Baixe o app para aproveitar ainda mais
Prévia do material em texto
1/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Cadeias de Markov e Random Walks Alana de Santana Correia Deyvison N. Rodrigues IC - Unicamp 06/2019 2/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Sumário 1 Introdução 2 Definições e Conceitos 3 Classificação de Estados 4 Distribuições Estacionárias 5 Random Walks 6 Paradoxo de Parrondo 3/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Introdução Um Processo Estocástico é uma coleção de variáveis aleatórias (Xt), que são indexadas por um índice t, sendo que esse índice geralmente é o tempo. 4/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Introdução Exemplo de Processo Estocástico: Condição do solo no início de cada mês durante o período de um ano. Xt = 1, muitobom 2, regular 3, ruim (1) t = 1, 2, 3, ... (2) Temos um processo estocástico X0,X1,X1, ...,X12 quando a cada instante de tempo a variável aleatória pode assumir valores diferentes. 5/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Introdução Classificação de Processos Estocásticos: Discreto Contínuo Estado os valores de Xt são enumeráveis ou finitos caso contrário Parâmetro t t é finito ou enumerável caso contrário Exemplos: 1 Número de usuários em uma fila de banco: Estado Discreto e Tempo contínuo. 6/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Introdução Várias aplicações: 1 Física 2 Química 3 Reconhecimento de Fala 4 Teoria de Filas 5 Aplicações de internet 6 Economia e finanças 7 Biologia 8 Genética 9 Jogos 7/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Introdução Alguns tipos de Processos Estocásticos: 1 Processo Independente 2 Processo de Poisson 3 Processos de Markov 8/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Processos de Markov Propriedade da perda de memória (propriedade de Markov); Definição 7.1 Dada uma sequência de variáveis aleatórias X0,X1,X2, ...,Xt um processo é markoviano se Pr = (Xt = at |Xt−1 = at−1,Xt−2 = at−2,Xt−3 = at−3, ...,X0 = a0) = Pr(Xt = at |Xt−1 = at−1) = Pat−1,at Se o tempo é discreto esse processo é chamado de cadeia de markov; A propriedade de Markov não implica que Xt é independente da sequência de variáveis aleatórias X0,X1,X2, ...,Xt−2; 9/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Processos de Markov Representação das cadeias de Markov 1 2 3 0.5 0.5 10.5 0.2 0.3 10/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Processos de Markov Representação Matemática: Matriz de Transição: P = P0,0 P0,1 ... P0,j ... P1,0 P1,1 ... P1,j ... ... ... . . . ... ... Pi ,0 Pi ,1 ... Pi ,j ... ... ... . . . ... . . . Vetor de Probabilidade: p̂(t) = (p0(t), p1(t), p2(t), ...) 11/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Processos de Markov 1 2 3 0.5 0.5 10.5 0.2 0.3 Matriz de Transição: P = 0.2 0.5 0.30 0.5 0.5 0 0 1 Vetor de Probabilidade: p̂(0) = (1, 0, 0) 12/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Processos de Markov Predições futuras utilizando a representação gráfica Qual a probabilidade da condição do solo ser boa no mês três sabendo que inicialmente p̂(0) = (1, 0, 0)? 1 2 3 0.5 0.5 10.5 0.2 0.3 Só existe um caminho possível: 1-1-1 p̂1(3) = 1 ∗ 0.2 ∗ 0.2 ∗ 0.2 = 0.0080 13/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Processos de Markov Qual seria a condição do solo no mês 4? p(1) = p(0)P p(2) = p(1)P p(3) = p(2)P p(4) = p(3)P ... p(4) = p(0)P4 Para estimar a condição futura de um sistema modelado por uma cadeia de Markov é suficiente conhecer apenas a distribuição de probabilidade inicial e a matriz de transição. p̂(t + m) = p̂(t)Pm 14/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo ALGORITMO 2-SAT Simplificação do algoritmo SAT (NP-difícil); Algoritmo SAT Determinar se existe um conjunto de valores para variáveis boolea- nas de uma determinada fórmula booleana tal que esse conjunto de valores satisfaça uma fórmula booleana do tipo: (x1 ∨ x3 ∨ x4... ∨ xn) ∧ (x2 ∨ x4 ∨ x5... ∨ xn) As variáveis booleanas são literais Uma disjunção de literais é chamada cláusula Algoritmo 2-SAT A entrada possui apenas 2 literais por cláusula: (x1 ∨ x2) ∧ (x1 ∨ x3) ∧ (x1 ∨ x2) ∧ (x4 ∨ x3) ∧ (x4 ∨ x1) 15/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo ALGORITMO 2-SAT 1 início 2 u ← atribuição arbitrária 3 para j ← 1 até 2mn2 faça 4 se u satisfaz φ então 5 retorna o algoritmo é satisfatível 6 fim 7 Escolhe uma cláusula de φ não satisfeita por u 8 Escolhe com probabilidade uniforme um dos literais da cláusula não satisfeita u(x)← u(x) 9 fim 10 se u satisfaz φ então 11 retorna o algoritmo é satisfatível 12 fim 13 senão 14 retorna o algoritmo não é satisfatível 15 fim 16 fim 16/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo ALGORITMO 2-SAT Lemma 7.1 Supondo que uma fórmula 2-SAT com n variáveis tenha uma atri- buição satisfatória e que o algoritmo 2-SAT possa ser executado até encontrar essa atribuição. Então, o número esperado de passos até que o algoritmo encontre uma atribuição é no máximo n2. 