Documente Academic
Documente Profesional
Documente Cultură
Nancy L. Garcia1
1 UNICAMP,
Brasil
Inferncia clssica
Seja uma amostra aleatria X0 , X1 , X2 , . . . , Xn :
I
X0 , X1 , X2 , . . . , Xn so i.i.d.
n
Y
P(Xi Ai ) =
i=0
n
Y
P(X Ai ),
i=0
Processos Estocsticos
Um processo estocstico uma coleo de v.as
{Xt , T }
onde T um conjunto de ndices que pode ser discreto
contnuo. Em geral, T = N ou [0, ).
Neste caso, sempre possvel escrever a distribuio conjunta
de um nmero finito destas v.a.s
P(Xt0 A0 , . . . , Xtn An ) =
n
Y
P(Xt0 A0 )
P(Xti Ai |Xt0 A0 , . . . , Xti1 Ai1 ).
i=1
Lei Assinttica;
Testes de hipteses;
Estimao no paramtrica.
Propriedade de Markov
Propriedade de Markov
Definies equivalentes
P(Xn = x|Xn0 = x0 , Xn1 = x1 , . . . , Xnk = xk ) = P(Xn = x|Xnk = xk )
para todo n 1 e n0 < n1 < . . . < nk n 1.
Matriz de transio
P = (pij )
A matriz de transio uma matriz estocstica, i.e.,
X
pij 0,
,
pij = 1.
j
k I
X
k I
Portanto, P2 = P2 .
pkj pik .
Equaes de Chapman-Kolmogorov
pij (n + m) =
Consequentemente, Pn+m = Pn Pm e Pn = Pn .
Distribuies marginais
Defina
(n)
= P(Xn = i).
(n)
(n) = (i , i I).
Note que
(1)
= P(X1 = i) =
P(X1 = i, X0 = k )
(0)
pki k
(2)
= P(X2 = i) =
P(X2 = i, X1 = j)
(1)
pji j
pji
(0)
pkj k
Em geral,
(n+m) = (m) Pn
(n) = (0) Pn
36 anos
Hoje
0
0
186 (91)
1
123 (223)
309
128 (223)
314
643 (543)
766
771
1080
Ontem
1
Funo de verossimilhana
L(P, x) = P(X0 = x0 )
n1
Y
i=0
= P(X0 = x0 )
n1
Y
pxi ,xi+1
i=0
= P(X0 = x0 )
pk k,l,l
k ,lI
36
Y
186 123 128 643
L(P, x) = P(X0,j = x0,j ) p00
p01 p10 p11 .
j=1
As variveis coletadas:
1. molhamento foliar (codificada como 1 se h molhamento
superior a oito horas e 0 caso contrrio),
2. velocidade do vento em m/s,
3. umidade relativa do ar,
4. precipitao em mm e temperatura mdia em o C.
Quatro estaes meteorolgicas:
I
Holambra (SP)
Fonsechi (2006)
I
Modelo
P(Y | X) =
n
Y
P(Yi | Y1 , . . . , Yi1 , X)
i=1
i1
X
j Zj + Xi , i = 1, . . . , n
j=1
Temos
P(Y|X) =
n
Y
i=1
e
.
(1 + ei )
Para (j < i)
I
Yj =0 diminui a chance em ej
A=
1 0
0
...
0 X1
1 Z1
0
...
0 X2
1 Z1 Z2 . . .
0
X3
.
.. ..
..
..
..
..
. .
.
.
.
.
