Escolar Documentos
Profissional Documentos
Cultura Documentos
Acreditar é mais fácil do que pensar. Daí existirem muito mais crentes do que pensadores. - Bruce Calvert
Modelagem e Simulação - Cadeias de Markov
1. Introdução
Nestas notas de aula serão tratados modelos de probabilidade para processos que
evoluem no tempo de maneira probabilística. Tais processos são denominados Processos
Estocásticos.
a) Em relação ao Estado
Estado Discreto (cadeia): X(t) é definido sobre um conjunto enumerável ou finito.
Estado Contínuo (seqüência): X(t) caso contrário.
Exemplos:
1. Número de usuários em uma fila de banco em um determinado instante: Estado
Discreto e Tempo Contínuo.
2. Índice pluviométrico diário: Estado Contínuo e Tempo Discreto.
3. Número de dias chuvosos: Estado Discreto e Tempo Discreto.
Existem vários "tipos" de Processos Estocásticos, porém, nestas notas de aula será
apenas abordado um tipo de Processo Estocástico denominado Processo Markoviano.
2. Processos Markovianos
Um Processo Estocástico é dito ser um Processo Markoviano se:
Tempo 1 2 3 4 5 6 7 8 9 10
Estado C C V C V C C C V V
Por exemplo, a transição do estado V para o estado V (de passo 1) ocorre nesta série
somente uma vez (entre os tempos 9 e 10). Já a transição do estado V para o estado C (de
passo 1) ocorre duas vezes nesta série histórica (entre os tempos 3 e 4 e 5 e 6). Fazendo a
contagem para todas as transições possíveis fica:
para C para V
de C 3 3
de V 2 1
1
Uma série temporal (ou série histórica) é uma realização de um processo estocástico.
Notas de Aula - Fernando Nogueira
3
Modelagem e Simulação - Cadeias de Markov
Exemplo A
O estado no ano de 1993 do uso da terra em uma cidade de 50 quilômetros
quadrados de área é:
x = [I II III] (2)
Porque p ij(n ) são probabilidades condicionais, estas precisam ser não negativas e
desde que o processo precisa realizar uma transição em algum estado, estas precisam
satisfazer as seguintes propriedades:
M (12)
∑p
j= 0
(n )
ij =1 ∀ i; n = 0,1,2,...
Estado 0 1 ... M
( n ) (n ) . . .
0 p 00 p 01 p 0( nM)
(n ) (n ) . . .
1 p10 p11 p1( M n)
. . . ... .
M ( n ) (n ) . . . (n )
p M0 p M 1 p MM
Ainda será assumido como conhecido o vetor de probabilidade de estado inicial π(0)
(vetor composto por P{X0 = i} para todo i).
Exemplo B
Uma loja de câmeras fotográficas armazena um modelo de câmera que pode ser
comprada semanalmente do fornecedor. D1, D2, . . ., representa a demanda para esta câmera
(o número de unidades que deveriam ser vendidas se o estoque não é esgotado) durante a
semana 1, semana 2, . . ., respectivamente. É assumido que Di são variáveis aleatórias
independentes e identicamente distribuídas (i.i.d∗) tendo uma distribuição de Poisson com
média igual a 1. Dado X0 representar o número de câmeras inicialmente, X1 o número de
câmeras no fim da semana 1, X2 o número de câmeras no fim da semana 2 e assim por
diante. Assume-se que X0 = 3. No sábado a noite a loja faz o pedido de câmeras para o
fornecedor, o qual realizará a entrega apenas na próxima segunda-feira. A loja utiliza a
seguinte política de compra: se não há câmeras no estoque, a loja compra 3 câmeras.
Entretanto, se há alguma câmera no estoque, nenhuma câmera é comprada. Vendas são
perdidas quando a demanda excede o estoque. Assim, {X t } para t = 0, 1, 2, . . . é um
Processo Estocástico. Os Estados possíveis do processo são os inteiros 0, 1, 2, 3,
representando o número de câmeras no fim da semana t, ou seja, o espaço de estados, para
∗
( )
Duas variáveis aleatórias são independentes se P (A ∩ B) = P A B .P(B) = P(A ).P (B) .
Duas variáveis aleatórias são identicamente distribuídas se possuem a mesma distribuição de probabilidade.
