Resumo
Uma sequencia é modelada por uma Cadeia de Markov quando o valor desta no presente pode ser determinado por parte dos valores do passado.
Para um modelo convencional de Cadeia de Markov de ordem l e m estados, o número de parâmetros a serem estimados é da ordem de (m-1)*m^t. Se os valores l e m são pequenos, então este modelo é vantajoso, pois há poucos parâmetros a serem estimados e trabalha a questão de dependência do presente no passado. Suponha que l = 2 e m = 3, então, teremos 18 parâmetros a serem estimados.
Uma outra classe de Cadeia de Markov é a de alcance variável, denominada PCT. Assim, não precisamos considerar todos os passados de tamanho k para estimar o próximo símbolo da cadeia. Precisamos apenas de uma subsequência finita do passado, denominada "Contexto" para estimar o próximo símbolo.
Aplicações de Cadeias de Markov são encontradas em vários ramos do conhecimento, desde Linguística à Engenharias. A grande vantagem destas aplicações é que o modelo de Markov consegue, considerando um conjunto de dados, estimar o presente considerando uma parte do passado. Isto é importante em muitos processos de produção, em análise de ritmos de textos, estudo de genomas, etc..
Neste projeto, pretende-se estudar uma aplicação utilizando dados reais.
Palavras-chave: Cadeia de Markov; Contexto; Estados.