Você está na página 1de 66

UNIVERSIDADE FEDERAL DE SANTA CATARINA

CENTRO DE CINCIAS FSICAS E MATEMTICAS


CURSO DE GRADUAO EM MATEMTICA

ANA LICE CAROLINE SPECK

COLETNEA DE APLICAES DA
LGEBRA LINEAR

FLORIANPOLIS - SC
2006
UNIVERSIDADE FEDERAL DE SANTA CATARINA
CENTRO DE CINCIAS FSICAS E MATEMTICAS
CURSO DE GRADUAO EM MATEMTICA

ANA LICE CAROLINE SPECK

COLETNEA DE APLICAES DA LGEBRA LINEAR

Trabalho de Concluso de Curso apresentado


ao Curso de Graduao em Matemtica do
Centro de Cincias Fsicas e Matemticas da
Universidade Federal de Santa Catarina
UFSC como requisito para obteno da
Graduao em Matemtica Habilitao:
Licenciatura.

Orientador: Professor Dr. Mrcio Rodolfo


Fernandes

FLORIANPOLIS - SC
2006
Dedico a vitria desta etapa de minha vida a toda
minha famlia, especialmente para os meus pais,
Hilberto Speck Filho e Elisabete Maria Mller, minha
irm Karina Speck e para meu esposo Vanderlucio Rosa
Cunha, pelos esforos 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 meu
amor, pelo que fazem e pelo que so: dignos,
trabalhadores e vitoriosos.
AGRADECIMENTOS

Quero agradecer a quem teve grande importncia para a elaborao deste trabalho.

Primeiramente a Deus, pela minha vida.

Aos meus pais, pela presena e por todo apoio.

minha irm Karina pelo incentivo, pela palavra e pela ateno, me dando coragem.

Ao meu esposo, Lucio, por toda pacincia, por todo apoio, pela compreenso, por todo

incentivo e por acreditar em mim.

s minhas amigas Ketty, Luciana e Vanessa, por tornarem essa etapa de minha vida

mais alegre e por toda ajuda e incentivo.

Ao amigo Alcino por sua disposio, dedicao e auxlio.

Ao Professor Mrcio Rodolfo Fernandes, pelos esforos empenhados em me orientar e

por sua disposio e pacincia durante a realizao deste trabalho.


Sempre me pareceu estranho que todos aqueles que
estudam seriamente esta cincia acabam tomados de uma
espcie de paixo pela mesma. Em verdade, o que
proporciona o mximo de prazer no o conhecimento e sim
a aprendizagem, no a posse mas a aquisio, no a
presena mas o ato de atingir a meta.

Carl Friedrich Gauss


LISTA DE FIGURAS
Figura 1................................................................................................................... 14
Figura 2................................................................................................................... 16
Figura 3................................................................................................................... 17
Figura 4................................................................................................................... 19
Figura 5................................................................................................................... 20
Figura 6 - No h pontos comuns a todas as cinco regies sombreadas ................ 21
Figura 7................................................................................................................... 22
Figura 8................................................................................................................... 24
Figura 9................................................................................................................... 25
Figura 10................................................................................................................. 44

LISTA DE TABELAS

Tabela 1 .................................................................................................................. 12
Tabela 2 .................................................................................................................. 16
Tabela 3 .................................................................................................................. 17
Tabela 4 .................................................................................................................. 18
Tabela 5 .................................................................................................................. 19
Tabela 6 .................................................................................................................. 20
Tabela 7 .................................................................................................................. 22
Tabela 8 .................................................................................................................. 24
Tabela 9 .................................................................................................................. 25
Tabela 10 Oramento de 3 cidades...................................................................... 28
Tabela 11 ................................................................................................................ 31
Tabela 12 ................................................................................................................ 33
Tabela 13 ................................................................................................................ 35
Tabela 14 ................................................................................................................ 38
SUMRIO

1 INTRODUO .................................................................................................................................. 8

2 PROGRAMAO LINEAR GEOMTRICA................................................................................ 9

2.1 INTRODUO ............................................................................................................................... 9


2.2 UMA SOLUO GEOMTRICA PARA PROBLEMAS DE PROGRAMAO LINEAR ............................. 12

3 O PROBLEMA DA ALOCAO DE TAREFAS........................................................................ 27

3.1 O MTODO HNGARO ............................................................................................................... 29

4 CADEIAS DE MARKOV................................................................................................................ 42

5 CRIPTOGRAFIA............................................................................................................................. 59

6 CONCLUSO .................................................................................................................................. 63

7 REFERNCIA BIBLIOGRFICA................................................................................................ 64
8

1 INTRODUO

A matemtica uma cincia que desde a antiguidade sempre esteve presente no dia-a-
dia das pessoas, ainda que essa presena parea imperceptvel.
Estudamos matemtica desde os primeiros anos escolares. Ao mesmo tempo em que
dizemos que esta disciplina muito importante em nossas vidas, devido 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
lgebra Linear, pois este um dos assuntos que no conhecemos bem suas aplicaes.
O trabalho foi organizado atravs da apresentao de algumas aplicaes da lgebra
Linear. Convm, nesse momento, ressaltar que resolvi trabalhar com apenas quatro tipos de
aplicaes da lgebra Linear: Programao Linear Geomtrica, O Problema de Alocao de
Tarefas, Cadeias de Markov e Criptografia. Outras aplicaes que poderiam ser vistas so, por
exemplo, Construindo Curvas e Superfcies por Pontos Especificados, Redes Eltricas, Jogos
de Estratgia, Interpolao Spline Cbica, Modelos Econmicos de Leontief, Teoria de
Grafos, Administrao de Florestas, Computao Grfica, Distribuio de Temperatura de
Equilbrio, Tomografia Computadorizada, Fractais, Caos, Gentica, Crescimento
Populacional por Faixa Etria, Colheita de Populaes Animais, Um Modelo de Mnimos
Quadrados para a Audio Humana e Deformaes e Morfismos.
O trabalho que segue est longe de ser um estudo concludo ou terminado. O que se
pretende realmente pr o assunto em discusso.
9

2 PROGRAMAO LINEAR GEOMTRICA

2.1 Introduo

O estudo da teoria da Programao Linear foi introduzido por George Dantzig no final
da dcada de 1940. De forma abreviada, Problema de Programao Linear (PPL) pode ser
escrito na forma:

max (ou min) z = c1 x1 + c2 x2 + + cn xn (1)

sujeito a

a11 x1 + a12 x2 + + a1n xn b1


a21 x1 + a22 x2 + + a2 n xn b2

(2)
am1 x1 + am 2 x2 + + amn xn bn

x1 , x2 , , xn 0

A funo de vrias variveis z linear e recebe o nome de funo-objetivo. Seu valor


deve ser otimizado (maximizado ou minimizado).
As restries so relaes de interdependncia entre variveis, expressas por meio de
equaes e/ou inequaes lineares. Alm disso, as variveis do problema devem assumir
valores no-negativos.
Hoje em dia, a Programao Linear aplicada a uma grande variedade de problemas
nas indstrias e nas cincias. Neste captulo descrevemos uma tcnica geomtrica para
resolver PPLs com duas variveis. Iniciaremos com os seguintes exemplos de formulao de
problemas.

EXEMPLO 1 Maximizando o Lucro de Vendas


Um fabricante de bombons tem estocado bombons de chocolate, sendo 130kg com
recheio de cerejas e 170kg com recheio de menta. Ele decide vender o estoque na forma de
dois pacotes sortidos diferentes. Um pacote contm uma mistura com metade do peso em
bombons de cereja e metade em menta e vende por R$ 20,00 por kg. O outro pacote contm
uma mistura de um tero de bombons de cereja e dois teros de menta e vende por R$ 12,50
10
por kg. O vendedor deveria preparar quantos quilos de cada mistura a fim de maximizar seu
lucro de vendas?
Soluo
Inicialmente vamos formular este problema matematicamente. Chamamos de A a
mistura com metade cereja e metade menta e o nmero de quilos desta mistura que dever ser
preparada x1 . Chamamos de B a mistura com um tero cereja e dois teros menta e o

nmero de quilos desta mistura que dever ser preparada x2 . Como a mistura A vende por
R$ 20,00 e a mistura B vende por R$ 12,50 por quilo, o total z de vendas (em reais) ser
z = 20, 00 x1 + 12,50 x2 .
Como cada quilo da mistura A contm meio quilo de bombons de cereja e cada quilo da
mistura B contm um tero de quilo de bombons de cereja, o nmero total de quilos de
bombons de cereja usados em ambas misturas
1 1
x1 + x2
2 3
De maneira similar, como cada quilo da mistura A contm meio quilo de menta e cada
quilo da mistura B contm dois teros de quilo de menta, o nmero total de quilos de
bombons de menta usados em ambas misturas
1 2
x1 + x2 .
2 3
J que o fabricante s pode usar, no mximo, 130 quilos de bombons de cereja e 170
quilos de bombons de menta, devemos ter
1 1
x1 + x2 130
2 3
1 2
x1 + x2 170.
2 3
Alm disso, como x1 e x2 no podem ser nmeros negativos, temos

x1 0 e x2 0 .
Isto mostra que o problema pode ser formulado matematicamente, como segue:
Encontrar valores de x1 e x2 que maximizam

z = 20, 00 x1 + 12,50 x2
sujeito a
1 1
x1 + x2 130
2 3
1 2
x1 + x2 170
2 3
x1 0
x2 0 .
Adiante, veremos como resolver geometricamente este tipo de problema matemtico.
11

EXEMPLO 2 Maximizando o Rendimento Anual


Uma mulher tem at R$ 10.000,00 para investir e seu corretor sugere investir em dois
ttulos, A e B. O ttulo A bastante arriscado, com lucro anual de 10%, e o ttulo B bastante
seguro, com um lucro anual de 7%. Depois de algumas consideraes, ela resolve investir no
mximo R$ 6.000,00 no ttulo A, no mnimo R$ 2.000,00 no ttulo B e investir no mnimo
tanto no ttulo A quanto no ttulo B. Como ela dever investir seus R$ 10.000,00 a fim de
maximizar o rendimento anual?
Soluo
Para formular o problema matematicamente, sejam x1 a quantia investida no ttulo A e

x2 a quantia investida no ttulo B. Como cada real investido no ttulo A rende R$ 0,10 por ano
e cada real investido no ttulo B rende R$ 0,07 por ano, o total do rendimento anual z (em
reais) de ambos ttulos dado por
z = 0,10 x1 + 0, 07 x2
Os vnculos impostos podem ser formulados como segue:
Investir no mximo R$ 10.000,00: x1 + x2 10.000

Investir no mximo R$ 6.000,00 no ttulo A: x1 6.000

Investir no mnimo R$ 2.000,00 no ttulo B: x2 2.000

Investir no mnimo tanto no ttulo A quanto no ttulo B: x1 x2

Alm disto, estamos supondo implicitamente que ambos x1 e x2 so nmeros no-


negativos:
x1 0 e x2 0 .
Assim, uma formulao matemtica completa do problema como segue: Encontrar
valores de x1 e x2 que maximizam

z = 0,10 x1 + 0, 07 x2

EXEMPLO 3 O Problema da Dieta


O objetivo do presente programa determinar, em uma dieta para reduo calrica, as
quantidades de certos alimentos que devero ser ingeridos diariamente, de modo que
determinados requisitos nutricionais sejam satisfeitos a custo mnimo (existem vrios
problemas abordando este tema, este exemplo um dos mais simples possveis).
Suponha que, por certas razes, uma dieta alimentar esteja restrita a leite desnatado,
carne magra de boi, carne de peixe e uma salada pr-definida. Sabe-se ainda que os requisitos
12
nutricionais sero expressos em termos de vitaminas A, C e D e controlados por suas
quantidades mnimas (em mg). A tabela abaixo resume a quantidade de cada vitamina em
disponibilidade nos alimentos e a sua necessidade diria para a boa sade da pessoa.