Notas de Aula - Fernando Nogueira
7
Modelagem e Simulação - Cadeias de Markov
Distribuição de Poisson
Matematicamente:
A probabilidade de exatamente r ocorrências de um evento é:
(λ )r e − λ (15)
P(r ) =
r!
onde:
λ é a média da distribuição
A variância de P(r) é λ também.
Exemplo:
O número médio de defeitos em laminas de vidro é 5. A probabilidade que a lamina
tenha 6 defeitos é:
(5)6 e −5 (16)
P(6) = = 0.146
6!
1n e −1 (17)
P{D t +1 = n} = , para n = 0, 1,...
n!
e −1 (20)
P{D t +1 = 2} = = 0.184
2
p00
p01
p10
p12
Sidney Chapman (*1888, Eccles, Inglaterra; €1970, Andrey Nikolaevich Kolmogorov (*1903, Tambov,
Boulder, Estados Unidos). Russia; €1987, Moscow, Russia).
M (27)
p (ijn ) = ∑ p mik p nkj− m
k =0
∀ i = 0,1,..., M
∀ j = 0,1,..., M
e qualquer m = 1, 2, ..., n-1
e qualquer n = m+1, m+2, ....
P ( n ) = P m .P n − m (28)
onde:
P(n) é a matriz de transição de passo n.
A partir de (28) pode-se concluir, portanto, que:
P (n) = P n (29)
0.080 0.184 0.368 0.368 0.080 0.184 0.368 0.368 0.249 0.286 0.300 0.165 (30)
0.632 0.368 0 0 0.632 0.368 0 0 0.283 0.252 0.233 0.233
P (2 ) = P 2 = . =
0.264 0.368 0.368 0 0.264 0.368 0.368 0 0.351 0.319 0.233 0.097
0.080 0.184 0.368 0.368 0.080 0.184 0.368 0.368 0.249 0.286 0.300 0.165
π ( 0) = [0 0 0 1] (31)
Um estado j é dito ser alcançável (accessible) a partir de um estado i se p ij(n ) > 0 para
algum n ≥ 0 . Isto implica que é possível o sistema entrar no estado j eventualmente quando
este começa no estado i.
Exemplo 2: Um jogador tem um $1,00 e a cada vez que joga ganha $1,00 com
probabilidade p>0 ou perde $1,00 com probabilidade 1-p. O jogo termina quando o jogador
acumula $3,00 ou $0,00. Este jogo é uma Cadeia de Markov cujos estados representam a
quantia esperada de dinheiro que o jogador possui a cada vez que joga. O espaço de estados
é E = {0 1 2 3} e a matriz de transição P é dada por:
Estado 0 1 2 3
0 1 0 0 0 (34)
1 1 − p 0 p 0
P=
2 0 1− p 0 p
3 0 0 0 1
(n )
estado 3, este nunca deixará este estado, o que implica que p 32 = 0 para todo n ≥ 0 .
(1)
Entretanto, o estado 3 é alcançável a partir do estado 2, uma vez que p 23 > 0 .
Se dois estados se comunicam entre si, diz-se que eles pertencem à mesma classe.
Se todos os estados são comunicantes, portanto todos os estados pertencem a uma
única classe, a Cadeia de Markov é dita ser Irredutível.
Estado 0 1 2 3 4
0 1 3 0 0 0
4 4
1 1 1 0 0 0 (35)
P= 2 2 2
0 0 1 0 0
3 0 0 1 2 0
3 3
4 1 0 0 0 0
Estado 0 1 2 3
0 0 1 1
0 2 2
1 0 0 1 1 (36)
P= 1 2 2
2 2 1 0 0
2
3 1 1
0 0
2 2
2.5
2
estado
1.5
0.5
0
0 10 20 30 40 50 60 70 80 90 100
tempo (passo)
Figura 2 - Cadeia de Markov com estados periódicos.
Exemplo 9: o estado 2 do exemplo 2 possui período t = 2 porque está na mesma classe que
o estado 1, o qual, por sua vez, tem período t = 2.
Em uma Cadeia de Markov de estado finito, estados recorrentes que são aperiódicos
são chamados de estados Ergódicos. Uma Cadeia de Markov é dita ser Ergódica se todos
os estados são estados ergódicos.
