Escolar Documentos
Profissional Documentos
Cultura Documentos
Questão 1 3.0
Solução:
O Ponto aqui é atribuir as incógnitas como sendo o número de carros que passa
pelas ruas separadas pelos cruzamentos. Assim, a figura pode ser modelada da
seguinte forma:
Note que o número de carros que entram no sistema é o mesmo número que
sai, assim como o número de carros que entram em cada cruzamento, é o mesmo
que sai de cada cruzamento. Podemos
então montar o sistema.
Entrada Saída
Sistema 35 + 25 40 + 20
A 𝑥 𝑡 + 40
B 𝑦 + 20 + 30 𝑥
C 25 + 𝑡 𝑊 + 20
D 𝑤 𝑠 + 30
E 𝑠 + 35 𝑦 + 20
𝑥 − 𝑡 = 40 1 0 −1 0 0 𝑥 40
𝑥 − 𝑦 = 50 1 −1 0 0 0 𝑦 50
𝑤−𝑡 =5 → 0 𝑡
0 −1 1 0 [ ] = 5
𝑤 − 𝑠 = 30 0 0 0 1 −1 𝑤 30
{ 𝑦 − 𝑠 = 15 [0 1 0 0 −1] 𝑠 [15]
1 0 0 0 −1 65
0 1 0 0 −1 15
0 0 1 0 −1 = 25
0 0 0 1 −1 30
[0 0 0 0 0 ] [0]
Questão 2
Cadeias de Marcov
Modelos matemáticos podem ser determinísticos quando as condições sob as quais o
experimento é realizado determinam o resultado do experimento, e não determinísticos
quando não é possível prever de antemão seus resultados. Neste último caso diz-se que o
experimento é aleatório.
Um dos objetivos do estudo de probabilidade é estudar os experimentos aleatórios. O cálculo
da probabilidade envolve além do conceito de experimento aleatório, os conceitos de espaço
amostral e evento.
Um Espaço amostral é definido como sendo o conjunto formado por todos os resultados
possíveis de um experimento aleatório.
Por exemplo ao lançarmos uma moeda uma vez, temos que o espaço amostral é
{𝑐𝑎𝑟𝑎; 𝑐𝑜𝑟𝑜𝑎}, se jogar um dado convencional de seis faces, o espaço amostral vai ser
{1 ,2 ,3 ,4 ,5 ,6}
Muitos fenômenos que ocorrem na natureza e na sociedade podem ser estudados, pelo
menos em uma primeira aproximação, como se os fenômenos passassem a partir de um
estado inicial, por uma sequência de estados, onde a transição de um estado para o seguinte,
ocorre segundo uma certa probabilidade. No caso em que esta probabilidade de transição
depende apenas do estado em que o fenômeno se encontra e do estado a seguir, o processo é
denominado de Processo de Markov e uma sequência de estados envolvida nesse processo é
denominada de Cadeia de Markov.
Alerta!!!
Alguns textos trabalham com a ideia de 𝒑𝒊𝒋 ser a probabilidade de sair do estado 𝒊 para o
estado 𝒋, neste caso tudo vai funcionar igual, mas a matriz 𝑷 nestes textos, será a nossa
matriz 𝑷𝒕 . Estou dizendo isso como alerta, caso você queira procurar outros textos.
Exemplo:
Conferindo os registros de doações recebidas, uma certa entidade filantrópica observa que
80% dos seus associados que contribuem ao fundo da entidade em um certo ano, também
contribuem no ano seguinte e que 30% dos que não contribuem em um certo ano, contribuem
no ano seguinte.
Solução:
Isto pode ser visto como uma Cadeia de Markov de dois estados.
Assim,
0,8 0,3
𝑃=[ ]
0,2 0,7
Note que:
Essas são condições necessárias para uma matriz de transição. No caso geral, se 𝑃 = [𝑝𝑖𝑗 ], é a
matriz de transição de uma Cadeia de Markov com 𝑘 estados, deve-se ter que
𝑘
𝑃𝑗 = ∑ 𝑝𝑖𝑗 = 1
𝑖=1
Para todo 𝑗 = 1 ⋯ 𝑘.
Em geral, numa observação arbitrária, não se pode determinar com certeza o estado de um
sistema em uma Cadeia de Markov. O melhor que se pode fazer é especificar as probabilidades
para cada um dos estados possíveis.
