Baixe o app para aproveitar ainda mais
Prévia do material em texto
1o Prova de Processos Estoca´sticos - Graduac¸a˜o - Prof. Glauco valle 16 de Maio de 2016 1◦ Questa˜o: Considere o grafo desenhado pelo professor no quadro. Seja (Xn)n≥0 um passeio aleato´rio neste grafo. Responda: a. Monte a matriz de transic¸a˜o de (Xn)n≥0. b. (Xn)n≥0 converge em distribuic¸a˜o? Se a resposta e´ sim, qual e´ o limite? c. Calcule o tempo me´dio de primeiro retorno ao estado 2 e a proporc¸a˜o de tempo que o passeio passa no estado 1. d. Calcule o tempo me´dio de primeira visita ao conjunto {1, 2} se X0 = 3. Soluc¸a˜o: [a] No caso do passeio aleato´rio em um grafo na˜o orientado, temos que p(i, j) = { 1 grau do ve´rtice i , i conectado a j 0 , caso contra´rio . Com respeito ao grafo em questa˜o teremos como matrix de transic¸a˜o P = 0 1/2 1/2 0 1/3 0 1/3 1/3 1/3 1/3 0 1/3 0 1/2 1/2 0 . [b] Sim, pois a Cadeia de Markov e´ irredut´ıvel e aperio´dica. E´ irredut´ıvel pois todos os estados se comunicam (grafo e´ conexo). E´ aperio´dica pois p(2)(1, 1) ≥ p(1, 2) p(2, 1) = 1/6 > 0, p(3)(1, 1) ≥ p(1, 2) p(2, 3) p(3, 1) = 1/18 > 0 e mdc(2, 3) = 1. O limite e´ a u´nica distribuic¸a˜o invariante da cadeia. Neste caso, φ = (φ1, φ2, φ3, φ4) com φj = grau do ve´rtice j 2× nu´mero de arestas = grau do ve´rtice j 10 . Logo φ = (1 5 , 3 10 , 3 10 , 1 5 ) . [c] Temos que E2[T2] = 1 φ2 = 10 3 e lim n→∞ V (1, n) n = φ1 = 0.2 . [d] Transformamos 1 e 2 em um u´nico estado absorvente obtendo uma cadeia auxiliar com matrix de transic¸a˜o 1 0 02/3 0 1/3 1/2 1/2 0 . Da´ı o tempo me´dio de primeira visita ao conjunto {1, 2} na cadeia original e´ igual ao tempo me´dio ate´ absorc¸a˜o pelo estado recorrente na cadeia auxiliar. A resposta enta˜o e´ dada pela soma da primeira linha na matrix( I − ( 0 1/3 1/2 0 ))−1 = ( 1 −1/3 −1/2 1 )−1 = ( 6/5 2/5 3/5 6/5 ) Portanto, o tempo me´dio e´ 6/5 + 2/5 = 1.6. 2◦ Questa˜o: Construa um exemplo de grafo direto (fornecendo pesos para as arestas) asso- ciado a uma Cadeia de Markov na˜o convergente com 6 estados e com duas de suas classes de comunicac¸a˜o sendo transientes. Justifique a escolha. Soluc¸a˜o: O grafo na˜o estara´ dispon´ıvel aqui. Vamos listar as probabilidades de transic¸a˜o da cadeia sugerida no lugar do grafo. As probabilidades de transic¸a˜o (na˜o nulas) seriam p(1, 2) = 1 , p(2, 1) = 1 , p(3, 1) = 1/2 , p(3, 4) = 1/2 , p(4, 1) = 1/2 , p(4, 3) = 1/2 , p(5, 2) = 1/2 , p(5, 6) = 1/2 , p(6, 2) = 1/2 , p(6, 5) = 1/2 . A u´nica classe recorrente e´ R = {1, 2}. Essa classe recorrente possui per´ıodo 2, logo na˜o temos convergeˆncia da cadeia. Ale´m disso, temos outras duas classes que sa˜o transientes T1 = {3, 4} e T2 = {5, 6} (essas classes sa˜o transientes pois e´ poss´ıvel sair dessas classes e terminar em R com probabilidade positiva). 