1 Cadeias de Markov a Tempo Discreto
1.1 Conceitos Básicos
Definição: Uma Cadeia de Markov é um processo estocástico onde a proba-
bilidade de transição para o próximo estado depende apenas do estado atual e
não dos estados anteriores.
Matriz de Transição (P): Define as probabilidades de mover de um estado
a outro em uma etapa. Para estados S = {0, 1, 2, . . .}, uma matriz de transição
é representada como:
p00 p01 · · ·
P = p10 p11 · · ·
.. .. ..
. . .
onde pij é a probabilidade de transitar do estado i para o estado j.
1.2 Fórmulas Importantes
Número de Visitas a um Estado (Recorrência): Para calcular quantas
vezes um estado j é visitado antes de retornar a um estado inicial i, usa-se a
distribuição geométrica, comum em processos de primeira passagem.
P (Ni (j) = n) = (1 − p)n−1 p (para n > 0)
Tempo Esperado de Retorno: O tempo esperado de retorno ao estado i,
dado que começou no estado i, é denotado por E(Ti ). Se a cadeia é ergódica, o
valor esperado de Ti é finito e igual a π1i , onde πi é a probabilidade estacionária
do estado i.
Probabilidade Estacionária: As probabilidades estacionárias são P encon-
tradas resolvendo o sistema π = πP com a condição de normalização i πi = 1.
Para uma cadeia simétrica, essa solução é mais simples devido à repetição cı́clica
das probabilidades.
2 Teoria de Filas e Tempos de Serviço
2.1 Conceitos Básicos
Filas e Processos de Atendimento: Modelamos um sistema com múltiplos servi-
dores onde o tempo que cada cliente passa em fila ou em atendimento é uma
variável aleatória. Um exemplo clássico é o sistema M/M/1, onde chegadas e
tempos de serviço seguem uma distribuição exponencial.
Distribuição Exponencial: Para uma taxa de atendimento µ, o tempo de
serviço T tem uma distribuição exponencial com função densidade:
f (t) = µe−µt , t≥0
1
e valor esperado E(T ) = µ.
1
2.2 Fórmulas Importantes
Tempo Esperado no Sistema (Little’s Law): Em sistemas de fila, uma
relação importante é a Lei de Little:
L = λW
onde L é o número médio de clientes no sistema, λ é a taxa de chegada, e
W é o tempo médio de espera de um cliente no sistema.
Espera Condicional: Quando há mais de um servidor, o tempo de espera
depende da disponibilidade de cada servidor. A espera condicional, especial-
mente em distribuições exponenciais, se beneficia da propriedade de “falta de
memória”: a probabilidade de esperar mais t dado que já esperou s é a mesma
de esperar t desde o inı́cio.
3 Processos de Renovação com Manutenção Pois-
son
3.1 Conceitos Básicos
Processo de Poisson: Este processo modela eventos que ocorrem independen-
temente ao longo do tempo a uma taxa constante λ. A quantidade de eventos
em um intervalo t é dada pela distribuição de Poisson:
(λt)k e−λt
P (N (t) = k) =
k!
Processo de Renovação: Modela o recomeço de um sistema, como a sub-
stituição de lâmpadas queimadas. A taxa de queima é dada por uma distribuição
exponencial com parâmetro µ, e a manutenção substitui todas as lâmpadas
queimadas.
3.2 Fórmulas Importantes
Probabilidade Estacionária para Renovação Completa: Em um sistema
onde a manutenção ocorre a cada taxa λ, a proporção do tempo com todos os
itens funcionando (ex.: lâmpadas acesas) é:
λ
πN =
λ + Nµ
Proporção do Tempo com k Itens Ativos: Para um número k de itens
funcionando, a probabilidade estacionária πk é:
N !λk µN −k
πk = QN
j=k (λ + jµ)
2
4 Processos de Nascimento e Morte em Filas
Limitadas
4.1 Conceitos Básicos
Processos de Nascimento e Morte: Modela sistemas com entradas e saı́das,
como um salão com capacidade limitada. A chegada de clientes é um “nasci-
mento”, e a saı́da após o atendimento é uma “morte”.
4.2 Fórmulas Importantes
Probabilidades Estacionárias: Para um sistema de capacidade S onde λ é
a taxa de chegada e µ a taxa de atendimento, as probabilidades estacionárias
πk para cada estado k (clientes no salão) são:
λk
µk
πk = PS λj
j=0 µj
Taxa de Utilização e Tempo Médio: A utilização é a proporção de
tempo que o servidor está ocupado, e o tempo médio de espera na fila ou no
sistema pode ser encontrado com as fórmulas de Little.
