Fundação Centro de Ciências e Educação Superior a Distância do Estado do Rio de Janeiro

Centro de Educação Superior a Distância do Estado do Rio de Janeiro

AD1 – Álgebra Linear EPR – 1/2021

Código da disciplina EAD01074

Apesar do material ser um pouco antiquado, as avaliações a distância devem

nos ser uteis para aprendermos algo útil e novo.

Questão 1 3.0

Uma empresa encomendou o estudo do tráfego de uma determinada região, a

fim de determinar o melhor lugar para
abrir um posto de gasolina

Sabendo que todas as vias da região são

de mão única e considere quatro
cruzamentos A, B, C, D e E da como na
imagem, onde as setas indicam o sentido
do tráfego, considerando que nenhum
carro fica parado e com base das
informações da figura ao lado.

Descubra a quantidade de carros que

circulam no restante das ruas,
considerando que nenhum carro fica
parado.

Solução:

O Ponto aqui é atribuir as incógnitas como sendo o número de carros que passa
pelas ruas separadas pelos cruzamentos. Assim, a figura pode ser modelada da
seguinte forma:
Note que o número de carros que entram no sistema é o mesmo número que
sai, assim como o número de carros que entram em cada cruzamento, é o mesmo
que sai de cada cruzamento. Podemos
então montar o sistema.

Entrada Saída

Sistema 35 + 25 40 + 20

A 𝑥 𝑡 + 40

B 𝑦 + 20 + 30 𝑥

C 25 + 𝑡 𝑊 + 20

D 𝑤 𝑠 + 30

E 𝑠 + 35 𝑦 + 20

𝑥 − 𝑡 = 40 1 0 −1 0 0 𝑥 40
𝑥 − 𝑦 = 50 1 −1 0 0 0 𝑦 50
𝑤−𝑡 =5 → 0 𝑡
0 −1 1 0 [ ] = 5
𝑤 − 𝑠 = 30 0 0 0 1 −1 𝑤 30
{ 𝑦 − 𝑠 = 15 [0 1 0 0 −1] 𝑠 [15]

Resolvendo o sistema temos:

1 0 0 0 −1 65
0 1 0 0 −1 15
0 0 1 0 −1 = 25
0 0 0 1 −1 30
[0 0 0 0 0 ] [0]

Temos então algo interessante, pois 𝑥 − 𝑠 = 65; 𝑦 − 𝑠 = 15 𝑡 − 𝑠 = 25 e 𝑤 − 𝑠 = 30.

Para todo 𝑠 ≥ 0. Noto que este sistema tem diversos ciclos, sendo assim, existe uma
massa amorfa de carros que fica vagando pelo bairro. Podemos interpretar isso por
exemplo por pessoas que transitam sem sair do bairro.

Questão 2

Cadeias de Marcov
Modelos matemáticos podem ser determinísticos quando as condições sob as quais o
experimento é realizado determinam o resultado do experimento, e não determinísticos
quando não é possível prever de antemão seus resultados. Neste último caso diz-se que o
experimento é aleatório.
Um dos objetivos do estudo de probabilidade é estudar os experimentos aleatórios. O cálculo
da probabilidade envolve além do conceito de experimento aleatório, os conceitos de espaço
amostral e evento.

Um Espaço amostral é definido como sendo o conjunto formado por todos os resultados
possíveis de um experimento aleatório.

Por exemplo ao lançarmos uma moeda uma vez, temos que o espaço amostral é
{𝑐𝑎𝑟𝑎; 𝑐𝑜𝑟𝑜𝑎}, se jogar um dado convencional de seis faces, o espaço amostral vai ser
{1 ,2 ,3 ,4 ,5 ,6}

Um subconjunto de um espaço amostral é denominado evento.

Por exemplo no caso do dado, se o evento for sair um número ímpar.

Neste caso o espaço amostral 𝑈 = {1 ,2 ,3 ,4 ,5 ,6} e o evento é o conjunto 𝐴 = {1,3,5}

Seja 𝑈 um espaço amostral e 𝐴 ⊂ 𝑈, um evento. A probabilidade de ocorrer o evento 𝐴 é

de nida por
𝑛(𝐴)
𝑃(𝐴) =
𝑛(𝑈)
onde 𝑛(𝑈) é o número de elementos contido espaço amostral 𝑈, e 𝑛(𝐴) é o número de
elementos contido evento 𝐴.

