Cadeias Markov Moduladas
|
|
- Ana de Oliveira de Sintra
- 7 Há anos
- Visualizações:
Transcrição
1 Actas do XI Congresso Anual da SPE 1 Cadeias Markov Moduladas Cláudia Nunes, António Pacheco Instituto Superior Técnico, Departamento de Matemática e CEMAT. Resumo: Uma sequência bivariada (K, X) = {(K n, X n ), n IN} é uma cadeia Markov modulada (CMM) se (K, X) for uma cadeia de Markov em tempo discreto cuja distribuição condicional do estado no instante (n + 1), dado o estado no instante n, depende unicamente da componente K. Segue-se da denição de CMM que K é também uma cadeia de Markov. Uma maneira de interpretar uma CMM é ver K como o ambiente e X como sendo um processo estocástico regido pelas transições de K. Por esta razão o processo K é designado por cadeia moduladora e X por sequência modulada. No artigo é proposto um estudo sistemático desta classe de modelos. Em particular são apresentadas probabilidades de transição a vários passos, equações de Chapman- Kolmogorov, probabilidades tabu e restritas, tempos de primeira de passagem e funções geradoras de probabilidades para CMMs. Seguidamente consideram-se propriedades de estado da cadeia moduladora K que são herdadas pela CMM (K, X). Com excepção da reversibilidade, todas as restantes propriedades da cadeia moduladora (e.g., recorrência/transiência, periodicidade, irreducibilidade, existência de distribuições estacionárias, etc) são herdadas pela CMM sob condições adicionais de fácil vericação. Palavraschave: cadeias de Markov, cadeias Markov moduladas, comportamento limite, equações de Chapman-Kolmogorov, kernel de transição, periodicidade, recorrência, transiência. Abstract: A bivariate sequence (K, X) = {(K n, X n), n IN} is a Markov modulated chain if (K, X) is a discrete time Markov chain (DTMC) whose conditional distribution of the state at time n + 1, given the state at time n, depend only on K n. It follows from the denition that K is also a DTMC and therefore we can see K as ruling a (random) environment and X as a stochastic process whose dynamics depend on the transitions of the environment K. In this work we propose a study of this class of models, presenting, in particular, a classical treatment of a DTMC, incluing for instance transition probabilities, Chapman-Kolmogorov equations and taboo probabilities. We also study the inheritance of state and class properties of K by the bivariate process (K, X). Keywords: Chapman-Kolmogorov equations, discrete-time Markov chains, limit behaviour, Markov modulated chains, periodicity, recurrence, transience, transition kernel.
2 2 C. Nunes, A. Pacheco / Cadeias de Markov Moduladas 1 Introdução A análise de um modelo estocástico que descreva, realisticamente, uma situação prática é um desao muitas vezes intransponível, em particular porque os fenómenos reais exibem várias dependências. Coloca-se então um dilema: a incorporação de dependências no modelo que o tornem mais adequado à descrição da realidade versus a complexidade daí resultante. Neste contexto os modelos markovianos desempenham um papel fundamental, uma vez que permitem uma solução de compromisso. A razão do seu sucesso reside na propriedade markoviana: a estrutura probabilística do futuro não depende de toda a história do processo mas apenas do presente. Informalmente, um processo Markov modulado é um processo markoviano bivariado (J, Y ), tal que a componente markoviana, J, rege a estrutura probabilística da componente eventualmente não markoviana, Y. Nas aplicações mais correntes J designa um processo estocástico que descreve a sequência de estados de um ambiente enquanto que Y é a sequência modulada ou processo de nível [4]. Como exemplo desta interpretação considere-se uma la de espera em que o processo de chegadas ocorre em grupos de dimensão aleatória, e é gerado por um conjunto de fontes tal que em cada instante uma e uma só fonte está activa. Nesta situação J n designa qual a fonte activa no instante n e Y n é a dimensão do grupo gerado no instante n. Existem vários tipos de processos markovianos modulados, quer em tempo discreto quer em tempo contínuo. A popularidade destes modelos deve-se à sua utilidade em diversos tipos de situações, em particular na modelação de sistemas reais em diferentes domínios como as telecomunicações, sistemas de gestão, mercado nanceiro, etc [1, 10]. De seguida destacamos alguns dos modelos desta classe. Uma vez que não tem cabimento neste trabalho uma lista exaustiva de modelos, resultados e publicações, deixamos apenas indicação de alguns dos processos e publicações que consideramos mais relevantes. Um dos processos markovianos modulado mais popular é o processo de Poisson Markov modulado, quer em tempo contínuo (vulgo MMPP) [2, 11], quer em tempo discreto (vulgo DMMPP) [13]. (J, Y ) é um MMPP (DMMPP) se J for uma cadeia de Markov em tempo contínuo (em tempo discreto) e Y for um processo de Poisson cuja taxa depende do estado do processo J (que, no caso discreto, tem incrementos apenas em instantes discretos). Um caso particular de um MMPP em tempo contínuo é o processo de Poisson interrompido (IPP) [6, 7]. de Outro exemplo de um processo Markov modulado é o processo markoviano de chegadas (vulgo MAP ou BMAP, consoante as chegadas sejam simples ou em grupo, DBMAP se ocorrerem em tempo discreto) [5, 8]. Um BMAP (DB- MAP) generaliza um MMPP (DMMPP), uma vez que os eventos de Y podem ter uma distribuição arbitrária, com parâmetros eventualmente dependentes do processo modulador J. Neste trabalho apresentamos uma classe de processos Markov modulados em tempo discreto, que designamos por cadeia Markov modulada (CMM). Consideramos a seguinte denição de CMM.
