Gatvaraiidacie Radarall do Gaara Centro de Tecnologia Departamento de Hidraulica Teresinha de Ma.B.5. Xavier Fortaleza - Ceara Abril de 1888UNIVERSIDADE FEDERAL DO CEARK CENTRO DE TECNOLOGIA DEPARTAMENTO DE HIDRAULICA Ter: Bererra Sampaio Xav: oo CADEIAS DE MARKOV E APLICAGOES EM METEOROLOGIA E HIDROLOGIA (**) (4) . Prof. Adjunto, Dept® de Hidréulica/Curso de Mestrado em Engenharia Civil/Recursos Hi- dricos/FC; = Menbro titular da Academia Cearense de Cléncias; = Colaborador, "Fundago Prof.Jo%o Ramos-Pereira da Costa!” - FIRPC, '*) Palestra apresentada durante o Curso de Especializagio en Métodos Estatfsticos Aplica- dos 8 Meteorologia e 3 Clinatologia - OCA/CCT/Univ, Federal da Paraiba/Canpina Grande. FORTALEZA - CEARA abril de 1988APRESENTAGAO © presente trabalho foi por nés redigido tendo em vis- ta o honroso convite que nos foi formulado pelo Prof. Pedro da Vieira de Azevedo, Coordenador do Mestrado em Meteorologi Universidade Federal da Paraiba / Campus de Campina Grande, no sentido de proferirmos palestra sobre modelos de Cadeias de Markov para os alunos do Curso de Especializacéo em Métodos Es tatfeticos Aplicados a Meteorologia e Climatologia/UFPb. Na elaborag&o-do texto nos foi util aquele redigido h& cerca de 10 (dez) anos atrdés, sobre o mesmo assunto, na inten- Ho dos nossos estudantes do mestrado em Engenharia Civil - Re cursos Hidricos/UFC, matriculados na disciplina “Probabilida- de e Estatistica em Hidrologia"; destinando-se a motiva-los no estudo de tao importante capftulo da Probabilidade Aplicada. Aquele material, ademai: » era ainda dirigido aos alunos de "In trodug#o aoe Processes Estocdsticos", disciplina que ent&o mi- nistr4vamos para a Graduagdo em Estatistica/UFC. [vide: Xavier, de M2 B.S., "O Modelo de Cadeias de Markov em Estudos Meteo rolégicos e Hidrolégicos", Publ. Dept2 Estat. Mat. Apl./UFC, n& 5 (série C), mimeo. 22pp., Fortaleza, junho de 1978]. De fato, o novo texto resultou significativamente am- Pliado, de sorte a incorporar resultados mais recentes. Por ou tro lado, h4 a referir a circunstancia de nfo se haver preten- dido exausticidade no tratamento do sunto; bem como, que té- picos mais sofisticados da teoria foram sacrificados em prol da apresentagio de aspectos praticos sobre a implementagao dos modelos e,,ainda, no que tange & énf, aplicagdes em Me~ teorologia e Hidrologia.Infelizmente Xo houve disponibilidade de tempo para um levantamento a respeito de "software" disponivel para o t: tamento de modelos markovianos; nem mesmo para a apresentagao do “software” utilizado na nossa pesquisa [Xavier & Xavier (1983)] © qual foi desenvolvido no Dept? de Matemética/UFC pelo nosso colaborador, o Prof. Airton F.S. Xavier. Pretendemos, numa ver edo futura do trabalho, tratar de preencher tal lacuna. Agradecemos, de antemo, a colaborag%o dos leitores no sentido de nos advertir sobre posstveis falhas“que porventura venham a ser detectadas, pois serdo de valioso auxflio para uma publicagdo posterior. © autor. Teresinha