SlideShare une entreprise Scribd logo
1  sur  54
Télécharger pour lire hors ligne
Secuencias, un número detrás de otro
Domingo Gómez Pérez
Facultad de Ciencias
Universidad de Cantabria
Universidad Complutense de Madrid, 2016
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 1 / 46
¿Qué es la aleatoriedad?
Idea de la definición
Una secuencia de números es aleatoria con una cierta distribución si
cada elemento es obtenido al azar, independientemente del resto y
tiene una cierta probabilidad de estar en un cierto rango.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 2 / 46
El sorteo del servicio militar obligatorio de 1997
El proceso para determinar quienes formaban excedente era el
siguiente:
Cada aspirante recibía un número entre 1 y 165.342.
Se extraían bolas de seis bombos diferentes.
Si alguna extracción daba un número fuera de rango, se repetía la
extracción.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 3 / 46
El sorteo del servicio militar obligatorio de 1997
El proceso para determinar quienes formaban excedente era el
siguiente:
Cada aspirante recibía un número entre 1 y 165.342.
Se extraían bolas de seis bombos diferentes.
Si alguna extracción daba un número fuera de rango, se repetía la
extracción.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 3 / 46
El sorteo del servicio militar obligatorio de 1997
El proceso para determinar quienes formaban excedente era el
siguiente:
Cada aspirante recibía un número entre 1 y 165.342.
Se extraían bolas de seis bombos diferentes.
Si alguna extracción daba un número fuera de rango, se repetía la
extracción.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 3 / 46
Secuencias y Criptografía
Se necesitan muchos números aleatorios:
Generación de parámetros aleatorios.
Transport Layer Security.
Firmas digitales.
DSA.
ElGamal.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 4 / 46
¿Cómo podemos generar secuencias aleatorias?
. . . 101 . . .
Semilla
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 5 / 46
¿Cómo podemos generar secuencias aleatorias?
. . . 101 . . .
f
. . . 000 . . .
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 6 / 46
¿Cómo podemos generar secuencias aleatorias?
. . . 101 . . .
f
. . . 000 . . .
g
salida0
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 7 / 46
¿Cómo podemos generar secuencias aleatorias?
. . . 101 . . .
f
. . . 000 . . .
g
salida0
f . . . . . . . . .
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 8 / 46
¿Cómo podemos generar secuencias aleatorias?
. . . 101 . . .
f
. . . 000 . . .
g
salida0
f . . . . . . . . .
g
salida1
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 9 / 46
¿Cómo podemos generar secuencias aleatorias?
. . . 101 . . .
f
. . . 000 . . .
g
salida0
f . . . . . . . . .
g
salida1
f . . . . . . . . .
g
salida2
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 10 / 46
El k-generador de números pseudoaleatorios
Generador de números aleatorios que contiene:
Saltos condicionales dependiendo del valor de ciertos registros.
Sumas, restas, complemento base 10.
Selección de cifras.
¡Las secuencias convergían al número 6065038420!
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 11 / 46
El k-generador de números pseudoaleatorios
Generador de números aleatorios que contiene:
Saltos condicionales dependiendo del valor de ciertos registros.
Sumas, restas, complemento base 10.
Selección de cifras.
¡Las secuencias convergían al número 6065038420!
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 11 / 46
Generadores de números pseudoaleatorios
(usados en Criptografía)
Teóricos (basados en la máquina Turing Universal, BBS,. . .).
Basados en registros de desplazamiento (LFSR).
RC4.
Generador Dual EC.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 12 / 46
El generador Dual EC
Basado en curvas elípticas.
Estandarizado por el NIST, ANSI y ISO.
Diseñado para ser seguro para “muchos”, no todos.
La vulnerabilidad fue patentada antes de ser pública.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 13 / 46
El generador Dual EC
Basado en curvas elípticas.
Estandarizado por el NIST, ANSI y ISO.
Diseñado para ser seguro para “muchos”, no todos.
La vulnerabilidad fue patentada antes de ser pública.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 13 / 46
Kleptography
La kleptography trata de:
Esconder información en textos cifrados.
Permitir puertas traseras a criptosistemas seguros para usos
legítimos.
No debilitar los criptosistemas que implementan esto.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 14 / 46
Esteganografía
La Esteganografía trata de:
Esconder información a la vista de todo el mundo.
Utilizar canales inseguros para transmitir información de forma
segura.
Promover comunicación anónima.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 15 / 46
Marcas de agua
Las marcas de agua tratan de:
Permitir la recuperación de información en medios digitales.
No degradar la información que se transmite.
Ser resistentes a ataques.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 16 / 46
Marcas de agua
Usos:
Monitorizar obras con derechos de autor.
Medir audiencias.
Demostrar modificación.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 17 / 46
Modelización
Las imágenes se modelan como arrays multidimensionales, a las que
se embebe una marca de agua:
I : Nn
→ {0, 1}
i → . . . .
s : Nn
→ {0, 1}
i → . . . .
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 18 / 46
Características de las marcas de agua
Deben ser posibles generar eficientemente.
Deben de ser difíciles de predecir.
Deben poder ser detectadas en presencia de “ruido”.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 19 / 46
Generación usando registros de desplazamiento
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 20 / 46
Moreno-Tirkel Multidimensional Watermarks
Esta familia de arrays tiene las siguientes características:
Baja autocorrelación.
Tienen buena complejidad lineal.
Resistencia al ruido.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 21 / 46
¿Cuantas personas hay?
https://www.flickr.com/photos/francediplomatie/6886290153/in/photostream/
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 22 / 46
Algoritmo Monte Carlo
Los algoritmos (o métodos) Monte Carlo son algoritmos que
devuelven un resultado basado en muestreos aleatorios.
No se devuelve siempre el mismo resultado.
