q dependiendo del signo de a,/b,. Proposicién 1.7.6. Si lim (f (n) + 1)/f(n))= a, -1 1, entonces f(n) tiende a infinito. Esta proposicién se puede utilizar para determinar el comportamiento cuando n tiende a infinito de f(n) = n’ x", donde r es cualquier entero positivo. Si x = 0 entonces f(n) = 0 para todos lgs valores de n. En caso contrario38 Preliminares Capitulo 1 “hos OP) tiende a x cuando 7 tiende a infinito. (Utilicense las proposiciones anteriores). Por tanto si-11 entonces f(n) tiende a infinito. Si x = 1 entonces f(n) = n’, lo cual tiende claramente a infinito. Por ulti- mo es facil ver que si x <—1 entonces f(n) presenta una oscilaci6n infinita. El pro- blema 1.35 muestra que el comportamiento de 17 x" es el mismo, salvo que f(1) tiende a 0 cuando x= 10x=-1. La regla de I'Hépital se puede utilizar en algunas ocasiones cuando resulta impo- sible aplicar la proposicién 1.7.5, Una forma sencilla de esta regla es la siguiente: Proposicién 1.7.7. (De ! Hopital) Supéngase que lim f(n) = im g(x) =9, o alternativamente que estos dos limites son infinitos. Supdngase ademds que los do- minios de f y g se pueden extender hasta alguin intervalo real [ng, +-2) de tal forma que las nuevas funciones correspondientes f y ¢ son diferenciables en este intervalo, xy ademds que ¢” (x), la derivada de 3 (x), nunca es cero para x © [ng, + ©), entonces lim fn) / g(0) =m f°@)/$°@) Como ejemplo sencillo, supongamos que f(n) = log n y g(n) = n't, en donde a > 0 es una constante positiva arbitraria. Ahora bien, tanto f(n) como g(n) tienden a infinito cuando n tiende a infinito, asi que no se puede utilizar la proposicién 1.75. Sin embargo, si extendemos f(z) a f (x) = log x y g(n) a (x) = x*, entonces la regla de l’H6pital nos permite concluir que limlogn/n* = Timn(1/x) /(ax*") = lim 1/(ax*) =0 sea cual fuere el valor positivo de a. Por ultimo, la proposicién siguiente es util en algunas ocasiones aunque es muy sencilla de demostrar. Proposicién 1.7.8. Si las dos funciones f (n) y g (nt) tienden a los limites a y b res- pectivamente cuando n tiende a infinito, y si f (n) < g (n) para todo n suficiente- mente grande, entonces a $b.Secci6n 1.7 Recordatorios 39 1.7.2 Series sencillas Supongamos que u(1) es cualquier funcién de n definida para todos los valores de n. Si sumamos los valores de u(i) para i = 1,2, ..., 2, se obtiene otra funcidn de 7, a saber: s(t) =u (1) +u(2)+...4 un) Suele ser conveniente cambiar un poco la notacion, y escribir esta ecuacién en la forma 8,5 U, tt... +H o bien simplemente x que leeremos como «la suma de u, cuando i va desde 1 hasta 7 ». Ahora sis, tien- de a un Ifmite s cuando n tiende a infinito, se tiene que lo cual se suele escribir como o bien como =u, ++... en donde los puntos suspensivos denotan que la serie continiia de forma inde- finida. En este caso diremos que la serie es convergente, y lamaremos a s la suma de la serie. Si por otra parte s, no tiende a un limite, sino que s, tiende a +> 0 a —, en- tonces diremos que la serie diverge, a +eo 0 quizd a —~. Finalmente, si s, no tien- dea un limite, ni a +o ni a—ce, entonces diremos que la serie oscila (de forma fi- nita o quiza infinita). Es evidente que una serie que no tenga términos negativos debe de converger, o bien diverger, a + : no podré oscilar. Dos clases de series especialmente sencillas son las series aritméticas y las se- ries geométricas. En una serie aritmética la diferencia entre términos sucesivos es40 Preliminares Capftulo 1 constante, asi que se pueden representar los n primeros términos de la serie en la forma @atdar2d,.,a+(a-Dd en donde a, el primer término, y d, la diferencia entre términos sucesivos, son constantes adecuadas. En una serie geométrica, la raz6n de términos sucesivos es constante, de tal forma que aquf los n primeros términos de la serie se pue- den representar en la forma @, ar, ar, ..., art} Las proposiciones siguientes dan la suma de estas series. Proposici6n 1.7.9. (Serie aritmética) Sea s, la suma de los n primeros términos de Ia serie aritmética a,a + d,a+2d,...Entonces s,=an +n (n—-1) d/2 La serie diverge a no ser que a = d = 0, en cuyo caso s, = 0 para todo n. La pro- posicién se demuestra facilmente. En primer lugar se escribe la suma en la forma 8,= a+ (atd)+... + (a +n —-2Dd) + (a + (nd) y después se escribe de nuevo en la forma S,= (a+ (n-2)d) + @+(n-2)d)+..+@+d+a Al sumar los términos correspondientes de estas dos ecuaciones, se obtiene 2s, = (2a + (n - 1)d) + (2a + Gr -1)d) +... + (2a + (n - 1)d) + 2a + (2 - 1d) en donde hay 2 términos iguales en el lado derecho. El resultado se sigue inme- diatamente. Proposici6n 1.7.10. (Serie geométrica) Sea s, la suma de los n primeros térmi- nos de la serie geométrica a, ar, ar’, ... Entonces s,= a (1 —r*) / (1 — 7), salvo en el caso especial en el cual r = 1, en donde s,= an Para ver esto, se escribe a(ltrere.. ert)Secci6n 1.7 Recordatorios 41 de tal manera que r,sa(rtretrt+ ier) Al restar la segunda ecuacién de la primera, se obtiene inmediatamente (l-r)s,=a(1-7r") En el caso general (esto es, cuando r # 1) la suma s, de una serie geométrica tien- de a un limite si y sélo si r" también lo hace. Esto nos da la proposicién siguiente. Proposicién 1.7.11. (Serie geométrica infinita) La serie geométrica infinita a + ar + ar? + .... es convergente y tiene como suma a | (1-1) si y sélo si-1 + 3r' +... (4-1) 7" Restando la segunda ecuacién de la primera, se obtiene Q-ns,=rtrPtrt..tr—-(n-1r" ar(trtr+..+ 9) nr" =[rd-1)/(1-n]-nr" en virtud de la proposicién 1. 7. 10. Por tanto: _rd-r)" __nr" = 2 _ pm a S,=1+ 29? +...4(n-Tr' (=n? -d=n E] lado derecho tiende a un limite cuando n tiende a infinito si-< r < 1 (utili- zando la proposicién 1.7.6), lo cual nos da el resultado siguiente. Proposicién 1.7.12. La serie infinita r + 2r? + 37? + ... converge cuando-1 0. Proposicién 1.7.13. Para cualquier entero k 2 0 tenemos San we Gthan (ntl)... A+k+D /(k+2) = Esta proposicién se demuestra facilmente por induccién matematica sobre n. Obsérvese que no es necesario utilizar induccién sobre k, que no pasa de ser un parémetro en la formula. Utilizando la proposicién 1.7.13 es facil obtener las sumas de las distintas se- ties de interés. 