Gui On

Vı́ctor J.
Dı́az Madrigal y Fernando Enrı́quez de Salamanca Ros
Guión
1.1 Máquinas secuenciales

Modelo de Moore y de Mealy
Lenguaje de una máquina secuencial
Equivalencia de modelos
ALFA, Curso 2004/2005

Vı́ctor J. Dı́az Madrigal y Fernando Enrı́quez de Salamanca Ros
Modelo de Moore y de Mealy: Definición
Una máquina secuencial (MS) es una tupla:
M = (ΣE , ΣS , Q, δ, γ)
ΣE alfabeto de la cinta de entrada

ΣS alfabeto de la cinta de salida
Q conjunto finito de estados
δ función de transición (de lectura, de entrada)
δ : Q × ΣE → Q
γ función de emisión (de escritura, de salida)

• Modelo de Moore (Emisión en el estado)
γ : Q → ΣS
• Modelo de Mealy (Emisión en la transición)
γ : Q × ΣE → ΣS

Modelo de Moore y de Mealy: Ejemplos
Máquina secuencial que genera como salida una p si hasta el momento se ha recibido un
número par de unos, y genere una i si se ha recibido un número impar de unos.
Máquina de Mealy M E = ({0, 1}, {i, p}, {q0 , q1 }, δ, γ)
ME 0 1
q0 q0 /p q1 /i
q1 q1 /i q0 /p
0/p 1/i 0/i 0/i

q0 → q0 → q1 → q1 → q1
Máquina de Moore M O = ({0, 1}, {i, p}, {q0 , q1 }, δ, γ)
MO 0 1
q0 /p q0 q1
q1 /i q1 q0
0 1 0 0
q0 /p → q0 /p → q1 /i → q1 /i → q1 /i

Modelo de Moore y de Mealy: Comportamiento
Una configuración es una tupla

(q, u, v)
donde q ∈ Q, u ∈ Σ∗E y v ∈ Σ∗S .
Un movimiento provoca un cambio de configuración
(q, au, v) ` (q 0 , u, vb)
donde
1. se verifica que δ(q, a) = q 0 y
2. se verifica que
si la máquina es de Mealy γ(q, a) = b
si la máquina es de Moore γ(q) = b
Denotamos mediante c `∗ d una secuencia de n ≥ 0 movimientos. Es decir:
1. o bien c = d
2. o bien existen ci con 1 ≤ i ≤ n tales que c = c1 ` c2 ` . . . ` cn = d

Modelo de Moore y de Mealy: Extensiones
Se añade un estado inicial q0 ∈ Q

Se distingue entre estados finales F ⊆ Q y no finales
Se admite la lectura o escritura de la cadena nula
Se admite la lectura o escritura de cadenas
Se admite indeterminismo en la lectura o escritura

Lenguaje de una MS: Funciones δ ∗ y γ ∗
Extensión de δ a cadenas δ ∗ : Q × Σ∗E → Q


 δ ∗ (q, λ) = q
 δ ∗ (q, aw) = δ ∗ (δ(q, a), w)
Extensión de γ a cadenas γ ∗ : Q × Σ∗E → Σ∗S :

Máquina de Mealy:

 γ ∗ (q, λ) = λ
 γ ∗ (q, aw) = γ(q, a)γ ∗ (δ(q, a), w)
Máquina de Moore: 
 γ ∗ (q, λ) = λ
 γ ∗ (q, aw) = γ(q)γ ∗ (δ(q, a), w)

Lenguaje de una MS: Definición
Dada una máquina secuencial M = (ΣE , ΣS , Q, δ, γ) con estado inicial q0 y estados

finales F ⊆ Q, el lenguaje L(M ) se define mediante:
L(M ) = {(u, v) ∈ Σ∗E × Σ∗S | (q0 , u, λ) `∗ (qf , λ, v) y qf ∈ F }
Dos máquinas secuenciales M y M 0 definidas
M = (ΣE , ΣS , Q, δ, γ)
M 0 = (ΣE , ΣS , Q0 , δ 0 , γ 0 )
son equivalentes si y sólo si :
1. ∀q ∈ Q ∃q 0 ∈ Q0 ∀w ∈ Σ∗E γ ∗ (q, w) = γ 0∗ (q 0 , w)
2. ∀q 0 ∈ Q0 ∃q ∈ Q ∀w ∈ Σ∗E γ ∗ (q, w) = γ 0∗ (q 0 , w)

