Beruflich Dokumente
Kultur Dokumente
1. Introduo
Nestas notas de aula sero tratados modelos de probabilidade para processos que
evoluem no tempo de maneira probabilstica. Tais processos so denominados Processos
Estocsticos.
a) Em relao ao Estado
Estado Discreto (cadeia): X(t) definido sobre um conjunto enumervel ou finito.
Estado Contnuo (seqncia): X(t) caso contrrio.
Exemplos:
1. Nmero de usurios em uma fila de banco em um determinado instante: Estado
Discreto e Tempo Contnuo.
2. ndice pluviomtrico dirio: Estado Contnuo e Tempo Discreto.
3. Nmero de dias chuvosos: Estado Discreto e Tempo Discreto.
Existem vrios "tipos" de Processos Estocsticos, porm, nestas notas de aula ser
apenas abordado um tipo de Processo Estocstico denominado Processo Markoviano.
2. Processos Markovianos
Um Processo Estocstico dito ser um Processo Markoviano se:
Tempo 1 2 3 4 5 6 7 8 9 10
Estado C C V C V C C C V V
Por exemplo, a transio do estado V para o estado V (de passo 1) ocorre nesta srie
somente uma vez (entre os tempos 9 e 10). J a transio do estado V para o estado C (de
passo 1) ocorre duas vezes nesta srie histrica (entre os tempos 3 e 4 e 5 e 6). Fazendo a
contagem para todas as transies possveis fica:
para C para V
de C 3 3
de V 2 1
1
Uma srie temporal (ou srie histrica) uma realizao de um processo estocstico.
Notas de Aula - Fernando Nogueira
3
Modelagem e Simulao - Cadeias de Markov
Exemplo A
O estado no ano de 1993 do uso da terra em uma cidade de 50 quilmetros
quadrados de rea :
x I II III (2)
M (12)
p
j0
(n)
ij 1 i; n 0,1,2,...
Estado 0 1 ... M
0 p 00 p (01n ) . . . p (0nM)
( n )
1 (n ) (n ) . . .
p 10 p 11 p 1( M
n)
. . . ... .
M p M 0 p Mn1) . . . p (MM
( n ) ( n)
p 00
n
p 01n
... p 0nM (13)
n
p11n
... p1nM
P n 10
p
... ... ... ...
n
p M 0 p Mn1 ... p MM
n
Ainda ser assumido como conhecido o vetor de probabilidade de estado inicial (0)
(vetor composto por P{X0 = i} para todo i).
Exemplo B
Uma loja de cmeras fotogrficas armazena um modelo de cmera que pode ser
comprada semanalmente do fornecedor. D1, D2, . . ., representa a demanda para esta cmera
(o nmero de unidades que deveriam ser vendidas se o estoque no esgotado) durante a
semana 1, semana 2, . . ., respectivamente. assumido que Di so variveis aleatrias
independentes e identicamente distribudas (i.i.d) tendo uma distribuio de Poisson com
mdia igual a 1. Dado X0 representar o nmero de cmeras inicialmente, X1 o nmero de
cmeras no fim da semana 1, X2 o nmero de cmeras no fim da semana 2 e assim por
diante. Assume-se que X0 = 3. No sbado a noite a loja faz o pedido de cmeras para o
fornecedor, o qual realizar a entrega apenas na prxima segunda-feira. A loja utiliza a
seguinte poltica de compra: se no h cmeras no estoque, a loja compra 3 cmeras.
Entretanto, se h alguma cmera no estoque, nenhuma cmera comprada. Vendas so
perdidas quando a demanda excede o estoque. Assim, X t para t = 0, 1, 2, . . . um
Processo Estocstico. Os Estados possveis do processo so os inteiros 0, 1, 2, 3,
representando o nmero de cmeras no fim da semana t, ou seja, o espao de estados, para
Duas variveis aleatrias so independentes se PA B P A B .PB PA .PB .
Duas variveis aleatrias so identicamente distribudas se possuem a mesma distribuio de probabilidade.
