NÚCLEO DE PÓS-GRADUAÇO EM
MATEMÁTICA
Ávido Sadotede BarrosNeto
CADEIAS DE MARKOV NO ENSINO MÉDIO
professorsadotegmail.om
São Cristovão
DEPARTAMENTO DE MATEMÁTICA
Ávido Sadotede BarrosNeto
CADEIAS DE MARKOV NO ENSINO MÉDIO
Dissertação apresentada à Bana Examinadora do
Departamento de Matemátia da Universidade Federal
de Sergipe, omo exigênia parial para a obtenção do
títulode Mestre emMatemátia.
ORIENTADORA: Professora Doutora Débora
Lopes
professorsadotegmail.om
São Cristóvão
Dediatória ii
Agradeimentos iii
Resumo v
Introdução vi
1 Denições 1
1.1 Cadeia de Markov . . . 1
1.2 Diagrama de Transiçãode Estado . . . 2
1.3 Vetor Probabilidade. . . 5
1.4 Matriz de Transiçãoda Cadeiade Markov . . . 6
1.5 Determinação de EstadosFuturos (ProbabilidadesFuturas) . . . 7
1.6 Cadeias de Markov Ergódias . . . 14
1.7 Cadeias Regulares. . . 15
1.8 Estado Estaionário . . . 17
2 Apliações à Cadeia de Markov 21 2.1 Criando Músia apartir de uma matriz de transição . . . 21
2.1.1 NoçõesElementares sobre Músia . . . 21
2.1.2 Criando Músia Aleatoriamente . . . 23
2.1.3 Gerando uma músia jogando dados. . . 24
2.2 Produção X Sustentabilidade . . . 27
2.2.1 O que éSustentabilidade? . . . 27
2.2.2 Os problemas . . . 28
3 Sugestões de Atividades 1
4 Considerações Finais 4
Dedio este trabalhoà minha família,espeialmente
à minha lha Lana Sadote Gouveia de Barros, ao meu
lho Luan Sadote Roha de Barros e à minha querida
mãeElineBarbosadosSantos,pelaspresençasamorosas
emminhavida,alimentando-me,sempreedurantetodo
Ao Grande Gemetra do Universo, que geometriza sem essar, inteligênia suprema,
ausa primáriade todas asoisas, Deus.
À minha mãe Eline, meu modelo de força, fé, resignação e oragem.
À minha lha Lana e ao meu lho Luan, meus maiores motivadores, que por
diver-sas vezes, mesmo sem alançar o signiado do meu mestrado em nossas vidas, foram
ompreensivos om asminhas ausênias, nos períodos de estudo mais intenso.
À minhaesposa Karol eaomeu irmãoJuninho que,de algumaformame inentivam,
torendo pelopelo meu suesso.
Àminhaorientadora,ProfessoraDébora Lopes, pelaompetêniaegenerosidadeom
queexeutou a parteque lheabia nesse proesso.
Ao orpo doente e à oordenação, pela dediação ao ministrar asaulas, que
olabo-rarampara o meu amadureimentoaadêmio.
Aos amigos e demais familiaresque ofertaram sua parela de orações, toridasinera
e palavrasde enorajamento. Dentre os amigos, espeialmente, agradeço a Déio, irmão
pelooração, porseu ompanheirismoeumpliidade,eàtia Lísia,quetantovibraom
meusêxitos e meestimula aprosseguir quando fraasso. Muito obrigado, Lísia.
Aos meusAnjosdaGuarda,Zen, Barros, Ana,João etantosoutros,pelaabnegação
om que,invisíveise amorosos, se fazem presentes sempre,sempre...
Às pessoas generosas que ontribuíram para o deferimento da minha Liença para
Estudo,nos âmbitosestadual emuniipal: Nádia, Lusinete, Gilmar Carvalho, Josevanda
Franoe Wesley.
Aos que, por fragilidade ou ignorânia, se fazem pedra de tropeço em meu aminho,
tentandodiultar aminhaaminhada. Comeles,tambémaprendo,sendo, muitasvezes,
notropeço, impulsionadoa seguir emfrente.
Aos olegas de Mestrado, pela ontribuição e ompanheirismo om que olaboraram
para o resultado exitoso deste trabalho, espeialmente a Cesinha, Hélio, Evinha, Lúia e
Anselmo.
AosmeusamigosMário,DavieWellington,portodadisponibilidadeepaiêniaom
quemebrindaram.
Este trabalho apresenta um assunto abordado em alguns ursos de graduação
deno-minado de Cadeias de Markov. São explanados oneitos de Cadeia de Markov omo
Matriz Estoástia, Vetor-Estado,dentre outros. São apresentados alguns exemplos
on-textualizadosdemodoafailitaraompreensãodoassunto,vistoqueopresentetrabalho
objetiva ressalvar a importânia de desenvolver aulas om temas do ensino superior em
turmas do ensino médio. Além disso, serão apresentadas noções de alguns oneitos
musiais objetivando mostrar uma possibilidade de omposição algoritmiautilizando o
ProessodeMarkov. Tambémserãoabordadasnoçõeselementaressobresustentabilidade
e será exposto um modelo matemátio envolvendo Cadeia de Markov om o intuito de
demonstrar aoaluno a importâniadatomada de deisões de modoorreto eplanejado,
eprourandodespertar nodisentenãosomenteauriosidadeeogostopelamatemátia,
mastambém desenvolvernomesmoaapaidadede riareraioinar,tornandooestudo
damatemátia mais aprazível einteressante.
Palavras Chaves: Cadeia de Markov, ensino médio, oneitos musiais,
Sabemosqueo ensinodamatemátiaé umárduodesao, emais aindanaatualidade,
em que vivemos a era do onheimento, da informação e da tenologia. Para agravar
aindamaisessequadro,alia-seaissoafailidade enontradapelosalunosemaprovações
progressivas e aausênia familiarna partiipaçãoda vidaesolar dodisente.
Como motivarosalunos diante dessa realidade? Estudamos matemátiadesde as
sé-ries iniiais esabemos que é uma iêniaque está presente no nosso dia-a-diaem muitas
oisas. No entanto, muitas vezes, não mostramos sua apliabilidade de modo a
desper-tar o interesse do aluno. Por esta razão, o presente trabalho objetiva mostrar algumas
apliações de um onteúdo matemátio abordado no ensino superior e sua relação om
diversasáreasdoonheimento,asCadeiasdeMarkov. Alémdisso,mostrarqueépossível
introduzir talonteúdono Ensino Médio.
Demodosimples,podemosdizerquequandoaprobabilidadedealgoaonteeramanhã
dependeapenasdoqueaonteehoje,enãodoqueaonteeumaisanteriormente,teremos
o que é denominado de Cadeia de Markov. Imagine, por exemplo, que a probabilidade
de amanhã está ensolarado dependa apenas de saberse hoje estava ensolarado, nublado
ouhuvoso; ou, que aprobabilidadeda bolsa subir ouair amanhã dependa apenas dela
ter subido ou aído hoje; ou ainda que a sequênia de aordes de uma músia dependa
apenasdaprobabilidadedoaordeanterior. Podemos itardiversas situaçõesquepodem
ser estudadas omo uma adeia de Markov.
