Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
* * CAPA * * ÍNDICE Introdução Teoria das Probabilidadess História de Markov Cadeias de Markov Previsões a Longo Prazo Aplicações Exercícios * * INTRODUÇÃO Vários processos naturais ou que ocorrem na sociedade podem ser estudados por um modelo aproximado como se o fenômeno passasse por uma sucessão de estados, partindo de um estado inicial, em que a transição entre eles seria determinada por uma probabilidade. * * INTRODUÇÃO Um processo estocástico é uma família de variáveis aleatórias indexadas por elementos t pertencentes a determinado intervalo temporal. Intuitivamente, se uma variável aleatória é um número real que varia aleatoriamente, um processo estocástico é uma função temporal que varia aleatoriamente. * * INTRODUÇÃO De forma simplificada, podemos dizer que processos estocásticos são processos aleatórios que dependem do tempo. * * Teoria das Probabilidades O conjunto de todos os possíveis do experimento é chamado de espaço amostral e é denotado pela letra grega Ω. Para cada evento A associa-se um n° real P(A) indicando a probabilidade de A ocorrer . * * Teoria das Probabilidades Operações com eventos : * * Teoria das Probabilidades Eventos são ditos mutuamente exclusivos se , e só se , eles não puderem ocorrer simultaneamente. * * Teoria das Probabilidades Assim teremos as seguintes propriedades: 0 P(A) 1 P(Ω) = 1 P(AUB) = P(A) + P(B) – P(A∩B) P(A*) = 1 – P(A) Se A e B são eventos mutuamente excludentes, então: P(AUB) = P(A) + P(B) * * Historia de Markov * * Historia de Markov Andrei Andreyevich Markov foi um matemático russo. Formou-se na universidade de St. Petersburg em 1878 e veio a se tornar professor na mesma em 1886. Os primeiros trabalhos de Markov foram limite de integrais e teoria da aproximação. * * Cadeia de Markov Pode-se estudar muitos fenômenos naturais, sociais e urbanos, como uma sequências de estados, onde a transição de um determinado estado para o próximo ocorre segundo uma certa probabilidade . * * Cadeia de Markov No caso em que a probabilidade depende apenas do estado em que o fenômeno se encontra e do estado a seguir, o processo será chamado Processo de Markov e uma sequência de estados seguindo esse processo será denominada uma Cadeia de Markov. * * Cadeia de Markov Por exemplo, uma população é dividida em três estados (ricos, classe media e pobres) e que em cada unidade de tempo a probabilidade de mudança de um estado para outro seja constante no tempo, só dependa dos estados. * * Cadeia de Markov Seja Ti,j a probabilidade de mudança do estado j para o estado i em uma unidade de tempo (geração).É importante ter cuidado com a ardem dos índices . A matriz : É chamada matriz de transição. * * Cadeia de Markov A distribuição da população inicial entre os três estados pode ser descrita pela seguinte matriz: * * Cadeia de Markov A matriz Po caracteriza a distribuição inicial da população entre os três estados e é chamada vetor de estado. Após uma unidade de tempo a população estará dividida entre os três estados da seguinte forma: * * Cadeia de Markov Lembre-se que t ij é a probabilidade de mudança do estado j para o estado i. Assim a matriz de estado após uma unidade de tempo é dada pelo produto de matrizes. P¹ = TPo. * * Cadeia de Markov Relembrando: Propriedade “Memoryless”: As informações de estados passados são irrelevantes; O tempo que o processo está no estado atual é irrelevante * * Previsões a longo prazo Para podermos fazer previsões a longo prazo , a matriz T deve cumprir certas condições. Assim,introduziremos a definição a seguir: Definição: Uma matriz das probabilidades de transição é regular se alguma de suas potências tem todos os elementos não nulos. A importância da matriz regular para as previsões a longo prazo é dada pelo teorema a seguir: * * Previsões a longo prazo Teorema: Se a matriz Tr x r das probabilidades de transição é regular, então: i) As potencias T^n aproximam-se de uma matriz P, no sentido de que cada elemento de T^n aproxima-se do elemento correspondente em P. * * Previsões a longo prazo ii) Todas as colunas de P são iguais, sendo dadas por um vetor-coluna Com p1>0, p2>0, ..., pr>0 * * Previsões a longo prazo iii) Para qualquer vetor de probabilidades inicial O vetor de probabilidades T^n V1 aproxima-se de V (dado no item anterior). iv) O vetor V é o único vetor que satisfaz V=VT * * Exemplo: Suponhamos que em uma determinada região, a cada ano, 3% da população rural migra para as cidades, enquanto que apenas 1% da população urbana migra para o meio rural. Se todas as demais condições permanecerem estáveis, as condições políticas não mudarem e estas porcentagens de migração continuarem as mesmas, qual deve ser a relação entre as populações urbana e rural desta região a longo prazo ? * * Como a matriz é regular, a longo prazo as probabilidades PR, de viver no meio rural e PU, de viver no meio urbano, devem satisfazer : Ou