1 Proposici6n 1.7.14. Yi=n(n+1) /2 iat Este resultado es simplemente la proposicién 1.7.13 con k = 0. Proposici6n 1.7.15.) =n (n+1) (2n+1) /6 = Para demostrar esto, tomemos dX? = Ye G+y-a ‘a = =dia+-Yi fl jel =n(n+1) (n+2) /3-n (ntl) /2 =n(n+1)(2n+1) /6 en donde hemos utilizado la proposicién 1.7.13 dos veces para evaluar las dos sumas.Secci6n 1.7 Recordatorios 43 Una linea similar de ataque se podria utilizar para evaluar cualquier otra se- rie de este tipo. De hecho, tal como le mostramos a continuacién, resulta senci- Ilo probar la siguiente proposicién general. Proposicién 1.7.16. Sea r cualquier entero positivo. Entonces =n!" / (r+ D+p,(n) it en donde p, (1) es un polinomio de grado no mayor que r El esbozo de la demostracién es como sigue: =YiGey.. G+r-D+ Vp @ tL a =n(a+l)... (ntr)/(r+1)+ pa) =n!" / (r+1)+p"(n) en donde p(i) es un polinomio de grado no mayor que r— 1, y p(n) y p“(n) son polinomios de grado no mayor que 7. Dejaremos al lector rellenar los detalles del argumento. Finalmente consideraremos de manera breve las series de la forma 1”, 2”,... donde r es un entero positivo. Cuando r = 1 obtenemos la serie 1, 1/2, 1/3, que se conoce con el nombre de serie arménica. Es facil mostrar que esta serie verge. La proposicién siguiente nos proporciona una mejor idea de su compor- tamiento. n ist suma de los n primeros términos (n+1) 1 son todas convergentes, y que la suma de todas estas series es menor que r/ (r — 1); véase el problema 1.39. Por ejemplo: 1,1 1) _ iim (le gee gehts) = 7 160495 Sin embargo no resulta facil calcular el valor exacto de estas sumas. 1.7.3 Combinatoria basica Supongamos que se tienen 1 objetos que son suficientemente distintos para que podamos reconocer cada uno: diremos que estos objetos son distinguibles. Para facilitar la exposici6n supongamos que estdn rotulados con las letras a, b, y asi sucesivamente, teniendo cada objeto un rétulo distinto. De ahora en adelante aludiremos simplemente a a, por ejemplo, cuando queramos decir «el objeto cu- yo rétulo es a». Nuestra primera definicién concierne al ntimero de formas en que se pueden ordenar estos n objetos.Secci6n 1.7 Recordatorios 45 Definicién 1.7.18. Una permutacién de n objetos es una disposicion ordenada de los objetos, Por ejemplo, si tenemos cuatro objetos a, b, c y d, podemos disponerlos por or- den de 24 maneras distintas: abcd abde acbd acdb adbc adch bacd bade bead bcda bdac bdca cabd cadb chad cbda cdab cdba dabc dacb dbac dbca dcab dcba El primer objeto de la permutaci6n se puede seleccionar de 1 maneras; una vez que se ha seleccionado el objeto, el segundo se puede seleccionar de # - 1 for- mas distintas; una vez que se han seleccionado el primero y el segundo, el ter- cero se puede seleccionar de n - 2 formas distintas, y asi sucesivamente. Hay dos posibilidades cuando se ha seleccionado el pentltimo objeto, y solamente hay una forma de seleccionar el tiltimo objeto. El numero total de permutaciones de 1 objetos es por tanto n(n-1)(n-2)...2:1=n! A continuacién consideraremos el ntimero de formas de seleccionar un cierto namero de estos objetos, independientemente del orden en el cual hagamos nuestras selecciones. Definicién 1.7.19. Una combinaci6n de x objetos de entre n objetos es una selec- cién de r objetos sin tener en cuenta el orden. Por ejemplo, si tenemos cinco objetos a, b, c, d y e, podemos seleccionar tres de ellos de 10 maneras distintas si no se tiene en cuenta el orden: abc abd abe acd ace ade bed bce bde cde Una seleccién tal como eba no aparece en esta lista, puesto que es lo mismo que abe cuando no se tiene en cuenta el orden de los objetos. Cuando hacemos nuestra seleccién de r objetos de entre n, hay n formas de efectuar la primera opcién. Cuando se ha seleccionado el primer objeto, quedan n—1 formas para seleccionar el segundo, y asf sucesivamente. Cuando se selec- ciona el ultimo de los r objetos deseados, quedan n —r + 1 posibilidades. Por tan- to hay n(n-1)(n-2)... (n-1r+1)46 Preliminares ~ - Capitulo 1 formas de seleccionar r objetos de n cuando se tiene en cuenta el orden. Sin em- bargo cuando no se tiene en cuenta el orden, se pueden permutar los r objetos se- leccionados de cualquier forma que queramos, y sigue contando como la misma combinacién. En el ejemplo anterior, las seis opciones ordenadas abc, ach, bac, bca, cab y cha cuentan todas ellas como una misma combinacién. Puesto que hay r! formas de permutar r objetos, el numero de formas de seleccionar r objetos de entre n cuando no se tiene en cuenta el orden es (") = Maa Nn-2)..a-r +1) ay r rt Hay varias notaciones alternativas que se utilizan para el nmero de combina- ciones de n objetos tomados ra r: entre otras, se puede encontrar ,C, y C*. Esto da cuenta del habito frecuente pero ildgico consistente en escribir (7) pero leyén- dolo en la forma «1 Cr». Cuando r > 7 la ecuacién 1.1 da (7) = 0, lo cual tiene sentido: no hay forma de se- leccionar més de n objetos de entre #. Resulta conveniente tomar (3) = 1 (porque hay s6lo una forma de no seleccionar ningan objeto), y cuando r < 0, que no tie- ne significado combinatorio, definimos (7) = 0. Cuando 0 s7 », la ecuaci6n 1.1 se puede escribir de forma cémoda como ! (7) . Aer ry! Un argumento sencillo nos permite obtener una relaci6n importante. Consi- dérese cualquiera de los n objetos, y digase que este objeto es «especial». Ahora, cuando seleccionemos r objetos de entre los 1 disponibles, podemos distinguir aquellas selecciones que incluyan al objeto especial y aquellas que no. Por ejem- plo, si tenemos que seleccionar tres objetos de entre a, b, c, d y e, y el objeto es- pecial es b, entonces las selecciones que incluyen al objeto especial son abe, abd, abe, bed, bce, y bcd, mientras que las que no incluyen al objeto especial son acd, ace, ade y cde. Para hacer una seleccién del primer tipo, podemos seleccionar pri- mero el objeto especial (puesto que el orden de nuestras selecciones no es im- portante), y completar entonces nuestra seleccién escogiendo r - 1 objetos de en- tre los m — 1 que quedan; esto se puede hacer de nt maneras. Para hacer una seleccién de la segunda clase, debemos de seleccionar nuestros r objetos de entre los n - 1 que no son especiales; esto se puede hacer de (nt maneras. Puesto que la seleccién de r objetos de entre los n disponibles es de una clase 0 de otra, es preciso que se cumpla (t)=(tof) «(ty tsrnSeccién 1.7 Recordatorios 47 Esta férmula también se puede demostrar utilizando la ecuaci6n 1.1. La f6rmula nos da una forma sencilla de tabular los valores de () segun se ilustra en la figura 1. 