Upload
edfram-pereira
View
212
Download
0
Embed Size (px)
Citation preview
8/17/2019 Artigo v Encontro_Trabalho Completo_cadeias de Markov
1/10
Anais do V Encontro Internacional de Ensino e Pesquisa em Ciências na Amazônia
Centro de Estudos Superiores de Tabatinga/Universidade do Estado do Amazonas
Tabatinga/AM, 05-09 de dezembro de 2015
ISBN: XXXX-XXXX
Cadeias de Markov como aplicação da Álgebra Linear
PEREIRA, E. R.1; SOUZA, L. H.
2; Carvalho, E.F.
3CASTAÑEDA, P.
4
1
Universidade do Estado do Amazonas(UEA),2,3,4
Universidade do Estado do Amazonas (UEA)[email protected]
RESUMOO trabalho vem responder uma pergunta frequente nas aulas de Álgebra Linear, onde eu vou aplicar isso? Ascadeias de Markov estudam fenômenos naturais e sociais que envolvem conhecimento de matrizes,resolução de sistemas lineares e probabilidades. Foram estudados exemplos no campo da genética e napsicologia, que mostraram o quando este tipo de conhecimento é útil para resolver alguns problemas deMatemática Aplicada.Palavras – chave: Matrizes, sistemas lineares, probabilidade, cadeias de Markov.
RESUMEN OU ABSTRACTThe work comes answer a frequently asked question on the Linear Algebra classes where I will apply it?Markov chains studied natural and social phenomena that involve knowledge of matrices, linear systemsresolution and odds. Examples were studied in the field of genetics and psychology, who have shownwhen this type of knowledge is useful for solving some applied mathematics problems. Palabras clave ou Keywords: Matrices, linear systems, probability, Markov chains.
8/17/2019 Artigo v Encontro_Trabalho Completo_cadeias de Markov
2/10
PEREIRA et al ., 2015
V Encontro Internacional de Ensino e Pesquisa em Ciências na Amazônia
INTRODUÇÃOMuitos dos processos que ocorrem na natureza e na sociedade podem ser estudados
como se o fenômeno estudado passasse, a partir de um estado inicial, por uma sequencia de
estados, onde a transição de um determinado estado para o seguinte ocorreria segundo uma
certa probabilidade. No caso em que esta probabilidade de transição depende apenas do
estado em que o fenômeno se encontra e do estado a seguir, o processo só será chamado
processo de Markov e uma sequência de estados seguindo este processo será denominado
uma cadeia de Markov (BOLDRINI, 1986).
As Cadeias de Markov são usadas para resolver certos problemas dentro da teoria das
probabilidades. Dependem diretamente da teoria das matrizes e sistemas lineares.
Uma matriz real A de ordem m × n é uma tabela de m x n números reais organizados em
m linhas e n colunas na forma
quando n=m a matriz A é dita quadrada de ordem n. Os elementos aij , onde i=j formam adiagonal principal da matriz quadrada.
Numa forma compacta a matriz A pode ser representada por A=[aij ] mxn, com i=1, 2, ..., m
e j=1, 2, ..., n. Temos alguns tipos de matrizes especiais, seja pelo número de linhas ou colunas.
Matriz Linha: é uma matriz com apenas uma linha.
Matriz Coluna: é uma matriz com apenas uma coluna.
Matriz Nula: é uma matriz que possui as entradas nulas.
Matriz Diagonal: é uma matriz quadrada onde os elementos que não pertencem a diagonal
principal são nulos.
Matriz Identidade de ordem n (In): é toda matriz diagonal cujos elementos da diagonal
principal são iguais a 1 .
Igualdade de Matrizes: Duas matrizes A = [aij ]m×n e B = [bij ]m×n , são iguais quando aij = bij , i =
1,..., m, j = 1,..., n.
Soma de Matrizes: Dadas duas matrizes A = [aij ]m×n e B = [bij ]m×n, define-se A + B como a matrizC = [cij ]m×n tal que cij = aij + bij , i = 1,..., m, j = 1,..., n.
8/17/2019 Artigo v Encontro_Trabalho Completo_cadeias de Markov
3/10
Sobrenome 1º. autor et al ., 2015
V Encontro Internacional de Ensino e Pesquisa em Ciências na Amazônia
Multiplicação de um escalar por uma matriz: Define-se a multiplicação de um escalar (número
real) α por uma matriz A = [aij ]m×n como sendo uma matriz B = [bij ]m×n tal que bij = αaij , i = 1,... ,
m, j = 1,...,n.
Diferença de Matrizes: Dadas duas matrizes A = [aij ]m×n e B = [b ij ]m×n, define-se a diferença A−B como a matriz A + (−1)B.
