Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Florianpolis
Abril 2002
Florianpolis
Abril - 2001
II
Banca Examinadora:
rpoinc, e 0 Laut.c.L.-incir
Prof a Joana B. de Oliveira Quandt
Orientadora
III
DEDICATRIA
e para meu
Iv
AGRADECIMENTOS
ideais.
Quandt, pelos
VI
INDiC E
01
INTRODUO
Li INTRODUO
Definio de Matriz
02
03
Matriz Linha
03
Matriz Coluna
04
Matriz Quadrada
04
04
Matriz Diagonal
05
Matriz Identidade
05
Matriz Escalar
06
Matriz Nula
06
E SUBTRAO DE MATRIZES
Igualdade de Matrizes
06
Adio de Matrizes
07
08
Subtrao de Matrizes
08
09
09
Multiplicao de Matrizes
09
12
13
VII
14
A transposta de A
14
14
16
17
17
18
19
21
21
22
22
23
24
24
25
Matriz Ortogonal
25
Matriz de Permutao
26
27
27
Exemplo 1
28
Exemplo 2
30
VI I I
32
Exemplo 1
33
Exemplo 2
36
37
38
Exemplo]
39
Exemplo 2
40
Exemplo 3
40
Exemplo 4
41
Exemplo 5
42
Exemplo 6
44
Exemplo 7
45
Exemplo 8
46
Exemplo 9
49
Exemplo 10
54
Exemplo 11
55
Exemplo 12
57
CONCLUSO
59
BIBLIOGRAFIA
60
IX
IN TRODU O
A Matemtica uma cincia muito antiga, que desde os primrdios sempre
esteve presente no dia-a-dia das pessoas.
Estudamos Matemtica desde os primeiros anos escolares. Ao mesmo tempo
em que dizemos que esta disciplina muito importante em nossas vidas, devido a sua
aplicabilidade, no mostramos muitas vezes suas aplicaes. Por este motivo resolvi
elaborar um trabalho, onde seu principal objetivo seria mostrar algumas aplicaes de
um determinado contedo matemtico.
Dentre os inmeros contedos que poderiam ser escolhidos, decidi trabalhar
com Matrizes, pois este um dos assuntos que no conhecemos bem suas aplicaes.
0 trabalho foi organizado da seguinte forma: o Capitulo 1 aborda uma viso
geral do contedo de Matrizes. Ja. o Capitulo 2 a parte essencial do trabalho, pois
relata algumas de suas aplicaes. Convm neste momento ressaltar que resolvi
trabalhar com apenas trs tipos de aplicaes de matrizes: Matrizes e Criptografia,
Matrizes e Modelos Populacionais e Cadeias de Markov. Outras aplicaes que
poderiam ser vistas so, por exemplo, Teoria de Grafos e o Problema de Alocao de
Tarefas.
0 trabalho que segue es -t longe de ser um estudo concludo ou terminado. 0
que se pretende realmente, por o assunto em discusso.
CAPTULO 1
Definies e Propriedades Referentes
lgebra Matricial
0 objetivo deste capitulo dar uma viso geral do contedo de matrizes, ou
seja, pretende-se definir o que uma matriz, alguns tipos de matrizes, suas operaes
aritmticas, como tambm estabelecer algumas de suas propriedades algbricas
No sero feitas demonstraes, pois estas so vistas nas disciplinas de lgebra
Linear.
1.1 INTRODUO
Definio: Uma matriz A um agrupamento retangular de elementos dispostos em
linhas (horizontais) e colunas (verticais), geralmente entre colchetes ou parnteses.
Os elementos de uma matriz podem ser nmeros reais ou complexos ou at mesmo
expresses algbricas, e so chamados de entradas da matriz.
Exemplos :
[1 2 5 21
A, =
3442
, A2 =
[cos(r) sen(t)]
sen(t) cos(t)
A i =-
2+1
[31 i
= 4
7
=[
12
6
e A3 =
quadrada uma matriz que tem o mesmo nmero de linhas e de colunas. Os nmeros
au, an..., ann formam a diagonal principal de A.
Exemplos:
1 2 3
= 4 5 6
1 2 3
A2
= d
[79 8
1 2 4
= 0 5 6
0 0 3
A=I
2
1.
Uma matriz quadrada A = fad dita triangular inferior se aii = 0 quando i <j, ou
seja, os elementos acima da diagonal principal so nulos.
Exemplos:
1 0 0
= 5 6 0
1 3 2
A2 = [3 (3 1.