9. Aqui cada figura de las tablas se puede calcular facilmente a partir de los ele- mentos de la fila precedente. Una tabla de este tipo que muestra los valores () suele denominarse Tridngulo de Pascal. Los valores ) también se conocen con el nombre de coeficientes binomiales co- mo consecuencia del papel que desempefian en el teorema siguiente. El teorema, que no intentaremos demostrar, se suele atribuir a Newton, aunque parece ha- ber sido conocido ya por Omar Khayyam unos 600 afios antes. nfr 0 1 2 3 4 5 0 1 1 1 1 2 1 2 1 3 1 3 3 1 4 1 4 6 4 1 5 1 5 10 10 5 1 Figura 1.9 Combinaciones de n objetos tomados rar Teorema 1.7.20 (Newton). Sea nun entero positivo. Entonces (1+ x)" =14 (i) + (3) Pia( J aie Utilizando este teorema es sencillo obtener resultados interesantes concernientes a los coeficientes binomiales. Por ejemplo, al hacer x = 1 se obtiene inmediatamente 3() = En términos combinatorios, la suma de la izquierda es el nmero de formas de seleccionar un namero arbitrario de objetos (incluyendo 0 objetos) de entre n, en donde no se tiene en cuenta el orden. Puesto que hay dos posibilidades para ca- da uno de los 1 objetos, se puede seleccionar o bien se puede descartar, entonces hay 2” maneras de hacer esto. De forma similar, al hacer x = -1 en el teorema 1.7.20 se encuentra que us fi a, (nm 3()- 20) vimpar rpar48 Preliminares Capitulo 1 1.7.4 Probabilidad elemental . La teoria de la probabilidad concierne al estudio de fenémenos aleatorios; esto es, de aquellos fenémenos cuyo futuro no es predecible con certeza. Para aplicar la teoria de la probabilidad, consideraremos el fenémeno de interés como un ex- perimento aleatorio cuyo resultado no se conoce con certeza por anticipado. Tal ex- perimento podria consistir, por ejemplo, en tirar un dado e ir apuntando la cara que queda hacia arriba, o bien podria consistir en contar cudntos coches van pa- sando por un cierto punto en un periodo determinado de tiempo, o bien en me- dir el tiempo de respuesta de un sistema de computadoras. El dato anotado para cada experimento se denomina su resultado. El conjunto de todas los posibles resultados de un experimento aleatorio se de- nomina espacio muestral del experimento. En los parrafos siguientes notaremos este espacio muestral mediante S. Los resultados individuales se denominan pun- tos muestrales 0 sucesos elementales, Por ejemplo, cuando tiramos un dado ordina- rio, hay seis resultados posibles, a saber, los valores del 1 al 6. Para este experi- mento, entonces, el espacio muestral es S = {1, 2, 3, 4, 5, 6}. Para el experimento aleatorio que consiste en contar los coches que pasan por un cierto punto, el es- pacio muestral es S = {0, 1, 2,...}. Para el experimento aleatorio que consiste en medir el tiempo de respuesta de un sistema de computadoras, el espacio muestral es S={t | t > 0}. Un espacio muestral puede ser finito o infinito, y puede ser discreto 0 conti- nuo. Se dice que un espacio muestral es discreto si el namero de puntos mues- trales es finito, o bien si se pueden rotular en la forma 1, 2, 3, y asi sucesivamente utilizando los nimeros enteros; en caso contrario, el espacio muestral es conti- nuo. En los ejemplos anteriores, S es finito y por tanto discreto para el experi- mento aleatorio consistente en tirar un dado; S es infinito pero discreto para el experimento consistente en contar coches, porque los resultados posibles se pue- den hacer corresponder con los enteros positivos; y S es continuo para el expe- rimento consistente en medir un tiempo de respuesta. En este libro nos ocupa- remos casi por entero de experimentos aleatorios cuyo espacio muestral es fini- to, y por tanto discreto. Se define ahora un suceso como una coleccién de puntos muestrales, esto es, como un subconjunto del espacio muestral. Se dice que un suceso A sucede si el experimento aleatorio se lleva a cabo y el resultado observado es un elemento del conjunto A. Por ejemplo, cuando tiramos un dado, el suceso descrito por la frase «el nimero mostrado en el dado es impar» se corresponde con el subcon- junto A = { 1, 3, 5} del espacio muestral. Cuando contamos coches el suceso des- crito por «el ntimero observado de coches es menor que 20» se corresponde con el subconjunto A = {0, 1, 2,..., 18, 19}, y asi sucesivamente. Informalmente, utili- zaremos la palabra «suceso» para aludir bien a la frase que lo describe, 0 al sub- conjunto correspondiente del espacio muestral. En particular, todo el espacio muestral S es un suceso conocido con el nombre de suceso universal, y el conjun- to vacio @ es un suceso denominado el suceso imposible.