + s b donde p, q, r y s son enteros
20
4.2. FUNCIONES DE WEIERSTRASS 21
( )
p q
que satisfacen p s q r = 1. Dicho de otra forma, la matriz tiene determinante unidad, por lo que pertenece
r s
al grupo modular. En otras palabras, si a y b son periodos fundamentales de una funcin elptica, entonces tambin
lo son a' y b' .
Si a y b son periodos fundamentales, entonces cualquier paralelogramo con vertices z, z + a, z + b, z + a + b se
le llama paralelogramo fundamental. Moviendo dicho paralelogramo mltiples de a y b obtenemos una copia del
paralelogramo, y la funcin f se comporta idnticamente sobre todas esas copias, debido a esta periodicidad.
El nmero de polos es cualquier paralelogramo es nito (e igualmente para todo paralelogramo fundamental). A no
ser que la funcin elptica sea constante, todo paralelogramo fundamental tiene al menos un polo como consecuencia
del teorema de Liouville.
La suma de los rdenes de los polos en cualquier paralelogramo fundamental se le llama el orden de la funcin elptica.
La suma de los residuos de los polos en cualquier paralelogramos fundamental es igual a cero, en particular, ninguna
funcin elptica puede tener orden uno.
El nmero de ceros (contados con su multiplicidad) en cualquier paralelogramo fundamental es igual al orden de la
funcin elptica.
La derivada de una funcin elptica es otra funcin elptica con los mismos periodos. El conjunto de todas las funciones
elpticas con el mismo periodo fundamental forman un cuerpo.
Las funciones elpticas en forma de Weierstrass son el prototipo de funcin elptica, y de hecho, el cuerpo de
funciones elpticas para un retculo dado se genera a partir de y su derivada .
( ) 1 2
(z; ) = z w 1 z
w ez/w+ 2 (z/w)
donde:
( )
(z;) 1 1 1 z
(z; ) = (z;) = z + w zw + w + w2 .
Notar que la funcin zeta de Weierstrass es bsicamente la derivada logartmica de la funcin sigma. La funcin zeta
puede ser re-escrita como:
22 CAPTULO 4. FUNCIONES ELPTICAS
(z; ) = 1
z k=1 G2k+2 ()z 2k+1 donde G2k+2 es la serie de Eisenstein de peso 2k + 2 .
Tambin es interesante notar que la derivada de la funcin zeta es (z) , donde (z) es la funcin elptica de Weiers-
trass.
No debe confundirse la funcin zeta de Weierstrass con la funcin zeta de Riemann de la teora de nmeros.
Se puede demostrar que est bien denida, o sea (z + w; ) (z; ) solo depende de w. No se debe confundir la
funcin eta de Weierstrass con la funcin eta de Dedekind.
La funcin p de Weierstrass es una funcin par elptica de rden N=2 con un nico polo doble en cada grilla.
Captulo 5
Supercies de Riemann
Supercie de Riemann que aparece al extender el dominio de la funcin f (z) = z
En geometra algebraica, una supercie de Riemann es una variedad compleja de dimensin (compleja) uno. Con-
secuentemente, la variedad real subyacente ser de dimensin 2.
5.1.1 Historia
El desarrollo de la idea de supercie de Riemann comenz a mediados del siglo XIX de la mano del matemtico
Bernhard Riemann, con los intentos de extender el dominio de denicin de funciones analticas f:U C denidas
sobre un abierto U del plano complejo. La extensin maximal (extensin analtica) se lograba no sobre el propio plano
23
24 CAPTULO 5. SUPERFICIES DE RIEMANN
complejo, sino sobre copias de abiertos del mismo que se solapaban, en lo que hoy da conocemos como variedad
compleja de dimensin uno.
5.1.2 Concepto
Una variedad real de dimensin 2 puede convertirse en una supercie de Riemann (frecuentemente de varios modos
no equivalentes) si y slo s es orientable. De este modo, la esfera y el toro admitirn estructuras complejas, pero la
banda de Mbius, la botella de Klein y el plano proyectivo real no.
Se sabe que la 2-esfera tiene una sola estructura analtica. Mientras que cada supercie orientable de gnero mayor
que cero tiene una innidad, constrastando con el punto de vista diferenciable ya que las supercies slo tienen una
estructura diferenciable.
Las supercies de Riemann
constituyen el lugar natural donde estudiar el comportamiento global de numerosas fun-
ciones (p ej f (z) = (z) , f (z) = log(z) ).
5.1.3 Ejemplos
Sea S = C {} y sea f(z) = z donde z pertenece a S \ {} y g(z) = 1 / z donde z pertenece a S \ {0} y 1/ se
dene como 0. As denidas, f y g son cartas complejas compatibles, y { f, g } es un atlas para S, convirtiendo
a S en una supercie de Riemann compacta llamada la esfera de Riemann.
Sea G un grupo de biholomorsmos de una supercie de Riemann X , que acta de modo libre y propiamente
discontinuo, entonces el espacio cociente Y es una supercie de Riemann y la proyeccin p: X Y es una
aplicacin recubridora.
Por ejemplo, G puede ser un grupo de traslaciones del plano complejo,. Sea G el grupo generado por
dos traslaciones independientes, por ejemplo:
T : z z + 1, U :z z+a
donde a es un nmero complejo no real. El espacio cociente ser homeomorfo al toro, La topologa no
depender de la eleccin de a (es siempre un toro), pero la estructura compleja cambia sensiblemente al
variar a.
5.1.4 Funciones
Toda supercie de Riemann no compacta admite funciones holomorfas no constantes.
Esto contrasta con que en una supercie de Riemann compacta toda funcin holomorfa es constante debido al princi-
pio del mximo. Sin embargo, en supercies compactas siempre existirn funciones meromorfas no constantes, que
pueden considerarse como aplicaciones holomorfas de la supercie sobre la esfera de Riemann C {}).
al plano complejo C
En caso de que la supercie X no sea simplemente conexa, podremos armar que su recubridor universal Y es con-
formemente equivalente a uno de los tres modelos anteriores. En ese caso, la supercie X podr obetenersese como
el espacio cociente de Y bajo la accin de un grupo de biholomorsmos del recubridor Y que acte de modo libre
(es decir, sin puntos jos) y propiamente discontinuo.
Los biholomorsmos de la esfera son exactamente las transformaciones de Moebius. Como una transformacin de
Moebius siempre deja un punto jo, no obtendremos ningn cociente de la esfera.
Los biholomorsmos del plano complejo que actan de modo libre y propiamente discontinuo son las traslaciones, en
concreto los grupos de traslaciones con uno o dos generadores, isomorfos a Z o a Z + Z . Los cocientes respectivos
son topolgicamente equivalentes a una corona circular o a un toro.
Al ser las traslaciones isometras respecto de la mtrica plana del plano, inducen una mtrica plana en el cociente.
Un grupo de biholomorsmos del disco que acte de modo libre y propiamente discontinuo se dice un grupo Fuch-
siano. Existen numerosos grupos Fuchsianos, y su estudio es un ramo importante de la geometra moderna.
Como todo biholomorsmo del disco resulta ser una isometra de la mtrica hiperblica del disco unidad, tambin
conocida como mtrica de Poincar, se induce una mtrica hiperblica en el cociente.
5.1.6 Referencias
Hershel M. Farkas and Irwin Kra, Riemann Surfaces (1980), Springer-Verlag, New York. ISBN 0-387-90465-4
Jrgen Jost, Compact Riemann Surfaces (2002), Springer-Verlag, New York. ISBN 3-540-43299-X
Artculo Riemann surface en Encyclopaedia of Mathematics
Captulo 6
6.1 Text
Funcin holomorfa Fuente: http://es.wikipedia.org/wiki/Funci%C3%B3n%20holomorfa?oldid=79103160 Colaboradores: Sms, Tano4595,
Jsanchezes, Rembiapo pohyiete (bot), Orgullobot~eswiki, RobotQuistnix, Francosrodriguez, Yrbot, YurikBot, KnightRider, Giro720, Da-
vius, Thijs!bot, JAnDbot, TXiKiBoT, Rei-bot, VolkovBot, BOTarate, DragonBot, Estirabot, Artra, Alexbot, Juan Mayordomo, Raulshc,
Kadellar, Alecas000, Xario, Luckas-bot, MystBot, ArthurBot, Xqbot, Belerofontesp, Kismalac, TobeBot, ZroBot, ChuispastonBot, Me-
troBot, Acratta, YFdyh-bot, Addbot y Annimos: 22
Funcin meromorfa Fuente: http://es.wikipedia.org/wiki/Funci%C3%B3n%20meromorfa?oldid=64945865 Colaboradores: Tano4595,
GermanX, Wewe, Ricard Delgado Gonzalo, CEM-bot, JAnDbot, Uruk, VolkovBot, Muro Bot, Gerakibot, Gato ocioso, Farisori, Juan
Mayordomo, MastiBot, SpBot, DumZiBoT, Luckas-bot, MystBot, ArthurBot, Xqbot, TobeBot, Dinamik-bot, ZroBot, KLBot2 y An-
nimos: 4
Productorio Fuente: http://es.wikipedia.org/wiki/Productorio?oldid=77941027 Colaboradores: Sabbut, Magister Mathematicae, Cami-
ma, Marianov, Rovnet, VolkovBot, Feministo, Loveless, Bigsus-bot, Camiloalcubo2, Dnu72, Botito777, Raulshc, Luckas-bot, Anselmi-
Juan, Euclides, Proferichardperez, EmausBot, ZroBot, MerlIwBot, Thehelpfulbot, MahdiBot, Addbot y Annimos: 12
Teorema de factorizacin de Weierstrass Fuente: http://es.wikipedia.org/wiki/Teorema%20de%20factorizaci%C3%B3n%20de%20Weierstrass?
oldid=73929112 Colaboradores: BOT-Superzerocool, Urdangaray, Drinibot, Raulshc, LucienBOT, KLBot2, Invadibot y Makecat-bot
Transformacin conforme Fuente: http://es.wikipedia.org/wiki/Transformaci%C3%B3n%20conforme?oldid=73758495 Colaborado-
res: Wewe, Alfredobi, Rosarinagazo, Felipe Cruz G., SieBot, Juan Mayordomo, Raulshc, Luckas-bot, Xqbot, Kismalac, EmausBot, Z-
roBot, KLBot2, Elvisor, Addbot y Annimos: 1
Fraccin continua generalizada Fuente: http://es.wikipedia.org/wiki/Fracci%C3%B3n%20continua%20generalizada?oldid=67946194
Colaboradores: Tartaglia, CEM-bot, Drinibot, Bigsus-bot, Raulshc, CayoMarcio, MAfotBOT, MerlIwBot, KLBot2 y Annimos: 4
Teorema de representacin conforme de Riemann Fuente: http://es.wikipedia.org/wiki/Teorema%20de%20representaci%C3%B3n%
20conforme%20de%20Riemann?oldid=73929059 Colaboradores: Lourdes Cardenal, Digigalos, Drini2, CEM-bot, Davius, Botones, Ur-
dangaray, Belgrano, Muro Bot, PaintBot, Juan Mayordomo, SilvonenBot, Luckas-bot, Barnacaga, KLBot2, Nawiks y Annimos: 3
Funcin elptica Fuente: http://es.wikipedia.org/wiki/Funci%C3%B3n%20el%C3%ADptica?oldid=64945769 Colaboradores: Tano4595,
Aadrover, RobotQuistnix, Yrbot, BOTijo, GermanX, Ricard Delgado Gonzalo, CEM-bot, Davius, TXiKiBoT, AlleborgoBot, Muro Bot,
SieBot, Macarrones, Farisori, Alexbot, Juan Mayordomo, Raulshc, David0811, Luckas-bot, RedBot, Dinamik-bot, EmausBot, KLBot2,
YFdyh-bot y Annimos: 3
Funciones de Weierstrass Fuente: http://es.wikipedia.org/wiki/Funciones%20de%20Weierstrass?oldid=74559280 Colaboradores: Sab-
but, CEM-bot, Davius, Uruk, VolkovBot, Urdangaray, Xqbot, KLBot2 y Annimos: 1
Supercie de Riemann Fuente: http://es.wikipedia.org/wiki/Superficie%20de%20Riemann?oldid=78782891 Colaboradores: Vitami-
ne, GermanX, Er Komandante, Siabef, Juan Marquez, Tamorlan, CEM-bot, Drake 81, Botones, TXiKiBoT, Muro Bot, Alexandrosas,
YonaBot, SieBot, Drinibot, Gato ocioso, Alexbot, Juan Mayordomo, Raulshc, AVBOT, DumZiBoT, Joelcuervo, Luckas-bot, Lu Tup,
Erud, Jkbw, D'ohBot, Jerowiki, GrouchoBot, ZroBot, KLBot2, Vagobot y Annimos: 6
6.2 Images
Archivo:Gamma_abs.png Fuente: http://upload.wikimedia.org/wikipedia/commons/4/44/Gamma_abs.png Licencia: Public domain Co-
laboradores: Trabajo propio Artista original: FredStober
Archivo:Riemann_sqrt.jpg Fuente: http://upload.wikimedia.org/wikipedia/commons/b/b5/Riemann_sqrt.jpg Licencia: CC-BY-SA-3.0
Colaboradores: Transferido desde en.wikipedia a Commons. Artista original: Elb2000 de Wikipedia en ingls
26
6.3. CONTENT LICENSE 27
1 Geometra diferencial 1
1.1 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 lgebra tensorial 3
2.1 Construccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 lgebra tensorial de una variedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.3 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.4 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3 Producto exterior 5
3.1 Teora Grassmann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Teora moderna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.3 Producto cua de espacios, potencia exterior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.4 Denicin con generalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.5 lgebras de Grassmann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.6 Formas diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4 Variedad diferenciable 8
4.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.1.1 Generalizacin de los conceptos de curva y supercie . . . . . . . . . . . . . . . . . . . . 8
4.1.2 Un poco de historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.1.3 Conceptos previos de variedades topolgicas . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2.1 Estructura diferenciable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2.2 Variedad diferenciable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2.3 Subvariedad diferenciable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.3 Clculo en variedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.3.1 Aspectos que se generalizan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.3.2 Vectores tangentes en un punto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.3.3 Aplicaciones diferenciables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.4 Relacin con variedades topolgicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.5 Deniciones alternativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
i
ii NDICE GENERAL
5 Funcin diferenciable 15
5.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.2 Visualizacin Geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.3 Funciones reales de una variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.4 Ejemplos para funciones de dos variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.4.1 De funcin diferenciable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.4.2 De funcin derivable no-diferenciable . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.4.3 De funcin no-continua y no-diferenciable . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.5 Funcin diferenciable de varias variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.6 Funcin diferenciable entre variedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.7 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.8 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
6 Grupo de Lie 17
6.1 Tipos de grupos de Lie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
6.2 Homomorsmos e isomorsmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
6.3 El lgebra de Lie asociada a un grupo de Lie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
6.4 Lista de algunos grupos de Lie reales y de sus lgebras de Lie . . . . . . . . . . . . . . . . . . . . 19
6.5 Lista de algunos grupos de Lie complejos y de sus lgebras de Lie . . . . . . . . . . . . . . . . . . 19
6.6 Lista de algunos grupos de Lie de dimensin innita . . . . . . . . . . . . . . . . . . . . . . . . . 19
6.7 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
6.8 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7 Espacio tangente 20
7.1 Deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
7.2 Espacio tangente R n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.3 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
8 Diferencial (matemtica) 22
9 Denicin de diferencial 23
9.1 Propiedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
9.2 Propiedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
9.3 Propiedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
12 Campo vectorial 32
12.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
12.1.1 Operaciones con campos vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
12.1.2 Derivacin y potenciales escalares y vectores . . . . . . . . . . . . . . . . . . . . . . . . . 33
12.1.3 Puntos estacionarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
12.2 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
12.2.1 Campo gradiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
12.2.2 Campo central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
12.2.3 Campo solenoidal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
12.3 Integral curvilnea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
12.4 Curvas integrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
12.5 Teorema de Poincar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
12.6 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
14 lgebra de Lie 39
14.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
14.2 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
14.3 Homomorsmos, sublgebras e ideales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
14.4 Clasicacin de las lgebras de Lie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
14.5 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
14.6 Temas relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
15.2 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
16 Derivada exterior 43
16.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
16.2 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
16.3 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
17 Derivada de Lie 44
17.1 Derivada de Lie de campos tensoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
17.2 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
17.3 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
17.4 Text and image sources, contributors, and licenses . . . . . . . . . . . . . . . . . . . . . . . . . . 46
17.4.1 Text . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
17.4.2 Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
17.4.3 Content license . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Captulo 1
Geometra diferencial
En matemticas, la geometra diferencial es el estudio de la geometra usando las herramientas del anlisis matem-
tico por mtodos diferenciales. Los objetos de estudio de este campo son las variedades diferenciables (tal y como la
topologa diferencial) as como las nociones de conexin y curvatura (que no se estudia en la topologa diferencial).
Las aplicaciones modernas de la geometra diferencial han dado el estado del arte que goza la fsica, por ejemplo el
estudio de la Teoria de la Relatividad.
Matemticas vinculadas
lgebra, lgebra multilineal
Variable compleja
Ecuaciones diferenciales
Anlisis funcional, Clculo innitesimal
Mtodos numricos
Geometra analtica, Geometra algebraica, Geometra simplctica
teora de categoras
1
2 CAPTULO 1. GEOMETRA DIFERENCIAL
lgebra tensorial
En matemtica, el lgebra tensorial es (dentro del lgebra abstracta) una construccin de un lgebra asociativa
(T(V ),+,) partiendo de un espacio vectorial (V,K,+) (sobre el cuerpo K ). Las lgebras tensoriales pueden ser vistas
como una generalizacin del clculo tensorial.
2.1 Construccin
Un lgebra tensorial se construye a partir de una base de la misma: partiendo de una base vectorial del espacio vectorial
base V , se dene un producto tensorial no conmutativo de estos elementos y no sujeto a ninguna restriccin (ms all
de la asociatividad, de la ley distributiva y las K -linealidades, donde T(V ) est denido sobre el cuerpo K ). Una vez
denidos esos productos, el conjunto T(V ) est formado por combinaciones de esos mismos productos. Por lo tanto,
T(V ) , mirada en trminos que no son intrnsecos, se puede ver como el lgebra de polinomios en n variables que no
conmutan sobre K, si V tiene dimensin n. Otras lgebras de inters tales como el lgebra exterior aparecen como
cocientes de T(V ) , como relaciones impuestas por generadores.
La construccin de T(V ) es una suma directa de partes graduadas Tk para k = 0, 1, 2,...:
T(V ) = k Tk (V ) = T0 (V ) T1 (V ) T2 (V ) . . .
k
z }| {
T (V ) = V V
k
3
4 CAPTULO 2. LGEBRA TENSORIAL
espacios tangentes son isomorfos, puede construirse un lgebra tensorial asociada a toda la variedad diferenciable.
Producto exterior
En matemtica, el producto exterior es una antisimetrizacin (alternacin) del producto tensorial. El producto exte-
rior es una multiplicacin asociativa y distributiva de funciones multilineales antisimtrico que sea anticonmutativo
para las funciones con el nmero impar de variables y conmutativo de otra manera. La teora sistemtica empieza en
la construccin de la potencia exterior para un espacio vectorial.
Un producto es una funcin lineal del producto tensorial de un espacio con s mismo en un espacio lineal.
'Nota:' tal producto es distributivo, (a izquierda y derecha) pero puede no ser unital o asociativo.
Sea { e } una base de un espacio vectorial V. Un producto exterior, o producto cua, de dos tales
generadores se dene exigiendo las reglas de cmputo (relaciones) siguientes:
Ntese que el producto toma valores en un nuevo espacio V V (ndice doble) que sea un espacio factor del producto
tensorial V V . El producto es asociativo por denicin y alternante, es decir se anula si dos ndices son iguales.
Un clculo combinatorio breve demuestra que a partir de n vectores de base se obtienen 2n productos linealmente
independientes. Estos productos construyen el espacio V vectorial subyacente a un lgebra de Grassmann (vase
abajo). El producto exterior se extiende al espacio entero V por bilinealidad. El lgebra de Grassmann es un lgebra
graduada. Denimos el grado de los escalares como cero y el grado de los vectores de base como 1. El grado de un
producto diferente a cero de generadores cuenta el nmero de generadores. El espacio de un lgebra de Grassmann
se puede por lo tanto descomponer en una suma directa de subespacios homogneos de grado denido, es decir el
espacio expandido por todos los productos que tienen exactamente k generadores:
V = V 0 V 1 V n
donde V 0 se identica con R , los nmeros reales
5
6 CAPTULO 3. PRODUCTO EXTERIOR
(k + m)!
= Alt( )
k! m!
donde k y m son los nmeros de las variables para cada una de las dos funciones y alternaciones antisimtricas de una
funcin se dene como el promedio signado de los valores sobre todas las permutaciones de sus variables:
1
Alt() = sgn() [(x1 ), ...(xk )]
k!
k
La construccin de tal lgebra es la misma construccin del producto cua dada arriba: tome el espacio vectorial V
que tiene S como base, y la suma directa de todas las potencias exteriores de V, usando el producto cua en cada
parte graduada. Si S es nito de cardinal n, el lgebra de Grassmann tiene como base un producto cua por cada
subconjunto de S, y cada producto compuesto de cuas de elementos de S con repeticiones se iguala a 0.
Variedad diferenciable
En Geometra y Topologa, una variedad diferenciable es un tipo especial de variedad topolgica, a la que podemos
extender las nociones de clculo diferencial que normalmente usamos en Rn . En una variedad diferenciable M
podremos denir lo que es una funcin diferenciable f : M R , y campos de tensores diferenciables (incluidos
campos de vectores). El estudio del clculo en variedades diferenciables se conoce como geometra diferencial.
4.1 Introduccin
Para un desarrollo informal del tema
Una variedad diferenciable representa una generalizacin, en dos aspectos bsicos, del concepto de supercie dife-
renciable:
Supone la generalizacin a cualquier nmero de dimensiones. En dimensin 1, una variedad es una curva. En
dimensin 2, una supercie sera un ejemplo de variedad.
Supone otra generalizacin al intentar denir una variedad de modo intrnseco. Por ejemplo, una curva o una
supercie suelen describirse embebidas en un espacio ambiente R, pero podran describirse sin hacer alusin a
l. Es ms, existen casos de variedades de dimensin 2 que no podrn verse embebidas en un espacio eucldeo
de dimensin 3 (pero s de dimensin superior).
Antes de hacer la segunda generalizacin, podramos pensar que una variedad es diferenciable, informalmente ha-
blando, si cada uno de sus puntos tiene espacio tangente, es decir, no tiene picos ni los. Pero para hacer una
denicin formal necesitaremos que esta no haga alusin a un posible embebimiento de la variedad en un espacio
ambiente.
Riemann, en el siglo XIX, observ la importancia de denir la nocin de variedad de un modo intrnseco, sin re-
querir que el espacio topolgico subyacente estuviera embebido en un espacio afn. La denicin formal precisa fue
introducida por primera vez por Hermann Weyl en 1913.
Las variedades diferenciables aparecen en diversos campos de la Fsica:
En Relatividad general, el espacio (de dimensin 3) y el tiempo forman una variedad de dimensin 4 llamada
espacio-tiempo.
Muchas teoras modernas, como la Teora de cuerdas, operan en una variedad de dimensin mayor que 4.
8
4.2. DEFINICIN 9
En mecnica clsica, para describir la situacin de un slido rgido en el espacio se necesitan 6 parmetros (3
que describan la posicin de su centro de masas y otros 3 que corresponden a los grados de libertad rotacional).
Una situacin concreta de un slido quedar descrita como un punto en una variedad diferenciable de dimensin
6, que se denomina espacio de conguracin del slido rgido.
Una variedad topolgica de dimensin n 0 es un espacio topolgico M (que suele suponerse Hausdor
y ANII) en el que para cada p M existe un entorno abierto Up M homeomorfo a un abierto de Rn
mediante p : Up Vp Rn .
Un par (Up , p ) bajo estas condiciones se denomina carta o sistema coordenado sobre M para p , y la
aplicacin p se denomina aplicacin coordenada para p .
Cada aplicacin coordenada se podr desglosar como un conjunto de n funciones coordenadas (x1 , , xn )
: en efecto, si para cada j {1, ..., n} Z convenimos en representar por rj a la funcin rj : Rn R
que a cada q = (q1 , ..., qn ) Rn le hace corresponder rj (q) = qj (es decir, la j -sima coordenada de q ),
denominaremos a la aplicacin xj = rj p como la funcin coordenada para p .
Podramos cuestionarnos cmo sera posible determinar si una funcin f : M R denida en una variedad topol-
gica es una funcin diferenciable. Aparentemente bastara exigir que f 1 , su expresin en un entorno coordenado
sea diferenciable. Pero esta condicin no sera consistente si realizamos un cambio de carta. En efecto, si observamos
su expresin en otra carta:
f 1 1 1 1 1
= f ( ) = (f ) ( )
necesitaremos para mantener la consistencia que el cambio de cartas representado por el ltimo parntesis sea dife-
renciable. Esta exigencia es la base de la denicin de estructura diferenciable.
4.2 Denicin
Dada una variedad topolgica M y un nmero entero r 0 , una estructura diferenciable (o atlas maximal) F de
clase r sobre M es una familia {(U , ) : } de sistemas coordenados sobre M de manera que se cumpla que:
1. U recubre M, es decir, U = M ,
3. F es maximal (relativo al orden dado por la inclusin de conjuntos) entre todas las familias de entornos coor-
denados sobre M bajo las condiciones 1 y 2.
Se dice que el par (M, F ) formado por la variedad topolgica M de dimensin n y por la estructura diferenciable F
de clase r es una variedad diferenciable de dimensin n y clase r .
Hay una cierta confusin sobre la terminologa variedad diferenciable (sin ms especicaciones) y variedad suave. En
cualquier caso, para evitar confusiones, todos los textos indican qu entienden por variedad diferenciable.
10 CAPTULO 4. VARIEDAD DIFERENCIABLE
f (p) = 0, p M
Los conjuntos no suaves, o que satisfaciendo una ecuacin similar a la anterior pero donde f no fuera diferenciable
en general no constituyen subvariedades diferenciables.
La derivada de Lie, que queda denida de forma nica por la estructura diferenciable, pero deja de satisfacer
alguna de las propiedades de la derivada direccional.
Una conexin afn que no est denida de forma nica, por lo que debe ser especicada como un dato aadido a
la variedad. Presenta una generalizacin ms completa de las caractersticas de la derivada direccional ordinaria.
Las ideas del clculo integral tambin pueden extenderse a las variedades diferenciables. Encontrarn su expresin
natural en el lenguaje del clculo exterior con formas diferenciables. Teoremas fundamentales del clculo integral
en varias variables, en particular el teorema de Green, el de la divergencia y el de Stokes se generalizan en un solo
teorema llamado teorema de Stokes.
f
Xp (f ) = ai
xi
En los aos 1960 surge la denicin axiomtica de vector tangente en un punto de una variedad, como generali-
zacin de lo anterior. Un vector Xp tangente a una variedad ser un operador Xp : C (p) R que satisfaga:
El conjunto de vectores tangentes en un punto forman un espacio vectorial de la misma dimensin que la variedad
llamado espacio tangente en p y notado como Tp M . En principio, espacios tangentes en puntos distintos no son
comparables. Pero podemos formar con ellos una variedad de dimensin el doble de la dimensin de M, que se
llamar brado tangente y se notar como TM. Como conjunto, T M = pM Tp M
4.4. RELACIN CON VARIEDADES TOPOLGICAS 11
Toda variedad topolgica de dimensin 1, 2, o 3 tiene una nica estructura diferenciable (salvo difeomorsmos).
Se conocen ejemplos de variedades topolgicas que no admiten ninguna estructura diferenciable (Teorema de
Donaldson),
y de otras que admiten mltiples estructuras difeomorfas (incluso una cantidad no numerable de ellas).
Algunos ejemplos:
Slo hay una estructura diferenciable (salvo difeomorsmos) sobre Rn excepto cuando n = 4, caso que admite
un nmero no numerable de estructuras diferenciables.
La siguiente tabla muestra el nmero de estructuras diferenciables (mdulo homeomorsmos que conservan la
orientacin) sobre la n-esferas para dimensiones n < 19. Las esferas con estructuras diferenciables diferentes
de la usual se conocen con el nombre de esferas exticas.
1. x (U ) = M ,
bajo estas condiciones, cada par (U , x ) de manera que p x (U ) M se denomina una carta local o sistema de
coordenadas de M en p , x se denomina parametrizacin de M para p , x (U ) se denomina entorno coordenado
de p , y la familia {(U , x ) : } es denominada una atlas sobre M . Si un atlas A es maximal (relativo al orden
dado por la inclusin de conjuntos) entre todos los atlas sobre M (por supuesto bajo las condiciones 1 y 2, ya que de
otra manera no sera atlas) se dice que el atlas A es una estructura diferenciable sobre M .
El conjunto {G M : x1 (G) (U ), } (donde aqu (U ) representa la topologa del conjunto U )
no es otra cosa que la topologa nal en M para la familia {(U , x ) : } . Cuando se toma una estructura
diferenciable A sobre M y la topologa nal en M para esa estructura diferenciable hace de M un espacio topolgico
que cumple el segundo axioma de numerabilidad y la propiedad de Hausdor, entonces se dice que el par (M, A)
formado por el conjunto M y la estructura diferenciable A sobre M es una variedad topolgica de dimensin n y
clase r . Cuando adems r > 0 , entonces se dice que (M, A) es una variedad diferenciable (de dimensin n y
clase r ).
Existen al menos cuatro maneras (todas equivalentes entre s) de denir una variedad diferencial cuando se las con-
sidera como subconjuntos de un espacio eucldeo. Cada una de ellas es til, y dependiendo del contexto o de la
dicultad del problema se usar una u otra, o incluso se combinarn varias a la vez.
Sea E un espacio eucldeo de dimensin n 0 y sea S E . Diremos que S es una variedad diferenciable en E de
dimensin k (donde 0 k n es un nmero entero) y clase C r (donde r 1 es un nmero entero) si para cada
x0 S existe un entorno abierto U E de x0 y una aplicacin : U Rnk de manera que:
3. S U = {x U : (x) = 0} .
Sea E un espacio eucldeo de dimensin n 0 y sea S E . Diremos que S es una variedad diferenciable en E de
dimensin k (donde 0 k n es un nmero entero) y clase C r (donde r 1 es un nmero entero) si para cada
x0 S existen:
2. un abierto V E1 de z0 := x10 u1 + x20 u2 + ... + xk0 uk , donde se dene el subespacio E1 como el espacio
generado por {u1 , ..., uk } ,
4. una aplicacin f : V W de clase r sobre V (esto es, f C r (V ) )de manera que f (z0 ) = y0 y
S (V W ) = {(z, f (z)) E1 E2 : z V } .
4.6. REFERENCIAS 13
Sea E un espacio eucldeo de dimensin n 0 y sea S E . Diremos que S es una variedad diferenciable en E de
dimensin k (donde 0 k n es un nmero entero) y clase C r (donde r 1 es un nmero entero) si para cada
x0 S existe un entorno abierto U0 E de x0 y una aplicacin : U0 Rn de manera que:
Sea E un espacio eucldeo de dimensin n 0 y sea S E . Diremos que S es una variedad diferenciable en E de
dimensin k (donde 0 k n es un nmero entero) y clase C r (donde r 1 es un nmero entero) si para cada
x0 S existe un entorno abierto U1 E de x0 , un abierto no vaco V Rk , un elemento t0 V y una aplicacin
: V E de manera que:
1. (t0 ) = x0 ,
2. la jacobiana D(t0 ) de en t0 es inyectiva,
3. es un homeomorsmo de clase r sobre V (esto es, C r (V ) es continua, abierta e inyectiva) entre V y
S U1 (con la topologa relativa).
4.6 Referencias
William M. Boothby, An Introduction to Dierenciable Manifolds and Riemannian Geometry, 2nd ed. San
Diego: Academic Press, 1986.
Currs Bosch, C. Geometria diferencial: varietats diferenciables i varietats de Riemann. Barcelona: Edicions
Universitat de Barcelona, 2003.
Kobayashi, S., Nomizu, K. Foundations of Dierential Geometry, vol. I. New York [etc.] : Interscience, 1963.
Spivak, M. A. Comprehensive Introduction to Dierential Geometry. Boston [Mass.]: Publish or Perish, 1970-
1975.
14 CAPTULO 4. VARIEDAD DIFERENCIABLE
Volumen I,II,IV.
Warner, F. W. Foundations of Dierentiable Manifolds and Lie Groups. New York : Springer, 1983.
John M. Lee, Introduction to Smooth Manifolds, (2003) Springer Graduate Texts in Mathematics 218.
Roger Penrose: El camino de la realidad, Ed. Debate, Barcelona, 2006, p. 464, ISBN 84-8306-681-5.
Spivak, Michael, Clculo en variedades. Revert (1988), ISBN 84-291-5142-7
Spivak, Michael, A comprehensive introduction to dierential geometry,volume I, Publish or Perish, Inc, Hous-
ton, Texas, 1999, ISBN 0-914098-87-X.
Funcin diferenciable
El concepto de funcin diferenciable es una generalizacin para el clculo en varias variables del concepto ms
simple de funcin derivable. En esencia una funcin diferenciable admite derivadas en cualquier direccin y puede
aproximarse al menos hasta primer orden por una aplicacin afn.
La formulacin rigurosa de esta idea intuitiva sin embargo es algo ms complicada y requiere de conocimientos de
lgebra lineal. Debe notarse que aunque una funcin de varias variables admita derivadas parciales segn cada una
de sus variables no necesariamente eso implica que sea una funcin diferenciable.
5.1 Denicin
Una funcin de mltiples variables f : Rn Rm se dir diferenciable en x0 Rn si, siendo un conjunto
abierto en Rn , existe una transformacin lineal T que cumpla:
(h)
limh0 h =0
o sea (h) tiende a cero ms rpido que funcin lineal, cuando h tiende a 0. Necesariamente la transformacin
lineal T es la nica cosa que se ve ms claramente si adoptamos como denicin de funcin derivable aquella para
la cual se cumple que exista una aplicacin lineal tal que:
15
16 CAPTULO 5. FUNCIN DIFERENCIABLE
f (x, y) = ex+y
g(x, y) = x|y|
2x +y 2
xy 2
h(x, y) = x4 +y 4
5.7 Referencias
Bombal, R. Marn & Vera: Problemas de Anlisis matemtico: Clculo Diferencial, 1988, ed. AC, ISBN 84-
7288-101-6.
Grupo de Lie
En matemtica, un grupo de Lie (nombrado as por Sophus Lie) es una variedad diferenciable real o compleja
que es tambin un grupo tal que las operaciones de grupo (multiplicacin e inversin) son funciones diferenciables
o analticas, segn el caso. Los grupos de Lie son importantes en anlisis matemtico, fsica y geometra porque
sirven para describir la simetra de estructuras analticas. Fueron introducidos por Sophus Lie en 1870 para estudiar
simetras de ecuaciones diferenciales.
Mientras que el espacio eucldeo Rn es un grupo de Lie real (con la adicin ordinaria de vectores como operacin de
grupo), ejemplos ms tpicos son grupos de matrices inversibles (multiplicacin de matrices), por ejemplo el grupo
SO(3) de todas las rotaciones en el espacio de 3 dimensiones. Vase abajo para una lista ms completa de ejemplos.
Se clasican los grupos de Lie con respecto a sus propiedades algebraicas (simple, semisimple, resoluble, nilpotente,
abeliano), su conexidad (conexo o no conexo) y su compacidad.
17
18 CAPTULO 6. GRUPO DE LIE
en G x G enva (e, e) a e, as que su derivada da una operacin bilineal en TeG. resulta que esta operacin bilineal
satisface los axiomas de un corchete de Lie, y es igual al que es denido a travs de campos vectoriales invariantes
por la izquierda.
Cada vector v en g determina una funcin c: R G cuya derivada en todo punto viene dado por el campo vectorial
invariante por la izquierda correspondiente
c(t) = c(t)v
c(s + t) = c(s)c(t)
para todo s y t. La operacin en el lado derecho es la multiplicacin de grupo en G. La semejanza formal de esta
frmula con la que es vlida para la funcin exponencial justica la denicin
exp(v) = c(1)
esto se llama la funcin exponencial, y mapea el lgebra de Lie g en el grupo de Lie G. Proporciona un difeomorsmo
entre una vecindad de 0 en g y una vecindad de e en G. Esta funcin exponencial es una generalizacin de la funcin
exponencial para los nmeros reales (puesto que R es el lgebra de Lie del grupo de Lie de nmeros reales positivos
con la multiplicacin usual), para los nmeros complejos (puesto que C es el lgebra de Lie del grupo de Lie de
6.4. LISTA DE ALGUNOS GRUPOS DE LIE REALES Y DE SUS LGEBRAS DE LIE 19
nmeros complejos diferentes a cero con la multiplicacin usual) y para las matrices (puesto que M(n, R) con el
conmutador regular es el lgebra de Lie del grupo de Lie GL(n, R) de todas las matrices inversibles).
Porque la funcin exponencial es suryectiva en alguna vecindad N de e, es comn llamar a los elementos del lgebra
de Lie generadores innitesimales del grupo G. De hecho, el subgrupo de G generado por N ser el grupo entero
G solamente cuando G sea conexo.
La funcin exponencial y el lgebra de Lie determinan la estructura de grupo local de cada grupo de Lie conexo,
debido a la frmula de Campbell-Hausdor: existe una vecindad U del elemento cero de g, tal que para u, v en U se
tiene
donde los trminos omitidos son conocidos e implican los corchetes de Lie de cuatro o ms elementos. En caso de
que u y v conmuten, esta frmula se reduce a la ley exponencial familiar exp(v) exp(u) = exp(u + v).
Cada homomorsmo f: G H de los grupos de Lie induce un homomorsmo entre las lgebra de Lie correspondien-
tes g y h. la asociacin G|- > g es un funtor. La estructura global de un grupo de Lie no est totalmente determinada,
en general, por su lgebra de Lie; vea la tabla abajo para los ejemplos de grupos de Lie diversos que comparten la
misma lgebra de Lie. Podemos decir sin embargo que un grupo de Lie conexo es simple, semisimple, resoluble,
nilpotente, o abeliano si y solamente si su lgebra de Lie tiene la propiedad correspondiente.
Si requerimos que el grupo de Lie sea simplemente conexo, entonces la estructura global est determinada por su
lgebra de Lie: para cada lgebra de Lie g nito dimensional sobre F hay un nico (mdulo un isomorsmo) grupo
de Lie G simplemente conexo con g como lgebra de Lie. Por otra parte cada homomorsmo entre las lgebras de
Lie se eleva a un homomorsmo nico entre los correspondientes grupos de Lie simplemente conexos.
6.7 Referencias
Adams, John Frank (1969), Lectures on Lie Groups, Chicago Lectures in Mathematics, Chicago: Univ. of
Chicago Press, ISBN 0-226-00527-5.
Hall, Brian C. (2003), Lie Groups, Lie Algebras, and Representations: An Elementary Introduction, Springer,
ISBN 0-387-40122-9.
Serre, Jean-Pierre (1965), Lie Algebras and Lie Groups: 1964 Lectures given at Harvard University, Lecture
notes in mathematics, 1500, Springer, ISBN 3-540-55008-9.
Lie Groups. Representation Theory and Symmetric Spaces Wolfgang Ziller, Vorlesung 2010
lgebra de Virasoro
lgebra de Witt
Captulo 7
Espacio tangente
g.1 El plano que toca a la esfera en un solo punto es llamado plano tangente. Cada punto de la esfera tiene asociado un plano
tangente. Para la esfera los puntos antipodales tiene planos tangente paralelos.
En geometra diferencial, espacio tangente es el conjunto asociado a cada punto de una variedad diferenciable for-
mado por todos los vectores tangentes a dicho punto (vase g.1). Es un espacio vectorial de la misma dimensin
que la dimensin de la variedad.
El conjunto de todos los espacios tangentes, debidamente topologizado, forma el llamado brado tangente. Resulta
ser en s mismo otra variedad de dimensin doble de la dimensin de la variedad de entrada.
7.1 Deniciones
Hay varias formas de entender este concepto. Primero vamos a explicar utilizando la grca de la g.2. Empecemos
suponiendo que tenemos una curva en la variedad M que pasa por alguna posicin elegida cualquiera: xM . Es
decir una aplicacin : [,]M diferenciable que satisface (0)=x y (0)=v . Resulta que el conjunto de todos estos
vectores tangentes a la curva en el punto x forman el espacio tangente Tx M de x en M.
20
7.2. ESPACIO TANGENTE RN 21
Tx M
(t) M
g.2 Las cartas que cumplan esta condicin formarn parte de dicha estructura. Ilustracin del espacio tangente Tx M y un vector
tangente vTx M obtenido utilizando una curva que pasa por un punto xM .
Df(a)(x a) = 0
x1 f1 (a) . . . xn f1 (a) x1 a1
... ... . . . . . . = 0
x1 fn (a) . . . xn fn (a) xn an
Diferencial (matemtica)
Este artculo habla sobre la denicin del diferencial dentro del campo de la geometra diferencial, para
otros usos dentro de la matemtica vea diferencial (clculo, desambiguacin), para usos ms generales
vea diferencial (desambiguacin)
Herramienta matemtica que nos permite trabajar sobre espacios tangentes de diferentes variedades diferenciables
aprovechado las buenas propiedades de unos bien conocidos sobre otros que casi no conocemos.
Eslabn necesario para construir la teora de geometra diferencial y generalizar su estudio.
22
Captulo 9
Denicin de diferencial
dp F : Tp M TF (p) N
dp F () : F(M ) R
7
g 7 dp F ()(g) := (g F ).
Observaciones
Queda claro que es p , ya que p es redundante pues hablamos de elementos de Tp M y, es decir, derivaciones a M
precisamente en p .
Veamos que est bien denida, es decir, que dp F () TF (p) N como se ha requerido:
f, g F(N ), R
dp F ()(f + g) = ((f + g) F ) = (f F + g F ) = (f F ) + (g F ) =
dp F ()(f ) + dp F ()(g),
dp F ()(f g) = ((f g)F ) = ((f F )(gF )) = (f F )(gF )(p)+(f F )(p)(gF ) = dp F ()(f )g|F (p) +f|F (p) dp F ()(g)
y, por tanto, es una derivacin; en resumen, el diferencial de una derivacin es una derivacin.
1 , 2 Tp M, f F(N ) y R
y por tanto, al ser lineal y bien denida, hereda correctamente las propiedades de suma vectorial y
producto por escalar para que los elemento obtenidos en TF (p) N , a partir de los elementos de Tp M
, puedan formar un subespacio vectorial, seria deseable conseguir una base para generar totalmente
TF (p) N .
As pues, tenemos que dp F , como aplicacin lineal entre espacios vectoriales, queda totalmente determinada por
una matriz.
23
24 CAPTULO 9. DEFINICIN DE DIFERENCIAL
9.1 Propiedad
Sean M, N, P variedades diferenciables, F : M N , G : N P y p M , entonces tenemos que:
dp (G F ) = dF (p) G dp F
Demostracin
9.2 Propiedad
Sea M una variedad diferenciable, IdM : M M y p M , entonces tenemos que:
dp (IdM ) = IdTp M
Demostracin
h F (P ), Tp M
9.3 Propiedad
Sea M, N variedades diferenciables y F : M N un difeomorsmo, entonces tenemos que:
Demostracin
dq G dp F = dp (G F ) = dp (IdM ) = IdTp M ,
dp F dq G = dq (F G) = dq (IdN ) = IdTq N .
En la rama de la matemtica denominada anlisis matemtico, el teorema de la funcin inversa proporciona las
condiciones sucientes para que una aplicacin sea invertible localmente en un entorno de un punto p en trminos de
su derivada en dicho punto. Tcnicamente es un teorema de existencia local de la funcin inversa. El teorema puede
enunciarse para aplicaciones en Rn o se puede generalizar a variedades diferenciables o espacios de Banach.
10.2 Ejemplo
Consideremos la funcin F de R2 en R2 denida por
[ ]
ex cos y
F(x, y) = x
e sin y
Su matriz jacobiana es
[ ]
ex cos y ex sin y
JF (x, y) = x
e sin y ex cos y
y su determinante
Como el determinante e2x es no nulo en todo punto, aplicando el teorema, para cada punto p de R2 , existe un entorno
de p en que F es invertible.
26
10.3. GENERALIZACIONES 27
10.3 Generalizaciones
es un isomorsmo lineal (es decir, isomorsmo entre espacios vectoriales) en un punto p de M, entonces existe un
entorno abierto U de p tal que
F|U : U F(U)
es un difeomorsmo.
Dicho de otro modo, si la diferencial de F es un isomorsmo en todos los puntos p de M, entonces la aplicacin F es
un difeomorsmo local.
f : Rn Rm , m n, f C 1 (, Rm )
Tal que la funcin f admite inversa global, donde uf es el vector desplazamiento asociado a la funcin denido como
la resta vectorial entre la imagen de un punto y su posicin inicial:
uf (x) = f (x) x Rn
Puede demostrarse que c()=1 si el dominio es convexo, mientras que un dominio no convexo requiere c()<1 .
10.6 Referencias
Para una demostracin con detalles vase:
Alejandro Jofr, Patricio Felmer, Paul Bosch, Matas Bulnes, Arturo Prat, Luis Rademacher, Jos Zamora, y
Mauricio Vargas. "Clculo en Varias Variables - Apunte Completo" (2010). Disponible en: http://docencia.dim.
uchile.cl/calculo_vv/material/apunte_cvv_felmer-jofre.pdf
Bombal, Marin & Vera: Problemas de Anlisis matemtico: Clculo Diferencial, 1988, ed. AC, ISBN 84-7288-
101-6.
Captulo 11
En anlisis matemtico, el teorema de la funcin implcita establece condiciones sucientes bajo las cuales una
ecuacin o conjunto de ecuaciones de varias variables permite denir a una de ellas o varias de ellas como funcin
de las dems.
Una funcin y(x) est dada de forma implcita cuando est denida de la forma F (x, y) = 0 en lugar de la habitual.
Dada la ecuacin F(x,y)=0 (lo que se conoce como funcin implcita), bajo ciertas exigencias sobre la derivada de F
podramos, al menos localmente, despejar y = f(x).
Por ejemplo, puede probarse que la siguiente ecuacin dene una funcin implcita en cierta regin de R2 entre las
variables x e y:
y 3 + y 2 + 5xy + x2 + x + y = 0
Es decir, el teorema establece que existe una funcin y = f(x) que sustituida en la ecuacin anterior, la convierte en
una identidad matemtica.
11.1 Ejemplos
Antes de enunciar el teorema, considere la funcin
f : A R2 R
(x, y) 7 x2 + y 2
Si consideramos la ecuacin f (x, y) = 0 , entonces la funcin admite como preimgenes todos los vectores (x, y)
que resuelven esta ecuacin: x20 + y02 = 0 . Por esto, no es posible despejar globalmente una variable en trminos
de la otra y por lo mismo no es posible determinar cmo cambia una variable en funcin de la otra, al menos no
globalmente pero s en un entorno de (x0 , y0 ) . (El nico vector factible (x0 , y0 ) en la preimagen es (0, 0) ).
Otro ejemplo ms complejo sera el siguiente:
{
xz 3 + y 2 u3 = 1
2xy 3 + u2 z = 0
Puede verse que si para valores de (z, u) cercanos al punto (0, 1) existen dos funciones x=f1 (z,u), y=f2 (z,u) tales que
se cumple automticamente para puntos de un entorno abierto:
{
f1 (z, u)z 3 + f22 (z, u)u3 = 1
2f1 (z, u)f23 (z, u) + u2 z = 0
28
11.2. ENUNCIADO GENERAL 29
Sean f :ARm+n Rn una funcin continuamente diferenciable y (a,b)Rm+n cualquier vector tal que f (a,b)=0 . Con-
sidere (x,y)Rm+n y dena la matriz jacobiana DF (a,b)=[Dx f (a,b),Dy f (a,b)] y sobre esta considere que la sub-
matriz que dene [Dy f (a,b)] es invertible. Entonces existen los conjuntos abiertos V Rm+n y W Rm con (a,b)V
y aW tales que para cada xW existe un nico y tal que (x,y)V y f (x,y)=0 lo que dene una funcin g:W Rn
que es continua y diferenciable y que adems satisface
f (x, g(x)) = 0, x W
adems
30 CAPTULO 11. TEOREMA DE LA FUNCIN IMPLCITA
donde g(a)=b .
La demostracin del teorema se puede encontrar en diversos libros de clculo, en particular el nal del artculo se
presenta un enlace a una demostracin con detalles. Las versiones del teorema en dos dimensiones resultan tiles para
jar ideas antes de extenderse al caso de n dimensiones.
