Livro - Aplicação Cadeias de Markov

Fabiano Rodrigues de Souza
1
Aplicações de Cadeias de Markov
2
3
Copyright ©2015 Fabiano Rodrigues de Souza
Todos os direitos reservados ao autor, cedidos à PLUSCOM EDITORA - um selo da PLUSCOM

COMUNICAÇÃO LTDA - para a presente edição.
Projeto gráfico, diagramação e capa:

Pluscom Editora
Editor:
Marcelo França de Oliveira
Dados Internacionais de Catalogação na Publicação (CIP)
Ap37 Aplicações de Cadeias de Marlov / Fabiano Rodrigues de Souza. Rio Grande:

Pluscom Editora, 2015.
52p.
Bibliografia
ISBN: XX
1. Matemática 2. Cadeias de Markov 3. Cadeias de Markov - aplicação. I.

Souza, Fabiano Rodrigues de. II. Título
CDU : 510.2 CDD:51/07
PLUSCOM EDITORA
(Pluscom Comunicação Ltda)
Rua 19 de Fevereiro, 550 / 301 - Centro
96200-490 - Rio Grande - RS - Brasil
+55 53 3232.1972 - contato@casaletras.com.br
www.casaletras.com.br
Versão Digital – Outono de 2015
4
SUMÁRIO
INTRODUÇÃO .........................................................................................................................6
CAPÍTULO I ............................................................................................................................7
PROBABILIDADES ...........................................................................................................7
NOÇÕES DE SISTEMAS LINEARES ..............................................................................35
CAPÍTULO II . ...........................................................................................................................
CADEIAS DE MARKOV...................................................................................................44
CONCLUSÃO .........................................................................................................................50
REFERÊNCIAS BIBLIOGRÁFICAS ..................................................................................51
5
Introdução
O estudo de cadeias ligadas a eventos aleatórios foi iniciada na Rússia em 1906-1907, por
Andrei Andreyevitch Markov, discípulo do famoso matemático Tchebycheff, Markov (1856-1922)
viveu a maior parte de sua vida em São Petersburgo, foi aluno e depois professor da Universidade de
São Petersburgo, um liberal do ponto de vista político. Embora muito interessado nos aspectos da
análise matemática, seu trabalho mais importante foi na criação dos fundamentos da teoria moderna de
probabilidade. Suas idéias sobre processos de Markov foram motivadas por um desejo de provar
rigorosamente a lei dos grandes números e de entender a aplicabilidade dessa lei, essas idéias
apareceram em uma série de artigos entre 1906-1912. (Boyer[2]).
A meados do século vinte, as cadeias de Markov tem sito amplamente estudadas por abordar o
processo de eventos aleatórios que somente depende de resultados precedentes e têm uma grande
aplicabilidade na teoria cinética dos gases, fenômenos biológicos e sociais, fenômenos climáticos, etc.
Quando se procuraram fundamentos matemáticos para a teoria das probabilidades, os
estatísticos viram que nenhuma exposição rigorosa da teoria das probabilidades é possível sem usar
noções sobre funções mensuráveis e teorias modernas da integração. Na Rússia, por exemplo, Andrei
Nicolaevich Kolmogoroff (1903-1987) fez importantes progressos em processos de Markov (1931) e
satisfez em parte o sexto projeto de Hilbert, que pedia fundamentos axiomáticos para as
probabilidades.
Neste LIVRO apresentamos algumas aplicações de cadeias de Markov. A princípio tratará
sobre cadeias de Markov, o qual iniciamos como uma motivação e em seguida apresentamos a teoria e
aplicações de cadeias de Markov, onde a definição de cadeias de Markov, é exemplificada com
aplicação e a definição de vetor estado com uma aplicação. O teorema 1 que trata sobre vetor estado da
cadeia na n-ésima observação, é ilustrado com aplicação.
A continuação definimos matriz regular que permite enunciar o teorema 2 que será usado para
demonstrar o teorema 3 que é um dos teorema principal deste trabalho, pois ele trata sobre o
comportamento limite das probabilidade de transição das cadeias de Markov, e para calcular o
respectivo limite (vetor de estado estacionário) nas aplicações seguimos o teorema 4 que é ilustrado
com uma aplicação.
6
CAPÍTULO I
Probabilidade
No estudo das probabilidades estamos interessados em estudar o experimento aleatório, isto é,

aquele cujo resultado é incerto, embora o conjunto de resultados possíveis seja conhecido.
Por exemplo, lançar um dado ou uma moeda e observar o resultado obtido constituem um
experimento aleatório. Da mesma forma, sortear uma bola de um conjunto de bolas numeradas de 1 a
100 também é um experimento aleatório.
Em termos gerais, a probabilidade determina a possibilidade de ocorrer um determinado resultado.
1. Espaço Amostral (Ω)

É o conjunto de todos os resultados possíveis de um experimento aleatório.
Exemplos:
a) Lançamento de uma moeda: Ω = {c, k} sendo c = cara e k = coroa
b) Lançamento de duas moedas: Ω = { c c, c k, k c, k k }
c) Lançamento de um dado: Ω = {1, 2, 3, 4, 5, 6 }
d) Retirada de uma carta do baralho:
Ω = { A 2 3 4 5 6 7 8 9 10 J Q K (♦)
A 2 3 4 5 6 7 8 9 10 J Q K (♥)
A 2 3 4 5 6 7 8 9 10 J Q K (♠)
A 2 3 4 5 6 7 8 9 10 J Q K (♣) }
e) Vida útil de um componente eletrônico: Ω = { t = IR  t ≥ 0 }
2. Evento
A cada experimento está associado um resultado obtido, não previsível, chamado evento. Um
evento é qualquer subconjunto de um espaço amostral, sendo representados por letras maiúsculas
A, B, C, D, etc.
Exemplo:
Lançam-se dois dados. Enumerar o espaço amostral e depois os seguintes eventos:
A: saída de faces iguais
B: saída de faces cuja soma seja igual a 10
C: saída de faces cuja soma seja menor que 2
D: saída de faces cuja soma seja menor que 15
E: saída de faces onde uma face é o dobro da outra
F: saída de faces desiguais
Solução:
7
O espaço amostral desses eventos (todos os resultados possíveis de serem obtidos no lançamento
dos dois dados) está descrito na tabela a seguir:
Tabela 1 – espaço amostral ( Ω) no lançamento de dois dados
D1/D2 1 2 3 4 5 6
1 1,1 1,2 1,3 1,4 1,5 1,6
2 2,1 2,2 2,3 ,2,4 2,5 2,6
3 3,1 3,2 3,3 3,4 3,5 3,6
4 4,1 4,2 4,3 4,4 4,5 4,6
5 5,1 5,2 5,3 5,4 5,5 5,6
6 6,1 6,2 6,3 6,4 6,5 6,6
Eventos:
A = {(1,1), (2,2), (3,3), (4,4), (5,5), (6,6)}
B = {(4,6), (5,5), (6,4)}
C = { } (evento impossível)
D = Ω (evento certo)
E = {(1,2), (2,4), (3,6), (2,1), (4,2), (6,3)}
F=D-A
Quando o espaço amostral for finito ou infinito enumerável, todo subconjunto poderá ser
considerado um evento. Pode-se demonstrar que se Ω contiver n elementos , existirão exatamente
2n subconjuntos (eventos).
Exemplo:
Considere um espaço amostral finito: Ω = {A, B, C, D}. Os subconjuntos do espaço amostral são:
{∅, A, B, C, D, (A,B},{A,C}, {A,D}, {B,C}, {B,D}, {C,D}, {A,B,C}, (A,B,D}, {A,C,D},
{B,C,D}, {A,B,C,D}. Observa-se que 24 = 16 é o número de total de eventos extraídos de Ω.
3. Princípios de contagem
A notação n(A) será usada para dar o número de elementos distintos de um conjunto A
(cardinalidade de A). Alguns autores utilizam #A ou card(A) ao invés de n(A). Um conjunto é
finito quando contém exatamente m elementos distintos, m ∈ IN.
Exemplo:
Em um cesto há 6 bolas de vôlei, sendo 3 brancas e 3 vermelhas. Desse cesto são retiradas
sucessivamente 3 bolas. Calcular o número de elementos dos seguintes eventos:
A: As três bolas são da mesma cor.
B: Duas bolas são brancas
8
C: As três bolas são vermelhas

D: O número de bolas brancas é igual ao número de bolas vermelhas.
E: O número de bolas brancas é maior do que de bolas vermelhas
Solução:
Espaço amostral do experimento:
{BBB, BBV, BVB, VBB, BVV, VBV, VVB, VVV}; n (Ω) = 8
A = {VVV, BBB}; n(A) = 2
B = {BBV, BVB, VBB}; n(B) = 3.
C = {VVV}; n( C) = 1
D=∅ n (D) = 0
E = {BBB, BBV, BVB, VBB}
4. Operações com eventos

