classificação de estados em uma cadeia de markov€¦ · classificação de estados em uma cadeia...
TRANSCRIPT
Classificação de estados em
uma cadeia de Markov
Professora Eliana Carvalho
Classificação de estados em
uma cadeia de Markov
1) Um estado j é absorvente se retornar para ele mesmo, com certeza em uma transição de 𝑃𝑖𝑗 = 1.
Os estados de uma cadeia de Markov podem ser
classificados com base na probabilidade de transição 𝑃𝑖𝑗 de 𝑷.
Classificação de estados em
uma cadeia de Markov
2) Um estado j é transiente ou transitório se puder
alcançar outro estado mas não puder voltar ao mesmo
estado em que estava com base em outro estado. Isso acontecerá se lim
𝑛→∞𝑃𝑖𝑗𝑛 = 0 para todo i.
3) Um estado j é recorrente se a probabilidade de voltar
ao estado em que estava com base em outros estado é
1, se e somente se o estado não for transiente.
0 e 1 são transientes enquanto os estados 2 e 3 são recorrentes
Classificação de estados em
uma cadeia de Markov
4) Um estado j é periódico com períodos 𝑡 > 1 se
um retorno só for possível em 𝑡, 2𝑡, 3𝑡,⋯ etapas. Isso significa que sempre que n não for
divisível por t.
1 2 0
1 0,30
0,70
Classificação de estados em
uma cadeia de Markov
4) Um estado periódico exemplo:
𝑃 =0 0,6 0,40 1 00,6 0,4 0
𝑃2 =0,24 0,76 00 1 00 0,76 0,24
𝑃3 =0 0,904 0,09600 1 00,144 0,856 0
𝑃2 =0,0576 0,9424 00 1 00 0,9424 0,0576
𝑃5 =0 0,97696 0,23040 1 0
0,03456 0,96544 0
Classificação de estados em
uma cadeia de Markov
• Estados 1 e 2 são transientes
𝑃 =
0 1000
000
0 010,30,4
00,70,6
• Estados 3 e 4 juntos desempenham o papel de
absorventes – conjunto fechado (se comunicam
ou são comunicantes)
Cadeia Ergótica
Uma cadeia de Markov fechada é Ergótica se todos os seus estados forem recorrente e aperiódicos.
1
1 0 0,75 0,25
Estados absorvente e transientes
Os estados 1 e 2 são transientes porque alcançam o
estado 3 mas não podem voltar ao estado anterior.
O estado 3 é absorvente porque 𝑃33 = 1. lim𝑛→∞𝑃𝑖𝑗𝑛 = 0
𝑃 =0,2 0,5 0,30 0,5 0,50 0 1
Exemplo do agricultor, sem fertilizantes
𝑃100 =0 0 10 0 10 0 1
Cadeia irredutível
Cadeia é chamada de irredutível, se tem só uma classe de equivalência.
Definimos também 𝜇𝑖 = 𝑛𝑓𝑖𝑖𝑛∞
𝑛=1 ,
Onde µi indica o número médio de etapas necessárias para retornar ao estado inicial i.
µi é chamado tempo médio de recorrência.
Probabilidades Estacionárias
Em uma Cadeia de Markov irredutível e Ergódica decorrido um número
muito elevado de períodos de tempo n → ∞ , a probabilidade de o
processo estar no estado j é constante e independente do estado inicial i
B W
P16 =B
W0,6677 0,33230,6644 0,3356
A probabilidade chama-se probabilidade estacionária do estado j e
representado por πi.
(pelas equações de Chapman-Kolmogorov) 𝑃𝑖𝑗𝑛+1 pode ser
escrito como o produto [linha i x Pn] x [coluna j de P], então para
n muito grande, podemos escrever
π𝑗 = 𝜋 coluna 𝑗 de 𝑷 , sendo π o vetor linha [𝜋1, 𝜋2, 𝜋3, … , 𝜋𝑠].
Probabilidades Estacionárias
Probabilidade de estado no equilíbrio, ou
◦ Probabilidade do Estado Estável, ou
◦ Propriedade duradouras da cadeia de Markov, e
Tempos médios de retorno de Cadeias Ergótica:
[Probabilidade de uma transição saindo do estado j] =
= [Probabilidade de uma transição para o estado j]
O que significa que a longo prazo a permanência em cada estado é
dada pelo vetor π, independentemente do estado inicial.
Probabilidades Estacionárias
sistema de equações (𝜋 = 𝜋𝑃)
número de equações é igual ao número de variáveis,
sistema é indeterminado, equações é redundante;
no exemplo do whisky, quais as probabilidades estacionárias?
𝜋𝐵 = 0,90𝜋𝐵 + 0,20𝜋𝑊
𝜋𝑊 = 0,10𝜋𝐵 + 0,80𝜋𝑊
𝜋𝐵 + 𝜋𝑊 = 1
𝜋𝑗 = 𝜋𝑗𝑖 𝑝𝑖𝑗 (1)
𝜋𝑗𝑗 = 1 (2)
𝜋𝐵 𝜋𝑊 = 𝜋𝐵 𝜋𝑊0,90 0,100,20 0,80
𝜋𝐵 = 0,6666
𝜋𝑊 = 0,3333
Tempo médio de retorno ou
Tempo médio de recorrência
Duas medidas quantitativas de interesse para
cadeias de Markov Ergódicas são:
◦ Número médio de passos para retornar a um
determinado estado;
◦ Número médio de passos para ir de um estado para
outro.