Multiplicação de Matrizes: Dadas duas matrizes A = [aij ]m×n e B=[b jk ]n×p, define-se produto AB
como a matriz C=[cik ]m×p tal que
cik = ai1b1k + ai2b2k + ... + ainbnk = ∑ = Obs.: O produto de matrizes não é comutativo, em geral AB≠ BA. Matriz Transposta: Dada uma matriz A = [aij ]m×n, define-se a matriz transposta de A, denotada
por At , como a matriz At = [a’ij]n×m, onde a’ij= a ji, i = 1,...,n e j = 1,...,m.
Um sistema de equações lineares com m equações e n incógnitas é um conjunto de
equações da forma:
com aij , i = 1,...,m, j = 1,...,n, números reais. Uma solução do sistema é uma n−upla de números
(x1, x2, ... ,xn ) satisfazendo simultaneamente as m equações. Podemos escrever o sistema na
forma matricial Ax=b, onde A é a matriz dos coeficientes, x é a matriz das incógnitas e b a matriz
dos termos independentes.
Temos a matriz ampliada do sistema, cujos elementos são os coeficientes e os termos
independentes, ou seja, trata-se de uma matriz de ordem m x (n+1)
8/17/2019 Artigo v Encontro_Trabalho Completo_cadeias de Markov
4/10
Sobrenome 1º. autor et al ., 2015
V Encontro Internacional de Ensino e Pesquisa em Ciências na Amazônia
Quando a matriz coluna dos termos independentes é formada por elementos todos
nulos o sistema é chamado sistema linear homogêneo.
Dois sistemas que possuem matrizes ampliadas equivalentes são equivalentes.
Usaremos também para estudar as cadeias de Markov a teoria de probabilidade.
Modelos matemáticos podem ser determinísticos quando as condições sob as quais o
experimento é realizado determinam o resultado do experimento, e não determinísticos
quando não é possível prever de antemão seus resultados. Neste último caso diz-se que o
experimento é aleatório.
O cálculo da probabilidade envolvem além do conceito de experimento aleatório, os
conceitos de espaço amostral e evento.
Espaço amostral é definido como sendo o conjunto formado por todos os resultados
possíveis de um experimento aleatório. Um subconjunto de um espaço amostral é denominado
evento.
Seja U um espaço amostral e A⊂ U, um evento. A probabilidade de ocorrer o evento A é
definida por
onde n(U) é o número de elementos do espaço amostral U, e n(A) é o número de elementos do
evento A.
Este exemplo envolve apenas dois estado. Uma forma gráfica de representar umacadeia de Markov é através do diagrama de transição, mostrado abaixo para três estado
8/17/2019 Artigo v Encontro_Trabalho Completo_cadeias de Markov
5/10
Sobrenome 1º. autor et al ., 2015
V Encontro Internacional de Ensino e Pesquisa em Ciências na Amazônia
De forma geral, vamos representar os estados e as probabilidades de transição,
respectivamente, por E i e pij , onde pij representa a probabilidade de haver uma transição do
estado E i para o estado E j .
Para um processo com k estados a matriz das probabilidades de transição, ousimplesmente, matriz de transição, é dada por,
onde cada elemento pij é um número real, pij ∈ [0, 1], i, j = 1,...,k , que significa a probabilidade do
sistema mudar do i -ésimo estado para o j -ésimo estado.
Exemplo 2. Determinar a matriz de transição da Cadeia de Markov do seguinte
problema: Conferindo os registros de doações recebidas, uma certa entidade filantrópica
observa que 80% dos seus associados que contribuem ao fundo da entidade em um certo ano,
também contribuem no ano seguinte e que 30% dos que não contribuem em um certo ano,
contribuem no ano seguinte. Isto pode ser visto como uma Cadeia de Markov de dois estados.
O primeiro estado corresponde a um associado que contribui em um ano qualquer e o segundo
estado corresponde a um associado que não contribui naquele ano.
A matriz de transição é dada por,
P = 0,8 0,20,3 0,7 observe que pij ≥ 0, e que a soma de cada linha da matriz P deve ser igual a 1.
No caso geral, se P = [pij ] é a matriz de transição de uma Cadeia de Markov com k
estados, deve-se ter que
pi1 + pi2 + · · · + pik = 1, i = 1,2,...,k.
O vetor estado ou de probabilidade de uma observação de uma Cadeia de Markov com
k estados é um vetor linha x cuja i -ésima componente x i é a probabilidade do sistema estar no i -
ésimo estado naquela observação.
x = … Considerando x (i) o vetor estado na i-ésima observação de uma Cadeia de Markov e x (0) o
vetor estado numa observação inicial de uma Cadeia de Markov, temos o seguinte resultado.
