Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Cadeias de Markov em Tempo Discreto Mauro C. M. Campos SUMA´RIO I Processos estoca´sticos em tempo discreto 1 II Cadeias de Markov e a propriedade de Markov 2 III Func¸a˜o de transic¸a˜o e distribuic¸a˜o inicial 2 IV Func¸a˜o de transic¸a˜o em m-passos e distribuic¸o˜es marginais 3 V Classificac¸a˜o dos estados em transientes e recorrentes 3 VI Estrutura de classes e a decomposic¸a˜o do espac¸o de estados 5 VII Distribuic¸o˜es estaciona´rias 7 VIII Nu´mero me´dio de visitas a um estado 7 IX Subclassificac¸a˜o dos estados recorrentes em nulos e positivos 8 X Condic¸a˜o de existeˆncia de distribuic¸o˜es estaciona´rias e condic¸a˜o de unicidade 8 XI Convergeˆncia para a distribuic¸a˜o estaciona´ria 8 XII Cadeias de Markov finitas: resumo dos resultados 8 XIII I´ndice de notac¸o˜es 9 Refereˆncias 9 OBS.: Notas de aula. Em 6 de junho de 2010. I. PROCESSOS ESTOCA´STICOS EM TEMPO DISCRETO Definic¸a˜o 1 (Processo estoca´stico em tempo discreto). Seja ϕ um conjunto. Um processo estoca´stico em tempo discreto em ϕ e´ uma sequeˆncia (Xn)n≥0 de varia´veis aleato´rias (va.a’s) tal que Xn assume valores em ϕ para todo n ≥ 0. O conjunto ϕ e´ chamado de espac¸o de estados e cada um de seus elementos e´ chamado de estado. Comenta´rio 1. Probabilidades que ocorrem na teoria de processos estoca´sticos em tempo discreto dependem das probabilidades P (i0, i1, . . . , in) = Pr(X0 = i0, X1 = i1, . . . , Xn = in) (1) para todo n ≥ 0 e i0, i1, . . . , in ∈ ϕ. E´ possı´vel calcular (1) conhecendo: • a distribuic¸a˜o de X0, P (i0) = Pr(X0 = i0) • e as probabilidades de transic¸a˜o, – P (i1|i0) = Pr(X1 = i1|X0 = i0) – P (i2|i0, i1) = Pr(X2 = i2|X0 = i0, X1 = i1) – ... – P (in|i0, . . . , in−1) = Pr(Xn = in|X0 = i0, . . . , Xn−1 = in−1). Departamento de Estatı´stica, Universidade Federal do Espı´rito Santo UFES. Av. Fernando Ferrari 514, Goiabeiras, CEP 29075-910, Vito´ria ES. 2 Isso porque P (i0, i1, . . . , in) = P (i0)P (i1|i0)P (i2|i0, i1) · . . . · P (in|i0, . . . , in−1). (2) Definic¸a˜o 2 (Me´dia, variaˆncia e correlac¸a˜o). Descrevemos o valor me´dio, a variabilidade e a estrutura de correlac¸a˜o de um processo estoca´stico em tempo discreto atrave´s das seguintes func¸o˜es: 1) A func¸a˜o me´dia do processo e´ definida por µn := E(Xn) n = 0, 1, 2, . . . . (3) 2) A func¸a˜o variaˆncia do processo e´ definida por σ2n := Var(Xn) = E(X 2 n)− µ2n n = 0, 1, 2, . . . . (4) 3) A func¸a˜o de autocovariaˆncia do processo e´ definida por γm,n := Cov(Xm, Xn) = E(XmXn)− µmµn m,n = 0, 1, 2, . . . . (5) 4) A func¸a˜o de autocorrelac¸a˜o do processo e´ definida por %m,n := γm,n√ σ2mσ 2 n m,n = 0, 1, 2, . . . . (6) Comenta´rio 2. Observe que: • σ2n = γn,n para todo n • γm,n = γn,m para todo par m,n • %m,n = %n,m para todo par m,n. II. CADEIAS DE