9 1
A2 = [
2 01
,
0 1
Exemplo:
ri
o o-
= 0 1 0
001
Uma matriz diagonal A = [au] em que todos os elementos da dia gonal principal so
iguais, isto 6, a1
Exemplos:
=r ,
LO 7
Seja A = [ali] uma matriz de ordem m x n. A uma matriz nula se todos os seus
elementos
in e j = I,
, ti
Exemplo:
0 0 0
A=
0 0 0
0 0 0
0 0 0
1.3 IGUALDADE,
ADIO, MULTIPLICAO
POR UM
Duas matrizes podem ser somadas somente quando elas tem o mesmo nmero de
linhas e o mesmo nmeros de colunas. Neste caso, a soma de duas matrizes A e B de
ordem mxna matriz C m x n tal que qualquer elemento de C a soma dos elementos
correspondentes de A e B, isto 6, se
A = [ag],
B=[bd
C = [cul
ento:
Cy
si _s-11)
(lei associativa)
(ii)A+B=B+A
(lei comutativa)
6 8 10]
L3 4 5
e 3A =
[12 24 361
18 24 30
(ii) (a +
= otA +
(iii) a (A + B) aA + aB
(iv) 1(A) =A
(v) (-VA =-A
X /1.
Seja AH
A-B=
4] e B _[4
3
51
2 3]
[2 - 4 4-51 = H 2 1
3 2 l 3j L1 2
Definio: Se A = [a,
a2
an]1d e B
b2
AB =[c 1 onde
1-- [al b, +
a2 b2 +
+ ab]=[Ea
i bi l
Exemplo:
2
= [4(2) + (DO) + 3(-5)] = [ 8]
[4 -1 3].
C=
II
definida por:
m e 1.. 5 1 n)
col, (B)
[ n bb12
bin
b2.
linha, (A)
bp1
bpn
bp2
C12
C1 ,1
e21 C22
{. i
C2n
C11
end
aikbki
k=1
Note que o produto de A por B est definido apenas quando o nmero de linhas de
B exatamente igual ao nmero de colunas de A, como indicado abaixo.
p X 9/
1 I
Trt x
iguais
AB
'M X 7L
tamanho de AB
Seja A =
[ 2 1 31
4 1 6
3 2
e
B= 2 4
1 3
lo
ento:
AB =
4 -(-2)+1- 4+ 6 -(-3)
20 22
14 1 3
12 6 30
14 2 15
Propriedades:
ento:
(i) A lei comutativa no vlida ern geral: AB * BA.
(ii) A lei distributiva verdadeira:
A(B + C) =AB + AC
(A + B)C = AC + BC
(iii) A lei associativa 6. verdadeira:
A(BC) = (AB)C
(iv) A lei do cancelamento no verdadeira; em geral,
AB = O no implica
B=C
Exemplo 1
Sej
ri
4 6
2 1 e B =[
24
[-2 3
11
00
0 0]
Exemplo 2:
Se A = [ 1.
21 ,
ja
[8
= [2
L3
11
2
-2
L5
_1
e C=I
Ento :
AB 24C
mas B
1610
C.
m x 1, dada por:
AC=
all a12 -
al";
ci
a21 a22
a2
C2
'
+ au c2 + - + aincn
ancl a22c2
aznc.
+a,n2 c2 +---+a,c._
0 lado direito dessa expresso pode ser escrito da seguinte forma:
Cl
an
an
a 22
ez
+---+c
a1n
a 2n
(1.4.2)
Sejam A= I
-31
4 2 2l
2
e C = 3
AC=
4: r 1- - _,i _ r4ir
[2 1 31
=2-3+4
3 14-1 2 1_ F-5 1
3
4 2 2
-_j
2
2
8
8_
4
L-2]L i L-
- L- 61
AB
uma coluna de B:
col AB = A col,B
Ou seja, a coluna j de AB
b
b2,
bin
e B=
pela coluna j de B.
bn
bp,
bp,
Ab i
AB=
Ab
Exemplo:
3 2
2 4 5
Seja A= 2 6 8 e B = 1 5
0 8
1 0 9
AB=I 4,
Ab-.
-2
, ou seja: AB = A
13
,temos:
AB= 3 2 +1 6 + 8
1
46
2 2 +5
+8 8
9
Propriedade:
(4 B) T
Op
A T BT
(et =
(iii) (a A) T = a A T
(iv) (AB)T
BT A T
14
Exemplo :
1 3 4
1 3 4
A= 3 2 1 e A T = 3 2 1 ;A=A T , portanto A uma matriz simtrica.
_4 1 5_
4 1 5
0 3
e AT = 3
0 5 , como A T = A, ento A uma matriz
4
5
0
anti-simtrica.
Teorema: Se A uma matriz de ordem n, ento A pode ser escrita como soma de uma
matriz simtrica e uma matriz anti-simtrica da seguinte forma:
1
1
A--=(A+A T )+(24A
T)
2
2
Prova :
1
a) (A + A T )6 simtrica, pois
2
T =i
1 (21
(
(A T 4 -I
2
AT )
A T )6 anti - simtrica,pois :
b) 1
2
(1 -
(24 T
TT
A
1 I
= - kAT
2
(
I
0T ) )-= 1 vIT A).--1 (AA T )
2
2
15
Exemplo
Sej a A =
[1
43
14
,1 ento A T -= [2
Assim )
1(
vl -I- AT =
(A AT ) =
1 [2 61
6 3
[1 31
m , que uma atriz simtrica.
