Baixe o app para aproveitar ainda mais
Prévia do material em texto
Cadeias de Markov Confiabilidade de Produtos e Processos Engenharia de Produção - PUC Minas Prof. Hendrigo Batista Cadeias de Markov É um processo estocástico (probabilístico) que representa a transição de estados ao longo do tempo. A distribuição de probabilidade do próximo estado depende apenas do estado atual. 1 2 Cadeias de Markov Na confiabilidade, a cadeia de Markov é útil para: 1) modelar estados de máquinas e processos como: em funcionamento; ocioso; em manutenção; 2) modelar a transição entre estes estados com uma probabilidade definida. Exemplo Um trator é utilizado na colheita e no plantio de milho e feijão. Podemos modelar a situação do trator quanto ao seu “estado” atual em: 1) Funcionando 2) Em reparo Exemplo Se hoje o trator funciona, ele pode: Continuar funcionando daqui a uma semana, com probabilidade 0,95. Estar em reparo daqui a uma semana, com probabilidade 0,05. Se hoje o trator está em reparo, ele pode: Estar funcionando daqui a uma semana, com probabilidade 0,40. Continuar em reparo daqui a uma semana, com probabilidade 0,60. Representação gráfica da Cadeia de Markov Estado 1: funcionando; Estado 2: em reparo; 1 2 0,95 0,05 0,60 0,40 Representação gráfica da Cadeia de Markov Ao longo de diversas semanas, o trator pode apresentar o seguinte processo estocástico (probabilístico). 1, 1, 1, 1, 2, 2, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1..... 1 2 0,95 0,05 0,60 0,40 Matriz de Transição Toda cadeia de Markov possui uma matriz de transição denotada por P. Essa matriz é quadrada de tamanho S x S, onde S é o número total de estados. No exemplo, S = 2. Considere 𝑃 𝑖, 𝑗 é a probabilidade do sistema ir para o estado 𝑋1 = 𝑗 na próxima transição, dado que estamos em 𝑋0 = 𝑖. Matriz de Transição Cada elemento da matriz é denotado por: 𝑃 𝑖, 𝑗 = 𝑃𝑟𝑜𝑏 𝑋1 = 𝑗 𝑋0 = 𝑖) ∀𝑖, 𝑗 = 1,…𝑆 É importante notar que a transição atual depende apenas do estado atual do sistema (𝑋0). Não depende de estados anteriores. Portanto, é um processo estocástico (probabilístico) com “ausência de memória”. Matriz de Transição 0,95 0,05 0,40 0,60 Matriz de Transição Todas as linhas de uma matriz de transição devem sempre ter a soma igual a 1. 𝑗=1 𝑆 𝑃 𝑖, 𝑗 = 1 ∀𝑖 Esta propriedade decorre do fato de que a probabilidade é uma medida cujo total de todas as possibilidades é 1. Matriz de Transição A probabilidade do trator estar em determinado estado depois de n semanas é calculada pela multiplicação da matriz de transição n vezes. 𝑃1 = 0,95 0,05 0,40 0,60 𝑃2 = 0,95 0,05 0,40 0,60 0,95 0,05 0,40 0,60 = 0,9225 0,0775 0,6200 0,3800 𝑃3 = 0,95 0,05 0,40 0,60 0,95 0,05 0,40 0,60 0,95 0,05 0,40 0,60 = 0,9074 0,0926 0,7410 0,2590 Matriz Estacionária 𝑃10 = 0,8892 0,1108 0,8866 0,1134 À medida que o total de semanas cresce, a matriz tende a ter todas as linhas com o mesmo valor. 