Voltando ao nosso exemplo do dado de 6 faces, onde o espaço amostral 𝑈 = {1 ,2 ,3 ,4 ,5 ,6} e

o evento é o conjunto 𝐴 = {1,3,5} e a probabilidade de ocorrer 𝐴 em um lançamento é:
3 1
𝑃(𝐴) = =
6 2
Andrei Andreyevich Markov nasceu em 14 de junho de 1856 em Ryazan, Russia. Graduou-se na
Universidade de São Petersburgo (1878) e começou a atuar como professor na mesma
Universidade em 1886. As Cadeias de Markov apareceram em um trabalho onde em um certo
texto ele estudava a probabilidade de uma consoante ocorrer em uma determinada posição de
uma palavra qualquer. Como hipótese, ele supôs que a probabilidade deveria depender
apenas se a letra precedente à consoante seria uma vogal ou outra consoante. A teoria geral
dos processos de Markov foi estabelecida em 1930 por Andrei Kolmogorov. Em 20 julho de
1922 Andrei A. Markov faleceu na então cidade de Petrogrado, hoje São Petersburgo, na
Rússia.

Muitos fenômenos que ocorrem na natureza e na sociedade podem ser estudados, pelo
menos em uma primeira aproximação, como se os fenômenos passassem a partir de um
estado inicial, por uma sequência de estados, onde a transição de um estado para o seguinte,
ocorre segundo uma certa probabilidade. No caso em que esta probabilidade de transição
depende apenas do estado em que o fenômeno se encontra e do estado a seguir, o processo é
denominado de Processo de Markov e uma sequência de estados envolvida nesse processo é
denominada de Cadeia de Markov.

Para saber mais: https://www.youtube.com/watch?v=k6FAZJGTZJo

Cadeias de Markov e Matrizes (ou diagramas de tranzição)

O diagrama de transição é uma representação gráfica de uma Cadeia de Markov. Vamos
representar os estados e as probabilidades de transição, respectivamente, por 𝐸𝑖 e 𝑝𝑖𝑗 , onde
𝑝𝑖𝑗 representa a probabilidade de haver uma transição do estado 𝐸𝑗 para o estado 𝐸𝑖 .

Neste caso, a matriz de transição será dada por

𝑝11 𝑝12 𝑝13
𝑃 = [𝑝21 𝑝22 𝑝23 ]
𝑝31 𝑝32 𝑝33
Note que isto poderia ser facilmente generalizado, para uma matriz de 𝑘 estados, onde 𝑃 =
[𝑝𝑖𝑗 ]𝑘×𝑘 e cada elemento 𝑝𝑖𝑗 é um número real tal que 0 ≤ 𝑝𝑖𝑗 ≤ 1, com 𝑖, 𝑗 ∈ {1, ⋯ , 𝑘} o qual
representa a probabilidade do sistema mudar do 𝑗-ésimo estado para o 𝑖-ésimo estado. Na
literatura a matriz 𝑃 também é denominada de matriz estocástica ou matriz de Markov.

Alerta!!!

Alguns textos trabalham com a ideia de 𝒑𝒊𝒋 ser a probabilidade de sair do estado 𝒊 para o
estado 𝒋, neste caso tudo vai funcionar igual, mas a matriz 𝑷 nestes textos, será a nossa
matriz 𝑷𝒕 . Estou dizendo isso como alerta, caso você queira procurar outros textos.

Exemplo:

Determinar a matriz de transição da Cadeia de Markov do seguinte problema:

Conferindo os registros de doações recebidas, uma certa entidade filantrópica observa que
80% dos seus associados que contribuem ao fundo da entidade em um certo ano, também
contribuem no ano seguinte e que 30% dos que não contribuem em um certo ano, contribuem
no ano seguinte.

Solução:

Isto pode ser visto como uma Cadeia de Markov de dois estados.

O primeiro estado 𝐸1 corresponde a um associado que contribui em um ano qualquer e o

segundo 𝐸2 estado corresponde a um associado que não contribui naquele ano.

𝑝11 = contribui e vai continuar contribuindo 0,8

𝑝12 = não contribui e vai contribuir 0,3

𝑝21 = contribui, mas não vai contribuir 0,2

𝑝22 = não contribui e não vai contribuir 0,7

Assim,
0,8 0,3
𝑃=[ ]
0,2 0,7
Note que:

• Todos os elementos da matriz 𝑃 é não negativo.

• A soma dos elementos de cada coluna é 1

Essas são condições necessárias para uma matriz de transição. No caso geral, se 𝑃 = [𝑝𝑖𝑗 ], é a
matriz de transição de uma Cadeia de Markov com 𝑘 estados, deve-se ter que
𝑘

𝑃𝑗 = ∑ 𝑝𝑖𝑗 = 1
𝑖=1

Para todo 𝑗 = 1 ⋯ 𝑘.