Resumo
n=1
0.080 0.184 0.368 0.368
(37)
0.632 0.368 0 0
P (1) =
0.264 0.368 0.368 0
0.080 0.184 0.368 0.368
n=2
0.249 0.286 0.300 0.165
(38)
0.283 0.252 0.233 0.233
P (2 ) =
0.351 0.319 0.233 0.097
0.249 0.286 0.300 0.165
n=4
2
Embora o termo “Probabilidades de Estados Estáveis” seja mundialmente utilizado, este é inexato, uma vez
que Estáveis não são os Estados, mas sim os valores de Probabilidades.
Notas de Aula - Fernando Nogueira
17
Modelagem e Simulação - Cadeias de Markov
n=8
0.286 0.285 0.264 0.166
(40)
0.286 0.285 0.264 0.166
P =
(8)
0.286 0.285 0.264 0.166
0.286 0.285 0.264 0.166
Como se pode perceber, todas as linhas da matriz P(8) são aproximadamente iguais
(no caso, são iguais apenas devido ao truncamento na 30 casa decimal), e serão
absolutamente iguais para n → ∞ . Se todas as linhas da matriz de transição são iguais, o
processo torna-se independente da distribuição de probabilidade inicial, a qual é
representada pelo vetor de probabilidade de estado π0.
No caso do estoque da loja de câmeras, isto implica que a longo período, o estado
do estoque é independente do estado inicial X0 = 3.
A figura abaixo mostra o vetor de probabilidade de estado em função do tempo para
π = [1 0 0 0] (X0 = 0), π(0) = [0 1 0 0] (X0 = 1), π(0) = [0 0 1 0] (X0 = 2), π(0) = [0 0 0 1]
(0)
(X0 = 3). Nota-se que independente do estado inicial do estoque da loja de câmeras, a
distribuição de probabilidade dos estados π(7) é praticamente a mesma nos gráficos abaixo.
0.7 0.7
probabilidade do estado
probabilidade do estado
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
tempo (passo) tempo (passo)
0.7 0.7
probabilidade do estado
probabilidade do estado
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
tempo (passo) tempo (passo)
M (42)
π j = ∑ πi p ij para j = 0,1,2,..., M
i =0
M (43)
∑π j= 0
j =1 para j = 0,1,2,..., M
∗
A existência de lim p ij(n ) é garantida se a Cadeia é Ergódica e Irredutível, no entanto, este limite pode também
n→ ∞
existir para Cadeias Não Irredutíveis e/ou Não Ergódicas (ver Tabela 4).
Notas de Aula - Fernando Nogueira
19
Modelagem e Simulação - Cadeias de Markov
π 0 = π 0 p 00 + π1 p10 + π 2 p 20 + π 3 p 30
π1 = π 0 p 01 + π1 p11 + π 2 p 21 + π 3 p 31
π 2 = π 0 p 02 + π1 p12 + π 2 p 22 + π 3 p 32 (44)
π = π p + π p + π p + π p
3 0 03 1 13 2 23 3 33
1 = π 0 + π1 + π 2 + π 3
0 = π 0 (p 00 − 1) + π1 p10 + π 2 p 20 + π 3 p 30
0 = π 0 p 01 + π1 (p11 − 1) + π 2 p 21 + π 3 p 31
0 = π 0 p 02 + π1 p12 + π 2 (p 22 − 1) + π 3 p 32 (45)
0 = π p + π p + π p + π (p − 1)
0 03 1 13 2 23 3 33
1 = π 0 + π1 + π 2 + π 3
p (ijn ) = 0, ∀ n (49)
Observação Importante1: os valores na expressão (48) foram obtidos através das Equações
de Estados Estáveis, no entanto, o método de se elevar a matriz de transição P a n-ésima
potência para se determinar P(n) é sempre válido, apesar de não haver necessidade que todas
as linhas de P(n) sejam idênticas mesmo para n → ∞ . O seguinte exemplo deixa claro esta
ressalva.