de Mar: Beserra Sampaio Xavier Prof, Adjunto da UFCsumAR1IO INTRODUGKO ESTUDO DAS CADEIAS DE MARKOV (HOMOGENEAS) DE 12 ORDEM E A DOIS ESTADOS. QUESTOES PRATICAS RELATIVAS AO EMPREGO DAS CADEIAS DE MARKOV A DOIS ESTADOS (0 e 1). EXEMPLOS DIVERSOS. CADEIAS DE MARKOV HOMOGENEAS COM NUMERO DE ESTADOS r>2 OU DE ORDEM K>1. ESTIMATIVAS DAS PROBABILIDADES DE TRANSIGAO E TESTES PARA A ORDEM DE UMA CADEIA HOMOGENEA DE MARKOV. PROCESSOS DEPENDENTES DE CADEIAS E OUTROS MODELOS MAIS COMPLEXOS.0 - INTRODUGKO Consideraremos dados meteorolégicos ou hidrolégicos: Xos Xs Hys s++y Kyy Feferentes @ intervelos de tempos suce vos (dias, meses ou anos). Seria o caso de alturas da precipi-~ tagdo pluvial, observass: da temperatura do ar,intensidades © direg3ee do vento, vazdes ou cotas de um curso de 4gua, etc. Uma tal seqi@ncia de dados {x,}%_, pode pensar-se como a “realizasio" de um processo estocéstico (X,}@.g, sendo cada X, uma varidvel aleatéria; 0 indice ou parametro n representan do os intervalos de tempo suc ivos. Lembremos que, em geral, um processo estocéstico define de e como uma famtlia (X.} ep varidveis aleatérias X,, onde o indice ou parametro ¢ interpre terse, o mais da vezes, como o tempo. Para a= 0, 1, 2, .--4 trat ¢ de um processo estocéstico de parametro discreto. Cbser ve-se que o processo € pensado como uma seqil@ncia infinita, en quanto qualquer uma de su “realizagdes" no passa de uma se- qii@ncia finite. Algumas vezes, as varidveis aleatérias X, sao estocas- ticamente independentes, ou assim podem ser consideradas. Tem- se, ent&o, 0 caso de um "processo estocéstico sem meméria” (memoryless), pois o resultado de cada variavel X, independeré de resultados previamente verificados (isto ¢, com relagfo a ++ Xqug> Xguz): NA testes estocésticos para se exeminar a hipétese de independ@ncia, entre os quais o chamado teste de Wald-Wolfowitz. Em outras circunstancias, pelo contrério, as varidveis aleatérias X, so dependentes; particularmente, cada ocorréncia (a se verificar num dado tempo t=n) dependendo do que ja ocorreu no passado.a=0 (portanto, de parametro discreto) onde os valores assumidos pe Uma Cade de Markov € um processo estocéstico {X,) las varidveis aleatérias X, constituem um conjunto S, enumer4- vel ou finito. Além disso, e&o exigidas certas condigdes, como veremos na (Def. 1). Para nossos propésitos vamos nos restrin- gir ao caso em que § € um conjunto finito. Em muitas aplic gdes, § reduz- e a apenas dois estado: 0 e 1; 08 quais corres pondem 2 n&o ocorréncia ou & ocorréncia de dado evento meteorg, Légico ou hidrologico dé Markov de_or- Podemos ter o que se chama uma ¢ dem k desde que cada varidvel aleatéria X, dependa, unicamen- te, do que haja ocorrido nos k perfodos de tempo anteriores mais préximo sto €, dependa apenas de X Assim, nk? *pek+1? * maL'y se @ pluviometria diéria num lugar for influenciada apenas pela precipitag’o ocorrida no dia anterior tem-se uma cadeia de Markov de 18 ordem; porém, se a influéncia envolver os dois