Sendoassim,asadeiasdeMarkovsãouminstrumentomuitopoderosoerelativamente
simplesparaprevisões. HádisiplinasinteirasqueestudamadeiasdeMarkoveapliações
emdiversasáreas. Sãousadas embiologia,administração,eonomia,químia,naprópria
matemátia,entreoutras. Emtodasessasáreas,essasadeiaspodemdesreverummodelo
queé realizadomuitas vezes da mesmamaneira,atravésde uma sequêniade etapas.
Para failitaros álulos,obterresultados mais seguros epreisos, failitaro
entendi-mento dos alunos e melhorara ompreensão, pode-sefazer uso de alguns reursos
Denições
1.1 Cadeia de Markov
Cadeiade Markov é uma sequênia de estados seguindo o proesso de Markov.
Proesso de Markov é um proesso em que a probabilidade de transição de um
fen-meno depende apenas doestado em queele se enontrae do estadoa seguir. Em outras
palavras, é o proesso de passar de um estado para outro dentro de um sistema em que
algumaspassagens de transições têm mais probabilidade de aonteer do que outras, ou
seja,éumtipodeproessoondeasdistribuiçõesdeprobabilidadeparaopassosfuturosdo
proessodependemsomentedoestadopresente, desonsiderandoomooproesso hegou
a tal estado, onde o espaço de estados é disreto (enumerável). Por exemplo, a
tempe-ratura em erta região pode estar fria ou quente; o tempo emdeterminada idade pode
estarensolarado,nubladoouhuvoso; emmúsia,pode-sedeterminarospossíveisaordes
posteriores desde que se onheça o aordeatual; uma pessoa pode estar emoionalmente
feliz,triste, tensa ou irritada;o sistema pode mudar de um estado para outro. Supondo
que se observa o estado do sistema em períodos xos de tempo. Em muitas apliações,
onheemosoestado atualdosistemae queremosprevero estadonopróximoperíodode
observação ouem algumperíodofuturo.
Suponhamosporexemplo,quenumadeterminadaregião,observa-sequeseumanofor
huvoso, aprobabilidadede oanoseguintesejaigualmentehuvoso é
1
4
,eaprobabilidadedequehajaseaé
3
4
. Ainda,emoorrendoseanumano,aprobabilidadedequetambémoorra noseguinteé a mesma de queseja um ano huvoso, istoé,
1
2
. Suponhamos, para termos um indiador de situação, que as probabilidades não mudem om o deorrer dotempo.Os estados possíveis para este proesso são, pois: huva (C) e sea(S).
Podemos ter, então, as seguintes sequênias de aonteimentosonforme o Diagrama
Assim, sabendo que no primeiro ano houve sea, a probabilidade de que hova no
tereiro ano, ou seja, a probabilidade que hova após 2 anos de um ano de sea será
dada por
1
2
·
1
4
+
1
2
·
1
2
=
3
8
. Conforme o número de anos aumenta,as ontas se tornam mais ompliadas. Desse modo, para previsões a longo prazo, temos que prourar outroproedimento. Isto pode ser feito se introduzirmos alguns oneitos sobre a Cadeia de
Markov.
1.2 Diagrama de Transição de Estado
Uma maneira alternativa para reproduzir uma Cadeia de Markov, é utilizar uma
representação gráadenominadaDiagramade Transiçãode Estado. Nestediagramasão
visualizados:
osestados (representado por írulos);
astransições(representadas por aros ouehas);
asprobabilidadesdas transições.
Os sentidos dos aros indiama probabilidade de transição de um estado
i
para um estadoj
. Demodogeral,pode-serepresentar osestadoseasprobabilidadesde transição, respetivamente, porEi
ePij
,ondei
ej
são umíndies queidentiamosvários estados possíveis (logoPij
é a probabilidade de haver uma transição do estadoEi
para o estadoExemplos:
Exemplo 1.
Suponha que o tempo em uma determinada região é huvoso ou ensolarado. Devido
aos registrosexistentes, determinou-se queaprobabilidadede seter um diahuvoso logo
após um dia ensolarado é de
1
3
, e a probabilidade de se ter um dia ensolarado após umdiahuvoso é de
1
2
. Se representarmos porE1
o estadode um dia ensolarado eporE2
o de um diahuvoso, então o diagramade transição dessa adeia de Markov é:Figura1.3: Diaramado exemplo 1
Exemplo 2.
Sabe-sequeomovimentodegruposdepessoas,de umaregiãoparaoutraéum objeto
deestudodosdemógrafos. Consideremosummodelosimplesparaavariaçãodapopulação
de uma idade e dos subúrbios vizinhos ao longo de um determinado período de anos.
idade) enquanto 3% da população dos subúrbios se mudam para aidade (isto é, 97%
permaneem no subúrbio). Se representarmos por
E
1
a populaçãoda idade e porE
2
a populaçãodosubúrbio, então odiagramade transição dessa adeia de Markov é:Figura1.4: Diagrama doexemplo 2
Exemplo3.
Uma loadora de automóveis tem três lojas de atendimento, denotadas por 1, 2 e 3.
Umliente pode alugarum arro de qualquer uma das três lojas e devolver o arro para
qualquer uma das três lojas. O gerente perebe que os lientes ostumam devolver os
arros om as seguintes probabilidades: Quem aluga da loja 1 tem 10% de hane de
devolver naloja 2e 10%de hanede devolvernaloja 3;Quem alugadaloja2 tem 30%
de hane de devolver na loja 1 e 50% de hane de devolver na loja 3; Quem aluga da
loja 3 tem 20% de hane de devolver na loja 1 e 60% de hane de devolver na loja 2.
Serepresentarmos por
E1
,E2
eE3
aslojas1, 2e3respetivamente, então odiagramade transição dessa adeiade Markov será:Denimos omo vetor de probabilidade a matriz linha que ontém as probabilidades
de transição de um estado para outros estados em um intervalo de tempo disreto. A
generalizaçãodovetor de probabilidade pode ser dada por:
Vi
=
h
Pi1
Pi2
Pi3
... Pik
i
,
onde:
Pi1
indiaa probabilidadede haver transição doestadoEi
para o estadoE
1
,Pi2
indiaa probabilidadede haver transição doestadoEi
para o estadoE2
,Pi3
indiaa probabilidadede haver transição doestadoEi
para o estadoE3
,...,
Pik
india a probabilidadede havertransição doestadoEi
para oestadoEk
.Deve-se observar que os elementos de um vetor de probabilidadesão não negativos e
quea soma dos mesmos sempreserá igual a 1.