17/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo ALGORITMO 2-SAT Modelar o problema como uma cadeia de Markov: Xi = 0 nenhuma variável e igual conjunto S 1 uma variável e igual conjunto S ... ... n todas as variáveis são iguais ao conjunto S 0 1 ... p = ??? p = ??? 2 p = ??? p = ??? n p = ???p = ??? p = ??? 18/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo ALGORITMO 2-SAT Modelar o problema como uma cadeia de Markov: Conjunto S Definir as probabilidades condicionais Primeiro caso (Xi = 0): Pr(Xi+1 = 1|X0 = 0) = 1 Segundo caso (Xi > 0): Pr(Xi+1 = j + 1|Xi = j) > 12 Pr(Xi+1 = j − 1|Xi = j) 6 12 Problema não é completamente Markoviano 19/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo ALGORITMO 2-SAT Geração de uma versão pessimista do processo estocástico X0,X1,X2, ...: Y0 = X0 Pr(Yi+1 = 1|Y0 = 0) = 1 Pr(Yi+1 = j + 1|Yi = j) = 12 Pr(Yi+1 = j − 1|Yi = j) = 12 20/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo ALGORITMO 2-SAT O que queremos encontrar é o número esperado de passos do algo- ritmo saindo de um estado j até o estado n (hj). hn = 0 h0 = h1 + 1 E [Zj ] = E [ 1 2(1 + Zj−1) + 1 2(1 + Zj+1)] hj = hj−1+1 2 + hj+1+1 2 = hj−1 2 + hj+1 2 + 1 21/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo ALGORITMO 2-SAT Resolvendo o sistema de equações para hj . hj = n2−(j−1)2 2 + n2−(j+1)2 2 + 1 = n 2 − j2 h0 = (n 2 − 1) + 1 = n2 22/58 Introdução Definiçõese Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo ALGORITMO 2-SAT Teorema 7.2 O algoritmo 2-SAT sempre retorna uma resposta correta quando a fórmula é insatisfatível. Se a fórmula é satisfatível, então com probabilidade de pelo menos 1−2m que a fórmula é satisfatível. Caso contrário, ele retorna incorretamente que a fórmula é insatisfatível. 23/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo ALGORITMO 2-SAT Usando a desigualdade de Markov: Pr(Z > 2n2) 6 n 2 2n2 = 1 2 Então a probabilidade do algoritmo falhar após m iterações é (1 2 )m. 24/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Classificação de Estados Analisar o comportamento a longo prazo; Definição 7.2 O estado j é acessível a partir do estado i , se para algum n > 0, temos que Pni ,j > 0. Se dois estados i e j são acessíveis um ao outro, dizemos que eles se comunicam (i ↔ j) 25/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Classificação de Estados Comunicação define uma relação de equivalência; 1 Reflexivo: Para qualquer estado i , temos que i ↔ i ; 2 Simétrico: Se i ↔ j , então j ↔ i ; 3 Transitivo: Se i ↔ j e j ↔ k , então i ↔ k ; A relação de comunicação particiona os estados em classes de equivalências disjuntas. 26/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Classificação de Estados Definição 7.3 Uma cadeia de Markov é irredutível se todos os estados pertence a uma classe de comunicação. Fortemente conexo; A partir de um estado, posso chegar em qualquer outro da mesma classe. 27/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Classificação de Estados Seja r ti ,j a probabilidade de que iniciando no estado i , a primeira transição para o estado j , ocorra no tempo t. r ti ,j = Pr(Xt = j , e para 1 ≤ s ≤ t − 1,Xs 6= j | X0 = 1) 28/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Classificação de Estados Definição 7.4 Um estado i é recorrente se ∑ t≥1 r ti ,i = 1; Um estado i é transiente se ∑ t≥1 r ti ,i < 1; 28/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Classificação de Estados Definição 7.4 Um estado i é recorrente se ∑ t≥1 r ti ,i = 1; Um estado i é transiente se ∑ t≥1 r ti ,i < 1; 28/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Classificação de Estados Definição 7.4 Um estado i é recorrente se ∑ t≥1 r ti ,i = 1; Um estado i é transiente se ∑ t≥1 r ti ,i < 1; Se um estado em uma classe de comunicação é transiente(respectivamente recorrente), então todos os estados daquela classe são transiente(respectivamente recorrente). 