• Conjunto universo ou espaço amostral (Ω): é o conjunto formado por todos os eventos
possíveis de um experimento aleatório.
• Todo conjunto é um sub conjunto do conjunto universo, pois todos os elementos do
subconjunto pertencem ao conjunto universo (Ω).
• Subconjunto: Dados dois conjuntos A e B, dizemos que B é subconjunto de A se todos os
elementos que pertencem a B também pertencem a A
Indica-se:
B ⊂ A ( B está contido em A)
A ⊃ B ( A contém B )
Exemplo:
a) Sejam os conjuntos
A = { a, b, c, d, e)
B = {a, c, e }
B ⊂ A, pois todos os elementos de B estão contidos em A
b) Sejam os conjuntos
A = {0, 1, 2, 3, 4, 5, 6}
B = { 0, 3, 5, 6}
B ⊂ A, pois todos os elementos de B estão contidos em A
• Conjunto vazio: é conjunto que não contém elementos. Representa-se por { } ou por ∅. O
conjunto vazio, ∅, também é um subconjunto de Ω ou de outro qualquer subconjunto de Ω.
Exemplo: Lançamento de um dado e obter a face com número 7 (D):
D = { } ou D = ∅.
5. Tipos de eventos
a) Evento certo
É aquele que ocorre em qualquer experimento aleatório
Exemplo: No lançamento de uma moeda , com certeza sairá sempre as faces “cara” ou “coroa”.
9
b) Evento impossível
É aquele que nunca ocorrerá em um experimento aleatório
Exemplo: Sair a face 7 no lançamento de um dado.
c) Evento complementar
O evento complementar de A é formado pelos elementos de Ω que não
pertencem a A (escreve-se Ā).
Exemplo: Se Ω = (1, 2, 3, 4, 5, 6} e A = { 1, 3, 5} então Ā = {2, 4, 6}.
A A
Ā={x∈ Ω|x∉A}
d) Evento união ( ∪ ) ou soma

Se A e B são dois eventos , o conjunto união A ∪ B representa a ocorrência do evento A ou do
evento B ou de ambos os eventos.
Exemplo: Se A = { 1, 2, 5, 6} e B = {4, 5} então A ∪ B = {1, 2, 4, 5, 6}.
A ∪ B = { x ∈ Ω | x ∈ A ou x ∈ B}
e) Evento intersecção ( ∩ ) ou produto

Se A e B são dois eventos, o conjunto intersecção A ∩ B representa a ocorrência de ambos os
eventos A e B simultaneamente.
Exemplo:
Se A = { 1, 2, 5, 6} e B = {4, 5} então A ∩ B = {5}.
10
A ∩ B = { x ∈ Ω | x ∈ A e x ∈ B}
A ∩ B representa a ocorrência do evento A e do evento B simultaneamente.
f) Eventos mutuamente exclusivos ou disjuntos

Quando A ∩ B = ∅ os eventos são mutuamente exclusivos.
Exemplo:
Se A = {1, 2, 5, 6} e B = {4, 7} então A ∩ B = { }.
Se A e B são conjuntos finitos disjuntos, então n(A ∪ B) = n(A) + n(B)

Se A e B são conjuntos finitos, não disjuntos ou não mutuamente exclusivos, então
n(A ∪ B) = n(A) + n(B) – n(A ∩ B)
Exemplo:
a) conjunto finito A = { a, b, c }; n(A) = 3
conjunto finito B = { d, e, f, g }; n(B) = 4
n(A ∪ B) = n(A) + n(B) = 3 + 4 = 7
b) conjunto finito A = { 1, 2, 3, 4}; n(A) = 4

conjunto finito B = {2, 4, 5, 6, 8, 9); n(B) = 6
n(A ∪ B) = n(A) + n(B) – n(A ∩ B) = 4 + 6 – 2 = 8
Nesse caso os conjuntos A e B não são disjuntos, pois têm elementos em comum (2 e 4).
c) Uma urna contém 10 bolas numeradas de 1 a 10. Retira-se uma bola ao acaso e observa-se o
número indicado. Descrever os seguintes conjuntos e dar o número de elementos de cada um.
a) o espaço amostral Ω
b) O evento A: o número da bola é ímpar
c) O evento B: o número da bola é maior que 6
Solução:
a) Ω = { 1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
O número de elementos desse conjunto é n(Ω) = 10
b) A = { 1, 3, 5, 7, 9)
n(A) = 5
c) B = { 7, 8, 9, 10}
n(B) = 4
11
6. Propriedades das operações com eventos aleatórios

Sejam A, B e C eventos associados a um espaço amostral Ω. As seguintes propriedades são
válidas:
a) IDEMPOTENTES
A∪A=A
A∩A=A
b) COMUTATIVAS
A∪B=B∪A
A∩B=B∩A
c) ASSOCIATIVAS
A ∩ (B ∩ C) = (A ∩ B) ∩ C
A ∪ (B ∪ C) = (A ∪ B) ∪ C
d) DISTRIBUTIVAS
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
e) ABSORÇÕES
A ∪ (A ∩ B) = A
A ∩ (A ∪ B) = A
f) COMPLEMENTARES
Ω = φ
φ = Ω
A ∩ A = φ
A ∪ A = Ω
A = A
g) LEIS DE MORGAN
(A ∩ B ) = A ∪ B
(A ∪ B ) = A∩ B
A∩ B A∪ B
12
7. Partição de um espaço amostral

Dizemos que n eventos (E1, E2, E3,..., En ) formam uma partição de um evento maior S quando:
a) E1 ∪ E2 ∪...∪ En = S
b) Ei ∩ Ej = ∅ para todo i ≠ j e i, j ∈ {1, 2, 3,..., n}
E1 E2
......
E3
En
Consideremos uma urna com 6 bolas numeradas, de 1 a 6, e uma experiência aleatória que consiste em
retirar duas bolas da urna. Considere os eventos:
E1: {1, 2}
E2: {3, 4}
E3: {5, 6}
Então, temos que E1∩ E2 = ∅, E1 ∩ E3 = ∅, E2 ∩ E3 = ∅ e S = E1 ∪ E2∪ E3

Então {E1, E2, E3 } é uma partição do evento S.
8. Probabilidade de um evento
Considere as seguintes situações:
a) No lançamento de um dado qual a probabilidade de sair a face “3”?
Ω = {1, 2, 3, 4, 5, 6}
Evento A: sair 3
A={3} A é um evento simples
Então, a probabilidade de sair a face “3” é de 1 para 6 ou de 1/ 6 ou ainda 16,66...%
Para cada um dos outros números do Ω, a probabilidade é a mesma: 1/ 6
b) Ao retirar uma carta de um baralho de 52 cartas, qual a probabilidade de ser um “rei de copas”?
Nesse caso, a probabilidade é de 1 em 52 ou de 1/52. A probabilidade de ser retirada ao acaso
qualquer uma das outras 51 cartas do baralho é 1/52.
Considere um experimento aleatório em que cada um dos n eventos simples do Ω a chance de

ocorrência é a mesma. Nesse caso dizemos que Ω é um espaço equiprovável e que a probabilidade
de cada evento é 1/ n.
Podemos ampliar essa definição de probabilidade de um evento simples para probabilidade de um

evento qualquer
13
n( A)
P ( A) =
n (Ω )
Sendo n(Ω) o número de elementos do espaço amostral e n(A) o número de elementos do evento A
⊂ Ω.
A probabilidade deve assumir um valor entre 0 e 1, como número decimal, fração ou porcentagem:
0 ≤ P(A) ≤ 1 para todo evento A, A ⊂ Ω.
A probabilidade deve satisfazer ainda os seguintes axiomas:
a) P (Ω) = 1
b) P(A∪B) = P(A) + P(B) se A e B forem mutuamente exclusivos.
 
n  n
c) P ∪ Ai  = ∑ P( Ai ) , se A1, A2 , ..., An forem, dois a dois, eventos mutuamente exclusivos.
 i=1  i =1
 i 
Exemplo:
1) No lançamento de um dado, determinar a probabilidade de se obter
a) o número 2
b) um número par
c) um número múltiplo de 3
Solução:
a) Ω = { 1, 2, 3, 4, 5, 6 }, portanto n(Ω) = 6
ocorrência do número 2: A = { 2 }, portanto n(A) = 1
P(A) = n(A) / n(Ω) = 1/ 6 = 0,1666... = 16,66...%
b) ocorrência do número par: B = {2, 4, 6}, portanto n(B) = 3

P(B) = n(B) / n (Ω ) = 3/ 6 = 1 / 2 = 0,50 = 50%
i) ocorrência de número múltiplo de 3: C = {3, 6}, logo n( C) = 2

P(C ) = n(C ) / n (Ω ) = 2 / 6 = 1 / 3 = 0,333 = 33,33%
14
Extrações com reposição e sem reposição

