Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Resumo — No decorrer dos anos, os estudos e pesquisas sobre as cadeias de Markov tem encontrado e aperfeiçoado suas aplicações e utilidades em uma ampla gama de tópicos, tais como a física, química, medicina, música, teoria dos jogos e esportes. Este artigo focará nas aplicabilidades na área de engenharia e computação. Palavra-Chave — Cadeias de Markov. Probabilidade. Aplicações. Engenharia. Abstract — Over the years, studies and research on Markov chains have found and improved their applications and usefulness in a wide range of topics, such as physics, chemistry, medicine, music, game theory, and sports. This article will focus on applications in the field of engineering and computation. Keywords — Markov Chains. Probability. Applications. Engineering. I. INTRODUÇÃO A cadeia de Markov é uma das principais áreas da probabilidade moderna e possui uma ampla aplicabilidade em diferentes áreas. Uma grande e importante característica desse processo é a sua falta de “memória” que possibilita prever como uma cadeia de Markov pode se comportar e calcular probabilidades e valores esperados que quantificam esse comportamento. Neste artigo, será apresentado um breve resumo sobre a teoria desse processo para então listar e classificar as principais aplicações dessa cadeia nas áreas de engenharia e computação. II. CADEIAS DE MARKOV Um processo estocástico, descrito por um conjunto de variáveis 𝑋𝑛 (𝑛 = 0,1,2, … ) em tempo discreto, é caracterizado como uma cadeia de Markov quando 𝑋𝑛 possui valores num conjunto de estados ou espaço de estados 𝑆 finito ou infinito e 𝑋𝑛 = 𝑖 representa que o processo está no estado i do tempo n. Matematicamente falando: 𝑃(𝑋𝑛+1 = 𝑗|𝑋𝑛 = 𝑖, 𝑋𝑛−1 = 𝑖𝑛−1, … , 𝑋1 = 𝑖, 𝑋0 = 𝑖0) = 𝑃(𝑋𝑛+1 = 𝑗|𝑋𝑛 = 𝑖) = 𝑝𝑖𝑗 Ou seja, a chance de estar no instante n+1 no estado j depende apenas do estado no instante n e não de todo o histórico do processo (estados 𝑋0, 𝑋1, … , 𝑋𝑛−1). Portanto, a definição dessa propriedade, também chamada de memória markoviana, é que os estados anteriores são irrelevantes para a predição dos estados seguintes, desde que o estado atual seja conhecido. III. APLICAÇÕES NA ENGENHARIA As aplicações das cadeias de Markov na engenharia são as mais diversas devido às diferentes áreas existentes dentro da mesma. Na área da engenharia elétrica, foram encontrados diversos estudos e pesquisas com embasamento nas cadeias de Markov, dentre eles uma análise dos picos de demanda diária de energia elétrica via cadeias de Markov. Nesse estudo, foram analisados dados diários de carga horária da demanda de energia elétrica que foram APLICAÇÕES DE CADEIAS DE MARKOV NAS ÁREAS DE ENGENHARIA E COMPUTAÇÃO Amanda Jade Aquino Jansen¹ ¹Curso de Engenharia Elétrica – UFMA – Maranhão - Brasil 2 empregados aos conceitos e processos das cadeias de Markov para então se obter resultados que mostram que os subsistemas Norte e Nordeste possuem características próximas quanto ao seu consumo energético enquanto que o subsistema Sudeste/Centro Oeste possui um consumo de energia mais alto que os demais subsistemas. Ainda na área da elétrica, pode-se destacar também o uso das cadeias de Markov para análise de dados eólicos, onde em um estudo sobre as duas regiões brasileiras com mais parques eólicos e com maior potência instalada e utilizada, Norte e Nordeste, foram utilizados as análises descritivas e aplicações desse processo para se constatar que, na região Nordeste há um aumento de geração de energia assim como há um aumento no número de usinas em construção. Porém, é na região Sul que se percebe um melhor aproveitamento da potência outorgada, especialmente no Rio Grande do Sul. No ramo de comunicações, pode-se citar a vasta aplicação das cadeias de Markov na área de