Passo a passo aleatório: Explorando o modelo de passeio aleatório

Em meu primeiro curso de estatística baseado em codificação na faculdade, meu professor propôs uma pergunta: como podemos modelar o movimento browniano de uma única partícula de pólen em um prato de água? Depois de várias tentativas equivocadas, meus colegas de classe e eu acabamos encontrando a resposta correta: um passeio aleatório. Mais tarde, fiquei sabendo que esse modelo simples é usado para modelar todos os tipos de coisas, desde movimentos de animais até flutuações de preços de ações.

Neste artigo, exploraremos os fundamentos matemáticos dos passeios aleatórios, examinaremos diferentes tipos e discutiremos suas aplicações. Parte do que torna o passeio aleatório interessante é o fato de ele ser usado em muitas disciplinas diferentes. Além do meu exemplo, na física, ele ajuda a descrever o movimento das partículas; nas finanças, ele modela as flutuações dos preços das ações; e na biologia, ele explica os padrões de movimento dos animais. Os passeios aleatórios capturam a aleatoriedade do mundo real, o que é fundamental para a simulação de processos estocásticos.

Para aqueles que desejam construir uma base sólida nas estatísticas que sustentam a teoria do passeio aleatório, recomendamos que você comece com o curso Introdução à estatística em R ou com o curso Introdução à estatística em Python.

O que são passeios aleatórios?

Na teoria da probabilidade, um passeio aleatório é um modelo que descreve uma sequência de etapas aleatórias que formam um caminho. Ou então, poderíamos dizer que um passeio aleatório é um modelo matemático que descreve um caminho formado por uma sequência de etapas, cada uma determinada independentemente e com uma certa probabilidade. Essa estocasticidade torna os passeios aleatórios inerentemente imprevisíveis.

Imagine uma pessoa dando um passo em uma direção aleatória a cada momento. Com o tempo, seu caminho forma uma trilha imprevisível e sinuosa. Apesar de sua simplicidade, esse conceito tem profundidade e versatilidade surpreendentes, modelando vários cenários do mundo real que envolvem aleatoriedade.

Uma explicação conceitual de um passeio aleatório. Imagem cortesia de napkin.ai.

A ideia de passeios aleatórios remonta aos primeiros estudos de probabilidade. Um dos primeiros exemplos, muitas vezes chamado de "drunkard's walk" (andar de bêbado), ilustra como uma pessoa que caminha aleatoriamente se desloca de forma errática em vez de se mover de forma previsível em direção a um destino. Essa aleatoriedade, combinada com a suposição de que cada etapa é independente das anteriores, estabeleceu a base para os modelos modernos de passeio aleatório.

Entendendo a matemática dos passeios aleatórios

Para entender os passeios aleatórios, vamos começar com um caso simples: um passeio aleatório unidimensional (1D). Imagine uma partícula em uma reta numérica. Ele é capaz de se mover +1 ou -1 ao longo da reta numérica a cada passo. Cada movimento é determinado por uma probabilidade igual de você dar um passo para a direita ou para a esquerda. Com o tempo, a posição da partícula forma uma distribuição de probabilidade que se espalha, representando a probabilidade de encontrá-la em vários locais.

Esse princípio pode ser expandido para duas ou três dimensões. Em um passeio aleatório bidimensional (2D), a partícula se move em um plano e pode avançar em qualquer uma das quatro direções cardeais (para cima, para baixo, para a esquerda, para a direita) com a mesma probabilidade. Da mesma forma, em uma caminhada aleatória tridimensional (3D), a partícula se move no espaço e pode avançar em qualquer uma das seis direções possíveis (para cima, para baixo, para a esquerda, para a direita, para frente, para trás) com a mesma probabilidade. Esses passeios aleatórios de dimensões maiores capturam cenários ainda mais complexos e realistas.

Uma característica que define os passeios aleatórios é sua natureza estocástica, o que significa que cada etapa depende apenas da posição atual e não das etapas anteriores. Isso os torna um tipo de processo de Markov - um conceito matemático em que o estado futuro depende apenas do estado atual, não da sequência de eventos que o precedeu. Esse movimento "sem memória", combinado com as distribuições de probabilidade que descrevem as posições potenciais, fornece uma base matemática sólida para a compreensão dos passeios aleatórios.