MARKOV E A PROPRIEDADE DE MARKOV Nessa sec¸a˜o, ϕ representa um conjunto finito ou enumera´vel. Definic¸a˜o 3 (Cadeia de Markov). Nessa sec¸a˜o estudaremos processos em tempo discreto com a propriedade que dado o estado presente, os estados passados na˜o influenciam o estado futuro. Essa propriedade e´ conhecida como propriedade de Markov e um processo satisfazendo tal regra e´ chamado de cadeia de Markov (CM). Formalmente, um processo estoca´stico em tempo discreto (Xn)n≥0 com espac¸o de estados ϕ e´ uma CM (em tempo discreto) em ϕ se Pr(Xn+1 = j|X0 = i0, . . . , Xn−1 = in−1, Xn = i) = Pr(Xn+1 = j|Xn = i) (7) para todo n ≥ 0 e i0, . . . , in−1, i, j ∈ ϕ. A equac¸a˜o (7) define precisamente a propriedade de Markov. Definic¸a˜o 4 (CM finita). (Xn)n≥0 e´ uma CM finita se o espac¸o de estados ϕ e´ finito. Definic¸a˜o 5 (CM homogeˆnea). (Xn)n≥0 e´ uma CM homogeˆnea se Pr(Xn+1 = j|Xn = i) = Pr(X1 = j|X0 = i) (8) para todo n > 0 e i, j ∈ ϕ. Daqui pra frente qualquer discussa˜o sobre CM’s, fica subentendido que as cadeias sa˜o homogeˆneas. III. FUNC¸A˜O DE TRANSIC¸A˜O E DISTRIBUIC¸A˜O INICIAL Seja (Xn)n≥0 uma CM em ϕ (ou seja, uma CM com espac¸o de estados ϕ). Definic¸a˜o 6 (Func¸a˜o de transic¸a˜o). A func¸a˜o P : ϕ× ϕ→ [0, 1] definida por Pij = Pr(X1 = j|X0 = i) (9) representa a func¸a˜o de transic¸a˜o da cadeia. Segue imediatamente da definic¸a˜o que 1) Pij ≥ 0 para todo i, j ∈ ϕ 2) ∑ j∈ϕ Pij = 1 para todo i ∈ ϕ. Ale´m disso, segue das equac¸o˜es (7) e (8) que Pij = Pr(Xn+1 = j|X0 = i0, . . . , Xn−1 = in−1, Xn = i). (10) Portanto, se a cadeia esta´ no estado i no tempo n, enta˜o na˜o importa como ela chegou em i, a cadeia possui probabilidade Pij de visitar o estado j no tempo n+ 1. Definic¸a˜o 7 (Distribuic¸a˜o inicial). A func¸a˜o pi(0) : ϕ→ [0, 1] definida por pi (0) i = Pr(X0 = i) (11) 3 representa a distribuic¸a˜o inicial da cadeia. Novamente, segue da definic¸a˜o que 1) pi(0)i ≥ 0 para todo i ∈ ϕ 2) ∑ i∈ϕ pi (0) i = 1. Teorema 1 (Distribuic¸o˜es finito-dimensionais de uma CM). Seja (Xn)n≥0 uma CM em ϕ com func¸a˜o de transic¸a˜o P e distribuic¸a˜o inicial pi(0). Enta˜o Pr(X0 = i0, . . . , Xn = in) = pi (0) i0 Pi0,i1Pi1,i2 · . . . · Pin−1,in (12) para todo n > 0 e i0, . . . , in ∈ ϕ. IV. FUNC¸A˜O DE TRANSIC¸A˜O EM m-PASSOS E DISTRIBUIC¸O˜ES MARGINAIS Seja (Xn)n≥0 uma CM em ϕ com func¸a˜o de transic¸a˜o P e distribuic¸a˜o inicial pi(0), e seja m um inteiro na˜o-negativo. Definic¸a˜o 8 (Func¸a˜o de transic¸a˜o em m-passos). A func¸a˜o P (m) : ϕ× ϕ→ [0, 1] definida por P (m) ij = Pr(Xn+m = j|Xn = i) h.h.