Escolar Documentos
Profissional Documentos
Cultura Documentos
Cadeias de
Markov de
Estados Finitos
WEB
EXEMPLO INTRODUTRIO
Embora o nmero de pginas da Web seja imenso, ainda assim finito. Quando a estrutura de links
da rede World Wide Web modelada por uma cadeia de Markov, cada pgina na rede um estado
da cadeia de Markov. Este captulo continua o estudo das cadeias de Markov iniciado na Seo 4.9,
focalizando nas cadeias com um nmero finito de estados. A Seo 10.1 introduz a terminologia e
desenvolve alguns exemplos de cadeias de Markov: modelos de transmisso de sinais, modelos de
difuso da fsica e caminhos aleatrios em diversos conjuntos. Caminhos aleatrios em grafos direcionados tero uma aplicao especfica no algoritmo PageRank. A Seo 10.2 define o vetor estado
estacionrio para uma cadeia de Markov. Embora toda a cadeia de Markov tenha um vetor estado
estacionrio, nem toda a cadeia de Markov converge para um vetor estado estacionrio. Quando a
cadeia de Markov converge para um vetor estado estacionrio, esse vetor pode ser interpretado como
indicando a quantidade de tempo que a cadeia gastar em cada estado. Essa interpretao necessria
para o algoritmo PageRank, de modo que sero estudadas as condies sob as quais uma cadeia de
Markov ir convergir para um vetor estado estacionrio. O modelo para a estrutura de links da rede
World Wide Web ser ento modificado para satisfazer essas condies, formando a chamada matriz
do Google. As Sees 10.3 e 10.4 discutem cadeias de Markov que no convergem para um vetor
estado estacionrio. Essas cadeias de Markov podem ser usadas para modelar situaes nas quais a
cadeia acaba restrita a um estado ou a um conjunto de estados. A Seo 10.5 introduz a matriz fundamental. Essa matriz pode ser usada para calcular o nmero esperado de passos para a cadeia mudar
de estado, assim como a probabilidade de que a cadeia fique restrita a um estado particular. Na Seo
10.6, a matriz fundamental aplicada a um modelo para estatsticas em beisebol: o nmero de batedores em um meio turno e o estado no qual esse meio turno ir terminar sero muito importantes para
calcular o nmero esperado de pontos ganhos.
As probabilidades de que a cadeia esteja em cada um dos estados possveis depois de n passos esto
listadas em um vetor de estado xn. Se existissem m estados possveis, o vetor de estado seria
(1)
para n = 1, 2, Note que a equao (1) pode ser usada para se mostrar que
(2)
Ento, qualquer vetor de estado xn pode ser calculado do vetor probabilidade inicial x0 e de uma potncia apropriada da matriz de transio P.
Este captulo trata de cadeias de Markov com um nmero finito de estados , ou seja, cadeias
para as quais a matriz de transio tem tamanho finito. Para usar uma cadeia de Markov de estado
finito para modelar um processo, o processo tem de ter as seguintes propriedades, implicadas com
as equaes (1) e (2):
1. Como os valores no vetor xn+1 dependem apenas da matriz de transio P e de xn, o estado da cadeia antes do instante n no tem efeito sobre seu estado no instante n + 1 e depois.
2. Como a matriz de transio no varia com o tempo, a probabilidade de uma transio de estado
depende apenas de quantos passos a cadeia j executou.
50 Captulo 10
Mesmo com essas restries, cadeias de Markov podem ser usadas para modelar uma variedade incrvel de processos. A seguir, algumas amostras.
Transmisso de Sinais
Considere o problema de transmitir um sinal por meio de uma linha telefnica ou por ondas de rdio.
Cada trecho dos dados tem de passar por um processo em diversos estgios para ser transmitido e,
em cada estgio, existe uma probabilidade de que um erro de transmisso ir corromper os dados.
Suponha que a probabilidade de que um erro na transmisso no seja afetado por erros de transmisso que ocorreram anteriormente nem dependa do tempo e o nmero de trechos possveis de dados
finito. O processo de transmisso ento pode ser modelado por uma cadeia de Markov. O objeto de
interesse a probabilidade de que um trecho de dados passe pelo processo com vrios estgios sem
erro. Veja exemplo de tal modelo a seguir.
EXEMPLO 1 Suponha que cada bit de dados seja 0 ou 1 e, em cada estgio, exista uma probabilidade
p de que o bit ir passar sem modificao. Assim, a probabilidade de que o bit ser transposto 1 p.
O processo de transmisso modelado por uma cadeia de Markov com estados 0 e 1 e matriz de
transmisso
De:
Para:
Muitas vezes possvel visualizar a ao de uma cadeia de Markov representando suas probabilidades de transio graficamente, como na Figura 1. Os pontos so os estados da cadeia, e os caminhos
indicados por setas representam as transies.
Suponha que p = 0,99. Encontre a probabilidade de que o sinal 0 ainda ser 0 depois de um processo de transmisso em dois estgios.
1p
1p
Ento, a probabilidade de que o sinal ainda seja 0 depois de um processo em dois estgios 0,9802.
Note que isso no o mesmo que a probabilidade de que 0 seja transmitido sem erro; essa ltima
probabilidade seria (0,99)2 = 0,9801. Nossa anlise inclui a probabilidade muito pequena de que 0
seja mudado erroneamente para 1 no primeiro estgio, depois, de volta para 0 no segundo estgio da
transmisso.
Difuso
Considere dois compartimentos cheios com gases diferentes separados apenas por uma membrana
que permite a passagem de molculas de cada gs para o outro compartimento. Ao longo do tempo,
os dois gases iro se misturar, de modo que cada compartimento conter uma mistura desses gases.
O problema mais interessante qual a mistura que estar em cada compartimento em algum instante
aps o incio da interao. Um modelo matemtico famoso para este processo foi descrito originalmente pelos fsicos Paul e Tatyana Ehrenfest. Como o termo preferido deles para compartimento
era urna, o modelo conhecido como o modelo da urna de Ehrenfest para a difuso.
Vamos chamar as urnas A e B e colocar k molculas de gs em cada urna. Em cada instante de tempo, selecione uma das 2k molculas de forma aleatria, mova-a de uma urna para a outra e mantenha
um registro do nmero de molculas na urna A. Esse processo pode ser modelado por uma cadeia
de Markov de estado finito: o nmero de molculas na urna A depois de n + 1 instantes de tempo s
depende do nmero de molculas na urna depois de n instantes de tempo, as probabilidades de transio no variam com o tempo e o nmero de estados finito.
EXEMPLO 2 Para este exemplo, suponha que k = 3. Ento as duas urnas contm um total de 6
Se a urna A contiver i molculas no instante n, com 0 < i < 6, ento a urna A conter i + 1 ou i 1
molculas no instante n + 1. Para que ocorra uma transmisso de i para i 1 molculas, uma das i
molculas na urna A tem de ser selecionada para se mover; esse evento ocorre com probabilidade i/6.
Analogamente, uma transmisso de i para i + 1 molculas ocorre quando uma das 6 i molculas
na urna B selecionada, e isso ocorre com probabilidade (6 i)/6. Fazendo i variar de 1 a 5, gerase as colunas de P correspondente a esses estados, e a matriz de transio para o modelo da urna de
Ehrenfest com k = 3
A Figura 2 mostra o diagrama de transio dessa cadeia de Markov. Outros modelos para a difuso
52 Captulo 10
1p
...
1p
k2
k1
1p
1p
k+1
k
p
k + 2 ...
A molcula tem de se mover para a esquerda ou para a direita nos estados 2, , n 1, mas no
pode fazer isso nas extremidades 1 e n. As possibilidades de movimento para as molculas nas extremidades 1 e n tm de ser especificadas. Uma possibilidade que elas permaneam para sempre em
uma extremidade quando chegam l: isto chamado passeio aleatrio com fronteiras absorventes e as extremidades 1 e n so chamadas estados absorventes. Outra possibilidade ter a molcula
quicando de volta uma unidade ao atingir uma extremidade: isto chamado passeio aleatrio com
fronteiras refletoras.
j que uma molcula no estado 1 tem probabilidade 1 de permanecer no estado 1 e uma molcula no
estado 5 tem probabilidade 1 de permanecer no estado 5. Um passeio aleatrio em {1, 2, 3, 4, 5} com
fronteiras refletoras tem matriz de transio
j que uma molcula no estado 1 tem probabilidade 1 de se mover para o estado 2 e uma molcula no
EXEMPLO 4 Considere um jogo de cassino muito simples. Um jogador (que ainda tem algum dinheiro
para jogar) joga uma moeda imparcial dizendo se vai dar cara ou coroa. Se ele estiver correto, ganhar
um real; se estiver errado, perder um real. Suponha que o jogador ir parar de jogar quando tiver
ganhado n reais ou quando tiver perdido todo seu dinheiro.
1
7
FIGURA 4 Um grafo com
sete vrtices.
Suponha que n = 7 e o jogador comeou com R$4,00. Note que os ganhos aumentam ou diminuem
de um real a cada jogada da moeda e, uma vez que os ganhos do jogador chegam a 0 ou 7, eles no
variam mais, pois o jogador vai parar de jogar. Assim, os ganhos do jogador podem ser modelados
por um passeio aleatrio em {0, 1, 2, 3, 4, 5, 6, 7} com fronteiras absorventes. Como a probabilidade
Para definir um passeio aleatrio em um grafo, permita que a cadeia se mova de vrtice em vrtice. Em cada estgio, a cadeia tem a mesma probabilidade de se mover ao longo de qualquer uma das
arestas ligadas ao vrtice. Por exemplo, se a molcula estiver no estado 5 na Figura 4, ela tem probabilidade de se mover para o estado 2 e probabilidade de se mover para o estado 6. Esta cadeia
de Markov chamada um passeio simples em um grafo.
Encontre a probabilidade de que a cadeia na Figura 4 mude do estado 6 para o estado 2 em exatamente trs passos ou estgios.
SOLUO Calcule
Logo, a probabilidade de se mover do estado 6 para o estado 2 em exatos trs passos 0,0417.
Algumas vezes, pode ser til interpretar um processo aleatrio como um passeio aleatrio em um
grafo.
na Figura 5. Em cada instante (ou estgio), o camundongo se move para um compartimento diferente.
Quando ele estiver em um compartimento, ele pode escolher qualquer uma das portas do compartimento
com a mesma probabilidade. Note que o movimento do camundongo pode ser modelado por uma
cadeia de Markov. Encontre a probabilidade de que um camundongo comeando no compartimento
3 retorne a ele em exatamente cinco estgios.
2
3
1
4
2
3
4
5
SOLUO A Figura 5 direita mostra um grafo sobreposto ao labirinto. Note que o movimento do ca-
mundongo idntico a um passeio aleatrio simples no grafo, de modo que a matriz de transio
54 Captulo 10
0,2701.
1
7
FIGURA 6 Um grafo direcio-
Outro objeto interessante no qual se efetua um passeio aleatrio um grafo direcionado. Um grafo
direcionado um grafo no qual as arestas contm setas indicando o sentido de percurso. Veja a Figura 6.
Para efetuar um passeio aleatrio simples em um grafo direcionado, permita que a cadeia se mova
entre os vrtices apenas nos sentidos indicados pelas setas. Em cada estgio, as probabilidades de
movimento do vrtice (estado) atual ao longo de qualquer aresta saindo desse vrtice so iguais. Por
exemplo, se a molcula estiver no estado 6 na Figura 6, ela ter probabilidade de se mover para o
estado 3, para o estado 5 ou para o estado 7.
O algoritmo PageRank usado pelo Google para ordenar a importncia das pginas na rede World
Wide Web (veja a Introduo deste captulo) comea com um passeio aleatrio simples em um grafo
direcionado. A rede modelada como um grafo direcionado em que os vrtices so as pginas, e
desenhada uma seta da pgina j para a pgina i se existir um hiperlink na pgina j levando pgina i.
Uma pessoa surfa aleatoriamente da seguinte maneira: quando chega a uma pgina, escolhe um link
contido na pgina com a mesma probabilidade de qualquer outro link saindo. A pessoa ento segue
o link, chegando a outra pgina. A pessoa que surfa a rede dessa forma est efetuando um passeio
aleatrio simples no grafo direcionado que a rede World Wide Web.
EXEMPLO 7 Considere um conjunto de sete pginas com hiperlinks como os indicados na Figura
6. Se a pessoa que vai fazer o passeio aleatrio comear na pgina 5, encontre a probabilidade de que
estar na pgina 3 depois de clicar quatro vezes no mouse seguindo um hiperlink.
SOLUO A matriz de transio para o passeio aleatrio simples no grafo direcionado
Note que no h arestas saindo do estado 4 nem do estado 7 na Figura 6. Se a pessoa acessar um link
que chega a uma dessas pginas, no haver mais links a seguir.1 Por essa razo, as probabilidades
de transio p44 e p77 so iguais a 1 a cadeia tem de permanecer no estado 4 ou no estado 7 para
sempre quando entra em um desses estados. Calculando x4, obtm-se
de modo que a probabilidade de estar na pgina 3 depois de exatamente quatro cliques no mouse
0,0880.
No permitido o uso da tecla que volta para a pgina anterior: o estado da cadeia antes do instante n no pode ter efeito
em seu estado no instante n + 1 ou mais adiante.
1
PROBLEMAS PRTICOS
1. Complemente os elementos que esto faltando na matriz estocstica a seguir.
10.1 EXERCCIOS
Nos Exerccios 1 e 2, determine se P uma matriz estocstica. Se no
for, explique por qu.
