Escolar Documentos
Profissional Documentos
Cultura Documentos
Departamento de Estatística
lupercio.bessegato@ufjf.edu.br
www.ufjf.br/lupercio_bessegato
Semestre 2013/3
1 I NTRODUÇÃO
1 I NTRODUÇÃO
2 C ADEIAS DE M ARKOV
1 I NTRODUÇÃO
2 C ADEIAS DE M ARKOV
1 I NTRODUÇÃO
2 C ADEIAS DE M ARKOV
4 P ROCESSOS DE P OISSON
1 I NTRODUÇÃO
2 C ADEIAS DE M ARKOV
4 P ROCESSOS DE P OISSON
5 M ODELOS DE F ILAS
1 I NTRODUÇÃO
2 C ADEIAS DE M ARKOV
4 P ROCESSOS DE P OISSON
5 M ODELOS DE F ILAS
6 R EFERÊNCIAS B IBLIOGRÁFICAS
I NTRODUÇÃO
O BJETIVO
• Investigar estrutura de variáveis aleatórias Xt
• t é um parâmetro em um conjunto de ínidices T
O BJETIVO
• Investigar estrutura de variáveis aleatórias Xt
• t é um parâmetro em um conjunto de ínidices T
O BJETIVO
• Investigar estrutura de variáveis aleatórias Xt
• t é um parâmetro em um conjunto de ínidices T
Xt : Ω → E ⊂ R
Xt : Ω → E ⊂ R
Atendendo a natureza de T e E
E DISCRETO , T DISCRETO
Geralmente: E = Z e T = N
Atendendo a natureza de T e E
E DISCRETO , T DISCRETO
Geralmente: E = Z e T = N
E DISCRETO , T CONTÍNUO
Geralmente: E = Z e T = {t : t ≥ 0}
Atendendo a natureza de T e E
E DISCRETO , T DISCRETO
Geralmente: E = Z e T = N
E DISCRETO , T CONTÍNUO
Geralmente: E = Z e T = {t : t ≥ 0}
E CONTÍNUO , T DISCRETO
Geralmente: E = R e T = N
Atendendo a natureza de T e E
E DISCRETO , T DISCRETO
Geralmente: E = Z e T = N
E DISCRETO , T CONTÍNUO
Geralmente: E = Z e T = {t : t ≥ 0}
E CONTÍNUO , T DISCRETO
Geralmente: E = R e T = N
E CONTÍNUO , T CONTÍNUO
Geralmente: E = R e T = R+ ∪ {0}
D EFINIÇÃO
Para qualquer conjunto finito {t1 , t2 , . . . , tk } ⊂ T, a distribuição do vetor
Xt1 , Xt2 , . . . , Xtk é denominada distribuição finito dimensional do
processo.
D EFINIÇÃO
Para qualquer conjunto finito {t1 , t2 , . . . , tk } ⊂ T, a distribuição do vetor
Xt1 , Xt2 , . . . , Xtk é denominada distribuição finito dimensional do
processo.
D EFINIÇÃO
Para qualquer conjunto finito {t1 , t2 , . . . , tk } ⊂ T, a distribuição do vetor
Xt1 , Xt2 , . . . , Xtk é denominada distribuição finito dimensional do
processo.
D EFINIÇÃO
Para qualquer conjunto finito {t1 , t2 , . . . , tk } ⊂ T, a distribuição do vetor
Xt1 , Xt2 , . . . , Xtk é denominada distribuição finito dimensional do
processo.
C ONSEQUÊNCIA
Seja um processo {Xt } a tempo discreto (T = {0, 1, . . . }) com
incrementos independentes.
{Zi }, Zi = Xi − Xi−1 é uma sequência de variáveis aleatórias
independentes, com Xi = Z0 + Z1 + · · · + Zi
D EFINIÇÃO
Diz-se que o processo tem incrementos estacionários se a distribuição
dos incrementos Xt1 +h − Xt1 depende somente do comprimento h e
não do tempo t1 .
D EFINIÇÃO
Diz-se que o processo tem incrementos estacionários se a distribuição
dos incrementos Xt1 +h − Xt1 depende somente do comprimento h e
não do tempo t1 .
C ONSEQUÊNCIA
Para um processo com incrementos estacionários,
d
Xt1 +h − Xt1 = Xt2 +h − Xt2 para qualquer valor de t1 , t2 , e h.
P ROPRIEDADE
Se um processo estocástico {Xt : t ∈ T}, com momentos de 2a. ordem
finitos, tem incrementos independentes e estacionários, então:
P ROPRIEDADE
Se um processo estocástico {Xt : t ∈ T}, com momentos de 2a. ordem
finitos, tem incrementos independentes e estacionários, então:
1 µt = E [Xt ] = µ0 + m1 t, onde m1 = µ1 − µ0 .
P ROPRIEDADE
Se um processo estocástico {Xt : t ∈ T}, com momentos de 2a. ordem
finitos, tem incrementos independentes e estacionários, então:
1 µt = E [Xt ] = µ0 + m1 t, onde m1 = µ1 − µ0 .
σt2 = Var {Xt } = σ02 + σ1∗2 t, onde σ1∗2 = E (X1 − m1 )2 − σ02
2
D EFINIÇÃO
Um processo estocástico é estacionário quando µt = µ, σt2 = σ 2 e
Cov {Xt , Xs } depende apenas de |t − s|.
D EFINIÇÃO
Um processo estocástico é estacionário quando µt = µ, σt2 = σ 2 e
Cov {Xt , Xs } depende apenas de |t − s|.
D EFINIÇÃO
Um processo estocástico é estritamente estacionário quando
d
{Xt1 , Xt2 , . . . , Xtk } = {Xt1 +h , Xt2 +h , . . . , Xtk +h } , ∀h, t1 , t2 . . . tk . Em essência
o processo está em equilíbrio probabilístico.
D EFINIÇÃO
Um processo estocástico é estacionário quando µt = µ, σt2 = σ 2 e
Cov {Xt , Xs } depende apenas de |t − s|.
D EFINIÇÃO
Um processo estocástico é estritamente estacionário quando
d
{Xt1 , Xt2 , . . . , Xtk } = {Xt1 +h , Xt2 +h , . . . , Xtk +h } , ∀h, t1 , t2 . . . tk . Em essência
o processo está em equilíbrio probabilístico.
C ONSEQUÊNCIA
Em particular, a distribuição de Xt e Xt+h são identicamente
distribuídos para quaisquer valores de t e h.