Muitas situações práticas podem ser comparadas com extrações sucessivas de bolas de uma urna
(como selecionar peças de uma produção ou indivíduos de uma população). Essas extrações
podem ser realizadas com reposição ou sem reposição:
o com reposição
cada bola retirada é devolvida à urna antes da extração da bola seguinte
o sem reposição
uma bola retirada não é devolvida à urna.
Exemplo:
1. De um baralho de 52 cartas tiram-se sucessivamente, sem reposição, duas cartas.
Determinar:
-a probabilidade de tirar dama na primeira carta
-a probabilidade de tirar dama na segunda carta
-a probabilidade de tirar naipe de ouros na segunda carta
solução
a) número de cartas do baralho na 1a extração: n(Ω) = 52
número de damas no baralho na 1a extração: n(Q) = 4
n (Q ) 4
P(D1 ) = n ( Ω ) = 52
b) número de cartas do baralho na 2a extração: n(Ω) = 51
n (Q ) 3
P(D2 ) = n ( Ω ) = 51
c) se a 1a carta retirada foi de ouros: P(♦) = 12/51

se a 1a carta retirada não foi de ouros: P(♦) = 13/51
2. Idem exemplo 1, com reposição

solução
a) número de cartas do baralho na 1a extração: n(Ω) = 52
n (Q ) 4
P(D1 ) = n ( Ω ) = 52
b) número de cartas do baralho na 2a extração: n(Ω) = 52

n (Q ) 4
P(D2 ) = n ( Ω ) = 52
a) independente da retirada da 1a carta: P(D2 ) = 13/52
15
9. Leis da Probabilidade
a) Probabilidade de um evento (A) não ocorrer
Se P(A) é a probabilidade do evento A ocorrer, então P(Ā) = 1 – P(A)
Esse evento é o complementar ao evento A . Logo P(A) + P(Ā) = Ω = 1
Exemplo:
Qual a probabilidade de não se pegar um “A” de um baralho de 52 cartas.
P(Ā) = 1 – P(A) = 1 – 4/ 52 = 48 / 52 = 12 / 13
1) Probabilidade de um evento (A) ou outro evento (B) ocorrer

Duas situações podem ocorrer:
1. Se dois eventos forem mutuamente exclusivos (A e B não podem ocorrer juntos)
P(A ou B) = P(A + B) = P(A) + P(B)
2. Se dois eventos não forem mutuamente exclusivos (A e B podem ocorrer juntos)
P(A ou B) = P(A ∪ B) = P(A + B) = P(A) + P(B) – P(A ∩ B)
Exemplo
Retirando-se uma carta do baralho, qual a probabilidade
1) que a carta seja de ouros ou de espadas
2) que a carta seja de ouros ou seja um “A”
Solução
a) Uma carta de ouros e uma carta de espadas não podem ocorrer ao mesmo tempo. Os eventos
são, portanto, mutuamente exclusivos
A: retirada de uma carta de ouros
B: retirada de uma carta de espadas
16
P(A) = 13/52 = 1/ 4
P(B) = 13/52 = 1/ 4
P(A ou B) = P(A) + P(B)
P(A ou B) = 1 / 4 + 1 / 4 = 1 / 2
1. Seja.
A: retirada de uma cartas de ouros
B: retirada de um “A “
P(A) = 13/52
P(B) = 4/52
Existe uma carta no baralho que é tanto um “A “ quanto de ouros. Nesse caso, A e B não
são mutuamente exclusivos
P(A ou B) = P(A) + P(B) – P(A ∩ B)
P(A ou B) = 13/ 52 + 4/ 52 – 1/ 52 = 16/ 52 = 4/ 13
2) Probabilidade de um evento (A) e outro evento (B) ocorrer

Duas situações podem ocorrer:
o Se dois eventos forem independentes (a seleção do evento A não altera a composição do
evento B)
P(A e B) = P(A) * P(B)
o Se dois eventos não forem independentes (a seleção do evento A altera a composição do

evento B )
P(A e B) = P(A) * P(B|A) , sendo P(BA) a probabilidade de B, dado que A ocorreu.
Exemplo:
Foram retiradas duas cartas do baralho.
1. qual a probabilidade que saiam duas cartas de ouros?
2. Se a primeira carta de ouros foi devolvida, qual a probabilidade que a segunda seja também de
ouros?
Solução:
Seja A: retirada de uma carta de ouros
Seja B: retirada da segunda carta de ouro
a) A primeira carta de ouros tem P(A) = 13/ 52 = 1/ 4
A segunda carta de ouros tem P(BA) = 12/ 51
Os eventos não são independentes
Então P(A e B) = P(A) * P(BA) = 1/ 4 * 12 /51 = 12/ 204 = 3/ 51
b) A primeira carta de ouros tem P(A) = 13/ 52 = 1/ 4

A segunda carta de ouros tem P(B) = 13/ 52 = 1/ 4
Os eventos são independentes
Então P(A e B) = P(A) * P(B) = 1/ 4 * 1 /4 = 1/ 16
17
Os diagramas em árvores também podem ser utilizadas no cálculo das

probabilidades:
1/ 4
B segunda carta 1/ 4 * 1/ 4 = 1/ 16
1/ 4 de ouros
A carta de ouros
3/ 4
segunda carta não
é de ouros
3/ 4
carta não é de
ouros
Contagem por análise combinatória

Nem sempre é possível enumerar o espaço amostral. Nesses caso, devemos usar a análise
combinatória como processo de contagem.
Lembramos que a combinação de r elementos tomados p a p (p ≤ r), calcula-se por
r r!
Cr,p =  p  = p! (r − p )!
 
Onde r! = r.(r - 1)(r - 2)...1

p! = p.(p – 1)(p – 2)...1
admite-se que 0! = 1
Exemplo: Quantas comissões de 3 pessoas podem-se formar com um grupo de 10 pessoas?
 10  10 ! 10 . 9 . 8 . 7 !
C10,3 =  3  = 3! (10 − 3 )! = 3 .2 .7!
= 120
 
Exemplo: Em um congresso científico existem 15 matemáticos e 12 estatísticos. Qual a

probabilidade de se formar uma comissão de 5 membros, na qual figurem 3 matemáticos e 2
estatísticos?
Solução:
A: comissão de 3 matemáticos e 2 estatísticos
 27 
Ω =  5  número de comissões possíveis de 5 elementos
 
 15   12 
A =  3  . 2  comissões formadas por 3 matemáticos e 2 estatísticos
  
18
 15   12 
  . 
 3  2 
P(A) =  27 
 
 5 
Exemplo: Num lote de 12 peças, 4 são defeituosas; duas peças são retiradas aleatoriamente.
Calcule:
a) A probabilidade de ambas serem defeituosas
b) A probabilidade de ambas não serem defeituosas
c) A probabilidade de ao menos uma ser defeituosa.
Solução:
a) A = (ambas são defeituosas)
4 4! 4.3.2!
A pode ocorrer   =
2 2!(4−2)! 2.2! =6 vezes
=

12 12 ! 12.11.10 !
S pode ocorrer  =
2 2!(12−2)!= 2.10
!
=66vezes

6 1
Logo, P(A) = 66 = 11
b) B = (ambas não são defeituosas)
8 8! 8.7.6!
2 2!(8−2)! 2.6! = 28 vezes
B pode ocorrer   = =
 
12 12 ! 12 .11.10!
S pode ocorrer  = =
2 2!(12−2)! 2.10 =66vezes
 !
19
28 14
Logo, P(B) = =
66 33
c) C = (ao menos uma é defeituosa)
C é o complemento de B, isto é C = B
14 19
P(C ) = 1 – P(B) = 1 - 33 = 33
Exemplo: Calcular a probabilidade de se obter exatamente 3 caras e 2 coroas em 5 lances de uma

moeda.
Solução:
A: saída de 3 caras e 2 coroas
Ω = 25 = 32 número de possibilidades em 5 moedas ( espaço amostral)
5
A =  3  = 10 número de possibilidades de 3 caras em 5 jogadas
 
10 5
P(A) = 32 = 16
10. Probabilidade condicional

Sendo conhecido o espaço amostral de um experimento aleatório, suponha que um determinado
evento ocorreu. Tal evento pode modificar o cálculo da probabilidade de um segundo evento
qualquer? Por outro lado, podemos ter interesse em calcular a probabilidade de um evento não em
relação a todo espaço amostral, mas em relação a um outro conjunto de condições? O estudo da
probabilidade desses eventos chamamos de probabilidade condicional.
Exemplo:
A tabela a seguir classifica em categorias os funcionários de um hospital.
Categoria profissional Até De 26 Mais de Total

25 anos ate 35 anos 35 anos
Médico 5 30 75 110
Técnico de Laboratório 20 65 35 120
Enfermeiro 200 816 203 1219
Técnico em radiologia 4 29 12 45
Manutenção 10 35 22 67
Terapeuta 6 60 13 79
Serviço administrativo 20 85 25 130
Total 265 1120 385 1770
Se um dos funcionários é escolhido aleatoriamente no conjunto dos 1770 empregados, qual a

probabilidade dele ser médico?
20
Sejam os eventos
B: médico
S: funcionário do hospital
n(B) 110
Então P(B) = n ( S ) = 1170 = 0 , 06
Supondo agora que o conjunto dos funcionários refere-se aqueles com mais de 35 anos de idade,
qual a probabilidade de um funcionário escolhido aleatoriamente ser médico?
3. Agora, trata-se de uma probabilidade condicionada ao conjunto dos funcionários
com mais de 35 anos.
Seja o evento
A3 : funcionário com mais de 35 anos
n ( B ∩ A3 ) 75
Então P(B A3) = = ≅ 0,19
n( A3 ) 385
Conceito clássico de probabilidade condicional

Sejam A e B dois eventos com P(A) > 0. Denomina-se probabilidade condicional de B, dado que
A já ocorreu do seguinte modo:
P (B ∩ A )
P (B A ) =
P (A)
Tiramos da definição da probabilidade condicional o chamado Teorema do Produto:

P(B ∩ A) = P(A)*.P(BA)
Exemplos:
1. Em uma caixa contém 50 bolas de diferentes tamanhos e cores, conforme
tabela a seguir.
Cor Grande Média Pequena Total