ai 8 anteriores, teremos uma cadeia de Markov de 2% ordem; ete Quando hé independéncia, pode-se falar em cadeia de Markov de ordem zero No que se segue formularemos esses conceitos através de uma definig#o envolvendo maior grau de rigor. Definigdo 1: Uma Cadeia de Markov (Finita e Homogénea) —_de Primei Ordem € um processo estocdstico (oe com as seguin 0 tes propriedades: (i) As varidveis aleatérias X, assumem valores em certo con- junto finito 8 = (ey, ey, -.., e,} que €o espago de est. os do sistema descrito pela cadeia(ii) Se no intervalo de tempo n-1 (ou simplesmente no tempo n-1) 0 sistema ocupar o estado ize,, hé uma probabilida- de p;; de que no tempo seguinte n venha a ocupar o esta~ ij D 2 (iii) A probabilidade de transig#o p,, do estado i para oe: tado j, independente de n; isso define a condig&o de ho- mogeneidade da cadeia. Ademais, independe dos = estados ocupados nos tempos n-2, n-3, } isso define o fato da cadeia de Markov ser de 1# ordem. Ae condigSes acima sfo fundamentais, podendo ser escri tas: Oe kee tereke ote.) = i), Wone2, 3 3 a) P(.|.) sendo pro- que € a conhecida propriedade de Markov; a babilidades condicionai Note-se que as probabilidades de transigao P,, formam uma matriz de transigao (p,;)i 5.15 @ qual € umamatriz de Markov no sentido de que os termos de cada uma de suas linhas somam 1, conforme esté indicado nos esquemas (fig. 1) e (fig. 2), @ seguir:Pe : ga 83 (fig. 1) (fig. 2)Exemplo 1: Gabriel e Neumann (op. cit.) consideraram uma Cadeia de Markov Homogénea de 1# ordem para descrever a ocorréncia de ai secos e chuvosos, em Tel-Aviv, durante a estagdo chuvosa (pertodo dezembro/janeiro/fevereiro). Assim, trabalharan com apenas dois estado, 0 = “seco” © 1 = “chuvoso", @ partir de observasdes colhidas durante 27 anos, para aquela estasio 40 ano Para dois estados Qe 1, teremos uma matriz de tran- sigao: Poo Por — ® Pio Pu : vt onde py,d € a probabilidade de determinado dia ser chuvoso, sabendo-se que o dia anterior foi seco; pot € @ probabili- dade de determinado dia ser seco, sabendo-se que o dia ante= rior foi chuvoso; para Pog © py, tem-se interpretagdes andlo~ gas; 6 Sbvio que PogtPg,7ls donde Pog@1-Pg,7l-ai bem como PiotPyitt» donde py =1-8. Os dados de que dispunham Gabriel ¢ Neumann eram 08 seguintes (freqiéncias absolutas): dia atual seco chuvoso total an seco 1.049 350 1.399 terior chuvoso 351 687 1.038Calculando-se as freqi@nci (1.049/1.399 * 0,750 e de transigao: 0,750 0,338 687/1.038 = relatives respectivas 0,662) obtiveram a matriz 0,250 0,662 A definigdo de Cadeia de Markov de ordem superior a 1 m, para uma matriz de Markov de 2# ordem, | por exemplo, o estado k no dia de hoje dependerd apenas dos esta dos ie j ocupados nos dias anteriores, de sorte que sua pro- babilidade de transigto se nota p,j,3 que na verdade € ube probabilidade condicional. Ent&o, para cada tempo n, tem-se PCR tk Ketd A Xygth) * Pasa (2 Para uma cadeia de 2# ordem, com r estados, a matri de transigdo seré matriz r?xxr; no caso de