D EFINIÇÃO
Um processo estocástico é estacionário no sentido da covariância
quando Cov {Xt1 , Xt1 +h } = Cov {Xt2 , Xt2 +h } e se possuir segundo
momento finito. É também denominado fracamente estacionário ou
estacionário de 2a. ordem.
D EFINIÇÃO
Um processo estocástico é estacionário no sentido da covariância
quando Cov {Xt1 , Xt1 +h } = Cov {Xt2 , Xt2 +h } e se possuir segundo
momento finito. É também denominado fracamente estacionário ou
estacionário de 2a. ordem.
C ONSEQUÊNCIA
Se o processo é estacionário na covariância não implica que ele seja
estritamente estacionário.
D EFINIÇÃO
Um processo estocástico é estacionário no sentido da covariância
quando Cov {Xt1 , Xt1 +h } = Cov {Xt2 , Xt2 +h } e se possuir segundo
momento finito. É também denominado fracamente estacionário ou
estacionário de 2a. ordem.
C ONSEQUÊNCIA
Se o processo é estacionário na covariância não implica que ele seja
estritamente estacionário.
I MPORTANTE
Estacionariedade não implica independência.
D EFINIÇÃO
Um processo estocástico possui a propriedade de Markov se
P {Xt ∈ A|Xt1 = x1 , Xt2 = x2 , . . . , Xtn = xn } = P {Xt ∈ A|Xtn = xn }, para
0 ≤ t1 < t2 · · · < tn < t.
D EFINIÇÃO
Um processo estocástico possui a propriedade de Markov se
P {Xt ∈ A|Xt1 = x1 , Xt2 = x2 , . . . , Xtn = xn } = P {Xt ∈ A|Xtn = xn }, para
0 ≤ t1 < t2 · · · < tn < t.
C ONSEQUÊNCIA
“O futuro não depende do passado quando se conhece o presente”
C ONSEQUÊNCIA
Conhecidas a distribuição inicial e a função de probabilidade de
transição de um processo Markoviano, pode-se calcular todas suas
distribuições finito dimensionais.
P {Xt = j}
M
X
P {Xt = j} = P {X0 = i, Xt = j}
i=0
M
X
P {Xt = j} = P {X0 = i, Xt = j}
i=0
XM
= P {Xt = j|X0 = i} P {X0 = i}
i=0
M
X
P {Xt = j} = P {X0 = i, Xt = j}
i=0
XM
= P {Xt = j|X0 = i} P {X0 = i}
i=0
M
X
= P(i, 0, t, j)P {X0 = 1}
i=0
C ADEIAS DE M ARKOV
P ROCESSOS M ARKOVIANOS
P ROCESSOS M ARKOVIANOS
• Permite modelar a incerteza em muitos sistemas reais que
evoluem dinamicamente no tempo
P ROCESSOS M ARKOVIANOS
• Permite modelar a incerteza em muitos sistemas reais que
evoluem dinamicamente no tempo
• Ampla variedade de campos de aplicação
P ROCESSOS M ARKOVIANOS
• Permite modelar a incerteza em muitos sistemas reais que
evoluem dinamicamente no tempo
• Ampla variedade de campos de aplicação
• Conceitos básicos: estado e transição de estado
P ROCESSOS M ARKOVIANOS
• Permite modelar a incerteza em muitos sistemas reais que
evoluem dinamicamente no tempo
• Ampla variedade de campos de aplicação
• Conceitos básicos: estado e transição de estado
P ROPRIEDADE M ARKOVIANA
O conhecimento do estado atual do processo é suficiente para
predizer o comportamento estocástico futuro do processo
O BJETIVO
Encontrar descrição adequada de estados de maneira que o processo
estocástico associado tenha a propriedade Markoviana
O BJETIVO
Encontrar descrição adequada de estados de maneira que o processo
estocástico associado tenha a propriedade Markoviana
D ESENVOLVIMENTO T EÓRICO
O BJETIVO
Encontrar descrição adequada de estados de maneira que o processo
estocástico associado tenha a propriedade Markoviana
D ESENVOLVIMENTO T EÓRICO
• Processo de Markov a tempo discreto
O BJETIVO
Encontrar descrição adequada de estados de maneira que o processo
estocástico associado tenha a propriedade Markoviana
D ESENVOLVIMENTO T EÓRICO
• Processo de Markov a tempo discreto
• Transições de estado ocorrem apenas em tempos fixos
N OTAÇÃO
(n,n+1)
Pij = P {Xn+1 = j|Xn = i} é a probabilidade de transição de i para j
no tempo n.
D EFINIÇÃO
A cadeia é homogênea no tempo quando as probabilidades de
transição não dependem de t.
D EFINIÇÃO
A cadeia é homogênea no tempo quando as probabilidades de
transição não dependem de t.
C ONSEQUÊNCIA
Pij = P {Xt+1 = j|Xt = i} , ∀t ∈ E
D EFINIÇÃO
Xi = Xi−1 + Zi , com
• X0 = 0
• P {Zi = 1} = P {Zi = −1} = 1/2, ∀i
D EFINIÇÃO
Xi = Xi−1 + Zi , com
• X0 = 0
• P {Zi = 1} = P {Zi = −1} = 1/2, ∀i
E XEMPLO (1)
1
P {X1 = 1|X0 = 0} = P {X1 = −1|X0 = 0} =
2
1
P {X2 = 0|X0 = 0} =
2
1
P {X2 = 0|X0 = 0} =
2
1
P {X2 = 0|X0 = 0, X1 = 1} = P {X2 = 0|X1 = 1} =
2
1
P {X2 = 0|X0 = 0} =
2
1
P {X2 = 0|X0 = 0, X1 = 1} = P {X2 = 0|X1 = 1} =
2
1
P {X2 = 0|X0 = 0, X1 = −1} = P {X2 = 0|X1 = −1} =
2
1
P {X2 = 0|X0 = 0} =
2
1
P {X2 = 0|X0 = 0, X1 = 1} = P {X2 = 0|X1 = 1} =
2
1
P {X2 = 0|X0 = 0, X1 = −1} = P {X2 = 0|X1 = −1} =
2
P {X2 = 0|X0 = 0} = P {X2 = 0|X1 = 1} P {X1 = 1|X0 = 0} +
P {X2 = 0|X1 = −1} P {X1 = −1|X0 = 0}
1
P {X2 = 0|X0 = 0} =
2
1
P {X2 = 0|X0 = 0, X1 = 1} = P {X2 = 0|X1 = 1} =
2
1
P {X2 = 0|X0 = 0, X1 = −1} = P {X2 = 0|X1 = −1} =
2
P {X2 = 0|X0 = 0} = P {X2 = 0|X1 = 1} P {X1 = 1|X0 = 0} +
P {X2 = 0|X1 = −1} P {X1 = −1|X0 = 0}
1
P {Xt = 0|X0 = 0} = , ∀t ∈ E
2
−60
−80
−100
Index
0
−20
−50
−40
−100
result
result
−60
−150
−80
−200
−100
−250
0 1000 2000 3000 4000 5000 0 1000 2000 3000 4000 5000
Index Index
D EFINIÇÃO
Se a cadeia é homogênea no tempo, a matriz de probabilidade de
transição (em um passo) é:
P = (Pij ) , i, j ∈ E
D EFINIÇÃO
Se a cadeia é homogênea no tempo, a matriz de probabilidade de
transição (em um passo) é:
P = (Pij ) , i, j ∈ E
P ROPRIEDADES DE P
1 Pij ≥ 0, ∀i, j
P
2 j∈E Pij = 1, ∀i ∈ E, ou seja, para i fixo, {Pij : j ∈ E} define uma
função de probabilidade.
