BIOGRAFÍA DE MARKOV

Andréi Andréyevich Márkov (14 de junio de 1856 -20 de julio de 1922)

Fue un matemático ruso conocido por sus trabajos en la teoría de los números y la teoría de probabilidades.

Andrei Markov fue alumno de la universidad de San Petersburgo, discipulo de Chebyshev como Liapunov, después de su doctorado en 1886 accedió como adjunto a la Academia de Ciencias de San Petersburgo, a propuesta del propio Chebyshev.

En 1989, cuando Chebyshev dejó la universidad, le sustituyó en los cursos de teoría de probabilidad. En 1925 Andrei Markov dejó definitivamente la universidad.

Aparte de su perfil académico, Andrei Markov fue un activista político oponiéndose a los privilegios de la nobleza zarista, llegando a rechazar las condecoraciones del zar en protesta por decisiones políticas relacionadas con la Academia de Ciencias. Andrei Markov influyó sobre diversos campos de las matemáticas, sobresaliendo con la teoría de la probabilidad.

En 1887 completó la prueba que permitía generalizar el teorema central del límite que ya había avanzado Chebyshev, aunque su aportación más conocida se encuentra en los procesos estocásticos, elaborando un instrumento matemático que actualmente se conoce como cadena de Markov, instrumento que, hoy en día, se consideran una herramienta esencial en disciplinas como la economía, la ingeniería, la investigación de operaciones y muchas otras.

Las cadenas de Markov fueron introducidas por el matemático ruso Andrei Markov alrededor de 1905, con el objetivo de crear un modelo probabilístico parara analizar la frecuencia con la que aparecen las vocales en poemas y textos literarios. Las cadenas de Markov pueden aplicarse a una amplia gama de fenómenos cientificos y sociales.

Autor: Luis Toro

V-27.049.365

Referencias Bibliográficas

Andrei Markov. [En Wikipedia]. Recuperado (2021, Junio 8) de https://es.m.wikipedia.org/wiki/Andr%C3%A9i_M%C3%A1rkov

Comentarios

Publicar un comentario

Entradas populares de este blog

Nacimiento y Muerte, Yule, Martingalas, renovación y confiabilidad

Imagen
  PROCESO DE NACIMIENTO Y MUERTE      Los procesos de nacimiento y muerte representan sistemas cuyo estado en cada instante representa el numero de individuos en el mismo. Si este es n, se producen llegadas con tasa exponencial λn, y salidas con tasa exponencial µn, de forma independiente. Un proceso de nacimiento y muerte es una CMTC con espacio de estados {0, 1, 2, . . . , }, tasas de permanencia v0 = λ0, vi = λi + µi , i > 0, y probabilidades de transicion´ pi,i+1 = λi λi + µi , pi,i−1 = µi λi + µi , p01 = 1 pi,j = 0 para cualesquiera otros i, j. REPRESENTACIÓN GRÁFICA Los procesos de nacimiento y muerte se enmarcan dentro de la teoría de colas. EJEMPLOS ·          Un proceso de Poisson es un proceso de nacimiento y muerte con tasas λn = λ, µn = 0 para todo n. ·          I Un proceso de Yule es un proceso de nacimiento y muerte con tasas λn = nλ, µn = 0 para todo n. ...
Leer más

CADENA DE MARKOV A TIEMPO CONTINUO

Imagen
Un proceso estocástico en tiempo continuo X(t) , t ≥ 0 es una cadena de Markov en tiempo continuo sí: La matriz P formada con las probabilidades pij es una matriz estocástica y, por tanto, la matriz de transición en un paso de la cadena de Markov encajada. Una cadena de Markov en tiempo continuo se comporta como una cadena de Markov encajada, con intervalos de tiempo de permanencia en cada estado distribuidos exponencialmente e independientemente. Ejemplos se tienen en el Proceso de Poisson de tasa 1, Proceso de Yule y Sistema de dos procesadores secuenciales. En las cadenas de Markov en tiempo discreto (CMTD) se analizaron las probabilidades de transición en n pasos, pij^(n). El homólogo en las cadenas de Markov en tiempo continuo (CMTC) es la función de probabilidad de transición: Es decir, la probabilidad de que estando inicialmente en el estado i, después de t unidades de tiempo se entre en el estado j. • En las cadenas de Markov en tiempo continuo (CMTC) no se puede habl...
Leer más

PROCESO DE POISSON MIXTO

Imagen
En esta generalización del proceso de Poisson se considera que el parámetro λ no es constante sino una variable aleatoria. Sea ʌ una variable aleatoria positiva con función de distribución F (λ). Se dice que el proceso de conteo {Xt : t≥0} es un proceso de Poisson mixto con variable mezclante ʌ si para cada entero n≥1, y cada sucesión de enteros no negativos k1, . . . , kn, y cualesquiera tiempos 0 ≤a1 ≤b1 ≤a2 ≤b2 ≤… ≤an ≤bn se cumple la igualdad. Cuando la variable aleatoria mezclante ʌ es constante e igual a λ, el proceso de Poisson mixto se reduce al proceso de Poisson. El proceso de Poisson mixto cumple las siguientes propiedades: Autor: Luis Toro V-27.049.365 Referencias Bibliográficas: Rincón, L. (2012), Introducción a los procesos estocasticos, Mexico, Editorial UNAM. Rincón, L. (2011), Introducción a los procesos estocasticos, Mexico, Editorial UNAM. Vega, M (2004) Cadenas de Markov de tiempo continuo y aplicaciones [archivo PDF]. Recuperado de https://www.colibri.udela...
Leer más