Éimportantedestaar também,queum vetorde probabilidadenaenésimaobservação
éindiado por
V
(n)
i
,sendo assim:V
i
(0)
éo vetor de probalidade numa observação iniial,V
i
(1)
éo vetor de probalidade numa primeiraobservação,V
i
(2)
éo vetor de probalidade numa segunda observação, e assim suessivamante.Utilizando os exemplos da seção 1.2 e uma vez que todas as probabilidades sejam
onheidas,teremos:
Para oexemplo 1,exemplo do tempo:
V1
=
h
2
3
1
3
i
V
2
=
h
1
2
1
2
i
V
1
=
h
95% 5%
i
V2
=
h
3% 97%
i
Para oexemplo 3,da loadora:
V1
=
h
80% 10% 10%
i
V2
=
h
30% 20% 50%
i
V3
=
h
20% 60% 20%
i
1.4 Matriz de Transição da Cadeia de Markov
Nota-se que para ada estado deve haver um vetor de probabilidade. À união de
todos os vetores de probabilidade em uma matriz
M
= [Pij
]
dá-se o nome de matriz de transição. Porexemplo, numa adeia de Markov de k estados, a matrizde transição temoseguinteformato:
M
=
P11
P12
P13
... P1k
P21
P22
P23
... P2k
P31
P32
P33
... P3k
...
...
... ...
...
Pk1
Pk2
Pk3
... Pkk
,
onde
i
indiao estado preedente ej
onovo estado.Nestamatriz,
P32
éaprobabilidadedosistemamudardoestado3paraoestado2,P22
éaprobabilidadede osistemaontinuar noestado2apóster sidoobservado noestado2,P21
éaprobabilidadede osistemamudardoestado2para oestado1, eassimpordiante.Éimportanteobservarqueomo
Pij
éumaprobabilidade,temosentãoque0
≤
Pij
≤
1
(1
≤
i, j
≤
k
). Deve-se notar também, que as adeias de Markov têm a propriedade que as entradas em qualquer linha somam 1. Isto se deve ao fato de que se o sistema estáno estado
i
em um determinado período de observação, então ele tem que estar em um dosk
estados possíveis (inlusive pode permaneer no estadoi
) no próximo período de observação. Desse modo:A matrizde transição
M
=
P11
P12
P13
... P1k
P21
P22
P23
... P2k
P31
P32
P33
... P3k
...
...
... ...
...
Pk1
Pk2
Pk3
... Pkk
,
tambémé denominadaMa-triz Estoástia,Matriz de ProbabilidadeouMatriz de Markov.
Nos exemplosda seção 1.2, teríamos:
Para oexemplo 1,exemplo do tempo:
M
=
"
2
3
1
3
1
2
1
2
#
,
Para oexemplo 2,da migração:
M
=
"
95%
5%
3% 97%
#
,
Para oexemplo 3,da loadora:
M
=
80% 10% 10%
30% 20% 50%
20% 60% 20%
1.5 Determinação de Estados Futuros (Probabilidades
Futuras)
A matriz de transição juntamente om vetor de probabilidade são úteis na
determi-naçãode estados futuros aolongo do tempo. Suponhamosque seja onheido ovetor de
probabilidade
V
(0)
i
de uma adeia de Markov em alguma observação iniial. O próximo teorema nos permitirá determinar os vetores de probabilidadeV
(1)
i
,V
(2)
i
,V
(3)
i
, ...,V
(n)
i
, et, nas observações subsequentes.Teorema 1 Se
M
é a matriz de transição de uma adeia de Markov,V
(1)
i
=
V
(0)
i
, visto quenaprimeiraobservaçãotemos oprópriovetor probabilidadedetransiçãodeumestadopara outros estados e onsiderando
V
(n)
V
i
(n)
=
V
(n
−
1)
i
·
M
Aprovadesteteoremaenvolveideiasdateoriadeprobabilidadesenãoserádadaaqui.
(O leitor interessado pode onsultar um texto mais espeializado, por exemplo o de A.
Brue Clarke e Ralph L. Disney, Probabilidade e Proessos Estoástios.). No entanto,
para um melhor entendimento podemos observar um sistema om dois estados
E1
eE2
, ondePij
é a probabilidade do sistemamudar do estadoi
para o estadoj
,V
(0)
1
é o vetorprobabilidadeiniialonforme o diagramade árvore dagura 1.6.
Figura1.6:
Observando o diagrama,temos:
V
1
(1)
=
V
1
(0)
=
h
P11
P12
i
V
1
(2)
=
h
P11
·
P11
+
P12
·
P21
P11
·
P12
+
P12
·
P22
i
=
h
P11
P12
i
·
"
P
11
P
12
P21
P22
#
V
1
(2)
=
V
1
(1)
·
M
V
1
(3)
=
"
P11
·
P11
·
P11
+
P11
·
P12
·
P21
+
P12
·
P21
·
P11
+
P12
·
P22
·
P21
P11
·
P11
·
P12+
+P11
·
P12
·
P22
+
P12
·
P21
·
P12
+
P12
·
P22
·
P22
#
V
1
(3)
=
h
P11
P12
i
·
"
P11
·
P11
+
P12
·
P21
P11
·
P12
+
P12
·
P22
P21
·
P11
+
P22
·
P21
P21
·
P12
+
P22
·
P22
V
1
(3)
=
h
P11
P12
i
·
"
P11
P12
P21
P22
#
·
"
P11
P12
P21
P22
#
V
1
(3)
=
V
1
(2)
·
M
Desse modopodemosaveriguar averaidade do teorema1,para
V
(2)
1
,V
(3)
1
, et.Desse teoremasegue que:
V
i
(1)
=
V
i
(0)
V
i
(2)
=
V
i
(1)
·
M
=
V
i
(0)
·
M
V
i
(3)
=
V
i
(2)
·
M
=
V
i
(0)
·
M
·
M
=
V
i
(0)
·
M
2
V
i
(4)
=
V
i
(3)
·
M
=
V
i
(0)
·
M
2
·
M
=
V
i
(0)
·
M
3
.
.
.
V
i
(n)
=
V
(n
−
1)
i
·
M
=
V
(0)
i
·
M
(n
−
2)
·
M
=
V
(0)
i
·
M
(n
−
1)
V
i
(n)
=
V
(0)
i
·
M
(n
−
1)
Sendo assim, o vetor-estado iniial
V
(0)
i
e a matriz de transiçãoM
determinamV
(n)
i
para
n
= 1, 2, 3, 4,... .O vetor resultante desta equação onterá as probabilidades de transição de um estadoEi
após um períodon
.Para um melhorentendimentovamos aos exemplos daseção 1.2.
Para efetuar os álulos om asmatrizes, poderemos usar um software omo o Exel
ouum hamado Winmat. OWinmat, além de ser um software livree de fáil
manipula-ção,permitequesedenameonstruammatrizes,realizemoperaçõesbásiasomosoma,
subtração e produto. O uso desses softwares pode ajudar naobtenção de resultados
Desseexemplojátemosodiagramadetransição,osvetoresdeprobabilidadeeamatriz
de transição.
Figura1.7: Diagrama doexemplo 1
V
1
=
h
2
3
1
3
i
V2
=
h
1
2
1
2
i
M
=
"
2
3
1
3
1
2
1
2
#
,
Caso se queira obter a probabilidadede um dia huvoso após 4 dias de um dia
enso-larado,têm-se aseguinteequação e sua resolução:
V
1
(4)
=
V
1
(0)
·
M
3
V
1
(4)
=
h
2
3
1
3
i
·
"
2
3
1
3
1
2
1
2
#
3
=
h
2
3
1
3
i
·
"
65
108
43
108
43
72
29
72
#
=
h
389
648
259
648
i
V
1
(4)
≈
h
60,
03% 39,
97%
i
Ovetor
V
(4)
1
≈
h
60,
03% 39,
97%
i
india queum diaensolarado tem uma
probabi-lidadede quase 40% de estar huvoso apósquatro dias, assim omo tem aprobabilidade
de aproximadamente60% de ontinuar ensolarado.
