Cap 4.1 (atenção, a matriz de transições que o Ross usa é a transposta da que eu uso. A notação do Ross é a mais comum em matemática, enquanto a que eu uso é mais comum em aplicações fora da matemática)
Do capítulo 4: 1, 2, 3
A memória de um processo estocástico é basicamente a quantidade de estados passados que eu preciso para descrever os estados futuros.
Se eu descrevo um processo estocástico usando estados Markovianos, então ele não tem memória.
Se o meu processo tem memória finita eu sempre consigo encontrar um conjunto de estados Markovianos para ele.
0:05 - O que significa um processo não ter memória
2:00 - O random self-avoiding walk como exemplo de um processo com memória
5:10 - O modelo de sol & chuva como um exemplo mais pé no chão de processo com memória
6:56 - Exemplo de realização do sol & chuva
8:05 - Qual é a memória do processo nesse caso?
9:12 - Um conjunto de estados Markoviano para o processo
A noção de ausência de memória pode ser feita mais precisa pela Propriedade de Markov.
Processos estocásticos que obedecem à Propriedade de Markov são chamados de cadeias de Markov e serão o foco do cursoprincipal do curso
A evolução temporal de uma cadeia de Markov pode ser descrita em termos de matrizes em que as distribuições em um dado tempo são representadas por vetores coluna e as probabilidades de transição são representadas em uma matriz (chamada de matriz de transição).
Outra forma de representar as transições possíveis é o grafo de transições que será útil daqui a algumas aulas.