Fx + Fy f (x) = 0
F
Es decir que la derivada buscada es f (x) = Fx .
y
6x2 y + 5y 3 + 3x2 = 12 x2 y 2
El trmino 6x2 y Se puede considerar que son dos funciones, 6x2 y y por lo que se derivara como un producto:
( )
( ) ( ) dy
Dx 6x2 y = (12x) y + 6x2
dx
( ) dy
Dx 5y 3 = 15y 2
dx
El trmino 3x2 se deriva de forma normal como:
( )
Dx 3x2 = 6x
El valor constante 12, que no depende ni de x ni de y, tiene por derivada 0, como corresponde a un valor constante.
Dx (12) = 0
( )
( ) dy
Dx x y 2 2
= 2xy + x 2y
2 2
dx
11.5. VASE TAMBIN 31
dy dy dy
12xy + 6x2 + 15y 2 + 6x = 2xy 2 2x2 y
dx dx dx
Ordenando
dy dy dy
6x2 + 15y 2 + 2x2 y = 12xy 6x 2xy 2
dx dx dx
dy
Factorizando respecto a ( dx ) los valores son:
( ) dy ( )
6x2 + 15y 2 + 2x2 y = 12xy + 6x + 2xy 2
dx
dy
Finalmente despejando dx se obtiene la derivada de la funcin implcita:
dy 12xy + 6x + 2xy 2
= 2
dx 6x + 15y 2 + 2x2 y
11.6 Referencias
Alejandro Jofr, Patricio Felmer, Paul Bosch, Matas Bulnes, Arturo Prat, Luis Rademacher, Jos Zamora,
y Mauricio Vargas. "Clculo en Varias Variables - Apunte Completo" (2011). Disponible en: http://www-old.
dim.uchile.cl/~{}docencia/calculo_vv/material/apunte_cvv_felmer-jofre.pdf
11.6.1 Bibliografa
Para una coleccin de ejemplos:
Bombal, Marin & Vera: Problemas de Anlisis matemtico: Clculo Diferencial, 1988, ed. AC, ISBN 84-7288-
101-6.
Captulo 12
Campo vectorial
En matemticas, un campo vectorial representa la distribucin espacial de una magnitud vectorial. Es una expresin
de clculo vectorial que asocia un vector a cada punto en el espacio euclidiano, de la forma : Rn Rn .
Los campos vectoriales se utilizan en fsica, por ejemplo, para representar la velocidad y la direccin de un uido en
32
12.1. DEFINICIN 33
12.1 Denicin
Un campo vectorial sobre un subconjunto del espacio euclidiano X Rn es una funcin con valores vectoriales:
F : X Rn
Se dice que F es un campo vectorial C k si como funcin es k veces diferenciable con continuidad en X. Un campo
vectorial se puede visualizar como un espacio X con un vector n- dimensional unido a cada punto en X.
(f F)(x) = f (x)F(x)
dene el mdulo de los campos vectoriales C k sobre el anillo de las funciones C k . Alternativamente el conjunto de
todos los campos vectoriales sobre un determinado subconjunto X es en s mismo un espacio vectorial.
Dado un campo vectorial cuyo rotacional se anula en un punto , existe un campo potencial escalar cuyo gradiente
coincide con el campo escalar en un entorno de ese punto.
Dado un campo vectorial solenoidal cuya divergencia se anula en un punto, existe un campo vectorial llamado
potencial vector cuyo rotacional coincide con el campo escalar en un entorno de ese punto.
F(x) = 0
El conjunto de todos los espacios vectoriales denidos sobre un subconjunto X, que son estacionarios en un deter-
minado punto forman un subespacio vectorial del conjunto del espacio vectorial denido en la seccin anterior.
34 CAPTULO 12. CAMPO VECTORIAL
12.2 Ejemplos
Un campo vectorial para el movimiento del aire en la tierra asociar a cada punto en la supercie de la tierra
un vector con la velocidad y la direccin del viento en ese punto. Esto se puede dibujar usando echas para
representar el viento; la longitud (magnitud) de la echa ser una indicacin de la velocidad del viento. Un Alta
en la funcin usual de la presin baromtrica actuara as como una fuente (echas saliendo), y un Baja ser
un sumidero (echas que entran), puesto que el aire tiende a moverse desde las reas de alta presin a las reas
de presin baja.
Un campo de velocidad de un lquido mvil. En este caso, un vector de velocidad se asocia a cada punto en el
lquido. En un tnel de viento, las lneas de campo se pueden revelar usando humo.
Campos magnticos. Las lneas de campo se pueden revelar usando pequeas limaduras de hierro.
Las ecuaciones de Maxwell permiten que utilicemos un conjunto dado de condiciones iniciales para deducir,
para cada punto en el espacio euclidiano, una magnitud y una direccin para la fuerza experimentada por una
partcula de prueba cargada en ese punto; el campo vectorial que resulta es el campo electromagntico.
Los campos vectoriales se pueden construir a partir de campos escalares usando el operador diferencial vectorial
gradiente que da lugar a la denicin siguiente.
Un campo vectorial C k F sobre X se llama un campo gradiente o campo conservativo si existe una funcin Ck+1 a
valores reales f: X R (un campo escalar) de modo que
F(x) = f (x) (x X)
La integral curvilnea sobre cualquier curva cerrada (e.g. (a) = (b)) en un campo gradiente es siempre cero.
I b b
d
F(x), dx = f ((t)), (t) dt = f (t) dt = f ((b)) f ((a)) = 0
a a dt
Un campo vectorial C sobre Rn \{0} se llama campo central si puede encontrarse un punto xS tal que:
Donde O(n, R) es el grupo ortogonal.Se dice que los campos centrales son invariantes bajo transformaciones orto-
gonales alrededor de un punto S cuyo vector posicin es xS . El punto S se llama el centro del campo.
Un campo central es siempre un campo gradiente, por los campos centrales pueden ser caracterizados ms fcilmente
mediante:
( )
U ^ U ^ U ^
F(x) = x i + y j + z k
Donde U = f (x xS ) es una funcin potencial que depende slo de la distancia entre el punto donde se mide el
campo y el centro del campo.
12.3. INTEGRAL CURVILNEA 35
F(x) = A(x) (x X)
La integral de supercie o ujo cualquier supercie cerrada de un campo solenoidal es siempre cero.
H
V
F(x), dS = V
( A) dV = V
0 dV = 0
b
F(x), dx = F((t)), (t)dt
a
(F + G)(x), dx = F(x), dx + G(x), dx
F(x), dx = F(x), dx
F(x), dx = F(x), dx
F(x), dx = F(x), dx + F(x), dx
1 +2 1 2
y = F(x) (x X)
podemos intentar denir curvas (t) sobre X de modo que para cada t en un intervalo I
(t) = x (t I)
36 CAPTULO 12. CAMPO VECTORIAL
(t) = y (t I)
Puesto en nuestra ecuacin de campo vectorial conseguimos
(t) = F((t)) (t I)
lo que es la denicin de una ecuacin diferencial ordinaria de primer orden explcita con las curvas (t) como
soluciones.
Si F es Lipschitz continua se puede encontrar una curva C nica x para cada punto x en X de modo que
x (0) = (x)
x (t) = F(x (t)) (t (, +) R)
Las curvas x se llaman las curvas integrales del campo vectorial F y particionan X en clases de equivalencia. No
es siempre posible ampliar el intervalo (-, +) a la recta real total. El ujo puede por ejemplo alcanzar el borde de
X en un tiempo nito.
Integrar el campo vectorial a lo largo de cualquier curva integral da
b b
F(x), dx = F((t)), (t)dt = dt = constante.
a a
En dimensin 2 o tres se puede visualizar el campo vectorial como dando lugar a un ujo en X. Si dejamos caer una
partcula en este ujo en el punto x se mover a lo largo de una curva en el ujo dependiendo del punto inicial x.
Si x es un punto estacionario en F entonces la partcula seguir estacionaria.
Los usos tpicos son aerodinmica en lquidos, ujo geodsico, los subgrupos uniparamtricos y la funcin exponencial
en grupos de Lie.
1. Si un campo vectorial cumple en algn punto P que A = 0 , entonces el campo es localmente conservativo,
es decir, existe un entorno de P donde se cumple que: A = , es decir, es localmente expresable como el
gradiente de un campo escalar.
2. Si un campo vectorial es solenoidal en un punto P: A = 0 , entonces el campo localmente deriva de un
potencial vector, es decir, existe un entorno de P donde se cumple que: A = P .
En topologa diferencial, dados dos campos de vectores diferenciables X e Y sobre una variedad M, se dene el
corchete de Lie de los campos X e Y, notado [X, Y ] como el nico campo de vectores que cumple:
n (
) ( )
Y i j X
i
i
[X, Y ] = X j
Y
j=1
xj xj
donde n es la dimensin de M.
El corchete de Lie de dos campos constituye un caso particular de una operacin ms general: la derivada de Lie de
un tensor cualquiera LX T a lo largo de la direccin que marque un campo X. Cuando T es un campo de vectores Y,
recuperamos el corchete de Lie
LX Y = [X, Y ]
13.1 Propiedades
[.,.] es 'R-bilineal:
Antisimetra:
[X, Y ] = [Y, X]
Identidad de Jacobi:
37
38 CAPTULO 13. CORCHETE DE LIE (CAMPOS DE VECTORES)
[f X, gY ] = f g[X, Y ] + f X(g)Y gY (f )X
Esta ltima igualdad destaca que aunque el corchete sea R-bilineal, no es bilineal sobre las funciones diferenciables.
Como consecuencia, el corchete no tendr carcter tensorial, es decir, el valor del vector [X, Y ]p no solo depender
del valor de los vectores Xp e Yp (no podremos denir el corchete de Lie de dos vectores), sino de los campos X e Y.
Como consecuencia inmediata de la antisimetra, [X, X] = 0 para cualquier campo X .
[ek , e ] = ck m em
A las funciones ck m se les denomina coecientes de estructura de la base {e }. Estos coecientes no forman parte
de un tensor.
En el caso especial en que la base est asociada a un sistema de coordenadas {xa }, dado que los vectores bsicos
conmutan ( [xa , xb ] = 0 ), los coecientes de estructura sern nulos. Las bases locales para las que se anulan estos
coecientes reciben el nombre de bases holnomas.
En un grupo de Lie G, considerado como variedad, podemos denir un conjunto particular de campos de vecto-
res: los campos invariantes por la izquierda. A este conjunto se le denomina lgebra de Lie de G. Dada una base
{X1 , . . . , Xn } de campos invariantes por la izquierda, se demuestra que los coecientes de estructura son constan-
tes, y reciben el nombre de constantes de estructura de G con respecto a la base {Xi } .
lgebra de Lie
En matemtica, un lgebra de Lie es la estructura algebraica denida sobre un espacio vectorial, asociada usualmente
a los grupos de Lie y usadas en el estudio geomtrico de esos los propios grupos y de otras variedades diferenciables.
El trmino "lgebra de Lie (referido a Sophus Lie) fue creado por Hermann Weyl en la dcada de 1930, para lo que
se denominaba grupo innitesimal.
Si un grupo de Lie puede interpretarse en fsica como un grupo de transformaciones sobre una variedad diferenciable
el lgebra de Lie fsicamente puede concebirse como un conjunto de transformaciones innitesimales.
14.1 Denicin
Un lgebra de Lie A es un espacio vectorial sobre un cierto cuerpo F junto con una operacin binaria [, ] : A A
-> A, llamada corchete de Lie, que satisface las propiedades siguientes:
satisface la identidad de Jacobi, es decir, [[x, y], z] + [[z, x], y] + [[y, z], x] = 0 para todo x, y, z en A.
Observe que la primera propiedad y la tercera juntas implican [x, y] = [y, x] para todo x, y en A (anti-simetra) si
el cuerpo F es de caracterstica diferente de dos. Observe tambin que la multiplicacin representada por el corchete
de Lie no es, en general, asociativa, es decir, [[x, y], z] no necesariamente es igual a [x, [y, z]].
14.2 Ejemplos
Cada espacio vectorial se convierte en un lgebra de Lie abeliana trivial si denimos el corchete de Lie como
idnticamente cero.
El espacio eucldeo R3 se convierte en un lgebra de Lie con el corchete de Lie dado por el producto vectorial.
Si se da un lgebra asociativa A con la multiplicacin * , se puede dar un lgebra de Lie deniendo [x, y] = x
* y y * x. esta expresin se llama el conmutador de x e y.
Inversamente, puede ser demostrado que cada lgebra de Lie se puede sumergir en otra que surja de un lgebra
asociativa de esa manera.
Otro ejemplo importante viene de la topologa diferencial: los campos vectoriales en una variedad diferenciable
forman un lgebra de Lie de dimensin innita. Estos campos vectoriales actan como operadores diferenciales
sobre las funciones diferenciables sobre la variedad. Dados dos campos vectoriales X e Y, el corchete de Lie
[X,Y ] se dene como:
39
40 CAPTULO 14. LGEBRA DE LIE
y puede comprobarse que este operador corresponde a un campo vectorial. Las generalizaciones adecuadas de la
teora de variedades al caso de dimensin innita muestra que este lgebra de Lie es ala asociada (ver siguiente
punto) al grupo de Lie de los difeomorsmos de la variedad.
En el caso de una variedad que sea un grupo de Lie G a su vez, un subespacio de los campos vectoriales queda
inalterado por las transformaciones dadas por el propio grupo, en el sentido de que en cada punto g del mismo,
el campo no es ms que:
Este subespacio es de dimensin nita (e igual a la del grupo), dado que se corresponde con el espacio tangente en la
identidad. Adems hereda la estructura de lgebra de Lie denida en el punto anterior, y se le denomina el lgebra
de Lie asociada al grupo G .
Como ejemplo concreto, consideremos el grupo de Lie SL(n, R) de todas las matrices n n con valores reales
y determinante 1. El espacio tangente en la matriz identidad se puede identicar con el espacio de todas las
matrices reales n n con traza 0 y la estructura de lgebra de Lie que viene del grupo de Lie coincide con el
que surge del conmutador de la multiplicacin de matrices.
acaba hacindose cero. Por el teorema de Engel, un lgebra de Lie es nilpotente si y solo si para cada x en A, la funcin
ad(x): A -> A denida por
ad(x)(y) = [x, y]
14.5. ENLACES EXTERNOS 41
A [A, A] [[A, A]], [A, A]] [[[A, A]], [A, A]],[[A, A]], [A, A]]] ...
acaba hacindose cero. Una sublgebra soluble maximal se llama una sublgebra de Borel.
Un lgebra de Lie A se llama semisimple si el nico ideal soluble de A es trivial. Equivalente, A es semisimple si
y solamente si la forma de Killing K(x, y) = tr(ad(x)ad(y)) es no-degenerada; aqu tr denota el operador de traza.
Cuando el cuerpo F es de caracterstica cero, A es semi-simple si y solamente si cada representacin es totalmente
reducible, esto es, que para cada subespacio invariante de la representacin hay un complemento invariante (teorema
de Weyl). Un lgebra de Lie es simple si no tiene ningn ideal no trivial. En particular, un lgebra de Lie simple es
semi-simple, y ms generalmente, las lgebras de Lie semi-simples son suma directa de simples. Las lgebras de Lie
complejas semi-simples se clasican a travs de sus sistemas de raz.
Algebroide de Lie
lgebra de Virasoro
E8 (matemticas)
Captulo 15
En matemticas, una curva integral de un campo vectorial es el anlogo abstracto de la lnea de corriente en el ujo
de un uido. En fsica cuando el campo en cuestin representa un campo de fuerzas las curvas integrales corresponden
a las lneas de fuerza.
15.1 Denicin
Dado un campo vectorial V(x) denido en algn conjunto abierto A en el espacio eucldeo, o ms generalmente en
una variedad diferenciable M , una curva integral C(t) de V en un punto dado P de M es la curva en M denida
en un cierto intervalo [-a, a] con 0 < a, tal que
Esta ltima condicin en la derivada equivale a que el vector tangente a la curva C sea precisamente el vector dado
por V.
15.2 Propiedades
Adems el conjunto de curvas integrales de una regin constituye una foliacin unidimensional de dicha regin. Eso
implica que dado un punto de esa regin donde el campo no sea nulo, por ese punto pasa una y slo una curva integral.
Esas propiedades de las curvas integrales, hacen posible visualizar un campo vectorial como dando lugar a un ujo
en M, con cada punto movindose en la direccin vectorial dada por V, y en una tasa proporcional a su longitud. Si V
tiene un cero en un punto Q, entonces Q ser inmvil (es decir la curva constante a Q ser la curva integral). Esto es
un ujo 'estacionario' (independiente del tiempo); como un modelo de una ecuacin diferencial ordinaria, ste es el
ms simple posible, y las representaciones del espacio de fase se utilizan a menudo para construir tal campo vectorial
auxiliar.
Desde un punto de vista matemtico, puede haber problemas en extender una curva integral para tener como dominio
el conjunto de la recta de los nmeros reales. El ujo puede por ejemplo alcanzar el borde de M en un tiempo nito.
Los usos tpicos son el ujo geodsico, y subgrupos uniparamtricos y funcin exponencial en grupos de Lie.
42
Captulo 16
Derivada exterior
16.1 Denicin
La derivada exterior de una forma diferencial de grado k es una forma diferencial de grado k+1. La diferenciacin
exterior satisface tres propiedades importantes:
d( ) = d + (1)deg ( d)
Puede ser demostrado que la derivada exterior est determinada unvocamente por estas propiedades y su coincidencia
con el diferencial en 0-formas (funciones).
Los casos especiales de la diferenciacin exterior corresponden a los operadores diferenciales familiares del clcu-
lo vectorial a lo largo de las mismas lneas que el diferencial corresponde a gradiente. Por ejemplo, en el espacio
euclidiano tridimensional, la derivada exterior de una 1-forma corresponde al rotacional y la derivada exterior de
2-formas corresponde a la divergencia. Esta correspondencia muestra ms de una docena de frmulas del clculo
vectorial como casos especiales de las tres reglas antedichas de la diferenciacin exterior. El ncleo del operador d
consiste en las formas cerradas, y la imagen en las formas exactas (cf. diferenciales exactos).
43
Captulo 17
Derivada de Lie
En matemtica, una derivada de Lie es una derivacin en el lgebra de funciones diferenciables sobre una variedad
diferenciable M , cuya denicin puede extenderse al lgebra tensorial de la variedad. Obtenemos entonces lo que en
topologa diferencial se denomina derivacin tensorial: una aplicacin R -lineal sobre el conjunto de tensores de tipo
(r,s), que preserva el tipo tensorial y satisface la regla del producto de Leibniz y que conmuta con las contracciones.
Para denir la derivada de Lie sobre el conjunto de tensores de tipo (r,s) bastar con denir su accin sobre funciones
y sobre campos de vectores: As, si X es un campo diferenciable de vectores, se dene la derivada de Lie con respecto
a X como la nica derivacin tensorial tal que:[1]
La derivada as denida satisfar automticamente las propiedades citadas de una derivacin tensorial:
LX (S T ) = (LX S) T + S (LX T ).
El espacio vectorial de todas las derivadas de Lie en M forma a su vez un lgebra de Lie innito dimensional con
respecto al corchete de Lie.
44
17.2. VASE TAMBIN 45
Vector de Killing
17.3 Referencias
[1] O Neill Semiriemaniann geometry. Academic Press, 1983. ISBN 0-12-526740-1 (cap 2)
[2] T. J. Willmore. The Denition of Lie Derivative. Proceedings of the Edinburgh Mathematical Society (Series 2), Volume
12, Issue 01, Jun 1960, pp 27-29 doi: 10.1017/S0013091500025013
46 CAPTULO 17. DERIVADA DE LIE
17.4.2 Images
Archivo:ComposicinDiferencial.png Fuente: http://upload.wikimedia.org/wikipedia/commons/f/f4/Composici%C3%B3nDiferencial.
png Licencia: Public domain Colaboradores: Trabajo propio Artista original: Marianov
Archivo:Diferencial.png Fuente: http://upload.wikimedia.org/wikipedia/commons/d/d9/Diferencial.png Licencia: Public domain Co-
laboradores: Trabajo propio Artista original: Marianov
Archivo:Image_Tangent-plane.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/6/66/Image_Tangent-plane.svg Licencia:
Public domain Colaboradores: Transferred from en.wikipedia; Transfer was stated to be made by User:Ylebru. Artista original: Original
uploader was Alexwright at en.wikipedia Later version(s) were uploaded by BenFrantzDale at en.wikipedia.
Archivo:Implicit_circle.png Fuente: http://upload.wikimedia.org/wikipedia/commons/a/a1/Implicit_circle.png Licencia: CC-BY-SA-
3.0 Colaboradores: English Wikipedia Artista original: Salix_alba
Archivo:Tangentialvektor.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/e/e7/Tangentialvektor.svg Licencia: Public do-
main Colaboradores:
Tangentialvektor.png Artista original:
derivative work: McSush (<a href='//commons.wikimedia.org/wiki/User_talk:McSush' title='User talk:McSush'>talk</a>)
Archivo:ToricCodeTorus.png Fuente: http://upload.wikimedia.org/wikipedia/commons/d/d2/ToricCodeTorus.png Licencia: CC BY
3.0 Colaboradores: Trabajo propio Artista original: Woottonjames
Archivo:Vector_field.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/c/c2/Vector_field.svg Licencia: Public domain Co-
laboradores: Trabajo propio Artista original: Fibonacci.
1 Proceso estocstico 1
1.1 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Denicin matemtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Casos especiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Proceso de Mrkov 4
2.1 La propiedad de Mrkov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3 Propiedad de Mrkov 6
3.1 Demostracin matemtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4 Cadena de Mrkov 8
4.1 Denicin formal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2 Notacin til . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2.1 Cadenas homogneas y no homogneas . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2.2 Probabilidades de transicin y matriz de transicin . . . . . . . . . . . . . . . . . . . . . 9
4.2.3 Vector de probabilidad invariante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.2.4 Clases de comunicacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.2.5 Tiempos de entrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.2.6 Recurrencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.2.7 Periodicidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.3 Tipos de cadenas de Mrkov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.3.1 Cadenas irreducibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.3.2 Cadenas positivo-recurrentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.3.3 Cadenas regulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.3.4 Cadenas absorbentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.3.5 Cadenas de Mrkov en tiempo continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.4 Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.4.1 Fsica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
i
ii NDICE GENERAL
4.4.2 Meteorologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.4.3 Modelos epidemiolgicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.4.4 Internet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.4.5 Simulacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.4.6 Juegos de azar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.4.7 Economa y nanzas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.4.8 Gentica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.4.9 Msica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.4.10 Operaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.4.11 Redes Neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.5 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.6 Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.7 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.8 Text and image sources, contributors, and licenses . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.8.1 Text . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.8.2 Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.8.3 Content license . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Captulo 1
Proceso estocstico
El ndice de la bolsa es un ejemplo de proceso estocstico de tipo no estacionario (por eso no se puede predecir).
1.1 Ejemplos
Los siguientes son ejemplos dentro del amplio grupo de las series temporales:
Seales de telecomunicacin.
Seales biomdicas (electrocardiograma, encefalograma, etc.)
1
2 CAPTULO 1. PROCESO ESTOCSTICO
Seales ssmicas.
El nmero de manchas solares ao tras ao.
El ndice de la bolsa segundo a segundo.
La evolucin de la poblacin de un municipio ao tras ao.
El tiempo de espera en cola de cada uno de los usuarios que van llegando a una ventanilla.
El clima es un gigantesco conjunto de procesos estocsticos interrelacionados (velocidad del viento, hu-
medad del aire, etc) que evolucionan en el espacio y en el tiempo.
Los procesos estocsticos de orden mayor a uno, como el caso de una serie de tiempo de orden 2 y una
correlacin de cero con las dems observaciones.
Como un conjunto de realizaciones temporales y un ndice aleatorio que selecciona una de ellas.
Como un conjunto de variables aleatorias Xt indexadas por un ndice t , dado que t T , con T R .
Un proceso se dice de tiempo continuo si T es un intervalo (usualmente este intervalo se toma como [0, ) ) o
de tiempo discreto si T es un conjunto numerable (solamente puede asumir determinados valores, usualmente se
toma T N ). Las variables aleatorias Xt toman valores en un conjunto que se denomina espacio probabilstico.
Sea (, B, P ) un espacio probabilstico. En una muestra aleatoria de tamao n se observa un suceso compuesto E
formado por sucesos elementales :
El suceso compuesto es un subconjunto contenido en el espacio muestral y es un lgebra de Boole B . A cada suceso
le corresponde un valor de una variable aleatoria V , de manera que V es funcin de :
El dominio de esta funcin o sea el campo de variabilidad del suceso elemental, es el espacio muestral, y su recorrido,
o sea el de la variable aleatoria, es el campo de los nmeros reales. Se llama proceso aleatorio al valor en (A, A) de
un elemento X = (, B, (Xt )t0 , P ) , donde para todo t R, Xt es una variable aleatoria del valor en (A, A) .
Si se observa el suceso en un momento t de tiempo:
2. Las autocovarianzas de orden s slo vienen afectadas por el lapso de tiempo transcurrido entre los
dos periodos y no dependen del tiempo.
Proceso de Lvy: Son procesos homogneos de Markov de tiempo continuo que generalizan el paseo aleatorio
que usualmente se dene como de tiempo discreto.
Vuelo de Lvy
1.4 Referencias
[1] Dagum, Camilo y Estela M. Bee de Dagum(1971) Introduccin a la Econometra: 79-83. Mxico: Siglo XXI editores,
stima edicin, 1980.
[2] Se llama ltracin a una sucesin {B (t), t T}de sub--lgebras tal que B (t) est incluida en B (r) si r <t.
Captulo 2
Proceso de Mrkov
En la teora de la probabilidad y en estadstica, un proceso de Mrkov, llamado as por el matemtico ruso Andri
Mrkov, es un fenmeno aleatorio dependiente del tiempo para el cual se cumple una propiedad especca: la
propiedad de Mrkov. En una descripcin comn, un proceso estocstico con la propiedad de Mrkov, o sin memoria,
es uno para el cual la probabilidad condicional sobre el estado presente, futuro y pasado del sistema son independien-
tes.[1] Los procesos de Mrkov surgen en probabilidad y en estadstica en una de dos maneras:
i) Un proceso estocstico, que se dene a travs de un argumento separado, puede demostrarse (matemticamente)
que tiene la propiedad de Mrkov y como consecuencia tiene las propiedades que se pueden deducir de sta para
todos los procesos de Mrkov.
ii) De ms importancia prctica es el uso de la suposicin que la propiedad de Mrkov es vlida para un proceso
aleatorio con el n de construir, ab initio, un modelo estocstico para este proceso. En trminos de modelado, suponer
que la propiedad de Mrkov es vlida es una de un limitado nmero de formas sencillas de introducir dependencia
estadstica en un modelo para un proceso estocstico, de tal manera que permita que la fuerza de la dependencia en
los diferentes retardos decline a medida que el retardo aumenta.
Frecuentemente el trmino cadena de Mrkov se usa para dar a entender que un proceso de Mrkov tiene un espacio de
estados discreto (innito o numerable). Usualmente una cadena de Mrkov sera denida para un conjunto discreto de
tiempos (es decir, una cadena de Mrkov de tiempo discreto),[2] aunque algunos autores usan la misma terminologa
donde tiempo puede tomar valores continuos.[3]
Movimiento browniano
Cadena de Mrkov
Proceso de Feller
2.3 Referencias
[1] Markov process (mathematics) - Britannica Online Encyclopedia
4
2.3. REFERENCIAS 5
[2] Everitt,B.S. (2002) The Cambridge Dictionary of Statistics. CUP. ISBN 0-521-81099-X
[3] Dodge, Y. The Oxford Dictionary of Statistical Terms, OUP. ISBN 0-19-920613-9
Captulo 3
Propiedad de Mrkov
En teora de probabilidad y estadstica, la propiedad de Markov se reere a la propiedad de ciertos procesos esto-
csticos por la cual carecen de memoria, lo que signica que la distribucin de probabilidad del valor futuro de una
variable aleatoria depende de su valor presente, pero es independiente de la historia de dicha variable. A los procesos
que satisfacen esta condicin se les conoce como procesos de Mrkov. Debe su nombre al matemtico ruso Andri
Mrkov, quien desarroll la teora de las cadenas de Mrkov.
P (Xn+1 |Xn )
Que es la probabilidad de transicin del proceso. La propiedad de las cadenas de Mrkov es que las transiciones entre
los estados, slo puede producirse entre estados vecinos. Slo se puede llegar al estado i desde el estado i-1 bien de
i+1.
Este tipo de estadstica se suele encontrar en la distribucin exponencial, cuya funcin de densidad de probabilidad
se expresa as:
f (t) = et t>0
Vamos a comprobar que un proceso denido por esta funcin de densidad de probabilidad no tiene memoria. La
probabilidad de que haya una transicin entre 0 y un tiempo t cualquiera es:
t
P (0 < < t) = P ( < t) = e d
0
Integrando obtenemos:
P ( < t) = e0 et = 1 et
Ahora vamos a calcular la probabilidad para el mismo intervalo t, pero con instante de inicio diferente t0 . Calcularemos
la probabilidad de tener una transicin en el intervalo t, (de t0 hasta t0 +t) condicionado a que antes de t0 no ha habido
ninguna transicin:
6
3.1. DEMOSTRACIN MATEMTICA 7
t0 +t
e d et0 e(t0 +t) et0 (1 et )
P (t0 < < t0 + t| > t0 ) = t0 = = = 1 et
t0
e d et0 e et0 0
Con lo que queda demostrado que la probabilidad de tener una transicin en un estado, no depende del tiempo anterior.
Captulo 4
Cadena de Mrkov
En la teora de la probabilidad, se conoce como cadena de Mrkov o modelo de Mrkov a un tipo especial de
proceso estocstico discreto en el que la probabilidad de que ocurra un evento depende solamente del evento inme-
diatamente anterior. Esta caracterstica de falta de memoria recibe el nombre de propiedad de Markov.
0.3
E
0.7
0.4
A
0.6
Cadena simple biestable de Markov.
8
4.1. DEFINICIN FORMAL 9
Recibe su nombre del matemtico ruso Andri Mrkov (1856-1922), que lo introdujo en 1907.[1]
Estos modelos estadsticos cuentan con un gran nmero de aplicaciones reales.
(n)
pij = Pr(Xn = j | X0 = i)
en la probabilidad de transicin en un paso se omite el superndice de modo que queda
Un hecho importante es que las probabilidades de transicin en n pasos satisfacen la ecuacin de Chapman-
Kolmogrov, esto es, para cualquier k tal que 0 < k < n se cumple que
(n)
(k) (nk)
pij = pir prj
rE
Cuando la cadena de Mrkov es homognea, muchas de sus propiedades tiles se pueden obtener a travs de
su matriz de transicin, denida entrada a entrada como Ai,j = pij
Diremos que un vector de probabilidad (nito o innito numerable) es invariante para una cadena de Mrkov
si
P =
donde P denota la matriz de transicin de la cadena de Mrkov. Al vector de probabilidad invariante tambin se le
llama distribucin estacionaria o distribucin de equilibrio.
(n)
pij > 0 para algn n,
Diremos que un subconjunto C del espacio de estados (al que denotaremos E) es cerrado si ningn estado de
(m)
E-C puede ser accedido desde un estado de C, es decir, si px,y = 0 para todo xC, para todo yE-C y para
todo natural m>0.
esto es, TC denota la primera vez que la cadena entra al conjunto de estados C.
4.2.6 Recurrencia
En una cadena de Mrkov con espacio de estados E, si xE se dene Lx = P (Xn = x para algun n N |X0 = x)
y diremos que:
x es estado recurrente si Lx = 1 .
x es transitorio si Lx < 1
x es absorbente si px,x = 1
Una clase de comunicacin es clase recurrente si todos sus estados son recurrentes.
x es cero-recurrente si x =
x es positivo-recurrente si x <
4.2.7 Periodicidad
(n)
d(x) = mcd{n : Px,x > 0}
Una cadena de Mrkov se dice aperidica si todos sus estados son aperidicos.
Una cadena de Mrkov se dice irreducible si se cumple cualquiera de las siguientes condiciones (equivalentes entre
s):
La cadena de Ehrenfest o la caminata aleatoria sin barreras absorbentes son ejemplos de cadenas de Mrkov irredu-
cibles.
Una cadena de Mrkov se dice positivo-recurrente si todos sus estados son positivo-recurrentes. Si la cadena es adems
irreducible es posible demostrar que existe un nico vector de probabilidad invariante y est dado por:
x = 1/x
Una cadena de Mrkov se dice regular (tambin primitiva o ergdica) si existe alguna potencia positiva de la matriz
de transicin cuyas entradas sean todas estrictamente mayores que cero.
Cuando el espacio de estados E es nito, si P denota la matriz de transicin de la cadena se tiene que:
lim P n = W
n
donde W es una matriz con todos sus renglones iguales a un mismo vector de probabilidad w, que resulta ser el vector
de probabilidad invariante de la cadena. En el caso de cadenas regulares, ste vector invariante es nico.
12 CAPTULO 4. CADENA DE MRKOV
Una cadena de Mrkov con espacio de estados nito se dice absorbente si se cumplen las dos condiciones siguientes:
Si denotamos como A al conjunto de todos los estados absorbentes y a su complemento como D, tenemos los siguientes
resultados:
( )
Q R
P =
0 I
donde la submatriz Q corresponde a los estados del conjunto D, I es la matriz identidad, 0 es la matriz nula y R alguna
submatriz.
Px (TA < ) = 1 , esto es, no importa en donde se encuentre la cadena, eventualmente terminar en un
estado absorbente.
Si en lugar de considerar una secuencia discreta X1 , X2 ,..., Xi,.. con i indexado en el conjunto N de nmeros naturales,
se consideran las variables aleatorias Xt con t que vara en un intervalo continuo del conjunto R de nmeros reales,
tendremos una cadena en tiempo continuo. Para este tipo de cadenas en tiempo continuo la propiedad de Mrkov se
expresa de la siguiente manera:
Para una cadena de Mrkov continua con un nmero nito de estados puede denirse una matriz estocstica dada
por:
P(t1 , t2 ) = [pij (t1 , t2 )]i,j=1,...,N , pij (t1 , t2 ) = P [X(t2 ) = j|X(t1 ) = i], 0 t1 < t2
La cadena se denomina homognea si P(t1 , t2 ) = P(t2 t1 ) . Para una cadena de Mrkov en tiempo continuo
homognea y con un nmero nito de estados puede denirse el llamado generador innitesimal como:[2]
P(h)I
Q = limh0+ h
Q n tn
P(t) = eQt = n=0 n!
4.4 Aplicaciones
4.4.1 Fsica
Las cadenas de Mrkov son usadas en muchos problemas de la termodinmica y la fsica estadstica. Ejemplos im-
portantes se pueden encontrar en la Cadena de Ehrenfest o el modelo de difusin de Laplace.
4.4. APLICACIONES 13
4.4.2 Meteorologa
Si consideramos el clima de una regin a travs de distintos das, es claro que el estado actual solo depende del
ltimo estado y no de toda la historia en s, de modo que se pueden usar cadenas de Mrkov para formular modelos
climatolgicos bsicos. Por ejemplo se han desarrollado modelos de recurrencia de las lluvias basados en cadenas de
Mrkov.[3]
Una importante aplicacin de las cadenas de Mrkov se encuentra en el proceso Galton-Watson. ste es un proceso
de ramicacin que se puede usar, entre otras cosas, para modelar el desarrollo de una epidemia (vase modelaje
matemtico de epidemias).
4.4.4 Internet
El pagerank de una pgina web (usado por Google en sus motores de bsqueda) se dene a travs de una cadena
de Mrkov, donde la posicin que tendr una pgina en el buscador ser determinada por su peso en la distribucin
estacionaria de la cadena.
4.4.5 Simulacin
Las cadenas de Mrkov son utilizadas para proveer una solucin analtica a ciertos problemas de simulacin, por
ejemplo en teora de colas el Modelo M/M/1[4] es de hecho un modelo de cadenas de Mrkov.
Son muchos los juegos de azar que se pueden modelar a travs de una cadena de Mrkov. El modelo de la ruina del
jugador, que establece la probabilidad de que una persona que apuesta en un juego de azar nalmente termine sin
dinero, es una de las aplicaciones de las cadenas de Mrkov en este rubro.
Las cadenas de Mrkov se pueden utilizar en modelos simples de valuacin de opciones para determinar cundo existe
oportunidad de arbitraje, as como en el modelo de colapsos de una bolsa de valores o para determinar la volatilidad
de los precios. En los negocios, las cadenas de Mrkov se han utilizado para analizar los patrones de compra de los
deudores morosos, para planear las necesidades de personal y para analizar el reemplazo de equipo.
4.4.8 Gentica
Se emplean cadenas de Mrkov en teora de gentica de poblaciones, para describir el cambio de frecuencias gnicas
en una poblacin pequea con generaciones discretas, sometida a deriva gentica. Ha sido empleada en la construccin
del modelo de difusin de Mot Kimura.
4.4.9 Msica
Diversos algoritmos de composicin musical usan cadenas de Mrkov, por ejemplo el software Csound o Max
4.4.10 Operaciones
4.5 Referencias
[1] Basharin, Gely P.; Langville, Amy N.; Naumov, Valeriy A. (2004). The Life and Work of A. A. Markov. Linear Algebra
and its Applications (en ingls) 386: 326. Consultado el 31 de marzo de 2010.
[3] R. Gabriel & J. Neumann (2006): A Markov chain model for daily rainfall occurrence at Tel Aviv
4.6 Bibliografa
A.A. Mrkov. Rasprostranenie zakona bolshih chisel na velichiny, zavisyaschie drug ot druga. Izvestiya
Fiziko-matematicheskogo obschestva pri Kazanskom universitete, 2-ya seriya, tom 15, pp. 135156, 1906.
A.A. Markov. Extension of the limit theorems of probability theory to a sum of variables connected in a
chain. reprinted in Appendix B of: R. Howard. Dynamic Probabilistic Systems, volume 1: Markov Chains.
John Wiley and Sons, 1971.
Classical Text in Translation: A. A. Markov, An Example of Statistical Investigation of the Text Eugene Onegin
Concerning the Connection of Samples in Chains, trans. David Link. Science in Context 19.4 (2006): 591600.
Online: http://journals.cambridge.org/production/action/cjoGetFulltext?fulltextid=637500
Leo Breiman. Probability. Original edition published by Addison-Wesley, 1968; reprinted by Society for In-
dustrial and Applied Mathematics, 1992. ISBN 0-89871-296-3. (See Chapter 7.)
J.L. Doob. Stochastic Processes. New York: John Wiley and Sons, 1953. ISBN 0-471-52369-0.
S. P. Meyn and R. L. Tweedie. Markov Chains and Stochastic Stability. London: Springer-Verlag, 1993. ISBN 0-
387-19832-6. online: http://web.archive.org/web/https://netfiles.uiuc.edu/meyn/www/spm_files/book.html .
Second edition to appear, Cambridge University Press, 2009.
S. P. Meyn. Control Techniques for Complex Networks. Cambridge University Press, 2007. ISBN 978-0-521-
88441-9. Appendix contains abridged Meyn & Tweedie. online: https://netfiles.uiuc.edu/meyn/www/spm_
files/CTCN/CTCN.html
Booth, Taylor L. (1967). Sequential Machines and Automata Theory (1st edicin). Nueva York: John Wiley and
Sons, Inc. Library of Congress Card Catalog Number 67-25924. Extensive, wide-ranging book meant for specia-
lists, written for both theoretical computer scientists as well as electrical engineers. With detailed explanations
of state minimization techniques, FSMs, Turing machines, Markov processes, and undecidability. Excellent
treatment of Markov processes pp. 449. Discusses Z-transforms, D transforms in their context.
Kemeny, John G.; Hazleton Mirkil, J. Laurie Snell, Gerald L. Thompson (1959). Finite Mathematical Structures
(1st edicin). Englewood Clis, N.J.: Prentice-Hall, Inc. Library of Congress Card Catalog Number 59-12841.
Classical text. cf Chapter 6 Finite Markov Chains pp. 384.
Kijima, Masaaki (1997). Markov Processes for Stochastic Modeling (1st edicin). Cambridge: Chapman & Hall.
ISBN 0 412 60660 7.
E. Nummelin. General irreducible Markov chains and non-negative operators. Cambridge University Press,
1984, 2004. ISBN 0-521-60494-X
4.7. ENLACES EXTERNOS 15
http://www.gestiondeoperaciones.net/cadenas-de-markov/ejemplo-de-una-cadena-de-markov-en-tiempo-discreto/
Techniques to Understand Computer Simulations: Markov Chain Analysis
4.8.2 Images
Archivo:Commons-emblem-question_book_orange.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/1/1f/Commons-emblem-question_
book_orange.svg Licencia: CC BY-SA 3.0 Colaboradores: <a href='//commons.wikimedia.org/wiki/File:Commons-emblem-issue.svg'
class='image'><img alt='Commons-emblem-issue.svg' src='//upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.
svg/25px-Commons-emblem-issue.svg.png' width='25' height='25' srcset='//upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.
svg/38px-Commons-emblem-issue.svg.png 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.svg/
50px-Commons-emblem-issue.svg.png 2x' data-le-width='48' data-le-height='48' /></a> + <a href='//commons.wikimedia.org/wiki/
File:Question_book.svg' class='image'><img alt='Question book.svg' src='//upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_
book.svg/25px-Question_book.svg.png' width='25' height='20' srcset='//upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_
book.svg/38px-Question_book.svg.png 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_book.svg/50px-Question_
book.svg.png 2x' data-le-width='252' data-le-height='199' /></a> Artista original: GNOME icon artists, Jorge 2701
Archivo:Markovkate_01.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/2/2b/Markovkate_01.svg Licencia: CC BY-SA
3.0 Colaboradores: Trabajo propio Artista original: Joxemai4
Archivo:TelekomAustriaAktie.png Fuente: http://upload.wikimedia.org/wikipedia/commons/7/75/TelekomAustriaAktie.png Licen-
cia: CC BY-SA 2.5 Colaboradores: ? Artista original: ?
1 Teora de la decisin 1
1.1 Partes de la teora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Tipos de decisiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 Eleccin entre mercancas inconmensurables . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2 Eleccin bajo incertidumbre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.3 Eleccin atemporal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Decisiones complejas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Paradoja de la eleccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5.1 Otras referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.6 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.7 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Toma de decisiones 5
2.1 Importancia de tomar decisiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.1 Decisiones programadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.2 Decisiones no programadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Indecisin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.1 En que etapa son ms frecuentes las indecisiones? . . . . . . . . . . . . . . . . . . . . . 7
2.2.2 A que se debe la indecisin? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Anlisis de la Indecisin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3.1 El estado de nimo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3.2 La importancia de la situacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3.3 El miedo al cambio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3.4 Mltiples opciones a tomar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3.5 Baja autoestima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Las decisiones en el Contexto empresarial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.1 Modelo Racional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4.2 Modelo de racionalidad limitada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4.3 Modelo Poltico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Estilo de toma de decisiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Estilo directivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.2 Estilo analtico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
i
ii NDICE GENERAL
3 Minimax 17
3.1 Teorema Minimax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 Algoritmo Minimax con movimientos alternativos . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.4 Optimizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.5 Minimax en la ccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.6 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.7 Text and image sources, contributors, and licenses . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.7.1 Text . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.7.2 Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.7.3 Content license . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Captulo 1
Teora de la decisin
La teora de la decisin es una rea interdisciplinaria de estudio, relacionada con casi todos los participantes en
ramas de la ciencia, la Administracin, Economa, la psicologa (basados en perspectivas cognitivo-conductuales).
Concierne a la forma y al estudio del comportamiento y fenmenos psquicos de aquellos que toman las decisiones
(reales o cticios), as como las condiciones por las que deben ser tomadas las decisiones.
Decisin sin riesgo entre mercancas inconmensurables (mercancas que no pueden ser medidas bajo las mismas
unidades)
Eleccin intertemporal - estudio del valor relativo que la gente asigna a dos o ms bienes en diferentes momentos
del tiempo
1
2 CAPTULO 1. TEORA DE LA DECISIN
la decisin. Un ejemplo de esta teora puede encontrarse en el Club de Roma, que ha desarrollado un modelo de
crecimiento econmico y de recursos basado en un modelo que puede ayudar a los polticos a tomar decisiones en
situaciones complejas.
1.5 Referencias
[1] (Goode, 2001)
Paul Goodwin and George Wright, Decision Analysis for Management Judgment, 3rd edition. Chichester: Wiley,
2004 ISBN 0-470-86108-8 (cubre por igual la parte normativa y no normativa de la teora)
Robert Clemen. Making Hard Decisions: An Introduction to Decision Analysis, 2nd edition. Belmont CA: Dux-
bury Press, 1996. (cubre slo la parte normativa de la teora de la decisin)
D.W. North. A tutorial introduction to decision theory. IEEE Trans. Systems Science and Cybernetics, 4(3),
1968. Reprinted in Shafer & Pearl. (cubre slo la parte normativa de la teora de la decisin)
Glenn Shafer and Judea Pearl, editors. Readings in uncertain reasoning. Morgan Kaufmann, San Mateo, CA,
1990.
Howard Raia Decision Analysis: Introductory Readings on Choices Under Uncertainty. McGraw Hill. 1997.
ISBN 0-07-052579-X
Morris De Groot Optimal Statistical Decisions. Wiley Classics Library. 2004. (Originally published 1970.) ISBN
0-471-68029-X.
Khemani , Karan, Ignorance is Bliss: A study on how and why humans depend on recognition heuristics in social
relationships, the equity markets and the brand market-place, thereby making successful decisions, 2005.
J.Q. Smith Decision Analysis: A Bayesian Approach. Chapman and Hall. 1988. ISBN 0-412-27520-1
Arthur, W. Brian, Designing Economic Agents that Act like Human Agents: A Behavioral Approach to Boun-
ded Rationality
James O. Berger Statistical Decision Theory and Bayesian Analysis. Second Edition. 1980. Springer Series in
Statistics. ISBN 0-387-96098-8.
Goode, Erica. (2001) In Weird Math of Choices, 6 Choices Can Beat 600. The New York Times. Retrieved
May 16, 2005.
Anderson, Barry F. The Three Secrets of Wise Decision Making. Single Reef Press. 2002. ISBN 0-9722177-0-3.
4 CAPTULO 1. TEORA DE LA DECISIN
Sistema dinmico
Sistemas de soporte a decisiones
Toma de decisiones
La toma de decisiones es el proceso mediante el cual se realiza una eleccin entre las opciones o formas para resolver
diferentes situaciones de la vida en diferentes contextos: a nivel laboral, familiar, personal, sentimental o empresarial
(utilizando metodologas cuantitativas que brinda la administracin). La toma de decisiones consiste, bsicamente,
en elegir una opcin entre las disponibles, a los efectos de resolver un problema actual o potencial (an cuando no se
evidencie un conicto latente).
En trminos bsicos segn Hellriegel, y Slocum (2004) es el proceso de denicin de problemas, recopilacin de
datos, generacin de alternativas y seleccin de un curso de accin.
Por su parte, Stoner, (2003) dene la toma de decisiones como el proceso para identicar y solucionar un curso de
accin para resolver un problema especco.
La toma de decisiones a nivel individual se caracteriza por el hecho de que una persona haga uso de su razonamiento
y pensamiento para elegir una solucin a un problema que se le presente en la vida; es decir, si una persona tiene un
problema, deber ser capaz de resolverlo individualmente tomando decisiones con ese especco motivo.
En la toma de decisiones importa la eleccin de un camino a seguir, por lo que en un estado anterior deben evaluarse
alternativas de accin. Si estas ltimas no estn presentes, no existir decisin. Para tomar una decisin, cualquiera que
sea su naturaleza, es necesario conocer, comprender, analizar un problema, para as poder darle solucin. En algunos
casos, por ser tan simples y cotidianos, este proceso se realiza de forma implcita y se soluciona muy rpidamente,
pero existen otros casos en los cuales las consecuencias de una mala o buena eleccin pueden tener repercusiones en
la vida y si es en un contexto laboral en el xito o fracaso de la organizacin, para los cuales es necesario realizar un
proceso ms estructurado que puede dar ms seguridad e informacin para resolver el problema.
Son aquellas que se toman frecuentemente, es decir son repetitivas y se convierte en una rutina tomarlas; como el
tipo de problemas que resuelve y se presentan con cierta regularidad ya que se tiene un mtodo bien establecido de
solucin y por lo tanto ya se conocen los pasos para abordar este tipo de problemas, por esta razn, tambin se las
llama decisiones estructuradas. La persona que toma este tipo de decisin no tiene la necesidad de disear ninguna
solucin, sino que simplemente se rige por la que se ha seguido anteriormente.
