Aula 35 - Cadeias de Markov PDF

Matemática e Estatística Urbana
Unidade 3 – Técnicas de Projeção Demográfica

Aula 3.5 – Projeções Demográficas Utilizando
Cadeias de Markov
22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 1

Unidade 3
Técnicas de Projeção Demográfica

Objetivo da Unidade 3
• Ao final dessa Unidade você deve ser capaz de:

– Compreender as noções básicas sobre as técnicas de
projeção demográfica.

Aulas da Unidade 3
• Aula 3.1 – Correlação e Regressão

• Aula 3.2 – Inferência Estatística
• Aula 3.3 – Técnicas de Projeção por Extrapolação
• Aula 3.4 – Projeções Populacionais com Regressão
• Aula 3.5 – Projeções Populacionais com Cadeias de Markov
• Aula 3.6 – Projeções Populacionais com Método “Cohort Survival”

Aula 3.5
Projeções Demográficas Utilizando Cadeias de

Markov

Objetivo
• Ao final desta aula você deverá ser capaz de:

– Compreender a aplicação das cadeias de Markov nas projeções
populacionais.

Roteiro
• Introdução
• Exemplo: movimento entre centro e subúrbio
• Exemplo: evolução do uso das áreas urbanas
• Determinação do estado estacionário

Roteiro
• Introdução

Introdução
• Existem processos evolutivos para os quais a predição

do estado futuro depende apenas da situação do estado
atual, sendo irrelevante o conhecimento do que ocorreu
em estados anteriores.
• Processos que possuem tal característica são chamados

de processos de Markov e a sequência de estados
chamada de cadeias de Markov.

Introdução
• Processos de Markov possuem muitas aplicações práticas,

tais como:
– reconhecimento de fala;
– ciências sociais;
– jogos;
– esportes.
• Nesta aula vamos estudar como realizar projeções

populacionais utilizando cadeias de Markov.

Exemplo: Movimento entre Centro e Subúrbio
• Exemplo de um processo de Markov.

– O prefeito de uma cidade deseja estudar a evolução da população que
mora nos bairros centrais e nos bairros do subúrbio.
– Pesquisas realizadas nos últimos anos, indicaram que a cada ano, em
média, 20% das pessoas que moram nos bairros centrais mudam para
os bairros do subúrbio e que, em média, 10% das pessoas que moram
nos bairros do subúrbio mudam para os bairros centrais.
– Sabendo que neste ano a população está igualmente dividida entre os
bairros centrais e os bairros de subúrbio, como ficará tal divisão nos
próximos dois anos?

Diagrama de Transição
de Estado 0,2
Bairros Bairros de
0,8 Centrais
0,5 0,5 Subúrbio 0,9
0,1
• O diagrama acima é chamado de Diagrama de Transição de Estado.

• A partir do diagrama acima, podemos afirmar que:
 A probabilidade de uma pessoa mudar de um bairro central para
um bairro de subúrbio durante o ano é de 20%;
 Deste modo, a probabilidade da pessoa permanecer no bairro
central (não se mudar) é de 80%;
 A probabilidade de uma pessoa mudar de um bairro de subúrbio
para um bairro centra durante o ano é de 10%;
 Deste modo, a probabilidade da pessoa permanecer no bairro de
subúrbio (não se mudar) é de 90%)
• Sobre as condições iniciais da população da cidade, pode-se afirmar
que:
 A probabilidade de uma pessoa morar em um bairro central no
início do primeiro ano é de 50%;
 A probabilidade de uma pessoa morar em um bairro de subúrbio
no início do primeiro ano é de 50%.
• Distribuição da população da cidade após um ano
BC/BC
0,8 BC = 0,400
BC0 = 0,50
0,2 BS = 0,100 BC1 = 0,400 + 0,050 = 0,450
BC→BS
BS→BC
0,1 BC = 0,050
BS0 = 0,50
BS1 = 0,100 + 0,450 = 0,550
0,9 BS = 0,450
BS/BS
• Deste modo, ao final do primeiro ano (ou no início do segundo ano,

que dá no mesmo), as probabilidades de uma pessoa morar no
centro ou no subúrbio são as seguintes:
início do segundo ano é de 45%;
no início do segundo ano é de 55%.
• Distribuição da população da cidade após dois anos
BC/BC
0,8 BC = 0,360
BC1 = 0,45
0,2 BS = 0,090 BC2 = 0,360 + 0,055 = 0,415
BC→BS
BS→BC
0,1 BC = 0,055
BS1 = 0,55
BS2 = 0,090 + 0,495 = 0,585
0,9 BS = 0,495
BS/BS
• Deste modo, ao final do segundo ano (ou no início do terceiro ano,

que dá no mesmo), as probabilidades de uma pessoa morar no
centro ou no subúrbio são as seguintes:
início do terceiro ano é de 41,5%;
no início do terceiro ano é de 58,5%.
• Cadeia de Markov da evolução da população em dois anos:
Ano Bairros Centrais Bairros de Subúrbio
0 0,500 0,500
1 0,450 0,550
2 0,415 0,585