Notas de Aula - Fernando Nogueira
7
Modelagem e Simulao - Cadeias de Markov
max3 D t 1 ,0 se X t 0 (14)
X t 1 para t = 0, 1, 2, . . .
maxX t D t 1 ,0 se X t 1
Distribuio de Poisson
Matematicamente:
A probabilidade de exatamente r ocorrncias de um evento :
Pr
r e (15)
r!
onde:
a mdia da distribuio
A varincia de P(r) tambm.
Exemplo:
O nmero mdio de defeitos em laminas de vidro 5. A probabilidade que a lamina
tenha 6 defeitos :
P6
56 e 5 0.146
(16)
6!
1n e 1 (17)
PD t 1 n , para n = 0, 1,...
n!
PD t 1 0 e 1 0.368 (18)
PD t 1 1 e 1 0.368 (19)
e 1 (20)
PD t 1 2 0.184
2
p00
X t 0 e X t 1 0 0 max(3 D t1 ,0)
PD t 1 3 0.080 (22)
p01
X t 0 e X t 1 1 1 max(3 D t1 ,0)
PD t 1 2 0.184 (23)
p10
X t 1 e X t 1 0 0 max(1 D t1 ,0)
PD t 1 1 1 PD t 1 0 0.632 (24)
p12
X t 1 e X t 1 2 2 max(1 D t1 ,0)
PD t 1 1 0 (25)
Sidney Chapman (*1888, Eccles, Inglaterra; 1970, Andrey Nikolaevich Kolmogorov (*1903, Tambov,
Boulder, Estados Unidos). Russia; 1987, Moscow, Russia).
M (27)
p ijn p ikm p nkjm
k 0
i 0,1,..., M
j 0,1,..., M
e qualquer m = 1, 2, ..., n-1
e qualquer n = m+1, m+2, ....
P ( n ) P m .P n m (28)
onde:
P(n) a matriz de transio de passo n.
A partir de (28) pode-se concluir, portanto, que:
P (n ) P n (29)
0.080 0.184 0.368 0.368 0.080 0.184 0.368 0.368 0.249 0.286 0.300 0.165 (30)
0.632 0.368 0 0 0.632 0.368 0 0 0.283 0.252 0.233 0.233
P 2 P 2 .
0.264 0.368 0.368 0 0.264 0.368 0.368 0 0.351 0.319 0.233 0.097
0.080 0.184 0.368 0.368 0.080 0.184 0.368 0.368 0.249 0.286 0.300 0.165
(0) 0 0 0 1 (31)
Exemplo 2: Um jogador tem um $1,00 e a cada vez que joga ganha $1,00 com
probabilidade p>0 ou perde $1,00 com probabilidade 1-p. O jogo termina quando o jogador
acumula $3,00 ou $0,00. Este jogo uma Cadeia de Markov cujos estados representam a
quantia esperada de dinheiro que o jogador possui a cada vez que joga. O espao de estados
E 0 1 2 3 e a matriz de transio P dada por:
Estado 0 1 2 3
0 1 0 0 0 (34)
1 1 p 0 p 0
P
2 0 1 p 0 p
3 0 0 0 1
estado 3, este nunca deixar este estado, o que implica que p 32 n 0 para todo n 0 .
Se dois estados se comunicam entre si, diz-se que eles pertencem mesma classe.
Se todos os estados so comunicantes, portanto todos os estados pertencem a uma
nica classe, a Cadeia de Markov dita ser Irredutvel.
Estado 0 1 2 3 4
0 1 3 0 0 0
4 4
1 1 1 0 0 0 (35)
P 2 2 2
0 0 1 0 0
3 0 0 1 2 0
3 3
4 1 0 0 0 0
Estado 0 1 2 3
0 0 0 1 1
2 2
1 0 0 1 1 (36)
P 1 2 2
2 2 1 0 0
2
3 1 1
0 0
2 2
2.5
2
estado
1.5
0.5
0
0 10 20 30 40 50 60 70 80 90 100
tempo (passo)
Figura 2 - Cadeia de Markov com estados peridicos.
Exemplo 9: o estado 2 do exemplo 2 possui perodo t = 2 porque est na mesma classe que
o estado 1, o qual, por sua vez, tem perodo t = 2.