Tabela 1

Requisito
Carne Peixe Salada
Vitamina Leite (mg/l) nutricional mnimo
(mg/kg) (mg/kg) (mg/kg)
(mg)
A 2 2 10 20 11
C 50 20 10 30 70
D 80 70 10 80 250
Custo R$2,00 R$4,00 R$1,50 R$1,00

Descreve o problema por meio de uma Programao Linear.


Soluo
1) Variveis de deciso
xi quantidade de unidades do alimento do tipo: leite ( i = 1 ), carne ( i = 2 ), peixe

( i = 3 ) e salada ( i = 4 ).

2) Funo Objetivo
min z = 2 x1 + 4 x2 + 1,5 x3 + x4

3) Restries
a) associada vitamina A
2 x1 + 2 x2 + 10 x3 + 20 x4 11

b) associada vitamina C
50 x1 + 20 x2 + 10 x3 + 30 x4 70

c) associada vitamina D
80 x1 + 70 x2 + 10 x3 + 80 x4 250

d) no-negatividade
x1 0, x2 0, x3 0, x4 0

2.2 Uma soluo geomtrica para problemas de programao linear

Mostraremos agora como resolver graficamente um problema de programao linear


em duas variveis. Um par de variveis ( x1 , x2 ) que satisfaz todas as restries chamado
13
uma soluo vivel. O conjunto de todas as solues viveis determina um subconjunto do
plano x1 x2 chamado a regio vivel. Nosso objetivo encontrar uma soluo vivel que
maximize a funo-objetivo. Uma tal soluo chamada soluo tima.
Para examinar a regio vivel de um problema de programao linear, observamos que
cada restrio do tipo
ai1 x1 + ai 2 x2 = bi

define uma reta no plano x1 x2 , enquanto cada restrio da forma

ai1 x1 + ai 2 x2 bi ou ai1 x1 + ai 2 x2 bi

define um semiplano que inclui a reta de fronteira


ai1 x1 + ai 2 x2 = bi .

Assim, a regio vivel sempre uma interseo de um nmero finito de retas e


semiplanos. Por exemplo, as quatro restries
1 1
x1 + x2 130
2 3
1 2
x1 + x2 170
2 3
x1 0
x2 0
do Exemplo 1 definem os semiplanos indicados nas partes (a), (b), (c) e (d) da Figura 1.
A regio vivel deste problema , portanto, a interseo destes quatro semiplanos, que a
regio indicada na Figura 1(e)
14

Figura 1

Pode ser mostrado que a regio vivel de um problema de programao linear tem uma
fronteira que consiste de um nmero finito de segmentos de retas. Uma regio vivel dita
limitada (ver Figura 1(e)) se puder ser englobada num crculo suficientemente grande; caso
contrrio, ela ilimitada (ver Figura 5). Se a regio vivel vazia (ou seja, no contm
pontos), ento as restries so inconsistentes e o problema de programao linear no possui
soluo (ver Figura 6).
Os pontos de fronteira de uma regio vivel que so intersees de dois segmentos de
15
retas de fronteira, so chamados pontos extremos (tambm so chamados de pontos de
esquina ou vrtice). Por exemplo, pela Figura 1(e), a regio vivel do Exemplo 1 tem quatro
pontos extremos,
( 0, 0 ) , ( 0, 255 ) , (180,120 ) , ( 260, 0 ) (3)

A importncia dos pontos extremos de uma regio vivel mostrada pelo seguinte
teorema.
Teorema 1 Valores Mximos e Mnimos
Se a regio vivel de um problema de programao linear no-vazia e limitada,
ento a funo-objetivo atinge tanto um valor mximo quanto um valor mnimo e estes
ocorrem em pontos extremos da regio vivel. Se a regio vivel ilimitada, ento a funo-
objetivo pode ou no atingir valores mximo ou mnimo; contudo, se atingir um mximo ou
um mnimo, este ocorrer em pontos extremos.

A Figura 2 sugere a idia por trs da prova do teorema. Como a funo-objetivo


z = c1 x1 + c2 x2
de um problema de programao linear uma funo linear de x1 e de x2 , suas curvas
de nvel (as curvas ao longo das quais z tem valor constante) so retas. medida que nos
deslocamos perpendicularmente a estas retas, a funo-objetivo ou cresce ou decresce
monotonamente. Para determinar a direo em que isto ocorre, utilizamos o vetor gradiente da
funo z, dado por
f
x
z ( x1 , x2 ) t = 1
f
x
2
e que aponta para a direo de maior crescimento da funo z. A direo oposta ( z )

aponta para a direo de maior decrescimento. Dentro de uma regio vivel limitada, os
valores mximos e mnimos de z devem ocorrer, portanto, nos pontos extremos (ver Figura 2).
16

Figura 2

Nos prximos exemplos usaremos o Teorema 1 para resolver vrios problemas de


programao linear e ilustrar as variaes na natureza das solues que podem ocorrer.

EXEMPLO 4 Considere o Exemplo 1 Novamente


Da Figura 1(e) vemos que a regio vivel do Exemplo 1 limitada. Conseqentemente,
pelo Teorema 1 a funo-objetivo
z = 20, 00 x1 + 12,50 x2
atinge tanto um valor mnimo quanto um valor mximo em pontos extremos. Os quatro
pontos extremos e os correspondentes valores de z so dados na tabela seguinte.

Tabela 2

Ponto Extremo Valor de


( x1 , x2 ) z = 20, 00 x1 + 12,50 x2
( 0, 0 ) 0
( 0, 255 ) 3187,50
(180,120 ) 5100,00
( 260, 0 ) 5200,00

Vemos que o maior valor de z 5.200,00 e a correspondente soluo tima ( 260, 0 ) .

Assim, o fabricante de balas atinge um mximo de R$ 5.200,00 de vendas quando ele produz
260 quilos da mistura A e nada da mistura B.

EXEMPLO 5 Usando o Teorema 1


Encontre valores de x1 e x2 que maximizam
17
z = x1 + 3 x2

sujeito a
2 x1 + 3 x2 24
x1 x2 7
x2 6
x1 0
x2 0 .

Soluo
Na Figura 3 desenhamos a regio vivel deste problema. Por ser limitada, o valor
mximo de z atingido em um dos cinco pontos extremos. Os valores da funo-objetivo nos
cinco pontos extremos so dados na tabela seguinte.

Figura 3

Tabela 3

Ponto Extremo Valor de


( x1 , x2 ) z = x1 + 3 x2
( 0, 6 ) 18
( 3, 6 ) 21
( 9, 2 ) 15
( 7, 0 ) 7
( 0, 0 ) 0

A partir desta tabela vemos que o valor mximo de z 21, atingido em x1 = 3 e x2 = 6 .


18
EXEMPLO 6 Usando o Teorema 1
Encontre valores de x1 e x2 que maximizam

z = 4 x1 + 6 x2
sujeito a
2 x1 + 3 x2 24
x1 x2 7
x2 6
x1 0
x2 0 .
Soluo
As restries neste problema so idnticas s restries do Exemplo 5, portanto a regio
vivel deste problema tambm dada pela Figura 3. Os valores da funo-objetivo nos pontos
extremos so dados na tabela seguinte.

Tabela 4

Ponto Extremo Valor de


( x1 , x2 ) z = 4 x1 + 6 x2
( 0, 6 ) 36
( 3, 6 ) 48
( 9, 2 ) 48
( 7, 0 ) 28
( 0, 0 ) 0

Vemos que a funo-objetivo atinge um valor mximo de 48 nos dois pontos extremos
adjacentes ( 3, 6 ) e ( 9, 2 ) . Isto mostra que uma soluo tima em um problema de

programao linear no precisa ser nica. Se a funo-objetivo assume o mesmo valor em


dois pontos extremos adjacentes, ela tem o mesmo valor em todos os pontos do segmento de
reta da fronteira que conecta estes dois pontos extremos. Assim, neste exemplo, o valor
mximo de z alcanado em todos os pontos do segmento de reta que conecta os pontos
extremos ( 3, 6 ) e ( 9, 2 ) .

EXEMPLO 7 A Regio Vivel um Segmento de Reta


Encontre valores de x1 e x2 que minimizam

z = 2 x1 x2
sujeito a
19
2 x1 + 3 x2 = 12
2 x1 3 x2 0
x1 0
x2 0 .
Soluo
Na Figura 4 desenhamos a regio vivel deste problema. Como uma das restries
uma restrio de igualdade, a regio vivel um segmento de reta com dois pontos extremos.
Os valores de z nos dois pontos extremos so dados na tabela seguinte.

Figura 4

Tabela 5

Ponto Extremo Valor de


( x1 , x2 ) z = 2 x1 x2
( 3, 2 ) 4
( 6, 0 ) 12

Assim, o valor mnimo de z 4, atingido em x1 = 3 e x2 = 2 .

EXEMPLO 8 Usando o Teorema 1


Encontre valores de x1 e x2 que maximizam

z = 2 x1 + 5 x2
sujeito a
2 x1 + x2 8
4 x1 + x2 2
2 x1 3 x2 0
x1 0
x2 0
Soluo
A regio vivel deste problema de programao linear indicada na Figura 5. Por ser
20
ilimitada, o Teorema 1 no nos garante que a funo-objetivo atinge um valor mximo. De
fato, fcil verificar que, como a regio vivel contm pontos nos quais ambos x1 e x2 so
arbitrariamente grandes e positivos, a funo-objetivo
z = 2 x1 + 5 x2
toma valores arbitrariamente grandes e positivos. Este problema no tem soluo tima.
Em vez disto, dizemos que o problema tem uma soluo ilimitada.

Figura 5

EXEMPLO 9 Usando o Teorema 1


Encontre valores de x1 e x2 que maximizam

z = 5 x1 + x2
sujeito a
2 x1 + x2 8
4 x1 + x2 2
2 x1 3 x2 0
x1 0
x2 0
Soluo
As restries acima so as mesmas que as do Exemplo 8, portanto a regio vivel deste
problema tambm dada pela Figura 5. A funo-objetivo deste problema atinge um mximo
na regio vivel. Pelo Teorema 1, este mximo deve ser atingido num ponto extremo. Os
valores de z nos dois pontos extremos so dados na tabela seguinte.

Tabela 6

Ponto Extremo Valor de


( x1 , x2 ) z = 5 x1 + x2
(1, 6 ) 1
( 3, 2 ) -13
21

Assim, o valor mximo de z l e atingido no ponto extremo x1 = 1 , x2 = 6 .


EXEMPLO 10 Restries Inconsistentes
Encontre valores de x1 e x2 que minimizam

z = 3 x1 8 x2
sujeito a
2 x1 x2 4
3 x1 + 11x2 33
3 x1 + 4 x2 24
x1 0
x2 0
Soluo
Como pode ser visto na Figura 6, a interseo dos cinco semiplanos definidos pelas
cinco restries vazio. Este problema de programao linear no possui solues viveis,
pois as restries so inconsistentes.