No se tiene certeza del resultado.
Si no tienen sesgo, puede hallarse aproximaciones tan buenas
como queramos.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 23 / 46
Algoritmo Monte Carlo
Problema
Dada la medición, hallar una fórmula para la desviación esperada sin
ninguna suposición adicional.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 24 / 46
Algoritmo Monte Carlo
Cruz, Gomez, Cruz-Orive. Efficient and Unbiased Estimation of Population Size.
Dividir una rejilla con cuadrados de lado T.
Dentro de ese cuadrado, tomar un cuadrado pequeño de lado t.
Lanzarlo sobre la figura y contar el número de personas dentro de
cuadrados.
Multiplicar ese número de personas por (T/t)2.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 25 / 46
¿Cuantas personas hay? (T= 500, t=50)
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 26 / 46
Algoritmo Monte Carlo
Cruz, Gomez, Cruz-Orive. Efficient and Unbiased Estimation of Population Size.
Nuestra contribución:
Proponer una regla de conteo sin sesgo.
Dar una estimación del error en base a la sucesión de personas
en cada cuadrado.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 27 / 46
Algoritmos probabilistas para estimación de longitudes
Muchas veces, necesitamos saber propiedades geométricas de
curvas, como por ejemplo, la longitud. En este caso, el problema es
mucho más difícil:
¿Donde empieza y acaba la curva?
¿Qué forma parte de la curva?
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 28 / 46
Moléculas de DNA
Podestà et al. Atomic force microscopy study of DNA deposited on poly L-ornithine
mica
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 29 / 46
Algoritmo probabilista
El siguiente algoritmo aproxima la longitud de la curva:
Dibujar una rejilla con separación T,
poner la curva encima de la rejilla con orientación arbitraria,
calcular el número total de intersecciones I,
la estimación es L = π/4TI.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 30 / 46
Algoritmo probabilista
T = 37nm (Longitud real de la curva 416nm)
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 31 / 46
Matemáticas financieras
Hecho
80% de las operaciones bursátiles son automáticas.
Hecho
No existe un modelo suficientemente simple que determine las
subidas y bajadas en la bolsa.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 32 / 46
Matemáticas financieras
Precios en derivados financieros
Bono: paga un interés especificado.
Acción: participación en una empresa.
Contingente financiero: instrumento cuyo valor es determinado
por otros instrumentos.
European Call Option (premium).
Asian Call Option.
Cash-or-Nothing Option.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 33 / 46
Matemáticas financieras
Precios en derivados financieros
Ofertamos un contingente financiero, ¿cuál es el precio justo?
Hipótesis del mercado eficiente.
Las acciones no tienen dividendos.
Las transacciones son inocuas.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 34 / 46
Matemáticas financieras
Precios en derivados financieros
Ofertamos una European Call Option, ¿cuál es el precio justo?
Una acción que vale 1, y en un año puede valer 2 o 1/2.
Queremos poner un premium de 1 euro.
El precio justo parece ser 1/2 euro.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 35 / 46
Arbitraje
Vendemos 4 European Call Options a 1/2 y compramos tres
acciones.
Si las acciones bajan, ganamos 1/2.
Si las acciones suben, ganamos 1 euro.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 36 / 46
Arbitraje
Vendemos 4 European Call Options a 1/2 y compramos tres
acciones.
Si las acciones bajan, ganamos 1/2.
Si las acciones suben, ganamos 1 euro.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 36 / 46
Arbitraje
Vendemos 4 European Call Options a 1/2 y compramos tres
acciones.
Si las acciones bajan, ganamos 1/2.
Si las acciones suben, ganamos 1 euro.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 36 / 46
Precio justo
Existe una fórmula para hallar el precio bajo ciertas restricciones.
[0,1)s
f(x)dP.
una primera aproximación es:
[0,1)s
f(x)dP ≈
1
N
N
i=1
f(xi).
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 37 / 46
Métodos quasi Montecarlo
Los métodos quasi Montecarlo se basan en buscar buenos puntos
para evaluar la integral.
Son uniformemente distribuidos.
Pueden ser generados eficientemente.
Deben ajustarse a diferentes hipótesis sobre las funciones a
evaluar.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 38 / 46
Métodos quasi Montecarlo
Hemos propuesto nuevas secuencias de puntos:
Secuencias basadas en polinomios sobre cuerpos finitos.
Secuencias de puntos híbridas.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 39 / 46
Radar
La idea para detectar objetos es la siguiente:
Emitir señales.
Recibir la señal emitida.
Calcular el retardo.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 40 / 46
Radar
1 1 −1 1 . . .
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 41 / 46
Radar
1 1 −1 1 . . .
1 −1 1 1 . . .
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 42 / 46
Radar
El producto escalar
1 1 −1 1
1 −1 −1
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 43 / 46
Radar
El producto escalar
1 1 −1 1
1 −1
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 44 / 46
Barker sequences
Una secuencia de Baker (Baker sequence) es una secuencia para la
cuál las correlaciones son todas a lo sumo 1.
Existen hasta longitud 13.
No existen para longitudes menores que 1012.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 45 / 46
Secuencias y otras áreas
Secuencias utilizadas en criptografía tienen malas propiedades.
Pero arryas utilizados en esteganografía se pueden utilizar.
Aunque búsquedas por ordenador muestran que son lejos de ser
óptimas.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 46 / 46
Secuencias y otras áreas
Secuencias utilizadas en criptografía tienen malas propiedades.
Pero arryas utilizados en esteganografía se pueden utilizar.
Aunque búsquedas por ordenador muestran que son lejos de ser
óptimas.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 46 / 46
Secuencias y otras áreas
Secuencias utilizadas en criptografía tienen malas propiedades.
Pero arryas utilizados en esteganografía se pueden utilizar.
Aunque búsquedas por ordenador muestran que son lejos de ser
óptimas.
Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 46 / 46