Resumo
n=1
0.080 0.184 0.368 0.368
0.632 0.368 0 0 (37)
P 1
0.264 0.368 0.368 0
0.080 0.184 0.368 0.368
n=2
0.249 0.286 0.300 0.165
0.283 0.252 0.233 0.233 (38)
P 2
0.351 0.319 0.233 0.097
0.249 0.286 0.300 0.165
n=4
2
Embora o termo Probabilidades de Estados Estveis seja mundialmente utilizado, este inexato, uma vez
que Estveis no so os Estados, mas sim os valores de Probabilidades.
Notas de Aula - Fernando Nogueira
17
Modelagem e Simulao - Cadeias de Markov
n=8
0.286 0.285 0.264 0.166
0.286 0.285 0.264 0.166 (40)
P 8
0.286 0.285 0.264 0.166
0.286 0.285 0.264 0.166
(X0 = 3). Nota-se que independente do estado inicial do estoque da loja de cmeras, a
distribuio de probabilidade dos estados praticamente a mesma nos grficos abaixo.
0.7 0.7
probabilidade do estado
probabilidade do estado
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
tempo (passo) tempo (passo)
0.7 0.7
probabilidade do estado
probabilidade do estado
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
tempo (passo) tempo (passo)
M (42)
j i p ij para j 0,1,2,..., M
i 0
M (43)
j0
j 1 para j 0,1,2,..., M
A existncia de lim p ijn garantida se a Cadeia Ergdica e Irredutvel, no entanto, este limite pode tambm
n
existir para Cadeias No Irredutveis e/ou No Ergdicas (ver Tabela 4).
Notas de Aula - Fernando Nogueira
19
Modelagem e Simulao - Cadeias de Markov
0 0 p 00 1 p10 2 p 20 3 p 30
p p p p
1 0 01 1 11 2 21 3 31
2 p
0 02 p
1 12 p
2 22 3 p 32
(44)
p p p p
3 0 03 1 13 2 23 3 33
1 0 1 2 3
0 0 p 00 1 1 p10 2 p 20 3 p 30
0 p p 1 p p
0 01 1 11 2 21 3 31
0 0 p 02 1 p12 2 p 22 1 3 p 32 (45)
0 p p p p 1
0 03 1 13 2 23 3 33
1 0 1 2 3
p ijn 0, n (49)
Observao Importante1: os valores na expresso (48) foram obtidos atravs das Equaes
de Estados Estveis, no entanto, o mtodo de se elevar a matriz de transio P a n-sima
potncia para se determinar P(n) sempre vlido, apesar de no haver necessidade que todas
as linhas de P(n) sejam idnticas mesmo para n . O seguinte exemplo deixa claro esta
ressalva.
1 0 0
P (1)
0 1 0 (51)
0.3 0.2 0.5
1 0 0
P ( 2) 0 1 0 (52)
0.45 0.30 0.25
1 0 0
P (3) 0 1 0 (53)
0.525 0.350 0.125
1 0 0
P ( 4)
0 1 0 (54)
0.5625 0.3750 0.0625
:
:
1 0 0
P ( ) 0 1 0 (55)
0.6 0.4 0
0 0 2 0.3
0.2 (56)
1 1 2
2 2 .5
0
1 0 1 2
+1 = 1 e 2 = 0 (57)
e conseqentemente no existe uma soluo determinada para 0 e1. Como se pode notar,
as linhas de P no so iguais e, por isso, os valores de 0 e1 no so determinados
unicamente. Este fato ocorreu devido a esta Cadeia de Markov no ser Irredutvel (no
entanto, existem cadeias no Irredutveis e que o sistema de equaes de Estados Estveis
possui soluo nica (ver tabela 4, caso 2)).
M (58)
p j1
ij 1 i 1,2,..., M
M (59)
p i 1
ij 1 j 1,2,..., M
esta matriz dita ser uma matriz Duplamente Estocstica e neste caso, para P irredutvel,
tem-se:
1 (60)
lim p ijn i, j 1,2,..., M
n M
Consideraes matemticas:
P (61)
sendo:
um vetor linha; e
P uma matriz quadrada.
P t t t (62)
0.5 0.5 0
P 0.5 0.5 0 duplamente estocstica, mas lim p ijn
1
i, j 1,2,3 porque P no
n 3
0 0 1
Irredutvel. Assim, pode-se concluir que se P duplamente estocstica, o lim pijn existe somente se P
n
irredutvel.