Figura 6 - No h pontos comuns a todas as cinco regies sombreadas

Para encerrar este captulo, apresentamos outros exemplos que ilustram as vrias
possibilidades de soluo apresentadas nos exemplos anteriores, com o intuito de melhorar a
fixao dos conceitos introduzidos neste captulo.

Exemplos:
1) Resolver graficamente o problema de Programao Linear:
Encontre valores de x e y que maximizam
z = 10 x + 20 y
sujeito a
x + y 10
22
0 x8
0 y5
Soluo
Iremos descrever as regies definidas pelo conjunto de restries.
Vrtices:
A: x + y = 10 y = 5
( 5,5)
B: x + y = 10 x = 8
( 8,2 )
C: (8,0 )
D: ( 0,0 )
E: ( 0,5 )

Figura 7

Os valores da funo-objetivo nos cinco pontos extremos so dados na tabela seguinte.

Tabela 7

Ponto Extremo ( x, y ) Valor de z = 10 x + 20 y


( 0,5) 100
( 5,5) 150
( 8, 2 ) 120
( 8, 0 ) 80
( 0, 0 ) 0
23

Vemos que a funo-objetivo atinge um valor mximo de 150 no ponto extremo ( 5,5 ) .

2) Resolver graficamente o problema de Programao Linear:


Encontre valores de x e y que minimizam
z = 2x + 3y
sujeito a
y + 2x 7
3 y 2 x 13
x+ y 4
2 x + 5 y 34
2 x y 10
x0
y0
Soluo
Iremos descrever as regies definidas pelo conjunto de restries.
Vrtices:
A: y + 2 x = 7 3 y 2 x = 13
(1,5)
B: x + y = 4 y + 2x = 7
( 4,7 )
C: 2y+5x = 34 2 x y = 10
( 6,2 )
D: ( 5,0 )
E: ( 4,0 )
F: y + 2x = 7 x + y = 4
( 3,1)
24

Figura 8

Os valores da funo-objetivo nos seis pontos extremos so dados na tabela seguinte.

Tabela 8

Ponto Extremo ( x, y ) Valor de z = 2 x + 3 y


(1,5) 17
( 4, 7 ) 29
( 6, 2 ) 18
( 5, 0 ) 10
( 4, 0 ) 8
( 3,1) 9

Vemos que a funo-objetivo atinge um valor mnimo de 8 no ponto extremo ( 4, 0 ) .

3) Resolver graficamente o problema de Programao Linear:


Mltiplas Solues
max z = x1 + 2 x2
sujeito a
0 x1 3
0 x2 4
x1 + 2 x2 9

Soluo
Iremos descrever as regies definidas pelo conjunto de restries.
Vrtices:
25
A: ( 0,0 )
B: ( 0,4 )
C: x1 +2 x2 = 9 x2 = 4
(1,4 )
D: x1 +2 x2 = 9 x1 = 3
( 3,3)
E: ( 3,0 )

Figura 9

Os valores da funo-objetivo nos cinco pontos extremos so dados na tabela seguinte.

Tabela 9

Ponto Extremo
Valor de z = x1 + 2 x2
( x1 , x2 )
( 0, 0 ) 0
( 0, 4 ) 8
(1, 4 ) 9
( 3,3) 9
( 3, 0 ) 3

Vemos que a funo-objetivo atinge um valor mximo de 9 nos dois pontos extremos
(1, 4 ) e ( 3,3) . Isto mostra que uma soluo tima em um problema de programao linear

no precisa ser nica. Se a funo-objetivo assume o mesmo valor em dois pontos extremos
26
adjacentes, ela tem o mesmo valor em todos os pontos do segmento de reta da fronteira que
conecta estes dois pontos extremos. Assim, neste exemplo, o problema possui mltiplas
solues, o valor mximo de z alcanado em todos os pontos do segmento de reta que
conecta os pontos extremos (1, 4 ) e ( 3,3) .

Observao: Alm do polgono obtido pela representao do conjunto de restries,


determinao dos vrtices e anlise dos valores de funo-objetivo para cada um dos vrtices,
para resolver o problema de Programao Linear, podemos utilizar o seguinte resultado:
A melhor direo de deslocamento a do gradiente que corresponde a um sentido
ortogonal ao suporte da reta z = ax + by , no caso de um problema de Programao Linear de
maximizar, e a direo oposta a do gradiente, no caso de um problema de Programao Linear
de minimizar.
Examinando a equao geral das retas associadas s curvas de nvel da funo-objetivo,
percebemos que cada valor numrico de z corresponde ao termo independente de alguma reta
perpendicular direo do gradiente, configurada pelos coeficientes de custos ( c1 , c2 ) (pois o

df df
vetor gradiente z possui coordenadas constantes reais por ser na 1 coordenada e na 2
dx dy
coordenada de uma funo linear, nestes casos de problema de Programao Linear).
27

3 O PROBLEMA DA ALOCAO DE TAREFAS

Neste trabalho, apresentamos o estudo de um algoritmo de otimizao, para encontrar


uma alocao de tarefas de custo mnimo. O algoritmo chamado de mtodo Hngaro e foi
criado pelos hngaros D. Knig e E. Egervry. Por tratar-se de um mtodo discreto de
otimizao, baseado na manipulao de matrizes, no qual no necessrio o uso de clculo
Diferencial e Integral, os pr-requisitos so mnimos, o que torna sua compreenso e
utilizao extremamente acessveis.
Em nossa sociedade, muito freqente depararmos com problemas que requerem
tomadas de decises visando a melhoria da relao custo-benefcio por meio da maximizao
ou minimizao de elementos do problema. Esse tipo de problema forma uma classe especial
de problemas de otimizao, ou seja, problemas cuja soluo consiste em maximizar ou
minimizar uma funo numrica de um determinado nmero de variveis (ou funes),
estando estas sujeitas a certas restries. Por exemplo, o problema pode ser encontrar a
melhor distribuio de trabalhadores em empregos, jogadores de um esporte em posies no
campo, maquinrio em locais de construo e assim por diante. O problema da alocao de
tarefas requer que haja o mesmo nmero de instalaes e tarefas, digamos n. Neste caso, h
exatamente n! maneiras distintas de alocar univocamente as tarefas s instalaes. Isto ocorre
pois h n maneiras de alocar a primeira tarefa, n 1 maneiras de alocar a segunda, n 2
maneiras de alocar a terceira e assim por diante um total de
n ( n 1) ( n 2 ) 3 2 1 = n !
maneiras de alocar as tarefas. Entre estas n! possveis alocaes, devemos encontrar
uma que tima em algum sentido. Para definir a noo de alocao tima precisamente, ns
introduzimos as seguintes quantidades. Seja
cij = custo de alocar i-sima instalao a j-sima tarefa

para i, j = 1, 2, , n . As unidades de cij podem ser reais, quilmetros, horas o que for

apropriado ao problema. Ns definimos a matriz-custo como a matriz n n


c11 c12 c1n
c c22 c2 n
c= 21



cn1 cn 2 cnn
Exigir que a cada instalao seja atribuda uma tarefa de maneira nica equivalente
condio que no haja duas entradas cij da mesma linha ou coluna. Isto leva seguinte

definio.
28

Definio Dada uma matriz-custo C de ordem n n , uma alocao de tarefas um conjunto


de n entradas da matriz tais que no h duas da mesma linha ou coluna.

Uma alocao tima definida como segue.

Definio A soma das n entradas de uma alocao chamada o custo da alocao. Uma
alocao com o menor custo possvel denominada uma alocao tima.

O problema da alocao de tarefas encontrar uma alocao tima em uma dada


matriz-custo. Por exemplo, para distribuir n unidades de mquinas para n locais de
construo, cij poderia ser a distncia em quilmetros entre a i-sima mquina e o j-simo

local de construo. Uma alocao tima uma na qual soma um mnimo a distncia total
percorrida pelas n mquinas.

EXEMPLO 1 Minimizando a Soma de Trs Propostas


Consideramos o seguinte problema fictcio: o governo estadual sancionou uma lei de
apoio ao desenvolvimento da metade sul do Estado do Rio Grande do Sul, na qual todas as
cidades devem ser atendidas num determinado setor de carncia de investimentos e que o
governo no pode investir em dois setores iguais. Os oramentos esto dispostos na Tabela
10, onde as linhas correspondem cidade e as colunas ao setor.

Tabela 10 Oramento de 3 cidades

Oramentos (R$)
Sade Moradia Educao
Alegrete 10.000,00 37.000,00 15.000,00
Uruguaiana 8.000,00 30.000,00 19.000,00
Bag 12.000,00 32.000,00 14.000,00

Devido a uma srie de despesas que devem ser pagas, o governo decide minimizar tanto
quanto possvel a verba destinada metade sul. Quanto o governo transferiria para cada setor
de qual cidade para minimizar a verba destinada metade sul?
Soluo
A matriz-custo para este problema a matriz 3 3
29

10000 37000 15000


8000 30000 19000

12000 32000 14000

Como s h seis ( = 3!) alocaes possveis, ns podemos resolver este problema por

inspeo. Destacamos as entradas associadas a cada uma das seis alocaes e calculamos sua
soma.

10000 37000 15000 10000 37000 15000 10000 37000 15000


8000 30000 19000 8000 30000 19000 8000 30000 19000

12000 32000 14000 12000 32000 14000 12000 32000 14000

1000 + 30000 + 14000 = 54000 1000 + 19000 + 32000 = 61000 37000 + 8000 + 14000 = 59000
(a) (b) (c)

10000 37000 15000 10000 37000 15000 10000 37000 15000


8000 30000 19000 8000 30000 19000 8000 30000 19000

12000 32000 14000 12000 32000 14000 12000 32000 14000

37000 + 19000 + 12000 = 68000 15000 + 8000 + 32000 = 55000 15000 + 30000 + 12000 = 57000
(d) (e) (f)

Observe que os totais de possibilidades variam de um mnimo de R$ 54.000,00 a um


mximo de R$ 68.000,00. Como o mnimo total de possibilidades de R$ 54.000,00 atingido
pela alocao (a), o governo transferiria verba da seguinte maneira:

9 R$ 10.000,00 para Alegrete em sade;


9 R$ 30.000,00 para Uruguaiana em moradia;
9 R$ 14.000,00 para Bag em educao.

O mtodo de fora bruta usado neste exemplo logo se torna impraticvel, medida que
aumenta o tamanho da matriz-custo. Por exemplo, para uma matriz 10 10 , h um total de
3.628.800 ( = 10!) alocaes possveis. Iremos descrever agora um mtodo prtico para

resolver qualquer problema de alocaes.


3.1 O Mtodo Hngaro

Esse nome teve origem em 1955 devido a H. W. Kuhn, pesquisador na rea de


30
programao linear, que em um de seus trabalhos, fez homenagem aos descobridores do
algoritmo em 1931, os hngaros E. Egervry e D. Knig, sendo que este ltimo demonstrou
um teorema combinatrio em 1916 que serviu de base para o algoritmo (Teorema de Knig).
O Mtodo Hngaro pode ser aplicado em diversos problemas prticos de alocao de
tarefas. Suponha que um problema especfico de alocao de tarefas tem a matriz-custo
0 14 9 3
9 20 0 22

23 0 3 0

9 12 14 0

Podemos notar que todas as entradas desta matriz-custo so no-negativas e que ela
contm muitos zeros. Observamos tambm que podemos encontrar uma alocao consistindo
somente de zeros, a saber
0 14 9 3
9 20 0 22

23 0 3 0

9 12 14 0

Esta alocao deve ser tima, pois seu custo zero e impossvel encontrar uma
alocao com custo menor do que zero se todas as entradas so no-negativas.
Pouqussimos problemas de alocao de tarefas so to fceis de resolver como este.
No entanto, o prximo teorema leva a um mtodo de converter um problema arbitrrio de
alocao de tarefas em um que pode ser to facilmente resolvido quanto este.