1 0 0
P (1)
= 0 1 0 (51)
0.3 0.2 0.5
1 0 0
P ( 2 ) = 0 1 0 (52)
0.45 0.30 0.25
1 0 0
P ( 3) = 0 1 0 (53)
0.525 0.350 0.125
1 0 0
P (4)
= 0 1 0 (54)
0.5625 0.3750 0.0625
:
:
1 0 0
P ( ∞) = 0 1 0 (55)
0.6 0.4 0
π 0 = π 0 + π 2 0.3
(56)
π1 = π1 + π 2 0 . 2
π 2 = π 2 0. 5
1 = π 0 + π1 + π 2
π0 + π1 = 1 e π2 = 0 (57)
e conseqüentemente não existe uma solução determinada para π0 e π1. Como se pode notar,
as linhas de P (∞ ) não são iguais e, por isso, os valores de π0 e π1 não são determinados
unicamente. Este fato ocorreu devido a esta Cadeia de Markov não ser Irredutível (no
entanto, existem cadeias não Irredutíveis e que o sistema de equações de Estados Estáveis
possui solução única (ver tabela 4, caso 2)).
M (58)
∑p j=1
ij =1 ∀ i = 1,2,..., M
M (59)
∑p i =1
ij =1 ∀ j = 1,2,..., M
esta matriz é dita ser uma matriz Duplamente Estocástica e neste caso, para P irredutível∗,
tem-se:
1 (60)
lim p ij(n ) = ∀ i, j = 1,2,..., M
n→∞ M
Considerações matemáticas:
π = πP (61)
sendo:
π um vetor linha; e
P é uma matriz quadrada.
Pt πt = πt (62)
0.5 0.5 0
1
∗
P = 0.5 0.5 0 é duplamente estocástica, mas lim p ij(n ) ≠ ∀ i, j = 1,2,3 porque P não é
n →∞ 3
0 0 1
Irredutível. Assim, pode-se concluir que se P é duplamente estocástica, o lim pij(n ) existe somente se P é
n→∞
irredutível.
Notas de Aula - Fernando Nogueira
22
Modelagem e Simulação - Cadeias de Markov
sendo:
t o operador transposto.
A expressão (62) pode ser entendida como um problema de auto-valor∗, que implica
em Pt ter um auto-valor igual a 1.
O problema de auto-valor fica então:
(P t
− λI )π t = 0; (63)
A solução é:
1 0 0 0 (65)
0 0.092 + 0.2434i 0 0
AutoValor =
0 0 0.092 − 0.2434i 0
0 0 0 0
∗
Ax = λx ⇒ (A − λI )x = 0
sendo:
λ um auto-valor;
x um auto-vetor associado ao auto-valor λ; e
I a matriz identidade.
0.5606 (67)
0.5590
π =
t
0.5165
0.3264
Que por sua vez, normalizado para a soma dos seus elementos ser igual a 1 é:
A solução é:
1 0 0 (70)
AutoValor = 0 1 0
0 0 0.5
1 0 − 0.4867 (71)
AutoVetor = 0 1 − 0.3244
0 0 0.8111
Estado 0 1
0 0 1 (72)
P=
1 1 0
1 n (73)
lim ∑ p ij(k ) = π j , ∀ i
n →∞ n
k =1
1 n (74)
C = E ∑ C(X t )
n t =1
Através de (73), pode-se demonstrar que o Custo Médio por Unidade de Tempo
associado à Cadeia de Markov é dado por:
1 n M (75)
lim E ∑ C(X t ) = ∑ π j C( j)
n →∞ n t =1 j=0
Exemplo: a função de custo para o exemplo do estoque da loja de câmeras é dada por:
0 se X t = 0
(76)
2 se X t = 1
C(X t ) =
8 se X t = 2
18 se X t = 3
1 n (77)
lim E ∑ C(X t ) = 0.286(0) + 0.285(2) + 0.263(8) + 0.166(18) = 5.662
n →∞ n t =1
O valor da expressão (77) é o custo médio esperado do estoque por semana. Outro
resultado interessante é obtido para a seguinte função de custo:
1 se X t = j (78)
C(X t ) =
0 se X t ≠ j
Aplicando os valores de (78) em (75), o resultado são os próprios πj. Com isso, os
valores de πj podem ser interpretados como a fração do tempo em que o processo está no
estado j.