3◦ Questa˜o: Considere uma Cadeia de Markov com espac¸o de estados E = {0, 1, 2, ...} e probabilidades de transic¸a˜o p(k, 0) = 1 k + 3 , p(k, k + 1) = k + 2 k + 3 . Responda: a. Classifique a Cadeia em Recorrente positiva, nula ou transiente. b. Fornec¸a limn→∞ p(n)(l, k) para todos l, k ∈ E. Soluc¸a˜o: [a] Temos que P1(T0 > n) = P 1(Xn = n|X0 = 1) = P1(X1 = 2 , X2 = 3 , ... , Xn = n|X0 = 1) = p(1, 2) p(2, 3) ... p(n− 2, n− 1) p(n− 1, n) = 3 4 4 5 5 6 ... n n+ 1 n+ 1 n+ 2 = 3 n+ 2 para todo n ≥ 1. Como {T0 =∞} = ∩n≥1{T0 > n} (intersec¸a˜o decrescente), enta˜o P1(T0 =∞) = lim n→∞P 1(T0 > n) = lim n→∞ 3 n+ 2 = 0 . Portanto, saindo do estado 1 a cadeia visita 0 com probabilidade 1 e portanto a Cadeia de Markov e recorrente. Ainda, temos que E0[T0] = p(0, 0)E 0[T0|X1 = 0] + p(0, 1)E0[T0|X1 = 1] = 1 3 + 2 3 (1 + ∞∑ n=1 P1(T0 ≥ n)) = 1 3 + 2 3 (2 + ∞∑ n=1 3 n+ 2 ) = ∞ . Portanto a cadeia e´ recorrente nula. [b] Como a CM e´ recorrente nula lim n→∞ p (n)(l, k) = 0 ∀ l, k ∈ E . 4◦ Questa˜o: Considere o passeio aleato´rio simples em {−5,−4,−3,−2,−1, 0, 1, ...} com re- flexa˜o parcial na fronteira e com probabilidade de salto para direita igual a q. Neste caso as probabilidade de transic¸a˜o sa˜o: p(k, k + 1) = p , p(k, k − 1) = 1− p , k ≥ 1, p(0, 0) = 1− p , p(0, 1) = p . (a) Se q = 12 enta˜o qual e´ a probabilidade do passeio comec¸ar em 27 e chegar 42 antes de passar pelo estado 22? Qual e´ o tempo me´dio para o processo retornar ao estado 27? (b) Para q = 14 calcule a distribuic¸a˜o invariante do passeio aleato´rio. Soluc¸a˜o: [a] Essa probabilidade e´ igual a probabilidade do passeio comec¸ar em 5 = 27−22 e chegar em 20 = 42 − 22 antes de passar pelo 0. Pelo Problema da Ru´ına do Jogador sabemos que esta probabilidade e´ 5/20 = 1/4. Ale´m disso, o tempo me´dio de primeiro retorno a qualquer estado e´ infinito pois o passeio aleato´rio sime´trico e´ recorrente nulo. [b] A distribuic¸a˜o invariante deve satisfazer o seguinte sistema de equac¸o˜es: φ(−5) = 34φ(−5) + 34φ(−4) φ(n) = 14φ(n− 1) + 34φ(n+ 1) , n ≥ −4∑ n≥−5 φ(n) = 1 . Da´ı, temos que φ(n+ 1)− φ(n) = 1 3 (φ(n)− φ(n− 1)) = (1 3 )n+5 (φ(−4)− φ(−5)) = −2 3 (1 3 )n+5 φ(−5) . Logo φ(n) = φ(−5) + n−1∑ j=−5 (φ(j + 1)− φ(j)) = ( 1− 2 3 n−1∑ j=−5 (1 3 )j+5) φ(−5) = (1 3 )n+5 φ(−5) , onde usamos o fato de que n−1∑ j=−5 (1 3 )j+5 = n+5−1∑ l=0 (1 3 )l = 1− ( 1 3 )n+5 1− 13 . Assim 1 = ∑ n≥−5 φ(n) = Big( ∑ n≥−5 (1 3 )n+5) φ(−5) = (∑ l≥0 1 3l ) φ(−5) = 3 2 φ(−5) . Portanto, φ(−5) = 2/3 e φ(n) = 2 3n+6 , ∀ n ≥ −5 . 