Universidade de Pernambuco
Universidade de Pernambuco
Escola Politécnica de Pernambuco
Escola Politécnica de Pernambuco
Teoria da Informação
Teoria da Informação
Revisão
Processos de Markov
Revisão – Processos de Markov
Prof. Márcio Lima
Prof. Márcio Lima
E
E--mailmail:marcio.lima@upe.poli.br :marcio.lima@upe.poli.br
08.09.2009 08.09.2009
Revisão
Revisão –
– Processos de
Processos de Markov
Markov
Introdução
Introdução
Revisão
Revisão Processos de
Processos de Markov
Markov
Andrei Andreyevich Markov (1856, 1922†) – Matemático Russo
• Métodos de frações contínuas em Teoria das ProbabilidadesMétodos de frações contínuas em Teoria das Probabilidades • Teorema do Limite Central – Processos de Markov
De uma maneira geral, as Variáveis Aleatórias obtidas a partir de um processog , p p estocástico não são independentes e, de fato, podem ser estatisticamente dependentes de maneiras muito complexas.
Processos de Markov: Classe de processos aleatórios que possui uma forma
simples de dependência e que é bastante útil na modelagem de problemas práticos.
Definição:
A probabilidade de qualquer comportamento particular futuro do processo, quando seu estado presente é conhecido exatamente, não é alterada por
q p p
Revisão
Revisão –
– Processos de
Processos de Markov
Markov
Introdução
Introdução
Revisão
Revisão Processos de
Processos de Markov
Markov
Em outras palavras, um processo de Markov é um processo com a propriedade de que, dado o valor Xt, os valores de Xs, s > t, não dependem dos valores de Xu,
u < t u < t.
Matematicamente, um processo é dito ser de Markov se
( )
( )
( )
( )
(
( )
( )
( )
( )
)
(
)
( )
( )
(
)
,
,
,
,
1 1 1 1 2 2 1 1 − − − −=
=
=
=
=
=
=
n n n n n n n nx
t
X
x
t
X
P
x
t
X
x
t
X
x
t
X
x
t
X
P
L
sempre que . Para simplificar a nootação, pode-se defi-nir n n
t
t
t
t
1<
2<
L
<
−1<
Em outras palavras um processo aleatório é um processo de Markov se dado o
( )
t
nX
nx
nX
=
=
Em outras palavras, um processo aleatório é um processo de Markov se dado o “presente”. O “futuro” do processo independe do “passado”.
Revisão
Revisão –
– Processos de
Processos de Markov
Markov
Introdução
Introdução
Revisão
Revisão Processos de
Processos de Markov
Markov
Classificação:
• Tempo (parâmetro)
Processo de tempo discreto
( )
t
,
t
=
0
,
1
,
2
,
K
X
Processo de tempo contínuo
( )
,
,
,
,
( )
t
,
t
≥
0
X
• Espaço de estados (Conjunto dos Possível Valores do Processo) Processos com Estados Discretos (Cadeia de Markov)
Revisão
Revisão –
– Processos de
Processos de Markov
Markov
Revisão
Revisão Processos de
Processos de Markov
Markov
Cadeias de
Cadeias de Markov
Markov de Tempo Discreto
de Tempo Discreto
Definição: Uma cadeia de Markov discreta no tempo {Xn} é um processo de
Markov cujo espaço de estado é um conjunto finito enumerável e para o qual t = {0 1 2 } {0, 1, 2, ...}.