= Pr(Xm = j|X0 = i) (13) representa a func¸a˜o de transic¸a˜o em m-passos da cadeia. Em particular P (0) ij = { 0 se i 6= j 1 se i = j, (14) e P (1) = P . Teorema 2 (Equac¸o˜es de Chapman-Kolmogorov). Considere n,m ≥ 0 e i, j ∈ ϕ. Enta˜o P (n+m) ij = ∑ k∈ϕ P (n) ik P (m) kj . (15) Ale´m disso, segue da equac¸a˜o (15) que P (m) ij = ∑ k∈ϕ PikP (m−1) kj = ∑ k1∈ϕ · · · ∑ km−1∈ϕ Pi,k1Pk1,k2 · . . . · Pkm−1,j . (16) Teorema 3 (Distribuic¸o˜es marginais). Considere n > 0 e j ∈ ϕ. Enta˜o pi (n) j = Pr(Xn = j) = ∑ i∈ϕ pi (0) i P (n) ij . (17) De forma alternativa, temos que pi (n) j = Pr(Xn = j) = ∑ i∈ϕ pi (n−1) i Pij . (18) Comenta´rio 3. E´ importante ressaltar que e´ possı´vel pensar em pi(n) e P (n), n ≥ 0, como vetores e matrizes em ϕ e ϕ × ϕ respectivamente. Nesse caso, podemos ver que P (n) = Pn = P · · ·P (n vezes). Ale´m disso, na notac¸a˜o matricial, as equac¸o˜es (15), (17) e (18) podem ser escritas como: • P (n+m) = Pn+m = PnPm = P (n)P (m), onde n,m ≥ 0 • pi(n) = pi(0)Pn, onde n ≥ 0 • pi(n) = pi(n−1)P , onde n > 0. A equac¸a˜o pi(n) = pi(n−1)P permite interpretar a matriz P como um operador linear que atua no espac¸o das distribuic¸o˜es de probabilidade em ϕ, atualizando a distribuic¸a˜o marginal da cadeia a cada passo n > 0. V. CLASSIFICAC¸A˜O DOS ESTADOS EM TRANSIENTES E RECORRENTES Seja (Xn)n≥0 uma CM em ϕ com func¸a˜o de transic¸a˜o P e sejam i e j estados na˜o necessariamente distintos. Definic¸a˜o 9. Seja Tj uma va.a. definida por Tj = min{n > 0;Xn = j} (19) se Xn = j para algum n > 0 e por Tj = ∞ se Xn 6= j para todo n > 0. Em palavras, Tj representa o tempo da primeira visita ao estado j. Em particular, se o estado inicial da cadeia e´ j, enta˜o Tj representa o tempo do primeiro retorno a j. Ale´m disso, seja ρij = Pr(Tj <∞|X0 = i) (20) 4 a probabilidade da cadeia visitar o estado j em algum tempo finito, dado que ela comec¸ou no estado i. Em particular, ρjj denota a probabilidade da cadeia retornar a j em algum tempo finito, dado que ela comec¸ou no estado j. Definic¸a˜o 10 (I Crite´rio para classificac¸a˜o dos estados). Um estado j e´: 1) transiente se ρjj < 1 2) recorrente se ρjj = 1. Comenta´rio 4. Vejamos algumas observac¸o˜es: • Se j e´ um estado transiente, enta˜o uma cadeia comec¸ando em j tem uma probabilidade positiva de nunca mais retornar a j. De fato Pr(Tj =∞|X0 = j) = 1− Pr(Tj <∞|X0 = j) = 1− ρjj> 0. (21) • Se j e´ um estado recorrente, enta˜o uma cadeia comec¸ando em j retorna a j com probabilidade 1. • Um estado j e´ absorvente se Pjj = 1. Usando a equac¸a˜o (15), e´ simples ver que Pjj(n) = 1 para todo n ≥ 0. Ale´m disso, e´ simples verificar que todo estado absorvente e´ recorrente. Basta ver que 1 = Pjj = Pr(Tj = 1|X0 = j) ≤ Pr(Tj <∞|X0 = j) = ρjj . (22) Portanto ρjj = 1 e o estado absorvente j e´ recorrente. Definic¸a˜o 11. Seja Nj uma va.a. definida por Nj = ∑ n≥1 I(Xn = j) (23) onde I(Xn = j) denota o indicador do evento [Xn = j]. Em palavras, Nj representa o nu´mero de visitas ao estado j. Na˜o e´ difı´cil mostrar que a distribuic¸a˜o de Nj dado [X0 = i] e´ Pr(Nj = m|X0 = i) = { 