Contenu connexe

Similaire à Secuencias, un número detrás de otro - Dr. Domingo Gómez Pérez

Similaire à Secuencias, un número detrás de otro - Dr. Domingo Gómez Pérez (12)

1ra unidad. prob y estad
1ra unidad. prob y estad1ra unidad. prob y estad
1ra unidad. prob y estad
 
4 mathematic09
4 mathematic094 mathematic09
4 mathematic09
 
4 mathematic09
4 mathematic094 mathematic09
4 mathematic09
 
5 mathematic09
5 mathematic095 mathematic09
5 mathematic09
 
CUESTIONARIO DE PROGRAMACION I
CUESTIONARIO DE PROGRAMACION  ICUESTIONARIO DE PROGRAMACION  I
CUESTIONARIO DE PROGRAMACION I
 
VI Jornadas eMadrid "Unbundling Education". Mesa redonda eMadrid:"Desempaquet...
VI Jornadas eMadrid "Unbundling Education". Mesa redonda eMadrid:"Desempaquet...VI Jornadas eMadrid "Unbundling Education". Mesa redonda eMadrid:"Desempaquet...
VI Jornadas eMadrid "Unbundling Education". Mesa redonda eMadrid:"Desempaquet...
 
4 mathematic09
4 mathematic094 mathematic09
4 mathematic09
 
Proceso Creación Startups: Investigación Primaria
Proceso Creación Startups: Investigación PrimariaProceso Creación Startups: Investigación Primaria
Proceso Creación Startups: Investigación Primaria
 
Presentación logistica
Presentación logisticaPresentación logistica
Presentación logistica
 
Presentaciones_conferencia_18_mayo.pdf
Presentaciones_conferencia_18_mayo.pdfPresentaciones_conferencia_18_mayo.pdf
Presentaciones_conferencia_18_mayo.pdf
 
4 mathematic09
4 mathematic094 mathematic09
4 mathematic09
 
Repaso estadística
Repaso estadísticaRepaso estadística
Repaso estadística
 

Plus de Facultad de Informática UCM

¿Por qué debemos seguir trabajando en álgebra lineal?
¿Por qué debemos seguir trabajando en álgebra lineal?¿Por qué debemos seguir trabajando en álgebra lineal?
¿Por qué debemos seguir trabajando en álgebra lineal?Facultad de Informática UCM
 
TECNOPOLÍTICA Y ACTIVISMO DE DATOS: EL MAPEO COMO FORMA DE RESILIENCIA ANTE L...
TECNOPOLÍTICA Y ACTIVISMO DE DATOS: EL MAPEO COMO FORMA DE RESILIENCIA ANTE L...TECNOPOLÍTICA Y ACTIVISMO DE DATOS: EL MAPEO COMO FORMA DE RESILIENCIA ANTE L...
TECNOPOLÍTICA Y ACTIVISMO DE DATOS: EL MAPEO COMO FORMA DE RESILIENCIA ANTE L...Facultad de Informática UCM
 
DRAC: Designing RISC-V-based Accelerators for next generation Computers
DRAC: Designing RISC-V-based Accelerators for next generation ComputersDRAC: Designing RISC-V-based Accelerators for next generation Computers
DRAC: Designing RISC-V-based Accelerators for next generation ComputersFacultad de Informática UCM
 
Tendencias en el diseño de procesadores con arquitectura Arm
Tendencias en el diseño de procesadores con arquitectura ArmTendencias en el diseño de procesadores con arquitectura Arm
Tendencias en el diseño de procesadores con arquitectura ArmFacultad de Informática UCM
 
Introduction to Quantum Computing and Quantum Service Oriented Computing
Introduction to Quantum Computing and Quantum Service Oriented ComputingIntroduction to Quantum Computing and Quantum Service Oriented Computing
Introduction to Quantum Computing and Quantum Service Oriented ComputingFacultad de Informática UCM
 
Inteligencia Artificial en la atención sanitaria del futuro
Inteligencia Artificial en la atención sanitaria del futuroInteligencia Artificial en la atención sanitaria del futuro
Inteligencia Artificial en la atención sanitaria del futuroFacultad de Informática UCM
 
Design Automation Approaches for Real-Time Edge Computing for Science Applic...
 Design Automation Approaches for Real-Time Edge Computing for Science Applic... Design Automation Approaches for Real-Time Edge Computing for Science Applic...
Design Automation Approaches for Real-Time Edge Computing for Science Applic...Facultad de Informática UCM
 
Estrategias de navegación para robótica móvil de campo: caso de estudio proye...
Estrategias de navegación para robótica móvil de campo: caso de estudio proye...Estrategias de navegación para robótica móvil de campo: caso de estudio proye...
Estrategias de navegación para robótica móvil de campo: caso de estudio proye...Facultad de Informática UCM
 
Fault-tolerance Quantum computation and Quantum Error Correction
Fault-tolerance Quantum computation and Quantum Error CorrectionFault-tolerance Quantum computation and Quantum Error Correction
Fault-tolerance Quantum computation and Quantum Error CorrectionFacultad de Informática UCM
 
Cómo construir un chatbot inteligente sin morir en el intento
Cómo construir un chatbot inteligente sin morir en el intentoCómo construir un chatbot inteligente sin morir en el intento
Cómo construir un chatbot inteligente sin morir en el intentoFacultad de Informática UCM
 
Automatic generation of hardware memory architectures for HPC
Automatic generation of hardware memory architectures for HPCAutomatic generation of hardware memory architectures for HPC
Automatic generation of hardware memory architectures for HPCFacultad de Informática UCM
 
Hardware/software security contracts: Principled foundations for building sec...
Hardware/software security contracts: Principled foundations for building sec...Hardware/software security contracts: Principled foundations for building sec...
Hardware/software security contracts: Principled foundations for building sec...Facultad de Informática UCM
 
Jose carlossancho slidesLa seguridad en el desarrollo de software implementad...
Jose carlossancho slidesLa seguridad en el desarrollo de software implementad...Jose carlossancho slidesLa seguridad en el desarrollo de software implementad...
Jose carlossancho slidesLa seguridad en el desarrollo de software implementad...Facultad de Informática UCM
 
Redes neuronales y reinforcement learning. Aplicación en energía eólica.
Redes neuronales y reinforcement learning. Aplicación en energía eólica.Redes neuronales y reinforcement learning. Aplicación en energía eólica.
Redes neuronales y reinforcement learning. Aplicación en energía eólica.Facultad de Informática UCM
 
Challenges and Opportunities for AI and Data analytics in Offshore wind
Challenges and Opportunities for AI and Data analytics in Offshore windChallenges and Opportunities for AI and Data analytics in Offshore wind
Challenges and Opportunities for AI and Data analytics in Offshore windFacultad de Informática UCM
 

Plus de Facultad de Informática UCM (20)

¿Por qué debemos seguir trabajando en álgebra lineal?
¿Por qué debemos seguir trabajando en álgebra lineal?¿Por qué debemos seguir trabajando en álgebra lineal?
¿Por qué debemos seguir trabajando en álgebra lineal?
 
