Aplicações das
matrizes:
Cadeias de Markov
Prof. Dr. Jorge Lizardo Díaz CalleDpto. de Ciências Básicas – FZEA – USP Abril de 2020
Cadeias de Markov
Para casos, quando um sistema físico ou matemático sofre mudanças tais que a cada momento o sistema pode ocupar apenas um dentre um número finito de estados.
Exemplo:
1. Estado chuvoso ou seco de uma região. 2. Compra de um carro de uma marca.
3. O estoque de uma empresa: vazio ou não. 4. Aluno estudando ou não.
Cadeias de Markov
Vamos supor que podemos observar o sistema em períodos fixos de tempo. Exemplo de período: 1. A cada dia
2. Por hora
3. Uma geração 4. Uma década
A ideia é observar o sistema por muitos períodos para poder prever probabilisticamente o estado no próximo período de observação.
Cadeias de Markov
Vejamos o caso de um sistema que muda em período diário:
Tempo chuvoso ou seco no campus da USP Por dia.
Observar que podemos registrar o tempo no nosso campus da USP, a cada dia, e podemos chegar a determinar uma probabilidade de o tempo ser
Cadeias de Markov
Se faz o registro durante 26 dias: C Tempo chuvoso
S Tempo seco
C C S S S S C C S S S S C C S S C C S S S C C S S C
Responda:
Qual a probabilidade de se ter um dia seco logo após um dia chuvoso?
Cadeias de Markov
C C S S S S C C S S S S C C S S C C S S S C C S S C
Responda:
Qual a probabilidade de se ter um dia seco logo após um dia chuvoso?
Isto é: Se um dia foi chuvoso como foi o seguinte? Observar: Estamos falando de quantas mudanças
partindo de C (chuvoso) aconteceram? Não quantos dias chuvosos tivemos!!!!
Cadeias de Markov
C C S S S S C C S S S S C C S S C C S S S C C S S C
Responda:
Qual a probabilidade de se ter um dia seco logo após um dia chuvoso?
Isto é: Se um dia foi chuvoso como foi o seguinte? Observar: Aconteceram 10 mudanças, mas foram 11
dias chuvosos.
Cadeias de Markov
C C S S S S C C S S S S C C S S C C S S S C C S S C
Responda:
Qual a probabilidade de se ter um dia seco logo após um dia chuvoso?
Isto é: Se um dia foi chuvoso como foi o seguinte? Mudanças: C C : Aconteceram 5 vezes.
C S : Aconteceram 5 vezes.
Cadeias de Markov
C C S S S S C C S S S S C C S S C C S S S C C S S C
Pergunta: Se um dia foi chuvoso como foi o seguinte? A pergunta foca na mudança C S.
Respondendo:
Teve 10 mudanças partindo de chuvoso, e 5 de essas mudanças foram C S.
Probabilidade de chuvoso para seco é = 105 = 12 .
Cadeias de Markov
C C S S S S C C S S S S C C S S C C S S S C C S S C
Pergunta: Se um dia foi chuvoso como foi o seguinte? A pergunta foca na mudança C S.
Respondendo:
Probabilidade de chuvoso para seco é = 105 = 12 .
Observar que podemos concluir que as mudanças de
chuvoso para chuvoso também é = 12 .
Porque a probabilidade total é 1, e só pode acontecer C C ou para C S.
Cadeias de Markov
Responda outra questão: Qual a probabilidade de se ter um dia chuvoso após um dia seco?
C C S S S S C C S S S S C C S S C C S S S C C S S C
Agora pensamos nas mudanças de S (seco) para C. Pensamos:
Quantas mudanças partindo de S existem?
Cadeias de Markov
Responda outra questão: Qual a probabilidade de se ter um dia chuvoso após um dia seco?
C C S S S S C C S S S S C C S S C C S S S C C S S C
Agora pensamos nas mudanças de S (seco) para C. Respondemos
Mudanças partindo de S : 15 Mudanças de S para C : 5
Cadeias de Markov
Observar que essas informações podem ser
armazenadas em uma matriz que relaciona todas as possibilidades:
De Chuvoso para Chuvoso De Chuvoso para Seco
De Seco para Chuvoso De Seco para Seco
Chuvoso Seco
𝑇 = 𝐶ℎ𝑢𝑣𝑜𝑠𝑜 𝑆𝑒𝑐𝑜
Cadeias de Markov
Também observar que tem chuvoso em dois tempos, o anterior (ChuvosoA) e o seguinte (ChuvosoS).