2o Prova de Processos Estoca´sticos - Graduac¸a˜o - Prof. Glauco valle 11 de Julho de 2016 1◦ Questa˜o: Responda verdadeiro ou falso justificando apropriadamente a resposta. (a) A Lei dos Grandes Nu´meros para varia´veis aleato´rias discretas e iid e´ uma consequeˆncia do Teorema Ergo´dico para Cadeias de Markov. (b) A distribuic¸a˜o alvo usada no me´todo de Metropolis-Hastings e´ revers´ıvel, mas pode na˜o ser invariante. Soluc¸a˜o: [a] Verdadeiro. Toda sequeˆncia de varia´veis aleato´rias discretas iid e´ uma Cadeia de Markov em equil´ıbrio. Da´ı a LLG e´ consequeˆncia direta do Teorema Ergo´dico para Cadeias de Markov. [b] Falso. Toda medida revers´ıvel e´ invariante. 2◦ Questa˜o: Uma linha de montagem industrial produz determinado tipo de pec¸a uma taxa de 3 por hora. Cada pec¸a e´ classificada, independentemente das demais, em boa, recupera´vel ou irrecupera´vel. Sabe-se que 80% das pec¸as sa˜o boas e 15% sa˜o recupera´veis. Suponha que o nu´mero de pec¸as produzidas por unidade de tempo seja um Processo de Poisson. Sejam e responda: (a) Defina Xb(t), Xr(t) e Xi(t) respectivamente como o nu´mero de pec¸as boas, recupera´veis e irrecupera´veis produzidas em [0, t]. Que tipo de processo e´ (Xb(t), Xr(t), Xi(t))t≥0? (b) Calcule P(Xi(1) = 0 , Xr(2)−Xr(1) > 0 , Xi(2)−Xi(1) > 0) e descreva em palavras o evento cuja probabilidade voceˆ calculou. (c) Dado que 20 pec¸as sa˜o produzidas em um dia, qual e´ a me´dia e variaˆncia do nu´mero de pec¸as boas? (d) Calcule a probabilidade de que entre 20 pec¸as produzidas 15 sejam boas e 3 recupera´veis. Soluc¸a˜o: [a] O nu´mero total de pec¸as produzidas e´ um Processo de Poisson de taxa λ = 3. Da´ı pela hipo´tese de independeˆncia do enunciado, (Xb(t))t≥0, (Xr(t))t≥0 e (Xi(t))t≥0 sa˜o Processos de Poisson independentes de taxas respectivamente λb = 0.8 × 3 = 2.4, λr = 0.15 × 3 = 0.45 e λi = 0.05× 3 = 0.15. Ou ainda, (Xb(t), Xr(t), Xi(t))t≥0 e´ um Processo de Poisson de 3 tipos com taxa 3 e vetor de probabilidade (pb, pr, pi) = (0.8, 0.15, 0.05). [b] Pela independeˆncia entre (Xr(t))t≥0 e (Xi(t))t≥0 e pela propriedade de incrementos inde- pendentes de (Xi(t))t≥0, temos que P(Xi(1)= 0 , Xr(2)−Xr(1) > 0 , Xi(2)−Xi(1) > 0) = = P(Xi(1) = 0) P(Xr(2)−Xr(1) > 0) P(Xi(2)−Xi(1) > 0) . ComoXi(1) ∼ Poisson(0.15), Xr(2)−Xr(1) ∼ Poisson(0.45) eXi(2)−Xi(1) ∼ Poisson(0.15), temos que o produto acima e´ igual a e−0.15 (1− e−0.45) (1− e−0.15) . O evento acima e´ o evento em que nenhuma pec¸a irrecupera´vel e´ produzida na primeira hora e pelo menos uma