Notas de Aula - Fernando Nogueira
22
Modelagem e Simulao - Cadeias de Markov
sendo:
t o operador transposto.
A expresso (62) pode ser entendida como um problema de auto-valor, que implica
em Pt ter um auto-valor igual a 1.
O problema de auto-valor fica ento:
P t
I t 0; (63)
A soluo :
1 0 0 0 (65)
0 0.092 0.2434i 0 0
AutoValor
0 0 0.092 0.2434i 0
0 0 0 0
Ax x A Ix 0
sendo:
um auto-valor;
x um auto-vetor associado ao auto-valor e
I a matriz identidade.
0.5606 (67)
0.5590
t
0.5165
0.3264
Que por sua vez, normalizado para a soma dos seus elementos ser igual a 1 :
1 0 0.3 1 0 0 0 0 (69)
0 1 0.2 .0 1 1 . 1 0
0 0 0.5 0 0 1 2 0
A soluo :
1 0 0 (70)
AutoValor 0 1 0
0 0 0.5
1 0 0.4867 (71)
AutoVetor 0 1 0.3244
0 0 0.8111
Estado 0 1
0 0 1 (72)
P 1 0
1
1 n (73)
lim p ijk j , i
k 1
n n
1 n (74)
C E CX t
n t 1
Atravs de (73), pode-se demonstrar que o Custo Mdio por Unidade de Tempo
associado Cadeia de Markov dado por:
1 n M (75)
lim E CX t j C j
n n t 1 j0
Exemplo: a funo de custo para o exemplo do estoque da loja de cmeras dada por:
0 se X t 0
2 se X t 1 (76)
CX t
8 se X t 2
18 se X t 3
1 n (77)
lim E CX t 0.2860 0.2852 0.2638 0.16618 5.662
n n t 1
O valor da expresso (77) o custo mdio esperado do estoque por semana. Outro
resultado interessante obtido para a seguinte funo de custo:
1 se X t j (78)
CX t
0 se X t j
Tempo 1 2 3 4 5 6 7 8 9 10
Estado C C V C V C C C V V
Nesta srie ocorreram 6 vezes o estado C (cheio) e 4 vezes o estado V. Desta forma,
6 4
a frequncia relativa de ocorrncias do estado C e do estado V . Se houvesse
10 10
infinitas sries (infinitas realizaes do processo estocstico) ou mesmo que em uma nica
srie houvesse infinitas amostras no tempo (uma nica realizao do processo estocstico),
os valores de frequncia relativas definidas acima seriam equivalentes aos valores de
probabilidades j (frao do tempo em que o processo est no estado j).
2.6 Custo Mdio Esperado por Unidade de Tempo para Funes de Custo Complexas
1 n M (79)
lim E CX t , D t m K j. j
n n t 1 j0
onde:
K j EC j, D t m (80)
1 n M (81)
lim CX t , D t m K j. j
n n t 1 j0
O Tempo de Primeira Passagem pode ser entendido como o tempo demandado para
o processo atingir o estado j a partir do estado i. Quando j = i, o Tempo de Primeira
Passagem simplesmente o nmero de passos (transies) para o processo retornar ao
estado inicial i. Neste caso, denomina-se Tempo de Recorrncia para o estado i.
Retomando o exemplo do estoque da loja de cmeras, o estado do estoque para as
seis primeiras semanas :
X0 = 3 X1 = 2 X2 = 1 X3 = 0 X4 = 3 X5 = 1
(83)
f ij2 p ik f kj1
k j
:
:
(84)
f ijn p ik f kjn 1
k j
1
f 30 p 30 0.080 (85)
2
f 30 p 31f 101 p 32 f 20
1 1
p 33f 30 0.1840.632 0.3680.264 0.3680.080 0.243 (86)
:
:
(87)
f 1
n 1
ij
n
Se f ijn 1 implica que processo inicialmente no estado i, pode nunca alcanar o
n 1
estado j. Quando f 1,
n 1
ij
n
f ijn pode ser considerado como a distribuio de
n (88)
se f ij 1
n 1
ij
nf ijn se n
f ij 1
n 1 n 1
Sempre quando f 1,
n 1
ij
n
ij unicamente satisfaz a equao:
ij 1 p ik kj (89)
k j
Exemplo: Tempo de Primeira Passagem Esperado para o estoque da loja de cmeras a partir
do estado 3 (estoque cheio) para o estado 0 (estoque vazio):
30 1 p 3110 p 32 20 p 33 30 (90)
20 1 p 2110 p 22 20 p 23 30
10 1 p1110 p12 20 p13 30
Assim, o tempo esperado para o estoque ficar vazio, a partir de estar cheio de 3.50
semanas.
