Sei sulla pagina 1di 14

1

CADEIAS DE MARKOV e SEQUNCIAS de


EVENTOS CLIMTICOS
Profa. Teresinha de Ma. Bezerra S. Xavier
& Prof. Airton Fontenele Sampaio Xavier

1. INTRODUO
1.1 Conceito de Cadeia de Markov
Apresentaremos o conceito de Cadeia de Markov no
mbito da anlise de ocorrncias dirias de eventos
climticos de carter meteorolgico / hidrolgico. Isto ,
para eventos de chuva, vazes de rios, temperaturas, etc.
Supomos dispor, preliminarmente, de uma srie de dados
ou observaes numricas Yn = Y(n), em geral contnuas,

onde o ndice n corresponde a dias consecutivos.


Demais, tudo que aqui for exposto aplica-se tambm a
situaes em que o ndice se refere a horas, minutos, etc.
Bem como, em outros contextos, relativamente a posies
consecutivas no espao geogrfico. Por exemplo, ao
longo de um percurso no solo ou sobre uma linha
equipotencial. Quando necessrio explicitar que o ndice
refere ao tempo cronolgico poderamos usar a letra t em
vez de n . Em geral, n = t = 0, 1, 2, ...., onde 0 marca o
instante ou posio inicial.

Por outro lado, supe-se que a partir de cada valor Y(n) da


srie numrica original possa ser definido um estado
assumido pelo sistema meteorolgico / hidrolgico em
causa, ou seja, de sorte que tenhamos uma srie X(n) de
estados X(n), n = 0,1,2, ... Ser sobre uma srie de
estados que se deve considerar a cadeia markoviana.
Note-se a distino. Enquanto a srie original, em geral,
constituda de variveis aleatrias Yn = Y(n) contnuas (como
no caso da chuva, da vazo de um rio, da temperatura, etc.), a
srie de estados Xn = X(n) ser essencialmente discreta,
para no dizer finita. Assim, em uma cadeia markoviana, cada
Xn assumir estados e0 , e1 , e2 , ..., eK, onde K o nmero
de estados possveis.
Por outro lado, em alguns casos a srie original j discreta /
enumervel, ou seja, se os valores dos Xn = X(n) decorrem
de contagem. Assim, quanto ao nmero k = 0, 1, ..., K de
processadores paralelos em operao efetiva para cada
momento n = t, com respeito a um computador dotado de K
multiprocessadores.
Finalmente, nosso modelo suposto de tempo discreto,
pois n percorre uma parte do conjunto dos inteiros. Quanto a
modelos de tempo contnuo, estuda-se num contexto
generalizado, isto , de processos markovianos contnuos.
Na verdade, a chuva um fenmeno contnuo no tempo.
Porm, por discretizao do tempo, teremos seus valores
acumulados em intervalos dirios, horrios, etc., permitindo o
tratamento atravs de uma cadeia markoviana. Tambm a
temperatura, em princpio, uma varivel contnua; mas pode
ser discretizada no tempo quando consideramos valores
mdios, mnimos e mximos, em intervalos consecutivos.

Neste documento nos restringimos a uma situao mais


simples de cadeia markoviana, embora seja aplicvel a
muitas situaes reais. Assim, supe-se serem vlidas as
seguintes caractersticas :
1) Tem-se uma cadeia a dois estados. Ou seja,
fixado n, cada Xn = X(n) assume apenas um de dois
estados e0 e e1. Para a chuva : e0 dia seco e e1
dia mido ; ou e0 chuva no extrema e e1
chuva extrema; etc. Nestes casos, a definio dos
estados envolvidos depende da escolha de um
limiar apropriado para a chuva, etc. (*)
(*)

Em geral, no contexto de uma pesquisa, ser possvel utilizar


dois ou mais limiares, separadamente.
Note-se que com dois limiares h1 < h2 pode-se, decerto,
considerar uma cadeia a trs estados; i.e., tais que X(n) = e0 ,
se Y(n) h1 ; X(n) = e1 , se h1< Y(n)< h2 ; e X(n) = e2 ,
se Y(n) h2 ; conforme o esquema abaixo :
Y(n) :
X(n) :

-------------- h1 >-------------------< h2 -----------e0 = 0

e1 = 1

e2 = 2

Por outro lado, para aliviar a notao, passamos a nos referir


a estados 0, 1, 2, ... , em vez de e0 , e1 , e2 , ...

2) Para uma cadeia a dois estados, 0 e 1,


consideramos as probabilidades de transio :
pi j = p(i,j) = Prob { X(n+1) = j | X(n) = i } ,
i , j = 0, 1 .