Exemplo 2:
V1
=
h
95% 5%
i
V2
=
h
3% 97%
i
M
=
"
95%
5%
3% 97%
#
Supondoumapopulaçãoiniialnaidadede600.000habitantesenosubúrbio400.000
habitantes, podemos analisarosefeitos dessa migraçãoaolongode dois anos, veriando
aquantidade de habitantes emada lugar aolongo dotempo. Observemos:
V
1
(2)
=
V
1
(0)
·
M
=
h
95% 5%
i
·
"
95%
5%
3% 97%
#
=
h
90,
4% 9,
6%
i
e
V
2
(2)
=
V
(0)
2
·
M
=
h
3% 97%
i
·
"
95%
5%
3% 97%
#
=
h
5,
76% 94,
24%
i
Desse modoa matrizde transição nosegundo ano será:
M
=
"
90,
4%
9,
6%
5,
76% 94,
24%
#
Tal matriz espeia que 90,4% da população da idade permaneerão na idade e
9,6% irão para o subúrbio. Mostra também que 5,76% dos que vivem no subúrbio irão
para a idade e 94,24% permaneerão. Se quisermos saber a população em ada
re-giãofazemos:
h
600.000 400.000
i
·
"
90,
4%
9,
6%
5,
76% 94,
24%
#
=
h
565.440 434.560
i
,
ouseja,Dispomos desse exemplo o diagrama de transição, os vetores de probabilidade e a
matrizde transição.
Figura1.9: Diagrama doexemplo 3
V
1
=
h
80% 10% 10%
i
V
2
=
h
30% 20% 50%
i
V3
=
h
20% 60% 20%
i
M
=
80% 10% 10%
30% 20% 50%
20% 60% 20%
Digamos que um arro éalugado daloja 2. Podemos analisaros vetores estados
pos-terioresdesse estado.
V
2
(1)
=
V
2
(0)
·
M
0
=
h
30% 20% 50%
i
V
2
(2)
=
V
2
(0)
·
M
1
=
h
30% 20% 50%
i
·
80% 10% 10%
30% 20% 50%
20% 60% 20%
=
h
V
2
(3)
=
V
2
(0)
·
M
2
=
h
30% 20% 50%
i
·
80% 10% 10%
30% 20% 50%
20% 60% 20%
2
=
h
47,
7% 25,
2% 27,
1%
i
V
2
(4)
=
V
(0)
2
·
M
3
=
h
30% 20% 50%
i
·
80% 10% 10%
30% 20% 50%
20% 60% 20%
3
=
h
51,
1% 26,
1% 22,
8%
i
V
2
(5)
=
V
2
(0)
·
M
4
=
h
30% 20% 50%
i
·
80% 10% 10%
30% 20% 50%
20% 60% 20%
4
=
h
53,
3% 24% 22,
7%
i
.
.
.
V
2
(10)
=
V
2
(0)
·
M
9
=
h
30% 20% 50%
i
·
80% 10% 10%
30% 20% 50%
20% 60% 20%
9
=
h
55,
6% 23% 21,
4%
i
V
2
(11)
=
V
2
(0)
·
M
10
=
h
55,
7% 23% 21,
3%
i
V
2
(12)
=
V
2
(0)
·
M
11
=
h
55,
7% 23% 21,
3%
i
V
2
(13)
=
V
(0)
2
·
M
12
=
h
55,
7% 23% 21,
3%
i
V
2
(14)
=
V
2
(0)
·
M
13
=
h
55,
7% 23% 21,
3%
i
Devemos fazerduas observaçõesneste exemplo:
1 o
) Não é neessário saber quanto tempo o liente ou om o arro, visto que num
proessode Markov otempo entre asobservaçõesnão neessita ser regular.
2 o
) Para todos os valores de
n
maiores doque 11, todos os vetores-probabilidadesãoiguais a
V
(11)
2
até uma asa deimal, ou seja, os vetores-probabilidade onvergem a umUma adeia de Markov é denominada de ergódia se é possível irde um estado para
qualquer outro da adeia(não neessariamente emum únio passo).Os exemplos 1, 2 e 3
daseção 1.2são exemplos de adeias ergódias.
É possível também determinar se uma adeia é ergódia a partir de uma matriz de
transição, para isso, basta veriar se há probabilidades nulas e se estas tornam algum
estadoinalançável.
Como exemplo, a matriz de transição seguinte é ergódia, mesmo havendo
probabili-dadesnulas. Istopode ser veriado peloseu diagramade transição.
Figura1.10:
M
=
0,
1 0,
5 0,
4
0,
2 0,
8
0
0 0,
1 0,
9
Uma adeia não-ergódia, também hamada de adeia absorvente, é uma adeia de
Markov onde existemestadosonde não épossívelrealizaratransição para nenhum outro
estado. Como exemplo podemos itar uma variantedojogo A Ruína doJogador .
No iníio do jogo, o jogador tem somente R$2,00. De aordo om as regras do jogo,
o jogador deve apostar apenas R$1,00 por vez. Com probabilidade
p%
o jogador ganha R$1,00e om probabilidade(1
−
p)%
o jogador perde R$1,00. O jogoaaba, sem direito aempréstimos ouprorrogações, quando o jogador perde tudo ouquando atinge R$3,00.Considerando-se
Qt
omoaquantidadedeapitalqueojogadortememumdetermi-nadoinstante
t
,existem4estadospossíveis(Qt
= 0,
1,
2,
3
). Deaordoom odiagrama de transição desse exemplo, veria-se que estando no estado 0 ou 3 não é possível ir a1.7 Cadeias Regulares
Uma matriz de transição é regular se uma potênia positiva da matriz tem todas
as entradas positivas. Uma adeia de Markov governada por uma matriz de transição
regularéhamadade adeiade Markovregular. Todaadeiaregularétambémergódia,
onformeveriaremos. Vejamos o seguinte exemplo:
Uma guarda de trânsito é designada para ontrolar o tráfego nos oito ruzamentos
indiados nagura seguinte.
Figura1.12:
Ela é instruída a permaneer em ada ruzamento por uma hora e, em seguida, ou
permaneer nomesmoruzamentoouseguir para um ruzamentoadjaente. Para evitar
queelaestabeleçaum padrão, eladeve esolher onovoruzamentode maneiraaleatória,
om qualquer esolha igualmente provável. Por exemplo, se ela está no ruzamento 5,
seu próximo ruzamentopode ser 2, 4, 5 ou 8, ada um om probabilidade
1
4
. Cada dia elaomeçano ruzamento emque parou nodia anterior. A matriz de transição M destaM
=
1
3
1
3
0
1
3
0 0 0 0
1
3
1
3
0 0
1
3
0 0 0
0 0
1
3
1
3
0
1
3
0 0
1
5
0
1
5
1
5
1
5
0
1
5
0
0
1
4
0
1
4
1
4
0 0
1
4
0 0
1
3
0 0
1
3
1
3
0
0 0 0
1
4
0
1
4
1
4
1
4
0 0 0 0
1
3
0
1
3
1
3
Após 4 horas, a matriz de transição terá todas as entradas positivas, logo a matriz
M, é regular. Sendo assim, omo essa adeia de Markov égovernada por uma matriz de
transição regular,então ela éuma Cadeia de Markov Regular.