Roteiro
• Introdução

• Vamos agora dar uma roupagem matemática ao

exemplo anterior para que seja possível utilizar
planilhas eletrônicas para os cálculos da cadeia
de Markov.

Diagrama de Transição Matriz de para

de Estado Transição (P) BC BS
0,2
BC 0,80 0,20
de
BS 0,10 0,90
Bairros
Bairros
0,8 0,5 0,5 de 0,9
Centrais
Subúrbio
Situação Inicial (S0)

BC0 BS0
0,1
0,50 0,50
• Note que:
 A soma dos elementos das linhas da matriz P é sempre 1;
 A soma dos elementos do vetor S0 é 1.
• Siglas:
 BC = Bairros Centrais;
 BS = Bairros de Subúrbio;
 P = matriz de probabilidade de transição;
 S0 = distribuição da população entre os bairros centrais e de
subúrbio no ano 0 (situação inicial);
 BC0 = porcentagem da população que mora nos Bairros Centrais
no ano 0 (situação inicial);
 BS0 = porcentagem da população que mora nos Bairros de
Subúrbio no ano 0 (situação inicial);
• Distribuição da população da cidade após um ano
0,8 BC = 0,400
BC0 = 0,50
0,2 BS = 0,100 BC1 = 0,400 + 0,050 = 0,450
0,1 BC = 0,050
BS0 = 0,50
BS1 = 0,100 + 0,450 = 0,550
0,9 BS = 0,450
P
BC0 BS0 BC BS
0,8 0,2 1 1
S0 × P = S 1 ⇒ 0,50 0,50 ×
0,1 0,9
= 0,450 0,550
• Note que:
 A soma dos elementos do vetor S0 é 1;
• Siglas:
subúrbio no ano 0;
subúrbio no ano 1;
no ano 0 (situação inicial);
Subúrbio no ano 0 (situação inicial);
no ano 1;
Subúrbio no ano 1;
• Distribuição da população da cidade após dois anos
0,8 BC = 0,360
BC1 = 0,45
0,2 BS = 0,090 BC2 = 0,360 + 0,055 = 0,415
0,1 BC = 0,055
BS1 = 0,55
BS2 = 0,090 + 0,495 = 0,585
0,9 BS = 0,495
P
BC1 BS1 BC BS
0,8 0,2 2 2
S1 × P = S 2 ⇒ 0,45 0,55 ×
0,1 0,9
= 0,415 0,585
• Note que:
• Siglas:
subúrbio no ano 1;
subúrbio no ano 2;
no ano 1;
Subúrbio no ano 1;
no ano 2;
Subúrbio no ano 2;
• Cadeia de Markov da evolução da população em 10 anos:

0 0,500 0,500
1 0,450 0,550
2 0,415 0,585
3 0,391 0,610
4 0,373 0,627
5 0,361 0,639
6 0,353 0,647
7 0,347 0,653
8 0,343 0,657
9 0,340 0,660
10 0,338 0,662
Roteiro
• Introdução

Exemplo: Evolução do Uso das Áreas Urbanas
• Uma cidade decidiu fazer uma projeção do uso das áreas

urbanas a fim de melhor localizar os seus serviços públicos.
• Para isto fez um levantamento de como são utilizadas as

áreas urbanas atualmente (residencial, comercial e industrial),
bem como das probabilidades de que uma área se mantenha
ou se transforme no futuro.
• Os resultados são dados nas tabelas da próxima

transparência.

Uso Atual das Áreas Urbanas Matriz de Probabilidades de Transição
I Residencial 30% para I para II para III
de I 0,8 0,1 0,1

II Comercial 20%
de II 0,1 0,7 0,2
III Industrial 50% de III 0,0 0,1 0,9
• Determine a provável evolução do uso das áreas urbanas

dessa cidade em um prazo de 10 anos.

• Uso provável das áreas urbanas após um ano.

