Processos estocásticos

60 %
40 %
Information about Processos estocásticos
Education

Published on March 9, 2014

Author: matheusgaldino355

Source: slideshare.net

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 Editora, 1979. CAMARGO, C. C. de, Confiabilidade Aplicada à Sistemas de Potência, Rio de Janeiro: Livros Técnicos e Científicos Editora, 1 Santa Catarina: FEESC, 1981.

PROCESSO ESTOCÁSTICO  “Fenômeno que varia em algum grau, de forma imprevisível, à medida que o tempo passa”.  Variação do tráfego em um cruzamento;  Variação diária no tamanho do estoque de uma empresa;  Variação minuto a minuto do índice IBOVESPA;  Variação no estado de um sistema de potência;  Variação no número de chamadas feitas a uma central telefônica. 2

Imprevisibilidade?  A observação de uma seqüência de tempo inteira do processo, em ocasiões diferentes, sob condições presumivelmente diferentes:  Seqüências  resultantes diferentes. Comportamento de um sistema para uma seqüência ou intervalo de tempo inteiro: O resultado será uma função (ou seqüência de valores) e não apenas um número. 3

Parâmetros do Processo  Para analisar o processo estocástico é preciso especificar o período de tempo T envolvido: quando ele será observado.  Se T é contínuo, T = {t : 0 ≤ t < ∞):   Trata-se de um Processo Estocástico de Parâmetros Contínuos: Poisson. Se T é discreto, T = {0, 1, 2, ...}:  Trata-se de um Processo Estocástico de Parâmetros Discretos: Séries Temporais em geral. 4

Realizações do Processo  A cada ponto t do conjunto T observa-se uma medida ou variável aleatória Xt.  Se o ponto amostral for indicado por s:  Xt (s) para t T.  Tal função de t é chamada de processo estocástico ou aleatório.  Uma única função Xt, que corresponde a um único ponto amostral s é chamada de realização do processo estocástico. 5

Estados do Processo  O conjunto de valores que Xt pode assumir é chamada de Espaço de Estados, e os valores específicos de Xt em dado momento são os Estados do Processo.  Se Xt representa alguma contagem: Espaço de Estados poderia ser uma seqüência finita ou infinita de inteiros.  Processo de Estado Discreto ou Cadeia Aleatória.  Se Xt representa uma medida: Espaço de Estados poderia ser um intervalo de números reais.  Processo de Estado Contínuo. 6

Parâmetros x Estados Processo de Parâmetros Discretos e Estados Discretos  Estoque de peças em uma loja ao fim da semana. 80 70 60 Quantidade  50 40 30 20 10 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 Semana 7

Parâmetros x Estados  Processo de Parâmetros Discretos e Estados Contínuos  Médias amostrais dos diâmetros de pistões. X-bar: 74,001 (74,001); Sigma: ,00979 (,00979); n: 5, 74,014 74,001 73,988 5 10 15 20 25 8

Parâmetros x Estados Processo de Parâmetros Contínuos e Estados Discretos  No. de chamadas recebidas por um call-center em 6 horas 35 30 25 Chamadas  20 15 10 5 0 0 1 2 3 4 5 6 -5 Tempo 9

Parâmetros x Estados  Processo de Parâmetros Contínuos e Estados Contínuos  Eletroencefalograma 10

Análise de um Processo Estocástico  Para um valor t, Xt será uma variável aleatória que descreve o estado do processo no tempo t.  Dada qualquer coleção finita t1, t2, ..., tn de tempos, então Xt1, Xt2, ..., Xtn constituem um conjunto de n variáveis aleatórias com distribuição conjunta.  A estrutura de probabilidades do processo Xt é totalmente determinada desde que:  Distribuição conjunta de cada conjunto de variáveis aleatórias é determinada.  Função de densidade de cada conjunto de variáveis aleatórias 11 é determinada.

Análise de um Processo Estocástico Consiste em determinar as distribuições conjuntas e usá-las para prever comportamento futuro, dado o comportamento passado. 12

Seqüências Independentes  Seqüências de variáveis aleatórias independentes com distribuições idênticas como resultante de repetições independentes da mesma experiência aleatória, onde a cada realização um valor ou medida é associado.  Exemplo: equipamento eletrônico tem um capacitor que é reposto toda vez que ele falha.  Tempo  Cada de vida X: X1, X2,... valor será positivo: processo de Renovação 13

Processos de Nascimento e Morte   Modelam as alterações em uma “população”. Estado do processo no instante t (Xt) representa o tamanho da população no instante t.  Exemplos: pacotes presentes em uma rede local, fila com servidor único.  Assume-se que “nascimentos” e/ou “mortes” múltiplos ocorrem ao mesmo tempo com probabilidade zero.  As transições ocorrem apenas entre estados vizinhos. 14