Azul 3 5 7 15
Branca 5 6 8 19
Vermelha 4 9 3 16
Total 12 20 18 50
Achar a probabilidade de ser sorteada uma bola vermelha, quando se sabe que a bola retirada é
pequena.
Solução:
n(Ω) = 50 n(V) = 16 n(Pe) =v18 n(V ∩ Pe) = 3
21
n(V ) 16 n(Pe) 18 n(V ∩ Pe) 3

P(V ) = = ; P(Pe) = = ; P(V ∩ Pe) = =
n(Ω) 50 n(Ω) 50 n(Ω) 50
3
3
P(VlPe) = 50 = = 0,1667= 16,67%
18 18
50
2. Duas bolas vão ser retiradas de uma urna que contém 2 bolas brancas, 3 pretas e 4 verdes. Qual
a probabilidade de que ambas
a) sejam verdes?
b) sejam da mesma cor?
Solução:
4 3 1
a) P (V ∩ V ) = P (V ).P (V V ) = 9 . 8 = 6
2 1 3 2 4 3 20 5
P (MC )= . + . + . = =
9 8 9 8 9 8 72 18
b)
3. Considere a tabela a seguir, que relaciona disciplina X sexo de uma faculdade.
Disciplina F Q Total
Sexo
H 40 60 100
M 70 80 150
Total 110 140 250
Um aluno é sorteado ao acaso. Qual a probabilidade de que esteja cursando química, dado que é
mulher?
Solução:
80
P (Q ∩ M ) 250 80
.P (Q M ) = = =
P (M ) 150 150
250
4. Determinar a probabilidade da jogada de um dado resultar em um número menor que 4,

sabendo-se que o resultado é um número ímpar.
Solução:
22
Seja A: “sair um número menor que 4” e B: “sair um número ímpar”
2
P( A ∩ B 6 2
Então P ( A / B ) = P (B ) = 3 = 3
6
5. Retira-se uma carta de um baralho de 52 cartas e sabe-se que saiu uma carta de ouros. Achar a
probabilidade de que seja um rei.
Solução:
Seja A: “sair uma carta de ouros” e B: “sair um rei”
1
P ( B ∩ A) 52 1
Então P (B / A ) = P ( A) = 13 = 13
52
6. Em uma urna existem 3 bolas verdes e 4 bolas pretas. São retiradas duas bolas. Sabendo-se que
a primeira bola é verde, achar a probabilidade de que a segunda bola seja preta.
Solução:
Seja A: “primeira bola é verde” e B: “a segunda bola é preta”.
P ( B ∩ A)
Então P (B / A ) = P ( A)
P(A) = 3 / 7
P(B ∩ A) = 12 / 42
12
P ( B ∩ A) 42 2
Logo, P (B / A) = P ( A) = 3 = 3
7
7. Uma loja tem um lote de 5 parelhos de DVD, e sabe-se que nesse lote existem 2 aparelhos com
defeito. Um consumidor compra 2 aparelhos do lote, escolhidos aleatoriamente. Achar a
probabilidade do segundo aparelho ser defeituoso, sendo que o primeiro já está escolhido.
Seja P: “o aparelho é perfeito”
D: “o aparelho é defeituoso”
Então o que se deseja é P(D/D) ou P(D/P)
2 6
P ( D ∩ D ) P ( D ∩ P ) 20 20 1 2 3
Assim P (D / D ) + P (D / P ) = P ( D) + P ( P ) = 2 + 3 = 4 + 4 = 4
5 5
23
11. Teorema da Probabilidade Total

Seja A1, A2, ..., A3 eventos que formam uma partição do espaço amostral. Seja B um evento desse
espaço. Então
n
P( B) = P( B ∩ A1 ) ∪ P( B ∩ A2 ) ∪ ... ∪ P( B ∩ An ) = ∑ P( B ∩ Ai )
i =1
P(B) = P ( A1 ). P ( B A1 ) + P ( A 2 ). P ( B A 2 ) + ...+ P ( A n ). P ( B A n ) = ∑ P ( A ). P ( B
i =1
i Ai )
Exemplo:
1. Uma urna contém 3 bolas brancas e 2 amarelas.Uma segunda urna contém 4 bolas brancas e 2
amarelas. Escolhe-se, ao acaso, uma urna e dela retira-se uma bola. Qual a probabilidade de ser
branca?
3B 4B
2A 2A
I II
1 3
P (I )= P (B I ) =
2 5
1 4 2
P ( II )= P (B II )= =
2 6 3
Logo a bola branca pode ocorrer:
24
P(B) = P(B ∩ I) + P(B ∩ II)

P(B) = P(I)*P(B / I) + P(II)*P(B/I)
1 3 1 2 19
P (B ) = . + . =
2 5 2 3 30
resolução usando o diagrama em árvore
(I ∩ B)
3/5 B 3/10
I
1/2 2/5 A 1/5 3/10 + 1/3 = 19/30
(II ∩ B)
2/3 B 1/3
1/2
II
1/3 A 1/6
2. Numa secretaria três funcionários são responsáveis pelo arquivo de documentos. O funcionário
Carlos arquiva 45% dos documentos, enquanto Jorge arquiva 25% e Manoel os outros 30%.
Supondo que a percentagem de documentos arquivados de forma errada seja de 5%, 15% e
10% respectivamente para cada um dos três funcionários, pede-se a probabilidade de se
encontrar um erro de arquivamento nessa secretaria.
Solução:
Seja A: “documento mal arquivado”
P(A/EC) = 0,05
P(A/EJ) = 0,15
P(A/EM) = 0,10
P(E) = P(A/EC).P(EC) + P(A/ EJ). P(EJ) + P(A/EM). P(EM)
P(E) = 0,05*045 + 0,15*0,25 + 0,10*0,30
P(E) = 0,09
25
Resolução pelo diagrama em árvore
5% C∩E 0,0225
C EC
45%
25% J 15% EJ J∩E 0,0375 0,09
30%
10% EM M∩E 0,030
M
12. Teorema de Bayes

O teorema de Bayes relaciona uma das parcelas da probabilidade total com a própria probabilidade
total.
Considerando a figura anterior , conhecido P(Ai) e P(B/Ai) e i = 1,2,...,n
P(Aj ).P(B Aj )
P( Aj B ) = n
, j = 1,2,..., n
∑ P( A ).P(B A )
i =1
i i
Exemplo:
A urna A contém 3 fichas vermelhas e 2 azuis, e a urna B contém 2 vermelhas e 8 azuis. Joga-se
uma moeda, se der cara, extrai-se uma ficha da urna A; se der coroa , extrai-se uma ficha da urna B.
Uma ficha vermelha é extraída. Qual a probabilidade de ter saído cara no lançamento?
Solução:
3V 2V
2A 8A
A B
Queremos: P(V/C)
26
1 3
P(C ) = P(V C ) =
2 5
1 2
P(K ) = P(V K ) =
2 10
Pelo teorema da probabilidade total:

P(V) = P(C ∩ V) + P(K ∩ V)
P(V) = P( C) . P(V/C) + P(K) . P(V/K)
Então:
1 3 1 2 4
P (V ) = . + . =
2 5 2 10 10
Calculando agora P(C/V)
3
P (V ∩ C ) 10 3
.P (C V ) = = =
P (V ) 4 4
10
O problema também pode ser resolvido pelo diagrama em árvore, como segue:
(C ∩ V)
3/5 V
3 2 4
1/ 2 C P (V ) = + =
10 20 10
A
3 / 10 3
2/10 V (K ∩ V) P (C V ) = =
4 / 10 4
1/ 2 K
A
13. Variável Aleatória discreta

Quando o espaço amostral de um experimento não é constituído por números reais, não se pode
utilizar diretamente os recursos estabelecidos na estatística descritiva. Ë o caso do lançamento de
uma moeda e observação de sua face superior, quando os componentes (cara ou coroa) não são
valores numéricos.
Para a utilização desses recursos é necessário estabelecer uma função que transforme o espaço
amostral não numérico em um espaço amostral numérico.
27
Variável aleatória é qualquer função que associa números reais aos eventos de um espaço amostral.
Uma variável aleatória será discreta se o número de valores possíveis de X (contradomínio) for
finito ou infinito numerável.
Exemplo: O número X de peças defeituosas em cada cinco peças inspecionadas.
X = {0, 1, 2, 3, 4, 5}
13.1 Função de Probabilidade

A função P(xi) = P(X = xi ) que associa um número P(xi), denominado de função de
probabilidade da variável aleatória X.
Distribuição de probabilidade da variável aleatória X é a associação de cada possível resultado

da variável aleatória X à sua probabilidade de ocorrência P(X), isto é, é o conjunto de pares [xi,
P(xi)]. Para que haja uma distribuição de probabilidades de uma variável aleatória X é
necessário que
∑ p( x ) = 1
i =1
i
Exemplo: Lançam-se duas moedas. Seja X: número de ocorrências da face cara. Determinar a
distribuição de probabilidade de X.
Solução:
O espaço amostral Ω = {(c, c), (c, k), (k, c), (k, k)}
Os valores possíveis da variável aleatória X serão 0, 1 e 2.
X=0 corresponde ao evento (k, k) com probabilidade ¼
X=1 corresponde ao evento (c, k) e (k, c) com probabilidade 2/4
X=2 corresponde ao evento (c,c) com probabilidade ¼
Tabela P(x)
X P(X)
0 ¼
1 ½ ½
2 ¼ ¼
Σ 1
0 1 2 x
Exemplo: Lançam-se 2 dados. Seja X a soma das faces. Determinar a distribuição de

probabilidade de X.
28
Faces dos dados X P(X)