Identicamente para o Seco (SecoA e SecoS). Assim escreveremos:
De ChuvosoA para ChuvosoS De ChuvosoA para SecoS
De SecoA para ChuvosoS
De SecoA para SecoS Chuvoso
A
Seco
A
𝑇 = 𝐶ℎ𝑢𝑣𝑜𝑠𝑜𝑆 𝑆𝑒𝑐𝑜𝑆
Cadeias de Markov
A informação obtida:
Qual a probabilidade de se ter um dia seco logo após um dia chuvoso?
Probabilidade de mudança:
ChuvosoA para SecoS = 12 .
Ch uvoso A Seco A 𝑇 = 𝐶ℎ𝑢𝑣𝑜𝑠𝑜𝑆 𝑆𝑒𝑐𝑜𝑆 12
Cadeias de Markov
A informação obtida:
Qual a probabilidade de se ter um dia seco logo após um dia chuvoso?
Probabilidade de mudança: ChuvosoA para SecoS Obviamente como a
probabilidade total é 1,
de ChuvosoA para ChuvosoS
também será = 12 . Chuvoso
A Seco A 𝑇 = 𝐶ℎ𝑢𝑣𝑜𝑠𝑜𝑆 𝑆𝑒𝑐𝑜𝑆 1 2 1 2
Cadeias de Markov
A segunda informação obtida:
Qual a probabilidade de se ter um dia chuvoso após um dia seco?
Probabilidade de mudança:
SecoA para ChuvosoS = 13 .
A matriz completa: Chuvoso
A Seco A 𝑇 = 𝐶ℎ𝑢𝑣𝑜𝑠𝑜𝑆 𝑆𝑒𝑐𝑜𝑆 1 2 1 3 1 2 2 3
Cadeias de Markov
Observar que a matriz considera todas as
probabilidades de mudança do estado observado, mas apenas de um tempo dado para o próximo.
Essa informação tirada de um tempo para o período seguinte sem considerar outras informações,
chama-se de : eventos de memôria curta.
Cadeias de Markov
A matriz desse tipo é chamada de matriz de
transição.
A matriz de transição contêm a probabilidade de
mudança de um estado de tempo (anterior) para o tempo seguinte (posterior).
No exemplo dado: Um tempo anterior pode ser hoje e o tempo seguinte é amanhã. De hoje para
Cadeias de Markov
O estado do tempo pode ser representado utilizando uma matriz de duas linhas e uma coluna. Cada
linha armazena o valor de cada possibilidade. Por exemplo, hoje
𝑋0 = 1 0
𝐶ℎ𝑢𝑣𝑜𝑠𝑜 𝑆𝑒𝑐𝑜
A matriz coluna com os valores de observação é chamada de vetor de estado.
Cadeias de Markov
Para conhecer o estado do tempo amanhã, fazemos 𝑋1 = 𝑇𝑋0 𝑋1 = 𝐶ℎ𝑢𝑣𝑜𝑠𝑜𝑆 𝑆𝑒𝑐𝑜𝑆 1 2 1 2
Para depois de amanhã:
𝑋2 = 𝑇𝑋1 𝑋2 = 1 2 1 3 1 2 2 3 1 2 1 2 = 5 12 7 12
Cadeias de Markov
Podemos calcular para futuros períodos: 𝑋3 = 𝑇𝑋2 Observar: 𝑋3 = 𝑇𝑋2 = 𝑇𝑇𝑋1 = 𝑇𝑇𝑇𝑋0 = 𝑇3𝑋0 𝑋3 = 1 2 1 3 1 2 2 3 5 12 7 12 = 29 72 43 72 𝑋4 = 1 2 1 3 1 2 2 3 29 72 43 72 = 173 432 259 432
Cadeias de Markov
Podemos calcular para futuros períodos:
𝑋5 = 1 2 1 3 1 2 2 3 173 432 259 432 = 1037 2592 1555 2592 𝑋6 = 1 2 1 3 1 2 2 3 1037 2592 1555 2592 = 6221 15552 9331 15552
Será que em algum tempo chega a dar o mesmo valor??
