Cadeias estocásticas de memória ilimitada com aplicação na neurociência

• Ano de defesa: 2019
• Autor(a) principal: Ferreira, Ricardo Felipe
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Cadeias estocásticas de memória ilimitada; Concentration bounds; Inference in stochastic processes; Inferência em processos estocásticos; Invariant measure; Limites da concentração; Medida invariante; Neurociência; Neuroscience; Stochastic chains with unbounded memory
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/104/104131/tde-07082019-103820/

As cadeias estocásticas de memória ilimitada são uma generalização natural das cadeias de Markov, no caso em que as probabilidades de transição podem depender de todo o passado da cadeia. Estas cadeias, introduzidas, independentemente, por Onicescu e Mihoc em 1935 e Doeblin e Fortet em 1937, vêm recebendo uma atenção crescente na literatura probabilística, não só por serem uma classe mais rica que a classe das cadeias de Markov, como por suas capacidades práticas de modelagem de dados científicos em diversas áreas, indo da biologia à linguística. Neste trabalho, as utilizamos para modelar a interação entre sequências de disparos neuronais. Nosso objetivo principal é desenvolver novos resultados matemáticos acerca das cadeias de memória ilimitada. Inicialmente, estudamos as condições que garantem a existência e a unicidade de cadeias estacionárias compatíveis com uma família de probabilidades de transição descontínua. Em seguida, tratamos do entendimento da fenomenologia dos trens de disparos neuronais e usamos da informação dirigida para modelar a informação que flui de uma sequência de disparos a outra. Nesta ocasião, fixamos limites da concentração para estimação da informação dirigida.