\ Secci6n 1.7 Recordatorios 49 \ Puesto que un espacio muestral S es un conjunto y un suceso A es un sub- conjunto de S, podemos formar nuevos sucesos mediante las operaciones habi- tuales de teoria de conjuntos. Por tanto, para cualquier suceso A corresponde un suceso A que consiste en todos los puntos muestrales de S que no estan en A. Claramente A es el suceso «A no sucede». De manera similar el suceso A UB se corresponde con la frase «sucede o bien A o bien B», mientras que el suceso AB se corresponde con «suceden tanto A como B». Se dice que dos sucesos son mutuamente excluyentes si A B= 9. Por ultimo, una medida de probabilidad es una funcién que asigna un valor nu- mérico Pr[A] a todo suceso A del espacio muestral. Evidentemente, se supone que la probabilidad de un suceso mide en algun sentido la posibilidad relativa de que ese suceso se produzca si se lleva a cabo el experimento aleatorio subya- cente. Las bases filoséficas de la nocién de probabilidad son controvertidas (qué significa precisamente decir que la probabilidad de Iuvia mafana es de 0,25?), pero existe un acuerdo en lo tocante a que toda medida sensata de pro- z+. babilidad debe de satisfacer los tres axiomas siguientes: 1. Para todo suceso A, Pr [A] 20 2. Pr[S]=1 3. Silos sucesos A y B son mutuamente excluyentes, esto es, si A 1 B = O, en- tonces Pr[AUB]=Pr[A] + Pr{B] Se sigue por induccién matematica del axioma 3 que PrlA,VA,U...UA,] = Pr [A] + Pr [A,] +... + Pr[A,] para toda coleccién finita A,, A,, ..., A, de sucesos mutuamente excluyentes. (Se necesita una forma modificada del axioma 3 si el espacio muestral es infinito, pero no es preciso que nos preocupemos aqui de eso.) Los axiomas dan lugar a un cierto ntiimero de consecuencias, entre las cuales se cuentan: 4. Pr[A]=1-Pr [A] para todo suceso A; y 5. Pr [AUB] = Pr [A] + Pr [B]- Pr [AB] para todo suceso A y B El procedimiento basico para resolver problemas en probabilidad se puede es- bozar a continuaci6n: en primer lugar, se identifica el espacio muestral S; en se- gundo lugar, se asignan probabilidades a los elementos de S; en tercer lugar, se identifican los sucesos de interés y, finalmente, se calculan las probabilidades de- seadas. Por ejemplo, supongamos que se desea conocer la probabilidad de que un generador de ntimeros aleatorios produzca un valor que sea primo. Primero tene- mos que identificar el espacio muestral. Supongamos que se sabe que el generador puede producir cualquier valor entero entre 0 y 9.999, ambos inclusive. El espacio muestral (esto es, el conjunto de consecuencias posibles) es por tanto { 0, 1, 2,..., 9,999}. A continuacién, es preciso asignar probabilidades a los elementos de S. Si el generador produce cada suceso elemental posible con igual probabilidad, se sigue) Préliminares Capftulo 1 que Pr [0] = Pr [1] = ... = Pr [9.999] = 1/ 10.000. En tercer lugar, el suceso intere- sante es «el generador produce un ntimero primo», Jo cual se corresponde con el subconjunto A = { 2, 3, 5,..., 9.967, 9.973}. Por ultimo, la probabilidad interesante es Pr [A], que se puede calcular en la forma como Dee Pr [e], en donde la suma es sobre los sucesos elementales que componen A. Puesto que la probabilidad de to- dos los sucesos elementales es 1/ 10.000, y hay 1.229 elementos en A, encontramos que Pr [A] = 0,1229. Hasta el momento hemos supuesto que todo lo que sabemos acerca del resul- tado de algtin experimento aleatorio es que se debe corresponder con algan pun- to muestral del espacio muestral S, Sin embargo, suele resultar util calcular la pro- babilidad de que un suceso A se produzca cuando se sabe que el resultado del ex- perimento esta contenido en algun subconjunto B del espacio muestral. Por ejem- plo, quizé deseemos calcular la probabilidad de que el generador de ntiimeros ale- atorios del parrafo anterior haya producido un nimero primo cuando sabemos que ha producido un nimero impar. El simbolo de esta probabilidad es Pr [A | B], que es lo que se denomina la probabilidad condicional de A dado B. Evidentemente esta probabilidad condicional solamente es interesante cuando Pr [ B ] = 0. En esencia, la informacién adicional nos dice que el resultado del experi- mento pertenece a un nuevo espacio muestral, a saber, B. Puesto que la suma de las probabilidades de los sucesos elementales en el espacio muestral debe de ser 1, incrementamos la escala de los valores originales para cumplir esta condicién. Ademas, solamente estamos interesados ahora en aquella parte de A que esté contenida en B, a saber A B. Por tanto la probabilidad condicio- nal esté dada por: PrAN B] PriA | Bl= Pr[B] En nuestro ejemplo, A es el suceso «el generador produce un nfimero primo» y Bes el suceso «el generador produce un nimero impar». Sabemos que B contie- ne 5.000 sucesos elementales, ast que Pr [B ] = 0,5. Hay 1.228 primos impares me- nores que 10.000 (sélo el nimero primo par 2 se elimina), asi que Pr [A 0 B] = 0,1228. Por tanto la probabilidad de que el generador haya producido un primo, supuesto que haya producido un namero impar, es Pr [A | B] =0,1228/ 0,5 = 0,2456 Se dice que dos sucesos A y B son independientes si Pr [ANB] = Pr [A] Pr [B] En este caso, suponiendo que Pr [B ] « 0, tenemos que _ PHA) _ PrlAPria) _ Pr[A| B]= pia) AlSeccion 1.7 \ Recordatorios 5| y por tanto saber que «el suceso B se ha producido» no modifica la probabilidad de que vaya a producirse el suceso A. De hecho, se puede utilizar esta condicion como definicién alternativa de independencia. En el Capitulo 10 examinaremos algoritmos probabilistas para determinar si un entero dado es o no primo. En este contexto resultan utiles las aproximacio- nes siguientes. Supongamos que el espacio muestral $ contiene un gran nume- 10 n de enteros consecutivos, y que la probabilidad de cada uno de estos resul- tados es la misma, a saber 1/7. Por ejemplo, $ podria ser el conjunto (1, 2,..., m}. + Sea D, el suceso «el resultado es divisible por i». Puesto que el ntimero de con- secuencias que hay en S y que son divisibles por i es aproximadamente n /i, te- nemos que Pr [D,] = (n /i) x (1/n) = 1/i. Ademés, si p y q son dos primos distin- tos, entonces los sucesos D, y D, son aproximadamente independientes, asi que Pr[D,q Dj] = Pr [D,] Pr [D,] = 1/pq Por supuesto esto puede no ser cierto si o bien po bien q no son primos: claramente los sucesos D, y D, no son independientes; también cuando S contenga solamente un pequefio numero de elementos, las aproximaciones no