TECNOPOLÍTICA Y ACTIVISMO DE DATOS: EL MAPEO COMO FORMA DE RESILIENCIA ANTE L...
TECNOPOLÍTICA Y ACTIVISMO DE DATOS: EL MAPEO COMO FORMA DE RESILIENCIA ANTE L...TECNOPOLÍTICA Y ACTIVISMO DE DATOS: EL MAPEO COMO FORMA DE RESILIENCIA ANTE L...
TECNOPOLÍTICA Y ACTIVISMO DE DATOS: EL MAPEO COMO FORMA DE RESILIENCIA ANTE L...
 
DRAC: Designing RISC-V-based Accelerators for next generation Computers
DRAC: Designing RISC-V-based Accelerators for next generation ComputersDRAC: Designing RISC-V-based Accelerators for next generation Computers
DRAC: Designing RISC-V-based Accelerators for next generation Computers
 
uElectronics ongoing activities at ESA
uElectronics ongoing activities at ESAuElectronics ongoing activities at ESA
uElectronics ongoing activities at ESA
 
Tendencias en el diseño de procesadores con arquitectura Arm
Tendencias en el diseño de procesadores con arquitectura ArmTendencias en el diseño de procesadores con arquitectura Arm
Tendencias en el diseño de procesadores con arquitectura Arm
 
Formalizing Mathematics in Lean
Formalizing Mathematics in LeanFormalizing Mathematics in Lean
Formalizing Mathematics in Lean
 
Introduction to Quantum Computing and Quantum Service Oriented Computing
Introduction to Quantum Computing and Quantum Service Oriented ComputingIntroduction to Quantum Computing and Quantum Service Oriented Computing
Introduction to Quantum Computing and Quantum Service Oriented Computing
 
Computer Design Concepts for Machine Learning
Computer Design Concepts for Machine LearningComputer Design Concepts for Machine Learning
Computer Design Concepts for Machine Learning
 
Inteligencia Artificial en la atención sanitaria del futuro
Inteligencia Artificial en la atención sanitaria del futuroInteligencia Artificial en la atención sanitaria del futuro
Inteligencia Artificial en la atención sanitaria del futuro
 
Design Automation Approaches for Real-Time Edge Computing for Science Applic...
 Design Automation Approaches for Real-Time Edge Computing for Science Applic... Design Automation Approaches for Real-Time Edge Computing for Science Applic...
Design Automation Approaches for Real-Time Edge Computing for Science Applic...
 
Estrategias de navegación para robótica móvil de campo: caso de estudio proye...
Estrategias de navegación para robótica móvil de campo: caso de estudio proye...Estrategias de navegación para robótica móvil de campo: caso de estudio proye...
Estrategias de navegación para robótica móvil de campo: caso de estudio proye...
 
Fault-tolerance Quantum computation and Quantum Error Correction
Fault-tolerance Quantum computation and Quantum Error CorrectionFault-tolerance Quantum computation and Quantum Error Correction
Fault-tolerance Quantum computation and Quantum Error Correction
 
Cómo construir un chatbot inteligente sin morir en el intento
Cómo construir un chatbot inteligente sin morir en el intentoCómo construir un chatbot inteligente sin morir en el intento
Cómo construir un chatbot inteligente sin morir en el intento
 
Automatic generation of hardware memory architectures for HPC
Automatic generation of hardware memory architectures for HPCAutomatic generation of hardware memory architectures for HPC
Automatic generation of hardware memory architectures for HPC
 
Type and proof structures for concurrency
Type and proof structures for concurrencyType and proof structures for concurrency
Type and proof structures for concurrency
 
Hardware/software security contracts: Principled foundations for building sec...
Hardware/software security contracts: Principled foundations for building sec...Hardware/software security contracts: Principled foundations for building sec...
Hardware/software security contracts: Principled foundations for building sec...
 
Jose carlossancho slidesLa seguridad en el desarrollo de software implementad...
Jose carlossancho slidesLa seguridad en el desarrollo de software implementad...Jose carlossancho slidesLa seguridad en el desarrollo de software implementad...
Jose carlossancho slidesLa seguridad en el desarrollo de software implementad...
 
Do you trust your artificial intelligence system?
Do you trust your artificial intelligence system?Do you trust your artificial intelligence system?
Do you trust your artificial intelligence system?
 
Redes neuronales y reinforcement learning. Aplicación en energía eólica.
Redes neuronales y reinforcement learning. Aplicación en energía eólica.Redes neuronales y reinforcement learning. Aplicación en energía eólica.
Redes neuronales y reinforcement learning. Aplicación en energía eólica.
 