2 6 j
3
21 FO 1
, que uma matriz anti - simtrica, e
2 2 0 j Ll 0
A r_ F i
L4 3 j L3 3 j
LI
11
_0 j.
1 2 4 3
2 4 86
A matriz A = 2 1 32 equivalente por linhas a D = 1 1 2 3 , pois:
I I 2 3
4 1 7 8
Somando-se 2 vezes a terceira linha de A
1
2 4 3
B= 4-1 7 8
1 1 2 3
16
2 4 3"
C= 1 1 2 3
4 1 7 8_,
Multiplicando a primeira linha de C por 2 obtemos D.
(ii) se a linha k no consiste apenas de zeros, o nmero de zeros no inicio da linha k+1
maior que o nmero de zeros no inicio da linha k;
(iii) se existirem linhas com todos os elementos iguais a zero, elas ficam abaixo de todas
as linhas no-nulas.
Sej am:
= o
1
, A2 = 0
0
-
2
4= 0
0
2
0
3
1
= 0
3
0
1
1
01
3
4
3
6
5
4_,
0 0 0
e 115
17
40 1 01
1 0 0 3
0 1 2 0
0 1 0 2
0 0 0
0 0 1 1
eA3=[ 0 0 0 0_
OBS: Para colocar uma matriz Amxn na forma escada ou na forma escada reduzida
1'
7 6 Some(-2) vezes a primeira linha A terceira linha para obter:
3
1_,
2
18
o -7
71 ) para obter:
6 Multiplique a segunda linha por (
1
[1
[1
x,-
[1
001
Definio: Uma
12 e
3 41
21
IX -X
19
BA.
=F i
i ir i
-jd L3 4]
LO
1 2 2
AB= 3 4 J X
temos:
A -I
o r)
_ 0 4/
Exemplos:
3
A1 e
(ii) Sejarn A =[ 21, B.[
13
22
r3 21
1
B-1 =
B =[7
b
98
sa endo que:
[1 1
1, (AB, ' =[
3 4
1
L 9/2 7/2 J.
_
1 3/2]
e
Como 131
[1
11
I- 3 = 1[ 4
1 3/2i Is I
Conclumos que (AV = B A'.
9/2 7/21
20
(iii) Seja A = 1
214'
1
= [3/22 1/21
Assim :
3/21
(A 41 =.[-2
1,
1 1/2
24
AT
(A T T., _
3/2 1 .
1 1/2]
[-2
Tipo
Uma matriz elementar do Tipo I obtida trocando-se a ordem de duas linhas de I.
Exemplo:
r0
1 0
E1 = 1 0 0 , esta uma matriz elementar do Tipo I, pois foi obtida trocando-se as
0 0 1
0 1 Or
0 0 a2,
o o 1 an
a12
a22
a32
ani[a21
a23 =a11
a31
a33
a22
a23
a13
a32
21
a33
AEI =[a n
a12
a22
a13 -0 1 0
1-a, 2
a 23 1 0 0 = a n
a13 1
a21 an
a31
a32
a33 _0 0 1
a31
aii
all
a32
a 33 _
1-
Seja E = 0
Er' =[0 1
1
01= 0 1 0 = 1
0 0
0 0 1
0 0
0 1
0 = 0
0
0
1
0
0 =1
0 0
0
Da mesma forma.
0
E-1 .E =[) 1
1
Tipo II:
Uma matriz elementar do Tipo II uma matriz obtida multiplicando-se uma linha
de I por uma constante no nula k.
Exemplo:
1
E2 = 0
_0
3
22
1 0 0- ail
E2 ,4= 0 1 0 a21
0 0 3_ _ a31
all
AE 2 = an
a31
a12
a22
a 32
a12 a13
a 22 a 23 =
a32 a33
a13 1 1 0 0a23 0 1 0
a 33 0 0 3
all
a21
3a31
all
a12
a22
3a32
a12
a 22
a32
a31
a13
a23
3a33 _
3a13
3a 23
3a33
I para obter E2), enquanto a multiplicao a direita por E2 efetua a operao elementar
sobre as colunas que consiste em multiplicar a terceira coluna por I
Resumindo, ao calcularmos EA com E deste tipo estaremos multiplicando por k a
linha de A que corresponde linha de I que foi multiplicada por k para obter E
A inversa de uma matriz elementar do Tipo II obtida de I pela multiplicao da
1
mesma linha por .
Vejamos:
1
SejaE = 0
0
0 0
1 0 01 0 , pela definio acima podemos concluir que E -1 = 0 1 0
0 5
0 0 X_
Para que El seja a inversa multiplicativa de E temos que mostrar o seguinte resultado:
E.E-1 = .E = L
Ou seja:
_
_
0 0- 1 0 0
1 0 0
1 0 0 1 0 = 0 1 0 =1
0 0 50
0 )/3 _
0 0 1_
_
1
Er' = [0
23
Tipo III:
Uma matriz elementar do Tipo III uma matriz obtida de I multiplicando uma linha
por k e adicionando-se outra linha
Exemplo:
[1
E3 = 0
0
1
3
0 uma matriz elementar do Tipo III.