D EFINIÇÃO
Se a cadeia é homogênea no tempo, a matriz de probabilidade de
transição (em um passo) é:
P = (Pij ) , i, j ∈ E
P ROPRIEDADES DE P
1 Pij ≥ 0, ∀i, j
P
2 j∈E Pij = 1, ∀i ∈ E, ou seja, para i fixo, {Pij : j ∈ E} define uma
função de probabilidade.
R ATO EM L ABIRINTO
Um rato é colocado no labirinto abaixo.
1 2 3
4 5 6
7 8 9
R ATO EM L ABIRINTO
Um rato é colocado no labirinto abaixo. Ele move-se ao acaso através
dos compartimentos.
1 2 3
4 5 6
7 8 9
R ATO EM L ABIRINTO
Um rato é colocado no labirinto abaixo. Ele move-se ao acaso através
dos compartimentos. Ele faz uma troca de compartimento em cada
instante de tempo.
1 2 3
4 5 6
7 8 9
R ATO EM L ABIRINTO
Um rato é colocado no labirinto abaixo. Ele move-se ao acaso através
dos compartimentos. Ele faz uma troca de compartimento em cada
instante de tempo. O estado do sistema é o número do compartimento
em que o rato está.
1 2 3
4 5 6
7 8 9
R ATO EM L ABIRINTO
Um rato é colocado no labirinto abaixo. Ele move-se ao acaso através
dos compartimentos. Ele faz uma troca de compartimento em cada
instante de tempo. O estado do sistema é o número do compartimento
em que o rato está.
Determine a matriz de probabilidades de transição deste processo.
1 2 3
4 5 6
7 8 9
1 0 1/2 0 1/2 0 0 0 0 0
21/3 0 1/3 0 1/3 0 0 0 0
3 0 1/2 0 1/2 0 0 0 0 0
41/3 0 0 0 1/3 0 1/3 0 0
P = 5 0 1/4 0 1/4 0 1/4 0 1/4 0
6 0 0 1/3 0 1/3 0 0 0 1/3
7 0 0 0 1/2 0 0 0 1/2 0
8 0 0 0 0 1/3 0 1/3 0 1/3
9 0 0 0 0 0 1/2 0 1/2 0
F UNÇÃO DE P ROBABILIDADE DE X0
α 00 = [α0 (i); i ∈ E], com α0 (i) = P {X0 = i} ,
em que α é o vetor que define a função de probabilidade de X0 .
F UNÇÃO DE P ROBABILIDADE DE X0
α 00 = [α0 (i); i ∈ E], com α0 (i) = P {X0 = i} ,
em que α é o vetor que define a função de probabilidade de X0 .
F UNÇÃO DE P ROBABILIDADE DE X1
α1 (j) = P {X1 = j}
F UNÇÃO DE P ROBABILIDADE DE X1
α1 (j) = P {X1 = j}
X
= P {X0 = i, X1 = j}
i∈E
F UNÇÃO DE P ROBABILIDADE DE X1
α1 (j) = P {X1 = j}
X
= P {X0 = i, X1 = j}
i∈E
X
= P {X0 = i} P {X1 = j|X0 = i}
i∈E
F UNÇÃO DE P ROBABILIDADE DE X1
α1 (j) = P {X1 = j}
X
= P {X0 = i, X1 = j}
i∈E
X
= P {X0 = i} P {X1 = j|X0 = i}
i∈E
X
α1 (j) = α0 (i)Pij
i∈E
DADOS
Suponha E = {0, 1, 2, 3}, α00 = [0, 2; 0, 1; 0, 3; 0, 4] e
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
P=
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
DADOS
Suponha E = {0, 1, 2, 3}, α00 = [0, 2; 0, 1; 0, 3; 0, 4] e
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
P=
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
0, 1
0
α1 (0) = P {X1 = 0} = [0, 2; 0, 1; 0, 3; 0, 4]
0, 3 = 0, 35
0, 6
D ISTRIBUIÇÃO M ARGINAL DE X1
α 01 =
D ISTRIBUIÇÃO M ARGINAL DE X1
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
α 01 = [0, 2; 0, 1; 0, 3; 0, 4]
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
D ISTRIBUIÇÃO M ARGINAL DE X1
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
α 01 = [0, 2; 0, 1; 0, 3; 0, 4]
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
α1 0 = [0, 35; 0, 11; 0, 26; 0, 28]
F UNÇÃO DE P ROBABILIDADE DE X2
α2 (j) = P {X2 = j}
F UNÇÃO DE P ROBABILIDADE DE X2
α2 (j) = P {X2 = j}
X
= P {X1 = i, X2 = j}
i∈E
F UNÇÃO DE P ROBABILIDADE DE X2
α2 (j) = P {X2 = j}
X
= P {X1 = i, X2 = j}
i∈E
X
α2 (j) = α1 (i)Pij
i∈E
DADOS
Exemplo anterior, com α01 = [0, 35; 0, 11; 0, 26; 0, 28] e
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
P=
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
DADOS
Exemplo anterior, com α01 = [0, 35; 0, 11; 0, 26; 0, 28] e
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
P=
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
0, 1
0
α2 (0) = P {X2 = 1} = [0, 35; 0, 11; 0, 26; 0, 28]
0, 3 = 0, 281
0, 6
D ISTRIBUIÇÃO M ARGINAL DE X2
α 02 =
D ISTRIBUIÇÃO M ARGINAL DE X2
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
α 02 = [0, 35; 0, 11; 0, 26; 0, 28]
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
D ISTRIBUIÇÃO M ARGINAL DE X2
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
α 02 = [0, 35; 0, 11; 0, 26; 0, 28]
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
α2 0 = [0, 281; 0, 153; 0, 208; 0, 358]
α 01 = α 00 P
α 01 = α 00 P
α 02 = α 01 P = α 00 P P = α 00 P2
α 01 = α 00 P
α 02 = α 01 P = α 00 P P = α 00 P2
..
