CADEIAS DE MARKOV

ANTHONNY F. O. DE SOUZA, Graduando em Licenciatura em matemática, IFSP, Campus Cubatão, anthonny.souza@aluno.ifsp.edu.br

ISIS B. TALIB, Graduando em Licenciatura em matemática, IFSP, Campus Cubatão, isis.talib@alunoifsp.edu.br
MARIA LUIZA P. C. DA SILVA, Graduando em Licenciatura em matemática, IFSP, Campus Cubatão, luiza.correa@aluno.ifsp.edu.br
ANDRE LUIZ DOS SANTOS, Título, IFSP, Campus Cubatão, andre.santos@ifsp.edu.br

Resumo Resultados e Discussões

A Cadeia de Markov é um modelo matemático que descreve a evolução
de sistemas ao longo do tempo com base em probabilidades fixas e
regras determinísticas. Trata-se de um processo estocástico, envolvendo
aleatoriedade, mas sua propriedade distintiva é a independência em
relação à história passada, onde o próximo estado depende apenas do
estado atual. Amplamente aplicada em diversos campos, desde física até
biologia, a Cadeia de Markov é representada por estados possíveis e
suas probabilidades de transição, governadas por matrizes que indicam
as chances de transitar de um estado para outro. Suas propriedades
matemáticas bem definidas permitem análises teóricas, possibilitando a
previsão da evolução de sistemas ao longo do tempo e a compreensão
probabilística de seu comportamento. Essa abordagem simplifica a
complexidade de muitos processos, oferecendo uma estrutura
matemática robusta para análise e compreensão.
Introdução
A Teoria das Cadeias de Markov, nomeada em homenagem ao
matemático Andrei Markov, é um ramo essencial da matemática e
estatística, com aplicações em diversas áreas como engenharia, física,
economia e biologia. Essas cadeias são processos estocásticos que
modelam sistemas dinâmicos, onde a probabilidade de transição de um
estado para outro depende exclusivamente do estado atual, não dos
anteriores. Sua importância decorre da eficácia como modelo matemático
para resolver problemas do mundo real, como previsão do tempo, análise
de estoques e simulações de tráfego.
No aspecto matemático, as Cadeias de Markov operam em espaços de
estados finitos ou infinitos, utilizando matrizes de transição para
descrever as probabilidades entre os estados. Podem ser classificadas
como estacionárias ou não estacionárias, sendo que as estacionárias
mantêm constantes as probabilidades de transição ao longo do tempo,
permitindo análises a longo prazo e previsões. Um teorema de
convergência descreve a tendência para um estado estável em cadeias
estacionárias e irreversíveis.
Além das cadeias em tempo discreto, existem as cadeias em tempo
contínuo, que descrevem a evolução dos estados de forma contínua
através de equações diferenciais estocásticas, sendo cruciais em áreas
como teoria de filas e modelagem de processos de difusão. Em resumo,
o estudo das Cadeias de Markov é crucial para a compreensão e
modelagem de sistemas dinâmicos complexos e estocásticos,
desempenhando um papel fundamental em diversas disciplinas. Elas
contribuem para previsões, tomada de decisões informadas e
compreensão aprofundada do comportamento de sistemas sujeitos à
incerteza e aleatoriedade, destacando a importância da análise
matemática dessas cadeias.
Materiais e Métodos
O objetivo deste estudo é explorar os princípios fundamentais da Cadeia
de Markov. Para atingir esse propósito, será realizada uma revisão
bibliográfica para estabelecer uma base sólida para a análise e descrição
dos conceitos relacionados às Cadeias de Markov. A metodologia
empregada é a pesquisa descritiva, uma vez que a coleta de dados será
realizada de maneira qualitativa, visando fornecer uma compreensão
aprofundada das características da Cadeia de Markov.
Na disciplina matemática, as cadeias de Markov emergem como modelos
estocásticos delineadores de uma sucessão de eventos, em que a
probabilidade de transição entre estados está intrinsecamente atrelada