31 all
a12
a13
E3 /I = 0
a21
a22
a23 =
a31
a32
a33
all
a12
AE3 = an
a22
a32
a31
a14
+3a31
a21
a31
a13 " 1 0 3 - an
an 0 1 0 = an
a33 _ 0
a42 + 3a32
_a31
a +3a
an
a33
an
a32
-
an
3 a 11 an
a22
a32
3a21 +a23
3a31 a33 _
1
Seja E= 0
0
1
0
0 , observe que E foi obtida de I pela operao elementar: a L3 foi
24
1 0 0
= 0 1 0 , ou seja, Erl foi obtida
401
100 1 0 0
EE
01 0 0 1 0
=[ 4 0 1 4 0 1
100
0 1 01= I
001
-4/
g -g
y, g
-%
g
g
Exemplo: Seja A =
AA T
. Ento:
)< g g
X -4X g
81
-44 -7/ 4X
_g x
8+8-16 32-4-28 64+1+16
25
81
1
= 0
[1
81
0 =1
81 0
0 =0
81
0
1_
1 0 0
1
Dada 1= 0
0
0 ,trocando a linha 1 com a linha 2 da matriz identidade temos:
1_
1
0
0
0
Em geral, se
-1
1) Seja B= 2
3
2) Seja
[1
1
1-
2 e P= 1
0 . Entao, PB = 1 1
0
22
2 31
2
0
e P= 0
1
0
0
1
0_,
26
3-
Portanto, AP =
[3 1 2].
3 1 2
B e a
CAPTULO 2
Algumas Aplicaes Simples de Matrizes
Este capitulo tem como objetivo mostrar algumas aplicaes simples de matrizes
Matrizes so utilizadas em muitas reas, como Economia, Fsica, Engenharia, Biologia,
entre outras. Porm existem dois problemas que dificultam trabalhar com aplicaes de
matrizes:
I) para modelar certos problemas necessrio um maior conhecimento matemtico;
2) mesmo nos problemas que silo fceis de modelar, suas solues na maior pane das
24 -1 4
1
I.
-2 3
27
Cou
01
02
03
04
05
06
07
08
0 ou (1).
11
21
12
13
14
22
23
24
09
10
20
15
16
17
18
19
25
26
27
28
29
Qualquer outra numerao dos 29 simbolos tipogrficos tambm seria possvel, mas o
remetente e o destinatrio teriam que combin-la previamente. Para maior clareza usamos o
28
Uma vez que a matriz codificadora A uma matriz 2 x 2, arrumamos nossa seqncia
de nmeros como os elementos de uma matriz com duas linhas:
01 14 15 29 051
= [ 13 29 01 03 01 15 29i
16 12
codificadora A:
N=AM=
3 11
1[i6 12 01
[2
13
14 15 29
29 01 03
01
05
15 29j'
ou seja,
N=
Quando esta mensagem codificada chegar ao destinatrio este deve utilizar a in atriz
decodificadora A pata reverter os passos acima, pois
(2_1.1)
29
Vejamos:
rm
65
04
2 3_145 53
16
[
12 01
13 29
14
15
03 01
01
45
03
31
29
46
102
441
31
73
39 j
051
15 29 j
12
P L
01
14
29
15
05
13
29
01
03
15 29
01
A N O H EMH A A o #
3 1 2'
Sejam A = [2 1 1
e .4 -1 , 9 3 7
1 0
3 1 3_
M= 28 29 05 14 20 18 15 21
29 01 18 05 09 01 29 29
Para codificar a mensagem, multiplicamos Ma esquerda por A para obter:
[3
2 - 14
05
07
01
20
09
22
15
28
29
05
14
20
18
15
21
3 _ [ 29
01
18
05
09
01
29
29
N=AM= 2 1 1
3
30
128, 46, 62, 27, 96,47, 139, 124, 27, 38, 01, 11, 51, 35, 30, 22, 101, 47, 80, 32, 107,
48, 168, 153.
Quando esta mensagem chegar ao decodificador o mesmo deve construir uma matriz
com tit linhas e depois multiplicar esta matriz it esquerda por A -1, obtendo assim a matriz
21 -1
N=
1
9 3
1 0
14 05 07 01 20 09 22 15
28 29 05 14 20 18 15 21 =M
29 01 18 05 09 01 29 29
Portanto a mensagem original
e:
14 05 07 01 20 09 22 15 28 29 05 14 20 18 15 21 29 01 18 05 09 01 29 29
NEGATIVO,
# ENTROU# ARE
A#
codificada (na forma matricial ./V) por A" .1 para reconstruir a mensagem original_ Como A e
so matrizes inversas, a multiplicao por A-1 feita pelo destinatrio desfaz o efeito da
multiplicao por,4 feita pelo remetente.