4
3
56 Captulo 10
2
3
18. O camundongo colocado no compartimento 3 do labirinto a
seguir.
a. Construa uma matriz de transio e um vetor de probabilidade
inicial para o movimento do camundongo.
b. Quais as probabilidades de que o camundongo estar em cada um
dos compartimentos depois de 4 movimentos?
1
2
4
3
5
2
3
21. a. A soma dos elementos em cada coluna de uma matriz de transi o para uma cadeia de Markov tem de ser igual a 1.
b. A matriz de transio P pode variar com o tempo.
c. O elemento (i, j) em uma matriz de transio P fornece a proba bilidade de um movimento do estado j para o estado i.
22. a. A soma dos elementos em cada linha de uma matriz de transio
para uma cadeia de Markov tem de ser igual a 1.
b. Se {xn} denotar uma cadeia de Markov, ento xn+1 s poder de pender da matriz de transio e de xn.
c. O elemento (i, j) em P3 fornece a probabilidade de um movimento
do estado i para o estado j em exatamente trs instantes.
23. Em qualquer dia, o tempo em Charlotte, na Carolina do Norte, pode
ser classificado como ensolarado, nublado ou chuvoso. Dados de
20032 mostram que
Se um dia est ensolarado, ento o dia seguinte estar ensolara do com probabilidade 0,65, estar nublado com probabilidade
0,1 e estar chuvoso com probabilidade 0,25.
Se um dia est nublado, ento o dia seguinte estar ensolarado com
probabilidade 0,25, estar nublado com probabilidade 0,25 e
estar chuvoso com probabilidade 0,5.
Se um dia est chuvoso, ento o dia seguinte estar ensolarado
com probabilidade 0,25, estar nublado com probabilidade 0,15
e estar chuvoso com probabilidade 0,60.
Suponha que o dia est nublado em uma segunda-feira. Use uma
cadeia de Markov para determinar as probabilidades de cada um
dos tipos de tempo na sexta-feira seguinte.
24. Suponha que se vai chover ou no em Charlotte amanh depende
das condies do tempo hoje e ontem. Dados de 20032 mostram
que
Se choveu ontem e hoje, ento a probabilidade de que chova
amanh ser de 0,58.
Se choveu ontem, mas no hoje, ento a probabilidade de que
chova amanh ser de 0,29.
Se choveu hoje, mas no ontem, ento a probabilidade de que
chova amanh ser de 0,47.
Se no choveu ontem nem hoje, ento a probabilidade de que
chova amanh ser de 0,31.
Embora o tempo dependa dos dois ltimos dias nesse caso, podemos
criar um modelo de cadeia de Markov usando os estados
1 choveu ontem e hoje
2 choveu ontem, mas no hoje
3 choveu hoje, mas no ontem
4 no choveu ontem nem hoje
Ento, por exemplo, a probabilidade de transio do estado 1 para
o estado 1 de 0,58 e a probabilidade de transio do estado 1 para
o estado 3 0.
a. Complete a matriz de transio para essa cadeia de Markov.
b. Se chover na tera-feira e no chover na quarta, qual ser a pro babilidade de que no ir chover no prximo fim de semana?
25. Considere um conjunto de quatro pginas da rede com hiperlinks
dados pelo grafo direcionado no Exerccio 15. Se uma pessoa que
surfa aleatoriamente comear na pgina 1, quais sero as probabilidades de que a pessoa estar em cada uma das pginas depois de
3 cliques?
26. Considere um conjunto de cinco pginas da rede com hiperlinks
dados pelo grafo direcionado no Exerccio 16. Se uma pessoa que
surfa aleatoriamente comear na pgina 2, quais sero as probabilidades de que a pessoa estar em cada uma das pginas depois de
4 cliques?
27. Considere um modelo de transmisso de sinais no qual os dados
so enviados como bytes de dois bits. Ento, existem quatro bytes
possveis: 00, 01, 10 e 11, que so os estados da cadeia de Markov.
Nos Exerccios 21 e 22, marque cada afirmao como Verdadeira ou Falsa. Justifique cada resposta.
http://www.wunderground.com/history/airport/KCLT/2003/1/1/MonthlyHistory.html.
2
Em cada estgio, existe uma probabilidade p de que cada bit passar sem mudana.
a. Construa a matriz de transio para esse modelo.
b. Suponha que p = 0,99. Encontre a probabilidade de que o sinal
01 ainda ser 01 depois de uma transmisso em trs est gios.
28. Considere um modelo para a transmisso de sinais no qual os dados so transmitidos como bytes de trs bits. Construa a matriz de
transio para esse modelo.
29. Outra verso para o modelo de Ehrenfest para a difuso comea com k
molculas de gs em cada urna. Uma das 2k molculas selecionada
aleatoriamente como no modelo de Ehrenfest no texto. A molcula
escolhida movida para a outra urna com probabilidade p e colocada de volta em sua prpria urna com probabilidade 1 p. (Note
que o modelo de Ehrenfest no texto igual a este com p = 1.)
a. Seja k = 3. Encontre a matriz de transmisso para esse modelo.
b. Seja k = 3 e p = . Se atualmente a urna A no contm molculas,
qual a probabilidade de que haver 3 molculas na urna A de pois de 5 selees?
30. Outro modelo para a difuso conhecido como o modelo de Bernoulli-Laplace. Duas urnas (A e B) contm um total de 2k molculas. Neste caso, k molculas so de um tipo (chamadas molculas
do tipo I) e k so de outro tipo (molculas do tipo II). Alm disso,
cada urna tem de conter k molculas em todos os instantes. Em cada
instante, seleciona-se um par de molculas, um de cada urna, e essas molculas mudam de urna. Considere a cadeia de Markov que
modela o nmero de molculas do tipo I na urna A (que igual ao
nmero de molculas do tipo II na urna B).
a. Suponha que existam j molculas do tipo I na urna A, com
0 < j < k. Explique por que a probabilidade de transio de j 1
molculas do tipo I na urna A (j/k)2 e por que probabilidade de
transio de j + 1 molculas do tipo I na urna A ((k j)/k)2.
b. Seja k = 5. Use o resultado no item (a) para criar a matriz de tran sio para a cadeia de Markov que modela o nmero de mol culas do tipo I na urna A.
c. Seja k = 5 e comece com todas as molculas de tipo I na urna A.
Qual a distribuio de molculas de tipo I depois de 3 instantes
de tempo?
31. Para ganhar uma partida no tnis, um dos jogadores tem de marcar
quatro pontos e, alm disso, pelo menos dois pontos a mais que seu
oponente. Se os dois jogadores fizerem o mesmo nmero de pontos (quatro ou mais), com o escore iguais no jargo do tnis, um
dos jogadores tem de fazer mais dois pontos seguidos para ganhar
a partida. Suponha que dois jogadores A e B estejam jogando uma
partida que est em iguais. Se A ganhar o prximo ponto, o escore
ser vantagem para A, enquanto, se B vencer o prximo ponto, o
escore ser vantagem para B. Se A estiver em vantagem e ganhar
o prximo ponto, A ganhar a partida. Se A estiver em vantagem e
B ganhar o prximo ponto, a partida voltar a ter escore iguais.
a. Suponha que a probabilidade de o jogador A ganhar qualquer
ponto seja p. Modele o progresso de uma partida de tnis come ando com o escore iguais e usando uma cadeia de Markov
com os cinco estados a seguir:
1 iguais
2 vantagem para A
3 vantagem para B
4 A ganha a partida
5 B ganha a partida
*Nas regras oficiais aprovadas em 2010, os sets so de 25 pontos e a pontuao por rali. (N.T.)
1. Como uma matriz estocstica tem de ter a soma de cada coluna igual a 1,
58 Captulo 10
EXEMPLO 1 Para comear, lembre o Exemplo 3 na Seo 4.9. Aquele exemplo tratava de uma
cadeia de Markov com matriz de transio
de modo que a sequncia de matrizes {Pn} tambm parece estar convergindo a uma matriz quando
n aumenta, e essa matriz tem a propriedade estranha de que todos as suas colunas so iguais a q. O
exemplo tambm mostrou que Pq = q. Essa equao forma a definio do vetor estado estacionrio
e fornece uma maneira direta de calcul-lo.
DEFINIO
Se P for uma matriz estocstica, ento um vetor estado estacionrio (ou vetor de equilbrio ou
vetor de probabilidade invariante) para P ser um vetor de probabilidade q tal que
Pq = q
Os Exerccios 36 e 37 mostraro que toda matriz estocstica P tem um vetor estado estacionrio
q. Note que 1 tem de ser um autovalor de qualquer matriz estocstica e o vetor estado estacionrio
um vetor probabilidade que tambm um autovetor de P associado ao autovalor 1.
Embora a definio de vetor estado estacionrio torne o clculo de q direto, ela tem uma grande desvantagem, j que existem cadeias de Markov que tm um vetor estado estacionrio q, mas
a definio no suficiente para que xn convirja. Os Exemplos de 3 a 5 a seguir mostram coisas diferentes que podem acontecer para que xn no convirja. Mais adiante, nesta seo, enunciaremos de
novo as condies sob as quais
. Por enquanto, considere que q significa que
,
como no exemplo anterior. Quando
labirinto (Exemplo 6, Seo 10.1). Nesse exemplo, a posio do camundongo em um labirinto com
cinco compartimentos modelada por uma cadeia de Markov com cinco estados {1, 2, 3, 4, 5} e
matriz de transio
O vetor estado estacionrio pode ser calculado resolvendo-se o sistema Pq = q, que equivalente ao
sistema homogneo (P I)q = 0. Escalonando a matriz, obtm-se
Escolhendo q5 igual ao inverso da soma das coordenadas do vetor resulta no vetor estado estacionrio
60 Captulo 10
De novo, existem duas interpretaes para q: probabilidades no longo prazo e tempos de ocupao.
Depois de muitos movimentos, a probabilidade de que o camundongo estar no compartimento 1
em determinado instante 1/7 independente de onde o camundongo comeou sua jornada. Dito de
outra forma, espera-se que o camundongo fique no compartimento 1 durante 1/7 (aproximadamente
14,3%) do tempo.
Mais uma vez, note que as potncias altas da matriz de transio P so matrizes cujas colunas
convergem para q; por exemplo,
As colunas de P10 so praticamente iguais umas s outras, e cada coluna tambm quase igual a q.
Note que s existem duas possibilidades no longo prazo para essa cadeia: ela tem de terminar no estado 1 ou no estado 5. Ento, a probabilidade de que a cadeia esteja em um dos estados 2, 3 ou 4 fica
cada vez menor medida que n aumenta, como Pn ilustra:
um vetor estado estacionrio para P. Essa matriz tem um nmero infinito de vetores estado estacionrios possveis, o que mostra de outra forma que no se pode esperar que xn tenha um comportamento
convergente independente de x0.
Se a cadeia xn comear no estado 1, note que ela s poder retornar a 1 quando n for par, enquanto a
cadeia s poder estar no estado 2 quando n for mpar. De fato, a cadeia tem de estar em um estado
par quando n for mpar e tem de estar em um estado mpar quando n for par. Se a cadeia comear no
estado 2, no entanto, esta situao ficar invertida: a cadeia ter de estar em um estado mpar quando
n for mpar e ter de estar em um estado par quando n for par. Portanto, Pn no pode convergir para
uma nica matriz, j que Pn tem uma aparncia muito diferente dependendo se n for par ou mpar:
Embora Pn no convirja para uma nica matriz, P tem um vetor estado estacionrio. De fato,
um vetor estado estacionrio para P (veja o Exerccio 32). Esse vetor pode ser interpretado como
fornecendo probabilidades no longo prazo e tempos de ocupao em um sentido que ficar preciso
na Seo 10.4.
Se essa cadeia de Markov comear no estado 1, 2 ou 3, ento ela sempre ter de estar em um desses
estados. Analogamente, se ela comear no estado 4 ou 5, ento sempre ter de estar em um desses estados. A cadeia se divide em duas cadeias separadas, cada uma delas com seu prprio vetor estado estacionrio. Nesse caso, Pn converge para uma matriz cujas colunas no so iguais. Ambos os vetores
satisfazem a definio de vetor estado estacionrio (Exerccio 33). O primeiro vetor fornece as probabilidades limites se a cadeia comear em um dos estados 1, 2 ou 3, e o segundo faz o mesmo para
os estados 4 e 5.
62 Captulo 10
Matrizes Regulares
Os Exemplos 1 e 2 mostram que, em alguns casos, uma cadeia de Markov xn com matriz de transio
P tem um vetor estado estacionrio q para o qual
Nesses casos, q pode ser interpretado como um vetor de probabilidades no longo prazo ou como um
vetor de tempos de ocupao para a cadeia. Essas probabilidades ou tempos de ocupao no dependem do vetor de probabilidade inicial, ou seja, para qualquer vetor de probabilidade x0,
Note tambm que q o nico vetor de probabilidade que tambm um autovetor de P associado ao
autovalor 1.
Nos Exemplos 3, 4 e 5, tal vetor estado estacionrio q no existe. Nos Exemplos 3 e 5, o vetor
estado estacionrio no nico; em todos os trs exemplos, a matriz Pn no converge para uma matriz tendo as colunas iguais quando n aumenta. O objetivo, ento, encontrar alguma propriedade
da matriz de transio P que leva a esses comportamentos diferentes e mostrar que essa propriedade
causa as diferenas no comportamento.