A tabela abaixo mostra uma série temporal dos valores observados de um estoque
(C=cheio, V=vazio) em função do tempo, em um período finito (10 observações):
Tempo 1 2 3 4 5 6 7 8 9 10
Estado C C V C V C C C V V
Nesta série ocorreram 6 vezes o estado C (cheio) e 4 vezes o estado V. Desta forma,
6 4
a frequência relativa de ocorrências do estado C é e do estado V é . Se houvesse
10 10
infinitas séries (infinitas realizações do processo estocástico) ou mesmo que em uma única
série houvesse infinitas amostras no tempo (uma única realização do processo estocástico),
os valores de frequência relativas definidas acima seriam equivalentes aos valores de
probabilidades πj (fração do tempo em que o processo está no estado j).
∞
Tabela 4 - Condições para π em função da classificação da cadeia.
Ergódica Não ergódica
todos os estados são recorrentes e existe ao menos um estado existe ao menos um estado
aperiódicos transiente periódico
Irredutível π∞ independe de π 0 a existência de ao menos um π∞ independe de π 0
todos os estados são estado transiente implica em
lim p ij(n ) = π j , ∀i ∉ lim p ij( n )
comunicantes
n →∞ haver estados que não são n →∞
2.6 Custo Médio Esperado por Unidade de Tempo para Funções de Custo Complexas
3) Para cada m = 0,±1,±2,... fixo é ocorrido um custo C(Xt,Dt+m) no tempo t, para t = 0,1,
2, . . .
4) A seqüência X0, X1,. . ., Xt precisa ser independente de Dt+m.
1 n M (79)
lim E ∑ C(X t , D t + m ) = ∑ K ( j).π j
n →∞ n t =1 j=0
onde:
1 n M (81)
lim ∑ C(X t , D t + m ) = ∑ K ( j).π j
n →∞ n t =1 j=0
O Tempo de Primeira Passagem pode ser entendido como o tempo demandado para
o processo atingir o estado j a partir do estado i. Quando j = i, o Tempo de Primeira
Passagem é simplesmente o número de passos (transições) para o processo retornar ao
estado inicial i. Neste caso, denomina-se Tempo de Recorrência para o estado i.
Retomando o exemplo do estoque da loja de câmeras, o estado do estoque para as
seis primeiras semanas é:
X0 = 3 X1 = 2 X2 = 1 X3 = 0 X4 = 3 X5 = 1
(83)
f ij(2 ) = ∑ p ik f kj(1)
k≠ j
:
:
(84)
f ij(n ) = ∑ p ik f kj(n −1)
k≠ j
∞ (87)
∑f ( ) ≤1
n =1
ij
n
∞
Se ∑ f ij(n ) < 1 implica que processo inicialmente no estado i, pode nunca alcançar o
n =1
∞
estado j. Quando ∑ f ( ) = 1,
n =1
ij
n
f ij(n ) pode ser considerado como a distribuição de
∞
(n ) (88)
∞ se ∑ f ij < 1
n =1
µ ij = ∞ ∞
∑ nf ij(n ) se ∑ f ij
(n )
=1
n =1 n =1
∞
Sempre quando ∑ f ( ) = 1, µ
n =1
ij
n
ij unicamente satisfaz a equação:
µ ij = 1 + ∑ p ik µ kj (89)
k≠ j
Exemplo: Tempo de Primeira Passagem Esperado para o estoque da loja de câmeras a partir
do estado 3 (estoque cheio) para o estado 0 (estoque vazio):
µ 30 = 1 + p 31 µ 10 + p 32 µ 20 + p 33 µ 30 (90)
µ 20 = 1 + p 21 µ10 + p 22 µ 20 + p 23 µ 30
µ 10 = 1 + p11µ 10 + p12 µ 20 + p13 µ 30
Assim, o tempo esperado para o estoque ficar vazio, a partir de estar cheio é de 3.50
semanas.
Quando i = j, µ jj é o Tempo de Recorrência Esperado para o estado j. De posse
das probabilidades de estado estáveis πj, o Tempo Esperado de Recorrência pode ser
calculado como:
1 (93)
µ jj = para j = 0,1,..., M
πj
1 (94)
µ 00 = = 3.50 semanas
π0
1 (95)
µ 11 = = 3.51 semanas
π1
1 (96)
µ 22 = = 3.80 semanas
π2
1 (97)
µ 33 = = 6.02 semanas
π3
∞
Um estado é Transiente se ∑ f jj(n ) < 1 , que implica que µ jj = ∞ .
n =0
∞
Um estado é Recorrente se ∑ f jj(n ) = 1 .
n =0
Considerações matemáticas:
Uma analogia interessante que pode ser feita com a expressão (93) é:
1 (98)
T=
f
onde:
T é período;
f é freqüência.