Quando i = j, jj o Tempo de Recorrncia Esperado para o estado j. De posse
das probabilidades de estado estveis j, o Tempo Esperado de Recorrncia pode ser
calculado como:
1 (93)
jj para j 0,1,..., M
j
1 (94)
00 3.50 semanas
0
1 (95)
11 3.51 semanas
1
1 (96)
22 3.80 semanas
2
1 (97)
33 6.02 semanas
3
Um estado Transiente se f jjn 1 , que implica que jj .
n 0
Um estado Recorrente se f jjn 1 .
n 0
Consideraes matemticas:
Uma analogia interessante que pode ser feita com a expresso (93) :
1 (98)
T
f
onde:
T perodo;
f freqncia.
Observao: a unidade Hertz (Hz) corresponde a ciclos/segundo, sendo adequado seu uso
apenas quando um passo na Cadeia de Markov corresponde a um segundo.
Notas de Aula - Fernando Nogueira
31
Modelagem e Simulao - Cadeias de Markov
M (100)
f ik p ijf jk para i 0,1,..., M
j0
sujeito as condies:
f kk 1 (101)
f ik 0 se i um estado recorrente e i k
Estado 0 1 2 3 4
0 1 0 0 0 0
2 1 0
1 3 0
3
0 (102)
P 2 0 2 0 1 0
3 3
3 0 0 2 0 1
3 3
4 0 0 0 0 1
Atravs da expresso (101) verifica-se que f00 = 1 e f40 = 0, uma vez que o estado 4
um estado absorvente, que por sua vez um caso especfico de estado recorrente. Devido
a estas verificaes a expresso (103) degenera-se em:
Nota-se em (104) que se tem uma equao e trs incgnitas (f10, f20, f30). Porm,
pode-se escrever o seguinte sistema:
Tem-se ento um sistema com trs equaes e trs incgnitas. Resolvendo este
4
sistema, obtm-se o valor de f 20 , ou seja, a probabilidade do processo estagnar no
5
estado 0 a partir do estado 2. Conseqentemente, a probabilidade do processo estagnar no
1
estado 4 a partir do estado 2 f 24 . Tais probabilidades tambm podem ser verificadas
5
elevando a matriz P a valores de potncia grandes (com um alto custo computacional).
Para este exemplo, calculou-se P10000 e verificou-se, por induo que P :
Estado 0 1 2 3 4
0 1 0 0 0 0
14 1
1 15 0 0 0
15 (107)
P 2 4 0 0 0 1
5 5
3 8 0 0 0 7
4 15 15
0 0 0 0 1
Pt r
t r e t
r!
3) Explique porque f ijn pode ser <1 ? Qual a classificao do estado i se f iin 1 ?
n 0 n 0
Qual P ?
0.5 0.5 0
P 0 0.5 0.5
0.75 0.25 0
5 ,
Calcule f 20 02 e 12
7) Classifique os estados das Cadeias de Markov abaixo, de acordo com as suas respectivas
Matrizes de Transio.
a)
Estado 0 1 2
0 0 1 1
2 2
P 1 12 0 1
1 2
2 2 1 0
2
b)
Estado 0 1 2 3 4 5
0 0 1 1 0 0 0
2 2
1 0 0 0 1 1 1
3 3 3
2 1 1 1
P 0 0 0
3 3 3
3 1 0 0 0 0 0
4 1 0 0 0 0 0
5 1 0 0
0 0 0
c)
Estado 0 1 2
0 0 1 0
P 1 0 0 1
2 1 0 0
8) O setor de vendas de Whisky de uma loja vendeu 600.000 caixas no trimestre passado.