P
S0 0,8 0,1 0,1 S1
0,3000 0,2000 0,5000 × 0,1 0,7 0,2 = 0,2600 0,2200 0,5200
0,0 0,1 0,9
• Uso provável das áreas urbanas após dois anos.

P
S1 0,8 0,1 0,1 S2
0,2600 0,2200 0,5200 × 0,1 0,7 0,2 = 0,2300 0,2320 0,5380
0,0 0,1 0,9
• Note que:
• Cadeia de Markov da evolução do uso da área em 10 anos:

Ano Residencial Comercial Industrial
0 0,3000 0,2000 0,5000
1 0,2600 0,2200 0,5200
2 0,2300 0,2320 0,5380
3 0,2072 0,2392 0,5536
4 0,1897 0,2435 0,5668
5 0,1761 0,2461 0,5778
6 0,1655 0,2477 0,5868
7 0,1572 0,2486 0,5942
8 0,1506 0,2492 0,6003
9 0,1454 0,2495 0,6051
10 0,1413 0,2497 0,6090
Roteiro
• Introdução

Determinação do Estado Estacionário

• Note que nos exemplos
0 0,500 0,500
anteriores, as cadeias de
1 0,450 0,550
Markov tendiam a valores
2 0,415 0,585
definidos.
3 0,391 0,610
• Por exemplo: no caso da 4 0,373 0,627
evolução da população que 5 0,361 0,639
mora nos bairros centrais e 6 0,353 0,647
nos bairros do subúrbio este 7 0,347 0,653
valor é: 8 0,343 0,657
– Bairros centrais: 0,3333 9 0,340 0,660
– Bairros do subúrbio: 0,6667 10 0,338 0,662

• Vamos efetuar o produto do vetor [0,3333 ; 0,6667] pela

matriz de transição de estados (P) para verificar o que ocorre:
0,8 0,2
– 0,3333 0,6667 × = 0,3333 0,6667
0,1 0,9
• O vetor [0,3333 ; 0,6667] é chamado de vetor estacionário

(representado pela letra S) e o sistema está em estado
estável.
• Deste modo, no estado estacionário: S ∙ P = S.

• Duas perguntas:
– Toda cadeia de Markov tem um único vetor estacionário?
– Se uma cadeia de Markov tem um único vetor estacionário, as

matrizes de probabilidade de transição de estado irão levar os
estados sempre a se aproximar desse vetor estacionário?
• A resposta às perguntas acima é afirmativa somente

para as cadeias de Markov regulares.

• Seja P uma matriz de probabilidade de transição entre

estados.
• Uma cadeia de Markov é regular se a sua matriz de

probabilidade de transição P for regular.
• Uma matriz P é regular se alguma potência de P tiver

apenas elementos positivos (isto é, maiores que zero).

• Vejamos três exemplos para deixar claro o critério de

regularidade da matriz P.
• Quais das seguintes matrizes P são regulares?
0,8 0,2
– 𝑃1 =
0,1 0,9
0 1
– 𝑃2 =
1 0
0,3 0,7
– 𝑃3 =
1 0

• Resposta:
– A matriz P1 é regular pois todos os seus elementos
são maiores que zero.
– Já as matrizes P2 e P3 devem ter uma investigação

mais detalhada, uma vez que possuem elementos de
valor igual a zero.

• Resposta (continuação): • Potências de P

– Pode-se verificar que 0 1
– 𝑃2 =
1 0
potências de P2 serão sempre 0 1 0 1 1 0
– 𝑃22 = =
das formas especificadas ao 1 0 1 0 0 1
1 0 0 1 0 1
lado. – 𝑃23 = =
0 1 1 0 1 0
– Deste modo, P2 não é uma – 𝑃24 =
0 1 0 1
=
1 0
1 0 1 0 0 1
matriz regular, uma vez que
1 0 0 1 0 1
dois de seus elementos – 𝑃25 = =
0 1 1 0 1 0
0 1 0 1 1 0
sempre serão zero em – 𝑃26 = =
1 0 1 0 0 1
quaisquer das suas 1 0 0 1 0 1
– 𝑃27 = =
potências. 0 1 1 0 1 0

• Resposta (continuação):
– Já a matriz P3 é regular, uma vez que a sua segunda potência
possui todos os elementos maiores que zero, como abaixo
mostrado:
0,3 0,5
– 𝑃3 =
1 0
0,3 0,7 0,3 0,7 0,79 0,21

– 𝑃32 = =
1 0 1 0 0,30 0,70

• Determinamos o vetor estacionário S para uma matriz de

transição P resolvendo a equação matricial abaixo:
– S∙P=S
• Adicionalmente temos que:

– Dado qualquer vetor de estado inicial S0, os vetores de estado
inicial Sk se aproximam do vetor estacionário S;
– As matrizes Pk se aproximam de uma matriz limitante P, onde

cada linha de P é igual ao vetor estacionário S.