seja, a longo prazo e se não houver modificações nas tendências de migração, teremos 25% da população no meio rural e 75% da população no meio urbano. * * Aplicações Movimento Browniano O movimento browniano é o movimento aleatório de partículas macroscópicas num fluido como conseqüência dos choques das moléculas do fluido nas partículas. Também pode ser observado quando luz é incidida em lugares muito secos, onde macro partículas "flutuam" em movimentos aleatórios. * * * * Movimento Browniano Esse movimento está diretamente ligado com muitas reações em nível celular, como a difusão, a formação de proteínas, a síntese de ATP e o transporte intracelular de moléculas. O Movimento Browniano é um caso particular de Cadeia de Markov conhecido como Processo de Wiener. Há um padrão nesse movimento aleatório que o classifica como um movimento fractal. Quem primeiro percebeu isso foi Benoît Mandelbrot. * * Fractais Fractais são objetos geométricos que podem ser divididos em partes, cada uma das quais semelhante ao objeto original, geralmente auto-similares e independentes de escala. Em muitos casos um fractal pode ser gerado por um padrão repetido, tipicamente um processo recorrente ou iterativo. * * * * Fractais O matemático Nobert Wiener demonstrou que a curva browniana em duas dimensões tem comprimento infinito. O caminho traçado por uma partícula é tão complexo que, se esperássemos um tempo infinitamente longo, ela percorreria todo o plano, sem deixar de passar por nenhum ponto. Contrariando as aparências, o caminho percorrido pela partícula browniana não é uma linha, mas é uma superfície, e com isso, podemos afirmar que, nesse caso, a dimensão deste movimento é igual a 2. * * Aplicações de Cadeias de Markov Em Ciência da Computação http://www.cs.umd.edu/users/oleary/res00/node1.html (Markov Chains are used to model processes such as behavior of queuing networks, 2001) Economia http://econpapers.hhs.se/paper/wpawuwppe/0205002.htm (The Evolution of Tax Evasion in the Czech Republic: A Markov Chain Analysis, 2003) http://faculty.darden.virginia.edu/pfeiferp/Homepage/ModelingCustomersasMarkovChains.pdf (Modeling Customer Relationships as Markov Chains, 2000) http://www.stat.fi/isi99/proceedings/arkisto/varasto/pell0333.pdf (Analysing economic Growth using Panel Data and Markov Chains) * * Aplicações de Cadeias de Markov Geologia http://www.stieltjes.org/archief/rep9899/node19.html Medicina http://cnx.rice.edu/content/m10861/latest/ (Introduction to continuous and discrete Markov chains, including the "birth and death" process, The Connexion Project, Rice University) Musica http://ccrmawww.stanford.edu/~jacobliu/254report/ (Modeling Music as Markov Chains - Composer Identification, 2002) http://scholar.lib.vt.edu/theses/available/etd-61098 131249/unrestricted/dmfetd.pdf (Markov Chains as Tool for Jazz Improvisation Analysis) * * Exercícios Questão 1) Problema sobre previsão de clima: Se hoje faz sol, existe ½ de chance de que faça sol novamente. Se hoje chove, existe ¼ de chance de chover outra vez. Qual a probabilidade de fazer sol amanhã? Solução: É uma matriz estocástica regular pois sua primeira potência possui todos os elementos estritamente positivos. Assim, podemos concluir que quaisquer que sejam as probabilidades iniciais, as probabilidades a longo prazo são dadas por: * * Exercícios Como devemos ter Pc + Ps = 1 (Que é a probabilidade total), temos: Pc + 3/2 Pc = 1 ou seja: Pc= 2/5 e Pc = 3/5. Assim , a probabilidade de fazer sol amanhã é de 3/5. * * Exercícios Questão 2) Suponha que só existe opção de escolha para dois refrigerantes: Guaraná e Pepsi. Se uma pessoa escolheu guaraná, existe 90% de chance de que peça novamente guaraná. Se a pessoa tiver escolhido Pepsi, a chance de que peça este refrigerante outra vez é de 80%. Se a pessoa é atualmente consumidora de guaraná, qual é a probabilidade de que escolha guaraná no terceiro pedido futuro? * * Exercícios Solução: Os pedidos de cada consumidor podem ser interpretados como uma Cadeia de Markov de dois estados, descritos como: Estado 1 = A pessoa escolheu guaraná da última vez (G); Estado 2 = A pessoa escolheu pepsi da última vez (P); Vamos definir: Xo = refrigerante escolhido no presente; Xn = refrigerante escolhido no n-ésimo pedido futuro; A seqüência Xo, ..., Xn, pode ser descrita como a seguinte Cadeia de Markov: * * Exercícios Podemos agora responder às perguntas. 1. Se uma pessoa é atualmente consumidora de pepsi, qual a probabilidade de que escolha guaraná no segundo pedido futuro? Queremos: * * Exercícios 2. Se a pessoa é atualmente consumidora de guaraná, qual é a probabilidade de que escolha guaraná no terceiro pedido futuro? Queremos: * * Solução * * Bibliografia Algebra Linear-Boldrini/Costa 3ª edicao. http://www.cs.umd.edu/users/oleary/res00/node1.html http://www.stieltjes.org/archief/rep9899/node19.html http://econpapers.hhs.se/paper/wpawuwppe/0205002.htm
Compartilhar