5 Cadeias de Markov a Tempo Contı́nuo
As cadeias de Markov a tempo contı́nuo são usadas para modelar processos onde
eventos ocorrem de forma contı́nua ao longo do tempo, como falhas e reparos
de máquinas.
5.1 Conceitos Principais
Espaço de Estados: Define todos os possı́veis estados que o sistema pode
assumir. Exemplo: número de máquinas funcionando em uma fábrica.
Taxa de Transição: Representa a taxa com que o sistema transita de um
estado para outro, dada por uma matriz Q onde cada qij é a taxa de transição
do estado i para o estado j.
5.2 Fórmulas Essenciais
Matriz de Taxas de Transição (Q): Para uma cadeia com estados {0, 1, . . . , m},
as taxas de transição qij indicam a rapidez com que o sistema passa de i para
j.
Exemplo de matriz Q para uma máquina em falha e reparo:
−a b
Q=
a −b
3
Onde a é a taxa de falha e b a taxa de reparo.
Equações de Estado Estacionário: Para obter a distribuição estacionária
π = (π0 , π1 , . . . , πm ), resolvemos:
m
X
πQ = 0 e πi = 1.
i=0
Isso fornece as proporções de tempo em que o sistema permanece em cada
estado.
Probabilidade de Estado com Reversibilidade: O sistema é reversı́vel
se satisfaz a condição de equilı́brio detalhado:
πi qij = πj qji ∀i, j.
6 Tempo de Vida e Substituição de Componentes
Esse tema envolve variáveis aleatórias associadas ao tempo de vida de compo-
nentes, muitas vezes distribuı́das uniformemente ou exponencialmente.
6.1 Conceitos Principais
Distribuição Exponencial: Modela o tempo até um evento como a falha de
um componente, com média λ1 . Tem a propriedade de “falta de memória” – o
tempo adicional até a falha é independente do tempo já decorrido.
Distribuição Uniforme: O tempo de vida pode ser uniformemente dis-
tribuı́do em um intervalo [a, b], onde cada valor entre a e b é igualmente provável.
6.2 Fórmulas Essenciais
Função Densidade da Exponencial: Se T é o tempo de vida com taxa λ, a
função densidade é:
f (t) = λe−λt , t ≥ 0.
Probabilidade de Vida Útil ¿ t:
P (T ≥ t) = e−λt .
Função Densidade da Uniforme: Se T ∼ U [a, b], então:
1
f (t) = , t ∈ [a, b].
b−a
Probabilidade de Vida Útil ¿ t (para t ∈ [a, b]):
b−t
P (T ≥ t) = .
b−a
4
7 Processo de Poisson e Chegadas de Clientes
em Grupos
Processos de Poisson modelam chegadas de eventos independentes, como grupos
de clientes, com uma taxa constante.
7.1 Conceitos Principais
Processo de Poisson: Define a chegada de eventos com uma taxa constante k.
O número de eventos N (t) em um intervalo de tempo t segue uma distribuição
de Poisson:
(kt)n e−kt
P (N (t) = n) = .
n!
Tempo Entre Eventos (Distribuição Exponencial): O tempo entre
duas chegadas em um processo de Poisson é exponencialmente distribuı́do com
média k1 .
7.2 Fórmulas Essenciais
Número de Eventos em um Intervalo (Distribuição de Poisson): Para
um processo com taxa k, o número de eventos em tempo t tem média:
E[N (t)] = kt
e variância:
Var(N (t)) = kt.
Valor Esperado e Variância de Grupos: Se cada grupo tem um número
de pessoas uniforme entre {1, 2, 3, 4, 5} e a taxa de chegadas de grupos é k, o
número esperado de pessoas que chegam em um tempo t é:
E[X] = t · k · E[tamanho do grupo] = t · k · 3 = 3kt.
Para a variância, usamos a variância do número de grupos (kt) e do tamanho
do grupo 16
3 , resultando em:
16
Var(X) = kt · .
3
Tempo até a Chegada de um Grupo Especı́fico: Se buscamos o tempo
até a chegada de um grupo com pelo menos um certo número de pessoas, esse
tempo é distribuı́do exponencialmente com taxa k×P (grupo atende ao critério).
Esses são os conceitos e fórmulas para modelar e resolver questões sobre
cadeias de Markov a tempo contı́nuo, tempo de vida e processos de substi-
tuição de componentes, e processos de Poisson para chegadas de clientes. Esses
princı́pios são aplicáveis a diversas situações de processo estocástico e oferecem
um caminho sólido para análise e solução em provas e problemas similares.