Vous êtes sur la page 1sur 4

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE

CENTRO DE TECNOLOGIAS E RECURSOS NATURAIS


UNIDADE ACADÊMICA DE ENGENHARIA CIVIL
CURSO DE ENGENHARIA ELÉTRICA
DISCIPLINA: FENÔMENOS DOS TRANSPORTES
PROFESSORA DANIELLE SOBREIRA

JOSE DOMINGOS DE ARAÚJO NETO - 114210861


RIVANILDO ALVES SOARES - 114211211

TRABALHO DE PROCESSOS ESTOCÁSTICOS:


CADEIA DE MARKOV

CAMPINA GRANDE – PB

06 DE FEVEREIRO DE 2018
Sumário

1. Introdução ............................................................................
2. Desenvolvimento ..................................................................
2.1 Letra (A) ....................................................................
2.2 Letra (B) ....................................................................
2.3 Letra (C) ....................................................................
3. Conclusão ............................................................................
4. Referências ..........................................................................
1 Introdução

O estudo sobre a probabilidade na maioria das vezes é lidado com processos


independentes, sendo tais a base da teoria da probabilidade clássica. Para alguns
determinados processos, nota-se que o conhecimento dos resultados anteriores
não influencia nas medições e resultados para os próximos experimentos.
Entretanto há processos estocásticos que o resultado dos experimentos futuros
depende exclusivamente dos resultados passados, dessa maneira os resultados
passados influencia diretamente o próximo estado. Com isso o matemático, Andrei
Markov iniciou seus estudos sobre tal processo, o qual seu resultado do
experimento seguinte depende apenas do resultado anterior, conhecido posterior
mente como cadeia de Markov.
Uma cadeia de Markov é uma sequência X1, X2, X3, ... de variáveis aleatórias. O
escopo destas variáveis, isto é, o conjunto de valores que elas podem assumir, é
chamado de espaço de estados, onde Xn denota o estado do processo no tempo n.
Se a distribuição de probabilidade condicional de Xn+1 nos estados passados é
uma função apenas de Xn, então:

𝑃( 𝑋𝑛+1 = 𝑋|𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) = 𝑃( 𝑥0 = 𝑥 |𝑥𝑛 ) (1)

Dado o estudo em sala de aula, o aprofundamento em relação ao tema foge do


escopo do presente trabalho. A Cadeia de Markov tem inúmeras aplicações na
física, química, ciência da informação, etc, podendo ser moldada de várias formas.
2 Desenvolvimento