11 2 1/36
12, 21 3 2/36
13, 31, 22 4 3/36
14, 41, 23, 32 5 4/36
15, 51, 24, 42, 33 6 5/36
16, 61, 52, 25, 34, 43 7 6/36
26, 62, 35, 53, 44 8 5/36
36, 63, 45, 54 9 4/36
4 10, 10 4, 55 10 3/36
56, 65 11 2/36
66 12 1/36
Σ - 1
13.2 Função de distribuição acumulada

É a soma das probabilidades dos valores xi menores ou iguais a x.
F ( x) = P ( X ≤ x) = ∑ p(x )
xi ≤ x
i
Propriedades:
1. F(X) = x∑< x
P (x)
i
2. F (− ∞ ) = 0
3. F (+ ∞ ) = 1
4. P(a < X ≤ b) = F(b) – F(a)
5. P(a ≤ X ≤ b) = F(b) – F(a) + P(X = a)
6. P(a < X < b) = F(b) – F(a) – P(X = b)
7. A função é não decrescente
11 1
Exemplo: Admita que a variável aleatória X tome os valores 0, 1, 2 com probabilidades 3, 6, 2
respectivamente.
F(X) = 0 se x <0
1
F(X) = se 0 ≤x<1
3
1
F(X) = se 1 ≤x<2
2
F(X) = 1 se x≤2
29
Eis o gráfico de F(X),
F(x)
1/2
1/3
0 1 2 3 x
Exemplo: Uma população de 1000 crianças foi vacinada contra um tipo de alergia. Após um mês
da vacinação, as crianças que ainda tivessem alguma reação alérgica recebiam nova dose da
vacina. Ao fim de 5 doses, todas as crianças foram consideradas imunizadas. Os resultados estão
na tabela a seguir:
Gráfico
Doses 1 2 3 4 5
Frequência 245 288 256 145 66
Freqüência 245 533 789 934 1000
acumulada
0 1 2 3 4 5x
Se uma criança é sorteada ao acaso, determine a probabilidade da criança:

a) ter recebido duas doses: P(x = 2)
b) ter recebido até duas vacinas: P(x ≤ 2)
c) ter recebido entre 2 e 4 vacinas: P(2 ≤ x ≤ 4)
Solução:
n( D 2) 288
a) P(x=2) = n ( Ω ) = 1000 = 0 , 288
b) P(x ≤ 2) = P(x = 1) + P(x = 2) = 0,533
30
Como a variável só tem valores inteiros, esse valor fica inalterado no intervalo [2,3). Isto é
F(2,1) = F(2,45) = F(2,99). Por isso podemos escrever F(x) = P(X ≤ x) = 0,533 para 2 ≤ x <
3.
c) P(2 ≤ x ≤ 4) = P(x = 2) + P(x = 3) + P(x = 4) = 0,689 ou

P(2 ≤ x ≤ 4) = F(4) – F(2) + P(2) = 0, 934 – 0,533 + 0, 288 = 0,689
13.3 Esperança matemática (Valor esperado)

É a média dos possíveis resultados esperados considerando o peso de cada probabilidade de
ocorr6encia de x, isto é:
E(x) = x1 P ( x1 ) + x 2 P ( x 2 ) + ... + x n P ( x n ) = ∑ xi . p ( xi )
i =1
O valor esperado nem sempre assume um dos valores da distribuição. Por exemplo, o valor
esperado do lançamento de um dado não viciado é 3,5 (prove).
Exemplo: Lançam-se 3 moedas. Seja x o número de ocorrências da face cara. Calcule o número
médio de caras nesse lançamento.
Espaço amostral (Ω): CCC, CCK, CKC, KCC, CKK, KCK, KKC, KKK
N0 DE P(X)
CARAS
(X)
0 1/8 =
0,125
1 3/8 =
0,375
2 3/8 =
0,375
3 1/8 =
0,125
E[X] = 0. 0,125 + 1. 0,375 + 2. 0,375 + 3. 0,125 = 1,5
Exemplo: Uma pousada possui dois quartos duplos iguais. O preço é variável de acordo com o
número de clientes: 10,00 para um cliente, 20,00 com dois clientes, 42,00 com três clientes e
85,00 com quatro clientes.
As probabilidades relativas à ocupação dos quartos são as seguintes:
P(1 cliente) = 0,15
31
P(2 clientes) = 0,45

Qual a quantidade média de clientes esperada por dia?

y = número de clientes que ocupam quartos
E[y] = 1. 0,15 + 2. 0,45 + 3. 0,30 + 4. 0,10 = 2,35
A quantidade diária média de clientes é de 2,35.
Qual o valor médio esperado por dia pela pousada?

x = diária de um quarto ocupado
E(x) = 10.(0,15) + 20.(0,45) + 42.(0,30) + 85.(0,10) = 32,60
A diária média do estabelecimento será de 32,60.
Propriedades do valor esperado:
1) E(k) = k, k = constante
Demonstração:
n n
E(k) = ∑
i =1
k . p ( x i ) = k. ∑
i =1
p ( xi ) = k.1 = k
2) E(k.x) = k.E(X)
Demonstração:
n n
E(k.x) = ∑ k . x . p ( x ) = k. ∑ x . p( x ) = k.E(X)
i =1
i i
i =1
i i
3) E(X ± Y) = E(X) ± E(Y)
n  n
4) ∑ X i  = ∑{E ( X i )}
 i =1  i =1
5) E(aX ± b)=E(aX) ± b, a e b constantes
6) E(X - µx) = E(X) – E(µx) = E(X) - µx = 0
13.4Variância e Desvio Padrão

O conhecimento da média de uma distribuição de probabilidades não avalia o grau de dispersão
das probabilidades em torno dessa média. A variância é uma medida que dá o grau de dispersão
de probabilidades em torno da média. A definição de variância de uma variável aleatória discreta
é dada por:
32
σ2 = Var (X) = E{[X – E(X)]2}
Desenvolvendo o quadrado da diferença, obtém-se uma fórmula mais fácil de ser aplicada:
Var (X) = E(X2) – {E(X)}2
Onde:
n n
E[X2]= ∑xi =1
i
2
. p ( x i ) e E(x) = ∑ x .p(x )
i =1
i i
A variância é um quadrado e muitas vezes o resultado torna-se artificial. A

altura média de uma um grupo de pessoas é 1,70 m e a variância 25 cm2.
Contornamos esse problema definindo desvio padrão, que é a raiz quadrada da
variância.
Exemplo: Um gerente de loja construiu a seguinte distribuição de probabilidade para vendas de

fogões, por semana:
Xi (vendas) 0 1 2 3 4
P(xi) 0,20 0,30 0,30 0,15 0,05
O número esperado de venda semanal será:

Média
E[x] = 0.(020) + 1.0,30 + 2. 0,30 + 3. 0,15 + 4. 0,05
E[x] = 1,55 fogões
Variância: V(x) = E[x2] – {E[x]2}=
E[x2] = 02. 0,20 + 12. 0,30 + 22 .0,30 + 32 . 0,15 + 42 . 0,05 = 3,65
V(x) = 3,65 – [1,55]2
V(x) = 1,25
Desvio padrão: σ = 1 , 25 = 1,12
Propriedades da variância:
1. V(k) = 0, k = constante
Demonstração:
V(k) = E{[k – E(k)]2} = E{[k – k]2} = 0
2. V(k.x) = k2.V(X)
Demonstração:
n n
V(k.x) = ∑ k . x . p ( x ) = k. ∑ x . p( x ) = k.E(X)
i =1
i i
i =1
i i
33
3. V(X ± Y) = V(X) ± V(Y) ± 2 cov (X,Y)

V(X ± Y) = E {[( X ± Y ) – E ( X ± Y)]2 }
cov(X i , X j )
n  n n
4. V ∑ i
 X  = ∑ i ∑
V ( X ) + 2
 i =1  i =1 i< j
5. V(aX ± b) = a2 V(X) , a e b constantes
13.5 Distribuição conjunta de duas variáveis aleatórias
Exemplo: No lançamento simultâneo de dois dados, considere as seguintes variáveis aleatórias:

X = número de pontos obtidos no primeiro dado
Y = número de pontos obtidos no segundo dado.
a) Construir a distribuição de probabilidade através de uma tabela e gráfico das seguintes
variáveis
I) W=X–Y
I) A = 2.Y
II) Z = X.Y
III) B = máximo de (X,Y)
b) Construir a função acumulada das variáveis W, Z e B e fazer os

respectivos gráficos
c) Aplicando as propriedades da função acumulada, calcular as

probabilidades:
i) P(-3 < W ≤ 3)
ii) P(0 ≤ W ≤ 4,5)
III) P(A > 6)
IV) P(Z ≤ 5,5)
V) P(Z = 3)
VI) P(1 ≤ B ≤ 4)
VII) P(W ≤ -8)
VIII) P(20 ≤ Z ≤ 35)
34
NOÇÕES DE SISTEMAS LINEARES
Resolução e Discussão de um Sistema Linear
O método de escalonamento de uma matriz vai servir como base para a resolução de sistemas
lineares. Para isto, consideramos a matriz ampliada do sistema e escalonamos para obtermos uma
matriz equivalente LRFE.
Exemplos:
x+3z =−8
 1