.
α 0k = α 0k−1 P = α 0k−2 P2 = · · · = α 00 Pk
α 01 = α 00 P
α 02 = α 01 P = α 00 P P = α 00 P2
..
.
α 0k = α 0k−1 P = α 0k−2 P2 = · · · = α 00 Pk
F UNÇÃO DE PROBABILIDADE DE Xk
α 0k = α 00 Pk
α 01 = α 00 P
α 01 = α 00 P
!
X X X
α1 (j) = α0 (i)Pij
j∈E j∈E i∈E
α 01 = α 00 P
!
X X X XX
α1 (j) = α0 (i)Pij = α0 (i)Pij
j∈E j∈E i∈E i∈E j∈E
α 01 = α 00 P
!
X X X XX
α1 (j) = α0 (i)Pij = α0 (i)Pij
j∈E j∈E i∈E i∈E j∈E
X X
= α0 (i) Pij
i∈E j∈E
α 01 = α 00 P
!
X X X XX
α1 (j) = α0 (i)Pij = α0 (i)Pij
j∈E j∈E i∈E i∈E j∈E
X X
= α0 (i) Pij
i∈E j∈E
P
Mas j∈E Pij = 1. Assim:
X X
α1 (j) = α0 (i) = 1
j∈E i∈E
T RAJETÓRIA EM 2 PASSOS
P {X0 = i, X1 = j, X2 = k}
T RAJETÓRIA EM 2 PASSOS
T RAJETÓRIA EM 2 PASSOS
T RAJETÓRIA EM 2 PASSOS
T RAJETÓRIA EM 2 PASSOS
T RAJETÓRIA EM r PASSOS
P {X0 = i0 , X1 = i1 , . . . , Xr = ir }
T RAJETÓRIA EM 2 PASSOS
T RAJETÓRIA EM r PASSOS
T RAJETÓRIA EM 2 PASSOS
T RAJETÓRIA EM r PASSOS
DADOS
Calcular P {X0 = 1, X1 = 0, X2 = 0}, com E = {1, 2, 3,
4},
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
α00 = [0, 2; 0, 1; 0, 3; 0, 4] e P =
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
DADOS
Calcular P {X0 = 1, X1 = 0, X2 = 0}, com E = {1, 2, 3,
4},
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
α00 = [0, 2; 0, 1; 0, 3; 0, 4] e P =
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
S OLUÇÃO
P {X2 = j|X0 = i}
X
P {X2 = j|X0 = i} = P {X1 = k, X2 = j|X0 = i}
k∈E
X
P {X2 = j|X0 = i} = P {X1 = k, X2 = j|X0 = i}
k∈E
X
= P {X1 = k|X0 = i} P {X2 = j|X1 = k}
k∈E
X
P {X2 = j|X0 = i} = P {X1 = k, X2 = j|X0 = i}
k∈E
X
= P {X1 = k|X0 = i} P {X2 = j|X1 = k}
k∈E
X
= Pik Pkj
k∈E
X
P {X2 = j|X0 = i} = P {X1 = k, X2 = j|X0 = i}
k∈E
X
= P {X1 = k|X0 = i} P {X2 = j|X1 = k}
k∈E
X
= Pik Pkj
k∈E
N OTAÇÃO
(2)
Pij = P {Xn+2 = j|Xn = i}
N OTAÇÃO
(2)
Pij = P {Xn+2 = j|Xn = i}
DADO
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
P=
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
DADO
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
P=
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
DADO
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
P=
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
(2)
P {X2 = 0|X0 = 1} = P10 = 0, 36
P {X3 = j|X0 = i}
X
P {X3 = j|X0 = i} = P {X2 = k, X3 = j|X0 = i}
k∈E
X
P {X3 = j|X0 = i} = P {X2 = k, X3 = j|X0 = i}
k∈E
X
= P {X2 = k|X0 = i} P {X3 = j|X2 = k}
k∈E
X
P {X3 = j|X0 = i} = P {X2 = k, X3 = j|X0 = i}
k∈E
X
= P {X2 = k|X0 = i} P {X3 = j|X2 = k}
k∈E
(2)
X
= Pik Pkj = (P3 )ij
k∈E
X
P {X3 = j|X0 = i} = P {X2 = k, X3 = j|X0 = i}
k∈E
X
= P {X2 = k|X0 = i} P {X3 = j|X2 = k}
k∈E
(2)
X
= Pik Pkj = (P3 )ij
k∈E
(3)
= Pij
X
P {X3 = j|X0 = i} = P {X2 = k, X3 = j|X0 = i}
k∈E
X
= P {X2 = k|X0 = i} P {X3 = j|X2 = k}
k∈E
(2)
X
= Pik Pkj = (P3 )ij
k∈E
(3)
= Pij
N OTAÇÃO
(3)
Pij = P {Xn+3 = j|Xn = i}
DADO
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
P=
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
DADO
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
P=
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
DADO
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
P=
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
(3)
P {X3 = 0|X0 = 1} = P10 = 0, 276
Em geral,
(r)
Pij = P {Xr = j|X0 = i}
Em geral,
(r)
Pij = P {Xr = j|X0 = i}
C ONSEQUÊNCIA
Em geral,
(r)
Pij = P {Xr = j|X0 = i}
C ONSEQUÊNCIA
(r)
1 P {X0 = i, Xr = j} = α0 (i)Pij
Em geral,
(r)
Pij = P {Xr = j|X0 = i}
C ONSEQUÊNCIA
(r)
1 P {X0 = i, Xr = j} = α0 (i)Pij
(r)
2 P {Xn+r = j|Xn = i} = Pij
DADO
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
P=
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
DADO
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
P=
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
DADO
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
P=
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
(50)
P {X50 = 0|X0 = i} = Pi0 = 0, 297, ∀i ∈ E
E XEMPLO
DADOS
Calcular P {X0 = 1, X3 = 0, X6 = 1, X8 = 3}, com E = {1, 2, 3, 4},
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
α00 = [0, 2; 0, 1; 0, 3; 0, 4] e P =
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
DADOS
Calcular P {X0 = 1, X3 = 0, X6 = 1, X8 = 3}, com E = {1, 2, 3, 4},
0, 1 0, 3 0 0, 6
0 0, 2 0, 4 0, 4
α00 = [0, 2; 0, 1; 0, 3; 0, 4] e P =
0, 3 0, 1 0, 2 0, 4
0, 6 0 0, 4 0
S OLUÇÃO
R ATO EM L ABIRINTO
Um rato é colocado no labirinto abaixo.