Las decisiones programadas se toman de acuerdo con polticas, procedimientos o reglas, escritas o no escritas, que
facilitan la toma de decisiones en situaciones recurrentes porque limitan o excluyen otras opciones.
Por ejemplo, los gerentes rara vez tienen que preocuparse por el ramo salarial de un empleado recin contratado
porque, por regla general, las organizaciones cuentan con una escala de sueldos y salarios para todos los puestos.
5
6 CAPTULO 2. TOMA DE DECISIONES
Tambin denominadas no estructuradas, son decisiones que se toman ante problemas o situaciones que se presentan
con poca frecuencia, o aquellas que necesitan de un modelo o proceso especco de solucin, por ejemplo: Lan-
zamiento de un nuevo producto al mercado, en este tipo de decisiones es necesario seguir un modelo de toma de
decisin para generar una solucin especca para este problema en concreto.
Las decisiones no programadas abordan problemas poco frecuentes o excepcionales. Si un problema no se ha pre-
sentado con la frecuencia suciente como para que lo cubra una poltica o si resulta tan importante que merece trato
especial, deber ser manejado como una decisin no programada. Problemas como asignar los recursos de una organi-
zacin, qu hacer con una lnea de produccin que fracas, cmo mejorar las relaciones con la comunidad de hecho,
los problemas ms importantes que enfrentar el gerente , normalmente, requerirn decisiones no programadas.
2.2 Indecisin
Se puede considerar a la indecisin como falta de autonoma, que impide a un individuo tomar una decisin, elegir
algn camino entre varios, o resolver alguna problemtica. La indecisin provoca hacer juicios prematuros sin tener
la suciente informacin requerida para procesarlo y agregando un valor tico y moral, muchas veces son inconscien-
tes. Al preocuparse de problemas que no estn a nuestro alcance o que no podemos resolver, solo podemos observar
nuestra falta de capacidades, por lo cual entramos en bloqueos emocionales y conictos para toma de decisiones.
Teniendo en cuenta que lo ms comn para llegar a un bloqueo, son los miedos.
La indecisin se dene como una falta de determinacin ante una situacin, es inseguridad, falta de carcter o valor.
es un trastorno que destruye la seguridad y que se vuelve un problema a la hora de decidir, es la incapacidad de elegir
entre dos o ms opciones, como; decidir que ropa usar, que men escoger en un restaurante o simplemente decir no
a lo que no se quiere hacer, todo ello por la falta de conanza en si mismo.
Dr. Jerey Z. Rubin (1986) identic algunos factores que entorpecen la toma de decisiones:
Desconectarnos de nuestros sentimientos, autoduda, desconar de nuestras capacidades, baja autoestima, exa-
geracin del propio punto de vista, ser dependiente, tomar decisiones bajo presin y evadir la toma de decisio-
nes.
Es importante considerar que al momento de tomar decisiones, es necesario no involucrarse de manera personal
en la situacin presentada y de tratar de tomar una postura imparcial o neutra, as como ver desde distintos
puntos la situacin, para poder buscar una solucin viable y adecuada a la vivencia de cada persona.
Tambin es importante destacar las propias motivaciones, para lograr lo que se desea, encontrando opciones
nuevas. Brindndonos cierta libertad, que har de este proceso de decisin, una posibilidad creativa,de probar
diferentes posibilidades a partir de las cuales puedan abrir paso a nuevas alternativas.
2.3. ANLISIS DE LA INDECISIN 7
Segn estudios aportan que las etapas ms frecuentes de indecisiones son la pre-adolescencia y la adolescencia como
tal, son etapas difciles en las cuales a los jvenes les cuesta trabajo decidir en los varios aspectos de su vida; los
elementos que tal vez inuyen son miedo, enojo, apata, etc. La pre-adolescencia y la adolescencia son complicadas
porque se quiere dejar de ser nio pero, a la vez, seguirlo siendo y empezar a ser adulto, pero se teme serlo. Es la
indecisin de soy nio o soy adulto?, Quin soy?. Aunque cabe mencionar que a lo largo de nuestra vida el tomar
decisiones es todo un reto Cuntas veces no hemos estado indecisos, y cuando llegamos a una respuesta nos damos
cuenta de que no era tan complicado como pareca?. Entonces como conclusin podemos decir que las indecisiones
siempre estarn presentes a lo largo de nuestras vidas pero no con tanta fuerza como en la pre-adolescencia y la
adolescencia.
Algunas de las causas pueden ser,que la falta de conanza en las habilidades propias para resolver problemas venga
desde el seno familiar, es decir, que dado en un ambiente familiar autoritario hace que los hijos no tengan un desarrollo
personal ptimo, por lo que llegan a la edad adulta sin saber tomar decisiones, lo mismo pasa en un ambiente sobre
protector donde prcticamente le resuelven la vida a los hijos, afectando su propia madurez.
La poca capacidad para tomar decisiones es uno de los problemas que ms inconvenientes causan a la hora del
desarrollo personal y profesional.
El temor de tomar el camino incorrecto es mucha veces el causante para que no se enfrenten las elecciones y siempre
se deriven a otra persona que debe ejercer esa responsabilidad. Tomar decisiones es un aprendizaje que mucho tiene
que ver con la propia seguridad y la conanza en uno mismo, nada tiene que ver con acertar en lo que se decida hacer
o no hacer. Todos nos equivocamos, hay que perder el miedo a errar para poder elegir sin temores y as poder tomar
decisiones, ya sean buenas o malas
El indeciso es la persona que no se decide a ejecutar una accin, ni a seleccionar una estrategia no se orienta a un
determinado rumbo renunciando a otros, no se atreve a solucionar problemas. Cada decisin nos compromete y en
ltima instancia lo que el indeciso teme es al compromiso, no est dispuesto a pagar por el costo de sus decisiones,
no quiere asumir el riesgo de perder.
Hay a los que les cuesta elegir porque son personalidades inseguras y perfeccionistas y los que exageradamente no
pueden tomar alguna decisin por ms pequea que sea. La magnitud de la indecisin adquiere su mayor medida
cuando la persona se siente seriamente abrumada por la ms mnima eleccin que tiene que hacer, generalmente por
el temor obsesivo a equivocarse, este trastorno tambin incluye en muchos casos un estado de extraamiento que les
da la sensacin de estar siendo dominado por otro. Este sentimiento de sometimiento a la voluntad de otro entorpece
su forma de hablar, sus pensamientos, sus ideas, la identidad, como defensa estas personas pueden vivir apuradas,
comer y hablar rpido.
Escondemos nuestras emociones, sentimientos, anhelos, inquietudes tras la mscara de la represin con la que nos
obligamos a tomar la decisin ms costosa, que es el no tomar una decisin, para as simular que no somos responsables
de las consecuencias y eludimos el efecto creado, si es negativo el resultado lo desconocemos, y si fuera positivo le
damos crdito a la suerte y en tantas ocasiones a alguna divinidad. El conicto que se tiene en el momento de tomar
una decisin suele desarrollarse en diferentes circunstancias como:
Los momentos de tristeza, ansiedad, miedo, euforia y cualquier otro, alteran el nivel percepcin de una realidad
concreta, y cualquier decisin est determinada por el estado anmico del momento, sera mejor buscar un momento
de tranquilidad para elegir con mayor acierto.
8 CAPTULO 2. TOMA DE DECISIONES
En estas situaciones se maneja gran cantidad de estrs, y ms si se desconocen las opciones, lo que provoca un
desequilibrio emocional.
Se ha hablado del estado de confort, en el que el individuo preere estar en una situacin conformista antes de decidir
un cambio, por miedo a las consecuencias que le pueda traer dar un paso hacia adelante.
En sta situacin el individuo no se decide por alguna opcin, queriendo posiblemente todo para s. El egosmo es
otra cara de la indecisin, ya que al querer tenerlo todo asume que todas las opciones estn incluidas y descarta todas
las decisiones y sacricios. " El que atiende a dos amos con uno queda mal, y si atiende a todos se queda sin energa
".
Cuando existe una baja autoestima o ignorancia por los derechos ms bsicos del ser humano, el individuo es sus-
ceptible a ser inuenciado por otras personas a las que les convenga aprovecharse de l, pues son manipulados en su
toma de decisiones.
Incapacidad de vivir el aqu y el ahora, despreciando lo que se tiene, anhelar constantemente lo que no se tiene
despreciando lo que si, conlleva a una eterna espera, esa ceguera perpetua, no da opcin a elegir porque no deja de
ser ilusin.
REFERENCIAS
http://www.manuelescudero.com/psicologo-indecision-madrid/ consultdo el 11 de abril de 2015
http://www.crecimiento-y-bienestar-emocional.com/indecision.html consultado el 11 de abril de 2015
http://www.webconsultas.com/mente-y-emociones/emociones-y-autoayuda/porque-nos-cuesta-tomar-decisiones-7221
consultado el 10 de abril de 2015
Balderas Salvador y Villora Quijada Olivia. Bloqueos Psicolgicos en la Toma de Decisiones (en web) http://
autodesarrollate.vitro.com/PORTAL/autodesarrollate/portal/pdf/La_toma_de_decisiones.com consultado el 08 de
diciembre de 2014. http://www.mundobebe.com/adolescencia-y-pre-adolescencia-etapas-de-indecision-para-los-chicos-y-de-dificult
notas_1916 http://www.mundohomeopata.com/indecision.html
Partiendo de las deniciones de Hellriegel, Slocum (2004) y Stoner, (2003) la toma de decisiones es una parte impor-
tante de la labor del gerente. Sin embargo, cuando un gerente toma una decisin o cuando el coste de buscar y evaluar
las alternativas es bajo, el modelo racional proporciona una descripcin moderadamente precisa del proceso de de-
cisin. Pero tales situaciones, arma Robbins (1999), son la excepcin. En el mbito organizacional, las mayoras de
las decisiones signicativas se realizan mediante el juicio, ms que por un modelo prescriptivo denido.
Dado lo anterior, a continuacin se establece una visin de cmo se toman realmente la mayora de las decisiones
en las organizaciones, a travs de la caracterizacin de tres modelos de toma de decisin de acuerdo con los criterios
establecidos McLeod (2000): el racional, el de racionalidad limitada y el poltico. La utilidad de estos modelos reside
en que ayudan a identicar la complejidad y variedad de las situaciones para la toma de decisiones en una organizacin.
2.4. LAS DECISIONES EN EL CONTEXTO EMPRESARIAL 9
En las organizaciones en general y en las empresas en particular suele existir una jerarqua que determina el tipo
de acciones que se realizan dentro de ella y, en consecuencia, el tipo de decisiones que se deben tomar, la Ciencia
administrativa divide a la empresa en 3 niveles jerrquicos:
Conforme se sube en la jerarqua de una organizacin, la capacidad para tomar decisiones no programadas o no
estructuradas adquiere ms importancia, ya que son este tipo de decisiones las que ataen a esos niveles. Por tanto, la
mayor parte de los programas para el desarrollo de gerentes pretenden mejorar sus habilidades para tomar decisiones
no programadas, por regla general ensendoles a analizar los problemas en forma sistemtica y a tomar decisiones
lgicas.
A medida que se baja en esta jerarqua, las tareas que se desempean son cada vez ms rutinarias, por lo que las
decisiones en estos niveles sern ms estructuradas (programadas).
Adicionalmente, una organizacin tambin estar dividida en varias secciones funcionales, son varias las propuestas
de divisin que se han planteado para una empresa de forma genrica, aunque la ms aceptada es la que considera los
siguientes departamentos o unidades funcionales:
1. Direccin
2. Marketing
3. produccin
4. Finanzas
5. Recursos humanos
Las decisiones tambin sern diferentes, en funcin de en qu unidad funcional o departamento tengan lugar.
10 CAPTULO 2. TOMA DE DECISIONES
El Modelo Racional: persigue la constitucin de un proceso de eleccin entre alternativas para maximizar los bene-
cios de la organizacin. Incluye una amplia denicin del problema, una exhaustiva recopilacin y el anlisis de los
datos, as como una cuidadosa evaluacin de las alternativas. Andreu, et al (2001), arma que los criterios de evalua-
cin de alternativas son bien conocidos y supone que la generacin e intercambio de informacin entre individuos es
objetiva y precisa. Por tanto, el modelo racional de toma de decisiones se basa 3 suposiciones explicitas:
Se ha obtenido toda la informacin disponible relacionada con las alternativas. Se pueden clasicar estas alternativas
de acuerdo con criterios explcitos. La alternativa seleccionada brinda la mxima ganancia posible para la organizacin
(o para quienes toman las decisiones)
Este modelo posee una suposicin implcita arma McLeod (2000) No existen dilemas ticos en el proceso de toma
de decisiones. Adems, desde el punto de vista organizacional existen algunas limitaciones para este modelo:
Su uso puede requerir bastante tiempo y puede ser que las organizaciones no dispongan de l. El uso de recursos hu-
manos puede rebasar cualquier benecio. Este enfoque requiere datos e informacin que, habitualmente, son difciles
de obtener. Si el proceso de toma de decisiones requiere considerable tiempo, estas pueden convertirse en obsoletas.
Los gerentes pueden verse forzados a actuar si las metas son vagas o contradictorias, llegando as a cambiar las metas
establecidas, los criterios o su ponderacin si la alternativa mas favorecida no resulta ser la primera.
En resumen, se puede sugerir que se utilice el modelo racional en la medida que sea factible, sin esperar que sea la
nica o ni siquiera la gua principal en la toma de muchas decisiones organizacionales.
El Modelo de Racionalidad Limitada: describe la limitaciones de la racionalidad y pone de maniesto los procesos
de toma de decisiones frecuentemente utilizados por personas y equipos. Este modelo explica la razn por la que
diferentes personas o equipos toman decisiones distintas cuando cuentan exactamente con la misma informacin.
As, el modelo de racionalidad limitada reeja tendencias individuales o de equipo para:
Seleccionar una meta o una solucin alterna que no sea la mejor (es decir, que satisfaga). Realizar una bsqueda
limitada de soluciones alternas.
Las reglas de la decisin desde la perspectiva organizacional, segn McLeod (2000), son una parte del modelo de
racionalidad limitada. Esto es, proporciona formas rpidas y fciles de llegar a una decisin sin anlisis y bsque-
das detalladas. Estn escritas y se aplican con facilidad. Ahora bien, su principal desventaja es que se basa en la
toma decisiones mediante la construccin de modelos simplicados que extraen las caractersticas esenciales de los
problemas, sin capturar toda su complejidad.
El Modelo Poltico: describe la toma de decisiones de las personas para satisfacer sus propios intereses. Las prefe-
rencias basadas en metas personales egostas rara vez cambian conforme se adquiere nueva informacin. Por tanto,
la denicin de los problemas, la bsqueda y recopilacin de datos, el intercambio de informacin y los criterios de
evaluacin son slo mtodos utilizados para predisponer el resultado a favor del que toma la decisin. Las decisiones
reejan segn Laudon (2002), la distribucin del poder en la organizacin y la efectividad de las tcticas usadas por
gerentes y empleados, determinan el impacto de las decisiones.
El modelo poltico predomina en las organizaciones en todo el mundo, es decir, prevalece por encima de los dos
modelos antes descritos por ser la base de los procedimientos organizacionales establecidos por la alta directiva.
Desde la perspectiva de la prctica gerencial, el modelo poltico se expresa muy vvidamente en las organizaciones
mediante el uso de diversos mtodos de inuencia, medios por los cuales los individuos o grupos tratan de ejercer el
poder o inuir en la conducta de otros.
Ahora bien, todas las decisiones estn fundamentadas en la informacin que se tenga a la disposicin, lo cual permite
establecer un criterio basado en alternativas de solucin a un mismo problema. Dado esto, la gerencia para los efectos
de toma de decisin organizacional, hace uso de los sistemas de informacin soportados por la tecnologa de la
informacin instalada, los cuales generan informacin relevante del negocio, que de acuerdo a la estructura jerrquica
establece prioridades para su aplicacin.
2.5. ESTILO DE TOMA DE DECISIONES 11
El estilo directivo para la toma de decisiones se caracteriza por una baja tolerancia a la ambigedad y un modo
de pensar totalmente racional. En este estilo se sitan aquellas personas con un alto grado de razonamiento lgico,
capaces de tomar decisiones rpidas, enfocadas a corto plazo. Su ecacia y rapidez en la toma de decisiones permite
adoptar una solucin con informacin mnima y evaluando pocas alternativas.
El estilo analticos para tomar decisiones se caracteriza por una mayor tolerancia a la ambigedad que los tipos
directivos, combinado con una forma de pensar totalmente racional. Estas personas precisan de ms informacin antes
de tomar una decisin, considerando y analizando ms alternativas. Los individuos situados en este estilo analtico se
caracterizan por su capacidad para adaptarse o enfrentar situaciones nicas.
El estilo conceptual para tomar decisiones engloba a personas con una gran tolerancia a la ambigedad y un modo
de pensar intuitivo. Estas personas se caracterizan por tener una amplia capacidad para procesar informacin desde
una perspectiva extensa y una elevada capacidad analtica tratando de analizar muchas alternativas. Se enfocan en el
largo plazo y con frecuencia buscan soluciones creativas a los problemas.
El estilo conductual representa a aquellas personas cuyo modo de pensar es de manera intuitiva pero cuyo grado
de tolerancia a la ambigedad es bajo. Estas personas trabajan bien con otras, estn abiertas a las sugerencias y se
preocupan por los que trabajan con ellas. La aceptacin de los dems es importante para los de este estilo de toma de
decisiones.
Los cuatro estilos para tomar decisiones podran considerarse independientes unos de otros. Sin embargo, es fcil
detecta que un individuo con un estilo dominante posea caractersticas de los otros tres como posibles alternativas
para una mejor resolucin a una situacin concreta.
12 CAPTULO 2. TOMA DE DECISIONES
Estructurada: No se sabe que puede ocurrir entre diferentes opciones, pero s se conoce que puede ocurrir entre
varias posibilidades.
2.7. PROCESO DE TOMA DE DECISIONES 13
No estructurada: No se sabe que puede ocurrir ni las probabilidades para las posibles soluciones, es decir, se
desconoce totalmente lo que puede ocurrir en un caso determinado en la vida.
Esta etapa consiste en comprender la condicin del momento y de visualizar la condicin deseada, es decir, encontrar
el problema y reconocer que se debe tomar una decisin para llegar a la solucin de este. El problema puede ser
actual, porque existe una brecha entre la condicin presente real y la deseada, o potencial, porque se estima que dicha
brecha existir en el futuro.
En la identicacin del problema es necesario tener una visin clara y objetiva, y tener bien claro el trmino alteridad,
es decir escuchar las ideologas de los dems para as poder formular una posible solucin colectiva al problema.
Para ello es Imprescindible la formulacin de la pregunta inicial, pues constituye el punto de partida de toda decisin.
el mundo de los negocios se ve abrumado por un nmero innito de decisiones que han de ser tomadas a cada
momento y que, en gran medida, determinarn el rumbo que tomen las empresas. De este modo, la informacin
que se obtiene debe ser rica, variada y relevante, a la vez que debe provenir de diversas fuentes y a travs de formas
distintas (verbales, estadsticas, datos, etc.)
Y dentro de este mbito, los mtodos cuantitativos se tornan como algunas de las herramientas ms conables a la
hora de basar una decisin gracias a su capacidad de gestionar, procesar y analizar datos de manera rpida y ecaz
La denicin de la prioridad se basa en el impacto y en la urgencia que se tiene para atender y resolver el problema.
Esto es, el impacto describe el potencial al cual se encuentra vulnerable, y la urgencia muestra el tiempo disponible
que se cuenta para evitar o al menos reducir este impacto.
Consiste en desarrollar distintas posibles soluciones al problema. Si bien no resulta posible en la mayora de los casos
conocer todos los posibles caminos que se pueden tomar para solucionar el problema, cuantas ms opciones se tengan
va ser mucho ms probable encontrar una que resulte satisfactoria.
De todos modos, el desarrollo de un nmero exagerado de opciones puede tornar la eleccin sumamente dicultosa,
y por ello tampoco es necesariamente favorable continuar desarrollando opciones en forma indenida.
14 CAPTULO 2. TOMA DE DECISIONES
Para generar gran cantidad de opciones es necesaria una cuota importante de creatividad. Existen diferentes tcnicas
para potenciar la creatividad, tales como la lluvia de ideas, las relaciones forzadas, etctera.
En esta etapa es importante la creatividad de los tomadores de decisiones.
Consiste en hacer un estudio detallado de cada una de las posibles soluciones que se generaron para el problema, es
decir mirar sus ventajas y desventajas, de forma individual con respecto a los criterios de decisin, y una con respecto
a la otra, asignndoles un valor ponderado.
Como se explic antes segn los contextos en los cuales se tome la decisin, esta evaluacin va a ser ms o menos
exacta.
Existen herramientas, en particular para la administracin de empresas para evaluar diferentes opciones, que se co-
nocen como mtodos cuantitativos.
En esta etapa del proceso es importante el anlisis crtico como cualidad del tomador de decisiones.
En este paso se escoge la opcin que segn la evaluacin va a obtener mejores resultados para el problema. Existen
tcnicas (por ejemplo, anlisis jerrquico de la decisin) que nos ayudan a valorar mltiples criterios.
Los siguientes trminos pueden ayudar a tomar la decisin segn el resultado que se busque:
Satisfacer: Elegir la primera opcin que sea mnimamente aceptable satisfaciendo de esta forma una meta u
objetivo buscado.
Poner en marcha la decisin tomada para as poder evaluar si la decisin fue o no acertada. La implementacin
probablemente derive en la toma de nuevas decisiones, de menor importancia.
Despus de poner en marcha la decisin es necesario evaluar si se solucion o no el problema, es decir si la decisin
est teniendo el resultado esperado o no.
Si el resultado no es el que se esperaba se debe mirar si es porque debe darse un poco ms de tiempo para obtener
los resultados o si denitivamente la decisin no fue la acertada, en este caso se debe iniciar el proceso de nuevo para
hallar una nueva decisin.
El nuevo proceso que se inicie en caso de que la solucin haya sido errnea, contar con ms informacin y se tendr
conocimiento de los errores cometidos en el primer intento.
Adems se debe tener conciencia de que estos procesos de decisin estn en continuo cambio, es decir, las decisiones
que se tomen continuamente van a tener que ser modicadas, por la evolucin que tenga el sistema o por la aparicin
de nuevas variables que lo afecten.
Al igual que en el pensamiento crtico en la toma de decisiones se utilizan ciertos procesos cognitivos como:
2.8. LA INFORMACIN COMO MATERIA PRIMA 15
1. Observacin: Analizar el objetivo, examinar atentamente y recato, atisbar. Inquirir, investigar, escudriar con
diligencia y cuidado algo. Observar es aplicar atentamente los sentidos a un objeto o a un fenmeno, para
estudiarlos tal como se presentan en realidad, puede ser ocasional o casualmente.
2. Comparacin: Relacin de semejanza entre los asuntos tratados. Fijar la atencin en dos o ms objetos para
descubrir sus relaciones o estimar sus diferencias o semejanza. Smil terica.
3. Codicacin: Auto conocerse, conocer quien soy, quienes somos y claricar valores. Hacer o formar un cuerpo
de leyes metdico y sistemtico. Transformar mediante las reglas de un cdigo la formulacin de un mensaje.
4. Organizacin: Curso de accin ms responsable, evaluar opciones para elegir el curso de accin ms respon-
sable. Disposicin de arreglo u orden. Regla o modo que se observa para hacer las cosas.
5. Clasicacin: Ordenar disponiendo por clases/categoras. Es un ordenamiento sistemtico de algo.
6. Resolucin: Implementacin de la toma de decisiones. Trmino o conclusiones de un problema, parte en que
se demuestran los resultados.
7. Evaluacin: Hacer el sealamiento del rango. Anlisis y reexin de los anteriores razonamientos y las con-
clusiones.
8. Retroalimentacin (feedback): Evaluacin de los resultados obtenidos, el proceso de compartir observaciones,
preocupaciones y sugerencias, con la intencin de recabar informacin, a nivel individual o colectivo, para
intentar mejorar el funcionamiento de una organizacin o de cualquier grupo formado por seres humanos. Para
que la mejora continua sea posible, la re alimentacin tiene que ser pluridireccional, es decir, tanto entre iguales
como en el escalafn jerrquico, en el que debera funcionar en ambos sentidos, de arriba para abajo y de abajo
para arriba.
Sesgo de conrmacin: es la propensin a interpretar la informacin nueva que le llega a una persona tomando
como referencia las creencias o convicciones que ya posee. De esta forma, se rechazan los datos y hechos que
no concuerdan con decisiones u opiniones previas.
Sesgo de autoridad: es la tendencia a ver los consejos de los expertos (o los que as se autodenominan) como si
fueran verdades indiscutibles.[1] Tambin se produce este sesgo cuando se obedece a la autoridad (en el amplio
sentido del trmino), incluso en aquello que moral o racionalmente carece de sentido.
Pensamiento de grupo: este sesgo se produce cuando un grupo de personas toma una decisin por consenso,
pero hay personas que no estn de acuerdo aunque evitan expresar sus objeciones. Las causas para no expresar
las discrepancias pueden ser muy variadas, pero suelen tener su raz en el miedo (a la autoridad, a la crtica, al
rechazo social, a equivocarse...).
16 CAPTULO 2. TOMA DE DECISIONES
La adaptacin hedonista: una vez que se experimentan cambios importantes (positivos o negativos) en cualquier
mbito de la vida el nivel de bienestar de las personas tiende a estabilizarse.[2] Debido a esta circunstancia
con frecuencia se toman decisiones errneas debido a un estado emocional transitorio que impide ponderar
adecuadamente las distintas alternativas existentes.
Efecto halo: este sesgo cognitivo aparece cuando una persona se deja deslumbrar por un hecho particular que
le lleva a deducir las caractersticas de otros hechos en principio no relacionados. As, por ejemplo, una nica
cualidad de una persona (belleza) puede ofrecer una impresin positiva que lleve a pensar que esa persona
tambin es inteligente (aunque resulta evidente que no existe correlacin entre belleza e inteligencia). En el
mundo del marketing se utiliza con frecuencia el efecto halo para inuir en la mente de los consumidores, lo
que puede dicultar la toma de decisiones racional.[3]
Disonancia cognitiva: en ocasiones, lo que una persona se propone y la decisin que toma no coinciden. Suele
tratarse de un autoengao o incoherencia, como, por ejemplo, cuando alguien se equivoca al comprar un pro-
ducto, pero ante sus amistades habla bien de las prestaciones de ese objeto por miedo a reconocer el error y
ser ridiculizado por haberlo comprado. El hecho de mantener al mismo tiempo dos pensamientos que estn en
conicto puede mermar la capacidad de una persona para tomar decisiones adecuadas.
2.11 Referencias
[1] Leader Summaries (ed.). Resumen del libro Equivocados, de David H. Freedman. Consultado el 1 octubre 2014.
[2] Leader Summaries (ed.). Resumen del libro Los mitos de la felicidad, de Sonja Lyubomirsky. Consultado el 1 octubre
2014.
[3] Leader Summaries (ed.). Resumen del libro As se manipula al consumidor, de Martin Lindstrom. Consultado el 1
octubre 2014.
[1] http://www.revistaespacios.com/a10v31n02/10310233.html
[2] Robbins, S.P. (2004),Comportamiento organizacional, Person Educacin, Madrid.
[3] Robbins, S.P. (2004),Comportamiento organizacional, 10a. ed. Person Educacin, Mxico.
[4] http://thales.cica.es/rd/Recursos/rd99/ed99-0191-03/riesgo.htm
[5] TEORA DE LA DECISIN: Decisin con Incertidumbre, Decisin Multicriterio y Teora de Juegos. Begoa Vitoriano
(Julio 2007): www.mat.ucm.es/~{}bvitoria/Archivos/a_dt_UCM.pdf
[6] Teora de la decisin e incertidumbre: modelos normativos y descriptivos: digital.csic.es/bitstream/10261/7734/1/eserv.pdf
Captulo 3
Minimax
En teora de juegos, Minimax es un mtodo de decisin para minimizar la prdida mxima esperada en juegos con
adversario y con informacin perfecta. Minimax es un algoritmo recursivo.
El funcionamiento de Minimax puede resumirse como elegir el mejor movimiento para ti mismo suponiendo que tu
contrincante escoger el peor para ti.
1. Generacin del rbol de juego. Se generarn todos los nodos hasta llegar a un estado terminal.
3. Calcular el valor de los nodos superiores a partir del valor de los inferiores. Segn nivel si es MAX o MIN se
elegirn los valores mnimos y mximos representando los movimientos del jugador y del oponente, de ah el
nombre de Minimax.
17
18 CAPTULO 3. MINIMAX
0 -7
1 -10 -7
2 10 -10 5 -7
3 10 5 -10 5 - -7
4 10 + 5 -10 7 5 - -7 -5
4. Elegir la jugada valorando los valores que han llegado al nivel superior.
El algoritmo explorar los nodos del rbol asignndoles un valor numrico mediante una funcin de evaluacin,
empezando por los nodos terminales y subiendo hacia la raz. La funcin de utilidad denir lo buena que es la posicin
para un jugador cuando la alcanza. En el caso del ajedrez los posibles valores son (+1,0,1) que se corresponden
con ganar, empatar y perder respectivamente. En el caso del backgammon los posibles valores tendrn un rango de
[+192,192], correspondindose con el valor de las chas. Para cada juego pueden ser diferentes.
Si Minimax se enfrenta con el dilema del prisionero escoger siempre la opcin con la cual maximiza su resultado
suponiendo que el contrincante intenta minimizarlo y hacernos perder.
3.3 Ejemplo
En el siguiente ejemplo puede verse el funcionamiento de Minimax en un rbol generado para un juego imaginario.
Los posibles valores de la funcin de utilidad tienen un rango de [1-9]. En los movimientos del contrincante suponemos
que escoger los movimientos que minimicen nuestra utilidad, en nuestros movimientos suponemos que escogeremos
los movimientos que maximizan nuestra utilidad.
El primer paso ser calcular los nodos terminales, en verde. Posteriormente calcularemos el cuarto nivel, movimiento
min, minimizando lo elegido (5, 2 y 1). Despus podremos calcular el tercer nivel, movimiento max, maximizando la
utilidad (5, 9). El segundo nivel es un movimiento min (5, 3 y 1). Finalmente llegamos al primer nivel, el movimiento
actual, elegiremos el nodo que maximice nuestra utilidad (5).
3.4. OPTIMIZACIN 19
3.4 Optimizacin
En la prctica el mtodo Minimax es impracticable excepto en supuestos sencillos. Realizar la bsqueda completa
requeriran cantidades excesivas de tiempo y memoria.
Claude Shannon en su texto sobre ajedrez de 1950 (Programming a Computer for Playing Chess) propuso limitar la
profundidad de la bsqueda en el rbol de posibilidades y determinar su valor mediante una funcin heurstica. Para
optimizar Minimax puede limitarse la bsqueda por nivel de profundidad o por tiempo de ejecucin. Otra posible
tcnica es el uso de la poda alfa-beta. Esta optimizacin se basa en la suposicin que el jugador contrario no nos
permitir jugar nuestras mejores jugadas.
3.7.2 Images
Archivo:Commons-emblem-issue.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/b/bc/Commons-emblem-issue.svg Li-
cencia: GPL Colaboradores: File:Gnome-emblem-important.svg Artista original: GNOME icon artists and User:ViperSnake151
Archivo:Minimax.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/6/6f/Minimax.svg Licencia: CC BY-SA 2.5 Colabora-
dores: http://en.wikipedia.org/wiki/Image:Minimax.svg, created in Inkscape by author Artista original: Nuno Nogueira (Nmnogueira)
Archivo:Minimax2.png Fuente: http://upload.wikimedia.org/wikipedia/commons/d/d6/Minimax2.png Licencia: CC-BY-SA-3.0 Cola-
boradores: ? Artista original: ?
Archivo:Organizacion_empresarial.png Fuente: http://upload.wikimedia.org/wikipedia/commons/d/d8/Organizacion_empresarial.png
Licencia: GFDL Colaboradores: Trabajo propio Artista original: Jesuja
1 Anlisis de la regresin 1
1.1 Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Modelos de regresin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Regresin no lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.5 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Regresin lineal 4
2.1 Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.1 Etimologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 El modelo de regresin lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Hiptesis del modelo de regresin lineal clsico . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4 Supuestos del modelo de regresin lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.5 Tipos de modelos de regresin lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.5.1 Regresin lineal simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.5.2 Regresin lineal mltiple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.6 Rectas de regresin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.7 Aplicaciones de la regresin lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.7.1 Lneas de tendencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.7.2 Medicina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.7.3 Informtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.8 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.9 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.10 Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.11 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
i
ii NDICE GENERAL
3.6 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.7 Text and image sources, contributors, and licenses . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.7.1 Text . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.7.2 Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.7.3 Content license . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Captulo 1
Anlisis de la regresin
En estadstica, el anlisis de la regresin es un proceso estadstico para la estimacin de relaciones entre variables.
Incluye muchas tcnicas para el modelado y anlisis de diversas variables, cuando la atencin se centra en la relacin
entre una variable dependiente y una o ms variables independientes. Ms especcamente, el anlisis de regresin
ayuda a entender cmo el valor tpico de la variable dependiente cambia cuando cualquiera de las variables indepen-
dientes es variada, mientras que se mantienen las otras variables independientes jas. Ms comnmente, el anlisis
de regresin estima la esperanza condicional de la variable dependiente dadas las variables independientes - es decir,
el valor promedio de la variable dependiente cuando se jan las variables independientes. Con menor frecuencia,
la atencin se centra en un cuantil, u otro parmetro de localizacin de la distribucin condicional de la variable
dependiente dadas las variables independientes. En todos los casos, el objetivo es la estimacin de una funcin de
las variables independientes llamada la funcin de regresin. En el anlisis de regresin, tambin es de inters para
caracterizar la variacin de la variable dependiente en torno a la funcin de regresin que puede ser descrito por una
distribucin de probabilidad.
El anlisis de regresin es ampliamente utilizado para la prediccin y previsin, donde su uso tiene superposicin
sustancial en el campo de aprendizaje automtico. El anlisis de regresin se utiliza tambin para comprender que
cuales de las variables independientes estn relacionadas con la variable dependiente, y explorar las formas de estas
relaciones. En circunstancias limitadas, el anlisis de regresin puede utilizarse para inferir relaciones causales entre
las variables independientes y dependientes. Sin embargo, esto puede llevar a ilusiones o falsas relaciones, por lo que
se recomienda precaucin,[1] por ejemplo, la correlacin no implica causalidad.
Se han desarrollado muchas tcnicas para llevar a cabo anlisis de regresin. Mtodos familiares tales como regresin
lineal y ordinaria de mnimos cuadrados de regresin son paramtrica, en que la funcin de regresin se dene
en trminos de un nmero nito de desconocidos parmetros que se estiman a partir de los datos. regresin no
paramtrica se reere a las tcnicas que permiten que la funcin de regresin mienta en un conjunto especco de
funciones, que puede ser de dimensin innita.
El desempeo de los mtodos de anlisis de regresin en la prctica depende de la forma del proceso de generacin
de datos, y cmo se relaciona con el mtodo de regresin que se utiliza. Dado que la forma verdadera del proceso de
generacin de datos generalmente no se conoce, el anlisis de regresin depende a menudo hasta cierto punto de hacer
suposiciones acerca de este proceso. Estos supuestos son a veces comprobable si una cantidad suciente de datos est
disponible. Los modelos de regresin para la predicciamente, aunque pueden no funcionar de manera ptima. Sin
embargo, en muchas aplicaciones, sobre todo con pequeos efectos o las cuestiones de causalidad sobre la base de
los datos de observacin, mtodos de regresin pueden dar resultados engaosos.[2][3]
1.1 Historia
La primera forma de regresin fue el mtodo de mnimos cuadrados, que fue publicado por Legendre en 1805,[4]
y por Gauss en 1809.[5] Legendre y Gauss tanto aplicaron el mtodo para el problema de determinar, a partir de
observaciones astronmicas, la rbitas de los cuerpos sobre el Sol (la mayora de los cometas, sino tambin ms tarde
el entonces recin descubiertos planetas menores). Gauss public un desarrollo posterior de la teora de los mnimos
cuadrados en 1821,[6] incluyendo una versin del teorema de Gauss-Markov.
El trmino regresin fue acuado por Francis Galton en el siglo XIX para describir un fenmeno biolgico. El fe-
1
2 CAPTULO 1. ANLISIS DE LA REGRESIN
nmeno fue que las alturas de los descendientes de ancestros altos tienden a regresar hacia abajo, hacia un promedio
normal (un fenmeno conocido como regresin hacia la media ).[7][8] Para Galton, la regresin slo tena este signi-
cado biolgico,,[9][10] pero su trabajo se extendi ms tarde por Udny Yule y Karl Pearson a un contexto estadstico
ms general.[11][12] En la obra de Yule y Pearson, la distribucin conjunta de la respuesta y las variables explicativas
se supone que es de Gauss. Esta suposicin se vio debilitada por RA Fisher en sus obras de 1922 y 1925.[13][14][15]
Fisher supone que la distribucin condicional de la variable de respuesta es de Gauss, pero la distribucin conjunta
no es necesario. A este respecto, la asuncin de Fisher est ms cerca de la formulacin de Gauss de 1821.
En los aos 1950 y 1960, los economistas utilizan calculadoras electromecnicas para calcular regresiones. Antes de
1970, a veces tardaba hasta 24 horas para recibir el resultado de una regresin.[16]
Los mtodos de regresin siguen siendo un rea de investigacin activa. En las ltimas dcadas, los nuevos mtodos
han sido desarrollados para la regresin robusta, la regresin que implica respuestas correlacionadas, tales como
series de tiempo y las curvas de crecimiento, regresin en la que los predictores o variables de respuesta son curvas,
imgenes, grcos y otros objetos de datos complejos, los mtodos de regresin Aceptar varios tipos de datos faltantes,
la regresin no paramtrica, bayesianos mtodos de regresin, regresin en el que las variables de prediccin se miden
con error, regresin con ms variables predictoras que las observaciones y la inferencia causal con la regresin.
Dadas dos variables (Y: variable dependiente; X: independiente) se trata de encontrar una funcin simple (lineal) de
X que nos permita aproximar Y mediante: = a + bX
Donde es la altura predicha del hijo y X la altura del padre: En media, el hijo gana 0,5 cm por cada
cm del padre.
1.4 Referencias
[1] Armstrong, J. Scott (2012). Illusions in Regression Analysis. International Journal of Forecasting (forthcoming) 28 (3):
689. doi:10.1016/j.ijforecast.2012.02.001.
[2] David A. Freedman, Statistical Models: Theory and Practice, Cambridge University Press (2005)
1.5. ENLACES EXTERNOS 3
[3] R. Dennis Cook; Sanford Weisberg Criticism and Inuence Analysis in Regression, Sociological Methodology, Vol. 13.
(1982), pp. 313361
[4] A.M. Legendre. Nouvelles mthodes pour la dtermination des orbites des comtes, Firmin Didot, Paris, 1805. Sur la
Mthode des moindres quarrs appears as an appendix.
[5] C.F. Gauss. Theoria Motus Corporum Coelestium in Sectionibus Conicis Solem Ambientum. (1809)
[6] C.F. Gauss. Theoria combinationis observationum erroribus minimis obnoxiae. (1821/1823)
[7] Mogull, Robert G. (2004). Second-Semester Applied Statistics. Kendall/Hunt Publishing Company. p. 59. ISBN 0-7575-
1181-3.
[8] Galton, Francis (1989). Kinship and Correlation (reprinted 1989). Statistical Science (Institute of Mathematical Statistics)
4 (2): 8086. doi:10.1214/ss/1177012581. JSTOR 2245330.
[9] Francis Galton. Typical laws of heredity, Nature 15 (1877), 492495, 512514, 532533. (Galton uses the term rever-
sion in this paper, which discusses the size of peas.)
[10] Francis Galton. Presidential address, Section H, Anthropology. (1885) (Galton uses the term regression in this paper, which
discusses the height of humans.)
[11] Yule, G. Udny (1897). On the Theory of Correlation. Journal of the Royal Statistical Society (Blackwell Publishing) 60
(4): 81254. doi:10.2307/2979746. JSTOR 2979746.
[12] Pearson, Karl; Yule, G.U.; Blanchard, Norman; Lee,Alice (1903). The Law of Ancestral Heredity. Biometrika (Biome-
trika Trust) 2 (2): 211236. doi:10.1093/biomet/2.2.211. JSTOR 2331683.
[13] Fisher, R.A. (1922). The goodness of t of regression formulae, and the distribution of regression coecients. Journal
of the Royal Statistical Society (Blackwell Publishing) 85 (4): 597612. doi:10.2307/2341124. JSTOR 2341124.
[14] Ronald A. Fisher (1954). Statistical Methods for Research Workers (Twelfth edicin). Edinburgh: Oliver and Boyd. ISBN
0-05-002170-2.
[15] Aldrich, John (2005). Fisher and Regression. Statistical Science 20 (4): 401417. doi:10.1214/088342305000000331.
JSTOR 20061201.
[16] Rodney Ramcharan. Regressions: Why Are Economists Obessessed with Them? March 2006. Accessed 2011-12-03.
Amanda Wachsmuth, Leland Wilkinson, Gerard E. Dallal. Galtons Bend: An Undiscovered Nonlinearity in
Galtons Family Stature Regression Data and a Likely Explanation Based on Pearson and Lees Stature Data
Captulo 2
Regresin lineal
Ejemplo de una regresin lineal con una variable dependiente y una variable independiente.
En estadstica la regresin lineal o ajuste lineal es un mtodo matemtico que modela la relacin entre una variable
dependiente Y, las variables independientes Xi y un trmino aleatorio . Este modelo puede ser expresado como:
Yt = 0 + 1 X1 + 2 X2 + + p Xp +
4
2.1. HISTORIA 5
2.1 Historia
La primera forma de regresin lineal documentada fue el mtodo de los mnimos cuadrados que fue publicada por
Legendre en 1805,[1] y en dnde se inclua una versin del teorema de Gauss-Mrkov.
2.1.1 Etimologa
El trmino regresin se utiliz por primera vez en el estudio de variables antropomtricas: al comparar la estatura
de padres e hijos, donde result que los hijos cuyos padres tenan una estatura muy superior al valor medio, tendan
a igualarse a ste, mientras que aquellos cuyos padres eran muy bajos tendan a reducir su diferencia respecto a la
estatura media; es decir, regresaban al promedio.[2] La constatacin emprica de esta propiedad se vio reforzada
ms tarde con la justicacin terica de ese fenmeno.
El trmino lineal se emplea para distinguirlo del resto de tcnicas de regresin, que emplean modelos basados en
cualquier clase de funcin matemtica. Los modelos lineales son una explicacin simplicada de la realidad, mucho
ms giles y con un soporte terico mucho ms extenso por parte de la matemtica y la estadstica.
Pero bien, como se ha dicho, podemos usar el trmino lineal para distinguir modelos basados en cualquier clase de
aplicacin.
donde es la perturbacin aleatoria que recoge todos aquellos factores de la realidad no controlables u observables y
que por tanto se asocian con el azar, y es la que conere al modelo su carcter estocstico. En el caso ms sencillo,
con una sola variable explcita, el hiperplano es una recta:
(3) Y = 1 + 2 X2 +
El problema de la regresin consiste en elegir unos valores determinados para los parmetros desconocidos k , de
modo que la ecuacin quede completamente especicada. Para ello se necesita un conjunto de observaciones. En una
observacin i-sima (i= 1,... I) cualquiera, se registra el comportamiento simultneo de la variable dependiente y las
variables explcitas (las perturbaciones aleatorias se suponen no observables).
(4) Yi = k Xki + i
Los valores escogidos como estimadores de los parmetros k , son los coecientes de regresin sin que se pueda
garantizar que coincida n con parmetros reales del proceso generador. Por tanto, en
(5) Yi = k Xki + i
2. Homocedasticidad
V ar(t ) = E(t Et )2 = E2t = 2 para todo t
Todos los trminos de la perturbacin tienen la misma varianza que es desconocida. La dispersin de cada t en torno
a su valor esperado es siempre la misma.
3. Incorrelacin.
Cov(t , s ) = (t Et )(s Es ) = Et s = 0 para todo t,s con t distinto de s
Las covarianzas entre las distintas pertubaciones son nulas, lo que quiere decir que no estn correlacionadas. Esto
implica que el valor de la perturbacin para cualquier observacin muestral no viene inuenciado por los valores de
las perturbaciones correspondientes a otras observaciones muestrales.
4. Regresores no estocsticos.
5. No existen relaciones lineales exactas entre los regresores.
6. T > k + 1 Suponemos que no existen errores de especicacin en el modelo, ni errores de medida en las variables
explicativas
7. Normalidad de las perturbaciones N (0, 2 )
2. Que los errores en la medicin de las variables explicativas sean independientes entre s.
4. Que los errores tengan una esperanza matemtica igual a cero (los errores de una misma magnitud y distinto
signo son equiprobables).
(6) Yi = 0 + 1 Xi + i
donde i es el error asociado a la medicin del valor Xi y siguen los supuestos de modo que i N (0, 2 ) (media
cero, varianza constante e igual a un y i j con i = j ).
Anlisis
Dado el modelo de regresin simple, si se calcula la esperanza (valor esperado) del valor Y, se obtiene:[5]
(yi yi )2
(9) 0
=0
(yi yi )2
(10) 1
=0
Obteniendo dos ecuaciones denominadas ecuaciones normales que generan la siguiente solucin para ambos parmetros:[4]
x yn xy (x
x)(yy)
(11) 1 = 2
( x) n
2
x
= x)2
(x
y1 x
(12) 0 = n = y 1 x
La regresin lineal permite trabajar con una variable a nivel de intervalo o razn. De la misma manera, es posible
analizar la relacin entre dos o ms variables a travs de ecuaciones, lo que se denomina regresin mltiple o
regresin lineal mltiple.
Constantemente en la prctica de la investigacin estadstica, se encuentran variables que de alguna manera estn
relacionadas entre s, por lo que es posible que una de las variables puedan relacionarse matemticamente en funcin
de otra u otras variables.
Maneja varias variables independientes. Cuenta con varios parmetros. Se expresan de la forma:[6]
(13) Yi = 0 + i Xip + i
donde i es el error asociado a la medicin i del valor Xip y siguen los supuestos de modo que i N (0, 2 ) (media
cero, varianza constante e igual a un y i j con i = j ).
xy
(14) y = y + x2 (x x
)
xy
(15) x = x
+ y2 (y y)
La correlacin (r) de las rectas determinar la calidad del ajuste. Si r es cercano o igual a 1, el ajuste ser bueno y las
predicciones realizadas a partir del modelo obtenido sern muy ables (el modelo obtenido resulta verdaderamente
representativo); si r es cercano o igual a 0, se tratar de un ajuste malo en el que las predicciones que se realicen
a partir del modelo obtenido no sern ables (el modelo obtenido no resulta representativo de la realidad). Ambas
rectas de regresin se intersecan en un punto llamado centro de gravedad de la distribucin.
8 CAPTULO 2. REGRESIN LINEAL
Una lnea de tendencia representa una tendencia en una serie de datos obtenidos a travs de un largo perodo. Este
tipo de lneas puede decirnos si un conjunto de datos en particular (como por ejemplo, el PBI, el precio del petrleo o
el valor de las acciones) han aumentado o decrementado en un determinado perodo.[8] Se puede dibujar una lnea de
tendencia a simple vista fcilmente a partir de un grupo de puntos, pero su posicin y pendiente se calcula de manera
ms precisa utilizando tcnicas estadsticas como las regresiones lineales. Las lneas de tendencia son generalmente
lneas rectas, aunque algunas variaciones utilizan polinomios de mayor grado dependiendo de la curvatura deseada
en la lnea.
2.7.2 Medicina
En medicina, las primeras evidencias relacionando la mortalidad con el fumar tabaco[9] vinieron de estudios que
utilizaban la regresin lineal. Los investigadores incluyen una gran cantidad de variables en su anlisis de regresin
en un esfuerzo por eliminar factores que pudieran producir correlaciones espurias. En el caso del tabaquismo, los
investigadores incluyeron el estado socio-econmico para asegurarse que los efectos de mortalidad por tabaquismo no
sean un efecto de su educacin o posicin econmica. No obstante, es imposible incluir todas las variables posibles
en un estudio de regresin.[10][11] En el ejemplo del tabaquismo, un hipottico gen podra aumentar la mortalidad
y aumentar la propensin a adquirir enfermedades relacionadas con el consumo de tabaco. Por esta razn, en la
actualidad las pruebas controladas aleatorias son consideradas mucho ms conables que los anlisis de regresin.