M
4
=
0,
183 0,
179 0,
075 0,
183 0,
174 0,
045 0,
089 0,
072
0,
179 0,
201 0,
045 0,
188 0,
187 0,
030 0,
074 0,
096
0,
075 0,
045 0,
183 0,
183 0,
089 0,
179 0,
174 0,
072
0,
110 0,
113 0,
110 0,
195 0,
130 0,
113 0,
130 0,
101
0,
130 0,
140 0,
067 0,
162 0,
190 0,
056 0,
131 0,
124
0,
045 0,
030 0,
179 0,
188 0,
074 0,
201 0,
187 0,
096
0,
067 0,
056 0,
130 0,
162 0,
131 0,
140 0,
190 0,
124
0,
072 0,
096 0,
072 0,
168 0,
165 0,
096 0,
165 0,
164
Tambémomo exemplo,podemostomaramatriz Ma seguirquepossui um elemento
nulo natereira linha. Porém, a potênia
M
2
não possui nenhum elemento nulo. Sendo
assim,trata-se de uma adeia regular.
M
=
0,
8 0,
1 0,
1
0,
1 0,
7 0,
2
0,
0 0,
1 0,
9
⇒
M
2
=
0,
65 0,
16 0,
19
0,
15 0,
52 0,
33
0,
01 0,
16 0,
83
Comojá vimos,emuma potêniade
M
,ouseja, emum momentofuturo, seamatriz de transição não possui elementos nulos, isto india que, em algum momento, todas astransiçõesserão possíveis, desse modoa adeia éergódia.
Já as potênias da próxima matriz formam padrões em que as probabilidades nulas
M
=
"
0 1
1 0
#
⇒
M
2
=
"
1 0
0 1
#
⇒
M
3
=
"
0 1
1 0
#
⇒
M
4
=
"
1 0
0 1
#
⇒
M
5
=
"
0 1
1 0
#
Como estes padrões se repetem indenidamente, tais matrizes de transição nuna
deixarãode ter elementos nulos, porém, issonão india que setrata obrigatoriamentede
uma adeianão-ergódia, uma vez que háadeias ergódiasnão regulares.
1.8 Estado Estaionário
Para toda adeia ergódia regular existe um estado estaionário, onde as
probabili-dades de transição estabilizam após o período transitório. Em uma adeia em estado
estaionário,as probabilidadesde transição não dependem doestado iniial.
É importante notar, que ao obter a sequênia de vetores probabilidade
V
(1)
i
,V
(2)
i
,V
i
(3)
,...,V
(n)
i
, estamos om uma sequênia de vetores que pode onvergir para um vetor denotado porΠ
quandon
tende ao innito, ou seja,V
(n)
i
=Π
quandon
→ ∞
. Nesse aso,denimosovetorΠ
devetorestaionárioparaoproblemaondeéonheidaamatriz estoástiaM
e o vetor de ondições iniiaisV
(0)
i
. Observemos o exemplo 3, paraV
(n)
2
,om
n >
10
, daseção 1.5.Teorema 2 Se
M
é a uma matriz de transiçãoregular, entãoM
n
→
π1
π2
... πs
π1
π2
... πs
... ... ... ...
π1
π2
... πs
,
quando
n
→ ∞
, onde osπj
são números positivos tais queπ1
+π2
+ ... +πs
= 1.Não iremos provar este teorema aqui(O leitor interessado pode onsultar um texto
mais espeializado, por exemplo o J. Kemeny e J. Snell, Finite Markov Chains, Nova
Iorque: Springer Verlag, 1976.).
Chamemos
π1
π2
... πs
π1
π2
... πs
... ... ... ...
π1
π2
... πs
de
Q
eh
π1
π2
... πs
i
de
Π
. Desse modoQ
éumamatrizde transição om todas aslinhas iguais ao vetor de probabilidade
Π
. Essa matrizse
V
é um vetor de probabilidade,então:V
·
Q
=
h
v
1
v
2
... vs
i
·
π1
π2
... πs
π1
π2
... πs
... ... ... ...
π1
π2
... πs
V
·
Q
=
"
v1
·
π1
+
v2
·
π1
+
...
+
vs
·
π1
v1
·
π2
+
v2
·
π2
+
...
+
vs
·
π2
... v1
·
πs+
+v2
·
πs
+
...
+
vs
·
πs
#
V
·
Q
=
h
(v1
+
v2
+
...
+
vs)
·
π1
(v1
+
v2
+
...
+
vs)
·
π2
...
(v1
+
v2
+
...
+
vs)
·
πs
i
Como
V
éum vetor probabilidade,entãov1
+
v2
+
...
+
vs
= 1,
logo:V
·
Q
=
h
π1
π2
... πs
i
V
·
Q
=
π
Isso nos mostra que
Q
transforma qualquer vetor de probabilidadeV
num vetor de probabilidadeΠ
xo. Tal vetorΠ
nos leva aoseguinteteorema.Teorema 3 Se
M
é a uma matriz de transição regular, eV
é um vetor de probabilidade qualquer, entãoV
·
M
n
→
h
π1
π2
... πs
i
= Π,
quandon
→ ∞
,
ondeΠ
é um vetorde probabilidade xo, independente de n, ujas entradas são todas positivas.
Demonstração: Como, pelo teorema 2,
M
n
→
Q,
quando
n
→ ∞
,
entãoV
·
M
n
→
V
·
Q
= Π,
quandon
→ ∞
.
Desse modo, para umaadeiade Markov regular,osistemasempre onverge para um
vetorde estado
Π
xo,denominadodeVetor deEstadoEstaionário daadeiadeMarkov regular.Para alularo vetor
Π
podemos utilizaro seguinte teorema.Teorema 4 Ovetor deestado estaionário
Π
de uma matriz de transiçãoregularM
é o únio vetor de probabilidade quesatisfaz a equaçãoΠ
·
M
= Π
Demonstração: Consideremos que
M
n
·
M
=
M
n+1
. Pelo teorema 2,
M
n
→
Q
e
M
n+1
→
Q
quando
n
→ ∞
, logo temosQ
·
M
=
Q
. Sendo assim, qualquer uma das linhas desta equação matriialdáΠ
·
M
= Π
. Suponhamosqueα
é um vetor de proba-bilidadetalqueα
·
M
=
α
. Então tambémα
·
M
n
=
α
. Peloteorema3, resultaque
Π =
α
, poisα
·
M
n
→
Π
Π
·
M
= Π =
⇒
Π
·
M
= Π
·
I
=
⇒
Π
·
M
−
Π
·
I
= 0 =
⇒
Π
·
(M
−
I
) = 0
O sistema linear homogeneo
Π
·
(M
−
I) = 0
, tem um únio vetor-soluçãoΠ
om entradasnão negativasque satisfazema ondiçãoπ1
+
π2
+
...