• Exemplo:
– Determine o vetor estacionário S da matriz de
transição P abaixo:
0,8 0,2
– 𝑃=
0,1 0,9

• Solução: • Solução:
– S∙P=S – Para resolver o sistema anterior, utilizamos a
– Seja S = 𝑆1 𝑆2 primeira (ou segunda) e a última equação
0,8 0,2 0,8𝑆1 + 0,1𝑆2 = 𝑆1

– 𝑆1 𝑆2 = 𝑆1 𝑆2 – ቊ
0,1 0,9 𝑆1 + 𝑆2 = 1
0,8𝑆1 + 0,1𝑆2 = 𝑆1 – Da última equação:

– ቐ0,2𝑆1 + 0,9𝑆2 = 𝑆2 ✓ S1 = 1 – S2
𝑆1 + 𝑆2 = 1
– Substituindo tal equação na primeira:
– Note que a terceira equação
✓ 0,8 ∙ (1 – S2) + 0,1 ∙ S2 = 1 – S2 ⇒ S2 = 2/3 =
resulta da necessidade de que
0,6667
a soma das probabilidades de
– Voltando na relação entre S1 e S2:
cada estado seja sempre igual a
✓ S1 = 1 – 2/3 ⇒ S1 = 1/3 = 0,3333
1.

Exercícios
– Ler e fazer os exercícios da

seguinte seção do livro “Álgebra
Linear com Aplicações” de
Howard Anton e Chris Rorres:
✓ Seção 10.5.

Exercício 1
• Determine o estado estacionário no exemplo da

evolução do uso das áreas urbanas.
• Lembrando a matriz P de probabilidade de transição de
estados:
Matriz de Probabilidades de Transição
para I para II para III
de I 0,8 0,1 0,1
de II 0,1 0,7 0,2
de III 0,0 0,1 0,9

Solução 1
• Solução: • Solução:
– Para resolver o sistema anterior, utilizamos a
– S∙P=S primeira, a segunda e a última equações:
– Seja S = 𝑆1 𝑆2 𝑆3 0,8𝑆1 + 0,1𝑆2 + 0,0𝑆3 = 𝑆1

– ቐ0,1𝑆1 + 0,7𝑆2 + 0,1𝑆3 = 𝑆2
0,8 0,1 0,1 𝑆1 + 𝑆2 + 𝑆3 = 1
– 𝑆1 𝑆2 𝑆3 0,1 0,7 0,2 = – Da primeira equação:
0,0 0,1 0,9 ✓ 0,8S1 + 0,1S2 = S1 ⇒ 0,1S2 = 0,2S1 ⇒ S2 = 2S1
𝑆1 𝑆2 𝑆3
– Substituindo tal relação na última equação:
0,8𝑆1 + 0,1𝑆2 + 0,0𝑆3 = 𝑆1 ✓ S1 + 2S1 + S3 = 1 ⇒ S3 = 1 – 3S1
0,1𝑆1 + 0,7𝑆2 + 0,1𝑆3 = 𝑆2 – Substituindo as duas relações na segunda equação:
–
0,1𝑆1 + 0,2𝑆2 + 0,9𝑆3 = 𝑆3 ✓ 0,1S1 + 0,7 ∙ 2S1 + (1 – 3S1) = 2S1 ⇒ S1 = 1/8
𝑆1 + 𝑆2 + 𝑆3 = 1 ✓ Logo: S2 = 1/4 e S3 = 1 – 3 ∙ 1/8 = 5/8
– Note que a quarta equação resulta da
necessidade de que a soma das
probabilidades de cada estado seja
sempre igual a 1.

Exercício 2
Matriz de para
• Uma construtora está avaliando as
Transição A E B
possibilidades de investimento para os
próximos anos. A 0,900 0,025 0,075
de E 0,250 0,500 0,250
• Ela sabe que o mercado em um
B 0,150 0,050 0,800
determinado ano pode ser de três tipos:
• Na matriz acima A, E e B
de alta (vendas aceleradas); de baixa
significam, respectivamente, ano
(vendas decrescentes) ou estagnado de alta, ano estagnado e ano de
(vendas constantes). baixa.
• Adicionalmente, a empresa sabe que os • Sabendo que se está em um ano

de baixa, determine:
tipos acima podem se alternar de acordo
– a probabilidade do próximo ano
com a matriz de transição especificada ao ser de alta;
lado. – o estado estacionário do sistema.