Equivalencia de modelos: De Moore a Mealy
Dada una máquina de Moore
M O = (ΣE , ΣS , Q, δ, γ)
existe una máquina de Mealy equivalente
M E = (ΣE , ΣS , Q, δ, γ 0 )
Idea:
a a/b
q/? → p/b es similar a q → p
Basta con definir para cada q ∈ Q y a ∈ ΣE
γ 0 (q, a) = γ(δ(q, a))

Equivalencia de modelos: De Mealy a Moore
Dada una máquina de Mealy M E = (ΣE , ΣS , Q, δ, γ) existe una máquina de Moore

equivalente M O = (ΣE , ΣS , Q0 , δ 0 , γ 0 )
Idea:
a/b a
q → p es similar a [q, ?]/? → [p, b]/b
El conjunto Q0 estará constituido por pares
Q0 = {[q, b] | q ∈ Q y b ∈ ΣS }
Las funciones de entrada y salida serán:
∀[q, c] ∈ Q0 ∀a ∈ ΣE si δ(q, a) = p y γ(q, a) = b entonces δ 0 ([q, c], a) = [p, b]
∀[q, c] ∈ Q0 γ 0 ([q, c]) = c

Equivalencia de modelos: Ejemplos de transformación
De Moore a Mealy
MO 0 1 ME 0 1
q0 /a q0 q1 q0 q0 /a q1 /b
q1 /b q2 q0 q1 q2 /a q0 /a
q2 /a q1 q0 q2 q1 /b q0 /a
De Mealy a Moore
MO 0 1
[c0 , a]/a [c0 , a] [c2 , b]
ME 0 1
[c0 , b]/b [c0 , a] [c2 , b]
c0 c0 /a c2 /b
[c1 , a]/a [c0 , a] [c1 , b]
c1 c0 /a c1 /b
[c1 , b]/b [c0 , a] [c1 , b]
c2 c0 /b c1 /a
[c2 , a]/a [c0 , b] [c1 , a]
[c2 , b]/b [c0 , b] [c1 , a]

Guión
1.2 Autómatas Probabilı́sticos

Autómatas Finitos Probabilı́sticos (AFP)
Cadenas de Markov (visibles)
Cadenas de Markov ocultas

Autómatas Finitos Probabilı́sticos: Definición
Un Autómata Finito Probabilı́stico (AFP) es una tupla:
M = (Σ, Q, π, A)
Σ alfabeto de la cinta de entrada

Q conjunto finito de estados (|Q| = N )
π vector inicial de N componentes
A = {A(a) | a ∈ Σ} es un conjunto de matrices N × N de transición

³ ´  0≤π ≤1
j
π= π 1 . . . πN con
 Σ 1 ≤ j ≤ N : πj = 1
 
a11 ... a1N 
   0≤a ≤1
 .. ..  ij
A(a) =  . ... .  con
   ∀ 1 ≤ i ≤ N Σ 1 ≤ j ≤ N : aij = 1
aN 1 ... aN N

Autómatas Finitos Probabilı́sticos: Ejemplo
M = ({a, b}, {q1 , q2 }, π, A)
donde
   
³ ´ 1/2 1/2 1/3 2/3
π= 1/2 1/2 A(a) =   A(b) =  
0 1 1 0
Una notación alternativa serı́a:

M A
Q π A(a) A(b)
q1 1/2 1/2 1/2 1/3 2/3
q2 1/2 0 1 1 0

Autómatas Finitos Probabilı́sticos: Vector de estados
Dado un AFP M = (Σ, Q, π, A) y una cadena w ∈ Σ∗ con w = a1 . . . an , denominamos

vector de estados P (w) para w al vector:
Y
P (w) = πA(a1 )A(a2 ) . . . A(an ) = π 1 ≤ i ≤ n : A(ai )
Para el ejemplo anterior:
P (ab) = πA(a)A(b)
  
³ ´ 1/2 1/2 1/3 2/3
= 1/2 1/2   
0 1 1 0
 
³ ´ 1/2 ∗ 1/3 + 1/2 ∗ 1 1/2 ∗ 2/3 + 1/2 ∗ 0
= 1/2 1/2  
0 ∗ 1/3 + 1 ∗ 1 0 ∗ 2/3 + 1 ∗ 0
 