1 2 3
4 5 6
7 8 9
R ATO EM L ABIRINTO
Um rato é colocado no labirinto abaixo. Ele move-se ao acaso através
dos compartimentos.
1 2 3
4 5 6
7 8 9
R ATO EM L ABIRINTO
Um rato é colocado no labirinto abaixo. Ele move-se ao acaso através
dos compartimentos. Ele faz uma troca de compartimento em cada
instante de tempo.
1 2 3
4 5 6
7 8 9
R ATO EM L ABIRINTO
Um rato é colocado no labirinto abaixo. Ele move-se ao acaso através
dos compartimentos. Ele faz uma troca de compartimento em cada
instante de tempo. O estado do sistema é o número do compartimento
em que o rato está.
1 2 3
4 5 6
7 8 9
R ATO EM L ABIRINTO
Um rato é colocado no labirinto abaixo. Ele move-se ao acaso através
dos compartimentos. Ele faz uma troca de compartimento em cada
instante de tempo. O estado do sistema é o número do compartimento
em que o rato está.
Determine a matriz de probabilidades de transição deste processo.
1 2 3
4 5 6
7 8 9
1 0 1/2 0 1/2 0 0 0 0 0
21/3 0 1/3 0 1/3 0 0 0 0
3 0 1/2 0 1/2 0 0 0 0 0
41/3 0 0 0 1/3 0 1/3 0 0
P = 5 0 1/4 0 1/4 0 1/4 0 1/4 0
6 0 0 1/3 0 1/3 0 0 0 1/3
7 0 0 0 1/2 0 0 0 1/2 0
8 0 0 0 0 1/3 0 1/3 0 1/3
9 0 0 0 0 0 1/2 0 1/2 0
E STADOS
(
0 , se dia t é seco
Xt =
1 , se dia t é chuvoso
E XEMPLO - C LIMA
E STADOS
(
0 , se dia t é seco
Xt =
1 , se dia t é chuvoso
T OPOLOGIA DA C ADEIA
E XEMPLO - C LIMA
E STADOS
(
0 , se dia t é seco
Xt =
1 , se dia t é chuvoso
T OPOLOGIA DA C ADEIA
0 1
E XEMPLO - C LIMA
E STADOS
(
0 , se dia t é seco
Xt =
1 , se dia t é chuvoso
T OPOLOGIA DA C ADEIA
0, 6
0 1 0, 4
E STADOS
(
0 , se dia t é seco
Xt =
1 , se dia t é chuvoso
T OPOLOGIA DA C ADEIA
0, 6
0, 8 0 1 0, 4
0, 2
A PLICAÇÕES
• Modelo de estoque
• Modelos de manutenção
• Modelos de evolução de ativos
• Modelos crédito
FALHA DE E QUIPAMENTOS
Há 3 máquinas, que podem falhar a cada dia com uma probabilidade
de 0.1, independente uma das outras. Oficina de reparo com
capacidade de apenas uma máquina por dia. Máquina reparada não
falha no próximo dia. Máquina 1 tem prioridade (gargalo na produção).
Máquina 3 tem a menor prioridade.
FALHA DE E QUIPAMENTOS
Há 3 máquinas, que podem falhar a cada dia com uma probabilidade
de 0.1, independente uma das outras. Oficina de reparo com
capacidade de apenas uma máquina por dia. Máquina reparada não
falha no próximo dia. Máquina 1 tem prioridade (gargalo na produção).
Máquina 3 tem a menor prioridade.
E STADOS
1: máquina 1 falha 5: máquinas 1 e 3 falham
2: máquina 2 falha 6: máquinas 2 e 3 falham
3: máquina 3 falha 7: todas máquinas falham
4: máquinas 1 e 2 falham 8: todas máquinas trabalham
D EFINIÇÃO (ACESSIBILIDADE )
O estado j é acessível desde o estado i se existe uma trajetória indo
do estado i para o estado j.
D EFINIÇÃO (ACESSIBILIDADE )
O estado j é acessível desde o estado i se existe uma trajetória indo
do estado i para o estado j.
(n )
• Existe nij > 0 tal que Pij ij > 0.
D EFINIÇÃO (ACESSIBILIDADE )
O estado j é acessível desde o estado i se existe uma trajetória indo
do estado i para o estado j.
(n )
• Existe nij > 0 tal que Pij ij > 0.
• Notação: i → j.
D EFINIÇÃO (ACESSIBILIDADE )
O estado j é acessível desde o estado i se existe uma trajetória indo
do estado i para o estado j.
(n )
• Existe nij > 0 tal que Pij ij > 0.
• Notação: i → j.
D EFINIÇÃO (C OMUNICAÇÃO )
Os estados i e j comunicam-se entre eles se i → j e j → i.
D EFINIÇÃO (ACESSIBILIDADE )
O estado j é acessível desde o estado i se existe uma trajetória indo
do estado i para o estado j.
(n )
• Existe nij > 0 tal que Pij ij > 0.
• Notação: i → j.
D EFINIÇÃO (C OMUNICAÇÃO )
Os estados i e j comunicam-se entre eles se i → j e j → i.
(n ) (n )
• Existem nij e nji tal que Pij ij > 0 e Pji ji > 0.
D EFINIÇÃO (ACESSIBILIDADE )
O estado j é acessível desde o estado i se existe uma trajetória indo
do estado i para o estado j.
(n )
• Existe nij > 0 tal que Pij ij > 0.
• Notação: i → j.
D EFINIÇÃO (C OMUNICAÇÃO )
Os estados i e j comunicam-se entre eles se i → j e j → i.
(n ) (n )
• Existem nij e nji tal que Pij ij > 0 e Pji ji > 0.
• Notação: i ↔ j.
E STADOS T RANSITÓRIOS
Conjunto T é formado por estados a partir dos quais há trajetórias
para algum estado das classes Ci , i = 1, 2, . . . , r.