1− ρij se m = 0 ρijρ m−1 jj (1− ρjj) se m > 0. (24) Ale´m disso, temos que E(Nj |X0 = i) = ∑ n≥1 P (n) ij = Gij . (25) O pro´ximo teorema descreve as diferenc¸as fundamentais entre um estado transiente e um estado recorrente. Teorema 4. Seja j um estado transiente. Enta˜o Pr(Nj <∞|X0 = i) = 1 (26) e E(Nj |X0 = i) = Gij = ρij1− ρjj <∞ (27) para todo i ∈ ϕ. Seja j um estado recorrente. Enta˜o Pr(Nj =∞|X0 = i) = ρij (28) e E(Nj |X0 = i) = Gij = { 0 se ρij = 0 ∞ se ρij > 0 (29) para todo i ∈ ϕ. Em particular, quando i = j, segue que Pr(Nj =∞|X0 = j) = 1 e E(Nj |X0 = j) = Gjj =∞. Comenta´rio 5. Se j e´ um estado transiente, enta˜o a cadeia faz somente um nu´mero finito de visitas a j independente do estado inicial. Ale´m disso, o nu´mero me´dio de visitas a j e´ finito. Suponha agora que j e´ recorrente. Nesse caso, se a cadeia comec¸ou em j, ela retorna a j infinitas vezes. Por outro lado, se a cadeia comec¸ou em algum outro estado i, pode ser impossı´vel que ocorra uma visita a j. Entretanto, se a cadeia alcanc¸a j pelo menos uma vez, enta˜o a cadeia visita j infinitas vezes. Corola´rio 1 (II Crite´rio para classificac¸a˜o dos estados). Um estado j e´ transiente se, e somente se, Gjj = E(Nj |X0 = j) = ∑ n≥1 P (n) jj <∞. (30) Um estado j e´ recorrente se, e somente se, Gjj = E(Nj |X0 = j) = ∑ n≥1 P (n) jj =∞. (31) Corola´rio 2. Se j e´ um estado transiente, enta˜o limn→∞ P (n) ij = 0 para todo i ∈ ϕ. 5 PROVA. Basta ver que Gij = ∑ n≥1 P (n) ij <∞ � Corola´rio 3. Toda CM finita possui pelo menos um estado recorrente. PROVA. Suponha que todos os estados em ϕ sa˜o transientes. Enta˜o 0 = ∑ j∈ϕ lim n→∞P (n) ij = limn→∞ ∑ j∈ϕ P (n) ij = limn→∞ 1 = 1, (32) o que e´ uma contradic¸a˜o. Portanto existe pelo menos um estado em ϕ que e´ recorrente � VI. ESTRUTURA DE CLASSES E A DECOMPOSIC¸A˜O DO ESPAC¸O DE ESTADOS Seja (Xn)n≥0 uma CM em ϕ com func¸a˜o de transic¸a˜o P . Definic¸a˜o 12 (Relac¸a˜o→). Dizemos que um estado i alcanc¸a um estado j se P (n)ij > 0 para algum inteiro n ≥ 0. Para denotar esse fato, usamos o sı´mbolo i→ j. A relac¸a˜o → e´ reflexiva e transitiva, ou seja: 1) i→ i 2) se i→ j e j → k, enta˜o i→ k. PROVA. De fato, i → i pois P (0)ii = 1 > 0. Ale´m disso, se i → j e j → k, enta˜o existem inteiros n,m ≥ 0 tais que P (n) ij > 0 e P (m) jk > 0. Assim P (n+m) ik = ∑ l∈ϕ P (n) il P (m) lk ≥ P (n)ij P (m)jk > 0, (33) portanto i→ k � Definic¸a˜o 13 (Relac¸a˜o ↔). Dizemos que i se comunica com j se i → j e j → i. Para denotar a relac¸a˜o de comunicac¸a˜o entre i e j, usamos o sı´mbolo i↔ j. A relac¸a˜o ↔ e´ reflexiva, simetrica e transitiva, ou seja: 1) i↔ i 2) se i↔ j, enta˜o j ↔ i 3) se i↔ j e j ↔ k, enta˜o i↔ k. PROVA. As duas primeiras sa˜o imediatas da definic¸a˜o e a terceira segue do fato que a relac¸a˜o → e´ transitiva � Definic¸a˜o 14. O conjunto Ci = {k ∈ ϕ; i↔ k} (34) representa a classe de estados que se comunicam com o estado i. Teorema 5 (A relac¸a˜o ↔ induz uma partic¸a˜o em ϕ). Sejam i, j ∈ ϕ e sejam Ci e Cj suas respectivas classes. 