³ ´ 2/3 1/3 ³ ´
= 1/2 1/2   = 5/6 1/6
1 0

Autómatas Finitos Probabilı́sticos: Lenguaje
Dado un vector de estado P (w) la probabilidad de estar en el estado q tras reconocer w

es la componente del vector asociada con el estado q ∈ Q (denotada mediante Pq (w)).
Dado un AFP M = (Σ, Q, π, A), un conjunto F ⊆ Q de estados finales y un umbral
0 ≤ θ ≤ 1 definimos el lenguaje L(M ) como:
L(M ) = {w ∈ Σ∗ | PF (w) ≥ θ}
donde PF (w) = Σq∈F : Pq (w) es la probabilidad de alcanzar un estado final al leer w.

³ ´
Siguiendo con el ejemplo anterior, sabemos que P (ab) = 5/6 1/6 y, de aquı́, si
F = {q2} tenemos PF (w) = Pq2 (w) = 1/6, y de aquı́ w ∈ L(M ) siempre que θ ≤ 1/6.

Cadenas de Markov: Introducción
Sea una secuencia de eventos discretos
X = (X1 , X2 , . . . , XT )
donde Xt con 1 ≤ t ≤ T son variables aleatorias que puede tomar N valores.

Decimos que X es una cadena de Markov si cumple las siguientes dos propiedades:
Ley del horizonte limitado: La probabilidad de que ocurra un evento p en un deter-
minado instante t depende tan sólo del evento q anterior
P (Xt = p|X1 = s0 , X2 = s00 , . . . , Xt−1 = q) = P (Xt = p|Xt−1 = q)
Ley del tiempo estacionario: La probabilidad de que ocurra un evento p tras un

evento q es independiente del tiempo en que suceda:
P (Xt = p|Xt−1 = q) = P (Xt+l = p|Xt−1+l = q) = P (p|q)

Cadenas de Markov: Definición
Una cadena de Markov (visible) puede representarse mediante un autómata finito prob-
abilı́stico sin cinta de entrada (Q, π, A) donde:
Los N valores que puede tomar Xi son los estados de Q
Los componentes aij de la matriz de transición A denotan la probabilidad P (Xt =
qj |Xt−1 = qi ) de pasar del estado qi al estado qj .
Los componentes πi del vector inicial π denotan la probabilidad P (X1 = qi ) de
comenzar en el estado qi .
Dada una secuencia de estados (q1 , . . . , qT ), (aplicando la Ley de la Cadena y la Ley de
Horizonte limitado) tenemos que :
P (q1 , . . . , qT ) = P (q1 )P (q2 |q1 )P (q3 |q1 q2 ) . . . P (qT |q1 q2 . . . qT −1 )

= P (q1 )P (q2 |q1 )P (q3 |q2 ) . . . P (qT |qT −1 )
= πq1 aq1 q2 aq2 q3 . . . aqT −1 qT

Cadenas de Markov: Ejemplo
Podemos catalogar un dı́a con tres tipos (estados): lluvioso (L), nublado (N) y soleado
(S). Supongamos que la probabilidad de cambio de tiempo de un dı́a para otro, recogidas
en la matriz A, son las siguientes:
   
aLL aLN aLS 0,4 0,3 0,3
   
A=
 aN L aN N aN S  =  0,2 0,6 0,2 
  
aSL aSN aSS 0,1 0,1 0,8
Considerando que hoy hace sol, la probabilidad de que el tiempo sea (S, S, N, L) serı́a:
P (S, S, N, L) = πS aSS aSN aN L = 1 ∗ 0,8 ∗ 0,1 ∗ 0,2 = 0,016

Cadenas de Markov ocultas: Definición
Una cadenas de Markov oculta M = (Σ, Q, π, A, B) es aquella donde en cada instante

de tiempo t conocemos un sı́mbolo a ∈ Σ emitido probabilı́sticamente por el estado en
el que se encuentra el autómata en el instate t.
En este modelo tenemos dos secuencias:
una secuencia desconocida (oculta) de variables aleatorias X = (X1 , . . . , XT ) donde
cada Xt puede ser un estado q ∈ Q
una secuencia conocida (visible) de variables aleatorias O = (O1 , . . . , OT ) donde
cada Ot puede ser un sı́mbolo (observación) a ∈ Σ emitido por el estado en Xt .
Los componentes bjk de la matriz B, denominada de emisión, indican la probabilidad de
que el estado qj emita el sı́mbolo ak en cualquier instante t:
bjk = P (Ot = ak |Xt = qj )

