Calculadora de Estado Estacionário da Cadeia de Markov

Bem-vindo à Calculadora de Estado Estacionário da Cadeia de Markov, uma ferramenta matemática poderosa para computar a distribuição estacionária de longo prazo de qualquer cadeia de Markov finita. Insira sua matriz de transição e veja instantaneamente as probabilidades de estado estacionário, um diagrama de transição de estados interativo, visualização de convergência e solução detalhada passo a passo. Ideal para estudantes, pesquisadores e profissionais que trabalham com processos estocásticos.

O que é uma Distribuição de Estado Estacionário?

Uma distribuição de estado estacionário (também chamada de distribuição estacionária) de uma cadeia de Markov é um vetor de probabilidade \(\pi\) tal que:

Isso significa que, se o sistema começar na distribuição \(\pi\), ele permanecerá em \(\pi\) após qualquer número de transições. Intuitivamente, \(\pi_i\) representa a proporção de tempo a longo prazo que o sistema passa no estado \(i\).

Conceitos-Chave

Como Resolver para o Estado Estacionário

O vetor de estado estacionário \(\pi\) pode ser encontrado resolvendo o sistema de equações lineares derivado de \(\pi P = \pi\):

1. Reescreva a equação: \(\pi P = \pi\) torna-se \(\pi(P - I) = 0\), ou equivalentemente \((P^T - I)\pi^T = 0\).
2. Adicione a normalização: Substitua uma equação redundante por \(\pi_1 + \pi_2 + \cdots + \pi_n = 1\).
3. Resolva o sistema: Use a eliminação gaussiana ou métodos matriciais para encontrar \(\pi\).

Para cadeias ergódicas, a multiplicação repetida converge para o estado estacionário único, independentemente da distribuição inicial.

Como Usar Esta Calculadora

1. Insira a matriz de transição: Digite sua matriz com cada linha em uma nova linha. Os valores podem ser separados por vírgulas ou espaços. Cada linha deve somar 1.
2. Adicione rótulos de estado (opcional): Forneça nomes descritivos para seus estados (ex: Ensolarado, Chuvoso) separados por vírgulas.
3. Defina a precisão decimal: Escolha o número de casas decimais (2-15) para os resultados.
4. Calcular: Clique em "Calcular Estado Estacionário" para ver a análise completa, incluindo a distribuição estacionária, gráfico de convergência, diagrama de estados e solução passo a passo.

Entendendo Seus Resultados

Vetor de Estado Estacionário

A saída principal é o vetor \(\pi = (\pi_1, \pi_2, \ldots, \pi_n)\), onde cada \(\pi_i\) representa a probabilidade de longo prazo de estar no estado \(i\). O estado com a maior probabilidade é o estado dominante.

Gráfico de Convergência

Mostra como a distribuição de probabilidade evolui a partir de um início uniforme através de multiplicações sucessivas por P. Uma convergência mais rápida indica uma cadeia com mistura mais forte.

Diagrama de Transição de Estados

Uma representação visual interativa onde:

• O tamanho do nó reflete a probabilidade de estado estacionário
• A espessura da aresta representa a probabilidade de transição
• Setas curvas mostram a direção das transições
• Auto-loops indicam a probabilidade de permanecer no mesmo estado

Aplicações no Mundo Real

Quando Existe um Estado Estacionário Único?

Uma cadeia de Markov finita tem uma distribuição estacionária única quando é irredutível, e qualquer distribuição inicial converge para ela quando a cadeia também é aperiódica. Uma cadeia com as duas propriedades é chamada ergódica:

• Irredutível: Todo estado pode ser alcançado a partir de qualquer outro estado (sem componentes desconectados)
• Aperiódica: O MDC de todos os comprimentos de ciclo através de qualquer estado é 1 (sem periodicidade fixa)

Uma cadeia periódica, mas irredutível, ainda tem exatamente um estado estacionário; suas potências Pᵏ apenas oscilam em vez de convergir. Uma cadeia redutível só tem estado estacionário único se tiver uma única classe fechada (mais eventuais estados transitórios); com duas ou mais classes fechadas, existem infinitas distribuições estacionárias.

Perguntas Frequentes

O que é uma distribuição de estado estacionário de uma cadeia de Markov?

Uma distribuição de estado estacionário (ou estacionária) é um vetor de probabilidade π tal que πP = π, onde P é a matriz de transição. Representa a proporção de tempo a longo prazo que o sistema passa em cada estado, independentemente do estado inicial. Para uma cadeia de Markov irredutível e aperiódica, a distribuição de estado estacionário é única.

Como calcular as probabilidades de estado estacionário?

Para encontrar o vetor de estado estacionário π, resolva o sistema πP = π sujeito à restrição de que todas as probabilidades somem 1 (Σπᵢ = 1). Isso é equivalente a resolver (Pᵀ - I)π = 0 com a restrição de normalização. Você também pode usar a iteração de potência: multiplique repetidamente uma distribuição inicial por P até a convergência.

Quando uma cadeia de Markov possui uma distribuição de estado estacionário única?

Uma cadeia de Markov finita tem uma distribuição estacionária única quando possui exatamente uma classe comunicante fechada — em particular, sempre que é irredutível (cada estado pode ser alcançado a partir de qualquer outro). A aperiodicidade não é necessária para a unicidade: a cadeia periódica [[0, 1], [1, 0]] tem o estado estacionário único (½, ½). O que a aperiodicidade acrescenta é a convergência: uma cadeia irredutível e aperiódica (ergódica) se aproxima dessa distribuição a partir de qualquer ponto inicial.

O que é o tempo médio de retorno em uma cadeia de Markov?

O tempo médio de retorno para o estado i é o número esperado de passos para retornar ao estado i partindo do próprio estado i. Para uma cadeia de Markov ergódica, o tempo médio de retorno é igual a 1/πᵢ, onde πᵢ é a probabilidade de estado estacionário do estado i. Estados com maior probabilidade de estado estacionário possuem tempos médios de retorno mais curtos.

Qual é a diferença entre uma matriz de transição e um vetor de estado estacionário?

Uma matriz de transição P é uma matriz n×n onde P(i,j) fornece a probabilidade de passar do estado i para o estado j em um passo. Cada linha soma 1. O vetor de estado estacionário π é um vetor de probabilidade 1×n que representa a distribuição a longo prazo entre os estados. Enquanto P descreve a dinâmica de passo único, π descreve o comportamento de equilíbrio.