Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EN LAS
CIENCIAS
CIENCIAS DE LA NA
NATURA
TURALEZA
LEZA
Teoría y Problemas
Problemas
Mª Teresa González Manteiga
Profesora Titular de Matemática Aplicada
en la Facultad de CC. Biológicas de la
Universidad Complutense de Madrid
D IAZ DE S ANTOS
© María Teresa González Manteiga, 2003
Internet: http://www.diazdesantos.es/ediciones
E-Mail: ediciones@diazdesantos.es
ISBN: 84-7978-550-0
Depósito legal: M. 47.641-2002
Examinando la disposición de las hojas, las flores o las ramas en el tallo de una
planta se observa una cierta regularidad. En una planta en la que las hojas salen del
tallo de una en una, si se asigna el número cero a la hoja que se encuentre más cerca
del nacimiento del tallo y se cuentan las hojas en la dirección del crecimiento, el
número que le corresponde a las que queden colocadas en la vertical de aquélla es
uno de los términos de la sucesión de Fibonacci. Esta sucesión, que recibe el nom-
bre del matemático italiano del siglo XIII Leonardo de Pisa (1170-1240), que firma-
ba con el seudónimo de Fibonacci, tiene por primer término 0, por segundo 1 y cada
uno de los restantes se obtienen sumando los dos anteriores:
4 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
1 + 5
El número áureo es el número irracional algebraico ø = aproximada-
2
mente igual a 1.618033989..., es el límite de la sucesión de Fibonacci, su cuadrado
es aproximadamente 2.618033989... y su inverso 0.618033989..., como se puede
observar las cifras decimales de ø, de su cuadrado y de su inverso coinciden.
C D
A B 1 + 5
=
E A D 2
El número áureo fue introducido por los pitagóricos como la razón entre la lon-
gitud de la diagonal y el lado del pentágono regular.
Resulta curioso observar que en el polígono estrellado de cinco puntas que se
forma al trazar las diagonales del pentágono regular se determinan unos segmentos
en los que está presente el número áureo, pues:
A B BC BC AC C D 1 + 5
= =
= = =
LAS MATEMÁTICAS DE LA NATURALEZA 5
Los antiguos geómetras griegos definieron la razón áurea del siguiente modo:
El punto C divide el segmento AB en una «división áurea» A C B
si la razón del segmento más largo al más corto es igual a la del segmento comple-
CB AB 1 + 5
to al más largo: = . Esta razón, o cociente, el número áureo Ø = ,
AC CB 2
es la partición de un segmento AB en dos, uno de los cuales, CB, es media propor-
cional entre el otro, AC, y el segmento total.
Este número también se encuentra en la arquitectura y en ornamentación, se dice
que es la proporción estética más bella. Alrededor de 1850, Zeysing comprobó en
Alemania que, como promedio para un cierto número de cuerpos humanos, el
ombligo divide la altura del cuerpo humano en la proporción de la razón áurea.
Arquitectos, escultores y pintores de todos los tiempos han utilizado esta razón
como método de composición en sus obras. En arquitectura se ha comprobado su
utilización en las tumbas egipcias, en los templos griegos y en las catedrales góti-
cas. Por ejemplo, en el Partenón, construido en doce años del 448 al 437 a.C, de
mármol rosado y veteado de hierro que produce reflejos áureos, la razón entre la
anchura de la fachada y la altura, o entre la altura total y la de las columnas es
la razón áurea. Quizás haya influido en su utilización en el arte el que esa razón sea
una constante tan universal en la naturaleza.
En 1638 René Descartes (1596-1650) descubrió que las formas de las conchas
de los moluscos eran espirales logarítmicas: r = a · e .
discreta, todas estas ramas, y por supuesto la geometría, son fundamentales para su
comprensión y estudio.
Un claro ejemplo de la importancia del conocimiento matemático en la investi-
gación científica lo encontramos en la invención del oftalmoscopio en 1850. Su
inventor, el médico Hermann von Helmholtz (1821-1894), preparando una de sus
clases de fisiología, se dio cuenta de que las leyes de la óptica geométrica y el estu-
dio de las trayectorias de los rayos de luz reflejados le permitían inventar un instru-
mento de gran importancia para la medicina, en concreto para la oftalmología. Él
mismo lo explica así: «Conocía bien, de mis estudios médicos, las dificultades que
tenían los oftalmólogos con los problemas entonces agrupados bajo el nombre de
amaurosis, e inmediatamente me puse a construir el instrumento utilizando lentes de
gafas y láminas de vidrio de las empleadas como portamuestras en los trabajos con
microscopio. Al principio era difícil de usar, y si no hubiese tenido la firme convic-
ción teórica de que tenía que funcionar, no habría perseverado. Al cabo de una
semana, sin embargo, tuve el gran placer de ser el primer hombre en contemplar cla-
ramente una retina humana en un ser vivo.
La construcción del oftalmoscopio tuvo un efecto decisivo en mi posición a los
ojos del mundo. Desde aquel momento conté con el reconocimiento inmediato de
las autoridades y de mis colegas, así como con la disposición por satisfacer mis
deseos. Fui de esta manera capaz de seguir mucho más libremente los impulsos de
mis ansias de conocimiento. Debo decir, no obstante, que yo atribuyo mi éxito en
gran medida al hecho de que, poseyendo algún entendimiento geométrico y equi-
pado con un conocimiento de física, tuve la buena fortuna de ser lanzado a la medi-
cina, en donde encontré en la fisiología un territorio virgen de gran fertilidad.
Además, mi conocimiento de los procesos vitales me llevó a preguntas y puntos de
vista que habitualmente son extraños a los matemáticos puros y a los físicos ...» (50)
Esta reflexión nos confirma que en la ciencia no hay parcelas aisladas del saber
y que precisamente los avances más interesantes surgen de la interrelación de las
diferentes disciplinas.
La biología molecular trata de entender el proceso histórico de la vida, desde los
genes a las células, a los distintos organismos y a las especies. El estudio de la vida
tiene dos aspectos científicos: la vida en acción, aspecto bioquímico, y la vida en el
tiempo, es decir, la evolución.
La biología molecular necesita el apoyo de la química, de la bioquímica, pero
también de las técnicas físicas procedentes de la física atómica, como la difracción
de rayos X, sin las que hubiera sido imposible la primera fotografía de rayos X de
una proteína y la primera teoría de la estructura de una proteína que facilitaron el
descubrimiento de la doble hélice del ADN.
La forma de una célula refleja la estructura molecular de sustancias que están
presentes en ella. Los bioquímicos James Watson, nacido en 1928, y Francis Crick,
nacido en 1916, descubrieron que el ADN presente en las células tiene una estruc-
tura de doble hélice, cada una formada por cuatro bases nitrogenadas: adenina (A),
guanina (G), citosina (C) y timina (T). Las bases son las portadoras de la informa-
2
Combinatoria
y Probabilidad
en espacios discretos
2.1. Introducción.
La teoría de la probabilidad tiene sus comienzos en el deseo de lograr superio-
ridad y capacidad de decisión en los juegos de azar, pero hoy la probabilidad y la
estadística intervienen en todas las actividades humanas y sus aplicaciones son muy
diversas en genética, ecología, química, medicina, astronomía, la teoría cuántica, la
mecánica estadística, economía, meteorología, psicología, pedagogía, y en la téc-
nica.
Cardano, matemático, médico y jugador de renombre del siglo XVI, se cree que
fue el primero que calculó correctamente una probabilidad teórica.
En el siglo XVII preguntaron a Galileo unos jugadores habituales cómo podría
explicar que en una tirada de tres dados resultase más veces suma diez que suma
nueve. Galileo dio la solución aplicando la combinatoria.
Entre 1650 y 1660 Pascal publicó Traité du Triangle Arithmétique, en el que
explica las relaciones entre los coeficientes binomiales. En 1666 Leibniz dio la pri-
mera construcción sistemática de combinatoria en el libro Razonamiento sobre el
arte combinatorio con la intención de proporcionar un lenguaje simbólico al que se
pudiesen trasladar todos los procesos del razonamiento para garantizar la corrección
en la argumentación.
El comienzo de la teoría de la probabilidad tuvo lugar en el intercambio de
correspondencia entre los matemáticos Pascal y Fermat, a mediados del siglo XVII,
y empezó con un problema propuesto a Pascal en 1654 por el Caballero de Méré,
jugador profesional.
En el año 1713 Jakob Bernoulli publica Ars Conjectandi (Arte de la Suposi-
ción), el primer libro de texto en el que se estudia la probabilidad. En este libro
construye la combinatoria como el principal instrumento, o ingenio, para resolver
14 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
2.2 Combinatoria.
Uno de los objetivos fundamentales de la combinatoria es contar y desarrollar
técnicas para contar elementos de un conjunto finito.
Ejemplos:
1° ¿De cuántas formas se puede elegir una comisión de tres personas, para rea-
lizar un trabajo en equipo, de un grupo de 46?
2° ¿Cuántos símbolos distintos se pueden formar en el código Braille tenien-
do en cuenta que el signo generador tiene seis posiciones y se pueden mar-
car o no cada una de las posiciones?
3° ¿De cuántas fichas consta el juego del dominó?
4° ¿De cuántas formas distintas se pueden colocar diez libros diferentes en una
estantería?
