Escolar Documentos
Profissional Documentos
Cultura Documentos
Notação:
Uma C.M. {Xn , n ≥ 0} com espaço de estados S = {0, 1, 2, ...} é caracteri-
zada pela Matriz de transição de um passo
1
P = [Pij ]ij≥0 , (3)
sendo Pij = P (X1 = j|X0 = i) = P (Xn+1 = j|Xn = i). P
Tem-se que a matriz P é estocástica, pois Pij ≥ 0 e ∞
j=0 Pij = 1.
Exemplo 1
Supona que em qualquer tempo n ≥ 0 passamos a associar uma v.a. aos
estados chuva e seco, da seguinte forma:
(
0, se chove no tempo n
Xn =
1, se não chove no tempo n
Se hoje chove, amanha chovera com probabilidade 0.4 e se hoje não chove,
amanha chovera com probabilidade 0.3. É {Xn }n≥0 uma Cadeia de Markov?
Determine P.
Solução:
Temos Xn : Ω −→ {0, 1} = S,
{Xn }n≥0 é um processo estocástico com S = {0, 1}
P (X1 = 0|X0 = 0) = 0.4 = P00
P (X1 = 0|X0 = 1) = 0.3 = P10
P (X1 = 1|X0 = 0) = 1 − P (X1 = 0|X0 = 0) = P01 = 0.6
P (X1 = 1|X0 = 1) = 1 − P (X1 = 0|X0 = 1) = P11 = 0.7
0.4 0.6
P =
0.3 0.7
2
Exemplo 2.
Seja {Xn }n≥0 um processo
P∞em que as v.a.’s Xi s são i.i.d., S={0,1,....}, e
′
Solução:
Temos que:
indep.
(4)
z}|{
P (Xn+1 = j|X0 = i0 , ..., Xn−1 = in−1 , Xn = i) = P (Xn+1 = j)
e
P (Xn+1 = j|Xn = i) = P (Xn+1 = j), (5)
então, de (4) e (5) a propriedade de Markov é satisfeita.
Além disso,
Pij = P (Xn+1 = j), ∀i.
3
Exemplo 3. Defina uma cadeia de Markov associada ao seguinte expe-
riemnto:
(
Ganha $1, Com prob p
Jogador em cada jogada =
Perde $1, Com prob 1-p
Solução:
Defina, (
1, Ganha $1 na i-ésima jogada
Xi =
−1, Perde $1 na i-ésima jogada
Xi′ s sao independentes com P (Xi = 1) = p
P (Xi = −1) = 1 − p. Além disso, seja
n
Xi : Fortuna do jogar após a n-ésima jogada. Então {Sn , n ≥ 0} é
P
Sn =
i=0
um processo estocástico com S={0,1,...,N}
Como,
4
De (6) e (7)tem-se que
p, j − i = 1
Pij = P (Xn+1 = j − i) = q, j − i = −1
0, c.c
p, j = i + 1
⇒ Pij = q, j = i − 1
0, c.c
e P00 = 1, PN N = 1
5
Objetivo de estudar Cadeias de Markov
Objetivo:
6
Utlizar as Equações de Chapman-Kolmogorov
Defina:
tem-se que
X
P (A|X1 = x1 ) = P (A|X1 = x1 , X2 = x2 )P (X2 = x2 |X1 = x1 ). (10)
x2
7
Agora, para n, m ≥ 1, as probab. de transição de m + n passos podem
ser escritas como:
∞
X
P (Xn+m = j|x0 = i) = P (Xn+m = j|x0 = i, xn = k) · P (xn = k|x0 = i)
k∈S
∞
X
= P (Xn+m = j|xn = k) · P (xn = k|x0 = i). (11)
k∈S
Isto é, X
Pijn+m = Pikn · Pkj
m
(12)
k∈S
8
Exemplo 4.
Considere uma Cadeia de markov com os estados {0,1,2}=S; 0=triste, 1=cha-
teado, 2=alegre, com matriz de transição
0 1 2
0 0.5 0.5 0
P= 1 1 0 0
2 0 1 0
Calcule P 2
Sol:
0.5 0.5 0 0.5 0.5 0 0.75 0.25 0
2
P = 1 0 0 1 0 0 = 0.5 0.5 0
0 1 0 0 1 0 1 0 0
Em 2 dias a pessoa não tem chance de ficar feliz pois Pi22 = P (X2 = 2|X0 =
i) = 0, ∀ i = 0, 1, 2
Prova.