3 Actas do XI Congresso Anual da SPE 3 Denition 1 A sequência (K, X) é uma CMM se (K, X) for uma cadeia de Markov em tempo discreto cuja distribuição condicional de (K n+1, X n+1 ), dado (K n, X n ), não depende de X n, para todo o n IN. Decorre da denição de CMM que o processo marginal K = {K n, n IN} é uma cadeia de Markov em tempo discreto (CMTD) e que a função de probabilidade de X = {X n, n IN}, a componente eventualmente não-markoviana, é determinada pelas transições de K. Note-se porém que a denição permite ainda considerar situações em que as componentes K n e X n surgem conjuntamente, não sendo nesse caso natural interpretar marginalmente K como sendo o ambiente aleatório. Neste trabalho estudamos propriedades do processo bivariado (K, X), relacionando, sempre que possível, com as propriedades do processo marginal K. Uma CMM é, em primeiro lugar, uma CMTD, pelo que toda a panóplia de resultados existentes para CMTDs pode ser utilizada na análise de uma CMM. Porém, como se mostrará neste trabalho, a propriedade de modulação markoviana confere-lhe um carácter especial, permitindo ir um pouco mais longe na sua caracterização do que aquilo que é prática usual nas CMTDs. O trabalho está organizado da seguinte forma. Na Section 2 denimos probabilidades de transição a um e a vários passos; consideramos ainda probabilidades restritas e deduzimos equações Chapman-Kolmogorov para as diferentes probabilidades de transição. Na Section 3 estudamos quais as propriedades de estado e em que condições são herdadas do processo marginal K pelo processo bivariado (K, X), enquanto que na Section 4 indagamos a mesma questão para as propriedades de classe. Na Section 5 questionamos o comportamento limite do processo bivariado (K, X) em função do processo marginal K e nalmente na Section 6 apontamos as conclusões gerais deste trabalho. Dadas as restrições de espaço, são omitidas demonstrações de resultados, podendo estas ser consultadas em [9]. Terminamos esta secção com alguma notação que utilizamos ao longo do trabalho. I designa a matriz identidade, cuja dimensão se deduz sempre a partir do contexto. Se A = [a ij ] i L0,j L 1 e B = [b ij ] i L0,j L 1, então A B designa o produto de Schur de duas matrizes, i.e., [A B] ij = a ij b ij para i L 0, j L 1. Finalmente 1 {a} designa a função indicatriz da proposição a. 2 Probabilidades de transição Nesta secção denem-se probabilidades de transição a um passo e a vários passos, adoptando o tratamento usual de CMTDs. Seja então (K, X) uma CMM homogénea que toma valores num espaço contável S. Seja ainda S K (S X ) o espaço de estados de K (X). Note-se que S S K S X. As probabilidades de transição a um passo de (K, X) são h ij (x) = IP (K n+1 = j, X n+1 = x K n = i) (1)
4 4 C. Nunes, A. Pacheco / Cadeias de Markov Moduladas para i S K e (j, x) S, com h ij (x) = 0 se i, j S K mas (j, x) / S, de forma que h ij (x) está bem denido para qualquer i, j S K e x S X. O kernel de transição de (K, X) é H = {H(x), x S X }, com H(x) = [h ij (x)] i,j SK. Por razões de simplicidade de notação, consideramos a extensão canónica de H a 2 S2 K S X. Assim, para A S 2 K S X e x S X, seja I A (x) = [I A (x)] i,j SK, com [I A (x)] i,j = 1 {(i,j,x) A}. Então denimos H(A) como sendo H(A) = x S X [H(x) I A (x)]. (2) O próximo resultado mostra que a componente K da CMM (K, X) é ela própria uma CMTD. Theorem 2 O processo marginal K é uma CMTD com matriz de probabilidades de transição P = [p ij ] i,j SK, com p ij = IP (K n+1 = j K n = i) = Além disso H(A) P, A S 2 K S X. x S X h ij (x). (3) De acordo com o Theorem 2, designamos K por cadeia moduladora e X por sequência modulada. Seja agora G = {G(x), x S X }, com G(x) = [g ij (x)] i,j SK dada por { hij(x) g ij (x) = IP (X n+1 = x K n = i, K n+1 = j) = p ij 0 p ij > 0 p ij = 0. (4) Se p ij for positivo, então g ij (x) é a probabilidade condicional de X n+1 ser igual a x dado que do instante n para o instante n + 1 ocorreu uma transição do estado i para o estado j na cadeia moduladora K. Designamos G por kernel de transição condicional, uma vez que descreve a estrutura probabilística da sequência modulada em função das transições da cadeia moduladora. Considerase ainda a extensão canónica de G a 2 S2 K S X de forma similar à considerada para a extensão canónica de H. De seguida denem-se probabilidades de transição da CMM a vários passos. Seja H (n) = {H (n) (x), x S X }, onde [ H (n) (x) = h (n) ij ]i,j S (x) = [IP (K n = j, X n = x K 0 = i)] i,j SK (5) K designa o kernel de transição a n passos da CMM (K, X), para n IN, com H (1) (x) = H(x), para todo o x S X. O resultado seguinte é uma aplicação das equações Chapman-Kolmogorov (CK) para CMMs.
5 Actas do XI Congresso Anual da SPE 5 Theorem 3 (Equações CK para CMMs) Para m IN, n IN 0 e x S X H (n+m) (x) = P n H (m) (x). (6) O resultado seguinte provém do Theorem 3 e da denição de kernel de transição condicional, dada em (4). Corollary 4 Para A S 2 K S X e n IN, Para B S e n IN seja H(A) = P G(A) (7) H (n) (A) = P n 1 H(A) = P n 1 [P G(A)] P n. (8) h (n) ibj (x) = IP ((K n, X n ) = (j, x), (K m, X m ) B, m = 1, 2,..., n 1 K 0 = i) a qual é designada por probabilidade de transição do estado i S K para o estado (j, x) S a n passos restrita a B, i.e., h (n) ibj (x) designa a probabilidade de que, partindo do estado i, a CMM (K, X) visite o estado (j, x) no instante n, passando apenas por estados intermédios pertencentes ao conjunto B. Probabilidades de transição restritas são semelhantes a probabilidades tabu [3, 4], sendo porém denidas de forma mais construtiva, de que resulta uma análise um pouco distinta. O teorema que se segue é uma extensão das equações CK para probabilidades restritas em CMMs. Theorem 5 Para A S K, B, C S e m IN, n IN 0 onde H (n+m) ABC = H(n) ABB H(m) B K BC (9) B K = {j S K : x S X tal que (j, x) B}. (10) Corollary 6 Para A S K, B, C S e n 2 3 Propriedades de estado H (n) ABC = H(A B)H(n 2) B K BB H(B K C). (11) De seguida derivam-se condições que garantem que as propriedades de estado da cadeia moduladora são herdadas pela CMM. Note-se que a estrutura de uma CMM (K, X) pode ser bem mais complexa que a da cadeia moduladora, pelo que pode ser relevante estudar as propriedades do processo conjunto (K, X) à custa das propriedades do processo marginal K. Nesta secção focamos, com especial ênfase, relações de comunicação entre estados. Sugere-se, por exemplo,
6 6 C. Nunes, A. Pacheco / Cadeias de Markov Moduladas [12] para consulta sobre denições e resultados essenciais sobre a relação de comunicação entre estados de uma CMTD. Considere-se a seguinte notação: se i e j são dois estados de uma cadeia de Markov Y com espaço de estados S Y e se j é acessível a partir de i, então escrevemos i Y j. De forma similar, se i e j comunicam, então escrevemos que i Y j. Seja ainda Ci Y = {j S Y : i Y j} (12) i.e., Ci Y é o conjunto de estados que comunicam com i. Um subconjunto C de S Y é uma classe comunicante (de Y ) se todos os seus estados comunicam entre si e se C contém todos os estados que comunicam com algum elemento do conjunto. Cj Y é fechada se i j implica que j Ci Y. Consideram-se os seguintes conjuntos: E ij = {x S X : h ij (x) > 0} e E j = i C K j E ij (13) para i, j S K. Reciprocamente, para x S X, tome-se T (x) = {(i, j) S 2 K : h ij (x) > 0} (14) como sendo o conjunto de transições admissíveis para K para as quais a sequência modulada X pode tomar o valor x. Note-se que se p ij = 0 então E ij = ; adicionalmente, (i, j) T (x) x E ij (15) para i, j S K e x S X. Seguidamente consideram-se condições necessárias e sucientes para a acessibilidade e comunicação entre estados de uma CMM (K, X) em termos da acessibilidade e comunicação entre estados da cadeia moduladora K. Theorem 7 Se (i, x), (k, y) S, então (i, x) (K,X) (k, y) (i, x) = (k, y) ( j S K : i K j, (j, k) T (y)) (16) (i, x) = (k, y) ( j S K : i K j, h jk (y) > 0). (17) Consequentemente, (i, x) (K,X) (k, y) se e só se (i, x) = (k, y) ( j, l S K :i K j, k K l, (j, k) T (y), (l, i) T (x)) (18) ou, equivalentemete, (i, x) = (k, y) ( j, l S K :i K j, k K l, h jk (y) > 0, h li (x) > 0). (19) Logo (k, y) é acessível a partir de (i, x) se e só se existir j S K tal que o estado j é acessível a partir de i K e y E jk. O resultado seguinte é consequência deste facto.