Alguns clculos mostram que, nos Exemplos 3, 4 e 5, todas as matrizes da forma Pk tem alguns
elementos nulos. Nos Exemplos 1 e 2, no entanto, alguma potncia de P tem todos os elementos positivos. Como mencionado na Seo 4.9, esta a exata e propriedade necessria.
DEFINIO
Uma matriz estocstica P regular se alguma potncia Pk contiver apenas elementos estritamente positivos.
Como a matriz Pk contm as probabilidades de movimentos em k estgios (ou passos) de um estado para outro, uma cadeia de Markov com uma matriz de transio regular tem a propriedade de que,
para algum k, possvel a cadeia se mover de qualquer estado para qualquer outro estado em exatamente k passos. O teorema a seguir expande o contedo do Teorema 18 na Seo 4.9. Uma ideia tem
de ser apresentada antes de apresentar o teorema. O limite de uma sequncia de matrizes m n a
matriz m n (se existir) cujo elemento (i, j) o limite dos elementos (i, j) na sequncia de matrizes.
Com essa compreenso, eis o teorema.
TEOREMA 1
Se P for uma matriz de transio regular m m com m 2, as afirmaes a seguir sero todas
verdadeiras.
a. Existe uma matriz estocstica tal que
b. Todas as colunas de so iguais ao mesmo vetor de probabilidade q.
c. Para qualquer vetor de probabilidade inicial x0,
d. O vetor q o nico vetor de probabilidade que um autovetor de P associado ao autovalor 1.
e. Todos os autovalores de P diferentes de 1 satisfazem || < 1.
O Apndice 1 contm uma demonstrao do Teorema 1. Esse teorema um caso particular do Teorema de Perron-Frobenius, que usado em aplicaes da lgebra linear economia, teoria dos grafos
e anlise de sistemas. O Teorema 1 mostra que uma cadeia de Markov com uma matriz de transio
regular tem as propriedades encontradas nos Exemplos 1 e 2. Por exemplo, como a matriz de transio P no Exemplo 1 regular, o Teorema 1 justifica a concluso que Pn converge a uma matriz
estocstica com todas as colunas iguais a
seria gasta em cada pgina. Os fundadores do Google, Sergey Brin e Lawrence Page, raciocinaram que
pginas importantes receberiam links de pginas importantes. Assim, a pessoa surfando de forma
aleatria gastaria mais tempo em pginas importantes e menos tempo em pginas menos importantes.
Mas a quantidade de tempo gasta em cada pgina simplesmente o tempo de ocupao daquele estado na cadeia de Markov. Essa observao a base para o algoritmo PageRank, que o modelo usado
pelo Google para ordenar por importncia todas as pginas na rede catalogadas por ele.
A importncia de uma pgina na rede medida pelo tamanho relativo da coordenada correspondente
no vetor estado estacionrio q para uma cadeia de Markov escolhida de modo apropriado.
1
7
FIGURA 1 Uma rede com
sete pginas.
Mas esse ajuste ainda no suficiente para garantir que a matriz de transio seja regular: embora
no existam mais ns pendurados, ainda possvel existirem ciclos de pginas. Se a pgina j s tiver links para a pgina i e a pgina i s tiver links para a pgina j, uma pessoa que chegue a qualquer
uma dessas pginas ficar condenada a passar a eternidade clicando da pgina i para a pgina j e de
volta. Assim, as colunas de P*k correspondentes a essas pginas sempre teriam elementos nulos nelas
e a matriz de transio P* no seria regular. necessrio outro ajuste
AJUSTE 2: Seja p um nmero entre 0 e 1. Suponha que a pessoa surfando a rede esteja agora na
pgina j. Com probabilidade p, a pessoa ir escolher uma pgina entre todos as que recebem links
da pgina j com probabilidades iguais e ir se mover para aquela pgina. Com probabilidade 1 p,
64 Captulo 10
a pessoa ir escolher qualquer pgina na rede com probabilidades iguais e ir se mover para aquela
pgina. Em termos da matriz de transio P*, a nova matriz de transio ser
em que K uma matriz n n com todas as colunas iguais a3
A matriz G chamada matriz do Google e G agora uma matriz regular, j que todos os elementos
em G1 = G so positivos. Embora qualquer valor de p entre 0 e 1 seja permitido, dizem que o Google
usa um valor de p = 0,85 para seus clculos no algoritmo PageRank. No exemplo da rede com sete
pginas, a matriz do Google
Agora possvel encontrar o vetor estado estacionrio q pelos mtodos desta seo:
de modo que a pgina mais importante de acordo com PageRank a pgina 3, que corresponde
maior coordenada de q. A ordenao completa 3, 2 e 6, 5, 1, 4 e 7.
COMENTRIO NUMRICO
O clculo de q no trivial, j que a matriz do Google tem mais de 8 bilhes de linhas e colunas. O Google usa uma verso do mtodo da potncia introduzido na Seo 5.8 para calcular
q. Embora o mtodo da potncia tenha sido usado naquela seo para estimar os autovalores de
PageRank usa, de fato, uma matriz K com todas as colunas iguais a um vetor de probabilidade v, que poderia estar ligado
a um pesquisador especfico ou a um grupo de pesquisadores. Esta modificao tambm torna mais fcil a verificao de
sites tentando gerar trfego na rede. Para mais informao, veja Googless PageRank and Beyond:The Science of Search
Engine Rankings de Amy N. Langville e Carl D. Meyer (Princeton: Princeton University Press, 2006).
3
uma matriz, ele tambm pode ser usado para fornecer estimativas para os autovetores. Como q
um autovetor de G correspondente ao autovalor 1, o mtodo da potncia aplicvel. Acontece
que so necessrias apenas 50 ou 100 iteraes do mtodo para obter o vetor q com a preciso
que o Google necessita para sua ordenao. Ainda assim, o Google demora dias para calcular
um novo q, o que feito todo ms.
PROBLEMA PRTICO
1. Considere a cadeia de Markov em {1, 2, 3} com matriz de transio.
10.2 EXERCCIOS
Nos Exerccios 1 e 2, considere a cadeia de Markov em {1, 2} com a
matriz de transio P dada. Em cada exerccio, use dois mtodos para encontrar a probabilidade de que, no longo prazo, a cadeia esteja no estado
1. Primeiro, eleve P a uma potncia grande. Depois, calcule diretamente
o vetor estado estacionrio.
1. P = 0, 2 0, 4
0, 8 0, 6
Nos Exerccios 3 e 4, considere uma cadeia de Markov em {1, 2, 3} com
a matriz de transio P dada. Em cada exerccio, use dois mtodos para
encontrar a probabilidade de que, no longo prazo, a cadeia esteja no estado
1. Primeiro, eleve P a uma potncia grande. Depois, calcule diretamente
o vetor estado estacionrio.
4
3
66 Captulo 10
2
3
2
4
Mostre que
2
3
Que frao de tempo ele passa no compartimento 3?
19. Considere o camundongo no labirinto a seguir, que inclui passagens
de mo nica, do Exerccio 19 da Seo 10.1.
madamente quantos dias em Charlotte foram ensolarados, quantos foram nublados e quantos foram chuvosos de acordo com o modelo?
24. Suponha que o tempo em Charlotte seja modelado pela cadeia de
Markov do Exerccio 24 na Seo 10.1. Ao longo de um ano, aproximadamente quantos dias em Charlotte foram chuvosos de acordo
com o modelo?
Nos Exerccios 25 e 26, considere um conjunto de pginas na rede com
os hiperlinks dados pelo grafo direcionado. Encontre a matriz do Google
para cada grfico e calcule a ordem de cada pgina no conjunto.
3
2
para a cadeia no Exemplo 3.
32. Considere a cadeia de Markov no Exemplo 4.
a. Mostre que
cadeia de Markov.
b. Calcule a mdia dos elementos em P20 e P21 dados no Exemplo
4. O que voc encontrou?
a soluo geral q3
c. A cadeia gastar 1/3 de seu tempo no estado 2, j que a coordenada correspondente ao estado 2
em q 1/3, e podemos interpretar as coordenadas como tempos de ocupao.
68 Captulo 10
DEFINIO
Sejam i e j dois estados em uma cadeia de Markov com matriz de transio P. Ento, o estado i
se comunica com o estado j se existirem inteiros no negativos m e n tais que o elemento (j, i) de
Pm e o elemento (i, j) de Pn sejam ambos estritamente positivos. Em outras palavras, o estado i se
comunica com o estado j se for possvel ir do estado i para o estado j em m passos e do estado j
para o estado i em n passos.
Esta definio implica trs propriedades que iro permitir que se organize os estados de uma
cadeia de Markov em grupos denominados classes de comunicao. Note, primeiro, que a definio permite que os inteiros m e n sejam nulos, caso em que o elemento (i, i) de P0 = I igual a
1, que positivo. Isso garante que todo estado se comunique consigo mesmo. Como ambos (i, j)
e (j, i) esto includos na definio, claro que, se o estado i se comunicar com o estado j, ento
o estado j se comunicar com o estado i. Finalmente, voc ir mostrar, no Exerccio 36, que, se o
estado i se comunicar com o estado j e o estado j se comunicar com o estado k, ento o estado i se
comunicar com o estado k. Essas trs propriedades so chamadas, respectivamente, refletividade,
simetria e transitividade.
a. (Propriedade reflexiva) Cada estado se comunica consigo mesmo.
b. (Propriedade simtrica) Se o estado i se comunicar com o estado j, ento o estado j se comunicar
com o estado i.
c. (Propriedade transitiva) Se o estado i se comunicar com o estado j e o estado j se comunicar com
o estado k, ento o estado i se comunicar com o estado k.
Uma relao que tem essas trs propriedades chamada uma relao de equivalncia. A relao
de comunicao uma relao de equivalncia no espao de estados de uma cadeia de Markov. A
utilizao das propriedades listadas anteriormente simplifica a determinao de quais estados se
comunicam.
SOLUO A matriz de transio dada a seguir, e a Figura 1 mostra o diagrama de transio para
q
1
2
q
3
q
Note, em primeiro lugar, que, pela refletividade, cada estado se comunica consigo mesmo. Isto fica
claro a partir do diagrama que os estados 2, 3 e 4 se comunicam entre si. Pode-se chegar mesma
concluso usando a definio, j que os elementos (2, 3), (3, 2), (3, 4) e (4, 3) na matriz P so positivos, o que significa que os estados 2 e 3 se comunicam, assim como os estados 3 e 4. Ento, pela
transitividade, os estados 2 e 4 tambm se comunicam. Agora, considere os estados 1 e 5. Se a cadeia
comear no estado 1, ela no poder se mover para outro estado alm de si mesmo. Ento no ser
possvel ir do estado 1 para outro estado e o estado 1 no se comunicar com nenhum outro estado.
Analogamente, o estado 5 no se comunicar com outro estado. Resumindo,
O estado 1 se comunica com o estado 1.
O estado 2 se comunica com os estados 2, 3 e 4.
O estado 3 se comunica com os estados 2, 3 e 4.
O estado 4 se comunica com os estados 2, 3 e 4.
O estado 5 se comunica com o estado 5.
Note que, embora os estados 1 e 5 no se comuniquem com os estados 2, 3 e 4, possvel ir de um
desses estados para o estado 1 ou o estado 5 em um nmero finito de passos: isto fica claro a partir
do diagrama ou pela confirmao de que os elementos apropriados nas matrizes P, P2 ou P3 so positivos.
No Exemplo 1, o espao de estados {1, 2, 3, 4, 5} pode ser dividido agora nas classes {1}, {2,
3, 4} e {5}. Os estados em cada uma dessas classes s se comunicam com membros da mesma
classe. Essa diviso do espao de estados ocorre porque a relao de comunicao uma relao
de equivalncia. A relao de comunicao define uma partio do espao de estados em classes
de comunicao. Cada estado em uma cadeia de Markov s se comunica com os membros de sua
classe de comunicao. Para a cadeia de Markov no Exemplo 1, as classes de comunicao so
{1}, {2, 3, 4} e {5}.
seguir:
70 Captulo 10
Note que o elemento (i, j) em pelo menos uma dessas matrizes positivo para qualquer escolha de i
e j. Assim, todo estado acessvel de qualquer outro estado em quatro passos ou menos e todo estado
se comunica com todos os outros. Existe apenas uma classe de comunicao: {1, 2, 3, 4, 5}.
EXEMPLO 3 Considere a cadeia de Markov dada no Exemplo 5, na Seo 10.2. Encontre as classes
de comunicao para essa cadeia de Markov.
impossvel se mover de qualquer dos estados 1, 2 e 3 para um dos estados 4 ou 5, de modo que
esses estados tm de estar em classes de comunicao diferentes. Ento as classes de comunicao
para essa cadeia de Markov so {1, 2, 3} e {4, 5}.
DEFINIO
Uma cadeia de Markov com uma nica classe de comunicao dita irredutvel. Uma cadeia
de Markov com mais de uma classe de comunicao dita redutvel.
TEOREMA 2
Se uma cadeia de Markov tiver uma matriz de transio regular, ento ela ser irredutvel.
DEMONSTRAO Suponha que P seja uma matriz de transio regular de uma cadeia de Markov.
Ento, pela definio, existir um k tal que Pk ter todos os seus elementos positivos. Ou seja, quaisquer que sejam os estados i e j, os elementos (i, j) e (j, i) de Pk so estritamente positivos. Ento,
existe uma probabilidade positiva de se mover de i para j e de j para i em exatamente k passos, de
modo que i e j se comunicam. Como i e j so arbitrrios e tm de estar na mesma classe de comunicao, s pode existir uma classe para a cadeia de Markov, de modo que a cadeia de Markov tem
de ser irredutvel.