r=2 estados po- deré ser notada: Pooo Poor Po1o Pou Pioo Pron Pio Paitados 22, Em geral, para uma cadeia de Markov de ordem k, ar e8 a matriz de transigdo seré uma matriz ré xr; no caso seré uma matriz 2" x2.1 - ESTUDO DAS CADEIAS DE MARKOV (HOMOGENEAS) DE 1* ORDEM E A DOIS ESTADOS. Faremos, agora, uma exposig#o dos principais resulta- dos teéricos e sua interpretagao prética, para o tipo mais sim ples de cadeias de Markov homogéneas; a saber, as de 1# ordem @ a dois estedos (0 ou 1). Seguiremos, basicamente, o texto de Cox & Miller (op. cit., pp. 78-84). Consideraremos um vetor linha que nos dé as probabilidades iniciais do sistema; isto é, as probabilidades de serem ocupados os estados 0 e 1, respective mente, no tempo n=0 (tempo inicial). (o) A partir de p\°) ¢ da matriz de transigdo P(p,,) que remos ent&o calcular o vetor linha pod pha), pm e p{" do sistema ocupar os gue 20a dd as probabitidedes pf? si os vetores Penal, e pir)Lena (a) LC) p Dem. Consideraremos o esquema abaixo: 3] tempo n-1 tempo a A partir desse esquema, conclui-se (n) (n-1) (n-1) Po = Po * Poo * Pi “Plo (m) 2 (na) 4 peard) PL Po * Por PL “Pal usando @ notasae pga € P98, (fig. 3) facilmente:10 (nm). (a1) + pearl) Po” Po Cia) * PLB (a). Gn) pind) “1 Po oa el (-B) Observa-se que, matricialmente, as duas dltimas igual- dades escreven-se: [ lea a n) «| [ (ne1) cv]. eo, p -[e -P oo PL 0 1 : _ ou seja, obtém-se 0 resultado desejado: pO = pd) p | / . pom) 7 14) Dem: Usaremos indugio finita: 12) A expressao [4] vale, trivialmente, para n=l, con- forme [3], isto 6, pil) = pf) peWW 22) Suponhamos, entio, que @ expressio [4] vale para um n’arbitrério, isto 6, usando mais uma vez [3], segue-se: PEMD np) pw (pl) phy p= pl) part isto €, prova-se que a expresso também vale para atl. Portanto, se tivermos as probabilidades iniciais dada (o) pelo vetor p°°) e a matriz de transicao P, podemos calcular as probabilidades de ocupagdo de estados em cada tempo n, usando a expressdo [4]. Se soubermos que no dia inicial o sistema se encontra- va no estado 0 (aus@ncia de chuva), € 6bvio que as probabili- dades iniciais sao dadas por: pO = (5, pI) = a, 05 pelo contrério, se soubermos que no dia inicial o sistema se encontrava no estado 1 (dia chuvoso) entao: p= co, 1). () Notemos por p;}) os termos da matriz P", isto é,12 Cn) (n) Poo Por . 3 15] (o) (n) Pio Pi tomando p°°) = (1,0), a equasao [3] forneceré prem) a cpg? PED); . (sal por outro lado, tomando p(9=(0,1), tem- er CO, wD? 50) Através de [Sa] ¢ [5b] segue e@ uma interpretagao para a matriz P" (n-€sima pot@ncia da matriz de transigdo P). Assim, ve-se que P" ¢ « matriz de transig#o para n etapas, de sorte que cada um de seus termos ap nos d& a probabilidade do ei tema chegar ao estado j, no n-ésimo perfodo de tempo, sabendo- se que partiu do estado i, no tempo inicial As quantidades PM vio chanedes probabilideden de transigio pera n etapss. Exemplo 1 (continuagao) Com a matriz P obtida por Gabriel & Neumann, tem-se: 0,580 0,410 0,568 0,432 