UNIVERSIDADE FEDERAL DE SANTA CATARINA

CENTRO DE CIÊNCIAS FÍSICAS E MATEMÁTICAS

DEPARTAMENTO DE MATEMÁTICA
CRISTINI KUERTEN

ALGUMAS APLICAÇÕES DE MATRIZES

Florianópolis
Abril — 2002
 UNIVERSIDADE FEDERAL DE SANTA CATARINA
CENTRO DE CIÊNCIAS FÍSICAS E MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA
CRISTINI KUERTEN

ALGUMAS APLICAÇÕES DE MATRIZES

Trabalho de Conclusão de Curso

apresentado ao Curso de Matemática.
Habilitação Licenciatura.
Departamento de Matemática.
Centro de Ciências Físicas e Matemiticas.

Orientadora: Prof Joana B. O. Quandt

Florianópolis
Abril - 2001

II
 ALGUMAS APLICAÇÕES DE MATRIZES

Esta Mono grafia foi julgada adequada como TRABALHO DE CONCLUSÃO DE

CURSO no Curso de Matemática — Habilitação Licenciatura e aprovada em sua forma final
pela Banca Examinadora designada pela Portaria n° 15 /SCG/02_

Prof. Nereu S_ urin

Professor responsável pela disciplina

Banca Examinadora:

rpoinc, e 0 Laut.c.L.-incir
-
Prof a Joana B. de Oliveira Quandt
Orientadora

III
 DEDICATÓRIA

Dedico a vitória desta etapa de minha vida a

toda minha Jam (lia, especialmente para os meus pais,

Luiz Kuerten e Marlene O. Kuerten, e para meu

noivo, Dirlei Marcelino Maia, pelos esforços nunca

poupados, buscando sempre me oferecer o melhor,

pelo amor incondicional, presente em todas as horas

e, principalmente, por terem sempre acreditado em

mim. Merecedores de todo o meu amor, pelo que

fazem e pelo que são: dignos, trabalhadores e

vitoriosos_

Iv
AGRADECIMENTOS

A Deus, por ter me concedido a vida e a coragem.

Tenho certeza de que sempre esteve ao meu lado.

Às pessoas especiais que sempre estiveram

comigo e que, pela presença, pela palavra, pela

atenção ou pelo simples sorriso, me deram coragem e

determinação para traçar caminhos em busca de meus

ideais.

A professora Joana B. de Oliveira Quandt, pelos

esforços empenhados em me orientar sempre que

possível e por sua disposição a cada encontro, fazendo

de minhas dúvidas, certezas.

 Ser mestre não é apenas lecionar

Ensinar não é apenas transmitir conhecimentos.

Ser mestre é ser instrutor e amigo, guia e companheiro,

é caminhar com o aluno passo a passo,

é transmitir a estes o segredo da caminhada

Ser mestre é ser exemplo.

Exemplo de dedicação, de doação, de dignidade

pessoal e sobretudo, amor.

VI
 INDiC E
INTRODUÇÃO 01
CAPÍTULO 1: Definições e Propriedades Referentes a. Álgebra Matricial 02
Li INTRODUÇÃO 02
Definição de Matriz 02
1.2 TIPOS DE MATRIZES 03
Matriz Linha 03
Matriz Coluna 04
Matriz Quadrada 04
Matriz Triangular Superior e Matriz Triangular Inferior 04
Matriz Diagonal 05
Matriz Identidade 05
Matriz Escalar 06
Matriz Nula 06
1.3 IGUALDADE, ADIÇÃO, MULTIPLICAÇÃO POR UM ESCALAR 06
E SUBTRAÇÃO DE MATRIZES
Igualdade de Matrizes 06
Adição de Matrizes 07
Multiplica cão de um matriz por um número real 08
Subtração de Matrizes 08
1.4 MULTIPLICAÇÃO DE MATRIZES 09
Produto de uma matriz linha por uma matriz coluna 09
Multiplicação de Matrizes 09
Produto de uma Matriz por uma Matriz Coluna 12
Multiplicação de Matrizes por Colunas 13

VII
 1.5 A TRANSPOSTA DE UMA MATRIZ 14
A transposta de A 14
Matriz Simétrica e Matriz Anti-simétrica 14
1.6 OPERAÇÕES ELEMENTARES POR LINHA 16
1.7 MATRIZ NA FORMA ESCADA E NA FORMA ESCADA 17
REDUZIDA POR LINHAS
Matriz na forma escada 17
Matriz na forma escada reduzida 18
1.8 A INVERSA DE UMA MATRIZ 19
1.9 MATRIZES ELEMENTARES E SUAS INVERSAS 21
Matriz Elementar do Tipo I 21
Inversa da Matriz Elementar do Tipo I 22
Matriz Elementar do Tipo II 22
Inversa da Matriz Elementar do Tipo II 23
Matriz Elementar do Tipo III 24
Inversa da •Matriz Elementar do Tipo III 24
1.10 TIPOS ESPECIAIS DE MATRIZES 25
Matriz Ortogonal 25
Matriz de Permutação 26
CAPITULO 2: Algumas Aplicações Simples de Matrizes 27
2.1 MATRIZES E CRIPTOGRAFIA 27
Exemplo 1 28
Exemplo 2 30
2.2 MATRIZES E MODELOS POPULACIONAIS 32

VI I I
 Exemplo 1 33
Exemplo 2 36
2.3 CADEIAS DE MARKOV 37
Definição de cadeia de Markov 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
CONCLUSÃO 59
BIBLIOGRAFIA 60

IX
 IN TRODU Ç ÃO

A Matemática é uma ciência muito antiga, que desde os primórdios sempre

esteve presente no dia-a-dia das pessoas.

Estudamos Matemática desde os primeiros anos escolares. Ao mesmo tempo

em que dizemos que esta disciplina é muito importante em nossas vidas, devido a sua

aplicabilidade, não mostramos muitas vezes suas aplicações. Por este motivo resolvi

elaborar um trabalho, onde seu principal objetivo seria mostrar algumas aplicações de

um determinado conteúdo matemático.

Dentre os inúmeros conteúdos que poderiam ser escolhidos, decidi trabalhar

com Matrizes, pois este é um dos assuntos que não conhecemos bem suas aplicações.

0 trabalho foi organizado da seguinte forma: o Capitulo 1 aborda uma visão

geral do conteúdo de Matrizes. Ja. o Capitulo 2 é a parte essencial do trabalho, pois

relata algumas de suas aplicações. Convém neste momento ressaltar que resolvi

trabalhar com apenas três tipos de aplicações de matrizes: Matrizes e Criptografia,

Matrizes e Modelos Populacionais e Cadeias de Markov. Outras aplicações que

poderiam ser vistas são, por exemplo, Teoria de Grafos e o Problema de Alocação de

Tarefas.

0 trabalho que segue es -tá longe de ser um estudo concluído ou terminado. 0

que se pretende realmente, é por o assunto em discussão.

1
 CAPÍTULO 1

Definições e Propriedades Referentes

Álgebra Matricial

0 objetivo deste capitulo é dar uma visão geral do conteúdo de matrizes, ou

seja, pretende-se definir o que é uma matriz, alguns tipos de matrizes, suas operações

aritméticas, como também estabelecer algumas de suas propriedades algébricas

Não serão feitas demonstrações, pois estas são vistas nas disciplinas de Álgebra

Linear.

1.1 INTRODUÇÃO

Definição: Uma matriz A é um agrupamento retangular de elementos dispostos em

linhas (horizontais) e colunas (verticais), geralmente entre colchetes ou parênteses.

Os elementos de uma matriz podem ser números reais ou complexos ou até mesmo

expressões algébricas, e são chamados de entradas da matriz.

Exemplos :
[cos(r) — sen(t)] 1 2+1
[1 2 5 21 A i =-
A, = , A2 = [31 —i
3442 sen(t) cos(t)

Uma matriz é real se os seus elementos são números reais ou expressões que

assumem valores reais.

Neste trabalho vamos trabalhar apenas com matrizes reais

Uma matriz A com m linhas e it colunas pode ser escrita da seguinte forma:

2
Definição: Matriz Coluna

Dizemos que A é uma matriz coluna quando A for de ordem m x 1.

Exemplos:

12
= 4 , =[ e A3 =
2 6
7

Definição: Matriz Quadrada

Seja A uma matriz m x n. Sem n, A é uma matriz quadrada. Ou seja, uma matriz

quadrada é uma matriz que tem o mesmo número de linhas e de colunas. Os números

au, an..., ann formam a diagonal principal de A.

Exemplos:

1 2 3
= 4 5 6 e A2 = d
[79 8
1 2 3

Definição: Matriz Triangular Superior e Matriz Triangular Inferior

Uma matriz quadrada A = [aii] é dita triangular superior se saki= O quando i > j, ou

seja, os elementos abaixo da diagonal principal são todos nulos.

Exemplos:

1 2 4
= 0 5 6
e
A=I
2
8
I
1.
0 0 3

Uma matriz quadrada A = fad é dita triangular inferior se aii = 0 quando i <j, ou

seja, os elementos acima da diagonal principal são nulos.

4
 Exemplos:

1 0 0
= 5 6 0 e A2 = [3 (3 1.
9 1
1 3 2

Podemos também afirmar simplesmente que A é triangular se A for triangular

superior ou inferior. Deve ser observado que urna matriz triangular pode ter zeros na

diagonal.

Definição: Matriz Diagonal

Uma matriz quadrada A = [ay] em que todos os elementos fora da diagonal

principal são nulos, isto 6, au = 0 para i j, é denominada matriz diagonal.

Exemplos:

1 0 0
2 01
= 0 9 0 e A2 = [ ,
0 1
0 0 3

Definição: Matriz Identidade

Uma matriz de ordem n, A = [ad em que todos os elementos fora da diagonal

principal são nulos e os elementos da diagonal são todos iguais a urn, isto 6, a1 -= 0 para

i j e aii= 1 para i =j, é denominada matriz identidade.