1) Ci = Cj se, e somente se, i↔ j; 2) Se Ci 6= Cj , enta˜o Ci ∩ Cj = ∅. PROVA. 1; ⇒) Suponha que Ci = {k ∈ ϕ; i↔ k} = {l ∈ ϕ; j ↔ l} = Cj . (35) Como i ∈ Ci = Cj , segue i↔ j. 1; ⇐) Agora, suponha que i ↔ j e seja k um elemento arbitra´rio em Ci. Como k ↔ i e i ↔ j, segue que k ↔ j, logo Ci ⊆ Cj . Por simetria, temos que j ↔ i e de modo ana´lago chegamos na inclusa˜o Cj ⊆ Ci. Portanto Ci = Cj . 2) Suponha que Ci 6= Cj e que existe pelo menos um estado k em Ci∩Cj . Assim k ↔ i e k ↔ j o que implica que i↔ j. Mas pelo que ja´ foi provado, isso significa que Ci = Cj o que contraria a hipo´tese inicial. Portanto Ci ∩ Cj = ∅ � Comenta´rio 6. O teorema 5 afirma que dois estados possuem a mesma classe se, e somente se, eles se comunicam. Ale´m disso, duas classes ou sa˜o ideˆnticas ou sa˜o disjuntas. Em outras palavras, a relac¸a˜o de comunicac¸a˜o ↔ induz uma partic¸a˜o em ϕ em classes de estados que se comunicam entre si. Definic¸a˜o 15 (CM irredutı´vel). Dizemos que uma CM e´ irredutı´vel se todos os estados em ϕ se comunicam entre si, ou seja, todos os estados pertencem a uma u´nica classe de comunicac¸a˜o que e´ exatamente ϕ. Comenta´rio 7. Daqui pra frente a palavra “classe” significa “classe de estados que se comunicam entre si”. O pro´ximo teorema afirma que todos os estados que esta˜o numa mesma classe ou sa˜o todos recorrentes ou sa˜o todos transientes. Uma classe de estados recorrentes sera´ chamada de classe recorrente. Nomeclatura ana´loga vale para uma classe de estados transientes. Teorema 6. Seja C uma classe. Todos os estados em C ou sa˜o recorrentes ou sa˜o transientes. 6 PROVA. Considere um par arbitra´rio i, j ∈ C e assuma que j e´ transiente. Por definic¸a˜o existem inteiros n,m > 0 tais que P (n) ij > 0 e P (m) ji > 0. (36) Para qualquer inteiro q ≥ 1, temos que P (m+q+n) jj ≥ P (m)ji P (q)ii P (n)ij . (37) Assim ∑ q≥1 P (q) ii ≤ 1 P (m) ji P (n) ij ∑ q≥1 P (m+q+n) jj <∞. (38) Portanto i tambe´m e´ transiente � Definic¸a˜o 16 (Classe fechada). Seja D um conjunto na˜o-vazio de estados. Dizemos que D e´ fechado se nenhum estado dentro de D alcanc¸a um estado fora de D. Formalmente, D e´ fechado se P (m)ij = 0 para i ∈ D, j 6∈ D e todo m ≥ 1. Quando um conjunto na˜o-vazio de estados na˜o e´ fechado, dizemos que ele e´ aberto. Comenta´rio 8. Agora estamos em posic¸a˜o de estabelecer a relac¸a˜o entre classe recorrente e classe fechada. De fato, o pro´ximo teorema afirma que se uma classe na˜o e´ fechada, enta˜o ela na˜o pode ser recorrente. Portanto, ser fechada e´ uma condic¸a˜o necessa´ria (pore´m, na˜o suficiente) para a classe ser recorrente. Teorema 7. Toda