+
πs
= 1
.Como exemplo, podemos obter os vetores estaionários resolvendo os sistemas dos
exemplos2 e3. Vejamos:
Para oexemplo 2:
Π
·
(M
−
I) = 0
h
π1
π2
i
·
"
0,
95 0,
05
0,
03 0,
97
#
−
"
1 0
0 1
#!
=
h
0 0
i
h
π
1
π
2
i
·
"
−
0,
05
0,
05
0,
03
−
0,
03
#!
=
h
0 0
i
h
−
0,
05π1
+ 0,
03π2
0,
05π1
−
0,
03π2
i
=
h
0 0
i
(
−
0,
05π1
+ 0,
03π2
= 0
0,
05π1
−
0,
03π2
= 0
=
⇒
(
0,
05π1
−
0,
03π2
= 0
0,
05π1
−
0,
03π2
= 0
Observemos que o sistema nos leva a uma únia equação independente. Assim,
so-mandoa elaa equação
π1
+
π2
= 1
,teremos:(
0,
05π1
−
0,
03π2
= 0
π1
+
π2
= 1
=
⇒
(
π1
=
3
8
π2
=
5
8
Consequentemente
Π =
h
3
8
5
8
i
é ovetor estaionário desta adeiade Markov
regu-lar. Isto signia que, em longo prazo, 37,5% da população permaneem na idade, ou
seja,375.000 habitantes e 62,5%permaneem no subúrbio, istoé,625.000.
Para oexemplo 3:
Π
·
(M
−
I) = 0
h
π
1
π
2
π
3
i
·
0,
8 0,
1 0,
1
0,
3 0,
2 0,
5
0,
2 0,
6 0,
2
−
1 0 0
0 1 0
0 0 1
=
h
h
π1
π2
π3
i
·
−
0,
2
0,
1
0,
1
0,
3
−
0,
8
0,
5
0,
2
0,
6
−
0,
8
=
h
0 0 0
i
h
−
0,
2π1
+ 0,
3π2
+ 0,
2π3
0,
1π1
−
0,
8π2
+ 0,
6π3
0,
1π1
+ 0,
5π2
−
0,
8π3
i
=
h
0 0 0
i
−
0,
2π1
+ 0,
3π2
+ 0,
2π3
= 0
0,
1π1
−
0,
8π2
+ 0,
6π3
= 0
0,
1π1
+ 0,
5π2
−
0,
8π3
= 0
Esalonando hegamosao seguinte sistema:
(
π1
+ 0π2
+
34
13
π3
= 0
0π1
+
π2
+
24
13
π3
= 0
Observemos queo sistema nos leva aduas equações. Assimsomandoa elaa equação
π1
+
π2
+
π3
= 1
, teremos:
π1
+ 0π2
+
34
13
π3
= 0
0π1
+
π2
+
24
13
π3
= 0
π1
+
π2
+
π3
= 1
⇔
π1
=
34
61
π2
=
14
61
π3
=
13
61
Consequentemente
Π =
h
34
61
14
61
13
61
i
éo vetor estaionáriodesta adeiade Markov.
Istosigniaque, emlongo prazo,aproximadamente55,73%,22,95%e21,31%dos arros
serãodevolvidosàloja1,2ou3respetivamente. Issosigniadizerquesealojaloadora
de automóveis tiver 100 arros, deve projetar suas instalaçõesde modoa ter pelomenos
56vagas na loja 1, pelomenos 23 vagas naloja 2 eno mínimo22vagas naloja 3.
Devemos lembrar que as armações, alusivas ao estado estaionário, só podem ser
feitasse o fenmeno avaliado se tratar de uma adeia ergódia regular. Caso se trate de
umaadeiaergódianãoregular,aarmaçãode queoregimeestaionanãopodeserfeita
Apliações à Cadeia de Markov
2.1 Criando Músia a partir de uma matriz de
transi-ção
2.1.1 Noções Elementares sobre Músia
Comointuitodemelhorentenderaomposiçãomusial,deniremosdeformasimples,
algunsoneitos sobre músia.
Músia
É a arte de ombinar os sons simultânea e suessivamente, om ordem equilíbrio e
proporção dentrodotempo.
Som
Som é um fenmeno físio que ompreende a geração e propagação de perturbações
de pressão emum uido que pode ser o arouágua, por exemplo.
Nota Musial
Nota Musial é um termo empregado para designar o elemento mínimo de um som.
Umanotamusial éoriundade uma fontesonora,quepode ser, muitas vezes, um
instru-mento musial. Embora sejaminúmerosossons empregadosnamúsia,para
representá-losbastamsomentesete notas,denominadas de naturais:
Dó - Ré- Mi -Fá - Sol- Lá -Si
Melodia
Conjunto de sons dispostos em ordem suessiva. Podemos dizer de maneira simples
Harmonia
Conjuntode sonsdispostos emordem simultânea. Tambémpode ser denida omo o
estudodas ombinaçõesde notas em aordese seu uso em omposição musial.
Aorde
Umaordeéumonjuntode trêsoumaisnotas toadasemsimultâneo. Umonjunto
de duas notas hama-se um arpegio. Osaordes são onstruídos om base numa nota de
referênia, à qual se aresentam depoisoutras notas. A nota de referêniaé hamada a
tóniadoaorde. Existemregrasdiferentes paraadiionaroutrasnotasàtónia,
riando-seassimdiferentes tiposde aorde: aordesmaiores,aordesmenores, aordesde quarta,
de sétima, e muitos outros. É impossível assobiarum aorde, visto que nomesmo sóhá
amelodia.
Comovimos,podemosonstruiraordesde trêsnotasparaada umadas notas,nessa
ordem: Dó - Ré- Mi - Fá -Sol -Lá - Si.
O aorde de Dó é formado pelas notas dó, mi e sol. Chamamos esse aorde de Dó
maior.
OaordedeRééformadopelasnotasré, fá elá. Chamamosesse aordede Rémaior.
O aordede Lá élá, dó emi, hamamosesse aorde de Lá maior, e assim pordiante
de modoílio.
Como dápra observar ada aorde é formado pelanota base (tnia),que a sendo
aprimeira,mais a tereirae a quintanota em relaçãoa ela.
Começando om uma nota qualquer vamos dar um número para ada nota, sendo
ada um desses números o grau. Sendo assim, temos o 1 o
grau, o 2 o
grau até o 7 o
grau. Da mesma forma temos o aorde do 1 o
grau, do 2 o
grau e assim suessivamente.
Essa numeração é bastante importante para a onstrução da harmonia de uma músia.