Notação: lou

Exemplo:

ri o o-
= 0 1 0
001

5
Definição: Matriz Escalar

Uma matriz diagonal A = [au] em que todos os elementos da dia gonal principal são

iguais, isto 6, a1 c para i = j e aii= 0 para i j, é denominada matriz escalar.

Exemplos:

=r , e =
4
0
0
4
0
0
LO 7
0 0 4

Definição: Matriz Nula

Seja A = [ali] uma matriz de ordem m x n. A é uma matriz nula se todos os seus

elementos nulos, isto 6, se aii = 0, para i = /, in e j = I, , ti .

Exemplo:

0 0 0
0 0 0
A=
0 0 0
0 0 0

Neste trabalho, denotaremos a matriz nula por O.

1.3 IGUALDADE, ADIÇÃO, MULTIPLICAÇÃO POR UM

ESCALAR E SUBTRAÇÃO DE MATRIZES

Definição: Igualdade de Matrizes

As matrizes A e B saio chamadas iguais se e somente se:

(i) A e B têm o mesmo número de linhas e o mesmo número de colunas.

(ii) Todos os elementos correspondentes são iguais, isto 6, au = lt,j para todos os i e j.
Definição: Adição de Matrizes

Duas matrizes podem ser somadas somente quando elas tem o mesmo número de

linhas e o mesmo números de colunas. Neste caso, a soma de duas matrizes A e B de

ordem mxnéa matriz C m x n tal que qualquer elemento de C é a soma dos elementos

correspondentes de A e B, isto 6, se

A = [ag], B=[bd e C = [cul

então:

Cy = chi + by(' sri si _s-11)

Como a soma de dun. matrizes é formada simplesmente adicionando-se os

elementos correspondentes, é claro que as regras válidas para a adição de matrizes reais

são exatamente as que são válidas para a adição de números reais.

Propriedades: A adição matricial é associativa e comutativa. Sejam A, B e C

matrizes de mesma ordem, então:

(i) (A + B)+ C = A + (B (lei associativa)

(ii)A+B=B+A (lei comutativa)

Estes resultados afirmam que a ordem em que as matrizes são somadas não é

importante. Salientamos este fato porque, quando considerarmos a multiplicação de

matrizes, veremos que a lei comutativa não é mais verdadeira, embora a lei associativa

ainda seja válida. A ordem em que as matrizes são multiplicadas é extremamente

importante.

7
Definição: Multiplicação de uma matriz por um número real

Se A é uma matriz e a é um número real, então o produto de a pela matriz A é

denotado por czA; ("A é a matriz obtida multiplicando-se cada elemento de A por a.

[ 4 8 121 então: 1 A = (-2 4 61 [12 24 361

Por exemplo: se A= e 3A =
6 8 10] 2 L3 4 5 18 24 30

Propriedades: Se a e /3 são números reais eA eB são matrizes, então,

(i) a(flA) = (a OA

(ii) (a + = otA +

(iii) a (A + B) aA + aB

(iv) 1(A) =A

(v) (-VA =-A

Definição: Subtração de Matrizes

Sejam A e B matrizes in X /1.

A diferença entre A eBé denotada por A - B e definida por :

A - B= A + (-B)= [a kJ+ [-b i ] = [cii], onde [cu] = [a b d] ,(I SiSm, 1 5-1 SO_

Exemplo:

4] e B _[4 51
Seja AH
3 — 2 3]

[2 - 4 4-51 = H 2 —1
A-B=
3 — 2 l— 3j L1 —2

8
1.4 MULTIPLICAÇÃO DE MATRIZES

Produto de uma matriz linha (1 x 12) por uma matriz coluna 02 x 11

Uma matriz linha pode ser multiplicada por uma matriz coluna, nesta ordem, se e

somente se ambas tern o mesmo número de elementos.

b2
Definição: Se A = [a, a2 an]1d e B

Então AB é definida como sendo a seguinte matriz 1 x 1:

AB =[c 1 onde 1-- [al b, + a2 b2 + + a„b„]=[Ea

i bi l

Exemplo:

2
[4 -1 3]. = [4(2) + (—DO) + 3(-5)] = [— 8]
—5

Enunciaremos abaixo a regra geral para a multiplicação de duas matrizes.

Definição: Multiplicação de Matrizes

Se A = [aij] é uma matriz m xpeB = [1: 1 ] é uma matriz p x n, então o produto de A

por B, denotado por AB, é a matriz C = [ci ] de ordem m x II definida por:

C= (in k + a12 b2i + + ao b pi -- Eao bid (1.s m e 1.. 5 1 n)

k=1

9
 A igualdade (1 .4.1) diz que o elemento da linhal e coluna j da matriz produto C é o

produto escalar da linha i de A, linha , (A), pela coluna] de B, col, (B).

col, (B)
[ n bb12 bin
b2.
linha, (A)

bp1 bp2 bpn

C11 C12 C1 ,1
e21 C22 C2n
= {. i

/
end

1.10lia; (A) • col,(B)= E aikbki

k=1

Note que o produto de A por B está definido apenas quando o número de linhas de

B é exatamente igual ao número de colunas de A, como indicado abaixo.

A B = AB
p p X 9/ 'M X 7L

1 I
Trt x

iguais I
tamanho de AB

OBS: 0 produto AB não definido se A uma matriz m xp e B uma matriz q x n, com

p g.

Exemplos de Multiplicação de Matrizes:

3 —2
[— 2 1 31
Seja A = e B= 2 4 então:
4 1 6
1 —3

lo
 [(-2)-3+1.2 +3 -1 (-2)-(-2)+1- 4+3 -(-3)1 1[- —1
AB =
4-3+1-2 +6 -1 4 -(-2)+1- 4+ 6 -(-3) 20 —22

3 -(-2)-2 -4 3 -1-2 -1 3-3-2-6 —14 1 —3

BA= 2 -(-2)+4- 4 2-1+4-1 2-3+4-6 12 6 30
1.(-2)-3 -4 1-1-3-1 1-3-3-6 —14 —2 —15

Os exemplos acima mostram que a multiplicação de matrizes não e" comutativa;

mesmo que os dois produtos AB e BA estejam definidos eles não são necessariamente

iguais.

Seguem abaixo algumas propriedades de multiplicação de matrizes:

Propriedades: Sejam A, B e C matrizes com tamanhos(ordens) apropriados(as),

então:

(i) A lei comutativa não é válida ern geral: AB * BA.

(ii) A lei distributiva é 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 não é verdadeira; em geral, AB = O não implica

necessariamente que A = 0 ou B = 0 e AB = AC não acarreta necessariamente que

B=C

Exemplo 1

Sej A
ri2 1 e B =[
4 —6
24 [-2 3
00
Então, as matrizes A e B não são matrizes nulas, mas AB -=
0 0]

11
 Exemplo 2:
ja = [2 11 -2 7
Se A = [ 1. 21 , e C=I
2 4 L3 2 L5 _1
Então :
[8 5
AB — 24C —
1610
mas B C.

Definição: Produto de uma Matriz por uma Matriz Coluna

Sejam A uma matriz mxneC uma matriz n x 1. Então o produto AC é uma matriz

m x 1, dada por:

all a12 - al"; ci + au c2 + • - • + aincn

a21 a22 '•• a2„ C2 ancl a22c2 • • ± aznc.
AC=

+a,n2 c2 +---+a„„,c„._

0 lado direito dessa expressão pode ser escrito da seguinte forma:

an a1n

Cl
an a 22 +---+c„
a 2n
= ci col, (A) + c2 co/2 (A) + - • + cn coln (A). (1.4.2)
ez

A expressão em (1.4,2) é uma combinação linear das colunas de A. Portanto, o

produto AC de uma matriz A de ordem in x n por uma matriz C de ordem n x 1 pode ser

escrito como uma combinação linear das colunas de A, e os coeficientes são os

elementos correspondentes das linhas da matriz coluna C.

Exemplo:

2
[2 —1 -31
Sejam A= I e C = —3 Então, o produto AC, escrito como uma
4 2 — 2l

combinação linear das colunas de A,6:

12
 [2 —1 —31 4: r —1- - _,i _ r4ir
=2-3+4 ± 3 14-1 2 1_ F-5 1
AC= —3
4 2 —2
4
-_j
2 2 8 L 8_ L-2]L i L- - L- 61
Definição: Multiplicação de Matrizes por Colunas

Seja A uma matriz mxpeBuma matriz pxn. A multiplicação de matrizes pode

ser vista de uma outra forma: cada coluna da matriz AB éo produto da matriz A por

uma coluna de B:

col „AB = A col,B

Ou seja, a coluna j de AB é obtida pela multiplicação de A pela coluna j de B.

all a12 alp -

bin b
an a22 • a2p bn b2,
Sejam A=
:
e B=

aril a,„2 --- amp bp, bp,

E fácil ver que a P coluna de AB é obtida pela multiplicação de A pela P coluna de

B e, de forma geral, a coluna ] de AB é obtida pela multiplicação de A pela coluna ] de

B.

Se denotarmos a coluna j de B por b1 , ondel j ,temos:

Ab i Ab
AB= L

Exemplo:

2 4 5 3 2
Seja A= 2 6 8 e B = 1 5
1 0 9 0 8

-2
Ab-.
AB=I 4, , ou seja: AB = A 1 A 5

13
 4 5 2 4- 5
6
AB= 3 2 +1 6 + 8 2 2 +5 +8 8
1 0 9

1.5 A TRANSPOSTA DE UMA MATRIZ

Definição: Se A é uma matriz m x n qualquer, então a transposta de A, denotada por

A T, é definida como a matriz n x m que resulta da permutação das linhas com as

colunas de A; ou seja, a primeira coluna de A T é a primeira linha de A, a segunda coluna

de A T é a segunda linha de A, e assim por diante. Portanto, a transposta de A é obtida

trocando-se as linhas de A por suas colunas e vice-versa.