X
P (Xn = j) = P (Xn = j|X0 = i) P (X0 = i)
| {z }
i∈S αi
X
P (Xn = j) = αi Pijn
i∈S
Corresponde à n
n n
P00 P01 ... P0j ...
P n P n . . . n
P1j . . .
10 11
α · P n = (α0 , α1 , ..., αn , ..)· .. ..
. .
Pi0n Pi1n . . . n
Pij . . .
9
Para o Exemplo 4 Suponha que os estados inicias da cadeia ocor-
rem com probabilidades α = (P (X0 = 0), P (X0 = 1), (P (X0 = 2)) =
(0.5,0.3,0.2).
Então
0.75 0.25 0
P 2 = 0.5 0.5 0
1 0 0
Então
10
Note que, somente foi possivel determinar a distribuição da cadeia no
tempo n se conhecermos a distribuição inicial;
α
|{z} ·P (n) = Πn = (P (Xn = 0), P (Xn = 1), ...., ).
dist.inicial
Na prática, isso pode ser difícil de ter. Então, como podemos calcular
a distribuição da cadeia se não conhecermos α ?
11
Classificação dos estados de uma CM
1. i, j ∈ S, i ↔ j (i e j se comunicam) se
Logo
d(i) = 1 ⇒ C é aperiódica
d(i) ≥ 2 ⇒ C é períodica com período d(i).
12
Exemplo 5.
Seja
0 1 2 3
0 0 1 0 0
1 0 0 1 0
P= 2 0 0 0 1
3 1 0 0 0
13
Exemplo 6.
0 1 2 3
0 0 1 0 0
1 0.5 0 0.5 0
Seja P = 2 0 0 0 1
3 0 0 1 0
14
Exemplo 7. Para uma Cadeia de Markov com S={0,1,2,...,N}, consi-
dere:
1 0 0 0 ...
q 0 p 0 . . .
P= .. ...
. q
p
0 1
Temos:
C1 = {0}, classe absorvente e aperiódica
C1 = {N }, classe absorvente e aperiódica
C1 = {1, 2, .., N − 1}, classe não fechada e periódica com período 2.
15
Definição (Ergodicidade)
X
lim Pijn = Πj (independente de i) e Πj = 1. (14)
n→∞
j∈S
16
Estados recorrentes, transitórios e absorventes
X∞
E(Nj |X0 = j) = E( Inj |X0 = j)
n=0
∞
X
= E(Inj |X0 = j)
n=0
∞
X
= P (Xn = j|X0 = j)
n=0
X∞
= Pjjn
n=0
17
C1. Se o e.e. S de uma cadeia de Markov {Xn , n ≥ 0} é finito então pelo
menos um estado é recorrente.
C2. Seja {Xn , n ≥ 0} é uma cadeia de Markov com e.e. S e seja R é uma
classe recorrente de S, então R é fechada.
Cada vez que o processo entra no estado j, com probabilidade (1−fj ) >
0 o processo não retornará ao estado j
18
1.1 Ergodicidade para S finito e irredutível
Proposição 1. Se {Xn , n ≥ 0} é Cadeia de Markov com e.e. S,
irredutível, aperiódica e recorrente, então a cadeia é ergódica e Π satisfaz:
Π = Π · P : Π é estacionária (16)
X
Πj = 1 : Π é estocástica. (17)
j∈S
19
Exemplo 8 (Enunciado do exemplo 1 acima)
Temos que :
S = C : classe fechada ⇒ irredutível, aperiódica, e recorrente (Classe S=C
irredutível finita é recorrente).