Exempliando,temos:
Se omeçarmos om Ré, o grau 1 passa a ser o Ré e o aorde do primeiro grau será
Ré,Fá e Lá. Observe atabela:
1 2 3 4 5 6 7
Ré Mi Fá Sol Lá Si Do
O aorde do 5 o
grau nessa esala de Ré será Lá, Dó e Mi e assim por diante. Se
omeçarmosomFá, oaordeorrespondenteFá, LáeDó seráoaordede grau 1,sendo
Fá Sol Lá Si Do Ré Mi
Minueto
O minueto teve sua origem,omo dança, na região de Poitu e seu nome vem de pas
menu que signiapassomiúdo. Sob oreinadode LuísXIVinvadiu ossalõesdaorte e
seespalhou pelaEuropa,apontode setornaraprinipaldançadaaristoraia,atingindo
o mais alto grau de luxo e magniênia. Como músia, o minueto foi usado em várias
omposiçõesparapianoouorquestraporMozart,Haydn, Bahentreoutrosompositores.
Trio
Trio pode designar tanto uma forma musial quanto um grupo de três instrumentos
musiais.
2.1.2 Criando Músia Aleatoriamente
A arte de toar e/ou inventar uma músia é algo extremamente interessante,
moti-vadora e prazerosa. A músia éuma exepional formade expressão artístia. Devido o
fatode amúsiatransmitiremoções, amesmainuêniaoserhumano,adultoouriança,
sendoobjeto de muitos estudos.
Atualmente é possível ompor músias automatiamente, mesmo que a pessoa não
tenha nenhuma experiênia musial, graças aos avanços da iênia. A história tem
mos-trado que, apesar de ser um proesso artístio subjetivo, a músia pode ser um produto
de raioínios lógios ou ainda de proedimentos meânios. Como exemplo, podemos
itar Wolfgang Amadeus Mozart, que em 1787 riou o seu Jogo de Dados Musial para
ompor minuetos. A intenção de Mozart era fazer om que leigos em músia tivessem a
sensação de omporuma peça musial.
Para estimular pessoas ao estudo da músia pode-se utilizar métodos automátios,
fazendo om que as mesmas, mesmo que de forma indireta, tenham a sensação de estar
ompondo. Comerialmente, vemos hoje em dia jogos que dão a sensação de toar ou
inueniaraexeução de umamúsiamesmoque não sepossua onheimentoouténia
musial,a exemplos omo GuitarHero eo Rok Band.
Aautomatizaçãonoproessodeomporumamúsiapodeserfeitoatravésdeténias
que utilizam a apliação de um algoritmo. Dentre essas ténias podemos itar:
reom-binaçãode padrões e sequênia, autmatos elulares, regras e restrições, gramátias e as
adeiasde Markov.
O uso de adeias de Markov, além de ser umas das primeiras formas de omposição
algorítmiautilizadas, tornou-seumadasmaispopularesdevidoasuasimpliidadeepelo
determinadamúsiaéproessadalendo-seadanotaeestatistiamentealula-sea
proba-bilidadedestanotasertoada,dadaqueumaoumaisnotasforamtoadasanteriormente.
Se uma nota depende apenas de uma nota anterior, hama-se adeia de Markov de
pri-meiraordem,objetode nossoestudo. Se umanota dependede duas anteriores,hama-se
adeia de Markov de segunda ordem. E assim por diante. Quanto maior a ordem da
adeia,mais a músia riada será pareida emestilo om o da músia forneida. O aso
aquimenionado será ode primeiraordem.
2.1.3 Gerando uma músia jogando dados
TendoemvistaqueoobjetivoéintroduzirCadeiasdeMarkovparaosalunosdoensino
médio,mostrandoasuaapliabilidadeinlusivenaomposiçãomusial,onstruiremosum
algoritmopara tal. Partiremos da premissaque o públio-alvo possui poua experiênia
musial ou quase nenhuma. Além disso, utilizaremos um método semelhante ao riado
porMozart.
Suponhamos que esolhemos várias músias de um mesmo estilo e zemos uma
esta-tístiaontandoquantasvezes nessas músiasse fazatransição de um aordepara outro
inluindoasvezes que permaneem nomesmo aorde. Nota-se failmenteque quando se
sabe o grau que está sendo toado a evidente prever qual será o próximo aorde. Isto
sedeveaofatode queadaestilomusialtemsuas transiçõesmais omuns, porexemplo,
noJazz os aordesse relaionam de um modo diferente dabossa nova.
Supondo quea estatístia tenha sido detalhada naseguintetabelaA:
I II III IV V VI VII
I
1
7
1
7
1
7
1
7
1
7
1
7
1
7
II 0 0 0
1
7
6
7
0 0III 0 0 0 0
1
7
6
7
0 IV1
7
0 0 06
7
0 0V
6
7
0 0 01
7
0 0VI 0
6
7
0 01
7
0 0VII
6
7
0 0 01
7
0 0As linhas representam as entradas e as olunas as saídas, onde os graus dos aordes
daslinhasrepresentamoestadoemquevoêseenontra, ouseja,oaordequeestásendo
toado. O grau dos aordes das olunas representam oestado pra onde se deseja ir,isto
é,o aordeque será toado.
Os números da tabela são as probabilidades de transição, ou seja, a hane de voê
quenesse aso éo Ré maior,logo sóexistem duas possibilidades: ir para o grau 1,que é
o Sol maior e toar o aorde de Sol maior ou permaneer no grau 5 que é o Ré maior e
toar novamenteo aordede Rémaior. Observe a tabela.
Sol Lá Si Dó Ré Mi Fá
Sol
1
7
1
7
1
7
1
7
1
7
1
7
1
7
Lá 0 0 0
1
7
6
7
0 0Si 0 0 0 0
1
7
6
7
0 Dó1
7
0 0 06
7
0 0Ré
6
7
0 0 01
7
0 0Mi 0
6
7
0 01
7
0 0Fá
6
7
0 0 01
7
0 0Com a tabela anterior é possível desobrir quaisserão ospossíveis próximosaordes,
usandoa teoriaestudada naseção 1.5.
Podemos fazer a proposta de um jogo semelhante ao riado por Mozart no séulo
XVIII. Criaremos uma sequênia de aordes om o auxílio do aaso usando dois dados
distintos, porém riaremos uma nova matriz denominada de matriz do tipo aumulada
B, a partir da tabela anterior A. Nessa matriz aumulada, ada linha orresponde a
somadasprobabilidadesdas entradas anterioresaté obtermos resultado1,de aordoom
oseguinteritério:
bin
=
0,
seain
= 0,
n
P
j=1
aij
,
seain
6
= 0.
A
=
I II III IV V VI VII
I
1
7
1
7
1
7
1
7
1
7
1
7
1
7
II 0 0 0
1
7
6
7
0 0III 0 0 0 0
1
7
6
7
0 IV1
7
0 0 06
7
0 0V
6
7
0 0 01
7
0 0VI 0
6
7
0 01
7
0 0VII
6
7
0 0 01
7
0 0−→
B
=
I II III IV V VI VII
I
1
7
2
7
3
7
4
7
5
7
6
7
7
7
II 0 0 0
1
7
7
7
0 0III 0 0 0 0
1
7
7
7
0 IV1
7
0 0 07
7
0 0V
6
7
0 0 07
7
0 0VI 0
6
7
0 07
7
0 0VII
6
7
0 0 07
7
0 0Notemosque em adalinha dessamatriz B,a últimaentradanão nulaé sempreigual
Lembremos tambémque quando jogamos dois dados a soma
s
das faes superioresobtidas é maior ou igual a 2 e menor ou igual a 12 (
2
≤
s
≤
12
). Sendo assim, multi-pliaremos a matriz B por 12 e arredondaremos os resultados hegando a matriz C omelementosentre 0e 12.