Podemos analisar um passeio aleatório usando propriedades estatísticas para entender seu comportamento ao longo do tempo. Isso envolve examinar aspectos como a distância esperada do ponto de partida, a distribuição de probabilidade de possíveis posições e a probabilidade de retornar à origem. Essas análises nos ajudam a quantificar a aleatoriedade e a previsibilidade, fornecem insights sobre padrões e fazem previsões.

Principais propriedades dos passeios aleatórios

Os passeios aleatórios têm várias propriedades importantes que nos ajudam a entender seu comportamento e suas aplicações. Aqui estão alguns aspectos importantes que você deve considerar:

Expectativa e variação

Em uma caminhada aleatória unidimensional, podemos calcular a distância esperada (ou posição média) do ponto inicial ao longo do tempo. Se cada etapa tiver a mesma probabilidade de se mover para a esquerda ou para a direita, a posição esperada após muitas etapas permanecerá zero, o que significa que, em média, o caminhante permanece próximo ao ponto de partida.

No entanto, a variação da posição, que mede o spread ou a dispersão das posições possíveis, aumenta a cada etapa. Especificamente, em uma caminhada aleatória simétrica, a variação cresce linearmente com o número de etapas, o que a torna um indicador útil da distância típica da origem ao longo do tempo.

Autocorrelação

Embora os passeios aleatórios simples não tenham correlação entre as etapas (cada etapa é independente da última), certos tipos de passeios aleatórios introduzem autocorrelação, em que as etapas passadas podem influenciar as futuras. Por exemplo, em uma caminhada aleatória tendenciosa, as etapas podem ter uma leve tendência em uma direção, fazendo com que as posições sejam mais previsíveis.

A autocorrelação em um passeio aleatório afeta a forma como modelamos e prevemos a progressão do passeio. Isso é especialmente relevante em aplicativos em que o comportamento passado influencia etapas futuras, como determinados modelos financeiros.

Teorema do limite central

O teorema do limite central (CLT) diz que a soma de um grande número de variáveis aleatórias independentes tende a seguir uma distribuição normal (ou gaussiana), independentemente da distribuição original. No contexto dos passeios aleatórios, isso significa que, à medida que o número de etapas aumenta, a distribuição das posições tende a se assemelhar a uma distribuição normal. Essa é uma propriedade útil porque nos permite aproximar a probabilidade de encontrar o caminhante a determinadas distâncias do ponto de partida.

Lei dos grandes números

A lei dos grandes números (LLN) explica que, à medida que o número de tentativas ou etapas aumenta, a média dos resultados converge para a média real. Para caminhadas aleatórias, isso significa que, embora a posição média permaneça zero, a variação e o intervalo de posições possíveis crescem de forma previsível a cada etapa adicional. Esse princípio ajuda a preencher a lacuna entre a aleatoriedade pura e os padrões estatísticos previsíveis em grandes amostras.

Tipos de passeios aleatórios

Os passeios aleatórios variam muito, dependendo das regras que regem cada etapa. Esses tipos influenciam o comportamento da caminhada. Alguns são projetados para ambientes simples ou estruturados, enquanto outros são equipados para fenômenos mais complexos do mundo real. Vamos explorar alguns dos tipos mais comuns de passeios aleatórios.

Passeios aleatórios 1D, 2D e 3D

A dimensionalidade de um passeio aleatório desempenha um papel fundamental em seu comportamento. Em uma caminhada aleatória 1D, cada passo é um movimento para frente ou para trás ao longo de uma linha. Isso torna a caminhada relativamente fácil de modelar e prever.

No entanto, à medida que passamos a andar em 2D (plano) e 3D (espaço), os caminhos possíveis aumentam significativamente, introduzindo um novo comportamento. Por exemplo, em uma caminhada aleatória 2D, a probabilidade de retornar ao ponto de partida permanece alta, enquanto em uma caminhada aleatória 3D, essa probabilidade diminui.

Essa mudança é importante em campos como física e química, em que as partículas podem se difundir de forma diferente, dependendo das restrições dimensionais.

Caminhada aleatória de rede

Em uma caminhada aleatória de rede, o movimento é confinado a pontos discretos em uma grade ou rede. Esse tipo de caminhada é comumente usado na física e na teoria de redes, em que os nós são organizados em uma grade, e o movimento só pode ocorrer em nós vizinhos.

Um exemplo comum é uma rede 2D, em que cada etapa permite o movimento para pontos adjacentes em uma grade cartesiana. Essa restrição simplifica a modelagem ao limitar os caminhos de movimento, o que é útil ao simular redes complexas ou estruturas moleculares.