2.7.3 Informtica
Ejemplo de una rutina que utiliza una recta de regresin lineal para proyectar un valor futuro: Cdigo escrito en PHP
<?php //Licencia: GNU/GPL $xarray=array(1, 2, 3, 4, 5 ); //Dias $yarray=array(5, 5, 5, 6.8, 9); //Porcentaje de ejecu-
cion $pm=100; //Valor futuro $x2=0; $y=0; $x=0; $xy=0; $cantidad=count($xarray); for($i=0;$i<$cantidad;$i++){
//Tabla de datos print ($xarray[$i]. ---- ".$yarray[$i]."<br>"); //Calculo de terminos $x2 += $xarray[$i]*$xarray[$i];
$y += $yarray[$i]; $x += $xarray[$i]; $xy += $xarray[$i]*$yarray[$i]; } //Coeciente parcial de regresion $b=($cantidad*$xy-
$x*$y)/($cantidad*$x2-$x*$x); //Calculo del intercepto $a=($y-$b*$x)/$cantidad; //Recta tendencial //y=a+bx //Pro-
yeccion en dias para un 100% de la ejecucion: if ($b!=0) $dias_proyectados=($pm-$a)/$b; else $dias_proyectados=999999;
//Innitos $dp=round($dias_proyectados,0); if($dp<=$pm) print $dp."---> Culmina antes de los $pm dias <br>";
if($dp >$pm) print $dp ."---> ALARMA: No culmina antes de los $pm dias <br>"; ?>
Regresin logstica
Regresin segmentada
Econometra
Mnimos cuadrados
Regularizacin de Tikhonov
Cuarteto de Anscombe
2.9 Referencias
[1] C.F. Gauss. Theoria combinationis observationum erroribus minimis obnoxiae. (1821/1823)
[4] Frmulas, Probabilidad y Estadstica. Cs. Bsicas. U.D.B. Matemtica. Universidad Tecnolgica Nacional, Facultad Re-
gional Buenos Aires. Editorial CEIT-FRBA. (Cdigo BM2BT2)
[6] Tcnicas de regresin: Regresin Lineal Mltiple. Prtega Daz, S., Pita Fernndez, S. Unidad de Epidemiologa Clnica y
Bioestadstica. Complejo Hospitalario de La Corua (Espaa)
[7] Apunte sobre Rectas de regresin. Ministerio de Educacin y Ciencia. Gobierno de Espaa.
[9] Doll R, Peto r, Wheatley K, Gray R et al. Mortality in relation to smoking: 40 years observations on male British doctors
.BMJ 1994;309:901-911 (8 de octubre]
[10] Environmental Tobacco Smoke and Adult Asthma Division of Pulmonary and Critical Care Medicine, Division of Oc-
cupational and Environmental Medicine; Department of Medicine, Institute for Health Policy Studies; and Department of
Epidemiology and Biostatistics, Universidad de California, San Francisco, California. (en ingls)
[11] Efecto del tabaquismo, los sntomas respiratorios y el asma sobre la espirometra de adultos de la Ciudad de Mxico, Justino
Regalado-Pineda; Alejandro Gmez-Gmez; Javier Ramrez-Acosta; Juan Carlos Vzquez-Garca
2.10 Bibliografa
Devore, Jay L.; Probabilidad y Estadstica para Ingeniera y Ciencias. International Thomson Editores. Mxico.
ISBN-10: 9706864571.
Walpole, Ronald E.; Raymond H.; Myers, Sharon L.; Probabilidad y Estadstica para Ingenieros. Pretice-Hall
Hispanoamericana, S.A. Mxico. ISBN-10: 9701702646.
Canavos, George C.; Probabilidad y Estadstica. Aplicaciones y Mtodos. McGraw-Hill. Mxico. ISBN-10:
9684518560.
Simulacin de la recta de regresion de una variable bidimensional continua con R (lenguaje de programacin)
Captulo 3
En estadstica un modelo de regresin mltiple no postulado es uno de los mtodos de regresin lineal.
3.1 Modelo
Un modelo relaciona una o varias variables que hay que explicar Y a unas variables explicativas X, por una relacin
funcional Y = F (X)
El clculo de los coecientes aj y del error del modelo, a partir de las observaciones, es un problema bien dominado
(ver Regresin lineal).
Ms delicado es la eleccin de las variables que entran en este modelo. Puede ser postulado o no postulado.
Ejemplo de modelo polinmico con dos variables explicativas: yi = ao + a1 xi,1 + a2 xi,2 + a3 xi,1 xi,2 + a4 x2i,1 +
a5 x2i,1 + i i = 1n
01
10
3.3. EL PROBLEMA DE LA SELECCIN DE LAS VARIABLES EXPLICATIVAS 11
Variables explicativas simples: A, B, C, (propuestas por los expertos del campo considerado y cuyo nmero
p puede ser superior a n
Interacciones o acoplamiento de estas variables, por ejemplo A*B (producido cruzado sobre variables
centradas reducidas), pero tambin interacciones lgicas tal A y B , A o B , A y B medios , A
si B es fuerte , A si B es medio , A si B es dbil , etc.;
Funciones de estas variables: por ejemplo cos (A) o cualquier funcin sinusoidal amortiguada o ampliada,
funcin peridica no sinusoidal, efecto de umbral, etc.
La seleccin se produce antes del clculo de los coecientes de la regresin segn el principio siguiente:
La lista por orden de importancia decreciente encontrada y clasicada, no puede contar ms trminos que desconocidas
(n). Si se guarda slo un trmino en el modelo, deber ser la primera de la lista. Si se guarda dos, sern ambos primeros,
etc.
En efecto ya que cada uno de los trminos de la lista explica el residuo no explicado por los precedentes, los ltimos
explican posiblemente slo el ruido. Cul criterio de parada escoger?
El nmero de trminos conservados en el modelo puede ser, por ejemplo, el que minimiza el error estndar de
prediccin SEP (Standard error of Prediction), o el que maximiza el F de Fisher. Este nmero de trmino puede
tambin ser escogido por el utilizador a partir de consideraciones fsicas.
Observamos que:
* las variables B y C, no pertinentes, no guran en el modelo
* la variable A apareci como trmino simple
* las variables E y G de una parte, y D y F, por otra parte, aparecen slo como interacciones lgicas .
Este modelo parsimonioso , es decir conteniendo pocos trminos (aqu tres), contrata 5 variables, y estar pegado
mejor a la realidad fsica que un modelo polinmico. En efecto la conjuncin E y G que signica E y G fuertes
simultneamente es encontrado ms a menudo en la realidad fsica (ejemplo: la catlisis en qumica) que un trmino
polinmico de tipo E.G.
12 CAPTULO 3. MODELOS DE REGRESIN MLTIPLE POSTULADOS Y NO POSTULADOS
3.6 Referencias
Lesty M. (1999) Une nouvelle approche dans le choix des rgresseurs de la rgression multiple en prsence dinteractions
et de colinarits. La revue de Modulad, n22, janvier 1999, pp. 41-77
Lesty M. (2002) La recherche des harmoniques, une nouvelle fonction du logiciel CORICO. La revue de Modulad,
n29, juin 2002, pp. 39-77
3.7. TEXT AND IMAGE SOURCES, CONTRIBUTORS, AND LICENSES 13
3.7.2 Images
Archivo:Artculo_bueno.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/e/e5/Art%C3%ADculo_bueno.svg Licencia: Pu-
blic domain Colaboradores: Circle taken from Image:Symbol support vote.svg Artista original: Paintman y Chabacano
Archivo:Icono_de_traduccin.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/4/40/Icono_de_traducci%C3%B3n.svg Li-
cencia: GFDL Colaboradores: trabajo propio a partir de image:View-refresh.svg y image:Japanese Hiragana kyokashotai A.svg Artista
original: Rastrojo DES
Archivo:Linear_regression.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/3/3a/Linear_regression.svg Licencia: Public
domain Colaboradores: Trabajo propio Artista original: Sewaqu
1 Teora de juegos 1
1.1 Representacin de juegos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Forma normal de un juego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Forma extensiva de un juego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Tipos de juegos y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Juegos simtricos y asimtricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Juegos de suma cero y de suma distinta de cero . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3 Criterios maximin y minimax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.4 Equilibrio de Nash. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.5 Juegos cooperativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.6 Simultneos y secuenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.7 Juegos de informacin perfecta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.8 Juegos de longitud innita (SuperJuegos) . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Economa y negocios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Biologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.3 Informtica y lgica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.4 Ciencia poltica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.5 Filosofa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Historia de la teora de juegos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7 Notas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.8 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
i
ii NDICE GENERAL
4 Juego simtrico 18
4.1 Simetra en juegos 2x2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2 Simetra y equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.3 Asimetras incorreladas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.4 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
6 Juego cooperativo 22
6.1 Denicin matemtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
6.2 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
6.3 Text and image sources, contributors, and licenses . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6.3.1 Text . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6.3.2 Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6.3.3 Content license . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Captulo 1
Teora de juegos
La teora de juegos es un rea de la matemtica aplicada que utiliza modelos para estudiar interacciones en estruc-
turas formalizadas de incentivos (los llamados juegos) y llevar a cabo procesos de decisin. Sus investigadores
estudian las estrategias ptimas as como el comportamiento previsto y observado de individuos en juegos. Tipos de
interaccin aparentemente distintos pueden, en realidad, presentar estructura de incentivo similar y, por lo tanto, se
puede representar mil veces conjuntamente un mismo juego.[1]
Desarrollada en sus comienzos como una herramienta para entender el comportamiento de la economa, la teora de
juegos se usa actualmente en muchos campos, como en la biologa, sociologa, psicologa, losofa y ciencias de la
computacin. Experiment un crecimiento sustancial y se formaliz por primera vez a partir de los trabajos de John
von Neumann y Oskar Morgenstern, antes y durante la Guerra Fra, debido sobre todo a su aplicacin a la estrategia
militar, en particular a causa del concepto de destruccin mutua garantizada. Desde los setenta, la teora de juegos se
ha aplicado a la conducta animal, incluyendo el desarrollo de las especies por la seleccin natural. A raz de juegos
como el dilema del prisionero, en los que el egosmo generalizado perjudica a los jugadores, la teora de juegos ha
atrado tambin la atencin de los investigadores en informtica, usndose en inteligencia articial y ciberntica.
Aunque tiene algunos puntos en comn con la teora de la decisin, la teora de juegos estudia decisiones realizadas
en entornos donde interaccionan. En otras palabras, estudia la eleccin de la conducta ptima cuando los costes y los
benecios de cada opcin no estn jados de antemano, sino que dependen de las elecciones de otros individuos. Un
ejemplo muy conocido de la aplicacin de la teora de juegos a la vida real es el dilema del prisionero, popularizado por
el matemtico Albert W. Tucker, el cual tiene muchas implicaciones para comprender la naturaleza de la cooperacin
humana. La teora psicolgica de juegos, que se arraiga en la escuela psicoanaltica del anlisis transaccional, es
enteramente diferente.
Los analistas de juegos utilizan asiduamente otras reas de la matemtica, en particular las probabilidades, las
estadsticas y la programacin lineal, en conjunto con la teora de juegos. Adems de su inters acadmico, la teora
de juegos ha recibido la atencin de la cultura popular. La vida del matemtico terico John Forbes Nash, desarrolla-
dor del Equilibrio de Nash y que recibi un premio Nobel, fue el tema de la biografa escrita por Sylvia Nasar, Una
mente maravillosa (1998), y de la pelcula del mismo nombre (2001). Varios programas de televisin han explorado
situaciones de teora de juegos, como el concurso de la televisin de Catalua (TV3) Sis a traci (Seis a traicin),
el programa de la televisin estadounidense Friend or foe? (Amigo o enemigo?) y, hasta cierto punto, el concurso
Supervivientes.[2]
1
2 CAPTULO 1. TEORA DE JUEGOS
jugador tiene dos estrategias, que estn especicadas por el nmero de las y el nmero de columnas. Las recompensas
se especican en el interior. El primer nmero es la recompensa recibida por el jugador de las las (el Jugador 1 en
nuestro ejemplo); el segundo es la recompensa del jugador de las columnas (el Jugador 2 en nuestro ejemplo). Si el
jugador 1 elige arriba y el jugador 2 elige izquierda entonces sus recompensas son 4 y 3, respectivamente.
Cuando un juego se presenta en forma normal, se presupone que todos los jugadores actan simultneamente o, al
menos, sin saber la eleccin que toma el otro. Si los jugadores tienen alguna informacin acerca de las elecciones de
otros jugadores el juego se presenta habitualmente en la forma extensiva.
Tambin existe una forma normal reducida. sta combina estrategias asociadas con el mismo pago.
La representacin de juegos en forma extensiva modela juegos con algn orden que se debe considerar. Los juegos
se presentan como rboles (como se muestra a la derecha). Cada vrtice o nodo representa un punto donde el jugador
toma decisiones. El jugador se especica por un nmero situado junto al vrtice. Las lneas que parten del vrtice
representan acciones posibles para el jugador. Las recompensas se especican en las hojas del rbol.
En el juego que se muestra en el ejemplo hay dos jugadores. El jugador 1 mueve primero y elige F o U. El jugador
2 ve el movimiento del jugador 1 y elige A o R. Si el jugador 1 elige U y entonces el jugador 2 elige A, entonces el
jugador 1 obtiene 8 y el jugador 2 obtiene 2.
Los juegos en forma extensiva pueden modelar tambin juegos de movimientos simultneos. En esos casos se dibuja
una lnea punteada o un crculo alrededor de dos vrtices diferentes para representarlos como parte del mismo conjunto
de informacin (por ejemplo, cuando los jugadores no saben en qu punto se encuentran).
La forma normal da al matemtico una notacin sencilla para el estudio de los problemas de equilibrio, porque
desestima la cuestin de cmo las estrategias son calculadas o, en otras palabras, de cmo el juego es jugado en
realidad. La notacin conveniente para tratar estas cuestiones, ms relevantes para la teora combinatoria de juegos,
es la forma extensiva del juego.
Un juego simtrico es un juego en el que las recompensas por jugar una estrategia en particular dependen slo de
las estrategias que empleen los otros jugadores y no de quien las juegue. Si las identidades de los jugadores pueden
cambiarse sin que cambien las recompensas de las estrategias, entonces el juego es simtrico. Muchos de los juegos
22 ms estudiados son simtricos. Las representaciones estndar del juego de la gallina, el dilema del prisionero y
la caza del ciervo son juegos simtricos.[3]
Los juegos asimtricos ms estudiados son los juegos donde no hay conjuntos de estrategias idnticas para ambos
jugadores. Por ejemplo, el juego del ultimtum y el juego del dictador tienen diferentes estrategias para cada juga-
dor; no obstante, puede haber juegos asimtricos con estrategias idnticas para cada jugador. Por ejemplo, el juego
mostrado a la derecha es asimtrico a pesar de tener conjuntos de estrategias idnticos para ambos jugadores.
En los juegos de suma cero el benecio total para todos los jugadores del juego, en cada combinacin de estrategias,
siempre suma cero (en otras palabras, un jugador se benecia solamente a expensas de otros). El go, el ajedrez, el
pker y el juego del oso son ejemplos de juegos de suma cero, porque se gana exactamente la cantidad que pierde el
oponente. Como curiosidad, el ftbol dej hace unos aos de ser de suma cero, pues las victorias reportaban 2 puntos
y el empate 1 (considrese que ambos equipos parten inicialmente con 1 punto), mientras que en la actualidad las
victorias reportan 3 puntos y el empate 1.
La mayora de los ejemplos reales en negocios y poltica, al igual que el dilema del prisionero, son juegos de suma
distinta de cero, porque algunos desenlaces tienen resultados netos mayores o menores que cero. Es decir, la ganancia
de un jugador no necesariamente se corresponde con la prdida de otro. Por ejemplo, un contrato de negocios involucra
idealmente un desenlace de suma positiva, donde cada oponente termina en una posicin mejor que la que tendra si
no se hubiera dado la negociacin.
Se puede analizar ms fcilmente un juego de suma distinta de cero, y cualquier juego se puede transformar en un
juego de suma cero aadiendo un jugador cticio adicional (el tablero o la banca), cuyas prdidas compensen
las ganancias netas de los jugadores.
La matriz de pagos de un juego es una forma conveniente de representacin. Por ejemplo, un juego de suma cero de
dos jugadores con la matriz que se muestra a la derecha.
Los criterios maximin y minimax establecen que cada jugador debe minimizar su prdida mxima:
Criterio maximin: el jugador A, elige que su cobro mnimo posible sea el mayor.
Criterio minimax: el jugador B elige que el pago mximo a A sea el menor posible.
Los equilibrios de las estrategias dominantes estn muy bien cuando aparecen en los juegos, pero desafortunadamente,
eso no ocurre con frecuencia. Un par de estrategias es un equilibrio de Nash si la eleccin del jugador A es ptima,
dada eleccin de B, y la de B es ptima, dada la de A.
El equilibrio de Nash puede interpretarse como un par de expectativas sobre la eleccin de cada persona tal que,
cuando la otra revela su eleccin, ninguna de las dos quiere cambiar de conducta.
Un juego cooperativo se caracteriza por un contrato que puede hacerse cumplir. La teora de los juegos cooperativos
da justicaciones de contratos plausibles. La plausibilidad de un contrato est muy relacionada con la estabilidad.
4 CAPTULO 1. TEORA DE JUEGOS
Dos jugadores negocian tanto quieren invertir en un contrato. La teora de la negociacin axiomtica nos muestra
cunta inversin es conveniente para nosotros. Por ejemplo, la solucin de Nash para la negociacin demanda que la
inversin sea justa y eciente.
De cualquier forma, podramos no estar interesados en la justicia y exigir ms. De hecho, existe un juego no coope-
rativo creado por Ariel Rubinstein consistente en alternar ofertas, que apoya la solucin de Nash considerndola la
mejor, mediante el llamado equilibrio de Nash.
Un juego de informacin imperfecta (las lneas punteadas representan la ignorancia de la parte del jugador 2).
Un subconjunto importante de los juegos secuenciales es el conjunto de los juegos de informacin perfecta. Un juego
es de informacin perfecta si todos los jugadores conocen los movimientos que han efectuado previamente todos los
otros jugadores; as que slo los juegos secuenciales pueden ser juegos de informacin perfecta, pues en los juegos
simultneos no todos los jugadores (a menudo ninguno) conocen las acciones del resto. La mayora de los juegos
estudiados en la teora de juegos son juegos de informacin imperfecta, aunque algunos juegos interesantes son de
informacin perfecta, incluyendo el juego del ultimtum y el juego del ciempis. Tambin muchos juegos populares
son de informacin perfecta, incluyendo el ajedrez y el go.
La informacin perfecta se confunde a menudo con la informacin completa, que es un concepto similar. La infor-
macin completa requiere que cada jugador conozca las estrategias y recompensas del resto pero no necesariamente
las acciones.
En los juegos de informacin completa cada jugador tiene la misma informacin relevante al juego que los dems
jugadores. El ajedrez y el dilema del prisionero ejemplican juegos de informacin completa. Los juegos de infor-
macin completa ocurren raramente en el mundo real, y los tericos de los juegos, usualmente los ven slo como
aproximaciones al juego realmente jugado.
John Conway desarroll una notacin para algunos juegos de informacin completa y deni varias operaciones en
esos juegos, originalmente para estudiar los nales de go, aunque buena parte de este anlisis se enfoc en nim. Esto
1.3. APLICACIONES 5
devino en la teora de juegos combinatoria. Descubri que existe una subclase de esos juegos que pueden ser usados
como nmeros, como describi en su libro On Numbers and Games, llegando a la clase muy general de los nmeros
surreales.
Por razones obvias, los juegos estudiados por los economistas y los juegos del mundo real nalizan generalmente tras
un nmero nito de movimientos. Los juegos matemticos puros no tienen estas restricciones y la teora de conjuntos
estudia juegos de innitos movimientos, donde el ganador no se conoce hasta que todos los movimientos se conozcan.
El inters en dicha situacin no suele ser decidir cul es la mejor manera de jugar a un juego, sino simplemente qu
jugador tiene una estrategia ganadora (Se puede probar, usando el axioma de eleccin, que hay juegos incluso de
informacin perfecta, y donde las nicas recompensas son perder y ganar para los que ningn jugador tiene
una estrategia ganadora.) La existencia de tales estrategias tiene consecuencias importantes en la teora descriptiva
de conjuntos.
1.3 Aplicaciones
La teora de juegos tiene la caracterstica de ser un rea en que la sustancia subyacente es principalmente una categora
de matemticas aplicadas, pero la mayora de la investigacin fundamental es desempeada por especialistas en otras
reas. En algunas universidades se ensea y se investiga casi exclusivamente fuera del departamento de matemtica.
Esta teora tiene aplicaciones en numerosas reas, entre las cuales caben destacar las ciencias econmicas, la biologa
evolutiva, la psicologa, las ciencias polticas, el diseo industrial, la investigacin operativa, la informtica y la es-
trategia militar.
Los economistas han usado la teora de juegos para analizar un amplio abanico de problemas econmicos, incluyen-
do subastas, duopolios, oligopolios, la formacin de redes sociales, y sistemas de votaciones. Estas investigaciones
normalmente estn enfocadas a conjuntos particulares de estrategias conocidos como conceptos de solucin. Estos
conceptos de solucin estn basados normalmente en lo requerido por las normas de racionalidad perfecta. El ms
famoso es el equilibrio de Nash. Un conjunto de estrategias es un equilibrio de Nash si cada una representa la mejor
respuesta a otras estrategias. De esta forma, si todos los jugadores estn aplicando las estrategias en un equilibrio de
Nash, no tienen ningn incentivo para cambiar de conducta, pues su estrategia es la mejor que pueden aplicar dadas
las estrategias de los dems.
Las recompensas de los juegos normalmente representan la utilidad de los jugadores individuales. A menudo las
recompensas representan dinero, que se presume corresponden a la utilidad de un individuo. Esta presuncin, sin
embargo, puede no ser correcta.
Un documento de teora de juegos en economa empieza presentando un juego que es una abstraccin de una situacin
econmica particular. Se eligen una o ms soluciones, y el autor demuestra qu conjunto de estrategias corresponden al
equilibrio en el juego presentado. Los economistas y profesores de escuelas de negocios sugieren dos usos principales.
Descriptiva
El uso principal es informar acerca del comportamiento de las poblaciones humanas actuales. Algunos investigadores
creen que encontrar el equilibrio de los juegos puede predecir cmo se comportaran las poblaciones humanas si se
enfrentasen a situaciones anlogas al juego estudiado. Esta visin particular de la teora de juegos se ha criticado en la
actualidad. En primer lugar, se la critica porque los supuestos de los tericos se violan frecuentemente. Los tericos de
juegos pueden suponer jugadores que se comportan siempre racionalmente y actan para maximizar sus benecios
(el modelo homo oeconomicus), pero los humanos reales a menudo actan irracionalmente o racionalmente pero
buscando el benecio de un grupo mayor (altruismo).
Los tericos de juegos responden comparando sus supuestos con los que se emplean en fsica. As, aunque sus su-
puestos no se mantienen siempre, pueden tratar la teora de juegos como una idealizacin razonable, de la misma
6 CAPTULO 1. TEORA DE JUEGOS
forma que los modelos usados por los fsicos. Sin embargo, este uso de la teora de juegos se ha seguido criticando
porque algunos experimentos han demostrado que los individuos no se comportan segn estrategias de equilibrio.
Por ejemplo, en el juego del ciempis, el juego de adivinar 2/3 de la media y el juego del dictador, las personas a
menudo no se comportan segn el equilibrio de Nash. Esta controversia se est resolviendo actualmente.[4]
Por otra parte, algunos autores aducen que los equilibrios de Nash no proporcionan predicciones para las poblaciones
humanas, sino que proporcionan una explicacin de por qu las poblaciones que se comportan segn el equilibrio
de Nash permanecen en esa conducta. Sin embargo, la cuestin acerca de cunta gente se comporta as permanece
abierta.
Algunos tericos de juegos han puesto esperanzas en la teora evolutiva de juegos para resolver esas preocupaciones.
Tales modelos presuponen o no racionalidad o una racionalidad acotada en los jugadores. A pesar del nombre, la
teora evolutiva de juegos no presupone necesariamente seleccin natural en sentido biolgico. La teora evolutiva de
juegos incluye las evoluciones biolgica y cultural y tambin modela el aprendizaje individual.
Normativa
Por otra parte, algunos matemticos no ven la teora de juegos como una herramienta que predice la conducta de
los seres humanos, sino como una sugerencia sobre cmo deberan comportarse. Dado que el equilibrio de Nash
constituye la mejor respuesta a las acciones de otros jugadores, seguir una estrategia que es parte del equilibrio de
Nash parece lo ms apropiado. Sin embargo, este uso de la teora de juegos tambin ha recibido crticas. En primer
lugar, en algunos casos es apropiado jugar segn una estrategia ajena al equilibrio si uno espera que los dems tambin
jugarn de acuerdo al equilibrio. Por ejemplo, en el juego adivina 2/3 de la media.
El dilema del prisionero presenta otro contraejemplo potencial. En este juego, si cada jugador persigue su propio
benecio ambos jugadores obtienen un resultado peor que de no haberlo hecho. Algunos matemticos creen que esto
demuestra el fallo de la teora de juegos como una recomendacin de la conducta a seguir.
1.3.2 Biologa
A diferencia del uso de la teora de juegos en la economa, las recompensas de los juegos en biologa se interpretan
frecuentemente como adaptacin. Adems, su estudio se ha enfocado menos en el equilibrio que corresponde a la
nocin de racionalidad, centrndose en el equilibrio mantenido por las fuerzas evolutivas. El equilibrio mejor conocido
en biologa se conoce como estrategia evolutivamente estable, y fue introducido por primera vez por John Maynard
Smith. Aunque su motivacin inicial no comportaba los requisitos mentales del equilibrio de Nash, toda estrategia
evolutivamente estable es un equilibrio de Nash.
En biologa, la teora de juegos se emplea para entender muchos problemas diferentes. Se us por primera vez para
explicar la evolucin (y estabilidad) de las proporciones de sexos 1:1 (mismo nmero de machos que de hembras).
Ronald Fisher sugiri en 1930 que la proporcin 1:1 es el resultado de la accin de los individuos tratando de maxi-
mizar el nmero de sus nietos sujetos a la restriccin de las fuerzas evolutivas.
Adems, los bilogos han usado la teora de juegos evolutiva y el concepto de estrategia evolutivamente estable para
explicar el surgimiento de la comunicacin animal (John Maynard Smith y Harper en el ao 2003). El anlisis de
1.4. HISTORIA DE LA TEORA DE JUEGOS 7
juegos con seales y otros juegos de comunicacin ha proporcionado nuevas interpretaciones acerca de la evolucin
de la comunicacin en los animales.
Finalmente, los bilogos han usado el problema halcn-paloma (tambin conocido como problema de la gallina) para
analizar la conducta combativa y la territorialidad.
La teora de juegos ha empezado a desempear un papel importante en la lgica y la informtica. Muchas teoras
lgicas se asientan en la semntica de juegos. Adems, los investigadores de informtica han usado juegos para
modelar programas que interactan entre s.
La investigacin en ciencia poltica tambin ha usado resultados de la teora de juegos. Una explicacin de la teora
de la paz democrtica es que el debate pblico y abierto en la democracia enva informacin clara y able acerca de
las intenciones de los gobiernos hacia otros estados. Por otra parte, es difcil conocer los intereses de los lderes no
democrticos, qu privilegios otorgarn y qu promesas mantendrn. Segn este razonamiento, habr desconanza y
poca cooperacin si al menos uno de los participantes de una disputa no es una democracia.
1.3.5 Filosofa
La teora de juegos ha demostrado tener muchos usos en losofa. A partir de dos trabajos de W.V.O. Quine publica-
dos en 1960 y 1967, David Lewis (1969) us la teora de juegos para desarrollar el concepto losco de convencin.
De esta forma, proporcion el primer anlisis del conocimiento comn y lo emple en analizar juegos de coordina-
cin. Adems, fue el primero en sugerir que se poda entender el signicado en trminos de juegos de seales. Esta
sugerencia se ha seguido por muchos lsofos desde el trabajo de Lewis.[5]
Leon Henkin, Paul Lorenzen y Jaakko Hintikka iniciaron una aproximacin a la semntica de los lenguajes formales
que explica con conceptos de teora de juegos los conceptos de verdad lgica, validez y similares. En esta aproximacin
los jugadores compiten proponiendo cuanticaciones e instancias de oraciones abiertas; las reglas del juego son las
reglas de interpretacin de las sentencias en un modelo, y las estrategias de cada jugador tienen propiedades de las que
trata la teora semntica (ser dominante si y slo si las oraciones con que se juega cumplen determinadas condiciones,
etc.).
En tica, algunos autores han intentado continuar la idea de Thomas Hobbes de derivar la moral del inters personal.
Dado que juegos como el dilema del prisionero presentan un conicto aparente entre la moralidad y el inters personal,
explicar por qu la cooperacin es necesaria para el inters personal es una componente importante de este proyecto.
Esta estrategia general es un componente de la idea de contrato social en losofa poltica (ejemplos en Gauthier 1987
y Kavka 1986).[6]
Finalmente, otros autores han intentado usar la teora evolutiva de juegos para explicar el nacimiento de las actitudes
humanas ante la moralidad y las conductas animales correspondientes. Estos autores han buscado ejemplos en muchos
juegos, incluyendo el dilema del prisionero, la caza del ciervo, y el juego del trato de Nash para explicar la razn del
surgimiento de las actitudes acerca de la moral (vase Skyrms 1996, 2004; Sober y Wilson 1999).
Oskar Morgenstern. Este trabajo contiene un mtodo para encontrar soluciones ptimas para juegos de suma cero
de dos personas. Durante este perodo, el trabajo sobre teora de juegos se centr, sobre todo, en teora de juegos
cooperativos. Este tipo de teora de juegos analiza las estrategias ptimas para grupos de individuos, asumiendo que
pueden establecer acuerdos entre s acerca de las estrategias ms apropiadas.
En 1950 Albert W. Tucker plante formalmente las primeras discusiones del dilema del prisionero, y se emprendi un
experimento acerca de este juego en la corporacin RAND. En ese ao John Nash desarroll una denicin de una
estrategia ptima para juegos de mltiples jugadores donde el ptimo no se haba denido previamente, conocido
como equilibrio de Nash, bajo la supervisin del mencionado Tucker. Este equilibrio es sucientemente general,
permitiendo el anlisis de juegos no cooperativos adems de los juegos cooperativos.
La teora de juegos experiment una notable actividad en la dcada de 1950, momento en el cual los conceptos base, el
juego de forma extensiva, el juego cticio, los juegos repetitivos, y el valor de Shapley fueron desarrollados. Adems,
en ese tiempo, aparecieron las primeras aplicaciones de la teora de juegos en la losofa y las ciencias polticas.
En 1965, Reinhard Selten introdujo su concepto de solucin de los equilibrios perfectos del subjuego y el concepto
de equilibrio perfecto de mano temblorosa, que ms adelante renaron el concepto de equilibrio de Nash. En 1967
John Harsanyi desarroll los conceptos de la informacin completa y de los juegos bayesianos. l, junto con John
Forbes Nash y Reinhard Selten, ganaron el Premio Nobel de Economa en 1994.
En la dcada de 1970 la teora de juegos se aplic extensamente a la biologa, en gran parte como resultado del
trabajo de John Maynard Smith y su concepto estrategia estable evolutiva. Adems, los conceptos del equilibrio co-
rrelacionado, equilibrio perfecto de mano temblorosa, y del conocimiento comn fueron introducidos y analizados.[9]
En 2005, los tericos de juegos Thomas Schelling y Robert Aumann ganaron el premio Nobel de Economa. Sche-
lling trabaj en modelos dinmicos, los primeros ejemplos de la teora de juegos evolutiva. Por su parte, Aumann
contribuy ms a la escuela del equilibrio.
En el 2007, Roger Myerson, junto con Leonid Hurwicz y Eric Maskin, recibieron el premio Nobel de Economa por
sentar las bases de la teora de diseo de mecanismos.
En el 2012, Lloyd Stowell Shapley y Alvin E. Roth ganan el premio Nobel de Economa por dar nombre dentro de
este campo a media docena de teoremas, algoritmos, principios, soluciones e ndices.
1.6 Bibliografa
Referencias generales
Fudenberg, Drew y Jean Tirole: Game Theory, MIT Press, 1991, ISBN 0-262-06141-4
Gardner, R. (1996): Juegos para empresarios y economistas. Antoni Bosh editores, 1 edicin.
Gibbons, Robert (1992): Game Theory for Applied Economists, Princeton University Press ISBN 0-691-00395-
5. Tambin publicado en Londres por Harvester Wheatsheaf (Londres) con el ttulo A primer in game theory.
Gibbons, R. (1993): Un primer curso de teora de juegos. Antoni Bosch editores, 1 edicin.
Ginits, Herbert (2000): Game Theory Evolving. Princeton University Press, ISBN 0-691-00943-0
Osborne, Martin y Ariel Rubinstein: A Course in Game Theory, MIT Press, 1994, ISBN 0-262-65040-1
Rasmusen, Erik: Games and information, 4 edicin, Blackwell, 2006. Disponible en Internet .
Cano, Mauricio, Mena L., Carlos y Sadka, Joyce (2009): Teora de Juegos y Derecho Contemporneo; Temas
Selectos, ITAM, George Mason University y Porra. ISBN 978-607-9-00031-8
Lecturas adicionales
Friedman, J.W. (1991): Teora de juegos con aplicaciones a la economa. Editorial Alianza Universidad.
Kreps, D.M. (1994): Teora de juegos y modelacin econmica. Fondo de Cultura Econmica, 1 Edicin.
Fisher, Ronald (1930) The Genetical Theory of Natural Selection. Clarendon Press, Oxford.
Luce, Duncan y Howard Raia Games and Decisions: Introduction and Critical Survey. Dover, ISBN 0-486-
65943-7
Maynard Smith, John: Evolution and the Theory of Games, Cambridge University Press, 1982.
Morgenstern, Oskar y John von Neumann (1947): Theory of Games and Economic Behavior. Princeton Uni-
versity Press.
Nash, John (1950) Equilibrium points in n-person games Proceedings of the National Academy of the USA
36(1):48-49.
Poundstone, William Prisoners Dilemma: John von Neumann, Game Theory and the Puzzle of the Bomb, ISBN
0-385-41580-X
1.7 Notas
[1] De cmo la teora matemtica de los juegos de estrategia resolver los problemas de la Eurozona y frenar las armas
nucleares iranes, Ariel Rubinstein, 5/5/2013, Sin permiso
[2] GameTheory.net Tiene una extensa lista de referencias a la teora de juegos en la cultura popular.
[3] Algunos estudiosos consideran ciertos juegos asimtricos como ejemplos deste tipo de juegos. Sin embargo, las recom-
pensas ms habituales para todos estos juegos son simtricas.
[4] El trabajo experimental en teora de juegos recibe muchos nombres, economa experimental, economa conductista y teora
conductista de juegos. Para discusiones recientes en este campo vase Camer 2003.
[6] Para una discusin detallada del uso de la teora de juegos en tica vase la entrada de la Stanford Encyclopedia of Philo-
sophy teora de juegos y tica.
[7] Tony Crilly (2011). 50 cosas que hay que saber sobre matemticas. Ed. Ariel. ISBN 978-987-1496-09-9.
[9] Aunque el conocimiento comn fue discutido por primera vez por el lsofo David Lewis en su disertacin Convention a
nales de la dcada de 1960, no se estudi con detenimiento por los economistas hasta el trabajo de Robert Aumann, en
1970.
10 CAPTULO 1. TEORA DE JUEGOS
En espaol:
En ingls:
A framework for the unication of the behavioral sciences, Herbert Gintis, Behavioral and Brain Sciences
(2007) 30:1-61
Game Theory, Experimental Economics, and Market Design Page, Alvin Roth
A Chronology of Game Theory, Paul Walker
GameTheory.net: A resource for educators and students of game theory, Mike Shor
En teora de juegos, la forma normal es una forma de describir un juego. A diferencia de la forma extensiva, las
representaciones en forma normal no son grafos, sino matrices. Esto puede ser de gran utilidad a la hora de identicar
estrategias estrictamente dominantes y equilibrios de Nash. Por otra parte se pierde algo de informacin si la com-
paramos con la forma extensiva, pues sta incluye todas las estrategias de cada jugador junto con sus recompensas.
En juegos estticos de informacin completa y perfecta, una forma normal de representacin de un juego es una
especicacin de los espacios de estrategia de los jugadores y las funciones de recompensa. Un espacio de estrategia
de un jugador es el conjunto de estrategias disponibles para ese jugador, mientras que una estrategia es un plan
completo de accin para cada situacin del juego, sin tener en cuenta si esa situacin se da realmente en el juego. Una
funcin de recompensa de un jugador es una correspondencia entre el producto cruzado de los espacios de estrategia
de los jugadores y el conjunto de recompensas del jugador (normalmente, el conjunto de los nmeros reales, donde
el nmero representa una utilidad ordinal o cardinal - a menudo cardinal) de un jugador, por ejemplo la funcin de
recompensa de un jugador toma como entrada un perl de estrategia (es decir, la especicacin de las estrategias de
cada jugador) y da lugar a una representacin de la recompensa a su salida.
2.1 Ejemplo
La matriz de la derecha es una representacin en forma normal de un juego en el que los jugadores mueven si-
multneamente (o, al menos, no conocen el movimiento del otro jugador) y reciben las recompensas tal y como se
especica para la combinacin jugada. Por ejemplo, si el jugador 1 elige arriba y el jugador 2 elige izquierda, el
jugador 1 recibe 4 y el jugador 2 recibe 3. En cada celda, el primer nmero representa la recompensa del jugador de
las las (en este caso el jugador 1), y el segundo nmero representa la recompensa del jugador de las columnas (en
este caso el jugador 2).
11
12 CAPTULO 2. FORMA NORMAL DE UN JUEGO
importa lo que haga el jugador de las columnas, el de las las har mejor escogiendo Traicionar. Esto demuestra que
el nico equilibrio de Nash de este juego es (Traicionar, Traicionar).
Sk = {1, 2, . . . , nk }.
Un perl de estrategia pura es una asociacin de estrategias con jugadores, que es una m-tupla
= (1 , 2 , . . . , m )
tal que
1 S1 , 2 S2 , . . . , m Sm
F : R.
cuya interpretacin es el premio que recibe cada jugador al nal del juego. De acuerdo con esto, para especicar por
completo un juego, la funcin de recompensa tiene que especicarse para cada jugador del conjunto de jugadores
P={1, 2,..., m}. El juego es entonces una funcin
2.4. REFERENCIAS 13
: i RN
iN
(P, S, F)
S = (S1 , S2 , . . . , Sm )
F = (F1 , F2 , . . . , Fm )
: i
iN
donde es el conjunto de eventos del juego. Y para cada jugador i N hay una funcin de preferencia
i: R
2.4 Referencias
R. D. Luce y H. Raia, Games and Decisions, Dover Publications, 1989.
J. von Neumann y O. Morgenstern, Theory of Games and Economic Behavior, John Wiley Science Editions,
1964. Publicado inicialmente por Princeton University Press en 1948.
Un juego en forma extensiva es una especicacin de un juego en la teora de juegos, que permite (como su nombre
sugiere) la representacin explcita de una serie de aspectos importantes, como la secuencia de movimientos posibles
de los jugadores, sus elecciones en cada punto de decisin, lo imperfecto de la informacin que cada jugador tiene en
algunos movimientos del otro jugador cuando l toma una decisin, y sus ganancias para todos los resultados posibles
del juego. Juegos en forma extensiva tambin permitir la representacin de la informacin incompleta en forma de
casualidades codicados como " se mueve por naturaleza.
Un juego es por lo tanto un camino a travs del rbol desde la raz hasta un nodo terminal. En cualquier nodo no
terminal dado que pertenece a Chance, una rama que se escoge de acuerdo con la distribucin de probabilidad.
En el nodo cualquier jugador racional, el jugador debe elegir una de las clases de equivalencia para los bordes, lo
que determina precisamente un borde saliente excepto (en general) el jugador no sabe que se est siguiendo. (Un
observador externo conocer las opciones de los dems jugadores hasta ese punto, y la realizacin de movimientos
de la naturaleza, se puede determinar el lmite exacto.) Una estrategia pura para un jugador consiste, pues, de una
seleccin, eligiendo precisamente una clase de bordes salientes para cada informacin establecido (de l). En un
juego de informacin perfecta, los conjuntos de informacin son nicos. Es menos evidente cmo los pagos deben
ser interpretados en juegos con nodos de azar. Se supone que cada jugador tiene una von Neumann-Morgenstern
funcin de utilidad denida para cada resultado del juego; este supuesto implica que cada jugador racional evaluar
un a priori resultado aleatorio por su esperada utilidad.
14
3.2. INFORMACIN PERFECTA Y COMPLETA 15
La presentacin anterior, mientras que la denicin precisa de la estructura matemtica sobre la que se juega el
juego, elude sin embargo, la discusin ms tcnica de la formalizacin de declaraciones acerca de cmo se juega el
juego como un jugador no puede distinguir entre los nodos del conjunto de informacin misma hora de tomar una
decisin. stos se pueden hacer preciso utilizando la lgica modal epistmico, ver Shoham y Leyton-Brown (2009,
cap 13.) para ms detalles.
El juego de la derecha tiene dos jugadores: 1 y 2. Los nmeros de cada nodo no terminal son para indicar a qu
jugador le pertenece la decisin de jugar. Los nmeros de cada nodo terminal representan los pagos a los jugadores
(por ejemplo, 2,1 representa un pago de 2 al 1 jugador y un pago de 1 al jugador 2). Las etiquetas de cada borde de
la grca son el nombre de la accin que representa ese borde.
El nodo inicial pertenece al jugador 1, lo que indica que el jugador 1 mueve primero. El juego segn el rbol es el
siguiente: El jugador 1 elige entre U y D; el jugador 2 observa eleccin del jugador 1 y luego elige entre U 'y D'. Los
benecios son los especicados en el rbol. Hay cuatro resultados representados por los cuatro nodos terminales del
rbol: (U, U '), (U, D'), (D, U ') y (D, D'). Los pagos asociados con cada resultado, respectivamente, son como sigue
(0,0), (2,1), (1,2) y (3,1).
Si el jugador 1 juega D, el jugador 2 jugar U' para maximizar su rentabilidad y por lo tanto el jugador 1 slo recibir
1. Sin embargo, si el jugador 1 juega U, el jugador 2 maximiza su recompensa por jugar D 'y el jugador 1 recibe 2.
El jugador 1 preere 2 a 1 y as jugar U y el jugador 2 jugar D'. Este es un equilibrio perfecto en subjuegos.
En forma extensiva, un conjunto de informacin se indica mediante una lnea de puntos que conecta todos los nodos
que en conjunto o, a veces por un bucle dibujado alrededor de todos los nodos en ese conjunto.
Si un juego tiene un conjunto de informacin con ms de un miembro de ese partido se dice que tiene informacin
imperfecta. Un juego con informacin perfecta es tal que en cualquier momento de la partida, cada jugador sabe
exactamente lo que ha ocurrido antes en el juego, es decir, cada conjunto de informacin es un singleton set. Cualquier
juego sin informacin perfecta tiene informacin imperfecta.
El juego de la izquierda es el mismo que el juego anterior, excepto que el jugador 2 no sabe lo que el jugador 1 hace
cuando viene a jugar. El primer juego descrito tiene informacin perfecta, el juego de la izquierda no lo hace. Si
16 CAPTULO 3. JUEGOS EN FORMA EXTENSIVA
ambos jugadores son racionales y ambos saben que ambos jugadores son racionales y todo lo que es conocido por
cualquier jugador es conocido por ser conocido por todos los jugadores (es decir, el jugador 1 sabe que el jugador 2
sabe que el jugador 1 es racional y el jugador 2 sabe, etc ad innitum), jugar en el primer juego ser el siguiente: el
jugador 1 sabe que si juega U, el jugador 2 se juega D '(porque para el jugador 2 es preferible a una ganancia de 0
un pago de 1) y lo que el jugador 1 recibir 2. Sin embargo, si el jugador 1 juega D, el jugador 2 jugar U '(porque al
jugador 2 una rentabilidad del 2 es mejor que un pago de 1), y el jugador 1 recibe 1. Por lo tanto, en el primer juego,
el equilibrio ser (U, D '), ya que el jugador 1 preere recibir 2 a 1 y as se reproducir U y lo que el jugador 2 jugar
D'.
En el segundo juego no est tan claro: el jugador 2 no puede observar movimiento del jugador 1. Jugador 1 quisiera
engaar a jugador 2 en el pensamiento de que ha jugado U cuando en realidad ha jugado D para que el jugador
2 jugar D 'y el jugador 1 recibe 3. De hecho, en el segundo juego hay un equilibrio bayesiano perfecto donde el
jugador 1 juega D y el jugador 2 juega U 'y el jugador 2 tiene la creencia de que el jugador 1 sin duda jugar D. En
este equilibrio, cada estrategia es racional dadas las creencias y todas las creencias son consistentes con las estrategias
jugadas. Observe cmo la imperfeccin de la informacin cambia el resultado del juego.
3.4 Referencias
[1] Hart, Sergiu (1992). Games in extensive and strategic forms. In Aumann, Robert; Hart, Sergiu. Handbook of Game
Theory with Economic Applications 1. Elsevier. ISBN 978-0-444-88098-7.
3.5. BIBLIOGRAFA AMPLIADA 17
Hart, Sergiu; Hart, Sergiu (1992). Games in extensive and strategic forms. En Aumann, Robert. Handbook
of Game Theory with Economic Applications 1. Elsevier. ISBN 978-0-444-88098-7.
Binmore, Kenneth (2007). Playing for real: a text on game theory. Oxford University Press US. ISBN 978-0-19-
530057-4.
Dresher M. (1961). The mathematics of games of strategy: theory and applications (Ch4: Games in extensive
form, pp7478). Rand Corp. ISBN 0-486-64216-X
Fudenberg D and Tirole J. (1991) Game theory (Ch3 Extensive form games, pp67106). Mit press. ISBN
0-262-06141-4
Leyton-Brown, Kevin; Shoham, Yoav (2008), Essentials of Game Theory: A Concise, Multidisciplinary Intro-
duction, San Rafael, CA: Morgan & Claypool Publishers, ISBN 978-1-59829-593-1, http://www.gtessentials.org.
An 88-page mathematical introduction; see Chapters 4 and 5. Free online at many universities.
Luce R.D. and Raia H. (1957). Games and decisions: introduction and critical survey. (Ch3: Extensive and
Normal Forms, pp3955). Wiley New York. ISBN 0-486-65943-7
Osborne MJ and Rubinstein A. 1994. A course in game theory (Ch6 Extensive game with perfect information,
pp. 89115). MIT press. ISBN 0-262-65040-1
Shoham, Yoav; Leyton-Brown, Kevin (2009), Multiagent Systems: Algorithmic, Game-Theoretic, and Logical
Foundations, New York: Cambridge University Press, ISBN 978-0-521-89943-7, http://www.masfoundations.
org. A comprehensive reference from a computational perspective; see Chapter 5. Downloadable free online.
Neumann, J. (1928). Zur Theorie der Gesellschaftsspiele. Mathematische Annalen 100: 295320. doi:10.
1007/BF01448847.
Harold William Kuhn (2003). Lectures on the theory of games. Princeton University Press. ISBN 978-0-691-
02772-2. contains Kuhns lectures at Princeton from 1952 (ocially unpublished previously, but in circulation
as photocopies)
Captulo 4
Juego simtrico
En teora de juegos, un juego simtrico es un juego donde las recompensas por jugar una estrategia particular depen-
den solamente de las otras estrategias empleadas, no de quin las juegue. Si se pueden intercambiar las identidades
de los jugadores sin cambiar las recompensas, el juego es simtrico. La simetra puede aparecer en diferentes formas.
Los juegos ordinalmente simtricos son juegos simtricos respecto a la estructura ordinal de las recompensas. Un
juego es cuantitativamente simtrico si y slo si es simtrico respecto a las recompensas exactas.
4.4 Referencias
Shih-Fen Cheng, Daniel M. Reeves, Yevgeniy Vorobeychik and Michael P. Wellman. Notes on Equilibria
in Symmetric Games, International Joint Conference on Autonomous Agents & Multi Agent Systems, 6th
Workshop On Game Theoretic And Decision Theoretic Agents, Nueva York, agosto de 2004.
Juego simtrico en Gametheory.net
18
Captulo 5
En teora de juegos no cooperativos, un juego de suma cero describe una situacin en la que la ganancia o prdida
de un participante se equilibra con exactitud con las prdidas o ganancias de los otros participantes.