funcionarén muy bien, segun ilustra el problema 1.46. Ahora bien el Teorema de los Ntumeros Primos (cu- ya demostracién queda mucho més alld del alcance de este libro) nos dice que el numero de primos menores que 11 es aproximadamente n / log 1, asi que si S es realmente (1, 2,..., |, con igual probabilidad para todos los resultados y A es el suceso «el resultado es primo», entonces tenemos que Pr [A] = 1/log 1. Considérese por ejemplo el problema siguiente: Un generador de nimeros aleatorios produce el valor 12.262.409. Desearfamos saber si este ntimero es pri- mo, pero no disponemos de la potencia de cAlculo necesaria para calcular la res- puesta de forma determinista. (Por supuesto esto no es real para un ejemplo tan pequefio.) Entonces, zqué podemos decir con ayuda de un poco de la teoria de la probabilidad? Lo primero que hay que observar es que una pregunta como «,cual es la pro- babilidad de que 12.262.409 sea primo?» carece de significado. Aqui no esta im- plicado ningiin experiment aleatorio, asi que no tenemos un espacio muestral del que hablar, y ni siquiera podemos empezar a asignar probabilidades a los re~ sultados. Por otro Jado, una pregunta como «cual es la probabilidad de que nuestro generador de ntimeros aleatorios haya producido un numero primo?» es significativa y se puede responder con bastante facilidad. Como antes, el primer paso es identificar nuestro espacio muestral, y el se- gundo es asignar probabilidades a los elementos de 5. Supongamos que sabe- mos que el generador produce todos los valores desde 0 hasta 99.999.999 con igual probabilidad: entonces S = {0, 1,..., 99.999.999} y la probabilidad de todos los sucesos elementales de S es 1/108. El Teorema de los Numeros Primos nos dice que aproximadamente 10° / log 10° =5,43 x 10° elementos de S son primos. (El valor exacto es en realidad 5.761.455, pero la aproximacién es suficiente- mente buena para nuestros propésitos.) Por tanto si A es el suceso «nuestro ge- s nerador produce un nimero primo» tenemos que Pr [A ] = 0,0543.52. Preliminares~ : Capitulo 1 Ahora consideremos el suceso Dp consistente en que «nuestro generador pro- duce un némero que es divisible por el primo p». Puesto que Pr [Dp] ~ 1/p, la probabilidad del suceso complementario «nuestro generador produce un na- mero que no es divisible por el primo p» es Pr [ D p] =1 - 1/p. Supongamos que probamos el 12.262.409 intentando dividirlo por 2. El intento falla, pero ahora te- nemos algo de informacién adicional, y podemos preguntarnos: «;cudl es la pro- babilidad de que nuestro generador produzca un numero primo, dado que pro- duce un namero que no es divisible por 2?». En forma simbélica; Prf{A| D.J=Pr{AN Dil;z,,Da) ~2Pr[A]~0,109 Aqui Pr [AM D ,] es esencialmente lo mismo que Pr [A ] porque todos los pri- mos menos uno son no divisibles por 2. Si a continuacién intentamos dividir 12.262.409 por 3, el intento falla una vez més, asi que ahora podemos preguntar- nos «;cual es la probabilidad de que nuestro generador produzca un primo, dado que produce un ntimero que no es divisible ni por 2 ni por 3?». Esta proba- bilidad es: Dap 1. PHANDNDsI Prla| DanP l= “ip. Dal ~Pr[A]/Pr{D,},,1D5] ~3 Pr [A] = 0,163 Continuando de esta forma, cada fallo sucesivo al intentar dividir 12.262.409 por un nuevo némero primo, nos permite hacer una pregunta més precisa, y te- ner algo mas de confianza en que nuestro generador haya producido realmente un nimero primo. Supongamos, sin embargo, que en alguna fase intentamos di- vidir 12.262.409 por 3.121. Ahora la divisién de prueba tiene éxito, asi que nues- tra préxima pregunta seria: «jcual es la probabilidad de que nuestro generador haya producido un nimero primo, dado que ha producido un namero que no es divisible por 2, 3,..., pero si es divisible por 3.121?». La respuesta desde luego es 0: una vez que hemos encontrado un divisor del nimero producido por el gene- rador, estamos seguros de que no es primo. Simbélicamente, esta respuesta se obtiene porque Pr[AN DN... D5 iy] =0 Obsérvese que no podemos comenzar este proceso de cAlculo de una nueva pro- babilidad después de cada divisién de prueba si no somos capaces de estimar Pr [A],Seccién 1.7 Recordatorios 53 la probabilidad incondicional de que nuestro generador haya producido un nu- mero primo. En el ejemplo lo hacfamos utilizando el Teorema de los Nuimeros Primos, més nuestro conocimiento de que el generador produce todos los valo- res desde 0 hasta 99.999.999 con igual probabilidad. Supongamos por otra par- te que se nos presenta el ntimero 12.262.409 y se nos dice simplemente que ha sido seleccionado a efectos de este ejemplo. Entonces la pregunta es: «cual es la probabilidad de que un ntimero seleccionado de forma no especificada a efectos de un ejemplo sea primo?». Claramente, es imposible responder a esto. El espa- cio muestral del experimento aleatorio consistente en seleccionar un numero pa- ra servir como ejemplo es desconocido, asi como también lo son las probabili- dades asociadas a los sucesos elementales de este espacio muestral. Por tanto no podemos hacer ninguna afirmaci6n significativa acerca de las probabilidades asociadas con un niimero seleccionado de esta manera. En muchos experimentos aleatorios nos interesa menos el resultado en sf que algun ntimero que esté asociado con este resultado. En una carrera de caballos, por ejemplo, puede interesarnos menos saber el nombre del caballo vencedor que la cantidad que ganamos o perdemos en la carrera. Esta idea Ja captura la nocién de variable aleatoria. Formalmente, una variable aleatoria es una funcién (y no una variable a pesar de su nombre) que asigna un ntimero real a cada pun- to muestral de algtin espacio muestral S. Si X es una variable aleatoria definida sobre un espacio muestral S, y x es un numero real, definimos el suceso A, como el subconjunto de S que consta de to- dos los puntos muestrales a los cuales se les asigna el valor x mediante la varia- ble aleatoria