Observação: a unidade Hertz (Hz) corresponde a ciclos/segundo, sendo adequado seu uso
apenas quando um passo na Cadeia de Markov corresponde a um segundo.
Notas de Aula - Fernando Nogueira
31
Modelagem e Simulação - Cadeias de Markov
M (100)
f ik = ∑ p ij f jk para i = 0,1,..., M
j= 0
sujeito as condições:
f kk = 1 (101)
f ik = 0 se i é um estado recorrente e i ≠ k
Estado 0 1 2 3 4
0 1 0 0 0 0
2 1
1 3 0
3
0 0 (102)
P= 2 0 2 0 1 0
3 3
3 0 0 2 0 1
3 3
4 0 0 0 0 1
f 20 = p 20 f 00 + p 21 f 10 + p 22 f 20 + p 23 f 30 + p 24 f 40 (103)
Através da expressão (101) verifica-se que f00 = 1 e f40 = 0, uma vez que o estado 4
é um estado absorvente, que por sua vez é um caso específico de estado recorrente. Devido
a estas verificações a expressão (103) degenera-se em:
f 20 = p 20 + p 21 f 10 + p 22 f 20 + p 23 f 30 (104)
Nota-se em (104) que se tem uma equação e três incógnitas (f10, f20, f30). Porém,
pode-se escrever o seguinte sistema:
Tem-se então um sistema com três equações e três incógnitas. Resolvendo este
4
sistema, obtém-se o valor de f 20 = , ou seja, a probabilidade do processo estagnar no
5
estado 0 a partir do estado 2. Conseqüentemente, a probabilidade do processo estagnar no
1
estado 4 a partir do estado 2 é f 24 = . Tais probabilidades também podem ser verificadas
5
elevando a matriz P a valores de potência grandes (com um alto custo computacional).
Para este exemplo, calculou-se P10000 e verificou-se, por indução que P (∞ ) é:
Estado 0 1 2 3 4
0 1 0 0 0 0
14
1 15 0 0 0 1 (107)
15
P (∞ ) = 2 4 0 0 0 1
5 5
3 8 0 0 0 7
4 15 15
0 0 0 0 1
Pt (r ) =
(λt )r e − λt
r!
∞ ∞
3) Explique porque ∑ f ij(n ) pode ser <1 ? Qual a classificação do estado i se ∑ f ii(n ) < 1 ?
n=0 n =0
Qual é P (∞ ) ?
0.5 0.5 0
P = 0 0.5 0.5
0.75 0.25 0
Calcule f 20(5) , µ 02 e µ 12
7) Classifique os estados das Cadeias de Markov abaixo, de acordo com as suas respectivas
Matrizes de Transição.
a)
Estado 0 1 2
0 0 1 1
2 2
P= 1 1 0 1
12 1
2
2 2 0
2
b)
Estado 0 1 2 3 4 5
0 0 1 1 0 0 0
2 2
1 0 0 0 1 1 1
3 3 3
2 1 1 1
P= 0 0 0
3 3 3
3 1 0 0 0 0 0
4 1 0 0 0 0 0
5 1 0 0 0 0 0
c)
Estado 0 1 2
0 0 1 0
P= 1 0 0 1
2 1 0 0
8) O setor de vendas de Whisky de uma loja vendeu 600.000 caixas no trimestre passado.
Existem no mercado as firmas X, Y, Z e Outras que venderam respectivamente 240.000,
180.000, 120.000 e 60.000 caixas. A empresa Z resolve lançar uma nova marca de Whisky
com um preço aproximadamente igual ao dos concorrentes acompanhada de uma forte
divulgação que irá custar L milhões de $ e que irá produzir a seguinte matriz de transição
para um período de 3 meses.