5° a) ¿Cuántas secuencias nucleótidas distintas de veinte bases se pueden for-
mar con las bases constituyentes del ácido nucleico ARN: adenina (A),
guanina(G), citosina (C) y uracilo (U)? b) ¿Cuántas secuencias tienen cinco
COMBINATORIA Y PROBABILIDAD EN ESPACIOS DISCRETOS 17
Si A1, A 2, …, Ak son conjuntos finitos no vacíos, el cardinal del producto carte-
siano A1 A2 … Ak es el producto de los cardinales, es decir:
k
A1 A2 … Ak = A .
i=1
i
Ejemplo: ¿Cuántos alumnos debe tener una clase para que al menos dos de ellos ten-
gan las mismas iniciales del nombre y de su primer apellido con un alfabeto de 28 letras?
2
El número de iniciales distintas del nombre y primer apellido es 28 , por tanto,
2
si hay 28 + 1 = 785 alumnos, al menos dos de ellos tienen que tener las mismas ini-
ciales del nombre y del primer apellido.
¿Importa el orden de
estos k elementos?
No SÍ
El nº de resultados El nº de resultados
es CR n,k es V n,k Si hi es el nº de veces que
n
se repite a i y h i = N
i = 1
El nº de resultados el nº de resultados es
es VR n,k PR Nh 1, h 2, …, h n
COMBINATORIA Y PROBABILIDAD EN ESPACIOS DISCRETOS 19
• Así, en el ejemplo 1º
- ¿Cuál es el alfabeto? El conjunto A está formado por la lista de las 46 per-
sonas, n = A= 46.
- ¿Cuántos elementos buscamos de A? Buscamos tres, k = 3.
- ¿Importa el orden de estos tres elementos? No, porque no se les da cargos
diferentes.
- ¿Puede haber algún elemento de A repetido entre los tres buscados? No,
pues el equipo no sería de tres personas.
Según esto, el número de resultados es C46,3.
• En el ejemplo 2º
- ¿Cuál es el alfabeto? Como en cada una de las posiciones tenemos dos posi-
bilidades: marcar o no marcar, el conjunto A = {SI, NO}, y n = A= 2.
- ¿Cuántos elementos buscamos de A? Buscamos k = 6.
- ¿Importa el orden de estos seis elementos? Sí, pues los resultados SI SI NO
NO SI NO y NO SI NO SI NO SI dan símbolos distintos.
- ¿Tienen que estar necesariamente todos los elementos de A en cada resulta-
do? No, por ejemplo, un resultado puede tener todas las posiciones marca-
das y para formarlo no se utiliza el elemento NO.
- ¿Puede haber algún elemento de A repetido entre los seis buscados? Sí. En
este caso siempre aparecerá al menos un elemento de A repetido, pues k>n.
El número de símbolos distintos que se pueden formar es VR2,6.
• En el ejemplo 3º
- ¿Cuál es el alfabeto? A = {0,1,2,3,4,5,6} y n = A= 7, pues para formar las
fichas del dominó se necesitan los símbolos:
0 (blanca), 1, 2, 3, 4, 5 y 6.
- ¿Cuántos elementos buscamos de A? Buscamos k = 2.
- ¿Importa el orden de estos dos elementos? No, pues [3,5] y [5,3] son la
misma ficha.
- ¿Puede haber algún elemento de A repetido entre los dos buscados? Sí, por-
que, por ejemplo, existe la ficha [5,5].
El número de fichas del dominó es CR7,2.
• En el ejemplo 4º
- ¿Cuál es el alfabeto? El conjunto de los diez libros.
A = {l1,l2,l3,l4,l5,l6,l7,l8,l9,l10} y n = A= 10.
- ¿Cuántos elementos buscamos de A? Buscamos k = 10, pues los vamos a
colocar todos.
- ¿Importa el orden de estos diez elementos? Sí.
- ¿Tienen que estar necesariamente todos los elementos de A en cada resultado? Sí.
- ¿Puede haber algún elemento de A repetido entre los buscados? No, pues los
libros son diferentes.
20 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
• En el ejemplo 5º a)
- ¿Cuál es el alfabeto? A = {A,G,C,U} y n = A= 4.
- ¿Cuántos elementos buscamos de A? Buscamos k = 20
- ¿Importa el orden de estos veinte elementos? Sí.
- ¿Tienen que estar necesariamente todos los elementos de A en cada resulta-
do? No, una secuencia podría ser:
AAAAAAGGGGGGCCCCCCCC.
- ¿Puede haber algún elemento de A repetido entre los buscados? Sí, en este
caso en toda secuencia hay al menos un elemento repetido porque k>n.
El número de secuencias es VR4,20.
• En el ejemplo 5º b)
- ¿Cuál es el alfabeto? A = {A,G,C,U} y n = A= 4.
- ¿Cuántos elementos buscamos de A? Buscamos k = 20
- ¿Importa el orden de estos veinte elementos? Sí.
- ¿Tienen que estar necesariamente todos los elementos de A en cada resulta-
do? Sí, en cada secuencia tiene que aparecer cinco veces adenina, tres gua-
nina, ocho citosina y cuatro uracilo.
- ¿Puede haber algún elemento de A repetido entre los buscados? Sí.
- ¿Cuántas veces aparece A? h1 = 5, ¿y G? h2 = 3, ¿y C? h3 = 8, ¿y U? h4 = 4.
El número de secuencias que tienen cinco veces adenina, tres guanina, ocho cito-
5,3,8,4
sina y cuatro uracilo es PR20 .
Si A = {a1, a2, …, an}, el conjunto de las variaciones con repetición de orden k
formadas con los elementos de A es el producto cartesiano
k ) k
A A … A = A .
El conjunto de las variaciones con repetición de orden 1 son cada uno de los ele-
mentos de A; el de las variaciones con repetición de orden 2 se forma añadiendo a
la derecha de cada variación de orden 1 cada uno de los elementos de A; las de
orden 3 se forman a partir de las de orden 2 añadiendo a su derecha cada uno de los
elementos de A, y así sucesivamente.
k
Cada uno de los elementos de A se llama una variación con repetición de orden
k formada con los elementos de A.
Ejemplo: Si A = {a,b,c}, los conjuntos de las variaciones con repetición de orden
COMBINATORIA Y PROBABILIDAD EN ESPACIOS DISCRETOS 39
Regla de Laplace.
Ejemplos:
3 3 1 7
3
P (S) = P U Si = + + = .
i=1 8 8 8 8
Los 36 sucesos elementales son equiprobables. De ellos, sólo son favorables los
del subconjunto S = {(1,4),(2,3),(3,2),(4,1)}
4 1
Por tanto, P (S) = = .
36 9
Solución:
a) Designando por S1 el suceso «elegir dos hombres»
C50,2 49
P (S1) = . =
C 198 100,2
P ( A B)
consecuencia, P ( B /
A) = ≠ P ( B). En este caso se dice que los
P ( A)
sucesos A y B son dependientes.
Ejemplo: Al extraer una carta de una baraja española (40 cartas), ¿cuál es
la probabilidad de obtener un rey sabiendo que es una figura?
Llamando F al suceso «obtener figura» y R al suceso «obtener un rey»
P ( R F) 4/40 1 4 1
P ( R /
F) = = = ≠ P ( R) = = , por tanto, los
P ( F) 12/40 3 40 10
42 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
P ( A B)
• Si P ( A /
B) = = P ( A) entonces P ( A B) = P ( A). P ( B) y, por
P ( B)
P ( A B)
tanto, P ( B /
A) = = P ( B) y se dice que los sucesos A y B son
P ( A)
independientes.
1
Pero P (S1 S2) = P ({1,2,3}) = ≠ P (S1). P (S2) y, en consecuencia, no son
2
independientes.
para 2 ≤ j ≤ n y 1 ≤ k 1 < … < k j ≤ n. En total hay que verificar que son cier-
n
n
tas = 2 – n – 1 igualdades.
n
j = 2 j
te en encontrar un camino que las recorra todas pasando por cada una de ellas una
sola vez.
El objetivo
objetivo de este capítulo es dar una pequeña introducción a la teoría de gra-
fos, algunos conceptos
conceptos necesarios para la clasificación
clasificación de los estados
estados de una cade-
na de Markov,
Markov, y a la vez presentar esta rama de las matemáticas
matemáticas que tiene utilidad
utilidad
para resolver problemas prácticos en una gran variedad de campos. Por ejemplo:
circuitos y redes eléctricas (saber si un circuito se puede construir sobre un plano),
teoría algebraica de la codificació
codificación,
n, inv
investigación
estigación operativ
operativaa (asignación,
(asignación, localiza-
ción de centros,
centros, enco
encontrar
ntrar el camino
camino más corto),
corto), progr
programac
amación
ión de ordenador
ordenadores,
es, pla-
nificación
nificación y control,
control, asignació
asignaciónn de recursos, árboles de decisión,
decisión, informáti
informática
ca (repre-
(repre-
56 MODE
MODELO
LOS
S MATE
MATEMÁ
MÁTI
TICO
COS
S DIS
DISCR
CRET
ETOS
OS EN LA
LAS
S CIE
CIENC
NCIA
IAS
S DE
DE LA
LA NA
NATU
TURA
RALE
LEZA
ZA
3.2.. Def
3.2 Defini
inicio
ciones
nes y nomenc
nomenclat
latura
ura..