O Exemplo 2 mostra que a recproca do Teorema 2 no verdade, j que a cadeia de Markov nesse
exemplo irredutvel, mas a matriz de transio no regular.
EXEMPLO 4 Considere a cadeia de Markov cujo diagrama de transio dado na Figura 4. Determine
se essa cadeia de Markov redutvel ou irredutvel.
0,6
3
2
0,3 0,1
4
0,4
0,2
0,8
0,6
No longo
prazo, a cadeia gastar metade do seu tempo no estado 2. Se a cadeia estiver agora no estado 2, levar
cerca de dois (1/0,5) passos para voltar ao estado 2. Analogamente, como a cadeia gasta em torno de
1/5 do seu tempo no estado 1, ela deve visitar o estado 1 a cada cinco passos.
Dada uma cadeia de Markov e estados i e j, uma quantidade bem interessante o nmero de passos (ou instantes de tempo) nij que vai levar para o sistema visitar pela primeira vez o estado i dado
que comeou no estado j. No possvel saber o valor de nij poderia ser qualquer inteiro positivo
dependendo de como a cadeia de Markov evolui. Tal quantidade conhecida como uma varivel
aleatria. Como impossvel conhecer nij, estuda-se o valor esperado de nij. O valor esperado de
72 Captulo 10
uma varivel aleatria funciona como uma espcie de valor mdio da varivel aleatria. A definio
a seguir ser usada nas sees subsequentes.
DEFINIO
O valor esperado de uma varivel aleatria X que assume os valores x1, x2,
em que P(X = xk) denota a probabilidade de que a varivel aleatria X seja igual ao valor xk.
Agora, seja tii = E[nii] o valor esperado de nii, que o nmero esperado de passos que ir levar
para o sistema retornar ao estado i dado que comeou no estado i. Infelizmente, a Equao (1) no
vai ajudar aqui. Em vez disso, procedendo de maneira intuitiva, o sistema deve gastar um passo no
estado i para cada tii passos em mdia. Parece razovel dizer que o sistema, no longo prazo, gasta
cerca de 1/tii do tempo no estado i. Mas essa quantidade qi, logo o nmero esperado de passos para
retornar ao estado i, ou o tempo de retorno mdio, o inverso de qi. Este argumento informal pode
ser tornado rigoroso usando-se mtodos da teoria de probabilidade; veja o Apndice 2 para uma demonstrao completa.
TEOREMA 3
Considere uma cadeia de Markov irredutvel com um espao finito de estados, seja nij o nmero
de passos at que a cadeia visite pela primeira vez o estado i dado que ela comeou no estado j, e
seja tii = E[nii]. Ento
(2)
PROBLEMA PRTICO
1. Considere a cadeia de Markov em {1, 2, 3, 4} com matriz de transio
10.3 EXERCCIOS
Nos Exerccios 1 a 6, considere uma cadeia de Markov com espao de
estados {1, 2, , n} e a matriz de transio dada. Encontre as classes de
comunicao para cada cadeia de Markov e diga se a cadeia redutvel
ou irredutvel.
4
3
2
3
5
3
5
2
3
3
5
2
4
74 Captulo 10
4
3
Repita o Exerccio 25 para esse conjunto de pginas.
27. Considere o par de urnas de Ehrenfest estudado no Exerccio 9 na
Seo 10.2. Suponha que haja agora 2 molculas na urna A. Quantos
passos, em mdia, sero necessrios at a quantidade de molculas
na urna A ser novamente igual a 2?
28. Considere o par de urnas de Ehrenfest estudado no Exerccio 10
na Seo 10.2. Suponha agora que a urna A est vazia. Quantos
passos, em mdia, sero necessrios at a urna A estar novamente
vazia?
DEFINIO
Seja C uma classe de comunicao de estados para uma cadeia de Markov e seja j um estado
em C. Se existir um estado i no pertencente a C e um inteiro k > 0 tal que o elemento (i, j) em
Pk seja positivo, ento a classe C ser chamada uma classe transiente e cada estado em C ser
um estado transiente. Se uma classe de comunicao no for transiente, ela ser chamada uma
classe recorrente e cada estado na classe ser um estado recorrente.
Suponha que C seja uma classe transiente. Note que, se o sistema se mover da classe C para outra classe D, ento ele nunca poder retornar a C. Isso verdade porque D no pode conter um estado i do qual
possvel se mover para algum estado em C. Se existisse tal estado i em D, ento a transitividade da relao
de comunicao implicaria todo estado em C se comunicar com todo estado em D. Isso impossvel.
SOLUO As classes de comunicao encontradas foram {1, 2}, {3} e {4, 5}. Considere, primeiro,
a classe {3}. A probabilidade de transio do estado 3 para o estado 2 positiva, de modo que a definio com k = 1 mostra que a classe {3} transiente. Considere, agora, a classe {1, 2}. A probabilidade de uma transio em um passo do estado 1 ou do estado 2 para um dos estados 3, 4 ou 5 zero
e isso tambm verdade para qualquer nmero de passos. Se o sistema comear no estado 1 ou no
estado 2, ele sempre vai permanecer em um dos estados 1 ou 2. Ento a classe {1, 2} recorrente.
Um argumento semelhante mostra que a classe {4, 5} tambm recorrente.
0,6
3
2
0,3 0,1
4
0,4
0,2
0,8
0,6
SOLUO Essa cadeia de Markov irredutvel: a nica classe de comunicao para a cadeia {1,
2, 3, 4, 5}. Por definio, essa classe no pode ser transiente. Logo, a classe de comunicao recorrente.
O resultado do Exemplo precedente pode ser generalizado para qualquer cadeia de Markov irredutvel.
Observao: Todos os estados em uma cadeia de Markov irredutvel so recorrentes.
Suponha que uma cadeia de Markov redutvel tenha duas classes de comunicao transientes C1
e C2 e nenhuma classe recorrente. Como C1 transiente, tem de existir um estado em C2 que pode
ser acessado a partir de um estado em C1. Como C2 transiente, tem de existir um estado em C1 que
pode ser acessado a partir de um estado em C2. Assim, todos os estados em C1 e em C2 se comunicam,
o que impossvel. Portanto, a cadeia de Markov tem de ter pelo menos um estado recorrente. Esse
argumento pode ser generalizado para qualquer cadeia de Markov redutvel com qualquer nmero de
classes transientes, o que, junto com a observao anterior, prova o seguinte.
Observao: Toda cadeia de Markov tem de ter pelo menos uma classe recorrente.
76 Captulo 10
e as duas classes de comunicao so {1, 2, 3} e {4, 5}. A matriz P pode ser escrita como uma matriz
em blocos
em que
para todo k > 0. Assim, se o estado j pertencer a uma classe e o estado i pertencer a outra, os elementos (i, j) e (j, i) de Pk so nulos para todo k > 0. Portanto, ambas as classes dessa cadeia de Markov
so recorrentes.
EXEMPLO 4 Altere ligeiramente o exemplo anterior para obter uma cadeia de Markov com matriz
de transio
SOLUO As classes de comunicao ainda so {1, 2, 3} e {4, 5}. Agora, o elemento (3, 5) dife-
rente de zero, logo {4, 5} uma classe transiente. Pela observao anterior, a cadeia tem de ter pelo
menos uma classe recorrente, logo {1, 2, 3} tem de ser a classe recorrente. Este resultado tambm
pode ser demonstrado usando-se matrizes em blocos. Seja
exemplo anterior,
em que P1 como no
A submatriz sozinha P1 uma matriz de transio: ela descreve as transies dentro da classe recorrente {1, 2, 3}. A matriz S contm as probabilidades de transio da classe transiente {4, 5} na classe
recorrente {1, 2, 3}. A matriz Q registra as probabilidades das transies dentro da classe transiente
{4, 5}. Multiplicao em blocos (veja a Seo 2.4) fornece
para alguma matriz no nula Sk. Como o bloco embaixo esquerda O para todas as matrizes Pk,
impossvel sair da classe {1, 2, 3} depois de entrar nela, e {1, 2, 3} uma classe recorrente.
Nos Exemplos 3 e 4, os estados foram ordenados de modo que os elementos em cada classe estavam juntos. No Exemplo 4, a classe recorrente foi listada em primeiro lugar, seguida da classe
transiente. Essa ordem foi conveniente, pois permitiu o uso de matrizes em blocos para determinar
a classe recorrente e a transiente. Tambm possvel usar multiplicao em blocos para calcular as
potncias da matriz de transio P se os estados forem ordenados como nos Exemplos 3 e 4: os estados em cada classe de comunicao so consecutivos e, se existir alguma classe transiente, as classes
recorrentes so listadas na frente, seguidas das classes transientes. Uma matriz com os estados ordenados dessa forma dita em forma cannica. Para ver como essa ordenao funciona, considere o
exemplo a seguir
e suas classes de comunicao so {1, 2}, {3} e {4, 5}. Para colocar a matriz em forma cannica,
coloque as classes na ordem {1, 2}, {4, 5}, {3}, ou seja, reordene os estados como 1, 2, 4, 5, 3. Para
efetuar essa mudana, primeiro arrume as colunas, o que produz a matriz
Em geral, suponha que P seja a matriz de transio de uma cadeia de Markov redutvel com r
classes e uma ou mais classes transientes. Uma forma cannica de P
78 Captulo 10
Aqui, Pi a matriz de transio para a i-sima classe recorrente, O uma matriz nula de tamanho
apropriado, Q registra as transies dentro das classes transientes e S contm as probabilidades de
transio das classes transientes para as classes recorrentes. Como P uma matriz em blocos, relativamente fcil obter suas potncias usando multiplicao em blocos:
para alguma matriz Sk. As matrizes Q, S e Sk ajudam a responder perguntas sobre o comportamento
no longo prazo da cadeia de Markov que sero discutidos na Seo 10.5.
Periodicidade
Uma ltima maneira de classificar estados examinar os tempos em que possvel para o sistema
voltar ao estado no qual comeou. Considere o exemplo simples a seguir.
1
1
1
3
FIGURA 3 Diagrama de tran-
O diagrama de transio, ilustrado na Figura 3, bem direto O sistema tem de retornar a seu ponto
de partida em trs passos e toda vez que o nmero de passos for um mltiplo de trs.
EXEMPLO 8 O passeio aleatrio imparcial em {1, 2, 3, 4, 5} com fronteiras refletoras tem o diagrama
de transio ilustrado na Figura 5. Pode-se ver do diagrama que sempre levar um nmero finito de
passos para o sistema retornar ao estado de seu ponto de partida.
Nos Exemplos 6 e 8, os instantes de tempo nos quais o sistema pode voltar a seu estado inicial so
mltiplos de um nmero d: d = 3 para o Exemplo 6 e d = 2 para o Exemplo 8. Esse nmero d chamado perodo do estado e definido a seguir.
DEFINIO
O perodo d de um estado i de uma cadeia de Markov o maior divisor comum de todos os instantes n, tais que a probabilidade de que a cadeia de Markov que comeou no estado i volte para
ele no instante n estritamente positiva.
Usando uma anlise cuidadosa do conjunto de estados visitado pela cadeia de Markov, pode-se
mostrar que o perodo de todos os estados em uma mesma classe de comunicao o mesmo, de
modo que o perodo uma propriedade das classes de comunicao. Veja o Apndice 2 para uma demonstrao deste fato, o que nos leva definio a seguir.
DEFINIO
TEOREMA 4
Seja P a matriz de transio para uma cadeia de Markov irredutvel e aperidica. Ento, P uma
matriz regular.
DEMONSTRAO Seja P uma matriz de transio n n para uma cadeia de Markov irredutvel e
aperidica. Para mostrar que P regular, precisamos encontrar um inteiro positivo k para o qual todos
os elementos em Pk so estritamente positivos. Sejam 1 i, j n. Como a cadeia de Markov irredutvel, existe um inteiro positivo a, que depende de i e de j, tal que o elemento (i, j) de Pa estritamente
positivo. Como a cadeia de Markov aperidica, existe um inteiro positivo b, que depende de j, tal
que o elemento (j, j) em Pm estritamente positivo para todo m b. Como Pa+m = PaPm, o elemento
(i, j) em Pa+m tem de ser maior ou igual que o produto do elemento (i, j) de Pa com o elemento (j, j)
de Pm. Ento o elemento (i, j) de Pa+m tem de ser estritamente positivo para todo m b. Agora, seja k
o mximo, sobre todos os pares (i, j), da quantidade a + b. Este mximo existe, j que o espao de
estados finito, e o elemento (i, j) de Pk estritamente positivo para todos os pares (i, j). Portanto,
todos os elementos de Pk so estritamente positivos e P uma matriz regular.
Ento, se P for a matriz de transio para uma cadeia de Markov irredutvel e aperidica, P ter de
ser regular e o Teorema 1 se aplicar a P. Logo, existe um vetor estado estacionrio q para o qual
para qualquer escolha do vetor de probabilidade inicial x0. O que se pode dizer sobre o vetor estado
estacionrio q de uma cadeia de Markov irredutvel de perodo d > 1? O resultado a seguir demonstrado em livros mais avanados de teoria das probabilidades.