Cadenas de Markov ocultas: Ejemplo
Disponemos de 2 urnas Q = {u1 , u2 } que contienen bolas de 3 colores: Σ = {c1 , c2 , c3 }. Se

procede iterativamente de la siguiente forma: se escoge arbitrariamente una de las urnas,
se extrae al azar una bola, y tras anotar su color, se devuelve a su urna. Supongamos
las siguientes matrices para el modelo:
Probabilidad de empezar por cada urna
³ ´ ³ ´
π = πu1 πu2 = 0,5 0,5
Probabilidad de cambiar de urna:

   
au1 u1 au1 u2 0,6 0,4
A= = 
au2 u1 au2 u2 0,2 0,8
Probabilidad de extraer una bola de una urna

   
bu1 c1 bu1 c2 bu1 c3 0,2 0,5 0,3
B=   =  
bu2 c1 bu2 c2 bu2 c3 0,1 0 0,9

Cadenas de Markov ocultas: Cálculo de P (o)
En un modelo de Markov oculto no conocemos la secuencia de estados que emite una

observación o = (o1 , . . . , oT ), por tanto para calcular P (o) consideramos cualquier posible
secuencia de estados q = (q1 , . . . qT ):
P P
P (o) = q P (o|q)P (q) = q (bq1 o1 bq2 o2 . . . bqT oT )(πq1 aq1 q2 aq2 q3 . . . aqT −1 qT )
P
= q πq1 bq1 o1 aq1 q2 bq2 o2 . . . aqT −1 qT bqT oT
En el problema de las urnas, para la observación (c1, c3) tendrı́amos:

Para (u1 , u1 ) tenemos πu1 bu1 c1 au1 u1 bu1 c3 = 0,5 ∗ 0,2 ∗ 0,6 ∗ 0,3 = 0,018
Sumando quedarı́a P (c1 , c3 ) = 0,018 + 0,036 + 0,003 + 0,036 = 0,093

Guión
1.3 Autómatas de células de McCulloch-Pitts

Células de McCulloch-Pitts
Autómatas de células de McCulloch-Pitts
Equivalencia con autómatas finitos

Células de McCulloch-Pitts: Definición
Una célula de McCulloch-Pitts es una tupla:
c = (e, θ, r)
e = {e1 , . . . , en } es un conjunto de entradas (señales) que pueden estar activas (valor

1) o inactivas (valor 0). Las señales pueden ser de dos tipos:
• excitadoras ei
• inhibidoras e˜j .
θ es un entero denominado umbral
r es la salida que puede estar activa (1) o inactiva (0)

Células de McCulloch-Pitts: Función normal y diferencial
El valor de la salida r de una célula en un instante de tiempo t depende de sus entradas

e en el instante anterior t0 mediante una función g de transición:
r(t) = g(e(t − 1)) = g(e(t0 ))
Se definen fundamentalmente dos tipos de funciones de transición:

Función normal: 
 1 P i : e ≥ θ y ∀ j : e˜ = 0
i j
g(e) =
 0 en otro caso
Función (umbral) diferencial:


 1 (P i : e − P j : e˜ ) ≥ θ
i j
g(e) =
 0 en otro caso

Células de McCulloch-Pitts: Ejemplo
c = ({e1 , e˜2 , e3 }, 1, r)
Normal Diferencial
e1 + e3 ≥ 1 y e2 = 0 e1 − e2 + e3 ≥ 1
t t+1 t+1
e1 e2 e3 r r
0 0 0 0 0
0 0 1 1 1
0 1 0 0 0
0 1 1 0 0
1 0 0 1 1
1 0 1 1 1
1 1 0 0 0
1 1 1 0 1

ACMP: Definición
Un autómata de células de McCulloch-Pitts (ACMP) es un conjunto finito de células

que admiten realimentación (la salida de una célula puede ser entrada en otra):
M = (E, R, r, C)
E es el alfabeto de las entradas