Teorema 3 Alocao tima


Se um nmero somado ou subtrado de todas as entradas de uma linha ou coluna de
uma matriz-custo, ento uma alocao de tarefas tima para a matriz-custo resultante
tambm uma alocao de tarefas tima para matriz-custo original.

Para ver por que este teorema verdadeiro, suponha que cinco somado a cada entrada
da segunda fila de uma matriz-custo dada. Como cada alocao contm exatamente uma
entrada da segunda linha, segue que o custo de cada alocao para a nova matriz exatamente
cinco a mais do que o custo da alocao correspondente para a matriz original. Assim,
alocaes correspondentes preservam seu ordenamento em relao ao custo, de modo que
alocaes timas de cada matriz correspondem a alocaes timas da outra matriz. Um
31
argumento similar vale se um nmero somado a qualquer coluna da matriz-custo, ou se
usamos subtrao em vez de adio.
Observamos que se pudermos aplicar o Teorema 3 em uma matriz-custo de tal modo a
gerar uma matriz-custo que possua todas as entradas no-negativas e, tal que contm uma
alocao consistindo inteiramente de zeros, de modo que dois deles no estejam na mesma
linha ou coluna, no teremos dificuldades em achar a alocao tima que, na ltima matriz,
ter soma nula. O algoritmo chamado de Mtodo Hngaro para alocao tima de tarefas
baseia-se nessa idia.
Na tabela a seguir delineamos o mtodo hngaro para uma matriz-custo n n . Os
primeiros dois passos usam o Teorema 3 para gerar uma matriz com entradas no-negativas e
com pelo menos um zero em cada linha e coluna. Os trs ltimos passos so aplicados
iteradamente tantas vezes quanto for necessrio para gerar uma matriz-custo que contm uma
alocao tima de zeros. Cada vez que o Passo 5 aplicado, a soma das entradas da nova
matriz-custo gerada estritamente menor do que a soma das entradas da matriz anterior. Isto
garante que o processo iterativo no pode continuar indefinidamente.

Tabela 11

O Mtodo Hngaro
Passos Observaes
Depois deste passo, cada linha tem pelo
1. Subtraia a menor entrada de cada linha de
menos uma entrada zero e todas as outras
todas as entradas da mesma linha.
entradas so no-negativas.
Depois deste passo, cada linha e cada coluna
2. Subtraia a menor entrada de cada coluna
tm pelo menos uma entrada zero e todas as
de todas as entradas da mesma coluna.
outras entradas so no-negativas.
3. Risque um trao ao longo de linhas e
Pode haver vrias maneiras de fazer isto. O
colunas de tal modo que todas as entradas
que importante usar o nmero mnimo de
zero da matriz-custo so riscadas e utilizando
traos.
um nmero mnimo de traos.
4. Teste de Otimalidade Se o teste afirmativo, uma escolha
(i) Se o nmero mnimo de traos necessrios criteriosa ir produzir um conjunto de n
para cobrir os zeros n, ento uma alocao entradas zero, tais que no h duas na mesma
tima de zeros possvel e encerramos o linha ou coluna. Existem algoritmos para
procedimento. encontrar uma tal alocao tima de zeros de
32
(ii) Se o nmero mnimo de traos maneira sistemtica, mas isto no ser
necessrios para cobrir os zeros menor do discutido aqui.
que n, ento ainda no possvel uma
alocao tima de zeros.
Continue com o Passo 5.
5. Determine a menor entrada no riscada por Este passo equivalente a aplicar o Teorema
nenhum trao. Subtraia esta entrada de todas 3 subtraindo a menor entrada no riscada de
as entradas no riscadas e depois a some a cada linha no riscada e depois somando esta
todas as entradas riscadas tanto horizontal menor entrada no riscada a cada coluna
quanto verticalmente. Retome ao Passo 3. riscada.

importante mencionar que para utilizarmos o mtodo hngaro trs condies tm que
ser satisfeitas:
1 A matriz-custo precisa ser quadrada. Caso isso no acontea, basta introduzir uma
tarefa ou uma instalao fictcia que no interfira no resultado final;
2 As entradas da matriz-custo deveriam ser nmeros inteiros. Para contas mo isto
somente uma convenincia, mas para calculadoras e computadores isto permite utilizar a
aritmtica exata de inteiros e evitar erros de arredondamento. Para problemas prticos, as
entradas no-inteiras podem ser sempre transformadas em entradas inteiras multiplicando a
matriz-custo por uma potncia conveniente de dez;
3 O problema deve ser de minimizao. O problema de maximizar a soma das
entradas de uma matriz-custo facilmente convertido em um problema de minimizar a soma
das entradas multiplicando cada entrada da matriz-custo por 1 .

EXEMPLO 2 Minimizando o custo total da obra


Imaginamos uma licitao de quatro obras, impedindo consrcios e que nenhuma
empreiteira ganha mais de uma obra. Seis empreiteiras apresentaram seis oramentos
diferentes. Na Tabela 12 aparecem listadas as propostas de oramento (em unidades de 1000
reais).
33

Tabela 12

Oramentos
Obra 1 Obra 2 Obra 3 Obra 4
Empreiteira 1 48 56 96 42
Empreiteira 2 48 60 94 44
Empreiteira 3 50 60 90 54
Empreiteira 4 44 68 85 46
Empreiteira 5 49 59 92 50
Empreiteira 6 47 65 92 52

Cada empreiteira s ganhar uma obra. Para qual obra deveria ser contratada cada
empreiteira para minimizar o custo total das obras?
Soluo
Como h duas empreiteiras a mais do que obras, duas delas no sero contratadas.
Assim, a matriz-custo no quadrada e o mtodo hngaro no pode ser aplicado diretamente.
Para contornar este problema, introduzimos duas obras fictcias cujo oramento zero: as
empreiteiras que forem contratadas para estas obras fictcias so, ento, na realidade, as
empreiteiras que no sero contratadas para nenhuma das obras reais. Portanto, acrescentamos
duas colunas de zeros Tabela 12, correspondendo s obras fictcias, e dessa maneira somos
levados seguinte matriz-custo quadrada:
48 56 96 42 0 0
48 60 94 44 0 0

50 60 90 54 0 0
(4)
44 68 85 46 0 0
49 59 92 50 0 0

47 65 92 52 0 0
Vamos aplicar o mtodo hngaro matriz (4), que a matriz-custo para o problema.
Passo 1. Como todas as linhas da matriz (4), contm entradas zero, no precisamos
utilizar o Passo 1 da Tabela 12.
Passo 2. As duas ltimas colunas da matriz (4) j contm entradas zero, portanto,
subtramos 44 da primeira coluna da matriz (4), 56 da segunda coluna, 85 da terceira coluna e
42 da quarta coluna. O resultado a matriz (5).
34
4 0 11 0 0 0
4 4 9 2 0 0

6 4 5 12 0 0
(5)
0 12 0 4 0 0
5 3 7 8 0 0

3 9 7 10 0 0
Passo 3. Riscamos as entradas zero da matriz (5) com um nmero mnimo de traos
horizontais e verticais.
Passo 4. Como o nmero mnimo de traos usados no Passo 3 quatro, ainda no
possvel uma alocao tima de zeros.
Passo 5. Subtramos 2, que a menor entrada no riscada da matriz (5), de cada uma de
suas entradas no riscadas e somamos 2 s quatro entradas riscadas tanto horizontal quanto
verticalmente. O resultado a matriz (6).
4 0 11 0 2 2
2 2 7 0 0 0

4 2 3 10 0 0
(6)
0 12 0 4 2 2
3 1 5 6 0 0

1 7 5 8 0 0

Passo 6. Riscamos as entradas zero da matriz (6) com um nmero mnimo de traos
horizontais e verticais.
Passo 7. Como o nmero mnimo de traos usados cinco, ainda no possvel uma
alocao tima de zeros.
Passo 8. Subtramos 1, que a menor entrada no riscada da matriz (6), de cada uma de
suas entradas no riscadas e somamos 1 s seis entradas riscadas tanto horizontal quanto
verticalmente. O resultado a matriz (7).
4 0 11 0 3 3
2 2 7 0 1 1

3 1 2 9 0 0
(7)
0 12 0 4 3 3
2 0 4 5 0 0

0 6 4 7 0 0
Passo 9. Riscamos as entradas zero da matriz (7) com um nmero mnimo de traos
horizontais e verticais.
Passo 10. Como as entradas zero da matriz (7) no podem ser riscadas com menos do
35
que seis traos, a matriz deve conter uma alocao tima de zeros. Uma tal alocao dada na
matriz (8).
4 0 11 0 3 3 4 0 11 0 3 3
2 2 7 0 1 1 2 2 7 0 1 1

3 1 2 9 0 0 3 1 2 9 0 0
ou (8)
0 12 0 4 3 3 0 12 0 4 3 3
2 0 4 5 0 0 2 0 4 5 0 0

0 6 4 7 0 0 0 6 4 7 0 0
A alocao tima indicada em (8) a seguinte:
Empreiteira 1 na obra 2
Empreiteira 2 na obra 4
Empreiteira 3 sem obra
Empreiteira 4 na obra 3
Empreiteira 5 sem obra
Empreiteira 6 na obra 1

O custo total mnimo


56 + 44 + 85 + 47 = 232
R$ 232.000,00.

EXEMPLO 3 O Problema das Moedas


Um negociante de moedas vai vender quatro moedas num leilo eletrnico. Ele recebe
propostas para cada uma das quatro moedas de cinco interessados, mas estes interessados
tambm afirmam que podem honrar no mximo uma das propostas. As propostas esto dadas
na Tabela 13.

Tabela 13

Propostas (R$)
Moeda 1 Moeda 2 Moeda 3 Moeda 4
Interessado 1 150 65 210 135
Interessado 2 175 75 230 155
Interessado 3 135 85 200 140
Interessado 4 140 70 190 130
Interessado 5 170 50 200 160

Como o negociante deveria alocar as quatro moedas para maximizar a soma das
propostas correspondentes?
Soluo
Para utilizar o mtodo hngaro, observamos que duas condies no so satisfeitas: a
36
matriz-custo no quadrada e esse problema de maximizao. Para resolver esses
problemas, criamos uma moeda fictcia cuja proposta ser zero (o interessado que receber a
moeda fictcia no recebe nenhuma moeda real) e multiplicamos cada entrada da matriz-custo
por 1 de modo que esse problema se torne um problema de minimizao.
150 65 210 135 0
175 75 230 155 0

135 85 200 140 0 (9)

140 70 190 130 0
170 50 200 160 0
Agora ns aplicamos o mtodo hngaro matriz (9) para encontrar uma alocao
tima.
Passo 1. Como todas as linhas da matriz (9) contm entradas zero, no precisamos
utilizar o Passo 1 da tabela Tabela 11.
Passo 2. Subtramos 175 da primeira coluna da matriz (9), 85 da segunda coluna,
230 da terceira coluna e 160 da quarta coluna para obter a matriz (10).