TEOREMA 5
Seja P a matriz de transio para uma cadeia de Markov irredutvel com perodo d > 1 e seja q o
vetor estado estacionrio para a cadeia. Ento, para qualquer vetor de probabilidade inicial x0,
O Teorema 5 diz que, no caso de uma cadeia de Markov irredutvel com perodo d > 1, o vetor q
limite da mdia dos vetores de probabilidade Pn+1x0, Pn+2x0, , Pn+dx0. Quando uma cadeia de Mar-
80 Captulo 10
kov irredutvel tem perodo d > 1, o vetor q ainda pode ser interpretado como um vetor dos tempos
de ocupao.
Mas esse vetor o vetor estado estacionrio para essa cadeia de Markov calculado no Exerccio 32,
na Seo 10.2. Assim, confirma-se o Teorema 5 neste caso.
O vetor estado estacionrio para uma cadeia de Markov redutvel ser discutido detalhadamente
na prxima seo.
PROBLEMA PRTICO
1. Considere a cadeia de Markov em {1, 2, 3, 4} com matriz de transio
Identifique as classes de comunicao da cadeia como recorrente ou transiente e rearranje os estados para produzir uma matriz em forma cannica.
10.4 EXERCCIOS
Nos Exerccios 1 a 6, considere uma cadeia de Markov com espao de
estados em {1, 2, , n} e a matriz de transio dada. Identifique as classes
de comunicao de cada cadeia de Markov como recorrente ou transiente
e encontre o perodo de cada classe de comunicao.
2
3
Nos Exerccios 7 a 10, considere um passeio aleatrio simples no grafo
direcionado dado. Identifique as classes de comunicao de cada cadeia
de Markov como recorrente ou transiente e encontre o perodo de cada
classe de comunicao.
1
4
3
3
2
11. Rearranje os estados na cadeia de Markov no Exerccio 1 para produzir uma matriz de transio em forma cannica.
12. Rearranje os estados na cadeia de Markov no Exerccio 2 para produzir uma matriz de transio em forma cannica.
13. Rearranje os estados na cadeia de Markov no Exerccio 3 para produzir uma matriz de transio em forma cannica.
14. Rearranje os estados na cadeia de Markov no Exerccio 4 para produzir uma matriz de transio em forma cannica.
15. Rearranje os estados na cadeia de Markov no Exerccio 5 para produzir uma matriz de transio em forma cannica.
16. Rearranje os estados na cadeia de Markov no Exerccio 6 para produzir uma matriz de transio em forma cannica.
17. Encontre a matriz de transio para a cadeia de Markov no Exerccio 9 e rearranje os estados para produzir uma matriz de transio
em forma cannica.
18. Encontre a matriz de transio para a cadeia de Markov no Exerccio 10 e rearranje os estados para produzir uma matriz de transio
em forma cannica.
a.
b.
c.
d.
82 Captulo 10
em que 0 < p < 1.
27. Confirme o Teorema 5 para a cadeia de Markov no Exemplo 6.
28. A multiplicao matricial pode ser usada para se encontrar a forma cannica de uma matriz de transio. Considere a matriz P no
Exemplo 5 e a matriz
Como pelo menos um estado transiente, S tem pelo menos um elemento no nulo. Para que P seja
uma matriz estocstica, a soma de pelo menos uma das colunas de Q tem de ser menor que 1. A matriz Q chamada uma matriz subestocstica. Pode-se mostrar que
para qualquer matriz subestocstica Q. Este fato implica: se o sistema comeou em um estado transiente, ento ele tem de visitar em alguma hora uma classe recorrente e nunca mais visitar outro estado que no pertena a essa classe recorrente. Ento, o sistema finalmente absorvido por alguma
classe recorrente.
Sejam j e i estados transientes e suponha que a cadeia de Markov comece no estado j. Seja vij o
nmero de visitas que o sistema faz ao estado i antes de ser absorvido em alguma classe recorrente.
O objetivo calcular E[vij], que o valor esperado de vij. Para isso, conveniente usar um tipo de
varivel aleatria chamado varivel aleatria indicadora. Uma varivel aleatria indicadora I
uma varivel aleatria que igual a 1 se um evento ocorrer e 0 se o evento no ocorreu. Simbolicamente,
O valor esperado de uma varivel aleatria indicadora pode ser calculado com facilidade:
(1)
Voltando discusso do nmero de visitas ao estado i comeando no estado j, seja Ik a varivel aleatria indicadora para o evento o sistema visita o estado i no instante k. Ento
j que uma visita ao estado i em um instante particular far com que seja somado 1 ao total de visitas
armazenadas em vij. Usando a equao (1), o valor esperado de vij
Assim, o nmero esperado de vezes que o sistema visita o estado i comeando no estado j o elemento (i, j) da matriz
TEOREMA 6
Sejam j e i estados transientes de uma cadeia de Markov e seja Q o bloco da matriz de transio
que governa o movimento entre estados transientes.
a. Quando a cadeia inicia no estado transiente j, o elemento (i, j) de M = (I Q)1 o nmero esperado de visitas ao estado transiente i antes da absoro em uma classe recorrente.
b. Quando a cadeia inicia no estado transiente j, a soma dos elementos na coluna j de M = (I Q)1
o nmero esperado de instantes at a absoro.
Outra demonstrao do Teorema 6 dada no Apndice 2.
84 Captulo 10
Tempo em Trnsito
Considere o problema de calcular o nmero esperado tji de passos necessrios para viajar do estado j
para o estado i em uma cadeia de Markov irredutvel. Se os estados i e j forem iguais, o valor tjj ser o
tempo de retorno esperado para o estado j encontrado na Seo 10.4. O valor tji ser chamado tempo
em trnsito (ou tempo mdio da primeira passagem) do estado j para o estado i. surpreendente
que a compreenso de estados transientes fornecida pelo Teorema 6 exatamente o que necessrio
para calcular tji.
Encontrar o tempo em trnsito de uma cadeia de Markov do estado j para o estado i comea pelo
rearranjo da matriz de transio da cadeia P. Ordene os estados de modo que o estado i seja o primeiro. A nova matriz da forma
para
na qual
O nmero esperado de passos tji que leva ao estado i a partir do estado j pode ser calculado usando o
Teorema 6(b): ser a soma da coluna de M correspondente ao estado j.
Encontre o nmero esperado de passos tj4 necessrios para chegar ao estado 4 comeando em qualquer
estado j 4.
SOLUO A matriz de transio para essa cadeia de Markov
Primeiro, ordene os estados de modo ao estado 4 ser o primeiro, depois transforme 4 em um estado
absorvente.
Probabilidades de Absoro
Suponha que uma cadeia de Markov tenha mais de uma classe recorrente e pelo menos um estado
transiente j. Se a cadeia comear no estado j, ento ela ir finalmente ser absorvida em uma das classes
recorrentes; a probabilidade de que a cadeia seja absorvida em uma classe recorrente em particular
chamada probabilidade de absoro daquela classe recorrente. A matriz fundamental usada para
calcular as probabilidades de absoro.
Par calcular as probabilidades de absoro, comece modificando a matriz de transio da cadeia
de Markov. Escreva, primeiro, todas as classes recorrentes como um nico estado i com pii = 1; ou
seja, cada classe recorrente comprimida em um nico estado absorvente. (Os Exerccios 37 e 38
86 Captulo 10
exploram a informao fornecida pelas probabilidades de absoro para classes recorrentes com mais
de um estado.) Uma forma cannica para essa matriz de transio modificada
Como j um estado transiente e i um estado absorvente, basta considerar os elementos de Sk. A probabilidade de que a cadeia inicialmente em j seja por fim absorvida por i investigando-se a matriz
na qual M a matriz fundamental para a cadeia de Markov com classes recorrentes comprimidas. O
elemento (i, j) de A a probabilidade de que a cadeia inicialmente em j seja por fim absorvida por i.
O teorema a seguir resume essas ideias; uma demonstrao alternativa dada no Apndice 2.
TEOREMA 7
Suponha que as classes recorrentes de uma cadeia de Markov sejam todas estados absorventes.
Sejam j um estado transiente e i, um estado absorvente dessa cadeia. Ento, a probabilidade de que
a cadeia de Markov inicialmente no estado j seja por fim absorvida pelo estado i o elemento (i, j)
da matriz A = SM, em que M a matriz fundamental da cadeia de Markov e S o bloco da matriz
de transio que governa o movimento dos estados transientes para os estados absorventes.
transio:
As colunas de A correspondem aos estados transientes 2, 3 e 4 nessa ordem, enquanto as linhas correspondem aos estados absorventes 1 e 5. A probabilidade de que a cadeia inicialmente no estado 4
seja absorvida pelo estado 1 .
Probabilidades de absoro podem ser usadas para calcular a probabilidade de que um sistema
modelado por uma cadeia de Markov irredutvel visite um estado antes de outro.
7
FIGURA 1 O grafo para o
Exemplo 4.
lidades de absoro iniciando no estado 1 ser possvel responder essa pergunta. Comece colocando
os estados na ordem 4, 7, 1, 2, 3, 5, 6 e reescreva os estados 4 e 7 como absorventes:
88 Captulo 10
com
PROBLEMAS PRTICOS
1. Considere uma cadeia de Markov em {1, 2, 3, 4} com matriz de transio
a.
b.
Se a cadeia de Markov iniciar no estado 2, encontre o nmero esperado de passos para chegar
ao estado 4.
Se a cadeia de Markov iniciar no estado 2, encontre a probabilidade de que o estado 1 seja
alcanado antes do estado 4.
10.5 EXERCCIOS
Nos Exerccios 1 a 3, encontre a matriz fundamental da cadeia de Markov
que tem a matriz de transio dada. Suponha que o espao de estados em
cada caso seja {1, 2, , n}. Se for necessrio modificar a ordem dos estados, liste a nova ordem.
a. Suponha que o passeio inicie no estado 5. Qual o nmero es perado de visitas ao estado 2 antes do estado 1?
b. Suponha novamente que o passeio inicie no estado 5. Qual o
nmero esperado de passos at atingir o estado 1?
c. Agora, suponha que o passeio inicie no estado 1. Qual a pro babilidade de o estado 5 ser visitado antes do estado 2?
14. Considere um passeio aleatrio simples no grafo a seguir.
1
a. Suponha que o passeio inicie no estado 3. Qual o nmero es perado de visitas ao estado 2 antes do estado 1?
b. Suponha novamente que o passeio inicie no estado 3. Qual o
nmero esperado de passos at atingir o estado 1?
c. Agora, suponha que o passeio inicie no estado 1. Qual a pro babilidade de o estado 3 ser visitado antes do estado 2?
15. Considere um passeio aleatrio simples no grafo direcionado a seguir. Suponha que o passeio comece no estado 1.
4
3
90 Captulo 10
2
3
Se o camundongo comear no compartimento 1, qual a probabilidade de que ele visitar o compartimento 3 antes do 4?
18. Considere o camundongo no labirinto a seguir do Exerccio 18 na
Seo 10.1.
1
2
4
3
5
Se o camundongo comear no compartimento 1, qual a probabilidade de que ele visitar o compartimento 3 antes do 4?
19. Considere o camundongo no labirinto a seguir do Exerccio 19 na
Seo 10.1.
2
3
4
3
Encontre
a.
b.
c.
d.
Encontre
a.
b.
c.
d.
ento
em que
A probabilidade de a cadeia ser absorvida pelo estado 1, dado que o estado inicial da cadeia de
Markov o estado 2, o elemento em A na linha correspondente ao estado 1 e na coluna correspondente ao estado 2; esse elemento 15/19.
92 Captulo 10
b. Transforme 1 e 4 em estados absorventes e coloque os estados na ordem {1, 4, 2, 3} para pro duzir a forma cannica
Portanto, a probabilidade de que, comeando no estado 2, o estado 1 seja visitado antes do estado 4 o elemento em A na linha correspondente ao estado 1 e na coluna correspondente ao
estado 2; esse elemento 15/19.
Eliminados
0 0:0
0 1:0
0 2:0
0 3:0
0 12:0
0 13:0
0 23:0
0
123:0
1 0:1
1 1:1
1 2:1
1 3:1
1 12:1
1 13:1
1 23:1
1
123:1
2 0:2
2 1:2
2 2:2
2 3:2
2 12:2
2 13:2
2 23:2
2
123:2
0
1
2
3
Eliminados
Estado
3
3
3
3
0:3
1:3
2:3
3:3
para prever o nmero de pontos (ou corridas) que um time ganhar e para comparar as habilidades
ofensivas de jogadores diferentes. Alguns exerccios sugerem como usar cadeias de Markov para investigar questes de estratgia no beisebol, como decidir se deve tentar um sacrifcio ou um roubo.
A cadeia de Markov, nesta seo, fornece um modo de analisar como as corridas ganham pontos
durante uma meia-entrada (half-inning) em um jogo de beisebol. Os estados da cadeia so as diversas
configuraes de corredores nas bases e o nmero de eliminados. Veja a Tabela 1.
O primeiro estado na coluna na extrema esquerda da Tabela 1 (nenhuma base ocupada, 0 eliminado) o estado inicial da cadeia, quando comea a meia-entrada do beisebol (ou seja, quando um dos times torna-se o atacante, no taco). Os quatro estados na coluna na extrema direita
descrevem as diversas maneiras da meia-entrada terminar (quando ocorre a terceira eliminao
e os times mudam de lugar). Fisicamente, a meia-entrada se completa quando ocorre a terceira
eliminao. Em termos matemticos, a cadeia de Markov continua em um dos quatro estados finais. (O modelo s se aplica a um jogo no qual cada meia-entrada completada.) Ento, cada
um desses quatro estados um estado absorvente da cadeia. Os outros 24 estados so transientes,
pois, sempre que feita uma eliminao, os estados com menos eliminados nunca podem ocorrer
novamente.