Quando A é uma matriz quadrada os elementos da diagonal principal de A T são os

mesmos da matriz A, ou seja, a transposição não altera a diagonal principal da matriz.

Sao validas as seguintes propriedades:

Propriedade: Sejam A e matrizes de ordem in xn ea eR. Então:

(4 B) T A T ± BT

Op (et =
(iii) (a A) T = a A T
BT A T
(iv) (AB)T

OBS: Nota-se em (iv) que a transposta de um produto é o produto das transpostas,

porém em ordem inversa.

Definição: Matriz Simétrica e Matriz Anti-simétrica

Uma matriz Anxné dita simétrica se A T = A, ou seja, A é simétrica se e somente

se au = aii , para todo i =1, ...,nej =1, ...,n.

14
 Exemplo :
1 3 4 1 3 4
A= 3 2 1 e A T = 3 2 1 ;A=A T , portanto A é uma matriz simétrica.
_4 1 5_ 4 1 5

Uma matriz Anxné dita anti-simétrica se A T = - A , ou seja, A é anti-simétrica se

e somente se aii = - , para todo i =1, ...,n e j =1, Neste caso os elementos da

diagonal principal são sempre nulos.

Exemplo:

3 — 0 —3
A= —3 0 e AT = 3 0 —5 , como A T = —A, então A é uma matriz
—5 —4 5 0

anti-simétrica.

Teorema: Se A é uma matriz de ordem n, então A pode ser escrita como soma de uma
matriz simétrica e uma matriz anti-simétrica da seguinte forma:

1 1
A--=—(A+A T )+—(24—A T)
2 2

Prova :
1
a) —(A + A T )6 simétrica, pois
2
T =i
1 (21 ±
- L ± (24 T (A T ± 4 -I AT )
(
2 2 2 2

b) 1 A T )6 anti - simétrica,pois :
2
TT
\ 1 I I (
(-
1 - A = - kAT —0T ) )-= —1 vIT —A).--1 (A—A T )
2 2 2 2

15
 Exemplo
[1 2 14
Sej a A = ,1 então A T -= [2
43
Assim -
1( ) 1 [2 61
6 3[1 31
vl -I- AT = m , que é uma atriz simétrica.
2 —2 6 j 3

(A AT ) = — 21 FO —1
, que é uma matriz anti - simétrica, e
2 2 2 0 j Ll 0
—

A r_ F i 11
L4 3 j L3 3 j LI _0 j.

1.6 OPERAÇÕES ELEMENTARES POR LINHA

As operações elementares sobre as linhas de uma matriz são:

(i) Multiplicar uma linha por uma constante não nula.

(ii) Permutar duas linhas

(iii) Substituir uma linha por sua soma com um múltiplo de outra linha.

Definição: Uma matriz A mxné equivalente por linhas a uma matriz B in x n se B

pode ser obtida aplicando-se uma seqüência finita de operações elementares nas linhas

de A_

Exemplo:

1 2 4 3 2 4 86
A matriz A = 2 1 32 é 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 a sua segunda linha, obtemos:

1 2 4 3
B= 4-1 7 8
1 —1 2 3

16
Permutando as linhas 2 e 3 da matriz B, obtemos:

1 2 4 3"
C= 1 —1 2 3
4 —1 7 8_,

Multiplicando a primeira linha de C por 2 obtemos D.

Propriedade: (Propriedade referente a Matrizes Equivalentes por Linhas)

(i) Se A é equivalente por linhas a B, então B é equivalente por linhas a A.

(ii) Se A é equivalente por linhas aBeBé equivalente por linhas a C, então A é

equivalente por linhas a C.

1.7 MATRIZ NA FORMA ESCADA E NA FORMA ESCADA

REDUZIDA POR LINHAS

Definição: Uma matriz está na forma escada se:

(i) o primeiro elemento não-nulo de cada linha é 1;

(ii) se a linha k não consiste apenas de zeros, o número de zeros no inicio da linha k+1 é

maior que o número 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 não-nulas.

Sej am:

E l 4 2 1 2 3 1 3 1 01
= o 1 3 , A2 = 0 0 1 , = 0 0 1 3
0 0 1 0 0 0 0 0 0 0

- -
2 4 6
0 0 0
4= 0 3 5
e 115 40 1 01
0 0 4_,

17
 As matrizes AI, A 2 e A 3 satisfazem as teas condições necessárias para uma matriz

estar na forma escada, logo concluímos que elas estão na forma escada. .1 .á as matrizes

A4 e A5 não estão na forma escada, pois elas não satisfazem respectivamente a primeira

e a segunda condição para uma matriz estar na forma escada.

Definição: Uma matriz está na forma escada reduzida por linhas se:

(i) a matriz está na forma escada;

(ii) o primeiro elemento não-nulo de cada linha é o único elemento diferente de

zero na sua coluna.

Exemplos:

1 0 0 3 0 1 2 0
0-1 , A2 =
0 1 0 2 0 0 0 I
0 0 1 1 eA3=[ 0 0 0 0_

OBS: Para colocar uma matriz Amxn na forma escada ou na forma escada reduzida

por linhas utilizamos as operações elementares sobre as linhas da matriz A. Vejamos

um exemplo para melhor compreensão:

Exemplo 1:

1 2 1
Seja A = 3 —1 —3 , coloque a matriz A na forma escada.
3 1

1 2 1
3 —1 —3 Some (-3) vezes a primeira linha à segunda linha para obter:
3 1

2 1'
— 7 — 6 Some(-2) vezes a primeira linha A terceira linha para obter:
3 1_,

18
 1 2 1
o -7 71 ) para obter:
— 6 Multiplique a segunda linha por (— —
—1 —1

[1 2 1
0 1 % Some (1) vez a segunda linha A. terceira linha para obter:
0 —1 —1

[1 2 1-
0 1 %, Multiplique a terceira linha por (-7) para obter:
0 0 — x,-

[1 2 1
0 1 % Esta é a matriz na forma escada.
001

Continuando com a aplicação de operações elementares obtemos a forma escada

reduzida

1.8 A INVERSA DE UMA MATRIZ

Definição: Uma matriz Anxité dita irrversivel ou não-singular se existe uma

matriz B tal que:

AB = BA =

A matriz B 6 uma inversa multiplicativa de A- Se não existir uma tal matriz B,

dizemos que A é singular (ntio-inversz'vel).

Vamos chamar a inversa multiplicativa de uma matriz não-singular A simplesmente

de inversa de A. Vamos denotar a inversa de A, se existir,pori4 -1 .

Exemplo:

12 e —21
Sejam A
3 41 IX -X

19
BA.
LX
2 i ir i
-jd L3 4]
=F i
LO 1
e
1 2 —2
L
AB= 3 4 J X

Como BA = AB = 12, então a matriz B é a inversa de A, logo podemos concluir que

A é inversivel; denotando a inversa por temos:

Teorema: Se uma matriz tem uma inversa, essa inversa é I:mica_

Teorema: (Propriedades da Inversa)

(i) Se A é uma matriz inversivel, então A -16 inversivel e

(X4) -1 =

(ii) Se A e B são matrizes inversive's, então AB é inversive! e

(AB) -I B A -I
lê-se: A inversa do produto é o produto das inversas em ordem contraria_

) Se A é uma matriz inversivel, então:

o r) _ 0 4/

Exemplos:

1 3 2
(ii) Sejarn A =[ 21, B.[ A1 e b
B =[7 sa endo que:
13 22 98

r3 —21 [1 —1
B-1 = 1, (AB, ' =[
3 4 — 1
1 1 3/2] L— 9/2 7/2 J.
_
e

Como 131 =
[1 — 11 I- 3 — = 1[ 4 —3
—1 3/2i Is I 1 —9/2 7/21
Concluímos que (AV = B A'.

20
 (iii) Seja A = 1
21-
4'
fazendo os cálculos temos, A' = [3/22 —1/21
1

Assim :

AT 3 (A 41 =.[-2
1, 3/21
1 —1/2
24
e
(A T T., _ 3/2 1 .
1 —1/2]
[-2
Portanto podemos concluir que (61-1) T = (A T

1.9 MATRIZES ELEMENTARES E SUAS INVERSAS

Definição: Matrizes Elementares

Uma matriz obtida a partir da matriz identidade I por uma das operações

elementares é chamada de matriz elementar.

Existem três tipos de matrizes elementares:

Tipo
Uma matriz elementar do Tipo I é obtida trocando-se a ordem de duas linhas de I.

Exemplo:

r0
1 0
E1 = 1 0 0 , esta é uma matriz elementar do Tipo I, pois foi obtida trocando-se as
0 0 1

duas primeiras linhas de I.

Seja A uma matriz de ordem 1

0 1 Or a12 ani[a21 a22 a23

= 0 0 a2, a22 a23 =a11 a13
L o o 1 an a32 a33 a31 a32 a33

21
 aii a12 a13 -0 1 0 1-a, 2 all a13 1
AEI =[a n a22 a 23 1 0 0 = a n a21 an
a31 a32 a33 _0 0 1 a32 a31 a 33 _

Multiplicar A à esquerda por El equivale a efetuar uma operação elementar sobre as

linhas de A efetuando uma troca das duas primeiras linhas de A.

Multiplicando A A. direita por El, trocamos as duas primeiras colunas de A_

De forma geral, se multiplicarmos a. esquerda de A uma matriz elementar E deste

tipo, efetuamos em A a mesma troca de linhas que foi feita em I para obter E.

A inversa de uma matriz elementar do Tipo I é a própria matrzz.

Vejamos:

0 0 1-
Seja E = 0 1 0
1 0 0

0 0 1 0 0 1 1 0 0
Er' =[0 1 0 0 1 01= 0 1 0 = 1
1 0 0 1 0 0 0 0 1

Da mesma forma.

