Professional Documents
Culture Documents
Glauco valle
16 de Maio de 2016
1◦ Questão: Considere o grafo desenhado pelo professor no quadro. Seja (Xn )n≥0 um passeio
aleatório neste grafo. Responda:
Solução:
[a] No caso do passeio aleatório em um grafo não orientado, temos que
(
1
, i conectado a j
p(i, j) = grau do vértice i
0 , caso contrário .
[b] Sim, pois a Cadeia de Markov é irredutı́vel e aperiódica. É irredutı́vel pois todos os
estados se comunicam (grafo é conexo). É aperiódica 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 é a única distribuição invariante da cadeia. Neste caso, φ = (φ1 , φ2 , φ3 , φ4 ) com
2◦ Questão: Construa um exemplo de grafo direto (fornecendo pesos para as arestas) asso-
ciado a uma Cadeia de Markov não convergente com 6 estados e com duas de suas classes de
comunicação sendo transientes. Justifique a escolha.
Solução:
O grafo não estará disponı́vel aqui. Vamos listar as probabilidades de transição da cadeia
sugerida no lugar do grafo. As probabilidades de transição (não 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 ,
3◦ Questão: Considere uma Cadeia de Markov com espaço de estados E = {0, 1, 2, ...} e
probabilidades de transição
1 k+2
p(k, 0) = , p(k, k + 1) = .
k+3 k+3
Responda:
Solução:
[a] Temos que
4◦ Questão: Considere o passeio aleatório simples em {−5, −4, −3, −2, −1, 0, 1, ...} com re-
flexão parcial na fronteira e com probabilidade de salto para direita igual a q. Neste caso as
probabilidade de transição são:
Solução:
[a] Essa probabilidade é igual a probabilidade do passeio começar em 5 = 27 − 22 e chegar em
20 = 42 − 22 antes de passar pelo 0. Pelo Problema da Ruı́na do Jogador sabemos que esta
probabilidade é 5/20 = 1/4.
Além disso, o tempo médio de primeiro retorno a qualquer estado é infinito pois o passeio
aleatório simétrico é recorrente nulo.
[b] A distribuição invariante deve satisfazer o seguinte sistema de equações:
3 3
φ(−5) = 4 φ(−5) + 4 φ(−4)
φ(n) = 41 φ(n − 1) + 34 φ(n + 1) , n ≥ −4
P
n≥−5 φ(n) = 1 .
Assim
X X 1 n+5 X 1 3
1= φ(n) = Big( φ(−5) = l
φ(−5) = φ(−5) .
3 3 2
n≥−5 n≥−5 l≥0
(a) A Lei dos Grandes Números para variáveis aleatórias discretas e iid é uma consequência
do Teorema Ergódico para Cadeias de Markov.
(b) A distribuição alvo usada no método de Metropolis-Hastings é reversı́vel, mas pode não
ser invariante.
Solução:
[a] Verdadeiro. Toda sequência de variáveis aleatórias discretas iid é uma Cadeia de Markov
em equilı́brio. Daı́ a LLG é consequência direta do Teorema Ergódico para Cadeias de Markov.
[b] Falso. Toda medida reversı́vel é invariante.
2◦ Questão: Uma linha de montagem industrial produz determinado tipo de peça uma taxa
de 3 por hora. Cada peça é classificada, independentemente das demais, em boa, recuperável
ou irrecuperável. Sabe-se que 80% das peças são boas e 15% são recuperáveis. Suponha que
o número de peças 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 número de peças boas, recuperáveis
e irrecuperáveis produzidas em [0, t]. Que tipo de processo é (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 você calculou.
(c) Dado que 20 peças são produzidas em um dia, qual é a média e variância do número de
peças boas?
(d) Calcule a probabilidade de que entre 20 peças produzidas 15 sejam boas e 3 recuperáveis.