Telecomunicações, especialmente utilizando modelos escondidos de Markov (HMM), que são modelos compostos de uma cadeia de Markov subjacente em que seus estados não são observáveis e uma observação é emitida quando há permanência em qualquer um dos seus estados. Esses modelos se mostram úteis na área de Telecomunicações principalmente devido à modelagem de canais de comunicações em processos de transmissão digital. IV. APLICAÇÕES NA COMPUTAÇÃO Na área da computação, uma das mais notórias e importante aplicação das cadeias de Markov é o Page Rank, ferramenta utilizada pelo Google que ajuda seus usuários na obtenção de informação de maneira rápida e eficaz através da seleção de links mais relevantes e que contém melhores informações. O funcionamento do Page Rank utiliza os princípios e conceitos da cadeia de Markov para identificar quais os sites são mais seletivos e posicionar, em ordem de relevância, os links com informações mais importantes para o assunto pesquisado pelo usuário. Dessa forma, o tempo de pesquisa é otimizado e o usuário terá uma pesquisa satisfatória. Outra aplicação das cadeias de Markov no ramo da computação se encontra num estudo sobre detecção de “spammers”, usuários responsáveis por enviar mensagens não solicitadas, que também tem como base os modelos escondidos de Markov (HMM) e propõe classificar o usuário em spammer e não-spammer de acordo com seu comportamento. O uso do HMM permite então descrever o comportamento desses usuários com estados ocultos dinamicamente, que podem ser decodificados a partir de dados observados. No campo da bioinformática também é bastante utilizado os modelos escondidos de Markov, que podem ser utilizados para simular as sequências de DNA, no alinhamento de sequencias, detecção de genes in silico (através de simulação computacional), predição de estruturas e mineração de dados. V. CONCLUSÃO É notável que as cadeias de Markov são uma poderosa ferramenta probabilística que podem prever o comportamento de diversos processos e sistemas conforme visto acima. Suas aplicações são as mais diversas possíveis, não se resumindo às áreas citadas e exemplificadas acima, devido a sua peculiar característica de prever estados futuros baseando-se em estados presentes e não nos estados passados, que o torna um processo eficaz e eficiente, além de otimizado, para diversos estudos e pesquisas. REFERÊNCIAS BIBLIOGRÁFICAS [1] Dang, Qi; Gao, Feng; Zhou, Yadong. Spammer detection based on Hidden Markov Model in micro-blogging. 3 Disponível em: <https://ieeexplore.ieee.org/documen t/7578397>. [2] Martins, Vivian Portela. Cadeias de Markov para análise de dados eólicos. Disponível em: < http://www.puc- rio.br/pibic/relatorio_resumo2020/do wnload/relatorios/CTC/IND/IND- Vivian%20Portela%20Martins.pdf>. [3] Oliveira, Débora Campbell de. Análise dos picos de demanda diária de energia elétrica via Cadeias de Markov. Disponível em: < http://www.din.uem.br/sbpo/sbpo20 15/pdf/141775.pdf>. [4] Oliveira, Marcos Vinicius; Bovoloni, João Otavio; Leite Filho, Efraim Santana; Menezes, Gabriel. Page Rank: O funcionamento da ferramenta de busca do Google. Disponível em: < https://bityli.com/D6fFVN>. [5] PUC-Rio. Conceitos Básicos: Markov. Disponível em: <https://www.maxwell.vrac.puc- rio.br/32818/32818_3.PDF>. [6] Silva, Larissa Miguez da. Cadeias de Markov e Aplicações. Disponível em: <https://app.uff.br/riuff/bitstream/1/4 213/1/LarissaMiguezdaSilva%20201 7.pdf>. [7] Silva, Tallyta C. M. da.; Vargas Jr., Valdivino. Cadeias de Markov: Conceitos e Aplicações em Modelos de Difusão de Informação. Disponível em: <http://www.sbpcnet.org.br/livro/63r a/conpeex/pivic/trabalhos/TALLYT A-CAROLYNE-MARTINS-DA- SILVA-PIVIC.PDF>. [8] Cadeias de Markov. Disponível em: <https://pt.wikipedia.org/wiki/Cadei as_de_Markov>.
Compartilhar