Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouRaíssa Mirandela Ramires Alterado mais de 7 anos atrás
1
Fernando NogueiraCadeias de Markov1 Andrei Andreyevich Markov (*1856, Ryazan, Russia; 1922, São Petersburgo, Russia).
2
Fernando NogueiraCadeias de Markov2 Introdução Processos Estocásticos Processos que evoluem no tempo de maneira probabilística. Processos Estocásticos (formal) coleção de variáveis randômicas (X(t)) indexadas por um parâmetro t, com. X(t) representa o estado do sistema no parâmetro (tempo) t. Portanto, X(t) é definido em um espaço denominado Espaço de Estados. Classificação em relação ao Estado Estado Discreto (cadeia): X(t) é definido sobre um conjunto enumerável ou finito Estado Contínuo (seqüência): X(t) caso contrário Classificação em relação ao Tempo (Parâmetro) Tempo Discreto: t é finito ou enumerável Tempo Contínuo: t caso contrário Exemplos 1) Número de usuários em uma fila em um determinado instante: Estado Discreto e Tempo Contínuo. 2) Índice pluviométrico diário: Estado Contínuo e Tempo Discreto. 3) Número de dias chuvosos: Estado Discreto e Tempo Discreto.
3
Fernando NogueiraCadeias de Markov3 Processos Markovianos Um Processo Estocástico é dito ser um Processo Markoviano se: Um Processo Markoviano é uma Cadeia de Markov em Tempo Discreto se: Probabilidade de Transição Probabilidade de Transição é dita Estacionária se: Probabilidade de transição de passo 1 Probabilidade de Transição de passo 1 implica que: Probabilidade de transição de passo n Notação simplificada Matriz de Transição de Passo n
4
Fernando NogueiraCadeias de Markov4 Exemplo 1 O estado no ano de 1993 do uso da terra em uma cidade de 50 Km 2 de área é: Vetor de Estados Vetor de Probabilidade de Estado Matriz de Transição O estado no ano de 1998 do uso da terra é
5
Fernando NogueiraCadeias de Markov5 Equações de Chapman - Kolmogorov Permite computar a matriz de transição para n passos (de t para t + n). para todo i, j = 0, 1,..., M qualquer m = 1, 2,..., n-1 qualquer n = m+1, m+2,.... notação matricial Classificação de Estados em Cadeias de Markov Estado Alcançável j é alcançável a partir de i se para algum Estado Comunicante j é comunicante com i se j é alcançável a partir de i e vice-versa Estado 0 1 2 3 1 é comunicante com 2 2 não é alcançável a partir de 3 Se todos estados são comunicantes Cadeia Irredutível Estado Transiente i é transiente se e somente se existe um estado j que é alcançável a partir do estado i mas não vice-versa. Estado Recorrente i é recorrente se não é transiente. Estado Absorvente i é recorrente se p ii = 1.
6
Fernando NogueiraCadeias de Markov6 Um conjunto C de estados é dito ser um Conjunto Fechado se o processo ao entrar em um destes estados de C, este irá permanecer nos estados de C indefinidamente. Um conjunto C m de estados é dito ser um Conjunto Fechado Mínimo se este conjunto não possui sub-conjuntos fechados. Estado 0 1 2 3 4 0 e 1 são recorrentes 2 é absorvente 3 e 4 são transientes 0, 1 e 2 formam um Conj. Fechado 0 e 1 formam um Conj. Fechado Mínimo 2 Conj. Fechado Mínimo Estado Periódico i é periódico com período t se um retorno a este estado é possível somente em t, 2t, 3t,... passos para t>1. sempre quando n não é divisível por t. Estado Aperiódico se t = 1. Estado 0 1 2 3 1e 2 são periódicos com t = 2 todos estados são periódicos com t = 2 Em uma Cadeia de Markov de estado finito, estados recorrentes aperiódicos são chamados de estados Ergódicos. Uma Cadeia de Markov é Ergódica se todos os estados são ergódicos.
7
Fernando NogueiraCadeias de Markov7 Probabilidades de Estados Estavéis (Steady-State) Se a Cadeia de Markov é Ergódica e Irredutível, a distribuição de probabilidade dos estados a longo período independe da distribuição de probabilidade inicial dos estados. Equações de Estados Estavéis para j = 0, 1, 2,..., M M+2 equações em M+1 incógnitas
8
Fernando NogueiraCadeias de Markov8 Custo Médio Esperado por Unidade de Tempo Se a Cadeia de Markov é Irredutível, o limite sempre irá existir. Seja C(X t ) uma função de custo (C( ) é uma variável randômica independente de t). O custo médio esperado por unidade de tempo é: Exemplo custo médio esperado do estoque por semana Fração do tempo em que o processo está no estado j Tempos de Primeira Passagem tempo demandado para o processo atingir o estado j a partir do estado i. Quando j = i Tempo de Recorrência para o estado i. Denominando a probabilidade do Tempo de Primeira Passagem a partir do estado i para o estado j ser n, pode-se escrever que: Exemplo: Probabilidade do Tempo de Primeira Passagem a partir do estado 3 (estoque cheio) para o estado 0 (estoque vazio) ser n:
9
Fernando NogueiraCadeias de Markov9 processo inicialmente no estado i, pode nunca alcançar o estado j é a distribuição de probabilidade para a variável aleatória Tempo de Primeira Passagem Tempo de Primeira Passagem Esperado Sempre quando unicamente satisfaz Exemplo: Tempo de Primeira Passagem Esperado a partir do estado 3 (estoque cheio) para o estado 0 (estoque vazio): Tempo de Recorrência Esperado
10
Fernando NogueiraCadeias de Markov10 Classificação de Estados segundo a probabilidade do Tempo de Primeira Passagem Um estado recorrente é Nulo se Um estado recorrente é Não-Nulo ou Positivo se Um estado é Ergódico se é não-nulo e aperiódico Estados Absorventes f ik probabilidade de absorção para o estado k dado que o sistema iniciou no estado i. Seja k um estado absorvente, então o conjunto de probabilidades de absorção f ik satisfaz o seguinte sistema de equações: sujeito a: se i é recorrente e Exemplo: f 20 e f 24 ?
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.