A cadeia de Markov se move de estado para estado devido s aes dos rebatedores. As probabilidades de transio da cadeia so as probabilidades dos resultados possveis provenientes das aes
dos rebatedores. Para uma cadeia de Markov, as probabilidades de transio tm de ser as mesmas
para qualquer rebatedor, de modo que o modelo no permite variaes entre os rebatedores. Essa
hiptese significa que cada rebatedor de um time faz rebatidas vlidas (hits) como um rebatedor
mdio para o time.5
O modelo tambm supe que s o rebatedor determine o movimento dos corredores em torno das
bases. Isso significa que no so levadas em considerao bases roubadas nem bolas perdidas pelo
receptor (wild pitches e passed balls). Alm disso, no so permitidos erros pelos jogadores em campo, de modo que o modelo s calcula pontos ganhos (earned runs) pelo trabalho do time pontos
ganhos sem o benefcio de erros em campo dos jogadores do outro time. Finalmente, o modelo s
considera sete possibilidades de resultados: um simples (salvo na primeira base e parando nela), um
duplo (salvo na segunda base), um triplo (salvo na terceira base), corrida at a base principal (home
run), de graa (walk vai para a primeira base sem rebater a bola), atingido (uma bola arremessada atinge o rebatedor e ele avana para a primeira base) e eliminado (out). Assim, o modelo no
Essa hiptese pouco realista pode ser superada usando-se um modelo mais complexo que utiliza matrizes de transio
diferentes para cada rebatedor. Apesar disso, o modelo apresentado aqui pode levar a informaes teis sobre o time.
Mais adiante nesta seo, o modelo ser usado para avaliar jogadores individuais.
5
94 Captulo 10
permite jogadas duplas ou triplas, sacrifcios ou bolas voadoras. Entretanto, podem ser construdas
cadeias de Markov que incluam alguns desses eventos excludos.6
(1)
(2)
em que
A matriz X descreve a transio dos estados transientes com 2 eliminaes para os estados absorventes com 3 eliminaes. (Por exemplo, as colunas 2, 3 e 4 de X listam as probabilidades de que o
rebatedor seja o terceiro jogador a ser eliminado quando um corredor est em uma das trs bases.) A
matriz subestocstica Q em blocos, com blocos 8 8, da forma
(3)
Outros modelos usam dados jogo a jogo. Os nmeros de transies entre estados so contados e feita uma mudana
de escala para se produzir uma matriz de transio. Para esses modelos no importa como os corredores avanam, s
importa que eles avancem.
7
Um rebatedor pode ser eliminado de trs maneiras: depois de trs tentativas frustradas de rebatida, rebatendo uma bola
voadora que pega no ar ou rebatendo uma bola muito baixa que lanada para a primeira base antes do rebatedor chegar l. Quando ocorre o segundo ou o terceiro caso, um corredor em uma base pode avanar uma base algumas vezes,
mas tambm pode ser eliminado e removido das bases. A Tabela 2 exclui essas possibilidades.
6
Evento
Resultado
De Graa ou Atingido
O rebatedor avana para a primeira base. Um corredor na primeira
base avana para a segunda. Um corredor na segunda base s avana
para a terceira se a primeira base tambm j estivesse ocupada. Um
corredor na terceira base s faz o ponto se a primeira e segunda bases
j estivessem ocupadas.
Simples
O rebatedor avana para a primeira base. Um corredor na primeira
base avana para a segunda. Um corredor na terceira base faz o
ponto. Um corredor na segunda base avana para a terceira base
metade do tempo e faz o ponto metade do tempo.
Duplo
O rebatedor avana para a segunda base. Um corredor na primeira base
avana para a terceira. Um corredor na segunda base faz ponto. Um
corredor na terceira base faz ponto.
Triplo
O rebatedor avana para a terceira base. Um corredor na primeira base
faz ponto. Um corredor na segunda base faz ponto. Um corredor na
terceira base faz ponto.
Base Principal
O rebatedor faz ponto. Um corredor na primeira base faz ponto. Um
corredor na segunda base faz ponto. Um corredor na terceira base faz
ponto.
Eliminado
Nenhum corredor avana. O nmero de eliminados aumentado de
um.
rtulos nas linhas e colunas de A representam os estados na Tabela 2. Aqui k o nmero fixo de eliminaes: 0, 1 ou 2.
EXEMPLO 1
a. Justifique as probabilidades de transio para o estado inicial nenhuma base ocupada.
b. Justifique as probabilidades de transio para o estado inicial segunda base ocupada.
SOLUO
a. Para a primeira coluna de A, o rebatedor avana para uma das bases ou faz um ponto. De modo que
a probabilidade de as bases permanecerem desocupadas pH. O rebatedor avana para a primeira
base de graa (ou atingido) ou faz um simples. Como o resultado desejado pode ser obtido de duas
maneiras diferentes, a probabilidade de sucesso a soma das duas probabilidades ou seja, pW +
p1. As probabilidades de o rebatedor avanar para a segunda ou a terceira base so, respectivamente,
p2 e p3. Todos os outros resultados so impossveis, j que s pode haver um corredor, no mximo,
em alguma base depois da rebatida quando no havia corredores nas bases no estado inicial.
b. Isso tem a ver com a terceira coluna de A. O estado inicial 2:k (um corredor na segunda base, k
eliminados). Para o elemento (1, 3) de A, necessria a probabilidade de transio para o estado
0:k. Suponha que s a segunda base esteja ocupada e o rebatedor no foi eliminado. A nica maneira de esvaziar as bases seria o rebatedor fazer um ponto, de modo que o elemento (1, 3) pH.
Elemento (2, 3): (para o estado 1:k) Para deixar s um jogador na primeira base, o rebatedor
tem de avanar para a primeira base e o jogador na segunda base tem de chegar base principal
96 Captulo 10
para fazer o ponto.8 Da Tabela 2, a probabilidade de o jogador na segunda base chegar base
principal 0,5. Agora, suponha que esses dois eventos sejam independentes, j que s as aes do
rebatedor (e a Tabela 2) influenciam o resultado. Nesse caso, a probabilidade de os dois eventos
ocorrerem simultaneamente o produto das duas probabilidades, de modo que o elemento (2, 3)
0,5p1.
Elemento (3, 3): (para o estado 2:k) Para deixar s um jogador na segunda base, o rebatedor
tem de chegar segunda base (um duplo) e o corredor na segunda base tem de marcar um ponto.
A segunda condio, no entanto, automaticamente satisfeita devido hiptese na Tabela 2. De
modo que a probabilidade de sucesso nesse caso p2. Esse o elemento (3, 3).
Elemento (4, 3): (para o estado 3:k) Por um argumento semelhante ao usado para o elemento
(3, 3), o elemento (4, 3) p3.
Elemento (5, 3): (para o estado 12:k) Para deixar jogadores na primeira e segunda bases, o
rebatedor precisa chegar primeira base e o jogador na segunda base precisa permanecer l. Entretanto, da Tabela 2, se o rebatedor fizer um simples, o corredor na segunda base chegar, pelo
menos, terceira base. De modo que a nica maneira de ocorrer o resultado desejado o rebatedor
fazer de graa ou ser atingido. Ento o elemento (5, 3) pW.
Elemento (6, 3): (para o estado 13:k) Isso tem a ver com o rebatedor chegar primeira base
e o corredor na segunda base chegar terceira base. Isso s pode acontecer se o batedor fizer um
simples com probabilidade p1 e o corredor na segunda base para na terceira base, o que acontece
com probabilidade 0,5 (pela Tabela 2). Como ambos os eventos so necessrios, o elemento (6, 3)
o produto 0,5p1.
Elemento (7, 3): (para o estado 23:k) Para deixar jogadores na segunda e na terceira base,
o rebatedor tem de fazer um duplo e o corredor na segunda base tem de avanar s at a terceira
base. A Tabela 2 no permite que isso ocorra quando o rebatedor faz um duplo, o corredor na
segunda base faz um ponto. Logo, o elemento (7, 3) nulo.
Elemento (8, 3): O estado inicial tem apenas um corredor em alguma base. O prximo estado
no pode ter trs corredores nas bases, de modo que o elemento (8, 3) zero.
558
Atingidos
Simples
Duplos
Triplos
Base Principal
Eliminados
54
959
280
25
164
4067
SOLUO A soma dos nmeros na Tabela 3 6107. Esse o nmero total de vezes que os jogadores
do time Bravos de Atlanta pegaram o taco para rebater na temporada de beisebol de 2002. Das duas
primeiras colunas, eles ganharam 612 de graa ou atingidos. Logo pW = 612/6107 = 0,1002. Entre as
6107 vezes que um jogador pegou um taco, foram 959 simples, de modo que p1 = 959/6107 = 0,1570.
Clculos semelhantes fornecem p2 = 0,458, p3 = 0,0041, pH = 0,0269 e p0 = 0,660. Esses valores so
colocados nas matrizes mostradas anteriormente para produzir a matriz de transio para a cadeia de
Markov.
Aplicao do Modelo
Agora que os dados da matriz estocstica esto disponveis, os Teoremas 6 e 7 da Seo 10.5
podem fornecer informaes sobre quantos pontos pode-se esperar que os Bravos de Atlanta
ganhem durante uma partida tpica. O objetivo calcular o nmero de pontos que os Bravos de
Atlanta iro ganhar, em mdia, em cada meia-entrada. Primeiro, note que, como trs rebatedores tm de ser eliminados para terminar uma meia-entrada, o nmero de pontos ganhos naquela
meia-entrada dado por
(4)
A nica outra maneira de fazer o jogador na segunda base desaparecer seria eliminar este jogador, mas o modelo no
permite a eliminao de corredores nas bases.
8
Se R for o nmero de pontos ganhos na meia-entrada, B for o nmero de rebatedores e L for o nmero
de corredores deixados nas bases, a equao (4) ficar
R = B L 3
(5)
A quantidade de interesse E[R], o nmero esperado de pontos ganhos. Propriedades do valor esperado indicam que
(6)
Cada rebatedor move de um passo a cadeia de Markov. Logo, o nmero de rebatedores esperado em
uma meia-entrada E[B] o nmero esperado de passos at a absoro (na terceira eliminao) quando
a cadeia recomea no estado inicial 0 base ocupada, 0 eliminado. Esse estado inicial corresponde
quinta coluna da matriz de transio
EXEMPLO 3 Quando os dados sobre os Bravos de Atlanta do Exemplo 2 so usados para construir
a matriz de transio (no est mostrada aqui), a soma dos elementos na primeira coluna da matriz
fundamental M 4,5048 e a primeira coluna da matriz SM
Calcule o nmero esperado de pontos dos Bravos de Atlanta por entrada baseado no desempenho da
temporada de 2002. Quantos pontos so previstos pelo modelo para a temporada inteira se os Bravos
jogarem 1443 entradas, como em 2002?
SOLUO A primeira coluna de SM mostra que, por exemplo, a probabilidade de os Bravos no dei-
O nmero esperado de rebatedores E[B] = 4,5048, a soma dos elementos na primeira coluna de M.
Da equao (6), o nmero esperado de pontos E[R]
O modelo de cadeia de Markov prev que os Bravos devem ter uma mdia de 0,4594 ponto por entrada. Em 1443 entradas, o nmero total esperado de pontos
O nmero real de pontos para os Bravos em 2002 foi 636, de modo que o erro do modelo de 27,22
pontos, ou aproximadamente 4,3%.
98 Captulo 10
Modelos matemticos so usados por alguns times da primeira diviso para comparar os perfis
ofensivos de jogadores individuais. Para analisar um jogador usando o modelo de cadeia de Markov,
use a estatstica de rebatimentos do jogador, em vez de usar a do time. Calcule o nmero esperado de
pontos que o time de tais jogadores ganharia em uma entrada. Em geral, esse nmero multiplicado
por 9 para obter a chamada mdia ofensiva de pontos ganhos.
EXEMPLO 4 A Tabela 4 mostra a estatstica de rebatimentos da carreira de Jose Oquendo, que jogou
para os Mets de Nova York e para os Cardeais de St. Louis nas dcadas de 1980 e 1990. Calcule sua
mdia ofensiva de pontos ganhos.
TABELA 4 Estatstica de Rebatimentos de Jose Oquendo
De Graa
448
Atingidos
Simples
Duplos
Triplos
Base Principal
Eliminados
679
104
24
14
2381
SOLUO Construa a matriz de transio a partir desses dados, como descrito no Exemplo 2, e de-
pois calcule M e SM. A soma dos elementos na primeira coluna de M 4,6052, de modo que um time
inteiramente composto de Joses Oquendos teria uma mdia de rebatimentos de 4,6052 por entrada.
Ou seja, E[B] = 4,6052. A primeira coluna de SM
PROBLEMAS PRTICOS
1. Seja A a matriz que antecede o Exemplo 1. Explique por que o elemento (3, 6) zero.
2. Explique por que o elemento (6, 3) de A 0,5p1.
10.6 EXERCCIOS
Nos Exerccios 1 a 6, justifique as probabilidades de transio para os
estados iniciais dados. Veja o Exemplo 1.