Sol Lá Si Dó Ré Mi Fá
Sol
1
7
2
7
3
7
4
7
5
7
6
7
7
7
Lá 0 0 0
1
7
7
7
0 0Si 0 0 0 0
1
7
7
7
0 Dó1
7
0 0 07
7
0 0Ré
6
7
0 0 07
7
0 0Mi 0
6
7
0 07
7
0 0Fá
6
7
0 0 07
7
0 0−→
Sol Lá Si Dó Ré Mi Fá
Sol
12
7
24
7
36
7
48
7
60
7
72
7
84
7
Lá 0 0 0
12
7
84
7
0 0Si 0 0 0 0
12
7
84
7
0 Dó12
7
0 0 084
7
0 0Ré
72
7
0 0 084
7
0 0Mi 0
72
7
0 084
7
0 0Fá
72
7
0 0 084
7
0 0C
=
Sol Lá Si Dó Ré Mi Fá
Sol 2 3 5 7 9 10 12
Lá 0 0 0 2 12 0 0
Si 0 0 0 0 2 12 0
Dó 2 0 0 0 12 0 0
Ré 10 0 0 0 12 0 0
Mi 0 10 0 0 12 0 0
Fá 10 0 0 0 12 0 0
ConsiderandoqueoSoléograu1epartindodoRé,podemoslançarosdados. Supondo
quetenhadado
s
= 8
. Como iniiamosemRé,queéograu 5,temosduas possibilidades, ouvamos parao grau1 queéo Sol, oupermaneemosnograu 5que éoRé. Oquefazerentão?
Prourando manter as probabilidades iniiais da matriz A, podemos estabeleer as
seguintes regras para ada linha damatriz C:
Para a linha 1: Se tirarmosum número
s
= 2
ous
= 10
,iremos pro Sol;s
= 3
ous
= 11
,iremos pro Lá;s
= 5
, iremospro Si;s
= 6
, pro Dó;s
= 8
, pro Mi;s
= 9
, pro Ré;s
= 2
ous
= 4
, iremospro Dó;s
igual 12, 11,10,9, 8,6 ou5, iremospro Ré.Para a linha 3: Se tirarmosum número
s
= 2
ous
= 4
, iremospro Ré;s
igual 12, 11,10,9, 8,6 ou5, iremospro Mi.Para a linha 4: Se tirarmosum número
s
= 2
ous
= 4
, iremospro Sol;s
igual 12, 11,10,9, 8,6 ou5, iremospro Ré.Para a linha 5: Se tirarmosum número
s
igual a 10,9, 8,7, 5ou 3,iremos pro Sol;s
igual a 12,11 ou2 iremosRé.Para a linha 6: Se tirarmosum número
s
igual a 10,9, 8,7, 5ou 3,iremos pro Lá;s
igual a 12,11 ou2 iremosRé.Para a linha 7: Se tirarmosum número
s
igual a 10,9, 8,7, 5ou 3,iremos pro Sol;s
igual a 12,11 ou2 iremosRé.Voltando ao jogo. De aordo om as regras aima, omo tiramos 8 iremos para o
Sol. Jogando os dados mais quatro vezes obtivemos 6, 5, 10 e 12, logo obtivemos a
seguinte sequênia de aordes: Ré, Sol, Dó, Ré, Sol e Fá. Obtida essa sequênia de
seis aordes, deve-se soliitar a um músio experiente que esolha a duração dos aordes
e toque a músia quase riada pela asualidade. Pode-se também visitar o site
http
:
//www.hooktheory.com/trends#
, seleionar os aordes obtidos om os dados e ouvir amusia desejada (Nesse aso, Weep Day de They Might Be Giants).
2.2 Produção X Sustentabilidade
2.2.1 O que é Sustentabilidade?
Sustentabilidade se refere a um onjunto de ações voltadas à solução ou na redução
doimpato ambiental , eonmio e soial, tais omo esgotamento de reursos naturais,
desigualdade soial asendente e resimento eonmio ilimitado, ou seja, é um
on-eito relaionado om os aspetos eonmios, soiais, ulturais e ambientais de toda a
omprometer a possibilidade de as futuras gerações atenderem às suas próprias
neessi-dades. Esse oneito foi denido, em 1987, durantea elaboraçãodo RelatórioBrudtland
pela Comissão Mundial de Meio Ambiente e Desenvolvimento (UNCED) da ONU e se
apoiano tripé atividade eonmia, meio ambiente e bem-estar da soiedade. Em 1992,
esse termo foi adaptado pela agenda 21, um dos prinipais resultados da Conferenia
ECO92 realizada no Rio de Janeiro. A agenda 21 é um doumento que estabeleeu a
importânia do omprometimento de todos os países om o estudo de soluções para os
problemas soioambientais.
Para que o empreendimento humano seja onsiderado sustentável ele preisa ser
eo-logiamenteorreto,eonomiamenteviável, soialmentejustoeulturalmenteaeito
va-lendo pra qualquer nível de organização soial, desde uma determinada vizinhançaloal
até o planeta inteiro. Em suma, sustentabilidade signia forneer o melhor para as
pessoas epara o ambiente, tantopara o presente omo para ofuturo.
Na próxima seção examinaremos um modelo para uma empresa que deseja reativar
uma usinahidroelétriade maneirasustentável emum determinado Estado,visto queas
outrastrêsusinasdessamesmaempresa,loalizadanessamesmaregião,estãotrabalhando
aimado limite reomendável. Desse modo, aso ausina 4 fosse reaberta, tal sobrearga
deveriasertransferidaentreelasgradualmente,amdequetodaspassassemaoperarom
a mesma apaidade após determinado período de tempo. Sendo assim, podemos fazer
uso das adeias de Markov para determinar a porentagem de energia a ser transferida
entre aselas.
2.2.2 Os problemas
Questão 1: Toda empresa que trabalhaom a produção de energia elétriatem uma
enormeresponsabilidade soioambiental. Numa determinada região há 3 usinas em
fun-ionamento e uma usina desativada. Deseja-se reativar essa quarta usina. Todas têm a
mesmaapaidade de produção. Se desejarmos reativara usina 4,taldeisãoé
sustentá-vel?
Se as usinas 1, 2, 3 estão sobrearregadas ativando a quarta, a operação nas demais
amaissegura,vistoquenãotrabalharãomaisnolimite. Alémdisso,omaquartausina
funionando pode-se implantar um sistema de manutenção preventivo. Logo, o projeto
passa a ser eonomiamente viável. Coloar a usina 4 em funionamento não impatará
o ambiente, pois a mesma já está onstruída e não será neessário desmatamento. Além
disso, ativando a quarta usina surgirá oferta de emprego na região e nas proximidades,
alémde não oorrerimpatoultural,pois ausina foionstruída hámuito tempo. Dessa