Un grafo simple G = (V, A) es un par ordena ordenado (V, A) en el qu
do (V quee V es un conjun-
to no vacío y finito, V
V = {v1,v2,…,
= {v ,…,vvn}, y A es un conjunto formado por subconjuntos
de dos elementos del conjunto V. Los elementos de V se llaman vértices del grafo
(también nodos o puntos del grafo). Cada elemento {v { vi,v j } A se llama una arista
del grafo (también línea o enlace) y une dos vértices distintos de V. Si {v {vi,v j } A
se dice que vi y v j son adyacentes
adyacentes,, que vi y v j son inciden
incidentes la arista {vi,v j }, o
tes con la
que vi y v j son los extremos de la arista {v
{ vi,v j }. Dos aristas son adyacentes si tienen
al menos un vértice en común.
Ejemplo: G = (V
(V, A), siendo
V = {1,2,3,4,5} y A = {{1,2},{2,3},{2,5},{3,4},{4,5}} es un grafo simple
5 2
4 3
5 2
4 3
5 2
4 3
5 2
4 3
58 MODE
MODELO
LOS
S MATE
MATEMÁ
MÁTI
TICO
COS
S DIS
DISCR
CRET
ETOS
OS EN LA
LAS
S CIE
CIENC
NCIA
IAS
S DE
DE LA
LA NA
NATU
TURA
RALE
LEZA
ZA
5 2
4 3
5
2
4 3
Un vértice de un grafo dirigido que no tiene arcos con extremo en él sino sólo
con origen en él se dice que es una fuente.
Se llama sumidero a todo vértice de un grafo dirigido del que no sale ningún
arco sino que los arcos que lo tienen por extremo todos acaban en él.
En un grafo dirigido puede haber vértices que no son ni fuentes ni sumideros.
Una red
red es
es un grafo dirigido que tiene exactamente una sola fuente y un solo
sumidero. Los vértices de una red se llaman nodos.
Ejemplo:
1
6 2
5 3
4
LA TEORÍA DE GRAFOS 59
Un grafo orientado es un grafo dirigido G = (V, A) tal que para todo par de vér-
tices vi y v j en el conjunto A está al menos uno de los pares (vi,v j ) o (v j ,vi).
Ejemplo, un grafo orientado es el siguiente:
5
2
4 3
Un grafo cuyos vértices son distinguibles unos de otros se dice que es un grafo
etiquetado.
Un grafo se dice que es ponderado si las aristas llevan asociado un número que
puede representar un coste, peso o capacidad de la arista.
En un grafo G = (V, A) no dirigido se llama grado del vértice v i, gr (vi), al núme-
60 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
n
En todo grafo G = (V, A), si V = n, se verifica que gr (V ) = 2 A.
i
i=1
Dos grafos G1 (V 1, A1) y G2 (V 2, A2) se dice que son isomorfos, y se escribe
G1 ≈ G2, si existe una aplicación biyectiva f : V 1→ V 2 que conserva la adyacencia, es
decir, tal que si {u,v} A1 ⇒ { f (u), f (v)} A2.
En dos grafos isomorfos dos vértices son adyacentes en G1 si y sólo si sus imá-
genes son adyacentes en G2.
1 2 3 a b
r
4 5 6 e d c
¿son isomorfos?
No son isomorfos porque el vértice d es adyacente a los vértices b, c, e y r
y en el primer grafo no hay ningún vértice de grado 4, por tanto, es imposible esta-
blecer una aplicación biyectiva entre los dos conjuntos de vértices que conserve la
adyacencia.
Si G1 y G2 son isomorfos, tienen el mismo número de vértices, el mismo núme-
ro de aristas e igual número de vértices para cualquier grado.
Un grafo G =(V, A), de orden n, se dice que es un grafo completo K n si todo par
n
de vértices son extremos de una arista. El grafo K n tiene aristas y es k-regular
de grado k = n –1.
2
5
2
4 3
LA TEORÍA DE GRAFOS 69
B 4
D
5 6
7
C
l c g
j
b h
i
a d f
d e i
q r
g
f m n
c b p
a j l o
k
Es imposible dibujar un circuito euleriano porque sin repetir aristas es imposi-
ble pasar un número par de veces por un vértice de grado impar.
Teorema de caracterización de los multigrafos eulerianos.
Un s-grafo conexo no dirigido es euleriano si y sólo si todos sus vértices son de
grado par.
Como consecuencia de este teorema el problema de los siete puentes de
Königsberg no tiene solución porque el 2-grafo que lo esquematiza tiene todos los
vértices de grado impar.
Todos los resultados enunciados para los s-grafos son también válidos para los
grafos que no sean multigrafos pues todo grafo es un 1-grafo.
11. a) En el grafo que tiene por vértices los vértices de un tetraedro y por aristas las
aristas de esa figura en el espacio ¿se puede dibujar un camino hamiltoniano?,
¿y un camino euleriano? Explicar si es un grafo hamiltoniano.
b) Idem si el grafo tiene por vértices y por aristas las de un hexaedro o cubo.
a)
b) ¿Y el siguiente?
a) b)
LA TEORÍA DE GRAFOS 85
14. Hallar los puntos de corte y los istmos del grafo siguiente:
1
6
5
3
4
0 1 1 0
1 0 1 1
1 1 0 0
0 1 0 0
86 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
0 1 1 0 0 1
1 1 1 1 0 1
0 0 0 1 0 1
0 0 0 0 1 0
0 0 0 1 1 1
0 0 0 0 0 0
19. ¿Son isomorfos los siguientes grafos? En caso afirmativo hallar un isomorfis-
mo entre ellos.
j e 1
7
d 5 6 2
a b
i f 8
10 9
c
h g 4 3
H C C C C C H
H H H H H
H C H
H H
H C C C H
H H
H C H
H
92 MODE
MODELO
LOS
S MATE
MATEMÁ
MÁTI
TICO
COS
S DIS
DISCR
CRET
ETOS
OS EN LA
LAS
S CIE
CIENC
NCIA
IAS
S DE
DE LA
LA NA
NATU
TURA
RALE
LEZA
ZA
p1 (1) p11 p21 … pi 1 … pr 1 p1 (0)
p2 (1) p12 p22 … pi 2 … pr 2 p2 (0)
… = … … … … … · …
p j (1) p1 j p2 j … pij … prj pi (0)
… … … … … … … …
pr (1) p1r p2r … pir … prr pr (0)
P (n) =
p2 (n)
…
pr (n)
=
P ( X
X n = 2)
…
P ( X
X n = r)
1
3
2 4
5 7
6
8
Se observa que en cada movimiento se desplaza a una celda contigua con igual
probabilidad, salvo si está en la 8 que se va
va a la 6, o si está en la
la 1 que se queda
queda allí
CADENAS DE MARKOV FINITAS 93
1 0 1/3 0 0 0 0 0
0 0 1/3 0 1/2 0 0 0
0 1/2 0 1/2 0 0 0 0
M =
0 0 1/3 0 0 0 1/2 0
0 1/2 0 0 0 1/3 0 0
0 0 0 0 1/2 0 1/2 1
0 0 0 1/2 0 1/3 0 0
0 0 0 0 0 1/3 0 0
1 1 / 3 6 1
8
3
1 /
2
4 7
1 /
2
Si se coloca el ratón
ratón inicialmente en la
la celda 8, ¿cuál es la probabilidad
probabilidad de que
esté en la 3 después de cuatro desplazamientos?
Como se le coloca
coloca en la celda 8, el vector de
de probabilidad inicial
inicial es
0
0
0
P (0
(0)) = 0 y des
esppué
uéss de cu
cuat
atro
ro des
espl
plaz
azaami
mien
enos
os la ley de pr
prob
obab
abil
iliida
dadd es:
0
0
0
1
94 MODE
MODELO
LOS
S MATE
MATEMÁ
MÁTI
TICO
COS
S DIS
DISCR
CRET
ETOS
OS EN LA
LAS
S CIE
CIENC
NCIA
IAS
S DE
DE LA
LA NA
NATU
TURA
RALE
LEZA
ZA
4
1 0 1/3 0 0 0 0 0 0 0
0 0 1/3 0 1/2 0 0 0 0 0
0 1/2 0 1/2 0 0 0 0 0 1/6
4
P (4) = M · P (0) =
0 0 1/3 0 0 0 1/2 0 · 0 = 0
0 1/2 0 0 0 1/3 0 0 0 11/36
0 0 0 0 1/2 0 1/2 1 0 0
0 0 0 1/2 0 1/3 0 0 0 11/36
0 0 0 0 0 1/3 0 0 1 2/9
Por tanto, la probabilidad de que haya llegado
llegado a la celda
celda 3 es 1/6.
En el ejemplo se ha visto cómo se puede asociar fácilmente a la matriz de tran-
sición en una etapa de una cadenacadena de Markov un grafo dirigido
dirigido o digrafo, o un pseu-
dodigrafo
dodi grafo,, que recibe
recibe el nombre de diagrama de transición de la cadena.
En gen
generaeral,l, el diagrama de transición de la cadena de Markov con espacio de
estados E = {1, 2, …, r } es un digrafo que tiene por conjunto de vértices E y por
arcos ( j,k
j,k ) si la probabilidad de transición p jk del estado j al estado k es positi
positiva
va,, es
decir, si es posible
posible pasar del estado j al k en una etapa. Si p jj ≠ 0 se dibuja en el vér-
tice j un bucle,
bucle, obteniendo entonces un pseudodigrafo.