;
;
,
,
,
,
,
'
0 1 2 nNumerável
Infito
ou
Finito
:
Estados
de
Espaço
X
X
X
X
discretas
s
VA
K
K
(
,
,
) (
)
,
;
1 1 1 1 1 1=
−=
−=
=
−=
−=
n n n n n n n nx
X
x
X
x
P
X
x
X
x
X
P
Numerável
Infito
ou
Finito
:
Estados
de
Espaço
L
Probabilidade de Transição: As probabilidades condicionais
(
,
)
(
)
,
,m
n
P
X
k
X
j
P
j k=
n=
m=
(
)
P n m P = Forma simplificadasão as chamadas probabilidades de transição de estado, ou simplesmente probabilidade de transição. Ou seja, é a probabilidade do sistema estar no
(
)
(
)
,k n mj
j(
,)
, , ,k j k j m n P P =Revisão
Revisão –
– Processos de
Processos de Markov
Markov
Revisão
Revisão Processos de
Processos de Markov
Markov
Cadeias de
Cadeias de Markov
Markov de Tempo Discreto
de Tempo Discreto
Agumas Definições:• Probabilidade de Transição a um passo (PProbabilidade de Transição a um passo (Pj kj,k(1))(1))
( )
1
(
1) (
1)
,
,
P
X
k
X
j
P
X
k
X
j
P
j k=
t+=
t=
=
n+=
n=
• Probabilidade do Sistema estar no Estado j no instante n (Pj(n))
( )
n
P
(
X
j
)
,
Revisão
Revisão –
– Processos de
Processos de Markov
Markov
Revisão
Revisão Processos de
Processos de Markov
Markov
Cadeias de
Cadeias de Markov
Markov de Tempo Discreto
de Tempo Discreto
Representação DiagramáticaÉ comum e prático, em muitas situações, representar um cadeia de Markov por um diagrama na forma de um grafo Formalmete um grado é um par (V VxV) um diagrama, na forma de um grafo. Formalmete, um grado é um par (V, VxV), em que V é um conjunto de vértices (nós) e VxV é um conjunto de arcos conectando os vértices.
Cadeia de Markov com Dois Estados
O exemplo mais simples de cadeia de Markov de interesse é o de dois estados.
1 , 0
P
0
1
P
1,1 0 , 1P
0 , 0P
Revisão
Revisão –
– Variáveis Aleatórias
Variáveis Aleatórias
Revisão
Revisão Variáveis Aleatórias
Variáveis Aleatórias
Matriz de Probabilidade de Transição
Matriz de Probabilidade de Transição
As cadeias de Markov podem ser represemtadas por uma matriz de probabilidade de transisão em um passo ou pelo diagrama de transição correspondente Os elementos da matriz de probabilidade de transição devem correspondente. Os elementos da matriz de probabilidade de transição devem satisfazer a condição
∑
∞=
=
≥
, ,k0
j k1
,
0
,
1
,
2
,
3
,
je
P
j
P
K
A matriz de probabilidade de transição, também conhecida como matriz de Markov é definida por:
=0 k
⎥
⎥
⎥
⎤
⎢
⎢
⎢
⎡
L
L
3 , 1 2 , 1 1 , 1 0 , 1 3 , 0 1 , 0 1 , 0 0 , 0P
P
P
P
P
P
P
P
⎥
⎥
⎥
⎥
⎢
⎢
⎢
⎢
=
L
M
M
M
M
L
3 , 2 2 , 2 1 , 2 0 , 2P
P
P
P
P
⎥⎦
⎢⎣
P
i,0P
i,1P
i,2P
i,3L
Revisão
Revisão –
– Variáveis Aleatórias
Variáveis Aleatórias
Revisão
Revisão Variáveis Aleatórias
Variáveis Aleatórias
Matriz de Probabilidade de Transição
Matriz de Probabilidade de Transição
Exemplo: Considere uma linha de montagem de uma fábrica que contém máquinas de encher garrafas de refrigerante. Uma máquina está encarregada de encher as garrafas ao longo do dia Se estiver funcionando em perfeitos de encher as garrafas ao longo do dia. Se estiver funcionando em perfeitos condições, a máquina poderá, no dia seguinte, funcionar com defeito com probabilidade de 0,09, ou pode passar a uma situação de avaria total, com probabilidade de 0,01, o que implica a parada da produção. Se estiver
p , , q p p p ç
trabalhando com defeito, a máquina pode manter-se nesta situação, dia após dia, com probabilidade de 0,55 ou passar à situação de avaria total com probabilidade de 0,45, situação que é definitiva até se proceder algum reparo
p ç q p g p
ou substituição.
Espaço de Estados {1, 2, 3} – Xn V.A. discreta.