Solução:
[a] O número total de peças produzidas é um Processo de Poisson de taxa λ = 3. Daı́ pela
hipótese de independência do enunciado, (Xb (t))t≥0 , (Xr (t))t≥0 e (Xi (t))t≥0 são 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 é 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 independência entre (Xr (t))t≥0 e (Xi (t))t≥0 e pela propriedade de incrementos inde-
pendentes de (Xi (t))t≥0 , temos que
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} ∼ M ultinom(20, (0.8, 0.15, 0.05). Portanto
Solução:
[a] O gerador infinitesimal é dado por
3/4 0 0 −1 1/3 2/3 −3/4 1/4 1/2
A = Λ (P − I) = 0 2 0 1/2 −1 1/2 = 1 −2 1 .
0 0 1 1 0 −1 1 0 −1
[b] Precisamos encontrar o vetor de probabilidade φ = (φ1 , φ2 , φ3 ) tal que φ A = (0, 0, 0). Daı́
chegamos ao sistema de equações
φ1
4 − 2φ2 = 0 ,
φ1
+ φ2 − φ3 = 0 ,
2
φ1 + φ2 + φ3 = 1 .
(c) Seja T = min{n ≥ 1 : Xn ≥ 5}. Mostre que T é um tempo de parada finito quase-
certamente porém E[MT ] 6= E[M0 ] = 1. (Dica: para verificar que T é finito observe que
Xn é um passeio aleatório)
(d) Pelo item (c), o que podemos concluir sobre maxn E[Mn2 ] (Não é necessário o cálculo).
Solução:
[a] O fato de (Mn )n≥0 ser um martingal segue das propriedades abaixo.
Pn
Yj
(i) Mn = ( 21 ) j=1 é função de Y1 ,..., Yn , logo Fn -mensurável.
[b] Como Mn é um martingal positivo de média 1 temos que maxn E[|Mn |] = 1 < ∞, pelo
Teorema de convergência, existe M∞ tal que Mn converge quase certamente para M∞ .
[c] Primeiro note que T é finito. Para isto crie um processo (X̃n )n≥1 que salta uma unidade
para direira quando (Xn )n≥1 salta duas também para direita e salta um unidade para esquerda
quando (Xn )n≥1 também salta uma unidade para esquerda. Temos que (X̃n )n≥1 é um passeio
aleatório simples entre vizinhos próximo em Z com probabilidade de saltar para direita igual a
4/7 > 0.5. Logo (X̃n )n≥1 é transiente e diverge a infinito quase ccertamente. Como X̃n ≤ Xn ,
∀n ≥ 1, então (X̃n )n≥1 também diverge a infinito com probabilidade 1. Logo T é finito quase
certamente.
De fato, todo passeio aleatório com descolamento médio por unidade de tempo igual maior do
que zero é transiente para direita. No caso de (Xn )n≥1 o delocamento médio por unidade de
tempo é
4 3 5
2 × + (−1) × = > 0 .
7 7 7
Agora verificamos que T é tempo de parada. De fato,
Para terminar note que MT ≤ 2−5 , por definição. Logo E[MT ] ≤ 2−5 < 1 = E[M0 ].
[d] Podemos afirmar que maxn E[Mn2 ] = ∞. Caso contrário, como E[|MT |] = E[MT ] ≤ 2−5 e
P (T < ∞) = 1, o Teorema de Amostragem Opcional implicaria que E[MT ] = E[M0 ], o que é
falso pelo item (c).
Prova Final - Graduação - Prof. Glauco valle
25 de Julho de 2016
1◦ Questão: Uma cadeia de Markov a tempo discreto com estados {1, 2, 3, 4, 5} tem matriz
de transição
0 0 2/3 1/3 0
0 0 0 0 1
P = 0 1 0
0 0
.
1/4 0 1/2 0 1/4
0 0 1 0 0
Uma cadeia de Markov a tempo contı́nuo, (Xt )t≥0 , é 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 é o gerador infinitesimal da cadeia? Se não souber responder, preencha a diagonal
da matriz acima com os valores −1 para resolver os itens seguintes.
(c) A sequência Pt = [pt (x, y)]1≤x,y≤5 converge? Em caso afirmativo, qual é o limite?
(d) Para cada estado transiente, calcule o tempo médio até a cadeia ser absorvida por uma
classe recorrente.
Solução:
[a] O gerador infinitesimal da cadeia é
−3 0 2 1 0
0 −2 0 0 2
A= 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 é dado por
−2 0 2
 = 1 −1 0 .