En el diagrama de transición de una cadena de Markov existe la arista ( j, k ) si la
probabilidad de transición del estado j al k es distinta de cero y esta probabilidad es
el peso asociado a dicha arista.
Ejemplo
Ejemplo 4.3.1.
4.3.1. Una aplicac
aplicación
ión a la
la genética
genética..
Se considera un carácter en individuos diploides que está gobernado por los ale-
los A (dominante) y a (recesiv
(recesivo).
o). Un individuo,
individuo, desde el punto
punto de vista de este
carácter,, puede presentar
carácter presentar los genotipos
genotipos AA (raza pura dominante), Aa (híbrido) o aa
(raza pura recesiva). Se dispone de una población con la misma proporción de indi-
viduos de cada genotipo que es suficientemente extensa y se producen cruces al
azar entre individ
individuos
uos de esta población.
Si se llama estado del sistema en la etapa n-ésima al genotipo de un individuo resul-
tante del n-ésimo cruce, se obtiene una cadena de MarkovMarkov con espacio de estados:
estados:
E = { AA, Aa, aa}.
Se pueden calcular
calcular fácilmente las probabilidades
probabilidades de transición. Por ejemplo,
ejemplo, si
la madre es raza pura dominante,
dominante, la probabilidad de de que el hijo sea también AA es:
1 1 1 1 1
P ( X
X 1 = AA / X 0 = AA) = · 1 + · + · 0 =
3 3 2 3 2
pues hay que tener en cuenta el genotipo
genotipo del otro progenitor,
progenitor, que puede ser AA, Aa
o aa con igual probabilidad.
Si la madre es híbrido,
híbrido, la probabilidad de que el hijo sea dominante es:
1 1 1 1 1 1
P ( X
X 1 = AA / X 0 = Aa) = · + · + · 0 =
CADENAS DE MARKOV FINITAS 95
1/2 1/4 0
M = 1/2 1/2 1/2 .
0 1/4 1/2
AA 1 /
4
1 /
1 / 2
2
Aa
1 /
2
1 /
aa 4
1 /
2
5
P (5) = M · P (0) =
17/64
1/2
15/64
1/4
1/2
1/4
15/64
1/3 1/4
1/2 · 1/3 = 1/2 .
17/64 1/3 1/4
5
P (5) = M · P (0) =
17/64
1/2
15/64
1/4
1/2
1/4
15/64 1
17/64
1/2 · 0 = 1/2 .
17/64 0 15/64
96 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
2 3
4 5
0 1/2 1/2 0 0
1/2 0 0 1/2 0
M = 1/2 0 0 0 1/2 .
0 1/2 0 0 1/2
0 0 1/2 1/2 0
Sabiendo que el vigía empezó la guardia en el puesto 1, ¿es posible que esté en
el puesto 4 al cabo de cuatro cambios? ¿En qué puesto es más probable que esté al
CADENAS DE MARKOV FINITAS 97
1
0
Por partir del puesto 1 el vector de probabilidad inicial es: P (0) = 0 .
0
0
El vector de probabilidad en la cuarta etapa es:
3/8
1/16
4
P (4) = M · P (0) = 1/16 .
1/4
1/4
1/16
5/16
5
P (5) = M · P (0) = 5/16 .
5/32
5/32
1
Como P ( X 5 = 1) = ≠ 0, sí es posible que llegue al puesto 1 en el quinto
16
cambio, aunque es el puesto menos probable en la quinta etapa.
Para el vigía que tiene que hacer la guardia en cada una de las cuatro esquinas
de la Torre del Homenaje del castillo construido en Ciudad Rodrigo en 1372, el
espacio de estados será:
E = {1,2,3,4}
1 4
98 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
0 1/2 0 1/2
La matriz de transición: M = 1/2 0 1/2 0 .
0 1/2 0 1/2
1/2 0 1/2 0
1/2 0 1/2 0 1 1/2
4
P (4) = M · P (0) =
0 1/2 0 1/2 · 0 = 0 .
1/2 0 1/2 0 0 1/2
0 1/2 0 1/2 0 0
0 1/2 0 1/2 1 0
Como P (5) = M 5 · P (0) = 1/2 0 1/2 0 · 0 = 1/2 ,
0 1/2 0 1/2 0 0
1/2 0 1/2 0 0 1/2
es imposible que llegue en el quinto cambio al puesto 1.
Camille Jordan
r
El autoespacio asociado al autovalor λ j es el subespacio vectorial de defini-
do del siguiente modo:
r r
N (λ = λ j ) = {x / M x = λ j x} = {x / ( M – λ j I ) x = 0}
El autoespacio también se llama subespacio propio o subespacio invariante.
El autoespacio N (λ = λ j ) siempre contiene al menos un vector x ≠ 0 si λ j es un
autovalor de M rxr . Cualquier vector no nulo del autoespacio asociado al autovalor λ j
es un autovector asociado a λ j .
6.5.1.
6.5.1. Cade
Cadenas
nas completamen
completamente
te ergódicas
ergódicas o cade
cadenas
nas regular
regulares.
es.
n
1 0 … 0 1 0 … 0
n
n 0 λ 2 … 0
=
0 0 … 0
lim J = lim … … … … … … … …
n→∞ n→∞
0 0 … λ nr r 0 0 … 0
y
1 0 … 0
n 0 0 … 0 –1
lim M = P · · P =
n→∞ … … … …
0 0 … 0
1 0 … 0 1 1 … 1
1 0 0 … 0 F2
= [P P2 … Pr ] · · =
… … … … …
0 0 … 0 Fr
1 1 … 1
1 0 0 … 0
= [P P2 … Pr ] · = [P
1
P1 … P1]
… … … …
0 0 … 0
1
es una matriz con todas las columnas iguales al vector P .
Conclusiones:
1
Al tener el vector P todas las componentes positiv
positivas,
as, siempre se podrá volver
volver a
pasar por uno cualquiera de los estados.
Existe un vector de estado permanente o estable que coincide con la única dis-
1
tribución estacionaria P de la cadena. El vector de estado de la cadena cuando el
número de etapas tiende
tiende a infinito
infinito es un vector de probabilidad,
probabilidad, que es autovector
autovector
asociado al autovalor λ = 1 y no depende del del vector de estado
estado inicial P (0), ya que:
p1 (0)
1 p2 (0) 1
n
lim P (n) = lim M · P (0) = [P P1 … P1
]· …
=P
n→∞ n→∞
(0)
1322
13 MODE
MODELO
LOS
S MATE
MATEMÁ
MÁTI
TICO
COS
S DISC
DISCRE
RETO
TOS
S EN LAS
LAS CIE
CIENC
NCIA
IAS
S DE LA
LA NA
NATU
TURA
RALE
LEZA
ZA
esto significa que la cadena consta de una sola clase final ergódica y no posee esta-
dos transitorios. Se dice que es completamente ergódica o que es una cade
cadena
na regu-
lar. El comportamiento asintótico de la cadena es independiente del vector de esta-
do inicial.
1/2 1/4 0
M =
M = 1/2 1/2 1/2
0 1/4 1/2
3 2 λ
Esta matriz tiene por polinomio característico: M – I = – λ + λ –
3
– λ
2 2
de M son: 1, 1/2 y 0. Sólo
Los autovalores de M Sólo hay
hay uno de módulo
módulo 1, y el resto
resto tiene
tiene
COMPORTAMIENTO ASINTÓTICO DE LAS CADENAS DE MARKOV 133
1
), ∀ β }
N λ = = {x / x = (β , 0, – β ),
2
3
), ∀ γ }
N ((λ = 0) = {x / x = (γ , – 2γ , γ ),
3
N
Autovectores
Autovectores asociados a 1, 1/2 y 0 respectivamente
respectivamente son:
1 1 1
C1 = 2 , C = 0 y C = – 2
2 3 y se observa que los autovectores asociados
1 – 1 1
al autovalor λ =1
=1 son los únicos que pueden tener todas las componentes positivas.
positivas.
1 1 1 1 0 0 1 0 0
Si P =
Si P 2 0 – 2 ⇒ P –1 · M
M ·· P = 0 1/2 0 = J ⇒
⇒ J =
n n
0 (1/2) 0
1 – 1 1 0 0 0 0 0 0
– 1
1 1 1 1 0 0 1 1 1 1/4 1/4 1/4
n n –1
lim M = P · lim J · P = 2 0 – 2 · 0 0 0 · 2 0 – 2 = 1/2 1/2 1/2
n→∞ n→∞
1 – 1 1 0 0 0 1 – 1 1 1/4 1/4 1/4
1/4 1/4 1/4 p1 (0) 1/4
n
Y el lim P (n) = lim M · P (0) = 1/2 1/2 1/2 · p2 (0) = 1/2 cualquiera que
n→∞ n→∞
1/4 1/4 1/4 p3 (0) 1/4
sea el vector de distribución de probabilidad inicial P (0).
1
El lim P (n) es un vector de probabilidad P con todas las componentes estricta-
n→∞
mente positi
positivas,
vas, que además es autove
autovector
ctor asociad
asociado
o al autov
autovalor
alor 1, es decir
decir,, el
1
lim P (n) es un vector P de probabilidades estacionario
estacionario,, inde
independ
pendient
ientemen
emente
te del
del
n→∞
vector de distribución de probabilidad inicial.