Se llama as porque si se suma el total de las ganancias de los participantes y se resta las prdidas totales el resultado
es cero. El go, el ajedrez, el pker y el juego del oso son ejemplos de juegos de suma cero. La suma cero es un caso
especial del caso ms general de suma constante donde los benecios y las prdidas de todos los jugadores suman el
mismo valor, porque se gana exactamente la cantidad que pierde el oponente. Cortar una tarta es de suma constante
o cero porque llevarte un trozo ms grande reduce la cantidad de tarta que le queda a los dems. Situaciones donde
los participantes pueden beneciarse o perder al mismo tiempo, como el intercambio de productos entre una nacin
que produce un exceso de naranjas y otra que produce un exceso de manzanas, en la que ambas se benecian de la
transaccin, se denominan de suma no nula.
El concepto fue desarrollado en la Teora de juegos, por lo que a menudo a las situaciones de suma cero se les llama
juegos de suma cero. Esto no implica que el concepto, o la teora de juegos misma, se aplique nicamente a lo
que normalmente se conoce como juegos. Las estrategias ptimas para juegos de suma cero de dos jugadores suelen
emplear estrategias minimax.
En 1944 John von Neumann y Oskar Morgenstern probaron que cualquier juego de suma cero que involucre a n
jugadores es de hecho una forma generalizada de un juego de suma cero para dos personas, y que cualquier juego de
suma no cero para n jugadores puede reducirse a un juego de suma cero para n + 1 jugadores, donde el jugador (n +
1) representa la ganancia o prdida total (puede pensarse en la banca de ciertos juegos). Esto sugiere que los juegos
de suma cero para dos jugadores forman el ncleo esencial de la teora de juegos.[1]
Tratar a una situacin de suma no nula como una situacin de suma cero, o creer que todas las situaciones son de
suma cero, se denomina falacia de suma cero.
En juegos cooperativos, existe un tipo de juegos ntimamente relacionados con estos, ms comnmente llamados
juegos decisivos o auto-duales.
19
20 CAPTULO 5. JUEGO DE SUMA CERO
a lo largo de sus vidas. No siempre sucede que todos los participantes se benecien de igual forma. Aun as, un
intercambio es una situacin de suma no nula cada vez que deriva en un benecio neto, sin importar cmo de desigual
sea la distribucin de las ganancias.
Cuanto ms complejas se vuelven las sociedades, y ms complejas son las redes de interdependen-
cia dentro y fuera de los lmites de las comunidades y las naciones, un mayor nmero de gente estar
interesada en encontrar soluciones de suma no nula. Esto es, soluciones ganancia-ganancia en lugar de
soluciones ganancia-prdida... Porque descubrimos que cuanto ms crece nuestra interdependencia, ge-
neralmente prosperamos cuando los dems tambin prosperan
Bill Clinton, entrevista en Wired, diciembre de 2000
5.3 Ejemplo
La matriz de recompensas de un juego es una forma de representacin conveniente. Considrese el ejemplo del juego
de suma cero mostrado a la derecha.
El orden de juego es el siguiente: el primer jugador elige en secreto una de las dos acciones 1 o 2; el segundo jugador;
sin conocer la eleccin del primero, elige en secreto una de las tres acciones A, B o C. Entonces se revelan las
elecciones de cada jugador y el total de puntos se ve afectado de acuerdo a la recompensa por tales elecciones.
Ejemplo: el primer jugador elige 2 y el segundo elige B. Cuando se asignan las recompensas, el primer jugador gana
20 puntos y el segundo pierde 20 puntos.
En este ejemplo los dos jugadores conocen la matriz de recompensas y tratan de maximizar sus puntos, Qu deben
hacer?
El jugador 1 puede razonar de la siguiente forma: con la accin 2, puedo perder 20 puntos y ganar slo 20, mientras
que con la 1 puedo perder slo 10 pero puedo ganar 30, as que 1 parece mucho mejor. Con un razonamiento
similar, 2 elegir C. Si los dos jugadores toman esas elecciones, el primer jugador ganar 20 puntos. Pero qu pasa
si el jugador 2 anticipa el razonamiento de 1, y elige B, para ganar 10 puntos? o si el primer jugador anticipa este
truco y elige 2, para ganar 20 puntos?
John von Neumann tuvo la idea fundamental y sorprendente de que la probabilidad proporciona una forma de salir
de este enredo. En lugar de decidirse por una accin denitiva, los dos jugadores asignan probabilidades a sus ac-
ciones, y entonces usan un dispositivo que, de acuerdo con dichas probabilidades, elige una accin por ellos. Cada
jugador calcula las probabilidades para minimizar el mximo valor esperado de las prdidas independientemente de
la estrategia del oponente; esto lleva a un problema de lgebra lineal con una solucin nica para cada jugador. Este
mtodo minimax puede calcular estrategias ptimas para todos los juegos de dos jugadores y suma cero.
Para el ejemplo de arriba, resulta que el primer jugador debe de elegir 1 con probabilidad 57%, y la accin 2 con
probabilidad 43%, mientras que el segundo debera asignar las probabilidades 0%, 57% y 43% a las tres opciones A,
B y C.
El jugador 1 ganar entonces 2.85 puntos de media por juego.
Trampa social
Juego decisivo
5.5 Referencias
[1] von Neumann, J.; Morgenstern, O. (1944). Theory of Games and Economic Behavior (en ingls). Princeton University
Press New Jersey.
Captulo 6
Juego cooperativo
En teora de juegos, un juego cooperativo es un juego en el cual dos o ms jugadores no compiten, sino que se
esfuerzan por conseguir el mismo objetivo y por lo tanto ganan o pierden en conjunto. En otras palabras, es un
juego donde grupos de jugadores (coaliciones) pueden tomar comportamientos cooperativos, pues el juego es una
competicin entre coaliciones de jugadores y no entre jugadores individuales. Un ejemplo de juego cooperativo es un
juego de coordinacin, donde los jugadores escogen las estrategias por un proceso de toma de decisiones consensuada.
22
6.3. TEXT AND IMAGE SOURCES, CONTRIBUTORS, AND LICENSES 23
6.3.2 Images
Archivo:Centipede_game.png Fuente: http://upload.wikimedia.org/wikipedia/commons/6/68/Centipede_game.png Licencia: CC-BY-
SA-3.0 Colaboradores: ? Artista original: ?
Archivo:Commons-emblem-question_book_orange.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/1/1f/Commons-emblem-question_
book_orange.svg Licencia: CC BY-SA 3.0 Colaboradores: <a href='//commons.wikimedia.org/wiki/File:Commons-emblem-issue.svg'
class='image'><img alt='Commons-emblem-issue.svg' src='//upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.
svg/25px-Commons-emblem-issue.svg.png' width='25' height='25' srcset='//upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.
svg/38px-Commons-emblem-issue.svg.png 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.svg/
50px-Commons-emblem-issue.svg.png 2x' data-le-width='48' data-le-height='48' /></a> + <a href='//commons.wikimedia.org/wiki/
File:Question_book.svg' class='image'><img alt='Question book.svg' src='//upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_
book.svg/25px-Question_book.svg.png' width='25' height='20' srcset='//upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_
book.svg/38px-Question_book.svg.png 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_book.svg/50px-Question_
book.svg.png 2x' data-le-width='252' data-le-height='199' /></a> Artista original: GNOME icon artists, Jorge 2701
Archivo:Commons-logo.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/4/4a/Commons-logo.svg Licencia: Public do-
main Colaboradores: This version created by Pumbaa, using a proper partial circle and SVG geometry features. (Former versions used to
be slightly warped.) Artista original: SVG version was created by User:Grunt and cleaned up by 3247, based on the earlier PNG version,
created by Reidab.
Archivo:Extensive_form_game_1.JPG Fuente: http://upload.wikimedia.org/wikipedia/commons/c/c3/Extensive_form_game_1.JPG
Licencia: CC-BY-SA-3.0 Colaboradores: wiki.en Artista original: User:Treborbassett
Archivo:PD_with_outside_option.png Fuente: http://upload.wikimedia.org/wikipedia/commons/1/10/PD_with_outside_option.png Li-
cencia: CC-BY-SA-3.0 Colaboradores: Trabajo propio Artista original: Kevin Zollman Kzollman 23:01, 3 May 2006 (UTC)
Archivo:Ultmatum_game.png Fuente: http://upload.wikimedia.org/wikipedia/commons/f/fc/Ultmatum_game.png Licencia: CC-BY-
SA-3.0 Colaboradores: Trabajo propio Artista original: Kevin Zollman --Kzollman 00:53, 31 December 2006 (UTC)
1 Espacio mtrico 1
1.1 Deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Denicin de espacio mtrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Algunas deniciones asociadas a un espacio mtrico . . . . . . . . . . . . . . . . . . . . . 1
1.2 Topologa de un espacio mtrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Sistemas axiomticos alternativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.5 Un anlisis lgico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.6 Espacios metrizables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.6.1 Teorema de metrizacin de Urysohn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.6.2 Teorema de metrizacin de Nagata-Smirnov (condicin suciente) . . . . . . . . . . . . . 4
1.6.3 Teorema de metrizacin de Nagata-Smirnov (condicin necesaria) . . . . . . . . . . . . . 4
1.6.4 Teorema de metrizacin de Stone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.6.5 Teorema de metrizacin de Smirnov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.6.6 Teorema de metrizacin de espacios completamente separables . . . . . . . . . . . . . . . 4
1.7 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.8 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3 Desigualdad de Hlder 7
3.1 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4 Desigualdad de Minkowski 8
i
ii NDICE GENERAL
4.1 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5 Espacio de Banach 9
5.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
5.2 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
p
5.2.1 Espacios de sucesiones l . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
p
5.2.2 Espacios de funciones L . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5.2.3 Otros ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5.3 Relacin con espacios de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5.4 Construcciones en espacios de Banach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5.4.1 Operadores lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5.4.2 Espacio dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5.4.3 Derivada de Frchet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5.5 Generalizaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.6 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.7 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
7 Espacio de Hilbert 16
7.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
7.2 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
7.2.1 Espacios eucldeos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
7.2.2 Espacios de sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
7.2.3 Espacios de Lebesgue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
7.2.4 Espacios de Sobolev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
7.3 Bases ortonormales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
7.4 Operaciones en los espacios de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.4.1 Suma directa y producto tensorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.4.2 Complementos y proyecciones ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.5 Reexividad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
7.6 Operadores en espacios de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
7.6.1 Operadores acotados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
NDICE GENERAL iii
8 Teorema de HahnBanach 22
8.1 El teorema de Hahn-Banach (forma analtica) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
8.2 Consecuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
8.3 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
9 Espacio dual 24
9.1 El espacio dual algebraico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
9.1.1 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
9.1.2 Traspuesta de una transformacin lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
9.1.3 Los productos bilineales y los espacios duales . . . . . . . . . . . . . . . . . . . . . . . . 25
9.1.4 Inyeccin en el doble-dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
9.2 El espacio dual topolgico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
9.2.1 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
9.2.2 Otras propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
9.3 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
13 Operador cerrado 31
13.1 Text and image sources, contributors, and licenses . . . . . . . . . . . . . . . . . . . . . . . . . . 32
13.1.1 Text . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
13.1.2 Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
13.1.3 Content license . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Captulo 1
Espacio mtrico
En matemtica, un espacio mtrico es un conjunto junto con una funcin distancia (porque cumple con unas pro-
piedades concretas atribuidas a las distancias) denida sobre l, de modo que cualquier par de puntos (o elementos)
del conjunto estn a una cierta distancia asignada por dicha funcin.
En particular, cualquier espacio mtrico ser, adems, un espacio topolgico porque cualquier funcin de distancia
denida sobre un conjunto dado induce una topologa sobre dicho conjunto. Se trata de la topologa inducida por las
bolas abiertas asociadas a la funcin distancia del espacio mtrico.
1.1 Deniciones
1. d(x, y) 0 (positividad)
2. d(x, y) = 0 x = y (identidad de los indiscernibles)
3. d(x, y) = d(y, x) (simetra)
4. d(x, z) d(x, y) + d(y, z) (desigualdad triangular).
1
2 CAPTULO 1. ESPACIO MTRICO
(u U )( R+ |B(u, ) U )
Esto es a todos los subconjuntos U para los cuales cualquier punto en U es el centro de alguna bola de radio positivo
totalmente incluida en U , o lo que es lo mismo: U no tiene puntos en la frontera; no tiene frontera.
Dicha topologa se denomina topologa inducida por d en M .
Podemos entonces interpretar intuitivamente que un conjunto abierto es entonces una parte que tiene un cierto es-
pesor alrededor de cada uno de sus puntos.
Un subespacio mtrico (E, d) de un espacio mtrico (M, d) es subespacio topolgico del espacio topolgico (M, T )
, donde T es la topologa en M inducida por d . Es decir, E hereda de M la topologa inducida por d .
Un entorno V de un punto a de un espacio mtrico M no es ms que un subconjunto V M de forma que exista un
r > 0 tal que la bola abierta B(a, r) V . El conjunto {B(a, r) : a M, r R, r > 0} es base de la topologa
inducida por d , y tambin es base de entornos de dicha topologa. Como Q es denso en R , resulta entonces que
{B(a, r) : a M, r > 0, r Q} tambin es base de entornos de la topologa inducida por d . En consecuencia,
todo espacio mtrico cumple el Primer Axioma de Numerabilidad.
Todo espacio mtrico es espacio de Hausdor. Adems, al igual que ocurre en espacios pseudomtricos, para los
espacios mtricos son equivalentes las siguientes propiedades: ser espacio de Lindelf, cumplir el Primer Axioma de
Numerabilidad y ser separable.
1.4 Ejemplos
Sea X un conjunto cualquiera no vaco y denamos d
{
0 si x = y
d(x, y) =
1 si x = y
Entonces d es una mtrica en X, llamada mtrica discreta y (X,d) es espacio mtrico; (X, d) se llama espacio
discreto; ver Anlisis real de Haaser y Sullivan.
1.5. UN ANLISIS LGICO 3
Los nmeros reales con la funcin distancia d(x, y) = |y - x| dada por el valor absoluto, y ms generalmente
n-espacio eucldeo con la distancia euclidiana, son espacios mtricos completos. El sistema de los nmeros
complejos C es un espacio mtrico . C como espacio mtrico es igual a RxR.
Ms generalmente aun, cualquier espacio vectorial normado es un espacio mtrico deniendo d(x, y) = ||y - x||.
Si tal espacio es completo, lo llamamos espacio de Banach.
Si X es un conjunto y M es un espacio mtrico, entonces el conjunto de todas las funciones acotadas f : X ->
M (i.e. aquellas funciones cuya imagen es un subconjunto acotado de M) puede ser convertido en un espacio
mtrico deniendo d(f, g) = supx X d(f(x), g(x)) para cualesquiera funciones acotadas f y g. Si M es completo,
entonces este espacio es completo tambin.
Si X es un espacio topolgico y M es un espacio mtrico, entonces el conjunto de todas las funciones continuas
acotadas de X a M forma un espacio mtrico si denimos la mtrica como antes: d(f, g) = supx X d(f(x),
g(x)) para cualesquiera funciones continuas acotadas f y g. Si M es completo, entonces este espacio es completo
tambin.
Si M es un espacio mtrico, podemos convertir al conjunto K(M) de todos los subconjuntos compactos de M
en un espacio mtrico deniendo distancia de Hausdor d(X, Y) = inf{r: para cada x en X existe un y en Y con
d(x, y) < r y para cada y en Y existe un x en X con d(x, y) < r). En este mtrica, dos elementos estn cerca uno
de otro si cada elemento de un conjunto est cerca de un cierto elemento del otro conjunto. Se puede demostrar
que K(M) es completo si M es completo.
1) Es obvio que : | x - |x - y | | = y es lo mismo que x = 0 o y x, luego distancia en los reales positivos da orden
dbil all, orden fuerte (y x ssi ... ) es difcil, pero posible, si se acepta una solucin de |x - y | = y i.e. y = x /
2.
2) | d(y, z) - |d(y, z) - d(f(y), f(z)) | | = d(f(y), f(z)) expresa que f es una funcin corta, sin ninguna referencia
a un orden en los reales positivos.
expresa (sin ninguna referencia a una operacin en los reales positivos, |x - y| es la distancia all) el hecho que d(x,
-) es funcin corta (luego uniforme, luego continua). d: x - > d(x,-) es una isometra.
Reuniendo ambas : | d(y, z) - |d(y, z) - | d(x, y) - d(x, z) | | | = | d(x, y) - d(x, z) | expresa desigualdad triangular
directamente.
un leve cambio : | d(y, z) - |d(z, y) - | d(x, y) - d(x, z) | | | = | d(x, y) - d(x, z) | expresa desigualdad triangular y
simetra (hacer z = x y usar | x - d(y, y)| = x).
desigualdad triangular
Lipschitz continua
1.8 Referencias
Athanase Papadopoulos, Metric Spaces, Convexity and Nonpositive Curvature, European Mathematical Society,
2004, SBN 978-3-03719-010-4
Captulo 2
En matemtica un espacio vectorial se dice que es normado si en l se puede denir una norma vectorial. Podemos
sealar los siguientes hechos que ayudan a comprender la importancia del concepto de espacio normado:
2.1 Denicin
Un espacio vectorial V sobre un cuerpo K en el que se dene un valor absoluto (generalmente R o C ) se dice que es
normado si en l se puede denir una norma, es decir, una aplicacin . : V R , que verica:
1. No negatividad. Para todo x de V su norma ha de ser positiva, y ser cero si y slo si x es el vector cero:
0 < x si x = 0 y x = 0 x = 0 .
2. Homogeneidad. Para todo x de V y para todo k de K se satisface que kx = |k| x donde | | es el mdulo
o valor absoluto.
3. Desigualdad triangular. Para todos x e y de V se cumple que x + y x + y .
Generalmente se denotar a (V, ||) al espacio vectorial normado y cuando la norma sea clara simplemente por V .
2.2 Ejemplos
5
6 CAPTULO 2. ESPACIO VECTORIAL NORMADO
d(x, y) := x y
Todas las normas denidas en el espacio son equivalentes, es decir, denen la misma topologa. La convergencia
o divergencia de una sucesin no depende de la norma escogida. El resultado no es cierto para espacios de
dimensin innita siendo siempre posible encontrar dos normas que no son equivalentes.
El espacio es completo, es decir, es un espacio de Banach. Como consecuencia, todo subespacio de dimensin
nita de un espacio vectorial (no necesariamente de dimensin nita) es cerrado.
Un espacio vectorial normado es de dimensin nita si y slo si la bola unidad es compacta.
Todo funcional lineal es continuo. Si el espacio tiene dimensin innita, existen funcionales lineales no conti-
nuos.
2.6 Referencias
2.6.1 Bibliografa
Iribarren, Ignacio L.: Topologa de espacios mtricos (1973) Editorial Limusa Wiley S.A. , primera edicin ,
impreso en Mxico
Cotlar, Mischa und Cignoli, Roberto: Nociones de espacios normados (1967) Editorial Universitaria de Buenos
aires, impreso en La Argentina.
Captulo 3
Desigualdad de Hlder
En anlisis matemtico la desigualdad de Hlder, llamada as debido a Otto Hlder, es una desigualdad fundamental
entre integrales y una herramienta indispensable para el estudio de los espacios Lp .
Sea (S, , ) un espacio de medida y sea 1 p, q con 1/p + 1/q = 1. Entonces, para toda funcin medible de
valores reales o complejos f y g sobre S, se tiene que
f g1 f p gq .
Los nmeros p y q expresados arriba se dice que son conjugados de Hlder uno del otro. El caso especial p = q = 2
se reduce a la conocida desigualdad de Cauchy-Schwarz.
La desigualdad de Hlder se cumple incluso si ||fg ||1 es innita, siendo para el miembro derecho de la desigualdad
innito en ese caso. En particular, si f est en Lp () y g est en Lq (), entonces fg est en L1 ().
Para 1 < p, q < , f Lp () y g Lq (), la desigualdad de Hlder se convertir en una igualdad si y slo si |f |p y |g
|q son linealmente dependientes en L1 (), lo que signica que existen dos nmeros reales , 0, siendo alguno de
ellos distinto de 0, tales que |f |p = |g |q -casi en todas partes.
La desigualdad de Hlder es usada para demostrar la desigualdad de Minkowski, la cual es una generalizacin de la
desigualdad triangular en el espacio Lp (), y tambin para establecer que Lq () es el espacio dual de Lp () para 1
p < .
La desigualdad de Hlder fue descubierta por primera vez por Rogers (1888), y descubierta independientemente por
Hlder (1889).
3.1 Referencias
Hardy, G.H.; Littlewood, J.E.; Plya, G. (1934), Inequalities, Cambridge University Press, ISBN 0521358809
Hlder, O. (1889), Ueber einen Mittelwerthsatz, Nachrichten von der Knigl. Gesellschaft der Wissenschaften
und der Georg-Augusts-Universitt zu Gttingen Band 1889 (2): 3847, http://www.digizeitschriften.de/index.
php?id=166&ID=468392 (en alemn). Disponible en Digi Zeitschriften.
Kuptsov, L.P. (2001), Hlder inequality, en Hazewinkel, Michiel (en ingls), Encyclopaedia of Mathematics,
Springer, ISBN 978-1556080104
Rogers, L J. (1888), An extension of a certain theorem in inequalities, Messenger of Mathematics 17: 145
150.
Kuttler, Kenneth (2007), An introduction to linear algebra, Online e-book en formato PDF, Brigham Young
University, http://www.math.byu.edu/~{}klkuttle/Linearalgebra.pdf
Lohwater, Arthur (1982), Introduction to Inequalities, Online e-book en formato PDF, http://www.mediafire.
com/?1mw1tkgozzu
7
Captulo 4
Desigualdad de Minkowski
En anlisis matemtico, la desigualdad de Minkowski, debida a Hermann Minkowski, establece que los espacios
Lp son espacios vectoriales con una norma vectorial. Sea S un espacio medible, sea 1 p y sea f y g elementos
de Lp (S). Entonces f + g es de Lp (S), y se tiene
f + gp f p + gp
con la igualdad para el caso1 < p < si y slo si f y g son positivamente linealmente dependientes (que signica que
f = g o g = f para algn 0).
La desigualdad de Minkowski es la desigualdad triangular en Lp (S).
Igual que la desigualdad de Hlder, la desigualdad de Minkowski se puede especicar para sucesiones y vectores
haciendo:
para todos los nmeros reales (o complejos) x1 , ..., xn, y1 , ..., yn y donde n es el cardinal de S (el nmero de elementos
de S).
4.1 Referencias
Hardy, G., Littlewood J.E., Polya, G. (1999). Inequalities, Cambridge Mathematical Library, Cambridge Uni-
versity Press. ISBN 0-521-05206-8
H. Minkowski, Geometrie der Zahlen , Chelsea, reprint (1953)
8
Captulo 5
Espacio de Banach
En matemticas, los espacios de Banach, llamados as en honor de Stefan Banach, son uno de los objetos de estudio
ms importantes en anlisis funcional. Los espacios de Banach son tpicamente espacios de funciones de dimensin
innita.
5.1 Denicin
Un espacio de Banach es un espacio vectorial normado completo. Esto quiere decir que un espacio de Banach es
un espacio vectorial V sobre el cuerpo de los nmeros reales o el de los complejos con una norma |||| tal que toda
sucesin de Cauchy (con respecto a la mtrica d(x, y) = ||x - y||) en V tiene un lmite en V.
5.2 Ejemplos
De aqu en adelante, K designar uno de los cuerpos R o C :
Los conocidos espacios euclidianos Kn , donde la norma euclidiana de x = (x1 , ..., xn) est dada por ||x|| = (
|xi|)1/2 , son espacios de Banach.
El espacio de todas las funciones continuas f :[a,b]K denidas sobre un intervalo compacto (cerrado y acotado)
[a, b] tiene la estructura de espacio de Banach si denimos la norma segn f = sup{|f (x)| : x [a, b]}.
Esta es una norma, gracias al hecho de que las funciones continuas denidas sobre un intervalo cerrado estn
acotadas. Este espacio es completo con esta norma, y el espacio de Banach resultante se denota por C[a, b].
Este ejemplo se puede generalizar al espacio C(X) de todas las funciones continuas X K, donde X es un
espacio compacto, o al espacio de todas las funciones continuas acotadas X K, donde X es cualquier espacio
topolgico, y an al espacio B(X) de todas las funciones acotadas X K, donde X es cualquier conjunto. En
todos estos ejemplos podemos multiplicar funciones y quedar en el mismo espacio: todos estos espacios son,
de hecho, lgebras de Banach unitarias.
Si p 1 es un nmero real, podemos considerar el espacio de todas las sucesiones innitas (x1 , x2 , x3 , ...) de elementos
en K tales que la serie innita |xi|p es nita. Entonces se dene la norma-p de la sucesin como la raz p-sima del
valor de la serie. Este espacio, junto a su norma, es un espacio de Banach; se denota por lp :
p (K) := {(x1 , x2 , . . . , ) K | i=1 |xi |p < }
El espacio de Banach l consiste en todas las sucesiones acotadas de elementos en K; la norma de una de estas
sucesiones se dene como el supremo de los valores absolutos de los miembros de la sucesin.
9
10 CAPTULO 5. ESPACIO DE BANACH
Se dene la norma de f como la raz p-sima de esta integral. Por s mismo, este espacio no es un espacio de Banach
porque existen funciones no nulas cuya norma es cero. Denimos una relacin de equivalencia como sigue:
f g
|f g|p dn x = 0
Es decir, f y g son equivalentes si y solo si la semi-norma de f - g es cero. El conjunto de las clases de equivalencia
obtiene entonces la estructura de espacio de Banach y es denotado por Lp () :
Lp () = Fp ()/
Es crucial usar la integral de Lebesgue en lugar de la integral de Riemann en este caso, porque la integral de Riemann
no dara un espacio completo. Estos ejemplos se pueden generalizar: ver espacios L p para ms detalles.
u + v2 + u v2 = 2(u2 + v2 )
1
(u, v) = (u + v2 u v2 )
4
y en el caso que V sea un espacio de Banach complejo la identidad de polarizacin est dada por
1
(u, v) = (u + v2 u v2 + i(u + iv2 u iv2 ))
4
5.4. CONSTRUCCIONES EN ESPACIOS DE BANACH 11
Para demostrar que la identidad del paralelogramo implica que la forma denida por la identidad de polarizacin
es verdaderamente un producto interior, uno verica algebraicamente que esta forma es aditiva, de donde, se sigue
por induccin que la forma es lineal sobre los enteros y racionales. Entonces, como todo real es lmite de alguna
sucesin de Cauchy de racionales, la completitud de la norma extiende la linealidad sobre toda la recta real. En el
caso complejo uno puede probar tambin que la forma bilineal es lineal sobre i en un argumento, y conjugada lineal
en el otro.
Si V y W son espacios de Banach sobre el mismo cuerpo K, el conjunto de todas las transformaciones lineales
continuas A : V W se denota por L(V, W). Es de notar que en espacios de innitas dimensiones no todas las
funciones lineales son automticamente continuas. L(V, W) es un espacio vectorial, y deniendo la norma ||A|| = sup
{ ||Ax|| : x en V con ||x|| 1 } se transforma en un espacio de Banach.
El espacio L(V) = L(V, V) forma un lgebra de Banach unitaria, donde la operacin de multiplicacin est dada por
la composicin de funciones lineales.
Si V es un espacio de Banach y K es el cuerpo subyacente (el de los nmeros reales, o bien, el de los nmeros
complejos), entonces K es un espacio de Banach (usando el valor absoluto como norma) y podemos denir al espacio
dual V por V = L(V, K). Este es, de nuevo, un espacio de Banach. Se puede usar para denir una nueva topologa
para V: la topologa dbil.
Existe un mapeo natural F de V a V'' denido por: F(x)(f) = f(x) para todo x en V y f en V'. como consecuencia del
teorema de Hahn-Banach, este mapeo es inyectivo; si llegara a ser sobreyectivo, entonces el espacio de Banach V se
dice reexivo. Los espacios reexivos tienen muchas propiedades geomtricas importantes. Un espacio es reexivo
si y solo si su espacio dual es reexivo, lo que ocurre si y solo si su bola unitaria es compacta en la topologa dbil.
Por ejemplo, lp es reexivo para 1<p< pero l y l no son reexivos. El dual de lp es lq donde p y q estn relacionados
por la frmula (1/p) + (1/q) = 1. Ver espacios L p para ms detalles.
Dada una aplicacin (no necesariamente lineal) f : V W entre dos espacios de Banach es posible denir la derivada
de esta funcin generalizando el caso de Rn . Intuitivamente, si x es un elemento de V, la derivada de f en el punto
x es una forma lineal continua que aproxima f cerca de x. Formalmente, se dice que f es diferenciable en x si existe
una forma lineal continua A : V W tal que
f (x+h)f (x)A(h)
limh0 h = 0.
El lmite aqu se toma sobre todas las sucesiones de elementos no nulos de V que converjan al nulo de V. Si el lmite
existe, escribimos Df(x) = A y le llamamos la derivada de f en x.
Esta nocin de derivada es una generalizacin de la derivada ordinaria de funciones R R, pues las funciones lineales
de R a R son las multiplicaciones por nmeros reales.
Si f es diferenciable en todos los puntos x de V, entonces Df : V L(V, W) es otra funcin entre espacios de Banach
(que no es, en general, lineal), que posiblemente, se puede diferenciar de nuevo, deniendo as derivadas ms altas
de f. La n-sima derivada en un punto x se puede ver como una funcin multilineal Vn W.
La diferenciacin es una operacin lineal en el siguiente sentido: si f y g son dos funciones V W que son dife-
renciables en x, y r y s son escalares de K, entonces rf + sg es diferenciable en x con D(rf + sg)(x) = rD(f)(x) +
sD(g)(x).
12 CAPTULO 5. ESPACIO DE BANACH
5.5 Generalizaciones
Muchos espacios importantes en anlisis funcional, por ejemplo el espacio de todas las funciones innitamente di-
ferenciables de R en R o el espacio de todas las distribuciones sobre R son espacios vectoriales completos, pero no
normados, no siendo espacios de Banach entonces. En los espacios de Frchet an se tiene una mtrica completa,
mientras que los espacios LF son espacios vectoriales uniformes que surgen como lmites de espacios de Frchet.
Un operador lineal acotado u operador acotado es una aplicacin lineal denida sobre un espacio vectorial normado
tal que la norma de sus valores puede acotarse. Ms precisamente, la aplicacin lineal B : X Y es un operador
acotado si y slo s:
K R : maxv=1 B(v) K
En dimensin nita si un operador es acotado pertenece a la clase de operadores acotados entonces tambin pertenece
a cualquiera de las otras clases de arriba, por lo que la cadena anterior es trivial.
En lo que sigue consideraremos slo espacios de Banach o de Hilbert.
Obsrvese que un operador compacto necesariamente es acotado. Si un operador no fuera acotado podramos encon-
trar una secuencia acotada que diverge en norma Aj y por tanto sera imposible encontrar una subsecuencia
convergente, y por tanto tampoco podra ser compacto.
13
14 CAPTULO 6. OPERADOR LINEAL ACOTADO
donde
para Am,n =em ,Aen y A2 la norma de Schatten de A . En el espacio eucldeo HS se llama tambin norma de
Frobenius.
El producto de dos operadores de HilbertSchmidt tiene una norma de traza nita; por tanto si A y B son dos opera-
dores de Hilbert-Schmidt, se puede denir el producto interno de HilbertSchmidt entre ellos como:
A, BHS = tr(A B) = n0 Aen , Ben .
Los operadores de HilbertSchmidt forman un ideal bilateral *-ideal en el lgebra de Banach formada por los ope-
radores acotados de H. Los operadores de HilbertSchmidt son cerrados en la norma topolgica si y slo si H es
de dimensin nita. Los operadores de Hilbert-Schmidt de un espacio, tambin forman ellos mismos un espacio de
Hilbert y puede demostrarse que existe una transformacin naturalmete isomtrica e isomorfa entre ese espacio y el
producto tensorial de espacios de Hilbert:
H H,
es absolutamente convergente y es independiente de la eleccin de la base ortonormal. Este valor se denomina traza
de A.
6.3 Espectro
El espectro de un operador acotado tiene las siguientes propiedades bsicas:
6.4. REFERENCIAS 15
El espectro (B) de un operador B es siempre un conjunto no vaco. Esto se sigue del teorema de Liouville
aplicado a la funcin compleja f () := (w, (A )1 v) .
El espectro es un conjunto acotado es un conjunto compacto lo cual se sigue de la expansin en serie de
Neumann en . Es ms el espectro (B) est acotado superiormente por ||B||, es decir, un disco cerrado centrado
en el origen y radio ||B|| contiene todos los valores de (B).
Adems puede verse que el espectro (B) es un conjunto cerrado, y al ser un subconjunto del plano complejo
que es cerrado y acotado, se sigue que es tambin un conjunto compacto, por el teorema de Heine-Borel.
La cota superior ||B|| para el radio de la bola centrada que contiene al espectro puede mejorarse, de hecho se
dene el radio espectral como el nmo de dicho radio es decir:
Si B es un operador compacto, entonces puede probarse cualquier valor no nulo del espectro pertenece al
espectro puntual, siendo 0 el nico posible valor fuera del espectro no puntual.
Si T es un operador normal en un espacio de Hilbert, entonces un teorema muy notable, conocido como teorema
espectral, asegura que el espectro residual es vaco.
Adems para un operador acotado en un espacio de Hilbert es posible denir siempre su operador adjunto.
Dadas las slimaridades de la aplicacin A A con la conjugacin compleja, no es de extraar que exista una
relacin estrecha entre el espectro de A y el de su adjunto. As si A es un operador acotado se tiene que:[3]
(A )
(A)
p (A ) r (A )
p (A)
p (A )
r (A)
c (A )
c (A)
6.4 Referencias
[1] Ritchmyer, p 241.
6.4.1 Bibliografa
Robert D. Richmyer, Principles of advanced mathematical physics, Springer-Verlag, New York, 1978.
Lorenzo Abellanas y Alberto Galindo, Espacios de Hilbert: Geometra, Operadores, Espectros, Eudema, Madrid,
1991.
Captulo 7
Espacio de Hilbert
En matemticas, el concepto de espacio de Hilbert es una generalizacin del concepto de espacio eucldeo. Esta
generalizacin permite que nociones y tcnicas algebraicas y geomtricas aplicables a espacios de dimensin dos y
tres se extiendan a espacios de dimensin arbitraria, incluyendo a espacios de dimensin innita. Ejemplos de tales
nociones y tcnicas son la de ngulo entre vectores, ortogonalidad de vectores, el teorema de Pitgoras, proyeccin
ortogonal, distancia entre vectores y convergencia de una sucesin. El nombre dado a estos espacios es en honor al
matemtico David Hilbert quien los utiliz en su estudio de las ecuaciones integrales.
Ms formalmente, se dene como un espacio de producto interior que es completo con respecto a la norma vectorial
denida por el producto interior. Los espacios de Hilbert sirven para claricar y para generalizar el concepto de series
de Fourier, ciertas transformaciones lineales tales como la transformacin de Fourier, y son de importancia crucial
en la formulacin matemtica de la mecnica cuntica.
Los espacios de Hilbert y sus propiedades se estudian dentro del anlisis funcional.
7.1 Introduccin
Como se explica en el artculo dedicado a los espacios de producto interior, cada producto interior <.,.> en un espacio
vectorial H, que puede ser real o complejo, da lugar a una norma ||.|| que se dene como sigue:
x = x, x
H es un espacio de Hilbert si es completo con respecto a esta norma. Completo en este contexto signica que
cualquier sucesin de Cauchy de elementos del espacio converge a un elemento en el espacio, en el sentido que
la norma de las diferencias tiende a cero. Cada espacio de Hilbert es as tambin un espacio de Banach (pero no
viceversa).
Todos los espacios nito-dimensionales con producto interior (tales como el espacio eucldeo con el producto escalar
ordinario) son espacios de Hilbert. Esto permite que podamos extrapolar nociones desde los espacios de dimensin
nita a los espacios de Hilbert de dimensin innita (por ejemplo los espacios de funciones). Sin embargo, los ejemplos
innito-dimensionales tienen muchos ms usos. Estos usos incluyen:
La teora en espacios de Hilbert de ecuaciones diferenciales parciales, en particular formulaciones del problema
de Dirichlet.
16
7.2. EJEMPLOS 17
El producto interior permite que uno adopte una visin geomtrica y que utilice el lenguaje geomtrico familiar de
los espacios de dimensin nita. De todos los espacios vectoriales topolgicos innito-dimensionales, los espacios de
Hilbert son los de mejor comportamiento y los ms cercanos a los espacios nito-dimensionales.
Los elementos de un espacio de Hilbert abstracto a veces se llaman vectores. En las aplicaciones, son tpicamente
sucesiones de nmeros complejos o de funciones. En mecnica cuntica por ejemplo, un conjunto fsico es descrito
por un espacio complejo de Hilbert que contenga las "funciones de ondas" para los estados posibles del conjunto.
Vase formulacin matemtica de la mecnica cuntica.
Una de las metas del anlisis de Fourier es facilitar un mtodo para escribir una funcin dada como la suma (posi-
blemente innita) de mltiplos de funciones bajas dadas. Este problema se puede estudiar de manera abstracta en
los espacios de Hilbert: cada espacio de Hilbert tiene una base ortonormal, y cada elemento del espacio de Hilbert se
puede escribir en una manera nica como suma de mltiplos de estos elementos bajos.
Los espacios de Hilbert fueron nombrados as por David Hilbert, que los estudi en el contexto de las ecuaciones
integrales. El origen de la designacin, aunque es confuso, fue utilizado ya por Hermann Weyl en su famoso libro la
teora de grupos y la mecnica cuntica publicado en 1931. John von Neumann fue quizs el matemtico que ms
claramente reconoci su importancia.
7.2 Ejemplos
En los siguientes ejemplos, asumiremos que el cuerpo subyacente de escalares es C , aunque las deniciones son
similares al caso de que el cuerpo subyacente de escalares sea R .
El primer ejemplo, que ya haba sido avanzado en la seccin anterior, lo constituyen los espacios de dimensin nita
con el producto escalar ordinario.
En otras palabras, C n con la denicin de producto interior siguiente:
n
x, y = k=1 xk yk
{ }
2
2 (B) = x : B C : bB |x (b)| <
x, y = bB x(b)y(b)
stos son espacios funcionales asociados a espacios de medida (X, M, ), donde M es una -lgebra de subconjun-
tos de X y es una medida contablemente aditiva en M. Sea L (X) el espacio de funciones medibles cuadrado-
integrables complejo-valoradas en X, mdulo el subespacio de esas funciones cuya integral cuadrtica sea cero, o
equivalentemente igual a cero casi por todas partes. cuadrado integrable signica que la integral del cuadrado de su
valor absoluto es nita. mdulo igualdad casi por todas partes signica que las funciones son identicadas si y slo si
son iguales salvo un conjunto de medida 0.
El producto interior de las funciones f y g se da como:
f, g = X
f (t)g(t) d(t)
stos son hechos tcnicamente fciles. Obsrvese que al usar la integral de Lebesgue se asegura de que el espacio sea
completo. Vea espacios Lp para discusin adicional de este ejemplo.
Los espacios de Sobolev, denotados por W m,p () son otro ejemplo de espacios de Hilbert, que se utilizan muy a
menudo en el marco de las ecuaciones en derivadas parciales denidas sobre un cierto dominio . Los espacios de
Sobolev generalizan los espacios Lp .
Adems de los espacios de Sobolev generales W m,p se usan ciertas notaciones particulares para cierto tipo de espa-
cios:
H m () = W m,2 ()
H0m () = {f H m ()| f | = 0}
Los elementos estn normalizados: Cada elemento de la familia tiene norma 1: ||ek|| = 1 para todo k en B
Los elementos son ortogonales: Dos elementos cualesquiera de B son ortogonales, esto quiere decir: <ek, ej>
= 0 para todos los k, j en B cumpliendo la condicin j k.
Tambin utilizamos las expresiones secuencia ortonormal y conjunto ortonormal. Los ejemplos de bases ortonormales
incluyen:
La secuencia {fn: n Z} con fn(x) = exp(2inx) forma una base ortonormal del espacio complejo L([0, 1])
La familia {eb: b B} con eb(c) = 1 si b = c y 0 en caso contrario, forma una base ortonormal de l(B).
7.4. OPERACIONES EN LOS ESPACIOS DE HILBERT 19
Obsrvese que en el caso innito-dimensional, una base ortonormal no ser una base en el sentido del lgebra lineal;
para distinguir los dos, la ltima base se llama una base de Hamel.
Usando el lema de Zorn, se puede demostrar que cada espacio de Hilbert admite una base ortonormal; adems,
cualesquiera dos bases ortonormales del mismo espacio tienen el mismo cardinal. Un espacio de Hilbert es separable
si y solamente si admite una base ortonormal numerable.
Puesto que todos los espacios separables innito-dimensionales de Hilbert son isomorfos, y puesto que casi todos
los espacios de Hilbert usados en la fsica son separables, cuando los fsicos hablan de espacio de Hilbert quieren
signicar el separable.
Si {ek}k B es una base ortonormal de H, entonces cada elemento x de H se puede escribir como:
x= kB ek , xek
Incluso si B no es numerable, slo contablemente muchos trminos en esta suma sern diferentes a cero, y la expresin
est por lo tanto bien denida. Esta suma tambin se llama la expansin de Fourier de x.
Si {ek}k B es una base ortonormal de H, entonces H es isomorfo a l(B) en el sentido siguiente: existe una funcin
lineal biyectiva : H l(B) tal que
(x) , (y) = x, y
para todo x y y en H.
Mientras que el producto tensorial es el mnimo espacio de Hilbert que contiene al producto castesiano:
S = {x H : x, s = 0 s S}
7.5 Reexividad
Una propiedad importante de cualquier espacio de Hilbert es su reexividad, es decir, su espacio bidual (dual del dual)
es isomorfo al propio espacio. De hecho, se tiene todava ms, el propio espacio dual es isomorfo al espacio original.
Se tiene una descripcin completa y conveniente del espacio dual (el espacio de todas las funciones lineales continuas
del espacio H en el cuerpo base), que es en s mismo un espacio de Hilbert. De hecho, el teorema de representacin
de Riesz establece que para cada elemento del H ' dual existe un y solamente un u en H tal que
(x) = u, x
para todo x en H y la asociacin u proporciona un isomorsmo antilineal entre H y H '. Esta correspondencia
es explotada por la notacin bra-ket popular en la fsica pero que hace fruncir el ceo a los matemticos.
A = sup { Ax : x 1 } .
La suma y la composicin de dos operadores lineales continuos son a su vez continuos y lineales. Para y en H, la
funcin que enva x a <y, Ax> es lineal y continua, y segn el teorema de representacin de Riesz se puede por lo
tanto representar en la forma
A y, x = y, Ax.
[Af ](x) = i dx
d
f (x),
stos corresponden a los observables de momento y posicin, respectivamente, expresados en unidades atmicas.
Observe que ni A ni B se denen en todo H, puesto que en el caso de A la derivada no necesita existir, y en el caso de
B la funcin del producto no necesita ser cuadrado-integrable. En ambos casos, el conjunto de argumentos posibles
forman subespacios densos de L(R).
7.7 Referencias
Dieudonne, Jean Alexandre (1966). Fundamentos de anlisis moderno. Barcelona: Revert. ISBN 9788429150605.
Captulo 8
Teorema de HahnBanach
En matemticas, el teorema de HahnBanach es una herramienta importante en anlisis funcional. Permite extender
cualquier operador lineal acotado denido en un subespacio vectorial al espacio vectorial que lo contiene. Debe su
nombre a Hans Hahn y Stefan Banach quienes probaron este teorema independientemente en la dcada de 1920.
El teorema aparece en la literatura en formas diversas, tanto analticas como geomtricas.
|f (x)| p(x) x S
entonces existe una extensin lineal f : V K de f a todo el espacio V i.e. existe un funcional lineal f tal que
f(x) = f (x) x S
y
|f(x)| p(x) x V.
La extensin f no es en general nica y la demostracin, que utiliza el lema de Zorn, no da ningn mtodo para
encontrar f .
8.2 Consecuencias
El teorema tiene numerosas consecuencias, que a veces se llaman tambin teorema de Hahn-Banach":
Hahn-Banach para espacios normados. Cualquier funcional lineal continuo f denido en un subespacio de
un espacio vectorial normado tiene una extensin continua f a todo el espacio tal que el funcional y su extensin
tienen la misma norma.
22
8.3. REFERENCIAS 23
Hahn-Banach (primera forma geomtrica). Sean A y B dos subconjuntos convexos, no vacos y disjuntos
de un espacio vectorial normado sobre R , siendo al menos uno de los dos subconjuntos abierto. Entonces existe
un hiperplano cerrado que separa A y B en sentido amplio.
Hahn-Banach (segunda forma geomtrica). Sean A y B dos subconjuntos convexos, no vacos y disjuntos de
un espacio vectorial normado sobre R , siendo al menos uno de los dos subconjuntos cerrado y el otro compacto.
Entonces existe un hiperplano cerrado que separa A y B en sentido estricto.
8.3 Referencias
Brzis, Ham (1984). Anlisis funcional: Teora y aplicaciones. Alianza Editorial.
Captulo 9
Espacio dual
En matemticas, la existencia de un espacio vectorial 'dual' reeja de una manera abstracta la relacin entre los vectores
la (1n) y los vectores columna (n1) de una matriz. La construccin puede darse tambin para los espacios innito-
dimensionales y da lugar a modos importantes de ver las medidas, las distribuciones y el espacio de Hilbert. El uso
del espacio dual es as, en una cierta manera, recurso del anlisis funcional. Es tambin inherente a la transformacin
de Fourier.
{
( + )(x) = (x) + (x)
(a)(x) = a(x)
para todos , en V*, a en F y x en V. En lenguaje del clculo tensorial, los elementos de V a veces se llaman
vectores contravariantes, y los elementos de V* vectores covariantes (y a campos de estos uno-formas).
9.1.1 Ejemplos
Si la dimensin de V es nita, entonces V* tiene la misma dimensin que V; si { e1 ,..., en} es una base para V,
entonces la base dual asociada { e,...,e n } de V* viene dada por:
{
i 1, si i = j
e (ej ) =
0, si i = j
Especcamente, si se interpreta Rn como espacio de columnas de n nmeros reales, su espacio dual se escribe
tpicamente como el espacio de las de n nmeros. Tal la acta en Rn como funcional lineal por la multiplicacin
ordinaria de matrices. Si V consiste en el espacio de los vectores geomtricos (echas) en el plano, entonces los
elementos del dual V* se pueden intuitivamente representar como colecciones de lneas paralelas. Tal coleccin de
lneas se puede aplicar a un vector para dar un nmero de la manera siguiente: se cuenta cuntas de las lneas cruzan
el vector.
Si V es innito-dimensional, entonces la construccin antedicha ej no produce una base para V* y la dimensin de
V* es mayor que la de V. Considrese por ejemplo el espacio R () , cuyos elementos son las secuencias de nmeros
reales que tienen solo una cantidad nita de entradas diferentes de cero. El dual de este espacio es R , el espacio de
todas las secuencias de nmeros reales. Tal secuencia (an) se aplica a un elemento (xn) de R() para dar n xnan.
24
9.2. EL ESPACIO DUAL TOPOLGICO 25
f () = f
para cada en W*, la asignacin f 7 f genera un homomorsmo inyectivo entre el espacio de operadores lineales
de V a W y el espacio de operadores lineales de W* a V*; este homomorsmo es un isomorsmo ssi W es nito-
dimensional o V es trivial. Si la funcin lineal f es representada por la matriz A con respecto a dos bases de V y W,
entonces t f es representada por la matriz transpuesta t A con respecto a las bases duales de W* y de V*. Si g: W
X es otra funcin lineal, se tiene t (g o f) = t f o t g. En el lenguaje de la teora de las categoras, tomar el dual de los
espacios vectoriales y la transpuesta de funciones lineales es por lo tanto un funtor contravariante de la categora de
los espacios vectoriales sobre F a s misma.
v, w = ((v))(w)
= sup{|(x)| : x 1}
9.2.1 Ejemplos
Para cualquier espacio vectorial normado o espacio vectorial topolgico nito-dimensional, tal como el espacio
euclidiano n-dimensional, el dual continuo y el dual algebraico coinciden.
26 CAPTULO 9. ESPACIO DUAL
Sea 1 < p < un nmero real y considere el espacio de Banach [[''l''<sup>''p''</sup>]] de todas las secuencias
a = (an) para las que
1/p
ap = ( n=0 |an |p )
es nito. Defnase el nmero q por 1/p + 1/q = 1. Entonces el dual continuo lp se identica naturalmente con lq : dado
un elemento de (lp )', el elemento correspondiente de lq es la secuencia ((en)) donde en denota la secuencia cuyo
trmino n-simo es 1 y todos los dems son cero. Inversamente, dado un elemento a = (an ) lq , el funcional lineal
p
continuo correspondiente en lp es denido por (b) = n an bn para toda b = (bn) l (vase la desigualdad de Hlder).