0 1 −1
[c] Sim, pois toda cadeia a tempo contı́nuo finita converge. Neste caso como só temos uma
classe recorrente a cadeia converge para distribuição invariante desta classe recorrente, ou seja
0.2 0.4 0.4 0 0
0.2 0.4 0.4 0 0
lim Pt = 0.2 0.4 0.4 0 0 .
t→∞
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 único estado
recorrente e dois estados transiente, 1 e 4. O tempo médio até a cadeia ser absorvida pela
classe recorrente, será igual ao tempo de primeira passagem pelo estado recorrente na cadeia
auxiliar. Estes tempos são dados pelas somas das linhas da matriz −Ã−1 onde à é a restrição
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 −1
3 −1 4/11 2/11
−Ã−1 = = .
−1/2 2 1/11 6/11
Assim, o tempo médio para a cadeia começando em 1 ser absorvida é 6/11, e começando em
4 é 7/11.
2◦ Questão: Seja (Yj )j≥1 uma sequência iid de variáveis aleatórias não negativas tais que
1 1 2
P (Yj = 2) = e P Yj = = .
3 2 3
Qn
(a) Mostre que Xn = j=1 Yj é um martingal com respeito a Fn gerada por Y1 ,..., Yn .
(b) Enuncie o Teorema de convergência para martingais e mostre que Xn converge quase
certamente.
(c) Verifique que E[log(Yj )] < 0 e use este fato para provar que Xn converge para 0.
Solução:
[a] Segue das três propriedades a seguir:
onde a segunda igualdade é pelo fato de Xn ser Fn mensurável e a terceira é pelo fato
dos Yj ’s serem independentes.
[b] Teorema de convergência: Se Xn é um martingal tal que maxn≥1 E[|Xn |] < ∞, então Xn
converge quase certamente. Por (i) na verificação no item (a), temos que maxn≥1 E[|Xn |] = 1.
Logo a hipótese do Teorema de convergência é satisfeita e Xn converge quase certamente.
[c] Temos que
1 1 2 1 2 1
E[log(Yj )] = log(2) × + log ( ) × = log(2) − log(2) × = − log(2) < 0 ,
3 2 3 3 3 3
(também poderia ser usada a concavidade estrita do logarı́tmo ou a desigualdade de Jensen).
Logo, pela Lei Forte dos Grandes Números, temos que
n
1X
log(Yj ) → E[log(Y1 )] < 0 , quase certamente.
n
j=1
Assim Pn
Xn = en( n log(Yj ))
1
j=1 → 0, quase certamente.
(b) Mostre que (Xt )t≥0 converge quando t → ∞ e calcule a distribuição limite.
(c) Calcule a proporção de tempo que o banco permanece sem clientes esperando atendi-
mento.
Solução:
[a] É uma Fila M/M/4 com taxa de chegada 1/2 e serviço 1/5.
[b] Como 21 < 54 =taxa máxima de serviço, a fila é recorrente positiva. Logo o processo
converge em distribuição para sua única distribuição invariante. Precisamos encontrar a dis-
tribuição invariante. Esta fila é 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 distribuição invariante é dada por
n
φ 15
, n = 1, 2, 3 ,
α0 ... αn−1 0 n! 2n
φn = φ0 =
µ1 ... µn 5n
φ0 48×8 , n ≥ 1.
n−3
onde
∞
X α0 ... αn−1 −1 5 25 125 125 X 5 n−3 −1 144
φ0 = 1 + = 1+ + + + = .
µ1 ... µn 2 8 48 48 8 2329
n=1 n≥3
4◦ Questão: Seja (N (t))t≥0 um processo de Poisson com taxa λ. Seja Sn o tempo até a
ocorrência do n-ésimo evento. Calcule:
(a) Var[S4 ].
[b] Pela propriedade de perda de memória da exponencial temos que S4 |{N (1) = 2} ∼ 1 + S2 ,
além disso S2 ∼ Gama(2, λ). Portanto
2
E[S4 | N (1) = 2] = 1 + E[S2 ] = 1 + .
λ
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) são independentes, logo
Cov(N (2), N (4) − N (2)) = 0. Portanto