7 Actas do XI Congresso Anual da SPE 7 Corollary 8 Se (i, x), (k, y) S, então pelo que (i, x) (K,X) (k, y) = i K k (20) (i, x) (K,X) (k, y) = i K k. (21) Note-se que (20) decorre igualmente da denição de acessibilidade entre estados de CMTD e de (8). Além disso, se K retorna ao estado i, então todos os estados visitados por K até ao retorno a i comunicam com i. O resultado seguinte incorpora informação sobre as classes comunicantes da cadeia moduladora K, permitindo assim uma expressão alternativa para as probabilidades de transição da CMM (K, X) dadas no Theorem 3. Por facilidade de notação, quando dizemos Ci K (C (K,X) (i,x) ) é fechada queremos dizer Ci K (C (K,X) (i,x) ) é K-fechada ((K, X)-fechada). Corollary 9 Se C K i é fechada, então IP (K n = k, X n = x K 0 = i) = h (n) ik (x) = para (k, x) S, n IN e m {1, 2,..., n}. j C K i p (n m) ij h (m) jk (x) (22) Note-se que se k = i em (22), então o Corollary 9 implica que IP (K n = i, X n = x K 0 = i) = h (n) ii (x) = p (n m) ij h (m) ji (x) (23) j Ci K para (i, x) S, n IN e m {1, 2,..., n}. De notar que (22) reforça a relação (6) quando C K i é fechada. Se C K i for fechada então: em todos os instantes em que o estado (i, x) for visitado, a cadeia moduladora K só pode visitar estados que comuniquem com i. Seja agora Y uma CMTD arbitrária. De seguida apresentamos um lema, o qual permite incorporar informação sobre as classes comunicantes de Y, fornecendo uma expressão alternativa para as equações CK. Lemma 10 Para i S Y, n IN 0 e m {0, 1,..., n}, IP (Y n = i Y 0 = i) = e, além disso, j C Y i IP (Y m = j Y 0 = i) IP (Y n m = i Y 0 = j) (24) C Y i é fechada = n IN : IP (Y n = i Y 0 = i) > 0. (25)
8 8 C. Nunes, A. Pacheco / Cadeias de Markov Moduladas No próximo teorema relacionamos as classes fechadas de (K, X) com as classes fechadas de K. Theorem 11 Para (i, x) S, pelo que C (K,X) (i,x) é fechada = C K i é fechada (26) C (K,X) (i,x) é fechada = l C K i : h li (x) > 0. (27) Note-se que o inverso de (26) não é, em geral, verdadeiro, i.e, o facto de Ci K ser fechado não implica necessariamente que C (K,X) (i,x) seja fechado. Por exemplo, seja (K, X) uma CMM que toma valores em {0, 1} {a, b}, tal que p ij > 0 para todo o i, j {0, 1}, mas g 01 (a) = g 11 (a) = 0, pelo que (1, a) é um estado transiente da CMM (K, X). Então C1 K é fechada (pois K é irredutível) mas C (K,X) (1,a) não é fechada. De seguida derivamos um resultado que caracteriza as classes de comunicação fechadas da CMM (K, X) em termos das classes de comunicação fechadas da classe moduladora K. Theorem 12 B é uma classe de comunicação fechada da CMM (K, X) se e só se para alguma classe de comunicação fechada A de K B = i,j A ({j} E ij ). O teorema anterior permite-nos relacionar a decomposição do espaço de estados da CMM (K, X) em termos das classes comunicantes fechadas e da união de todas as classes abertas com a decomposição respeitante ao espaço de estados da cadeia moduladora K. Se A for uma classe comunicante fechada de K, então a respectiva classe comunicante de (K, X) é dada por B(A) = i,j A ({j} E ij ). (28) Seja S K = ( n A n ) O, com os A n 's sendo classes comunicantes fechadas (disjuntas) de K e seja O a união de todas as classes aberta de K. Da teoria das CMTDs resulta que: se S K for innito pode acontecer que S K = O; se S K for nito então K tem pelo menos uma classe comunicante fechada. Logo o espaço de estados correspondente à CMM (K, X) pode ser decomposto da seguinte forma: S = ( n B(A n )) [S \ n B(A n )] (29) sendo os B(A n )'s classes comunicantes fechadas de (K, X). Em face de (29) resulta que: Corollary 13 (K, X) é irredutível K é irredutível. (30)
9 Actas do XI Congresso Anual da SPE 9 4 Propriedades de classe Nesta secção classicamos os estados de uma CMM de acordo com o seu carácter recorrente/transiente e periódico/aperiódico. Começamos por introduzir um conjunto que desempenha um papel importante na classicação de um estado (i, x) S. Dado i S K, seja D(i) o conjunto de valores que X pode assumir quando a cadeia moduladora K transita para o estado i vinda de um estado de K pertencente à classe comunicante de i, i.e., D(i) = {x S X : h li (x) > 0 para algum l Ci K } (31) = x S X : h li (x) > 0. (32) l C K i O resultado que se segue é útil para derivar condições necessárias e sucientes para um estado (i, x) de uma CMM (K, X) ser recorrente e/ou periódico com base na recorrência e/ou periodicidade do estado i da cadeia moduladora K. Lemma 14 Para i S K, D(i) = {x S X : n IN tal que h (n) ii (x) > 0} = Além disso, se (i, x) S, então { x S X : n IN h (n) ii (x) > 0 (i, x) é (K, X) recorrente = x D(i). (33) No teorema que se segue damos condições necessárias e sucientes para os estados da CMM (K, X) serem recorrentes, transientes, recorrentes positivos, recorrentes nulos, aperiódicos ou periódicos. Theorem 15 Para (i, x) S, (i, x) é (K, X) recorrente i é K recorrente e x D(i) (34) (i, x) é (K, X) transiente i é K transiente ou x / D(i) (35) (i, x) é (K, X) recorrente positivo i ék recorrente positivo e x D(i) (36) (i, x) é (K, X) recorrente nulo i é K recorrente nulo e x D(i) (37) (i, x) é (K, X) aperiódico i é K aperiódico ou x / D(i) (38) d (K,X) (i, x) = d > 1 d K (i) = d > 1 e x D(i). (39) O teorema anterior permite relacionar a decomposição canónica do espaço de estados da CMM (K, X) em termos das suas classes comunicantes recorrentes (e, consequentemente, fechadas) e da união de todas as suas classes transientes com a decomposição canónica do espaço de estados da cadeia moduladora K. }.