1. Primeira base ocupada.
2. Terceira base ocupada.
3. Primeira base e segunda base ocupadas.
4. Primeira base e terceira base ocupadas.
5. Segunda base e terceira base ocupadas.
6. Primeira base, segunda base e terceira base ocupadas.
7. A Tabela 5 mostra as estatsticas de rebatimento para os times da
Primeira Diviso na temporada de 2006. Calcule as probabilidades
de transio para esses dados, como no Exemplo 2, e encontre a
matriz A para esses dados.
8. Encontre a matriz de transio completa para o modelo usando os
dados da Primeira Diviso na Tabela 5.
9. Pode-se mostrar que a soma dos elementos na primeira coluna da
matriz M para os dados da Primeira Diviso durante a temporada
Atingidos
Simples
Duplos
Triplos
Base Principal
Eliminados
1817
29.600
9135
952
5386
122.268
15.847
Barry Bonds
Babe Ruth
Ted Williams
2558
2062
2021
106
43
39
1495
1517
1537
12. A Tabela 7 mostra as somas dos elementos nas primeiras colunas das
matrizes M e as primeiras colunas das matrizes SM para os dados
dos jogadores na Tabela 6. Encontre e compare as mdias ofensivas
de pontos ganhos desses jogadores. Qual rebatedor o modelo aponta
como o melhor dos trs?
Soma da Primeira
Coluna de M
Primeira Coluna
de SM
601 77
506
136
525 71
762
714
521
6912
5526
5052
Seu time, agora, tem um corredor na primeira base e ningum foi eliminado. Quantos pontos voc espera que seu time ganhe nessa entrada?
15. A soma dos elementos na coluna de M correspondente ao estado
corredor na segunda base, ningum eliminado 4,53933 e a coluna de SM correspondente a esse estado
Quantos pontos voc espera que seu time ganhe se a segunda base
tiver um corredor e ningum for eliminado?
16. A soma dos elementos na coluna de M correspondente ao estado
bases vazias, um eliminado 3,02622 e a coluna de SM correspondente a esse estado
13. Considere as segundas colunas das matrizes M e SM, que correspondem ao estado corredor na primeira base, ningum eliminado.
a. Qual a informao dada pela soma dos elementos na segunda
coluna da matriz M?
b. Que valor voc pode calcular usando a segunda coluna de
SM?
c. Qual seria o significado do clculo do nmero esperado de pon tos ganhos usando os dados da segunda coluna?
Os Exerccios 14 a 18 mostram como o modelo para a produo de pontos
no texto pode ser usado para determinar a estratgia de beisebol. Suponha que voc seja o treinador de um time de beisebol e tenha acesso s
matrizes M e SM para o seu time.
Quantos pontos voc espera que seu time ganhe se as bases estiverem vazias e um jogador for eliminado?
17. Suponha que um corredor do seu time esteja na primeira base e ningum foi eliminado. Voc tem de decidir se diz para seu corredor
na primeira base roubar a segunda base. Se ele conseguir, vai haver
um corredor na segunda base e ningum eliminado. Se ele for pego,
as bases ficaro vazias e um jogador ter sido eliminado. Suponha
ainda que o corredor tenha uma probabilidade p = 0,8 de conseguir.
Tentar o roubo nessas circunstncias vai aumentar ou diminuir o nmero esperado de pontos que seu time ir ganhar nessa entrada?
18. No exerccio anterior, suponha que a probabilidade de o corredor
conseguir roubar a segunda base seja p. Para que valores de p voc,
como treinador, vai dizer para o corredor tentar o roubo?
100 Captulo 10
APNDICE
Demonstrao do Teorema 1
Eis um enunciado do Teorema 1, que ser demonstrado neste apndice.
TEOREMA 1
Se P for uma matriz de transio regular m m com m 2, ento as afirmaes a seguir sero
todas verdadeiras.
a. Existe uma matriz estocstica tal que
b. Cada coluna de igual ao mesmo vetor de probabilidade q.
c. Para qualquer vetor de probabilidade inicial x0,
d. O vetor q o nico vetor de probabilidade que um autovetor de P associado ao autovalor 1.
e. Todos os autovalores de P diferentes de 1 satisfazem || < 1.
A demonstrao do Teorema 1 requer a criao de uma relao de ordem para vetores e comea
considerando matrizes cujos elementos so estritamente positivos ou no negativos.
DEFINIO
Se x e y estiverem em m, ento
DEFINIO
Uma matriz A m n positiva se todos os seus elementos forem positivos. Uma matriz A m n
no negativa se no tiver elementos negativos.
Note que todas as matrizes estocsticas so no negativas. A regra de multiplicao linha por coluna
(Seo 1.3) mostra que a multiplicao de vetores por uma matriz positiva preserva a ordem.
(1)
(2)
Alm disso, multiplicao por matrizes no negativas quase preserva a ordem no seguinte sentido:
(3)
O primeiro passo na demonstrao do Teorema 1 um lema que mostra como a transposta de uma
matriz estocstica age em um vetor.
LEMA 1
102 apndice 1
DEMONSTRAO Crie um novo vetor c a partir de a substituindo todas as coordenadas por Ma, exceto por uma ocorrncia de ma. Suponha que essa nica coordenada ma esteja na i-sima linha de c.
Ento c a. Se q1, q2, qm forem as colunas de PT, teremos
Como P uma matriz estocstica, a soma dos elementos em cada uma das linhas PT 1. Seja u o vetor
em m com todas as coordenadas iguais a 1. Ento
(4)
Logo, Mb Ma. Agora, se examinarmos o vetor a, veremos que a maior coordenada de a ma,
a menor Ma e resultados semelhantes valem para b = PT(a). A utilizao da equao (4) nesse
caso fornece
(5)
DEMONSTRAO DO TEOREMA 1 Suponha, primeiro, que a matriz de transio P seja uma matriz
estocstica positiva. Como anteriormente, seja > 0 o menor elemento em P. Considere o vetor ej,
em que 1 j m. Sejam Mn e mn, respectivamente, a maior e a menor coordenada do vetor (PT)nej.
Como (PT)nej = PT(PT)n1ej, o Lema 1 fornece
(6)
(P ) ej tendem ao mesmo valor, digamos qj, quando n aumenta. Note que, como os elementos de PT
esto entre 0 e 1, as coordenadas de (PT)nej tambm tm de estar entre 0 e 1 e, portanto, qj tambm
tem de estar entre 0 e 1. Mas (PT)nej a j-sima coluna de (PT)n, que a j-sima linha de Pn. Ento Pn
se aproxima de uma matriz cujas linhas so vetores constantes, o que outra maneira de dizer que as
colunas de Pn tendem ao mesmo vetor q:
T n
Isso mostra que o Teorema 1(a) vlido se P for uma matriz positiva. Suponha agora que P seja regular, mas no positiva. Como P regular existe uma potncia Pk de P que positiva. Precisamos
mostrar que
; o resto da demonstrao segue exatamente igual ao caso da matriz
positiva. Qualquer que seja o valor de n, sempre existe um mltiplo de k, digamos rk, com rk < n
r(k + 1). Pela demonstrao anterior,
Mas a equao (6) tambm pode ser aplica-
Pn+1 = PPn e
P n = , e
P n+1 = P. Ento P = e qualquer coluna dessa equao matricial fornece Pq = q. Assim, q um vetor de probabilidade que tambm um autovetor de P associado ao autovalor = 1. Para mostrar que esse vetor nico, seja v um autovetor de P associado ao
autovalor = 1 que tambm um vetor de probabilidade. Ento Pv = v e Pnv = v para todo n. Mas,
pelo item (c),
o que s pode ocorrer se v = q. Assim, q nico. Note que essa parte da
demonstrao tambm mostrou que o autoespao associado ao autovalor = 1 tem dimenso 1.
Para provar o item (e), seja 1 um autovalor de P e seja x um autovetor associado. Suponha
que
soma das coordenadas de w 1. Ento Pw = w, logo Pnw = nw para todo n. Pela demonstrao do
item (c),
q, j que a soma das coordenadas de w 1. Ento
Note que a equao (7) s pode ser vlida se = 1. Se || 1 e 1, a expresso esquerda do sinal de igualdade na equao (7) divergir; se || < 1, a expresso esquerda do sinal de igualdade
na equao (7) convergir para 0 q. Isso contradiz nossa hiptese, de modo que todos os autovetores associados a tm de ter a soma das coordenadas igual a zero. Ento, se w for um autovetor,
e, pelo item (a),
ento
. Como
0. Como Pnw = nw e w 0,
n = 0 e || < 1.
APNDICE
Probabilidade
O objetivo deste apndice fornecer algumas informaes sobre a teoria de probabilidades que podem ser usadas para desenvolver uma definio formal de cadeia de Markov e provar alguns resultados do Captulo 10.
Probabilidade
DEFINIO
Propriedades de Probabilidades
DEFINIO
Probabilidade 105
DEFINIO
Uma varivel aleatria uma funo definida no espao amostral S que assume valores reais.
Uma varivel aleatria discreta uma varivel aleatria que pode assumir, no mximo, um conjunto enumervel de valores.
S consideraremos variveis aleatrias discretas neste texto; variveis aleatrias que podem assumir
um conjunto infinito no enumervel de valores so estudadas em disciplinas avanadas de teoria de
probabilidades. Na Seo 10.3, foi definido o valor esperado de uma varivel aleatria discreta. O
valor esperado de uma varivel aleatria discreta tambm pode ser definido usando-se uma funo
denominada funo de probabilidade.
DEFINIO
A funo de probabilidade de uma varivel aleatria discreta X a funo com valores reais
p(a) = P(X = a).
DEFINIO
o que est de acordo com a definio de valor esperado dada na Seo 10.3. Usando a definio anterior, a demonstrao de que o valor esperado tem as propriedades a seguir direta.
Propriedades do Valor Esperado
Para qualquer constante real k e quaisquer variveis aleatrias discretas X e Y,
4. Se f for uma funo que assume valores reais, ento f (X) ser uma varivel aleatria discreta e
E[f (X)] = x f (x)p(x), em que a soma sobre todos os x tais que p(x) > 0.
Da mesma forma que as probabilidades, os valores esperados tambm podem ser afetados pelo fato
de um evento ocorrer ou no.
DEFINIO
Seja X uma varivel aleatria discreta e seja F um evento no espao amostral S. Ento o valor
esperado condicional (ou esperana condicional) de X dado F dado por
106 apndice 2
DEMONSTRAO Seja F1, F2, uma sequncia de eventos mutuamente exclusivos para os quais
= S e seja X uma varivel aleatria discreta. Ento, usando a definio de valor esperado e
a lei da probabilidade total,
Cadeias de Markov
Na Seo 4.9, uma cadeia de Markov foi definida como uma sequncia de vetores. Para entender cadeias de Markov de um ponto de vista probabilstico, melhor definir cadeias de Markov como uma
sequncia de variveis aleatrias. Para comear, considere qualquer coleo de variveis aleatrias.
Isso chamado um processo estocstico.
DEFINIO
Probabilidade 107
5. Quando um processo estocstico, em tempo discreto, tem um espao de estado finito, a funo
de probabilidade de cada varivel aleatria Xk pode ser expressa como um vetor de probabilidade xk. Esses vetores de probabilidade foram usados para definir uma cadeia de Markov na
Seo 4.9.
Para que um processo estocstico em tempo discreto {X0, X1, X2, } seja uma cadeia de Markov, o
estado do processo no instante n + 1 tem de depender apenas do estado do processo no instante n.
Isso diferente do que ocorre com processos estocsticos mais gerais, cujos estados em um instante
n podem depender de toda a histria do processo. Em termos de probabilidades condicionais, essa
propriedade
A probabilidade direita do sinal de igualdade nessa equao chamada probabilidade de transio
do estado j para o estado i. Em geral, essa probabilidade de transio pode mudar dependendo do
instante n. Isso no ocorre para as cadeias de Markov consideradas no Captulo 10: as probabilidades
de transio no variam com o tempo, de modo que a probabilidade de transio do estado j para o
estado i
Uma cadeia de Markov com probabilidades de transio constantes chamada uma cadeia de Markov
homognea no tempo. Eis sua definio.
DEFINIO
TEOREMA 3
Seja Xn, n = 1, 2, , uma cadeia de Markov irredutvel com espao de estado finito S. Seja nij o
nmero de instantes de tempo at que a cadeia visite pela primeira vez o estado i dado que a cadeia
comeou no estado j e seja tii = E[nii]. Ento
108 apndice 2
Seja T a matriz cujo elemento (i, j) tij e seja D a matriz diagonal cujos elementos diagonais so iguais
a tii. Ento a igualdade final anterior pode ser escrita na forma
(1)
Se U for uma matriz com todos os elementos iguais a 1 de tamanho apropriado, a equao (1) poder
ser escrita em forma matricial como
(2)
Multiplicando a equao (2) pelo vetor estado estacionrio q e lembrando que Pq = q, obtm-se
(3)
Considere as coordenadas em cada um dos vetores na equao (3). Como U uma matriz com todos
os elementos iguais a 1,
TEOREMA
Seja i e j dois estados de uma cadeia de Markov que pertencem mesma classe de comunicao.
Ento, os perodos de i e de j so iguais.
DEMONSTRAO Suponha que i e j pertenam mesma classe de comunicao para uma cadeia de
Markov X, que o estado i tenha perodo di e o estado j tenha perodo dj. Para simplificar a exposio
desta demonstrao, ser usada a notao (ar)ij para o elemento (i, j) na matriz Ar. Como i e j pertencem mesma classe de comunicao, existem inteiros positivos m e n tais que (pm)ji > 0 e (pn)ij > 0.