31
papel apenas (realando, portanto, sua utilidade). Tudo o que precisa ser secreto so as
matrizes codificadora e decodificadora.
32
vetor populao:
C ,, +j = (0,85)C+ (0,10) S
para qualquer n
(2.2.1)
deste ano, mais 90% da populao suburbana S. deste ano, de modo que:
para qualquer n
O.
(2.2.2)
LS,
L0,15
0,101[C
0,90
(2.2.3)
Si
A=
[0,85 0,10
0,15 0,901
33
= A pn .
Segue-se que
po ,
P2 = A pi = A 2 po ,
V n > /,
e geralmente
(2.2.4)
Agora suponha que as populaes iniciais urbana e suburbana sejam (em milhares)
= 700 e So -= 300. Nosso objetivo ser determinar a distribuio "a longo prazo" das
populaes da cidade e dos subrbios resultante das taxas de migrao dadas. Pam os
primeiros dois anos encontraremos que:
2 10 A10
A 2 r- AA,
A20
A 4 = 242 A 2 ,
A 3 = A10 A20
A s = A4 A 4 ,
A 4 )110 2430
A 5 0 = A 10 A 40
34
(22.5)
obtemos
,434 0,377
[0
0,566 0,6231'
L0,598 0,601i
e
Apo Ao
I- , 400 0 ,400
=. A5a 0
L0,600 0,600 j.
A"
[0,400 0,400
0,600 0,600]
(2.2.6)
30 (e no somente em
A51
AA50
[0,400 0 4 00]
0,600 0,600
35
n >, 30
numa floresta. Inicialmente ha. Ro = 100 raposas e Co = 100 coelhos. Depois de n meses h
R raposas e C coelhos, de modo que o vetor populao
---4
[Cni"
(2.2.7)
C n+ = (-0,4)14+ (1,2)C,
(2.18)
coelho-raposa. dificil obter-se urn modelo deste tipo (principalmente se for um modelo
real), mas no dificil de se interpretar O termo (0,4)R 0 em (12.7) indica que se no
existissem coelhos, apenas 40% das raposas sobreviveriam a cada ms; o termo (0,3)C.
representa o crescimento da populao de raposas decorrente da oferta de coelhos como
suprimento alimentar. O termo (1,2)G em (2.2.8) indica que, na ausncia de qualquer
raposa, a populao de coelhos cresceria 20% a cada ms; o termo (-0,4)R representa o
declnio na populao de coelhos devido A ao predatria das raposas.
FR,
Lc +,
1- 0,4 0,31FR1
L 0,4 1,2IC
(2.2.9)
36
A= [04
Para investigar a situao a longo prazo, calculamos as potncias da matriz A como nas
equaes (2.Z5) do primeiro exemplo. Mantendo a preciso de trs casas decimais,
obtemos:
A 1 =
[-0,491 0,745 1
0,994 1,497
e
0,500 0,7501
A2 =21 3 = [
1,000 1,500 j
a vrios
problemas concretos.
Suponha que um sistema fsico ou matemtico est sofrendo mudanas tais que a cada
momento ele pode ocupar um dentre um nmero finitos de estados. Por exemplo, o tempo
ern determinada regio pode estar chuvoso ou seco; uma pessoa pode ser fumante ou no37
finnante; compramos um carro da marca Fiat, Ford ou de outra marca. Ao longo do tempo,
o sistema pode mudar de um estado para outro; vamos supor que o estado do sistema
observado em perodos fixos de tempo (uma vez por dia, a cada hora, a cada semana, a cada
ms e assim por diante). Em muitas aplicaes conhecemos o estado atual do sistema e
./34
(1
le)
PI,
P2, +
Pk)
(2.11)
="1-
Pi 1
PI2
PI3
P21
P22
P23
p31
P32
P33
Novo Estado
que continuaro a dirigir seus automveis (A); foi obtida a seguinte matriz de transio:
Esse ano
A
C
0 7 0 81 C
'
Prximo ano
P =[ '
0,3 O,2J A
Nesta matriz, p12 = 0,8 a probabilidade que as pessoas mudaro de seus sistema de
transporte atual (automveis) para o novo sistema dc transporte, p22 = 0,2 a probabilidade
que as pessoas vo continuar utilizando automveis imediatamente depois de ter sido
observado que elas j utilizavam automveis, e assim por diante.