10 10 C. Nunes, A. Pacheco / Cadeias de Markov Moduladas Seja S K = O ( n A n), onde A n são classes recorrentes de K e O é a união de todas as classes transientes de K. Para um subconjunto A não vazio de S K seja R(A) = {(i, x) S : i A, x D(i)}. (40) A correspondente decomposição canónica do espaço de estados da CMM (K, X) é, em face de (34), S = [S \ n R(A n)] ( n R(A n)) (41) onde R(A n) são as classes recorrentes de (K, X) e [S \ n R(A n)] é o conjunto de todos os estados transientes de (K, X). Tomando em linha de conta Corollary 13 e Theorem 15, temos o seguinte resultado. Theorem 16 (K, X) é recorrente positiva K é recorrente positiva (42) (K, X) é recorrente nula K é recorrente nula (43) (K, X) é transiente K é transiente (44) (K, X) é aperiódica K é aperiódica (45) (K, X) tem período d K tem período d (46) (K, X) é ergódica K é ergódica. (47) 5 Estacionaridade, comportamento limite e reversibilidade Sejam D K e D (K,X) as famílias de distribuições estacionárias de K e (K, X), respectivamente. Da teoria das CMTDs sabemos que D K pode ser vazia, ter um único elemento ou um número innito, não numerável, de elementos. No teorema que se segue estabelecemos uma relação bijectivam entre distribuições estacionárias de K e distribuições estacionárias de (K, X). Theorem 17 Se π K = [π i ] i SK D K, então existe uma e uma só distribuição π (K,X) = [ π (j,x) ](j,x) S D(K,X) tal que π (j,x) = para todo o (j, x) S, ou, equivalentemente, para todo o j S K. π j = i S K π i h ij (x) (48) x S X π (j,x) (49)
11 Actas do XI Congresso Anual da SPE 11 Note-se que se para x S X, π(x) = [ π (j,x) ]j S K, então (48) é equivalente a π(x) = π K H(x) (50) para x S X. Suponhamos doravante que K e (K, X) são recorrentes positivas e que ambas possuem distribuições estacionárias únicas π K and π (K,X), respectivamente, relacionadas de acordo com (48)-(49). Finalmente estudamos a reversibilidade da CMM (K, X). Decorre da denição de reversibilidade para cadeias de Markov em tempo discreto que a CMM (K, X) é reversível se e só se para todo o (i, x), (j, y) S. π (i,x) h ij (y) = π (j,y) h ji (x) (51) Theorem 18 Se (K, X) for reversível então K é também reversível. O contrário de Theorem 18 não é verdadeiro: se K for reversível não podemos, em geral, garantir que (K, X) seja também reversível. Só é possível enunciar resultados sobre reversibilidade para instâncias particulares de CMMs. Por exemplo, a CMM resultante das transições de estado de uma cadeia de Markov reversível não é em geral reversível, tal como armamos no teorema que se segue. Theorem 19 A CMM resultante das transições de uma cadeia de Markov K é reversível no tempo se e só se uma das duas condições seguintes for vericada: (i) K tem um único estado. (ii) K tem dois estados, e a sua matriz de probabilidades de transição é da seguinte forma: [ ] 0 1. (52) Comentários nais Neste trabalho foi feita uma caracterização de uma classe particular de processos Markov modulados em tempo discreto. Para esta classe de modelos - que designámos por Cadeias Markov moduladas - estabelecemos resultados respeitantes a probabilidades de transição, propriedades de estado, propriedades de classe e características limite, seguindo o tratamento usual de processos markovianos. Ressalta do trabalho que a estrutura particular de uma CMM (K, X) permite estabelecer relações interessantes entre as características do processo marginal K - o qual, recorde-se, é o processo que dita a estrutura markoviana - e as
12 12 C. Nunes, A. Pacheco / Cadeias de Markov Moduladas características do processo bivariado (K, X). Na verdade quase todas as características do processo markoviano K são herdadas pelo processo bivariado, à excepção da reversibilidade, sob a validade de condições fáceis de vericar. A análise aqui apresentada contempla apenas processos homogéneos, mas o caso não-homogéneo pode ser tratado de forma semelhante, considerando as devidas alterações a nível da notação, como ilustrado em [9]. Referências [1] F. Cheng e J. Song. (2001). Optimal policies for multiechelon inventory problems with Markov-modulated demand. Operations Research, Vol. 49, p [2] W. Fisher e K. Meier-Hellstern. (1993). The Markov-modulated Ppoisson process (MMPP) cookbook. Performance Evaluation, Vol. 18, p [3] M. Kijima. (1997). Markov Processes for Stochastic Modeling. Chapman and Hall, Londres. [4] G. Latouche e V. Ramaswami. (1999). Introduction to Matrix Analytic Methods in Stochastic Modeling. Society for Industrial and Applied Mathematics, Philadelphia, PA. [5] D.M. Lucantoni. (1991). New results on the single server queue with a batch Markovian arrival process. Stochastic Models, Vol. 7, p [6] I.L. Mitrany e B. Avi-Itzhac. (1968). A many-server queue with service interruptions. Operations Research, Vol. 16, p [7] M.F. Neuts. (1971). A queue subject to extraneous phase changes. Advances in Applied Probability, Vol. 3, p [8] M.F. Neuts. (1979). A versatile Markovian point process. Journal of Applied Probability, Vol. 16, p [9] C. Nunes. (2002). Markov Modulated Chains. Tese de Doutoramento. Instituto Superior Técnico. Universidade Técnica de Lisboa. Lisboa. [10] A. Pacheco e N.U. Prabhu (1996). A Markovian storage model. The Annals of Applied Probability, Vol. 6, p [11] P. Purdue. (1974). The M/M/1 queue in a Markovian environment. Operations Research, Vol. 22, p [12] S. Resnick. (1992). Adventures in Stochastic Processes. Birkhäuser, Boston, MA. [13] R. Salvador, P. Valadas e A. Pacheco. (2001). Multiscale Fitting Procedure Using Markov Modulated Poisson Processes. Telecommunication Systems. Vol. 23. p
( ) dado ( X( s), J( s)
CONTRIBUIÇÃO DOS LEITORES PROCESSOS MARKOVIANOS ADITIVOS DE CHEGADAS António Pacheco 1 1. Introdução Na prática, com especial incidência em sistemas de manufactura e de comunicação de dados, é frequente
Leia maisPropriedade Markoviana
Cadeias de Markov Cadeias de Markov É um tipo especial de processo estocástico, que satisfaz as seguintes condições: o parâmetro n é discreto (ex: tempo) o espaço de estados E é discreto (coleção de estados
Leia maisTeoria de Filas Aula 10
Aula Passada Comentários sobre a prova Teoria de Filas Aula 10 Introdução a processos estocásticos Introdução a Cadeias de Markov Aula de Hoje Cadeias de Markov de tempo discreto (DTMC) 1 Recordando...