0 3 − 8

1) 2x−4y =−4 A matriz ampliada do sistema é  2
3
− 4 0 − 4  . Vamos escalonar esta
26 
3x−2y−5z =26  − 2 −5

matriz para obter a matriz equivalente LRFE
−1
1 0 3 −8L →L −2L 1 0 3 −8L2 → L21 0 3 −8
  2 2 1  4  
2 −4 0 −4 → 0 −4 −6 12 → 0 1 3/ 2 −3
L →L −3
3 −2 −5 26 3 3 10 −2 −14 50
L 0 −2 −14 50
     
− −1
1 0 3 8 L 1 0 3 −8
 3 11 3 1 0 0 4 
L3→L3+2L2 L →
 L1 →L1 −3L3  
→ 0 1 3/3 −3 → 0 1 3/ 2 −3 → 0 1 0 3 
0 0 −11 44 0 0 1 −4 L2 →L2 −3 L30 0 1 −4
    2  
A última matriz da seqüência acima é uma matriz LRFE linha equivalente à matriz ampliada do sistema
x=4

dado e corresponde à matriz ampliada do sistema y=3 .
z =−4

35
O sistema final é equivalente ao sistema dado, logo têm as mesmas soluções. Portanto a solução do
sistema é { ( 4, 3, -4 ) } Neste caso o sistema tem uma única solução
x − y +2z −t = 0
 1

−1 2 −1 0

2) 2x + y +4z = 0 A matriz ampliada do sistema é  2
1
1 4 0 0  . Vamos obter a
0 
x − y +2z −4t = 0  −1 2 − 4

matriz LRFE equivalente:
1
 1 −1 2 −1 0 L →L −2L 1 −1 2 −1 0 L2→ L21 −1 2 −1 0
  2 2 1  3  
 2 1 4 0 0 → 0 3 0 2 0 →  0 1 0 2 / 3 0
 1 −1 2 − 4 0 L3→L3−L1 0 0 0 − 3 0  0 0 0 − 3 0
     
−1 1
L1→L1+L2
1 0 2 −1/ 3 0 L3→ L31 0 2 −1/ 3 0 L1→L1+ L3 1 0 2 0 0
 3   3  
→ 0 1 0 2 / 3 0 → 0 1 0 2 / 3 0 → 0 1 0 0 0
0 0 0 − 3 0 0 0 0 1 0 L2→L2−2L30 0 0 1 0
    3  
x+2z =0

A matriz acima equivale ao sistema y=0
t =0

Para cada valor atribuído a z, temos a n-upla (− 2 z , 0 , z , 0 ) que é solução do sistema.
O sistema tem infinitas soluções e é dito indeterminado.
x+y+z =4
 1

1 1 4

3) 2x+3y−1z =3 A matriz associada ao sistema é  2
2
3 −1 3  . Vamos encontrar a matriz
1 
2x+2y+2z =1  2 2

equivalente LRFE. :
36
−1
1 1 1 4L →L −2L1 1 1 4 L3→ L31 1 1 4 L→L−L 1 0 4 9 
  2 2 1  7   1 1 2 
2 3 −1 3 → 0 1 −3 −5 → 0 1 −3 −5 → 0 1 −3 −5
2 2 2 1L3→L3−2L10 0 0 −7 0 0 0 1  0 0 0 1 
       
L1→L1−9L3
1 0 4 0

→ 0 1 −3 0
L2→L2+5L3 
0 0 0 1
A 3a linha da matriz LRFE corresponde à equação x .0 + y .0 + z 0 = 1 que nos leva a um absurdo 0 =

1!
Neste caso dizemos que o sistema não tem solução, ou que é impossível.
Discussão de um sistema
Vimos pelos exemplos anteriores que podemos ter várias situações para um sistema linear.
Vejamos o que acontece a um sistema de uma equação a uma incógnita: ax = b
b
1o ) Se a  0, temos que x = a
2o ) Se a = b = 0, temos que qualquer número real é solução da equação.
3o ) Se a = 0 e b  0, ficamos com 0.x = b e a equação não tem solução.
No caso em que temos um sistema com duas equações e duas incógnitas, temos uma interpretação
geométrica bastante simples das situações colocadas anteriormente.
ax+by=c (1)

1 +by
ax 1 =c1 (2)
As equações ( 1 ) e ( 2 ) podem ser interpretadas como duas retas no plano e temos as seguintes
interpretações geométricas:
37
1o ) Solução Única
Retas se interceptam num único ponto
2o ) Infinitas Soluções
Retas coincidentes
3o ) Não existe solução

Retas Paralelas
Observação: Interpretação análoga pode ser dada a um sistema de 3 equações e três incógnitas. Neste
caso cada equação representa um plano no espaço.
a11x1 + a12x2 +...+a1nxn = b1

a x + a x +...+a x = b
 21 1 22 2 2n n 2
No caso geral temos que, dado um sistema S = ele poderá
.............................................
am1x1 + am2x2 +...+amnxn = bm
ter
i) Uma única solução e neste caso dizemos que o sistema é possível ( compatível, consistente ) e
determinado.
ii) Infinitas soluções e neste caso dizemos que ele é possível e indeterminado.
iii) Nenhuma solução e neste caso dizemos que o sistema é impossível (incompatível,
inconsistente)
38
 determinado (solução única)

possível
Sistema indeterminado ( infinitas soluções )
impossível ( sem solução )

Existe um número associado a uma matriz, através do qual podemos identificar em qual das três
situações anteriores se enquadra um sistema, bastando para isto analisar as matrizes LRFE equivalentes
às matrizes dos coeficientes e a matriz ampliada associadas ao sistema.
Definição: Dada uma matriz Amxn , seja Bmxn tal que, A ~ B e B é linha reduzida à forma escada. O
posto de A, que denotaremos por p ( ou p(A) ) é o número de linhas não nulas de B.
Exemplos:
0 0 2 1 2 0
   
1) A = 1 2 1 ~ 0 0 1 = B . Temos assim que p(A) = 2
   
2 4 2 0 0 0
1 1 1 1 1 0 0 0
   
2) A = 1 −1 2 2 ~ 0 1 0 0 = B. Temos que p(A) = 3
   
1 6 3 3 0 0 1 1
Observação: O posto p de uma matriz é sempre menor ou igual a n, isto é, p  n De fato, isto
significa que o número de linhas não nulas de uma matriz LRFE não pode ser maior que o número de
colunas da matriz, senão ela deixa de ter a forma LRFE.
Tente dar um exemplo de uma matriz LRFE em que p > n !!!!!
Consideremos as matrizes LRFE equivalentes às matrizes ampliadas dos 3 últimos sistemas resolvidos
anteriormente.
Vamos indicar por pc – posto da matriz dos coeficientes e
pa – o posto da matriz ampliada.
1 0 3 − 8  1 0 0 4 
   
1)  2 − 4 0 − 4  ~ 0 1 0 3  = B
3 − 2 −5 26   0 0 1 − 4 

A matriz B acima é a matriz ampliada LRFE de um sistema com m equações ( m = 3) e n incógnitas
( n = 3)
pc = 3 = pa = 3 Sistema possível e determinado
39
1 −1 2 −1 0 1 0 2 0 0
   
2)  2 1 4 0 0  ~ 0 1 0 0 0=B
1 −1 2 − 4 0   0 0 0 1 0 

( n = 4)
pc = 3 = pa < n = 4 Sistema possível e indeterminado.
1 1 1 4 1 0 4 0
   
3)  2 3 −1 3~ 0 1 − 3 0=B
2 2 2 1   0 0 0 1 


( n = 3)
pc = 2  pa = 3 Sistema impossível.
A situação ilustrada nos exemplos acima vale geralmente e está enunciada a seguir:
Seja S um sistema de m equações e n incógnitas.

i) S admite solução se e somente se o posto da matriz ampliada é igual ao posto da matriz dos
coeficientes, pa = pc = p.
ii) Se as duas matrizes têm o mesmo posto e p = n, então a solução será única
iii) Se as duas matrizes têm o mesmo posto e p < n , então o sistema é indeterminado. Podemos
então escolher n – p incógnitas e escrever as outras p incógnitas em função destas. Dizemos
que n – p é o grau de liberdade do sistema. (usado em estatística!)
Exercício: Supondo que as matrizes a seguir são as matrizes ampliadas de sistemas de equações,
analise se os sistemas correspondentes são possíveis e determinados, possíveis e indeterminados ou
impossíveis.
1 0 0 0 1
  2 4 4 4
0 0 1 2 3   1 0 1 1 2 4 4 4
 0 1 0 2    
1)  0 0 0 0 1 2)  0 3)  0 1 0 1 4)  0 1 0 1
 1 1 1 0
0 0 0 0 0 
0
  0 0 2  0
 0 1 0 
0  2 2 2 
 1 0 0 1 
40
Resolução e Discussão de Sistemas pelo Método de Gauss
Até agora resolvemos e discutimos sistemas através da matriz na forma LRFE , linha
equivalente à matriz ampliada do sistema. Podemos resolver e discutir sistemas usando o método de
Gauss, que consiste em escalonar a matriz até a forma escalonada ( eliminação gaussiana ) sem precisar
ir até a forma escalonada reduzida por linhas ( Gauss-Jordan)
1 1 2 1
 