Π0 = 0.4Π0 + 0.3Π1 (1)
⇐⇒ Π1 = 0.6Π0 + 0.7Π1 (2)
Π0 + Π1 = 1 (3)
20
Re-escrevendo (1) e (2)
0.6Π0 − 0.3Π1 = 0
⇐⇒ 0.6Π0 − 0.3Π1 = 0 (4)
Π0 + Π1 = 1 (5)
0.3(5) + (4)
0.9Π0 = 0.3 ⇐⇒ Π0 = 1/3 (6)
Substituindo (6) em (5),
Π1 = 2/3
1 2
⇒Π= ,
3 3
Interpretação: Ao longo do tempo, o clima estará chuvoso com probabili-
dade de 1/3 e seco com probabiliade de 2/3. Isto é, a chance de clima estar
seco é o doubro de estar chuvoso.
21
Seja {Xn , n ≥ 0} uma Cadeia de Markov ergódica com e.e. S e distri-
buição estacionária Π. Para o estado j ∈ S seja mjj o número esperado
de transições até a cadeia, começando no estado j, retornar a esse estado.
Como, em média, a cadeia gasta 1 unidade de tempo no estado j para cada
mjj unidades de tempo, então
1
Πj = .
mjj
22
n
Exemplo 9. (Ruína do Jogador) Para a Cadeia de Markov {Sn =
P
Xi }
i=0
(Fortuna do jogar após a n-ésima jogada) com e.e. S={0,1,2,...}, em que as
v.a’s i.i.d. Xi′ s são definidas por
(
1, Ganha $1 na i-ésima jogada, P (Xi = 1) = p
Xi =
−1, Perde $1 na i-ésima jogada, P (Xi = −1) = 1 − p = q.
Sol:
S: irredutível, aperiódica
Recorrente?
Suponha que sim, então a Proposição 1 é valida e existe Π = (Π0 , Π1 , ....) tal
que
q p 0 0 0 ...
q 0 p 0 0 . . .
(Π0 , Π1 , Π2 , ....) = (Π0 , Π1 , Π2 , ....)· 0 q 0 p 0 . . .
.. ...
.
∞
e
P
Πj = 1.
j=0
23
Π0 = qΠ0 + qΠ1
Π1 = pq Π0
Π1 = pΠ0 + qΠ2
2
p
.
Π
2 = q
Π0 .
∞
e
P
⇐⇒ . ⇐⇒ . Πj = 1
j=0
.
.
∞
j
Πj = p Π0 .
P
Πj = 1.
q
j=0
Usando as equações anteriores,
∞ i
X p
Π0 = 1
i=0
q
∞ i
X p
⇐⇒ Π0 =1
i=0
q
∞ i
X p 1
⇐⇒ = é uma série geométrica ⇐⇒ p < q
i=0
q Π0
1 1 p
⇐⇒ p = ⇐⇒ Π0 = 1 −
1− q
Π0 q
logo,
2
Π = 1 − pq , pq (1 − pq ), pq2 (1 − pq ), .... ⇐⇒ p < q
1
Π = (0, 0, 0, ....) ⇐⇒ p = q = 2
24
1.2 Ergodicidade para S finito e não irredutível
Observação.
A distribuição Π é determinada usando o seguite procedimento:
Isto é
∀j ∈ CR , lim Pijn = πj
n→∞
∀j ∈ CT , lim n
Pij = 0 , π ∗ = π ∗ · P1
n→∞
25
Exemplo (Exercício da Lista 1).
Solução.
Temos que C1 = {0, 1}: fechada, aperiódica
{2}: absorvente
{3}: transitório, aperiódico
{4}: transitório, aperiódica.
Isto é, pode-se considerar
CR = {0, 1}
CT = {2, 3, 4}
0 1 2 34
0 1/4
3/4 0 0 0
1 1/2 1/2 0 0 0
P∗ = 2 0 0 1 0 0
3 0 0 1/3 2/3 0
4 1 0 0 0 0
e
0 1
P1 = 0 1/4 3/4 .
1 1/2 1/2
Logo (
π ∗ = π ∗ P1
P
j∈CR πj = 1
ou
3/4π0 − 1/2π1 = 0 (20)
π0 + π1 = 1. (21)
26
Ao somar
2(20) + (21),
obtem-se
5π0 = 1 ⇒ π0 = 2/5 , π1 = 3/5.
Por tanto
π = (2/5, 3/5, 0, 0, 0)
27