Olá, Andressa! Como vai?
Parabéns pela resolução da atividade!
Vi que você explorou a Cadeia de Markov para previsão de estados com Python, utilizou muito bem a matriz de transição para modelar probabilidades e ainda compreendeu a importância da simulação estocástica para prever cenários futuros.
Uma dica interessante para o futuro é calcular a distribuição estacionária da cadeia, ou seja, a probabilidade de longo prazo de cada estado. Assim:
# Distribuição estacionária
from numpy.linalg import eig
valores, vetores = eig(matriz_transicao.T)
estacionario = vetores[:, np.isclose(valores, 1)]
estacionario = estacionario / estacionario.sum()
print("Distribuição estacionária:", estacionario.real.flatten())
Isso faz a análise de quais estados tendem a ser mais frequentes no longo prazo, independente do estado inicial.
Se quiser aprofundar ainda mais, algumas boas práticas são:
- Rodar múltiplas simulações: calcular médias e variâncias para maior robustez.
- Testar diferentes matrizes de transição: para simular cenários sazonais ou extremos.
- Visualizar resultados: usar gráficos de barras ou linhas para mostrar evolução dos estados.
Alguns materiais podem estar em inglês, mas é possível compreendê-los usando o recurso de tradução do navegador.
Ah, uma pergunta: Você acredita que cadeias de Markov são mais eficazes para prever fenômenos naturais como clima ou para modelar comportamento humano em sistemas digitais como e-commerce?
Abraço e bons estudos!
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!