Tempo médio de retorno ou
Tempo médio de recorrência
valor esperado E tij = μij tempo esperado de
transição.
o número esperado de períodos será igual a
𝜇𝐵𝐵 = 1 + 0,10𝜇𝑊𝐵 𝜇𝐵𝐵 = 1,5 𝜇𝐵𝑊 = 1 + 0,90𝜇𝐵𝑊 𝜇𝐵𝑊 = 10 𝜇𝑊𝐵 = 1 + 0,80𝜇𝑊𝐵 𝜇𝑊𝐵 = 5 𝜇𝑊𝑊 = 1 + 0,20𝜇𝐵𝑊 𝜇𝑊𝑊 = 3
μij = 1 + p𝑖𝑘 x μkj𝑘≠𝑗
P = 0,90 0,100,20 0,80
No exemplo do whisky
períodos
Tempo médio de retorno ou
tempo médio de recorrência
𝜇𝐵𝐵 =1
0,6666 𝜇𝐵𝐵 = 1,5
𝜇𝑊𝑊 =1
0,3333 𝜇𝑊𝑊 = 3
μij =1
𝜋𝑗
no exemplo do whisky, quais as probabilidades estacionárias?
𝜋𝐵 = 0,6666 𝜋𝑊 = 0,3333
𝑗 = 1,2, … , 𝑛
Exemplo do agricultor
No longo prazo, a condição do solo será boa
aproximadamente 10% das vezes, razoável 52% das
vezes e ruim 37% das vezes.
𝜋1𝜋2𝜋3 = 𝜋1𝜋2𝜋3
0,3 0,6 0,10,1 0,6 0,30,05 0,4 0,55
𝜋1 = 0,3𝜋1 + 0,1𝜋2 + 0,05𝜋3 𝜋2 = 0,6𝜋1 + 0,6𝜋2 + 0,4𝜋3 𝜋3 = 0,1𝜋1 + 0,3𝜋2 + 0,55𝜋3 𝜋1 + 𝜋2 + 𝜋3 = 1
𝝅𝟏 = 𝟎, 𝟏𝟎𝟏𝟕, 𝝅𝟐 = 𝟎,𝟓𝟐𝟓𝟒 𝐞 𝝅𝟑 = 𝟎, 𝟑𝟕𝟐𝟗
Exemplo do agricultor
Os tempos médio do primeiro retorno são calculados por:
𝜋1𝜋2𝜋3 = 𝜋1𝜋2𝜋3
0,3 0,6 0,10,1 0,6 0,30,05 0,4 0,55
𝝅𝟏 = 𝟎, 𝟏𝟎𝟏𝟕, 𝝅𝟐 = 𝟎, 𝟓𝟐𝟓𝟒 𝐞 𝝅𝟑 = 𝟎, 𝟑𝟕𝟐𝟗
𝜇11 =1
0,1017= 𝟗, 𝟖𝟑 𝜇22 =
1
0,5254= 𝟏, 𝟗 e 𝜇33 =
1
0,3729= 𝟐, 𝟔𝟖
Isso significa que dependendo do estado atual do solo, levará
aproximadamente 10 estações de plantio para o solo voltar
ao estado bom, 2 estações para voltar ao estado razoável e
3 estações para voltar ao estado ruim.
Considerando o problema do agricultor. Suponha que o custo do fertilizante
seja R$ 50,00 por saco e que o terreno precise de dois sacos se o solo
estiver bom. A quantidade de fertilizante é 25% maior se o solo estiver
razoável e 60% maior se o solo estiver ruim. O agricultor estima que o
rendimento anual será R$ 250,00 se não for utilizado fertilizantes e R$ 420,00
se ele for aplicado. Vale a pena usar fertilizante?
Custo anual esperado do fertilizante
= 2 x 50 x 𝜋1 + (1,25 x 2) x 50 x 𝜋2 + (1,60 x 2) x 50 x 𝜋3
Aumento no valor anual do rendimento = 420 – 250 = 170
= 100 x 0,1017 + 125 x 05254 + 160 x 0,3729
= R$ 135,51
A média , a utilização de fertilizante dá um rendimento líquido de 170 – 135,51 = 34,49
Portanto a fertilização é recomendada
Exemplo 7 (cadeia de montagem) Os produtos
finais de uma cadeia de montagem, após uma
supervisão à que são submetidas, podem ser
consideradas defeituosos ou não. Segue uma matriz
estocástica de;
𝑃 =0,8 0,20,6 0,4
a) Calcular as probabilidade estacionarias das peças com
defeito e sem defeito.
b) Calcular os tempos médios de retornos de cada um dos
estados.