8/17/2019 Artigo v Encontro_Trabalho Completo_cadeias de Markov
6/10
Sobrenome 1º. autor et al ., 2015
V Encontro Internacional de Ensino e Pesquisa em Ciências na Amazônia
Se P é a matriz de transição de uma Cadeia de Markov e x (n)
é o vetor estado na n-ésima
observação, então
x (n+1)
= x (n)
P
Donde temos x
(1)= x
(0)P x (2)= x (1)P= x (0)P2 x (3)= x (2)P= x (0)P3
...
x (k)
= x (k−1)
P= x (0)
Pk
desta forma, concluímos que o vetor estado inicial x (0) e a matriz de transição P determinam x (k)
para k = 1, 2, 3,...
No exemplo 2, um registro futuro provável de contribuição de um novo associado que
não contribuiu para este ano de 2013, o qual vamos considerar como o ano inicial das
contribuições.
x (0)
= 0 1 logo
x (1) = x(0)P = 0 1 0,8 0,20,3 0,7= 0,3 0,7 x
(2) = x
(1)P = 0,3 0,7 0,8 0,2
0,3 0,7= 0,45 0,55
x (4)
=0,563 0,438 x (5) =0,581 0,419 x
(6)=0,591 0,409 ... x (n) =0,600 0,400
é a forma de recorrência de calcula os x(n), que podem ser calculados utilizando apenas o x(0) e a
matriz de transição P, como vemos para x (2) e x (4)
x (2)
= x (0)
P2 = 0 1 0,8 0,20,3 0,72 = 0 1 0,7 0,30,45 0,55 = 0,45 0,55
x (4)
= 0 1 0,8 0,20,3 0,74 = 0 1 0,625 0,3750,563 0,438 = 0,563 0,438 METODOLOGIA
A metodologia foi retirada dos estudos de SILVA(2013), fazendo algumas adaptações
necessárias.
Uma matriz de transição é regular se existe uma potência positiva da matriz com todas
as entradas positivas.Se P é uma matriz de transição regular, então
8/17/2019 Artigo v Encontro_Trabalho Completo_cadeias de Markov
7/10
Sobrenome 1º. autor et al ., 2015
V Encontro Internacional de Ensino e Pesquisa em Ciências na Amazônia
P(n)→
[
⋯⋮ ⋱ ⋮ ⋯ ]
quando n → ∞, onde os qi são números positivos tais que q1 +q2 +q3 +···+qk = 1, i = 1, 2, . . . , k.
Fazendo Q=
[
⋯⋮ ⋱ ⋮ ⋯ ]
e q= … , esta matriz Q tem a seguinte propriedade:
se x é qualquer vetor de probabilidade, então
xQ = … [
⋯ ⋮ ⋱ ⋮ ⋯ ] =
[
⋯
⋮ ⋱ ⋮ ⋯ ]
=
= ( ⋯ ) ( ⋯) … ( ⋯) = ( ⋯) … = … ou seja, se P é uma matriz de transição regular e x é um vetor de probabilidade qualquer, então
xP n→ …
quando n → ∞, onde q é um vetor de probabilidade fixo ou um vetor de estado estacionário,
independente de n, cujas entradas são todas positivas.
O vetor de estado estacionário q de uma matriz de transição regular P é o único vetor de
probabilidade que satisfaz a equação
qP = q
donde podemos escrever o seguinte sistema linear homogêneoq – qP=0, isto é, q(I – P) = 0
onde I é uma matriz identidade e P é a matriz de probabilidade.
RESULTADOS E DISCUSSÃOAplicações de Cadeias de Markov
Na Genética
8/17/2019 Artigo v Encontro_Trabalho Completo_cadeias de Markov
8/10
Sobrenome 1º. autor et al ., 2015
V Encontro Internacional de Ensino e Pesquisa em Ciências na Amazônia
Uma planta pode ter flores vermelhas (V), cor de rosa (R) ou brancas (B), dependendo
dos genótipos VV, VB e BB. Ao cruzar cada um desses genótipos com um genótipo VB, obtemos
a seguinte tabela:
Tabela 1: probabilidades no cruzamento de cada genótipo com um genótipo VB
Flores da Planta Original
Flores da Planta
Descendente
V R B
V 0,5 0,5 0,0
R 0,25 0,5 0,25
B 0,0 0,5 0,5
Da tabela acima, podemos de imediato retira a matriz de probabilidade
G= 0,5 0,5 0,00,25 0,5 0,250,0 0,5 0,5 Suponha que cada geração sucessiva é produzida cruzando-se apenas com plantas do
genótipo VB. Quando o processo atingir o equilíbrio, que porcentagem das plantas terá flores
vermelhas, cor-de-rosa ou brancas?