(Dessas classes não é possível retornar ao conjunto T
DADO
0 0, 3 0, 2 0, 5 0 0 0
10, 2 0, 4 0, 4 0 0 0
2 0, 6 0 0, 4 0 0 0
P=
3 0 0 0 0 1 0
4 0 0 0 1 0 0
5 0, 1 0, 2 0, 3 0, 1 0 0, 3
DADO
0 0, 3 0, 2 0, 5 0 0 0
10, 2 0, 4 0, 4 0 0 0
2 0, 6 0 0, 4 0 0 0
P=
3 0 0 0 0 1 0
4 0 0 0 1 0 0
5 0, 1 0, 2 0, 3 0, 1 0 0, 3
S OLUÇÃO
0↔1↔2
DADO
0 0, 3 0, 2 0, 5 0 0 0
10, 2 0, 4 0, 4 0 0 0
2 0, 6 0 0, 4 0 0 0
P=
3 0 0 0 0 1 0
4 0 0 0 1 0 0
5 0, 1 0, 2 0, 3 0, 1 0 0, 3
S OLUÇÃO
0↔1↔2
C1 = {0, 1, 2}
DADO
0 0, 3 0, 2 0, 5 0 0 0
10, 2 0, 4 0, 4 0 0 0
2 0, 6 0 0, 4 0 0 0
P=
3 0 0 0 0 1 0
4 0 0 0 1 0 0
5 0, 1 0, 2 0, 3 0, 1 0 0, 3
S OLUÇÃO
0↔1↔2
C1 = {0, 1, 2}
3↔4
DADO
0 0, 3 0, 2 0, 5 0 0 0
10, 2 0, 4 0, 4 0 0 0
2 0, 6 0 0, 4 0 0 0
P=
3 0 0 0 0 1 0
4 0 0 0 1 0 0
5 0, 1 0, 2 0, 3 0, 1 0 0, 3
S OLUÇÃO
0↔1↔2
C1 = {0, 1, 2}
3↔4
C2 = {3, 4}
DADO
0 0, 3 0, 2 0, 5 0 0 0
10, 2 0, 4 0, 4 0 0 0
2 0, 6 0 0, 4 0 0 0
P=
3 0 0 0 0 1 0
4 0 0 0 1 0 0
5 0, 1 0, 2 0, 3 0, 1 0 0, 3
S OLUÇÃO
0↔1↔2
C1 = {0, 1, 2}
3↔4
C2 = {3, 4}
5 → 0 6→ 5
DADO
0 0, 3 0, 2 0, 5 0 0 0
10, 2 0, 4 0, 4 0 0 0
2 0, 6 0 0, 4 0 0 0
P=
3 0 0 0 0 1 0
4 0 0 0 1 0 0
5 0, 1 0, 2 0, 3 0, 1 0 0, 3
S OLUÇÃO
0↔1↔2
C1 = {0, 1, 2}
3↔4
C2 = {3, 4}
5 → 0 6→ 5
5 → 3 → 4 6→ 5
DADO
0 0, 3 0, 2 0, 5 0 0 0
10, 2 0, 4 0, 4 0 0 0
2 0, 6 0 0, 4 0 0 0
P=
3 0 0 0 0 1 0
4 0 0 0 1 0 0
5 0, 1 0, 2 0, 3 0, 1 0 0, 3
S OLUÇÃO
0↔1↔2
C1 = {0, 1, 2}
3↔4
C2 = {3, 4}
5 → 0 6→ 5
T = {5}
5 → 3 → 4 6→ 5
D EFINIÇÃO
Uma cadeia de Markov é irredutível se existe uma única classe de
equivalência, isto é, E = C1
D EFINIÇÃO
Uma cadeia de Markov é irredutível se existe uma única classe de
equivalência, isto é, E = C1
D EFINIÇÃO
Período do estado i é definido como:
( (n)
m.d.c. {n} , se Pii > 0,
d(i) = (n) ,
0 , se Pii = 0
D EFINIÇÃO
Período do estado i é definido como:
( (n)
m.d.c. {n} , se Pii > 0,
d(i) = (n) ,
0 , se Pii = 0
D EFINIÇÃO
Um estado i ∈ E é aperiódico se d(i) = 1.
D EFINIÇÃO
Período do estado i é definido como:
( (n)
m.d.c. {n} , se Pii > 0,
d(i) = (n) ,
0 , se Pii = 0
D EFINIÇÃO
Um estado i ∈ E é aperiódico se d(i) = 1.
P ROPRIEDADE
Se i ↔ j, então d(i) = d(j).
DADO
0 0 0, 3 0 0, 4
1 0, 6 0 0, 4 0
P=
2 0 0, 5 0 0, 5
3 0, 3 0 0 0, 7
DADO
0 0 0, 3 0 0, 4
1 0, 6 0 0, 4 0
P=
2 0 0, 5 0 0, 5
3 0, 3 0 0 0, 7
DADO
0 0 0, 3 0 0, 4
1 0, 6 0 0, 4 0
P=
2 0 0, 5 0 0, 5
3 0, 3 0 0 0, 7
DADO
0 0 0, 3 0 0, 4
1 0, 6 0 0, 4 0
P=
2 0 0, 5 0 0, 5
3 0, 3 0 0 0, 7
P00 = 0
(2)
P00 ≥ P01 P10 > 0
d(0) = m.d.c. {2, 4, . . . }
⇒ d(0) = 2
D EFINIÇÃO
Diz-se que uma cadeia é aperiódica se ela é irredutível e um de seus
estados tem período 1.
D EFINIÇÃO
Diz-se que uma cadeia é aperiódica se ela é irredutível e um de seus
estados tem período 1.
D EFINIÇÃO
Suponha que X0 = i, i ∈ E. O tempo de primeiro retorno ao estado i, é
definido como τi = min{n : Xn = i}.
D EFINIÇÃO
Suponha que X0 = i, i ∈ E. O tempo de primeiro retorno ao estado i, é
definido como τi = min{n : Xn = i}.
D EFINIÇÃO
P∞ (n)
Um estado i é recorrente se, e somente se, n=0 Pii = ∞, ou,
equivalentemente, P {τi < ∞|X0 = i} = 1.
D EFINIÇÃO
Suponha que X0 = i, i ∈ E. O tempo de primeiro retorno ao estado i, é
definido como τi = min{n : Xn = i}.
D EFINIÇÃO
P∞ (n)
Um estado i é recorrente se, e somente se, n=0 Pii = ∞, ou,
equivalentemente, P {τi < ∞|X0 = i} = 1.
D EFINIÇÃO
Seja i um estado recorrente. Diz-se que i é recorrente positivo se
(n) (n)
limn→∞ Pii = π(i) > 0. Se limn→∞ Pii = 0, diz-se que o estado i é
recorrente nulo.
P ROPRIEDADE
Recorrência é uma propriedade de classe, isto é, se i ↔ j e i é
recorrente, então j também é recorrente.
P ROPRIEDADE
Recorrência é uma propriedade de classe, isto é, se i ↔ j e i é
recorrente, então j também é recorrente.
P ROPRIEDADE
Recorrência é uma propriedade de classe, isto é, se i ↔ j e i é
recorrente, então j também é recorrente.