[1]

Note-se que pi j = p(i , j) a probabilidade do sistema


passar para o estado j no instante ou posio
n, supondo que se encontrava no estado i no
instante ou posio anterior n-1. Trata-se, pois, de
uma probabilidade condicional.
3) Demais, supomos trabalhar com uma Cadeia
Homognea, ou seja, quando as probabilidades
de transio so independendentes do instante
ou posio n ; como, alis, encontra-se implcito na
formulao [1]. (*)
(*)

Esta condio de homogeneidade, na prtica, no aplicvel


aos dados ao longo de todo o ciclo sazonal (ou quase-ciclo
sazonal), dentro de anos consecutivos. Com efeito, a ttulo
de esclarecimento, espera-se que p(0,0) [ resp., p(1,1) ] seja
em geral maior [ resp., menor ] num perodo seco do ano,
comparando ao que ocorre num perodo chuvoso.
Assim, para haver chance de manter de p a condio de
homogeneidade teremos de nos fixar em um pedao ou
segmento da srie: trimestre, perodo chuvoso, perodo
seco, pr-estao chuvosa, etc.; isto, no caso da chuva. Mas
de forma anloga, para outras variveis.

4) Outra condio a ser respeitada refere-se


estacionariedade da srie original Yn = Y(n). Ou
seja, E[Yn] e Var[Yn] devem manter-se estveis ao
longo de sub-seces consecutivas de toda a srie de
observaes numricas. (*)
(*)

Esta condio, como na observao anterior, somente ser


mantida se trabalharmos com pedaos ou segmentos da
srie. Correspondendo, no caso da chuva, a perodos secos,
perodos chuvosos, etc.

Por outro lado, quando de uma ruptura climtica, tanto a


condio de homogeneidade com a de estacionariedade (que
so interligadas) somente intervm se for possvel separar as
duas seces, antes e depois da ruptura, de sorte a
serem trabalhadas em separado.
NOTA IMPORTANTE - Cabe apenas prevenir sobre o cuidado de
no introduzir nosso fil (os dados!) em qualquer moedor de
carne (computacional), que certamente no conseguir distinguir
entre as abas do fil e o fil mignon (ou seja, entre as seces
antes e depois da ruptura)... Para tanto, faz-se necessria a
interveno, ou pelo menos o controle direto do pesquisador, mesmo
que esteja utilizando um programa suposto inteligente.

5) Finalmente, cabe mencionar que na situao que


estamos considerando, simplificada, trabalhamos com
uma cadeia markoviana de 1 ordem. Ou seja, a
memria de nosso sistema somente enxerga o dia
anterior (no caso de eventos dirios). De fato, em muitas
situaes, somos obrigados a trabalhar com cadeias
markovianas de ordem k > 1, se a probabilidade
de cada evento depender do que tenha ocorrido em k
instantes ou posies precedentes. J na situao de
total independncia estocstica entre os termos da
srie original, o sistema considerado desmemoriado
(memoryless), o que corresponde ao caso trivial de
uma cadeia de ordem zero.

1.2 Matriz de Transio da Cadeia


A matriz de transio (de probabilidades) para
uma cadeia markoviana homognea de ordem 1 a
matriz cujos elementos so as probabilidades condicionais
pi j = p(i , j). Ou seja :

p(0,0) p(0,1)

p(1,0) p(1,1)

[2]

Como p(0 , 0)+p(1 , 0) = 1 e p(1 , 0)+p(1 , 1) = 1, (*)


conclui-se que a soma dos termos de cada uma de suas
duas linhas so sempre iguais a 1 (um). Uma matriz com
tal propriedade diz-se markoviana. (**)
(*)
De fato, saindo de 0 o sistema s pode ir para 0 ou 1;
logo, as respectivas probabilidade p(0,0) e p(0,1) so complemen
tares, donde p(0,0)+p(0,1) = 1. Analogamente, p(1,0)+p(1,1) = 1.
(**)

Em algumas publicaes as linhas so escritas verticalmente,


ou seja, tornam-se colunas. Contudo, preferimos a notao
sob a forma aqui apresentada, ou [2].

Por outro lado, usual escrever = p(0, 1) e = p(1, 0),


de sorte que :

1-

1-

[2a]

Demais, para o instante ou posio inicial t = n = 0


precisamos, muitas vezes, dispor das probabilidades
iniciais do sistema, ou seja, as probabilidades p0(0) e
p0(1) do mesmo ocupar os estados zero ou um, resp.;
devemos ter, claro, p0(0) + p0(1) = 1. (*)

(*)

Os valores dessas probabilidades iniciais dependem das


informaes de que dispomos sobre o comportamento do
sistema, no momento de sua partida ou inicializao. Assim,
se temos a informao de que o sistema se encontra no
estado 0 [ resp., 1 ] ento p(0) = 1 e p(1) = 0 [ resp.,
p(0) = 1 e p(1) = 0 ].