25 20 20 25 0
0 10 0 5 0

40 0 30 20 0 (10)

35 15 40 30 0
5 35 30 0 0
Passo 3. Riscamos as entradas zero da matriz (10) com um nmero mnimo de traos
horizontais e verticais.
Passo 4. Como o nmero mnimo de traos usados no Passo 3 quatro, no possvel
uma alocao tima de zeros.
Passo 5. Subtramos 5, que a menor entrada no riscada da matriz (10), de cada uma
de suas entradas no riscadas e somamos 5 s trs entradas riscadas tanto horizontal quanto
verticalmente. O resultado a matriz (11).

20 20 15 25 0
0 15 0 10 5

35 0 25 20 0 (11)

30 15 35 30 0
0 35 25 0 0
Passo 6. Riscamos as entradas zero da matriz (11) com um nmero mnimo de traos
horizontais e verticais.
37
Passo 7. Como o nmero mnimo de traos usados quatro, ainda no possvel uma
alocao tima de zeros.
Passo 8. Subtramos 15, que a menor entrada no riscada da matriz (11), de cada uma
de suas entradas no riscadas e somamos 15 s quatro entradas riscadas tanto horizontal
quanto verticalmente. O resultado a matriz (12).

5 20 0 010
0 30 0 10 20

20 0 10 5 0 (12)

15 15 20 15 0
0 50 25 0 15
Passo 9. Riscamos as entradas zero da matriz (12) com um nmero mnimo de traos
horizontais e verticais.
Passo 10. Como as entradas zero da matriz (12) no podem ser riscadas com menos do
que cinco traos, a matriz deve conter uma alocao tima de zeros. Uma tal alocao dada
na matriz (13).

5 20 0 010
0 30 0 10 20

20 0 10 5 0 (13)

15 15 20 15 0
0 50 25 0 15
A alocao tima indicada em (13) leva s seguintes vendas:
O interessado 1 recebe a moeda 3 (R$ 210,00);
O interessado 2 recebe a moeda 1 (R$ 175,00);
O interessado 3 recebe a moeda 2 (R$ 85,00);
O interessado 4 no recebe moeda;
O interessado 5 recebe a moeda 4 (R$ 160,00);

A soma das propostas R$ 630,00.

EXEMPLO 4 O Problema da Escalao


O treinador de um time de futebol de segunda diviso pode mudar a escalao de nove
de seus jogadores em nove posies diferentes. O treinador classifica cada um destes
jogadores em uma escala de 0 a 25 para cada uma das posies, levando em conta tanto a
habilidade do jogador na posio quanto a importncia da posio no jogo.
38

Tabela 14

Jogador
Posio
Silmar Jorge Jlio Leandro Ado Lus Paulo Artur Heitor
Ponta E 20 15 10 10 17 23 25 5 15
Ponta D 10 10 12 15 9 7 8 7 8
Centro 12 9 9 10 10 5 7 13 9
Meia E 13 14 10 15 15 5 8 20 10
Meia D 12 13 10 15 14 5 9 20 10
Zaga E 15 14 15 16 15 5 10 20 10
Zaga D 7 9 12 12 7 6 7 15 12
Lateral E 5 6 8 8 5 4 5 10 7
Lateral D 5 6 8 8 5 4 5 10 7

Usando a Tabela 14, como dever o treinador escalar os nove jogadores para maximizar
a soma das classificaes?
Soluo
Da maneira como foi enumerado, o problema o de maximizar uma soma. Para
convert-lo em um problema de minimizar uma soma, multiplicamos cada entrada da matriz-
custo por 1 para obter

20 15 10 10 17 23 25 5 15
10 10 12 15 9 7 8 7 8

12 9 9 10 10 5 7 13 9

13 14 10 15 15 5 8 20 10
12 13 10 15 14 5 9 20 10 (14)

15 14 15 16 15 5 10 20 10
7 9 12 12 7 6 7 15 12

5 6 8 8 5 4 5 10 7
5 6 8 8 5 4 5 10 7

Agora ns aplicamos o mtodo hngaro matriz (14) para encontrar uma alocao
tima.
Passo 1. Subtramos 25 da primeira linha da matriz (14), 15 da segunda linha, 20
da quinta linha, 20 da sexta linha, 15 da stima linha, 10 da oitava linha e 10 da nona
linha para obter a matriz (15).
39
5 10 15 15 8 2 0 20 10
5 5 3 0 6 8 7 8 7

1 4 4 3 3 8 6 0 4

7 6 10 5 5 15 12 0 10
8 7 10 5 6 15 11 0 10 (15)

5 6 5 4 5 15 10 0 10
8 6 3 3 8 9 8 0 3

5 4 2 2 5 6 5 0 3
5 4 2 2 5 6 5 0 3

Passo 2. Subtramos 1 da primeira coluna da matriz (15), 4 da segunda coluna, 2 da
terceira coluna, 3 da quinta coluna, 2 da sexta coluna e 3 da nona coluna. As outras trs
colunas da matriz (15) j contm entradas zeros, portanto no necessrio subtrair.

4 6 13 15 5 0 20 7
0
4 1 1 0 3 6 7 8 4

0 0 2 3 0 6 6 0 1

6 2 8 5 2 13 12 0 7
7 3 8 5 3 13 11 0 7 (16)

4 2 3 4 2 13 10 0 7
7 2 1 3 5 7 8 0 0

4 0 0 2 2 4 5 0 0
4 2 4 5 0 0
0 0 2

Passo 3. Riscamos as entradas zero da matriz (16) com um nmero mnimo de traos
horizontais e verticais.
Passo 4. Como o nmero mnimo de traos usados no Passo 3 sete, no possvel
uma alocao tima de zeros.
Passo 5. Subtramos 2, que a menor entrada no riscada da matriz (16), de cada uma
de suas entradas no riscadas e somamos 2 s entradas riscadas tanto horizontal quanto
verticalmente. O resultado a matriz (17).
40
4 8 15 17 5 0 22 9
0
2 1 1 0 1 4 5 8 4

0 2 4 5 0 6 6 2 3

4 2 8 5 0 11 10 0 7
5 3 8 5 1 11 9 0 7 (17)

2 2 3 4 0 11 8 0 7
5 2 1 3 3 5 6 0 0

2 0 0 2 0 2 3 0 0
2 0 2 3 0 0
0 0 2
Passo 6. Riscamos as entradas zero da matriz (17) com um nmero mnimo de traos
horizontais e verticais.
Passo 7. Como o nmero mnimo de traos usados oito, ainda no possvel uma
alocao tima de zeros.
Passo 8. Subtramos 2, que a menor entrada no riscada da matriz (17), de cada uma
de suas entradas no riscadas e somamos 2 s entradas riscadas tanto horizontal quanto
verticalmente.

4 10 17 17 7 0 0 24 11
2 3 3 0 3 4 5 10 6

0 4 6 5 2 6 6 4 5

2 2 8 3 0 9 8 0 7
3 3 8 3 1 9 7 0 7 (18)

0 2 3 2 0 9 6 0 7
3 2 1 1 3 3 4 0 0

0 0 0 0 0 0 1 0 0
0 0 0 0 0 0 1 0 0

Passo 9. Riscamos as entradas zero da matriz (18) com um nmero mnimo de traos
horizontais e verticais.
Passo 10. Como o nmero mnimo de traos usados oito, ainda no possvel uma
alocao tima de zeros.
Passo 11. Subtramos 2, que a menor entrada no riscada da matriz (18), de cada uma
de suas entradas no riscadas e somamos 2 s entradas riscadas tanto horizontal quanto
verticalmente.
41
6 10 17 19 9 0 0 26 11
2 1 1 0 3 2 3 10 4

0 2 4 5 2 4 4 4 3

2 0 6 3 0 7 6 0 5
3 1 6 3 1 7 5 0 5 (19)

0 0 1 2 0 7 4 0 5
5 2 1 3 5 3 4 2 0

2 0 0 2 2 0 1 2 0
2 0 0 2 2 0 1 2 0

Passo 12. Riscamos as entradas zero da matriz (19) com um nmero mnimo de traos
horizontais e verticais.
Passo 13. Como as entradas zero da matriz (19) no podem ser riscadas com menos do
que nove traos, a matriz deve conter uma alocao tima de zeros. Uma tal alocao dada
na matriz (20).

6 10 17 19 9 0 0 26 11 6 10 17 19 9 0 0 26 11
2 1 1 0 3 2 3 10 4 2 1 1 0 3 2 3 10 4

0 2 4 5 2 4 4 4 3 0 2 4 5 2 4 4 4 3

2 0 6 3 0 7 6 0 5 2 0 6 3 0 7 6 0 5
3 1 6 3 1 7 5 0 5 ou 3 1 6 3 1 7 5 0 5 (20)

0 0 1 2 0 7 4 0 5 0 0 1 2 0 7 4 0 5
5 2 1 3 5 3 4 2 0 5 2 1 3 5 3 4 2 0

2 0 0 2 2 0 1 2 0 2 0 0 2 2 0 1 2 0
2 0 0 2 2 0 1 2 0 2 0 0 2 2 0 1 2 0

A alocao tima indicada em (20) leva a seguinte escalao:
Ponta E Paulo
Ponta D Leandro
Centro Silmar
Meia E Jorge ou Ado
Meia D Artur
Zaga E Ado ou Jorge
Zaga D Heitor
Lateral E Jlio ou Lus
Lateral D Lus ou Jlio
42

4 CADEIAS DE MARKOV

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


apenas um entre um nmero finito de estados. Em seguida aplicamos o modelo 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 finito de estados. Por exemplo, o tempo em
determinada regio pode estar chuvoso ou seco; uma pessoa pode ser fumante ou no-
fumante; 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 queremos prever o estado no prximo perodo de observao ou em algum perodo
futuro. Podemos prever, muitas vezes, a probabilidade de o sistema estar em um determinado
estado em um perodo futuro de observao a partir de sua histria pregressa. Esse processo
de mudana de um estado para outro chamado uma cadeia ou um processo de Markov,
chamado assim em homenagem ao matemtico Andrei Andreyervich Markov.
Markov particularmente lembrado pelo seu estudo de Cadeias de Markov. Em 1923
Norbert Winter se tornou o primeiro a tratar rigorosamente um processo contnuo de Markov.
A fundao da teoria geral ocorreu em 1930 por Andrei Kolmogorov.

Definio Uma cadeia de Markov ou processo de Markov um processo no qual a


probabilidade de um sistema estar em determinado estado em um dado perodo de observao
depende apenas do estado no perodo de observao imediatamente anterior.

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


probabilidade de estando o sistema no estado j em um determinado perodo de observao
ento ele estar no estado i no prximo perodo de observao denotada por pij e chamada

de probabilidade de transio do estado j para o estado i.


Como pij uma probabilidade, temos que ter

0 pij 1 ( 1 i , j k ).
Alm disso, se o sistema est no estado j em um determinado perodo de observao,
ento ele tem que estar em um dos k estados possveis (inclusive pode permanecer no estado
j) no prximo perodo de observao. Logo:
p1 j + p2 j + p3 j + + pkj = 1 (21)
43
conveniente escrever as probabilidades de transio em uma matriz n n , P = pij ,

chamada de matriz de transio da cadeia de Markov. A matriz de transio tambm recebe


outros nomes: matriz de markov, matriz estocstica ou matriz de probabilidade. Os elementos
da matriz P so no-negativos e a soma de suas colunas sempre igual a 1.
Por exemplo, em uma cadeia de Markov de trs estados, a matriz de transio tem o
seguinte formato
Estado Precedente
1 2 3
p11 p12 p13 1
p p22 p23 2 Novo Estado
21
p31 p32 p33 3
Nesta matriz, p23 a probabilidade do sistema mudar do estado 3 para o estado 2, p22
a probabilidade do sistema continuar no estado 2 aps ter sido observado no estado 2, e assim
sucessivamente.