ao estado atual, prescindindo do histórico completo. Um exemplo
paradigmático desse fenômeno é o passeio aleatório.
Imagine-se posicionado em um ponto específico ao longo de uma linha,
onde, a cada iteração, é possível deslocar-se uma unidade para a
esquerda ou direita, ambas com probabilidades equivalentes. Este
processo pode ser meticulosamente retratado como uma cadeia de
Markov, na qual os estados se manifestam como as distintas posições ao
longo da referida linha.
Se, porventura, você se encontrar na posição i, a probabilidade de
transição para i + 1 na subsequente etapa é de 0,5, assim como a
probabilidade de transição para i – 1. Este cenário fornece a estrutura
fundamental para uma cadeia de Markov singelamente aplicada em
diversas esferas matemáticas, tais como a teoria das filas
Cadeia de Markov na Teoria das Filas
A teoria das filas estuda como sistemas, como clientes esperando por
atendimento, se comportam. A cadeia de Markov é usada para prever e
analisar o desempenho desses sistemas, explicada a seguir:
• Definição de Estados: Cada estado na cadeia de Markov representa
uma configuração específica do sistema de filas, como o número de
clientes na fila, o número de servidores ocupados, etc.
• Matriz de Transição de Estados: Uma matriz de transição é definida,
onde cada elemento (i, j) representa a probabilidade de transição do
estado i para o estado j. Essa matriz captura as dinâmicas do sistema
de filas.
• Modelagem do Processo de Chegada e Serviço: A cadeia de Markov
pode ser usada para modelar o processo de chegada de clientes à fila
(quando novos clientes chegam) e o processo de serviço (quando
clientes são atendidos). Esses processos são muitas vezes modelados
como processos de Poisson e distribuições exponenciais,
respectivamente.
• Análise Estacionária: A teoria das filas frequentemente se concentra
na análise de estados estacionários, onde o sistema atingiu um
equilíbrio. Isso é particularmente útil para entender características de
longo prazo, como o número médio de clientes na fila.
• Desempenho do Sistema: A cadeia de Markov pode ser usada para
calcular métricas importantes de desempenho do sistema, como o
tempo médio de espera na fila, a utilização média do servidor, a
probabilidade de o sistema estar em um determinado estado, entre
outras.
Conclusão
Em suma, sob a perspectiva matemática, as Cadeias de Markov se
destacam como uma ferramenta excepcionalmente eficaz para a
modelagem e a compreensão de sistemas que experimentam evoluções
probabilísticas ao longo do tempo, oferecendo aplicações versáteis em
uma ampla variedade de campos. A análise matemática dessas cadeias
desempenha um papel central na capacidade de prever comportamentos
futuros, na tomada de decisões embasadas e desvendar a dinâmica de
sistemas sujeitos a eventos aleatórios. Isso significa que, ao
compreender as Cadeias de Markov, somos capazes de lidar com a
incerteza de maneira eficaz, identificar tendências emergentes e tomar
decisões embasadas em probabilidades sólidas, tornando essa
ferramenta uma aliada indispensável.

Referências
Almeira, M. A. P., Alves, D., Santos, I. R., Silva, K. P., & Melo, A. C. S. (2015). CADEIAS DE MARKOV: APLICAÇÕES NO COTIDIANO. Caderno De
Graduação - Ciências Exatas E Tecnológicas - UNIT - SERGIPE, 3(1), 45–54. Recuperado de https://periodicos.set.edu.br/cadernoexatas/article/view/2379.
GUAZZELLI, Milo Ricardo. Teoria e prática sobre as Cadeias de Markov. Processos Estocásticos - Cadeias de Markov e Filas, [s. l.], v. 7, ed. 1, p. 45 - 51,
1983.
LEVIN, D. A., PERES, Y. , WILMER E. L. – Markov chains and mixing times, Providence, R.I. : American Mathematical Society, c2009.
PÉREZ, Fernado Lucambio. Cadeias de Markov. [S. l.: s. n.], 2021. Disponível em: http://leg.ufpr.br/~lucambio/CM/CM.html. Acesso em: 28 out. 2023.

Cubatão – 30/11/2023