As probabilidades iniciais costumam ser representadas


por uma matriz linha ou vetor inicial :
V0 = { p0(0), p0(1) } .

[3]

Conhecendo M e V0, temos ento condio de determinar


as probabilidades do sistema ocupar cada um dos dois
estados 0 e 1, resp., num instante ou posio t = n,
adiante, conforme :
Vn = { pn(0), pn(1) } ,
n

1, 2, ...

[3a]

Lema Vn = Vn-1 M ,

[4]

onde se multiplica um vetor linha 1x2 por uma matriz 2x2.


Tal resultado aqui apresentando sem prova. Remete-se
bibliografia. Do lema, segue-se :

Proposio 1
Vn = V 0 Mn ,

[5]

onde Mn a n-sima potncia da matriz M , ou seja,


M x M x ... x M ( n fatores) (*)
(*) Em particular, tem-se V1 = V0 M , V2 = V0 M2 , etc.

Verificao - Por induo finita : (i) a expresso [5] vale para n = 0 ;


(ii) suponhamos valer para um dado inteiro positivo n > 1, isto ,
n
Vn = V0 M ; donde vale para n+1, pois se obtm :
n

n+1

Vn+1 = Vn M = (V0 M ) M = V0 M

Note-se que, embora o sistema (a cadeia) seja apenas


de ordem 1 (cuja memria de um nico passo para
trs) o modelo respectivo permite calcular probabilidades
quantos passos se queira para a frente !

EXEMPLO No estudo pioneiro de Gabriel & Neumann (1962), foi


empregada uma cadeia markoviana de ordem 1,
homognea/estacionria, a dois estados (0=dia seco
e 1=dia chuvoso) para explicar a distribuio de
chuvas dirias nos meses dez./jan./fev., em Tel-Aviv, no
perodo 1923-24 a 1949-50 (27 anos com observaes de
dez./jan./fev.). Um dia era considerado chuvoso quando
ocorria precipitao detectvel, na prtica, pelo menos
0,1mm. (*)
Os dados coletados permitiram montar a Tabela da pgina
seguinte, com as freqncias relativas que funcionaro
como estimativas das probabilidade de transio.
(*) No foram considerados todos os dados dirios dos 27 anos,
mas apenas os de um mesmo sub-perodo de cada ano, dezembro
a fevereiro. De fato no seria possvel, para sua totalidade, aplicar o
modelo markoviano proposto, em vista da falta de estacionariedade
/ homogeneidade que da decorreria! Cabe observar que estamos
aplicando um modelo simplificado.

TABELA
dia seguinte ( n )

-----------------------------------------------------------SECO

CHUVOSO

totais

-----------------------------------------------------------dia
SECO
anterior
( n-1 )
CHUVOSO

1.048

350

1.399

351

687

1.038

-----------------------------------------------------------Donde as probabilidades de transio so estimadas


atravs das freqncias relativas condicionais obtidas da
tabela acima :
1-

=
=

1 - =

p(0,0) = 1.048 / 1.399


p(0,1)
p(1,1) =

687 / 1.038

p(1,0)

A matriz de transio, portanto, dada por :


M

0,750 0,250

0,338 0,662

Calculemos, em seguida, M5 :

M5 =

0,580 0,420

0,568 0,432

0,750

0,662

0,250

0,338

10

Consideremos, agora, a informao de que um certo dia


primeiro de janeiro em Tel-Aviv tenha sido seco (sem
precipitao perceptvel). Qual a probabilidade do prximo
dia 06 de janeiro ser tambm seco? E chuvoso?
Note-se que a informao dada para primeiro de janeiro
corresponde a considerar o vetor inicial V0 = (1 , 0).
Ora, as probabilidades do 06 de janeiro (aps n=5 dias)
ser seco/chuvoso sero fornecidas conforme [5], por :

0,580 0,420
V5 = V0 M5 = {1 , 0}
=
0,568 0,432
= { 0,580 0,420 }
assim, a probabilidade para o seis de janeiro seguinte ser
seco dada por 0,580 ; para ser chuvoso, 0,420 .

2. SEQUNCIAS de EVENTOS CLIMTICOS


Ainda no estudo de cadeias markovianas, mesmo nesta
sua forma simplificada (cadeias homogneas de 1 ordem,
com apenas dois estados) um aspecto importante diz
respeito possibilidade de ocorrerem seqncias de 0s
(zeros) ou de 1s (uns). Em muitas aplicaes, como no
caso da chuva em Tel-Aviv que nos serve de exemplo, isso
corresponde possibilidade de ocorrerem seqncias
de dias secos e, tambm, de dias chuvosos.