recupera´vel e pelo menos uma irrecupera´vel sa˜o produzidas entre a primera e segunda hora. [c] Seja N = Xb(1) +Xr(1) +Xi(1) Temos que Xb(1)|{N = 20} ∼ Bin(20, 0.8). Logo E[Xb(1)|N = 20] = 20× 0.8 = 16 e V ar[Xb(1)|N = 20] = 20× 0.8× 0.2 = 3.2 . [d] Temos que (Xb(1), Xr(1), Xi(1))|{N = 20} ∼ Multinom(20, (0.8, 0.15, 0.05). Portanto P(Xb(1) = 15, Xr(1) = 3|N = 20) = = P(Xb(1) = 15, Xr(1) = 3, Xi(1) = 2|N = 20) = 20! 15! 3! 2! 0.815 0.153 0.052 . 3◦ Questa˜o: Uma Cadeia de Markov a tempo cont´ınuo X = (X(t))t≥0 com estados em {1, 2, 3} possui cadeia discreta geradora com probabilidades de transic¸a˜o dadas por: p(1, 2) = 1 3 , p(1, 3) = 2 3 , p(2, 1) = 1 2 , p(2, 3) = 1 2 , p(3, 1) = 1 . Ale´m disso as taxas de permaneˆncia por estado sa˜o: λ1 = 3 4 , λ2 = 2, λ3 = 1. Responda: (a) Fornec¸a o gerador infinitesimal de X. (b) Calcule a distribuic¸a˜o invariante de X. (c) Qual e´ a proporc¸a˜o de tempo que a X gasta no estado 3. (d) Calcule o tempo me´dio para a cadeia visitar o estado 3 se X(0) = 2. Soluc¸a˜o: [a] O gerador infinitesimal e´ dado por A = Λ (P − I) = 3/4 0 00 2 0 0 0 1 −1 1/3 2/31/2 −1 1/2 1 0 −1 = −3/4 1/4 1/21 −2 1 1 0 −1 . [b] Precisamos encontrar o vetor de probabilidade φ = (φ1, φ2, φ3) tal que φA = (0, 0, 0). Da´ı chegamos ao sistema de equac¸o˜es φ1 4 − 2φ2 = 0 , φ1 2 + φ2 − φ3 = 0 , φ1 + φ2 + φ3 = 1 . Resolvendo o sistema obtemos φ = (8/14 , 1/14 , 5/14). [c] A proporc¸a˜o de tempo gasta no estado 3 e´ φ3 = 5/14. [d] O tempo me´dio gasto pela Cadeia para chegar no estado 3 saindo do estado 2 e´ dada pela soma da segunda linha da matriz −A˜−12 = ( 3/4 −1/4 −1 2 )−1 = ( 8/5 1/5 4/5 3/5 ) Logo o tempo me´dio em questa˜o e´ 4/5 + 3/5 = 1.4. 4◦ Questa˜o: Sejam (Yj)j≥1 varia´veis aleato´rias iid com distribuic¸a˜o dada por P (Yj = 2) = 4 7 , P (Yj = −1) = 3 7 . Seja Fn gerada por Y0, ..., Yn e defina X0 = 0 e Xn = n∑ j=1 Yj , n ≥ 1 . (a) Mostre que Mn = ( 1 2) Xn , n ≥ 1, e´ um martingal com respeito a Fn. (b) Mostre que (Mn) converge quase certamente. (c) Seja T = min{n ≥ 1 : Xn ≥ 5}. Mostre que T e´ um tempo de parada finito quase- certamente pore´m E[MT ] 6= E[M0] = 1. (Dica: para verificar que T e´ finito observe que Xn e´ um passeio aleato´rio) (d) Pelo item (c), o que podemos concluir sobre maxnE[M 2 n] (Na˜o e´ necessa´rio o ca´lculo). Soluc¸a˜o: [a] O fato de (Mn)n≥0 ser um martingal segue das propriedades abaixo. (i) Mn = ( 1 2) ∑n j=1 Yj e´ func¸a˜o de Y1,..., Yn, logo Fn-mensura´vel. (ii) Primeiro note que E [ ( 1 2 )Yn ] = ( 1 2 )2 4 7 + ( 1 2 )−1 3 7 = 1 7 + 6 7 = 1 . para todo n ≥ 1. Como Mn e´ positivo E[|Mn|] = E[Mn]. Pela