1 Z1
Z2 . . . Zn1 Xn
(1)
n
Y
P(Yi |Yi1 , X ).
i=2
n
Y
i=3
Mtodo de anlise
I
Parmetro
Intercepto
Z
UR
Temp mdia
Velocidade Vento
Chuva
Estimao
-13.80594
0.68004
0.15166
0.0995
-0.24003
0.05070
teste-t
6.03e-06
0.00104
2.50e-08
0.12957
0.28894
0.28251
Parmetro
Intercepto
Z
UR
Temp mdia
Estimao
-15.67279
0.66143
0.16491
0.10751
teste-t
5.97e-08
0.00103
4.24e-11
0.09699
Parmetro
Intercepto
Z1
Z2
UR
Temp mdia
Velocidade Vento
Chuva
Estimao
-13.80594
0.52782
0.36670
0.15069
0.10047
-0.25198
0.055070
teste-t
8.99e-06
0.0197
0.0960
4.24e-08
0.1332
0.2793
0.2512
Parmetro
Intercepto
Z1
Z2
UR
Temp mdia
Estimao
-15.79363
0.51292
0.34475
0.16604
0.10841
teste-t
6.88e-08
0.0204
0.1150
5.61e-11
0.100
Concluso
I
Urna de Ehrenfest
Urna de Ehrenfest
Urna de Ehrenfest
Urna de Ehrenfest
Urna de Ehrenfest
(x/d), y = x 1,
1 (x/d), y = x + 1,
P(x, y ) =
0, caso contrrio
Runa do jogador
Runa do jogador
Runa do jogador
1 p, y = x 1,
p, y = x + 1,
P(x, y ) =
0, caso contrrio
1 p, y = x 1,
p, y = x + 1,
P(x, y ) =
0, caso contrrio
Se houver um adversrio que inicia o jogo com
d i reais e o jogo termina quando o capital do
1o. jogador atinge 0 ou d o espao de estados
{0, 1, . . .} onde 0 e d so estado absorventes e
para 1 x d 1
1 p, y = x 1,
p, y = x + 1,
P(x, y ) =
0, caso contrrio
qx , y = x 1,
px , y = x + 1,
P(x, y ) =
r , y = x,
x
0, caso contrrio
onde para cada x, px , qx , rx 0, px + qx + rx = 1.
Classificao de estados:
Seja A um subconjunto do espao de estados I. O tempo de
chegada a A definido como:
min{n > 0; Xn A}, se Xn atinge A,
TA =
,
caso contrrio
Notaao:
A = {a} usamos a notao: Ta .
Denotaremos por Px () as probabilidades dos
diversos eventos quando o estado inicial da
cadeia for x. Assim,
Px (X1 = a, X2 = b) = P(X1 = a, X2 = b|X0 = x).
Pn
m=1 Px (Ty
= m)P nm (y , y ),
n1
para1 m n.
e
P n (x, a) =
n
X
m=1
n
X
m=1
Observe que
Px (Ty = 1) = Px (X1 = y ) = P(x, y )
e que
Px (Ty = 2) =
Px (X1 = z, X2 = y ) =
z6=y
P(x, z)P(z, y ).
z6=y
Em geral,
Px (Ty = n + 1) =
z6=y
n1
1. recorrente se yy = 1;
2. transiente se yy < 1.
1. recorrente se yy = 1;
2. transiente se yy < 1.
I
1y (Xn )
n=1
Portanto,
Px (N(y ) 2) =
=
=
X
X
m=1 n=1
Px (Ty = m)
m=1
xy yy .
!
Py (Ty = n)
n=1
Similarmente,
Px (N(y ) m) = xy m1
yy ,
m 1.
m 1.
Observe que
Ex (N(y )) = Ex
!
1y (Xn )
n=1
=
=
X
n=1
Ex (1y (Xn ))
P n (x, y ).
n=1
Defina
G(x, y ) = Ex (N(y )) =
n=1 P
n (x, y ).
xy
.
1 yy
G(y , y ) = 1.
Mais ainda,
Px (N(y ) = ) = Px (Ty < ) = xy .
Se xy = 0 ento G(x, y ) = 0 enquanto que xy > 0 implica
que G(x, y ) = .
n=1
lim P n (x, y ) = 0.
n
CM finita = lim
n
P n (x, y )
y I
= lim Px (Xn I)
n
= 1.