EXEMPLO 1 Matriz de Transio da Cadeia de Markov


Suponha que o tempo em uma determinada cidade chuvoso ou seco. Como resultado
do grande nmero de registros existentes, determinou-se que a probabilidade de se ter um da
1
chuvoso logo aps um dia seco de , e a probabilidade de se ter um dia seco aps um dia
3
1
chuvoso de . Se representarmos por S o estado de um dia seco e por C o de um dia
2
chuvoso, ento a matriz de transio dessa cadeia de Markov
S C
2 1 S
0, 67 0,50
3 2 ou P= .
P= 0,33 0,50
1 1
C
3 2

EXEMPLO 2 Matriz de Transio da Cadeia de Markov


Uma organizao que faz pesquisa de mercado est analisando o comportamento de um
grande grupo de compradores de caf que compram um pacote por semana. Descobriu-se que
50% dos que utilizam atualmente a marca A vo comprar 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
44
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
O (outras) correspondem s marcas A, B e outras, respectivamente. A matriz de transio
dessa cadeia de Markov :
A B O
0,50 0, 60 0, 40 A
P = 0, 25 0,30 0,30 B
0, 25 0,10 0,30 O

EXEMPLO 3 O Problema dos Cruzamentos


Um guarda de trnsito designado para controlar o trfego nos oito cruzamentos
indicados na Figura 10.

Figura 10

Ele instrudo a permanecer em cada cruzamento por uma hora e, em seguida, ou


permanecer no mesmo cruzamento ou seguir para um cruzamento adjacente. Para evitar que
ele estabelea um padro, ele deve escolher o novo cruzamento de maneira aleatria, com
qualquer escolha igualmente provvel. Por exemplo, se ele est no cruzamento 5, seu prximo
1
cruzamento pode ser 2, 4, 5 ou 8, cada um com probabilidade . Cada dia ele comea no
4
cruzamento em que parou no dia anterior. A matriz de transio desta cadeia de Markov
45
Cruzamento Velho
1 2 3 4 5 6 7 8
13 1
3 0 15 0 0 0 0 1
1 1
0 0 14 0 0 0 2
3 3
0 0 1 1
0 13 0 0 3
1
3 5
1 1 1
0 0 14 0 4
P = 3 3 5 4
Cruzamento Novo
0 1
0 15 14 0 0 13 5
3

0 0 0 13 14 0 6
1
0 3
0 0 0 15 0 13 14 13 7

0 0 0 0 14 0 14 13 8

EXEMPLO 4 O Problema das Vendas


Trs companhias X, Y e Z introduzem simultaneamente um novo computador pessoal no
1
mercado. No incio das vendas cada uma delas detm do mercado. A cada ms a
3
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 retm 75% de seus clientes a cada ms,
mas perde 15% para a companhia X e 10% para a companhia Z. A companhia Z mantm 90%
de seus clientes mas perde 5% para cada uma das duas outras companhias. A matriz de
transio dessa cadeia de Markov
Esse ms
X Y Z
0,85 0,15 0, 05 X
P = 0, 05 0, 75 0, 05 Y Prximo ms
0,10 0,10 0,90 Z
Convm ressaltar novamente que as matrizes de transio das cadeias de Markov tm a
propriedade que suas entradas em qualquer coluna somam 1.
Em geral no pode ser determinado com certeza o estado de um sistema em uma cadeia
de Markov numa observao arbitrria. O melhor que podemos fazer especificar
probabilidades para cada um dos estados possveis. Por exemplo, podemos descrever o estado
possvel do sistema em uma certa observao em uma cadeia de Markov com trs estados, por
um vetor-coluna
x1
x = x2
x3
no qual x1 a probabilidade que o sistema est no estado 1, x2 a probabilidade do

sistema estar no estado 2 e x3 a probabilidade dele estar no estado 3. Isso ser melhor
46
formalizado a seguir.

Definio O vetor-estado de uma observao de uma cadeia de Markov com k estados um


vetor-coluna x cujo i-simo componente xi a probabilidade do sistema estar, naquela
observao, no i-simo estado.

Suponhamos, que seja conhecido o vetor-estado x (0) de uma cadeia de Markov em


alguma observao inicial. A prxima definio nos permitir determinar os vetores-estado
x ( ) , x ( ) , , x ( ) ,
1 2 n

nas observaes subseqentes.

Definio Se P a matriz de transio de uma cadeia de Markov e x( n ) o vetor-estado na n-


sima observao, ento
x( n +1) = Px ( n ) .

Desta definio segue que


x (1) = Px ( 0)
x( 2) = Px (1) = P 2 x( 0)
x( 3) = Px( 2) = P3 x( 0)

x( n ) = Px ( n 1) = P n x( 0)
Desta maneira, o vetor-estado inicial x( 0) e a matriz de transio P determinam x( n )
para n = 1, 2, .

Definio
x1
x
O vetor x = 2 chamado de vetor de probabilidade se xi 0 ( 1 i n ) e


xn
x1 + x2 + + xn = 1 .

EXEMPLO 5 Considere Novamente o Exemplo 1


Supondo agora que ao iniciar nossas observaes (dia 0), o dia est seco, de modo que
o vetor-estado inicial
1
x( 0) = .
0
47
Ento, de acordo com a definio acima, o vetor de estado no dia 1 (o dia seguinte de
nossas observaes)
0, 67 0,5 1 0, 67
x(1) = Px( 0) = = .
0,33 0,5 0 0,33
Logo, a probabilidade de no chover no dia 1 de 67% e a probabilidade de chover de
33%.
Analogamente, considerando trs casas decimais, temos que:
0, 67 0,5 0, 67 0, 614
x( 2) = Px(1) = =
0,5 0,33 0,386
;
0,33
0, 67 0,5 0, 614 0, 604
x( ) = Px( ) = =
3 2

0,5 0,386 0,394


;
0,33
0, 67 0,5 0, 604 0, 603
x( 4) = Px( 3) = = ;
0,33 0,5 0,394 0,397
0, 67 0,5 0, 603 0, 603
x( 5) = Px( 4) = = ;
0,33 0,5 0,397 0,397
0, 67 0,5 0, 603 0, 603
x( 6) = Px(5) = = .
0,33 0,5 0,397 0,397
A partir do quarto dia, o vetor-estado do sistema sempre o mesmo,
0, 603
0,397 .

Isso significa que, a partir do quarto dia, fica seco aproximadamente 60% do tempo e
chove aproximadamente 40% do tempo.

EXEMPLO 6 Considere Novamente o Exemplo 2


Suponha que, no incio da pesquisa, verificamos que a marca A detm 20% do mercado,
B detm 20% do mercado e as demais marcas ficam com 60% do mercado. Logo, o vetor de
estado inicial
0, 2
x ( 0)
= 0, 2 .
0, 6
O vetor de estado depois da primeira semana
0,50 0, 60 0, 40 0, 2 0, 4600
(1)
x = Px ( 0)
= 0, 25 0,30 0,30 0, 2 = 0, 2900 .
0, 25 0,10 0,30 0, 6 0, 2500
Analogamente,
48

0,5 0, 6 0, 4 0, 4600 0,5040


x = Px = 0, 25 0,30 0,30 0, 2900 = 0, 2770 ;
( 2) (1)

0, 25 0,10 0,30 0, 2500 0, 2190


0,5 0, 6 0, 4 0,5040 0,5058
x = Px = 0, 25 0,30 0,30 0, 2770 = 0, 2748 ;
( 3) ( 2)

0, 25 0,10 0,30 0, 2190 0, 2194


0,5 0, 6 0, 4 0,5058 0,5055
x = Px = 0, 25 0,30 0,30 0, 2748 = 0, 2747 ;
( 4) ( 3)

0, 25 0,10 0,30 0, 2194 0, 2198


0,5 0, 6 0, 4 0,5055 0,5055
x = Px = 0, 25 0,30 0,30 0, 2747 = 0, 2747 .
( 5) ( 4)

0, 25 0,10 0,30 0, 2198 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% do mercado e as outras marcas ficaro com
aproximadamente 22% do mercado.

EXEMPLO 7 Considere Novamente o Exemplo 4


Sabemos que neste exemplo o vetor estado inicial
13
x ( ) = 13 .
0

13
O vetor de estado depois do primeiro ms
0,85 0,15 0, 05 13 0,35
x( ) = Px ( = 0, 05 0, 75 0, 05 13 = 0, 283 .
1 0)

0,10 0,10 0,90 13 0,367


Analogamente, considerando quatro casas decimais, temos
0,85 0,15 0, 05 0,35 0,3583
( 2)
x = Px = 0, 05 (1)
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
( 2)
( 3)
x = Px = 0, 05 0, 75 0, 05 0, 2481 = 0, 2237 ;
0,10 0,10 0,90 0,3936 0, 4149
49

0,85 0,15 0, 05 0,3614 0,3615


x = Px = 0, 05
( 4) ( 3)
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
( 4)
(5)
x = Px = 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
( 5)
(6)
x = Px = 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
( 6)
(7)
x = Px = 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
(7)
(8)
x = Px = 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)
(9)
x = Px = 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
(9)
(10 )
x = Px = 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
(10 )
(11)
x = Px = 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
(11)
(12 )
x = Px = 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
(12 )
(13)
x = Px = 0, 05 0, 75 0, 05 0,1689 = 0,1682 ;

0,10 0,10 0,90 0, 4887 0, 4910
0,85 0,15 0, 05 0,3408 0,3395
(13)
(14 )
x = Px = 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
(14 )
(15)
x = Px = 0, 05 0, 75 0, 05 0,1677 = 0,1674 ;

0,10 0,10 0,90 0, 4928 0, 4943
50

0,85 0,15 0, 05 0,3383 0,3366


x = Px = 0, 05
(16 ) (15)
0, 75 0, 05 0,1674 = 0,1671 ;
0,10 0,10 0,90 0, 4943 0, 4963
0,85 0,15 0, 05 0,3366 0,3360
(16 )
(17 )
x = Px = 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
(17 )
(18)
x = Px = 0, 05 0, 75 0, 05 0,1670 = 0,1669 ;
0,10 0,10 0,90 0, 4970 0, 4976
0,85 0,15 0, 05 0,3355 0,3351
(18)
(19 )
x = Px = 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
(19 )
( 20 )
x = Px = 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 0,3345
( 20 )
( 21)
x = Px = 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
( 21)
( 22 )
x = Px = 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
( 22 )
( 23)
x = Px = 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
( 23)
( 24 )
x = Px = 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
( 24 )
( 25)
x = Px = 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
( 25)
( 26 )
x = Px = 0, 05 0, 75 0, 05 0,1667 = 0,1667 ;

0,10 0,10 0,90 0, 4995 0, 4996
0,85 0,15 0, 05 0,3337 0,3336
( 26 )
( 27 )
x = Px = 0, 05 0, 75 0, 05 0,1667 = 0,1667 ;

0,10 0,10 0,90 0, 4996 0, 4997
51

0,85 0,15 0, 05 0,3336 0,3335


x = Px = 0, 05 0, 75 0, 05 0,1667 = 0,1667 ;
( 28)
( 27 )

0,10 0,10 0,90 0, 4997 0, 4998


0,85 0,15 0, 05 0,3335 0,3334
x = Px = 0, 05 0, 75 0, 05 0,1667 = 0,1667 ;
( 29 ) ( 28)

0,10 0,10 0,90 0, 4998 0, 4999


0,85 0,15 0, 05 0,3334 0,3334
x = Px = 0, 05 0, 75 0, 05 0,1667 = 0,1667 .
( 30 ) ( 29 )

0,10 0,10 0,90 0, 4999 0, 4999


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, as companhias X, Y e Z 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 Markov atingiu o
equilbrio. O vetor fixo chamado de vetor de estado estacionrio.
Os processos e Markov em geral so usados para determinar o comportamento de um
sistema depois de um longo perodo de tempo. Portanto, determinar se um processo de
Markov atinge ou no o equilbrio de importncia primordial. Mas nem sempre os vetores-
estado iro convergir para um vetor fixo em uma cadeia de Markov.
Um exemplo bem simples mostra que nem sempre os vetores-estado iro convergir para
um vetor fixo em uma cadeia de Markov.