0 0 1 0 0 1 1 0 0
E-1 .E =[) 1 0 0 1 0 = 0 1 0 =1
1 0 0 1 0 0 0 0 1

Tipo II:

Uma matriz elementar do Tipo II é uma matriz obtida multiplicando-se uma linha

de I por uma constante não nula k.

Exemplo:

1 0 0
E2 = 0 1 0 é uma matriz elementar do Tipo II. Seja A uma matriz de ordem 3.
_0 0 3

22
 1 0 0- ail a12 a13 all a12 a13
E2 ,4= 0 1 0 a21 a 22 a 23 = a21 a22 a23
0 0 3_ _ a31 a32 a33 3a31 3a32 3a33 _
all a12 a13 1 1 0 0- all a12 3a13
AE 2 = an a22 a23 0 1 0 a 22 3a 23
a31 a 32 a 33 0 0 3 a31 a32 3a33

A multiplicação 6. esquerda por E2 efetua a operação elementar sobre as linhas que

consiste em multiplicar a terceira linha por 3 (a mesma operação elementar efetuada em

I para obter E2), enquanto a multiplicação a direita por E2 efetua a operação 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 à linha de I que foi multiplicada por k para obter E

A inversa de uma matriz elementar do Tipo II é obtida de I pela multiplicação da

1
mesma linha por — .

Vejamos:

1 0 0 1 0 0-
SejaE = 0 1 0 , pela definição acima podemos concluir que E -1 = 0 1 0
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:
_ _
1 0 0- 1 0 0 1 0 0
Er' = [0 1 0 0 1 0 = 0 1 0 =1
0 0 50
_ 0 )/3 _ 0 0 1_

Da mesma forma mostramos que EIE = I.

23
Tipo III:

Uma matriz elementar do Tipo III é uma matriz obtida de I multiplicando uma linha

por k e adicionando-se à outra linha

Exemplo:

[1 0 3
E3 = 0 1 0 é uma matriz elementar do Tipo III.
0 0 1

Seja A uma matriz de ordem 3

1 0 31 all a12 a13 a14 +3a31 a42 + 3a32 a +3a

E3 /I = 0 1 0 a21 a22 a23 = a21 an an
0 0 1 a31 a32 a33 a31 a32 a33

all a12 a13 " 1 0 3 - an an 3 a 11 ± an

-

AE3 = an a22 an 0 1 0 = an a22 3a21 +a23

a31 a32 a33 _ 0 0 1 _a31 a32 3a31 ± a33 _

Multiplicando à. esquerda por E3 somamos 3 vezes a terceira linha à primeira.

Multiplicando à direita por E3 somamos 3 vezes a primeira coluna à terceira.

De forma geral, se E deste tipo é obtida de I pela substituição da linha i (Li) pela

soma da linha i com k vezes a linha j (L1 + ), então calcular EA é equivalente a fazer

a mesma operação citada acima, com as linhas de A_

A inversa de uma matriz elementar do tipo iii é obtida substituindo k por —k

Vejamos:

1 0 0
Seja E= 0 1 0 , observe que E foi obtida de I pela operação elementar: a L3 foi
4 0 1

substituida por L3 ± 4L1

24
 1 0 0
Pela definição acima podemos concluir que = 0 1 0 , ou seja, Erl foi obtida
401

de I pela operação elementar: a L3 é substituida por L3 - 414_

Observem que:

100 1 0 0 100
EE 01 0 0 1 0 0 1 01= I
=[ 4 0 1 — 4 0 1 001

Da mesma forma E.-1.E =

Em geral, suponha que E é uma matriz elementar n x n_ Podemos pensar em E

como sendo obtida de I por uma operação elementar sobre as linhas ou sobre as

colunas. Se A é uma matriz n x r, multiplicar A por E a esquerda tem o efeito de efetuar

a mesma operação elementar sobre as linhas de A- Se B é uma matriz m x n,

multiplicar B por E à direita equivale a efetuar a mesma operação elementar sobre as

colunas de B.

1.10 TIPOS ESPECIAIS DE MATRIZES

Definição: Matriz Ortogonal

Uma matriz real A é ortogonal se AA T = A TA = L Nota-se que uma matriz ortogonal

A é necessariamente quadrada e inversivel, com inversa A -/ = A T.

g X -4/
Exemplo: Seja A = g -g -% . Então:
y, g g
3‘ g )< g g 1+64+16 4-32+28 8+8-16
AA T 44 -4/ -7/ X -4X g
_ 1
4-32+28 16+16+49 32-4-28
_g x -44 -7/ 4X
— 81
8+8-16 32-4-28 64+1+16

25
 81 0 0 [1 0 0
1
=— 0 81 0 =0 1 0 =1
81 0 0 81 0 0 1_

Isto significa que AA T=I e A T=A-1 . Assim, A é ortogonal.

Definição: Matriz de Permutação

Uma matriz de permutação é uma matriz obtida permutando-se as linhas (ou

colunas) da matriz identidade.

Exemplo:
010
= 1 é uma matriz de permutação, pois :
1 0 0

1 0 0
Dada 1= 0 0 ,trocando a linha 1 com a linha 2 da matriz identidade temos:
0 0 1_

0 1 0
1 0 0 , e agora trocando a linha 2 com a linha 3 dessa matriz teremos 131.
0 0 1

Em geral, se P é uma matriz de permutação n x n, B é uma matriz n x reA é uma

matriz in x n, então a multiplicação PB efetua uma permutação nas linhas de B e a

multiplicação AP efetua uma permutação nas colunas de A.

Exemplos:

-1 1- 0 0 1 3 3-
1) Seja B= 2 2 e P= 1 0 0 . Entao, PB = 1 1
3 3 0 1 0 22

0 1 0
[1 2 31 [3 1 2].
2) Seja e P= 0 0 1 Portanto, AP =
1 2 3 3 1 2
1 0 0_,

26
 CAPÍTULO 2

Algumas Aplicações Simples de Matrizes

Este capitulo tem como objetivo mostrar algumas aplicações simples de matrizes

Matrizes são utilizadas em muitas áreas, como Economia, Física, Engenharia, Biologia,

entre outras. Porém existem dois problemas que dificultam trabalhar com aplicações de

matrizes:

I) para modelar certos problemas é necessário um maior conhecimento matemático;

2) mesmo nos problemas que silo fáceis de modelar, suas soluções na maior pane das

vezes exige conhecimento de teorias mais sofisticadas sobre matrizes.

2.1 MATRIZES E CRIPTOGRAFIA

Descrevemos abaixo um método bastante simples, para codificar e decodificar

mensagens, que envolve apenas um par de matrizes de ordem n, A e .61-1 , cujos elementos

devem ser números inteiros_

Primeiramente ilustraremos o método utilizando uma matriz A e a sua inversa X i .

1 —1
Sejam A=I e 24 -1 4 I.
2 I -2 3

A matriz A é apropriada, pois seus elementos são números inteiros, assim como os da

matriz A 4 .

0 remetente vai usar a matriz A para codificar a mensagem, e o destinatário vai usar a

matriz £1para decodifica-la. 0 objetivo deste método é que a mensagem seja codificada

27
utilizando pares de caracteres, de modo que tabelas de freqüência de letras e outras

alternativas não ajudem em nada a um decodificador não-amigável.

Dada uma mensagem para ser codificada, o primeiro passo será converte-la da forma

alfabética para a forma numérica. Para isso usamos a seguinte correspondência entre letras

e números:

Aouà B CouÇ D E F G H

01 02 03 04 05 06 07 08 09 10

N 0 ou (1). P Q R

11 12 13 14 15 16 17 18 19 20

V W X

21 22 23 24 25 26 27 28 29

Qualquer outra numeração dos 29 simbolos tipográficos também seria possível, mas o

remetente e o destinatário teriam que combiná-la previamente. Para maior clareza usamos o

símbolo # para indicar inexistência de letras (espaços entre palavras, etc).

Exemplo 1: Suponha que "PLANO EM AÇÃO" é a mensagem a ser codificada e

transmitida. Para converte-la para a forma numérica, usamos a correspondência entre letras

e números exibida acima:

P L ANO# EM# AÇÃO

16 12 01 14 15 29 05 13 29 01 03 01 15

28
 Uma vez que a matriz codificadora A é uma matriz 2 x 2, arrumamos nossa seqüência

de números como os elementos de uma matriz com duas linhas:

16 12 01 14 15 29 051
m
= [ 13 29 01 03 01 15 29i
Como a mensagem tem um número impar de elementos, completamos o fi m da

segunda linha com o número 29 que está associado ao símbolo #.

Pam codificação da mensagem, multiplicamos a matriz M a esquerda pela matriz

codificadora A:

1[i6 12 01
3 11 14 15 29 05
N=AM=
[2 13 29 01 03 01 15 29j'

ou seja,
[61 65 04 45 46 102 441
N=
45 53 03 31 31 73 39

Os elementos de N = AM constituem a mensagem codificada, e utilizaremos virgulas

entre esses elementos para maior clareza:

61, 65, 04, 45, 46, 102, 44, 45, 53, 03, 31, 31, 73, 39.

Quando esta mensagem codificada chegar ao destinatário este deve utilizar a in atriz

decodificadora A pata reverter os passos acima, pois

A-1N = A -1AM --= 1M = M (2_1.1)

Portanto, se o decodificador usar a mensagem codificada para construir uma matriz

com duas linhas e depois multiplicar esta matriz a esquerda port, irá obter a matriz M do
remetente.

29
 Vejamos:

1— rm 65 04 45 46 102 441
—2 3_145 53 03 31 31 73 39 j
16 12 01 14 15 29 051
[
13 29 01 03 01 15 29 j

Note que o produto é de fato a matriz M do remetente. 0 passo final de decodificacão

6:

16 12 01 14 15 29 05 13 29 01 03 01 15 29

P L A N O H EMH A Ç A o #

Exemplo 2: Segue abaixo outro exemplo, agora utilizando uma matriz 3 x 3 .