Challenges and Opportunities for AI and Data analytics in Offshore wind
Challenges and Opportunities for AI and Data analytics in Offshore windChallenges and Opportunities for AI and Data analytics in Offshore wind
Challenges and Opportunities for AI and Data analytics in Offshore wind
 

Dernier

FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIALFUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIALPamelaGranda5
 
EXPOSICION UNIDAD 3 MANTENIMIENTOO .pptx
EXPOSICION UNIDAD 3 MANTENIMIENTOO .pptxEXPOSICION UNIDAD 3 MANTENIMIENTOO .pptx
EXPOSICION UNIDAD 3 MANTENIMIENTOO .pptxKeylaArlethTorresOrt
 
SESIÓN 1 - Tema 1 - Conceptos Previos.pdf
SESIÓN 1 - Tema 1 - Conceptos Previos.pdfSESIÓN 1 - Tema 1 - Conceptos Previos.pdf
SESIÓN 1 - Tema 1 - Conceptos Previos.pdfElenaNagera
 
MONOGRAFIA- EDAFOLOGIA - EL SUELO(1).docx
MONOGRAFIA- EDAFOLOGIA - EL SUELO(1).docxMONOGRAFIA- EDAFOLOGIA - EL SUELO(1).docx
MONOGRAFIA- EDAFOLOGIA - EL SUELO(1).docxValentinaRavelo5
 
Introduccion-a-los-tipos-de-cemento (1).pdf
Introduccion-a-los-tipos-de-cemento (1).pdfIntroduccion-a-los-tipos-de-cemento (1).pdf
Introduccion-a-los-tipos-de-cemento (1).pdfjhorbycoralsanchez
 
Sales Básicas Quimica, conocer como se forman las sales basicas
Sales Básicas Quimica, conocer como se forman las sales basicasSales Básicas Quimica, conocer como se forman las sales basicas
Sales Básicas Quimica, conocer como se forman las sales basicasPaulina Cargua
 
ACEROS DE PERFORACION, CARACTERISTICAS Y FICHAS TECNICAS.pptx
ACEROS DE PERFORACION, CARACTERISTICAS Y FICHAS TECNICAS.pptxACEROS DE PERFORACION, CARACTERISTICAS Y FICHAS TECNICAS.pptx
ACEROS DE PERFORACION, CARACTERISTICAS Y FICHAS TECNICAS.pptxaxelalejossantos
 
04-circuitos-comparadores de amplificadores operacionales.pptx
04-circuitos-comparadores de amplificadores operacionales.pptx04-circuitos-comparadores de amplificadores operacionales.pptx
04-circuitos-comparadores de amplificadores operacionales.pptxHenryApaza12
 
PRIMER Y SEGUNDO TEOREMA DE CASTIGLIANO.pdf
PRIMER Y SEGUNDO TEOREMA DE CASTIGLIANO.pdfPRIMER Y SEGUNDO TEOREMA DE CASTIGLIANO.pdf
PRIMER Y SEGUNDO TEOREMA DE CASTIGLIANO.pdfAuraGabriela2
 
Química Analítica-U1y2-2024.pdf. Unidades 1 y 2
Química Analítica-U1y2-2024.pdf. Unidades 1 y 2Química Analítica-U1y2-2024.pdf. Unidades 1 y 2
Química Analítica-U1y2-2024.pdf. Unidades 1 y 2santiagoBernabei8
 
Unid 3 Extraccion 10-10-23 operaciones unitarias
Unid 3 Extraccion 10-10-23 operaciones unitariasUnid 3 Extraccion 10-10-23 operaciones unitarias
Unid 3 Extraccion 10-10-23 operaciones unitariasPatriciaRaimondi
 
5. MATERIAL COMPLEMENTARIO - PPT de la Sesión 02.pptx
5. MATERIAL COMPLEMENTARIO - PPT  de la Sesión 02.pptx5. MATERIAL COMPLEMENTARIO - PPT  de la Sesión 02.pptx
5. MATERIAL COMPLEMENTARIO - PPT de la Sesión 02.pptxJOSLUISCALLATAENRIQU
 
Guía para la identificación de materiales peligrosos
Guía para la identificación de materiales peligrososGuía para la identificación de materiales peligrosos
Guía para la identificación de materiales peligrososAdrianVarela22
 
GeoS33333333333333333333333333333333.pdf
GeoS33333333333333333333333333333333.pdfGeoS33333333333333333333333333333333.pdf
GeoS33333333333333333333333333333333.pdffredyflores58
 
INFORME DE LA DE PROBLEMÁTICA AMBIENTAL 2 UNIDAD FINAL. PDF.pdf
INFORME DE LA DE PROBLEMÁTICA AMBIENTAL 2 UNIDAD FINAL. PDF.pdfINFORME DE LA DE PROBLEMÁTICA AMBIENTAL 2 UNIDAD FINAL. PDF.pdf
INFORME DE LA DE PROBLEMÁTICA AMBIENTAL 2 UNIDAD FINAL. PDF.pdfsolidalilaalvaradoro
 
PLANTILLA DE PP PREVENCIONISTA DE RIESGOS LABORALES (1).pptx.pdf
PLANTILLA DE PP PREVENCIONISTA DE RIESGOS LABORALES (1).pptx.pdfPLANTILLA DE PP PREVENCIONISTA DE RIESGOS LABORALES (1).pptx.pdf
PLANTILLA DE PP PREVENCIONISTA DE RIESGOS LABORALES (1).pptx.pdfmcamposa87
 
PRESENTACIÓN ANALISIS ESTRUCTURAL II.pptx
PRESENTACIÓN ANALISIS ESTRUCTURAL II.pptxPRESENTACIÓN ANALISIS ESTRUCTURAL II.pptx
PRESENTACIÓN ANALISIS ESTRUCTURAL II.pptxStibeCr
 
bombas-hidraulicas para permitir transporte en una instalación
bombas-hidraulicas para permitir  transporte en una instalaciónbombas-hidraulicas para permitir  transporte en una instalación
bombas-hidraulicas para permitir transporte en una instalaciónLuisLobatoingaruca
 
MECANICA DE FLUIDOS 1 mecánica de fluidos en documento para descargar
MECANICA DE FLUIDOS 1 mecánica de fluidos en documento para descargarMECANICA DE FLUIDOS 1 mecánica de fluidos en documento para descargar
MECANICA DE FLUIDOS 1 mecánica de fluidos en documento para descargarAdrielQuispeLpez
 
Pueden_los_sistemas_de_informacion_ayudar_a_evitar_una_crisis_de_salud_public...
Pueden_los_sistemas_de_informacion_ayudar_a_evitar_una_crisis_de_salud_public...Pueden_los_sistemas_de_informacion_ayudar_a_evitar_una_crisis_de_salud_public...
Pueden_los_sistemas_de_informacion_ayudar_a_evitar_una_crisis_de_salud_public...jfmolina199
 