Solução 2
• Determinação da probabilidade do próximo ano ser de alta:

– S0 ∙ P = S1
A E B 0,900 0,025 0,075 A E B

– 0 0 1 × 0,250 0,500 0,250 = 0,15 0,05 0,80
0,150 0,050 0,800
– Deste modo, a probabilidade do próximo ano ser de alta é de 15%.

Solução 2
• Para resolver o sistema anterior,

• S∙P=S
utilizamos a primeira, a segunda e a
• Seja S = A E B última equações:
0,900 0,025 0,075 0,900A + 0,025E + 0,150B = A
• A E B 0,250 0,500 0,250 = A E B • ቐ0,025A + 0,500E + 0,050B = E
0,150 0,050 0,800 A+E+B=1
0,900A + 0,025E + 0,150B = A • O resultado do sistema será:
0,025A + 0,500E + 0,050B = E – A = 5/8;
•
0,075A + 0,250E + 0,800B = B
– E = 1/16; e
A+E+B=1
– B = 5/16
• Sendo assim, no estado estacionário teremos:

– 5/8 dos anos (isto é, 62,5%) serão de alta (A);
– 1/16 dos anos (isto é 6,25%) serão de estagnação (E); e
– 5/16 dos anos (isto é, 31,25%) serão de baixa (B).
• Note que a quarta equação do sistema resulta da necessidade de

que a soma das probabilidades de cada estado seja sempre igual a
1.
Fecho da Aula 3.5
• Nesta aula estudamos projeções populacionais

utilizando Cadeias de Markov.
• Na Aula 3.6 vamos aprender a fazer projeções

populacionais utilizando o método “Cohort
Survival”.
• Até a Aula 3.6!


Aula 35 - Cadeias de Markov PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 35 - Cadeias de Markov PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Matemática e Estatística Urbana

Unidade 3 – Técnicas de Projeção Demográfica

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 1

Técnicas de Projeção Demográfica

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 2

• Ao final dessa Unidade você deve ser capaz de:

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 3

• Aula 3.1 – Correlação e Regressão

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 4

Projeções Demográficas Utilizando Cadeias de

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 5

• Ao final desta aula você deverá ser capaz de:

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 6

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 7

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 8

• Existem processos evolutivos para os quais a predição

• Processos que possuem tal característica são chamados

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 9

• Processos de Markov possuem muitas aplicações práticas,

• Nesta aula vamos estudar como realizar projeções

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 10

• Exemplo de um processo de Markov.

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 11

• O diagrama acima é chamado de Diagrama de Transição de Estado.

• Distribuição da população da cidade após um ano

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 13

• Deste modo, ao final do primeiro ano (ou no início do segundo ano,

• Distribuição da população da cidade após dois anos

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 14

• Deste modo, ao final do segundo ano (ou no início do terceiro ano,

• Cadeia de Markov da evolução da população em dois anos:

Ano Bairros Centrais Bairros de Subúrbio

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 15

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 16

• Vamos agora dar uma roupagem matemática ao

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 17

Diagrama de Transição Matriz de para

Situação Inicial (S0)

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 18

• Distribuição da população da cidade após um ano

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 19

• Distribuição da população da cidade após dois anos

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 20

• Cadeia de Markov da evolução da população em 10 anos:

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 22

• Uma cidade decidiu fazer uma projeção do uso das áreas

• Para isto fez um levantamento de como são utilizadas as

• Os resultados são dados nas tabelas da próxima

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 23

Uso Atual das Áreas Urbanas Matriz de Probabilidades de Transição

I Residencial 30% para I para II para III

de I 0,8 0,1 0,1

• Determine a provável evolução do uso das áreas urbanas

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 24

• Uso provável das áreas urbanas após um ano.

• Uso provável das áreas urbanas após dois anos.

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 25

• Cadeia de Markov da evolução do uso da área em 10 anos:

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 27

Ano Bairros Centrais Bairros de Subúrbio

22/04/2018 Aula 3.5 – Projeções Demográficas Utilizando Cadeias de Markov 28

• Vamos efetuar o produto do vetor [0,3333 ; 0,6667] pela

• O vetor [0,3333 ; 0,6667] é chamado de vetor estacionário