En este caso el vector de probabilidades estacionario es además un vector de
estado permanente o estable y es el único vector de probabilidad que tiene esta pro-
1
piedad para la cadena de Markov dada. El vector P representa las probabilidades de
que el sistema esté en cada uno de los estados a la larga. La probabilidad de encon-
trarse en un estado después de un número n suficientemente grande de etapas es
independientee de su estado inicial.
independient
Cualquiera que sea la proporción de los genotipos de las hembras en el instante
1
inicial, el vector
vector de probabilidad estacionario P da las proporciones de los genoti-
probabilidad estacionario
AA,, Aa y aa a la larga,
pos AA
pos aproximadamente en el instante n después de pasadas
larga, y aproximadamente
un número suficientemente grande de generaciones.
n 1 1 1
Y además lim M = [P P … P ], esto significasignifica que a medida que
que aumenta el
n→∞
número de transiciones la cadena se estabiliza. Por ser todos los elementos de esa
1344
13 MODE
MODELO
LOS
S MATE
MATEMÁ
MÁTI
TICO
COS
S DISC
DISCRE
RETO
TOS
S EN LAS
LAS CIE
CIENC
NCIA
IAS
S DE LA
LA NA
NATU
TURA
RALE
LEZA
ZA
6.5.2.
6.5.2. Cade
Cadenas
nas simpl
simplemen
emente
te ergódi
ergódicas.
cas.
matriz M de
Si la matriz M de transición de la cadena es reducible pero tiene un solo auto-
1
valor de módulo máximo, λ = 1, el auto
autove ctorr P , asociado a este autov
vecto autovalor,
alor, tiene
alguna componente nula.
1
Si las componentes nulas de P son m, la cadenacadena consta
consta de una clase
clase final
final de
transitorios, siendo 1 ≤ t ≤
estados ergódicos y de t clases de estados transitorios, ≤ m.
Se dice que es una cadena simplemente ergódica. En este este caso,
caso, colo
colocand
cando o los
estados transitorios al final:
1 1 1 1
p1 p1 … p1 p1
1 0 … 0 p2
1 1
p2 … p2
1
p2
1
n 0 0 … 0 –1 1 1 1
lim M = P · … · P = [P P … P ] = … … … … …
n→∞ … … …
0 0 … 0 1 1 1 1
pr – t t pr – t t … pr – t t pr – t t
0tx1 0tx1 … 0tx1 0tx1
y el
1
p1 (0) p1
1
p2 (0) p2
n 1 1 1 1
… 1
…
lim P (n) = lim M · P (0) = [P P … P … P ] · = P =
n→∞ n→∞
pr – t t (0) …
1
… pr – t t
pr (0) 0tx1
Conclusiones:
Existe un vector de estado permanente o estable que coincide con la única dis-
1
tribución estacionaria P de la cadena,
cadena, autovec tor asociado a λ = 1, auto
autovector autova
valor
lor domi-
domi-
nante.
El vector de estado de la cadena cuando el número de etapas tiende a infinito no
depende del vector de estado inicial P(0).
Pero el vector de
de estado permanente, a diferencia del caso anterior
anterior,, tiene com-
com-
ponentes iguales
iguales a cero, las correspondientes a los
los estados transitorios porque
porque en el
COMPORTAMIENTO ASINTÓTICO DE LAS CADENAS DE MARKOV 135
Ejemplo:
1/5 0 1 0 1/5
4/5 0 0 0 4/5
M = 0 1 0 1 0 ?
0 0 0 0 0
0 0 0 0 0
5 4 α 4 α
N (λ = 1) = x / x = α , ,
5 5
, 0, 0 , ∀α
en este caso hay dos componentes de los autovectores asociados al autovalor 1 que
son nulas.
N (λ = 0) = x / x = β , γ , 0, – γ , – β , ∀β , γ
5
N λ =
– 2 + 4i
5
5
= x / x = η, η η ∀η – 2 – 4i
5
,
– 3 + 4i
5
,0,0 ,
– 2 – 4i
y el autoespacio asociado a λ = es el conjugado del anterior, es decir:
5
N λ =
– 2 – 4i
5
= x / x =
5
δ δ δ ∀δ
,
– 2 + 4i
5
,
– 3 – 4i
5
,0,0 ,
5 1 0 5 5
4 0 1 – 2 – 4i – 2 + 4i
M = 4 0 0 – 3 + 4i – 3 – 4i , entonces
0 0 – 1 0 0
0 – 1 0 0 0
1 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0
= J ⇒ J = 0 0 0
–1 n
P · M · P = 0 0 0 0 0 0 0
n
0 0 0
– 2+ 4i
5
0 0 0 0
–2 + 4i
5
0
n
0 0 0 0
– 2 – 4i
5
0 0 0 0
– 2 – 4i
5
5 5 5 5 5
1 0 0 0 0 13 13 13 13 13
4 4 4 4 4
0 0 0 0 0
13 13 13 13 13
n n –1 –1
lim M = P · lim J · P = P · 0 0 0 0 0 · P = 4 4 4 4 4
n→∞ n→∞
13 13 13 13 13
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
5 5 5 5 5 5
13 13 13 13 13 p1 (0) 13
4 4 4 4 4 4
p2 (0)
13 13 13 13 13 13
n
Y el lim P (n) = lim M · P (0) = · p3 (0) = 4
n→∞ n→∞ 4 4 4 4 4
13 13 13 13 13 13
p4 (0)
0 0 0 0 0 0
p5 (0)
0 0 0 0 0 0
COMPORTAMIENTO ASINTÓTICO DE LAS CADENAS DE MARKOV 139
1 0 0 0 1 0 0 0
n
–1
P · M
M ·· P = 0 –1 0 0 = J ⇒
⇒ J n = 0 (–1) 0 0 .
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
De ahí que:
1 0 0 0
n
n n –1
lim M = P · lim J · P = P · lim 0 (–1) 0 0 · P –1.
n→∞ n→∞ n→∞ 0 0 0 0
0 0 0 0
n
Por tanto,
tanto, no existe lim M ya que si n = 2k:
existe el lim
n→∞
1 0 0 0 1/2 0 0 1/2
2k 2k –1 0 1 0 0 · P –1 = 0 1/2 1/2 0
lim M = P · lim J · P = P ·
k →∞ k →∞ 0 0 0 0 0 1/2 1/2 0
0 0 0 0 1/2 0 0 1/2
y si n = 2k +1:
1 0 0 0 0 1/2 1/2 0
2k + 1 2k + 1 –1 0 –1 0 0 · P –1 = 1/2 0 0 1/2
lim M = P · lim J · P = P ·
k →∞
→∞ k →∞
→∞ 0 0 0 0 1/2 0 0 1/2
0 0 0 0 0 1/2 1/2 0
Y en consecuenc
consecuencia,
ia, no existe lim P (n). Esta cadena no admite un vector de
existe el lim
n→∞
1
probabilidades permanente
probabilidades estable.. Pero posee un único vector P de probabili-
permanente o estable
1/4
1 1/4
dades estacionario
estacionario:: P = , vecto
vectorr de probabil
probabilidad
idad y autov
autovector
ector asociad
asociado
o al auto-
1/4
1/4
1
valor simple λ = 1. Sólo si la distribución de probabilidad en el instante inicial es P
1
será lim P (n) = P , en los demás existee el lim P (n).
demás casos no exist
n→∞ n→∞
En este caso,
caso, si se parte de uno
uno de los estados
estados de la cadena,
cadena, es posible
posible volver
volver a
él pasadas un número par de etapas. Los estados de esta cadena son recurrentes
recurr entes pero
periódicos de periodo 2.
La probabilidad de encontrarse en un estado después de un número n sufi-
cientemente grande de etapas en este caso sí depende del estado inicial.
• Conver
Convergencia
gencia en el sentido de Cesaro a la distribución estacionaria.
1
En el ejemplo anterior no existe lim M pero sí el lim ( M ) que es
n 2k 2k +1
k +
M + M
n→∞ k →∞
→∞ 2
1400
14 MODE
MODELO
LOS
S MATE
MATEMÁ
MÁTI
TICO
COS
S DISC
DISCRE
RETO
TOS
S EN LAS
LAS CIE
CIENC
NCIA
IAS
S DE LA
LA NA
NATU
TURA
RALE
LEZA
ZA
n
na. Por verificarse esto se dice que la matriz M conver
l a matriz M convergege en el sentido de Cesaro a una
matriz con todas las columnas iguales a la distribución estacionaria
estacionaria de la cadena.
Para una cadena periódica de periodo m, exi xisten m potencias distintas de la
sten
matriz M, la media aritmética de esas potencias converge
matriz M, converge a una matriz con todas las
columnas iguales
iguales a la distribución
distribución estacionaria
estacionaria de la cadena, es decir:
1
lim ( M ) = [P P … P ]
mk +1
mk +
mk +2
mk +
mk + m – 1
mk +
mk 1 1 1
M + M +M +…+M
k →∞
m
n
que M converge en el sentido de Cesaro a la matriz que tiene todas las
y se dice que M
columnas iguales a la distribución estacionaria de la cadena.
6.5.4.