39
se ter um dia seco logo aps um dia chuvoso de 1/2. Se representarmos por S o estado de
um dia seco e por C o de um dia chuvoso, ento a matriz de transio dessa cadeia de
Markov 6:
Sc
2
3
1
3
12
1 C
2_
ou
P=
0,67
[ 0,33
0,501
0,50Y
novamente a marca A na prxima semana, enquanto 25% vo mudar para a marca B e 25%
vo mudar para outra marca Entre os que usam atualmente a marca B, 30% vo comprar a
marca B na prxima semana, enquanto que 60% vo mudar para a marca A e 10% vo
mudar para outra marca. Entre os que usam atualmente outras marcas, 30% vo continuar
com essas marcas na prxima semana, 40% vo mudar para a marca A e 30% vo mudar
para a marca B. Os estados A,B e 0 (outras) correspondem As marcas A,B e outras,
respectivamente. Ento, a matriz de transio dessa cadeia de Markov 6:
A
B
0,50 0,60 0,40 A
P= 0,25 0,30 0,30
0,25 0,10 0,30_ O
40
r-
Ele instruido a permanecer em cada cruzamento por uma hora e, ern seguida, ou
permanecer no mesmo cruzamento ou seguir para um cruzamento adjacente. Para evitar
que ele estabelea um padrelo, ele deve escolher o novo cruzamento de maneira aleatria,
com qualquer escolha igualmente provvel. Por exemplo, se ele est no cruzamento 5, seu
prximo cruzamento pode ser 2,4 ,5 ou 8, cada um com probabilidade 3< . Cada dia ele
comea no cruzamento ern que parou no dia anterior. A matriz de transio desta cadeia de
Markov
Cruzamento Velho
-
1
3
t
i
3
1
3
1
4
1
4
0
1
3
1
3
P --=
T
]
1
3
1
3
1
3
1
3
1
3
4f
1
3
E
5
7,
1
4
1
4
i
I
41
Cruzamento Novo
Z
0,05 X
0,05 V.
0,90_
Prximo ms
xi
= x2
x3
42
Definio: O vetor de estado de uma observao de uma cadeia de Markov corn k estados
um vetor coluna x cujo i-sitno componente xi a probabilidade do sistema estar, naquela
observao, no i-simo estado.
Suponhamos, que seja conhecido (dado) o vetor de estado x" de uma cadeia de
Markov em alguma observao inicial. A prxima definio vai nos permitir determinar os
vetores-estados
(i)
X,
X
(2)
, ..., X
(a)
,...
x (fitt)
Px (u) .
x0), Px 0)
x0) = px (1) = p 2(0)
o
x (3) =rx(2) =.133( )
x (") = Px' =
Desta maneira, o vetor-estado inicial x () e a matriz de transio P determinam x(") para
n = 1,2
43
xi
Definio: O vetor x =
x2
chamado de
vetor
de probabilidade
se
observaes (dia 0), o dia est seco, de modo que o vetor-estado inicial
Ento, de acordo corn a definio acima, o vetor de estado no dia 1 ( o dia seguinte de
nossas observaes)
pio)
0,614
Isso significa que, a partir do quarto dia, fica seco aproximadamente 60 % do tempo
e chove aproximadamente 40 % do tempo.
demais marcas ficam com 60% do mercado. Logo, o vetor de estado inicial 6:
0,2
0,2
0,6_
O vetor de estado depois da primeira semana 6:
x0 )=px o) =
0,4600
0,50 0,60 0,40- 0,20,25 0,30 0,30 0,2 = 0,2900
0,2500
0,25 0,10 0,30 0,6_
Analogamente,
0,50 0,60 0,40- 0,4600
x(2 ) = px (1) = 0,25 0,30 0,30 0,2900
0,25 0,10 0,30_ 0,2500
0,5040
0,2770
0,2190_
0,50580,2748
0,2194
0,50550,2747
0,2198_
x(3) , p1 (2
x(4)= px (3)
45
x (5)
0,5055
0,50 0,60 0,40- 0,5055
px (4 ) .=
0,25 0,30 0,30 0,2747 I = 0,2747
_0,2198
0,25 0,10 0,30_ 0,2198
Portanto, medida que o tempo passa, o vetor de estado se aproxima do vetor fixo:
0,5055
0,2747
0,2198
Isso significa que depois de bastante tempo a marca A vai ter aproximadamente
51% do mercado, a marca B aproximadamente 27% e as outras marcas ficaro corn
aproximadamente 22% do mercado .
x (o)
1
3
1
0,10
0,10
0,85 0,15
x (3) = Px(2) .= 0,05 0,75
0,10 0,10
46
0,90 0,367
0,35 0,283
0,367_
0,3583
0,2481
0,3936
0,05- 0,3583
0,36140,05 0,2481 -= 0,2237
0,90_ 0,3936
0,4149_
0,05-. 0,3614
0,3615
= 0,05 0,75
0,10 0,10
0,05 0,2237
0,90_ 0,4149_
0,2066
_ 0,4319
0,85 0,15
x(5)= px (4) = 0,05 0,75
_0,10 0,10
0,3599
0,1946
0,4455_
0,85 0,15
x(6) =Px(5) = 0,05 0,75
_0,10 0,10
0,3574
0,1862
_0,4564
0,3545
0,1804
_0,4651
0,3516
0,1763
0,4721_
0,34890,1734
0,4777_
0,85
1
x(4) P
(3)
0,15
0,3464
0,1714
0,4822_
0,3443 0,1699
0,4858_
0,85
x(1) --= Px (9) = 0,05
0,10
x"
x (12) = px (11)
0,85
0,15
0,05 0,3443
0,3424-
0,05
0,75
0,05
0,1699
0,1689
0,10
0,10
0,90 0,4858
0,4887
0,85
x (13) =
px (12)
0,15
0,05
0,3408
0,3424
0,4910
0,90 _ 0,4887
0,3395
0,85 0,15 0,05 0,3408
(") = Px (13) == 0,05 0,75 0,05 0,1682 = 0,1677
0,4928
_0,10 0,10 0,90_ 0,4910
X (15)
0,10
0,10
0,85
0,15
0,05 0,3395
PX (14) = 0,05
0,75
0,05
_0,10
0,10
0,90_ 0,4928
47
0,1677
=.