Dernier (20)

FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIALFUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
 
EXPOSICION UNIDAD 3 MANTENIMIENTOO .pptx
EXPOSICION UNIDAD 3 MANTENIMIENTOO .pptxEXPOSICION UNIDAD 3 MANTENIMIENTOO .pptx
EXPOSICION UNIDAD 3 MANTENIMIENTOO .pptx
 
SESIÓN 1 - Tema 1 - Conceptos Previos.pdf
SESIÓN 1 - Tema 1 - Conceptos Previos.pdfSESIÓN 1 - Tema 1 - Conceptos Previos.pdf
SESIÓN 1 - Tema 1 - Conceptos Previos.pdf
 
MONOGRAFIA- EDAFOLOGIA - EL SUELO(1).docx
MONOGRAFIA- EDAFOLOGIA - EL SUELO(1).docxMONOGRAFIA- EDAFOLOGIA - EL SUELO(1).docx
MONOGRAFIA- EDAFOLOGIA - EL SUELO(1).docx
 
Introduccion-a-los-tipos-de-cemento (1).pdf
Introduccion-a-los-tipos-de-cemento (1).pdfIntroduccion-a-los-tipos-de-cemento (1).pdf
Introduccion-a-los-tipos-de-cemento (1).pdf
 
Sales Básicas Quimica, conocer como se forman las sales basicas
Sales Básicas Quimica, conocer como se forman las sales basicasSales Básicas Quimica, conocer como se forman las sales basicas
Sales Básicas Quimica, conocer como se forman las sales basicas
 
ACEROS DE PERFORACION, CARACTERISTICAS Y FICHAS TECNICAS.pptx
ACEROS DE PERFORACION, CARACTERISTICAS Y FICHAS TECNICAS.pptxACEROS DE PERFORACION, CARACTERISTICAS Y FICHAS TECNICAS.pptx
ACEROS DE PERFORACION, CARACTERISTICAS Y FICHAS TECNICAS.pptx
 
04-circuitos-comparadores de amplificadores operacionales.pptx
04-circuitos-comparadores de amplificadores operacionales.pptx04-circuitos-comparadores de amplificadores operacionales.pptx
04-circuitos-comparadores de amplificadores operacionales.pptx
 
PRIMER Y SEGUNDO TEOREMA DE CASTIGLIANO.pdf
PRIMER Y SEGUNDO TEOREMA DE CASTIGLIANO.pdfPRIMER Y SEGUNDO TEOREMA DE CASTIGLIANO.pdf
PRIMER Y SEGUNDO TEOREMA DE CASTIGLIANO.pdf
 
Química Analítica-U1y2-2024.pdf. Unidades 1 y 2
Química Analítica-U1y2-2024.pdf. Unidades 1 y 2Química Analítica-U1y2-2024.pdf. Unidades 1 y 2
Química Analítica-U1y2-2024.pdf. Unidades 1 y 2
 
Unid 3 Extraccion 10-10-23 operaciones unitarias
Unid 3 Extraccion 10-10-23 operaciones unitariasUnid 3 Extraccion 10-10-23 operaciones unitarias
Unid 3 Extraccion 10-10-23 operaciones unitarias
 
5. MATERIAL COMPLEMENTARIO - PPT de la Sesión 02.pptx
5. MATERIAL COMPLEMENTARIO - PPT  de la Sesión 02.pptx5. MATERIAL COMPLEMENTARIO - PPT  de la Sesión 02.pptx
5. MATERIAL COMPLEMENTARIO - PPT de la Sesión 02.pptx
 
Guía para la identificación de materiales peligrosos
Guía para la identificación de materiales peligrososGuía para la identificación de materiales peligrosos
Guía para la identificación de materiales peligrosos
 
GeoS33333333333333333333333333333333.pdf
GeoS33333333333333333333333333333333.pdfGeoS33333333333333333333333333333333.pdf
GeoS33333333333333333333333333333333.pdf
 
INFORME DE LA DE PROBLEMÁTICA AMBIENTAL 2 UNIDAD FINAL. PDF.pdf
INFORME DE LA DE PROBLEMÁTICA AMBIENTAL 2 UNIDAD FINAL. PDF.pdfINFORME DE LA DE PROBLEMÁTICA AMBIENTAL 2 UNIDAD FINAL. PDF.pdf
INFORME DE LA DE PROBLEMÁTICA AMBIENTAL 2 UNIDAD FINAL. PDF.pdf
 
PLANTILLA DE PP PREVENCIONISTA DE RIESGOS LABORALES (1).pptx.pdf
PLANTILLA DE PP PREVENCIONISTA DE RIESGOS LABORALES (1).pptx.pdfPLANTILLA DE PP PREVENCIONISTA DE RIESGOS LABORALES (1).pptx.pdf
PLANTILLA DE PP PREVENCIONISTA DE RIESGOS LABORALES (1).pptx.pdf
 
PRESENTACIÓN ANALISIS ESTRUCTURAL II.pptx
PRESENTACIÓN ANALISIS ESTRUCTURAL II.pptxPRESENTACIÓN ANALISIS ESTRUCTURAL II.pptx
PRESENTACIÓN ANALISIS ESTRUCTURAL II.pptx
 
bombas-hidraulicas para permitir transporte en una instalación
bombas-hidraulicas para permitir  transporte en una instalaciónbombas-hidraulicas para permitir  transporte en una instalación
bombas-hidraulicas para permitir transporte en una instalación
 
MECANICA DE FLUIDOS 1 mecánica de fluidos en documento para descargar
MECANICA DE FLUIDOS 1 mecánica de fluidos en documento para descargarMECANICA DE FLUIDOS 1 mecánica de fluidos en documento para descargar
MECANICA DE FLUIDOS 1 mecánica de fluidos en documento para descargar
 
Pueden_los_sistemas_de_informacion_ayudar_a_evitar_una_crisis_de_salud_public...
Pueden_los_sistemas_de_informacion_ayudar_a_evitar_una_crisis_de_salud_public...Pueden_los_sistemas_de_informacion_ayudar_a_evitar_una_crisis_de_salud_public...
Pueden_los_sistemas_de_informacion_ayudar_a_evitar_una_crisis_de_salud_public...
 