classe recorrente e´ fechada. (“Se uma classe e´ recorrente, enta˜o e´ fechada”; “Se uma classe e´ aberta, enta˜o e´ transiente”.) PROVA. Seja C uma classe que na˜o e´ fechada. Enta˜o existem i ∈ C e j 6∈ C tais que P (m) ij = Pr(Xm = j|X0 = i) > 0 (39) para algum m ≥ 1. Como j 6→ i (pois j 6∈ C) segue que 0 < Pr(Xm = j|X0 = i) ≤ Pr(Ni <∞|X0 = i). (40) Logo Pr(Ni =∞|X0 = i) < 1 e isto implica que i na˜o pode ser um estado recorrente. Portanto C na˜o pode ser uma classe recorrente � Teorema 8 (Decomposic¸a˜o de ϕ em classes). O espac¸o de estados ϕ pode ser particionado unicamente como ϕ = T ∪ C ′ ∪ C ′′ ∪ · · · (41) onde T e´ o conjunto dos estados transientes e os C’s sa˜o classes recorrentes (fechadas) e disjuntas. PROVA. Segue das proposic¸o˜es 5, 6 e 7 � Comenta´rio 9. E´ importante observar que classe fechada na˜o significa classe recorrente, pois classes fechadas infinitas podem ser transientes. Entretanto, mostraremos agora que para uma classe finita, e´ suficiente ser fechada para ser recorrente. Em outras palavras, ser uma classe finita e fechada e´ equivalente a ser uma classe recorrente. Esse resultado e´ u´til para cadeias com espac¸o de estados finito, pois nesse caso e´ bem mais simples verificar se uma classe e´ ou na˜o e´ fechada. Teorema 9. Toda classe fechada e finita e´ recorrente. PROVA. De fato, seja C uma classe fechada e finita e suponhaque C e´ transiente. Sejam i e j estados em C. Temos que lim n→∞P (n) ij = 0. (42) Assim 0 = ∑ j∈C lim n→∞P (n) ij = limn→∞ ∑ j∈C P (n) ij = limn→∞Pr(Xn ∈ C|X0 = x) = limn→∞ 1 = 1. (43) Mas isso e´ uma contradic¸a˜o, portanto C e´ recorrente � Comenta´rio 10. No caso de uma classe finita, podemos reunir as afirmac¸o˜es dos teoremas 7 e 9 tal como segue. Teorema 10. Uma classe finita e´ recorrente se, e somente se, e´ fechada. (“Se uma classe finita e´ recorrente, enta˜o e´ fechada” e “se uma classe finita e´ fechada, enta˜o e´ recorrente”.) Corola´rio 4. Toda CM finita e irredutı´vel e´ recorrente. 7 VII. DISTRIBUIC¸O˜ES ESTACIONA´RIAS Seja (Xn)n≥0 uma CM em ϕ com func¸a˜o de transic¸a˜o P . Definic¸a˜o 17 (Distribuic¸a˜o estaciona´ria). Uma func¸a˜o pi : ϕ → [0, 1], ϕ 3 i 7→ pii ≥ 0, e´ uma distribuic¸a˜o estaciona´ria de (Xn)n≥0 se 1) ∑ i∈ϕ pii = 1 2) pij = ∑ i∈ϕ piiPij para todo j ∈ ϕ. Na notac¸a˜o matricial pi = piP . Teorema 11. Propriedades de distribuic¸o˜es estaciona´rias: 1) Se pi e´ uma distribuic¸a˜o estaciona´ria de uma CM com func¸a˜o de transic¸a˜o P , enta˜o pij = ∑ i∈ϕ piiP (n) ij (44) para todo j ∈ ϕ e n ≥ 0. Na notac¸a˜o matricial pi = piP (n) = piPn para todo n ≥ 0. 