Elaboração de apostila de processos estocásticos

para o ensino a nı́vel de graduação

Hinojosa, A., Milanés, A. & Zeferino, G.M.
Departamento de Estatı́stica, ICEx, UFMG

Sobre o projeto
A disciplina de processos estocásticos é oferecida aos cursos de Estatı́stica, Ciências Atuariais,
Controle e Automação, Matemática Computacional entre outros e também é uma matéria que tem,
eventualmente, alunos dos cursos de Engenharia de Produção, Engenharia Elétrica, Computação,
Economia, Matemática e Fı́sica. Com aplicações também em outras áreas como Sociologia,
Genética, etc.
Existem na literatura de processos estocásticos muitos livros, a maioria deles estão escritos em
inglês e o conteúdo está direcionado para a pós-graduação. Do material em português, a maior
parte está desatualizada ou é muito especı́fica o que invibializa o uso desses materiais por cobrirem
somente um pequeno grupo de apliações como, por exemplo, finanças.
Além da teoria básica de processos estocásticos, o material aborta os principais problemas tratados
na literatura como processo de nascimento e morte, passeio aleatório, mobilidade social, filas, entre
outros e também mostra rotinas computacionais implementadas no programa estatı́sco R [12]. Este
programa vem ganhando muito espaço entre os alunos e profissionais de Estatı́stica de todo mundo
por ser de distribuição gratuita com código aberto além de conter inúmeras função estatı́sticas.
Os algoritmos implementados permite aos alunos o uso das metodologias aprendidas nas diversas
áreas de aplicação dos processos estocásticos. Assim, pretendemos colaborar com este material para
preencher uma série de necesidades pedagógicas e metodológicas com as quais nos temos deparado
no ensino da disciplina e finalmente, a partir da elaboração deste material pretendemos no futuro
redigir um livro sobre processos estocásticos.
Mesmo para uma base de dados pequena como a utilizada, a quantidade de frases que fazem
sentido é grande. Para obter uma maior precisão com relação ao estilo de escrita do autor é
preciso uma quantidade de textos grande pois o número palavras utilizadas também o é, o que
gera matrizes muito esparsas para poucos textos. Outra forma de aumentar a precisão é consi-
derar que as palavras são geradas sengundo um processo estocástico de Markov de ordem 2 ou maior.
Simulação do passeio aleatório simples
O passeio aleatório consiste em uma trajetória formada por passos aleatórios de mesmo tamanho.
Possui aplicações na Fı́sica, Economia, Ciências da Computação e em outros ı́numeros campos.
Como exemplo temos o movimento Browniano das moléculas em lı́quidos e gases, estimação do
tamanho da Web, oscilação dos preços das ações e muitos outros.
A simulação de um passeio aleatório simples em uma dimensão está implementada abaixo em R. A
probabilidade de dar um passo para frente ou para trás é de 50% para o exemplo gerado. Foram
realizados 1.000 passos.
###############################################################
# Rotina que simula o passeio aleatório simples com N passos #
# começando do estado 0 e avançando para o estado seguinte #
# com probabilidade p ou retrocedendo com probabilidade (1-p) #
###############################################################
passeioAleatorio = function(p,N)
{
# Vetor que armazena os estados visitados
estados = numeric(N)
# Estado inicial
estados[1] = 0

O que o material abrange for(i in 2:N)

{
# Número aleatório com distribuiç~
ao
Cadeias de Markov a Tempo Discreto # uniforme entre 0 e 1
u = runif(1)
Exemplos de cadeias de Markov if(u < p) estados[i] = estados[i-1] + 1
Matrizes de transição else estados[i] = estados[i-1] - 1
Classificação dos estados }
# Retorna o vetor com os estados visitados
Probabilidades de absorção
estados
Comportamento assintótico e distribuição invariante }
Modelagens através de cadeias de Markov
Algoritmos estocásticos
Simulação de um passeio aleatório simples
Processos de Poisson
Tempos de chegada
10

Superposição de processos de Poisson

Decomposição de processos de Poisson
Processo de Poisson composto
0

Processo de Poisson não homogênio

Estados

Cadeias de Markov a Tempo Contı́nuo

−10

Estrutura de uma cadeia de Markov a tempo contı́nuo

O gerador infinitesimal
As equações diferenciais de Kolmogorov
−20

Distribuição estacionária e comportamento assintótico

0 200 400 600 800 1000

Algumas aplicações
Gerador de textos via cadeias de Markov
Supondo que a probabilidade de uma palavra qualquer aparecer no texto só depende da anterior, ou
seja, possua a propriedade markoviana, foi modelado um gerador de frases com essa propriedade.
Dado um coleção de textos de um mesmo autor, é calculado a freqüência relativa com que uma
palavra j qualquer aparece depois de uma determinada palavra i. Os dados são armazenados em
uma matriz na posição (i, j). Também é calculado a freqüência relativa com que uma determinada
palavra aparece no inı́cio de uma frase.
Utilizando o programa estatı́stico R, foram implementadas rotinas para gerar uma matriz P como
citado anteriormente e um vetor de distribuição inicial π0 para as palavras que aparecem no inı́cio
da frase. Com esses dados foi implementado um gerador de frases via cadeias de Markov.
Para simplificar o exemplo, foi utilizado um texto para crianças por possuir um número de palavras
menor que um texto em geral. O texto utilizado é composto por frases retiradas do livro infantil
Olho A Olho Da Menina de Marisa Prado [6]. O texto do exemplo possui um total de palavras de
446, sendo 191 distintas.
Algumas frases geradas:
“E ficava apertada por dentro.”
“Menina descobriu que entregava a mão na testa com força , com ninguém.”
“A mentira era que espanta a solidão.”
“Muita graça ser gente mesmo quando mãe achava graça ser gente grande sozinha.”
“E que fingir de mentir porque era essa coisa que não era idéia da gente grande sozinha.”
Passo
A última versão da apostila pode ser encontra no site:
http://homepages.dcc.ufmg.br/~marques/livro/
Referências
[1] P. Brémaud. Markov Chains. Springer, 2001.
[2] E. Çinlar. Introduction to Stochastic Processes. Prentice Hall, New Jersey, 1975.
[3] R. Durrett. Elementary Probability for Applications, Cap. 5. Springer; 2nd ed. edition
http://www.math.cornell.edu/ durrett/ep4a/ep4a.html, 1995.
[4] P. G. Hoel, S. C. S.C. Port, and C. J. Stone. Introduction to Stochastic Processes. Waveland
Press, 1986.
[5] J.L. Snell J. G. Kemeny. Finite Markov Chains: With a New Appendix Generalization of
a Fundamental Matrix. Springer, New York, 1983.
[6] M. Prado. Olho a Olho da Menina. http://ipanema.com/livros/olha/cover.htm, 2008.
[7] S. Resnick. adventures in Stochastic Processes. Birkh 1992.
[8] S.M. Ross. Stochastic Processes. Wiley, 1995.
[9] S.M. Ross. Introduction to Probability Models. Academic Press, 1997.
[10] H.M. Taylor S. Karlin. A First Course in Stochastic Processes. Academic Press, 1975.
[11] E. Seneta. Non-negative Matrices and Markov Chains. Springer, 2006.
[12] R Development Core Team. R: A Language and Environment for Statistical Computing. R
Foundation for Statistical Computing (http://www.R-project.org), Vienna, Austria, 2008.