Sejam x e y I
x y,
se
xy > 0.
x y e y z ento x z.
x C, y 6 C, para todo n 1.
Exemplo: I = {0, 1, 2, 3, 4, 5}
1 0 0 0 0 0
1 1 1 0 0 0
4 2 4
1
2
1
1
0 5 5 5 0 5
0 0 0 16 13 12
0 0 0 12 0 12
0 0 0 14 0 34
+ 0 0 0 0 0
+ + + + + +
+ + + + + +
0 0 0 + + +
0 0 0 + + +
0 0 0 + + +
11
1
=
> 0.
54
20
Sejam:
IT o conjunto de estados transientes;
IR o conjunto de estados recorrentes.
Neste exemplo, IT = {1, 2} e IR = {0} {3, 4, 5}.
Sempre possvel decompor IR numa unio disjunta (finita ou
enumervel) de classes irredutveis.
Probabilidades de absoro
se x C
C (x) = 0,
se x recorrente, mas x 6 C
C (x) =
y C
P(x, y ) +
y IT
P(x, y )C (y ),
x IT .
para todo y C.
Portanto,
13 = 14 = 15 = 2/5,
23 = 24 = 25 = 4/5.
qx , y = x 1,
px , y = x + 1,
P(x, y ) =
r , y = x,
x
0, caso contrrio
onde para cada x, px , qx , rx 0, px + qx + rx = 1. Note
que q0 = 0 e pd = 0 se d < .
a<x <b
e
u(a) = 1,
u(b) = 0.
a < y < b.
Como ry = 1 py qy temos
u(y + 1) u(y ) =
qy
(u(y ) u(y 1)),
py
a < y < b.
Defina 0 = 1 e
y =
q1 qy
p1 py ,
0 < y < d.
Temos,
Pb1
y =x
u(x) = Pb1
y =a y
a < x < b.
Pb1
y =x
Pb1
y =a
Px (Tb < Ta ) =
Px1
y =a
Pb1
y =a
a < x < b.
a < x < b.
Exemplo:
I
Os estados 0 e 35 so aobsorventes.
0 y 34,
Probabilidade de ganhar:
P9
y
y =0 (10/9)
y =0 (10/9)
(10/9)10 1
= 0.047.
(10/9)35 1
Distribuio estacionria
Distribuio limite
n
I
y I.
xI
!
=
X X
z
(x)P(x, z) P(z, y )
(z)P(z, y ) = (y ).
temos
P
xI
(x)P n (x, y ) = (y ),
y I.
Se 0 = temos que
P(Xn = y ) = (y ),
y I
e a distribuio de Xn independente de n.
I
y I.
P
n
ento P(Xn = y ) =
y I.
x 0 (x)P (x, y ),
Tirando o limite nos dois lados da equao e passando o limite
dentro do somatrio, temos
X
lim P n (x, y ) =
0 (x)(y ), y I.
n
Como
0 (x) = 1 temos
limn P n (x, y ) = (y ),
y I.
y I
Exemplo 1:
P=
1p
p
q
1q
Se p + q > 0 temos
(0) =
q
p+q
(1) =
p
.
p+q
0x <
qx > 0,
0 < x < .
O sistema de equaes
X
(x)P(x, y ) = (y )
x
ser:
r0 (0) + q1 (1) = (0)
py 1 (y 1) + ry (y ) + qy +1 (y + 1) = (y ),
y 1.
Como px + rx + q + x = 1, temos
(1 p0 )(0) + q1 (1) = (0)
py 1 (y 1)+(1py qy )(y )+qy +1 (y +1) = (y ),
y 1.