Probabilidade 109
Seja k um inteiro positivo tal que (pk)jj > 0. De fato, (plk)jj > 0 para todo l > 1. Agora (pn+lk+ m)ii > (pn)ij
(plk)jj (pm)ji > 0 para todos os inteiros l > 1, j que um ciclo completo do estado i para o estado i em
n + lk + m instantes (ou passos) pode ser criado de muitas maneiras, mas uma delas ir do estado i
para o estado j em n passos, depois fazer l ciclos completos do estado j para o estado j usando k passos em cada ciclo e, finalmente, retornar ao estado i em m passos. Como di o perodo do estado i, di
tem de dividir n + lk + m para todos os inteiros l > 1. Ento di divide n + 2k + m e n + 3k + m e assim
por diante, logo di divide (n + 3k + m) (n + 2k + m) = k. Assim, di um divisor comum de todos os
instantes de tempo k para os quais (pk)jj > 0. Como dj o maior divisor comum de todos os instantes
de tempo k para os quais (pk)jj > 0, di dj. Um argumento anlogo mostra que di dj, de modo que
di = dj.
A Matriz Fundamental
Na Seo 10.5, foi estudado o nmero de visitas vij a um estado transiente i que uma cadeia de Markov
faz comeando no estado transiente j. Especificamente, foi calculado o valor esperado E[vij] e a
matriz fundamental foi definida como a matriz cujo elemento (i, j) mij = E[vij]. O teorema a seguir
enuncia o Teorema 6 na Seo 10.5 em uma forma equivalente; a demonstrao baseia-se na lei de
probabilidade total para o valor esperado.
TEOREMA 6
Seja j e i estados transientes de uma cadeia de Markov e seja Q a parte da matriz de transio que
governa o movimento entre os estados transientes. Seja vij o nmero de visitas que a cadeia far a
um estado transiente i, comeando no estado transiente j, e seja mij = E[vij]. Ento a matriz M cujo
elemento (i, j) mij satisfaz a equao
M = (I Q)1
DEMONSTRAO Vamos produzir uma equao envolvendo mij considerando o primeiro passo da
cadeia X1. Consideramos dois casos: i j e i = j. Suponha primeiro que i j e X1 = k. Ento veremos
que
(4)
se i j. Suponha agora que i = j. Ento a anlise anterior ser vlida, mas precisaremos adicionar uma
visita ao estado i, j que a cadeia estava no estado i no instante 0. Assim,
(5)
Podemos combinar as equaes (4) e (5) introduzindo o smbolo a seguir, conhecido como o delta
de Kronecker:
Note que ij o elemento (i, j) na matriz identidade I. Podemos escrever as equaes (4) e (5) como
Logo, pela lei da probabilidade total para o valor esperado,
Agora observe que, se k for um estado recorrente, ento E[vik] = 0. Portanto, s precisamos somar
sobre os estados transientes da cadeia:
110 apndice 2
j que j e k so estados transientes e a matriz Q est definida no enunciado do teorema. Podemos escrever a igualdade final anterior como
mij = Iij + (MQ)ij
ou, em forma matricial, como
M = I + MQ
(6)
Probabilidades de Absoro
Na Seo 10.5, foi estudada a probabilidade de a cadeia ser absorvida por um determinado estado
absorvente. A cadeia de Markov foi suposta de s ter estados transientes ou absorventes, j um estado transiente e i um estado absorvente da cadeia. Foi calculada a probabilidade aij de a cadeia
ser absorvida pelo estado i dado que ela comeou no estado j e foi mostrado que a matriz A que tem
aij como elemento (i, j) satisfaz A = SM, em que M a matriz fundamental e S a parte da matriz de
transio que governa o movimento dos estados transientes para os estados absorventes. O teorema
a seguir enuncia esse resultado, que foi apresentado como Teorema 7 na Seo 10.5. dada uma demonstrao alternativa que usa a lei da probabilidade total.
TEOREMA 7
Considere uma cadeia de Markov com espao de estado finito cujos estados so absorventes
ou transientes. Suponha que j seja um estado transiente e i seja um estado absorvente. Seja aij a
probabilidade de a cadeia ser absorvida pelo estado i, dado que comeou no estado j. Seja A a matriz
que tem aij como o elemento (i, j). Ento A = SM, em que S e M esto definidas anteriormente.
DEMONSTRAO Vamos considerar de novo o primeiro passo da cadeia, X1. Seja X1 = k. Existem
trs possibilidades: k pode ser um estado transiente, k pode ser i ou k pode ser um estado absorvente
diferente de i. Se k for transiente, ento
Se k = i, ento
Como j transiente e i absorvente, pij = sij. Como na soma final j e k so ambos transientes, pkj = qkj.
Portanto, a igualdade final pode ser escrita como
21.
23.
a. Verdadeira.
b. Falsa. A matriz de transio P no pode variar com o tempo.
c. Verdadeira.
Ensolarado com probabilidade 0,406, nublado com probabilidade
0,145375, chuvoso com probabilidade 0,448625.
33. Suponha que P seja uma matriz estocstica m m com todos os seus
elementos maiores ou iguais a p. A demonstrao por induo. Note
que a afirmao a ser demonstrada verdadeira para n = 1. Suponha
que seja verdadeira para n e seja B = Pn. Ento, como BP = Pn+1, o
b p
ik
k =1
kj
ik
kj
k =1
m
b p
kj
k =1
. Mas
kj
= 1 , j que P uma
k =1
de modo que a cadeia passar a maior parte do tempo no estado
2, que corresponde a ambas as urnas contendo 2 molculas.
11. a. A matriz de transio
Seo 10.2
b.
O elemento (1, 1) em Pk ser zero quando k for mpar, enquanto o elemento (1, 2) ser zero quando k for par. Logo, P no
regular.
Calcule
q um vetor estado estacionrio para a cadeia de Markov. O compartimento 6 um estado absorvente para a cadeia uma vez que o camundongo entre no compartimento 6, ele ficar a para todo o sempre.
21 a. Verdadeira.
b. Verdadeira.
c. Falsa. Veja os Exemplos 4 e 5.
23. Usando o dia mais prximo, 152 sero ensolarados, 52 nublados e 161 chuvosos.
25. A matriz do Google e seu vetor estado estacionrio so
e a ordem das pginas (PageRank) 1; 2, 3 e 4 (empatadas); 5.
27. a. Se um indivduo dominante (AA) cruzar com um hbrido (Aa), ento o indivduo dominante sempre ir contribuir com um A. Metade do
tempo, o hbrido tambm ir contribuir com um A, o que levar a um descendente dominante. A outra metade do tempo, o hbrido contri buir com um a e o descendente ser hbrido.
b. Se um indivduo recessivo (aa) cruzar com um hbrido (Aa), ento o recessivo sempre ir contribuir com um a. Metade do tempo, o hbrido
tambm ir contribuir com um a, o que levar a um descendente recessivo. A outra metade do tempo, o hbrido contribuir com um A e o
descendente ser hbrido.
c. Se dois hbridos (Aa) cruzarem, ento o descendente ser dominante quando ambos contriburem com A, o que ocorrer ()() = do
tempo. Analogamente, o descendente ser recessivo quando ambos contriburem com a, o que ocorrer ()() = do tempo. Por fim, em
todos os outros casos, o descendente ser hbrido, o que ocorrer 1 = do tempo.
29. a. Confirme que todos os elementos em P6 so estritamente positivos.
1 / 64
3 / 32
15 / 64
b. Calcule q = 5 / 16 , de modo que a cadeia fica a maior parte do tempo no estado 3, que corresponde a ambas as urnas conterem 3 mo15 / 64
3 / 32
1 / 64
de modo que o resultado do item (b) no depende do valor de p.
31. Calcule
37. a.
b.
Esse vetor tambm ser um autovetor associado a = 1, cada
coordenada desse vetor ser no negativa, e a soma de todas
as coordenadas ser igual a 1. Portanto, ele um vetor estado
estacionrio para P.
39. a. Como x0 = c1q + c2v2 + + cnvn e 1 = 1, a equao (2) indica
que
b. Pelo item (a),
Seo 10.3
13. Todo estado pode ser acessado a partir de qualquer outro em dois
ou menos passos, de modo que a cadeia de Markov irredutvel.
Os tempos de retorno so
Estado 1:4
Estado 2:4
Estado 3:4
Estado 5:4
15. Todo estado pode ser acessado a partir de qualquer outro em trs ou
menos passos, de modo que a cadeia de Markov irredutvel. Os
tempos de retorno so
Estado 1:13/3
Estado 2:13/3
Estado 3:13/3
Estado 4:13/3
17. 4 instantes de tempo.
19. 15/2 instantes de tempo.
21. a. Falsa. Tambm preciso ser possvel ir do estado j para o estado
i em um nmero finito de passos para que os estados i e j se co muniquem.
b. Verdadeira.
c. Falsa. Os inversos das coordenadas do vetor estado estacionrio
que so os tempos de retorno para cada estado.
23. 2,27368 dias.
25. a. Como todos os elementos em G so positivos, a cadeia de Mar kov irredutvel.
b. 4,31901 cliques do mouse.
27. 8/3 passos.
29. 16/5 = 3,2 escolhas.
31. {iguais, vantagem para A, vantagem para B}, {A ganha a partida},
{B ganha a partida}.
33. Todo estado pode ser acessado a partir de qualquer outro em trs
passos ou menos, logo a cadeia de Markov irredutvel.
35. Cada n pendurado forma uma classe de comunicao separada para
a cadeia de Markov.
Seo 10.4
1. As classes de comunicao so {1, 3} e {2}. A classe {1, 3} transiente,
enquanto que {2} recorrente. Todas as classes tm perodo 1.
3. As classes de comunicao so {1}, {2} e {3}. A classe {1} recorrente, enquanto que as classes {2} e {3} so transientes. Todas
as classes tm perodo 1.
5. As classes de comunicao so {1, 3, 5} e {2, 4, 6}. Ambas as classes so recorrentes e tm perodo 2.
7. A classe de comunicao {1, 2, 3, 4}, que tem de ser recorrente.
A classe tem perodo 4.
9. As classes de comunicao so {1, 2, 3, 4}, que transiente, e {5},
que recorrente. Ambas as classes tm perodo 1.
11. A ordem 2, 1, 3 dos estados fornece a matriz
17. A matriz de transio original
Com a ordem 5, 1, 2, 3, 4 dos estados, a matriz fica
19. a.
b.
c.
como prometido pelo teorema 5.
25. a. possvel ir de um estado a qualquer outro com um nmero
par de passos, logo a cadeia de Markov irredutvel com pe rodo 2.
Uma escolha
Calcule que
21. a. Falsa. Uma cadeia de Markov pode ter mais de uma classe re corrente.
b. Verdadeira.
1 / 4
1 / 4
23. fcil calcular que q =
1 / 4 para a matriz P. Encontramos, tambm,
1 / 4
e.
1 / 3
1 / 3
Pn+2 e Pn+3, uma delas ser igual a P, outra igual a P2 e outra igual
a P3 = I. Portanto,
35. Do resultado dos Exerccios 31 e 33, usando pontuao por rali leva
a 3,92932 3,01105 = 0,91827 rali a menos serem jogados.
37. a. {1, 2} uma classe recorrente; {3, 4, 5} uma classe transiente.
b. A matriz limite para {1, 2}
c.
29. a.
b.
c.
d.
Como s existe uma classe recorrente, a probabilidade de a cadeia ser absorvida em {1, 2} 1. Assim, se a cadeia iniciar em
qualquer estado transiente, a probabilidade de estar no estado 1
depois de muito tempo 2/5, a probabilidade de estar no estado
2 depois de muito tempo 3/5 e a probabilidade de estar em
qualquer dos outros estados depois de muito tempo 0.
fornece as probabilidades
39. O resultado trivialmente verdadeiro se n = 1. Suponha que o resulta-
k
do seja verdadeiro para n = k, ou seja, suponha que P k = O Q k ,
Seo 10.5
e o resultado fica demonstrado por induo.
Seo 10.6
9. A soma da primeira coluna de M mostra que E[B] = 4,53933. A primeira coluna de SM permite que se calcule E[L]:
13. a.
b.
A soma da segunda coluna de M dar o nmero esperado de rebatedores que chegaro base principal comeando com um corredor na
primeira base e nenhum eliminado.
A segunda coluna de SM fornecer as probabilidades de se deixar 0,
1, 2 ou 3 corredores nas bases comeando-se com um corredor na pri-
meira base e ningum eliminado. Assim, o nmero esperado de cor redores deixados nas bases comeando com um corredor na primeira
base e ningum eliminado poderia ser calculado.
c. O nmero esperado de pontos ganhos usando os dados na segunda
coluna fornecero o nmero esperado de pontos ganhos come ando com um corredor na primeira base e ningum eliminado.
15. A soma da coluna de M 4,53933. Um rebatedor j chegou base
principal, logo E[B] = 1 + 4,53933 = 5,53933. A coluna de SM permite que se calcule E[L]:
17. Se o corredor na base no tentar um roubo, o ganho esperado ser
de 0,85654 ponto pelo Exerccio 14. Se o corredor tentar um roubo e tiver sucesso, o ganho esperado ser 1,00943 pelo Exerccio
15. Se o corredor tentar um roubo, mas no conseguir, o ganho
esperado ser 0,26779 pelo Exerccio 16. Portanto, o ganho esperado se for tentado um roubo ser 1,00943(0,8) + 0,26779(0,2) =
0,861102. Isso mostra que tentar o roubo vai aumentar o ganho
esperado.