3 1 2' 4 —1 —3 -
Sejam A = [2 1 —1 e .4 -1 , — 9 3 7
3 1 3_ —1 0

Suponhamos que a mensagem a ser transmitida e codificada seja "NEGATIVO,

ENTROU AREIA". Primeiro, devemos converter as letras em números usando o mesmo

esquema anterior, e então organizamos estes números em uma matriz com três linhas, pois

as matrizes codificadora e decodificadora são de ordem 3. Ou seja:

[14 05 07 01 20 09 22 15
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 1 2 - 14 05 07 01 20 09 22 15
N=AM= 2 1 —1 28 29 05 14 20 18 15 21
3 1 3 _ [ 29 01 18 05 09 01 29 29

30
 128 46 62 27 98 47 139 124
N = 27 38 01 11 51 35 30 22
157 47 80 32 107 48 168 153_

Portanto a mensagem codificada e:

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

Mdo remetente. Ou seja,

—1 —3- [ 128 46 62 27 98 47 139 124

21 -1 N= —9 3 7 27 38 01 11 51 35 30 22
—1 0 1 157 47 80 32 107 48 168 153
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 I A# #

Em resumo, o remetente multiplica a mensagem original (na forma matricial numérica

M) por A para obter a mensagem codificada. 0 destinatário multiplica a mensagem

codificada (na forma matricial ./V) por A" .1 para reconstruir a mensagem original_ Como A e

são matrizes inversas, a multiplicação por A-1 feita pelo destinatário desfaz o efeito da

multiplicação por,4 feita pelo remetente.

31
 O processo pode ser efetivado rápido e automaticamente por computador

(aumentando, portanto, a sua segurança) mas, se for preciso, pode ser feito com lápis e

papel apenas (realçando, portanto, sua utilidade). Tudo o que precisa ser secreto são as

matrizes codificadora e decodificadora.

2.2 MATRIZES E MODELOS POPULACIONAIS

A Algebra Matricial é um instrumento importante para a análise do crescimento

populacional. Uma dada população de indivíduos pode ser subdividida em grupos etários

ou raças diferentes, e assim buscaremos determinar como a população se modifica ano a

ano.

O caso mais simples é o da população homogénea, com inicio no tempo t = 0, com

Po indivíduos crescendo ou decrescendo a uma taxa anual constante. Ou seja, existe um

número a tal que depois de 1 ano a população será Pj = ah, depois de 2 anos será

P2 = aPi = a2 Po, e assim por diante. A população de um ano simplesmente é multiplicada

por a para se definir a população do ano seguinte. Após n anos, população inicial Pa foi

multiplicada pelo fator a n vezes, e portanto, a população P„ sera dada por

= an Po

No caso de uma população subdividida em grupos, a população P„6 substituida por um

vetor pn cujos elementos diferentes especificam os números de indivíduos nos diferentes

grupos. O "número de transição" a é então substituído pela matriz de transição A tal que o

vetor população de cada ano seja multiplicado pela matriz A para se obter o vetor

população do ano seguinte.

Vejamos alguns exemplos:

32
Exempla 1: A população total constante de 1 milhão de pessoas é dividida entre uma

cidade e seus subúrbios. Seja C„ a população da cidade e S y, a população suburbana após n

anos. A distribuição da população entre cidade e subúrbios depois de n anos é descrita pelo

vetor população:

O nosso objetivo é analisar a modificação das populações urbanas e suburbanas a cada

ano que pass&

Suponha que a cada ano 15% da população da cidade se mudem para os subúrbios, e

que 10% da população dos subúrbios se mudem para a cidade. Então, a população da

cidade no proximo ano, ,será igual a 85% da população da cidade deste ano C,„ mais

10% da população suburbana Si n deste ano, de modo que:

C ,, +j = (0,85)C„+ (0,10) S„ para qualquer n 0 (2.2.1)

E a população dos subúrbios no proximo ano, , sera igual a 15% da população

deste ano, mais 90% da população suburbana S. deste ano, de modo que:

S„ = (0,15)C„+ (0,90) S,, para qualquer n O. (2.2.2)

Ao escrevermos as Equações (2.2.1) e (2.2.2) em forma matricial, obtemos:

[0,85 0,101[C„ (2.2.3)

LS„„, L0,15 0,90 Si

A matriz de transição para este exemplo é

[0,85 0,10
A=
0,15 0,901

33
 e a Equação (21.3) fica

= A pn .

Segue-se que

= po , P2 = A pi = A 2 po , p3= A 2 po= A 3 PU.

e geralmente

p.= A" po, V n > /, (2.2.4)

Agora suponha que as populações iniciais urbana e suburbana sejam (em milhares)

= 700 e So -= 300. Nosso objetivo será determinar a distribuição "a longo prazo" das

populações da cidade e dos subúrbios resultante das taxas de migração dadas. Pam os

primeiros dois anos encontraremos que:

[C2 1 r0,85 0,101[7001 [6251

Lst i L0,15 0,901300i 375
e
[C2 1 [0,85 0,101621 568,751 1
S2 L0,15 0,90 375 1_431,251

Portanto, a população da cidade está decrescendo e a dos subúrbios está aumentando

durante este intervalo de tempo.

Para investigar a situação a longo prazo, vemos a partir da Equação (2_2.4) que

precisamos determinar como a matriz polincia A" se modifica 6. medida que n cresce_ Uma

maneira de explorar esta questão é calcular as potências uma a uma:

A 2 r- AA, A20 4
2 10 A10

A 4 = 242 A 2 , A 3° = A10 A20 (22.5)

A s = A4 A 4 , A 4° )110 2430
A 5 0 = A 10 A 40

34
 Assim, com oito multiplicações de matrizes 2 x 2, podemos verificar nossas

populações urbana e suburbana por 50 anos, a intervalos de 10 anos. Ao efetuarmos as

multiplicações de matrizes em (2.2.5) mantendo tits casas decimais nos resultados,

obtemos

,434 0,377
[0 A2a = [0,402 0,3991
=
0,566 0,6231' L0,598 0,601i
e
Apo Ao I- , 400 0 ,400
=. A5a 0
L0,600 0,600 j.

Acontece um fato extraordinário: as potências da matriz A se "estabilizam" na matriz

constante

[0,400 0,400
A" (2.2.6)
0,600 0,600]

quando n é grande. Para verificar que (2.24) é válido par n 30 (e não somente em

intervalos de 10 anos), precisamos apenas da observação de que a matriz dada em (2.2.6)

não se altera quando multiplicada por A. Por exemplo,

A51 AA50 [
0,85 0,1010,400 0,4001 [0,400 0 4 00]
•

0,15 0,90 0,600 0,600 0,600 0,600

Por fim, quando substituirmos (2.2.6) em (21.4), encontraremos:

[0,400 0,4001[7001 [4001 n >, 30

V
— 0,600 0,600 L300 — [600 j

35
 Portanto, em trinta anos as populações urbana e suburbana atingiram uma situação
estacionária, com 40% da população na cidade e 60% nos subúrbios.

Exemplo 2: Nossa população total agora é formada de raposas, [R], e coelhos, [C],

numa floresta. Inicialmente ha. Ro = 100 raposas e Co = 100 coelhos. Depois de n meses há

R„ raposas e C„ coelhos, de modo que o vetor população

---4 [Cni"

Os coelhos comem plantas na floresta e as raposas comem coelhos. Assumimos que a

transição de um mês para o mês seguinte seja descrita pelas equações

R „+ = (0,4)R„+ (0,3)C„ (2.2.7)

C n+ = (-0,4)14+ (1,2)C, (2.18)

As equações (2.2.7) e (2.2.8) constituem o modelo matemático para a população

coelho-raposa. É dificil obter-se urn modelo deste tipo (principalmente se for um modelo

real), mas não é dificil de se interpretar O termo (0,4)R 0 em (12.7) indica que se não

existissem coelhos, apenas 40% das raposas sobreviveriam a cada mês; o termo (0,3)C.

representa o crescimento da população de raposas decorrente da oferta de coelhos como

suprimento alimentar. O termo (1,2)G em (2.2.8) indica que, na ausência de qualquer

raposa, a população de coelhos cresceria 20% a cada mês; o termo (-0,4)R„ representa o
declínio na população de coelhos devido A ação predatória das raposas.

Quando escrevemos as equações (2.2.7) e (2.2.8) na forma matricial

FR„, 1- 0,4 0,31FR„1

(2.2.9)
Lc +, L— 0,4 1,2IC„

36
 vemos que a matriz de transição é

[ 0,4 0,3]
A= [04
— 0,4 1,2

Para investigar a situação a longo prazo, calculamos as potências da matriz A como nas

equações (2.Z5) do primeiro exemplo. Mantendo a precisão de três casas decimais,

obtemos:

[-0,491 0,745 1
A 1° =
—0,994 1,497

—0,500 0,7501
A2° =2‘1 3° = [
—1,000 1,500 j

Segue-se que quando 20, as populações de raposas e coelhos são dadas por:

FR„ 1 V 0,500 0,7501[1001 [251

LC„ r- L-1,000 1,5001100i L501
Po rtanto, em 20 meses as populações de raposas e coelhos atingem um estado

estacionário de 25 raposas e 50 coelhos.

2.3 CADEIAS DE MARKOV

Descrevemos aqui um modelo geral de um sistema que, em cada instante, está ern

apenas um entre um número finito de estado& Ern seguida aplicamos o modelo a vários
problemas concretos.