X. De esta manera: A,= (se S| X(s) =x} La notaci6n X = x es una forma muy cémoda de denotar el suceso A,. De esta manera, se puede escribir Pr (X= x] = Pr [Ax] = )Pr(s) Si definimos p(x) como ion px) = Pr [X= x] entonces p(x) es una nueva funci6én asociada a la variable aleatoria X, que se lla- mma la funcién de probabilidad de masa de X. Definimos la esperanza E[X] de X (que también se llama media 0 promedio) mediante HXl= Z X@)Pris}= Z apa La esperanza E[X] se denota también frecuentemente como p,.34 Preliminares Capftulo 1 Para reunir todas estas ideas, considérese el ejemplo siguiente. El experi- mento aleatorio que nos concierne es una carrera de caballos con cinco corredo- res. La consecuencia del experimento es el nombre del ganador. El espacio muestral S es el conjunto de todos los resultados posibles, asi que podriamos te- ner, por ejemplo: S = (Ariel, Bombén, Café, Demonio, Ernesto} Tenemos que asignar una medida de probabilidad a cada consecuencia posi- ble. Aun cuando la precisién con la cual hacemos esto puede dar lugar a grandes diferencias a nuestra situacién financiera, la teorfa de la probabilidad no ofrece ayuda acerca de la forma de hacerlo. Supongamos que a la luz de la experiencia asignamos los valores que se muestran en la figura 1. 10. Resultado | Probabilidad | Ganancias Ariel 0,10 50 Bombén 0,05 100 Café 0,25 -30 Demonio 0,50 -30 Ernesto 0,10 15 Figura 1.10. Probabilidad de cada consecuencia (Recuérdese que las probabilidades deben de sumar 1). Hemos hecho un ntime- ro de apuestas en la carrera, asi que, dependiendo del resultado, ganaremos o perderemos algiin dinero. La cantidad que ganemos o perdamos también se muestra en la figura 1.10. Esta cantidad es una funcién del resultado, esto es, una variable aleatoria. Llamemos W a esta variable aleatoria; entonces la tabla muestra que W (Ariel) = 50, W (Bombén) = 100, y asi sucesivamente. La varia- ble aleatoria W puede tomar los valores -30, 15, 50 6 100, y por ejemplo p(-30) = Pr [W = 30] = z Pr [s] We) =-30 = Pr [Café] + Pr [Demonio] = 0,25 + 0,50 = 0,75. De manera similar p(15) = Pr [W = 15] = 0,10, p(50) = Pr [W =50] = 0,10 y p(100) = Pr [W= 100] = 0,05. Nuestras ganancias esperadas se pueden calcular en la formaSecci6n 1.7 Recordatorios 55 ELW] = S72) =~30p (-30) + 15p (15) + 50p (50) + 100p (100) =-li Una vez que hemos obtenido E[X] podemos calcular una segunda medida util que se denomina la varianza de X, y que se denota como var[X] 0 o?. Lo cual se define como VarlX] = E (X-ELX Dl = Dp) (x-E [XI Dicho en palabras, es el valor esperado del cuadrado de la diferencia entre X y su valor esperado E[X]. La desviaci6n esténdar de X, que se denota como 9,, es la raiz cuadrada de la varianza. Para el ejemplo de la carrera de caballos ante- Tior, tenemos: var [WI = Sip(x(x- LX)? = p(-30) x 19? + p(15) x 267+ p(50) x 61? + p(100) x 111? = 13265 y 6, = V(1.3265) = 36,42. Por qué son titiles el valor esperado y la varianza de X? Supongamos que el experimento aleatorio subyacente se pudiera repetir muchas veces. La i-ésima repeticién del experimento tendré algtin resultado particular o,, a la cual la fun- cién de X le asigna un valor x;. Supongamos que repetimos el experimento n ve- ces en total. Si n es grande, casi siempre es razonable esperar que las medias ob- servadas para x, a saber Sj; x,/n, estén préximas al valor esperado para X, a saber E[X]. Sélo en raras circunstancias es probable que esto no sea verdadero. Por tanto E[X] nos permite predecir el valor medio observado para x,. La varianza nos sirve para cuantificar lo buena que probablemente sea esta prediccién. Existe una famosa distribucién de probabilidad denominada distri- bucién normal. En condiciones muy generales, el Teorema Central del Limite sugiere que cuan- do 1 es grande, el valor medio observado para x,tendr4 una distribucién que es aproximadamente normal con una media E[X] y una varianza var [X]/n. Para aprovechar estos resultados lo tinico que necesitamos es una tabla de la distri- bucién normal. Est4n disponibles en todas partes. Tales tablas nos dicen, entre otras cosas, que una desviacién normal esta situada entre mas/menos 1,960 des- viaciones estdndar de su media el 95% de tiempo; 99% del tiempo se encuentra dentro de m4s/menos 2,576 desviaciones estandar de su media. Por ejemplo, supongamos que por algun medio magico la carrera de caballos descrita anteriormente se pudiera efectuar 50 veces en idénticas condiciones.56 Preliminares Capitulo 1 Supongamos que ganamos 1, en la i-ésima repeticién, y sea nuestra ganancia media w= ©%, w,/50. Entonces podemos esperar que E[W] = ~11. La varianza de ® serd Varl#]/50 = 1.326,5/50 = 26,53, y su desviacién estandar sera Ia raiz cuadrada de esta cantidad, 0 sea 5,15 mientras que el Teorema Central del Li- mite nos dice que la distribucién de w sera aproximadamente normal. Por tan- to en el 95% de las ocasiones podemos esperar que nuestra ganancia media w se encuentre en -11 - 1,960 x 5,15 y -11 + 1,960 x 5.15, eso es entre -21,1 y ~0,9. Un cAlculo similar muestra que el 99% del tiempo w se encontrara entre -24,3 y +2,3; véase el problema 1.47. Suele ser correcto utilizar el Teorema Central del Limite cuadrado n tiene un valor mayor que aproximadamente 25. 