6.5.4. Cad
Cadena
enass múltip
múltiples
les..
Ejemplo:
0 1/2 1/2 0 0 0 2/10 1/10
1/2 1/2 0 0 0 0 2/10 1/10
1/2 0 1/2 0 0 0 0 0
0 0 0 1 0 0 3/10 0
M =
0 0 0 0 3/5 1/2 0 0
0 0 0 0 2/5 1/2 0 1/10
0 0 0 0 0 0 3/10 1/10
0 0 0 0 0 0 0 6/10
de M es:
El polinomio característico de M
Loss auto
Lo autoval
alor
ores
es son,
son, po
porr tanto
tanto,, 1 (trip
(triple
le),
), 1/
1/10
10,, 3/
3/10
10,, 1/
1/2,
2, 3/
3/5,
5, –1
–1/2
/2..
8
N ((λ = 1) = x / x = α , α , α , β , γ ,
N
4 γ
, 0, 0 , ∀α , β , γ
5
N ((λ = 1/10) = x / x = 0, 0, 0, 0, δ , – δ , 0 , 0 , ∀δ
N
8
N ((λ = 3/10) = x / x = η,
N
8
41 η – 5 η
6
, , 4η, 0, 0, –
2
28 η
3
, 0 , ∀η
N ((λ = 1/2) = x / x = 0, κ , – κ , 0, 0, 0, 0, 0 , ∀κ
N
8
N (λ =3/5)= x / x =
N (
8
µ 7
3
11
10
11
10
22
15
22
, – µ, 5µ, µ, µ,0,– µ, –
5
µ ∀µ
,
N 2 2 ν ν
N ((λ = – 1/2) = x / x = ν , – , – , 0, 0, 0, 0, 0 , ∀ν
8
Como todos los autoespacios tienen dimensión igual al orden de multiplicidad
del autovalor matriz M es
autovalor correspondiente, la matriz M es diagonalizable
diagonalizable..
P es la matriz que tiene por columnas ocho autovectores linealmente indepen-
Si P
Si
dientes,
dien tes, por ejemp
ejemplo:
lo:
1 0 0 0 6 0 30 2 1 0 0 0 0 0 0 0
1 0 0 0 41 1 – 70 – 1 0 1 0 0 0 0 0 0
1 0 0 0 – 15 – 1 150 – 1 0 0 1 0 0 0 0 0
0 1 0 0 24 0 33 0 0 0 0 1/10 0 0 0 0
P =
0 0 5 1 0 0 33 0 ⇒ P –1 · M
M ·· P = 0 0 0 0 3/10 0 0 0
0 0 4 – 1 0 0 0 0 0 0 0 0 0 1/2 0 0
0 0 0 0 – 56 0 – 44 0 0 0 0 0 0 0 3/5 0
0 0 0 0 0 0 – 132 0 0 0 0 0 0 0 0 –1
–1//2
1 0 0 0 0 0 0 0 1/3 1/3 1/3 0 0 0 4/21 3/14
0 1 0 0 0 0 0 0 1/3 1/3 1/3 0 0 0 4/21 3/14
0 0 1 0 0 0 0 0 1/3 1/3 1/3 0 0 0 4/21 3/14
n n –1 0 0 0 0 0 0 0 0 –1 0 0 0 1 0 0 3/7 3/28
m M = P
lim
li P·· lim J · P
P = P·
P · 0 0 0 0 0 0 0 0 · P
P = 0 0 0 0 5/9 5/9 0 5/36
n→∞ n→∞
0 0 0 0 0 0 0 0 0 0 0 0 4/9 4/9 0 1/9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1422
14 MODE
MODELO
LOS
S MATE
MATEMÁ
MÁTI
TICO
COS
S DISC
DISCRE
RETO
TOS
S EN LAS
LAS CIE
CIENC
NCIA
IAS
S DE LA
LA NA
NATU
TURA
RALE
LEZA
ZA
1/3 1/3 1/3 0 0 0 4/21 3/14 p1 (0)
1/3 1/3 1/3 0 0 0 4/21 3/14 p2 (0)
1/3 1/3 1/3 0 0 0 4/21 3/14 p3 (0)
n 0 0 0 1 0 0 3/7 3/28 p4 (0)
lim P (n) = lim M · P
lim P (0) = 0 0 0 0 5/9 5/9
5/9 0 5/36 · p5 (0)
n→∞ n→∞
0 0 0 0 4/9 4/
4/9
9 0 1/9 p6 (0)
0 0 0 0 0 0 0 0 p7 (0)
0 0 0 0 0 0 0 0 p8 (0)
1
(5 p1 + 5 p2 + 5 p3 – 9 p4 – 9 p5 – 9 p6 – p7 + 9)
– p
42
1
(5 p1 + 5 p2 + 5 p3 – 9 p4 – 9 p5 – 9 p6 – p7 + 9)
– p
42
1
(5 p1 + 5 p2 + 5 p3 – 9 p4 – 9 p5 – 9 p6 – p7 + 9)
– p
42
1
n
lim P (n) = lim M · P
P (0) = (– 3 p1 – 3 p2 – 3 p3 + 25 p4 – 3 p5 – 3 p6 + 9 p7 + 3)
n→∞ n→∞ 28
1
(– 5 p1 – 5 p2 – 5 p3 – 5 p4 + 15
15 p5 + 15
15 p6 – 5 p7 + 5)
5)
36
1
(– p1 –
(– p p2 –
– p p3 –
– p p4 + 3 p5 + 3 p6 –
– p p7 + 1)
– p
9
0
0
n
Analizando el lim M se ve claramente que:
n→∞
- Los estado
estadoss 1, 2 y 3 forma
forman
n un
unaa clase
clase comple
completame
tamente
nte ergó
ergódica
dica,, con distr
distribu
ibu--
1/3
ción permanente, o estable, 1/3 .
1/3
COMPORTAMIENTO ASINTÓTICO DE LAS CADENAS DE MARKOV 143
1/3 0 0
1/3 0 0
1/3 0 0
0 1 0
, y
0 0 5/9
0 0 4/9
0 0 0
0 0 0
1 0 0 0 0 0
1/4 2/4 0 1/4 0 0
A = 0 0 0 1 0 0
1/16 4/16 2/16 4/16 4/16 1/16
0 0 0 1/4 2/4 1/4
0 0 0 0 0 1
144 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
En este artículo se afirma que en las condiciones señaladas los híbridos pueden
considerarse a la larga relativamente inexistentes; y se comprueba para la distribu-
ción de probabilidades iniciales: P (0) = [1/9 2/9 2/9 1/9 2/9 1/9] que después
de 60 generaciones la distribución de probabilidades es:
P (60) = [0.499999 0.000001 0.000000 0.000001 0.000001 0.499999].
Aunque también se puede trabajar por filas, como el polinomio característico de
A y el de su transpuesta coinciden y también los autovalores, se puede considerar la
matriz M, transpuesta de la matriz A, que es estocástica por columnas
1 1/4 0 1/16 0 0
0 2/4 0 4/16 0 0
M = 0 0 0 2/16 0 0
0 1/4 1 4/16 1/4 0
0 0 0 4/16 2/4 0
0 0 0 1/16 1/4 1
y demostrar que el
1/9 1/2
2/9 0
n n
2/9 0
lim P (n) = lim M · P (0) = lim M · 1/9 = 0 .
n→∞ n→∞ n→∞
2/9 0
1/9 1/2
N (λ = 1) = x / x = α , 0, 0, 0, 0, β , ∀α , β
6
N (λ = 1/2) = x / x = γ , – 2γ , 0 , 0 , 2γ , – γ , ∀γ
6
N (λ = 1/4) = x / x = δ , – 4δ , 2δ , 4δ , – 4δ , δ , ∀δ
6
COMPORTAMIENTO ASINTÓTICO DE LAS CADENAS DE MARKOV 145
5
1 –
N λ =
4
= x / x = (θ , – θ 6
6
5 + 14 ,
– θ 8
5 + 18 , θ 20 5 + 44 , – θ 6 5 + 14 , θ ), ∀θ
5
1 +
N λ =
4
= x
6
/ x = (κ , κ 6
5 –14 , κ 8 5 – 18 ,
κ –20
5 + 44 , κ 6 5 – 14 , κ ), ∀κ
El autoespacio asociado a λ = 1, autovalor doble, tiene dimensión dos y, por
tanto, la matriz M es semejante a una matriz diagonal.
1 0
0 0
0 2 0
P1 = 0 yP = 0 .
0 0
0 1
como autovectores asociados a los autovalores λ =1/2 y λ = 1/4 respectivamente los
vectores:
1 1
– 2 – 4
0 4 2
P3 = 0 yP = 4 .
2 – 4
– 1 1
1 –
5
1 +
5
y autovectores asociados respectivamente a los autovalores λ = λ
y =
4 4
1 1
– 14 – 6
5 – 14 + 6
5
P5 =
5
– 18 – 8 6
yP = 5
– 18 + 8
.