assim, se 1° de janeiro for chuvoso, a probabilidade de 6 de13 janeiro ser seco (respectivamente, chuvoso) é dado por 93) = 0,568 (respectivanente, p{5) = 0.4323; ete. PSe-se, a seguir, a questdo da existéncia de uma di tribuigto de equilfbrio. Quer dizer, se deixarsios o sistema evo- luir indefinidamente, perguntamos se o vetor pi = (pi), pi”) tenderé para certa distribuigdo 7 = (1), 1), de sorte que a equagto [3] passe a se escrever: na 1P _ tel ou seja, ’ m1 - P)=0, [6a] onde I € a matriz identidade, isto ¢, Para demonstrar @ existéncia de uma distribuigéo de equilfbrio, necessitamos de alguns resultados intermedidrios, reunidos nos lemas seguintes:Lema Gf pdm = Crap) ph a8 pittl) = (r-a-8) pi +a Cid [98 = aby + Crea-By™ (26? Pim) = goa + (1-a-B) (p(? Den! (4) ght?) = PCK,, 90) = POX eon, = P(K,=0) P(X, ,,-0 | X,=0) = Pe§P cad + Cp 8 = = C-a-8) ph 46 analogamente, penth) r = POR TD = POX 0AK, Cap) asp C-B) = C-a-8) pl 4a. 14 re a) - gp (a1 - ap [8a] m0) + PC #1AK, | 20) = + PCR AL) POL 0] Xa1) = 7 1) + PCR A1AK a1) = +1 PCX.=O) . POX, L | X,20) # POX AL) PCR at | XQe1) = (val (Gi) usando [7], tem-se em particular: a rs (o) = Ci-a-B) pg” + B a) po? “ ° = Ci-a-B) pg'? + Bs1s segue-se pg?) = Ci-a-B) [(1-a-8) pf +81 + B= = C-a-8)* p6? #8 (1 + C-a-8915 repetindo esse processo reiteradas vezes, obtemos: ack ro) + BsEy (1-a-B)) t9) ‘0 co) = (Ci-a-B)" po) Devemos, entio, considerar dois casos: 12 caso (trivial) [a- B= 0]; entao, para todo n, tem-se o resultado trivial pi") = 8; : 22 caso a+B>o ; 10, Llembrando que n=1 , 5 Z (1-a-g)d = L= Csa-8)" ino © substituindo em [9], segue-se: py? = Cag) pho? + gLatay’) . “apy Cia-8)" 960) 4 28, - sacs, 8 4(,(0) |B = aby + a8)? - Bed 18] Analogamente, a partir de [7A], obtém-se [8A].16 Proposigdo 2 Se as probabilidades a e B nfo 8&0 simultaneamente nu- las, entto existe a distribuigto de equiltbrio t= (ny, ™), 08 tisfazendo a equagdo [6] e dada por: 1 com: 0) a “ss: ; tu Se, além disso, ae B ndo sdo simultaneamente iguais a1, tem-se: lim pom) 0 Dem A equacio matricial m1 ="P (isto é, [6]) se escreve: ou seja (mgs 1) 7 (ag(i-a) + mB, mga + 1, (1-8)), donde: ma = 1,87 Por outro lado, como mo+m,=1, a condigdo a+8>0 permi- 1 te obter: Se, ademais, a+B<2 (donde 0<1-a-8<1) entao de [8] e [8A] se obtém: i (a) 8 a —UmULrLULr (a), 7 eee PL Taw TF isto 6, lim po “1. Em seguida, apresentamos uma férmula para o célculo ex plicito da matriz P" (matriz de transigdo em n etapas). Proposigao 3 Ge a0 a 1 L-a- P + wR [; ‘| a [*,18 2 tn) () (= See Poo (isto €, impomos que no instante na0 o sistema ocupa o estado Note-se que P se em [8] fizermos sa 0); ou sej . 