Leia maisROTEIRO DA APRESENTAÇÃO PROCESSOS ESTOCÁSTICOS
ROTEIRO DA APRESENTAÇÃO MODELOS ESTOCÁSTICOS APLICADOS À INDÚSTRIA Prof. Lupércio França Bessegato Departamento de Estatística Universidade Federal de Juiz de Fora lupercio.bessegato@ufjf.edu.br www.ufjf.br/lupercio_bessegato
Leia maisProcessos Estocásticos e Cadeias de Markov Discretas
Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,
Leia maisCadeias de Markov. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Cadeias de Markov Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 3 e 4 Taylor & Karlin 1 / 71 Cadeias de Markov Seja X 0, X 1,...
Leia maisClassificação de estados em uma cadeia de Markov. Professora Eliana Carvalho
Classificação de estados em uma cadeia de Markov Professora Eliana Carvalho Classificação de estados em uma cadeia de Markov Os estados de uma cadeia de Markov podem ser classificados com base na probabilidade
Leia mais3. CADEIA DE MARKOV EM TEMPO DISCRETO
3. CADEIA DE MARKOV EM TEMPO DISCRETO 3. Definição Uma Cadeia de Markov em Tempo Discreto é um processo estocástico em que a variável t representa intervalos de tempo, { }e que segue a propriedade de Markov,
Leia maisSe X t = 4 X t+1 = X t+2 =... = 4. Cadeias de Markov Classificação Cadeias ergódicas Cadeias com absorção
Nesta aula... Processos estocásticos 1 2 3 Processos estocásticos: Suponhamos que observamos um conjunto de caracteristicas de um sistema em instantes de tempo discretos 0, 1, 2,... A característica do
Leia maisAula - Equações de Chapman-Kolmogorov
Equações de Chapman-Kolmogorov Prof. Magnos Martinello Aula - Equações de Chapman-Kolmogorov Universidade Federal do Esprito Santo-UFES 2011 Equações de Chapman-Kolmogorov 1/17 Introdução As equações de
Leia maisMOQ-12 Cadeias de Markov
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MOQ-12 Cadeias de Markov Professora: Denise Beatriz T. P. do Areal Ferrari denise@ita.br Roteiro Introdução Processos Estocásticos
Leia maisUniversidade Federal do ABC Rua Santa Adélia, Bairro Bangu - Santo André - SP - Brasil CEP Telefone/Fax:
Universidade Federal do ABC Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166 1. CÓDIGO E NOME DA DISCIPLINA BC1436 - PRINCÍPIOS DE SIMULAÇÃO
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maisPROCESSOS ESTOCÁSTICOS E APLICAÇÕES
PROCESSOS ESTOCÁSTICOS E APLICAÇÕES JOSÉ PEDRO GAIVÃO Conteúdo 1. Noções Gerais 2 1.1. Relembrar de teoria de probabilidades 2 1.2. Processos estocásticos 3 2. Esperança Condicional 5 2.1. Esperança condicional
Leia maisNoções de Processos Estocásticos e Cadeias de Markov
Noções de Processos Estocásticos e Cadeias de Markov Processo Estocástico Definição: Processo Estocástico é uma coleção de variáveis aleatórias indexadas por um parâmetro t R (entendido como tempo). X={
Leia maisCadeias de Markov de Tempo Contínuo (CTMC)
Cadeias de Markov de Tempo Contínuo (CTMC) Cadeia de Markov Contínua (1) A análise de cadeias de Markov contínuas (CTMCs) é bem similar a análise em tempo discreto, com a diferença de que as transições
Leia mais1/7 1/ se hoje não chove, amanhã não vai chover com probabilidade p 00 = 6/7;
6/7 nao chove 1/7 chove 1/3 "0" /3 "1" Figura 1: Todas as transições com suas respectivas probabilidades representadas através de um grafo. Notem que para cada estado, a soma das probabilidades das flechas
Leia maisModelos Probabilísticos de Desempenho. Profa. Jussara M. Almeida 1º Semestre de 2014
Modelos Probabilísticos de Desempenho Profa. Jussara M. Almeida 1º Semestre de 2014 Modelos Probabilísticos Processos Estocásticos Processos de Poisson Filas M/M/1, M/G/1... Mais genericamente: modelos
Leia mais1 Conceitos Iniciais. 1.1 Grafos
1 Conceitos Iniciais O objetivo deste capítulo é revisar conceitos básicos, mas fundamentais, sobre grafos, passeios aleatórios (random walks) com especial destaque aos passeios aleatórios sobre grafos
Leia maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisMODELO MARKOVIANO DE DECISÃO COM INFORMAÇÃO PARCIAL PARA OTIMIZAÇÃO DE UM SISTEMA DE FILAS MMPP/PH/c/N
MODELO MARKOVIANO DE DECISÃO COM INFORMAÇÃO PARCIAL PARA OTIMIZAÇÃO DE UM SISTEMA DE FILAS MMPP/PH/c/N Solon Venâncio de Carvalho Rita de Cássia Meneses Rodrigues Laboratório Associado de Computação e
Leia maisProcessos Markovianos Introdução e Aplicações
Processos Markovianos Introdução e Aplicações Autores: Pedro Santana (04/35619) Yasmin Mendes (03/91158) Disciplina: Automação Controle para Prof.: Dr. João Yoshiyuki Sumário 1. Processos Estocásticos
Leia maisCadeias de Markov e Campos Aleatórios Markovianos
UNIVERSIDADE DE SÃO PAULO INSTITUTO DE FÍSICA Cadeias de Markov e Campos Aleatórios Markovianos Wagner Gomes Rodrigues Junior Profª Drª Tania Tomé - IFUSP São Paulo 2009 Sumário 1 Cadeias de MarKov 1 SUMÁRIO
Leia maisa convergência das distribuições de probabilidade para
Cadeia de Markov: modelo probabilístico e convergência das distribuições de probabilidade Markov chain: probabilistic model and convergence of probability distributions ISSN 2316-9664 Volume 11, dez. 2017
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Cadeias de Markov 20/11/2017 Andrei Markov Em 1907, Andrei Markov iniciou um estudo sobre processos onde o resultado de um experimento depende do resultado de
Leia maisCapítulo 3: Espaços Vetoriais
3 Livro: Introdução à Álgebra Linear Autores: Abramo Hefez Cecília de Souza Fernandez Capítulo 3: Espaços Vetoriais Sumário 1 Subespaços Vetoriais................. 58 1.1 Caracterização dos Subespaços