20
5 + 44 – 20
5 + 44
– 6
5 – 14 6
5 – 14
146 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
0 1 0 0 0 0
0 0 1/2 0 0 0
–1
P · M · P = = J
0 0 0 1/4 0 0
1 –
5
0 0 0 0 0
4
0 0 0 0 0 5
1 +
4
y que
1 0 0 0 0 0
0 1 0 0 0 0
n
0 0 0 0 0 0
lim J = 0 0 0 0 0 0
n→∞
0 0 0 0 0 0
0 0 0 0 0 0
Por tanto:
1 3/4 1/2 1/2 1/4 0
0 0 0 0 0 0
n n –1 n –1 0 0 0 0 0 0
lim M = lim ( P · J · P ) = P · lim J · P = .
n→∞ n→∞ n→∞ 0 0 0 0 0 0
0 0 0 0 0 0
0 1/4 1/2 1/2 3/4 1
3 1 1 1
p1 p1 + p2 + p3 + p4 + p5
4 2 2 4
p2 0
p3 0
n n
lim P (n) = lim M · P (0) = lim M · =
n→∞ n→∞ n→∞
p4 0
p5 0
5
3 1 1 1
1– pi 1– p1 – p2 – p3 – p4 – p5
162 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
0 0 … pk –1 0
0 0 … 0 1
Si f ≠ 0, y se reemplazan por 1 todos los elementos positivos se obtendría una matriz de adyacencia de un grafo
7
UN MODELO DE ECOLOGÍA DE POBLACIONES. MODELO DE LESLIE 163
k– 2 k
–1
f 0 p0 f 1 p0 p1 f 2 … pi f k –1
pi f k
i=0 i=0
1 0 0 … 0 0
–1
B = H · M · H = 0 1 0 … 0 0
0 0 1 … 0 0
… … … … … …
0 0 0 … 1 0
k +1
Dividiendo esta ecuación entre (– 1) queda la ecuación polinómica:
2 k
–2 k
–1
λ – f 0 λ – p0 f 1 λ – p0 p1 f 2 λ – f 3 pi λ – … – f k –1
k +1 k k
–1 k
–2
pi λ – f k pi = 0
k
–3
k k
–1 0
cuyo coeficiente principal es 1 y los coeficientes de λ , λ , … λ , λ son, respecti-
vamente, los opuestos de los elementos de la primera fila de la matriz B en el mismo
orden. Por tanto, esta ecuación se puede escribir directamente a partir de la matriz
164 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
8
y, por el teorema de Harriot-Descartes , al tener la ecuación característica
coeficientes reales y sólo haber un cambio de signo en los coeficientes de esa
ecuación, sólo tiene una raíz real y positiva, que se representará a partir de
ahora por λ 1.
k
–1
Como el término independiente de esa ecuación es: – f k pi ≠ 0, entre los
i=0
autovalores de M no está el cero. Por tanto, los autovalores de M distintos de
λ 1 son o bien reales negativos o complejos 9.
8
Teorema de Harriot-Descartes:
El número de raíces positivas de una ecuación con coeficientes reales, contada cada una tantas veces como indi-
que su orden de multiplicidad, no supera el número de variaciones que presenta la sucesión de los coeficientes,
y ambos números son de la misma paridad.
9
Obsérvese que λ 1 no puede ser raíz múltiple por el teorema de Harriot-Descartes.
UN MODELO DE ECOLOGÍA DE POBLACIONES. MODELO DE LESLIE 165
donde x indica un elemento distinto de cero, que además es positivo y, por
tanto, ninguna potencia de M tiene todos sus elementos distintos de cero.
En este caso M no es primitiva , pero sí irreducible por ser f 3 = 8 ≠ 0.
El digrafo correspondiente se representa a continuación:
2 8
C0 C1 C2 C3
1 / 3 / 1 /
2 4 4
1 2 0
Ejemplo 7.7.3. Si M = 1/2 0 0 el polinomio característico es:
0 1/3 0
1 +
5 1 –
5
M – λ I = λ 3 – λ 2 – λ que tiene por raíces: λ 1 = , λ = , λ = 0,
2 3
2 2
1 +
5
el autovalor dominante es: λ 1 = .
2
Los autoespacios correspondientes son:
2
1 + 3 + 3
N λ = 5
= x
3
/ x = 3
5 + 9 α , 2
5
α , α , ∀α
N λ =
1 –
2
5
= x
3
/ x = 9 – 3
5 β , 3– 3
5
β , β , ∀β
2
N (λ = 0) = {x / x = (0, 0, γ ), ∀ γ }
3
1
El autovector N da las proporciones de las diferentes clases de edad en una
UN MODELO DE ECOLOGÍA DE POBLACIONES. MODELO DE LESLIE 171
2 2
4 1 1
ción característica es λ – λ – = 0, cuyas soluciones son: λ 1 =1, otra
2 2
real negativa que es aproximadamente – 0.647798 y un par de complejas
conjugadas de módulo 0.878546 que son aproximadamente – 0.176100 ±
172 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
12
1
6
En particular N = da la proporción de los individuos de las distintas
2
1
clases tomando como unidad el número de los de la última clase.
d) La tasa neta de reproducción por unidad de tiempo es λ 1 = 1, lo que signifi-
1
ca que si se parte de la distribución de edad estable N 0 = N la población se
mantiene constante en el tiempo, es decir, es estable y estacionaria.
e) Si el crecimiento de la población es proporcional a su tamaño, la tasa de cre-
cimiento per capita es k = Lnλ 1 = Ln1 = 0.
1
pi 0 0 1/6 0 0
i=0
H = = 0 1/3 0
0 p1 0 0 0 1
UN MODELO DE ECOLOGÍA DE POBLACIONES. MODELO DE LESLIE 173
1
o cualquiera proporcional a ella, N n = M · N 0 = M · N 1 = N , ∀n ≥ 1, n . En este
n n 1
APÉNDICE I 195
1
V1 = 1 N (A, – 1, 3) – N (A, – 1, 2)
0
9
Tomando V2 = (A + I) · V1 = 3 N (A, – 1, 2) – N (A, – 1, 1)
– 15
15
2
V3 = (A + I) · V1 = 6 N (A, – 1, 1)
– 27
3
se tiene una base de respecto de la cual la matriz semejante a A es:
– 1 0 0
J= 1 – 1 0
0 1 – 1
1 9 15 – 1 0 0
–1
pues P = 1 3 y P · A · P = 1 – 1 0 .
6
0 – 15 – 27 0 1 – 1
15 9 1 – 1 1 0
–1
P= 6 3 1 yP ·A·P= 0 – 1 1 .
– 27 – 15 0 0 0 – 1
Si para algún autovalor µ es DIMAUTOEV (A, µ ) menor que el orden de multi-
plicidad de µ , se puede encontrar J usando el archivo que hemos denominado
CMJM4X4.MTH, que contiene las cinco primeras expresiones del anterior y ade-
más:
k
6: M_N(A, µ , k): = (A – µ IDENTITY_MATRIX (4))
7: DIMSVNK (A, µ , k): = DIMENSION (A) – RANGO (M_N (A, µ , k))
x1
k x2
8: N (A, µ , k , x1, x2, x3, x4): = (A – µ IDENTITY_MATRIX (4)) ·
x3
x4
9: P: = APPEND (V1`, V2`, V3`, V4`)`
– 24 – 12 11 21
12 6 – 6 – 10
Ejemplo A.4.1. Si A = el polinomio característico es:
– 22 – 12 9 21
– 10 – 4 5 9
4 2 2 2
µ – 8µ + 16 = (µ – 2) (µ + 2)
Los autoespacios correspondientes a los dos autovalores son:
AUTOEV (A, µ = 2) = x1 = @1, x2 = –
2@1
,x 3 = @1, x4 =
@1
APÉNDICE I 197
AUTOEV (A, µ = – 2) = x1 = @2, x2 = @3, x3 = 2@2 + 3@3, x4 = – @3
como el autoespacio vectorial correspondiente al autovalor 2, que es doble, tiene
dimensión uno, hay que calcular el subespacio:
N (A, µ = 2, 2) = x1 = @4, x2 = @5, x3 = @4, x4 = @4 + @5
0
V1 = 1 N (A, µ = 2, 2) – N (A, µ = 2, 1)
0
1
9
– 6
V2 = (A – 2I) V1 = N (A, µ = 2, 1)
9
3
Tomando
1
0
V3 = N (A, µ = – 2, 1)
2
0
0
1
V4 = N (A, µ = – 2, 1)
3
– 1
0 9 1 0 2 0 0 0
1 – 6 0 1 –1 1 2 0 0
J= yP ·A·P=
0 9 2 3 0 0 – 2 0
1 3 0 – 1 0 0 0 – 2
0 2 – 1 0
0 – 1 0 0
Ejemplo A.4.2. Si A = el autoespacio vectorial corres-
1 2 – 2 0
1 1 – 1 – 1
pondiente al autovalor es:
AUTOEV (A, µ = – 1) = x1 = @1, x2 = 0, x3 = @1, x4 = @2 = N (A, µ = – 1, 1)
que tiene dimensión 2, por tanto, se calcula el subespacio:
N (A, µ = – 1, 2) = x1 = @3, x2 = @4, x3 = @5, x4 = @6
que tiene dimensión 4 y es, por tanto, todo el espacio.