independeˆncia das varia´veis Yj , j ≥ 1, temos que E[Mn] = E [ ( 1 2 )Y1 ... ( 1 2 )Yn ] = E [ ( 1 2 )Y1 ] ... E [ ( 1 2 )Yn ] = 1 . (iii) Note que Mn = Mn−1(12) Yn . Ale´m disso, por independeˆncia E [ ( 1 2 )Yn ∣∣∣Fn−1] = E[(1 2 )Yn ] = 1 . Portanto E[Mn|Fn−1] = E [ Mn−1( 1 2 )Yn ∣∣∣Fn−1] = Mn−1E[(1 2 )Yn ∣∣∣Fn−1] = Mn−1 , para todo n ≥ 1 (na segunda igualdade usamos o fato de que Mn−1 e´ Fn−1 mensura´vel. [b] Como Mn e´ um martingal positivo de me´dia 1 temos que maxnE[|Mn|] = 1 < ∞, pelo Teorema de convergeˆncia, existe M∞ tal que Mn converge quase certamente para M∞. [c] Primeiro note que T e´ finito. Para isto crie um processo (X˜n)n≥1 que salta uma unidade para direira quando (Xn)n≥1 salta duas tambe´m para direita e salta um unidade para esquerda quando (Xn)n≥1 tambe´m salta uma unidade para esquerda. Temos que (X˜n)n≥1 e´ um passeio aleato´rio simples entre vizinhos pro´ximo em Z com probabilidade de saltar para direita igual a 4/7 > 0.5. Logo (X˜n)n≥1 e´ transiente e diverge a infinito quase ccertamente. Como X˜n ≤ Xn, ∀n ≥ 1, enta˜o (X˜n)n≥1 tambe´m diverge a infinito com probabilidade 1. Logo T e´ finito quase certamente. De fato, todo passeio aleato´rio com descolamento me´dio por unidade de tempo igual maior do que zero e´ transiente para direita. No caso de (Xn)n≥1 o delocamento me´dio por unidade de tempo e´ 2× 4 7 + (−1)× 3 7 = 5 7 > 0 . Agora verificamos que T e´ tempo de parada. De fato, {T = n} = {X0 < 5 , ... , Xn−1 < 5 , Xn ≥ 5} ∈ Fn , ∀n ≥ 1 . Para terminar note que MT ≤ 2−5, por definic¸a˜o. Logo E[MT ] ≤ 2−5 < 1 = E[M0]. [d] Podemos afirmar que maxnE[M 2 n] =∞. Caso contra´rio, como E[|MT |] = E[MT ] ≤ 2−5 e P (T <∞) = 1, o Teorema de Amostragem Opcional implicaria que E[MT ] = E[M0], o que e´ falso pelo item (c). Prova Final - Graduac¸a˜o - Prof. Glauco valle 25 de Julho de 2016 1◦ Questa˜o: Uma cadeia de Markov a tempo discreto com estados {1, 2, 3, 4, 5} tem matriz de transic¸a˜o P = 0 0 2/3 1/3 0 0 0 0 0 1 0 1 0 0 0 1/4 0 1/2 0 1/4 0 0 1 0 0 . Uma cadeia de Markov a tempo cont´ınuo, (Xt)t≥0, e´ gerada pela cadeia a tempo discreto acima e tem taxas λ(1) = 3, λ(2) = 2, λ(3) = 1, λ(4) = 2, λ(5) = 1. (a) Qual e´ o gerador infinitesimal da cadeia? Se na˜o souber responder, preencha a diagonal da matriz acima com os valores −1 para resolver os itens seguintes. (b) Obtenha se existir as distribuic¸o˜es invariantes das classes recorrentes. (c) A sequeˆncia Pt = [pt(x, y)]1≤x,y≤5 converge? Em caso afirmativo, qual e´ o limite? (d) Para cada estado transiente, calcule o tempo me´dio ate´ a cadeia ser absorvida por uma classe recorrente. Soluc¸a˜o: [a] O gerador infinitesimal da cadeia e´ A = −3 0 2 1 0 0 −2 0 0 2 0 1 −1 0 0 1/2 0 1 −2 1/2 0 0 1 0 −1 . [b] A cadeia possui uma classe recorrente R = {2, 3, 5} e uma classe transiente {1, 4}. O gerador restrito a classe recorrente e´ dado por Aˆ = −2 0 21 −1 0 0 1 −1 . A distribuic¸a˜o invariante sera´ dada por φ = (φ2, φ3, φ5) que satisfaz φ2 + φ3 + φ5 = 1 e φAˆ = (0, 0, 0). Da´ı obtemos que φ3 = φ5 = 2φ2 o que resulta em φ = ( 1 5 , 2 5 , 2 5 ) . [c] Sim, pois toda cadeia a tempo cont´ınuo finita converge. Neste caso como so´ temos uma classe recorrente a cadeia converge para distribuic¸a˜o invariante desta classe recorrente, ou seja lim t→∞Pt = 0.2 0.4 0.4 0 0 0.2 0.4 0.4 0 0 0.2 0.4 0.4 0 0 0.2 0.4 0.4 0 0 0.2 0.4 0.4 0 0 . [d] Agrupamos os estados recorrentes e consideramos uma cadeia auxiliar com um u´nico estado recorrente e dois estados transiente, 1 e 4. O tempo me´dio ate´ a cadeia ser absorvida pela classe recorrente, sera´ igual ao tempo de primeira passagem pelo estado recorrente na cadeia auxiliar. Estes tempos sa˜o dados pelas somas das linhas da matriz −A˜−1 onde A˜ e´ a restric¸a˜o de A aos estados 1 e 4 (ou seja, obtida ao removermos linhas e colunas referentes aos estados 2,3 e 5, ou remover linha e coluna referente ao estado recorrente no gerador da cadeia auxiliar). Assim −A˜−1 = ( 3 −1 −1/2 2 )−1 = ( 4/11 2/11 1/11 6/11 ) . Assim, o tempo me´dio para a cadeia comec¸ando em 1 ser absorvida e´ 6/11, e comec¸ando em 4 e´ 7/11. 2◦ Questa˜o: Seja (Yj)j≥1 uma sequeˆncia iid de varia´veis aleato´rias na˜o negativas tais que P (Yj = 2) = 1 3 e P ( Yj = 1 2 ) = 2 3 . (a) Mostre que Xn = ∏n j=1 Yj e´ um martingal com respeito a Fn gerada por Y1,..., Yn. (b) Enuncie o Teorema de convergeˆncia para martingais e mostre que Xn converge quasecertamente. (c) Verifique que E[log(Yj)] < 0 e use este fato para provar que Xn converge para 0. Soluc¸a˜o: [a] Segue das treˆs propriedades a seguir: (i) Primeiro note que E[Yj ] = 2× 1 3 + 1 2 × 2 3 = 1 . Da´ı E[|Xn|] = E[Xn] = n∏ j=1 E[Yj ] = 1 , ∀ n ≥ 1. (ii) Xn e´ func¸a˜o de Y1,..,Yn, portanto e´ Fn-mensura´vel. (iii) Temos que E[Xn+1|Fn] = E[XnYn+1|Fn] = XnE[Yn+1|Fn] = XnE[Yn+1] = Xn , onde a segunda igualdade e´ pelo fato de Xn ser Fn mensura´vel e a terceira e´ pelo fato dos Yj ’s serem independentes. [b] Teorema de convergeˆncia: Se Xn e´ um martingal tal que maxn≥1E[|Xn|] <∞, enta˜o Xn converge quase certamente. Por (i) na verificac¸a˜o no item (a), temos que maxn≥1E[|Xn|] = 1. Logo a hipo´tese do Teorema de convergeˆncia e´ satisfeita e Xn converge quase certamente. [c] Temos que E[log(Yj)] = log(2)× 1 3 + log ( 1 2 )× 2 3 = log(2) 1 3 − log(2)× 2 3 = − log(2)1 3 < 0 , (tambe´m poderia ser usada a concavidade estrita do logar´ıtmo ou a desigualdade de Jensen). Logo, pela Lei Forte dos Grandes Nu´meros, temos que 1 n n∑ j=1 log(Yj)→ E[log(Y1)] < 0 , quase certamente. Assim Xn = e n( 1 n ∑n j=1 log(Yj)) → 0 , quase certamente. 