Passeio aleatório gaussiano

Em uma caminhada aleatória gaussiana, o tamanho de cada etapa é determinado por uma distribuição gaussiana (ou normal). Em vez de se mover por uma distância fixa, o tamanho do passo varia de acordo com uma distribuição de curva de sino, com a maioria dos passos sendo pequenos e saltos maiores ocasionais. Esse tipo de caminhada é frequentemente usado na modelagem financeira para levar em conta a variabilidade das mudanças nos preços dos ativos.

Passeios aleatórios heterogêneos e tendenciosos

Os passeios aleatórios heterogêneos e tendenciosos permitem a variação na direção e no tamanho do passo com base em determinadas probabilidades. Essa flexibilidade os torna mais adaptáveis aos cenários do mundo real.

Em uma caminhada aleatória heterogênea, a probabilidade de se mover em qualquer direção pode mudar com base na localização ou nas condições externas. Por exemplo, os animais que buscam alimentos podem preferir áreas com recursos conhecidos, criando uma caminhada aleatória tendenciosa. Essas caminhadas são úteis para estudar comportamentos que dependem de fatores contextuais.

Passeio aleatório com deriva

Em uma caminhada aleatória com desvio, há uma tendência consistente de se mover em uma direção. Por exemplo, os preços das ações podem apresentar uma tendência geral de alta ao longo do tempo, apesar das flutuações diárias. O desvio nessas caminhadas representa uma força ou tendência externa que influencia o caminho. Esse tipo é visto com frequência em finanças, onde os modelos incorporam um termo de desvio para representar crescimento ou declínio, proporcionando uma abordagem mais realista para prever preços de ativos e tendências de mercado.

Cada um desses tipos de passeio aleatório tem uma finalidade única, oferecendo maneiras diferentes de modelar um comportamento aleatório, porém estruturado. As restrições dimensionais, a distribuição de etapas e a presença de desvios ou tendências tornam os passeios aleatórios altamente versáteis para modelagem e simulação de dados em vários campos.

Aplicações reais de passeios aleatórios

Os passeios aleatórios são mais do que apenas construções teóricas; eles desempenham um papel essencial em muitas aplicações práticas em várias disciplinas. Vamos explorar como os passeios aleatórios informam a solução de problemas do mundo real em todos os setores.

Aplicativos em ciência de dados e machine learning

Ciência da computação

Os passeios aleatórios são a base de vários algoritmos de ciência da computação, como amostragem aleatória, passagem de gráficos da Web e segmentação de imagens. Por exemplo, o algoritmo PageRank do Google usou passeios aleatórios para classificar as páginas da Web com base em sua relevância, simulando como um usuário pode navegar aleatoriamente entre links na Internet.

Extração de recursos

No machine learning, os passeios aleatórios podem ajudar a extrair recursos, destacando as relações entre os pontos de dados. Por exemplo, na análise de redes, os passeios aleatórios podem revelar grupos ou comunidades, auxiliando em tarefas como sistemas de recomendação e análise de redes sociais.

Detecção de anomalias

Os passeios aleatórios também podem ser usados para detectar anomalias em conjuntos de dados. Por exemplo, se os pontos de dados se desviarem significativamente de um caminho típico em um modelo de passeio aleatório, esses pontos poderão indicar eventos incomuns ou erros nos dados. A detecção de anomalias é especialmente valiosa em áreas como segurança cibernética e detecção de fraudes.

Simulação de processos estocásticos

Os passeios aleatórios simulam processos estocásticos ou determinados aleatoriamente, permitindo que os cientistas de dados modelem fenômenos imprevisíveis do mundo real. Ao simular passeios aleatórios, podemos obter insights sobre sistemas em que a previsão precisa é um desafio, como padrões climáticos ou comportamento do cliente.

Previsão de séries temporais

Na análise de séries temporais, os passeios aleatórios formam a base de determinados modelos de previsão, incluindo a hipótese do passeio aleatório em finanças. Esses modelos pressupõem que os valores futuros em uma série temporal dependem apenas do valor mais recente, sem correlação com as tendências passadas. Para saber mais sobre previsão de séries temporais, consulte ARIMA for Time Series Forecasting: Um guia completo. Além disso, faça nosso curso Forecasting in R com o professor Hyndman, que conecta modelos de passeio aleatório a métodos de previsão ingênuos e sazonais ingênuos.