C P = 0 09; P = 0 01
Conjunto de índices de dias também é discreto, 1, 2, 3, ...., n,.... • 0 – Máquina em perfeitas consdições;
• 1 – Máquina operando com deifeito; • 2 – Máquina com avaria total
1 45 , 0 ; 55 , 0 01 , 0 ; 09 , 0 2 , 2 2 , 1 1 , 1 2 , 0 1 , 0 = = = = = P P P P P
Revisão
Revisão –
– Variáveis Aleatórias
Variáveis Aleatórias
Revisão
Revisão Variáveis Aleatórias
Variáveis Aleatórias
Matriz de Probabilidade de Transição
Matriz de Probabilidade de Transição
Exemplo: 01 , 0 ; 09 , 0 0,2 1 , 0 = P = P 1 45 , 0 ; 55 , 0 2 , 2 2 , 1 1 , 1 = = = P P P
⎥
⎥
⎤
⎢
⎢
⎡
=
0
0
55
0
45
01
,
0
09
,
0
9
,
0
P
1 0 55 , 0 1 , 1 = P P0,1 = 0,09 0,9 0 , 0 = P⎥
⎥
⎦
⎢
⎢
⎣
=
1
0
0
45
,
0
55
,
0
0
P
2 01 , 0 2 , 0 = P 45 , 0 2 , 1 = P 1 2 , 2 = P 2Revisão
Revisão –
– Variáveis Aleatórias
Variáveis Aleatórias
Revisão
Revisão Variáveis Aleatórias
Variáveis Aleatórias
Equações de Chapman0Kolmogorov
Equações de Chapman0Kolmogorov
A evolução de uma Cadeia de Markov é um processo aleatório e não pode afirmar exatamente qual sequência de estados irá ocorrer após o estado inicial. Entretanto muitas aplicações é desejável ou necessário prever os estados Entretanto, muitas aplicações é desejável ou necessário prever os estados futuros dado o estado atual. Para tal, cosidere:
Sejam as probabilidades de transição de n passo de uma cadeia de Markovj p ç p
( )
(
)
,
,
n
P
X
k
X
j
P
j k=
n+t=
t=
Diz exatamente a probabilidade de ir do estado k ao estado j em n passos.
tem-se
Diz exatamente a probabilidade de ir do estado k ao estado j em n passos.
( )
=
∑
j i( ) (
i k−
)
,
k jn
P
u
P
n
u
P
,( )
∑
,( ) (
,)
,
∈E i k i i j k jn
P
u
P
n
u
P
A probabilidade de sistema sair do estado j para o estado k em n passos é igual à soma de todas as probabilidades (caminho possível) do sistema chegar a uma soma de todas as probabilidades (caminho possível) do sistema chegar a uma estado i qualquer em u passos e nos passos restantes (n – u), sair de i para k.
Revisão
Revisão –
– Variáveis Aleatórias
Variáveis Aleatórias
Revisão
Revisão Variáveis Aleatórias
Variáveis Aleatórias
Equações de Chapman0Kolmogorov
Equações de Chapman0Kolmogorov
Matricialmente
( )
n
=
P
( ) (
u
⋅
P
n
−
u
)
P
Um caso particular, de u = 1, tem-se
( )
n
=
P
( ) (
u
⋅
P
n
u
)
,
P
( )
( ) (
)
(
)
Realizando mais um passo, tem-se
( )
n
=
P
( ) (
1
⋅
P
n
−
1
)
=
P
⋅
P
(
n
−
1
)
,
P
p( )
n
=
P
⋅
P
⋅
P
(
n
−
2
)
=
P
⋅
P
(
n
−
2
)
,
P
2 Logo( )
n
P
nP
n-1P
P
P
n-1,
P
=
=
⋅
=
⋅
Revisão
Revisão –
– Variáveis Aleatórias
Variáveis Aleatórias
Revisão
Revisão Variáveis Aleatórias
Variáveis Aleatórias
Equações de Chapman0Kolmogorov
Equações de Chapman0Kolmogorov
Voltando ao exemlpo, Quais seriam as probabilidades de transição ao fim de 2 dias. 2 Passos: 2 Passos:
( )
⎥
⎥
=
⎢
⎢
⎡
⎥
⎥
⎤
⎤
⎢
⎢
⎡
⎥
⎥
⎤
⎢
⎢
⎡
=
0
0
3025
0
6975
0595
,
0
1305
,
0
81
,
0
45
0
55
0
0
01
,
0
09
,
0
9
,
0
45
0
55
0
0
01
,
0
09
,
0
9
,
0
2
P
( )
⎥
⎥
⎦
⎢
⎢
⎣
=
⎥
⎥
⎦
⎢
⎢
⎣
⎥
⎥
⎦
⎢
⎢
⎣
=
1
0
0
6975
,
0
3025
,
0
0
1
0
0
45
,
0
55
,
0
0
1
0
0
45
,
0
55
,
0
0
2
P
Ao fim de 4 dias Ao fim de 30 dias: