Segui a mesma lógica do vídeo, aplicando Cadeia de Markov para prever o clima em 10 dias, com os estados "Ensolarado", "Nublado" e "Chuvoso". Mudei a matriz de transição, deixando o clima mais instável (por exemplo, reduzi a chance de "Ensolarado" se manter, de 0.8 para 0.6) e alterei o estado inicial para "Nublado". Cada linha da matriz ainda soma 1. A função predict_weather usa np.random.choice para sortear o próximo estado com base nas probabilidades do estado atual, repetindo isso por 10 dias.
import numpy as np
# Definição dos estados do clima
states = ["Ensolarado", "Nublado", "Chuvoso"]
# Matriz de transição de estados
# As probabilidades em cada linha somam 1
transition_matrix = [
[0.6, 0.3, 0.1], # Transições a partir de "Ensolarado"
[0.3, 0.4, 0.3], # Transições a partir de "Nublado"
[0.15, 0.35, 0.5] # Transições a partir de "Chuvoso"
]
# Estado inicial
initial_state = "Nublado"
# Número de dias a prever
num_days = 10
# Função para encontrar o índice de um estado
def get_state_index(state):
return states.index(state)
# Função para prever o clima para os próximos dias
def predict_weather(initial_state, num_days):
current_state = initial_state
forecast = [current_state]
for _ in range(num_days - 1):
current_index = get_state_index(current_state)
next_state = np.random.choice(
states,
p=transition_matrix[current_index]
)
forecast.append(next_state)
current_state = next_state
return forecast
# Realizar a previsão
forecast = predict_weather(initial_state, num_days)
# Exibir a previsão
print(f"Estado inicial: {initial_state}")
print("Previsão para os próximos dias:")
for day, state in enumerate(forecast, start=1):
print(f"Dia {day}: {state}")
Para saber mais:
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!