Consideremos a matriz ampliada de um sistema linha equivalente à seguinte matriz  0 1 −1 3(
0 0 1 2 

x+y+2z=1

I) que corresponde ao sistema y−z=3
z=2

Substituindo o valor de z = 2 na 2a equação obtemos y = 5 e substituindo os valores z = 2 e y = 5 na 1a
equação obtemos x =  8.
A matriz ( I ) não está na forma LRFE mas a partir dela obtemos, por substituição, a solução do
sistema.
Para resolver o sistema por este método, escalonamos a matriz ampliada e obtemos a solução do
sistema ( caso exista ) por eliminações sucessivas das incógnitas
Exemplo:
x+y−z=1 1
1 1 −1 1L →L −L1 1 −1 1L3→L31 1 −1 1 
   3 3 1  2  
y−3z=7 0 1 −3 7 → 0 1 −3 7 → 0 1 −3 7  que está na forma
x+y+z=2 1 1 1 2 0 0 2 1 0 0 1 1/2
      
escalonada por Gauss
1
A última linha da matriz corresponde a z = 2
1 17
A 2a linha corresponde à equação y − 3 z = 7 . Substituindo z = 2 , obtemos y = 2
Substituindo os valores encontrados para z e y na primeira equação x + y − z = 1 , obtemos
x=7
Algumas observações sobre os métodos de Gauss e Gauss-Jordan:
41
4. Definimos o posto de uma matriz através da matriz linha equivalente LRFE. No entanto, o número
de linhas não nulas de uma matriz LRFE é o mesmo que o de uma matriz escalonada por Gauss.
Assim, se queremos apenas discutir um sistema não precisamos escalonar a matriz até a forma
LRFE. Basta colocá-la na forma escalonada.
5. Se o interesse é a resolução completa do sistema é mais conveniente fazer o processo completo, ou
seja, colocar a matriz ampliada na forma LRFE. Este método é melhor se resolvemos manualmente
sistemas pequenos
6. Para sistemas grandes foi mostrado que o método de Gauss-Jordan requer cerca de 50% mais
operações que a eliminação gaussiana. Do ponto de vista computacional é mais interessante
portanto a eliminação gaussiana.
Algumas observações sobre sistemas lineares homogêneos
1. Todo sistema linear homogêneo é consistente pois tem x1 = 0; x2 = 0; x3 = 0 ..., ou seja, a n-upla
(0,0,0,...,0) como solução: Esta solução é chamada de solução trivial ou solução nula. Se há
outras soluções estas são chamadas de não-triviais. .
2. Como um sistema linear homogêneo tem sempre a solução trivial, só existem duas
possibilidades para suas soluções:
• O sistema tem somente a solução trivial
• O sistema tem infinitas soluções além da trivial
3. Um sistema homogêneo de equações lineares com mais incógnitas que equações tem infinitas
soluções
Exercícios basicos:
1) Usando o método de Gauss, discuta em função de k o seguinte sistema:
y−x−k =0

x+2y+3z =2
x−3y−2z =7

x+2y−3z =1

2) Determine o valor de c para que o sistema 3x−y+2z =2 seja possível
x+8z−5y=c

42
Resposta: Qualquer valor de c  0
x+y+z =−1

3) Dado o sistema S = x+3y+az=−3, determine:
x+ay+3z =2

b) Os valores de a para que S seja possível e determinado
c) Os valores de a para que S seja possível e indeterminado.
d) Os valores de a para que S seja impossível
43
CAPÍTULO II
CADEIAS DE MARKOV
Desenvolvimento
Motivação:
Muitos dos fenômenos que ocorrem na natureza podem ser estudados como processos que
sofrem mudanças, tais que, num certo instante ocupam um dentre um número finito de estados. Por
exemplo:
1) Processo com dois estados:

i) Um jovem do estado do Tocantins pode estar em um dentre dois estados da educação: estudar
na Finom, não estudar na Finom.
ii) Uma pessoa de determinada região pode estar em um dentre os dois estados populacionais:
rural, urbano.
2) Processo com três estados:

O tempo na cidade de Campos Belos de Goiás pode estar em um dentre três estados
possíveis: ensolarado, nublado, chuvoso.
Teoria e aplicações de Cadeia de Markov
Definição (Cadeia de Markov): Em um sistema se a probabilidade de um certo estado ocorrer

puder ser obtida unicamente a partir do conhecimento do estado da observação imediatamente anterior,
então o processo de mudança de um estado para outro é chamado de processo ou cadeia de Markov.
Definição (Matriz de Transição): Denotamos por 1, 2, ..., K os K estados possíveis de uma cadeia de
Markov. A probabilidade de o processo estar no estado i em qualquer observação se observa
imediatamente anterior estava no estado j, é denotada por, Pij,
i é chamada de probabilidade de transição do estado i ao estado j.
A matriz, P=[Pij], é chamada a matriz de transição da cadeia de Markov.
Observação: As entradas da matriz, Pij, do processo de Markov são não-negativos e a soma de cada
uma de suas colunas é igual a 1. Pois; quando o processo está no estado j em uma observação, então,
ele tem que estar em um dos n estados possíveis, na próxima observação e a matriz não
necessariamente precisa ser quadrada e as entradas são os números da matriz;
P1j+P2j+...+Pkj=1
Aplicação 1:
Suponha que o tempo determinado da cidade de Campos Belos é chuvoso ou seco. Com o
resultado do grande número de registros existentes no Instituto de Meteorologia, determina-se que:
A probabilidade de se ter um dia chuvoso logo após um dia seco é de 20%,
44
e a probabilidade de se ter um dia chuvoso é de 70%.

Se representarmos por:
1 o estado seco,
2 o estado chuvoso,
Então a matriz transição dessa cadeia de Markov é:
1 2
1  0 ,8 0 ,3 
P =
2  0 , 2 0 , 7  Neste caso, as probabilidades de transição são:
P11=0,8: a probabilidade de passar de um dia seco para outro dia seco é de 0,8 ou 80%.
P12=0,3: a probabilidade de passar de um dia seco para outro dia chuvoso é de 0,3 ou 30%.
P21=0,2: a probabilidade de passar de um dia chuvoso para outro dia seco é de 0,2 ou 20%.
P22=0,7: a probabilidade de passar de um dia chuvoso para outro dia chuvoso é de 0,7 ou 70%.
Teorema 1: Se P=[Pij] 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)
Não iremos provar este teorema, pois envolve idéias da teoria de probabilidades e não será dada aqui. (
Kemeny J. Snell J. [3] )
Observação:
Do teorema acima temos que:
x(1)=P.x(0)
x(2)=P.x(1)=P.Px(0)=P2x(0)
M
x(n)=P.x(n-1)=...=Pn.x(0)
Então: x(n)=Pn.x(0)
isto é, conhecendo o vetor do estado inicial x(0) e a matriz das transições P, obtemos o vetor do estado
n, x(n), multiplicando Pn por x(0).
A matriz Pn=P...P, representa a matriz das probabilidades de transição da cadeia em n passos.
Aplicação 2 (na genética - Boldrini[1]):

Sabemos que o tipo mais simples de transmissão de herança genética é efetuado através de
pares de genes onde cada gene pode ser dominante (G) ou recessivo (g), então os pares serão:
GG: Indivíduo Dominante.
Gg: Indivíduo Híbrido.
gg: Indivíduo Recessivo.
Um indivíduo herda os genes ao acaso, um deles de seu pai e o outro de sua mãe. Assim, nos
vários tipos de cruzamento, temos probabilidades distintas de transmissão de herança genética, como
mostra a tabela abaixo. Para isto denotamos por
d=GG, h=Gg e r=gg.
45
dxd rxr dxr dxh rxh hxg

d 1 0 0 0,5 0 0,25
h 0 0 1 0,5 0,5 0,5
r 0 1 0 0 0,5 0,25
Além disso, numa população numerosa composta por uma porcentagem Pd(1) de indivíduos de
características dominantes, Ph(1) de indivíduos híbridos e Pr(1) de indivíduos de características
recessivas, a probabilidade de cruzamento de genes de um indivíduo dominante com outro dominante é
Pd(1).Pd(1).
Se quizermos calcular a probabilidade de um cruzamento onde um dos indivíduos é dominante e
o outro é híbrido, temos que somar Pd(1).Ph(1) considerando que o primeiro é dominante e o segundo é
híbrido a Pd(1).Pd(1). Assim, a probabilidade é de 2 Pd(1).Pd(1). Os outros casos seguem o mesmo
raciocínio e temos então:
Cruzamento Probabilidade
dxd Pd(1).Pd(1)
rxr Pr(1).Pr(1)
dxr 2Pd(1).Pr(1)
dxh 2Pd(1).Ph(1)
rxh 2Pr(1).Ph(1)
hxh Ph(1).Ph(1)
Comportamento Limite
Nos dois exemplos anteriores nos vimos que os vetores-estado convergem a um vetor fixo à
medida que o número de observações cresce.
Agora nós nos perguntamos se os vetores-estado sempre convergem a um vetor fixo em uma
cadeia de Markov. Um exemplo simples mostra que isto não é o caso, é o seguinte:
O sistema oscila entre dois lados