11

No que se segue, tratamos (em termos introdutrios) das


leis probabilsticas capazes, no contexto markoviano, de
modelarem, intrinsecamente, tais ocorrncias. Comeamos
por uma definio. Lembremos, 0 = seco e 1 = chuvoso
no referido contexto.
Definio
Uma seqncia de zeross de comprimento k, uma
sucesso k (0s=zeros), que for precedida por (1=um) e
sucedida tambm por (1=um).

1 0 0 0 ......... 0 1
\_______ _______/
k vezes

De forma anloga ser considerada a seqncia de k (1s=


ums).
No caso de Tel-Aviv, com a chuva, tais seqncias sero
designadas seqncias secas = dry spells e midas
= wet spells. Em meteorologia e hidroclimatologia o
estudo dessas seqncias torna-se muito importante por
se ligar, facilmente e como se pode depreender, ao
fenmeno da persistncia meteorolgica e hidrolgica.

12

Proposio 2
Mais uma vez, sejam p(0,1) = , p(0, 0) = 1 - ,
p(1,0) = , p(1, 1) = 1 - . Ento :
(i) A probabilidade P(k) de uma seqncia de ums
de comprimento k, dada por :

P(k) = (1 - )

k-1

[6]

Analogamente,
(ii) A probabilidade Q(k) de uma seqncia de zeros
de comprimento k, dada por :

Q(k) = (1 - )

k-1

[6a]

Verificao para (ii), com k = 5 :


1- 1-
1- 1-

Donde, multiplicando as probabilidade parciais consecu


tivas, obtemos para k = 5 :

Q(5) = (1 - )4
Observao :

Porque no se considerou a 1 transio


1 0 cuja probabilidade , neste clculo ? Porque
esta transio uma ocorrncia certa, de probabilidade
igual a 1, de acordo com a definio de seqncia seca.
Ou seja, comea obrigatoriamente por um dia chuvoso, a
que se segue obrigatoriamente um dia seco.

13

k=
Checkup :

Q(k) =

(1 - )k-1 =

k=1

(1 - )k-1

= [ 1 + (1-) + (1-) + (1-) + (1-) + ..... ]


\_________________________________/

=
2

(1 - ) /

(1/) - 1

= (1/) = 1

ou seja, trata-se de fato de uma distribuio de


probabilidades.
BIBLIOGRAFIA

Cox & Miller, 1965 / 1970, The Theory of Stochastic


Processes, Methuen, Londres.

Feller, 1968, 3d d., An Introduction to Probability and


Its Applications, Chap. 15 - Markov Chains, Wiley.

Kemeny & Snell,

1960,

Finite Markov Chains, Van

Nostrand.

Takcs, 1964, Processus Stochastiques : Problmes et


Solutions, DUNOD, Paris
Obs - Procurar referncias sobre obras mais recentes ou
mesmo anteriores. De preferncia sobre aplicaes.

14

Modelos Markovianos e Aplicaes em Meteorologia e Hidrologia

XAVIER, T. de Ma.B.S. (1978),

Cadeias de Markov e
Ocorrncias Dirias de Chuvas em Fortaleza-Cear, 8 pp., III
SINAPE-Simpsio Nacional de Probabilidade e Estatstica, So
Paulo.

XAVIER, T. de Ma.B.S. (1978), O Modelo de Cadeias de


Markov em Estudos Meteorolgicos e Hidrolgicos, Publicaes
de Depto. de Estatstica e Matemtica Aplicada / UFC, Srie C, N
5, junho de 1978, Fortaleza-Cear. 23 pp.

XAVIER,T.deMa.B.S. & XAVIER, A.F.S. (1983), Periodicidades de Carcter Estacional de las Probabilidades de
Transicin de Markov Referentes a la Pluviometria Diria en
Fortaleza-Brasil : PROCEEDINGS of the First INTERNATIONAL
CONF. on SOUTHERN HEMISPHERE METEOROLOGY, So
Jos dos Campos-SP, Agosto 1983, pp. 143-146, Ed. American
Meteorological Society, Boston-USA.

XAVIER, T.deMa.B.S. (1988),

Cadeias de Markov e
Aplicaes em Meteorologia e Hidrologia, Departamento de
Hidrulica / Centro de Tecnologia / UFC. 84 pp. ( texto de MiniCurso ministrado na Universidade Federal da Paraba / Curso de
Especializao em Meteorologia ).
Em Anexo a Bibliografia contida nesta ltima referncia.