A resposta a este tipo de questionamento resume-se em calcular o vetor q de
probabilidade fixo, como se segue:
Temos que q (I − P) = 0
assim, I − P= I – G = 1 0 00 1 00 0 1 - 0,5 0,5 0,00,25 0,5 0,250,0 0,5 0,5 =
0,5 −0,5 0,0−0,25 0,5 −0,250,0 −0,5 0,5 portanto, q (I − P) = 0
0,5 −0,5 0,0−0,25 0,5 −0,250,0 −0,5 0,5 =0Resultando no sistema abaixo
Escalonando a matriz ampliada do sistema, temos,
8/17/2019 Artigo v Encontro_Trabalho Completo_cadeias de Markov
9/10
Sobrenome 1º. autor et al ., 2015
V Encontro Internacional de Ensino e Pesquisa em Ciências na Amazônia
ou seja, o sistema acima é equivalente ao seguinte sistema de duas equações
cuja solução é q2=2q1 e q3= q2, de onde q3= q1. Tomando q1 = x, q=x 1 2 1 e levando em
consideração q1 + q2 + q3 = 1 e q1 = s, q2 = 2s, e q3 = s, então x =
++ =
= 0,25.
Logo o vetor de probabilidade q é igual a q=, , , Concluímos que ao longo do tempo, 25% das plantas serão vermelhas, 50% serão rosas e
25% serão brancas.
Na psicologia
Em uma experiência um psicólogo coloca um rato cada dia em uma gaiola com duas
portas, A e B. O rato pode passar pela porta A, onde recebe um choque elétrico, ou pela porta
B, onde recebe comida. Mantém-se o registro da porta usada pelo rato.
No início do experimento, em uma segunda-feira, o rato tem a mesma probabilidade de
escolher a porta A ou a B. Depois de passar pela porta A e receber um choque, a probabilidade
de usar a mesma porta no próximo dia é 0,3. Depois de passar pela porta B e receber comida, a
probabilidade de usar a mesma porta no próximo dia é 0,6.
Qual a matriz de transição desta experiência?
É a matriz T=
0,3 0,70,4 0,6
Qual a probabilidade do rato passar pela porta A, na quinta-feira (terceiro dia após o
experimento)?
Para isto temos que calcular x (3)
x (0)
= 0,3 0,7 x
(3)= x
(0) 0,3 0,70,4 0,63= 0,3 0,7 0,363 0,6370,364 0,636 = 0,364 0,636 Na quinta-feira, terceiro dia após o início do experimento, 0, 364 ou 36, 4% de chance
do rato passar pela porta A. A probabilidade de o rato passar na porta B é de 0,636 ou 63,6%.
8/17/2019 Artigo v Encontro_Trabalho Completo_cadeias de Markov
10/10
Sobrenome 1º. autor et al ., 2015
Qual o vetor estacionário q, desta experiência?
q (I − P) = 0 → 1 00 1 − 0,3 0,70,4 0,6=0 Resulta o sistema
Cuja solução é q2 = q1, ou seja, q=s1 . Calculando s temos,
S =+ =
= ≈0,3636, logo q=0,3636 0,6364
Portanto, após n dias de experiência com n grande, a probabilidade do rato passar pela
porta A é de 36,36% e a de passar pela porta B é de 63,64%.
CONCLUSÕESA cadeias de Markov além de responder aos questionamentos de onde aplicar a teoria
das matrizes, resolução de sistemas lineares e probabilidade, nos dá subsídio para resolver
vários Problemas de Matemática Aplicada.
AGRADECIMENTOSÀ Universidade do Estado do Amazonas (UEA) por oportunizar e apoiar o
desenvolvimento deste estudo.
REFERÊNCIAS
ANTON, Howard; RORRES, Chris. Álgebra Linear com Aplicações trad. Claus Ivo Doering. - 8. ed.- Porto Alegre: Bookman. Brasil, 2001.
BOLDRINI, José Luiz et. Al. Álgebra Linear. 3. ed. - São Paulo: HARBRA ltda, Brasil, 1986.
CALLIOLI, Carlos A; DOMINGUES, Hygino H; COSTA, Roberto C. F. Álgebra Linear e aplicações. 6. ed. São Paulo: Atual. Brasil, 2003.
HAZAN, Samuel. Fundamentos da Matemática Elementar, 5. 7. ed. São Paulo: Atual, Brasil,2004.
KOLMAN, Bernard. Introdução a Álgebra Linear com Aplicações. 8. ed. Rio de Janeiro: LTC.Brasil, 2006.
SILVA, Carlos Eduardo Vitória da. Aplicações da Álgebra Linear nas Cadeias de Markov.Dissertação (Mestrado) – Universidade Federal de Goiás, Instituto de Matemática e Estatística.
Goiânia, Brasil, 2013.