Baixe o app para aproveitar ainda mais
Prévia do material em texto
Profº Túlio de Almeida Pesquisa Operacional II 4. CADEIAS DE MARKOV Alocação de um estado sob dados discretos de tempo. Comportamento em cadeia descrito pelo matemático russo Andrei Markov. Um diagrama de estado para um exemplo simples é mostrado na figura à esquerda, usando para imaginar as transições de estado de um grafo dirigido. Os estados representam se um mercado de ações hipotético está exibindo um mercado em alta, mercado em baixa, ou tendência do mercado estagnado durante uma determinada semana. De acordo com a figura, uma semana de alta é seguido por uma outra semana de alta 90% do tempo, de uma semana de baixa 7,5% do tempo, e uma semana estagnada outro 2,5% do tempo. Próximo Período Mercado em Alta Mercado Estagnado Mercado em Baixa P e rí o d o A tu a l Mercado em Alta 0,90 0,025 0,075 Mercado Estagnado 0,25 0,50 0,25 Mercado em Baixa 0,15 0,05 0,80 4.1. PROCESSOS ESTOCÁSTICOS 4.1.1. O Que É um Processo Estocástico? Um processo estocástico é definido como uma coleção de variáveis randômicas Xt indexadas por um parâmetro t pertencente a um conjunto T. Frequentemente T é tomado para ser conjunto dos inteiros não-negativos (porém outros conjuntos são perfeitamente possíveis) e X(t) representa uma característica mensurável de interesse no tempo t. Exemplificando, X(t) pode representar o nível de estoque de um produto no fim da semana t. Processos estocástico são de interesse para descrever o procedimento de um sistema operando sobre algum período de tempo, com isso, em termos formais, a variável randômica X(t) representa o estado do sistema no parâmetro (geralmente tempo) t. Conclusão: Pode-se afirmar que X(t) é definido em um espaço denominado Espaço de Estados. 4.1.2. Tipos de Processos Estocásticos Os processos estocásticos podem ser classificados como: Em Relação ao Estado Estado Discreto (Cadeia): a variável X(t) é definida sobre um conjunto enumerável ou finito. Estado Contínuo (Sequência): X(t) caso contrário. Em Relação ao Tempo Tempo Discreto: t é enumerável ou finito. Estocástico vem de estoque? Profº Túlio de Almeida Pesquisa Operacional II Tempo Contínuo: t caso contrário. Exemplos 1. Número de usuários em uma fila de banco em um determinado instante. Estado discreto, tempo contínuo. 2. Índice pluviométrico diário. Estado contínuo, tempo discreto. 3. Número de dias chuvosos. Estado e tempo discretos. 4.2. CONCEITOS SOBRE CADEIAS DE MARKOV 4.2.1. Definição de uma Cadeia de Markov Seja Xt, uma variável aleatória que caracteriza o estado do sistema em pontos discretos no tempo t = 1,2, ..., n. A família de variáveis aleatórias {Xt} forma um processo estocástico. O número de estados de um processo estocástico pode ser finito ou infinito, como pode ser observado nos exemplos a seguir: Exemplos A condição de uma máquina na ocasião de uma manutenção preventiva mensal é caracterizada como ruim, razoável ou boa. Para o mês t, o processo estocástico para esta situação pode ser representado como: ,...2,1t, boafor condição a se 2, razoávelfor condição a se 1, ruimfor condição a se ,0 X t A variável aleatória Xt é finita porque representa três estados: ruim (0), razoável (1) e bom (2). Serviços chegam a uma oficina mecânica à taxa de 5 por hora. O processo de chagada segue uma distribuição de Poisson que, teoricamente, permite que qualquer número de serviços entre zero e infinito cheguem à oficina durante o intervalo de tempo (0,t). O processo de estado no limite que descreve o número de serviços que chegam é Xt = 0, 1, 2, ..., t > 0 4.2.2. Processos de Markov Um processo