Baixe o app para aproveitar ainda mais
Prévia do material em texto
Modelagem de Sistemas Discretos Universidade Veiga de Almeida – UVA Curso de Engenharia de Produção Profª Izabel Saldanha Matsuzaki, MSc. 1) Cadeias de Markov 1.1) Processos estocásticos “É uma coleção de variáveis aleatórias indexadas (𝑋 ), onde t é um índice definido no conjunto T”. Dessa forma, entende‐se que um processo estocástico é a descrição de um fenômeno aleatório que varia com o tempo. (HILLIER e LIEBERMAN, 2006) Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki Ponto de interesse: descrevem o comportamento de um sistema operando ao longo de um período. 1) Cadeias de Markov 1.1) Processos estocásticos Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 1) Cadeias de Markov 1.2) Distribuição de probabilidade Seja (𝑡 , 𝑡 , … , 𝑡 ), com 𝑡 𝑡 ⋯ 𝑡 um conjunto discreto de pontos de T, a distribuição conjunta do processo 𝑋 𝑡 nesses pontos pode ser definida como: 𝑃 𝑋 𝑥 ,𝑋 𝑥 , … ,𝑋 𝑥 A probabilidade do processo estocástico estar no tempo t no estado 𝑎 é chamada probabilidade de estado (𝑃 ). Essa probabilidade é definida por: 𝑃 𝑃 𝑋 𝑎 Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 1) Cadeias de Markov 1.2) Distribuição de probabilidade O vetor p 𝑝 𝑝 … 𝑝 … é chamado vetor de probabilidade de estado. A probabilidade do processo estocástico (com tempo e estados discretos) estar no estado j, dado que estava no estado i, é chamada probabilidade de transição (𝑃 ), onde: 𝑃 𝑃 𝑋 𝑗|𝑋 𝑖 Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 1) Cadeias de Markov 1.2) Distribuição de probabilidade Uma hipótese que leva à tratabilidade analítica é a de que, o processo estocástico é uma Cadeia de Markov, quando possui a seguinte propriedade fundamental: 𝑃 𝑋 𝑗|𝑋 𝑘 ,𝑋 𝑘 , … ,𝑋 𝑘 𝑋 𝑖 𝑃 𝑋 𝑗|𝑋 𝑖 , ∀ 𝑡 0, 1, … . e toda sequência 𝑖, 𝑗,𝑘 ,𝑘 , … ,𝑘 . Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki Essa propriedade markoviana diz que a probabilidade condicional de qualquer “evento” futuro, dado quaisquer “eventos” passados e o estado presente 𝑿𝒕 𝒊, é independente dos eventos passados e depende apenas do estado atual. 1) Cadeias de Markov 1.2) Distribuição de probabilidade Contudo, se ocorrer a situação em que as probabilidades de transição não mudam ao longo do tempo, então estas probabilidades de transição são ditas estacionárias. Simplificando a notação com probabilidades de transição estacionárias, façamos: 𝑝 𝑃 𝑋 𝑗|𝑋 𝑖 A existência de probabilidade de transição (em uma etapa) estacionária também implica o mesmo, para cada i, j e n (n = 0, 1, 2, ....). Considerando a notação anterior, temos: Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 1) Cadeias de Markov 1.2) Distribuição de probabilidade 𝑝 𝑃 𝑋 𝑗|𝑋 𝑖 Para todo t = 0, 1,.... essas probabilidades condicionais são denominadas probabilidades de transição em n etapas. Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki ATENÇÃO: Como as 𝑝 são probabilidades condicionais, elas tem que ser não‐negativas. Já que o processo deve realizar a transição para algum estado, elas devem satisfazer as seguintes propriedades: 𝑝 0; ∀ 𝑖 𝑒 𝑗;𝑛 0, 1, 2, … ∑ 𝑝 1 ; ∀ 𝑖 ;𝑛 0, 1, 2, … 1) Cadeias de Markov 1.3) Matriz de transição Uma maneira conveniente de apresentar todas as probabilidades de transição em n etapas é o formato de matriz: Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 1) Cadeias de Markov 1.3) Matriz de transição Ou de modo equivalente: Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 1) Cadeias de Markov 1.4) Diagrama de Transição de Estados Definição: é o grafo representativo do processo estocástico, onde o conjunto de vértices está associado ao conjunto de estados (representado por círculos). O conjunto de arcos/arestas, por sua vez, está associado as possíveis transições e é valorado pelas probabilidades de transição. Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 1) Cadeias de Markov 1.5) Exemplos 1) O tempo na cidade de Niterói pode mudar de maneira bastante rápida de um dia para o outro. Entretanto, as chances de termos tempo seco (sem chuvas) amanhã são ligeiramente maiores, caso esteja seco hoje do que se chover. Particularmente, a probabilidade de termos tempo seco amanhã é de 0,8, caso hoje esteja seco, porém é de apenas 0,6, caso hoje chova. Essas probabilidades não mudam, se as informações sobre o tempo antes de hoje também forem levadas em consideração. Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 1) Cadeias de Markov 1.5) Exemplos Continuação...) Começando em um dado dia inicial (chamado aqui de dia 0), o tempo é observado em cada dia t = 0, 1, 2, ..... O estado do sistema no dia t pode ser: Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki Estado 0 = Dia t é seco ou Estado 1 = Dia t é com chuva. 𝑋 0 𝑠𝑒 𝑜 𝑑𝑖𝑎 𝑡 𝑒𝑠𝑡𝑖𝑣𝑒𝑟 𝑠𝑒𝑐𝑜1 𝑠𝑒 𝑛𝑜 𝑑𝑖𝑎 𝑡 𝑒𝑠𝑡𝑖𝑣𝑒𝑟 𝑐ℎ𝑜𝑣𝑒𝑛𝑑𝑜 Dessa forma, para t = 0, 1, 2, .... A variável aleatória 𝑋 assume os seguintes valores: 1) Cadeias de Markov 1.5) Exemplos Continuação ex:1..) A partir das informações apresentadas, responda: Quais são as probabilidades de transição? Monte a matriz de transição. Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 𝑝 𝑃 𝑋 0 𝑋 0 0,8 𝑝 𝑃 𝑋 0 𝑋 1 0,6 ∀ 𝑡 0, 1, 2, … . Além disso: 𝑝 𝑝 1 𝑝 𝑝 1 logo: 𝑝 1 0,8 0,2 𝑝 1 0,6 0,4 1) Cadeias de Markov 1.5) Exemplos Continuação ex:1..) Portanto a matriz de transição será igual a : Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 0 1 𝑝 0,8 𝑝 0,4 𝑝 0,2 𝑝 0,6 1) Cadeias de Markov 1.5) Exemplos 2) Suponha a existência de três possíveis classificações sociais para um indivíduo de uma população: classes A, B e C. A probabilidade de um indivíduo sair da classe C e ir para a classe B pode ser determinada por estudos estatísticos que observem a taxa de indivíduos que, ao longo de um determinado período, migram entre essas classes. Sabe‐se que não é possível a migração de um indivíduo da classe C para a A, contudo 10% da população consegue melhorar sua posição social e migrar para a classe B. Além disso, os relatórios apresentaram os mesmos percentuais quando ocorre o downgrade das classes A e B, ou seja, iguais a 50%. Algo semelhante ocorre quando estes indivíduos conseguem permanecer em suas classes, sem sofrer este downgrade, isto é, algo em torno de 30%. A partir dessas informações, apresente a matriz e o diagrama de transição com os respectivos valores das probabilidades de transição. Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 1) Cadeias de Markov 1.5) Exemplos 2) Suponha a existência de três possíveis classificações sociais para um indivíduo de uma população: classes A, B e C. A probabilidade de um indivíduo sair da classe C e ir para a classe B pode ser determinada por estudos estatísticos que observem a taxa de indivíduos que, ao longo de um determinado período, migram entre essas classes. Sabe‐se que não é possível a migração de um indivíduo da classe C para a A, contudo, 10% da população consegue melhorar sua posição social e migrar para a classe B. Além disso, os relatórios apresentaram os mesmos percentuais quando ocorre o downgrade das classes A e B, ou seja, iguais a 50%. Algo semelhante ocorre quando estes indivíduos conseguem permanecer em suas classes, sem sofrer este downgrade, isto é, algo em torno de 30%. A partir dessas informações, apresente a matriz e o diagrama de transição com os respectivos valores das probabilidades de transição. Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 1) Cadeias de Markov 1.5) Exemplos 2) Resolução: Disciplina: Modelagemde Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 𝑋 0, 𝑠𝑒 𝑜 𝑖𝑛𝑑í𝑣𝑖𝑑𝑢𝑜 𝑒𝑠𝑡𝑖𝑣𝑒𝑟 𝑛𝑎 𝑐𝑙𝑎𝑠𝑠𝑒 𝐴 1, 𝑠𝑒 𝑜 𝑖𝑛𝑑𝑖𝑣í𝑑𝑢𝑜 𝑒𝑠𝑡𝑖𝑣𝑒𝑟 𝑛𝑎 𝑐𝑙𝑎𝑠𝑠𝑒 𝐵 2, 𝑠𝑒 𝑜 𝑖𝑛𝑑𝑖𝑣í𝑑𝑢𝑜 𝑒𝑠𝑡𝑖𝑣𝑒𝑟 𝑛𝑎 𝑐𝑙𝑎𝑠𝑠𝑒 𝐶 𝑝 𝑃 𝑋 0 𝑋 2 0 𝑝 𝑃 𝑋 1 𝑋 2 0,1 𝑝 𝑃 𝑋 1 𝑋 1 0,5 𝑝 𝑃 𝑋 2 𝑋 1 0,5 𝑝 𝑃 𝑋 0 𝑋 0 0,3 𝑝 𝑃 𝑋 1 𝑋 1 0,3 𝑃 0 1 2 0,3 0,5 0,3 0,5 0 0,1 0 1 2 𝑃 0 1 2 0,3 0,5 0,2 0,2 0,3 0,5 0 0,1 0,9 0 1 2 1) Cadeias de Markov 1.5) Exemplos 2) Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 0,2 0,3 1) Cadeias de Markov 1.5) Exemplos 3) Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 1) Cadeias de Markov 1.5) Exemplos 3) Resposta: a) Desde que a probabilidade do tempo de amanhã seja dependente apenas do tempo de hoje, a propriedade Markoviana é válida para a evolução do tempo. b) Seja 𝑋 0 𝑠𝑒 𝑜 𝑑𝑖𝑎 𝑡 𝑒𝑠𝑡𝑖𝑣𝑒𝑟 𝑐ℎ𝑢𝑣𝑜𝑠𝑜1 𝑠𝑒 𝑛𝑜 𝑑𝑖𝑎 𝑡 𝑒𝑠𝑡𝑖𝑣𝑒𝑟 𝑠𝑒𝑐𝑜 𝑜𝑢 𝑐𝑙𝑎𝑟𝑜 Então 𝑃 0,5 0,50,1 0,9 Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 1) Cadeias de Markov 1.5) Exemplos 4) (Questão da avaliação A1/2018) O centro de computação da Universidade de Harvard tem experimentado o tempo de inatividade do computador. Suponhamos que as tentativas de um processo de Markov associado sejam definidas como períodos de uma hora e que a probabilidade de o sistema estar em um estado em execução ou em estado inativo seja baseada no estado do sistema no período anterior. Dados históricos mostram as seguintes probabilidades de transição: Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki a) Se o sistema estiver executando inicialmente, qual é a probabilidade de o sistema estar inativo na próxima hora de operação? 1) Cadeias de Markov 1.5) Exemplos/exercício 5) Suponha que temos um modelo de mercado de ações de modo que o fato de a ação subir amanhã depende se ela aumentou hoje e ontem. Particularmente, se a ação tiver subido nos últimos dois dias, ela subirá amanhã com probabilidade 0,9. Se a ação subiu hoje, mas caiu ontem, então ela subirá amanhã com probabilidade 0,6. Se a ação caiu hoje, porém subiu ontem, então ela subirá amanhã com probabilidade 0,5. Finalmente, se a ação caiu nos últimos dois dias, então ela subirá amanhã com probabilidade 0,3. A partir dessas informações apresente a matriz de transição e as respectivas probabilidades de transição. Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki 1) Cadeias de Markov 1.5) Exemplos/exercício 5) Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki Referências • HILLIER, F.S.; LIEBERMAN, G.J. Introdução à pesquisa operacional. 9. ed. São Paulo: MCGRAW‐HILL Brasil, 2013. https://integrada.minhabiblioteca.com.br/#/books/9788580 551198/cfi/714!/4/4@0.00:4.87 • TAHA, Hamdy A. Pesquisa operacional. São Paulo: Pearson Prentice Hall, 2008. Disciplina: Modelagem de Sistemas Discretos. Prof. Izabel Saldanha Matsuzaki
Compartilhar