Portanto,
qy +1 (y + 1) py (y ) = qy (y ) py 1 (y 1),
e consequentemente, por induo
qy +1 (y + 1) py (y ) = 0,
Neste caso, obtemos
(y + 1) =
py
qy +1 (y ).
y 0.
y 1
p0 p1 px1
(0).
q1 q2 qx
Finalmente, se chamamos
0 = 1,
, x =
p0 p1 px1
,
q1 q2 qx
temos
(x) = x (0),
x 0.
x 1,
Temos
que verificar se as solues de (1) satisfazem
P
= 1.
x (x) P
Caso 1: x x < .
!
X
X
1 =
(x) =
x (0)
x
Portanto,
(0) =
P1
x
Caso 2:
x ,
(x) =
x 1.
x = .
!
Px
x x
(x) =
X
x
(0) =
0,
,
se (0) = 0
se (0) > 0
Urna de Ehrenfest
d =3
0
1
0
0
1/3 0 2/3 0
P =
0 2/3 0 1/3
0
0
1
0
1 = 3,
2 = 3,
3 = 1.
(1) = 3/8,
(2) = 3/8,
(3) = 1/8.
1/2 1/
0
0
1/6 1/2 2/6 0
P =
0
2/ 1/2 1/6
0
0 1/2 1/2
Entretanto, 0 = 1, 1 = 3, 2 = 3, 3 = 1.
Portanto, a nica distribuio estacionria dada por:
(0) = 1/8,
(1) = 3/8,
(2) = 3/8,
(3) = 1/8.
(x)p(x, y ) = (y )p(y , x)
(y ) =
X
x
pois
p(y , x) = 1.
(x)p(x, y )
Um estado recorrente se
yy = Py (Ty < +) = 1
Se y recorrente ento:
y recorrente positivo se my = Ey (Ty ) < +;
y recorrente nulo se my = Ey (Ty ) = +;
Defina Nn (y ) o nmero de P
visitas ao estado y nos instantes
1, 2, . . . , n. Isto , Nn (y ) = nm=1 1y (Xm ).
Defina Gn (x, y ) o nmero mdio de visitas ao estado y dado
que X0 = x durante os instantes 1, 2, . . . , n
Gn (x, y ) =
n
X
m=1
Ex [1y (Xm )] =
n
X
m=1
P m (x, y ).
e
lim Gn (x, y ) = G(x, y ) < +.
n
Portanto,
lim
n
Nn (y )
= 0 com probabilidade 1,
n
e
lim
n
Gn (x, y )
= 0, x S.
n
1Ty <
Nn (y )
=
com probabilidade 1,
n
my
e
lim
n
xy
Gn (x, y )
=
, x S.
n
my
Gn (x, y )
1
=
, x, c C
n
my
e se P(X0 C) = 1,
lim
n
Nn (y )
1
=
com probabilidade 1.
n
my
Gn (z, x)
= 0, z S.
n
X
z
(z) lim
n
Gn (z, x)
= 0.
n
Consequncias:
Uma cadeia de Markov positiva recorrente
irredutvel se, e somente se tem uma nica
distribuio estacionria.
Se uma cadeia de Markov tem um nmero finito
de estados e irredutvel ento ela tem uma nica
distribuio estacionria.
Seja Xn , n 0 uma cadeia de Markov irredutvel,
recorrente positiva com distribuio estacionria
. ento com probabilidade 1,
min
n
Nn (y )
= (y ),
n
y S.
Cadeia redutveis:
Teorema: Seja C um conjunto irredutvel fechado de estados
recorrentes positivos. Ento a cadeia de Markov tem uma
nica distribuio estacionria concentrada em C, isto ,
(x) = 0, se x 6 C e (x) = 1/mx se x C.
Suponha que a cadeia tenha dois conjuntos irredutveis
fechados de estados recorrentes positivos C0 e C1 . ento a
cadeia tem uma distribuio estacionria 0 concentrada em
C0 e uma distribuio estacionria 1 concentrada em C1 .