D EFINIÇÃO
Se um estado não é recorrente, ele é transitório.
D EFINIÇÃO
Em uma cadeia de Markov com espaço de estados finito, existe pelo
menos um estado recorrente .
D EFINIÇÃO
Em uma cadeia de Markov com espaço de estados finito, existe pelo
menos um estado recorrente .
C OROLÁRIO
Se uma cadeia finita é irredutível, então todos os estados são
recorrentes positivos.
DADO
0, 3 0, 2 0, 5
P = 0, 2 0, 4 0, 4
0, 6 0 0, 4
DADO
0, 3 0, 2 0, 5
P = 0, 2 0, 4 0, 4
0, 6 0 0, 4
0, 419 0, 140 0, 442
P50 = 0, 419 0, 140 0, 442
0, 419 0, 140 0, 442
DADO
0, 3 0, 2 0, 5
P = 0, 2 0, 4 0, 4
0, 6 0 0, 4
0, 419 0, 140 0, 442
P50 = 0, 419 0, 140 0, 442
0, 419 0, 140 0, 442
DADO
0, 3 0, 2 0, 5
P = 0, 2 0, 4 0, 4
0, 6 0 0, 4
0, 419 0, 140 0, 442
P50 = 0, 419 0, 140 0, 442
0, 419 0, 140 0, 442
DADO
0, 3 0, 2 0, 5
P = 0, 2 0, 4 0, 4
0, 6 0 0, 4
0, 419 0, 140 0, 442
P50 = 0, 419 0, 140 0, 442
0, 419 0, 140 0, 442
D EFINIÇÃO
Se uma cadeia é fortemente ergódica, então, para cada estado i existe
(n)
limn→∞ Pii = π(i) > 0.
D EFINIÇÃO
Se uma cadeia é fortemente ergódica, então, para cada estado i existe
(n)
limn→∞ Pii = π(i) > 0.
D EFINIÇÃO
Se uma cadeia é fortemente ergódica, então, para cada estado i existe
(n)
limn→∞ Pii = π(i) > 0.
T EOREMA
Se a cadeia for fortemente ergódica, então, para ∀i, j ∈ E:
T EOREMA
Se a cadeia for fortemente ergódica, então, para ∀i, j ∈ E:
1
1
π(i) = ,
Ei (τi )
com Ei (τi ) = E [τi |X0 = i] e τi = min{n : Xn = i}
T EOREMA
Se a cadeia for fortemente ergódica, então, para ∀i, j ∈ E:
1
1
π(i) = ,
Ei (τi )
com Ei (τi ) = E [τi |X0 = i] e τi = min{n : Xn = i}
(n)
2 limn→∞ Pji = π(i), ou seja, esse limite não depende do estado
inicial da cadeia
E QUAÇÃO DA I NVARIANTE
" #
0, 3 0, 2 0, 5
[π(0), π(1), π(2)] = [π(0), π(1), π(2)] 0, 2 0, 4 0, 4
0, 6 0 0, 4
E QUAÇÃO DA I NVARIANTE
" #
0, 3 0, 2 0, 5
[π(0), π(1), π(2)] = [π(0), π(1), π(2)] 0, 2 0, 4 0, 4
0, 6 0 0, 4
0, 3π(0) + 0, 2π(1) + 0, 6π(2) = π(0)
0, 2π(0) + 0, 4π(1) + 0π(2) = π(1)
0, 5π(0) + 0, 4π(1) + 0, 4π(2) = π(2)
π(0) + π(1) + π(2) =1
E QUAÇÃO DA I NVARIANTE
" #
0, 3 0, 2 0, 5
[π(0), π(1), π(2)] = [π(0), π(1), π(2)] 0, 2 0, 4 0, 4
0, 6 0 0, 4
0, 3π(0) + 0, 2π(1) + 0, 6π(2) = π(0)
0, 2π(0) + 0, 4π(1) + 0π(2) = π(1)
0, 5π(0) + 0, 4π(1) + 0, 4π(2) = π(2)
π(0) + π(1) + π(2) =1
S OLUÇÃO
π 0 = [0, 4186, 0, 1395, 0, 4419]
A PLICAÇÕES P OTENCIAIS
• Controle de estoque
• Manutenção
• Fabricação
• Comunicação
A PLICAÇÕES P OTENCIAIS
• Controle de estoque
• Manutenção
• Fabricação
• Comunicação
C RITÉRIO DE OTIMIZAÇÃO
Custo (ou recompensa) médio à longo prazo (long-run) por unidade de
tempo
A PLICAÇÕES P OTENCIAIS
• Controle de estoque
• Manutenção
• Fabricação
• Comunicação
C RITÉRIO DE OTIMIZAÇÃO
Custo (ou recompensa) médio à longo prazo (long-run) por unidade de
tempo
O UTROS C RITÉRIOS
• Custo esperado total
• Custo descontado (fluxo de caixa) esperado total
D EMANDA
Dt+1 : demanda agregada entre os instantes t e t + 1
{Dt }t≥1 são independentes e identicamente distribuídas
D EMANDA
Dt+1 : demanda agregada entre os instantes t e t + 1
{Dt }t≥1 são independentes e identicamente distribuídas
E STOQUE
Dado Xt = i, Xt+1 depende apenas da demanda em t + 1, ou seja, não
é afetada pelo histórico do estoque anterior ao instante t.
D EMANDA
Dt+1 : demanda agregada entre os instantes t e t + 1
{Dt }t≥1 são independentes e identicamente distribuídas
E STOQUE
Dado Xt = i, Xt+1 depende apenas da demanda em t + 1, ou seja, não
é afetada pelo histórico do estoque anterior ao instante t.
R EPOSIÇÃO DO E STOQUE
Ocorre no imediatamente após o pedido.
E STRATÉGIA (s, S)
Se no instante t o estoque (Xt ) é menor ou igual a s, então ele é
trazido para o nível S no instante t + 0. Caso contrário, não se toma
nenhuma ação.
E STRATÉGIA (s, S)
Se no instante t o estoque (Xt ) é menor ou igual a s, então ele é
trazido para o nível S no instante t + 0. Caso contrário, não se toma
nenhuma ação.
H IPÓTESES
• O estoque inicial (X0 ) não é maior que S
• Não há reposição instantânea, caso a demanda no instante t seja
maior que o estoque.
E STRATÉGIA (s, S)
Se no instante t o estoque (Xt ) é menor ou igual a s, então ele é
trazido para o nível S no instante t + 0. Caso contrário, não se toma
nenhuma ação.