EXEMPLO 8 O Sistema Oscila Entre Dois Estados


Seja P a matriz de transio e x( 0) o vetor de estado inicial.
0 1 0, 6
P= e x( ) = .
0

1 0 0, 4
Assim,
0 1 0 1 1 0 0 1 1 0 0 1
P2 = = e P 3 = PP 2 = = .
1 0 1 0 0 1 1 0 0 1 1 0
Como P 2 = I e P 3 = P , temos
52
0, 6
x( 0) = x( 2) = x( 4) = =
0, 4
e
0, 4
x(1) = x( 3) = x( 5) = = .
0, 6
Em geral: P 2k = I e P 2 k +1 = P , onde k IN .
0, 6 0, 4
Este sistema oscila indefinidamente entre os dois vetores-estado e , e
0, 4 0, 6
portanto no converge a nenhum vetor fixo.

No entanto, se exigirmos que a matriz de transio de um processo de Markov satisfaa
uma certa condio, mostraremos que o sistema se aproxima de um vetor fixo atingindo,
portanto, o equilbrio. Esta condio descrita na definio abaixo.

Definio Uma matriz de transio P regular se todas as entradas de alguma potncia de P


so positivas.

Uma cadeia de Markov que governada por uma matriz de transio regular chamada
cadeia de Markov regular. As cadeias de Markov dos exemplos 1 e 2 e do exemplo 4 so
regulares, j que todas as estradas da prpria matriz de transio so positivas. Poderamos ter
a falsa impresso de que a cadeia de Markov do exemplo 3 no regular, mas calculando suas
potncias notamos que P 4 tem todas as entradas positivas. Portanto pela definio acima
podemos concluir que a matriz de transio inicial tambm uma matriz regular.
Veremos que qualquer cadeia de Markov regular possui um vetor-estado fixo u tal que,
para qualquer escolha x( 0) , o vetor P n x( 0) converge a u quando n aumenta. Este resultado da
maior importncia na teoria de cadeias de Markov e baseado no prximo teorema.
Antes de enunciarmos esse teorema veremos algumas definies necessrias.

Definio Considere uma seqncia infinita de matrizes de ordem r s , A1 , A2 , , An , An +1 ,


..., onde
a11(1) a12( )
1
a1(s)
1
a11( 2) a12( 2) a1(s )
2
a11( n ) a12( n ) a1(s )
n


A1 = , A2 = , ..., An = , ...
a (1) ar( 2)
1
ars( )
1 a ( 2) a ( 2) ars( )
2 a(n) a(n) ars( )
n
r1 r1 r2 r1 r2

com todos aij( k ) nmeros reais. Representamos tal seqncia por { An } n N .


53

Dizemos que a seqncia { An } n N de matrizes converge para a matriz A = {aij } se

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


,
i = 1, 2, , r
lim aij( n ) = aij para .
n
j = 1, 2, , s
Neste caso, usaremos a notao
lim An = A ou An A .
n

1n 1 + n52
Exemplo: Seja a seqncia { An } n N onde An = 3 n +1
, ento:
3 2n

1 6 12 9
0 1
A1 = 2 3
, A = 4
, ..., e lim An = 3
.
3 2 n
7
4 3 2

Definio Seja A uma matriz n n . Um escalar um autovalor de A se existe um vetor


no-nulo x tal que Ax = x . O vetor x um autovetor associado a .

4 2 2
Exemplo: Sejam A = e x = 1 .
1 1
4 2 2 6 2
Ax = = = 3 = 3x
1 1 1 3 1
Portanto, = 3 um autovetor de A e x = ( 2,1) um autovetor associado a .
T

Teorema 4 Se P a matriz de transio de um processo de Markov regular, ento:


a) Quando n , P n tende matriz,
u1 u1 u1
u u2 u2
A= 2


un un un
que tem todas as colunas iguais;
b) todas as colunas
u1
u
u = 2


un
de A so vetores de probabilidade com todos os elementos positivos, isto ,
54

ui > 0 (1 i n ) e u1 + u2 + + un = 1 .

Observao: Este teorema no ser demonstrado, pois envolve resultados mais


elaborados de lgebra Linear, como Forma de Jordan e resultados da Teoria de Matrizes
Positivas.

Teorema 5 Se P uma matriz de transio regular e se A e u so como no teorema


anterior, ento:
a) Qualquer que seja o vetor de probabilidade x, temos que P n x u quando n ,
de modo que u um vetor de estado estacionrio;
b) O vetor de estado estacionrio u o nico vetor de probabilidade que satisfaz a
equao matricial Pu = u , isto , u um autovetor de P associado ao autovalor = 1 .

Demonstrao a) Seja
x1
x
x = 2


xn
um vetor probabilidade. Quando n , P n A . Logo, P n x Ax . Por outro lado,

u1 u1 u1 x1 u1 x1 + u1 x2 + + u1 xn u1 ( x1 + x2 + + xn ) u1
u u
u2 x2 u2 x1 + u2 x2 + + u2 xn u2 ( x1 + x2 + + xn ) u2
Ax = 2 2
= = = ,


un un un xn un x1 + un x2 + + un xn un ( x1 + x2 + + xn ) un
j que x1 + x2 + + xn = 1 .

Como P n x Ax e Ax = u , P n x u .
b) Como P n A tambm temos P n +1 A . No entanto, P n +1 = PP n , de modo que
P n +1 PA . Logo PA = A .
Sabemos que todas as colunas de A so iguais ao vetor de probabilidade u. Ao
igualarmos as colunas correspondentes da equao matricial PA = A (lembrar de
Pu Pu Pu
PA =

multiplicao de matriz por colunas), temos: e

u u u
A= . Logo Pu = u . Para mostrarmos que u o nico vetor de probabilidade

que satisfaz esta equao, devemos supor, por absurdo, que existe um outro vetor de
55
probabilidade q tal que Pq = q . Do item a) deste mesmo teorema temos que P n q u e,

como Pq = q , temos P n q = q para todo n, assim q u . Portanto q = u .



Da parte b) deste teorema, podemos escrever,
Pu = u
como:
Pu = I n u ou ( I n P ) u = 0 .
Mostramos que o sistema homogneo acima tem uma nica soluo u que um vetor
de probabilidade, de modo que:
u1 + u2 + + un = 1 . (22)
Nos exemplos 5, 6 e 7 calculamos vetores de estado estacionrio calculando as
potncias P n x . Vamos descrever agora um outro modo de calcular o vetor de estado
estacionrio de uma matriz de transio utilizando o resultado do teorema acima.
Primeiramente, devemos resolver o sistema homogneo: ( In P ) u = 0 . Entre as

infinitas solues obtidas na primeira etapa devemos escolher a nica soluo u cujos
elementos satisfaam a equao (22). Vejamos

EXEMPLO 9 No Exemplo 1, a matriz de transio era


2 1
3 2
P= .
1 1
3 2
O sistema linear ( I n P ) u = 0 , :

1 1
3 2 u1 0
= .
1 1 u2 0
3 2
Isto leva equao
1 1 3
u1 u2 = 0 ; logo u1 = u2 .
3 2 2
3
Para satisfazer a equao (22) acima, temos u2 + u2 = 1 .
2
5 2
Ento, u2 = 1 , e segue que u2 = = 0, 4 .
2 5
Assim,
3 3
u1 = u2 = = 0, 6 .
2 5
56
0, 6
Portanto, u = .
0, 4
Isso significa que, a partir do quarto dia, fica seco aproximadamente 60% do tempo e
chove aproximadamente 40% do tempo.

EXEMPLO 10 Considere a matriz de transio do Exemplo 2:


0,50 0, 60 0, 40
P = 0, 25 0,30 0,30 .
0, 25 0,10 0,30
O sistema homogneo ( I n P ) u = 0 , :

0,50 0, 60 0, 40 u1 0
0, 25 0, 70 0,30 u = 0 .
2
0, 25 0,10 0, 70 u3 0
Devemos escalonar a matriz aumentada
0,50 0, 60 0, 40 0

0, 25 0, 70 0,30 0 .
0, 25 0,10 0, 70 0
Resolveremos o sistema equivalente
1 1, 2 0,8 0

0 2,8 1, 2 0 .
0 0, 4 2,8 0
Escalonando, temos
1 1, 2 0,8 0 1 1, 2 0,8 0

0 2,8 1, 2 0 0 1, 6 2, 0 0
0 0, 4 2,8 0 0 1, 6 2, 0 0
1 1, 2 0,80 0 1 0 2,30 0

0 1 1, 25 0 0 1 1, 25 0 .
0 0 0 0 0 0 0 0
1 0 2,30 0

0 1 1, 25 0 esta a matriz aumentada na forma escada reduzida por linhas.
0 0 0 0

Portanto, as solues so da forma


u1 = 2,3r ;
u2 = 1, 25r ;
u3 = r .
57
1
De (22), temos: 2, 3r + 1, 25r + r = 1 ou r = 0, 2198 .
4,55
Logo podemos concluir que
u1 = 0,5055 ;
u2 = 0, 2747 ;
u3 = 0, 2198 .
0,5057
Conseqentemente, u = 0, 2747 o vetor de estado estacionrio.
0, 2198

Isso significa que as vendas se estabilizaro com a marca A com aproximadamente 51%
do mercado, a marca B com aproximadamente 27% e as outras marcas ficaro com 22% do
mercado.