1.8 PROBLEMAS Problema 1.1. La palabra «élgebra» esté también conectada con el matemitico al- Khowé4rizmi, que dio su nombre a los algo- ritmos. {Cual es la relaci6n? Problema 1.2. El domingo de Pascua es en principio el primer domingo después de Ja primera luna Ilena después del equinoc- cio de primavera. jEs esta regla suficiente~ mente precisa para Ilamarla un algoritmo? Justifique su respuesta. Problema 1.3. Mientras se est ejecutando un algoritmo a mano hay que efectuar una eleccién aleatoria. Para servirse de ella como ayuda, dispone uno de una moneda impar- cial, que proporciona los valores cara y cruz con igual probabilidad, y un dado imparcial que suministra cada uno de los valores del 1 al 6 con igual probabilidad. Se pide seleccio- nar cada uno de los valores rojo, amarillo y azul con igual probabilidad. Dé al menos tres formas de conseguirlo. Repita el problema con cinco colores en lugar de hacerlo con tres. Problema 1.4. {Es posible que exista un algoritmo para jugar un juego perfecto de billar? Justifique su respuesta. Problema 1.5. Utilice la multiplicacién @ Ia russe para multiplicar (a) 63 por 123, y (b) 64 por 123. Problema 1.6. Busque una calculadora de bolsillo que tenga una precisién minima de ocho digitos, esto es, que pueda multiplicar una cifra de cuatro digitos por otra de cuatro digitos y obtener la respuesta correcta de ocho digitos. Se pide multiplicar 31.415.975 por 8.182.818. Mostrar que el algoritmo divide y vencerds de la Seccién 1.2 se puede utilizar para solucionar el problema con un pequefio numero de célculos que se pueden hacer en la calculadora, seguido de una pequefia suma con papel y lapiz. Efectie el cdlculo, Sugeren- cia: jNo lo haga de forma recursiva! Problema 1.7. Se pide multiplicar dos mimeros dados en ntimeros romanos. Por ejemplo, XIX veces XXXIV es DCXLVI. No se puede utilizar un método que implique tra- ducir los ntimeros a notacién arabiga, multi- plicarlos y volver a traducirlos después. Di- sefie un algoritmo para este problema. Pista: Busque maneras de traducir hacia adelante y hacia atrés entre Ja notacién romana verdadera y algo parecido que no implique restas. Por ejemplo, XIX podria escribirse como XVIII en esta notaciénSecci6n 1.8 Problemas 57 «pseudorromana». A continuacién, busque formas sencillas de duplicar, partir por dos y sumar cifras en notacién pseudorromana. Finalmente, adapte la multiplicacién 2 la russe para completar el problema. Problema 1.8. Igual que en el problema 1.6, suponga que tiene a mano una calcula- dora de bolsillo que puede multiplicar un namero de cuatro cifras por otro de cuatro cifras y obtener la respuesta correcta de ocho cifras. Disefie un algoritmo para multi- plicar dos nameros grandes basado en el al- goritmo clasico, pero utilizando bloques de cuatro cifras de una vez en lugar de sélo una. (Si le parece, piense que est4 haciendo el cAlculo con aritmética en base 10.000.) Por ejemplo, cuando esté multiplicando 1.234.567 por 9.876.543, podria obtener la distribucién mostrada en la figura 1.11. 0123 4567 0987 6543 0080 7777 1881 0012 1851 7629 0012 1932 54061 1881 Figura 1.11 Multiplicacién en base 10.000 En dicha figura la primera linea del cilculo se obtiene, de derecha a izquierda, en la forma 4.567 x 6.543 = 29.881.881 (esto es, un resultado de 1.881 y un arrastre de 2.988), seguido por 0123 x 6543 + 2988 = 807777, esto es un resultado de 7777 y un arrastre de 0080). La segunda linea de la multiplicacién se obtiene de forma simular, y el resultado final se obtiene sumando las columnas. Toda la aritmé- tica necesaria se puede efectuar con su calcula- dora. Utilice el algoritmo para multiplicar 31.415.975 por 8.182.818. Compruebe que su respuesta es la misma que la encontrada en el problema 1.6. Problema 1.9 La figura 1.12 muestra otro método més para multiplicar dos enteros positivos, que es denominado en algunas ocasiones multiplicacién arabiga. En la figura, tal como antes, 981 se mul- tiplica por 1.234. Para utilizar este méto- do, se dibuja un rectangulo con tantas fi- guras como cifras haya en el multiplican- do (aqui, 3) y con tantas columnas como cifras haya en el multiplicador (aqui, 4). Se escribe el multiplicando encima de las columnas, y el multiplicador hacia abajo en el lado derecho del rectangulo. Se di- bujan lineas diagonales segun se muestra. A continuaci6n se rellena cada celda del recténgulo con el producto de la cifra que se encuentre en la parte superior de la co- lumna por la cifra que se encuentra en el extremo derecho de la fila. La cifra de las decenas del resultado (que puede ser 0) se pone encima de la linea diagonal,y la ci- Figura 1.12 Multiplicacién empleando un recténgulo fra de las unidades se ponen por debajo. Por filtimo se suman las diagonales del rectn- gulo comenzando por la esquina inferior derecha. Aquf la primera diagonal da 4; la segunda da 2+ 0+ 3=5; la tercera da 6 +3 +4+0+2=15, asi que se escribe un 5 y lle- vamos 1; y asi sucesivamente. Ahora el re~ sultado 1.210.554 se puede ir leyendo hacia abajo por el lado izquierdo del rectangulo y también por la fila inferior del recténgulo.58 Preliminares Capftulo 1 Una vez mas, utilice este algoritmo para multiplicar 31.415.975 por 8.182.818, com- probando el resultado con las respuestas de los problemas anteriores. Problema 1.10. Son iguales los conjun- tos X = [1, 2, 3}e Y={2, 1,3}? Problema 1. 11. jCudles de los conjuntos siguientes son finitos: 2,{@}, N {N}? gCudl es la cardinalidad de aquellos conjuntos de los anteriores que sean finitos? Problema 1.12. ;Para qué valores de las variables booleanas p,q y r es la formula bo- oleana (p A q) v (> 4 7) verdadera? Problema 1.13. Demostrar que “(WV x EX) [P (x)] es equivalente a (a x © X) [7P@ly 7@ x & X) [P (%)] es equivalente a (x € X) [+P @)]. Problema 1.14. Demostrar que =(¥ xX) [P (x)] es equivalente a(j x€ AIP @ly 3 (4 x€X) [P (x)] es equivalente a(¥ x€ X)[>P@)]). Problema 1.15. Demostrar que log, (xy) = log, x + log, y log, x = y log, x log, x= me YX? = fet Problema 1.16. Demostrar que x -1 < |x| xs[x] 2”. Demuestre su afir- macién por induccién matemitica. Problema 1.24. El axioma del minimo entero dice que todo conjunto no vacio de enteros po- sitivos contiene un elemento minimo. (Esta propiedad no es general para conjuntos de n- meros reales positives; considérese por ejem- plo el conjunto de todos los enteros que se en- cuentran estrictamente entre 0 y 1.) Utilizando Problemas 59 este axioma, dar una demostracién rigurosa por contradiccién de que el principio de induc- cién matemética simple es valido. Mas precisa- mente, considerar cualquier entero a y cual- quier propiedad P de los enteros tal que P (a) es. Gierta, y