𝑃11 ≅ 0,8890 0,1110 0,8877 0,1123 𝑃15 ≅ 0,8889 0,1111 0,8888 0,1112 𝑃20 ≅ 0,8889 0,1111 0,8889 0,1111 𝑃50 ≅ 0,8889 0,1111 0,8889 0,1111 Esta matriz resultante é chamada de matriz estacionária. Matriz Estacionária Ao multiplicar suficientemente a matriz de transição P, chegamos às “probabilidades de estado estacionário”. A probabilidade de você estar em um estado j não depende mais do estado inicial. Podemos então associar estas probabilidades à disponibilidade e indisponibilidade em estado estacionário do sistema. Matriz Estacionária Neste caso, o trator estará disponível em 88,8889% das semanas e indisponível em 11,1111% das semanas independentemente do estado inicial e do estado atual. 1 2 88,89 % 11,11 % Vetor de Probabilidades em Estado Estacionário Denotamos por 𝜋 o vetor de tamanho 1 x S (número de colunas igual ao número de estados), que representa as probabilidades estacionárias. 𝜋 = [0,8889 0,1111] 1 2 88,89 % 11,11 % Vetor de Probabilidades em Estado Estacionário Propriedade 1: 𝜋 ∗ 𝑃 = 𝜋 A multiplicação vetorial do vetor linha 𝜋 pela matriz de probabilidade de transição P é o próprio vetor linha 𝜋. 𝜋1 𝜋2 0,95 0,05 0,40 0,60 = 𝜋1 𝜋2 Vetor de Probabilidades em Estado Estacionário Propriedade 2: 𝑖=1 𝑆 𝜋𝑖 = 1 A soma de todas as probabilidades em estado estacionário 𝜋𝑖, para i = 1, ..., S, é igual a 1. 𝜋1 + 𝜋2 = 1 Vetor de Probabilidades em Estado Estacionário O vetor de probabilidades estacionárias pode ser obtido com um sistema de equações. 𝜋1 𝜋2 0,95 0,05 0,40 0,60 = 𝜋1 𝜋2 0,95𝜋1 + 0,40𝜋2 = 𝜋1 0,05𝜋1 + 0,60𝜋2 = 𝜋2 𝜋1 + 𝜋2 = 1 Vetor de Probabilidades em Estado Estacionário 𝜋1 + 𝜋2 = 1 → 𝜋1 = 1 − 𝜋2 0,95𝜋1 + 0,40𝜋2 = 𝜋1 0,95(1 − 𝜋2) + 0,40𝜋2 = (1 − 𝜋2) 0,95 − 0,95𝜋2 + 0,40𝜋2 = 1 − 𝜋2 𝜋2 = 0,05 0,45 = 0,1111 𝜋1 = 1 − 𝜋2 𝜋1 = 0,8889 Disponibilidade A medida de disponibilidade está associada à probabilidade estacionária do estado “funcionando”. A medida de indisponibilidade está associada à probabilidade estacionária do estado “em reparo”. Disponibilidade Se o trator gera um lucro de $200/mês quando está funcionando e um custo de $100/mês quando está em reparo, qual o lucro esperado em um mês para este trator? 𝜋 = [0,8889 0,1111] 𝐿 = 0,8889 0,1111 200 −100 𝐿 = 0,8889 ∗ 200 + 0,1111 ∗ −100 𝐿 = 166,67 Atividade Em uma pequena fazenda, existe 70% de chances de que os dias de funcionamento de um trator seja sucedidos por dias de funcionamento do trator e existe 60% de chances de que os dias de reparo sejam sucedidos por dias de reparo. Encontrar o grafo da cadeia de Markov deste problema, a matriz P e o vetor de estados estacionários. Atividade 0,70 0,30 0,60 0,40 P= 0,70 0,30 0,40 0,60 𝜋1 𝜋2 0,70 0,30 0,40 0,60 = 𝜋1 𝜋2 𝜋1 + 𝜋2 = 1 Atividade 0,70 0,30 0,60 0,40 P= 0,70 0,30 0,40 0,60 𝜋 = [0,5714 0,4286] 𝜋1 𝜋2 0,70 0,30 0,40 0,60 = 𝜋1 𝜋2 𝜋1 + 𝜋2 = 1 Referências O'CONNOR, Patrick D. T.; KLEYNER, Andre. Practical reliability engineering. 5th ed. Chichester, West Sussex, England: Wiley, c2012. xviii, 484 p. ISBN 9780470979815 FELDMAN, Richard D.; VALDEZ-FLORES, Ciriaco. Applied Probability and Stochastic Processes. Second Edition. Springer-Verlag Berlin Heidelberg 2010. ISBN 978-3-642-05155-5. Dúvidas?
Compartilhar