Estado X Y Z Outras
X 0.7 0.1 0.1 0.1
Y 0.1 0.8 0.05 0.05
P=
Z 0.02 0.03 0.9 0.05
Outras 0.2 0.2 0.2 0.4
Estado Condição
0 operação normal (máxima produção)
1 operação com baixa perda de produção
2 operação com alta perda de produção
3 inoperante
Através de dados históricos, a matriz de transição (mês a mês) para esta maquina é:
Estado 0 1 2 3
0 0 7 1 1
8 16 16
1 0 3 1 1
P= 4 8 8
2 1 1
0 0 2 2
3 0 0 0 1
De acordo com o estado da máquina, algumas decisões podem ser tomadas com
respectivos custos: Substituir a máquina por uma outra nova demanda 1 semana para ser
realizada esta operação e a produção é perdida neste período a um custo de $2.000,00 e o
custo da máquina nova é $4.000,00. Quando a máquina opera no estado 1, há um custo de
$1.000,00 e quando a máquina opera no estado 2, há um custo de $3.000,00, ambos devido
à produção de itens defeituosos. Realizar manutenção na máquina não é viável quando esta
se encontra no estado 3. A manutenção não melhora em nada a capacidade de operação da
máquina quando esta se encontra nos estados 0 e 1. A manutenção da máquina faz com que
esta retorne ao estado 1, quando esta está operando no estado 2 a um custo de $2.000,00 e a
produção é perdida por 1 semana. Não é permitido manter a máquina no estado 3.
Qual a política ótima de manutenção desta máquina? Utilize o método de
enumeração exaustiva.
Obs: a resolução deste exercício exige os conceitos tratados em Processos Markovianos de
Decisão (não consta nestas notas de aula).
Respostas
1) Sim, porque Pt(r) representa uma coleção de variáveis aleatórias indexadas por um
parâmetro t, dentre outros.
∞
3) Se existe a probabilidade do estado i nunca alcançar o estado j, então ∑ f ij(n ) < 1 . Neste
n=0
caso, f ij(n ) não pode ser tido como a distribuição de probabilidade para a variável aleatória
∞
Tempo de Primeira Passagem. Se ∑ f ii(n ) < 1 o estado i é transiente.
n =0
1 1 1
3 3 3
P (∞ ) = 1 1 1
3 3 3
13 1
3
1
3
6) f 20(5) = 0.03515625
µ 02 = 1 + p 00 µ 02 + p 01 µ 12 µ = 1 + 0.5µ 02 + 0.5µ12 µ = 4
⇒ 02 ⇒ 02
µ 12 = 1 + p 10 µ 02 + p11 µ 12 µ 12 = 1 + 0.5µ12 µ 12 = 2
8)
240000 180000 120000 60000
π (0 ) = = [0.4 0.3 0.2 0.1]
600000 600000 600000 600000
Incremento:
750.600 – 480.000 = 270.600 caixas
Cada 1% de 600.000 representa k milhões, ou seja, cada 6.000 caixas (1% de 600.000)
representa k milhões.
Assim, 270.600/6.000 = 45.1k milhões.
Conclusão
9)
Ra
Estado 0 1 2 3
0 0 7 1 1
8 16 16
1 0 3 1 1
P= 4 8 8
2 1 1
0 0 2 2
3 1 0 0 0
Rb
Estado 0 1 2 3
0 0 7 1 1
8 16 16
1 0 3 1 1
P= 4 8 8
2 0 1 0 0
3 1 0 0 0
Rc
Estado 0 1 2 3
0 0 7 1 1
8 16 16
1 0 3 1 1
P= 4 8 8
2
1 0 0 0
3 1 0 0 0
Rd
Estado 0 1 2 3
0 0 7 1 1
8 16 16
1 1 0 0 0
P=
2 1 0 0 0
3 1 0 0 0
10)
Minimize Z = 1.000 y11 + 6.000y13 + 3.000y 21 + 4.000 y 22 + 6.000 y 23 + 6.000y 33
Sujeito a :
y 01 + y 11 + y13 + y 21 + y 22 + y 23 + y 33 = 1
y 01 − (y13 + y 23 + y 33 ) = 0
7 3
y11 + y13 − y 01 + y11 + y 22 = 0
8 4
1 1 1
y 21 + y 22 + y 23 − 16 y 01 + 8 y11 + 2 y 21 = 0
1 1 1
y 33 − y 01 + y11 + y 21 = 0
16 8 2
y ik ≥ 0