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.6: Vetores Aleatórios Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
Leia maisCadeias de Markov Introdução
Cadeias de Markov Introdução EAD 350 Pesquisa Operacional Segmento Modelos de Redes Prof. Nicolau Reinhard 1º Semestre de 2017 Referências básicas: Taha, H., Pesquisa Operacional 8ª edição, Pearson, Prentice
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011 Cadeias de Markov Em 1907, Andrew Markov iniciou um estudo sobre um modelo onde o resultado
Leia maisA cadeia de Markov na determinação de indicadores educacionais Applying Markov chain to determine educational indicators
A cadeia de Markov na determinação de indicadores educacionais Applying Markov chain to determine educational indicators A cadeia de Markov na determinação de indicadores educacionais Applying Markov chain
Leia maisJogos de Campo Médio. Diogo A. Gomes (IST - Lisbon) Trabalho conjunto com J. Mohr e R. Sousa (UFRGS - Brasil)
Jogos de Campo Médio Diogo A. Gomes (IST - Lisbon) Trabalho conjunto com J. Mohr e R. Sousa (UFRGS - Brasil) 1 Os jogos de campo médio ( mean field games ) modelam situações de conflítuo/competição que
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia maisUma breve introdução a probabilidade
Uma breve introdução a probabilidade Modelo Probabilístico Espaço amostral (S): conjunto de todos os resultados que podem ocorrer a partir de um experimento aleatório Probabilidade de eventos (P): quantificação
Leia maisModelagem e Avaliação de Desempenho
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Exemplos usados na apresentação foram obtidos de Introduction to Probability, C.M.Grinstead
Leia mais$QWyQLR-RVp%DWHO$QMR 0DULD5RViOLD'LQLV5RGULJXHV 'HSDUWDPHQWRGH0DWHPiWLFD'HSDUWDPHQWRGH0DWHPiWLFD 8QLYHUVLGDGHGH$YHLUR 8QLYHUVLGDGHGH&RLPEUD
V Congresso Anual Sociedade Portuguesa de Estatística Curia, 11 a 14 de Junho de 1997 $XWyPDWRV(VWRFiVWLFRVFRPR0RGHORGHXP 0pWRGRGH2SWLPL]DomR&RPELQDWyULD $QWyQLR-RVp%DWHO$QMR 0DULD5RViOLD'LQLV5RGULJXHV
Leia mais2 Conceitos de Teoria da Probabilidade
2 Conceitos de Teoria da Probabilidade Neste capítulo, enunciaremos algumas denições e resultados de teoria de probabilidade. justicativa deste capítulo reside no fato que u objetivo nal é estimar momentos
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2013/2014 Exercício 1. Seja (, F) um espaço mensurável. Mostre que 1. F. 2. se A i F, i = 1, 2,... então n i=1 A i F. 3. se A i F,
Leia maisPolinômios Ortogonais no Círculo Unitário com Relação a Certas Medidas Associadas a Coeficientes de Verblunsky Periódicos
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Polinômios Ortogonais no Círculo Unitário com Relação a Certas Medidas
Leia maisConstrução de matrizes inteiras com somas das linhas e das colunas prescritas
Construção de matrizes inteiras com somas das linhas e das colunas prescritas Rosário Fernandes Departamento de Matemática, Faculdade de Ciências e Tecnologia Universidade Nova de Lisboa, Caparica, Portugal
Leia maisModelo de previsão de partida de ônibus utilizando cadeias de Markov de alcance variável
Modelo de previsão de partida de ônibus utilizando cadeias de Markov de alcance variável Maria das Vitórias Alexandre Serafim 1 Manuel Rivelino Gomes de Oliveira 2 Divanilda Maia Esteves 3 Paulo José Duarte-Neto
Leia maisNotas sobre os anéis Z m
Capítulo 1 Notas sobre os anéis Z m Estas notas complementam o texto principal, no que diz respeito ao estudo que aí se faz dos grupos e anéis Z m. Referem algumas propriedades mais específicas dos subanéis
Leia maisProcessos Estocásticos
Processos Estocásticos Rui Alves Catarina Delgado Setembro de 1997 APRESENTAÇÃO Este texto concretiza uma ideia que já tem alguns anos, mas que vinha sendo adiada devido a afazeres de diversa natureza.
Leia maisANÉIS. Professora: Elisandra Bär de Figueiredo
Professora: Elisandra Bär de Figueiredo ANÉIS DEFINIÇÃO 1 Um sistema matemático (A,, ) constituído de um conjunto não vazio A e duas leis de composição interna sobre A, uma adição: (x, y) x y e uma multiplicação
Leia maisDemonstração. Ver demonstração em [1]. . Para que i j se tem µ i µ j? Determine a derivada no sentido de Radon-Nikodym em cada caso.
Proposição 2.39 (Propriedades de e.). Sejam µ, λ, λ 1, λ 2 medidas no espaço mensurável (X, F). Então 1. se λ 1 µ e λ 2 µ então (λ 1 + λ 2 ) µ. 2. se λ 1 µ e λ 2 µ então (λ 1 + λ 2 ) µ. 3. se λ 1 µ e λ
Leia maisMCTB Álgebra Linear Avançada I Claudia Correa Exercícios sobre corpos e espaços vetoriais sobre corpos
MCTB002-13 Álgebra Linear Avançada I Claudia Correa Exercícios sobre corpos e espaços vetoriais sobre corpos O Exercício 8 é o exercício bônus dessa lista Exercício 1. Seja K um conjunto formado exatamente
Leia mais4 Cadeias de Markov homogêneas
4 Cadeias de Markov homogêneas Conteúdo 4.1 Cadeias de Markov homogêneas............................ 157 4.1.1 2-SAT........................................ 14 4.1.2 Transiência, recorrência e periodicidade...................
Leia maisConvergência de matrizes estocásticas regulares
Convergência de matrizes estocásticas regulares Convergence of regular stochastic matrices ISSN 2316-9664 Volume 8, dez 2016 Edição Iniciação Científica Fabiano Borges da Silva Faculdade de Ciências, UNESP,
Leia maisCadeias de Markov. 1. Introdução. Modelagem e Simulação - Cadeias de Markov
Cadeias de Markov. Introdução Nestas notas de aula serão tratados modelos de probabilidade para processos que evoluem no tempo de maneira probabilística. Tais processos são denominados Processos Estocásticos...