De una manera similar, el dual continuo de l se identica naturalmente con l . Adems, el dual continuo de
los espacios de Banach c (que consisten en todas las series convergentes, con la norma del supremo) y c0 (las
secuencias que convergen a cero) son ambas identicadas naturalmente con l.
Otro ejemplo interesante es el dual topolgico de las funciones suaves de soporte compacto C0 (Rn ) cuyo dual
topolgico son precisamente las distribuciones convencionales o funciones generalizadas.
El teorema de categoras de Baire o simplemente teorema de Baire es una herramienta importante en topologa
general y en anlisis funcional. El teorema tiene dos formas, cada una de las cuales da condiciones sucientes para
que un espacio topolgico sea un espacio de Baire. La versin para espacios metricos completos fue demostrada por
Ren-Louis Baire en su tesis doctoral de 1899.
27
28 CAPTULO 10. TEOREMA DE CATEGORAS DE BAIRE
BCT1 tambin muestra que todo espacio mtrico completo sin puntos aislados es incontable . (Si X es un espacio
mtrico completo numerable sin puntos aislados, a continuacin, cada singleton {x} en la que X es denso en ninguna
parte , y por lo tanto X es de primera categora en s mismo.) En particular, esto demuestra que el conjunto de todos
los nmeros reales es incontables.
BCT1 muestra que cada uno de los siguientes es un espacio de Baire:
Los nmeros irracionales, con la mtrica denida por d (x, y) = 1 / (n + 1), donde n es el primer ndice para
que los continuos fraccin ampliaciones de x e y dieren (este es un espacio mtrico completo)
El conjunto de Cantor
Por BCT2, cada Hausdor de dimensin nita colector es un espacio de Baire, ya que es localmente compacto y
Hausdor. Esto es as incluso para los colectores no paracompact (de ah nonmetrizable) como la lnea de tiempo .
10.4 Demostracin
La siguiente es una prueba estndar que un espacio pseudometrico completa X es un espacio de Baire.
10.5 Referencias
[1] Blair 1977
R. Baire. Sur les fonctions de variables relles. Ann. di Mat., 3:1123, 1899.
Blair, Charles E. (1977), The Baire category theorem implies the principle of dependent choices., Bull. Acad.
Polon. Sci. Sr. Sci. Math. Astronom. Phys., v. 25 n. 10, pp. 933934.
Levy, Azriel (1979), Basic Set Theory. Reprinted by Dover, 2002. ISBN 0-486-42079-5
Schechter, Eric, Handbook of Analysis and its Foundations, Academic Press, ISBN 0-12-622760-8
Lynn Arthur Steen and J. Arthur Seebach, Jr., Counterexamples in Topology, Springer-Verlag, New York, 1978.
Reprinted by Dover Publications, New York, 1995. ISBN 0-486-68735-X (Dover edition).
Si A: X Y es un operador lineal continuo biyectivo entre los espacios de Banach X y Y, entonces el operador
inverso A1 : Y X es continuo tambin (esto se llama el teorema de la funcin inversa).
Si A: X Y es un operador lineal entre los espacios de Banach X y Y, y si para cada sucesin (xn) en X con
xn 0 y Axn y se sigue que y = 0, entonces A es continuo (teorema del grafo cerrado).
29
Captulo 12
12.1 Corolario
Tiene un corolario, que es el que se suele usar en la prctica:
30
Captulo 13
Operador cerrado
En matemticas y especcamente en anlisis funcional, los operadores lineales cerrados son un importante tipo de
operadores lineales en los espacios de Banach. Son los ms generales de los operadores acotados y, por tanto, no es
necesario que la funcin sea continua, pero conserva sucientes buenas propiedades que pueden denir el espectro y
partiendo de algn supuesto, el clculo funcional para tales operadores. Muchos operadores lineales importantes no
son acotados ni cerrados, tales como la derivada y sus clases de operadores diferenciales?
Sea B un espacios de Banach. Un operador lineal
A : D(A) B B
es cerrado si para cada sucesin {xn }nN en D(A) que converge a x B tal que Axn y B cuando n
se tiene que x D(A) y Ax = y. Equivalentemente, A es cerrada si su grco es cerrado en la suma directa suma
directa B B.
Dado un operador lineal A , no necesariamente cerrado, si la clausura de su grco es cerrado en B B para a ser
la grca de algn operador, tal operador se llamado clausura de A , y decimos que A is clausurable. Denotamos
la clausura de A por A. Se sigue que A es la restriccin de A a D(A).
A core of a closable operator is a subset C of D(A) such that the closure of the restriction of A to C is A.
Las siguientes propiedades se pueden probar fcilmente:
1. Cualquier operador linear cerrado denido en todo B es acotado. Este es el Teorema del grafo cerrado;
4. Un operador A admite su clausura si y slo si para cada par de sucesiones {xn } y {yn } en D(A) convergentes a
x e y , respectivamente, tales que {Axn } y {Ayn } convergen, se cumple que limn Axn = limn Ayn si x = y
.
Af = f
cuando el espacio de Banach B es el espacio C[a, b] para todas las funciones continuas en el intervalo [a, b]. Si uno
toma su dominio D(A) como el conjunto ms grande posible, esto es, D(A) = C 1 [a, b], entonces A es un operador
cerrado, el cual no es acotado.
Si consideramos D(A) to be en vez del conjunto de todas las funciones con derivadas de todos los rdenes, A no ser
cerrada, pero si clausurable, con la clausura proveniente de su extensin maximal denida sobre C 1 [a, b].
Closed operator en PlanetMath
31
32 CAPTULO 13. OPERADOR CERRADO
13.1.2 Images
Archivo:Icono_de_traduccin.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/4/40/Icono_de_traducci%C3%B3n.svg Li-
cencia: GFDL Colaboradores: trabajo propio a partir de image:View-refresh.svg y image:Japanese Hiragana kyokashotai A.svg Artista
original: Rastrojo DES
Archivo:Mergefrom.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/0/0f/Mergefrom.svg Licencia: Public domain Cola-
boradores: ? Artista original: ?
3 Teora de la abilidad 12
3.1 Mtodos estocsticos en teora de la abilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
i
ii NDICE GENERAL
1.1.1 Denicin
Dado un espacio de probabilidad (, F, P) y dos eventos (o sucesos) A, B F con P (B) > 0 , la probabilidad
condicional de A dado B est denida como:
P (A B)
P (A | B) = .
P (B)
1.1.2 Interpretacin
Tomando los mundos en los que B se cumple, P (A | B) se puede interpretar como la fraccin en los que tambin
se cumple A. Si el evento B es, por ejemplo, tener la gripe, y el evento A es tener dolor de cabeza, P (A | B) sera la
probabilidad de tener dolor de cabeza cuando se est enfermo de gripe.
Grcamente, si se interpreta el espacio de la ilustracin como el espacio de todos los mundos posibles, A seran los
mundos en los que se tiene dolor de cabeza y B el espacio en el que se tiene gripe. La zona verde de la interseccin
representara los mundos en los que se tiene gripe y dolor de cabeza P (A B) . En este caso P (A | B) , es decir, la
probabilidad de que alguien tenga dolor de cabeza sabiendo que tiene gripe, sera la proporcin de mundos con gripe
y dolor de cabeza (color verde) de todos los mundos con gripe: El rea verde dividida por el rea de B. Como el rea
verde representa P (A B) y el rea de B representa a P (B) , formalmente se tiene que:
P (A B)
P (A | B) = .
P (B)
1
2 CAPTULO 1. PROBABILIDAD Y ESPERANZA CONDICIONADAS
P (A | B) se puede interpretar como, tomando los mundos en los que B se cumple, la fraccin en los que tambin se cumple A.
1.1.3 Propiedades
1. P (A | B) + P (A | B) = 1
1. B A P (A | B) = 1
Es decir, si todos los que tienen gripe siempre tienen dolor de cabeza, entonces la probabilidad de tener dolor de
cabeza dado que tengo gripe es 1.
1. P (A) = P (A | B) P (B) + P (A | B)
P (B)
P (A B) = P (A)P (B).
O sea que si A y B son independientes, su probabilidad conjunta, P (A B) P (A, B).
puede ser expresada como el producto de las probabilidades individuales. Equivalentemente:
P (A|B) = P (A)
P (B|A) = P (B).
En otras palabras, si A y B son independientes, la probabilidad condicional de A dado B es simplemente la probabilidad
de A y viceversa.
1.1. PROBABILIDAD CONDICIONADA 3
A
B
La proporcin de zona verde dentro de B es la misma que la de A en todo el espacio y, de la misma forma, la proporcin de la zona
verde dentro de A es la misma que la de B en todo el espacio. Son sucesos independientes.
P (B)
P (B | A) = P (A | B) P (A) (Teorema de Bayes)
A
B
positivo en la prueba; la segunda es la probabilidad de que un individuo que da positivo en la prueba tenga realmente
la enfermedad. Con los nmeros escogidos aqu, este ltimo resultado probablemente sera considerado inaceptable:
la mitad de la gente que da positivo en realidad est sana.
La probabilidad de tener una enfermedad rara es de 0,001: P (enf ermo) = 0, 001
La probabilidad de que cuando el paciente est enfermo se acierte en el diagnstico es de 0,99: P (positivo|enf ermo) =
0, 99
La probabilidad de falso positivo es de 0,05: P (positivo|sano) = 0, 05
Pregunta: Me dicen que he dado positivo, Qu probabilidad hay de que tenga la enfermedad?
P (enf ermo)P (positivo|enf ermo) P (positivo|e
P (enf ermo|positivo) = P (positivo) P (enf ermo|positivo) = P (enf ermo) P (enf ermo)P (positivo|enf erm
0,0010,99
P (enf ermo|positivo) = 0,0010,99+0,9990,05 = 0, 019 = 1, 9%
1.2.1 Introduccin
Sean X e Y dos variables aleatorias discretas, a continuacin, la expectativa condicional de X dado el caso Y = y es
una funcin de y sobre el rango de Y
P(X = x, Y = y)
E(X|Y = y) = x P(X = x|Y = y) = x ,
P(Y = y)
xX xX
donde X es el rango de X.
Si ahora X es una variable aleatoria continua , mientras que Y sigue siendo una variable discreta, la expectativa
condicional es:
E(X|Y = y) = xfX (x|Y = y)dx
X
E(X|Y = y) P(Y = y) = x P(X = x, Y = y),
xX
y aunque esto es trivial para valores individuales de y (ya que ambos lados son iguales a cero), se debe mantener para
cualquier subconjunto medible B del dominio de Y que:
E(X|Y = y) P(Y = y) d y = x P(X = x, Y = y) d y.
B B xX
De hecho, esta es una condicin suciente para denir tanto la expectativa condicional y probabilidad condicional.
6 CAPTULO 1. PROBABILIDAD Y ESPERANZA CONDICIONADAS
Debate
La -lgebra H controla la granularidad de los condicionamientos. Una expectativa condicional E[X|H] sobre
una -lgebra de grano no H nos permitir condicionamos en una variedad ms amplia de los acontecimientos.
Para acondicionar libremente en los valores de una variable aleatoria con espacio de estados (Y,) , Es suciente para
denir la expectativa condicional utilizando la imagen previa de con respecto a Y, de manera que E[X|Y ] se dene
como E[X|H] , En donde
H = (Y ) := Y 1 () := {Y 1 (S) : S }
Esto es suciente para asegurar que la expectativa condicional es (Y)-medible. Aunque esperanza condicional se
dene para condicionar los acontecimientos en el subyacente espacio de probabilidad, el requisito de que sea
(Y)-medible nos permite condicionamos sobre Y como en la introduccin.
1.2.3 Referencias
[1] Love (1978), p. 7
Captulo 2
{ x
e parax 0
f (x) = P (x) =
0 modo otro de
E[X] = 1 , V (X) = 1
2
La distribucin exponencial es un caso particular de distribucin gamma con k = 1. Adems la suma de variables
aleatorias que siguen una misma distribucin exponencial es una variable aleatoria expresable en trminos de la
distribucin gamma.
2.1.1 Ejemplo
Ejemplos para la distribucin exponencial es la distribucin de la longitud de los intervalos de una variable continua
que transcurren entre dos sucesos, que se distribuyen segn la distribucin de Poisson.
El tiempo transcurrido en un call center hasta recibir la primer llamada del da se podra modelar como una
exponencial.
El intervalo de tiempo entre terremotos (de una determinada magnitud) sigue una distribucin exponencial.
Supongamos una mquina que produce hilo de alambre, la cantidad de metros de alambre hasta encontrar una
falla en el alambre se podra modelar como una exponencial.
En abilidad de sistemas, un dispositivo con tasa de fallo constante sigue una distribucin exponencial.
7
8 CAPTULO 2. LA DISTRIBUCIN EXPONENCIAL Y EL PROCESO DE POISSON
x = 1 ln(1 u)
o, dado que (1 u) es tambin una variable aleatoria con distribucin U (0, 1) , puede utilizarse la versin ms
eciente:
x = 1 ln(u)
2.1.3 Relaciones
La suma de k variables aleatorias independientes de distribucin exponencial con parmetro es una variable aleatoria
de distribucin gamma.
Distribucin Poisson
2.1.5 Software
Se puede usar software y un programa de computadora para el ajuste de una distribucin de probabilidad, incluyendo
la exponencial, a una serie de datos:
MathWorks Benelux
CumFreq , libre sin costo, incluye intervalos de conanza a base de la distribucin binomial
2.2.3 Propiedades
A partir de la denicin, es posible demostrar que:
desarrolla las ideas de Lundberg y da lugar a lo que hoy se conoce como el proceso de ruina o modelo de Crmer-
Lundberg.
2.2.6 Aplicaciones
Se pueden modelar muchos fenmenos como un proceso de Poisson. El nmero de sucesos en un intervalo de tiempo
dado es una variable aleatoria de distribucin de Poisson donde es la media de nmeros de sucesos en este intervalo.
El tiempo hasta que ocurre el suceso nmero k en un proceso de Poisson de intensidad es una variable aleatoria
con distribucin gamma o (lo mismo) con distribucin de Erlang con = 1/ .
El ejemplo clsico de fenmenos muy bien descritos matemticamente a travs de un proceso Poisson fue el de los
fallecimientos a causa de la patada de un caballo en el ejrcito de Prusia, segn lo demostrado por Ladislaus Bort-
kiewicz en 1898. Este economista y estadstico polaco tambin analiz los datos de los suicidios infantiles conforme
a este modelo.[1][2]
El proceso de Poisson tambin se ha aplicado para los siguientes ejemplos:
La evolucin de Internet en general (los cambios en las pginas, no las de Wikipedia en particular).[11]
2.2.7 Referencias
[1] Ladislaus von Bortkiewicz, Das Gesetz der kleinen Zahlen [The law of small numbers] (Leipzig, Germany: B.G. Teubner,
1898). En la pgina 1, Bortkiewicz presenta la distribucin de Poisson. En las pginas 23-25, Bortkiewicz presenta su
famoso anlisis de 4. Beispiel: Die durch Schlag eines Pferdes im preussischen Heere Getteten. (4. Ejemplo: Personas
muertas en el ejrcito de Prusia por la patada de un caballo).
[2] Gibbons, Robert D.; Bhaumik, Dulal; Aryal, Subhash (2009). John Wiley and Sons, ed. Statistical Methods for Groundwater
Monitoring. p. 72. ISBN 0-470-16496-4.
[3] Heuer, A.; Mller, C.; Rubner, O. (2010). Soccer: Is scoring goals a predictable Poissonian process?". EPL (Europhysics
Letters), 89(3): 38007. doi:10.1209/0295-5075/89/38007. To a very good approximation scoring goals during a match
can be characterized as independent Poissonian processes with pre-determined expectation values.
[4] Arlitt, M. F.; Williamson, C. L. (1997). Internet Web servers: Workload characterization and performance implications.
IEEE/ACM Transactions on Networking, 5(5): 631.
[5] Cannizzaro, F.; Greco, G.; Rizzo, S.; Sinagra, E. (1978). Results of the measurements carried out in order to verify the
validity of the poisson-exponential distribution in radioactive decay events. The International Journal of Applied Radiation
and Isotopes, 29(11): 649.
[6] Brunel, N. (2000). Phase diagrams of sparsely connected networks of excitatory and inhibitory spiking neurons. Neuro-
computing, 32-33: 307312. doi:10.1016/S0925-2312(00)00179-X
[7] Hayes, B. (2002). Statistics of Deadly Quarrels. American Scientist, 90:1014. doi:10.1511/2002.1.10
[8] Calvo, G. A. (1983). Staggered prices in a utility-maximizing framework. Journal of Monetary Economics, 12(3): 383
398. doi:10.1016/0304-3932(83)90060-0
[9] Aghion, Philippe; Howitt, Peter (1992). A Model of Growth Through Creative Destruction. Econometrica, 60(2): 323
351. JSTOR 2951599
[10] Willkomm, D.; Machiraju, S.; Bolot, J.; Wolisz, A. (2009). Primary user behavior in cellular networks and implications
for dynamic spectrum access. IEEE Communications Magazine, 47(3): 88.
[11] Almeida, R. B.; Mozafari, B., y Cho, J. (2007). On the evolution of Wikipedia. ICWSM (Boulder, Colorado) (Consultado
30 de mayo 2014)
Captulo 3
Teora de la abilidad
El problema bsico de la teora de la abilidad variables aleatorias que son interpretables como el tiempo de vida de un
elemento, el tiempo entre reparaciones, etc, de un determinado elemento importante en la funcionalidad de un sistema
que se pretende estudiar. El tiempo de vida antes de fallo se dene como el tiempo durante el cual un determinado
elemento de un sistema opera satisfactoriamente, y transcurrido el cual el elemento queda en un estado de fallo (que
puede ser reparable, no reparable pero reemplazable o fatal). Durante su funcionamiento normal un elemento se va
desgastando o va degenerando hasta dejar de ser operativo, el tiempo de vida puede ser tratado mediante mtodos
estocsticos y estadsticos. Una evidencia de este desgaste es que la probabilidad esperada de fallo dado que ha estado
en funcionamiento hasta el tiempo t, sea una funcin decreciente:
d
dt E[Tt ] 0
donde Tt el tiempo de vida dado que el elemento ha subsistido a hasta el tiempo t, la derivada anterior est denida
en el sentido de la teora de distribuciones (y podra no existir en el sentido del clculo clsico).
La tasa de fallo, razn de fallo o funcin de riesgo se dene la razn de fallo de la variable aleatoria T > 0 como
Prob{t<T t+h}
r(t) = limh0 h
Si la variable tiene una funcin de distribucin absolutamente continua, hay una expresin para esta funcin en
trminos de funcin de densidad de probabilidad:
f (t)
r(t) = F (t)
donde:
12
3.1. MTODOS ESTOCSTICOS EN TEORA DE LA FIABILIDAD 13
Es sencillo ver la funcin de supervivencia est directamente relacionada con la razn de fallo acumulada:
[ ]
t
F (t) = exp 0 r( )d = exp[(t)]
Una variable aleatoria T tiene una tasa de fallo creciente (TFC o IFR Increasing Failure Rate) si la funcin de tasa de
fallo es mnotona creciente para todo t, en este caso se dice que la variable aleatoria es de tipo TFC. Anlogamente
si la funcin de tasa de falla es montona decreciente la variable es de tipo TFD (Tasa de fallo decreciente o DFR
Decreasing Failure Rate). Puede demostrarse que una variable es de tipo TFC (o TFD) si y solo si el tiempo de vida
residual Tt es estocsticamente decreciente en t.
Ejemplos
La distribucin exponencial F (t) = 1exp(t) tiene una tasa de fallo constante r(t) = , y es la nica distribucin
que pertenece al mismo tiempo a la clase TFC y TFD. Otras clases de distribuciones usadas en abilidad de sistemas
como la distribucin de Weibull que viene dada por:
tiene una distribucin r(t) = (t)1 esta funcin es estrictamente creciente para > 1 y estrictamente de-
creciente < 1 . Por esa razn la distribucin de Weibull puede ser de la clase TFC y TFD, segn el valor de
.
La nocin de desgaste TFC compara estocsticamente la vida residual de un elemento en dos instantes diferentes.
Cuando se compara la vida residual en t> 0 con la vida de un elemento nuevo (t = 0) surge una clase de stribuciones.
Una variable aleatoria T se dice que es nueva mejor que usada (NMU o NBU New Better than Used) si se cumple
que:
F (t + ) F (t) F ( )
Anlogamente revirtiendo el sentido de la desigualdad se dene una variable nueva peor que usada (NPU o NWU
New Worse than Used). Puede demostrarse cualquier variable aleatoria que sea de tipo TFC es necesariamente de
clase NMU (y anlogamente una variable aleatoria de tipo TFD es necesariamente NPU). Adems las clases NMU
y NPU son caracterizables a partir de la tasa de fallo acumulativa. Una variable aleatoria es NMU si su tasa de fallo
acumalativa es superaditiva:
(t + ) (t) + ( )
3.1.3 Referencias
Bibliografa
R. Borges (2005) Disponible en PDF Anlisis de sobrevivencia utilizando el Lenguaje R XV Simposio de Es-
tadstica, Paipa, Colombia.
R. Prez Ocn, M. L. Gmiz Prez, J. E. Ruiz Castro (1998) Mtodos estocsticos en teora de la abilidad,
Proyecto Sur, Universidad de Granada. ISBN 84-82554-926-X.
Captulo 4
4.1 Text
Probabilidad condicionada Fuente: http://es.wikipedia.org/wiki/Probabilidad%20condicionada?oldid=80261619 Colaboradores: Pino,
Ascnder, Sms, Dianai, Alexv86, Rembiapo pohyiete (bot), RobotQuistnix, GermanX, Eskimbot, Rdaneel, CEM-bot, Alexav8, Ignacio
Icke, Thijs!bot, Rrecillas, Botones, Muro de Aguas, TXiKiBoT, VolkovBot, Lucien leGrey, Muro Bot, Speltzu, Peregring-lk, SieBot,
Drinibot, PipepBot, DragonBot, Farisori, Eduardosalg, Leonpolanco, Fcordero2007, Juan Mayordomo, AVBOT, David0811, Jorghex,
MastiBot, SpBot, Diegusjaimes, Luckas-bot, Ptbotgourou, DirlBot, ArthurBot, Jkbw, Lourman, FreyDreya, PatruBOT, Mister Roboto,
GrouchoBot, Carbosi, Savh, Emiduronte, WikitanvirBot, Pipe9501, KLBot2, Baluza, Obelixm2, Antonio Caminero Garcia, Edured,
Jarould y Annimos: 58
Esperanza condicional Fuente: http://es.wikipedia.org/wiki/Esperanza%20condicional?oldid=78494154 Colaboradores: Urdangaray,
Ivanpares, MetroBot y Annimos: 1
Distribucin exponencial Fuente: http://es.wikipedia.org/wiki/Distribuci%C3%B3n%20exponencial?oldid=76884382 Colaboradores:
JakobVoss~eswiki, Joseaperez, Moriel, Wesisnay, Alberto Salguero, Bermiego, Javier Jelovcan, Schummy, Renabot, Boticario, Peeja-
yem, Taichi, Rembiapo pohyiete (bot), RobotQuistnix, Francosrodriguez, Caiserbot, Yrbot, YurikBot, GermanX, KnightRider, Eskimbot,
CEM-bot, Maucl, Davius, Thijs!bot, Elbarak, Botones, JAnDbot, Kved, TXiKiBoT, Rei-bot, Comosea, Phirosiberia, Aibot, VolkovBot,
Matdrodes, Muro Bot, SieBot, Loveless, Farisori, SilvonenBot, HerculeBot, Luckas-bot, MystBot, FariBOT, Nakp, ArthurBot, Fres-
coBot, BenzolBot, TobeBot, Jerowiki, Boehm, Wilmer32, Dinamik-bot, Paulocuneo, EmausBot, ZroBot, Roberto Pablo CASTILLO,
ConPermiso, Ruos, Ren Vpenk, RosenJax, Addbot y Annimos: 39
Proceso de Poisson Fuente: http://es.wikipedia.org/wiki/Proceso%20de%20Poisson?oldid=78642260 Colaboradores: JakobVoss~eswiki,
Sabbut, Ruiz, Julian Colina, Rembiapo pohyiete (bot), RobotQuistnix, YurikBot, GermanX, Chlewbot, CEM-bot, Thijs!bot, Francis-
co.uribe, VolkovBot, Urdangaray, Ungoliant~eswiki, Technopat, Loveless, Correogsk, Tirithel, PixelBot, Juan Mayordomo, MastiBot,
SpBot, Arjuno3, Luckas-bot, CayoMarcio, Xqbot, Abece, Manuel Valadez Snchez, GrouchoBot, Grillitus, WikitanvirBot, XanaG, Mer-
lIwBot, RosenJax, Legobot, Hans Topo1993, RandyRafael, Dead blank y Annimos: 18
Mtodos estocsticos en teora de la abilidad Fuente: http://es.wikipedia.org/wiki/M%C3%A9todos%20estoc%C3%A1sticos%20en%
20teor%C3%ADa%20de%20la%20fiabilidad?oldid=82088190 Colaboradores: Davius y Annimos: 1
4.2 Images
Archivo:Commons-emblem-question_book_orange.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/1/1f/Commons-emblem-question_
book_orange.svg Licencia: CC BY-SA 3.0 Colaboradores: <a href='//commons.wikimedia.org/wiki/File:Commons-emblem-issue.svg'
class='image'><img alt='Commons-emblem-issue.svg' src='//upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.
svg/25px-Commons-emblem-issue.svg.png' width='25' height='25' srcset='//upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.
svg/38px-Commons-emblem-issue.svg.png 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.svg/
50px-Commons-emblem-issue.svg.png 2x' data-le-width='48' data-le-height='48' /></a> + <a href='//commons.wikimedia.org/wiki/
File:Question_book.svg' class='image'><img alt='Question book.svg' src='//upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_
book.svg/25px-Question_book.svg.png' width='25' height='20' srcset='//upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_
book.svg/38px-Question_book.svg.png 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_book.svg/50px-Question_
book.svg.png 2x' data-le-width='252' data-le-height='199' /></a> Artista original: GNOME icon artists, Jorge 2701
Archivo:Exponential_cdf.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/b/ba/Exponential_cdf.svg Licencia: CC BY 3.0
Colaboradores: This graphic was created with matplotlib. Artista original: Skbkekas
Archivo:Exponential_pdf.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/e/ec/Exponential_pdf.svg Licencia: CC BY 3.0
Colaboradores: This graphic was created with matplotlib. Artista original: Skbkekas
Archivo:Icono_de_traduccin.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/4/40/Icono_de_traducci%C3%B3n.svg Li-
cencia: GFDL Colaboradores: trabajo propio a partir de image:View-refresh.svg y image:Japanese Hiragana kyokashotai A.svg Artista
original: Rastrojo DES
14
4.3. CONTENT LICENSE 15
1 Homotopa 1
1.1 Denicin formal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Tipo homotpico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Literatura del caso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.5 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 Grupo fundamental 3
2.1 Deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.1 Lazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.2 Clases de homotopa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.3 Grupo fundamental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.4 Referencias y notas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.5 Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Espacio recubridor 6
3.1 Recubridor universal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.3 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
i
ii NDICE GENERAL
5.4 Demostracin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.4.1 Demostracin visual por el disco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.4.2 Formalizacin geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.4.3 Formalizacin analtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.5 Generalizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.6 Aplicaciones y consecuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.6.1 Teorema del punto jo de Brouwer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.6.2 Corolario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.6.3 Meteorologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.6.4 Computacin grca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.7 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.8 Notas y referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5.9 Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.10 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
7 Supercie (matemtica) 20
7.1 Deniciones formales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.2 Propiedades y tipos de supercies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.2.1 Supercies cerradas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.2.2 Supercies desarrollables, regladas y alabeadas . . . . . . . . . . . . . . . . . . . . . . . 22
7.2.3 Supercies orientables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
7.3 Teorema de clasicacin de supercies cerradas . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
7.4 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
7.5 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
8 Homologa (matemtica) 25
8.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
8.2 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
8.3 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
8.4 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
8.5 Text and image sources, contributors, and licenses . . . . . . . . . . . . . . . . . . . . . . . . . . 27
8.5.1 Text . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
8.5.2 Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
8.5.3 Content license . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Captulo 1
Homotopa
Los dos caminos en negrita que se muestran arriba son homotpicos en relacin a sus extremos. Las lneas nas marcan isocontornos
de una posible homotopa.
En topologa, y ms precisamente en topologa algebraica, dos aplicaciones continuas de un espacio topolgico en otro
se dicen homotpicas (del griego homos = mismo y topos = lugar) si una de ellas puede deformarse continuamente
en la otra.
H(x, 0) = f (x)
1
2 CAPTULO 1. HOMOTOPA
H(x, 1) = g(x)
Un ejemplo importante son las diferentes clases (homotpicas) de mapeos del crculo a un espacio X
S1 X
Si dos aplicaciones f y g son homotpicas, se escribe f g; lo que signica esta relacin es efectivamente una
relacin de equivalencia sobre el conjunto de aplicaciones continuas de de X en Y, Las clases de equivalencia
se denominan clases de homotopa de aplicaciones. [1]
1.3 Referencias
[1] Munkres: Topologa
Hazewinkel, Michiel, ed. (2001), Homotopa (en ingls), Encyclopaedia of Mathematics, Springer, ISBN
978-1556080104
Grupo fundamental
Mediante lazos con base en un punto jo podemos explorar el espacio topolgico al que pertenece. Las clases de equivalencia de
estos lazos formarn el grupo fundamental.
En topologa, podemos asociar a cada punto p de un espacio topolgico X un grupo que nos informa sobre la estruc-
tura 1-dimensional de la porcin de espacio que rodea a este punto. Los elementos de este grupo, llamado grupo
fundamental de X relativo al punto base p,[1] son clases de equivalencia de lazos (curvas cerradas) con origen en
el punto p.
Existen generalizaciones a dimensin superior de este grupo, que reciben el nombre de grupos de homotopa. El grupo
fundamental recibe tambin el nombre de primer grupo de homotopa. De ah la forma comn de notarlo como
1 (X, p) .
2.1 Deniciones
2.1.1 Lazo
Sea X un espacio topolgico, y p un punto jo de X . Un lazo con base en p es una aplicacin continua : [0, 1] X
que verica (0) = (1) = p .
{
(2t) 0 t 21
El producto de dos lazos y se dene como ( )(t) = Esto es, el lazo
(2t 1) 12 t 1
primero recorre el camino de , pero a doble velocidad y despus el de , tambin a doble velocidad.
3
4 CAPTULO 2. GRUPO FUNDAMENTAL
H(s, 0) = (s)
H(s, 1) = (s)
H(0, t) = p
H(1, t) = p
Intuitivamente una clase de homotopa representa un paquete de curvas que son deformables entre s.
2.2 Propiedades
Si el espacio es arco-conexo, los diferentes grupos 1 (X, p) y 1 (X, q) para dos puntos p, q X son
isomorfos. Siendo posible hablar de el grupo fundamental del espacio: 1 (X) .
Una aplicacin continua f : X Y entre dos espacios topolgicos induce una aplicacin del conjunto de
lazos de X sobre el de lazos de Y. Esta aplicacin se induce tambin sobre las clases respectivas y se convierte
en un homomorsmo f entre los grupos fundamentales denido de este modo: f [] = [f ] .
La asignacin dada por X 1 (X) que va de la categora de espacios topolgicos a la categora de grupos
es un functor.
Este invariante puede ser calculado mediante la tcnica de grafo de grupos conocida como el Teorema de
Seifert-van Kampen. Con este resultado basta descomponer el espacio en 2 espacios ms simples donde el
grupo fundamental sea conocido.
2.3 Ejemplos
En muchos espacios slo existe una clase de homotopa de lazos, y en consecuencia, el grupo fundamental
es trivial. Un espacio topolgico con grupo fundamental trivial se dice simplemente conexo. Rn , o cualquier
subconjunto convexo de Rn lo son. La esfera de dimensin n con n mayor o igual que 2 tambin lo es.
Si X e Y son dos espacios topolgicos arcoconexos, el grupo fundamental del producto X x Y es isomorfo al
producto de los grupos de ambos espacios. Por ejemplo, si para la circunferencia, 1 (S 1 ) = Z . Para el toro,
homeomorfo a un producto de circunferencias, 1 (T 2 ) = Z Z .
El grupo fundamental no tiene por qu ser conmutativo. Por ejemplo, el grupo fundamental del plano privado
de dos puntos R2 {a; b} es isomorfo al grupo libre con dos generadores F2 . Estos dos generadores son las
clases de los lazos que pasando por un punto p rodean a cada uno de los puntos eliminados.
2.4. REFERENCIAS Y NOTAS 5
2.5 Bibliografa
Masey, W.S. A basic course in algebraic topology. GTM 127. Springer-Verlag. ISBN 0-387-97430-X
Espacio recubridor
p, X] donde X,
En topologa, un espacio recubridor o espacio cubriente es una tripleta [X, X son espacios topo-
lgicos y p : X X es una funcin continua y sobreyectiva
Adems se cumple que x X U abierto en X vecindad de x tal que
p1 U = j
U
j
Cubierta ramicada
3.3 Referencias
W.S. Massey. Introduccin a la topologa algebraica. Ed. Revert, S.A. 1982. ISBN 84-291-5091-9.
C. Kosniowski. A rst course in algebraic topology. Cambridge Univ. Press. 1980. ISBN 0-521-23195-7.
6
3.3. REFERENCIAS 7
Y es un cubriente de X.
Captulo 4
El teorema fundamental del lgebra establece que todo polinomio de grado mayor que cero tiene una raz.[1] El
dominio de la variable es el conjunto de los nmeros complejos, que es un hiperconjunto de los nmeros reales.
Aunque este enunciado, en principio, parece ser una declaracin dbil, implica que todo polinomio de grado n de
una variable con grado mayor que cero con coecientes complejos tiene, contando las multiplicidades, exactamente
n races complejas. La equivalencia de estos dos enunciados se realiza mediante la divisin polinmica sucesiva por
factores lineales.
Hay muchas demostraciones de esta importante proposicin, que requieren bastantes conocimientos matemticos
para formalizarlas.
4.1 Historia
Pedro Rothe (Petrus Roth), en su libro Arithmetica Philosophica (publicado en 1608), escribi que una ecuacin
polinmica de grado n (con coecientes reales) puede tener n soluciones. Alberto Girardo, en su libro L'invention
nouvelle en l'Algebre (publicado en 1629), asever que una ecuacin de grado n tiene n soluciones, pero no menciona
que dichas soluciones deban ser nmeros reales. Ms an, l agrega que su aseveracin es vlida salvo que la ecuacin
sea incompleta, con lo que quiere decir que ninguno de los coecientes del polinomio sea igual a cero. Sin embargo,
cuando explica en detalle a qu se est reriendo, se hace evidente que el autor piensa que la aseveracin siempre es
cierta; en particular, muestra que la ecuacin
x4 = 4 x 3
a pesar de ser incompleta, tiene las siguientes cuatro soluciones (la raz 1 tiene multiplicidad 2):
1, 1, 1 + i 2 y 1 i 2.
(x2 (2 + )x + 1 + 7 + )(x2 (2 )x + 1 + 7 )
8
4.2. ENUNCIADO Y EQUIVALENCIAS 9
x4 + a4 = (x2 + a 2x + a2 )(x2 a 2x + a2 ).
El primer intento que se hizo para demostrar el teorema lo hizo d'Alembert en 1746. Su demostracin tena un fallo,
en tanto que asuma implcitamente como cierto un teorema (actualmente conocido como el teorema de Puiseux)
que no sera demostrado hasta un siglo ms tarde. Entre otros Euler (1749), de Foncenex (1759), Lagrange (1772) y
Laplace (1795) intentaron demostrar este teorema.
A nales del siglo XVIII, se presentaron dos nuevas pruebas, una por James Wood y otra por Gauss (1799), pero
ambas igualmente incorrectas. Finalmente, en 1806 Argand public una prueba correcta para el teorema, enun-
ciando el teorema fundamental del lgebra para polinomios con coecientes complejos. Gauss produjo otro par de
demostraciones en 1816 y 1849, siendo esta ltima otra versin de su demostracin original.
El primer libro de texto que contiene la demostracin de este teorema fue escrito por Cauchy. Se trata de Course
d'anlyse de l'cole Royale Polytechnique (1821). La prueba es la debida a Argand, pero sin embargo en el texto no se
le da crdito.
Ninguna de las pruebas mencionadas ms arriba son constructivas. Es Weierstrass quien por primera vez, a mediados
del siglo XIX, menciona el problema de encontrar una prueba constructiva del teorema fundamental del lgebra. En
1891 publica una demostracin de este tipo. En 1940 Hellmuth Knesser consigue otra prueba de este estilo, que luego
sera simplicada por su hijo Marin Kneser en 1981.
n
n
p(z) = ak z k = an (z bi ).
k=0 i=1
4.3 Demostracin
Sea p un polinomio de grado n . p es una funcin entera. Para cada constante positiva m , existe un nmero real
positivo r tal que
Si p no tiene races, la funcin f = 1/p , es una funcin entera con la propiedad de que para cualquier nmero real
mayor que cero, existe un nmero positvo r tal que
Concluimos que la funcin f es acotada. Pero el teorema de Liouville dice que si f es una funcin entera y acotada,
entonces, f es constante y esto es una contradiccin.
10 CAPTULO 4. TEOREMA FUNDAMENTAL DEL LGEBRA
De manera que f no es entera y por tanto p tiene al menos una raz. p se puede escribir por tanto como el producto
p(z) = (z 1 )q(z),
donde 1 es una raz de p y q es un polinomio de grado n 1 . Por el argumento anterior, el polinomio q a su vez
tiene al menos una raz y se lo puede factorizar nuevamente.
Repitiendo este proceso n 1 veces,[4] concluimos que el polinomio p puede escribirse como el producto
p(z) = k (z 1 )(z 2 ) (z n )
donde 1 ... n son las races de p (no necesariamente distintas) y k es una constante.
4.3.1 Corolarios
Como el teorema fundamental del lgebra puede ser visto como la declaracin de que el cuerpo de los nmeros com-
plejos es algebraicamente cerrado, se sigue que cualquier teorema concerniente a cuerpos algebraicamente cerrados
aplican al cuerpo de los nmeros complejos. Se muestran aqu algunas consecuencias del teorema, acerca del cuerpo
de los nmeros reales o acerca de las relaciones entre el cuerpo de los reales y el cuerpo de los complejos:
El cuerpo de los nmeros complejos es la clausura algebraica del cuerpo de nmeros reales.
Todo polinomio en una variable x con coecientes reales es el producto de un polinomio constante de la forma
x + a con a real, y polinomios de la forma x2 + ax + b con a y b reales y a2 4b < 0 (que es lo mismo que
decir que el polinomio x2 + ax + b no tiene races reales).
Toda funcin racional en una variable x , con coecientes reales, se puede escribir como la suma de una funcin
polinmica con funciones racionales de la forma a/(xb)n (donde n es un nmero natural, y a y b son nmeros
reales), y funciones racionales de la forma (ax + b)/(x2 + cx + d)n (donde n es un nmero natural, y a , b ,
c , y d son nmeros reales tales que c2 4d < 0 ). Un corolario de esto es que toda funcin racional en una
variable y coecientes reales tiene una primitiva elemental.
Toda extensin algebraica del cuerpo de los reales es isomorfa al cuerpo de los reales o al cuerpo de los com-
plejos.
4.4 Referencias
[1] William R. Derick: Variable Compleja con aplicaciones. ISBN 968-7270-35-5
[2] J. Rey Pastor, P. Pi Calleja, C. A. Trejo. Anlisis matemtico I. Buenos Aires: Kapelusz. 18-1. El texto dice: Toda ecuacin
algebraica en una incgnita z de grado n 1.... La cita fue adaptada al contexto del artculo.
[4] En el ltimo paso, lo que queda es un polinomio de grado uno multiplicado por una constante
Si un campo vectorial sobre una esfera se simboliza por pelos de longitud constante, el teorema de la bola peluda estipula que la
esfera contiene al menos un rizo. La gura contiene dos, uno en cada polo.
11
12 CAPTULO 5. TEOREMA DE LA BOLA PELUDA
5.2 Enunciado
Nota: en dimensin impar, s es posible construir campos vectoriales continuos que no se anulan nunca.
5.3 Historia
Este teorema fue demostrado por primera vez por Luitzen Egbertus Jan Brouwer en 1912.[2] La prueba generaliza
los resultados obtenidos con anterioridad como el teorema de la curva de Jordan[3] o los trabajos de Leopold Kronec-
ker sobre las funciones continuamente diferenciables de la esfera real de dimensin n- 1 en un espacio vectorial de
dimensin n.[4] Estos resultados, aunque de formulacin intuitiva, requieren para su demostracin desarrollos a veces
tcnicos. Un ejemplo arquetpico de resultados de la misma naturaleza es el teorema del punto jo de Brouwer, el
cual enuncia que toda aplicacin continua de una bola cerrada de un espacio vectorial euclidiano de dimensin nita
en l mismo, admite un punto jo.
5.4 Demostracin
Muchas de las demostraciones de este teorema son por reduccin al absurdo. Los formalismos matemticos re-
queridos en algunas de ellas escapan a las pretensiones del presente artculo.[Ver bibliografa]
Al pegar nuevamente ambos hemisferios de la esfera, los campos tangentes se recomponen continuamente, obtenin-
dose as un peinado continuo y sin calvicie, que es la contradiccin deseada.
5.4. DEMOSTRACIN 13
Se razona nuevamente por el absurdo. Dada una esfera, se eligen un polo norte y un polo sur, as como una orientacin.
De este modo se puede hablar de paralelos de la esfera y orientarlos de manera continua. Adicionalmente, se dene
un sistema referencial mvil tangente a la esfera. Se le puede asociar entonces a cada paralelo un nmero: el nmero
de vueltas del campo vectorial en el sistema mvil a lo largo de ese paralelo. Este nmero est bien denido pues el
campo vectorial no se anula; depende continuamente de la latitud del paralelo -segn los resultados estndares sobre
la continuidad del nmero de vueltas- y es entero. Por lo tanto es constante.
A continuacin, se calcula el nmero de vueltas en la vecindad del polo norte, punto en que el sistema de referencia
mvil cesa de estar denido. Para paliar esta dicultad, se proyectan a la vez el campo vectorial v y es sistema mvil
sobre el plano tangente al polo norte. La orientacin de este plano tangente se deduce de la orientacin de la esfera.
Por continuidad, el nmero de vueltas no cambia y vale m y m vale +1 o 1 segn la eleccin de la orientacin
de los paralelos.
Siguiendo un razonamiento similar en una vecindad del polo sur, el sistema mvil dar una vuelta alrededor del polo
sur en el sentido de los paralelos, mas para mantener una orientacin coherente con la de la esfera, en tanto que
plano en el espacio de tres dimensiones, el plano tangente debe estar orientado en el sentido opuesto, y por lo tanto
el nmero de vueltas ser m , lo cual es una contradiccin.
14 CAPTULO 5. TEOREMA DE LA BOLA PELUDA
Para el desarrollo algebraico formal de las demostraciones expuestas, se puede tomar, por ejemplo, x como un punto
corriente de la esfera y v(x) el campo de vectores; a continuacin se parametriza la esfera en coordenadas polares
(suponiendo un radio 1):
5.5 Generalizacin
La demostracin analtica debida a Milnor generaliza el teorema al caso de cualquier dimensin.[5] Una demostracin
ligeramente diferente es debida a A. Rogers.[6]
Otras pruebas se basan en conceptos de la topologa algebraica; una demostracin clsica utiliza la caracterstica de
Euler; tambin se puede formular como un caso particular del teorema de Poincar-Hopf; otras pruebas se basan
5.6. APLICACIONES Y CONSECUENCIAS 15
5.6.2 Corolario
Una consecuencia del teorema de la bola peluda es que toda funcin continua que mapee una esfera en s misma
tiene o bien un punto jo o bien un punto que se mapea en su punto antpodo. Esto se puede ver al transformar una
funcin en un campo vectorial tangente y deniendo por ejemplo una proyeccin estereogrca de la funcin sobre
la esfera. El teorema asegura qua habr al menos un punto p para el cual la proyeccin ser 0.
16 CAPTULO 5. TEOREMA DE LA BOLA PELUDA
5.6.3 Meteorologa
El teorema tiene consecuencias en meteorologa; se considera una modelizacin esquemtica del viento como vector
denido continuamente en cada punto sobre la supercie del planeta con atmsfera. Como una idealizacin, el viento
tiene componentes vectoriales bidimensionales, y su movimiento a lo largo del eje vertical es nulo.
Bajo estas condiciones, la falta absoluta de viento corresponde a una solucin posible: el campo de vectores nulos. Este
escenario no presenta mayor inters desde el punto de vista del teorema, y es fsicamente irrealista (viento siempre
habr). En el caso en que hay algo de viento, el teorema de la bola peluda dice que en todo momento debe haber al
menos un punto en el planeta sin nada de viento.
En un sentido fsico, esta zona de no viento corresponde al ojo de un cicln o anticicln (efecto observable, por
ejemplo, en la vellosidad de un pelota de tenis, de forma espiral alrededor de esta zona). El teorema de la bola
peluda impone la existencia permanente de un punto sobre la tierra en donde el viento se modeliza por un sistema
arremolinado y, en su centro, un ojo.
Esta consecuencia se observa de hecho en la realidad. El teorema no dice nada sin embargo acerca de la talla del
vrtice o la potencia de los vientos que lo rodean.
Teoremas de punto jo
[2] Luitzen Egbertus Jan Brouwer, ber Abbildung von Mannigfaltigkeiten Mathematische Annalen, 1912
[3] Este teorema enuncia que un bucle simple divide al plano en dos componentes conexas. Fue demostrado rigurosamente en
1905: Oswald Veblen, Theory on plane curves in non-metrical analysis situs, Transactions of the American Mathematical
Society 6 (1905), pp. 8398
[4] Leopold Kronecker ber Systeme von Funktionen mehrerer Variabeln Monatsber. Berlin Akad. 1869 pp. 159193 y 688
698
[5] J. Milnor, Analytic proofs of the hairy ball theorem and the Brouwer xed point, Am. Math. Monthly 85(1978)521-524.
[6] C. A. Rogers, A less strange version of Milnors proof of Brouwer xed point theorem, Amer. Math. Monthly 87(1980)525-
527
18 CAPTULO 5. TEOREMA DE LA BOLA PELUDA
5.9 Bibliografa
J. W. Milnor, Topology from the dierentiable viewpoint Princeton Univ. 1997 ISBN 069104833957. (en ingls)
N. E. Chinn W. G. Steenrod Topologie lmentaire Dunod 1991 ISBN 2040048480. (en francs)
M. Eisenberg, R. Guy, A Proof of the Hairy Ball Theorem The American Mathematical Monthly Vol. 86, No.
7 (Aug. Sep., 1979), pp. 571574. (en ingls)
Murray Eisenberg, Robert Guy, A Proof of the Hairy Ball Theorem, The American Mathematical Monthly,
Vol. 86, No. 7 (Aug. - Sep., 1979), pp. 571574. (en ingls)
Esta obra deriva de la traduccin parcial de Hairy ball theorem de Wikipedia en ingls, concretamente de esta
versin, publicada por sus editores bajo la Licencia de documentacin libre de GNU y la Licencia Creative
Commons Atribucin-CompartirIgual 3.0 Unported.
Captulo 6
19
Captulo 7
Supercie (matemtica)
Ilustracin de una supercie curvada, inmersa en R3 , orientable y con borde; sobre la que se ha dibujado un conjunto de lneas
coordenadas ortogonales.
Una supercie es de hecho un conjunto de puntos de un espacio eucldeo que forma un espacio topolgico bidimen-
sional que localmente, es decir, visto de cerca se parece al espacio eucldeo bidimensional. As alrededor de cada
punto de una supercie esta se aproxima bien por el plano tangente a la supercie en dicho punto.
Una denicin tradicional de supercie que alude a trminos intuitivos pero con la que resulta fcil trabajar desde un
punto de vista matemtico fue la dada por Euclides:
20
7.1. DEFINICIONES FORMALES 21
Intuitivamente una superce cerrada en el espacio tridimensional es cualquier superce que encierra un volumen,
dividiendo a dicho espacio en una regin acotada y una regin no acotada. En 4 o ms dimensiones tambin existen
supercies cerradas pero la nocin intuitiva anterior no es vlida, ya que las supercies cerradas en ms dimensiones
no dividen al espacio de esta forma.
Puede comprobarse que en tres dimensiones una supercie sin borde encierra un volumen, como por ejemplo
la esfera y el toro o donut, estas supercies son adems supercies orientables. De hecho todas las super-
cies cerradas inmersas en el espacio tridimensional son orientables, a diferencia de lo que ocurre en ms
dimensiones.