estocástico é um processo de Markov se a ocorrência de estado futuro depender somente do estado precedente. Isso significa que, dados os tempos cronológicos t0, t1, t2, ... , tn, diz-se que a família de variáveis aleatórias {Xtn} = {x1, x2, ..., xn} é um processo de Markov se possuir a seguinte propriedade: }xX|xX{P}xX,...,xX|xX{P 1ntnt0t1ntnt 1nn01nn Em um processo markoviano com n estados (resultados) exaustivos e mutuamente exclusivos, as probabilidades em um ponto no tempo t = 0, 1, 2, ... são habitualmente expressas por: T ..., 2, 1, 0, tn; ..., 3, 2, 1, j)i,(};iX|jX{Pp 1ttij Isso é conhecido como probabilidade de transição em uma etapa do estado i em t-1 para estado j em t. Por definição: j ij n ..., 3, 2, 1,i ;1p n ..., 3, 2, 1,j),i(;0pij 4.2.3. Probabilidades de Transição Um modo conveniente de resumir as probabilidades de transição em uma etapa é a notação matricial. nn3n2n1n n2232221 n1131211 p...ppp p...ppp p...ppp P A matriz P define a denominada Cadeia de Markov. Uma propriedade desta matriz é que todas as probabilidades de transição pij são fixas (estacionárias) e independentes ao longo do tempo. Exemplo Todo ano no início da estação de plantio de mudas (março e setembro), um jardineiro usa um teste químico para verificar a condição do solo. Dependendo do resultado do teste, a produtividade para a nova estação cai em um de três estados: 1. Bom 2. Razoável 3. Ruim Profº Túlio de Almeida Pesquisa Operacional II Ao longo dos anos, o jardineiro observou que a condição do solo no ano anterior causava um impacto sobre a produtividade do ano corrente e que a situação podia ser descrita pela seguinte cadeia de Markov: 321 P = 100 5,05,00 3,05,02,0 3 2 1 As probabilidades de transição mostram que a condição do solo pode se deteriorar ou se manter, mas nunca melhorar. Se a condição do solo neste ano for boa (estado 1) , há 20% de chance de não mudar no ano seguinte, 50% de chance de se tornar razoável (estado 2) e 30% de chance de deteriorar até uma condição ruim (estado 3). Se a condição do solo neste ano for razoável (estado 2), a produtividade no ano seguinte pode permanecer razoável com probabilidade de 0,50 ou tornar-se ruim (estado 3), também com probabilidade de 0,50. Por fim, uma condição ruim neste ano (estado 3) só pode resultar em igual condição no próximo ano (probabilidade igual a 1). O jardineiro pode alterar as probabilidades de transição P utilizando fertilizante para melhorar a condição do solo. Nesse caso, a matriz de transição se torna: 321 P = 55,040,005,0 30,060,010,0 10,060,030,0 3 2 1 Agora a utilização do fertilizante permite melhorias nas condições de deterioração. Há 10% de chance de a condição do solo mudar de razoável para boa (estado 2 para estado 1), 5% de chance de mudar de ruim para boa (estado 3 para estado1) e 40% de chance de mudar de ruim para razoável (estado 3 para estado 2). 4.2.4. Probabilidades de Transição em n Etapas e Absolutas Dadas as probabilidades iniciais a 0 = {aj (0) } de iniciar no estado j e a matriz de transição P de uma cadeia de Markov, as propriedades absolutas a n = {aj (n) } de estar no estado j após n transições (n>0) são calculadas da seguinte maneira: a (1) = a (0) P a (2) =a (1) P = a (0) PP = a (0) P² a (3) = a (2) P = a (0) P²P = a (0) P³ Continuando sob a mesma ótica, tem-se que: n)0()n( Paa onde a matriz P é conhecida como matriz de transição em n etapas. Por esses cálculos pode-se observar que: PPP 1nn ou mmnn PPP para 0 < m < n Observação: Tais equações são conhecidas como equações de Chapman-Kologomorov. Exemplo Voltando ao exemplo do jardineiro. Após a aplicação do