Processos de Nascimento e Morte 1 nascimento K-1 1 nascimento K+1 K 1 morte 1 morte 15

Processos de Nascimento e Morte  k: taxa de mortes quando a população é k.  k: taxa de nascimentos quando a população é k.  0=0: não há mortes quando a população é zero.  0≥ 0: podem ocorrer nascimentos quando a população é zero.  k Pk = k-1  Pk-1  P k 0 k  1,0 16

Processo de Poisson  Processo de nascimento puro pois a taxa de nascimento é constante: .  Pk(t) = [(t) k e  Probabilidade  Número - t]/k! Para k≥0 e t≥0. de haver k nascimentos no intervalo (0,t). médio de nascimentos no intervalo (0,t) =   t.  Processo de Parâmetros Contínuos e Estados Discretos. 17

Processo de Poisson  Evento: “nenhuma chegada nos primeiros t minutos” (  t )  e Po ( t )  0! 0  Equivalente   t  e t à “primeira chegada após o tempo t”.  Seja t uma variável aleatória que represente o tempo de 0 até a 1ª chegada:  P(T > t) = e- t P(T ≤ t) = 1 - e- t = F(T)  f(T) = F(T)/t =  e- t  T tem distribuição exponencial: E(T)=1/ V(T)=1/2 18

Processos de Markov  Processos “sem memória”: probabilidade de Xt assumir um valor futuro depende apenas do estado atual (desconsidera estados passados).  P(Xn=xn| X1=x1,X2=x2,...,Xn-1=xn-1) = P(Xn=xn|Xn-1=xn-1) para n = 0, 1, 2, ...  Seja Xt um processo de Markov, i e j estados,  e t tempos:  Pij  = P[X( + t) = j | X() = i] ≥0et≥0 Se Pij independe do tempo então o processo de Markov é dito ESTACIONÁRIO ou homogêneo. 19

Processos de Markov Parâmetros Estados Discretos Contínuos Discretos Cadeias de Markov com tempo discreto Processos de Markov com tempo discreto Contínuos Cadeias de Markov com tempo contínuo Processos de Markov com tempo contínuo 20

Cadeias de Markov  Processo de Markov de parâmetros contínuos e estados discretos.  Propriedades: O sistema observado pode ser descrito como estando em um estado de um conjunto de estados Si, discretos e exaustivos e mutuamente exclusivos;  Trocas de estado são possíveis em qualquer intervalo de tempo; A probabilidade de mais do que uma troca durante um intervalo infinitesimal de tempo é desprezível. 21

Matriz de transição  O conjunto P(Xn|Xn-1) para n = 1, 2, ... constitui as probabilidades de transição de um passo: probabilidades iniciais.  Matriz N+1 por N+1 de elementos pij que satisfaz:  pij ≥ 0 ij = 0, 1, 2, ..., N  p 00 p  10 P  p ij     ... p N 0  pij = 1 para j=1,...,n e i. p 01 ... p 0 N   p11 ... p1N   ... ... ...  p N1 ... p NN   22

Add a comment

Related presentations

Related pages

Programa de Doutorado: Processos Estocásticos - Alan ...

Programa de Doutorado: Processos Estocásticos Aula Extra: Critério de continuidade de Kolmogorov - Centsov por Alan Anderson - 20/03/2015 Página:
Read more

Stochastic process - Wikipedia, the free encyclopedia

A stochastic process on the same time set is said to be adapted to the filtration if, for every t ∈, is -measurable. Natural ...
Read more

Lévy process - Wikipedia, the free encyclopedia

In probability theory, a Lévy process, named after the French mathematician Paul Lévy, is a stochastic process with independent, stationary increments ...
Read more

Programa de Doutorado: Processos Estocásticos - Alan ...

Programa de Doutorado: Processos Estocásticos Aula Extra: O core de um grafo por Alan Anderson da Silva Pereira - 18/06/2015 Página: http ...
Read more

Processos estocásticos : difusão e crescimento

Processos estocásticos : difusão e crescimento on ResearchGate, the professional network for scientists.
Read more

Processos estocásticos - math.uni-tuebingen.de

Grupo de probabilidade e estatística - Instituto de Matemática - Universidade de Tübingen. Processos estocásticos. Curso com exercícios
Read more

Processos estocásticos não-Markovianos - ResearchGate

Publication » Processos estocásticos não-Markovianos. ... [Show abstract] [Hide abstract] ABSTRACT: The local entropy production rate sigma (r,t) in ...
Read more

Repositório Aberto da Universidade do Porto: Processos ...

Processos Estocásticos: Issue Date: 1997: Call Number: 40417: URI: http://hdl.handle.net/10216/71434: Document Type : Publicação Didática: Appears in ...
Read more

Category:Stochastic processes - Wikimedia Commons

Media in category "Stochastic processes" The following 171 files are in this category, out of 171 total.
Read more