Existem no mercado as firmas X, Y, Z e Outras que venderam respectivamente 240.000,
180.000, 120.000 e 60.000 caixas. A empresa Z resolve lanar uma nova marca de Whisky
com um preo aproximadamente igual ao dos concorrentes acompanhada de uma forte
divulgao que ir custar L milhes de $ e que ir produzir a seguinte matriz de transio
para um perodo de 3 meses.
Estado X Y Z Outras
X 0.7 0.1 0.1 0.1
Y 0.1 0.8 0.05 0.05
P
Z 0.02 0.03 0.9 0.05
Outras 0.2 0.2 0.2 0.4
Estado Condio
0 operao normal (mxima produo)
1 operao com baixa perda de produo
2 operao com alta perda de produo
3 inoperante
Atravs de dados histricos, a matriz de transio (ms a ms) para esta maquina :
Estado 0 1 2 3
0 0 7 1 1
8 16 16
1 0 3 1 1
P 4 8 8
2 1 1
0 0 2 2
3 0 0 1
0
De acordo com o estado da mquina, algumas decises podem ser tomadas com
respectivos custos: Substituir a mquina por uma outra nova demanda 1 semana para ser
realizada esta operao e a produo perdida neste perodo a um custo de $2.000,00 e o
custo da mquina nova $4.000,00. Quando a mquina opera no estado 1, h um custo de
$1.000,00 e quando a mquina opera no estado 2, h um custo de $3.000,00, ambos devido
produo de itens defeituosos. Realizar manuteno na mquina no vivel quando esta
se encontra no estado 3. A manuteno no melhora em nada a capacidade de operao da
mquina quando esta se encontra nos estados 0 e 1. A manuteno da mquina faz com que
esta retorne ao estado 1, quando esta est operando no estado 2 a um custo de $2.000,00 e a
produo perdida por 1 semana. No permitido manter a mquina no estado 3.
Qual a poltica tima de manuteno desta mquina? Utilize o mtodo de
enumerao exaustiva.
Obs: a resoluo deste exerccio exige os conceitos tratados em Processos Markovianos de
Deciso (no consta nestas notas de aula).
Respostas
1) Sim, porque Pt(r) representa uma coleo de variveis aleatrias indexadas por um
parmetro t, dentre outros.
3) Se existe a probabilidade do estado i nunca alcanar o estado j, ento f ijn 1 . Neste
n 0
caso, f ijn no pode ser tido como a distribuio de probabilidade para a varivel aleatria
Tempo de Primeira Passagem. Se f iin 1 o estado i transiente.
n 0
1 1 1
3 3 3
P 1 1 1
3 3 3
1 3 1
3
1
3
5 0.03515625
6) f 20
8)
240000 60000
0 0.4 0.3 0.2 0.1
180000 120000
600000 600000 600000 600000
Incremento:
750.600 480.000 = 270.600 caixas
Cada 1% de 600.000 representa k milhes, ou seja, cada 6.000 caixas (1% de 600.000)
representa k milhes.
Assim, 270.600/6.000 = 45.1k milhes.
Concluso
9)
Ra
Estado 0 1 2 3
0 0 7 1 1
8 16 16
1 0 3 1 1
P 4 8 8
2 1 1
0 0 2 2
3 1 0 0
0
Rb
Estado 0 1 2 3
0 0 7 1 1
8 16 16
1 0 3 1 1
P 4 8 8
2 0 1 0 0
3 1 0 0 0
Rc
Estado 0 1 2 3
0 0 7 1 1
8 16 16
1 0 3 1 1
P 4 8 8
2
1 0 0 0
3 1 0 0 0
Rd
Estado 0 1 2 3
0 0 7 1 1
8 16 16
1 1 0 0 0
P
2 1 0 0 0
3 1 0 0 0
10)
Minimize Z 1.000 y11 6.000 y13 3.000 y 21 4.000 y 22 6.000 y 23 6.000 y 33
Sujeito a :
y 01 y 11 y13 y 21 y 22 y 23 y 33 1
y 01 y13 y 23 y 33 0
7 3
y 11 y 13 y 01 y 11 y 22 0
8 4
1 1 1
y 21 y 22 y 23 16 y 01 8 y 11 2 y 21 0
1 1 1
y 33 y 01 y11 y 21 0
16 8 2
y ik 0