Suponha que um sistema físico ou matemático está sofrendo mudanças tais que a cada

momento ele pode ocupar um dentre um número finitos de estados. Por exemplo, o tempo
ern determinada região pode estar chuvoso ou seco; uma pessoa pode ser fumante ou não-

37
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 é

observado em períodos fixos de tempo (uma vez por dia, a cada hora, a cada semana, a cada

mês e assim por diante). Em muitas aplicações conhecemos o estado atual do sistema e

queremos prever o estado no próximo período de observação ou em algum período futuro.

Podemos prever, muitas vezes, a probabilidade de o sistema estar ern um determinado

estado em um período futuro de observação a partir de sua historia pregressa.

Definição: Uma cadeia de Markov ou processo de Markov é um processo no qual a

probabilidade de um sistema estar em determinado estado ern um dado período de

observação depende apenas do estado no período de observação imediatamente anterior.

Denotemos por 1,2,...,k os k estados possíveis de uma cadeia de Markov. A

probabilidade de que estando o sistema no estado j em um determinado período de

observação então ele estará no estado i no proximo período de observação é denotada por

py e é chamada de probabilidade de transição do estado j para o estado 1.

Como pu é uma probabilidade, temos que ter

0 ./34 1 (1 le)

Além disso, se o sistema está no estado j em um determinado período de observação,

então ele tem que estar em um dos li estados possíveis (inclusive pode permanecer no

estado j) no proximo período de observação. Logo:

PI, P2, + ± Pk) ="1- (2.11)

E conveniente escrever as probabilidades de transição em uma matriz n xnP= [pa

chamada de matriz de transição da cadeia de Markov. A matriz de transição também recebe

38
outros nomes: matriz de Markov, matriz estoecistica ou matriz de probabilidade_ Os

elementos da matriz P são não-negativos e a soma de suas colunas é sempre igual 1.

Por exemplo, em uma cadeia de Markov de três estados, a matriz de transição tem o

seguinte formato:

Estado Precedente
1 2 3

Pi 1 PI2 PI3 1

P21 P22 P23 2 Novo Estado

p31 P32 P33 3

Nesta matriz, p32 é a probabilidade do sistema mudar do estado 2 para o estado 3, p

a probabilidade do sistema continuar no estado 1 após ter sido observado no estado 1, e

assim sucessivamente.

Exemplo 1: Um novo sistema de transporte coletivo vai começar a funcionar ern

Florianópolis no próximo ano. As autoridades deste município fizeram estudos que

previram o percentual de pessoas que mudarão para esse novo sistema de coletivo (C) e das

que continuarão a dirigir seus automóveis (A); foi obtida a seguinte matriz de transição:
Esse ano
C A
0 7 0 81 C
P =[ ' ' Próximo ano
0,3 O,2J A

Nesta matriz, p12 = 0,8 é a probabilidade que as pessoas mudarão de seus sistema de

transporte atual (automóveis) para o novo sistema dc transporte, p22 = 0,2 é a probabilidade
que as pessoas vão continuar utilizando automóveis imediatamente depois de ter sido

observado que elas já utilizavam automóveis, e assim por diante.

39
 Exemplo 2: Suponha que o tempo em uma determinada cidade é chuvoso ou seco.

Como resultado do grande número de registros existentes, determinou-se que a

probabilidade de se ter um dia chuvoso logo após um dia seco 6 de 1/3, e a probabilidade de

se ter um dia seco logo após um dia chuvoso é de 1/2. Se representarmos por S o estado de

um dia seco e por C o de um dia chuvoso, então a matriz de transição dessa cadeia de

Markov 6:

Sc
2 1- 0,67 0,501
3 2 ou P=
[ 0,33 0,50Y
1 1 C
3 —
2_

Exemplo 3: Uma organização que faz pesquisa de mercado está analizando o

comportamento de um grande grupo de compradores de cafe que compram um pacote por

semana Descobriu-se que 50 % dos que utilizam atualmente a marca A vão comprar

novamente a marca A na próxima semana, enquanto 25% vão mudar para a marca B e 25%

vão mudar para outra marca Entre os que usam atualmente a marca B, 30% vão comprar a

marca B na próxima semana, enquanto que 60% vão mudar para a marca A e 10% vão
mudar para outra marca. Entre os que usam atualmente outras marcas, 30% vão continuar

com essas marcas na próxima semana, 40% vão mudar para a marca A e 30% vão mudar

para a marca B. Os estados A,B e 0 (outras) correspondem As marcas A,B e outras,

respectivamente. Então, a matriz de transição 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
 Exemplo 4: Um guarda de transito é designado para controlar o tráfego nos oito

cruzamentos indicados na figura abaixo_

6
r-

Ele é 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 estabeleça um padrelo, ele deve escolher o novo cruzamento de maneira aleatória,

com qualquer escolha igualmente provável. Por exemplo, se ele está no cruzamento 5, seu

próximo cruzamento pode ser 2,4 ,5 ou 8, cada um com probabilidade 3< . Cada dia ele

começa no cruzamento ern que parou no dia anterior. A matriz de transição desta cadeia de
Markov é

Cruzamento Velho

- 1 1 1 0 0 0 0
3 3 0 T
t t 0 0 i
0 0 0
3 T 7
0 i ] 1
0 3 5 0 3 0 0
1 1 1 1 1
0 3 T 4 0 - 0
3
P --= E 1
4f•

1
Cruzamento Novo
0 1 0 0 0
3 5 4 3
1 1 1
0 0 Ï 0 0 3 4 0
0 0 0 i 0 i i 1
I 3 7, 3
1 1 1
0 0 0 0 4 0 4 3
-

41
 Exempla 5: Tres companhias X,Y e Z introduzem simultaneamente um novo

1
computador pessoal no mercado. No inicio das vendas cada uma delas detém — do
3

mercado. A cada mês a companhia X perde 5% de seus clientes para a companhia Y, 10%

de seus clientes para a companhia Z, retendo os outros 85%. A companhia Y retém 75% de

seus clientes a cada mês, mas perde 15% para a companhia X e 10% para a companhia Z. A

companhia Z mantém 90% de seus cliente mas perde 5% para cada urna das duas outras

companhias_ Então, a matriz de transição dessa cadeia de Markov 6:

Esse mês
X Y Z
- 0,85 0,15 0,05 X
P = 0,05 0,75 0,05 V. Próximo mês
_0,10 0,10 0,90_

Convém ressaltar novamente que as matrizes de transição das cadeias de Markov têm a

propriedade que suas entradas em qualquer coluna somam 1.

Ern geral, não pode ser determinado com certeza o estado de uni sistema em uma

cadeia de Markov numa observação arbitrária. 0 melhor que podemos fazer é especifi car

probabilidades para cada um dos estados possíveis. Por exemplo, podemos descrever o

estado possível do sistema em uma certa observação em urna cadeia de Markov com três

estados, por um vetor coluna

xi
= x2
x3

42
no qual x1 é a probabilidade do sistema estar no estado 1, x2 é a probabilidade do sistema

estar no estado 2 e x3 é a probabilidade dele estar no estado 3. Isso sera melhor formalizado

a seguir.

Definição: O vetor de estado de uma observação de uma cadeia de Markov corn k estados

é um vetor coluna x cujo i-ésitno componente xi é a probabilidade do sistema estar, naquela

observação, no i-ésimo estado.

Suponhamos, que seja conhecido (dado) o vetor de estado x" de uma cadeia de

Markov em alguma observação inicial. A próxima definição vai nos permitir determinar os

vetores-estados

(i) (2) (a)

X, X , ..., X ,...

nas observações subseqüentes.

Definição: Se P é a matriz de transição de uma cadeia de Markov e x(n) é o vetor-estado

da n-ésima observação, então:

x (fitt) Px (u) .

Desta definição segue que:

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 transição P determinam x(") para

n = 1,2

43
 xi
x2
Definição: O vetor x = é chamado de vetor de probabilidade se

Exempt() 6: Considere o exemplo 2 novamente. Supondo agora que ao iniciar nossa

observações (dia 0), o dia está seco, de modo que o vetor-estado inicial é

Então, de acordo corn a definição acima, o vetor de estado no dia 1 ( o dia seguinte de
nossas observações) é

pio) r0,67 0,5T11 r0,67 1 .

L0,33 0,510i L0,33_1

Logo, a probabilidade de não chover no dia 1 e de 67% e a probabilidade de chover é

33%
Analogamente, considerando trés casas decimais, temos que:

0,67 0,5 0,67 0,614

x(2) = Pxa) = [

0,33 0,5 0,33 r: 0,386

x(3), .px (2) r_ [ 0,67 0,5 0414 0404
0,33 0,5 0,386 0,394
x(4)=_. px (3 ) = r0,67 0,5- 0,604-1 1-0,603-1
L0,33 0,5_0,394_1 = L0,397_1
x o) .= px(4 ) .,__ r0,67 0,5T0 3 6031 r0,6031
L0,33 0,510,397i - L0,397_1
0.) (') = ,51[0,6031
[0,67 0 [0,6031
x = Px
0,33 0,510,397i = L0,3971

44
 A partir do quarto dia, o vetor de estado do sistema é sempre o mesmo,

[0,603
0,3971

Isso significa que, a partir do quarto dia, fica seco aproximadamente 60 % do tempo

e chove aproximadamente 40 % do tempo.

Exemplo 7: Considere novamente o exemplo 3. Suponha que, no inicio da pesquisa,

verificamos que a marca A detém 20% do mercado, B detém 20% do mercado e as

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:

0,50 0,60 0,40- 0,2- 0,4600

x0 )=px o) = 0,25 0,30 0,30 0,2 = 0,2900
0,25 0,10 0,30 0,6_ 0,2500

Analogamente,

0,50 0,60 0,40- 0,4600

- 0,5040
x(2 ) = px (1) = 0,25 0,30 0,30 0,2900 0,2770
0,25 0,10 0,30_ 0,2500 0,2190_

0,50 0,60 0,40 0,5040 0,5058-

x(3) , p1 (2 )
0,25 0,30 0,30 0,2770 0,2748
0,25 0,10 0 30 0,2190 0,2194

0,50 0,60 0,40 0,5058 0,5055-

x(4)= px (3) 0,25 0,30 0,30 0,2748 0,2747
0,25 0,10 0,30 0,2194_ 0,2198_

45
 0,50 0,60 0,40- 0,5055 0,5055
x (5) px (4 ) .=
0,25 0,30 0,30 0,2747 I = 0,2747
0,25 0,10 0,30_ 0,2198 _0,2198

Portanto, à 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 ficarão corn

aproximadamente 22% do mercado .