0,3383
0,1674
0,4943
x Q6) = px(15) =
x 07) = px (16)
0,85
0,15
0,05- 0,3383
0,3366-
0,05
0,75
0,05
0,10
0,10
0,90_ 0,4943_
0,4963_
0,85
0,15
0,05
0,3366-
0,3360
0,05
0,75
0,05
0,1671 -= 0,1670
0,10
0,10
0,90_ 0,4963_
0,1674 = 0,1671
0,4970_
_
0,85
0,15
0,05- 0,3360-
x (1 8 ) = PX (17) -= 0,05
0,75
0,05
0,10
0,10
0,90_ 0,4970_
_ 0,4976
0,85
0,15
0,05 - 0,3355
0,3351
= Px (18) = 0,05
0,75
0,05
0,10
0,10
0,90_ 0,4976_
0,85
0,15
0,05
0,3351-
0,75
0,05
0,1668 -= 0,1667
_0,10
0,10
0,90
0,4981
_0,4985
0,85
0,05
0,15
0,75
0,05
0,3348 -
Th,3345
0,05
0,1667 -= 0,1667
_0,10
0,10
0,90
0,4985
0,85
0,15
0,05
0,3345 -
0,4988
_
0,3343
0,05
0,75
0,05
0,1667
0,1667
0,10
0,10
0,90_ 0,4988
0,85
0,15
0,05- 0,3343 -
0,4990
_
0,3341
0,75
0,05
0,10
0,10
0,90_ 0,4990
_ 0,4992
0,85
0,15
0,05- 0,3341-
[0,3339
0,75
0,05
0,1667 = 0,1667
0,10
0,10
0,90
0,4992_
0,4994
0,85
0,15
0,05
0,3339
0,3338
0,75
0,05
0,1667
0,1667
0,10
0,10
0,90_ 0,4994
0,85
0,15
0,05- 0,3338 -
_ 0,4995
_
0,3337
0,05
0,75
0,05
0,10
0,10
0,90
0,4995
px (26)
x(21)
(22)
( )
x(26) = px (25)
x(27)= px (26)
0,3355
0,1667 = 0,1667
0,4996
-
0,85
0,15
0,05 - 0,3337
0,05
0,75
0,05
0,1667 =- 0,1667
0,10
0,10
0,90
0,4996
48
0,3336
0,4997
0,3335
0,85 0,15 0,05 0,3336
0,75 0,05 0,1667 = 0,1667
0,10 0,10 0,90_ 0,4997
0,4998
x(29) .= px (2 8) =
Portanto, medida que o tempo passa, o vetor de estado se aproxima do vetor fixo:
0,3334
0,1667
0,4999
Isso significa que aps 30 meses, a companhia X,YeZ tero, respectivamente,
aproximadamente 33%, 16 % e 50 % do mercado.
Nos nossos exemplos vimos que os vetores-estado convergem a um vetor fixo
medida que o nmero de observaes cresce. Nesse caso dizemos que o processo de
[0 11 e xo)
0_1
- 0,4
49
Assim,
p2 =:[ 0 t ir o
0] Li
Fl 01
oj Lo
_IL
Oil
[01
1
01
0,6]
0,4
e
[ o
xo) = x(3)=x(5)=.._= 4
0,6
Em geral: P2k = I
0,1 [0,1
e
e
0,4
0,6 ,
satisfaa uma certa condio, mostraremos que o sistema se aproxima de um vetor fixo
atingindo, portanto, o equilibria Esta condio descrita na definio abaixo.
Definio: Uma matriz de transio P regular se todas as entradas de alguma
potncia de P so
positiva&
Uma cadeia de Markov que governada por uma matriz de transio regular
chamada cadeia de Markov regular. As cadeias de Markov dos exemplos 1 a 3 e do
exemplo 5 so regulares, j que todas as entradas da prpria matriz de transio so
50
u quando n
u tal
aumenta. Este
A2,
A n A+,.., onde
Al =
air
(42" ) - al(;)
(n )
a,
( ,,)
a,2
, A2 =
a,,(")
com todos os a
ou
1 9
. [1 6
, A 2 =[2 4
3 71 '
32
A,
1 + An
3n+1
ento:
2
2
2n
lim /61
e
51
Exemplo:
Sejam A=
[ 4 21
1
x [2]
Ax [41
_2j21
Teorema:
(a) Quando
t,
A =-
U1
LI
U2
U2
112
ui
u2
u +u +
+u =1
OBS: Este teorema no sera demonstrado, pois envolve resultados mais elaborados de
Algebra Linear, como Forma de Jordan e resultados da Teoria de Matizes Positivas.