Podemos descrever o estado possível do sistema, em uma certa observação em uma Cadeia de
Markov com 𝑘 estados, por um vetor coluna
𝑥1
𝑥2
𝑥=[⋮ ]
𝑥𝑘
onde 𝑥1 é a probabilidade do sistema estar no primeiro estado, 𝑥2 é a probabilidade de estar
no segundo estado e 𝑥𝑘 é a probabilidade do sistema estar no 𝑘 −ésimo estado.
Definimos então, o vetor estado (ou vetor de probabilidade) de uma observação de uma
Cadeia de Markov com 𝑘 estados é um vetor coluna 𝑥 cuja 𝑖 −ésima componente 𝑥𝑖 é a
probabilidade do sistema estar no 𝑖 −ésimo estado naquela observação. Além disso, como
estamos falando de probabilidades, temos que, em um vetor de estado deve ocorrer:
• 𝑥𝑖 ≥ 0 para todo 𝑖 = 1 ⋯ 𝑘
• 𝑥1 + ⋯ + 𝑥𝑘 = 1
A seguir, denotamos por 𝑥 (𝑖) o vetor estado na 𝑖 −ésima observação de uma Cadeia de
Markov. Suponhamos agora, que seja conhecido o vetor estado 𝑥 (0) de uma Cadeia de Markov
numa observação inicial, Então podemos determinar os estados das observações
subsequentes na Cadeia de Markov, a partir do seguinte resultado:
𝑥 (𝑛+1) = 𝑃 ⋅ 𝑥 (𝑛)
𝑥 (0) = 𝑃𝑛 ⋅ 𝑥 (0)
Voltando ao exemplo:
0,8 0,3
𝑃=[ ]
0,2 0,7
Para determinar um registro futuro provável de contribuição de um novo associado que não
contribuiu para este ano de 2017, o qual vamos considerar como o ano inicial das
contribuições. Para esse associado o sistema está inicialmente no segundo estado, de modo
que o vetor estado inicial é
0
𝑥 (0) = [ ]
1
Neste caso ele não contribuiu, assim 𝑥1 = 0 pois a probabilidade dele contribuir é zero e 𝑥2 =
1 pois ele não contribuiu, com isso a probabilidade é 1, de não contribuir no estado zero.
• 𝑞𝑖 ≥ 0 para todo 𝑖
• 𝑞1 + ⋯ + 𝑞𝑘 = 1
Voltando ao nosso exemplo, podemos ver que o vetor estacionário da matriz de transição
0,8 0,3
𝑃=[ ]
0,2 0,7
É
0,6
𝑞=[ ]
0,4
Note que poderíamos encontrar tal vetor, resolvendo o sistema homogêneo
(𝐼 − 𝑃) ⋅ 𝑞 = 0
Solução:
0,4 0,5 0,1
𝑃 = [0,4 0,3 0,5]
0,2 0,2 0,4
Como estamos na quinta feira e queremos determinar o sábado, desejamos 𝑥 (2) , logo
𝑥 (2) = 𝑃 ⋅ 𝑃 ⋅ 𝑥 (0)
Pelos dados
0,1
𝑥 (0) = [0,7]
0,2
Então
0,38 0,37 0,33 0,1 0,363
𝑥 (2) = [0,38 0,39 0,39] ⋅ [0,7] = [0,389]
0,24 0,24 0,28 0,2 0,248
A probabilidade de não chover, é a soma das probabilidades de estar nublado somada a
probabilidade de fazer sol:
Em uma experiência um psicólogo coloca um rato cada dia em uma gaiola com duas portas, A
e B. O rato pode passar pela porta A, onde recebe um choque elétrico, ou pela porta B, onde
recebe comida. Mantém-se o registro da porta usada pelo rato. 35 No início do experimento,
em uma segunda-feira, o rato tem a mesma probabilidade de escolher a porta A ou a B. Depois
de passar pela porta A e receber um choque, a probabilidade de usar a mesma porta no
próximo dia é 0,3. Depois de passar pela porta B e receber comida, a probabilidade de usar a
mesma porta no próximo dia é 0,6.
b – 1.0 Qual a probabilidade do rato passar pela porta A, na quinta-feira (terceiro dia após o
experimento)?
Solução:
(𝐼 − 𝑃) ⋅ 𝑞 = 0