Exempla 8: Considere o exemplo 5 novamente. Sabemos que neste exemplo o vetor

de estado inicial é:

x (o) 1
3
1

O vetor de estado depois do primeiro mês 6:

0,85 0,15 0,05 -3- 0,35 -

1
0,05 0,75 0,05 0,283
0,10 0,10 0,90 1 0,367_

Analogamente, considerando quatro casas decimais, temos

0,85 0,15 0,05- 0,35 - 0,3583
x(2) = Px (1) = 0,05 0,75 0,05 0,283 0,2481
0,10 0,10 0,90 0,367 0,3936
0,85 0,15 0,05- 0,3583 0,3614-
x (3) = Px(2) .= 0,05 0,75 0,05 0,2481 -= 0,2237
0,10 0,10 0,90_ 0,3936 0,4149_

46
 0,85 0,15 0,05-. 0,3614 0,3615
1
x(4) P (3) = 0,05 0,75 0,05 0,2237 0,2066
0,10 0,10 0,90_ 0,4149_ _ 0,4319
0,85 0,15 0,05 0,3615 - 0,3599
x(5)= px (4) = 0,05 0,75 0,05 0,2066 0,1946
_0,10 0,10 0,90_ 0,4319._ 0,4455_
0,85 0,15
- 0,05- 0,3599- 0,3574
x(6) =Px(5) = 0,05 0,75 0,05 0,1946 0,1862
_0,10 0,10 0,90 0,4455_ _0,4564
0,85 0,15 0,05 0,3574
- 0,3545
x(7) = PP ) --= 0,05 0,75 0,05 0,1862 0,1804
_0,10 0,10 0,90_ 0,4564_ _0,4651
0,85 0,15 0,05 0,3545 0,3516
x(8) = A (7) = 0,05 0,75 0,05 0,1804 0,1763
0,10 0,10 0,90 0,4651 0,4721_
0,85 0,15 0,05- 0,3516 0,3489-
(8)
x(9) = P = 0,05 0,75 0,05 0,1763 0,1734
_0,10 0,10 0,90 0,4721 0,4777_
0,85 0,15 0,05 0,3489 0,3464
x(1°) --= Px (9) = 0,05 0,75 0,05 0,1734 0,1714
0,10 0,10 0,90 0,4777 0,4822_
0,85 0,15 0,05 0,3464 0,3443 -
x" Px(1°) = 0,05 0,75 0,05 0,1714 0,1699
_0,10 0,10 0,90 0,4822 0,4858_
0,85 0,15 0,05 0,3443 0,3424-
x (12) = px (11) 0,05 0,75 0,05 0,1699 0,1689
0,10 0,10 0,90 0,4858 0,4887
0,85 0,15 0,05 0,3424 0,3408
x (13) = px (12) = 0,05 0,75 0,05 0,1689 = 0,1682
0,90 _ 0,4887
0,10 0,10 0,4910
0,85 0,15 0,05 0,3408 0,3395
(") = Px (13) == 0,05 0,75 0,05 0,1682 = 0,1677
_0,10 0,10 0,90_ 0,4910 0,4928
0,85 0,15 0,05 0,3395 - 0,3383
X (15) PX (14) = 0,05 0,75 0,05 0,1677 =. 0,1674
_0,10 0,10 0,90_ 0,4928 0,4943

47
 0,85 0,15 0,05- 0,3383 0,3366-
x Q6) = px(15) = 0,75 0,05 0,1674 = 0,1671
0,05
0,10 0,10 0,90_ 0,4943_ 0,4963_
0,85 0,15 0,05 0,3366- 0,3360
x 07) = px (16) 0,05 0,75 0,05 0,1671 -= 0,1670
0,10 0,10 0,90_ 0,4963_ 0,4970_
_
0,85 0,15 0,05- 0,3360- 0,3355
x (1 8 ) = PX (17) -= 0,05 0,75 0,05 0,1670 z--- 0,1669
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 0,1669 .-- 0,1668
0,10 0,10 0,90_ 0,4976_ 0,4981
0,85 0,15 0,05 0,3351- - 0,3348-

x (2°) = Px (1°) = 0,05 0,75 0,05 0,1668 -= 0,1667

_0,10 0,10 0,90 0,4981 _0,4985
0,85 0,15 0,05 0,3348 - Th,3345
x(21) px (26) 0,05 0,75 0,05 0,1667 -= 0,1667
_0,10 0,10 0,90 0,4985 0,4988
_
0,85 0,15 0,05 0,3345 - 0,3343
(22) ( )
x = = 0,05 0,75 0,05 0,1667 0,1667
0,10 0,10 0,90_ 0,4988 0,4990
_
0,85 0,15 0,05- 0,3343 - 0,3341
x(23) -= Px (22) = 0,05 0,75 0,05 0,1667 = 0,1667
0,10 0,10 0,90_ 0,4990 _ 0,4992
0,85 0,15 0,05- 0,3341- [0,3339
x(24) = Px (23) = 0,05 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
x(25) = Px (24) -= 0,05 0,75 0,05 0,1667 0,1667
0,10 0,10 0,90_ 0,4994 _ 0,4995
_
0,85 0,15 0,05- 0,3338 - 0,3337
x(26) = px (25) 0,75 0,05 0,1667 =-- 0,1667
0,05
0,10 0,10 0,90 0,4995 0,4996
- _
0,85 0,15 0,05 - 0,3337 0,3336
x(27)= px (26) 0,05 0,75 0,05 0,1667 =- 0,1667
0,10 0,10 0,90 0,4996 0,4997

48
 0,85 0,15 0,05 0,3336 0,3335
x(28)= px (r) = 0,05 0,75 0,05 0,1667 = 0,1667
0,10 0,10 0,90_ 0,4997 0,4998
0,85 0,15 0,05- 0,3335- 0,3334
x(29) .= px (2 8) =
0,05 0,75 0,05 0,1667 = 0,1667
0,10 0,10 0,90_ 0,4998 0,4999
0,85 0,15 0,05.- 0,3334- 0,3334
x (") = Px (29) = 0,05 0,75 0,05 0,1667 = 0,1667
0,10 0,10 0,90_ 0,4999 0,4999

Portanto, à medida que o tempo passa, o vetor de estado se aproxima do vetor fixo:

0,3334
0,1667
0,4999

Isso significa que após 30 meses, a companhia X,YeZ terão, respectivamente,

aproximadamente 33%, 16 % e 50 % do mercado.

Nos nossos exemplos vimos que os vetores-estado convergem a um vetor fixo a

medida que o número de observações cresce. Nesse caso dizemos que o processo de

Markov atingiu o equilibria O vetor fixo é chamado de vetor de estado estacionário.

Os processos de Markov em geral são usados para determinar o comportamento de

um sistema depois de um longo período de tempo. Portanto, determinar se um processo

de Markov atinge ou não o equilibrio é de importância primordial. Mas será que os

vetores-estado sempre irão convergir para um vetor fixo em uma cadeia de Markov?

Um exemplo bem simples mostra que isto nem sempre ocorre.

Exempt() 9: Seja P a matriz de transição e x(69 o vetor de estado inicial.

[0 11 e xo)
P
0_1 - 0,4

49
Assim,

p2 =:[ 0 t ir o Fl 01
e p 3 =__ pp 2 r_ [0 011 rol Oil [01 1
0] Li oj — Lo j _IL 01•

Como P2 =1 e PI =P, temos:

0,6]
X (o) = X (2) = X (4) — = [
0,4

[ o

xo) = x(3)=x(5)=.._= 4
0,6

Em geral: P2k = I e P2k4-1 = P, onde keIN.

0,1 [0,1
Este sistema oscila indefinidamente entre os dois vetores-estado [ e e
0,4 0,6 ,

portanto não converge a nenhum vetor fixo.

No entanto, se exigirmos que a matriz de transição de um processo de Markov

satisfaça uma certa condição, mostraremos que o sistema se aproxima de um vetor fixo

atingindo, portanto, o equilibria Esta condição é descrita na definição abaixo.

Definição: Uma matriz de transição P é regular se todas as entradas de alguma

potência de P são positiva&

Uma cadeia de Markov que é governada por uma matriz de transição regular é

chamada cadeia de Markov regular. As cadeias de Markov dos exemplos 1 a 3 e do

exemplo 5 são regulares, já que todas as entradas da própria matriz de transição são

positivas. Poderíamos ter a falsa impressão de que a cadeia de Markov do exemplo 4

não 6 regular, mas calculando suas potências notamos que P4 tem todas as entradas

positivas. Portanto pela definição acima podemos concluir que a matriz de transição

inicial é também uma matriz regular.

50
 Veremos que qualquer cadeia de Markov regular possui um vetor-estado fixo u tal

que, para qualquer escolha x(9), o vetor Pn x(1/4 converge a u quando n aumenta. Este

resultado é da maior importância na teoria de cadeias de Markov e é baseado no

próximo teorema.

Antes de enunciarmos esse teorema veremos algumas definições necessárias.

Definição: Considere uma seqüência infinita de matrizes de ordem r x s, AI, A2,

A n A+í,.., onde

air» (42" ) • - • al(;)

Al = , A2 =
(n )
a„, ( ,,)
a,2 a,,(")

com todos os a reais. Representamos tal seqüência por {A n}n e N.