Cadeias de Markov
Se chegasse a não mudar, significaria que aplicando a matriz de transição sobre um estado o próximo é igual (o mesmo estado)
𝑇𝑋 = 𝑋 𝑇𝑋 − 𝑋 = 0 𝑇𝑋 − 𝐼𝑋 = 0 𝑇 − 𝐼 𝑋 = 0 Resolvendo: 1 2 1 3 1 2 2 3 − 1 0 0 1 𝑥1 𝑥2 = 00
Cadeias de Markov
−12 13 1 2 − 1 3 𝑥1 𝑥2 = 00Observar que as linhas são dependentes. Infinitas soluções. Mas estamos olvidando de que os
vetores são probabilísticos: 𝑥1 + 𝑥2 = 1
−12 13 1 2 − 1 3 1 1 𝑥1 𝑥2 = 0 0 1
Cadeias de Markov
−12 13 1 2 − 1 3 1 1 𝑥1 𝑥2 = 0 0 1Resolvendo o sistema (por Gauss Jordan)
𝑥1 𝑥2 = 2 5 3 5
Um estado que não muda após aplicar uma matriz de transição é chamado de estado estacionário.
Resumo: Cadeias de Markov
Cadeia de Markov é um processo cuja probabilidade
de o sistema estar em determinado estado em um da-do períoda-do de observação depende apenas da-do estada-do no período de observação imediatamente anterior.
°°°°°°° →
Hoje
𝑋0 𝑋1 𝑋2 𝑋𝑛 𝑋𝑛+1
Cadeias de Markov
Na nossa disciplina não estamos interessados em construir a matriz de transição dos processos comentados.
Geralmente vamos pegar a matriz de transição, já definida por outros.
Para a disciplina interessa:
Representar os dados em uma matriz de transição Representar os estados do sistema e seu cálculo Calcular os estados estacionários, se existirem.
Aplicações: Cadeias de Markov
Exemplo: Suponha que duas empresas E1 e E2 são as únicas fornecedoras de um produto P. No primeiro ano de produção E1 tem 3/5 do mercado (E2 terá 2/5). A cada ano a empresa E1 mantem ¼ de seus clientes (3/4 passam para E2) e E2 mantem 2/3 de seus clientes. Qual a distribuição do mercado no segundo ano e no quarto ano.
A distribuição do mercado no primeiro ano é uma matriz 2x1?
Aplicações: Cadeias de Markov
Exemplo: Suponha que duas empresas E1 e E2 são as únicas fornecedoras de um produto P.
Estado (vetor):
No primeiro ano de produção E1 tem 3/5 do mercado (E2 terá 2/5).
Matriz de transição:
A cada ano a empresa E1 mantem ¼ de seus clientes (3/4 passam para E2) e E2 mantem 2/3 de seus
Aplicações: Cadeias de Markov
Exemplo: Suponha que duas empresas E1 e E2 são as únicas fornecedoras de um produto P.
Estado (vetor):
No primeiro ano de produção E1 tem 3/5 do mercado (E2 terá 2/5).
𝑋0 =
3 5 2 5
Cadeia de Markov (cont)
Pelo informado a distribuição do mercado no
segundo ano será dependente da distribuição no primeiro ano e as mudanças a acontecer. Essa
mudanças podem ser vistas como uma matriz que relaciona a mudança dos clientes entre as duas
empresas. Matriz 2x2? E1 E2 𝑇 = 𝐸1 𝐸2 Ano próximo Ano anterior
Cadeia de Markov (cont)
Matriz de transição:
A cada ano a empresa E1 mantem ¼ de seus
clientes (3/4 passam para E2) e E2 mantem 2/3 de seus clientes. E1 E2 𝑇 = 𝐸1 𝐸2 1 4 1 3 3 4 2 3 Ano próximo Ano anterior
Outros exemplos
Um psicólogo comportamental coloca um rato cada dia em uma gaiola com duas portas A e B. O rato pode passar pela porta A, onde recebe um choque, ou pela porta B, onde encontra comida. Mantém-se o registro da porta utilizada pelo rato. No início do experimento, em uma segunda-feira, o rato tem a mesma probabilidade de escolher A ou B. Depois de passar por A, a probabilidade de utilizar a
mesma porta é 0.3. Depois de passar por B, a probabilidade de utilizar a mesma porta é 0.6
Outros exemplos
Em uma pesquisa descobriu-se que a atividade de um menino, ao se tornar adulto, depende da ativi-dade de seu pai e é dada pela matriz de transição a seguir: P(profissional), A(agricultor), O(operario)
P A O P
A O
Qual a probabilidade de o neto de um profissional ser um profissional?
E de agricultores nas próximas 5 gerações?
0.8 0.3 0.2 0.1 0.5 0.2 0.1 0.2 0.6