Otras supercies cerradas ms exticas son el plano proyectivo y la botella de Klein (denible en 4 dimensiones).
Un disco (en R2 ), un cilindro de altura nita o la banda de Mbius son ejemplos de supercies con frontera.
Como la imagen de la derecha.
Intuitivamente una supercie es desarrollable si puede fabricarse a partir de un plano eucldeo mediante do-
blado. El cono y el cilindro son desarrollables, lo cual se maniesta en que se pueden construir modelos
apropiados a partir de una hoja de papel o cartulina plana. Formalmente dada una supercie desarrollable
existe una isometra entre la supercie y el plano eucldeo. Una condicin necesaria y suciente para que una
supercie se desarrollable, se desprende del theorema egregium de Gauss, es que la curvatura gaussiana de dicha
supercie sea idnticamente nula.
Una supercie es reglada cuando el plano tangente para cada punto de la misma contiene una lnea recta
completamente contenida sobre la supercie. Una condicin necesaria es que la segunda forma fundamental
sea en ese punto una forma cuadrtica indenida y por tanto la curvatura gaussiana es negativa.
Una supercie alabeada es una supercie reglada y no-desarrollable.
1. la esfera;
2. la suma conexa de g -toros, siendo g 1 ;
7.4. VASE TAMBIN 23
La banda de Mbius es una supercie no-orientable con una frontera (su frontera es una curva cerrada simple).
Dicho de otra manera, las supercies anteriores son todas las supercies cerradas que existen (salvo homeomors-
mo). La supercies de las dos primeras familias son orientables. Es conveniente combinar las dos primeras familias,
considerando la esfera como la suma conexa de cero toros. El nmero g de toros involucrados en la construccin se
denomina gnero de la supercie. Puesto que la esfera y el toro tienen caractersticas de Euler 2 y 0, respectivamente,
se deduce que la caracterstica de Euler de la suma conexa de g toros es precisamente 2 2g .
Las supercies de la tercera familia son no-orientables. La caracterstica de Euler del plano proyectivo real es 1, as
la suma conexa de k de ellos es is 2 k .
De todo esto se sigue, que una supercie cerrada est determinada -salvo homeomorsmo- por dos propiedades: el
valor numrico de su caracterstica de Euler (o su gnero) y si es o no-orientable.
Es posible clasicar tambin las supercies que no son cerradas (es decir, con frontera). Esto se obtiene como el
esquema anterior, aadiendo el nmero de fronteras que tiene la supercie.
Variedad algebraica
Variedad topolgica
rea
24 CAPTULO 7. SUPERFICIE (MATEMTICA)
Cudrica
Homologa (matemtica)
En matemtica (especialmente en topologa algebraica y en lgebra homolgica), la homologa (en Griego homos =
idntico) es un procedimiento general para asociar un objeto matemtico dado (por ejemplo un espacio topolgico o
un grupo) con una sucesin de grupos abelianos, es decir una accin functorial.
Para un espacio topolgico, los grupos de homologa son generalmente mucho ms fciles de computar que los grupos
de homotopa, y consecuentemente, uno habitualmente tendr un trabajo ms simple con homologa para ayudar en
la clasicacin de espacios.
La motivacin original de homologa era denir y clasicar los agujeros de un espacio topolgico. En este caso, los
grupos de homologa describen agujeros del espacio topolgico. Cada generador indica la existencia de un agujero y
las propiedades del grupo indica la estructura del espacio topolgico como dimensin y orientabilidad.
8.1 Denicin
Se dene el n-simo grupo de homologa asociado a un complejo de cadenas
n+1
. . . An+1 An A
n
n1 . . .
donde n n+1 = 0
como el grupo abeliano
ker(n )
H(An ) = .
im(n+1 )
Tambin se utiliza la notacin
a a
0 A1 A
1
2 A3 0
2
ker a2 A3
H(A1 ) = ker a1 , H(A2 ) = , H(A3 ) =
im a1 im a2
Es obvio que si la sucesin fuese exacta, entonces estos grupos seran triviales (=0).
25
26 CAPTULO 8. HOMOLOGA (MATEMTICA)
8.3 Referencias
Hatcher, Allen (2002) Algebraic Topology Cambridge University Press
8.5.2 Images
Archivo:Bas_rond_vect_sym.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/c/c7/Bas_rond_vect_sym.svg Licencia: CC
BY-SA 3.0 Colaboradores: Trabajo propio Artista original: Sylvie Martin
Archivo:Bas_rond_vecteurs.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/e/ef/Bas_rond_vecteurs.svg Licencia: CC
BY-SA 3.0 Colaboradores: Trabajo propio Artista original: Sylvie Martin
Archivo:Commons-emblem-question_book_orange.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/1/1f/Commons-emblem-question_
book_orange.svg Licencia: CC BY-SA 3.0 Colaboradores: <a href='//commons.wikimedia.org/wiki/File:Commons-emblem-issue.svg'
class='image'><img alt='Commons-emblem-issue.svg' src='//upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.
svg/25px-Commons-emblem-issue.svg.png' width='25' height='25' srcset='//upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.
svg/38px-Commons-emblem-issue.svg.png 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.svg/
50px-Commons-emblem-issue.svg.png 2x' data-le-width='48' data-le-height='48' /></a> + <a href='//commons.wikimedia.org/wiki/
File:Question_book.svg' class='image'><img alt='Question book.svg' src='//upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_
book.svg/25px-Question_book.svg.png' width='25' height='20' srcset='//upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_
book.svg/38px-Question_book.svg.png 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_book.svg/50px-Question_
book.svg.png 2x' data-le-width='252' data-le-height='199' /></a> Artista original: GNOME icon artists, Jorge 2701
Archivo:Commons-logo.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/4/4a/Commons-logo.svg Licencia: Public do-
main Colaboradores: This version created by Pumbaa, using a proper partial circle and SVG geometry features. (Former versions used to
be slightly warped.) Artista original: SVG version was created by User:Grunt and cleaned up by 3247, based on the earlier PNG version,
created by Reidab.
Archivo:Covering_map.png Fuente: http://upload.wikimedia.org/wikipedia/commons/5/54/Covering_map.png Licencia: CC-BY-SA-
3.0 Colaboradores: ? Artista original: ?
28 CAPTULO 8. HOMOLOGA (MATEMTICA)
1 Muestreo (estadstica) 1
1.1 Tcnicas de muestreo estadstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Muestreo aleatorio simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Muestreo no probabilstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Poblacin estadstica 5
2.1 Poblacin en epidemiologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Muestra estadstica 6
3.1 Otras deniciones relacionadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.1.1 Espacio muestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.1.2 Parmetro o Estadstico muestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.1.3 Estimacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.1.4 Nivel de conanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.1.5 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2 Ventajas de la eleccin de una muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.3 Descripcin matemtica de una muestra aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.4 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4 Estimacin estadstica 9
4.1 Estimador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2 Estimacin puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.3 Estimacin por intervalos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.3.1 Intervalo de conanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.3.2 Variabilidad del Parmetro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.3.3 Error de la estimacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.3.4 Lmite de Conanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.3.5 Valor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.3.6 Valor crtico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.3.7 Otros usos del trmino . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.4 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
i
ii NDICE GENERAL
4.5 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5 Estimador 12
5.1 Propiedades de los estimadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.1.1 Sesgo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.1.2 Eciencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.1.3 Consistencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.1.4 Robustez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.1.5 Suciencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.1.6 Invarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.2 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
7 Tamao de la muestra 19
7.1 Objetivos de la determinacin del tamao adecuado de una muestra . . . . . . . . . . . . . . . . . 19
7.1.1 Estimacin de parmetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.1.2 Contraste de hiptesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.2 Notas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
7.3 Text and image sources, contributors, and licenses . . . . . . . . . . . . . . . . . . . . . . . . . . 23
7.3.1 Text . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
7.3.2 Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
7.3.3 Content license . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Captulo 1
Muestreo (estadstica)
En estadstica se conoce como muestreo a la tcnica para la seleccin de una muestra a partir de una poblacin.
Al elegir una muestra aleatoria se espera conseguir que sus propiedades sean extrapolables a la poblacin. Este proceso
permite ahorrar recursos, y a la vez obtener resultados parecidos a los que se alcanzaran si se realizase un estudio de
toda la poblacin.
Cabe mencionar que para que el muestreo sea vlido y se pueda realizar un estudio adecuado (que consienta no solo
hacer estimaciones de la poblacin sino estimar tambin los mrgenes de error correspondientes a dichas estimacio-
nes), debe cumplir ciertos requisitos. Nunca podremos estar enteramente seguros de que el resultado sea una muestra
representativa, pero s podemos actuar de manera que esta condicin se alcance con una probabilidad alta.
En el muestreo, si el tamao de la muestra es ms pequeo que el tamao de la poblacin, se puede extraer dos o
ms muestras de la misma poblacin. Al conjunto de muestras que se pueden obtener de la poblacin se denomina
espacio muestral. La variable que asocia a cada muestra su probabilidad de extraccin, sigue la llamada distribucin
muestral.
Forman parte de este tipo de muestreo todos aquellos mtodos para los que se puede calcular la probabilidad de
extraccin de cualquiera de las muestras posibles. Este conjunto de tcnicas de muestreo es el ms aconsejable,
aunque en ocasiones no es posible optar por l.
Tipos
Sin reposicin de los elementos : Cada elemento extrado se descarta para la subsiguiente extraccin. Por ejemplo,
si se extrae una muestra de una poblacin de bombillas para estimar la vida media de las bombillas que la integran,
no ser posible medir ms que una vez la bombilla seleccionada.
Con reposicin de los elementos: Las observaciones se realizan con remplazo de los individuos, de forma que la
poblacin es idntica en todas las extracciones. En poblaciones muy grandes, la probabilidad de repetir una extraccin
es tan pequea que el muestreo puede considerarse con reposicin aunque, realmente, no lo sea.
1
2 CAPTULO 1. MUESTREO (ESTADSTICA)
Con reposicin mltiple: En poblaciones muy grandes, la probabilidad de repetir una extraccin es tan pequea que
el muestreo puede considerarse con reposicin.
Para realizar este tipo de muestreo, y en determinadas situaciones, es muy til la extraccin de nmeros aleatorios
mediante ordenadores, calculadoras o tablas construidas al efecto.
Muestreo sistemtico
Se utiliza cuando el universo o poblacin es de gran tamao, o ha de extenderse en el tiempo. Primero hay que
identicar las unidades y relacionarlas con el calendario (cuando proceda). Luego hay que calcular una constante, que
se denomina coeciente de elevacin:
K= N/n
Donde N es el tamao del universo y n el tamao de la muestra.
Para determinar en qu fecha se producir la primera extraccin, hay que elegir al azar un nmero entre 1 y K;
de ah en adelante tomar uno de cada K a intervalos regulares. Ocasionalmente, es conveniente tener en cuenta la
periodicidad del fenmeno.
Esto quiere decir que si tenemos un determinado nmero de personas que es la poblacin (N) y queremos escoger de
esa poblacin un nmero ms pequeo el cual es la muestra (n), dividimos el nmero de la poblacin por el nmero
de la muestra que queremos tomar y el resultado de esta operacin ser el intervalo, entonces escogemos un nmero
al azar desde uno hasta el nmero del intervalo, y a partir de este nmero escogemos los dems siguiendo el orden.
Muestreo estraticado
Consiste en la divisin previa de la poblacin de estudio en grupos o clases que se suponen homogneos con respecto
a alguna caracterstica de las que se van a estudiar. A cada uno de estos estratos se le asignara una cuota que de-
terminara el nmero de miembros del mismo que compondrn la muestra. Dentro de cada estrato se suele usar la
tcnica de muestreo sistemtico, una de las tcnicas de seleccin ms usadas en la prctica.
Segn la cantidad de elementos de la muestra que se han de elegir de cada uno de los estratos, existen dos tcnicas
de muestreo estraticado:
Asignacin proporcional: el tamao de la muestra dentro de cada estrato es proporcional al tamao del estrato
dentro de la poblacin.
Asignacin ptima: la muestra recoger ms individuos de aquellos estratos que tengan ms variabilidad. Para
ello es necesario un conocimiento previo de la poblacin.
Por ejemplo, para un estudio de opinin, puede resultar interesante estudiar por separado las opiniones de hombres y
mujeres pues se estima que, dentro de cada uno de estos grupos, puede haber cierta homogeneidad. En la asignacin
proporcional, si la poblacin est compuesta de un 55% de mujeres y un 45 % de hombres, se tomara una muestra
que contenga tambin esos mismos porcentajes de hombres y mujeres. En la asignacin ptima, si todos los hombres
piensan igual, pero las mujeres son impredecibles, se tomara una muestra con ms del 55% de mujeres.
Para una descripcin general del muestreo estraticado y los mtodos de inferencia asociados con este procedimiento,
suponemos que la poblacin est dividida en h subpoblaciones o estratos de tamaos conocidos N1 , N2 ,..., N tal
que las unidades en cada estrato sean homogneas respecto a la caracterstica en cuestin. La media y la varianza
desconocidas para el i-simo estrato son denotadas por mi y s2 , respectivamente.
Esta tcnica es la nica opcin cuando no se dispone de lista completa de la poblacin de referencia o bien cuando
por medio de la tcnica de muestreo simple o estraticado se obtiene una muestra con unidades distribuidas de tal
forma que resultan de difcil acceso. En el muestreo a estadios mltiples se subdivide la poblacin en varios niveles
ordenados que se extraen sucesivamente por medio de un procedimiento de embudo. El muestreo se desarrolla en
varias fases o extracciones sucesivas para cada nivel.
1.1. TCNICAS DE MUESTREO ESTADSTICO 3
Por ejemplo, si tenemos que construir una muestra de profesores de primaria en un pas determinado, stos pueden
subdividirse en unidades primarias representadas por circunscripciones didcticas y unidades secundarias que seran
los propios profesores. En primer lugar extraemos una muestra de las unidades primarias (para lo cual debemos tener
la lista completa de estas unidades) y en segundo lugar extraemos aleatoriamente una muestra de unidades secundarias
de cada una de las primarias seleccionadas en la primera extraccin.
Se utiliza cuando la poblacin se encuentra dividida, de manera natural, en grupos que se supone que contienen
toda la variabilidad de la poblacin, es decir, la representan elmente respecto a la caracterstica a elegir, pueden
seleccionarse slo algunos de estos grupos o conglomerados para la realizacin del estudio.
Dentro de los grupos seleccionados se ubicarn las unidades elementales, por ejemplo, las personas a encuestar, y
podra aplicrsele el instrumento de medicin a todas las unidades, es decir, los miembros del grupo, o slo se le
podra aplicar a algunos de ellos, seleccionados al azar. Este mtodo tiene la ventaja de simplicar la recogida de
informacin muestral.
Cuando, dentro de cada conglomerado seleccionado, se extraen algunos individuos para integrar la muestra, el diseo
se llama muestreo bietpico.
Las ideas de estratos y conglomerados son, en cierto sentido, opuestas. El primer mtodo funciona mejor cuanto ms
homognea es la poblacin respecto del estrato, aunque ms diferentes son stos entre s. En el segundo, ocurre lo
contrario. Los conglomerados deben presentar toda la variabilidad, aunque deben ser muy parecidos entre s.
Homogneo signica, en el contexto de la estraticacin, que no hay mucha variabilidad. Los estratos funcionan mejor
cuanto ms homogneos son cada uno de ellos respecto a la caracterstica a medir. Por ejemplo, si se estudia la estatura
de una poblacin, es bueno distinguir entre los estratos mujeres y hombres porque se espera que, dentro de ellos, haya
menos variabilidad, es decir, sean menos heterogneos. Dicho de otro modo, no hay tantas diferencias entre unas
estaturas y otras dentro del estrato que en la poblacin total.
Por el contrario, la heterogeneidad hace intil la divisin en estratos. Si se dan las mismas diferencias dentro del
estrato que en toda la poblacin, no hay por qu usar este mtodo de muestreo. En los casos en los que existan
grupos que contengan toda la variabilidad de la poblacin, lo que se construyen son conglomerados, que ahorran
algo del trabajo que supondra analizar toda la poblacin. En resumen, los estratos y los conglomerados funcionan
bajo principios opuestos: los primeros son mejores cuanto ms homogneo es el grupo respecto a la caracterstica a
estudiar y los conglomerados, si representan elmente a la poblacin, esto es, contienen toda su variabilidad, o sea,
son heterogneos.
Es aqul para el que no se puede calcular la probabilidad de extraccin de una determinada muestra. Por tal motivo,
se busca seleccionar a individuos que tienen un conocimiento profundo del tema bajo estudio y se considera que la
informacin aportada por esas personas es vital para la toma de decisiones.
Es la tcnica ms difundida sobre todo en estudios de mercado y sondeos de opinin. En primer lugar es necesario
dividir la poblacin de referencia en varios estratos denidos por algunas variables de distribucin conocida (como
el gnero o la edad). Posteriormente se calcula el peso proporcional de cada estrato, es decir, la parte proporcional
de poblacin que representan. Finalmente se multiplica cada peso por el tamao de n de la muestra para determinar
la cuota precisa en cada estrato. Se diferencia del muestreo estraticado en que una vez determinada la cuota, el
investigador es libre de elegir a los sujetos de la muestra dentro de cada estrato.
4 CAPTULO 1. MUESTREO (ESTADSTICA)
Indicado para estudios de poblaciones clandestinas, minoritarias o muy dispersas pero en contacto entre s. Consiste
en identicar sujetos que se incluirn en la muestra a partir de los propios entrevistados. Partiendo de una pequea
cantidad de individuos que cumplen los requisitos necesarios, servirn como localizadores de otros con caractersticas
anlogas.
En este caso las unidades de la muestra se eligen en funcin de algunas de sus caractersticas de manera racional y no
casual. Una variante de esta tcnica es el muestreo compensado o equilibrado, en el que se seleccionan las unidades
de tal forma que la media de la muestra para determinadas variables se acerque a la media de la poblacin. La cual
funciona en base a referencias o por recomendacin despus se reconoce por medio de la estadstica.
estrategias de muestreo
muestra estadstica
tamao de la muestra
Captulo 2
Poblacin estadstica
Poblacin estadstica, en estadstica, tambin llamada universo, es el conjunto de elementos de referencia sobre el
que se realizan las observaciones. Tambin es el conjunto sobre el que estamos interesados en obtener conclusiones
(inferir). Normalmente es demasiado grande para poder abarcarla, motivo por el cual se puede hacer necesaria la
extraccin de una muestra de sta.
2.2 Referencias
[1] http://www.monografias.com/trabajos15/estadistica/estadistica.shtml#ixzz2JQRrbdXw Monografa sobre la estadistica
5
Captulo 3
Muestra estadstica
3.1.3 Estimacin
Una estimacin es cualquier tcnica para conocer un valor aproximado de un parmetro referido a la poblacin, a
partir de los estadsticos muestrales calculados a partir de los elementos de la muestra. Si se estima el suciente
nmero de parmetros puede aproximarse de manera razonable la distribucin de probabilidad de la poblacin para
ciertas variables aleatorias.
6
3.2. VENTAJAS DE LA ELECCIN DE UNA MUESTRA 7
bien p-valores que miden la probabilidad de errores de tipo I (probabilidad de rechazar una cierta hiptesis siendo
que esta era correcta).
3.1.5 Ejemplo
Se tiene una poblacin de 222.222 habitantes y se quiere conocer cuantos de ellos son hombres y cuantos de ellos son
mujeres. Se conjetura que cerca del 50% son mujeres y el resto hombres, pero se quiere seleccionar una muestra para
determinar cuantos hombres y mujeres hay en la muestra y a partir de ah inferior el porcentaje exacto de hombres y
mujeres en la poblacin total. La descripcin de una muestra, y los resultados obtenidos sobre ella, puede ser del tipo
mostrado en el siguiente ejemplo:
La interpretacin de esos datos sera la siguiente:
1. La poblacin a investigar tiene 222.222 habitantes y queremos saber cuntos son hombres o mujeres.
2. Estimamos en un 50% para cada sexo y para el propsito del estudio es suciente un 90% de seguridad con un
nivel entre 90 - 5 y 90 + 5.
3. Generamos una tabla de 280 nmeros al azar entre 1 y 222.222 y en un censo numerado comprobamos el
gnero para los seleccionados.
1. Si la poblacin es muy grande (en ocasiones, innita, como ocurre en determinados experimentos aleatorios)
y, por tanto, imposible de analizar en su totalidad.
2. Las caractersticas de la poblacin varan si el estudio se prolonga demasiado tiempo.
3. Reduccin de costos: al estudiar una pequea parte de la poblacin, los gastos de recogida y tratamiento de
los datos sern menores que si los obtenemos del total de la poblacin.
4. Rapidez: al reducir el tiempo de recogida y tratamiento de los datos, se consigue mayor rapidez.
5. Viabilidad: la eleccin de una muestra permite la realizacin de estudios que seran imposible hacerlo sobre
el total de la poblacin.
6. La poblacin es sucientemente homognea respecto a la caracterstica medida, con lo cual resultara intil
malgastar recursos en un anlisis exhaustivo (por ejemplo, muestras sanguneas).
7. El proceso de estudio es destructivo o es necesario consumir un artculo para extraer la muestra (ejemplos: vida
media de una bombilla, carga soportada por una cuerda, precisin de un proyectil, etc.).
3.4 Referencias
[1] Samuel S. Wilks, Mathematical Statistics, John Wiley, 1962, Section 8.1
Captulo 4
Estimacin estadstica
En inferencia estadstica se llama estimacin al conjunto de tcnicas que permiten dar un valor aproximado de un
parmetro de una poblacin a partir de los datos proporcionados por una muestra. Por ejemplo, una estimacin de la
media de una determinada caracterstica de una poblacin de tamao N podra ser la media de esa misma caracterstica
para una muestra de tamao n.[1]
La estimacin se divide en tres grandes bloques, cada uno de los cuales tiene distintos mtodos que se usan en funcin
de las caractersticas y propsitos del estudio:
Estimacin puntual:[2]
Estimacin bayesiana.
4.1 Estimador
Un estimador es una regla que establece cmo calcular una estimacin basada en las mediciones contenidas en una
muestra estadistica.
9
10 CAPTULO 4. ESTIMACIN ESTADSTICA
o densidad f(x), la probabilidad de que ocurra una realizacin x1, ..., xn viene dada por: L(x1, ..., xn) = Yn i=1
f(xi)
A L(x1, ..., xn) se le llama funcin de verosimilitud.(credibilidad de la muestra observada). Buscamos entonces el
valor de que maximice la funcin de verosimilud, y al valor obtenido se le llama estimacin por mxima verosi-
militud de . Nota: si la variable X es discreta, en lugar de f(xi ) consideramos la funcin masa de probabilidad
p(xi).
Ejemplo 7.1: Sea X N(, ), con desconocido. Seleccionada una m.a.s. X1, ..., Xn, con realizacin x1, ..., xn,
estimamos el parmetro por ambos mtodos. Segn el mtodo de los momentos: E(X) = Xn i=1 Xi n = X, y al
ser = E(X) se obtiene que = x. Por el mtodo de mxima verosimilitud: L(x1, ..., xn) = Yn i=1 f(xi ) = =
Yn i=1 1 2 e (xi) 2 2
Estimacin por Intervalos de conanza 109 y maximizamos en tal funcin; en este caso resulta ms fcil maximizar
su logaritmo: lnL(x1, ..., xn) = 1 2 2 Xn i=1 (xi ) 2 n ln( 2) lnL(x1, ..., xn) = 1 2 Xn i=1 (xi
) = n x n 2 = 0 =
El intervalo de conanza es una expresin del tipo [1 , 2 ] 1 2 , donde es el parmetro a estimar. Este
intervalo contiene al parmetro estimado con un determinado nivel de conanza. Pero a veces puede cambiar este
intervalo cuando la muestra no garantiza un axioma o un equivalente circunstancial.
Si no se conoce, puede obtenerse una aproximacin en los datos aportados por la literatura cientca o en un estudio
piloto. Tambin hay mtodos para calcular el tamao de la muestra que prescinden de este aspecto. Habitualmente
se usa como medida de esta variabilidad la desviacin tpica poblacional y se denota .
Es una medida de su precisin que se corresponde con la amplitud del intervalo de conanza. Cuanta ms precisin
se desee en la estimacin de un parmetro, ms estrecho deber ser el intervalo de conanza y, si se quiere mantener
o disminuir el error, ms observaciones debern incluirse en la muestra estudiada. En caso de no incluir nuevas
observaciones para la muestra, ms error se comete al aumentar la precisin. Se suele llamar E, segn la frmula E
= (2 - 1 )/2.
Es la probabilidad de que el verdadero valor del parmetro estimado en la poblacin se site en el intervalo de conanza
obtenido. El nivel de conanza se denota por (1-), aunque habitualmente suele expresarse con un porcentaje ((1-
)100%). Es habitual tomar como nivel de conanza un 95% o un 99%, que se corresponden con valores de 0,05
y 0,01 respectivamente.
4.3.5 Valor
Tambin llamado nivel de signicacin. Es la probabilidad (en tanto por uno) de fallar en nuestra estimacin, esto
es, la diferencia entre la certeza (1) y el nivel de conanza (1-). Por ejemplo, en una estimacin con un nivel de
conanza del 95%, el valor es (100-95)/100 = 0,05
4.4. VASE TAMBIN 11
Intervalo de conanza.
Muestra estadstica.
Muestreo estadstico.
Tamao de la muestra.
4.5 Referencias
[1] Wackerly, Dennis D; Mendenhall, William; Scheaer, Richard L. (2002). 8. Estimacin. Estadstica matemtica con
aplicaciones (6 edicin). Cengage Learning Editores. p. 364. ISBN 9706861947.
[2] Caldern C., Bernardo A. Mtodos de estimacin. Estadstica Matemtica I. Universidad de Antioquia. Consultado el 21
de abril de 2009.
'Introduccin a la Estadstica Econmica y Empresarial. Teora y Prctica.' de Fco. Javier Martn-Pliego Lpez,
Editorial Thomson, 2007 (Madrid).
'Manual de Estadstica Empresarial con ejercicios resueltos de Eva Ropero, Mara Eleftheriou, Luana Gava y
Eva Romero. Editorial Delta Publicaciones. 2008 (Madrid).
Captulo 5
Estimador
En estadstica, un estimador es un estadstico (esto es, una funcin de la muestra) usado para estimar un parmetro
desconocido de la poblacin. Por ejemplo, si se desea conocer el precio medio de un artculo (el parmetro desco-
nocido) se recogern observaciones del precio de dicho artculo en diversos establecimientos (la muestra) y la media
aritmtica de las observaciones puede utilizarse como estimador del precio medio.
Para cada parmetro pueden existir varios estimadores diferentes. En general, escogeremos el estimador que posea
mejores propiedades que los restantes, como insesgadez, eciencia, convergencia y robustez (consistencia).
El valor de un estimador proporciona lo que se denomina en estadstica una estimacin puntual del valor del par-
metro en estudio. En general, se suele preferir realizar una estimacin mediante un intervalo, esto es, obtener un
intervalo [a,b] dentro del cual se espera est el valor real del parmetro con un cierto nivel de conanza. Utilizar un
intervalo resulta ms informativo, al proporcionar informacin sobre el posible error de estimacin, asociado con la
amplitud de dicho intervalo. El nivel de conanza es la probabilidad de que a priori el verdadero valor del parmetro
quede contenido en el intervalo.
En la prctica, los intervalos de estimadores con distribuciones simtricas suelen indicarse dando el valor del estimador
puntual utilizado como centro del intervalo y un valor que debe sumarse y restarse para obtener el lmite superior e
inferior; por ejemplo:
5.1.1 Sesgo
Se denomina sesgo de un estimador a la diferencia entre la esperanza (o valor esperado) del estimador y el verdadero
valor del parmetro a estimar. Es deseable que un estimador sea insesgado o centrado, es decir, que su sesgo sea
nulo por ser su esperanza igual al parmetro que se desea estimar.
Por ejemplo, si se desea estimar la media de una poblacin, la media aritmtica de la muestra es un estimador insesgado
de la misma, ya que su esperanza (valor esperado) es igual a la media de la poblacin.
En efecto, si una muestra X=(X1 ,X2 ,...,Xn)t procede de una poblacin de media , quiere decir que:
[ ]
= E 1 n Xi =
E[X] n i=1
n n
= n1 E [ i=1 Xi ] = n1 i=1 E [Xi ] =
n
= n1 i=1 = n1 n =
12
5.1. PROPIEDADES DE LOS ESTIMADORES 13
5.1.2 Eciencia
Diremos que un estimador es ms eciente o ms preciso que otro estimador, si la varianza del primero es menor que
la del segundo. Por ejemplo, si 1 y 2 son ambos estimadores de y
diremos que 1 es ms eciente que 2 . Un estimador es ms eciente (ms preciso), por tanto, cuanto menor es su
varianza.
La eciencia de los estimadores est limitada por las caractersticas de la distribucin de probabilidad de la muestra de
la que proceden. El teorema de Cramr-Rao determina que la varianza de un estimador insesgado de un parmetro
es, como mnimo,
( )
var b [ 1
2
]
E [
log f (X;)]
5.1.3 Consistencia
Si no es posible emplear estimadores de mnima varianza, el requisito mnimo deseable para un estimador es que a
medida que el tamao de la muestra crece, el valor del estimador tienda a ser el valor del parmetro, propiedad que se
denomina consistencia. Existen diversas deniciones de consistencia, ms o menos restrictivas, pero la ms utilizada
es la denominada consistencia en media cuadrtica que exige que:
cuando n
1. E[]
0 cuando n
2. V ar()
5.1.4 Robustez
El estimador ser un estimador robusto del parmetro si la violacin de los supuestos de partida en los que se basa
la estimacin (normalmente, atribuir a la poblacin un determinado tipo de funcin de distribucin que, en realidad,
no es la correcta), no altera de manera signicativa los resultados que ste proporciona.
5.1.5 Suciencia
Se dice que un estimador es suciente cuando resume toda la informacin relevante contenida en la muestra, de forma
que ningn otro estimador pueda proporcionar informacin adicional sobre el parmetro desconocido de la poblacin.
Por ejemplo, la media muestral sera un estimador suciente de la media poblacional, mientras que la moda no lo
sera.
5.1.6 Invarianza
Se dice que un estimador es invariante cuando el estimador de la funcin del parmetro coincide con la funcin del
estimador del parmetro, [f ()] = f ( ).
Ejemplo.- Si para estimar la varianza poblacional utilizamos la varianza muestral, entonces para estimar la desviacin
tpica poblacional ser razonable utilizar la desviacin tpica muestral.
14 CAPTULO 5. ESTIMADOR
En estadstica, el error cuadrtico medio (ECM) de un estimador mide el promedio de los errores al cuadrado, es
decir, la diferencia entre el estimador y lo que se estima. El ECM es una funcin de riesgo, correspondiente al valor
esperado de la prdida del error al cuadrado o prdida cuadrtica. La diferencia se produce debido a la aleatoriedad
o porque el estimador no tiene en cuenta la informacin que podra producir una estimacin ms precisa.[1]
El MSE es el segundo momento (sobre el origen) del error, y por lo tanto incorpora tanto la varianza del estimador as
como su sesgo. Para un estimador insesgado, el ECM es la varianza del estimador. Al igual que la varianza, el EMC
tiene las mismas unidades de medida que el cuadrado de la cantidad que se estima. En una analoga con la desviacin
estndar, tomando la raz cuadrada del EMC produce el error de la raz cuadrada de la media o la desviacin de la raz
cuadrada media (RMSE o RMSD), que tiene las mismas unidades que la cantidad que se estima; para un estimador
insesgado, el RMSE es la raz cuadrada de la varianza, conocida como la desviacin estndar.
Si Y es un vector de n predicciones y Y es el vector de los verdaderos valores, entonces el (estimado) ECM del
predictor es:
n
ECM = n1 i=1 (Yi Yi )2 .
Esta es una cantidad conocida, calculado dada una muestra particular (y por lo tanto es dependiente de la muestra).
El MSE de un estimador con respecto al parmetro desconocido se dene como
[ ]
= E ( )2 .
ECM()
Esta denicin depende del parmetro desconocido, y el MSE en este sentido es una propiedad de un estimador (de
un mtodo de obtencin de una estimacin).
El MSE es igual a la suma de la varianza y el cuadrado sesgo del estimador o de las predicciones. En el caso de la
MSE de un estimador, [2]
( )2
= Var()
ECM() + Bias(,
) .
As pues, el ECM evala la calidad de un estimador o conjunto de predicciones en cuanto a su variacin y el grado
de sesgo.
Desde MSE es una expectativa, no es tcnicamente una variable aleatoria, pero va a estar sujeto a error de estima-
cin cuando se calcula para un estimador particular de con valor verdadero desconocido. Por lo tanto, cualquier
estimacin de la MSE sobre la base de un parmetro estimado es de hecho una variable aleatoria.
15
16 CAPTULO 6. ERROR CUADRTICO MEDIO
6.2 Demostracin
[( )2 ]
E(( )2 ) = E
MSE() E()
+ E()
[( )2 ( ) ( )2 ]
= E E() + 2 ( E())(E() ) + E()
[( )2 ] [ ] [( )2 ]
= E E()
+ 2E ( E())(E() ) + E E()
=E()E(
)=0
[( )2 ] z }| { [( )2 ]
= E E()
+ 2(E() ) E( E()) +E E()
[( )2 ] [( )2 ]
= E E()
+ E E()
+ Bias(,
= Var() )2
6.3 Regresin
En el anlisis de regresin, el trmino de error cuadrtico medio se utiliza a veces para referirse a la estimacin
insesgada de la varianza del error: la suma residual de cuadrados, dividida por el nmero de grados de libertad. Esta
denicin para una cantidad calculada conocida, diere de la denicin anterior para el ECM calculado para un
predictor en que se utiliza un denominador diferente. El denominador es el tamao reducido de la muestra por el
nmero de parmetros del modelo estimado a partir de los mismos datos, (np) para p regresores o (np-1) si se utiliza
una intercepcin.[3] Para ms detalles, ver los errores y los residuos en las estadsticas. Tenga en cuenta que, aunque
el ECM no es un estimador insesgado de la varianza del error, es coherente, dada la consistencia del predictor.
Tambin en el anlisis de regresin, error cuadrtico medio, se reere a menudo al error medio de prediccin
cuadrado o fuera de la media muestral de error al cuadrado, puede referirse a la media de las desviaciones al
cuadrado de las predicciones de los verdaderos valores, a lo largo un espacio fuera de la muestra de ensayo, generado
por un modelo estimado durante un espacio de muestra particular. Esto tambin es una, cantidad calculada conocida,
y vara por muestra y por espacio de ensayo fuera de la muestra.
6.4 Ejemplos
6.4.1 Media
Supongamos que tenemos una muestra aleatoria de tamao n de una poblacin, X1 , . . . , Xn . Supongamos que las
unidades de muestra se eligieron con el reemplazo. Es decir, las n unidades se seleccionan uno a la vez, y las unidades
previamente seleccionadas siguen siendo elegibles para ser seleccionados para todo n empates. El estimador usual de
la media es el promedio de la muestra
1
n
X= Xi
n i=1
el cual tiene un valor esperado igual a la media real (por lo que es imparcial) y un error cuadrtico medio de
( )2
2
ECM(X) = E((X )2 ) = =
n n
6.4.2 Varianza
El estimador usual para la varianza es la corregida varianza de la muestra :
( )
1 ( )2
n n
1 2
2
Sn1 = Xi X = Xi2 nX .
n 1 i=1 n1 i=1
Esto es imparcial (su valor esperado es 2 ), Por lo tanto, tambin llamada la varianza de la muestra no sesgada, y su
ECM es [4]
( )
1 n3 4
2
ECM(Sn1 )= 4
n n1
( )
1 2n
= 2 + 4 ,
n n1
n1 2
Sa2 = Sn1
a
1 ( )2
n
= Xi X
a i=1
a continuacin, el MSE es
(( )2 )
n1 2
MSE(Sa2 ) =E Sn1 2
a
n1 2(n 1) 4
= [(n 1)2 + n2 + n] 4 + 4
na2 a
Esto se minimiza cuando
(n 1)2 + n2 + n n1
a= =n+1+ 2 .
n n
Para una distribucin gaussiana, donde 2 = 0 . Esto signica que el MSE se minimiza cuando dividiendo la suma por
a = n + 1 . El exceso de curtosis es mnimo 2 = 2 , [a] que se consigue mediante una distribucin de Bernoulli
con p = 1/2 (un tirn de la moneda), y el MSE se reduce al mnimo para a = n 1 + 2/n . As que no importa lo
que la curtosis, obtenemos una estimacin mejor (en el sentido de tener un MSE inferior) reduciendo el tamao de
la perito imparcial un poco; este es un ejemplo sencillo de un estimador de la contraccin : uno encoge el estimador
hacia cero (escalas por el estimador no sesgado).
Adems, mientras que la varianza muestral corregida es el mejor estimador insesgado (error cuadrtico medio mnimo
entre los estimadores no sesgados) de la varianza para distribuciones gaussianas, si la distribucin no es gaussiana
2
entonces incluso entre estimadores no sesgados, el mejor estimador insesgado de la varianza puede no ser Sn1 .
6.5 Referencias
[1] Lehmann, E. L.; Casella, George (1998). Theory of Point Estimation (2nd edicin). New York: Springer. ISBN 0-387-
98502-6. MR 1639875.
18 CAPTULO 6. ERROR CUADRTICO MEDIO
[2] Wackerly, Dennis; Scheaer, William (2008). Mathematical Statistics with Applications (7 edicin). Belmont, CA, USA:
Thomson Higher Education. ISBN 0-495-38508-5.
[3] Steel, R.G.D, and Torrie, J. H., Principles and Procedures of Statistics with Special Reference to the Biological Sciences.,
McGraw Hill, 1960, page 288.
[4] Mood, A.; Graybill, F.; Boes, D. (1974). Introduction to the Theory of Statistics (3rd edicin). McGraw-Hill. p. 229.
Captulo 7
Tamao de la muestra
En estadstica el tamao de la muestra es el nmero de sujetos que componen la muestra extrada de una poblacin,
necesarios para que los datos obtenidos sean representativos de la poblacin.
2. Detectar una determinada diferencia, si realmente existe, entre los grupos de estudio con un mnimo de garanta.
1. Si el nmero de sujetos es insuciente habra que modicar los criterios de seleccin, solicitar la colaboracin
de otros centros o ampliar el perodo de reclutamiento. Los estudios con tamaos muestrales insucientes, no
son capaces de detectar diferencias entre grupos, llegando a la conclusin errnea de que no existe tal diferencia.
2. Si el nmero de sujetos es excesivo, el estudio se encarece desde el punto de vista econmico y humano. Adems
es poco tico al someter a ms individuos a una intervencin que puede ser menos ecaz o incluso perjudicial.
k 2 N pq
e2 (N 1) + k 2 pq
19
20 CAPTULO 7. TAMAO DE LA MUESTRA
(Por tanto si pretendemos obtener un nivel de conanza del 95% necesitamos poner en la frmula k=1,96)
e: es el error muestral deseado, en tanto por uno. El error muestral es la diferencia que puede haber entre el resultado
que obtenemos preguntando a una muestra de la poblacin y el que obtendramos si preguntramos al total de ella.
Ejemplos:
Ejemplo 1: si los resultados de una encuesta dicen que 100 personas compraran un producto y tenemos
un error muestral del 5% comprarn entre 95 y 105 personas.
Ejemplo 2: si hacemos una encuesta de satisfaccin a los empleados con un error muestral del 3% y el
60% de los encuestados se muestran satisfechos signica que entre el 57% y el 63% (60% +/- 3%) del
total de los empleados de la empresa lo estarn.
Ejemplo 3: si los resultados de una encuesta electoral indicaran que un partido iba a obtener el 55% de
los votos y el error estimado fuera del 3%, se estima que el porcentaje real de votos estar en el intervalo
52-58% (55% +/- 3%).
p: proporcin de individuos que poseen en la poblacin la caracterstica de estudio. Este dato es generalmente des-
conocido y se suele suponer que p=q=0.5 que es la opcin ms segura.
q: proporcin de individuos que no poseen esa caracterstica, es decir, es 1-p.
n: tamao de la muestra (nmero de encuestas que vamos a hacer).
Altos niveles de conanza y bajo margen de error no signican que la encuesta sea de mayor conanza o est ms
libre de error necesariamente; antes es preciso minimizar la principal fuente de error que tiene lugar en la recogida
de datos.
Otra frmula para calcular el tamao de la muestra es:
n=(N^2 Z^2)/((N-1) e^2+^2 Z^2 )
Donde: n = el tamao de la muestra.
N = tamao de la poblacin.
= Desviacin estndar de la poblacin, que generalmente cuando no se tiene su valor, suele utilizarse un valor
constante de 0,5.
Z = Valor obtenido mediante niveles de conanza. Es un valor constante que, si no se tiene su valor, se lo toma en
relacin al 95% de conanza equivale a 1,96 (como ms usual) o en relacin al 99% de conanza equivale 2,58, valor
que queda a criterio del encuestador.
e = Lmite aceptable de error muestral que, generalmente cuando no se tiene su valor, suele utilizarse un valor que
vara entre el 1% (0,01) y 9% (0,09), valor que queda a criterio del encuestador.
La frmula anterior se obtiene de la frmula para calcular la estimacin del intervalo de conanza para la media:
X -Z /n ((N-n)/(N-1))X +Z /n ((N-n)/(N-1))
En donde el error es:
e=Z /n ((N-n)/(N-1))
Elevando al cuadrado el error se tiene: (e) ^2=(Z /n ((N-n)/(N-1)))^2 e^2=Z^2 ^2/n (N-n)/(N-1)
Multiplicando fracciones: e^2=( Z^2 ^2 (N-n))/n(N-1)
Eliminando denominadores: e^2 n(N-1)= Z^2 ^2 (N-n)
Eliminando parntesis: e^2 nN-e^2 n= Z^2 ^2 N- Z^2 ^2 n
Transponiendo n a la izquierda: e^2 nN-e^2 n+ Z^2 ^2 n= Z^2 ^2 N
Factor comn de n:
n(e^2 N-e^2+Z^2 ^2 )= Z^2 ^2 N
Despejando n:
n=( Z^2 ^2 N)/(e^2 N-e^2+Z^2 ^2 )
Ordenando se obtiene la frmula para calcular el tamao de la muestra:
7.1. OBJETIVOS DE LA DETERMINACIN DEL TAMAO ADECUADO DE UNA MUESTRA 21
La estimacin de parmetros consiste en el clculo aproximado del valor de un parmetro en la poblacin, utilizando
la inferencia estadstica, a partir de los valores observados en la muestra estudiada. Para el clculo del tamao de
la muestra en una estimacin de parmetros son necesarios los conceptos de Intervalo de conanza, variabilidad del
parmetro, error, nivel de conanza, valor crtico y valor (vase estimacin por intervalos).
Los datos que tenemos que incluir en la frmula para calcular el nmero de sujetos necesarios de la muestra (N) son:
1. Z/: valor de Z correspondiente al riesgo jado. El riesgo jado suele ser 0,05 y Z/ de 1,96.
3. i: Precisin con que se desea estimar el parmetro ( 2i es la amplitud del intervalo de conanza).
Los datos que tenemos que incluir en la frmula para calcular el nmero de sujetos necesarios en la muestra (N) son:
1. Z/: valor de Z correspondiente al riesgo jado. El riesgo jado suele ser 0,05 y Z/ de 1,96.
3. i : Precisin con que se desea estimar el parmetro ( 2i es la amplitud del intervalo de conanza).
Para conocer el tamao de la muestra en un estudio de investigacin en el que queremos conocer las diferencias
existentes entre dos hiptesis, debemos conocer previamente:
error tipo I y tipo II: Hay que establecer el riesgo de cometer un error de tipo I que se est dispuesto a aceptar.
Normalmente de forma arbitraria se acepta un riesgo del 5%. Adems hay que establecer el riesgo que se acepta
de cometer un error tipo II, que suele ser entre el 5 y el 20%.
Si la hiptesis es unilateral o bilateral: El planteamiento de una hiptesis bilateral o de dos colas requiere
mayor tamao muestral.
Denir la Magnitud de la diferencia efecto o asociacin que se desea detectar: A mayores diferencias prees-
tablecidas en el planteamiento de la hiptesis, menor tamao muestral, y a menor diferencia, mayor espacio
muestral.
Para calcular el nmero de sujetos necesarios en cada una de las muestras (n), debemos prejar:
Coeciente de correlacin
La asociacin entre dos variables cuantitativas necesita normalmente la utilizacin del coeciente de correlacin r de
Pearson.
7.2 Notas
[1] Tamao de una muestra para una investigacin de mercado Trabajo de dos profesoras de la Universidad Rafael Landvar.
7.3. TEXT AND IMAGE SOURCES, CONTRIBUTORS, AND LICENSES 23
7.3.2 Images
Archivo:Commons-emblem-issue.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/b/bc/Commons-emblem-issue.svg Li-
cencia: GPL Colaboradores: File:Gnome-emblem-important.svg Artista original: GNOME icon artists and User:ViperSnake151
Archivo:Commons-emblem-question_book_orange.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/1/1f/Commons-emblem-question_
book_orange.svg Licencia: CC BY-SA 3.0 Colaboradores: <a href='//commons.wikimedia.org/wiki/File:Commons-emblem-issue.svg'
class='image'><img alt='Commons-emblem-issue.svg' src='//upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.
svg/25px-Commons-emblem-issue.svg.png' width='25' height='25' srcset='//upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.
svg/38px-Commons-emblem-issue.svg.png 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.svg/
50px-Commons-emblem-issue.svg.png 2x' data-le-width='48' data-le-height='48' /></a> + <a href='//commons.wikimedia.org/wiki/
File:Question_book.svg' class='image'><img alt='Question book.svg' src='//upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_
book.svg/25px-Question_book.svg.png' width='25' height='20' srcset='//upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_
book.svg/38px-Question_book.svg.png 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_book.svg/50px-Question_
book.svg.png 2x' data-le-width='252' data-le-height='199' /></a> Artista original: GNOME icon artists, Jorge 2701
Archivo:Commons-emblem-question_book_yellow.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/d/dd/Commons-emblem-question_
book_yellow.svg Licencia: CC BY-SA 3.0 Colaboradores: <a href='//commons.wikimedia.org/wiki/File:Commons-emblem-query.svg'
class='image'><img alt='Commons-emblem-query.svg' src='//upload.wikimedia.org/wikipedia/commons/thumb/c/c5/Commons-emblem-query.
24 CAPTULO 7. TAMAO DE LA MUESTRA
1 Estadstica multivariante 1
1.1 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 Vector aleatorio 3
2.1 La distribucin de un vector aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3 Prueba t de Student 4
3.1 Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2 Usos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.3 Estadsticos T y Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.4 Pruebas t para dos muestras apareadas y desapareadas . . . . . . . . . . . . . . . . . . . . . . . . 5
3.4.1 Desapareada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.4.2 Apareada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.5 Clculos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.5.1 Prueba t para muestra nica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.5.2 Pendiente de una regresin lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.5.3 Prueba t para dos muestras independientes . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.5.4 Prueba t dependiente para muestras apareadas . . . . . . . . . . . . . . . . . . . . . . . . 8
3.6 Ejemplos desarrollados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.6.1 Varianzas desiguales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.6.2 Varianzas iguales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.7 Alternativas a la prueba t para problemas de locacin . . . . . . . . . . . . . . . . . . . . . . . . 9
3.8 Pruebas multivariadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.8.1 Prueba T 2 monomuestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2
3.8.2 Prueba T bimuestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.9 Implementaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.10 Lecturas adicionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.11 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.12 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.12.1 Calculadores en lnea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
i
ii NDICE GENERAL
6 Anlisis multivariante 23
6.1 Tcnicas Multivariantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6.2 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
6.3 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
8 Anlisis de correspondencias 26
8.1 Implementaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
8.2 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
10 Anlisis discriminante 31
10.1 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
10.2 Text and image sources, contributors, and licenses . . . . . . . . . . . . . . . . . . . . . . . . . . 32
10.2.1 Text . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
10.2.2 Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
10.2.3 Content license . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Captulo 1
Estadstica multivariante
Un vector aleatorio es un vector formado por una o ms variables aleatorias escalares. La estadstica multivariante se
ocupa de los vectores aleatorios que tienen aplicaciones en muchas ciencias y tcnicas. Podemos destacar entre ellas
la econometra y la taxonoma. Un modelo explicativo para una variable aleatoria se basa en explicar esta recurriendo
a otras. Los vectores aleatorios nos sirven para construir este tipo de modelos. Incluso en fsica, donde parece que los
modelos determinan claramente el valor de las variables, estas padecen errores producidos por variables no incluidos
en el modelo o procesos puramente aleatorios, lo que hace necesario recurrir a modelos estadsticos para estimar sus
parmetros.