Secuencias, un número detrás de otro - Dr. Domingo Gómez Pérez

  • 1. Secuencias, un número detrás de otro Domingo Gómez Pérez Facultad de Ciencias Universidad de Cantabria Universidad Complutense de Madrid, 2016 Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 1 / 46
  • 2. ¿Qué es la aleatoriedad? Idea de la definición Una secuencia de números es aleatoria con una cierta distribución si cada elemento es obtenido al azar, independientemente del resto y tiene una cierta probabilidad de estar en un cierto rango. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 2 / 46
  • 3. El sorteo del servicio militar obligatorio de 1997 El proceso para determinar quienes formaban excedente era el siguiente: Cada aspirante recibía un número entre 1 y 165.342. Se extraían bolas de seis bombos diferentes. Si alguna extracción daba un número fuera de rango, se repetía la extracción. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 3 / 46
  • 4. El sorteo del servicio militar obligatorio de 1997 El proceso para determinar quienes formaban excedente era el siguiente: Cada aspirante recibía un número entre 1 y 165.342. Se extraían bolas de seis bombos diferentes. Si alguna extracción daba un número fuera de rango, se repetía la extracción. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 3 / 46
  • 5. El sorteo del servicio militar obligatorio de 1997 El proceso para determinar quienes formaban excedente era el siguiente: Cada aspirante recibía un número entre 1 y 165.342. Se extraían bolas de seis bombos diferentes. Si alguna extracción daba un número fuera de rango, se repetía la extracción. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 3 / 46
  • 6. Secuencias y Criptografía Se necesitan muchos números aleatorios: Generación de parámetros aleatorios. Transport Layer Security. Firmas digitales. DSA. ElGamal. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 4 / 46
  • 7. ¿Cómo podemos generar secuencias aleatorias? . . . 101 . . . Semilla Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 5 / 46
  • 8. ¿Cómo podemos generar secuencias aleatorias? . . . 101 . . . f . . . 000 . . . Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 6 / 46
  • 9. ¿Cómo podemos generar secuencias aleatorias? . . . 101 . . . f . . . 000 . . . g salida0 Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 7 / 46
  • 10. ¿Cómo podemos generar secuencias aleatorias? . . . 101 . . . f . . . 000 . . . g salida0 f . . . . . . . . . Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 8 / 46
  • 11. ¿Cómo podemos generar secuencias aleatorias? . . . 101 . . . f . . . 000 . . . g salida0 f . . . . . . . . . g salida1 Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 9 / 46
  • 12. ¿Cómo podemos generar secuencias aleatorias? . . . 101 . . . f . . . 000 . . . g salida0 f . . . . . . . . . g salida1 f . . . . . . . . . g salida2 Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 10 / 46
  • 13. El k-generador de números pseudoaleatorios Generador de números aleatorios que contiene: Saltos condicionales dependiendo del valor de ciertos registros. Sumas, restas, complemento base 10. Selección de cifras. ¡Las secuencias convergían al número 6065038420! Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 11 / 46
  • 14. El k-generador de números pseudoaleatorios Generador de números aleatorios que contiene: Saltos condicionales dependiendo del valor de ciertos registros. Sumas, restas, complemento base 10. Selección de cifras. ¡Las secuencias convergían al número 6065038420! Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 11 / 46
  • 15. Generadores de números pseudoaleatorios (usados en Criptografía) Teóricos (basados en la máquina Turing Universal, BBS,. . .). Basados en registros de desplazamiento (LFSR). RC4. Generador Dual EC. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 12 / 46
  • 16. El generador Dual EC Basado en curvas elípticas. Estandarizado por el NIST, ANSI y ISO. Diseñado para ser seguro para “muchos”, no todos. La vulnerabilidad fue patentada antes de ser pública. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 13 / 46
  • 17. El generador Dual EC Basado en curvas elípticas. Estandarizado por el NIST, ANSI y ISO. Diseñado para ser seguro para “muchos”, no todos. La vulnerabilidad fue patentada antes de ser pública. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 13 / 46
  • 18. Kleptography La kleptography trata de: Esconder información en textos cifrados. Permitir puertas traseras a criptosistemas seguros para usos legítimos. No debilitar los criptosistemas que implementan esto. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 14 / 46
  • 19. Esteganografía La Esteganografía trata de: Esconder información a la vista de todo el mundo. Utilizar canales inseguros para transmitir información de forma segura. Promover comunicación anónima. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 15 / 46
  • 20. Marcas de agua Las marcas de agua tratan de: Permitir la recuperación de información en medios digitales. No degradar la información que se transmite. Ser resistentes a ataques. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 16 / 46
  • 21. Marcas de agua Usos: Monitorizar obras con derechos de autor. Medir audiencias. Demostrar modificación. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 17 / 46
  • 22. Modelización Las imágenes se modelan como arrays multidimensionales, a las que se embebe una marca de agua: I : Nn → {0, 1} i → . . . . s : Nn → {0, 1} i → . . . . Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 18 / 46
  • 23. Características de las marcas de agua Deben ser posibles generar eficientemente. Deben de ser difíciles de predecir. Deben poder ser detectadas en presencia de “ruido”. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 19 / 46
  • 24. Generación usando registros de desplazamiento Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 20 / 46
  • 25. Moreno-Tirkel Multidimensional Watermarks Esta familia de arrays tiene las siguientes características: Baja autocorrelación. Tienen buena complejidad lineal. Resistencia al ruido. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 21 / 46
  • 27. Algoritmo Monte Carlo Los algoritmos (o métodos) Monte Carlo son algoritmos que devuelven un resultado basado en muestreos aleatorios. No se devuelve siempre el mismo resultado. No se tiene certeza del resultado. Si no tienen sesgo, puede hallarse aproximaciones tan buenas como queramos. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 23 / 46