1
V1 = 0 N (A, µ = – 1, 2) – N (A, µ = – 1, 1)
0
0
1
0
V2 = (A + I) V1 = N (A, µ = – 1, 1)
1
1
Tomando
0
1
V3 = N (A, µ = – 1, 2) – N (A, µ = – 1, 1) y linealmen-
0 te independiente con V 1
0
2
0
V4 = (A + I) V3 = N (A, µ = – 1, 1)
2
1
– 1 0 0 0
1 – 1 0 0
J=
0 0 – 1 0
0 0 1 – 1
214 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
1
3. a) Los autovalores de M son: λ = 1, λ = – (doble), λ = 0
2
2
2
b) Los autovectores por la derecha asociados a λ = 1 son y todos los
1
proporcionales a él. 1
1
Los asociados al autovalor λ = – forman un subespacio vectorial de
2
4
de dimensión dos, es decir, un plano. Son vectores directores de ese
0 2
2 0
subespacio vectorial y y, por tanto, dos autovectores por la dere-
– 1 – 1
– 1 – 1
4. Los autovalores de: M 1 son 1, 1/2 y 0; los de M 2 son 1, 0 (doble) y – 1; los
4 9 +
7 9 –
7
de M 3 son 1, , y ; los de M 4 son 1, 0 y – 1/2 (doble).
5 25 25
Las matrices semejantes a M i (i = 1, 2, 3, 4) y diagonales son, respectiva-
mente:
1 0 0 0
1 0 0 0 0 0 0
D1 = 0 1/2 0 ; D2 = ;
0 0 0 0
0 0 0 0 0 0 – 1
APÉNDICE II 215
1 0 0 0
4 1 0 0 0
0 0 0
5 0 0 0 0
D3 = 9 +
7 ; D4 =
0 0 0 0 0 – 1/2 0
25 0 0 0 – 1/2
9 –
7
0 0 0
25
5. a) Los diagramas de transición correspondientes se dibujan a continuación:
D1 D2
1 / 1 /
1 / 2 1 2 2
2 1 /
2 1 /
2 2
1 / 1 / 1 / 1 / 1 /
4 2 2 2 2
1 /
1 / 4
2
1 1 /
2
1 / 3 3 1 /
2 4
2
D3 D4
0.64 0.48
0.08 1 /
4
a 0.16 b 2 1 / 3
2
1 / 1
1 / 2 / 4
0.08 0.2 0.20 2 1 /
0.16 0.2 1 / 1 / 2
4 2
0.2 1 / 1
c d 2
0.4 1 4 1 /
0.2 4
1/4
c) La distribución de probabilidad a la larga es para la primera 1/2 , inde-
1/4
pendientemente de la distribución de probabilidad inicial.
1/4
1/4
En la segunda, el vector fijo de probabilidad es v1 = , si este vector es
1/4
216 MODELOS MATEMÁTICOS DISCRETOS EN LAS CIENCIAS DE LA NATURALEZA
n
la distribución de probabilidad inicial será lim M · v1 = v1. Para cualquier
n→∞
n
otro vector de probabilidad, P, no existe lim M · P porque el límite para
n→∞
las potencias pares de M no coincide con el de las potencias impares y exis-
ten oscilaciones de periodo dos. La distribución de probabilidad a la larga
depende de la distribución de probabilidad inicial.
0
0
En la tercera, el vector de probabilidad estable es y a la larga la cade-
0
1
na queda atrapada en el estado d, cualquiera que sea la distribución de pro-
babilidad inicial.
1/3
1/3
En la cuarta, la distribución de probabilidad a la larga es indepen-
1/6
1/6
dientemente de la distribución de probabilidad inicial.
3/4 1
9. P (2) = 1/4 ; b) lim P (n) = 0 , a la larga la cadena queda atrapa-
n→∞
0 0
da en el estado absorbente, que es la única clase final de la cadena;
1/2 7/8 1
c) si P (0) = 1/2 entonces P (2) = 1/8 y lim P (n) = 0 , también
n→∞
0 0 0
es independiente de la distribución de probabilidad inicial.
C1 C2 C3
C4
1 /
4
17. Ferrando, J. C., Gregori, V. Matemática discreta. Ed. Reverté. Barcelona. 1994.
18. Foulds, L. R. Graph theory applications. Ed. Springer-Verlag. 1992.
19. García, A. (Ed.) Prácticas de matemáticas con Derive. Ed. Clagsa. Madrid.
1994.
20. García Merayo, F. Matemática discreta. Ed. Paraninfo. Madrid. 2001.
21. González Manteiga, Mª T. Un modo asequible de iniciarse en la combinatoria.
Didáctica de las Matemáticas. Nº 7. Nueva Revista de Enseñanzas Medias.
Págs. 95 a 106. Ed. Ministerio de Educación y Ciencia. Madrid. 1985.
22. González Manteiga, Mª T. Sobre las propiedades de ciertos tipos de grafos ale-
atorios y relaciones entre ellos. Cuadernos de Bioestadística y sus aplicaciones
Informáticas. 1992; Vol. 10. Nº 1. Págs. 5 a 14.
23. González Manteiga, Mª T., Martínez Calvo, Mª C. Resolución de sistemas de
ecuaciones diferenciales lineales con coeficientes constantes con el Programa
Derive. 1996. Epsilon nº 36 , págs. 387-406.
24. Gordon, P. Théorie des Chaînes de Markov finies et ses applications. Ed.
Dunod. Paris. 1965.
25. Grimaldi, R. P. Matemáticas discreta y combinatoria. Una introducción con
aplicaciones. 3ª edición. Ed. Addison-Wesley Iberoamericana. 1997.
26. Guzmán, M. Aventuras matemáticas. Ed. Pirámide. Madrid. 1996.
27. Horn, R. A., Johnson, C. R. Matrix analysis. Ed. Cambridge University Press
1985.
28. Kaufmann, A. Introducción a la combinatoria y sus aplicaciones. Compañía
Editorial Continental. México 1971.
29. Kemeny, J. G. et al. Estructuras matemáticas finitas. Ed. Eudeba. Buenos
Aires. 1967.
30. Kot, M. Elements of mathematical ecology. Cambridge University Press. 2001.
31. Kutzler, B., Kokol-Voljc, V. Introducción a Derive 5. Edición española:
Derisoft, Valencia. 2000.
32. Le Lionnais, F. y colaboradores Las grandes corrientes del pensamiento mate-
mático. Ed. Eudeba. 1962.
33. Legendre, L., Legendre, P. Ecologie numérique. Ed. Masson. Paris. 1979.
34. Leslie, P. H. On the use of matrices in certain population mathematics.
Biometrika. 1945; Vol. 33, Págs. 183-212.
35. Leslie, P. H. Some further notes on the use of matrices in population
mathematics. Biometrika. 1948 Vol. 35, Págs. 213-245.
36. Leslie, P. H., Ranson, R. M. The mortality, fertility and rate of natural increase
of the vole (Microtus agrestis) as observed in the laboratory. Journal of Animal
Ecology. 1940; Vol. 9, Págs. 27-52.
37. Lewis, E.G. On the generation and growth of a population. Sankhya. 1942; Vol.
6. Págs. 93-96.
38. Margalef, R. Ecología. Ed. Omega S.A. Barcelona. 1989.
39. Martínez Calvo, Mª C., Diagrama de red. Dominancia equilibrada a la larga del
carácter homocigótico. Gaceta Matemática. 1ª Serie. Tomo XXXI. Números 3
BIBLIOGRAFÍA 223
DIRECCIONES DE INTERNET
http://www.derive.com
http://www.derive-europe.com
http://www.upv.es/derive/
http://www-groups.dcs.st-and.ac.uk/~ history/BiogIndex.html
El propósito principal de este libro, que consta de siete capítulos, es motivar a
los estudiantes suministrándoles información sobre aplicaciones de algunos modelos
matemáticos discretos en las ciencias de la naturaleza, mediante un estudio teórico-
práctico.
El primer capítulo es una breve presentación general de aportaciones de las
matemáticas a las ciencias naturales. En los Capítulos 2 y 3 se dan unas nociones
de combinatoria y probabilidad en espacios discretos y una pequeña introducción
de la teoría de grafos. Ambos capítulos que tienen interés por sí mismos, presentan
conceptos necesarios para estudiar las cadenas de Markov, Capítulos 4, 5 y 6, y el
modelo de Leslie, Capítulo 7, dos modelos estocásticos discretos de gran utilidad
para el estudio de la evolución temporal de poblaciones en las ciencias de la
naturaleza, en particular en genética, zoología y ecología.
Las cadenas de Markov son fruto de la investigación en matemática pura que
han encontrado, entre otras muchas aplicaciones, utilidad en genética para el estudio
de la recombinación de los genes en la teoría de la evolución de poblaciones y
también en economía, sociología, etc. El modelo de Leslie es un ejemplo claro de
matemática aplicada en el campo de la zoología. En el estudio de estos dos modelos
se utilizan matrices de números reales, autovalores y autovectores.
A partir del segundo, cada capítulo consta de una exposición teórica ilustrada con
ejemplos, gráficas y ejercicios resueltos que ayudan a la comprensión de los conceptos
teóricos e incluyen una serie de problemas propuestos cuyas soluciones se recogen
en el Apéndice II.
Se espera que este libro pueda resultar de interés tanto para alumnos de ciencias
experimentales, como para matemáticos, estudiantes de humanidades, de ciencias
de la salud, de economía, etc. y también para profesores de primeros cursos de
licenciatura, de cursos de preparación para la Universidad y en general para todos
los que sientan curiosidad por aplicaciones de las matemáticas.
ISBN 84-7978-550-0