Leia maisMétodos Estatísticos Básicos
Aula 6 - Introdução à probabilidade Departamento de Economia Universidade Federal de Pelotas (UFPel) Maio de 2014 Experimento Experimento aleatório (E ): é um experimento que pode ser repetido indenidamente
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA. Medida e Probabilidade
UNIVERSIDADE FEDERAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA Medida e Probabilidade Aluno: Daniel Cassimiro Carneiro da Cunha Professor: Andre Toom 1 Resumo Este trabalho contem um resumo dos principais
Leia mais4 Canais Iônicos Estocásticos
4 Canais Iônicos Estocásticos 4.1 Processos Estocásticos e o Modelo de Hodgkin e Huxley O modelo de Hodgkin e Huxley clássico, macroscópico, tem como fundamento a variação dos valores das condutâncias
Leia maisALGA I. Representação matricial das aplicações lineares
Módulo 6 ALGA I Representação matricial das aplicações lineares Contents 61 Matriz de uma aplicação linear 76 62 Cálculo do núcleo e imagem 77 63 Matriz da composta 78 64 GL(n Pontos de vista passivo e
Leia maisSemigrupos Numéricos e Corpos de Funções Algébricas
Semigrupos Numéricos e Corpos de Funções Algébricas THIAGO FILIPE DA SILVA Professor Assistente do Centro de Ciências Exatas da Universidade Federal do Espírito Santo. RESUMO O estudo sobre o número de
Leia maisFuncionais aditivos de processos de exclusão
Funcionais aditivos de processos de exclusão Patrícia Gonçalves Centro de Matemática da Universidade do Minho Campus de Gualtar 471-57 Braga, Portugal e-mail: patg@math.uminho.pt Resumo: Neste trabalho
Leia maisUNIVERSIDADE FEDERAL DE OURO PRETO PRÓ REITORIA DE GRADUAÇÃO. Código: EST011 Departamento: Unidade: DEPARTAMENTO DE ESTATÍSTICA
PROGRAMA DE DISCIPLINA Disciplina: PROCESSOS ESTOCÁSTICOS Código: EST011 Departamento: Unidade: DEPARTAMENTO DE ESTATÍSTICA INSTITUTO DE CIÊNCIAS EXATAS E BIOLÓGICAS Carga Horária Semanal Teórica Prática
Leia maisO problema do ponto mais visitado e a cadeia do viajante
O problema do ponto mais visitado e a cadeia do viajante The problem of the most visited point and the chain of the traveler ISSN 236-9664 Volume 8, dez. 206 Rogério César dos Santos FUP/UnB rogerc@unb.br
Leia mais3 a Lista de Exercícios de Introdução à Álgebra Linear IMPA - Verão e B =
3 a Lista de Exercícios de Introdução à Álgebra Linear IMPA - Verão 2008. (a) Ache os auto-valores e auto-vetores de A = 3 4 2 0 2 0 0 0 e B = 0 0 2 0 2 0 2 0 0 (b) Mostre que λ + λ 2 + λ 3 é igual ao
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos e Científicos
Leia maisMarkov chain e MCMC. Renato Assunção DCC, UFMG
Markov chain e MCMC Renato Assunção DCC, UFMG Objetivo da aula Fornecer um introdução INFORMAL a processos estocásticos e cadeias de Markov Fornecer os elementos para entender porque os algoritmos de MCMC
Leia maisCapítulo 1. Funções e grácos
Capítulo 1 Funções e grácos Denição 1. Sejam X e Y dois subconjuntos não vazios do conjunto dos números reais. Uma função de X em Y ou simplesmente uma função é uma regra, lei ou convenção que associa
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisI. INTRODUÇÃO Generalidades
1 I. INTRODUÇÃO 1.1. Generalidades Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando o sistema envolve, pela sua natureza, ações humanas imprevisíveis ou desgaste
Leia maisMAE GABARITO DA LISTA 2-04/10/2016
MAE5709 - GABARITO DA LISTA - 04/0/06 Exercício.7.5. Primeira Parte Seja P uma matriz de transição sobre um espaço de estados finito S. Mostre que uma distribuição π é invariante para P se e somente se
Leia maisTeoria da Medida e Integração (MAT505)
Transporte de medidas Teoria da Medida e Integração (MAT505) Transporte de medidas e medidas invariantes. Teorema de Recorrência de Poincaré V. Araújo Instituto de Matemática, Universidade Federal da Bahia
Leia maisIA - Planejamento II
PO IA - Planejamento II Professor Paulo Gurgel Pinheiro MC906A - Inteligência Articial Instituto de Computação Universidade Estadual de Campinas - UNICAMP 16 de Novembro de 2010 1 / 48 PO http://www.ic.unicamp.br/
Leia maisFabio Augusto Camargo
Universidade Federal de São Carlos Centro de Ciências Exatas e de Tecnologia Departamento de Matemática Introdução à Topologia Autor: Fabio Augusto Camargo Orientador: Prof. Dr. Márcio de Jesus Soares
Leia maisResumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução.
Parte 2 Introdução à Teoria da Probabilidade Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Introdução 2 Espaço
Leia maisσ-álgebras, geradores e independência
σ-álgebras, geradores e independência Roberto Imbuzeiro M. F. de Oliveira 15 de Março de 2009 Resumo Notas sobre a σ-álgebra gerada por uma variável aleatória X e sobre as condições de independência de
Leia mais3 Apresentação do processo e resultados preliminares
3 Apresentação do processo e resultados preliminares O Capitulo 1 dá a ferramenta para construir uma cadeia de Markov a tempo contínuo, a partir de uma cadeia de Markov a tempo discreto. Agora, queremos
Leia maisTopologia geral Professor: Fernando de Ávila Silva Departamento de Matemática - UFPR
Topologia geral Professor: Fernando de Ávila Silva Departamento de Matemática - UFPR LISTA 1: Métricas, Espaços Topológicos e Funções Contínuas 1 Métricas Exercício 1 Sejam M um espaço métrico e A M um
Leia maisProbabilidade Revisão de Conceitos
Probabilidade Revisão de Conceitos Espaço de Amostras A totalidade dos possíveis resultados de um experimento aleatório. Exemplo: jogar dados S = {(1,1),(1,),... (,1),(,)... (6,6)} S é dito o número de
Leia maisTópicos de Álgebra Linear
Tópicos de Álgebra Linear - 2010 Prof Dr Pedro Levit Kaufmann Lista I 1. Em R n dena as operações a b = a b e a = a. As operações à direita são as usuais. Quais axiomas, que denem um espaço vetorial, estão
Leia maisCÁLCULO I. 1 Velocidade Instantânea. Objetivos da Aula. Aula n o 04: Limites e Continuidade. Denir limite de funções; Calcular o limite de uma função;
CÁLCULO I Prof. Edilson Neri Júnior Prof. André Almeida Aula n o 04: Limites e Continuidade Objetivos da Aula Denir ite de funções; Calcular o ite de uma função; Utilizar as propriedades operatórias do
Leia maisProcessos de Markov a Tempo Contínuo e Sistemas de Partículas Parte 2
Processos de Markov a Tempo Contínuo e Sistemas de Partículas Parte 2 Leandro Cioletti Departamento de Matemática - UnB 70910-900, Brasília, Brazil cioletti@mat.unb.br Ricardo Parreira Departamento de
Leia maisTeoria das Linguagens. Linguagens Formais e Autómatos (Linguagens)
Teoria das Lic. em Ciências da Computação Formais e Autómatos () Carla Mendes Dep. Matemática e Aplicações Universidade do Minho 2010/2011 Teoria das - LCC - 2010/2011 Dep. Matemática e Aplicações - Univ.