Em geral, numa observação arbitrária, não se pode determinar com certeza o estado de um
sistema em uma Cadeia de Markov. O melhor que se pode fazer é especificar as probabilidades
para cada um dos estados possíveis.

Podemos descrever o estado possível do sistema, em uma certa observação em uma Cadeia de
Markov com 𝑘 estados, por um vetor coluna
𝑥1
𝑥2
𝑥=[⋮ ]
𝑥𝑘
onde 𝑥1 é a probabilidade do sistema estar no primeiro estado, 𝑥2 é a probabilidade de estar
no segundo estado e 𝑥𝑘 é a probabilidade do sistema estar no 𝑘 −ésimo estado.

Definimos então, o vetor estado (ou vetor de probabilidade) de uma observação de uma
Cadeia de Markov com 𝑘 estados é um vetor coluna 𝑥 cuja 𝑖 −ésima componente 𝑥𝑖 é a
probabilidade do sistema estar no 𝑖 −ésimo estado naquela observação. Além disso, como
estamos falando de probabilidades, temos que, em um vetor de estado deve ocorrer:

• 𝑥𝑖 ≥ 0 para todo 𝑖 = 1 ⋯ 𝑘
 • 𝑥1 + ⋯ + 𝑥𝑘 = 1

A seguir, denotamos por 𝑥 (𝑖) o vetor estado na 𝑖 −ésima observação de uma Cadeia de
Markov. Suponhamos agora, que seja conhecido o vetor estado 𝑥 (0) de uma Cadeia de Markov
numa observação inicial, Então podemos determinar os estados das observações
subsequentes na Cadeia de Markov, a partir do seguinte resultado:

• Se 𝑃 é a matriz de transição de uma Cadeia de Markov e 𝑥 (𝑛) é o vetor estado na

𝑛 −ésima observação, então

𝑥 (𝑛+1) = 𝑃 ⋅ 𝑥 (𝑛)

• Se conhecemos 𝑥 (0) , então

𝑥 (0) = 𝑃𝑛 ⋅ 𝑥 (0)
Voltando ao exemplo:
0,8 0,3
𝑃=[ ]
0,2 0,7
Para determinar um registro futuro provável de contribuição de um novo associado que não
contribuiu para este ano de 2017, o qual vamos considerar como o ano inicial das
contribuições. Para esse associado o sistema está inicialmente no segundo estado, de modo
que o vetor estado inicial é
0
𝑥 (0) = [ ]
1
Neste caso ele não contribuiu, assim 𝑥1 = 0 pois a probabilidade dele contribuir é zero e 𝑥2 =
1 pois ele não contribuiu, com isso a probabilidade é 1, de não contribuir no estado zero.

Assim o o vetor estado no segundo estado é dado por

0,8 0,3 0 0,3
𝑥 (1) = 𝑃 ⋅ 𝑥 (0) = [ ]⋅[ ]= [ ]
0,2 0,7 1 0,7
0,8 0,3 0,3 0,45
𝑥 (2) = 𝑃 ⋅ 𝑥 (1) = [ ][ ] = [ ]
0,2 0,7 0,7 0,55
Assim, daqui a dois anos, em 2020, podemos esperar com probabilidade 0,45 que o associado
irá contribuir. Podemos continuar está conta, para estimar outros vetores estado deste
associado a contribuir ao longo dos anos, por exemplo:
0,525
2021 = 𝑥 (3) = [ ]
0,475
0.563
2022 = 𝑥 (4) = [ ]
0,438
0,581
2023 = 𝑥 (5) = [ ]
0,419
Algumas contas depois, usando três casas decimais, a partir de 𝑥 (11), para qualquer 𝑛,
observamos que,
0,600
𝑥𝑛 = [ ]
0,400
Neste caso, os vetores estados convergem para um vetor fixo à medida que cresce o número
de observações.

Antes de partirmos para as questões, vamos ao último conceito básico:

O Vetor estacionário de uma a matriz de transição 𝑃 da Cadeia de Markov é definido como

sendo o vetor
𝑞1
𝑞=[⋮ ]
𝑞𝑘
Tal que 𝑃 ⋅ 𝑞 = 𝑞. Note que o vetor 𝑞 deve ser um vetor estado, logo

• 𝑞𝑖 ≥ 0 para todo 𝑖
• 𝑞1 + ⋯ + 𝑞𝑘 = 1
Voltando ao nosso exemplo, podemos ver que o vetor estacionário da matriz de transição
0,8 0,3
𝑃=[ ]
0,2 0,7
É
0,6
𝑞=[ ]
0,4
Note que poderíamos encontrar tal vetor, resolvendo o sistema homogêneo

(𝐼 − 𝑃) ⋅ 𝑞 = 0

Agora é a sua vez!