Sejam:
1 0 1
P= x(0) =  
1
e
0 0
então, como P2=I e P3=P, nós temos:
1 
x(0)=x(2)=x(4)=...=  
0
46
0 
x(1)=x(3)=x(5)=...=  
1 
1  0
Este sistema oscila indefinidamente entre os dois vetores-estado 0 e 1  , e portanto o vetor
   
estado não converge a nenhum vetor fixo.
Definição (Matriz Regular - Terry L.[6]): Uma matriz de transição é regular se uma potência
positiva da matriz tem todas as entradas positivas.
Assim, para a matriz de transição regular P, existe um número inteiro m tal que todas as
entradas de Pm são positivas.
Teorema 2: (comportamento de Pn quando n →∞).
Se P é uma matriz de transição regular, então:

q1 q1 K q1 
q 
q2 K q 2 
P → 2
n
= Q , quando n →∞, onde os qi são números positivos tais que
M M M 
 qk 
qk qk 
q1+q2+...+qk=1.
Para a prova ver: [3]
Observação: Com a notação
q1 q1 K q1   q1 
q  q 
q 2 K q2 
P → 2
n
e q =  2 ,
M M M  M 
 qk   
qk qk  q k 
então Q é uma matriz de transição com todas colunas iguais ao vetor de probabilidade q. Esta matriz Q
têm a seguinte probabilidade:
Se x é qualquer vetor de probabilidade, então:
Isto mostra que Q transforma qualquer vetor de probabilidade x num vetor de probabilidade q
fixo. Este resultado leva o teorema sequinte.
47
Teorema 3 (comportamento de Pnx quando n →∞) ( Noble B. James W.D. [5])

Se P é uma matriz de transição regular x é um vetor de probabilidade qualquer, então.
q1 
q 
P n
x →  2  = q
M 
1
 
q k 
q1 
q 
=(x1 + x2 +...+ xk ) 2  =(1).q = q
M 
 
qk 
Qx= q
quando n→∞, e q é um vetor de probabilidade fixo, independente de n, cujas entradas são todas
positivas.
Prova
Este resultado vale pois, o teorema 2 implica que P → Q quando
n
n → ∞ , de modo que
P n x → Qx = q quando n→∞ .
Assim, para uma cadeia de Markov regular, o sistema sempre acaba convergindo para um vetor-
estado q fixo.
Neste caso, o vetor q é chamado vetor de estado estacionário da cadeia de Markov regular.
Teorema 4 (vetor de estado estacionário-Kolmam, B.[4])

O vetor de estado estacionário q de uma matriz de transição regular P é o único vetor de
probabilidade que satisfaz a equação Pq=q ou (I-P)q=0.
Prova
Para ver isto, considere a identidade matricial PPn=Pn+1.
Pelo teorema 2, ambas Pn e Pn+1 convergem a Q quando n → ∞ .
isto é
P n → Q, n → ∞
P n +1 → Q , n → ∞
n +1
então P . P = P
n
e quando n → ∞ ,
P .q = q
48
Aplicação 3:
Considere a matriz da aplicação 1 e determine se existe vetor estacionário para a cadeia.
Solução:
0,80,3
P= 
0,20,7
observando que P é regular, temos que o sistema linear (I-P)q=0 é
0,2 - 0,3  q  0 
1
- 0,2 0,3  2  = 0 
   q   
Isto leva à única equação independente
0,2q1 – 0,3q2=0
ou
q1=1,5 q2
Assim, colocando q2=S, temos:
1,5
q = S 
1 
S= 1
onde S é uma constante arbitrária. Como 1,5S + S = 1, temos que
(1,5 +1) então
consequentemente,
0,6
q = ,
0,4
O que significa que ao longo do tempo, com probabilidade de 60% o tempo na cidade de Campos
Belos será seco e com 40% será chuvoso.
49
Conclusão
Acredito que o objetivo principal deste livro de definir, estudar e aplicar as cadeias de Markov
foi alcançado. Além disso serviu para aprofundar meus conhecimentos de álgebra linear e da teoria
básica da probabilidade.
É importante ressaltar que este trabalho apesar de ser elementar é de suma importância para
probabilísticos e estatísticos que buscam resultados futuros através de pesquisas feitas em sistema da
natureza.
50
BIBLIOGRAFIA
[1]-BOLDRINI, J. L., et al. Álgebra Linear. 3.ed. São Pulo: Harbra,1986.

[2]-BOYER, C. B. História da Matemática. São Paulo: Edgard Blucher,
1996.
[3]-KEMENY J., SNELL J. Finite Markov Chains. Nova Iorque: Springer
Verlag, 1976.
[4]-KOLMAM, B. Introdução à álgebra linear. Rio de Janeiro: Prentice-Hall
do Brasil, 1996.
[5]-NOBLE B., JAMES W. D. Introdução à aplicações da álgebra linear.
Rio de Janeiro: Prentice-Hall do Brasil, 1986.
[6]-TERRY L. Álgebra Linear. São Paulo: Springer Verlag , 1997.
51
52

Livro - Aplicação Cadeias de Markov

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Livro - Aplicação Cadeias de Markov

Enviado por

Direitos autorais:

Formatos disponíveis

Fabiano Rodrigues de Souza

Copyright ©2015 Fabiano Rodrigues de Souza

Todos os direitos reservados ao autor, cedidos à PLUSCOM EDITORA - um selo da PLUSCOM

Projeto gráfico, diagramação e capa:

Dados Internacionais de Catalogação na Publicação (CIP)

Ap37 Aplicações de Cadeias de Marlov / Fabiano Rodrigues de Souza. Rio Grande:

1. Matemática 2. Cadeias de Markov 3. Cadeias de Markov - aplicação. I.

CDU : 510.2 CDD:51/07

Versão Digital – Outono de 2015

REFERÊNCIAS BIBLIOGRÁFICAS ..................................................................................51

No estudo das probabilidades estamos interessados em estudar o experimento aleatório, isto é,

1. Espaço Amostral (Ω)

Tabela 1 – espaço amostral ( Ω) no lançamento de dois dados

C: As três bolas são vermelhas

4. Operações com eventos

d) Evento união ( ∪ ) ou soma

Exemplo: Se A = { 1, 2, 5, 6} e B = {4, 5} então A ∪ B = {1, 2, 4, 5, 6}.

e) Evento intersecção ( ∩ ) ou produto

A ∩ B representa a ocorrência do evento A e do evento B simultaneamente.

f) Eventos mutuamente exclusivos ou disjuntos

Se A e B são conjuntos finitos disjuntos, então n(A ∪ B) = n(A) + n(B)

b) conjunto finito A = { 1, 2, 3, 4}; n(A) = 4

6. Propriedades das operações com eventos aleatórios

7. Partição de um espaço amostral

Então, temos que E1∩ E2 = ∅, E1 ∩ E3 = ∅, E2 ∩ E3 = ∅ e S = E1 ∪ E2∪ E3

Considere um experimento aleatório em que cada um dos n eventos simples do Ω a chance de

Podemos ampliar essa definição de probabilidade de um evento simples para probabilidade de um

0 ≤ P(A) ≤ 1 para todo evento A, A ⊂ Ω.

A probabilidade deve satisfazer ainda os seguintes axiomas:

b) ocorrência do número par: B = {2, 4, 6}, portanto n(B) = 3

i) ocorrência de número múltiplo de 3: C = {3, 6}, logo n( C) = 2

Extrações com reposição e sem reposição

c) se a 1a carta retirada foi de ouros: P(♦) = 12/51

2. Idem exemplo 1, com reposição

b) número de cartas do baralho na 2a extração: n(Ω) = 52

a) independente da retirada da 1a carta: P(D2 ) = 13/52

1) Probabilidade de um evento (A) ou outro evento (B) ocorrer

P(A ou B) = P(A + B) = P(A) + P(B)

2. Se dois eventos não forem mutuamente exclusivos (A e B podem ocorrer juntos)

P(A ou B) = P(A ∪ B) = P(A + B) = P(A) + P(B) – P(A ∩ B)

2) Probabilidade de um evento (A) e outro evento (B) ocorrer

o Se dois eventos não forem independentes (a seleção do evento A altera a composição do

b) A primeira carta de ouros tem P(A) = 13/ 52 = 1/ 4

Os diagramas em árvores também podem ser utilizadas no cálculo das

Contagem por análise combinatória

Lembramos que a combinação de r elementos tomados p a p (p ≤ r), calcula-se por

Onde r! = r.(r - 1)(r - 2)...1

Exemplo: Quantas comissões de 3 pessoas podem-se formar com um grupo de 10 pessoas?

Exemplo: Em um congresso científico existem 15 matemáticos e 12 estatísticos. Qual a

b) B = (ambas não são defeituosas)

Exemplo: Calcular a probabilidade de se obter exatamente 3 caras e 2 coroas em 5 lances de uma

10. Probabilidade condicional

Categoria profissional Até De 26 Mais de Total

Se um dos funcionários é escolhido aleatoriamente no conjunto dos 1770 empregados, qual a

Conceito clássico de probabilidade condicional

Tiramos da definição da probabilidade condicional o chamado Teorema do Produto:

Cor Grande Média Pequena Total

n(V ) 16 n(Pe) 18 n(V ∩ Pe) 3

3. Considere a tabela a seguir, que relaciona disciplina X sexo de uma faculdade.

4. Determinar a probabilidade da jogada de um dado resultar em um número menor que 4,

Seja A: “sair um número menor que 4” e B: “sair um número ímpar”

Então o que se deseja é P(D/D) ou P(D/P)

11. Teorema da Probabilidade Total