Aplicações em outros campos

Finanças

Um dos usos mais notáveis dos passeios aleatórios é na modelagem financeira, especialmente para prever os preços das ações. A hipótese do mercado eficiente sugere que os movimentos dos preços das ações são essencialmente aleatórios, pois as novas informações são absorvidas instantaneamente, tornando os preços futuros imprevisíveis. Os passeios aleatórios podem ser usados para modelar as mudanças nos preços das ações ao longo do tempo, ilustrando como os preços flutuam sem um caminho previsível.

Matemática

Na matemática pura, os passeios aleatórios fornecem soluções para problemas complexos. Por exemplo, eles são úteis para resolver a equação de Laplace, analisar redes e explorar a combinatória.

Física e química

Nas ciências físicas, os passeios aleatórios são essenciais para modelar processos de difusão, como a forma como as moléculas se espalham por um meio. O movimento browniano, no qual as partículas suspensas em um fluido se movem de forma imprevisível devido a colisões com moléculas vizinhas, é um exemplo clássico que pode ser simulado com precisão usando passeios aleatórios. Na verdade, foi assim que aprendi sobre passeios aleatórios.

Biologia

Os passeios aleatórios são valiosos na ecologia para estudar os padrões de movimento dos animais. Os animais que buscam recursos podem parecer se mover em uma caminhada aleatória, às vezes tendenciosa para regiões com recursos conhecidos. Outros conceitos biológicos, como a disseminação de populações ou genes, muitas vezes podem ser modelados com princípios de passeio aleatório, facilitando a compreensão e a previsão de mudanças nos ecossistemas.

Casos especiais e variantes de passeios aleatórios

Além do passeio aleatório clássico, diversas variantes avançadas estendem o conceito para se adequar a aplicações especializadas.

Caminhadas que evitam você mesmo

Uma caminhada autoevitável é uma caminhada aleatória na qual o caminho não revisita nenhuma posição pela qual já tenha passado. Essa variante é particularmente útil em campos como a química de polímeros, onde ela pode modelar como as cadeias de polímeros se formam sem se cruzarem. Como cada etapa evita os pontos visitados anteriormente, as caminhadas de desvio automático são mais restritas do que as caminhadas aleatórias tradicionais. Isso significa que eles são computacionalmente desafiadores, mas úteis para entender caminhos não sobrepostos em espaços confinados.

Ramificação

Nos passeios aleatórios ramificados, o caminho pode se dividir em vários ramos, com cada ramo seguindo um passeio aleatório. Esse tipo de caminhada é fundamental para modelar processos de ramificação, como a divisão celular ou a disseminação de informações por meio de redes. Cada "ramo" representa um caminho aleatório independente que se origina de uma fonte comum.

Caminhadas correlacionadas

As caminhadas correlacionadas levam esse conceito um passo adiante, em que a direção de cada etapa é parcialmente influenciada pela etapa anterior. Essa variante é útil para modelar a inércia em sistemas em que as mudanças ocorrem gradualmente em vez de aleatoriamente. Os passeios correlacionados são frequentemente aplicados em finanças para simular tendências de preços ou em ecologia de movimentos para entender como os animais navegam em seus ambientes com alguma memória de sua direção passada.

Caminhadas em loop

Uma caminhada com eliminação de loop é uma variante em que os loops, ou caminhos que se cruzam, são removidos à medida que se formam. Cada vez que uma etapa revisita uma posição, o loop intermediário é apagado, deixando um caminho simplificado e não repetitivo. As caminhadas com loop-erased são comumente aplicadas em algoritmos de análise de rede e geração de labirintos porque criam caminhos que evitam redundância.

Implementando passeios aleatórios em Python

Vamos tentar implementar uma caminhada aleatória em Python. Para começar, verifique se você tem o Python instalado (usaremos o Python 3.10) e as bibliotecas necessárias disponíveis. Você pode instalar as bibliotecas ausentes usando o pip. Aqui está o que você usará:

import numpy as np # for numerical operations and generating random steps
import matplotlib.pyplot as plt # for plotting and visualizing the random walks

Caminhada aleatória 1D

Começaremos com um simples passeio aleatório unidimensional, em que cada passo é +1 ou -1, escolhido aleatoriamente.