Questão 2.1 (3.0)

O tempo em uma determinada região é classificado por: 𝐸1 = sol, 𝐸2 = nublado ou

𝐸3 =chuva, e 𝑥 (𝑘) é o vetor estado do tempo no dia 𝑘. Baseado no diagrama
 a) 1.0 Monte a matriz de transição 𝑃 lembrando que 𝑝𝑖𝑗 é a probabilidade de um dia que
está no estado 𝐸𝑗 passar ao estado 𝐸𝑖 .
b) 2.0 Ao olhar o clima tempo de seu telefone celular na quinta-feira, Marcelo se depara
com as seguintes condições: 70% de cance de ficar nublado sem chuva, 20% chance
de chuva. Baseado na matriz de transição do item (a) qual a probabilidade de não
chover no sábado?

Solução:
0,4 0,5 0,1
𝑃 = [0,4 0,3 0,5]
0,2 0,2 0,4
Como estamos na quinta feira e queremos determinar o sábado, desejamos 𝑥 (2) , logo

𝑥 (2) = 𝑃 ⋅ 𝑃 ⋅ 𝑥 (0)
Pelos dados
0,1
𝑥 (0) = [0,7]
0,2
Então
0,38 0,37 0,33 0,1 0,363
𝑥 (2) = [0,38 0,39 0,39] ⋅ [0,7] = [0,389]
0,24 0,24 0,28 0,2 0,248
A probabilidade de não chover, é a soma das probabilidades de estar nublado somada a
probabilidade de fazer sol:

36,3% + 38,9% = 75,2%

Questão 2.2 (4.0)

Em uma experiência um psicólogo coloca um rato cada dia em uma gaiola com duas portas, A
e B. O rato pode passar pela porta A, onde recebe um choque elétrico, ou pela porta B, onde
recebe comida. Mantém-se o registro da porta usada pelo rato. 35 No início do experimento,
em uma segunda-feira, o rato tem a mesma probabilidade de escolher a porta A ou a B. Depois
de passar pela porta A e receber um choque, a probabilidade de usar a mesma porta no
próximo dia é 0,3. Depois de passar pela porta B e receber comida, a probabilidade de usar a
mesma porta no próximo dia é 0,6.

a – 1.0 Qual a matriz de transição desta experiência?

b – 1.0 Qual a probabilidade do rato passar pela porta A, na quinta-feira (terceiro dia após o
experimento)?

c – 2.0 Determine o vetor estacionário desta experiência?

Solução:

a) Denotando por 𝑃 a matriz de transição, tem-se

 0,3 0,4
𝑃=[ ]
0,7 0,6
b)
0,3
𝑥 (0) = [ ]
0,7
0,3 0,4 0,3 0,35
𝑥 (1) = 𝑃 ⋅ 𝑥 (0) = [ ]⋅[ ]=[ ]
0,7 0,6 0,7 0,65
0,3 0,4 0,35 0,365
𝑥 (2) = 𝑃 ⋅ 𝑥 (1) = [ ][ ]=[ ]
0,7 0,6 0,65 0,635
0,3 0,4 0,365 0,364
𝑥 (3) = 𝑃 ⋅ 𝑥 (2) = [ ]⋅[ ]=[ ]
0,7 0,6 0,635 0,636
Na quinta-feira, terceiro dia após o início do experimento, 0, 364 ou 36, 4% de chance do rato
passar pela porta A.

c) Para tal devemos resolver o sistema homogêneo

(𝐼 − 𝑃) ⋅ 𝑞 = 0

Que pode ser reescrito como,

0,3 − 1 0,4 𝑞1 0
[ ] [𝑞 ] = [ ]
0,7 0,6 − 1 2 0
4
Temos então que 𝑞1 = 𝑞2
7
4
Note que 𝑞 = [ 7 ] ⋅ 𝑡 para 𝑡 ∈ ℝ e 𝑞 deve ser um vetor de probabilidade, portanto
1
4
𝑡+ 𝑡=1
7
4
7 11
Logo 𝑡 = 11
e𝑞 = [7]
11