29/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Classificação de Estados Seja hi ,j o tempo esperado alcançar j de um estado i ; hi ,j = ∑ t≥1 t · r ti ,j Definição 7.5 Um estado recorrente i é positivo recorrente se hi ,i < ∞. Caso contrário é nulo recorrente. 30/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Classificação de Estados Estados são os positivos inteiros; O estado i tem probabilidade de ir para o estado i + 1 de ii+1 ; O estado i tem probabilidade de ir para o estado 1 de 1i+1 . 1 2 3 4 ... 1 2 2 3 3 4 1 2 13 1 4 31/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Classificação de Estados A probabilidade de não ter voltado para o estado 1 em t passos: t∏ j=1 j j + 1 = 1 t + 1 então temos que o estado 1 é recorrente: r t1,1 = 1 t(t + 1) 32/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Classificação de Estados Número esperados de passos até retornar para o estado 1 é: ht1,1 ∞∑ t=1 t · r t1,1 = ∞∑ t=1 1 t + 1 , que é ilimitado, logo o estado 1 é recorrente nulo. Lema 7.5: Em uma cadeia finita de Markov 1 Ao menos um estado é recorrente; 2 Todos os estados recorrentes são positivos recorrentes. 33/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Exemplo: Ruína do Jogador Quando se tem mais de uma classe de estados recorrente, estamos interessados em na probabilidade do processo entrar e ser absorvido em uma dada classe de comunicação. Jogo de apostas justas entre dois jogadores; Estados do jogador 1 no tempo t; L1 e L2; estado inicial é 0; −L1 e L2 são estados recorrentes; 34/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Exemplo: Ruína do Jogador lim t→∞ Pti = 0, ∀i : −L1 < i < L2 Seja q a probabilidade do jogador 1 vencer o jogo, então: lim t→∞ PtL2 = q. Seja W t o ganho do jogador 1 após t passos, então temos que: E [W t ] = 0; e lim t→∞ E [W t ] = L2q − L1(1− q); ento q = L1 L1 + L2 35/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Distribuições Estacionárias Dada a matriz Pn para m = 1. P1 = 0.080 0.184 0.368 0.368 0.632 0.368 0 0 0.264 0.368 0.368 0 0.080 0.184 0.368 0.368 36/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Distribuições Estacionárias Dada a matriz Pn para m = 2. P2 = 0.249 0.286 0.300 0.165 0.283 0.252 0.233 0.097 0.351 0.319 0.233 0.097 0.249 0.286 0.300 0.165 37/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Distribuições Estacionárias Dada a matriz Pn para m = 8. P8 = 0.286 0.285 0.264 0.166 0.286 0.285 0.264 0.166 0.286 0.285 0.264 0.166 0.286 0.285 0.264 0.166 38/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Distribuições Estacionárias Figura 1: Comportamento do vetor de probabilidade dos estados. 39/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Distribuições Estacionárias Definição Uma distribuição estacionária (também chamada de distribuição de equiblíbrio) π̂ ocorre quando π̂(t + 1) = π̂(t)P = π̂(t) 40/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Distribuições Estacionárias Teorema Se a cadeia de Markov é finita, irredutível e ergódica ela apresenta as seguintes propriedades: a cadeia apresenta uma única distribuição estacionária π̃ = (π0, π1, π2, ..., πn); Para todo j e i o limt→∝Ptj ,i existe e ela é independente de j; πi = limt→∝P t j ,i = 1 hi,i 41/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Distribuições Estacionárias Modelo On-Off A distribuição é estacionária? 1 2 1-p p 1-q q 42/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Distribuições Estacionárias Modelo On-Off A distribuição é estacionária? πi = ∑ j πjPj ,i∑ i πi = 1 π1 = π1P1,1 + π2P2,1 = (1− p)π1 + qπ2 π2 = π1P1,2 + π2P2,2 = pπ1 + (1− q)π2 π1 + π2 = 1 π1 = q q+p , π2 = p q+p 43/58 Introdução Definições e Conceitos Classificação de Estados DistribuiçõesEstacionárias Random Walks Paradoxo de Parrondo Distribuições Estacionárias Modelo On-Off A distribuição é estacionária? π1P1,2 = π2P2,1 qp q+p = pq q+p 44/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Distribuições Estacionárias Reversibilidade no tempo Teorema Seja S um conjunto de estados de uma cadeia de Markov finita, irredutível e aperiódica. Na distribuição estacionária, a probabilidade de que a cadeia saia do conjunto S é igual à probabilidade de entrar em S. 45/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Distribuições Estacionárias Teorema Considerando uma cadeia de Markov finita, irredutível e ergódica com uma matriz de transição P. Se π = (π0, π1, ..., πn) é um vetor não negativo, tal que ∑n i=0 = 1, para qualquer par de estados i, j πiPi ,j = πjPj ,i a distribuição πi é estacionária. 