Los mtodos estadsticos multivariantes y el anlisis multivariante son herramientas estadsticas que estudian el
comportamiento de tres o ms variables al mismo tiempo. Se usan principalmente para buscar las variables menos
representativas para poder eliminarlas, simplicando as modelos estadsticos en los que el nmero de variables sea
un problema y para comprender la relacin entre varios grupos de variables. Algunos de los mtodos ms conocidos
y utilizados son la Regresin lineal y el Anlisis discriminante.
Se pueden sintetizar dos objetivos claros:
1. Proporcionar mtodos cuya nalidad es el estudio conjunto de datos multivariantes que el anlisis estadstico
uni y bidimensional es incapaz de conseguir.
2. Ayudar al analista o investigador a tomar decisiones ptimas en el contexto en el que se encuentre teniendo en
cuenta la informacin disponible por el conjunto de datos analizado.
1. Mtodos de Dependencia:
(a) Un estudio de la regresin nos permite averiguar hasta que punto una variable puede ser prevista co-
nociendo otra. Se utiliza para intentar predecir el comportamiento de ciertas variables a partir de otras,
como por ejemplo los benecios de una pelcula a partir del gasto en mrketing y del gasto en produccin.
(b) El anlisis de la correlacin cannica intenta analizar la posible existencia de relacin entre dos grupos
de variables.
(c) Un anlisis discriminante nos puede dar una funcin discriminante que puede ser utilizada para distinguir
entre dos o ms grupos, y de este modo tomar decisiones.
(d) Un anlisis multivariante de la varianza (MANOVA), extendiendo el anlisis de la varianza (ANOVA),
cubre los casos en los que se conozca la existencia de ms de una variable dependiente sin poderse sim-
plicar ms el modelo.
(e) La regresin logstica permite la elaboracin de un anlisis de regresin para estimar y probar la inuencia
de una variable sobre otra, cuando la variable dependiente o de respuesta es de tipo dicotmico.
2. Mtodos de Interdependencia:
(a) El anlisis de los componentes principales procura determinar un sistema ms pequeo de variables que
sinteticen el sistema original.
1
2 CAPTULO 1. ESTADSTICA MULTIVARIANTE
(b) El anlisis clster clasica una muestra de entidades (individuos o variables) en un nmero pequeo de
grupos de forma que las observaciones pertenecientes a un grupo sean muy similares entre s y muy
disimilares del resto. A diferencia del Anlisis discriminante se desconoce el nmero y la composicin
de dichos grupos.
(c) La Iconografa de las correlaciones.
3. Mtodos Estructurales:
1.3 Bibliografa
Abraira Santos, Vctor. Mtodos Multivariantes en bioestadstica.
Captulo 2
Vector aleatorio
Un vector aleatorio es un vector formado por una o ms variables aleatorias escalares. Por variable aleatoria escalar
nos referimos a una variable que toma valores en un cuerpo. Normalmente, este cuerpo es el de los nmeros reales o
el de los nmeros complejos.
3
Captulo 3
Prueba t de Student
En estadstica, una prueba t de Student, prueba t-Student, o Test-T es cualquier prueba en la que el estadstico
utilizado tiene una distribucin t de Student si la hiptesis nula es cierta. Se aplica cuando la poblacin estudiada
sigue una distribucin normal pero el tamao muestral es demasiado pequeo como para que el estadstico en el que
est basada la inferencia est normalmente distribuido, utilizndose una estimacin de la desviacin tpica en lugar
del valor real. Es utilizado en anlisis discriminante.
3.1 Historia
El estadstico t fue introducido por William Sealy Gosset en 1908, un qumico que trabajaba para la cervecera
Guinness de Dubln. Student era su seudnimo de escritor.[1][2][3] Gosset haba sido contratado gracias a la poltica
de Claude Guiness de reclutar a los mejores graduados de Oxford y Cambridge, y con el objetivo de aplicar los nuevos
avances en bioqumica y estadstica al proceso industrial de Guiness.[2] Gosset desarroll el test t como una forma
sencilla de monitorizar la calidad de la famosa cerveza stout. Public su test en la revista inglesa Biometrika en el ao
1908, pero fue forzado a utilizar un seudnimo por su empleador, para mantener en secreto los procesos industriales
que se estaban utilizando en la produccin. Aunque de hecho, la identidad de Gosset era conocida por varios de sus
compaeros estadsticos.[4]
3.2 Usos
Entre los usos ms frecuentes de las pruebas t se encuentran:
El test de locacin de muestra nica por el cual se comprueba si la media de una poblacin distribuida nor-
malmente tiene un valor especicado en una hiptesis nula.
El test de locacin para dos muestras, por el cual se comprueba si las medias de dos poblaciones distribuidas
en forma normal son iguales. Todos estos test son usualmente llamados test t de Student, a pesar de que es-
trictamente hablando, tal nombre slo debera ser utilizado si las varianzas de las dos poblaciones estudiadas
pueden ser asumidas como iguales; la forma de los ensayos que se utilizan cuando esta asuncin se deja de lado
suelen ser llamados a veces como Prueba t de Welch. Estas pruebas suelen ser comnmente nombradas como
pruebas t desapareadas o de muestras independientes, debido a que tienen su aplicacin ms tpica cuando las
unidades estadsticas que denen a ambas muestras que estn siendo comparadas no se superponen.[5]
El test de hiptesis nula por el cual se demuestra que la diferencia entre dos respuestas medidas en las mismas
unidades estadsticas es cero. Por ejemplo, supngase que se mide el tamao del tumor de un paciente con
cncer. Si el tratamiento resulta efectivo, lo esperable seria que el tumor de muchos pacientes disminuyera de
tamao luego de seguir el tratamiento. Esto con frecuencia es referido como prueba t de mediciones apareadas
o repetidas.[5][6]
El test para comprobar si la pendiente de una regresin lineal diere estadsticamente de cero.
4
3.3. ESTADSTICOS T Y Z 5
3.3 Estadsticos T y Z
La mayor parte de las pruebas estadsticas t tienen la forma T = Zs , donde Z y s son funciones de los datos estudiados.
Tpicamente, Z se disea de forma tal que resulte sensible a la hiptesis alternativa (p.ej. que su magnitud tienda a
ser mayor cuando la hiptesis alternativa es verdadera), mientras que s es un parmetro de escala que permite que la
distribucin de T pueda ser determinada.
es la media muestral de los datos, n es el tamao
Por ejemplo, en una prueba t de muestra nica, Z = X , donde X
n
muestral, y es la desviacin estndar de la poblacin de datos; s en una prueba de muestra nica es
/ , donde
es la desviacin estndar muestral.
Las asunciones subyacentes en una prueba t son:
En una prueba t especca, estas condiciones son consecuencias de la poblacin que est siendo estudiada, y de la
forma en que los datos han sido muestreados. Por ejemplo, en la prueba t de comparacin de medias de dos muestras
independientes, deberamos realizar las siguientes asunciones:
Cada una de las dos poblaciones que estn siendo comparadas sigue una distribucin normal. Esto puede
ser demostrado utilizando una prueba de normalidad, tales como una prueba Shapiro-Wilk o Kolmogrov-
Smirnov, o puede ser determinado grcamente por medio de un grco de cuantiles normales Q-Q plot.
Si se est utilizando la denicin original de Student sobre su prueba t, las dos poblaciones a ser comparadas
deben poseer las mismas varianzas, (esto se puede comprobar utilizando una prueba F de igualdad de varianzas,
una prueba de Levene, una prueba de Bartlett, o una prueba de Brown-Forsythe, o estimarla grcamente por
medio de un grco Q-Q plot). Si los tamaos muestrales de los dos grupos comparados son iguales, la prueba
original de Student es altamente resistente a la presencia de varianzas desiguales.[7] la Prueba de Welch es
insensible a la igualdad de las varianzas, independientemente de si los tamaos de muestra son similares.
Los datos usados para llevar a cabo la prueba deben ser muestreados independientemente para cada una de
las dos poblaciones que se comparan. Esto en general no es posible determinarlo a partir de los datos, pero si
se conoce que los datos han sido muestreados de manera dependiente (por ejemplo si fueron muestreados por
grupos), entonces la prueba t clsica que aqu se analiza, puede conducir a resultados errneos.
3.4.1 Desapareada
Las pruebas t desapareadas o de muestras independientes, se utilizan cuando se obtienen dos grupos de muestras
aleatorias, independientes e idnticamente distribuidas a partir de las dos poblaciones a ser comparadas. Por ejemplo,
supngase que estamos evaluando el efecto de un tratamiento mdico, y reclutamos a 100 sujetos para el estudio.
Luego elegimos aleatoriamente 50 sujetos para el grupo en tratamiento y 50 sujetos para el grupo de control. En este
caso, obtenemos dos muestras independientes y podramos utilizar la forma desapareada de la prueba t. La eleccin
aleatoria no es esencial en este caso, si contactamos a 100 personas por telfono y obtenemos la edad y gnero de
cada una, y luego se utiliza una prueba t bimuestral para ver en que forma la media de edades diere por gnero, esto
tambin sera una prueba t de muestras independientes, a pesar de que los datos son observacionales.
6 CAPTULO 3. PRUEBA T DE STUDENT
3.4.2 Apareada
Las pruebas t de muestras dependientes o apareadas, consisten tpicamente en una muestra de pares de valores con
similares unidades estadsticas, o un grupo de unidades que han sido evaluadas en dos ocasiones diferentes (una
prueba t de mediciones repetitivas). Un ejemplo tpico de prueba t para mediciones repetitivas sera por ejemplo que
los sujetos sean evaluados antes y despus de un tratamiento.
Una prueba 't basada en la coincidencia de pares muestrales se obtiene de una muestra desapareada que luego es utili-
zada para formar una muestra apareada, utilizando para ello variables adicionales que fueron medidas conjuntamente
con la variable de inters.[8]
La valoracin de la coincidencia se lleva a cabo mediante la identicacin de pares de valores que consisten en
una observacin de cada una de las dos muestras, donde las observaciones del par son similares en trminos de otras
variables medidas. Este enfoque se utiliza a menudo en los estudios observacionales para reducir o eliminar los efectos
de los factores de confusin.
3.5 Clculos
Las expresiones explcitas que pueden ser utilizadas para obtener varias pruebas t se dan a continuacin. En cada
caso, se muestra la frmula para una prueba estadstica que o bien siga exactamente o aproxime a una distribucin t
de Student bajo la hiptesis nula. Adems, se dan los apropiados grados de libertad en cada caso. Cada una de estas
estadsticas se pueden utilizar para llevar a cabo ya sea un prueba de una cola o prueba de dos colas.
Una vez que se ha determinado un valor t, es posible encontrar un valor p asociado utilizando para ello una tabla
de valores de distribucin t de Student. Si el valor p calulado es menor al lmite elegido por signicancia estadstica
(usualmente a niveles de signicancia 0,10; 0,05 o 0,01), entonces la hiptesis nula se rechaza en favor de la hiptesis
alternativa.
donde x es la media muestral, s es la desviacin estndar muestral y n es el tamao de la muestra. Los grados de
libertad utilizados en esta prueba se corresponden al valor n 1.
donde xi, i = 1, ..., n son conocidos, y son desconocidos, y i es el error aleatorio en los residuales que se
encuentra normalmente distribuido, con un valor esperado 0 y una varianza desconocida 2 , e Yi, i = 1, ..., n son las
observaciones.
Se desea probar la hiptesis nula de que la pendiente es igual a algn valor especicado 0 (a menudo toma el valor
0, en cuyo caso la hiptesis es que x e y no estn relacionados).
sea
b, b = mnimos cuadrados de estimadores,
SEb , SEb = mnimos cuadrados de estimadores los de estndar error.
Luego
b 0
tvalor = SEb
3.5. CLCULOS 7
tiene una distribucin t con n 2 grados de libertad si la hiptesis nula es verdadera. El error estndar de la pendiente:
1 n
(Y by )2
SEb = n2 n i=1 i 2i
i=1 (xi x)
los dos tamaos muestrales (esto es, el nmero, n, de participantes en cada grupo) son iguales;
se puede asumir que las dos distribuciones poseen la misma varianza.
Donde
1 2 2 )
SX1 X2 = 2 (SX1 + SX2
Aqu SX1 X2 es la desviacin estndar combinada, 1 = grupo uno, 2 = grupo 2. El denominador de t es el error estndar
de la diferencia entre las dos medias.
Por prueba de signicancia, los grados de libertad de esta prueba se obtienen como 2n 2 donde n es el nmero de
participantes en cada grupo.
Esta prueba se puede utilizar nicamente si se puede asumir que las dos distribuciones poseen la misma varianza.
(Cuando este presupuesto se viola, mirar ms abajo). El estadstico t si las medias son diferentes puede ser calculado
como sigue:
1 X
X
t= 2
SX1 X2 n1 + n1
1 2
Donde
(n1 1)SX
2 +(n 1)S 2
2 X2
SX1 X2 = 1
n1 +n2 2 .
Ntese que las frmulas de arriba, son generalizaciones del caso que se da cuando ambas muestras poseen igual
tamao (sustituyendo n por n1 y n2 ).
SX1 X2 es un estimador de la desviacin estndar comn de ambas muestras: esto se dene as para que su cuadrado sea
un estimador sin sesgo de la varianza comn sea o no la media iguales. En esta frmula, n = nmero de participantes,
8 CAPTULO 3. PRUEBA T DE STUDENT
1 = grupo uno, 2 = grupo dos. n 1 es el nmero de grados de libertad para cada grupo, y el tamao muestral total
menos dos (esto es, n1 + n2 2) es el nmero de grados de libertad utilizados para la prueba de signicancia.
Esta prueba es tambin conocida como prueba t de Welch y es utilizada nicamente cuando se puede asumir que las
dos varianzas poblacionales son diferentes (los tamaos muestrales pueden o no ser iguales) y por lo tanto deben ser
estimadas por separado. El estadstico t a probar cuando las medias poblacionales son distintas puede ser calculado
como sigue:
X 1 X 2
t= sX X
1 2
donde
s21 s22
sX 1 X 2 = n1 + n2 .
Aqu s2 es el estimador sin sesgo de la varianza de las dos muestras, n = nmero de participantes, 1 = grupo uno,
2 = grupo dos. Ntese que en este caso, sX 1 X 2 2 no es la varianza combinada. Para su utilizacin en pruebas de
signicancia, la distribucin de este estadstico es aproximadamente igual a una distribucin t ordinaria con los grados
de libertad calculados segn:
(s21 /n1 +s22 /n2 )2
g.l. = (s21 /n1 )2 /(n1 1)+(s22 /n2 )2 /(n2 1)
.
Esta ecuacin es llamada la ecuacin WelchSatterthwaite. Ntese que la verdadera distribucin de este estadstico
de hecho depende (ligeramente) de dos varianzas desconocidas.
Esta prueba se utiliza cuando las muestras son dependientes; esto es, cuando se trata de una nica muestra que ha
sido evaluada dos veces (muestras repetidas) o cuando las dos muestras han sido emparejadas o apareadas. Este es un
ejemplo de un test de diferencia apareada.
X D
0.
t= sD / n
Para esta ecuacin, la diferencia entre todos los pares tiene que ser calculada. Los pares se han formado ya sea
con resultados de una persona antes y despus de la evaluacin o entre pares de personas emparejadas en grupos
de signicancia (por ejemplo, tomados de la misma familia o grupo de edad: vase la tabla). La media (XD) y la
desviacin estndar (sD) de tales diferencias se han utilizado en la ecuacin. La constante 0 es diferente de cero si
se desea probar si la media de las diferencias es signicativamente diferente de 0 . Los grados de libertad utilizados
son n 1.
Estos podran ser, por ejemplo, los pesos de tornillos elegidos de un montn.
Vamos a llevar a cabo la prueba de hiptesis contando como hiptesis nula de que la media de las poblaciones de las
cuales hemos tomado las muestras son iguales.
3.7. ALTERNATIVAS A LA PRUEBA T PARA PROBLEMAS DE LOCACIN 9
La diferencia entre las dos medias de muestras, cada uno denotado por X i , la cual aparece en el numerador en todos
los enfoques de dos muestras discutidas anteriormente, es
X 1 X 2 = 0, 095.
La desviaciones estndar muestrales para las dos muestras son aproximadamente 0,05 y 0,11 respectivamente. Para
muestras tan pequeas, una prueba de igualdad entre las varianzas de las dos poblaciones no es muy poderoso. Pero
ya que los tamaos muestrales son iguales, las dos formas de las dos pruebas t se pueden desarrollar en forma similar
en este ejemplo.
Si se decide continuar con el enfoque para varianzas desiguales (discutido anteriormente), los resultados son
2
s1 s22
n1 + n2 0, 0485
y
gl 7, 03
El resultado de la prueba estadstica es aproximadamente 1,959. El valor p para la prueba de dos colas da un valor
aproximado de 0,091 y el valor p para la prueba de una cola es aproximadamente 0,045.
Si se sigue el enfoque para varianzas iguales (discutido anteriormente), los resultados son
SX1 X2 0, 084
y
gl = 10
Ya que el tamao de las muestras es igual (ambas tienen 6 elementos), el resultado de la prueba estadstica es nue-
vamente un valor que se aproxima a 1.959. Debido a que los grados de libertad son diferentes de la prueba para
varianzas desiguales, los valores P dieren ligeramente de los obtenidos un poco ms arriba. Aqu el valor p para la
prueba de dos colas es aproximadamente 0,078, y el valor p para una cola es aproximadamente 0,039. As, si hubiera
una buena razn para creer que las varianzas poblacionales son iguales, los resultados seran algo ms sugerentes de
una diferencia en los pesos medios de las dos poblaciones de tornillos.
prueba estadstica. Si los datos son substancialmente no normales, y el tamao muestral es pequeo, la prueba t puede
entregar resultados equivocados.
Cuando la asuncin de normalidad no se sostiene, una alternativa no paramtrica a la prueba t puede ofrecer un mejor
poder estadstico. Por ejemplo, para dos muestras independientes cuando la distribucin de datos es asimtrica (esto
es, que la distribucin est sesgada) o la distribucin tiene colas muy grandes, entonces el test de suma de posiciones
(ranks) de Wilcoxon (conocido tambin como prueba U de Mann-Whitney) puede tener de tres a cuatro veces mayor
poder estadstico que una prueba t.[9][10][11]
La contraparte no paramtrica a la prueba t de muestras apareadas es la prueba Wilcoxon de suma de posiciones
con signo para muestras pareadas. Para una discusin sobre cuando hacer una eleccin entre las alternativas t y no
paramtricos, consulte a Sawilowsky.[12]
El anlisis de varianza one-way generaliza la prueba t de dos muestras para casos donde los datos pertenecen a ms
que dos grupos.
Para una prueba multivariable de nica muestra, la hiptesis es que el vector medio ( ) es igual a un vector ( 0 )
dado. La prueba estadstica se dene como:
T 2 = n(x 0 ) S1 (x 0 )
Donde n es el tamao muestral, x es el vector de columnas medio y S una matriz de covarianza muestral m m .
Para un test multivariable de dos muestras, la hiptesis es que los vectores medios ( 1 , 2 ) de las dos muestras son
iguales. La prueba estadstica se dene como:
T2 = n1 n2
n1 +n2 (x1 x2 ) Spooled 1 (x1 x2 ).
3.9 Implementaciones
La mayora de los programas tipo hoja de clculo y paquetes estadsticos de lenguajes de programacin, tales como
QtiPlot, OpenOce.org Calc, LibreOce Calc, Microsoft Excel, SAS, SPSS, Stata, DAP, gretl, R, Python (), PSPP,
Infostat y Minitab, incluyen implementaciones del test t de Student.
Edgell, Stephen E., & Noon, Sheila M (1984). Eect of violation of normality on the t test of the correlation
coecient. Psychological Bulletin 95 (3): 576583. doi:10.1037/0033-2909.95.3.576.
3.11 Referencias
[1] Richard Mankiewicz, The Story of Mathematics (Princeton University Press), p.158.
[2] O'Connor, John J.; Robertson, Edmund F., Biografa de Prueba t de Student (en ingls), MacTutor History of Mathematics
archive, Universidad de Saint Andrews, http://www-history.mcs.st-andrews.ac.uk/Biographies/Gosset.html.
[3] Fisher Box, Joan (1987). Guinness, Gosset, Fisher, and Small Samples. Statistical Science 2 (1): 4552. doi:10.1214/ss/1177013437.
JSTOR 2245613.
[4] Raju TN (2005). William Sealy Gosset and William A. Silverman: two students of science. Pediatrics 116 (3): 7325.
doi:10.1542/peds.2005-1134. PMID 16140715.
[5] Fadem, Barbara (2008). High-Yield Behavioral Science (High-Yield Series). Hagerstwon, MD: Lippincott Williams & Wil-
kins. ISBN 0-7817-8258-9.
[6] Zimmerman, Donald W. (1997). A Note on Interpretation of the Paired-Samples t Test. Journal of Educational and
Behavioral Statistics 22 (3): 349360. JSTOR 1165289.
[7] Markowski, Carol A; Markowski, Edward P. (1990). Conditions for the Eectiveness of a Preliminary Test of Variance.
The American Statistician 44 (4): 322326. doi:10.2307/2684360. JSTOR 2684360.
[8] David, HA; Gunnink, Jason L (1997). The Paired t Test Under Articial Pairing. The American Statistician 51 (1): 912.
doi:10.2307/2684684. JSTOR 2684684.
[9] Sawilowsky S., Blair R. C. (1992). A more realistic look at the robustness and type II error properties of the t test to
departures from population normality. Psychological Bulletin 111 (2): 353360. doi:10.1037/0033-2909.111.2.352.
[10] Blair, R. C.; Higgins, J.J. (1980). A comparison of the power of Wilcoxons rank-sum statistic to that of Students t statistic
under various nonnormal distributions.. Journal of Educational Statistics 5 (4): 309334. doi:10.2307/1164905. JSTOR
1164905.
[11] Fay, MP; Proschan, MA (2010). Wilcoxon-Mann-Whitney or t-test? On assumptions for hypothesis tests and multiple
interpretations of decision rules. Statistics Surveys 4: 139. doi:10.1214/09-SS051. PMC 2857732. PMID 20414472.
[12] Sawilowsky S (2005). Misconceptions leading to choosing the t test over the Wilcoxon Mann-Whitney U test for shift in
location parameter. Journal of Modern Applied Statistical Methods 4 (2): 598600.
O'Mahony, Michael (1986). Sensory Evaluation of Food: Statistical Methods and Procedures. CRC Press. p.
487. ISBN 0-824-77337-3.
Press, William H.; Saul A. Teukolsky, William T. Vetterling, Brian P. Flannery (1992). Numerical Recipes in
C: The Art of Scientic Computing. Cambridge University Press. pp. p. 616. ISBN 0-521-43108-5.
En probabilidad y estadstica, una distribucin normal multivariante, tambin llamada distribucin gaussiana
multivariante, es una generalizacin de la distribucin normal unidimensional a dimensiones superiores.
( )
1
X (u; , ) = exp i u u u .
2
Si es una matriz no singular, entonces la distribucin puede describirse por la siguiente funcin de densidad:
( )
fX (x1 , . . . , xn ) = (2)n/21 ||1/2 exp 21 (x ) 1 (x )
X N (, ),
X NN (, ).
12
4.2. CASO BIVARIANTE 13
4.1.2 Un contraejemplo
El hecho de que dos variables aleatorias X e Y sigan una distribucin normal, cada una, no implica que el par (X, Y)
siga una distribucin normal conjunta. Un ejemplo simple se da con X Normal(0,1), Y = X si |X| > 1 e Y = X si |X|
< 1. Esto tambin es cierto para ms de dos variables aleatorias.[2]
( ( 2 ))
1 1 x y2 2xy
f (x, y) = exp +
2x y 1 2 2(1 2 ) x2 y2 (x y )
donde es el coeciente de correlacion entre X e Y . En este caso,
[ ]
x2 x y
= .
x y y2
1 0 0 0 0 ... 0
B = 0 1 0 0 0 ... 0
0 0 0 1 0 ... 0
lo que extrae directamente los elementos deseados.
Otro corolario sera que la distribucin de Z = b X , donde b es un vector de la misma longitud
( que )X y el
punto indica un producto vectorial, sera una distribucin gaussiana unidimensional con Z N b , bT b . Este
resultado se obtiene usando
b1 b2 ... bn
0 0 ... 0
B=. .. .. ..
.. . . .
0 0 ... 0
14 CAPTULO 4. DISTRIBUCIN NORMAL MULTIVARIANTE
y considerando slo la primera componente del producto (la primera la de B es el vector b ). Obsrvese cmo la
denicin positiva de implica que la varianza del producto vectorial debera ser positiva.
Adems, U puede elegirse de tal modo que sea una matriz de rotacin, tal que invirtiendo un eje no tenga ningn
efecto en N (0, ) , pero invirtiendo una columna, cambie el signo del determinante de U'. La distribucin N (, )
es en efecto N (0, I) escalada por 1/2 , rotada por U y trasladada por .
Recprocamente, cualquier eleccin de , matriz de rango completo U, y valores diagonales positivos i cede el paso
a una distribucin normal no singular multivariante. Si cualquier i es cero y U es cuadrada, la matriz de covarianza
U U T es una singular. Geomtricamente esto signica que cada curva elipsoide es innitamente delgada y tiene
volumen cero en un espacio n-dimensional, as como, al menos, uno de los principales ejes tiene longitud cero.
N
1,...,N (X) = r1 ,...,rN (X) = E Xj j
def def r
j=1
donde r1 + r2 + + rN = k.
Los momentos centrales de orden k viene dados como sigue:
(a) Si k es impar, 1,...,N (X ) = 0 .
(b) Si k es par, con k = 2 , entonces
1,...,2 (X ) = (ij k XZ )
4.7. DISTRIBUCIONES CONDICIONALES 15
donde la suma se toma sobre todas las disposiciones de conjuntos {1, . . . , 2} en parejas (no ordenadas). Esto es,
si se tiene un k-simo ( = 2 = 6 ) momento central, se estarn sumando los productos de = 3 covarianzas (la
notacin - se ha despreciado para facilitar la lectura):
E[X1 X2 X3 X4 X5 X6 ]
= E[X1 X2 ]E[X3 X4 ]E[X5 X6 ] + E[X1 X2 ]E[X3 X5 ]E[X4 X6 ] + E[X1 X2 ]E[X3 X6 ]E[X4 X5 ]
+ E[X1 X3 ]E[X2 X4 ]E[X5 X6 ] + E[X1 X3 ]E[X2 X5 ]E[X4 X6 ] + E[X1 X3 ]E[X2 X6 ]E[X4 X5 ]
+ E[X1 X4 ]E[X2 X3 ]E[X5 X6 ] + E[X1 X4 ]E[X2 X5 ]E[X3 X6 ] + E[X1 X4 ]E[X2 X6 ]E[X3 X5 ]
+ E[X1 X5 ]E[X2 X3 ]E[X4 X6 ] + E[X1 X5 ]E[X2 X4 ]E[X3 X6 ] + E[X1 X5 ]E[X2 X6 ]E[X3 X4 ]
+ E[X1 X6 ]E[X2 X3 ]E[X4 X5 ] + E[X1 X6 ]E[X2 X4 ]E[X3 X5 ] + E[X1 X6 ]E[X2 X5 ]E[X3 X4 ].
Esto da lugar a (21)!/(21 (1)!) trminos en la suma (15 en el caso de arriba), cada uno siendo el producto de
(3 en este caso) covarianzas. Para momentos de cuarto orden (cuatro variables) hay tres trminos. Para momentos
de sexto orden hay 3 5 = 15 trminos, y para momentos de octavo orden hay 3 5 7 = 105 trminos.
Las covarianzas son entonces determinadas mediante el reemplazo de los trminos de la lista [1, . . . , 2] por los
trminos correspondientes de la lista que consiste en r1 unos, entonces r2 doses, etc... Para ilustrar esto, examnese
el siguiente caso de momento central de cuarto orden:
[ ]
E Xi4 = 3ii2
[ ]
E Xi3 Xj = 3ii ij
[ ] 2
E Xi2 Xj2 = ii jj + 2 (ij )
[ ]
E Xi2 Xj Xk = ii jk + 2ij ik
E [Xi Xj Xk Xn ] = ij kn + ik jn + in jk .
donde ij es la covarianza de Xi y Xj . La idea del mtodo de arriba es que primero se encuentra el caso general para
el momento k -simo, donde se [ tiene k diferentes
] variables X - E [Xi Xj Xk Xn ] y entonces se pueden simplicar
apropiadamente. Si se tiene E Xi2 Xk Xn entonces, simplemente sea Xi = Xj y se sigue que ii = i2 .
= 1 + 12 1
22 (a 2 )
y matriz de covarianza
= 11 12 1
22 21 .
Esta matriz es el complemento de Schur de 22 en . Esto signica que para calcular la matriz condicional de
covarianza, se invierte la matriz global de covarianza, se desprecian las las y columnas correspondientes a las variables
bajo las cuales est condicionada y entonces se invierte de nuevo para conseguir la matriz condicional de covarianza.
16 CAPTULO 4. DISTRIBUCIN NORMAL MULTIVARIANTE
Ntese que se sabe que x2 = a altera la varianza, aunque la nueva varianza no dependa del valor especco de a ;
quizs ms sorprendentemente, la media se cambia por 12 1 22 (a 2 ) ; comprese esto con la situacin en la que
no se conoce el valor de a , en cuyo caso x1 tendra como distribucin
Nq (1 , 11 ) .
La matriz 12 1
22 se conoce como la matriz de coecientes de regresin.
En el caso
( ) (( ) ( ))
X1 0 1
N ,
X2 0 1
entonces
(z)
E(X1 |X2 > z) = (z)
donde esta ltima razn se llama a menudo razn inversa de Mills.
( )
1 1 1
Im,n = + tr 1
m n 2 m n
donde
[ ]
m = 1
m
2
m N
m
1
m
2
m
( )
.
m
= = .
.
m
N
m
( ( ) )
1 det 1 ( ) 1
DKL (N 0N 1) = loge + tr 1
1 0 + (1 0 ) 1 (1 0 ) N .
2 det 0
El logaritmo debe tomarse con base e en los dos trminos (logaritmos neperianos), siguiendo el logaritmo estn los
logaritmos neperianos de las expresiones que son ambos factores de la funcin de densidad o si no, surgen natu-
ralmente. La divergencia de arriba se mide en nats. Dividiendo la expresin de arriba por loge 2 se da paso a la
divergencia en bits.
( )
N /2 1/2 1
f (x) = (2) det() exp (x )T 1 (x )
2
y el estimador MV de la matriz de covarianza para una muestra de n observaciones es
n
b= 1
(Xi X)(Xi X)T
n i=1
lo cual es, simplemente, la matriz muestral de covarianza. Este es un estimador sesgado cuya esperanza es
b = n1
E[] .
n
Una covarianza muestral insesgada es
1
n
b=
(Xi X)(Xi X)T .
n 1 i=1
4.11 Entropa
La entropa diferencial de la distribucin normal multivariante es[4]
h (f ) = f (x) ln f (x) dx
1
= (N + N ln (2) + ln ||)
2
1
= ln{(2e)N ||}
2
donde || es el determinante de la matriz de covarianza .
1. Se calcula la descomposicin de Cholesky de , esto es, se encuentra la nica matriz triangular inferior A
tal que A AT = . Ntese que cualquier otra matriz A que satisfaga esta condicin, o sea, que es uno la
raz cuadrada de , podra usarse, pero a menudo encontrar tal matriz, distinta de la de la descomposicin de
Cholesky, sera bastante ms costoso en trminos de computacin.
2. Sea Z = (z1 , . . . , zN )T un vector cuyas componentes N normales e independientes varan (lo cual puede
generarse, por ejemplo, usando el mtodo de Box-Muller.
3. Sea X = + AZ .
4.14 Referencias
[1] Vase MVNDST en (incluye cdigo FORTRAN) o (incluye cdigo MATLAB).
[4] Gokhale, DV; NA Ahmed, BC Res, NJ Piscataway (May de 1989). Entropy Expressions and Their Estimators for Mul-
tivariate Distributions. Information Theory, IEEE Transactions on 35 (3): 688692. doi:10.1109/18.30996.
[5] Cox, D. R.; N. J. H. Small (August de 1978). Testing multivariate normality. Biometrika 65 (2): 263272. doi:10.1093/biomet/65.2.263.
[6] Smith, Stephen P.; Anil K. Jain (September de 1988). A test to determine the multivariate normality of a dataset. IEEE
Transactions on Pattern Analysis and Machine Intelligence 10 (5): 757761. doi:10.1109/34.6789.
Captulo 5
5.1 La distribucin
2
Si la notacin Tp,m es usada para denotar una variable aleatoria distribucin T-cuadrado de Hotelling con parmetros
p ym, entonces, si una variable aleatoria X distribucin T-cuadrado de Hotelling,
X Tp,m
2
entonces[1]
mp+1
X Fp,mp+1
pm
donde Fp,mp+1 es una distribucin F con parmetros p y mp+1.
x1 , . . . , xn Np (, )
n variables aletorias independientes, las cuales pueden representarse como un vector columna de orden p 1 de
nmeros reales. Defnase
x1 + + xn
x=
n
19
20 CAPTULO 5. HOTELLINGS T-SQUARED DISTRIBUTION
n(x ) 1
(x ) 2p ,
donde 2p es una distribucin ji-cuadrado con p grados de liberatd. Para demostrar eso se usa el hecho que x
Np (, /n) y entonces, al derivar la funcin caracterstica de la variable aletoria y = n(x ) 1 (x ) . Esto
se hizo bajo,
y () = E eiy ,
1
= E ein(x) (x)
1 p 1
(2) 2 |/n| 2 e 2 n(x)
1 1
= ein(x) (x) (x)
dx1 ...dxp
1
p
2i1 )(x)
(2) 2 |/n| 2 e 2 n(x) (
1 1
= dx1 ...dxp ,
1
1 1 1 2i1 )(x)
(2) 2 |(1 2i1 )1 /n| 2 e 2 n(x) (
p
1
12 1 1
= |( 2i ) /n| |/n|
2 dx1 ...dxp ,
= |(Ip 2iIp )| 2 ,
1
p
= (1 2i) 2 .
Sin embargo, es por lo general desconocida y se busca hacer una prueba de hiptesis sobre el vector de medias .
Defnase
1
n
W= (xi x)(xi x)
n 1 i=1
como la covarianza muestral. La traspuesta se ha denotado con un apstrofo. Se demuestra que W es una matriz
denida positiva y (n 1)W sigue una distribucin Wishart p-variada con n1 grados de libertad.[2] La estadstica
T-cudrado de Hotelling se dene entonces como
t2 = n(x ) W1 (x )
t2 Tp,n1
2
es decir
np 2
t Fp,np ,
p(n 1)
donde Fp,np es una distribucin F con parmetros p y np. Para calcular un p-valor, multiplique la estadstica t 2 y
la constante anterior y use la distribucin F.
5.3. ESTADSTICA T-CUADRADO DE HOTELLING PARA DOS MUESTRAS 21
1 1
nx ny
x= xi y= yi
nx i=1 ny i=1
nx ny
i=1 (xi x)(xi x) + i=1 (yi y)(yi y)
W=
nx + ny 2
como el estinador de la matriz de covarianza pooled insesgado the unbiased pooled covariance matrix estimate, then
Hotellings two-sample T-squared statistic is
nx ny
t2 = (x y) W1 (x y) T 2 (p, nx + ny 2)
nx + ny
and it can be related to the F-distribution by[2]
nx + ny p 1 2
t F (p, nx + ny 1 p).
(nx + ny 2)p
The non-null distribution of this statistic is the noncentral F-distribution (the ratio of a non-central Chi-squared
random variable and an independent central Chi-squared random variable)
nx + ny p 1 2
t F (p, nx + ny 1 p; ),
(nx + ny 2)p
with
nx ny 1
= V ,
nx + ny
where is the dierence vector between the population means.
5.5 Referencias
[1] Hotelling, H. (1931). The generalization of Students ratio. Annals of Mathematical Statistics 2 (3): 360378. doi:10.1214/aoms/1177732979.
[2] K.V. Mardia, J.T. Kent, and J.M. Bibby (1979) Multivariate Analysis, Academic Press.
22 CAPTULO 5. HOTELLINGS T-SQUARED DISTRIBUTION
Anlisis multivariante
El anlisis multivariante es un mtodo estadstico utilizado para determinar la contribucin de varios factores en
un simple evento o resultado.
Los factores de estudio son los llamados factores de riesgo (bioestadstica), variables independientes o variables
explicativas.
El anlisis multivariante mediante tcnicas de proyeccin sobre variables latentes tiene muchas ventajas sobre los
mtodos de regresin tradicionales:
se puede utilizar la informacin de mltiples variables de entrada, aunque stas no sean linealmente indepen-
dientes
puede trabajar con matrices incompletas, siempre que los valores faltantes estn aleatoriamente distribuidos y
no superen un 10%
puesto que se basan en la extraccin secuencial de los factores, que extraen la mayor variabilidad posible de la
matriz de las X (variables explicativas, tienen que ser dependientes) pueden separar la informacin del ruido.
Se asume que las X se miden con ruido.
Anlisis factorial
Anlisis discriminante
Anlisis Cluster
Anlisis de correspondencias
Anlisis conjunto
23
24 CAPTULO 6. ANLISIS MULTIVARIANTE
Escalamiento ptimo
Estadstica multivariante
Captulo 7
En estadstica el anlisis multivariante de la varianza o MANOVA (por su nombre en ingls, Multivariate analysis
of variance) es una extensin del anlisis de la varianza o ANOVA para cubrir los casos donde hay ms de una variable
dependiente que no pueden ser combinadas de manera simple. Adems de identicar si los cambios en las variables
independientes tienen efectos signicativos en las variables dependientes, la tcnica tambin intenta identicar las
interacciones entre las variables independientes y su grado de asociacin con las dependientes.
Cuando aparece la suma de cuadrados en el anlisis univariante de la varianza, en el anlisis multivariante de la
varianza aparecen ciertas matrices denidas positivas. Los elementos diagonales son del mismo tipo de sumas de
cuadrados que aparecen en el ANOVA univariante. Los elementos fuera de la diagonal se corresponden con sumas de
productos. Asumiendo condiciones de normalidad sobre distribuciones de error, el homlogo de la suma de cuadrados
debido al error tendr una distribucin de Wishart.
Anlogamente a ANOVA, MANOVA est basado en el producto del modelo de la matriz de varianza y el inverso de
la matriz de varianza del error. Las consideraciones de invarianza implican que las estadsticas de MANOVA deberan
ser una medida de magnitud de la descomposicin del valor singular de esta matriz producto, pero no hay una nica
eleccin pendiente de la naturaleza multi-dimensional de la hiptesis alternativa.
Las distribuciones estadsticas ms comunes son la lambda () de Samuel Stanley Wilks, la traza de Pillai-M. S.
Bartlett (ver traza de una matriz), la traza de Lawley-Hotelling y la raz mayor de Roy. La discusin contina sobre
los mritos de cada una, aunque la raz ms grande que conduce slo a una cota de signicancia no es de inters
prctico. Una complicacin ms es que la distribucin de estas estadsticas bajo la hiptesis nula no es sencilla y slo
puede ser aproximada, excepto en unos casos de pocas dimensiones. La mejor aproximacin de la lambda de Wilks
fue hallada por C. R. Rao.
En el caso de dos grupos, todas las estadsticas son equivalentes y las pruebas se reducen a la distribucin T cuadrada
de Hotelling.
25
Captulo 8
Anlisis de correspondencias
En estadstica multivariante, el anlisis de correspondencias es una tcnica descriptiva desarrollada por Jean-Paul
Benzcri.[1] Suele aplicarse al estudio de tablas de contingencia y es conceptualmente similar al anlisis de compo-
nentes principales con la diferencia de que en el anlisis de correspondencias los datos se escalan de modo que las
y columnas se tratan de modo equivalente.
El anlisis de correspondencias descompone el estadstico del test de la ji-cuadrado asociado a una tabla de con-
tingencia en componentes ortogonales.[2] Dado que se trata de una tcnica descriptiva, puede aplicarse incluso en
circunstancias en las que la prueba anterior no es apropiada.
Existen distintas versiones de esta tcnica, incluyendo:
8.1 Implementaciones
Orange posee un mdulo especco, orngCA
R dispone de paquetes tales como ade4, ca y FactoMineR que implementan este tipo de anlisis
8.2 Referencias
[1] Benzcri, J.-P. (1973). L'Analyse des Donnes. Volume II. L'Analyse des Correspondances. Paris, France: Dunod.
[2] Greenacre, Michael (1983). Theory and Applications of Correspondence Analysis. Londres: Academic Press. ISBN 0-12-
299050-1.
26
Captulo 9
ACP de una distribucin normal multivariante centrada en (1,3) con desviacin estndar 3 en la direccin aproximada (0,878,
0,478) y desviacin estndar 1 en la direccin perpendicular a la anterior. Los vectores muestran los autovectores de la matriz de
correlacin escalados mediante la raz cuadrada del correspondiente autovalor, y desplazados para que su origen coincidan con la
media estadstica.
En estadstica, el anlisis de componentes principales (en espaol ACP, en ingls, PCA) es una tcnica utilizada
para reducir la dimensionalidad de un conjunto de datos. Intuitivamente la tcnica sirve para hallar las causas de la
variabilidad de un conjunto de datos y ordenarlas por importancia.
27
28 CAPTULO 9. ANLISIS DE COMPONENTES PRINCIPALES
Tcnicamente, el ACP busca la proyeccin segn la cual los datos queden mejor representados en trminos de mni-
mos cuadrados. El ACP se emplea sobre todo en anlisis exploratorio de datos y para construir modelos predictivos.
El ACP comporta el clculo de la descomposicin en autovalores de la matriz de covarianza, normalmente tras centrar
los datos en la media de cada atributo.
9.1 Fundamento
El ACP construye una transformacin lineal que escoge un nuevo sistema de coordenadas para el conjunto original de
datos en el cual la varianza de mayor tamao del conjunto de datos es capturada en el primer eje (llamado el Primer
Componente Principal), la segunda varianza ms grande es el segundo eje, y as sucesivamente. Para construir esta
transformacin lineal debe construirse primero la matriz de covarianza o matriz de coecientes de correlacin. Debido
a la simetra de esta matriz existe una base completa de vectores propios de la misma. La transformacin que lleva
de las antiguas coordenadas a las coordenadas de la nueva base es precisamente la transformacin lineal necesaria
para reducir la dimensionalidad de datos. Adems las coordenadas en la nueva base dan la composicin en factores
subyacentes de los datos iniciales.
Una de las ventajas del ACP para reducir la dimensionalidad de un grupo de datos, es que retiene aquellas caractersti-
cas del conjunto de datos que contribuyen ms a su varianza, manteniendo un orden de bajo nivel de los componentes
principales e ignorando los de alto nivel. El objetivo es que esos componentes de bajo orden a veces contienen el
aspecto ms importante de esa informacin.
1. Mtodo basado en la matriz de correlacin, cuando los datos no son dimensionalmente homogneos o el orden
de magnitud de las variables aleatorias medidas no es el mismo.
2. Mtodo basado en la matriz de covarianzas, que se usa cuando los datos son dimensionalmente homogneos y
presentan valores medios similares.
(Fj )=1,...,n
j=1,...,m
Mj = {Fj | = 1, ..., n}
puede considerarse una muestra aleatoria para la variable Fj . A partir de los m n datos correspondientes a las m
variables aleatorias, puede construirse la matriz de correlacin muestral, que viene denida por:
cov(Fi ,Fj )
R = [rij ] Mmm donde rij =
var(Fi )var(Fj )
9.2. MATEMTICAS DEL ACP 29
Puesto que la matriz de correlaciones es simtrica entonces resulta diagonalizable y sus valores propios i verican:
m
i=1 i = 1
Debido a la propiedad anterior estos m valores propios reciben el nombre de pesos de cada uno de los m componentes
principales. Los factores principales identicados matemticamente se representan por la base de vectores propios
de la matriz R . Est claro que cada una de las variables puede ser expresada como combinacin lineal de los vectores
propios o componentes principales.
l min{n, m}
Los datos para el anlisis tienen que estar centrados a media 0 (restndoles la media de cada columna) y/o autoesca-
lados(centrados a media 0 y dividiendo cada columna por su desviacin estndar).
l T
X= a=1 ta pa +E
Los vectores ta son conocidos como scores y contienen la informacin de cmo las muestras estn relacionadas unas
con otras adems, tienen la propiedad de ser ortogonales. Los vectores pa se llaman loadings e informan de la relacin
existente entre las variables y tienen la cualidad de ser ortonormales. Al coger menos componentes principales que
variables y debido al error de ajuste del modelo con los datos, se produce un error que se acumula en la matriz E .
El PCA se basa en la descomposicin en vectores propios de la matriz de covarianza. La cual se calcula con la siguiente
ecuacin:
T
cov(X) = Xn1X
cov(X)
m pa = a pa
a=1 a = 1
t a = X pa
Esta ecuacin la podemos entender como que ta son las proyecciones de X en pa , donde los valores propios a miden
la cantidad de varianza capturada, es decir, la informacin que representan cada uno de los componentes principales.
La cantidad de informacin que captura cada componente principal va disminuyendo segn su nmero es decir, el
componente principal nmero uno representa ms informacin que el dos y as sucesivamente.
9.2.3 Limitaciones
La aplicacin del ACP est limitada por varios supuestos[1]
Asuncin de linealidad: Se asume que los datos observados son combinacin lineal de una cierta base.
Importancia estadstica de la media y la covarianza: el ACP utiliza los vectores propios de la matriz de co-
varianzas y slo encuentra las direcciones de ejes en el espacio de variables considerando que los datos se
distribuyen de manera gaussiana.
30 CAPTULO 9. ANLISIS DE COMPONENTES PRINCIPALES
9.3 Ejemplos
Un anlisis consider las calicaciones escolares n = 15 estudiantes en m = materias (lengua, matemticas,
fsica, ingls, losofa, historia, qumica, gimnasia). Los dos primeros componentes principales explicaban
juntos el 82,1% de la varianza. El primer de ellos pareca fuertemente correlacionado con las materias de hu-
manidades (lengua, ingls, losofa, historia) mientras que el segundo apareca relacionado con las materias
de ciencias (matemticas, fsica, qumica). As parece que existe un conjunto de habilidades cognitivas rela-
cionadas con las humanidades y un segundo relacionado con las ciencias, estos dos conjuntos de habilidades
son estadsticamente independientes por lo que un alumno puede puntuar alto en slo uno de ellos, en los dos
o en ninguno.[2]
9.4 Referencia
[1] Jonathon Shlens.A Tutorial on Principal Component Analysis.
Anlisis discriminante
El anlisis discriminante es una tcnica estadstica multivariante cuya nalidad es describir (si existen) las diferen-
cias signicativas entre g grupos de objetos (g > 1) sobre los que se observan p variables (variables discriminantes).
Ms concretamente, se comparan y describen las medias de las p variables clasicadoras a travs de los g grupos.
En caso de que estas diferencias existan, intentar explicar en qu sentido se dan y proporcionar procedimientos de
asignacin sistemtica de nuevas observaciones con grupo desconocido a uno de los grupos analizados, utilizando
para ello sus valores en las p variables clasicadoras (stos s, conocidos).
Podemos ver este procedimiento como un modelo de prediccin de una variable respuesta categrica (variable gru-
po) a partir de p variables explicativas generalmente continuas (variables clasicatorias). Por poner algn ejemplo,
podemos hablar del reconocimiento de formas, de texto, o del diagnstico automtico.
Signicancia estadstica
31
32 CAPTULO 10. ANLISIS DISCRIMINANTE
10.2.2 Images
Archivo:GaussianScatterPCA.png Fuente: http://upload.wikimedia.org/wikipedia/commons/1/15/GaussianScatterPCA.png Licencia:
CC-BY-SA-3.0 Colaboradores:
PNG version of gigantic SVG
Trabajo propio (Descripcin original: I created this work entirely by myself. (Originally uploaded on en.wikipedia) -)
Artista original: Ben FrantzDale (talk) (Transferred by ILCyborg)
Archivo:Merge-arrow.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/a/aa/Merge-arrow.svg Licencia: Public domain Co-
laboradores: ? Artista original: ?
Archivo:Mergefrom.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/0/0f/Mergefrom.svg Licencia: Public domain Cola-
boradores: ? Artista original: ?
Archivo:Wikiversity-logo-Snorky.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/1/1b/Wikiversity-logo-en.svg Licen-
cia: CC BY-SA 3.0 Colaboradores: Trabajo propio Artista original: Snorky