# Parameters
n_steps = 100  # Number of steps

# Generate random steps: +1 or -1
steps = np.random.choice([-1, 1], size=n_steps)

# Calculate positions
positions = np.cumsum(steps)

# Plot the random walk
plt.figure(figsize=(10, 6))
plt.plot(positions, marker='o', linestyle='-', markersize=4)
plt.title("1D Random Walk")
plt.xlabel("Step")
plt.ylabel("Position")
plt.grid(True)
plt.show()

Isso gera um passeio aleatório simples e visualiza a progressão ao longo do tempo. Aqui está a saída quando executo esse código:

Lembre-se de que estamos executando um modelo estocástico. Isso significa que toda vez que o executarmos, o resultado será um pouco diferente.

Passeio aleatório 2D

Agora vamos estender o passeio aleatório para duas dimensões. Em cada etapa, a direção será escolhida aleatoriamente.

# Parameters
n_steps = 500

# Generate random steps in x and y directions
x_steps = np.random.choice([-1, 1], size=n_steps)
y_steps = np.random.choice([-1, 1], size=n_steps)

# Calculate positions
x_positions = np.cumsum(x_steps)
y_positions = np.cumsum(y_steps)

# Plot the 2D random walk
plt.figure(figsize=(8, 8))
plt.plot(x_positions, y_positions, marker='o', linestyle='-', markersize=2, label='Random Walk')
plt.plot(x_positions[0], y_positions[0], 'ro', markersize=8, label='Start')  # Red dot for start
plt.plot(x_positions[-1], y_positions[-1], 'ko', markersize=8, label='End')  # Black dot for end
plt.title("2D Random Walk")
plt.xlabel("X Position")
plt.ylabel("Y Position")
plt.grid(True)
plt.axis('equal')  # Ensures equal scaling for both axes
plt.legend()
plt.show()

Esse código cria um caminho visualmente atraente em duas dimensões.

Esse tipo de passeio aleatório bidimensional pode ser modificado para acomodar aplicações como movimento de partículas ou modelagem espacial.

Passeio aleatório tendencioso

Por fim, vamos analisar um exemplo um pouco mais complexo: um passeio aleatório tendencioso. Para introduzir uma tendência, podemos ajustar as probabilidades de cada direção de etapa. Por exemplo, podemos aumentar a probabilidade de você subir degraus.

# Parameters
n_steps = 100
bias = 0.7  # Probability of stepping +1

# Generate biased random steps in x and y directions
x_steps = np.random.choice([-1, 1], size=n_steps, p=[1-bias, bias])
y_steps = np.random.choice([-1, 1], size=n_steps, p=[1-bias, bias])

# Calculate positions
x_positions = np.cumsum(x_steps)
y_positions = np.cumsum(y_steps)

# Plot the biased 2D random walk
plt.figure(figsize=(8, 8))
plt.plot(x_positions, y_positions, marker='o', linestyle='-', markersize=2, label='Random Walk')
plt.plot(x_positions[0], y_positions[0], 'ro', markersize=8, label='Start')  # Red dot for start
plt.plot(x_positions[-1], y_positions[-1], 'ko', markersize=8, label='End')  # Black dot for end
plt.title("Biased 2D Random Walk")
plt.xlabel("X Position")
plt.ylabel("Y Position")
plt.grid(True)
plt.axis('equal')  # Ensures equal scaling for both axes
plt.legend()
plt.show()

Ao alterar a polarização, você pode observar como a caminhada tende a favorecer uma determinada direção, simulando cenários do mundo real, como a variação dos preços das ações ou os padrões de migração de animais.

Se alterarmos o parâmetro de polarização para 0,55, veremos uma diferença significativa na forma como o modelo se comporta. Embora você ainda tenha uma tendência de alta, essa tendência não é tão forte, o que leva a mais voltas e desvios.

Conclusão

Os passeios aleatórios são uma ferramenta de modelagem valiosa para cientistas de dados, aplicável em campos que vão da física às finanças e muito mais. Sua capacidade de modelar processos complexos e estocásticos os torna indispensáveis em muitos cenários do mundo real.

Você quer mais? Confira o conjunto de cursos de probabilidade e estatística da DataCamp. Você encontrará todos os tipos de cursos excelentes em Python e R. Se estiver interessado em conteúdo mais avançado, confira o curso da DataCamp sobre Simulação Estatística em Python e o tutorial de Introdução ao Machine Learning. Ou, se você estiver pronto para testar seus conhecimentos, resolva alguns desses quebra-cabeças de probabilidade.