Leia maisProcessos de Poisson
Processos de Poisson Mauro C. M. Campos 1 SUMÁRIO I Alguns fatos sobre a distribuição exponencial 1 II Alguns fatos sobre a distribuição de Poisson 2 III Processos estocásticos em tempo contínuo 2 IV Processos
Leia maisAplicação. Controlo Óptimas. 23º Seminário de Engenharia Mecânica - 4 Junho de Nuno Manuel R. S. Órfão
Aplicação de Cadeias de Markov em Redes de Filas de Espera Políticas de Controlo Óptimas 23º Seminário de Engenharia Mecânica - 4 Junho de 2003 - Nuno Manuel R. S. Órfão nmorfao@estg.ipleiria.pt 1 Sumário
Leia maisÁlgebra Linear. Professor Alessandro Monteiro. 1º Sábado - Matrizes - 11/03/2017
º Sábado - Matrizes - //7. Plano e Programa de Ensino. Matrizes. Exemplos. Ordem de Uma Matriz. Exemplos. Representação 7. Matriz Genérica m x n 8. Matriz Linha 9. Exemplos. Matriz Coluna. Exemplos. Diagonal
Leia maisÁlgebra Linear e Geometria Anaĺıtica. Espaços Vetoriais Reais
universidade de aveiro departamento de matemática Álgebra Linear e Geometria Anaĺıtica Agrupamento IV (ECT, EET, EI) Capítulo 4 Espaços Vetoriais Reais Definição de espaço vetorial real [4 01] O conjunto
Leia maisMétodos de Análise Transiente
Métodos de Análise Transiente Tópicos Avançados de Avaliação de Desempenho Prof. Paulo Maciel / Prof. Ricardo Massa Apresentação de: Ana Carolina Veloso Renata Pedrosa Dantas Introdução Visão real das
Leia maisÁlgebra Linear Semana 05
Álgebra Linear Semana 5 Diego Marcon 4 de Abril de 7 Conteúdo Interpretações de sistemas lineares e de matrizes invertíveis Caracterizações de matrizes invertíveis 4 Espaços vetoriais 5 Subespaços vetoriais
Leia maisCÁLCULO I Aula 11: Limites Innitos e no Innito. Assíntotas. Regra de l'hôspital.
Limites s CÁLCULO I Aula 11: Limites s e no... Prof. Edilson Neri Júnior Prof. André Almeida Universidade Federal do Pará Limites s 1 Limites no 2 Limites s 3 4 5 Limites s Denição Seja f uma função denida
Leia maisEspaços Euclidianos. Espaços R n. O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais:
Espaços Euclidianos Espaços R n O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais: R n = {(x 1,..., x n ) : x 1,..., x n R}. R 1 é simplesmente o conjunto R dos números
Leia maisProcessos Estocásticos
Processos Estocásticos Quarta Lista de Exercícios 12 de fevereiro de 2014 1 Sejam X e Y duas VAs que só podem assumir os valores 1 ou -1 e seja p(x, y) = P (X = x, Y = y), x, y { 1, 1} a função de probabilidade
Leia maisINFORMAÇÕES TRADEOFF EM PROBLEMAS MULTIOBJETIVOS. 1. Introdução Problema 1.1. [MOP]Denominamos Problema de Otimização Multiojetivo
INFORMAÇÕES TRADEOFF EM PROBLEMAS MULTIOBJETIVOS JESUS OSSIAN DA CUNHA SILVA 1 AND PAULO ROBERTO OLIVEIRA 2 1 Programa de Engenharia de Sistema e Computação, COPPE-UFRJ, CP. 68.511, Rio de Janeiro-RJ,
Leia maisA Reta no Espaço. Sumário
16 A Reta no Espaço Sumário 16.1 Introdução....................... 2 16.2 Equações paramétricas da reta no espaço...... 2 16.3 Equação simétrica da reta no espaço........ 8 16.4 Exercícios........................
Leia maisUm pouco da linguagem matemática
Um pouco da linguagem matemática Laura Goulart UESB 3 de Julho de 2018 Laura Goulart (UESB) Um pouco da linguagem matemática 3 de Julho de 2018 1 / 14 Vocabulário matemático Laura Goulart (UESB) Um pouco
Leia maisCM Funções. Notas de Aula PSE Departamento de Matemática - UFPR
1. CM 128 - Funções Notas de Aula PSE 2017 Departamento de Matemática - UFPR Sumário 1 Conjuntos 4 1.1 Aula 1 - Operações entre conjuntos................................... 4 1.1.1 Conjuntos.............................................
Leia maisNotas de Algebra Linear. Eduardo Hernandez, Michelle Pierri
Notas de Algebra Linear Eduardo Hernandez, Michelle Pierri Sumário 1 Espaços Vetoriais 3 11 Exercícios 7 12 Exercicios 9 121 Interseção e Soma de Subespaços vetoriais 9 13 Exercícios 11 131 Subespaços
Leia maisApontamentos III. Espaços euclidianos. Álgebra Linear aulas teóricas. Lina Oliveira Departamento de Matemática, Instituto Superior Técnico
Apontamentos III Espaços euclidianos Álgebra Linear aulas teóricas 1 o semestre 2017/18 Lina Oliveira Departamento de Matemática, Instituto Superior Técnico Índice Índice i 1 Espaços euclidianos 1 1.1
Leia maisAPLICAÇÕES IMAGEM DIRETA - IMAGEM INVERSA. Professora: Elisandra Bär de Figueiredo
Professora: Elisandra Bär de Figueiredo APLICAÇÕES DEFINIÇÃO 1 Seja f uma relação de E em F. Dizemos que f é uma aplicação de E em F se (i) D(f) = E; (ii) dado a D(f), existe um único b F tal que (a, b)
Leia maisCDI-II. Resumo das Aulas Teóricas (Semana 5) 1 Extremos de Funções Escalares. Exemplos
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Prof. Gabriel Pires CDI-II Resumo das Aulas Teóricas (Semana 5) 1 Etremos de Funções Escalares. Eemplos Nos eemplos seguintes
Leia maisInversão de Matrizes
Inversão de Matrizes Prof. Márcio Nascimento Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Matricial - 2015.2 21 de
Leia maisAn adaptive Metropolis algorithm
An adaptive Metropolis algorithm 4 de outubro de 2018 Autores: Heikki Haario, Eero Saksman and Johanna Tamminen Apresentação: Luiza Sette C. Piancastelli, Thaís Pacheco Menezes Disciplina: Métodos Computacionais
Leia maisThaís Saes Giuliani Ribeiro. Processos de Markov discretos: exemplos voltados para o Ensino Médio
Thaís Saes Giuliani Ribeiro Processos de Markov discretos: exemplos voltados para o Ensino Médio Bauru 07 Thaís Saes Giuliani Ribeiro Processos de Markov discretos: exemplos voltados para o Ensino Médio
Leia maisAvaliação e programa de Álgebra Linear
Avaliação e programa de Álgebra Linear o Teste ( de Março): Sistemas de equações lineares e matrizes. Espaços lineares. o Teste ( de Maio): Matriz de mudança de base. Transformações lineares. o Teste (
Leia maisAPLICAÇÃO DO TEOREMA DO PONTO FIXO DE BANACH A UM PROBLEMA EM PROBABILIDADE 1
Disciplinarum Scientia. Série: Ciências Exatas, S. Maria, v.2, n.1, p.59-68, 2001 59 APLICAÇÃO DO TEOREMA DO PONTO FIXO DE BANACH A UM PROBLEMA EM PROBABILIDADE 1 APPLICATION OF BANACH FIXED POINT THEOREM
Leia maisO Teorema de Poincaré-Birkhoff-Witt
O Teorema de Poincaré-Birkhoff-Witt López Solís, Víctor Hugo; Serconek, Shirlei Instituto de Matemática e Estatística, Universidade Federal de Goiás, Campus II- Caixa Postal 131, CEP 74001-970 - Goiânia,
Leia mais