Mais ainda, as distribuies
(x) = (1 )0 (x) + 1 (x)
tambm so estacionrias para a CM.
n
X
f (Xm ).
m=1
(1)
Sejam as v.as Ty
(k )
Ty
(2)
< Ty
= min{n > Ty
; Xn = y }
Teorema ergdico
Assim, as v.as
f (XT (k ) +1 ) + + f (XT (k +1) ),
y
k = 1, 2, . . .
n
my
em probabilidade.
CLT - cont.
Agora escreva,
(k +1)
Ty
Zk =
X
(k )
f (Xm )
y (k +1)
(k )
Ty
Ty
.
my
m=Ty +1
n1
Y
i=0
= P(X0 = x0 )
n1
Y
pxi ,xi+1
i=0
= P(X0 = x0 )
pk ,lk ,l
(n)
k ,lI
n1
Y
i=0
= 0 (x0 )
n1
Y
i=0
= 0 (x0 )
pk ,lk ,l
(n)
k ,lI
Lk (P)
k I
Q
N (n)
onde Lk (P) = lI pk ,lk ,l depende somente dos elementos
na k -sima linha da matrix P.
Seja l(0 , P, x) = log L(0 , P, x). Ento temos as equaes,
X
l(0 , P, x) = l0 (0 , x0 ) +
lk (P, x).
k I
jI
para todo k I. P
Usando multiplicadores de Lagrange e
escrevendo ni = jI temos as estimativas de MV
ij =
p
nij
quando ni > 0
0 (i) = 1(i = x0 ).
ni
ij = 0, j 6= i.
Se ni = 0 colocamos p
Seja
I = {i I : ni > 0}
a poro observada do espao de estados. Obviamente, I
uma matriz estocstica sobre I.
ij , i, j I)
finito. Note que (p
onde
ij,kl
0,
caso contrrio.
e
(1) =
36
X
N1
n
(i)
N11 , . . .
i=1
Eugen Onegin
O prprio Markov deu um exemplo de Cadeia de Markov em
1924. Markov estudou um extrato de um poema de Puskin
chamado Eugen Onegin e classificou 20.000 caracteres
consecutivos em vogais e consoantes.
Vogal seguinte Consoante seguinte Total
Vogal
1106
7536
8638
Consoante
7533
3829
11362
Total
8639
11361
20000
Teoria assinttica
Por simplicidade no caso paramtrico vamos assumir espao
de estados finito. Assuma que as probabilidades de transio
dependam somente de um parmetro , tomando valores em
um espao paramtrico Rr . Vamos assumir as seguintes
condies de regularidade:
1. D = {(i, j); pij > 0} no depende de .
2. Cada pij () 3-vezes continuamente diferencivel.
3. A matriz de dimenso d r , pij ()/k , i, j D,
k = 1, . . . , r e d a cardinalidade de D, tem posto r .
4. Para cada existe somente uma classe ergdica e
nenhum estado transiente.
ln () =
= 0,
k
pij () k
D
k = 1, . . . , k .
(i,j)D
.
log pij ()
n
=
p
7532 + 7533
= 0.753.
20000
o
Teorema: Assuma as condies de regularidade. Seja
(i) 2 l() l( 0 ) 2 (r );
D
l()
(ii) 2 l(P)
2 (d(d 1) r );
(iii) As estatsticas em (i) e (ii) so assintticqamente
independentes.
0 o
Teorema: Assuma as condies de regularidade. Sejam
ij = Nij /Ni .
CM de ordem 1: P
Sob a hiptese de independncia
temos uma distribuio
P
multinomial, com n.j = i nij observaes da categoria com
probabilidade j . A verossimilhana :
l() =
K
1
X
n.j j + n.K (1
j=0
K
1
X
j ),
j=0
X (Nij Ni pij0 )2
Ni pij0
P=
0.753 0.247
obtendo
(Eij ) =
2131.4 6506.6
8558.4 2803.6
ij0 )2
X (nij ni p
ij
ij0
ni p
= 1217.7.