3◦ Questa˜o: Um banco mante´m 4 guicheˆs de atendimento em funcionamento. O tempo me´dio de atendimento e´ de 5 minutos. Clientes chegam ao banco a uma taxa de 1/2 por minuto. Seja (Xt)t≥0 o processo que conta o nu´mero de clientes no banco esperando atendimento por unidade de tempo. Responda: (a) Que tipo de processo e´ (Xt)t≥0? (fornec¸a os pareˆmetros se houver) (b) Mostre que (Xt)t≥0 converge quando t→∞ e calcule a distribuic¸a˜o limite. (c) Calcule a proporc¸a˜o de tempo que o banco permanece sem clientes esperando atendi- mento. Soluc¸a˜o: [a] E´ uma Fila M/M/4 com taxa de chegada 1/2 e servic¸o 1/5. [b] Como 12 < 4 5 =taxa ma´xima de servic¸o, a fila e´ recorrente positiva. Logo o processo converge em distribuic¸a˜o para sua u´nica distribuic¸a˜o invariante. Precisamos encontrar a dis- tribuic¸a˜o invariante. Esta fila e´ um processo de nascimento e morte com taxas de nascimento αn = 1/2 e taxas de morte µn = n/5 para n = 1, 2, 3 e µn = 4/5 se n ≥ 4. A distribuic¸a˜o invariante e´ dada por φn = φ0 α0 ... αn−1 µ1 ... µn = φ0 1 n! 5n 2n , n = 1, 2, 3 , φ0 5n 48×8n−3 , n ≥ 1 . onde φ0 = ( 1 + ∞∑ n=1 α0 ... αn−1 µ1 ... µn )−1 = ( 1 + 5 2 + 25 8 + 125 48 + 125 48 ∑ n≥3 (5 8 )n−3 )−1 = 144 2329 . [c]A proporc¸a˜o de tempo sem clientes e´ φ0 calculado no item anterior. 4◦ Questa˜o: Seja (N(t))t≥0 um processo de Poisson com taxa λ. Seja Sn o tempo ate´ a ocorreˆncia do n-e´simo evento. Calcule: (a) Var[S4]. (b) E[S4 |N(1) = 2] . (c) Var[N(4)−N(2) |N(1) = 2] . (d) Cov(N(2), N(4)). Soluc¸a˜o: [a] Temos que S4 ∼ Gama(4, λ). Portanto V ar(S4) = 4 λ2 . [b] Pela propriedade de perda de memo´ria da exponencial temos que S4|{N(1) = 2} ∼ 1 +S2, ale´m disso S2 ∼ Gama(2, λ). Portanto E[S4 |N(1) = 2] = 1 + E[S2] = 1 + 2 λ . [c] Pela propriedade de incrementos independentes Var[N(4)−N(2) |N(1) = 2] = Var[N(4)−N(2)] . Pela propriedade de incrementos estaciona´rios Var[N(4)−N(2)] = Var[N(2)] = 2λ , onde a u´ltima igualdade segue de N(2) ∼ Poisson(λ). [d] Como a covariaˆncia e´ bilinear Cov(N(2), N(4)) = Cov(N(2), (N(4)−N(2))+N(2)) = Cov(N(2), N(2))+Cov(N(2), N(4)−N(2)) . Pela propriedade de incrementos independentes N(2) e N(4)−N(2) sa˜o independentes, logo Cov(N(2), N(4)−N(2)) = 0. Portanto Cov(N(2), N(4)) = Var(N(2)) = 2λ .
Compartilhar