46/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Random Walks Seja G = (V ,E ) um grafo finito, não direcionado e conectado. Um Random Walk (passeio aleatório) em G é uma cadeia de Markov definida pela sequência de movimentos de uma partícula entre os vértices de G; Neste processo, o lugar da partícula em um dado intervalo de tempo é o estado do sistema. Se o vértice i tem grau d(i), então a probabilidade da partícula utilizar a aresta (i , j) e mover-se até o estado j é de 1d(i) . 47/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Random Walks Teorema 7.13 Um Random Walk em G convergem em um estado estacionário com π̃, onde : πv = d(v) 2|E | 48/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Random Walks Prova: Como ∑ v∈V d(v) = 2|E |∑ v∈V πv = ∑ v∈V d(v) 2|E | = 1 Seja P a matriz de probabilidade de transição de uma cadeia de Markov, Seja N(v) representando os vizinhos de v . A relação π̃ = π̃P é equivalente a: πv = ∑ v∈N(v) d(u) 2|E | 1 d(u) = d(v) 2|E | 49/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Random Walks hu,v Tempo de atingir v a partir de u; hu,v + hv ,u Tempo de comutação entre u e v ; Tempo de cobertura. Definition 7.10 O tempo de cobertura em um grafo G = (V ,E ) é, entre todos os vértices v ∈ V , o maior valor esperado para visitar todos os outros vértices por um Random Walk a partir de v . 50/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Random Walks Lema 7.15 O tempo de cobertura de um G = (V ,E ) é limitado por cima por 2|E |(V − 1). (Ideia) Cria uma Arvore geradora, e olha os ciclos Eulerianos. Lema 7.16 O tempo de cobertura de um G = (V ,E ), com n vértcies é limitado por cima por H(n − 1). (Ideia) Semelhante ao coletor de cupons. 51/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo s-t Conectividade Dado um grafo G = (V ,E ) e dois vértices s e t, queremos determinar se existe caminho entre s e t Conectividade entre s e t. BFS; DFS; Ω(n) espaço; 52/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo s-t Conectividade Algoritmo 1: Algoritmo s-t conectividade 1 início 2 Inicia um Random Walk em s 3 Se o passeio alcançar t, em 2n3 retorna que existe um caminho, Caso contrário retorne que não existe caminho. 4 fim O(log n) de bits de memória; Usa o lema 7.16 para limitar o número de passos. 53/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Paradoxo de Parrondo Contradiz o ditado que dois erros não formam um acerto; Demonstra que dois jogos perdedores podem ser combinados para formar um jogo vencedor. Jogo A, joga uma moeda a não justa, que torna cara com probabilidade pa < 12 O jogador ganha um Dollar se a moeda se tornar cara; 54/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Paradoxo de Parrondo Jogo B , jogador tem duas moedas, b e c ; A moeda jogada, depende de como você está indo no jogo; w e l o número de vitórias e derrotas, respectivamente; w − l representa o lucro; Se o lucro é um múltiplo de 3, então joga a moeda b, com probabilidade pb, caso contrário joga a moeda c com probabilidade pc ; 55/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Paradoxo de Parrondo A moeda b dá cara com pb = 0.09 e a moeda c dá cara com pc = 0.74; No primeiro olhar, parece que o jogo é vantajoso; w = 1 3 + 9 100 + 2 3 74 100 = 157 300 > 1 2 . 56/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Paradoxo de Parrondo A moeda b NÃO é usada 1/3 do tempo ! −3 −2 −1 0 +1 +2 +3 Também é um jogo desvantajoso para o jogador; 57/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Paradoxo de Parrondo Se combinar os dois jogos (ABBABB . . . ) temos paradoxalmente, um jogo vencedor; Combinando os dois jogos para que mude para o joga A quando for múltiplo de 3; Linearidade da esperança ainda é válida. 58/58 Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo Pergunta Qual a propriedade necessária para que um processo estocástico seja considerado um processo markoviano? Explique. Introdução Definições e Conceitos Classificação de Estados Distribuições Estacionárias Random Walks Paradoxo de Parrondo
Compartilhar