2) A distribuic¸a˜o de Xn e´ independente de n se, e somente se, a distribuic¸a˜o inicial e´ uma distribuic¸a˜o estaciona´ria. 3) Se pi e´ uma distribuic¸a˜o estaciona´ria de uma CM com func¸a˜o de transic¸a˜o P e se lim n→∞P (n) ij = pij (45) para todo j ∈ ϕ, enta˜o lim n→∞pi (n) j = limn→∞Pr(Xn = j) = pij . (46) Comenta´rio 11. A parte 3) do teorema 11 segue do teorema da convergeˆncia limitada, apresentado a seguir. Teorema 12 (Teorema da convergeˆncia limitada). Sejam (ai : i ∈ ϕ) nu´meros na˜o negativos somando 1 e sejam (b(n)i : i ∈ ϕ, n ≥ 1) nu´meros tais que 1) |b(n)i | ≤ 1 para todo i ∈ ϕ e n ≥ 1 e 2) limn→∞ b (n) i = bi para todo i ∈ ϕ. Enta˜o lim n→∞ ∑ i∈ϕ aib (n) i = ∑ i∈ϕ aibi. (47) VIII. NU´MERO ME´DIO DE VISITAS A UM ESTADO Seja (Xn)n≥0 uma CM em ϕ com func¸a˜o de transic¸a˜o P . Definic¸a˜o 18. Seja Nj(n) = n∑ m=1 I(Xm = j) (48) o nu´mero de visitas ao estado j durante os tempos 1, . . . , n. Ale´m disso, seja Gij(n) = E(Nj(n)|X0 = i) = n∑ m=1 P (m) ij (49) o nu´mero me´dio de visitas ao estado j durante os tempos 1, . . . , n, saindo do estado i. Observe que Nj = lim n→∞Nj(n) Gij = limn→∞Gij(n). (50) Teorema 13. Seja j um estado transiente. Enta˜o lim n→∞ Nj(n) n = 0 com probabilidade 1 (51) e lim n→∞ Gij(n) n = 0 para todo i ∈ ϕ. (52) Definic¸a˜o 19. Seja j um estado em ϕ. Defina mj = E(Tj |X0 = j) (53) se este tempo me´dio de retorno e´ finito e mj =∞ caso contra´rio. Teorema 14. Seja j um estado recorrente. Enta˜o lim n→∞ Nj(n) n = I(Tj <∞) mj com probabilidade 1 (54) 8 e lim n→∞ Gij(n) n = ρij mj para todo i ∈ ϕ. (55) Corola´rio 5. Seja C uma classe recorrente (fechada). Se Pr(X0 ∈ C) = 1, enta˜o lim n→∞ Nj(n) n = 1 mj com probabilidade 1 (56) para todo j ∈ C. Ale´m disso, lim n→∞ Gij(n) n = 1 mj para todo i, j ∈ C. (57) IX. SUBCLASSIFICAC¸A˜O DOS ESTADOS RECORRENTES EM NULOS E POSITIVOS Definic¸a˜o 20. Seja j um estado recorrente. Dizemos que j e´ recorrente nulo se mj = ∞. Caso contra´rio (ou seja, se mj := E(Tj |X0 = j) <∞), dizemos j e´ recorrente positivo. Teorema 15. Seja j um estado recorrente nulo. Enta˜o lim n→∞ Nj(n) n = 0 com probabilidade 1 (58) e lim n→∞ Gij(n) n = 0 para todo i ∈ ϕ. (59) Ale´m disso, limn→∞ P (n) ij = 0 para todo i ∈ ϕ. Teorema 16. Seja C uma classe recorrente (fechada). Todos os estados em C ou sa˜o recorrentes positivos ou sa˜o recorrentes nulos. Comenta´rio 12. Portanto uma CM irredutı´vel ou e´ recorrente positiva, ou recorrente nula ou transiente. Teorema 17. Se D e´ um conjunto (na˜o-vazio) fechado e finito de estados, enta˜o D possui pelo menos um estado recorrente positivo. Teorema 18. Toda classe fechada e finita e´ recorrente positiva. Corola´rio 6. Toda CM finita e irredutı´vel e´ recorrente positiva. Corola´rio 7. Numa CM finita todo estado recorrente e´ positivo. Ou seja, uma CM finita na˜o possui estados recorrentes que sa˜o nulos. X. CONDIC¸A˜O DE EXISTEˆNCIA DE DISTRIBUIC¸O˜ES ESTACIONA´RIAS E CONDIC¸A˜O DE UNICIDADE Mmmm. XI. CONVERGEˆNCIA PARA A DISTRIBUIC¸A˜O ESTACIONA´RIA Mmmm. XII. CADEIAS DE MARKOV FINITAS: RESUMO DOS RESULTADOS Segue abaixo um resumo dos resultados para o caso de CM’s com espac¸o de estados finito: • Toda CM finita possui pelo menos um estado recorrente. Portanto na˜o existe CM finita transiente. Ale´m disso, todo estado recorrente e´ positivo. • (Crite´rio para classificac¸a˜o dos estados) Numa CM finita toda classe fechada e´ recorrente (positiva) e toda classe aberta e´ transiente. • Toda CM finita e irredutı´vel e´ recorrente (positiva). • Toda CM finita e irredutı´vel possui uma u´nica distribuic¸a˜o estaciona´ria. 9 XIII. I´NDICE DE NOTAC¸O˜ES Segue abaixo uma lista da notac¸a˜o utilizada nessa sec¸a˜o: • (Xn)n≥0 CM em tempo discreto. • ϕ espac¸o de estados. • i, j, k, . . . estados em ϕ. • µn := E(Xn) func¸a˜o me´dia da cadeia. • σ2n := Var(Xn) func¸a˜o variaˆncia da cadeia. • γm,n := Cov(Xm, Xn) func¸a˜o de autocovariaˆncia da cadeia. • %m,n func¸a˜o de autocorrelac¸a˜o da cadeia. • Pij probabilidade de transic¸a˜o do estado i para o estado j (em 1-passo). • P = (Pij : i, j ∈ ϕ) matriz de transic¸a˜o (em 1-passo). • pi(0)i probabilidade de [X0 = i]. • pi(0) = (pi(0)i : i ∈ ϕ) distribuic¸a˜o inicial da cadeia. • P (n)ij probabilidade de transic¸a˜o do estado i para o estado j em n-passos. • P (n) = (P (n)ij : i, j ∈ ϕ) matriz de transic¸a˜o em n-passos. • pi(n)i probabilidade de [Xn = i]. • pi(n) = (pi(n)i : i ∈ ϕ) distribuic¸a˜o de Xn. • Tj tempo da primeira visita ao estado j ou tempo de alcance do estado j. • ρij := Pr(Tj <∞|X0 = i) probabilidade de alcanc¸ar o estado j num tempo finita saindo do estado i. • Nj nu´mero de visitas ao estado j. • Gij := E(Nj |X0 = i) nu´mero me´dio de visitas ao estado j saindo do estado i. • ϕ = T ∪ C ′ ∪ C ′′ ∪ · · · onde T e´ o conjunto dos estados-T e os C’s sa˜o classes-R (fechadas) e disjuntas. • pi distribuic¸a˜o estaciona´rio de uma cadeia. • Nj(n) nu´mero de visitas ao estado j durante os tempos 1, . . . , n. • Gij(n) := E(Nj(n)|X0 = i) nu´mero me´dio de visitas ao estado j durante os tempos 1, . . . , n saindo do estado i. • mj tempo me´dio de retorno ao estado j. • ϕR conjunto dos estados recorrentes. • ϕ+ conjunto dos estados recorrentes positivos. • ϕ0 conjunto dos estados recorrentes nulos. • di perı´odo do estado i. • d perı´odo de uma cadeia irredutı´vel. REFEREˆNCIAS [1] HOEL, P.; PORT, S.; STONE, C. Introduction to Stochastic Processes. Illinois: Waveland Press, 1987. [2] GRIMMETT, G.; STIRZAKER, D. Probability and Random Processes, 3rd edition. New York: Oxford University Press, 2001. [3] ROSS, S. Introduction to Probability Models, 8th edition. San Diego: Academic Press, 2003. [4] FELLER, W. An Introduction to Probability Theory and its Applications, vol I. New York: John Wiley, 1957. [5] RIZZO, M. Statistical Computing with R. New York: Chapman & Hall/CRC Press, 2008.
Compartilhar