R es el alfabeto de las salidas
r ∈ R es la salida del autómata.
C es un conjunto finito de células tales que el conjunto de entradas de cada célula
es un subconjunto de E ∪ R.
Podemos clasificar los ACMP en dos tipos:
Activación única: en cada instante de tiempo está activa exactamente una entrada
ei
Activación múltiple: es posible cualquier permutación de entradas activas o inactivas

ACMP: Ejemplo
M = ({e1 , e2 }, {r1 , r2 }, r2 , {c1 , c2 })
c1 = ({e˜1 , r2 }, 0, r1 ) c2 = ({e2 , r1 }, 1, r2 )
DIFERENCIAL
e1 e2 r10 r20 r1 r2 e1 e2 r10 r20 r1 r2
0 0 0 0 1 0 1 0 0 0 0 0
0 0 0 1 1 0 1 0 0 1 1 0
0 0 1 0 1 1 1 0 1 0 0 1
0 0 1 1 1 1 1 0 1 1 1 1
0 1 0 0 1 1 1 1 0 0 0 1
0 1 0 1 1 1 1 1 0 1 1 1
0 1 1 0 1 1 1 1 1 0 0 1
0 1 1 1 1 1 1 1 1 1 1 1

ACMP: Comportamiento
Sea la célula c = ({e, r}, 1, r) cuya tabla de transición es:
e r0 r
0 0 0
0 1 1
1 0 1
1 1 1
Supongamos que la secuencia de valores para la entrada e será 00111. Partiendo de un
transitorio que comienza con r(1) = 0, y por tanto r0 (1) = 0, tenemos que se cumple:
t=1 t=2 t=3 t=4 t=5 t=6 Asignación de valores

e 0 0 1 1 1
r0 (0) 0 0 0 1 1 r0 (t + 1) := r(t)
r (0) 0 0 1 1 1 r(t + 1) := (e(t) + r0 (t)) ≥ 1

Equivalencia con AF: De ACMP a AF
Para cada ACMP M 0 = (E, R, r, C) existe un AFD M = (Σ, Q, q0 , F, δ) equivalente:

El alfabeto de la cinta de entrada será las combinaciones de valores de las |E| = n
entradas: Σ = {(e1 . . . en ) | ei ∈ {0, 1}}
El conjunto de estados se construye a partir de las combinaciones de valores de las
salidas de las |C| = m células: Q = {qr1 ...rm | ri ∈ {0, 1}}
El estado inicial q0 representa al autómata cuando las m células está inactivas:
q0 = q0...0
Los estados finales son aquellos qr1 ...rm en los que la salida r = 1
La función de transición δ se construye a partir de la tabla de transición del autómata
de células de forma que:
δ(qr1 (t)...rm (t) , (e1 (t), . . . en (t)) = qr1 (t+1)...rm (t+1)

Equivalencia con AF: Ejemplo de ACMP a AF
Para el autómata de células anterior descrito por
M = ({e1 , e2 }, {r1 , r2 }, r2 , {c1 , c2 })
donde:
c1 = ({e˜1 , r2 }, 0, r1 ) c2 = ({e2 , r1 }, 1, r2 )
00 01 10 11
→ q00 q10 q11 q00 q01
∗q01 q10 q11 q10 q11
q10 q11 q11 q01 q01
∗q11 q11 q11 q11 q11

Equivalencia con AF: De AF a ACMP
Para cada AFD M = (Σ, Q, q0 , F, δ) existe un ACMP con activación única M 0 =

(E, R, r, C) equivalente (y donde las señales de todas las células son excitadoras):
E = Σ ∪ {`, a} donde `, a∈
/Σ
R = {r0 , rF } ∪ {r[q,a] | q ∈ Q y a ∈ Σ}
La salida del autómata es la salida de la célula final: r = rF
C = {c0 , cF } ∪ {[q, a] | q ∈ Q y a ∈ Σ} cuya composición es:
• Célula inicial:
c0 = ({`}, 1, r0 )
• Célula final:
cF = ({a} ∪ {r[q,a] ∈ R | δ(q, a) ∈ F }, 2, rF )
• Células de transición:
[q, a] = ({a} ∪ {r0 | q = q0 } ∪ {r[p,b] ∈ R | δ(p, b) = q}, 2, r[q,a] )

Equivalencia con AF: Ejemplo de AF a ACMP
a b
→q p s
∗p q q
s p q
Célula Entradas Umbral Salida

c0 ` 1 r0
[q, a] a r0 r[p,a] r[p,b] r[s,b] 2 r[q,a]
[q, b] b r0 r[p,a] r[p,b] r[s,b] 2 r[q,b]
[p, a] a r[q,a] r[s,a] 2 r[p,a]
[p, b] b r[q,a] r[s,a] 2 r[p,b]
[s, a] a r[q,b] 2 r[s,a]
[s, b] b r[q,b] 2 r[s,b]
cF a r[q,a] r[s,a] 2 r

Gui On

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Gui On

Cargado por

Copyright:

Formatos disponibles

Vı́ctor J.