fertilizante, obtem-se a seguinte matriz de transição: 321 P = 55,040,005,0 30,060,010,0 10,060,030,0 3 2 1 Sendo a condição atual do solo boa (estado 1), ou seja, a (0) = (1, 0, 0), determine as probabilidades absolutas dos três estados do sistema após 1, 8 e 16 estações de plantio. P² = 4275,04900,00825,0 3550,05400,01050,0 2650,05800,01550,0 P 4 = 37857,052193,009950,0 37129,052645,010226,0 36026,053295,010679,0 ano atual ano seguinte Profº Túlio de Almeida Pesquisa Operacional II P 8 = 372863,0525384,0101669,0 372863,0525435,0101702,0 372733,0525514,0101753,0 P 16 = 372881,0524540,0101659,0 372881,0524540,0101659,0 372881,0524540,0101659,0 Desta forma, tem-se que: 10,060,030,0a 55,040,005,0 30,060,010,0 10,060,030,0 )001(a )1( )1( 372733,0525514,0101753,0a 372863,0525384,0101669,0 372863,0525435,0101702,0 372733,0525514,0101753,0 )001(a )8( )8( 372881,0524540,0101659,0a 372881,0524540,0101659,0 372881,0524540,0101659,0 372881,0524540,0101659,0 )001(a )16( )16( Ou também, pode-se fazer da seguinte maneira: 10,060,030,0a 55,040,005,0 30,060,010,0 10,060,030,0 )001(a )1( )1( 265,0580,0155,0a 55,040,005,0 30,060,010,0 10,060,030,0 )10,060,030,0(a )2( )2( 33525,054700,011775,0a 55,040,005,0 30,060,010,0 10,060,030,0 )265,0580,0155,0(a )3( )3( Observação: Repare que para períodos distantes do atual, como por exemplo a (16) , é mais eficaz calcular o produto das matrizes, enquanto para períodos mais próximos do período atual é mais viável utilizar a segunda propriedade. 4.3. CLASSIFICAÇÃO DOS ESTADOS EM UMA CADEIA DE MARKOV 4.3.1. Estados Absorventes Um estado j é absorvente se retornar para ele mesmo, com certeza, em uma transição, isto é, pij = 1. 4.3.2. Estados Transientes Um estado j é transiente se puder alcançar outro estado mas não puder voltar ao mesmo estado em que estava com base em outro estado. Matematicamente, isso acontecerá se: 0plim )n(ij n para todo i. Exemplo Considerando a Cadeia de Markov do jardineiro sem o fertilizante. 321 100 5,05,00 3,05,02,0 3 2 1 Os estados 1 e 2 são transientes porque alcançam o estado 3 mas nunca podem voltar ao estado anterior. O estado 3 é absorvente porque p33 = 1. Essas classificações também podem ser vistas quando 0plim )n(ij n é calculado. Por exemplo, 100 100 100 P )100( o que mostra que no longo prazo, a probabilidade de alguma vez voltar ao estado transiente 1 ou 2 é zero, ao passo que a probabilidade de ser capturado no estado absorvente 3 é certa. 4.3.3. Estados Recorrentes Profº Túlio de Almeida Pesquisa Operacional II Um estado j é recorrente se a probabilidade de voltar ao estado em que estava com base em outros estados for 1. Isso pode acontecer se, e somente se, o estado não for transiente. 4.3.4. Estados Periódicos Um estado j é periódico com período t > 1 se o retorno só for possível em t, 2t, 3t, ... etapas. Isso significa que pij (n) = 0 sempre que n não for divisível por t. Exemplo Pode-se testar a periodicidade de um estado calculando P n e observando os valores de pij (n) para n = 1, 2, 3, ... . Esses valores serão positivos somente no período correspondente do estado. Por exemplo na cadeia: 04,06,0 010 4,06,00 P tem-se que 0856,0144,0 010 096,0904,00 P. 024,076,00 010 076,024,0 P 32 09654,00346,0 010 2304,09770,00 P. 0576,09424,00 010 09424,00576,0 P 54 4.4. BIBLIOGRAFIA E REFERÊNCIAS [1] TAHA, Hamdy. Pesquisa Operacional. 8ª Edição. São Paulo: Pearson Prentice Hall, 2008. [2] HILLIER, Frederick S. & LIEBERMAN, Gerald J. Introduction to Operations Research. 7th Edition. McGraw Hill. 2001. [3] NOGUEIRA, Fernando. Cadeias de Markov. Disciplina: Modelagem e Simulação. Notas de Aula.
Compartilhar