  • 28. Algoritmo Monte Carlo Problema Dada la medición, hallar una fórmula para la desviación esperada sin ninguna suposición adicional. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 24 / 46
  • 29. Algoritmo Monte Carlo Cruz, Gomez, Cruz-Orive. Efficient and Unbiased Estimation of Population Size. Dividir una rejilla con cuadrados de lado T. Dentro de ese cuadrado, tomar un cuadrado pequeño de lado t. Lanzarlo sobre la figura y contar el número de personas dentro de cuadrados. Multiplicar ese número de personas por (T/t)2. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 25 / 46
  • 30. ¿Cuantas personas hay? (T= 500, t=50) Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 26 / 46
  • 31. Algoritmo Monte Carlo Cruz, Gomez, Cruz-Orive. Efficient and Unbiased Estimation of Population Size. Nuestra contribución: Proponer una regla de conteo sin sesgo. Dar una estimación del error en base a la sucesión de personas en cada cuadrado. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 27 / 46
  • 32. Algoritmos probabilistas para estimación de longitudes Muchas veces, necesitamos saber propiedades geométricas de curvas, como por ejemplo, la longitud. En este caso, el problema es mucho más difícil: ¿Donde empieza y acaba la curva? ¿Qué forma parte de la curva? Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 28 / 46
  • 33. Moléculas de DNA Podestà et al. Atomic force microscopy study of DNA deposited on poly L-ornithine mica Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 29 / 46
  • 34. Algoritmo probabilista El siguiente algoritmo aproxima la longitud de la curva: Dibujar una rejilla con separación T, poner la curva encima de la rejilla con orientación arbitraria, calcular el número total de intersecciones I, la estimación es L = π/4TI. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 30 / 46
  • 35. Algoritmo probabilista T = 37nm (Longitud real de la curva 416nm) Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 31 / 46
  • 36. Matemáticas financieras Hecho 80% de las operaciones bursátiles son automáticas. Hecho No existe un modelo suficientemente simple que determine las subidas y bajadas en la bolsa. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 32 / 46
  • 37. Matemáticas financieras Precios en derivados financieros Bono: paga un interés especificado. Acción: participación en una empresa. Contingente financiero: instrumento cuyo valor es determinado por otros instrumentos. European Call Option (premium). Asian Call Option. Cash-or-Nothing Option. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 33 / 46
  • 38. Matemáticas financieras Precios en derivados financieros Ofertamos un contingente financiero, ¿cuál es el precio justo? Hipótesis del mercado eficiente. Las acciones no tienen dividendos. Las transacciones son inocuas. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 34 / 46
  • 39. Matemáticas financieras Precios en derivados financieros Ofertamos una European Call Option, ¿cuál es el precio justo? Una acción que vale 1, y en un año puede valer 2 o 1/2. Queremos poner un premium de 1 euro. El precio justo parece ser 1/2 euro. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 35 / 46
  • 40. Arbitraje Vendemos 4 European Call Options a 1/2 y compramos tres acciones. Si las acciones bajan, ganamos 1/2. Si las acciones suben, ganamos 1 euro. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 36 / 46
  • 41. Arbitraje Vendemos 4 European Call Options a 1/2 y compramos tres acciones. Si las acciones bajan, ganamos 1/2. Si las acciones suben, ganamos 1 euro. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 36 / 46
  • 42. Arbitraje Vendemos 4 European Call Options a 1/2 y compramos tres acciones. Si las acciones bajan, ganamos 1/2. Si las acciones suben, ganamos 1 euro. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 36 / 46
  • 43. Precio justo Existe una fórmula para hallar el precio bajo ciertas restricciones. [0,1)s f(x)dP. una primera aproximación es: [0,1)s f(x)dP ≈ 1 N N i=1 f(xi). Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 37 / 46
  • 44. Métodos quasi Montecarlo Los métodos quasi Montecarlo se basan en buscar buenos puntos para evaluar la integral. Son uniformemente distribuidos. Pueden ser generados eficientemente. Deben ajustarse a diferentes hipótesis sobre las funciones a evaluar. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 38 / 46
  • 45. Métodos quasi Montecarlo Hemos propuesto nuevas secuencias de puntos: Secuencias basadas en polinomios sobre cuerpos finitos. Secuencias de puntos híbridas. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 39 / 46
  • 46. Radar La idea para detectar objetos es la siguiente: Emitir señales. Recibir la señal emitida. Calcular el retardo. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 40 / 46
  • 47. Radar 1 1 −1 1 . . . Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 41 / 46
  • 48. Radar 1 1 −1 1 . . . 1 −1 1 1 . . . Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 42 / 46
  • 49. Radar El producto escalar 1 1 −1 1 1 −1 −1 Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 43 / 46
  • 50. Radar El producto escalar 1 1 −1 1 1 −1 Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 44 / 46
  • 51. Barker sequences Una secuencia de Baker (Baker sequence) es una secuencia para la cuál las correlaciones son todas a lo sumo 1. Existen hasta longitud 13. No existen para longitudes menores que 1012. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 45 / 46
  • 52. Secuencias y otras áreas Secuencias utilizadas en criptografía tienen malas propiedades. Pero arryas utilizados en esteganografía se pueden utilizar. Aunque búsquedas por ordenador muestran que son lejos de ser óptimas. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 46 / 46
  • 53. Secuencias y otras áreas Secuencias utilizadas en criptografía tienen malas propiedades. Pero arryas utilizados en esteganografía se pueden utilizar. Aunque búsquedas por ordenador muestran que son lejos de ser óptimas. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 46 / 46
  • 54. Secuencias y otras áreas Secuencias utilizadas en criptografía tienen malas propiedades. Pero arryas utilizados en esteganografía se pueden utilizar. Aunque búsquedas por ordenador muestran que son lejos de ser óptimas. Domingo Gómez Pérez (UC) Secuencias Madrid, 2016 46 / 46