Dı́az Madrigal y Fernando Enrı́quez de Salamanca Ros

1.1 Máquinas secuenciales

ALFA, Curso 2004/2005

Modelo de Moore y de Mealy: Definición

Una máquina secuencial (MS) es una tupla:

ΣE alfabeto de la cinta de entrada

γ función de emisión (de escritura, de salida)

• Modelo de Mealy (Emisión en la transición)

ALFA, Curso 2004/2005

Modelo de Moore y de Mealy: Ejemplos

0/p 1/i 0/i 0/i

Máquina de Moore M O = ({0, 1}, {i, p}, {q0 , q1 }, δ, γ)

ALFA, Curso 2004/2005

Modelo de Moore y de Mealy: Comportamiento

Una configuración es una tupla

(q, au, v) ` (q 0 , u, vb)

ALFA, Curso 2004/2005

Modelo de Moore y de Mealy: Extensiones

Se añade un estado inicial q0 ∈ Q

ALFA, Curso 2004/2005

Lenguaje de una MS: Funciones δ ∗ y γ ∗

Extensión de δ a cadenas δ ∗ : Q × Σ∗E → Q

Extensión de γ a cadenas γ ∗ : Q × Σ∗E → Σ∗S :

ALFA, Curso 2004/2005

Lenguaje de una MS: Definición

Dada una máquina secuencial M = (ΣE , ΣS , Q, δ, γ) con estado inicial q0 y estados

L(M ) = {(u, v) ∈ Σ∗E × Σ∗S | (q0 , u, λ) `∗ (qf , λ, v) y qf ∈ F }

Dos máquinas secuenciales M y M 0 definidas

ALFA, Curso 2004/2005

Equivalencia de modelos: De Moore a Mealy

Dada una máquina de Moore

existe una máquina de Mealy equivalente

Basta con definir para cada q ∈ Q y a ∈ ΣE

γ 0 (q, a) = γ(δ(q, a))

ALFA, Curso 2004/2005

Equivalencia de modelos: De Mealy a Moore

Dada una máquina de Mealy M E = (ΣE , ΣS , Q, δ, γ) existe una máquina de Moore

El conjunto Q0 estará constituido por pares

Las funciones de entrada y salida serán:

∀[q, c] ∈ Q0 ∀a ∈ ΣE si δ(q, a) = p y γ(q, a) = b entonces δ 0 ([q, c], a) = [p, b]

∀[q, c] ∈ Q0 γ 0 ([q, c]) = c

ALFA, Curso 2004/2005

Equivalencia de modelos: Ejemplos de transformación

ALFA, Curso 2004/2005

1.2 Autómatas Probabilı́sticos

ALFA, Curso 2004/2005

Autómatas Finitos Probabilı́sticos: Definición

Un Autómata Finito Probabilı́stico (AFP) es una tupla:

Σ alfabeto de la cinta de entrada

ALFA, Curso 2004/2005

Autómatas Finitos Probabilı́sticos: Ejemplo

M = ({a, b}, {q1 , q2 }, π, A)

Una notación alternativa serı́a:

ALFA, Curso 2004/2005

Autómatas Finitos Probabilı́sticos: Vector de estados

Dado un AFP M = (Σ, Q, π, A) y una cadena w ∈ Σ∗ con w = a1 . . . an , denominamos

Para el ejemplo anterior:

ALFA, Curso 2004/2005

Autómatas Finitos Probabilı́sticos: Lenguaje

Dado un vector de estado P (w) la probabilidad de estar en el estado q tras reconocer w

donde PF (w) = Σq∈F : Pq (w) es la probabilidad de alcanzar un estado final al leer w.

ALFA, Curso 2004/2005