tal que P (1) es cierta siempre que P (rt ~1) sea cierta para cualquier entero n > a. Su- péngase ademés que no es cierto que P (n) sea vélido para todo n = a. Utilizar el axioma del minimo entero para derivar una contradiccién. Problema 1.25. El problema 1.24 pedia de- mostrar la validez del principio de induccién matemética a partir del axioma del minimo entero. De hecho el principio y el axioma son equivalentes: jdemuestre el axioma del mini- mo entero por induccién matemética! Sugerencia: Como primer paso, demuestre que todo conjunto no vacio de enteros posi- tivos contiene un elemento minimo por induccién matemiatica sobre el némero de elementos del conjunto. Observe que su de- mostracién seria igualmente valida para cual- quier conjunto finito de nameros reales, lo cual muestra claramente que no es aplicable directamente a los conjuntos infinitos. Para generalizar el resultado a un conjunto infinito de ntimeros enteros, considere cualquiera de estos conjuntos X. Sea m cualquier elemento de X (no se necesita un axioma para esto: todo conjunto infinito contiene al menos un elemento por definicién). Sea Yel conjunto de elementos de X tales que no son mayores que m, Mostrar que Y es un conjunto de enteros positivos no vacio y finito, y consiguiente- mente la demostracién por induccién mate- mitica ser aplicable para concluir que Y con- tiene un elemento ms pequefio, digamos n. Finalice la prueba argumentando que n es también el menor elemento de X. Problema 1.26. Dar una demostraci6n ri- gurosa de que el principio generalizado de in- duccién matemitica es valido.60 Preliminares Capftulo 1 Sugerencia: Demuéstrelo por induccién matemiatica sencilla. Problema 1.27. Recuerde que la sucesi6n de Fibonacci esté definida en la forma f= 0; Sr Sns thea Demostrar por induccién matemiatica ge- neralizada que 1 gn cay" faz WC" paran22 en donde gals — 2 que es la raz6n duren. (Esto se conoce con el nombre de férmula de Moivre.) Problema 1.28. Siguiendo el problema 1.27, demostrar por induccién matematica que f, > (3)" para todo entero n suficiente- mente grande. ;Cémo de grande tiene que ser n? No utilice la f6rmula de Moivre. Problema 1.29. Siguiendo el problema 1.27, demostrar que Dial )fon = Problema 1.30. Siguiendo el problema 1.27, demostrar por induccién matematica generalizada que f,, ,, = f°+ f,, para todos Jos enteros n > 0. Sugerencia: Demostrar también el teore- ma mas fuerte consistente en que San= aber ft Problema 1.31. Considérense las cons- tantes arbitrarias reales y positivas a y b. De- finase por recurrencia t: N'—> R* (ea * y t(n)=bn+nt(n-1) paran>2 Esta funcién es tan parecida a la recurren- cian! =n x (#~1)! que caracteriza al factorial, que resulta natural conjeturar la existencia de dos constantes reales y positivas u y 0 tales que un! $ t(n) < un! para cada entero n sufi- cientemente grande. Demostrar esta conjetu- ra por inducci6n constructiva. Sugerencia: Probar la sentencia mas fuerte consistente en que existen tres cons- tantes reales positivas u, v y w tales que un! < t(n) < un!- wn para cada entero m su- ficientemente grande. Nota: Este problema muestra que el tiem- po requerido para utilizacién directa de la definici6n recursiva para calcular el determi- nante de una matriz n x n es proporcional a ni, Io cual es mucho peor que si el tiempo fuera meramente exponencial. Por supuesto, el determinante se puede calcular de forma més eficiente por eliminacién de Gauss-Jor- dan. Véase la Seccién 2.7.1 para mas detalles. Problema 1.32. Vuelva a hacer el problema 1.31, pero defina ahora (7) = br* + nt(n- 1) pa- ra #2 2, en donde k es una constante entera positiva arbitraria. Problema 1.33. Considere una constan- te real positiva arbitraria d y una funcién tN — Rt tal que es ton) < dns 2 3400 tm para cada entero positivo n. Utilizando la in- duccién constructiva, demostrar la existencia de una constante c real y positiva tal que (1) Sn log n para cada entero n suficientemente grande. Problema 1.34: Dar dos funciones f() y g(r) tales que ni f(#) ni g(n) tiendan a un li-Seccién 1.8 mite cuando n tiende a infinito, pero tales que, ambos, f(x) + g(n) y fin) /g(n) tiendan realmente a un limite. Problema 1.35. Determinar el compor- tamiento cuando n tiende a infinito de f(n) = n* x*, donde r es cualquier entero Positivo. Problema 1.36. Utilizar la regla de I'H6- pital para hallar el limite cuando n tiende a infinito de (log log n)*/ log n, en donde a > 0 es una constante positiva axbitraria. Problema 1,37. Demostrar la proposicién 17.8. Problema 1.38. Dar una demostracién sencilla, sin utilizar integrales, de que la se- rie arménica diverge. Problema 1.39. Utilizar una técnica simi- lar a la ilustrada en la figura 1.8 para mos- trar que para r > 1 la suma es 1.1 1 Sn = 1+ yyy converge a un limite menor que r/(r - 1). Problema 1.40. (erie alternante) Sea f(r) una funcién positiva y estrictamente decrecien- te de n que tiende a 0 cuando » tiende a infini- to. Mostrar que la serie f(1)—f(2) +3) -{4) +... es convergente, y que su suma se encuentra en- tre (1) ~ 2). Por ejemplo: log 2 ~ 0,69314... Mostrar, més atin, que el error que se co- mete si ge aproxima la suma de toda la serie Problemas 61 por la suma de los m primeros términos es menor que f (n + 1). Problema 1.41. Mostrar que "] sa paran>OyOsrsn. " Problema 1.42. Probar que (7") 24" /(2n+0. Problema 1.43, Mostrar que ¥} (") =z paran > 0. Aw Sugerencia: Derivar los dos lados del teo- tema 1.7.20. 1 (42) Sugerencia: Utilizar la proposicién 1.7.12. 212x432? = 4x 4 5x'4...para-Lex Anda mungkin juga menyukai
Reporte 1Dokumen3 halamanReporte 1Celso Ventura Montiel HernandezBelum ada peringkat Estaciones Mexibus VisitaDokumen9 halamanEstaciones Mexibus VisitaCelso Ventura Montiel HernandezBelum ada peringkat Apuntes de PdsDokumen6 halamanApuntes de PdsCelso Ventura Montiel HernandezBelum ada peringkat Torre de HanoiDokumen9 halamanTorre de HanoiCelso Ventura Montiel HernandezBelum ada peringkat