8 2. Bye Poo " ae * (l-a-B)" (1 aE =~ 8 4 (eg-gy® opt (l-a-6)" oy 5 analogamente, se em [8] fizermos pi? = 1 Cou sejs, of? ty segue-se: Ft 10 ney) jl wo. Por outro lado, 5, = pj"), se em [9]fizemos pi ‘ (ou seja, pi = 0) donde: a aC _&y, Po. 7 aap t (1-a-8)"¢ - 325; (o) analogamente, se em [9] fizermos p)”” = 1, obtém-se: a a a 8) Pry" asp t (-a-8)"(- oa) e 18 apt (lab) GB)19 Portanto: a a B sa a -ay” 0. Evidentemente, supomos dispor de uma "realizag#o"” y,, yy, + Yy da seqiéncia (a realizagao € uma seqiléncia finite). Entto, desde que seja fixado um limiar h20 pode-se considerar uma seqi@ncia bindria X,, X,, ..., onde ca~ da Xo=0 ou 1; sua "realizasdo" sendo a seqii€nci finite + Xye tal que: x, = 0, se : ach, se >h No caso das chuvas em Tel-Aviv tem-se h=0; donde x,70 se y,70 (dia seco) e x =1 se y,>0 (dia chuvoso). con- tudo, poderfamos considerar um limiar maior que zero, por exem plo h = "valor de evapotranspiracdo potencial"; donde terfa- mos x,*Osey,ch (dia seco) e x,=1 se y >h (dia Gmido). Uma vez obtida a seqiéncia binéria finita30 resta estimar as probabilidades: y (de ocorréncia do evento 1), l-y (de ocorréncia do evento 0), a (de ocorréncia do evento 1 supondo que antes ocorreu o evento 0), 1-a (significado sbvio isto 6, de ocorréncia do evento 0 supondo que antes também ecorreu 0), B (de ocorréncia do evento 0 supondo que antes ocorreu 0 evento 1) e 1-B (significado dbvio) Tem-se: Iny = 1-9 5 gw 78808 XiXigy tais que x90 e x, 21 & " ———a¥dos x,=0 tals que ten 3 gw M808 Fikiey fais que xprl ec x. 00 —_ i i n@ dos x,=1 tais que i2 OU DE ORDEM K>1. Nas segdes 1 e 2 estudamos as Cadeias de Markov Homoge neas de 18 Ordem e com 2 (dois) estados: 0 e 1. Agora, conside- raremos (i) seja o caso da ocorréncia de r>2 estados i © caso de ordem superior a 1. Um ndmero r>2 de estados geralmente decorre de um pro- cesso de discretizac&o sobre varidvei continues ¥,>0,¥,20, @ partir da selec%o simultanea de r-1 Limi resiOchychys. chp Dessa maneira, define-se um processo X,, X), ... com um ndmero fi- nito r de estados, tal qu sl e@ yen ; rie hc yehy? se i= 2, yr re > x hee43 Esquematicamente: estados Limiares (fig. 5) Uma modalidade interessante de eatabelecer os limiares com os quais trabalharemos é através de "quantis". Lembremos que © quantil Q, correaponde a probabilidade pe (0,1), se LL (25) Assim, o quantil para pe (0,1) 6a abscissa com respeito & qual a densidade f da variavel aleatéria ¥, nos dé uma “cauda" de drea igual a p:4a € para sug densidade f: Q [oP tones» P. ° Em particular, escolhidos os quantis Qo 35 © Qy 65 po- deremos definir os estados: 1 = "abaixo do normal", se Yn £ % ysis 2 = "normal", se 8135 < %a S%,65) 3 7 Nacima do normal", se Qo §5 < Y,3 conforme a figura seguinte:45 Zale 35% Rae Re” normal acima do normal (fig. 7) No que se segue, apresentamos alguns exemplos sobre o emprego de modelos de Cadeia de Markov de 12 Ordem com numero de esta dos r>2. Exemplo 6: An4lise de Dados Hidrolégicos Um modelo estoc4stico para a vazio de um rio mediante uma cadeia de Markov a 5 (cinco) estados foi examinada por Cho (1965) © estudo referiu-se a razbes médias anuais tomadas pa- ra anos consecutivos. Os estados ou "classes" foram considera- dos com base no porcentual da vazdo média anual, comparativa- el 1 mente a uma média das médias anuai = <60%; je 4 = 110 ~ 139% e 2 = 60 - 89%; classe 3 = 90 - 109%; cl.