Teorema:
anterior, ento:
(a) Qualquer que seja o vetor de probabilidade x, temos que Pflx
de modo que u um vetor de estado estacionrio;
52
quando n
cc,
(a) Seja
XI
X2
X=
Xn
um vetor de probabilidade_ Quando n -4 00 , Pn > A. Logo Pax --> Ax. Por outro lado,
-
Ax=
22 2
"in
U2
- U2
Un --
U I X I + Ul X 2 + + UI X n
X2
U 2 X1 +
2 X2 + " + U 2 X n
14.X, + Un i2 + - + U X
tin
ul (x + x2 +- + x,, )
u2 (x +x2 +--+x)
> PA
u.
Logo PA = A .
A =
[u u - %iv 4,
PA =
probabilidade que satisfaz esta equao, devemos supor, por absurdo, que existe um
53
outro vetor de probabilidade q tal que Pq = q Do item (a) deste mesmo teorema temos
que rq --> u e, como Pq = q, temos P"q = q para todo n, assim q
. Portanto q u.
c.q. d.
Pu = /u
OU
p)u = o
Mostramos que o sistema homogneo acima tem uma nica soluo u que um
vetor de probabilidade, de modo que:
(2.3.2)
32
54
O sistema linear (.
= O, 6:
C: N
Isto leva equao:
1
u 1 u 2 0 - logo : u
2
3
2 2
5
2
Ento, u2
1, e segue que u,
-
Assim,
3
3
u =
2 2 5
0 6_
0,6
Portanto, u [ 1_
0,4
Isso significa que, a partir do quarto dia, fica seco aproximadamente 60% do tempo
O sistema homogneo
= O, 6:
55
o
O
1 -1,2 -0,8
0
2,8 -1,2
0 -0,4
2,8
o
o
o
Escalonando, temos:
1 -1,2 -0,8 o
0
2,8 -1,2 o
-0,4
2,8 43
0
0
1 0 -2,30
0 1 -1,25
00
0
o
o
-1,2 -0,8
1,6 -2,0
-1,6
2,0
o
o
o
1 0 -2,30 o
0 1 -1,25 o
00
0 o
-1,2 -0,80 o
-1,25 o
1
0
o
--- 2,3r
442 =1,25r
U3
= T5
ou
u =,5055
u2 = 0,2747.
u3 = 0,2198
56
r=
4,55
0 ,2198 .
0,15
0,05-
-0,15
-0,05
0,25
-0,10
-0,10
-0,05 -0,05
zi
U2
0,10_
o
o
=-
-0,15
-0,05
-0,05
0,25
-0,05
-0,10
-0,10
0,10
o
o
o
Escalonando, temos:
0,15
-0,05
-0,10
-0,15 -0,05
0,25 -0,05
0,10
-0,10
o
o
o
-0,10
-0,10
0,10
0,05
0,25
-0,05
0,15
-0,15
-0,05
oo
o
1,0
-1,0
0
0
0,3
-0,1
0,1
1,00
1,00
-1,00
-0,05
0,25
-0,05
-0,10
-0,10
0,10
57
-0,3
o
o
o
o
o
o
1
0
0
1
0,3
0
1 o0,1 o
0 o-
1
0
1
1
o
o
o
M
00 0
0
0
_0
1 x
0 0
o
o_
De (2.3.2), temos:
1
2
r + r + r = 1 ou
3
3
I"
1
2
r-- - .
U2
U
3
-=
6
1
r--- 2
0,3334
Conseqentemente, u .- 0,1666 o vetor de estado estacionrio_
0,5000
58
CONCLUSO
Atravs deste trabalho procuramos mostrar algumas das muitas aplicaes de Matrizes.
Durante o seu desenvolvimento notamos que so poucas as aplicaes que podem ser feitas
sem exigir maior conhecimento matemtico, como por exemplo, Criptografia e Modelos
Populacionais- J o estudo de Cadeias de Markov para ser feito de forma mais completa,
exige o estudo de assuntos mais elaborados, como Forma de Jordam e propriedades das
Matrizes Positivas. Por esses motivos muitas vezes estas aplicaes no so vistas em
determinados momentos de nosso estudo, isto pois, no temos ferramentas matemticas o
suficiente para conhecermos este tipo de aplicaes de Matrizes.
59
BIBLIOGRAFIA
(1) NOBLE, Ben DANIEL, W. James. Algebra Linear Aplicada. 2 edio.
(6) BOLDRINI, Jos Luiz et al. Algebra Linear. 3' edio. So Paulo: Hapes &
Row do Brasil, 1980.
(7) EDWARDS C. H. Jr., PENNEY David E. Introduo
de Janeiro: Prentice-Hall do Brasil Ltda., 1998.
60