H IPÓTESES
• O estoque inicial (X0 ) não é maior que S
• Não há reposição instantânea, caso a demanda no instante t seja
maior que o estoque.
C ONSEQUÊNCIA
Espaço de estado de {Xt }t≥1 : E = {S, S − 1, S − 2, . . . , 0}
O P ROBLEMA
• Xt : quantidade itens de produto X em estoque no final da semana
t
• Dt : demanda do produto X na semana t, com Dt ∼ Poisson(1)
• (0, 3): política (s, S) de estoque
O P ROBLEMA
• Xt : quantidade itens de produto X em estoque no final da semana
t
• Dt : demanda do produto X na semana t, com Dt ∼ Poisson(1)
• (0, 3): política (s, S) de estoque
Demanda
Dt = i P {Dt = i}
0 0, 368
1 0, 368
2 0, 184
≥3 0, 080
1 1
µ00 = = 3, 50 sem. µ22 = = 3, 80 sem.
0, 286 0, 263
1 1
µ11 = = 3, 51 sem. µ33 = = 6, 02 sem.
0, 285 0, 166
C USTOS ( OU P ENALIDADES )
C(Xt ): custo (ou função perda) incorrido quando o processo se
encontrar no estado Xt , no instante t
C USTOS ( OU P ENALIDADES )
C(Xt ): custo (ou função perda) incorrido quando o processo se
encontrar no estado Xt , no instante t
M ODELO DE C USTO
• C(Xt ) é variável aleatória que assume os valores
C(0), C(1), . . . , C(M)
• A função C(.) é independente de t
C USTOS ( OU P ENALIDADES )
C(Xt ): custo (ou função perda) incorrido quando o processo se
encontrar no estado Xt , no instante t
M ODELO DE C USTO
• C(Xt ) é variável aleatória que assume os valores
C(0), C(1), . . . , C(M)
• A função C(.) é independente de t
R ESULTADO P RECEDENTE
Pode-se provar que:
n
!
1 X (k)
lim Pij = π(j)
n→∞ n
k=1
S ITUAÇÃO
Além do estado da cadeia, o custo também pode depender de alguma
variável aleatória.
S ITUAÇÃO
Além do estado da cadeia, o custo também pode depender de alguma
variável aleatória.
E XEMPLO - E STOQUE
Custos as serem considerados:
• Custo da encomenda
• Custo de penalidade para demanda não atendida
• Custo de armazenagem
S ITUAÇÃO
Além do estado da cadeia, o custo também pode depender de alguma
variável aleatória.
E XEMPLO - E STOQUE
Custos as serem considerados:
• Custo da encomenda
• Custo de penalidade para demanda não atendida
• Custo de armazenagem
C USTOS DO M ODELO
• Custo de encomenda: $25 por unidade encomendada mais um
valor fixo de $10 por encomenda
• Penalidade por demanda não atendida: $50
• Custo de armazenamento: considerado desprezível
C USTOS DO M ODELO
• Custo de encomenda: $25 por unidade encomendada mais um
valor fixo de $10 por encomenda
• Penalidade por demanda não atendida: $50
• Custo de armazenamento: considerado desprezível
C USTO DO E STADO 0
C(0, Dt ) = 85 + 50 max {Dt − 3, 0}
C USTO DO E STADO 0
C(0, Dt ) = 85 + 50 max {Dt − 3, 0}
C USTO DO E STADO 0
C(0, Dt ) = 85 + 50 max {Dt − 3, 0}
P ROBABILIDADES D EMANDAS
C USTO DO E STADO 0
C(0, Dt ) = 85 + 50 max {Dt − 3, 0}
P ROBABILIDADES D EMANDAS
PD (2) = 0, 184
PD (3) = 0, 061
PD (4) = 0, 015
C USTO DO E STADO 0
C(0, Dt ) = 85 + 50 max {Dt − 3, 0}
P ROBABILIDADES D EMANDAS
PD (2) = 0, 184 PD (5) = 0, 003
PD (3) = 0, 061 PD (6) = 0, 001
PD (4) = 0, 015 PD (7) = 0, 000
C USTO DO E STADO 1
C(1, Dt ) = 50 max {Dt − 1, 0}
C USTO DO E STADO 1
C(1, Dt ) = 50 max {Dt − 1, 0}
C USTO DO E STADO 2
C(2, Dt ) = 50 max {Dt − 2, 0}
C USTO DO E STADO 2
C(2, Dt ) = 50 max {Dt − 2, 0}
C USTO DO E STADO 3
C(3, Dt ) = 50 max {Dt − 3, 0}
C USTO DO E STADO 3
C(3, Dt ) = 50 max {Dt − 3, 0}
86, 2
3
X 18, 4
5, 2 = $31, 46
k(j)π(j)
j=0
1, 2
H IPÓTESES DO M ODELO
H IPÓTESES DO M ODELO
• {Xt } é uma cadeia de Markov irredutível (E finito)
H IPÓTESES DO M ODELO
• {Xt } é uma cadeia de Markov irredutível (E finito)
• Há uma sequência de variáveis aleatórias condicionalmente
independentes associadas a essa cadeia
H IPÓTESES DO M ODELO
• {Xt } é uma cadeia de Markov irredutível (E finito)
• Há uma sequência de variáveis aleatórias condicionalmente
independentes associadas a essa cadeia
• Para um m = 0, ±1, ±2, . . . fixo, um custo C(Xt−1 , Dt+m ) é incorrido
no instante t.
H IPÓTESES DO M ODELO
• {Xt } é uma cadeia de Markov irredutível (E finito)
• Há uma sequência de variáveis aleatórias condicionalmente
independentes associadas a essa cadeia
• Para um m = 0, ±1, ±2, . . . fixo, um custo C(Xt−1 , Dt+m ) é incorrido
no instante t.
• A sequência X0 , X1 , X2 , . . . é independente de Dt+m
R ESULTADO 2
" n
#
1X X
lim C(Xt , Dt+m ) = k(j)π(j),
n→∞ n
t=1 j∈E
E XEMPLO E STOQUE
Encontrou-se o custo médio semanal (long-run) para a política ((0, 3))
E XEMPLO E STOQUE
Encontrou-se o custo médio semanal (long-run) para a política ((0, 3))
P OLÍTICA ÓTIMA
Quais os valores de (s, S) que minimizam o custo médio semanal de
estoque (long-run)?
P ROCESSOS DE P OISSON
M ODELOS DE F ILAS
R EFERÊNCIAS B IBLIOGRÁFICAS
Departamento de Estatística
lupercio.bessegato@ufjf.edu.br
www.ufjf.br/lupercio_bessegato
Semestre 2013/3