Dizemos que a seqüência {A„}neN de matrizes converge para a matriz A={an} se

os elementos das matrizes A n se aproximam dos elementos correspondentes da matriz A,

isto 6,

fro ai(y!') = au para

Neste caso, usaremos a notação

fim A„ = A ou
n —+ oo

1 + A-
Exemplo: Seja a seqüencia {A„}neN onde A„ =-- n n
3n+1
, então:
3 [ 2n

. [1 6 1 9 lim /61
A, — , A 2 =[2 4 3 2
32 3 71 ' e 2

Definição: Seja A uma matriz n x n . Um escalar X é um autovalor de A se existe um

vetor não-nulo x tal que Ax = Xx. O vetor x e um autovetor associado a A_

51
 Exemplo:

[ 4 —21 x [2]
Sejam A=
1 1

Ax [41
_2j21

Portanto X = 3 é um autovalor de A e x = (2, 1) T é um autovetor associado a X.

Teorema: Se P é a matriz de transição de um processo de Markov regular, então:

(a) Quando t, J" tende a matriz,

U1 LI 1
1

U2 U2 112
A =-

U„

que tem todas as colunas iguais;

(b) todas as colunas

ui
u2
=

de A são vetores de probabilidade com todos os elementos positivos, Isto 6,

e u +u + +u =1

OBS: Este teorema não sera demonstrado, pois envolve resultados mais elaborados de

Algebra Linear, como Forma de Jordan e resultados da Teoria de Matizes Positivas.

Teorema: Se P é uma matriz de transição regular e se A e u são como no teorema

anterior, então:

(a) Qualquer que seja o vetor de probabilidade x, temos que Pflx quando n cc,

de modo que u é um vetor de estado estacionário;

52
(b) O vetor de estado estacionário u é o único vetor de probabilidade que satisfaz a

equação matricial Pu = u, isto 6, kt é um autovetor de P associado ao autovalor X = I.

Demonstração:

(a) Seja

XI

X2
X=

Xn

um vetor de probabilidade_ Quando n -4 00 , Pn > A. Logo Pax --> Ax. Por outro lado,

- X U I X I + Ul X 2 + + UI X n
22 2 U2 - U2 X2 U 2 X1 + 2 X2 + " + U 2 X n
Ax=

"in Un -•- tin 14„.X, + Un i2 + - • + U„ X„

ul (x + x2 +- + x,, )
u2 (x +x2 +-•-+x„)
, já que x, +x2 + ...+ xn = I .

(.x +x2 + - • + x„)_

Como Pnx Ax e Ax = u, então Prix u.

(b) Como Pr' --> A também temos Pn+1 --> A . No entanto,P"' = PP" , de modo

que —> PA Logo PA = A .

Sabemos que todas as colunas de A são iguais ao vetor de probabilidade u . Ao

Igualarmos as colunas correspondentes da equação matricial PA = A (lembrar de

[Pu Pu -.- Pui

multiplicação de matriz por colunas), temos: PA = e

[u u - • -
A = Logo Pu =it Para mostrarmos que u é o único vetor de
%iv 4,

probabilidade que satisfaz esta equação, 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.

Da parte (b) deste teorema, podemos escrever,

Pu .= u

Pu = /„u OU — p)u = o
Mostramos que o sistema homogêneo acima tem uma única solução u que é um

vetor de probabilidade, de modo que:

(2.3.2)

Nos exemplos 6, 7 e 8 calculamos vetores de estado estacionário calculando as

potências Pnx . Vamos descrever agora um outro modo de calcular o vetor de estado

estacionário de uma matriz de transição utilizando o resultado do teorema acima

Primeiramente devemos resolver o sistema homogêneo: (In —= O. Entre as

infinitas soluções obtidas na primeira etapa, devemos escolher a única solução ts cujos

elementos satisfaçam a equação (23.2)- Vejamos,

Exemplo 10: No exemplo 2, a matriz de transição era:

2 1
P 32

54
O sistema linear (. — = O, 6:

C: N
Isto leva equação:

1
— u —1 u 2 0 - logo : u
3 2 2 2

Para satisfazer a equação (2. 1 2) acima, temos: ±u2 1-242 =1.

2

5
Então, — u2 1, e segue que u,
2 - 5

Assim,

3 3
u —u = — 0 6_
2 2 5

0,6
Portanto, u [ 1_
0,4

Isso significa que, a partir do quarto dia, fica seco aproximadamente 60% do tempo

e chove aproximadamente 40% do tempo.

Exemplo 11: Considere a matriz de transição do exemplo 3:

0,50 0,60 0,40--

P 0,25 0,30 0,30
0,25 0,10 0,30

O sistema homogêneo — = O, 6:

0,50 — 0,60 — 0,40 UI o

—0,25 0,70 —0,30 u z O
—0,25 —0,10 0,70 _ /4 3

55
 Devemos escalonar a matriz aumentada:

0,50 -0,60 -0,40 o

- 0,25 0,70 - 0,30 o
-0,25 -0,10 0,70 o

Resolveremos o sistema equivalente:

- 1 -1,2 -0,8 o
0 2,8 -1,2 o
0 -0,4 2,8 o
Escalonando, temos:

1 -1,2 -0,8 o -1,2 -0,8 o

0 2,8 -1,2 o 1,6 -2,0 o
-0,4 2,8 43 -1,6 2,0 o

-1,2 -0,80 o 1 0 -2,30 o

0 1 -1,25 o 0 1 -1,25 o
0 0 o 00 0 o

1 0 -2,30
0 1 -1,25 o Esta é a matriz aumentada na forma escada reduzida por linhas.
00 0 o
Portanto, as soluções são da forma:

--- 2,3r
442 =1,25r
U3 = T5

1
De (2.3.2), temos: 2,3r + 1,25r + r = 1 ou r= 0 ,2198 .
4,55

Logo podemos concluir que:

u =,5055
u2 = 0,2747.
u3 = 0,2198

56
 0,5057-
Consequentemente, u = 0,2747 é o vetor de estado estacionário.
0,2198

Isso significa que as vendas se estabilizarão com a marca A com aproximadamente

51% do mercado, a marca B com aproximadamente 27% e as outras marcas ficarão com

22% do mercado, como já tínhamos obtido anteriormente no exemplo 7.

Exemplo 12: Considere a matriz de transição do Exemplo 5:

0,85 0,15 0,05-

P = 0,05 0,75 0,05
0,10 0,10 0,90 _

O sistema homogêneo (i„ - /3)u = 0, 6:

0,15
-0,05
-0,10
-0,15

-0,10
0,25
-0,05 -
-0,05
0,10_
zi
U2

3
I =-
o
o

Devemos escalonar a matriz aumentada:

0,15 -0,15 -0,05 o

-0,05 0,25 -0,05 o
-0,10 -0,10 0,10 o
Escalonando, temos:

0,15 -0,15 -0,05 o -0,10 -0,10 0,10 o

-0,05 0,25 -0,05 o 0,05 0,25 -0,05 o
-0,10 -0,10 0,10 o 0,15 -0,15 -0,05 o

1,00 1,00 -1,00 o- 1 1,0 -1,0 o

-0,05 0,25 -0,05 o 0 0,3 -0,1 o
-0,10 -0,10 0,10 o 0 -0,3 0,1 o

57
 - - _
1 1 —1 o- 1 1 —1 o 0
0 0,3 —0,1 o 0 1
—M o 0 1 —x o
0 0 0 o- 00 0 o _0 0 0 o_

A última matriz aumentada já está na forma escada reduzida por linhas.

Logo, as soluções so da forma:

2 1 1
De (2.3.2), temos: — r + — r + r = 1 ou I" r-- - .
3 3 2

Portanto podemos concluir que:

1
U2 -= —
6
1
U r--- -
3 2
_
0,3334
Conseqüentemente, u .- 0,1666 é o vetor de estado estacionário_
0,5000

Isso significa que após 30 meses, a companhia X, Y e Z terão respectivamente

33%, 16 % e 50 % do mercado, como já vimos anteriormente no exemplo 8_

58
 CONCLUSÃO

Através deste trabalho procuramos mostrar algumas das muitas aplicações de Matrizes.

Durante o seu desenvolvimento notamos que são poucas as aplicações que podem ser feitas

sem exigir maior conhecimento matemático, como por exemplo, Criptografia e Modelos

Populacionais- Já 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 aplicações não são vistas em

determinados momentos de nosso estudo, isto pois, não temos ferramentas matemáticas o

suficiente para conhecermos este tipo de aplicações de Matrizes.

59
 BIBLIOGRAFIA

(1) NOBLE, Ben DANIEL, W. James. Algebra Linear Aplicada. 2° edição.

fflo de Janeiro: Editora Prentice — Hall do Brasil Ltda. — PHD .1986.

(2) LIPSCHUTZ Seymour — Coleção SCHAUM. Algebra Linear. 3° edição. São

Paulo: Editora Mahon Books do Brasil Ltda -1994.

(3) KOLMAN Bernard. Introdução 6. Algebra Linear com Aplicações. 6° edição.

Rio de Janeiro: Editora Prentice — Hall do Brasil Ltda..— PHD 1998.

(4) LEON J. Steven. Algebra Linear Com Aplicações. 4° edição. Editora: Livros

Técnicos e Científicos Editora AS. — LTC. Rio de Janeiro, 1999.

(5) ANTON Howard, RORRES Chris. Algebra liner com Aplicações. 8° edição.

Porto Alegre: Bookman, 2001.

(6) BOLDRINI, José Luiz et al. Algebra Linear. 3' edição. São Paulo: Hapes &

Row do Brasil, 1980.

(7) EDWARDS C. H. Jr., PENNEY David E. Introdução a Algebra Linear. Rio

de Janeiro: Prentice-Hall do Brasil Ltda., 1998.

60