EXEMPLO 11 Considere a matriz de transio do Exemplo 4:


0,85 0,15 0, 05
P = 0, 05 0, 75 0, 05
0,10 0,10 0,90
O sistema homogneo ( I n P ) u = 0 , :

0,15 0,15 0, 05 u1 0
0, 05 0, 25 0, 05 u = 0 .
2
0,10 0,10 0,10 u3 0
Devemos escalonar a matriz aumentada
0,15 0,15 0, 05 0

0, 05 0, 25 0, 05 0 .
0,10 0,10 0,10 0
Escalonando, temos
0,15 0,15 0, 05 0 0,10 0,10 0,10 0

0, 05 0, 25 0, 05 0 0, 05 0, 25 0, 05 0
0,10 0,10 0,10 0 0,15 0,15 0, 05 0
1, 00 1, 00 1, 00 0 1 1, 0 1, 0 0

0, 05 0, 25 0, 05 0 0 0,3 0,1 0
0,10 0,10 0,10 0 0 0,3 0,1 0
1 1 1 0 1 1 1 0 1 0 23 0

0 0,3 0,1 0 0 1 3 0 0 1 3 0 .
1 1

0 0 0 0 0 0 0 0 0 0 0 0
A ltima matriz aumentada j est na forma escada reduzida por linhas.
Logo, as solues so da forma
58
2
u1 =r;
3
1
u2 = r ;
3
u3 = r .
2 1 1
De (22), temos: r + r + r = 1 ou r = .
3 3 2
Portanto podemos concluir que
1
u1 = ;
3
1
u2 = ;
6
1
u3 = .
2
0,3334
Conseqentemente, u = 0,1666 o vetor de estado estacionrio.
0,5000

Isso significa que aps 30 meses, as companhias X, Y e Z tero respectivamente 33%,


16% e 50% do mercado.
59

5 CRIPTOGRAFIA

O envio e o recebimento de informaes sigilosas uma necessidade antiga, que existe


h centenas de anos. Com o surgimento da Internet e sua facilidade de entregar informaes
de maneira precisa e extremamente rpida, a criptografia tornou-se uma ferramenta
fundamental para permitir que apenas o emissor e o receptor tenham acesso livre
informao trabalhada. Este captulo tem por objetivo dar uma abordagem introdutria
criptografia, mostrando os aspectos e conceitos mais importantes.
O termo criptografia surgiu da fuso das palavras gregas krypts e grphien, que
significam oculto e escrever respectivamente. Trata-se de um conjunto de conceitos e
tcnicas que visam codificar uma informao de forma que somente o emissor e o receptor
possam acess-la, evitando que um intruso consiga interpret-la. Para isso, uma srie de
tcnicas usada e muitas outras surgem com o passar do tempo. Descrevemos abaixo um
mtodo bastante simples, para codificar e decodificar mensagens, que envolve apenas um par
de matrizes de ordem n, A e A1 , cujos elementos devem ser nmeros inteiros.
Primeiramente ilustraremos o mtodo utilizando uma matriz A e a sua inversa A1 .
3 1 1 1 1
Sejam A = e A = 2 3 .
2 1
A matriz A apropriada, pois seus elementos so nmeros inteiros, assim como os da
matriz A1 .
O remetente vai usar a matriz A para codificar a mensagem, e o destinatrio vai usar a
matriz A1 para decodific-la. O objetivo deste mtodo que a mensagem seja codificada
utilizando pares de caracteres, de modo que tabelas de freqncia de letras e outras
alternativas no ajudem em nada a um decodificador no-amigvel.
Dada uma mensagem para ser codificada, o primeiro passo ser convert-la da forma
alfabtica para a forma numrica. Para isso usamos a seguinte correspondncia entre letras e
nmeros:
A ou B C ou D E F
01 02 03 04 05 06

G H I J K L
07 08 09 10 11 12

M N O ou P Q R
13 14 15 16 17 18
60
S T U V W X
19 20 21 22 23 24

Y Z . , #
25 26 27 28 29

Qualquer outra numerao dos 29 smbolos tipogrficos tambm seria possvel, mas o
remetente e os destinatrios teriam que combin-la previamente. Para maior clareza usamos o
smbolo # para indicar inexistncia de letras (espaos entre palavras, etc.).

EXEMPLO 1 Suponha que AMAR E RESPEITAR a mensagem a ser codificada e


transmitida. Para convert-la para a forma numrica, usamos a correspondncia entre letras e
nmeros exibida acima:
A M A R # E # R E S P E I T A R
01 13 01 18 29 05 29 18 05 19 16 05 09 20 01 18

Uma vez que a matriz codificadora A uma matriz 2 2 , arrumamos nossa seqncia
de nmeros como os elementos de uma matriz com duas linhas:
01 13 01 18 29 05 29 18
M =
05 19 16 05 09 20 01 18
Como a mensagem tem um nmero par de elementos, a matriz se completa
naturalmente. No caso de uma mensagem com um nmero mpar de elementos completamos
o fim da ltima linha com o nmero 29 que est associado ao smbolo #, que representa um
espao final inofensivo (um zero) somado mensagem.
Para codificao da mensagem, multiplicamos a matriz M esquerda pela matriz
codificadora A:
N = AM
3 1 01 13 01 18 29 05 29 18
N = ,
2 1 05 19 16 05 09 20 01 18
ou seja,
8 58 19 59 96 35 88 72
N = .
7 45 18 41 47 30 59 54
Os elementos de N = AM constituem a mensagem codificadora, e utilizaremos
vrgulas entre esses elementos para maior clareza:
8, 58, 19, 59, 96, 35, 88, 72, 7, 45, 18, 41, 47, 30, 59, 54.
Quando esta mensagem codificada chegar ao destinatrio este deve utilizar a matriz
decodificadora A1 para reverter os passos acima, pois
A1 N = A1 AM = I M = M .
Portanto, se o decodificador usar a mensagem codificada para construir uma matriz com
61
duas linhas e depois multiplicar esta matriz esquerda por A1 , ir obter a matriz M do
remetente.
Vejamos:
1 1 8 58 19 59 96 35 88 72
A1 N = =
2 3 7 45 18 41 47 30 59 54
01 13 01 18 29 05 29 18
= .
05 19 16 05 09 20 01 18
Note que o produto de fato a matriz M do remetente. O passo final de decodificao :
01 13 01 18 29 05 29 18 05 19 16 05 09 20 01 18
A M A R # E # R E S P E I T A R

EXEMPLO 2 Utilizando uma Matriz 3 3


3 1 2 4 1 3
Sejam A = 2 1 1 e A = 9 3 7 .
1

3 1 3 1 0 1

Suponhamos que a mensagem a ser transmitida e codificada seja POSITIVO,


CHEGOU AGORA. Primeiro, devemos converter as letras em nmeros usando o mesmo
esquema anterior, e ento organizamos estes nmeros em uma matriz com trs linhas, pois
as matrizes codificadora e decodificadora so de ordem 3. Ou seja:
P O S I T I V O , # C H E G O U #
16 15 19 09 20 09 22 15 28 29 03 08 05 07 15 21 29

A G O R A # #
01 07 15 18 01 29 29

16 15 19 09 20 09 22 15
M = 28 29 03 08 05 07 15 21 .
29 01 07 15 18 01 29 29
Para codificar a mensagem, multiplicamos M esquerda por A para obter:
3 1 2 16 15 19 09 20 09 22 15
N = AM = 2 1 1 28 29 03 08 05 07 15 21
3 1 3 29 01 07 15 18 01 29 29
134 76 74 65 101 36 139 124
N = 31 58 34 11 27 24 30 22 .
163 77 81 80 119 37 168 153
Portanto, a mensagem codificada :
134, 76, 74, 65, 101, 36, 139, 124, 31, 58, 34, 11, 27, 24, 30, 22, 163, 77, 81, 80, 119,
37, 168, 153.
Quando esta mensagem chegar ao decodificador o mesmo deve construir uma matriz
62
com trs linhas e depois multiplicar esta matriz por A1 , obtendo assim a matriz M do
remetente. Ou seja:
4 1 3 134 76 74 65 101 36 139 124
A N = 9 3 7 31
1
58 34 11 27 24 30 22 =
1 0 1 163 77 81 80 119 37 168 153
16 15 19 09 20 09 22 15
= 28 29 03 08 05 07 15 21 = M
29 01 07 15 18 01 29 29
Portanto a mensagem original :
16 15 19 09 20 09 22 15 28 29 03 08 05 07 15 21 29
P O S I T I V O , # C H E G O U #

01 07 15 18 01 29 29
A G O R A # #

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


M) por A para obter a mensagem codificada. O destinatrio multiplica a mensagem codificada
(na forma matricial N) por A1 para reconstruir a mensagem original. Como A e A1 so
matrizes inversas, a multiplicao por A1 feita pelo destinatrio desfaz o efeito da
multiplicao por A feita pelo remetente.
O processo pode ser efetivado rpida e automaticamente por computador (aumentando,
portanto, a sua segurana) mas, se for preciso, pode ser feito com lpis e papel apenas
(realando, portanto, sua utilidade). Tudo o que precisa ser secreto so as matrizes
codificadora e decodificadora.
63

6 CONCLUSO

Procuramos atravs deste trabalho mostrar algumas das muitas aplicaes da lgebra
Linear.
Notamos durante o seu desenvolvimento que o estudo destas aplicaes exige o
conhecimento de assuntos como sistemas lineares, determinantes, geometria analtica,
desigualdades lineares, notao matricial, matrizes, conceitos bsicos de probabilidade,
eliminao gaussiana, operaes matriciais, independncia linear e transformaes lineares.
Alm disso, este trabalho foi uma boa oportunidade de correlacionar contedos
estudados nas disciplinas de clculo do curso.
Tambm foi importante porque nas disciplinas de lgebra Linear as aplicaes, muitas
vezes por indisponibilidade de tempo, no foram vistas e trabalhadas.
Assim, consideramos que o objetivo principal deste trabalho foi alcanado plenamente.
64

7 REFERNCIA BIBLIOGRFICA

ANTON, H.; RORRES, C. lgebra Linear com aplicaes. 8 ed. Porto Alegre: Bookman,
2001.

BAYER, F. M. Matrizes - Codificao e Decodificao de Mensagens. Disponvel em:


<http://coralx.ufsm.br/depmat/matriz.html> Acesso em 13 out 2006.

BERTSIMAS, D.; TSITSIKLIS, J. N. Introduction to linear optimization. Belmont-


Massachussets: Athena Scientific, 1997.

BODRINI, J. L.; COSTA, S. I. R.; FIGUEIREDO, V. L.; WETZLER, H. G. lgebra linear.


3 ed. So Paulo: Harbra, 1980.

CASTRO, D. Criptografia. Disponvel em: <http://www.turma-guia.com/davi/ss/cripto.htm>


Acesso em 13 out 2006.

Criptografia. Disponvel em: <http://pt.wikipedia.org/wiki/Criptografia> Acesso em 13 out


2006.

Criptografia. Disponvel em: <http://www.gta.ufrj.br/grad/00_2/firewall/criptografia.htm>


Acesso em 13 out 2006.

EGERVRY, E. On combinatorial properties of matrices. In: Matematikas fizikai lapok.


Vol 38, 1931; translated as On combinatorial properties of matrices by H. W. Kuhn, Office of
Naval Research Logistics Project Report, Department of Mathematics, Princeton University,
Princeton, NJ, 1953.

GASS, S. I. Linear programming: methods and applications. 5th ed. New York: McGraw-
Hill, 1985.

HADLEY, G. Programao linear. Rio de Janeiro: Guanabara Dois, 1982.

Histria e Aplicaes da Criptografia. Disponvel em:


<http://www.absoluta.org/cripty/cripty_h.htm> Acesso em 13 out 2006.
65
HOWARD, A.; RORRES, C. lgebra linear com aplicaes. Traduo Claus Ivo Doering.
8 ed. Porto Alegre: Bookman. 2000.

KUHN, H. W. The hungarian method for assigment problem. In: Naval Research
Logistics Quartely, Vol 2, n 1 e 2, 1955, pp. 83-97.

LAY, D. C. lgebra linear e suas aplicaes. 2 ed. Rio de Janeiro: LTC Editora. 1997.

LAY, D. C. lgebra linear e suas aplicaes. Traduo Ricardo Camelier. 2 ed. Rio de
Janeiro: LTC Editora. 1999.

LEON, S. J. lgebra linear com aplicaes. Traduo Valria de Magalhes Iorio. 4 ed. Rio
de Janeiro: LTC Editora. 1999.

LIPSCHUTZ S. lgebra linear. 3 ed. (Coleo Schaum). So Paulo: Makron Books, 1994.

PRADO, D. Programao linear. 3 ed. Belo Horizonte: DG, 2003.